Laboratorio 2: Regresiones lineales

Brian Steven Devia Gaitan -20182020119, Juan Esteban Olaya Garcia -20781020135, Mateo Ardila Bulla-
20182020054, Vivian Peña Hurtado-20182020104
Ingeniería de Sistemas, Universidad Distrital Francisco José de Caldas
Bogotá D.C., Colombia

Resumen-- Este documento tiene como propósito explicar y

manejar la forma de extraer datos dentro de un experimento con
dos variables a las cuales se les aplicará un modelo matemático
para establecer la dependencia entre una variable dependiente Y,
las variables independientes X.

INTRODUCCIÓN
Este documento que sirve como pre- informe tiene como
funcionalidad explicar la práctica a realizar el lunes basado en una
perturbación aleatoria y poder comprender el comportamiento de las
dos variables que se tendrán en cuenta para realizar el experimento

I. MARCO TEÓRICO
A. Regresión lineal
Es una técnica estadística utilizada para estudiar la relación entre
variables o para calibrar medidas. Tanto en el caso de dos variables
(regresión simple) como el de más de dos variables (regresión
múltiple), el análisis de regresión lineal puede utilizarse para explorar
y cuantificar la relación entre una variable llamada dependiente o de
criterio Y y una o más variables llamadas independientes o predictoras
Grafica 1.0
Vamos a determinar la ecuación de la recta que mejor ajusta a los
datos representados en la figura. Se denomina error ei a la diferencia
yi-y, entre el valor observado yi, y el valor ajustado y= axi+b, tal
como se ve en la figura inferior. El criterio de ajuste se toma como
aquél en el que la desviación cuadrática media sea mínima, es decir,
debe de ser mínima la suma

Así como para desarrollar una ecuación lineal con fines predictivos.
Además, el análisis de regresión lineal lleva asociados una serie de
procedimientos de diagnóstico (análisis de los residuos, puntos de
influencia) que informan sobre la estabilidad e idoneidad del análisis
y que proporcionan pistas sobre cómo perfeccionarlo.

B. Tipos de regresiones

1) Regresión lineal simple: Sólo se maneja una variable

independiente, por lo que sólo cuenta con dos parámetros. Son
de la forma:

Donde Ei es el error asociado a la medición del valor Xi y siguen los

Grafica 1.1

El extremos de una función: máximo o mínimo se obtiene cuando las

La regresión nos permite además, determinar el grado de derivadas de s respecto de a y de b sean nulas. Lo que da lugar a un
dependencia de las series de valores X e Y, prediciendo el valor y sistema de dos ecuaciones con dos incógnitas del que se despeja a y
estimado que se obtendría para un valor x que no esté en la b.
distribución.
 una distribución binomial. Matemáticamente, son posibles dos rectas
de máximo ajuste:

El coeficiente de correlación es otra técnica de estudiar la

distribución bidimensional, que nos indica la intensidad o grado de
dependencia entre las variables X e Y. El coeficiente de correlación r
es un número que se obtiene mediante la fórmula.

La correlación ("r") de las rectas determinará la calidad del ajuste. Si

El numerador es el producto de las desviaciones de los valores X e Y
respecto de sus valores medios. En el denominador tenemos las
desviaciones cuadráticas medias de X y de Y.
El coeficiente de correlación puede valer cualquier número
comprendido entre -1 y +1.
r es cercano o igual a 1, el ajuste será bueno y las predicciones
realizadas a partir del modelo obtenido serán muy fiables (el modelo
obtenido resulta verdaderamente representativo); si r es cercano o
igual a 0, se tratará de un ajuste malo en el que las predicciones que
se realicen a partir del modelo obtenido no serán fiables (el modelo
obtenido no resulta representativo de la realidad). Ambas rectas de
regresión se intersecan en un punto llamado centro de gravedad de la
distribución.

· Cuando r=1, la correlación lineal es perfecta, directa.

http://halweb.uc3m.es/esp/Personal/personas/jmmari
· Cuando r=-1, la correlación lineal es perfecta, inversa n/esp/GuiaSPSS/18reglin.pdf

http://www.sc.ehu.es/sbweb/fisica/cursoJava/numeric
· Cuando r=0, no existe correlación alguna, independencia total de o/regresion/regresion.htm
los valores X e Y

2) Regresión lineal múltiple

Constantemente en la práctica de la investigación estadística, se

encuentran variables que de alguna manera están relacionadas entre
sí, por lo que es posible que una de las variables puedan relacionarse
matemáticamente en función de otra u otras variables.

Maneja varias variables independientes. Cuenta con varios

parámetros. Se expresan de la forma:

3) Rectas de regresión

Las rectas de regresión son las rectas que mejor se ajustan a la nube
de puntos (o también llamado diagrama de dispersión) generada por