1
TABLA DE CONTENIDO
1. INTRODUCCION
2. DESARROLLO DEL TEMA
2.1. MODELO DE REGRESION LINEAL SIMPLE
2.2. MODELO DE REGRESION LINEAL MULTIPLE
3. CONCLUSION
4. BIBLIOGRAFIA
2
1. INTRODUCCION
Antiguamente relacionar conceptos era algo fácil e intuitivo (una flor + una mariposa = una
fruta fresca; una nube + algo de viento = agua también fresca) pero entonces unos señores
(Bernoulli, Gauss, Laplace…) pensaron que aquello podía complicarse algo más y, para el
regocijo de los profesores de matemáticas, inventaron la probabilidad y la estadística. Y
con ello también trajeron los modelos de regresión lineal, sabemos que en las industrias o
en la vida cotidiana de cada persona es necesario siempre resolver algunos problemas que
implican conjuntos de variable, esto sabiendo si hay alguna relación entre ellas. Por esta
razón es importante conocer acerca de estos modelos ya que son de mucha ayuda a la hora
resolver estos problemas y también para conocer dicha relación antes mencionada. Para
esto siempre se emplearán estadísticos descriptivos y técnicas de estimación para contestar
esas preguntas, y técnicas de contraste de hipótesis específicos para resolver dichos
problemas. La mayoría de estos métodos están encuadrados en las técnicas regresión y
correlación. En forma más especifica el análisis de correlación y regresión comprende el
análisis de los datos muéstrales para saber qué es y cómo se relacionan entre si dos o más
variables en una población. El análisis de correlación produce un número que resume el
grado de la fuerza de relación entre dos variables; y el análisis de regresión da lugar a una
ecuación matemática que describe dicha relación. Esto y muchas cosas más lo sabremos
más a fondo continuación en donde conoceremos más a fondos los modelos de regresión
lineal los cuales son Simple y múltiple (RLS y RLM).
3
2. 2.1. MODELO DE REGRESION LINEAL SIMPLE
El objetivo de un modelo de regresión lineal es buscar cómo explicar la relación que existe
entre una variable dependiente ósea variables de respuesta (Y) y el conjunto de variables
independientes o también conocidas como variables explicativas (X) que son
X 1 , X 2… . Xn .
El modelo de regresión lineal simple (RLS) tiende la siguiente función:
Y= α + Βx + ε
En donde α es la ordenada en el origen (el valor que toma Y cuando X vale 0), β es la
pendiente de la recta (e indica cómo cambia Y al incrementar X en una unidad) y ε una
variable que incluye un conjunto grande de factores, cada uno de los cuales influye en la
respuesta sólo en pequeña magnitud, a la que llamaremos error. X e Y son variables
aleatorias, por lo que no se puede establecer una relación lineal exacta entre ellas.
A continuación podemos observar los diferentes tipos de relación que podemos
encontrar en este modelo, resumidos en el siguiente mapa conceptual:
4
Tipos de Relación
5
Determinista: No Lineal: No Lineal:
Conocido el Determinista: Ausencia de
valor de X, el Cuando la función Cuando la función relación:
valor de Y Conocido el valor f(x) es lineal, f (x) no es lineal.
de X, el valor de Por ejemplo, Cuando f(x) = 0
queda f(x) = βᴏ + βıx
perfectamente Y no queda
perfectamente f(x) = log(x),
establecido. Son
del tipo: establecido. Son f(x) = x² + 3
del tipo: Supuestos
y = f(x) …. Etc.
y = f(x) + u
del Modelo de
Regresión Lineal Simple (RLS)
Para interpretar este modelo nos podemos basar en los siguientes supuestos o la siguiente
hipótesis:
Linealidad: Los Homogeneidad: Independencia: Una Normalidad:
datos deben ser Es cuando el observación no debe dar
Se asume que los
razonablemente valor promedio información sobre las demás,
datos son normales
rectos, si esto no del error es cero En general, las series
a priori.
se da la recta de (0). temporales no cumplen la
regresión no hipótesis de independencia. Los errores siguen
E[uᵢ] = 0
representara la una distribución
E[uᵢuⱼ] = 0
estructura de los normal:
datos.
Homocedasticidad: La dispersión de los datos debe ser
La relación constante para que los datos seanuᵢHomocedasticos, si esto
≈ N (0, σ)
existente entre X e no se cumple entonces los datos serán Heterocedasticos.
Y es lineal: Estimadores de mínimos cuadrados
La varianza de los errores es constante:
f(x) = βᴏ + βıx Este método consiste en disminuir la suma de los
Var(uᵢ)entre
cuadrados de las distancias verticales = σ² los datos y las
estimaciones, es decir minimizar la suma de los errores al
cuadrado:
6
El resultado que se obtiene es el siguiente:
Estimación de la Varianza:
Para estimar la varianza de los errores se puede utilizar la siguiente formula:
7
Que es el estimador máximo verosímil de σ², pero es un estimador sesgado.
Un estimador insesgado es la varianza residual que podemos observar en la siguiente formula:
Inferencia para los parámetros del modelo
Contrastes de hipótesis para los parámetros
• Contraste
Estadístico del contraste:
• Contraste
8
Sr = Error típico en la estimación de la regresión = media
cuadrática de los resultados.
Estadístico del contraste:
Estimaciones por intervalos para los parámetros
2.2. MODELO DE REGRESION LINEAL MULTIPLE
9
Estudio conjunto de varias variables (más de dos), varias variables independientes Xi se
utilizan para explicar otra dependiente.
n observaciones
Objetivo: aproximar y a partir de Xı,….. , Xk
Xı,….,Xk: Variables independientes o explicativas
y: variable dependiente o respuesta
• Los supuestos del Modelo de Regresión Lineal Múltiple (RLM) son iguales a los del
modelo de regresión lineal aunque podemos observar que existe otra hipótesis la cual es
la siguiente:
- El número de datos n es mayor que k+1
- Ninguna variable explicativa es combinación lineal de las demás (las xi son
linealmente independientes).
La forma matricial de este modelo la podemos ver a continuación:
Inferencias para los parámetros
10
Contrastes para β:
Para saber si la variable xᵢ afecta a la respuesta debemos plantear el siguiente contraste:
Entonces re rechaza la hipótesis nula si:
Intervalo de Confianza para β:
Podemos construir un intervalo de confianza para βᵢ con nivel de confianza 1-α como:
Coeficiente de determinación:
El coeficiente de determinación se define de la siguiente manera:
Propiedades de los estimadores:
- Normalidad: Sabemos qué Y = Xβ + U, de donde
11
- Esperanza:
- Varianza:
- Para estimar la varianza utilizamos la varianza residual :
- Es insesgado como estimador y además:
3. CONCLUSION:
12
El análisis de regresión y correlación lineal constituyen métodos que se emplean para
conocer las relaciones y significación entre series de datos. Lo anterior, es de suma
importancia para la industria ya que es aquí en donde se presentan variables de respuesta e
independientes las cuales interactúan para originar las características de un proceso en
particular y por ende; analizar, predecir valores de la variable dependiente y examinar el
grado de fuerza con que se relacionan dichas variables.
La regresión lineal simple y la regresión múltiple, analiza la relación de dos o más variables
continuas, cuando analiza dos variables a esta se él conoce como variable bivariantes que
pueden corresponder a variables cualitativas. La finalidad de una ecuación de regresión es la
de estimar los valores de una variable con base en los valores conocidos de la otra. Del
mismo modo, una ecuación de regresión explica los valores de una variable en términos de
otra. Es decir, se puede intuir una relación de causa y efecto entre dos o más variables. El
análisis de regresión únicamente indica qué relación matemática podría haber, de existir una.
Estas técnicas estadísticas constituyen una herramienta útil para el análisis de las variables de
un proceso ya que a través de la aplicación de éstas, es posible conocer el modelo que siguen
y la fuerza con que se encuentran relacionadas. Asimismo, es posible explicar la relación que
guardan dos o más causas de un posible defecto.
13
4. BIBLIOGRAFIA
http://halweb.uc3m.es/esp/Personal/personas/aarribas/esp/docs/estII/tema4esp(2).pdf
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140116_Regr_%20simple_2011_12.pdf
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140128_RegresionMultiple.pdf
https://www.ugr.es/~montero/matematicas/regresion_lineal.pdf
http://humanidades.cchs.csic.es/cchs/web_UAE/tutoriales/PDF/Regresion_lineal_multiple_3.pdf
