REGRESION LINEAL

Permite determinar el grado de dependencia de las series de valores X e Y, prediciendo el

valor y estimado que se obtendra para un valor x que no est en la distribucin.
Tipos de modelos de regresin lineal
Existen diferentes tipos de regresin lineal que se clasifican de acuerdo a sus parmetros:
Regresin lineal simple
La regresin lineal simple se basa en estudiar los cambios en una variable, no aleatoria,
afectan a una variable aleatoria, en el caso de existir una relacin funcional entre ambas
variables que puede ser establecida por una expresin lineal, es decir, su representacin
grfica es una lnea recta. Es decir, se est en presencia de una regresin lineal simple
cuando una variable independiente ejerce influencia sobre otra variable dependiente.
Ejemplo: Y = f(x)
REGRESIN LINEAL MLTIPLE
La regresin lineal permite trabajar con una variable a nivel de intervalo o razn, as
tambin se puede comprender la relacin de dos o ms variables y permitir relacionar
mediante ecuaciones, una variable en relacin a otras variables llamndose Regresin
mltiple. O sea, la regresin lineal mltiple es cuando dos o ms variables independientes
influyen sobre una variable dependiente.
Ejemplo: Y = f(x, w, z).
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 decir 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. Las lneas de tendencia son generalmente
lneas rectas, aunque algunas variaciones utilizan polinomios de mayor grado dependiendo
de la curvatura deseada en la lnea.

Representamos en un grfico los pares de valores de una distribucin bidimensional: la

variable "x" en el eje horizontal o eje de abcisa, y la variable "y" en el eje vertical, o eje de
ordenada. Vemos que la nube de puntos sigue una tendencia lineal:

El coeficiente de correlacin lineal nos permite determinar si, efectivamente, existe relacin
entre las dos variables. Una vez que se concluye que s existe relacin, la regresin nos
permite definir la recta que mejor se ajusta a esta nube de puntos.

Una recta viene definida por la siguiente frmula:

y = a + bx
Donde "y" sera la variable dependiente, es decir, aquella que viene definida a partir de la
otra variable "x" (variable independiente). Para definir la recta hay que determinar los
valores de los parmetros "a" y "b":
El parmetro "a" es el valor que toma la variable dependiente "y", cuando la variable
independiente "x" vale 0, y es el punto donde la recta cruza el eje vertical.

El parmetro "b" determina la pendiente de la recta, su grado de inclinacin.

La regresin lineal nos permite calcular el valor de estos dos parmetros, definiendo la
recta que mejor se ajusta a esta nube de puntos.
El parmetro "b" viene determinado por la siguiente frmula:

Es la covarianza de las dos variables, dividida por la varianza de la variable "x".

El parmetro "a" viene determinado por:
a = ym - (b * xm)

Es la media de la variable "y", menos la media de la variable "x" multiplicada por el

parmetro "b" que hemos calculado.