Trovare la retta di regressione

Un bar registra la temperatura giornaliera (°C) e le vendite di caffè freddo: | Temperatura | Vendite | |-------------|--------| | 15 | 20 | | 20 | 35 | | 25 | 45 | | 30 | 60 | | 35 | 70 | Trova l'equazione della retta di regressione.

Calcola le medie: $\bar{x} = \frac{15+20+25+30+35}{5} = 25$ $\bar{y} = \frac{20+35+45+60+70}{5} = 46$ = $\bar{x} = 25$, $\bar{y} = 46$

Calcola la pendenza usando la formula: $m = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sum(x_i - \bar{x})^2}$ Numeratore: $(-10)(-26) + (-5)(-11) + (0)(-1) + (5)(14) + (10)(24) = 260 + 55 + 0 + 70 + 240 = 625$ Denominatore: $100 + 25 + 0 + 25 + 100 = 250$ = $m = \frac{625}{250} = 2{,}5$

Calcola l'intercetta: $b = \bar{y} - m\bar{x} = 46 - 2{,}5(25) = 46 - 62{,}5 = -16{,}5$ = $b = -16{,}5$

Scrivi l'equazione di regressione: $y = 2{,}5x - 16{,}5$ = Retta di regressione: $y = 2{,}5x - 16{,}5$

Answer: La retta di regressione è $y = 2{,}5x - 16{,}5$. Questo significa che per ogni aumento di 1°C della temperatura, le vendite di caffè freddo aumentano di circa 2,5 unità.

Fare previsioni

Usando la retta di regressione $y = 2{,}5x - 16{,}5$ dall'esempio del bar, prevedi le vendite quando la temperatura è 28°C.

Identifica l'equazione: $y = 2{,}5x - 16{,}5$ = Equazione di regressione identificata

Sostituisci il valore di x: $y = 2{,}5(28) - 16{,}5$ = $y = 2{,}5 \times 28 - 16{,}5$

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

Answer: Le vendite previste a 28°C sono 53,5, cioè circa 54 caffè freddi.

Interpretare pendenza e intercetta

Uno studio trova che la retta di regressione che collega le ore di studio ($x$) al punteggio dell'esame ($y$) è $y = 8x + 40$. Interpreta la pendenza e l'intercetta.

Identifica la pendenza: $m = 8$ = La pendenza è 8

Interpreta la pendenza: Per ogni ora di studio aggiuntiva, il punteggio dell'esame aumenta di 8 punti = 8 punti per ora di studio

Identifica l'intercetta: $b = 40$ = L'intercetta è 40

Interpreta l'intercetta: Quando il tempo di studio è 0 ore, il punteggio previsto è 40 = Punteggio base di 40 punti

Answer: Pendenza: Ogni ora di studio aggiuntiva aggiunge 8 punti al punteggio previsto. Intercetta: Uno studente che studia 0 ore prenderebbe circa 40 punti (conoscenze di base).

Mistake: Assumere che la retta di regressione passi per tutti i punti dati

Why: La retta di migliore approssimazione minimizza l'errore totale ma raramente passa per ogni punto. I punti sopra e sotto la retta sono normali.

Correct: Comprendi che la retta di regressione rappresenta la tendenza generale, non i singoli punti dati.

Mistake: Usare l'equazione di regressione per estrapolare molto oltre l'intervallo dei dati

Why: La relazione potrebbe non valere al di fuori dell'intervallo dei dati osservati. Prevedere molto oltre i tuoi dati può dare risultati irrealistici.

Correct: Sii cauto quando prevedi per valori di x molto al di fuori del tuo intervallo di dati. Segnala quando stai estrapolando.

Mistake: Confondere correlazione con causalità

Why: Una forte relazione lineare non significa che una variabile causa cambiamenti nell'altra. Potrebbero essere coinvolti altri fattori.

Correct: Usa la regressione per descrivere relazioni e fare previsioni, ma sii cauto nell'affermare causalità.

Mistake: Dimenticare di verificare se un modello lineare è appropriato

Why: Non tutti i dati seguono un modello lineare. Usare la regressione lineare su dati non lineari dà risultati fuorvianti.

Correct: Rappresenta sempre prima i tuoi dati in un grafico. Se il diagramma di dispersione mostra una curva, la regressione lineare potrebbe non essere la scelta migliore.

Prevedere i prezzi delle case

Gli analisti immobiliari usano la regressione lineare per stimare i prezzi delle case basandosi su caratteristiche come metri quadri, numero di stanze o distanza dal centro città.

Se $y = 2000x + 30000$, dove $x$ sono i metri quadri e $y$ il prezzo in euro, un appartamento di 100 m² costerebbe circa 2000(100) + 30000 = 230000 €.

Analisi del consumo di carburante

Gli ingegneri automobilistici usano la regressione per capire come il peso dell'auto influisce sul consumo di carburante.

Se consumo (L/100km) = 0,004 × peso (kg) + 2, un'auto di 1500 kg consumerebbe 0,004(1500) + 2 = 8 L/100km.

Previsione delle vendite aziendali

Le aziende usano la regressione per prevedere le vendite future basandosi sulle spese pubblicitarie, aiutandole ad allocare efficacemente i budget di marketing.

Se vendite mensili = 3 × spesa pubblicitaria + 10000, spendere 5000 € in pubblicità prevede vendite di 3(5000) + 10000 = 25000 €.

Q: E se i miei dati non sembrano lineari?

A: Se il tuo diagramma di dispersione mostra una curva invece di una linea retta, la regressione lineare potrebbe non essere appropriata. Considera la regressione polinomiale o altri modelli non lineari.

Q: La regressione può dimostrare che una cosa ne causa un'altra?

A: No. La regressione mostra relazioni (correlazioni) ma non può dimostrare causalità. Due variabili potrebbero essere correlate a causa di un terzo fattore, non perché una causa l'altra.

Q: Cos'è un residuo?

A: Un residuo è la differenza tra un punto dati reale e il valore previsto dalla retta di regressione: residuo = $y_{\text{reale}} - y_{\text{previsto}}$. Residui positivi significano che il punto è sopra la retta; negativi significano sotto.