Universidad Nacional Autónoma de Honduras en el Valle de Sula.

Departamento de Matemática

Título:
INVESTIGACIÓN REGRESIÓN LINEAL Y REGRESIÓN CUADRATICA

Alumno:

Sussel Baday 20192000129

Catedrático:

Ing. Danny Hernández

Asignatura y código:
Análisis Numérico (MM-412)

San Pedro Sula, Honduras

Septiembre de 2019
 INTRODUCCIÓN

En el siguiente informe se presenta una definición sobre los modelos de regresión específicamente los

modelos de regresión lineal y regresión cuadrática, para lo cual se detallan ejercicios prácticos para

aproximar la relación de dependencia entre una variable dependiente y variables independientes. Se

trata de ajustar una línea a los datos proporcionados, buscando que la diferencia entre la línea y los

datos sea lo menor posible. Cabe resaltar que existen diferentes tipos de regresiones, donde cada una de

ellas cuenta con sus distintas condiciones y características, por lo que es importante saber para qué casos

qué tipo de regresión conviene más aplicar. El uso de estos métodos de regresión es muy útil para

encontrar soluciones a distintas aplicaciones específicamente para un mejor ajuste de curva a datos. Los

2 objetivos del modelo de regresión son: anticipar el valor que tomará la respuesta; y cuantificar la

precisión de esta predicción.

Un modelo de regresión es un modelo que permite describir como influye una variable X sobre otra
variable Y.

X: Variable independiente o explicativa o exógena

Y: Variable dependiente o respuesta o endógena

El objetivo es obtener estimaciones razonables de Y para distintos valores de X a partir de una muestra
de n pares de valores (x1,y1),...,(xn,yn)

REGRESION LINEAL

La regresión lineal o ajuste lineal es un modelo matemático usado para aproximar la relación de
dependencia entre una variable dependiente y variables independientes. Se trata de ajustar una línea a
los datos proporcionados, buscando que la diferencia entre la línea y los datos sea lo menor posible.

La regresión lineal es un procedimiento por el cual, dado conjunto de puntos, se obtiene una línea recta
que mejor se ajusta a ellos. A diferencia de la interpolación, en la regresión lineal no importa cuantos
puntos se tienen, siempre se busca la línea recta. La función que se busca es:

𝑦 = 𝑎𝑥 + 𝑏

Donde los valores a calcular son a y b, el valor a es la pendiente y b es el intercepto.

La recta de regresión tiene como objetivo obtener estimaciones que se ajusten lo mejor posible a los
datos

El análisis de regresión es ampliamente utilizado para la predicción y previsión, donde su uso tiene
superposición sustancial en el campo de aprendizaje automático. El análisis de regresión se utiliza
también para comprender cuales de las variables independientes están relacionadas con la variable
dependiente, y explorar las formas de estas relaciones. En circunstancias limitadas, el análisis de
regresión puede utilizarse para inferir relaciones causales entre las variables independientes y
dependientes.
REGRESION CUADRATICA

Una regresión cuadrática es el proceso de encontrar la ecuación de la parábola que mejor se ajuste para
un conjunto de datos. Como resultado, obtenemos una ecuación de la forma:

𝑦 = 𝑎𝑥 2 + 𝑏𝑥 + 𝑐

Donde
𝑎≢0

La potencia predictiva relativa de un modelo cuadrático está denotada por R2 . El valor de R2 varía entre
0 y 1. Mientras más cercano el valor esté de 1, más preciso será el modelo.

La regresión cuadrática es el proceso por el cuál encontramos los parámetros de una parábola que mejor
se ajusten a una serie de datos que poseemos, ya sean mediciones hechas o de otro tipo. Bueno, pero
por que habríamos de querer ajustar nuestros datos precisamente a una parábola y no a otra función.

Entonces lo que nos interesa es encontrar los valores de a, b y c que hacen que el valor de y calculado
sea lo más cercano posible al medido. Dichos valores se obtienen de resolver el siguiente sistema de
ecuaciones:

Una vez se haya reemplazado el valor de N, y de las sumatorias, sólo habrá que solucionar el sistema
de ecuaciones por su método preferido. Después de que ha solucionado el sistema de ecuaciones
entonces tendrá el valor de los parámetros: a,b,c.
Ejercicios prácticos modelo de regresión lineal
1. Cinco niños de 2, 3, 5, 7 y 8 años de edad pesan, respectivamente, 14, 20, 32, 42 y 44
kilos.
Hallar la ecuación de la recta de regresión de la edad sobre el peso.
¿Cuál sería el peso aproximado de un niño de seis años?

xi yi xi² yi² xi · yi

2 14 4 196 28

3 20 9 400 60

5 32 25 1 024 160

7 42 49 1 764 294

8 44 64 1 936 352

25 152 151 5 320 894

2. Un centro comercial sabe en función de la distancia, en kilómetros, a la que se sitúe de un
núcleo de población, acuden los clientes, en cientos, que figuran en la tabla:

Nº de Clientes (X) Distancia (Y)

8 15

7 19

6 25

4 23

2 34

1 40

Calcular el coeficiente de correlación lineal. 2Si el centro comercial se sitúa a 2 km,

¿cuántos clientes puede esperar? 3Si desea recibir a 5 clientes, ¿a qué distancia del
núcleo de población debe situarse?

Si el centro comercial se sitúa a 2 km, ¿cuántos clientes puede esperar?

Si desea recibir a 5 clientes, ¿a qué distancia del núcleo de población debe situarse?

xi yi xi ·yi xi² yi²

8 15 120 64 225

7 19 133 49 361

6 25 150 36 625

4 23 92 16 529

2 34 68 4 1 156

1 40 40 1 1 600

28 156 603 170 4 496

 Correlación negativa muy fuerte.

3. Las notas obtenidas por cinco alumnos en Matemáticas y Química son:

Matemáticas Química

6 6.5

4 4.5

8 7

5 5

3.5 4

Determinar las rectas de regresión y calcular la nota esperada en Química para un

alumno que tiene 7.5 en Matemáticas.
 xi yi xi² yi² xi ·yi

6 6.5 36 42.25 39

4 4.5 16 20.25 18

8 7 64 49 56

5 5 25 25 25

3.5 4 12. 25 16 14

26.5 27 153.25 152.5 152

4. Se ha solicitado a un grupo de 50 individuos información sobre el número de horas que
dedican diariamente a dormir y ver la televisión. La clasificación de las respuestas ha
permitido elaborar la siente tabla:

Nº de horas dormidas (X) 6 7 8 9 10

Nº de horas de televisión (Y) 4 3 3 2 1

Frecuencias absolutas (fi) 3 16 20 10 1

Calcular el coeficiente de correlación.

Determinar la ecuación de la recta de regresión de Y sobre X.
Si una persona duerme ocho horas y media, ¿cuánto cabe esperar que vea la televisión?

xi yi fi xi · fi xi² · fi yi · fi yi² · fi xi · yi · fi

6 4 3 18 108 12 48 72

7 3 16 112 784 48 144 336

8 3 20 160 1280 60 180 480

9 2 10 90 810 20 40 180

10 1 1 10 100 1 1 10

50 390 3082 141 413 1078

Es una correlación negativa y fuerte.

5. La tabla siguiente nos da las notas del test de aptitud (X) dadas a seis dependientes a
prueba y ventas del primer mes de prueba (Y) en cientos de euros.

X 25 42 33 54 29 36

Y 42 72 50 90 45 48

Hallar el coeficiente de correlación e interpretar el resultado obtenido.

Calcular la recta de regresión de Y sobre X.
Predecir las ventas de un vendedor que obtenga 47 en el test.

xi yi xi² yi² xi ·yi

25 42 625 1 764 1 050

42 72 1 764 5 184 3 024

33 50 1 089 2 500 1 650

54 90 2 916 8 100 4 860

29 45 841 2 025 1 305

36 48 1 296 2 304 1 728

209 347 8 531 21 877 13 617

Ejercicios prácticos modelo de regresión cuadrática

En determinado proceso se realizaron una serie de 24 mediciones, que luego al

graficarse se determinó que es de naturaleza cuadrática. Se desea encontrar los
parámetros del polinomio de segundo grado, que mejor se ajusta a esa serie de datos, y
cuál es el valor de la variable dependiente, cuando el valor de la variable independiente
es de 20. La tabla con los datos medidos es la siguiente:
X Y
0 10,08
1 11,38
2 20,53
3 31,38
3.5 38,4
4 48,39
4.5 60.6
5 66,66
5.5 82,61
6 91.37
6.5 105.44
7 122.53
7.5 137.77
8 152.74
8.5 172.65
9 188.84
9.5 207.77
10 230.94
10.5 251.35
11 274.07
11.5 295.95
Ahora, teniendo en cuenta la matriz que dedujimos anteriormente, sabemos que
tenemos que encontrar los valores de la suma de x, la suma de x2, de x3, x4, de Yi, xYi,
x2*Yi y N=24
Reemplacemos los valores en la matriz...
Considere el conjunto de datos. Determine la regresión cuadrática para el conjunto.
(-3, 7.5), (-2, 3), (-1, 0.5), (0, 1), (1, 3), (2, 6), (3, 14)
Introduzca las coordenadas en x y las coordenadas en y en su calculadora y realice una
regresión cuadrática. La ecuación de la parábola que mejor se aproxima al punto es
 CONCLUSIONES

Se pudo establecer una diferencia entre los modelos de regresión lineal y regresión
cuadrática cumpliéndose el objetivo de anticipar el calor que tomara la respuesta y
cuantificar la precisión de la predicción.