ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD DE MECÁNICA
ESCUELA DE INGENIERÍA AUTOMOTRIZ

Nombre: Kamila Mejía

Semestre: Cuarto “2” 03/02/2020

REGRESIÓN LINEAL SIMPLE

1. REGRESIÓN LINEAL
En estadística la regresión lineal o ajuste lineal es un modelo
matemático usado para aproximar la relación de dependencia
entre una variable dependiente Y, las variables independientes Xi y
un término aleatorio ε. Este modelo puede ser expresado como:

donde:
Yₜ : variable dependiente, explicada o regresando.
X₁, X₂,…,Xₚ : variables explicativas, independientes o regresores.
β₁,β₂,β ₃,….,βₚ : parámetros, miden la influencia que las variables
explicativas tienen sobre el regrediendo.
Donde β₀ es la intersección o término "constante", las βᵢ (i > 0) son
los parámetros respectivos a cada variable independiente, y ₚ es el
número de parámetros independientes a tener en cuenta en la
regresión. La regresión lineal puede ser contrastada con la regresión
no lineal.
 2. REGRESIÓN LINEAL SIMPLE
Un modelo de regresión simple es un modelo que permite describir
cómo 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 ).
En algunos casos la naturaleza de las variables permite suponer que
existe relación de dependencia entre ellas, es decir, que los valores
de una variable Y (variable dependiente o endógena) dependen o
están influidos por los valores de otra variable, X (variable
independiente o exógena). En el caso en que pueda suponerse una
relación lineal de dependencia, ésta podrá sintetizarse mediante un
modelo de regresión.
A partir del diagrama de dispersión y de los resultados obtenidos en
el análisis de correlación puede decidirse si está relación es de tipo
lineal. En este caso, los puntos del diagrama de dispersión aparecen
tanto más próximos a una línea recta ajustada a la nube de puntos
cuanto más intenso es el grado de asociación. Por otra parte, según
sea el sentido de la asociación dicha línea tendrá pendiente
positiva si el coeficiente de correlación simple, r, es positivo y
negativa en caso contrario.
El punto de partida del modelo de regresión lineal simple (MRLS) es
que la relación entre ambas variables no es de tipo determinista,
sino estocástico; de forma que para cada valor de X existe una
distribución de probabilidad de Y, siendo la relación tal que los
valores esperados de las distribuciones de probabilidad de Y
asociadas a cada uno de los valores de X están situados sobre una
línea recta, llamada recta de regresión poblacional, que se expresa
como: E (Yᵢ) = α + βXᵢ

2.1 El problema de la regresión lineal simple

El objetivo de un modelo de regresión es tratar de explicar la
relación que existe entre una variable dependiente (variable
respuesta) Y un conjunto de variables independientes (variables
explicativas) X1,..., Xn. En un modelo de regresión lineal simple
tratamos de explicar la relación que existe entre la variable
respuesta Y y una única variable explicativa X.

2.2 Método de mínimos cuadrados

Para hacer una estimación del modelo de regresión lineal simple,
trataremos de buscar una recta de la forma:

de modo que se ajuste a la nube de puntos.

Para esto utilizaremos el método de mínimos cuadrados. Este
método consiste en minimizarla suma de los cuadrados de los
errores:
Es decir, la suma de los cuadrados de las diferencias entre los
valores reales observados (Yᵢ) y los valores estimados (ŷᵢ).

Con este método, las expresiones que se obtiene para a y b son las
siguientes

En donde x e y denotan las medias muestrales de X e Y

(respectivamente), S²ᵪ es la varianza muestral de X y Sᵪᵧ es la
covarianza muestral entre X e Y.
Los parámetros se calculan como:
 3. Aplicaciones de la regresión lineal

3.1 Líneas de tendencia

Una línea de tendencia representa una tendencia en una serie de
datos obtenidos a través de un largo período. Este tipo de líneas
puede decirnos si un conjunto de datos en particular (como por
ejemplo, el PIB, el precio del petróleo o el valor de las acciones) han
aumentado o decrementado en un determinado período.8 Se
puede dibujar una línea de tendencia a simple vista fácilmente a
partir de un grupo de puntos, pero su posición y pendiente se
calcula de manera más precisa utilizando
técnicas estadísticas como las regresiones lineales. Las líneas de
tendencia son generalmente líneas rectas, aunque algunas
variaciones utilizan polinomios de mayor grado dependiendo de la
curvatura deseada en la línea.

3.2 Medicina
En medicina, las primeras evidencias relacionando
la mortalidad con el fumar tabaco9 vinieron de estudios que
utilizaban la regresión lineal. Los investigadores incluyen una gran
cantidad de variables en su análisis de regresión en un esfuerzo por
eliminar factores que pudieran producir correlaciones espurias.
En el caso del tabaquismo, los investigadores incluyeron el estado
socio-económico para asegurarse que los efectos
de mortalidad por tabaquismo no sean un efecto de su educación
o posición económica. No obstante, es imposible incluir todas las
variables posibles en un estudio de regresión.1011 En el ejemplo
del tabaquismo, un hipotético gen podría aumentar la mortalidad y
aumentar la propensión a adquirir enfermedades relacionadas con
el consumo de tabaco. Por esta razón, en la actualidad las pruebas
controladas aleatorias son consideradas mucho más confiables que
los análisis de regresión.
4. Bibliografía

 Departamento de Esatadística e Investigación Operativa (2011 – 2012).

Estadística: Regresión lineal ssimple
Recuperado de: http://www.ub.edu/aplica_infor/spss/cap7-1.htm
 http://www.eio.uva.es/~valentin/ging/materiales_web/Tema0014_resaltado.pdf
 http://www.ub.edu/aplica_infor/spss/cap7-1.htm
 http://www.eio.uva.es/~valentin/ging/materiales_web/Tema0014_resaltado.pdf
 http://www.ub.edu/aplica_infor/spss/cap7-1.htm