# Importar las librerías necesarias import numpy as np import matplotlib.pyplot as plt

# Función de regresión lineal def estimateb0b1(x,y): # número de datos que va a tener el arreglo n = np.size(x) # cálculo de los promedios de X y Y mx,my = np.mean(x), np.mean(y) # Calcular la sumatoria de XY y la sumatoria de XX # sum de numpy recorre el vector y suma todos los elementos # entre sí y regresa un escalar sumatoriaXY = np.sum((x - mx)*(y - my)) sumatoriaXX = np.sum(x*(x - mx)) # coeficientes de regresión: b1 y bo b1 = sumatoriaXY/sumatoriaXX b0 = my - b1*mx return (b0,b1)

# Función para graficar def plotRegression(x,y,b): plt.scatter(x,y, color = 'g', marker = 'o', s = 30) # Crear el vector de predicciones yPred = b[0] + b[1]*x # Gráfica plt.plot(x, yPred, color = 'b') # etiquetado plt.xlabel('x - Independiente') plt.ylabel('y - Dependiente') plt.show()

# Código MAIN def main(): # Observaciones x = np.array([1,2,3,4,5]) y = np.array([2,3,5,6,5]) # Obtenemos b1 y b2 b = estimateb0b1(x,y) print('Los valores b0 = {}, b1 = {} '.format(b[0],b[1])) # Grafica de la línea de regresión plotRegression(x, y, b) if __name__ == '__main__': main()