UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE QUÍMICA E INGENIERÍA QUÍMICA

ESCUELA PROFESIONAL DE INGENIERÍA QUÍMICA (07.2)
DEPARTAMENTO ACADÉMICO DE ANÁLISIS Y DISEÑO DE PROCESOS

Semestre Académico 2025 - 2

Curso:
ESTADÍSTICA APLICADA A CIENCIAS E INGENIERÍA
UNIDAD IV Parte 1 Semana 12

Mg. Máximo M. Leyva Caballero

Ciudad Universitaria, 18 de agosto 2025

 Regresión Lineal Simple

ÍNDICE

• Regresión Lineal Simple

• Método de Mínimos Cuadrados
• Caso 1: Ejemplo 12.1 Garibaldi
• Predicción
• Métricas de análisis
• Caso 2: Ejemplo 11.1 Walpole

Análisis de relación entre variables

 Regresión Lineal Simple

El análisis de regresión es una técnica estadística para modelar e

investigar la relación entre dos o más variables.
La relación entre estas variables se caracteriza por medio de un
modelo matemático llamado ecuación de regresión y permite
predecir o estimar el valor de una variable, llamada dependiente,
a partir de otras variables, llamadas independientes.

Análisis de Relación entre Variables

 Regresión Lineal Simple
Caso 1: Ejemplo 12.1 Garibaldi
Observación Altura (x) Peso (y)
1 1,60 60
2 1,65 62
3 1,68 65
4 1,80 75
5 1,70 70
6 1,78 74
7 1,75 75
8 1,85 78
9 1,90 85
10 1,92 87
11 1,98 90
12 1,95 88
Datos del Ejemplo 12.1 Garibaldi
 Regresión Lineal Simple
Relacion de tallas y pesos
95

90

85

80

75

70

65

60

55

50
1.50 1.60 1.70 1.80 1.90 2.00 2.10

Diagrama de dispersión
 Regresión Lineal Simple
Relacion de tallas y pesos
95

90
y = 81.299x - 70.316
85

80

75

70

65

60

55

50
1.50 1.60 1.70 1.80 1.90 2.00 2.10

Relación Lineal
Regresión Lineal Simple

Figura 11.6: Los residuales como desviaciones verticales

 Regresión Lineal Simple
Debemos calcular b0 (a) y b1 (b), los estimados de β0 y β1, de manera
que la suma de los cuadrados de los residuales sea mínima. La suma
residual de los cuadrados con frecuencia se denomina suma de los
cuadrados del error respecto de la recta de regresión y se denota como
SCE. Este procedimiento de minimización para estimar los parámetros
se denomina método de mínimos cuadrados. Por lo tanto, debemos
calcular a y b para minimizar

Ajuste por el Método de Mínimos Cuadrados

 Regresión Lineal Simple
Al diferenciar la SCE con respecto a b0 y b1, se obtiene

Al igualar a cero las derivadas parciales y reacomodar los términos,

obtenemos las ecuaciones siguientes (llamadas ecuaciones normales)

que se resuelven simultáneamente para obtener fórmulas de cálculo

para b0 y b1.

Ajuste por el Método de Mínimos Cuadrados

 Regresión Lineal Simple
Dada la muestra {(xi, yi)}; i = 1, 2, ... , n}, los estimados b0 y b1 de los
mínimos cuadrados de los coeficientes de regresión β0 y β1 se calculan
mediante las fórmulas

Ajuste por el Método de Mínimos Cuadrados

 Regresión Lineal Simple
෡ = b𝑋𝑖 + 𝑎 ,
Y
෡ = valor predicho de Y para la observación Xi.
donde Y

𝑛 σ 𝑋𝑌 − σ 𝑋 σ 𝑌
𝑏=
𝑛 σ 𝑋2 − σ 𝑋 2

𝑎 = 𝑌ത − 𝑏𝑋ത

Donde: 𝑌ത es la media de los valores conocidos de Y, 𝑋ത es la media de

los valores conocidos de X.

Ecuación de Regresión Lineal

 Regresión Lineal Simple
Indivi Altura Peso XY X2 Y2 𝑌෠ 𝑌 − 𝑌෠
2 𝑌 − 𝑌ത 2
𝑌෠ − 𝑌ത
2

duos X Y

1 1,6 60 96 2,56 3600 59,76127527 0,056989496 248,0625 255,6393184

2 1,65 62 102,3 2,7225 3844 63,82620529 3,335025753 189,0625 142,1768803
3 1,68 65 109,2 2,8224 4225 66,2651633 1,600638168 115,5625 89,96212728
4 1,8 75 135 3,24 5625 76,02099533 1,042431473 0,5625 0,073438471
5 1,7 70 119 2,89 4900 67,8911353 4,447310309 33,0625 61,76175432
6 1,78 74 131,72 3,1684 5476 74,39502333 0,15604343 3,0625 1,835961781
7 1,75 75 131,25 3,0625 5625 71,95606532 9,265538343 0,5625 14,39394037
8 1,85 78 144,3 3,4225 6084 80,08592535 4,351084565 5,0625 18,80024864
9 1,9 85 161,5 3,61 7225 84,15085537 0,721014661 85,5625 70,57437087
10 1,92 87 167,04 3,6864 7569 85,77682737 1,496151279 126,5625 100,5372671
11 1,98 90 178,2 3,9204 8100 90,65474339 0,428688907 203,0625 22,1513755
12 1,95 88 171,6 3,8025 7744 88,21578538 0,046563331 150,0625 155,3958052
21,56 909 1.647,11 38,9076 70.017 26,94751166 1.160,25 1.133,302488

Datos tabulados para el Ejemplo 12.1

 Regresión Lineal Simple
12 x 1.647,11 − 21,56 909
𝑏=
12 𝑥38,9076 − 21,56 2
𝑏 = 81,2986

𝑎 = 𝑌ത − 𝑏𝑋ത
𝑎 = 75,75 − 81,2986 𝑥 1,7966
a = −70,3164

queda determinado la ecuación de regresión lineal:

෡ = 81,2986 𝑋 − 70,3164
Y

Evaluación de los coeficientes del Ejemplo 12.1

 Regresión Lineal Simple
Predicción (Pronóstico)
Estimar el peso de un individuo que mide 1,91 mts.

෡ = 81,2986 𝑋 − 70,3164
Y

෡ = 81,2986 𝑥 1,91 − 70,3164

Y

෡ = 84,9639
Y

¿Cuál es el intervalo de confianza de dicha predicción?

Evaluación de los coeficientes del Ejemplo 12.1

 Regresión Lineal Simple
σ 𝑌𝑖 −𝑌෠ 2
𝑆𝑦𝑥 = donde: Yi = valor real de Y para un Xi dado
𝑛−2

𝑌෠ = valor predicho de Y para un Xi dado

pero también se puede obtener el error estándar con la siguiente

fórmula:

σ 𝑌 2 − 𝑎 σ 𝑌 − 𝑏 σ 𝑋𝑌
𝑆𝑦𝑥 =
𝑛−2

Error Estándar de la Estimación

 Regresión Lineal Simple

σ 𝑌𝑖 −𝑌෠ 2
𝑆𝑦𝑥 =
𝑛−2

26,94751166
𝑆𝑦𝑥 = = 1,64156973
10

Usando la fórmula alternativa:

σ 𝑌 2 −𝑎 σ 𝑌−𝑏 σ 𝑋𝑌 70.017−70,31464∗909−81,2986∗1647,11
𝑆𝑦𝑥 = = = 1,6415.
𝑛−2 10

Error Estándar de la Estimación – Ejemplo 12.1

 Regresión Lineal Simple
𝑛 σ 𝑋𝑌 − σ 𝑋 σ 𝑌
𝑟=
𝑛 σ 𝑋2 − σ 𝑋 2 𝑛 σ 𝑌2 − σ 𝑌 2

Para el caso de las variables pesos y alturas (Ejemplo 12.1)

12 ∗ 1.647,11 − 21,56 ∗ 909

𝑟=
12 ∗ 38,9076 − 464,8336 12 ∗ 70.017 − [Link]

r =0,98

Coeficiente de correlación muestral r – Ejemplo 12.1

 Regresión Lineal Simple
( )
2
VE  Yˆ − Y o
r =
2
=
VT  (Y − Y )2

VE 1.133,3024
r = 2
= = 0,976
VT 1.160, 2500

𝑟 2 = 0,976

Coeficiente muestral de determinación r2 – Ejemplo 12.1

 Regresión Lineal Simple
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.988318973
Coeficiente de determinación R^2 0.976774392
R^2 ajustado 0.974451831
Error típico 1.641569726
Observaciones 12

ANÁLISIS DE VARIANZA

Promedio de
Grados de Suma de los Valor crítico de
libertad cuadrados cuadrados F F
Regresión 1 1133.30249 1133.30249 420.5592347 1.67951E-09
Residuos 10 26.9475117 2.69475117
Total 11 1160.25

Superior Inferior Superior

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% 95% 95.0% 95.0%
Intercepción -70.31648523 7.1383211 -9.85056349 1.82446E-06 -86.22165581 -54.4113146 -86.2216558 -54.4113146
Talla 81.29860031 3.9643271 20.5075409 1.67951E-09 72.46552907 90.1316716 72.4655291 90.1316716

Análisis de datos del Ejemplo 12.1 en Excel

 Regresión Lineal Simple
Métricas de análisis:

Hay que tener cuidado en la interpretación de valores de r entre –1 y

+1. Por ejemplo, valores de r iguales a 0.3 y 0.6 significan sólo que hay
dos correlaciones positivas, una un poco más fuerte que la otra. Sería
un error concluir que r = 0.6 indica una relación lineal dos veces mejor
que la del valor r = 0.3.
Un coeficiente de correlación de 0.9435 indica una buena relación
lineal entre X y Y. Como r2=0.8902, se puede decir que
aproximadamente 89% de la variación de los valores de Y es
ocasionada por una relación lineal con X.

Interpretación de los coeficientes de RLS

 Regresión Lineal Simple
Métricas de análisis:

El coeficiente muestral de determinación, representa la proporción de la

variación de Syy explicada por la regresión de Y sobre x, a saber, la
SCR. Es decir, r2 expresa la proporción de la variación total de los
valores de la variable Y que son ocasionados o explicados por una
relación lineal con los valores de la variable aleatoria X. Así, una
correlación de 0.6 significa que 0.36, o 36%, de la variación total de los
valores de Y en la muestra se explica mediante la relación lineal con los
valores de X.

Interpretación de los coeficientes de RLS

 Regresión Lineal Simple
Caso 2: Ejemplo 11.1 Walpole, p. 392

Uno de los problemas más desafiantes que enfrenta el campo del

control de la contaminación del agua lo representa la industria de la
peletería, ya que sus desechos son químicamente complejos; se
caracterizan por valores elevados de la demanda de oxígeno químico,
sólidos volátiles y otras medidas de contaminación. Considere los datos
experimentales de la tabla 11.1, que se obtuvieron de 33 muestras de
desechos tratados químicamente en un estudio realizado en Virginia
Tech.
Se registraron los valores de x, la reducción porcentual de los sólidos
totales, y de y, el porcentaje de disminución de la demanda de oxígeno
químico.

Ejemplo 11.1 Walpole

 Regresión Lineal Simple

Tabla 11.1: Medidas de la reducción de los sólidos y de la demanda de oxígeno químico

 Regresión Lineal Simple
En el ejemplo 11.1 de Walpole, p. 392, estimar:

▪ Los coeficientes de la ecuación de regresión lineal.

▪ Error estándar de la estimación.
▪ Coeficiente de correlación muestral r.
▪ Coeficiente muestral de determinación r2.

Ejemplo 11.1 de Walpole

Regresión Lineal Simple

Gracias…