Republica Bolivariana de Venezuela

Ministerio del Poder Popular para la Planificacin y Finanzas

Caracas Los Cortijos























Profesora: Integrantes:

Olivares, Erika Carvajal, Yessica
Da Silva, Ernesto
Gmez, Keiver




Los Cortijos 31-10-2011
Ajuste de una Recta de Regresin
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico
que moderniza la relacin entre una variable dependiente Y, las variables
independientes Xi y un trmino aleatorio . Este modelo puede ser expresado
como:

Donde 0 es la interseccin o trmino "constante", las son los
parmetros respectivos a cada variable independiente, y p es el nmero de
parmetros independientes a tener en cuenta en la regresin. La regresin
lineal puede ser contrastada con la regresin no lineal.
La regresin ser lineal cuando la funcin de ajuste seleccionada sea una
funcin lineal, una recta, se habla tambin de recta de regresin.
La primera forma de regresiones lineales documentada fue el mtodo de
los mnimos cuadrados, el cual fue publicado por Legendre en 1805, y en
dnde se inclua una versin del teorema de Gauss-Mrkov.
Etimologa
El trmino regresin se utiliz por primera vez en el estudio de variables
antropomtricas: al comparar la estatura de padres e hijos, result que los
hijos cuyos padres tenan una estatura muy superior al valor medio tendan a
igualarse a ste, mientras que aquellos cuyos padres eran muy bajos tendan
a reducir su diferencia respecto a la estatura media; es decir, "regresaban" al
promedio.
La constatacin emprica de esta propiedad se vio reforzada ms tarde
con la justificacin terica de ese fenmeno.

El trmino lineal se emplea para distinguirlo del resto de tcnicas de
regresin, que emplean modelos basados en cualquier clase de funcin
matemtica. Los modelos lineales son una explicacin simplificada de la
realidad, mucho ms gil y con un soporte terico por parte de la matemtica
y la estadstica mucho ms extenso.
Pero bien, como se ha dicho, podemos usar el trmino lineal para distinguir
modelos basados en cualquier clase de aplicacin.
Supuestos del modelo de regresin lineal
Para poder crear un modelo de regresin lineal, es necesario que se
cumpla con los siguientes supuestos:
La relacin entre las variables es lineal.
Los errores en la medicin de las variables explicativas son
independientes entre s.
Los errores tienen varianza constante. (Homocedasticidad)
Los errores tienen una esperanza matemtica igual a cero (los errores
de una misma magnitud y distinto signo son equiprobables).
El error total es la suma de todos los errores.
Aplicaciones de la regresin lineal
Lneas de tendencia
Una lnea de tendencia representa una tendencia en una serie de datos
obtenidos a travs de un largo perodo. Este tipo de lneas puede decirnos si
un conjunto de datos en particular (como por ejemplo, el PBI, el precio del
petrleo o el valor de las acciones) han aumentado o decrementado en un
determinado perodo.
Se puede dibujar una lnea de tendencia a simple vista fcilmente a partir
de un grupo de puntos, pero su posicin y pendiente se calcula de manera
ms precisa utilizando tcnicas estadsticas como las regresiones lineales.
Las lneas de tendencia son generalmente lneas rectas, aunque algunas
variaciones utilizan polinomios de mayor grado dependiendo de la curvatura
deseada en la lnea.
Medicina
En medicina, las primeras evidencias relacionando la mortalidad con el
fumar tabaco vinieron de estudios que utilizaban la regresin lineal. Los
investigadores incluyen una gran cantidad de variables en su anlisis de
regresin en un esfuerzo por eliminar factores que pudieran producir
correlaciones espurias.
En el caso del tabaquismo, los investigadores incluyeron el estado socio-
econmico para asegurarse que los efectos de mortalidad por tabaquismo no
sean un efecto de su educacin o posicin econmica. No obstante, es
imposible incluir todas las variables posibles en un estudio de regresin.
En el ejemplo del tabaquismo, un hipottico gen podra aumentar la
mortalidad y aumentar la propensin a adquirir enfermedades relacionadas
con el consumo de tabaco. Por esta razn, en la actualidad las pruebas
controladas aleatorias son consideradas mucho ms confiables que los
anlisis de regresin.
Rectas de regresin
La regresin es una tcnica estadstica utilizada para simular la relacin
existente entre dos o ms variables. Por lo tanto se puede emplear para
construir un modelo que permita predecir el comportamiento de una variable
dada.

La regresin es muy utilizada para interpretar situaciones reales, pero
comnmente se hace de mala forma, por lo cual es necesario realizar una
seleccin adecuada de las variables que van a construir las ecuaciones de la
regresin, ya que tomar variables que no tengan relacin en la prctica, nos
arrojar un modelo carente de sentido, es decir ilgico.

La regresin es una tcnica estadstica utilizada para simular la relacin
existente entre dos o ms variables. Por lo tanto se puede emplear para
construir un modelo que permita predecir el comportamiento de una variable
dada.

La recta de regresin de Y sobre X es aquella que minimiza la suma de
cuadrados de las diferencias entre los valores de Y, y los correspondientes Y
(para el mismo valor de X) medidos en dicha recta.

Caractersticas

Tambin se le conoce con el nombre de Recta de los mnimos
cuadrados.
El promedio de la sumatoria de las distancias al cuadrado a esa recta es
menor que el promedio de la sumatoria de las distancias al cuadrado a
cualquier otra recta.
Las relaciones estadsticas son relaciones promedio.
Es un buen resumen.
Es una representacin espacial de r.
Es una representacin de la asociacin que hay entre dos variables
cuantitativas.

Las rectas de regresin son las rectas que mejor se ajustan a la nube de
puntos (o tambin llamado diagrama de dispersin) generada por una
distribucin binomial. Matemticamente, son posibles dos rectas de mximo
ajuste:
La recta de regresin de Y sobre X:

La recta de regresin de X sobre Y:

La correlacin ("r") de las rectas determinar la calidad del ajuste. Si r es
cercano o igual a 1, el ajuste ser bueno y las predicciones realizadas a partir
del modelo obtenido sern muy fiables (el modelo obtenido resulta
verdaderamente representativo); si r es cercano o igual a 0, se tratar de un
ajuste malo en el que las predicciones que se realicen a partir del modelo
obtenido no sern fiables (el modelo obtenido no resulta representativo de la
realidad).
Ambas rectas de regresin se intersecan en un punto llamado centro de
gravedad de la distribucin.
Este tipo de ajuste es de inters en varias situaciones diferentes
1. Cuando tenemos una serie de entradas y salidas, para las cuales no
sabemos si existe una relacin funcional, pero lo sospechamos, como en la
figura anterior. En este caso, la bondad de la recta de regresin (esto es,
cunto se aproxima a los datos) nos informa de si esta relacin existe o no.
2. Cuando tenemos un conjunto de datos, de los cuales sabemos con
seguridad que deberan estar alineados y queremos emplear la recta de
mejor ajuste para determinar alguna cantidad indirecta. Por ejemplo,
supongamos que conocemos una serie de pares de valores de tensin V
frente a intensidad de corriente I para un cable y queremos determinar la
resistencia de acuerdo con la ley de Ohm, V = IR. En lugar de determinar una
resistencia para cada dato, buscaremos la recta de mejor ajuste, cuya
pendiente ser la resistencia buscada.
3. Las rectas de mejor ajuste tambin pueden usarse para hallar el valor
de la salida para entradas que no hayamos medido experimentalmente. Esto
es lo que se conoce como interpolacin si x se encuentra en el mismo
intervalo que los datos experimentales y extrapolacin si est fuera de ste.
4. Cuando tenemos un conjunto de datos para los cuales existe una
relacin funcional complicada, como la ilustrada en la figura, pero para la cual
sabemos que en determinadas regiones, ms o menos grandes, la conducta
es aproximadamente lineal. En este caso, si nos restringimos a una de estas
regiones, podemos aproximar la funcin por la recta de mejor ajuste, lo que
simplifica los clculos. Por supuesto, en este caso la recta de mejor ajuste
depender de la regin en que nos encontremos, por lo que deberemos ser
conscientes en todo momento de los lmites de validez de la aproximacin
que empleemos. En estas aproximaciones tambin podemos emplear la recta
de mejor ajuste para interpolar. Sin embargo, las extrapolaciones son mucho
ms arriesgadas, ya que podemos salirnos de los lmites de validez.
El clculo de la recta de mnimos cuadrados es inseparable del trazado de
la grfica correspondiente.
Antes incluso de determinar la pendiente y la ordenada en el origen de la
recta de mejor ajuste, podemos establecer si los puntos estn ms o menos
alineados. Para ello, antes de hacer ningn clculo, situamos los puntos en
una grfica, sea por ordenador o sobre papel milimetrado.
Una simple inspeccin de su posicin nos indicar si es conveniente
ajustar una recta, si necesitramos una funcin ms complicada o si no se ve
ninguna relacin entre las entradas y las salidas.
Igualmente en esta fase podemos descartar algn punto que se aparte
excesivamente del resto. En este caso, dicho punto no se incluir en los
clculos, aunque si debe indicarse en la grfica. Debe rodearse por un
pequeo crculo, como indicacin de que no ha sido considerado.
Aplicando esto a nuestra lista de datos, eliminamos el punto
, que en lo sucesivo no ser incluido en los clculos, salvo
que indiquemos lo contrario. La nube de puntos resultantes quedara cubiertos
por una elipse (que no hay que trazar). Los puntos estarn tanto ms
alineados cuanto ms se aproxima esta elipse a una recta, esto es, cuanto
ms estrecha es.
Las grficas que se hagan, sean exclusivamente de los datos
experimentales, de rectas de mnimos cuadrados, u otras solicitadas
explcitamente, deben adjuntarse al final de la memoria, estando
convenientemente etiquetadas. Toda grfica deber ir numerada y con un
ttulo explicativo. Si hay varias curvas o rectas trazadas en la misma hoja se
indicar cul es cada una.