Universidad de Occidente
Licenciatura en Contaduría Pública y Auditoría
Tercer Semestre
Catedrático(a): Lic. Fredy López
Cátedra: Estadística Aplicada a la Admón. I
Tema: Regresión Lineal y Múltiple.
Alumnos:
Ingrid Elizabeth Rodas Larios
Carné: 2002007002
Erick Oswaldo Flores De León
Carné: 2002007018
Kevin Osbeli Izara Rojas
Carné: 2002007015
Denilson Adonay Soc Cifuentes
Carné: 1902007061
Retalhuleu, Retalhuleu 15 de Mayo 2021
Regresión Lineal y Múltiple
¿Qué es la regresión lineal? El análisis de la regresión lineal se utiliza para predecir el
valor de una variable según el valor de otra. Esta forma de análisis estima los coeficientes
de la ecuación lineal, involucrando una o a más variables independientes que mejor
predicen el valor de la variable dependiente.
Se denomina regresión lineal cuando la función es lineal, es decir, requiere la
determinación de dos parámetros: la pendiente y la ordenada en el origen de la recta
de regresión, y=ax+b.
¿Cómo se hace una regresión lineal?
La ecuación de regresión lineal simple indica que el valor medio o valor esperado de y es
una función lineal de x: E (y/x) = β0 + β1 x. Si β1=0 entonces E (y/x) = β0 y en este caso el
valor medio no depende del valor de x, y concluimos que x y y no tienen relación lineal.
¿Cuál es el objetivo de la regresión lineal?
El problema de la regresión lineal simple El objetivo de un modelo de regresión es tratar de
explicar la relación que existe entre una variable dependiente (variable respuesta) Y un
conjunto de variables independientes
El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre una
variable dependiente (variable respuesta) Y un conjunto de variables independientes
(variables explicativas) X1, Xn.
En un modelo de regresión lineal simple tratamos de explicar la relación que existe entre la
variable respuesta Y una única variable explicativa X.
El modelo de regresión lineal simple tiene la siguiente expresión: Y X =, Estadística. FBA I
2011-2012 Regresión lineal simple M. Carmen Carollo Limeres Página 4 En donde es la
ordenada en el origen (el valor que toma Y cuando X vale 0), es la pendiente de la recta (e
indica cómo cambia Y al incrementar X en una unidad) y 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.
El análisis de la regresión lineal se utiliza para predecir el valor de una variable según el
valor de otra. La variable que desea predecir se denomina variable dependiente. La variable
que está utilizando para predecir el valor de la otra variable se denomina variable
independiente.
Esta forma de análisis estima los coeficientes de la ecuación lineal, involucrando una o a
más variables independientes que mejor predicen el valor de la variable dependiente. La
regresión lineal se ajusta a una línea recta o a una superficie que minimiza las discrepancias
entre los valores de salida previstos y reales. Hay calculadoras de regresión lineal simple
que utilizan el método de “mínimos cuadrados” para determinar la línea que mejor se ajusta
para un conjunto de datos pareados. A continuación, se calcula el valor de X (variable
dependiente) con respecto a Y (variable independiente)
Es posible realizar la regresión lineal en Microsoft Excel o utilizar paquetes de software
estadísticos, como IBM SPSS® Statistics, que simplifican enormemente el proceso de
ecuaciones, modelos y la fórmula de regresión lineal. SPSS Statistics puede utilizarse para
aplicar técnicas, como la regresión lineal simple y la regresión lineal múltiple.
El método de regresión lineal puede realizarse en múltiples programas y entornos,
tales como:
Regresión lineal R
Regresión lineal de MATLAB
Regresión lineal de Sklearn
Regresión lineal de Python
Regresión lineal de Excel
Los modelos de regresión lineal son relativamente sencillos y proporcionan una fórmula
matemática fácil de interpretar que puede generar predicciones. La regresión lineal puede
aplicarse a varias áreas de la empresa y de los estudios académicos.
Descubrirá que la regresión lineal se utiliza en todo, desde las ciencias biológicas,
conductuales, ambientales y sociales hasta en los negocios. Los modelos de regresión lineal
se han convertido en una forma comprobada de predecir el futuro de forma científica y
confiable. Como la regresión lineal es un procedimiento estadístico establecido hace mucho
tiempo, las propiedades de sus modelos de regresión lineal se conocen bien y pueden
enseñarse muy rápido.
Los líderes de empresas y organizaciones pueden tomar mejores decisiones con técnicas de
regresión lineal. Las organizaciones recopilan enormes cantidades de datos, y la regresión
lineal les ayuda a utilizar esos datos para gestionar mejor la realidad, en lugar de depender
de la experiencia y la intuición. Es posible tomar grandes cantidades de datos sin procesar y
transformarlos en información accionable.
La regresión lineal también puede utilizarse para proporcionar mejores insights mediante el
descubrimiento de patrones y relaciones que sus colegas ya pueden haber visto y pensado
que habían entendido. Por ejemplo, el análisis de los datos de ventas y compras puede
ayudarle a descubrir patrones de compra específicos para días o momentos determinados.
Los insights que se recopilan de los análisis de regresión pueden ayudar a que los líderes de
empresas anticipen los momentos en los cuales los productos tendrán una demanda alta.
Regresión Múltiple.
Se define como un procedimiento mediante el cual se trata de determinar si existe o no
relación de dependencia entre dos o más variables. Es decir, conociendo los valores de una
variable independiente, se trata de estimar los valores, de una o más variables dependientes.
Clases de coeficiente de Regresión:
El coeficiente de regresión puede ser: Positivo, Negativo y Nulo.
Es positivo cuando las variaciones de la variable independiente X son directamente
proporcionales a las variaciones de la variable dependiente "Y"
Es negativo, cuando las variaciones de la variable independiente "X" son inversamente
proporcionales a las variaciones de las variables dependientes "Y"
Es nulo o cero, cuando entre las variables dependientes "Y" e independientes "X" no
existen relación alguna.
