ejemplo de correlación y regresión lineal simple
DESCRIPTION
correlacion y regresion linealTRANSCRIPT
![Page 1: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/1.jpg)
Ejemplo de Correlación y Regresión lineal
Variables Estadísticas Bidimensionales
![Page 2: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/2.jpg)
En un Centro Comercial se hacen el seguimiento de la venta de automóviles para determinar si tiene correlación con los minutos de publicidad mensual que se paga en los medios radiales y televisivos.
Vamos a ver los datos y a calcular la covarianza y el coeficiente de correlación de Pearson de este estudio.
Luego hallaremos la ecuación de regresión lineal.Para simplificar los cálculos, tomaremos una
muestra de 10 meses.
Publicidad vs. Ventas mensuales de automóviles
![Page 3: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/3.jpg)
X = Publicidad (min) 72 76 78 81 89 95 108 115 120 130
Y = Ventas (autos) 115 121 125 130 141 150 165 170 177 178
Datos:
En nuestro caso tenemos que el número de datos totales es N=10.
Para calcular la covarianza necesitamos:• Las medias marginales de X e Y.• El producto de cada xi por cada yi.
Para las desviaciones típicas marginales necesitamos:• El cuadrado de xi y de yi.
Para poder realizar los cálculos con mayor comodidad, utilizaremos la siguiente tabla:
![Page 4: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/4.jpg)
xi yi xi·yi xi2 yi
2
72 115
76 121
78 125
81 130
89 141
95 150
108 165
115 170
120 177
130 178
Cálculo de x
Cálculo de y
Cálculo de xy
Cálculo de y
Cálculo de x
![Page 5: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/5.jpg)
xi yi xi·yi xi2 yi
2
72 115 8280 5184 13225
76 121 9196 5776 14641
78 125 9750 6084 15625
81 130 10530 6561 16900
89 141 12549 7921 19881
95 150 14250 9025 22500
108 165 17820 11664 27225
115 170 19550 13225 28900
120 177 21240 14400 31329
130 178 23140 16900 31684
964 1472 146305 96740 221910
Vamos a quedarnos sólo con la última fila para hacer los cálculos
![Page 6: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/6.jpg)
xi yi xi·yi xi2 yi
2
964 1472 146305 96740 221910
• Media de X:
• Media de Y:
• Desviación estándar de X:
• Desviación estándar de Y:
• Covarianza:
• Coef. Correlación de Pearson:
![Page 7: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/7.jpg)
La covarianza y el coeficiente de correlación son positivos, luego la correlación es directa.
Además el Coef. de correlación está muy cercano a 1, por lo que la correlación es muy fuerte.
65 75 85 95 105 115 125 13560
80
100
120
140
160
180
200
Venta de automóviles vs. Publicidad
Publicidad (min/mes)
Ven
tas (
au
tos/m
es)
![Page 8: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/8.jpg)
Y’= a + bX, donde: Y’ es el valor estimado de Y para distintos X. a es la intersección o el valor estimado de Y cuando
X=0 b es la pendiente de la línea, o el cambio promedio de
Y’ para cada cambio en una unidad de X el principio de mínimos cuadrados es usado para
obtener a y b:
Estimación de la ecuación de Regresión Simple
bn XY X Y
n X X
aY
nbX
n
( ) ( )( )
( ) ( )
2 2
![Page 9: Ejemplo de Correlación y Regresión Lineal Simple](https://reader036.vdocuments.co/reader036/viewer/2022082611/563db7a9550346aa9a8cd116/html5/thumbnails/9.jpg)
xi yi xi·yi xi2 yi
2
964 1472 146305 96740 221910
4.358.1112.14710964
16.1101472
16.13810444042
92929696740014190081463050
96496740101472964146305102
a
b
b
xy 16.14.35' La ecuación de regresión lineal es: