República Bolivariana de Venezuela

Ministerio del Poder Popular Para La Educación Superior

Universidad Nacional Experimental Politécnica “Antonio José de Sucre”
Vice - Rectorado “Luís Caballero Mejías”
Núcleo “Guarenas”
Asignatura: Inferencia 2
Sección: 40

Regresión Lineal

Profesor: Integrantes:
Ángel García Wonder Diaz Nº Exp 201220155
Ervin Muñoz Nº Exp 201220104
Luis David Nº Exp 201220120
Jorge Mendoza Nº Exp 201220221
Guarenas, 1 de julio de 2015
 REGRESIÓN LINEAL
Permite determinar el grado de dependencia de las series de valores X e Y, prediciendo
el valor y estimado que se obtendría para un valor x que no esté en la distribución.

: Variable dependiente, explicada o regresando.

: Variables explicativas, independientes o regresores.

: Parámetros, miden la influencia que las variables explicativas

tienen sobre el regresando.

Donde es la intersección o término "constante", las son los parámetros

respectivos a cada variable independiente, y es el número de parámetros independientes a
tener en cuenta en la regresión. La regresión lineal puede ser contrastada con la regresión no
lineal.

Ejemplo de una regresión lineal con una variable dependiente y una variable independiente.

¿CUÁNDO UTILIZAR UN PRONÓSTICO DE REGRESIÓN LINEAL?

El pronóstico de regresión lineal simple es un modelo óptimo para patrones de demanda

con tendencia (creciente o decreciente), es decir, patrones que presenten una relación de
linealidad entre la demanda y el tiempo.
Existen medidas de la intensidad de la relación que presentan las variables que son
fundamentales para determinar en qué momento es conveniente utilizar regresión lineal.

ANÁLISIS DE REGRESIÓN
El objetivo de un análisis de regresión es determinar la relación que existe entre una
variable dependiente y una o más variables independientes. Para poder realizar esta relación,
se debe postular una relación funcional entre las variables. Cuando se trata de una variable
independiente, la forma funcional que más se utiliza en la práctica es la relación lineal. El
análisis de regresión entonces determina la intensidad entre las variables a través de
coeficientes de correlación y determinación

Tipos de variables
Variable Independiente (X) (determinística, es decir no aleatoria.)
Variable Dependiente (Y) aleatoria
Ejemplos
X: Número de llamadas telefónicas realizadas por un vendedor promocionando
un producto.
Y: Unidades vendidas por el vendedor.
X: Tiempo que dedica un estudiante a una materia.
Y: Evaluación que obtiene el estudiante en la materia.

TIPOS DE MODELOS DE REGRESIÓN LINEAL

Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus parámetros:
 Regresión lineal simple
La regresión lineal simple se basa en estudiar los cambios en una variable, no aleatoria,
afectan a una variable aleatoria, en el caso de existir una relación funcional entre ambas
variables que puede ser establecida por una expresión lineal, es decir, su representación
gráfica es una línea recta. Es decir, se está en presencia de una regresión lineal simple cuando
una variable independiente ejerce influencia sobre otra variable dependiente. Son de la forma:

Regresión lineal múltiple

La regresión lineal permite trabajar con una variable a nivel de intervalo o razón, así
también se puede comprender la relación de dos o más variables y permitirá relacionar
mediante ecuaciones, una variable en relación a otras variables llamándose Regresión
múltiple. O sea, la regresión lineal múltiple es cuando dos o más variables independientes
influyen sobre una variable dependiente. Ejemplo: Y = f(x, w, z).

El modelo de regresión lineal:

El modelo lineal relaciona la variable dependiente Y con K variables explícitas (k =
1,...K), o cualquier transformación de éstas que generen un hiperplano de parámetros
desconocidos:

(2)
donde es la perturbación aleatoria que recoge todos aquellos factores de la realidad no
controlables u observables y que por tanto se asocian con el azar, y es la que confiere al
modelo su carácter estocástico. En el caso más sencillo, con una sola variable explícita,
el hiperplano es una recta:

(3)
El problema de la regresión consiste en elegir unos valores determinados para los
parámetros desconocidos , de modo que la ecuación quede completamente especificada.
Para ello se necesita un conjunto de observaciones. En una observación i-ésima (i= 1,...
I) cualquiera, se registra el comportamiento simultáneo de la variable dependiente y las
variables explícitas (las perturbaciones aleatorias se suponen no observables).
 (4)

Los valores escogidos como estimadores de los parámetros , son los coeficientes de
regresión sin que se pueda garantizar que coincida n con parámetros reales del proceso
generador. Por tanto, en

(5)

Los valores son por su parte estimaciones o errores de la perturbación aleatoria.

SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL

Para poder crear un modelo de regresión lineal es necesario que se cumpla con los
siguientes supuestos:

1. Que la relación entre las variables sea lineal.

2. Que los errores en la medición de las variables explicativas sean independientes entre
sí.
3. Que los errores tengan varianza constante. (Homocedasticidad)
4. Que los errores tengan una esperanza matemática igual a cero (los errores de una
misma magnitud y distinto signo son equiprobables).
5. Que el error total sea la suma de todos los errores.

APLICACIONES DE LA REGRESIÓN LINEAL

El modelo de regresión lineal es aplicado en un gran número de campos, desde el ámbito

científico hasta el ámbito social, pasando por aplicaciones industriales ya que en multitud de
situaciones se encuentran comportamientos lineales. Estos son algunos ejemplos aplicados a
diversos campos:

Líneas de tendencia
Una línea de tendencia representa una tendencia en una serie de datos obtenidos a través
de un largo período. Este tipo de líneas puede decir si un conjunto de datos en particular
(como por ejemplo, el PBI, el precio del petróleo o el valor de las acciones) han aumentado
o decrementado en un determinado período. Las líneas de tendencia son generalmente líneas
rectas, aunque algunas variaciones utilizan polinomios de mayor grado dependiendo de la
curvatura deseada en la línea.
 Medicina
En Medicina, las primeras evidencias relacionando la mortalidad con el fumar tabaco
vinieron de estudios que utilizaban la regresión lineal. Los investigadores incluyen una gran
cantidad de variables en su análisis de regresión en un esfuerzo por eliminar factores que
pudieran producir correlaciones espurias.

En el caso del Tabaquismo, los investigadores incluyeron el estado socio-económico

para asegurarse que los efectos de mortalidad por tabaquismo no sean un efecto de su
educación o posición económica. No obstante, es imposible incluir todas las variables
posibles en un estudio de regresión.

En el ejemplo del tabaquismo, un hipotético gen podría aumentar la Mortalidad y

aumentar la propensión a adquirir enfermedades relacionadas con el consumo de tabaco.

Química
La concentración de un elemento es uno de los parámetros de mayor importancia en los
procesos químicos aplicados en la industria. Esta cuantificación se puede obtener mediante
un espectrofotómetro, dispositivo que requiere se calibrado. Para ello se elabora una recta de
calibración que se obtiene a partir de la correlación entre la absorbancia de un patrón y la
concentración de la sustancia a controlar.
Mecánica
En esta rama se utiliza la Regresión Lineal entre otros para ajustar la recta de Paris, una
ecuación que sirve para estudiar elementos sometidos a fatiga en función del número de
ciclos a los que se somete un material. La bondad del ajuste se comprueba representando el
conjunto de valores discretos a-Nm obtenidos experimentalmente, frente a la curva
correspondiente a la recta de Paris definida por los valores “C” y “m”.
Electricidad
En electricidad se puede obtener el valor de una resistencia en un circuito y su error
mediante un ajuste de regresión lineal de pares de datos experimentales de voltaje e
intensidad obtenidos mediante un voltímetro y un amperímetro.
Sensores
Sensor de temperatura (termopar) en función de la caída de tensión y la temperatura. Se
estudia la forma en que varía la temperatura de un líquido al calentarlo. Se calibra el sensor
y simultáneamente se mide la variación de temperaturas en un líquido para representar los
datos obtenidos posteriormente mediante Regresión Lineal.
Física
Determinación del coeficiente de rozamiento estático de forma experimental a partir de
la medición del ángulo de inclinación de una rampa. Se realiza un montaje ajustando un
circuito para medir el ángulo de inclinación, y se realizan mediciones variando dicho.
Mediante la regresión lineal de los datos obtenidos, se obtiene la ecuación y el índice de
correlación a fin de saber el error.
Fabricación
Dos de los parámetros más importantes de una soldadura es la intensidad aplicada al hilo
y la velocidad de alimentación del mismo. Mediante técnicas de regresión lineal se elaboran
las rectas que relacionan estos parámetros con la separación entre el hilo y la zona a soldar.
Diseño de experimentos
Con la metodología 2k es posible mejorar un proceso mediante la realización de
experimentos, determinando qué variables tienen un efecto significativo. A partir de esas
variables se obtiene una recta de regresión que modeliza el efecto. Por ejemplo se podría
obtener la relación entre la temperatura y la presión en un proceso industrial.
Construcción
Mediante técnicas de regresión lineal se caracterizarán diversas cualidades del hormigón.
A partir del módulo de elasticidad es posible predecir la resistencia a la compresión de una
determinada composición de un hormigón. También se puede determinar la succión capilar
a partir del volumen absorbido por una muestra y el tiempo que ha durado la succión.
 CONCLUSIONES

En estadística la regresión lineal o ajuste lineal es un método matemático que modela la

relación entre una variable dependiente Y, las variables independientes Xi y un
término aleatorio.

La regresión se puede usar en muchos procesos en los cuales se tengan que tomar
decisiones o hacer inferencias acerca de algún fenómeno que no conozcamos aún su
resultado, en el cual se tenga información de una variable independiente y el comportamiento
de otra variable que depende de la primera.

La utilización del modelo de regresión lineal en los procesos relacionados con el análisis
de datos demanda el conocimiento objetivo e instrumentación de la relación funcional de
variables, el coeficiente de determinación y de correlación y la prueba de hipótesis como
pilares fundamentales para verificar e interpretar su significancia estadística en el intervalo
de confianza determinado. La presentación específica de los temas relacionados con el
modelo de regresión lineal, el análisis de regresión, el uso de la ecuación de regresión como
instrumento para estimar y predecir y la consideración del análisis de residuales ha sido
realizada tomando como referente el estudio de problemas reales definidos en los entornos
de la economía, la administración y la salud, ingeniería, entre otros.

Se consideran en este trabajo, los elementos teóricos correspondientes a la regresión

lineal, como técnica estadística empleada para estudiar la relación entre variables
determinísticas o aleatorias que resultan de algún tipo de investigación, en la cual se analiza
el comportamiento de dos variables, una dependiente y otra independiente.
 INTRODUCCIÓN

A menudo, en la práctica, se requiere resolver problemas que incluyen conjuntos de

variables cuando se sabe que existen algunas relaciones inherentes entre ellas, para esto se
cuenta entonces con la Regresión Lineal ya que, es una técnica estadística utilizada para
estudiar la relación entre variables.

Se adapta a una amplia variedad de situaciones. En muchas investigaciones estadísticas

tendientes a la toma de decisiones de tipo profesional o personal uno de los objetivos
principales es establecer relaciones que permitan pronosticar una o más variables en términos
de otras.