.
UNIVERSIDAD TECNOLÓGICA
EMILIANO ZAPATA DEL ESTADO DE
MORELOS
DIVISIÓN ACADÉMICA DE MECÁNICA
INDUSTRIAL
MECATRÓNICA: ÁREA
AUTOMATIZACIÓN
Informe estadístico
AGOSTO 2024
Equipo:
Bermúdez Maxines René
Casares Ramírez Luis Daniel
Marín Esquivel Ricardo
Medel Sánchez Carlos
EMILIANO ZAPATA, MOR, AGOSTO DE 2024
I. ÍNDICE
I. ÍNDICE 2
II. Introducción 3
III. Objetivos 3 IV. Metodología 3
V. Resultados 3
VI. Conclusión y/o recomendación 3
2
II.Introducción
En este informe presentamos una investigación acerca de la probabilidad de
correlación lineal sobre del rendimiento académico en el ámbito de las matemáticas
(Cualquier materia que conlleve dicha materia), basada en los análisis realizados y
compilados por una encuesta previamente realizada.
El propósito es analizar las distintas formas que tienen las personas para poder
estudiar y cuánto tiempo le dedican a la disciplina, así mismo que tanto es el
rendimiento en clases y su promedio.
3
III.Objetivos
Comprender el Concepto de Regresión Lineal:
Se utiliza para modelar la relación entre dos variables cuantitativas e identificar la
ecuación de una línea recta (y=mx+b) y cómo se aplica en el contexto de la regresión
lineal.
Interpretar los Coeficientes de la Regresión Lineal:
Analizar el significado del coeficiente de pendiente (m) y del término independiente
(b) en el contexto del modelo.
Explicar cómo la pendiente indica el cambio en la variable dependiente por cada
unidad de cambio en la variable independiente.
Realizar Predicciones con el Modelo de Regresión:
Utilizar la ecuación de la regresión lineal para realizar predicciones sobre la variable
dependiente, dadas nuevas observaciones de la variable independiente.
Entender las limitaciones de la extrapolación fuera del rango de los datos
observados.
Diagnosticar Suposiciones y Limitaciones:
Identificar y diagnosticar las suposiciones clave del modelo de regresión lineal, como
la linealidad, independencia, homocedasticidad y normalidad de los residuos.
Evaluar las limitaciones del modelo y considerar alternativas en caso de que las
suposiciones no se cumplan.
IV.Metodología
V.Resultados
VI. Conclusión
La regresión lineal es una herramienta estadística fundamental que permite modelar
la relación entre una variable dependiente y una o más variables independientes a
través de una ecuación lineal. Al aplicar la regresión lineal, podemos no solo describir
y entender cómo se relacionan estas variables, sino también hacer predicciones
basadas en datos observados.
Uno de los principales beneficios de la regresión lineal es su simplicidad y facilidad
de interpretación. Los coeficientes obtenidos a partir del modelo ofrecen información
el valor de 𝑅2 proporciona una medida de qué tan bien el modelo ajusta los datos,
directa sobre la magnitud y la dirección de las relaciones entre las variables. Además,
ayudando a evaluar la eficacia del mismo.
Sin embargo, es crucial tener en cuenta las suposiciones subyacentes del modelo de
regresión lineal, como la linealidad, homocedasticidad y normalidad de los residuos.
Si estas suposiciones no se cumplen, el modelo puede no ser adecuado, lo que
podría llevar a conclusiones incorrectas. Por lo tanto, siempre se deben realizar
diagnósticos y ajustes si es necesario.
En conclusión, la regresión lineal es una técnica poderosa y ampliamente utilizada en
estadística y ciencia de datos. Aunque es simple en su esencia, ofrece un punto de
partida sólido para el análisis de relaciones entre variables y la generación de
predicciones. Su efectividad, sin embargo, depende de la validación de sus
supuestos y del contexto en el que se aplica.
