Programa de

Ingeniería
Industrial

ESTADÍSTICA

APLICADA
Sesión
15

Tema:
Regresión lineal: simple y
múltiple. Ejercicio de
aplicación. Regresión
múltiple, ejercicios de
aplicación.
Resultado de Evidencia de
aprendizaje aprendizaje
Analiza los datos aplicando métodos y Clase expositiva, Estudio de casos
técnicas de estadística inferencial y de
pronóstico, para la toma de decisiones.
 o
Contenid
Regresión lineal: simple y múltiple.
Ejercicio de aplicación. Regresión
múltiple, ejercicios de aplicación.

• Tema 1.

• Tema 2.

• Tema 3.

• Tema 4.
Revisa el
siguiente
video:
Después de haber visualizado el video
en la slide anterior, reflexionamos y
respondemos las siguientes
interrogantes:

0
1

0
2
 Tema
Regresión lineal:
simple y múltiple.
Ejercicio de aplicación.
Regresión múltiple,
ejercicios de
aplicación.
 CONTENIDO
ANÁLISIS DE
CORRELACION Y
REGRESIÓN LINEAL

CORRELACIÓN REGRESIÓN

DIAGRAMA DE
DISPERSION MODELO LINEAL

COEFICIENTE DE
CORRELACIÓN PREDICCIONES
LINEAL SIMPLE
 CORRELACIÓN
REGRESIÓN LINEAL SIMPLE

Cuando se tiene interés en analizar la relación entre dos

variables cuantitativas como por ejemplo:
• estatura y peso,
• edad y presión sanguínea,
• el ingreso familiar y los gastos médicos,
• los niveles de pobreza y las tasas de mortalidad
infantil.
La naturaleza y la intensidad de la relación entre este
tipo de variables puede ser examinada por medio del
análisis de CORRELACIÓN y REGRESIÓN LINEAL.

2018-I
 VARIABLE VARIABLE
INDEPENDIENTE DEPENDIENTE
Años de vida Altura de un árbol

Demanda Oferta

Dinero disponible Producto comprado

Edad Presión sanguínea

Hora de estudio Calificación obtenida

Año de experiencia Sueldo

Tiempo de uso Batería de una laptop

 DIAGRAMA DE DISPERSIÓN

Es la representación grafica de los distintos

valores de la variable estadística bidimensional
(Xi, Yi) en el sistema cartesiano. Esta
representación da origen a una NUBE DE
PUNTOS que se denomina DIAGRAMA DE
DISPERSIÓN O ESPARCIMIENTO.

2018-I
 DIAGRAMA DE DISPERSION
Se utiliza para graficar la relación entre dos variables X e Y,
consiste en una nube de puntos que indicará si existe o no
correlación dependiendo de la tendencia de la tendencia de los
puntos.
Var. Dependiente (Y) 20

15
25

Var. Dependiente (Y)

10 20
15 6
5

Var. Dependiente (Y)

5
10
0 4
1 2 3 4 5 6 7 8 9 10 11 5 3
Var. Independiente (X) 0 2
6 8 10 12 14 16 18 20 22
1
Var. Independiente (X)
0
Correlación 2 4 6 8 10 12 14 16 18 20
Var. Independiente (X)
Lineal Positiva
(Directa) Correlación
Lineal Negativa Sin
(Inversa) Correlación
 EJEMPLO 1
Una compañía farmacéutica conduce un estudio para evaluar la relación entre tres
dosis de un nuevo agente hipnótico y tiempo de sueño. Los resultados de este
estudio son presentados de la siguiente manera:
:

Tiempo de Dosis
sueño (hrs.) (mm/kg)

4 3
6 3
5 3
9 10
8 10
7 10
13 15
11 15
9 15
Observando el gráfico de dispersión podemos decir que tiempo de sueño y dosis
tienen una correlación Directa o Positiva.
 EJEMPLO 2
A continuación se presentan los resultados de las mediciones de glucosa en un
grupo de pacientes diabéticos, después de la ingesta de un medicamento
“alternativo” que se tiene en investigación, para el tratamiento de dicha
enfermedad.
Nivel de
glucosa Cantidad de
medicamento
(mg/dl) (mg)

95,5 10
210 5
156 9
150 7
185 6
100 8
75,9 12

Observando el gráfico de dispersión podemos decir Nivel de glucosa

(mg/dl) y Cantidad de medicamento (mg) tienen una correlación Inversa o
Negativa.
 CORRELACIÓN LINEAL SIMPLE
Tiene por objetivo medir y evaluar el grado de
asociación lineal entre dos variables
CUANTITATIVAS (medición de la intensidad de
la relación).
Una manera de visualizar la (posible) correlación
entre las observaciones de dos variables X e Y, es
a través de un diagrama de dispersión, en el cual
los valores que toman estas variables son
representados por puntos.
2018-I
 CORRELACION

Córdova (2009) indica que: una forma del

estudio de la asociación entre dos
variables cuantitativas X e Y es
denominada CORRELACIÓN, que consiste
en determinar la variación conjunta de las
dos variables, su grado o nivel de relación,
y su sentido (positivo o negativo)
 COEFICIENTE DE CORRELACION DE
PEARSON

𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
r =
√¿ ¿ ¿
Este coeficiente puede tomar cualquier valor entre -1 y 1.
El siguiente diagrama resume el análisis del coeficiente de
correlación de Pearson:
 EJEMPLO 3
Calcular el coeficiente de correlación de Pearson, luego interpretar el resultado.

Publicidad (X) Ventas (Y) XY X2 Y2

3 20 60 9 400
5 40 200 25 1600
5 80 400 25 6400
6 120 720 36 14400
6 90 540 36 8100
875 49 15625
𝑛=8 , ¯𝑥 =5.5 , ¯𝑦 =80.625
7 125
4 35 140 16 1225
8 135 1080 64 18225
∑X=44 ∑Y=645 ∑XY=4015 ∑ X2=260 ∑ Y2=65975

𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
r =
√¿ ¿ ¿
Interpretación: Como r=0.932, existe una correlación muy alta positiva
entre los gastos en publicidad y las ventas.
 REGRESION

Córdova (2009) indica que: otra forma de

estudiar la asociación entre dos variables
cuantitativas X e Y es denominada REGRESION,
que consiste en determinar la relación
funcional (recta de regresión) entre ellas, con la
finalidad de predecir el valor de una variable
(variable dependiente Y) en base a la otra
(variable independiente X).
 MODELO DE REGRESION LINEAL
Este tipo de regresión se utiliza cuando existe solo una variable
independiente X para una variable dependiente Y. Está definida
por la siguiente ecuación lineal en su forma general:
Variables Dependiente
Variables Independiente
Modelo de y = a + bx
regresión
Constante
Coeficiente de regresión
Donde:

𝑛 ∑ 𝑋𝑌 −(∑ 𝑋 ❑)(∑ 𝑌 ❑)
❑
𝑏=
𝑛 ∑ 𝑋 −¿¿ ¿
2
❑
 EJEMPLO 4
Del ejemplo 3 determinar el modelo de regresión lineal, luego predecir las ventas si los
gastos en publicidad son de 5.5 millones de soles.

𝑛 ∑ 𝑋𝑌 − ( ∑ 𝑋 ❑ )( ∑ 𝑌 ❑ )
𝑏= ❑
𝑛 ∑ 𝑋 −¿ ¿ ¿ 2
❑

Entonces el modelo
de regresión será: Y= -62.221 +25.972 X
Podemos predecir entonces el volumen de ventas usando el modelo de
regresión lineal si los gastos en publicidad son de 5.5 millones de soles, de
la siguiente manera:
Y= -62.221 +25.972 (5.5) = 80.6
EJEMPLOS
1) Una compañía farmacéutica conduce un estudio piloto para evaluar la relación
entre tres dosis de un nuevo agente hipnótico y tiempo de sueño. Los resultados
de este estudio son presentados de la siguiente manera:
Tiempo de sueño Dosis (mm/kg)
(hrs.)
4 3
6 3
5 3
9 10
8 10
7 10
13 15
11 15
9 15

a) Identifique la variable independiente y dependiente.

b) Elabore un diagrama de dispersión de puntos. ¿Que tipo de relación se
da entre las dos variables?
c) Establezca el modelo de regresión lineal simple .
d) Estime los parámetros del modelo de regresión simple.
e) Estime el tiempo de sueño de 20 mm/kg 2018-I
a) Identifique la variable independiente y dependiente.
VARIABLE INDEPENDIENTE:……DOSIS……………….
VARIABLE DEPENDIENTE:……..….TIEMPO DE SUEÑO…

b) Elabore un diagrama de dispersión de puntos. ¿Que tipo de relación se

da entre las dos variables?

c) Establezca el modelo de regresión lineal simple .

2018-I
y = a + bx
d) Estime los parámetros del modelo de regresión simple.

𝑛 ∑ 𝑋 𝑖 𝑌 𝑖 −(∑ 𝑋 𝑖 )(∑ 𝑌 𝑖 )
Tiempo Dosis
de sueño (mm/kg)
𝑖=1 (hrs.) (Y) (X) XY X2
𝑏=
𝑛 ∑ 𝑋 − ¿¿¿
2
𝑖
4 3 12 9
6 3 18 9
9(780) −(84)( 72) 5 3 15 9
𝑏= 9 10 90 100
9( 1002) −¿ ¿ 8 10 80 100
7 10 70 100

𝑎=
∑ 𝑌𝑖
−𝑏
∑ 𝑋𝑖 13
11
15
15
195
165
225
225
𝑛 𝑛 9 15 135 225

72 84
𝑎= −(0,495) =3 , 38 72 84 780 1002
9 9
2018-I
 ∧
𝑦 =𝑎+𝑏𝑋
y = a + bx

e) Estime el tiempo de sueño de 20 mm/kg

∧
𝑦 =3,38+0,495(20)
2018-I
COEFICIENTE DE DETERMINACION
(R2)

• El coeficiente de determinación indica en qué

porcentaje la variable estímulo explica a la
variable respuesta.
• R2 expresado en porcentaje, mide la variación
total en Y explicada por el modelo de regresión.
• El mínimo valor que puede tomar es 0 y el
máximo valor que puede tomar es 100%
 Una compañía que se dedica a la ventas de
seguros de salud desea determinar si existe
una relación entre los ingresos de los
empleados y los aportes que realizan las
compañías por salud. Se tiene una tabla
adjunto que muestra la información de las
últimas 8 semanas:

Ingresos ($) X 1500 2000 2500 3500 4500 5000 6000 7000

Aportes de salud ($) Y 120 200 210 200 250 350 450 500

a) Elaborar el diagrama de dispersión e interpretar

b) Hallar e interpretar el coeficiente de correlación (r )
c) Calcular e interpretar el coeficiente de determinación (R2)

2018-I
Interpretación: Existe una
correlación lineal directa
(positiva) entre las variables
ingresos y aportes 600

500

400
Y_aportes

300

200

100

0
1000 2000 3000 4000 5000 6000 7000 8000
X_ingresos
Interpretación:
r = 0,953

Existe una correlación lineal muy

alta positiva entre las variables
ingresos y aportes
Correlaciones
X_ingresos Y_aportes
X_ingresos Correlación de Pearson 1 ,953 **

Sig. (bilateral) ,000

N 8 8

Y_aportes Correlación de Pearson ,953** 1

Sig. (bilateral) ,000

N 8 8

**. La correlación es significativa en el nivel 0,01 (bilateral).

Regresión lineal
múltiple

2018-I
Introducción
• En el análisis de regresión lineal simple se
analizaba la influencia de una variable de
predicción o independiente (X) en otra
variable llamada respuesta o dependiente(Y).
• Ahora se analizará la influencia de más de una
variable de predicción (X1, X2, …) en la variable
respuesta (Y).
• Con esto se podría hacer una mejor predicción
de la variable respuesta.
• Incluso se podrá determinar cuáles de las
variables de predicción influyen más.
El modelo de Regresión Múltiple aquel modelo de regresión
lineal que consta de dos o mas variables independiente o
variables explicatorias, y es de la forma:

Y  0   1 X 1   2 X 2  .........  k X k  
Donde
Y es la variable dependiente
X1 , X 2 , ......., X k son las variables independientes o explicatorias

 0 , 1 ,  2 , .......,  k son los coeficientes de regresión llamados

parámetros del modelo de regresión

 es el error aleatorio o disturbio
El modelo
• Los coeficientes del modelo son elegidos de manera tal
que se minimice la suma de los cuadrados de los
errores de estimación.
• Se supone que hay una relación lineal entre cada
variable predictiva (xi) y la variable respuesta (y).
I. INTRODUCCIÓN
PROBLEMA
Suponga que Usted es el gerente de la empresa denominada LALUX S. A.
dedicado al ensamblaje de máquinas industriales para textiles; y el
presidente de dicha compañía te pide con urgencia que le proporciones las
ganancias neta estimadas mensuales de los próximos meses, si para ello
cuenta con las siguientes variables: Costos mensuales de mantenimiento de
máquinas ensambladoras, número de trabajadores de la empresa y gastos
mensuales ocasionado por máquinas ensamblados con defectos.

¿Existe relación entre Ganancia Neta y las otras variables mencionadas de la empresa
dedicada a ensamblar de máquinas industriales para textiles?
Si la respuesta es afirmativa ¿Qué tipo de relación será?
¿Es posible estimar Ganancia Neta mensual de la empresa en estudio a partir de las otras
variables mencionadas?
¿Qué método emplear y cómo realizar dicha estimación?

Éste problema puede ser resuelto mediante el Análisis de Regresión Lineal Múltiple
Ganancias netas mensuales de la empresa LALUX S.A. y variables
A continuación se tienen la afines
Ganancia Neta mensual Costo de mantenimiento
de la empresa en decena mensual en miles de soles de
Número de
trabajadores de la
Gasto mensual en miles de
soles debido a maquina
N°
Ganancias netas mensuales en de miles de soles máquinas ensambladoras empresa ensamblados con defectos
Y X1 X2 X3
decenas de miles de la empresa 1 2,941 2,39 103,00 ,14

LALUX de la empresa dedicado al 2

3
3,773
2,306
2,78
1,80
103,00
103,00
,18
,33
ensamblaje de máquinas industriales 4
5
3,954
2,059
2,92
1,80
104,00
102,00
,20
,20
para textiles, de Julio del 2017 a 6 2,249 2,12 95,00 ,15
7 3,904 3,26 102,00 ,23
Febrero del 2019 (Y) . Además se 8 2,669 2,40 101,00 ,33

tienen las siguientes variables de 9

10
1,701
3,348
1,59
2,49
99,00
102,00
,12
,36
ésta empresa: costos de 11
12
2,140
3,327
2,49
2,93
96,00
101,00
,21
,34
mantenimiento mensual en miles de 13 2,703 2,04 101,00 ,12
14 3,089 2,24 104,00 ,36
soles de máquinas ensamblado- 15 4,183 2,82 100,00 ,32

ras(X1), número de trabajadores 16

17
2,930
2,987
2,42
2,59
96,00
96,00
,25
,17
(X2) y Gasto mensual en miles 18 2,882 2,81 102,00 ,37
19 2,886 2,50 97,00 ,28
ocasionado a máquinas ensamblados 20 3,270 2,88 98,00 ,20

con defectos (X3).

 EJEMPLO DE APLICACIÓN
Ganancias netas mensuales de la empresa LALUX S.A. y variables
A continuación se tienen la afines
Ganancia Neta mensual de Costo de mantenimiento
la empresa en decena de mensual en miles de soles de
Número de
trabajadores de la
Gasto mensual en miles de
soles debido a maquina
N°
Ganancias netas mensuales en miles de soles máquinas ensambladoras empresa ensamblados con defectos
Y X1 X2 X3
decenas de miles de la empresa 1 2,941 2,39 103 0,14

LALUX S.A. de la empresa 2

3
3,773
2,306
2,78
1,8
103
103
0,18
0,33
dedicado al ensamblaje de máquinas 4
5
3,954
2,059
2,92
1,8
104
102
0,20
0,20
industriales para textiles (Y) . 6 2,249 2,12 95 0,15
7 3,904 3,26 102 0,23
Además se tienen las siguientes 8 2,669 2,4 101 0,33
variables de ésta empresa: costos de 9
10
1,701
3,348
1,59
2,49
99
102
0,12
0,36
mantenimiento mensual en miles de 11 2,14 2,49 96 0,21
12 3,327 2,93 101 0,34
soles de máquinas ensamblado- 13 2,703 2,04 101 0,12
14 3,089 2,24 104 0,36
ras(X1), número de trabajadores 15 4,183 2,82 100 0,32
(X2) y Gasto mensual en miles 16
17
2,93
2,987
2,42
2,59
96
96
0,25
0,17
ocasionado a máquinas ensamblados 18 2,882 2,81 102 0,37
19 2,886 2,5 97 0,28
con defectos (X3). 20 3,27 2,88 98 0,20
Variables en estudio

Variable Dependiente
Y=Ganancias netas mensuales en decenas de miles de la empresa LALUX S. A. de la
empresa dedicado al ensamblaje de máquinas industriales para textiles

Variables Independientes
X1=Costos de mantenimiento mensual en miles de soles de máquinas ensambladoras
de la empresa LALUX S. A.

X2=Número de trabajadores mensuales de la empresa LALUX S. A

X3= Gasto mensual de la empresa LALUX S. A. en miles a causa de máquinas

ensamblados con defectos.

2018-I
Haciendo uso de SPSS, tenemos el siguiente cuadro:

 ˆ  ˆ X  ˆ X  ˆ X
Modelo de regresión estimado: Y 0 1 1 2 2 3 3

Del último cuadro, reemplazando los coeficientes que se encuentran en la segunda

columna del miso, tenemos el modelo de regresión estimado:

Y  6.887  1.264 X 1  0.068 X 2  0.238 X 3

2018-I
 Significancia del modelo de
Regresión

Hipótesis

Decisión
Como .

Es decir, el modelo de regresión

planteado es significativo

Observación
El coeficiente de determinación múltiple
es, lo cual nos indica que el modelo de
regresión planteado es válido.

Modelo de Regresión: Y  ˆ0  ˆ1 X 1  ˆ2 X 2  ˆ3 X 3  

Considerando un Nivel de significancia: Nota. El Coeficiente de Determinación Múltiple es la proporción

(porcentaje) de la variación total en la variable dependiente "Y " que
Valor de significancia: se explica por medio del conjunto de variables independientes del

modelo. Se denota por R 2 , donde 0  R 2  1 .

Prueba de Significancia de los Coeficientes de Regresión

Significancia del segundo coeficiente

Hipótesis

Decisión
Como .

Es decir, el coeficiente de Costo de

mantenimiento (X1) es significativo

Observación
Hipótesis para cada coeficiente
Modelo de Regresión: Y   0   1 X 1   2 X 2   3 X 3  
, i=0; 2

Considerando un Nivel de significancia: De manera similar a lo anterior se

concluye que el intercepto y el coeficiente
Valor de significancia: de X2 son significativo; pero último no lo
es.
 Significancia del último coeficiente
Hipótesis

Decisión
Como .

Es decir que no hay evidencia para

afirmar que, el coeficiente de Gasto
ocasionado por máquinas
ensamblados con defectos (X3) es
diferente de cero.

En base a estos análisis el nuevo modelo de Regresión lineal es: 𝑌 = 𝛽0 + 𝛽1 𝑋 1+ 𝛽 2 𝑋 2 +𝜀

  ˆ  ˆ X  ˆ X
Modelo de regresión estimado: Y 0 1 1 2 2

Finalmente del último cuadro, reemplazando los

coeficientes que se encuentran en la segunda
columna del mismo, tenemos el modelo de
regresión estimado:

Y = - 6,718 + 1,254X1+ 0,066X2

 Interpretación de los coeficientes de regresión
Y:=Ganancias netas mensuales en decenas de miles de la empresa
Ecuación de Regresión LALUX S. A. de la empresa dedicado al ensamblaje de máquinas
industriales para textiles
  ˆ  ˆ X  ˆ X
Y X1:=Costos de mantenimiento mensual en miles de soles de máquinas
0 1 1 2 2
ensambladoras de la empresa LALUX S. A.
X2:=Número de trabajadores mensuales de la empresa LALUX S. A
Y = - 6,718 + 1,254X1+ 0,066X2

^𝛽 =1,254 Se espera que la ganancia neta mensual de la empresa LALUX

1 S.A. aumenta en promedio en 12 540 soles por cada mil soles
del costo de mantenimiento mensual de sus máquinas
ensambladoras y sin considerar el número de trabajadores.

^𝛽 =0 , 066 Se espera que la ganancia neta mensual de la empresa LALUX

2 S.A. aumenta en promedio en 660 soles por cada trabajador de
la empresa en estudio, sin considerar el costo de mantenimiento
des sus máquinas de ensambladoras.
Predicción

a)¿Cuál será la ganancia neta mensual de la empresa LALUX S. A., si en dicho mes el
costo de mantenimiento de las máquinas ensambladoras fue de 2 534 soles y la empresa
en dicho mes contó con 105 trabajadores?

b)¿Cuál será la ganancia neta mensual de la empresa LALUX S. A., si en dicho mes el
costo de mantenimiento de las máquinas ensambladoras fue de 1 580 soles y la empresa
en dicho mes contó con 95 trabajadores?
Solución Y  6.718  1.254 X 1  0.066 X 2
a) x=2.534
Entonces 𝑌^ =− 6.718+1.254 (2.534)+0.066 (105)=3.390
Es decir que la ganancia neta mensual estimada de la empresa LALUX S. A. en dicho mes es 33 900 soles

b) x=1.580
Entonces 𝑌^ =− 6.718+1.254(1.580)+0.066(95)=1.533

Es decir que la ganancia neta mensual estimada de la empresa LALUX S. A. en dicho mes es 15 533 soles
Ejercicio

Se tiene las siguientes datos correspondiente a la Densidad en gr/cm3, su

contenido de hierro (en %) y temperatura en °C de 6 pedacitos de minerales
extraídos en la mina de Cerro de Pasco.
Contenido de
Hierro (%) Densidad Temperatura (°C)
N° Y X1 X2
1 3 1 10
2 3.4 1.8 8
3 5 2 14
4 8 4 11
5 9 4.8 13
6 10 6 14
Sumas

a)Identificar cuál es la variable independiente y cuál la variable dependiente.

b)Grafique el diagrama de dispersión
c) Plantear el modelo de regresión lineal y estimar los parámetros; e interprétese.
d)Realice las pruebas de significancia del modelo de regresión.
e)¿Qué porcentaje de hierro contiene un pedacito de mineral extraído en la mina
en estudio, si dicho pedacito de mineral tiene una densidad de 2.5 gr/cm3?
f)¿Qué porcentaje de hierro contiene un pedacito de mineral extraído en la mina
en estudio, si dicho pedacito de mineral tiene una densidad de 5.8 gr/cm3.
Supuestos del Modelo de Regresión Lineal
Multiple
Dado el modelo de regresión
Yi   0  1 X i 1   2 X i 2  .........   k X ik   i , i 1, 2,......, N
Los supuestos de un Modelo de Regresión Lineal son:

SUPUESTO 1
El error aleatorio i es independiente de la variable independiente X

SUPUESTO 2
La media de los errores aleatorios i es igual a cero, es decir E   i  0 , i 1,2,3,.......,N

Donde
E  i  denota valor esperado del i  ésimo error aleatorio
SUPUESTO.3 (No Heterocedasticidad)
La varianza de los errores aleatorios i es constante para cada i 1, 2, 3, ......., N .

Esto es Var   i   2 , i 1,2,3,.......,N

 Si no se cumple este supuesto se dice que existe HETEROCEDASTICIDAD en los errores  i ( Varianza desigual).

SUPUESTO 4
Los errores  i se distribuyen normalmemte.

SUPUESTO 5 (No Autcorrelación )

Dos errores aleatorios cualesquiera diferentes i ,  j son independientes. Es decir E   i . j  0 , i  j .

 Si no se cumple es te supuesto se dice que existe AUTOCORRELACION en los errores i

Ejemplo
• El gerente de una empresa ha anotado las ventas semanales
que obtuvo durante ocho semanas en las que se incurrió en
distintos gastos por anuncios en TV y periódicos (en miles de
soles), tal como se muestra en la siguiente tabla:

Gastos por anuncios Gastos por anuncios en Ingresos

en TV periódicos semanales
5 1.5 96
2 2 90
4 1.5 95
2.5 2.5 92
3 3.3 95
3.5 2.3 94
2.5 4.2 94
3 2.5 94
• Determine un modelo de regresión lineal
que relacione las ventas con los gastos
de anuncios por TV y por periódico. Diga
además si dicha relación es significativa.
Muchos datos

¿Cuáles son las variables de Estudios de

esta base de datos?

¿Qué tipo de variables se presentan en

cada caso?

¿Cuál es la variable dependiente y cuáles

son las variable independientes?

 ¿QUE HEMOS VISTO?

• Definición de correlación lineal

• Diagrama de dispersión
• Calculo de coeficiente de correlación de Pearson
• Definición de regresión lineal
• Determinación del modelo de regresión
• Predicciones.

No existe la suerte. Sólo hay

preparación adecuada o inadecuada
para hacer frente a una estadística.

Robert Heinlein
 AUTOEVALUACION
Si dos variables estadísticas X e Y tienen un coeficiente de
correlación negativo. Podemos afirmar que:
a) Cuando la variable X crece la variable Y crece.
b) Cuando la variable X decrece la variable Y crece.
c) Cuando la variable X decrece la variable Y decrece

El diagrama de dispersión es un diagrama que utilizamos

para representar:
a) dos variables cualitativas;
b) una variable cualitativa y otra cuantitativa;
c) dos variables cuantitativas.
Dirección de Investigación
Conclusiones
Referencias

1.- Alvarado, J., Obagi, J. (2008)

Fundamentos de la Inferencia Estadística.
Ed. Pontificia Universidad Javeriana 1ra.
Edición. Colombia.

2.- Anderson, S. (2008) Estadística para

Administración y Economía. Cengage
Learning 8va. Edición. México.

3. Mendehall, W. (2008) Introducción a la

Probabilidad y Estadística. Thomson 12°
Edición. México.