Encontrar la recta de regresión

Una cafetería registra la temperatura diaria (°C) y las ventas de café helado: | Temperatura | Ventas | |-------------|--------| | 15 | 20 | | 20 | 35 | | 25 | 45 | | 30 | 60 | | 35 | 70 | Encuentra la ecuación de la recta de regresión.

Calcula las medias: $\bar{x} = \frac{15+20+25+30+35}{5} = 25$ $\bar{y} = \frac{20+35+45+60+70}{5} = 46$ = $\bar{x} = 25$, $\bar{y} = 46$

Calcula la pendiente usando la fórmula: $m = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2}$ Numerador: $(-10)(-26) + (-5)(-11) + (0)(-1) + (5)(14) + (10)(24) = 260 + 55 + 0 + 70 + 240 = 625$ Denominador: $100 + 25 + 0 + 25 + 100 = 250$ = $m = \frac{625}{250} = 2{,}5$

Calcula la ordenada en el origen: $b = \bar{y} - m\bar{x} = 46 - 2{,}5(25) = 46 - 62{,}5 = -16{,}5$ = $b = -16{,}5$

Escribe la ecuación de regresión: $y = 2{,}5x - 16{,}5$ = Recta de regresión: $y = 2{,}5x - 16{,}5$

Answer: La recta de regresión es $y = 2{,}5x - 16{,}5$. Esto significa que por cada aumento de 1°C en la temperatura, las ventas de café helado aumentan aproximadamente 2,5 unidades.

Hacer predicciones

Usando la recta de regresión $y = 2{,}5x - 16{,}5$ del ejemplo de la cafetería, predice las ventas cuando la temperatura es 28°C.

Identifica la ecuación: $y = 2{,}5x - 16{,}5$ = Ecuación de regresión identificada

Sustituye el valor de x: $y = 2{,}5(28) - 16{,}5$ = $y = 2{,}5 \times 28 - 16{,}5$

Calcula: $y = 70 - 16{,}5 = 53{,}5$ = $y = 53{,}5$

Answer: Las ventas predichas a 28°C son aproximadamente 54 cafés helados.

Interpretar pendiente y ordenada

Un estudio encuentra que la recta de regresión que relaciona horas de estudio ($x$) con puntuación en el examen ($y$) es $y = 8x + 40$. Interpreta la pendiente y la ordenada en el origen.

Identifica la pendiente: $m = 8$ = La pendiente es 8

Interpreta la pendiente: Por cada hora adicional de estudio, la puntuación del examen aumenta 8 puntos = 8 puntos por hora de estudio

Identifica la ordenada en el origen: $b = 40$ = La ordenada en el origen es 40

Interpreta la ordenada en el origen: Cuando el tiempo de estudio es 0 horas, la puntuación predicha es 40 = Puntuación base de 40 puntos

Answer: Pendiente: Cada hora adicional de estudio añade 8 puntos a la puntuación predicha. Ordenada: Un estudiante que estudia 0 horas sacaría aproximadamente 40 puntos (conocimiento base).

Mistake: Asumir que la recta de regresión pasa por todos los puntos de datos

Why: La recta de mejor ajuste minimiza el error total pero rara vez pasa por cada punto. Los puntos por encima y por debajo de la recta son normales.

Correct: Entiende que la recta de regresión representa la tendencia general, no los puntos de datos individuales.

Mistake: Usar la ecuación de regresión para extrapolar muy lejos del rango de datos

Why: La relación puede no mantenerse fuera del rango de datos observados. Predecir muy lejos de tus datos puede dar resultados poco realistas.

Correct: Ten cuidado al predecir para valores de x muy fuera de tu rango de datos. Nota cuándo estás extrapolando.

Mistake: Confundir correlación con causalidad

Why: Una relación lineal fuerte no significa que una variable cause cambios en la otra. Pueden estar involucrados otros factores.

Correct: Usa la regresión para describir relaciones y hacer predicciones, pero ten cuidado al afirmar causalidad.

Mistake: Olvidar comprobar si un modelo lineal es apropiado

Why: No todos los datos siguen un patrón lineal. Usar regresión lineal en datos no lineales da resultados engañosos.

Correct: Siempre grafica tus datos primero. Si el diagrama de dispersión muestra una curva, la regresión lineal puede no ser la mejor opción.

Predecir precios de viviendas

Los analistas inmobiliarios usan la regresión lineal para estimar precios de casas basándose en características como metros cuadrados, número de habitaciones o distancia al centro.

Si $y = 150x + 50000$ donde $x$ son metros cuadrados e $y$ el precio en euros, un apartamento de 100 m² costaría aproximadamente 150(100) + 50000 = 65000 euros.

Análisis de eficiencia de combustible

Los ingenieros automotrices usan la regresión para entender cómo el peso del coche afecta el consumo de combustible.

Si consumo (L/100km) = 0,004 × peso (kg) + 2, un coche de 1500 kg consumiría 0,004(1500) + 2 = 8 L/100km.

Pronóstico de ventas comerciales

Las empresas usan la regresión para predecir ventas futuras basándose en gastos de publicidad, ayudándoles a asignar presupuestos de marketing eficazmente.

Si ventas mensuales = 3 × gasto pub + 10000, gastar 5000 euros en publicidad predice ventas de 3(5000) + 10000 = 25000 euros.

Q: ¿Qué pasa si mis datos no parecen lineales?

A: Si tu diagrama de dispersión muestra una curva en lugar de una línea recta, la regresión lineal puede no ser apropiada. Considera la regresión polinómica u otros modelos no lineales.

Q: ¿Puede la regresión demostrar que una cosa causa otra?

A: No. La regresión muestra relaciones (correlaciones) pero no puede demostrar causalidad. Dos variables pueden estar relacionadas por un tercer factor, no porque una cause la otra.

Q: ¿Qué es un residuo?

A: Un residuo es la diferencia entre un punto de datos real y el valor predicho por la recta de regresión: residuo = $y_{real} - y_{predicho}$. Residuos positivos significan que el punto está por encima de la recta; negativos significan por debajo.