TEMA III: REGRESIÓN LINEAL SIMPLE Y

CORRELACIÓN

Cap 14 - Anderson 10ª Edic -

Correcciones

[Link]
Selección de ejercicios TP 3

2 – 3 c) d)–7 d) f) – 8 – 11 –13
 RELACIÓN ENTRE DOS VARIABLES
se intenta explicar la variabilidad de la variable
dependiente a través de la variable independiente
¿qué método se utiliza?

VARIABLES VARIABLES
CUANTITATIVAS CUALITATIVAS

REGRESIÓN ESTADÍSTICA
SIMPLE Y DE
CORRELACIÓN ATRIBUTOS
 RELACIÓN ENTRE DOS VARIABLES
CUANTITATIVAS

REGRESIÓN CORRELACIÓN

Desarrollar un
Medir la intensidad
modelo estadístico
de la relación entre
que pueda ser
las dos variables
utilizado para
bajo estudio
hacer predicciones
 Ejemplo:
Cada una de las agencias distribuidoras de una fábrica de
autos (ubicadas en distintas ciudades) hace su propia
inversión en publicidad. Al gerente de ventas de la fábrica le
gustaría analizar si existe alguna relación entre el gasto en
publicidad radial y las ventas de cada agencia. Para tal fin,
se tomó una muestra al azar de 12 distribuidoras existentes
en el país y se recogieron los siguientes datos:
VENTAS
(miles de $) 127 138 159 144 139 118 161 180 102 163 116 159
PUBLICIDAD
(miles de $) 18 20 22 23 21 16 25 26 15 24 18 25

⮚ ¿Incrementar el gasto en publicidad sería conveniente

para aumentar las ventas?
⮚ ¿Sería posible predecir adecuadamente el monto de
las ventas conociendo el gasto en publicidad?
 ¿Qué relación existe entre
Ventas y Gastos en Publicidad ?

DIAGRAMA DE DISPERSIÓN
Tener en cuenta:
✔¿Cuál es la variable explicada?
(variable dependiente o de
respuesta)
✔¿Cuál es la variable explicativa?
(variable independiente)
 Construcción del Diagrama de Dispersión: Gastos de
Publicidad Ventas
(miles de (miles $)
Relación entre el dinero gastado en publicidad radial y $)
las ventas mensuales de una Fábrica de autos. 18 127
200 20 138
Y: Ventas mensuales (miles de $)

o p o r ca da 22 159
Un punt
180
160 l or e s ( x;y) 23 144

140
par de va 21 139
16 118
120 25 161
100 26 180
15 102
80
24 163
60 18 116
40 25 159
20
0
14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL
 Diagrama de Dispersión:
Relación entre el dinero gastado en publicidad radial y
las ventas mensuales de una Fábrica de autos.
200
Y: Ventas mensuales (miles de $)

180
160
140
120
100
80
60
40
20
0
14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL
TIPOS DE RELACIONES
 Relación directa o positiva
Relación entre en Precio por Relación entre en Precio por
acción y sus Dividendos acción y sus Dividendos en 32
en 32 Compañías Compañías
35
20

18 30

16
25
14

Dividendo
Dividendo

12 20

10
15
8

6 10

4
5
2

0 0
10 20 30 40 50 60 70 80 90 10 20 30 40 50 60 70 80
Precio por acción Precio por acción

Fuente: Cátedra de Estadística - FCE - UNL

 Relación inversa o negativa
Relación entre en Precio por Relación entre en Precio por
acción y sus Dividendos en 30 acción y sus Dividendos
Compañías en 32 Compañías
20 20

18 18

16 16
Dividendo

14

Dividendo
14

12 12

10 10

8 8

6 6

4 4

2 2

0 0
10 20 30 40 50 60 70 80 90 10 20 30 40 50 60 70 80 90
Precio por acción Precio por acción

Fuente: Cátedra de Estadística - FCE - UNL

 TIPOS DE MODELOS
“A la ecuación con la cual se
describe cómo se relaciona y con x
y en la que se da un término para
el error, se la llama
modelo de regresión”.
(De “Estadística para Administración y economía”.
Anderson y otros. 10ª edición)
Modelo LINEAL SIMPLE
REGRESIÓN
LINEAL SIMPLE
La relación entre Interviene una
las variables se variable
aproxima dependiente y
mediante una una variable
línea recta independiente
Ecuación de la recta de regresión
lineal simple poblacional:
En Anderson: y = β0+β1x+ℰ
α y β, los parámetros del modelo, son
desconocidos y estimados a partir de
una muestra:
Ecuación de la recta de regresión
lineal simple muestral:
• α y β son los parámetros del modelo
• ℰ es el término del error: es una variable aleatoria
que da cuenta de la variabilidad de y que no puede
ser explicada por la relación lineal entre x y y.
VARIABLE ALEATORIA es una variable estadística cuyo dominio
está constituido por números reales al azar.
PARÁMETRO es una característica o medida estadística de la
población estadística
ESTIMADOR del parámetro es una función de los datos de la
muestra; ESTIMADO es el valor que toma el ESTIMADOR para
una muestra en particular
valor estimado de α

valor estimado de β
La población de valores y puede verse
como una colección de subpoblaciones,
una para cada uno de los valores de x,
cada una de las cuales tiene su propia
media o valor esperado. A la ecuación que
describe la relación entre el Valor esperado
de y: E(y) y x se la llama ecuación de
regresión.
Ver Figura 14.6 – pág. 567 de Anderson
 Figura 14.6 – pág. 567 de Anderson población
de valores y

subpoblaciones,
una para cada
uno de los
valores de x

cada
subpoblación
tiene su ECUACIÓN DE REGRESIÓN:
propia media es la ecuación que describe
o valor la relación entre el Valor
esperado esperado de y: E(y) y x
Estimación de la recta
de regresión teórica:
¿Cuál es la recta que mejor
“se ajusta” a los datos?
 Ejemplo: Gastos
de
Ventas
Publicida
(miles
Relación entre el dinero gastado en publicidad radial y d
$)
las ventas mensuales de una Fábrica de autos. (miles de
$)
200
Y: Ventas mensuales (miles de $)

18 127
180 20 138
22 159
160 23 144
140 21 139
16 118
120
25 161
100 26 180
80 15 102
24 163
60 18 116
40 25 159
20
0
14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL

¿Cuál es la recta que mejor “se ajusta” a los datos?

 El “mejor ajuste”:
la recta para la cual
las diferencias entre
los valores reales y
los que se predecirían utilizando la
línea de regresión ajustada
sean lo más pequeñas posible
Método de Mínimos Cuadrados:
Minimiza la suma de errores cuadráticos
Si la recta muestral (estimada) es:
al considerarla como estimación de la Y correspondiente
al valor xi , el error de medición (o residuo) estimado
será:

Derivando parcialmente con respecto a a y b esta “suma

de residuos cuadráticos” e igualando a cero se obtienen:
Ecuaciones normales:

Resolviéndolas simultáneamente, se obtienen:

a y b, estimaciones de α y β
 Ecuación de la recta de
regresión lineal simple muestral:
 es el valor pronosticado de la variable Y
para un valor de X.
• a es la intersección de la recta estimada
con el eje Y. Es el valor estimado de Y (en
promedio) cuando X=0
• b es la pendiente de la recta estimada, o
el cambio promedio en Y para cada
cambio de una unidad en X.
 Ejemplo:
Cada una de las agencias distribuidoras de una fábrica
de autos (ubicadas en distintas ciudades) hace su
propia inversión en publicidad. Al gerente de ventas de
la fábrica le gustaría analizar si existe alguna relación
entre el gasto en publicidad radial y las ventas de cada
agencia. Para tal fin, se tomó una muestra al azar de 12
distribuidoras existentes en el país y se recogieron los
siguientes datos:
VENTAS
Y: (miles de $) 127 138 159 144 139 118 161 180 102 163 116 159
PUBLICIDAD
X (miles de $) 18 20 22 23 21 16 25 26 15 24 18 25
:
⮚ ¿Incrementar el gasto en publicidad sería conveniente para aumentar las
ventas?
⮚ ¿Sería posible predecir adecuadamente el monto de las ventas conociendo
el gasto en publicidad?
Diagrama de Dispersión y recta estimada:
Gastos Ventas
Relación entre el dinero gastado en publicidad radial y (miles de (miles
las ventas mensuales de una Fábrica de autos. $) $)
200 18 127
Y: Ventas mensuales (miles de $)

180
20 138
f(x) = 5.99558255107675 x + 15.7598012147985 22 159
160
23 144
140
21 139
120 16 118
100 25 161
80 26 180
60 15 102
24 163
40
18 116
20
25 159
0
14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL
 En el ejemplo:

”se estima que si la

“se estima que por cada
empresa no invirtiera en
$1000 que se inviertan en
publicidad, en promedio,
publicidad, las ventas
las ventas se ubicarían
mensuales se
alrededor de $15760”.
incrementarán en $5996, en
promedio”
La ordenada al origen estimada corresponde a x=0, y
este valor puede ser ilógico para X o que no sea posible.

El en donde Y es la variable dependiente y X la

independiente se le llama modelo nivel-nivel debido a que
sus unidades aparecen en sus unidades originales.

Cambio promedio en Y por cada unidad de

Nunca es confiable usar la recta estimada fuera del
rango observado:
Relación entre el dinero gastado en Relación entre el dinero gastado en
publicidad radial y las ventas men- publicidad radial y las ventas men-
suales de una Fábrica de autos. suales de una Fábrica de autos.
200 200
Y: Ventas mensuales (miles de $)

Y: Ventas mensuales (miles de $)

180 180
f(x) = 5.99558255107675 x + 15.7598012147985 f(x) = 5.99558255107675 x + 15.7598012147985
160 160

140 140

120 120

100 100

80 80

60 60

40 40

20 20

0 0
14 16 18 20 22 24 26 28 30 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $) X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL Fuente: Cátedra de Estadística - FCE - UNL
Nunca es confiable usar la recta estimada fuera del
rango observado:
Relación entre el dinero gastado en Relación entre el dinero gastado en
publicidad radial y las ventas men- publicidad radial y las ventas men-
suales de una Fábrica de autos. suales de una Fábrica de autos.
200 200
Y: Ventas mensuales (miles de $)

180 180

Y: Ventas mensuales (miles de $)

f(x)
160 = 5.99558255108 x + 15.7598012148 f(x)
160 = 5.99558255108 x + 15.7598012148
140 140

120 120

100 100

80 80

60 60

40 40

20 20

0 0
14 16 18 20 22 24 26 28 30 6 8 10 12 14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $) X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL Fuente: Cátedra de Estadística - FCE - UNL

Es posible que la ordenada al origen estimada tenga un valor sin

sentido en el contexto del problema.
En el ejemplo:
La recta muestral (recta estimada) es:

Si deseáramos saber a cuanto podrían ascender

las ventas de una agencia en un mes dado,
considerando que se podrían invertir $16000
en publicidad en ese mes, obtendríamos:

valor que se
encuentra dentro
del rango
¿Interpretación?
observado
 ¿Cómo medir la
variabilidad de los
valores observados de Y
en relación a la recta de
regresión?
 ¿En qué caso se lograrían mejores predicciones?
Caso A Caso B
Relación entre el dinero gastado en publi- Relación entre el dinero gastado en publi-
cidad radial y las ventas mensuales de una cidad radial y las ventas mensuales de una
Fábrica de autos. Fábrica de autos.
200 200
Y: Ventas mensuales (miles de $)

180 180

Y: Ventas mensuales (miles de $)

160 160

140 140

120 120

100 100

80 80

60 60

40 40

20 20

0 0
14 16 18 20 22 24 26 28 30 14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $) X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL Fuente: Cátedra de Estadística - FCE - UNL
Error estándar de estimación: SYX o Se

• Mide la dispersión de los valores observados

alrededor de la línea de regresión.
• Se expresa en las mismas unidades que la variable Y.
• NO ofrece una medida del ajuste a la recta estimada.
varianza de
es una estimación de σ2
ℰ
estimación de la varianza del error
aleatorio en el modelo de regresión
En el ejemplo:
La recta muestral es:

y el Error estándar de estimación:

 En el ejemplo:
X: Gastos de
Y: Ventas (miles $)
Publicidad (miles de $)
18 127 123,68029 11,02049
20 138 135,67145 5,42213
22 159 147,66262 128,53625
23 144 153,65820 93,28083
21 139 141,66703 7,11307
ó lo
16 S ra ar! 118 111,68912 39,82718
25 pa rific 161 165,64936 21,61659
26 ve 180 171,64495 69,80690
15 ! 102 105,69354 13,64223
24 163 159,65378 11,19717
18 116 123,68029 58,98681
25 159 165,64936 44,21405
Total: 504,66372
SYX NO ofrece una medida
del ajuste a la recta
estimada

¿Cómo obtener una

medida del ajuste a la
recta estimada?
 Coeficiente de determinación:
ρ2 r2
poblacional muestral
Mide la proporción de la variación total
(en la variable dependiente) que es
explicada por la variación en la variable
independiente en el modelo de regresión.
en Tabla de Fórmulas:
En el ejemplo:

La proporción de variabilidad de las ventas

que explica la variable “gastos en publicidad”
en el modelo encontrado es:

Calculadora!!
Es decir:
El 91,49% de la variabilidad de las ventas es
explicada por los gastos en publicidad en el
modelo de regresión lineal encontrado
 ¿Cómo se llega al Coeficiente de
determinación r2 ?

MEDICIONES DE VARIACIÓN EN
REGRESIÓN Y CORRELACIÓN
¿Es lo mismo estimar un valor de la
“variable explicada” mediante su
media aritmética que utilizando la
recta de regresión estimada?
en el ejemplo:
Se pueden estimar las ventas de una agencia en un mes dado,
considerando que se invierta $22000 en publicidad en ese mes, mediante:

Relación entre el dinero gastado en publicidad radial y las

ventas mensuales de una Fábrica de autos.
200
Y: Ventas mensuales (miles de $)

180
f(x) = 5.99558255107675 x + 15.7598012147985
160
140
120
100
80
60
40
20
0
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28

X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL
 en el ejemplo:

Relación entre el dinero gastado en publi-

cidad radial y las ventas mensuales de una (22; y)
Fábrica de autos. (22;159)
Y: Ventas mensuales (miles de $)

200

180
f(x) = 5.99558255107675 x + 15.7598012147985
160

140 (22; y^)

120
(22;147,672)

100

80

60

40

20
(22;142,1667)
0
(22; y Prom)
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28
X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE -

UNL
 Desviaciones respecto de la recta
Y estimada y respecto de la media de Y
Yi

Error Residual
(No explicado)

Error Total

Error
Explicado

0 Xi X
Si se elevan al cuadrado ambos miembros de esta
igualdad y se suma para todas las observaciones
de la muestra:

Anderson
se llega a :

SSR = SCR
SSE = SCE

SST SSR SSE

Pues ei estadísticamente independiente de xi y
 • SST = SSR + SSE = Suma total de cuadrados

VARIACIÓN TOTAL SST

Medida de la variación de los valores alrededor de su media
REPRESENTADA para cada observación en:

VARIACIÓN EXPLICADA: SSR VARIACIÓN NO EXPLICADA: SSE

Debida a la relación entre X y Y Debida a factores diferentes a la relación entre X y Y
representada por: representada por:
 En el Con calculadora!!
• ejemplo:
Suma de cuadrados debida a la regresión o explicada:

Representa el efecto estimado en la variación de las

Ventas mensuales de la Fábrica de autos que es
explicado por su relación con los Gastos en
publicidad (efecto estimado en la variación de Y que es
explicado por su relación con X)
• Suma de cuadrados de error o no explicada:

Representa el efecto estimado del transtorno al azar

o aquella parte de la variación de Y (Ventas
mensuales de la Fábrica de autos), que no ha sido
explicada con la ayuda de X (Gastos en publicidad)
TP ejercicio 7 d) f)
 ¿Qué valores puede tomar r2 ?

Coeficiente de determinación: r2
mide la proporción de la variación total (en la
variable dependiente) que es explicada por la
variación en la variable independiente, en el
modelo de regresión.

≥0
Sumas de
Cuadrados!!
 ¿Qué valores puede tomar r2 ?

SST = SSR + SSE

✔
Todos los puntos del diagrama están sobre la
recta estimada
✔
Una condición necesaria para ésto es b=0 y
puede suceder por diferentes razones:
 r =0
2

a) Todas las observaciones se dispersan

aleatoriamente alrededor de
b) Todas las observaciones se dispersan
alrededor de una curva tal que la recta que
mejor ajusta es horizontal. Aquí r2=0 refleja
un ajuste muy malo debido a la alta
“relación no lineal” entre las variables.
c) Todas las observaciones tienen el mismo
valor, cualquiera sea el valor de X. Aquí
entonces No hay variación de Y que deba
explicarse.
¿Menor variabilidad implica mejor ajuste?
Ejemplo: Cálculo de r2 y SYX
X 10 15 18 12 9 8 11 6
Y 0,17 0,13 0,09 0,15 0,2 0,21 0,18 0,24

r2=0,9699
Otro Ejemplo con igual r2 y distinto SYX
X 10 15 18 12 9 8 11 6
Y 17 13 09 15 20 21 18 24

30
Relación entre Y y X
Y
25
f(x) = − 1.21215733015495 x + 30.6102502979738
20
R² = 0.969916604852542
15

10

0
4 6 8 10 12 14 16 18 20
X
Una nube de puntos menos dispersa alrededor de la recta puede mostrar
una proporción de variabilidad explicada respecto de la variabilidad total
de similar valor (coef. de determinación)

30
Relación entre Y y X
Y
25
f(x) = − 1.21215733015495 x + 30.6102502979738
20 R² = 0.969916604852542

15

10

0 f(x) = − 0.121215733015495 x + 3.06102502979738

4 R² =6 0.969916604852542
8 10 12 14 16 18 20

X
Análisis de correlación
¿Cómo medir la intensidad
de la relación entre las
variables?
 Coeficiente de correlación

Es una medida de la intensidad de

la RELACIÓN LINEAL entre dos variables.

Ver Coeficiente de correlación: r

en Tabla de Fórmulas
Coeficiente de correlación: ρ ; r
• Puede tomar cualquier valor de - 1 a 1
• Los valores -1 o 1 indican la
correlación lineal perfecta.
• Los valores cercanos a 0 indican una
correlación lineal débil.
• Los valores negativos indican una
relación lineal inversa y los valores
positivos indican una relación lineal
directa.
Correlación lineal negativa perfecta ( ρ = -1 )

1
0
9
8
7
Y
6
5
4
3
2
1
0 0 1 2 3 4 5 6 7 8 9 10
X
 Correlación lineal positiva perfecta ( ρ = 1 )

1
0
9
8
7
Y
6
5
4
3
2
1
0 0 1 2 3 4 5 6 7 8 9 10
X
 Correlación lineal nula ( ρ = 0 )
1
0
9
8
7
Y 6
5
4
3
2
1
0 0 1 2 3 4 5 6 7 8 9 10
X
 Correlación No lineal positiva
(valor muy pequeño de r>0 )
Relación entre en Precio por acción y sus Dividendos
35 en 32 Compañías

30

25
Dividendo

20

f(x) = 0.0216966449156962 x + 15.4009942437765

15 R² = 0.0023718747871595

10

0
20 30 40 50 60 70 80 90
Fuente: Cátedra de Estadística - FCE - UNL
Precio por acción
 Relación entre los Ingresos mensuales y la
Cantidad gastada en comestibles
1400 1400

1300 1300
f(x) = 0.133629214186855 x − 71.2437747791624
1200 1200 R² = 0.879307503786578
f(x) = 0.0956995502172257 x + 203.392325261282
R² = 0.63163781846593
1100 1100

1000 1000
Cantidad gastada

Cantidad gastada
900 900

800 800

700 700

600 600

500 500

400 400

300 300

200 200

100 100

0 0
3000

4000

5000

6000

7000

8000

9000

10000

11000
2000

3000

4000

5000

6000

7000

8000

9000

10000

11000

Ingreso mensual Ingreso mensual

Fuente: Cátedra de Estadística

Para problemas vinculados a la regresión, el
coeficiente de correlación muestral puede
calcularse como:

En el ejemplo:

Relación lineal directa fuerte entre

Ventas y gastos en publicidad
TP ejercicio 3 c) d)
Suposiciones subyacentes en el análisis de regresión lineal
1. Linealidad: La relación entre las variables es lineal.
2. El término del Error es una variable aleatoria cuya
media es 0.
3. Homoscedasticidad: La varianza del Error es la misma
para todos los valores de X.
4. Independencia del error.
5. El término del Error es una variable aleatoria
distribuida normalmente.
Implicaciones:
Para cada valor de X, hay un grupo de valores de Y, y estos
valores de Y se distribuyen normalmente. Las medias de estas
Dnes. normales de valores Y, están todas en la recta de regresión
y sus varianzas son todas iguales.
En la selección de una muestra, los valores de Y elegidos para un
valor particular de X, no dependen de los valores de Y de ningún
otro valor de X.
Figura 14.6 – pág. 567 de Anderson
 Para cada valor de X, hay un grupo de valores de Y que se
distribuyen normalmente. Las medias de estas Dnes. normales
están todas en la recta de regresión

varianzas todas iguales varianzas diferentes

Evaluación de las suposiciones

enfoque gráfico
ANÁLISIS RESIDUAL
Suposiciones subyacentes en el análisis de regresión lineal

✔ Linealidad: La relación entre las variables es lineal.

Diagrama de dispersión Y Vs X
(o también Gráfico ei Vs Xi )
✔ Homoscedasticidad: La varianza del Error es la misma
para todos los valores de X.
Gráfico ei Vs Xi o ei Vs Yi
✔ Independencia del error.
Gráfico ei Vs ei-1
✔ El término del Error es una variable aleatoria
distribuida normalmente y cuya media es 0.
Gráfico de ei
✔ Linealidad: La relación entre las variables es
lineal.
Diagrama de Dispersión Y Vs X: Gastos de
Publicida
Ventas
d
Relación entre el dinero gastado en publicidad radial y (miles $)
(miles de
las ventas mensuales de una Fábrica de autos.
$)
200 18 127
Y: Ventas mensuales (miles de $)

180 20 138
160 22 159
140 23 144
120 21 139
100
16 118
25 161
80
26 180
60
15 102
40
24 163
20 18 116
0 25 159
14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL
 Gráfico ei Vs. Xi
se utiliza para evaluar
HOMOSCEDASTICIDAD

g r a m a d e
e ve e l d i a d el
¿C ó m o s a v a r i an z a
cu a n d o L
p er sió n o d o s l o s
d is i s m a p a r a t
s l a m
E rror e ?
s d e X
valore
En el ejemplo: Cálculo de residuos ei
X: Gastos de Y: Ventas
Publicidad (miles de $) (miles $)
18 127 123,68029 3,31971
20 138 135,67145 2,32855
22 159 147,66262 11,33738
23 144 153,65820 -9,65820
21 139 141,66703 -2,66703
16 118 111,68912 6,31088
25 161 165,64936 -4,64936
26 180 171,64495 8,35505
15 102 105,69354 -3,69354
24 163 159,65378 3,34622
18 116 123,68029 -7,68029
25 159 165,64936 -6,64936
✔ Homoscedasticidad: La varianza del Error es la
misma para todos los valores de X.

Relación entre Residuos (del medelo de re-

gresión) y los Gastos en publicidad radial
14
12
Residuos ei

10
8
6
4
2
0
-2
-4
-6
-8
-10
-12
-14
14 16 18 20 22 24 26 28 30

X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL
 Diagrama de dispersión Residuos Vs Variable
y recta estimada independiente
Relación entre el dinero gastado en Relación entre Residuos (del medelo
publicidad radial y las ventas men- de regresión) y los Gastos en publi-
suales de una Fábrica de autos. cidad radial
200 14
Y: Ventas mensuales (miles de $)

12
180

Residuos
10
f(x) 160
= 5.99558255107675 x + 15.7598012147985
8
R² = 0.914891721563767
140 6
4
120
2
100
0
80 -2
-4
60
-6
40
-8
20 -10
-12
0
14 16 18 20 22 24 26 28 30 -14
14 16 18 20 22 24 26 28 30
X: Gastos en Publicidad radial (miles de $)
X: Gastos en Publicidad radial (miles de $)
Fuente: Cátedra de Estadística - FCE - UNL Fuente: Cátedra de Estadística - FCE - UNL

ST I CID
A
SCED
r = 0,9565 HOMO
??
 Diagrama de dispersión Residuos Vs Variable
y recta estimada independiente
Relación entre en Precio por acción y Relación entre en Precio por acción y
sus Dividendos, en 32 Compañías sus Dividendos, en 32 Compañías

30 8

6
25
4

Residuos
Dividendo

f(x) = 0.407945886053556 x − 10.118377455178

20 R² = 0.791955295096288
2

15 0
10 20 30 40 50 60 70 80 90
-2
10
-4

5 -6

-8
0 X: Precio por acción
10 20 30 40 50 60 Precio
X: 70 por
80 90
acción
ST I CID
SCEDA
r = 0,8899
HOMO
 Diagrama de dispersión Residuos Vs Variable
y recta estimada independiente
Relación entre en Precio por acción y Relación entre en Precio por acción y
sus Dividendos, en 32 Compañías sus Dividendos, en 32 Compañías
20
35
15
30

10
Dividendo

Residuos
25

5
20

f(x) = 0.021696644915696 x 0
15
+ 15.4009942437765 20 30 40 50 60 70 80 90
R² = 0.0023718747871595
10 -5

5 -10

0 -15
20 30 40 50 60 70 80 90
X: Precio por acción
Precio por acción Fuente: Cátedra de Estadística - FCE - UNL
A ST ICID
r = 0,0487 MO SCED
HO
 También se utiliza para evaluar
HOMOSCEDASTICIDAD

Relación entre Residuos (del medelo de

regresión) y Ventas
14
12
Residuos

10
8
6
4
2
0
-2
-4
-6
-8
-10
-12
-14
0 20 40 60 80 100 120 140 160 180 200

Fuente: Cátedra de Estadística - FCE - UNL Y: Ventas (miles $)

HOMOSCEDASTICIDAD:
Gráfico: (X) Vs (ei )
…o también: (X) Vs (SRi )
Variable Residuos
independiente Estandarizados
 En el ejemplo:
X: Gastos
de Y: Ventas
Publicidad (miles $) X2 hi SRi
(miles de $)
18 127 324 9,5069 123,68029 3,31971 0,146328 0,41352
20 138 400 1,1736 135,67145 2,32855 0,091110 0,289
22 159 484 0,8403 147,66262 11,33738 0,088901 1,40689
23 144 529 3,6736 153,65820 -9,65820 0,107675 -1,19999
21 139 441 0,0069 141,66703 -2,66703 0,083379 -0,33084
16 118 256 25,8403 111,68912 6,31088 0,254555 0,79209
25 161 625 15,3403 165,64936 -4,64936 0,184981 -0,58068
26 180 676 24,1736 171,64495 8,35505 0,243512 1,04782
15 102 225 37,0069 105,69354 -3,69354 0,328548 -0,46616
24 163 576 8,5069 159,65378 3,34622 0,139702 0,41664
18 116 324 9,5069 123,68029 -7,68029 0,146328 -0,9567
25 159 625 15,3403 165,64936 -6,64936 0,184981 -0,83047
En el ejemplo:
Relación entre Residuos (del medelo de regresión) y
los Gastos en publicidad radial
1.4
1.2
1
Residuos Estandarizados

0.8
0.6
0.4
0.2
2.22044604925031E-16
-0.2
-0.4
-0.6
-0.8
-1
-1.2
-1.4
14 16 18 20 22 24 26 28 30

Gastos en publicidad (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL
 ✔ Independencia del error: Gráfico ei Vs ei-1
En el ejemplo:
X: Gastos de
Y: Ventas
Publicidad
(miles $) e i-1
(miles $)
18 127 123,68029 3,31971 ----
20 138 135,67145 2,32855 3,31971
22 159 147,66262 11,33738 2,32855
23 144 153,65820 -9,65820 11,33738
21 139 141,66703 -2,66703 -9,65820
16 118 111,68912 6,31088 -2,66703
25 161 165,64936 -4,64936 6,31088
26 180 171,64495 8,35505 -4,64936
15 102 105,69354 -3,69354 8,35505
24 163 159,65378 3,34622 -3,69354
18 116 123,68029 -7,68029 3,34622
25 159 165,64936 -6,64936 -7,68029
Se utiliza para evaluar INDEPENDENCIA DEL
ERROR
Relación entre Residuos
14
12
10
Residuos ei

8
6
4
2
0
-2
-4
-6
-8
-10
-12
-14
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12

Fuente: Cátedra de Estadística - FCE - UNL ei-1

NORMALIDAD:
✔ El término del Error es una variable aleatoria
distribuida normalmente:

Gráfico de Residuos (ei )

…o Residuos Estandarizados (Sri ):
En el ejemplo: Dn. de Error forma acampanada??
Diagrama de dispersión
y recta estimada Residuos (sin estandarizar)
Relación entre el dinero gastado en
publicidad radial y las ventas men- - 0i 9 7 6
suales de una Fábrica de autos. 3,31971
200 - 0s 4 3 2
Y: Ventas mensuales (miles de $)

2,32855
180

f(x)
160 = 5.995582551077 x + 15.7598012148 0i 2 3 3 11,33738
R² = 0.914891721563767
140 -9,65820
120 0s 6 8 -2,66703
1i 1
100

80
6,31088
-4,64936
60
U = 1
40
8,35505
20
-3,69354
0
14 16 18 20 22 24 26 28 30
3,34622
X: Gastos en Publicidad radial (miles de $)

Fuente: Cátedra de Estadística - FCE - UNL

-7,68029
-6,64936
En el ejemplo: Dn. de Error forma acampanada?

Residuos Estandarizados (SRi)

Relación entre el dinero gastado en publicidad radial y
las ventas mensuales de una Fábrica de autos.
-0 5 5 SRi
0,41352
-0 4 4 2 2 1 0,289
1,40689
0 2 2 4 -1,19999

0 7 9 -0,33084
0,79209
U= 0,1 -0,58068
1,04782
-0,46616
0,41664
-0,9567
-0,83047
 Diagrama de dispersión
Residuos (sin estandarizar)
y recta estimada
Relación entre en Precio por acción y -3 7
sus Dividendos en 30 Compañías
20 -2 7 5 3 1 0
18
-1 7 6 0
16
f(x) = 0.2190303616147 x
0 9 8 5 2 1
Dividendo

14 − 1.299337071353
R² = 0.807025640424829
12
0 0 0 1 4 5 6 6 7 8 9
10

8
1 0 1 3 8 8 9
6 2 6 7
4

2
3 2 U = 0,1
0

?
10 20 30 40 50 60 70 80 90

na da ?
Precio por acción
m pa
form a aca
 Diagrama de dispersión
y recta estimada Residuos (sin estandarizar)
Relación entre en Precio por acción y
sus Dividendos en 32 Compañías -0s
6
30

-0f 5 5 4
25
- 0t 3 3 3 2 2 2
Dividendo

f(x) = 0.407945886053556 x − 10.118377455178

20 R² = 0.791955295096288
-0i 1 1 0 0 0 0 0
15 0i 0 0 0 1 1 1
10
0t 2 2 3
0f 4 4 5 5
5
0s 6 6
0
10 20 30 40 50 60
Precio 70 80
por acción 90 0* U =1
forma acampanada??
 Diagrama de dispersión y
recta estimada Residuos (sin estandarizar)
Relación entre en Precio por acción y
sus Dividendos en 32 Compañías -0i
35
999887766665
30 -0s 4 2 2 1 1 0 0
0i 1 4 4
Dividendo

25

0s 6 7 7 7 8 8 9
20

f(x)15= 0.021696644916 x + 15.40099424378

R² = 0.0023718747871595 1i 1 3
10

1s 5
5

U =1 ??
0
a na da
20 30 40 50 60 70 80 90
m p
Precio por acción
form a aca
TP ejercicio 2)
TP ejercicios 8 – 11 –13