REGRESION LINEAL

CONCEPTO
 Regresión: es la estimación, evaluación o valoración
 El término regresión  Sir Francis Galton en
de las variables dependientes Y a través de las
1877 (después de realizar un análisis de la herencia
variables independientes Xi.
Genética de padres altos = hijos altos; padres bajos
= hijos bajos).
 La regresión lineal o ajuste lineal es un modelo
matemático = aproximar la relación de dependencia
 LEY UNIVERSAL del COMPORTAMIENTO
entre una variable depemdiente, independiente y un
entre dos o más variables.
término aleatorio.

HISTORIA - La primera forma de regresión lineal fue el método de los

mínimos cuadrados (Gauss 1805 Teorema de Gauss-
Márkov).
- El término regresión se utilizó por primera vez en el
estudio de variables antropométricas.
- El término lineal se emplea para distinguirlo del resto de
técnicas de regresión.
- Los modelos lineales son una explicación simplificada de
la realidad.
 La regresión simple se basa en cómo puede influir una variable ( y) con una variable (x).
REGRESIÓN Se las define de la siguiente manera:
SIMPLE
X: variable independiente o explicativa
Y: variable dependiente o respuesta.

TIPOS DE REGRESIÓN
 Cuando se conoce el valor de x y el valor de y queda
totalmente establecido  Cuando se conoce el valor de x pero el valor de Y no
está establecido.Y así mismo existe una variable
Formula: y – f (x) aleatoria.
Formula: y + f (x) + u
 TIPOS DE REGRESIÓN
 Relación no lineal
 Relación lineal positiva

 Relación lineal negativa

𝑓 𝑥 − 𝛽0 + 𝛽1 𝑥
 Ausencia de relación
 MEDIDAS DE DEPENDENCIA LINEAL

COVARIANZA .- Depende de las unidades de las medidas de las variables.

σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ (𝑦𝑖 − 𝑦)
ത
𝑐𝑜𝑣 𝑥, 𝑦 −
𝑛−1

COEFICIENTE DE CORREACION LINEAL.- Esta no depende de las unidades de las

medidas es el coeficiente de correacion lineal.

𝑐𝑜𝑣 ( 𝑥, 𝑦)
𝑟 𝑥, 𝑦 − 𝑐𝑜𝑟 𝑥, 𝑦 −
𝑠𝑥 𝑠𝑦
 MODELOS DE LAS HIPOTESIS DE LA 𝒚 𝒊 − 𝜷 𝟎 + 𝜷 𝟏 𝒙 𝒊 + 𝒖𝒊
REGRESION SIMPLE

Yi = Es el valor de la variable respuesta

Xi = Es el valor de la variable explicativa

Ui = Es el error de la estimación

 Lo que se debe lograr es obtener estimaciones

para así poder calcular una recta.

𝑦ො − 𝛽መ0 + 𝛽መ1 𝑥

 Residuo es la diferencia de los valores de las

variables respuestas y estimaciones

𝑒𝑖 − 𝑦𝑖 − 𝑦𝑖
MODELOS DE LAS HIPOTESIS DE LA REGRESION SIMPLE

 LINEALIDAD
𝑓 𝑥 − 𝛽0 + 𝛽1 𝑥

 HOMOGENEIDAD
𝐸 𝑢𝑖 − 0

 HOMECEDESTASIDAD

𝑉𝑎𝑟 𝑢𝑖 − 𝜎 2

 INDEPENDENCIA

𝐸 𝑢𝑖 𝑢𝑗 − 0

 NORMALIDAD
𝑢𝑖 ~ 𝑁 (0, 𝜎)
 Se utilizará más de una variable explicativa, esto nos das la
REGRESION LINEAL ventaja de utilizar más información en la construcción del
MULTIPLE modelo y, consecuentemente, realizar estimaciones más
precisas.

MODELO DE REGRESION LINEAL MULTIPLE

Es parecido al modelo de regresión lineal simple, con la diferencia de que aparecen más variables
explicativas.

La regresión múltiple calcula coeficientes para cada variable independiente.

El coeficiente estima el efecto de una variable determinada mientras mantiene constantes los efectos de las
otras variables.
𝒚 = 𝒃𝟎 + 𝒃𝟏 . 𝒙𝟏 + 𝒃𝟐 . 𝒙𝟐 + 𝒃𝟑 . 𝒙𝟑 + … … … + 𝒃𝒍 . 𝒙𝒍 + 𝒖

REQUISITOS Y LIMITACIONES:
 Linealidad
 Normalidad y equidistribución de los residuos.
 Número de variables independientes
 Colinealidad
 Observaciones anómalas
 ESTIMACION LINEAL
y = mx + b

Calcula las estadísticas de una línea utilizando el método

de "mínimos de cuadrados" para calcular la línea recta que
mejor se ajuste a los datos y devuelve una matriz que y = m1x1 + m2x2 + ... + b
describe la línea. Debido a que esta función devuelve una (si hay varios rangos de valores X)
matriz de valores, debe ser introducida como una fórmula
de matrices.

NEGATIVO NULO
POSITIVO
No existe relación alguna
Directamente
proporcionales

Inversamente
proporcionales