INGENIERÍA AMBIENTAL
MISIÓN
FORMAR PROFESIONISTAS COMPETITIVOS, CON SENTIDO ÉTICO Y SOCIAL, CON
VALORES Y CONOCIMIENTOS TÉCNICO-CIENTÍFICOS, QUE PROMUEVAN EL USO
SUSTENTABLE DE LOS RECURSOS NATURALES, IMPLEMENTEN SISTEMAS DE
GESTIÓN AMBIENTAL, CON UNA CULTURA DE SERVICIO Y ATENCIÓN AL
ESTUDIANTE PARA SU FORMACIÓN INTEGRAL CON PERSPECTIVA DE GÉNERO.
VISIÓN
SER UN PROGRAMA EDUCATIVO CON CUERPOS ACADÉMICOS CONSOLIDADOS
Y PROCESOS CERTIFICADOS, CON ESTÁNDARES DE CALIDAD, INNOVADOR,
COMPETITIVO, CON RECONOCIMIENTO NACIONAL E INTERNACIONAL, QUE
CONTRIBUYA AL DESARROLLO SUSTENTABLE.
ARECHA ALPUCHE LUIS
CALAN CAN ROSA MARIA
HERNANDEZ GOMEZ FERNANDO
KU CHI AMAIRANI
DISEÑO DE EXPERIMENTOS AMBIENTALES
REGRESIÓN LINEAL SIMPLE
CASO DE ESTUDIO
PROF.- MADERA PECH YAJAIRA NATALY
ME-3
05/09/19
ÍNDICE
1. Resumen
2. Planteamiento del problema y justificación
3. Introducción
4. Antecedentes
5. Marco teórico
6. Metodología
7. Interpretación, análisis y discusión de los resultados
8. Conclusión
9. Bibliografía
ÍNDICE DE ILUSTRACIONES
1. RESUMEN
2. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN
3. INTRODUCCIÓN
Regresión lineal. Permite determinar el grado de dependencia de las series de
valores X e Y, prediciendo el valor y estimado que se obtendría para un valor x
que no esté en la distribución.
Tipos de modelos de regresión lineal
Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus
parámetros:
Regresión lineal simple
La regresión lineal simple se basa en estudiar los cambios en una variable, no
aleatoria, afectan a una variable aleatoria, en el caso de existir una relación
funcional entre ambas variables que puede ser establecida por una expresión
lineal, es decir, su representación gráfica es una línea recta. Es decir, se está en
presencia de una regresión lineal simple cuando una variable independiente ejerce
influencia sobre otra variable dependiente.
Ejemplo: Y = f(x)
Regresión lineal múltiple
La regresión lineal permite trabajar con una variable a nivel de intervalo o razón,
así también se puede comprender la relación de dos o más variables y permitirá
relacionar mediante ecuaciones, una variable en relación a otras variables
llamándose Regresión múltiple. O sea, la regresión lineal múltiple es cuando dos o
más variables independientes influyen sobre una variable dependiente.
Ejemplo: Y = f(x, w, z).
Aplicaciones de la regresión lineal
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 decir si un conjunto de
datos en particular (como por ejemplo, el PBI, el precio del petróleo o el valor de
las acciones) han aumentado o decrementado en un determinado período. Las
líneas de tendencia son generalmente líneas rectas, aunque algunas variaciones
utilizan polinomios de mayor grado dependiendo de la curvatura deseada en la
línea.
Medicina
En Medicina, las primeras evidencias relacionando la mortalidad con el fumar
tabaco 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.
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.
Industria
En la industria tiene aplicación para investigar la relación entre el rendimiento de la
producción y uno o más factores del (o de los) que depende, como la
Temperatura, la humedad ambiental, la presión, la cantidad de insumos, etc; con
base en este análisis se puede pronosticar el comportamiento de una variable que
se desea estimar.
Fuente
● Artículo Regresión lineal. Disponible en la Web "[Link]". Consultado: 20
de abril del 2011.
● Artículo Aulafácil. Disponible en la Web "[Link]". Consultado: 20 de
abril del 2011.
4. ANTECEDENTES
La primera forma de regresión lineal documentada fue el método de los mínimos
cuadrados que fue publicada por Legendre en 1805, Gauss publicó un trabajo en
donde desarrollaba de manera más profunda el método de los mínimos
cuadrados, y en dónde se incluía una versión del teorema de Gauss-Márkov.
El término regresión se utilizó por primera vez en el estudio de variables
antropométricas: al comparar la estatura de padres e hijos, donde resultó que los
hijos cuyos padres tenían una estatura muy superior al valor medio, tendían a
igualarse a éste, mientras que aquellos cuyos padres eran muy bajos tendían a
reducir su diferencia respecto a la estatura media; es decir, "regresaban" al
promedio. La constatación empírica de esta propiedad se vio reforzada más tarde
con la justificación teórica de ese fenómeno.
El término lineal se emplea para distinguirlo del resto de técnicas de regresión,
que emplean modelos basados en cualquier clase de función matemática. Los
modelos lineales son una explicación simplificada de la realidad, mucho más
ágiles y con un soporte teórico mucho más extenso por parte de la matemática y la
estadística.
Pero bien, como se ha dicho, se puede usar el término lineal para distinguir
modelos basados en cualquier clase de aplicación.
● Canavos, George C.; Probabilidad y Estadística. Aplicaciones y Métodos. McGraw-
Hill. México. ISBN 9684518560.
● Devore, Jay L.; Probabilidad y Estadística para Ingeniería y Ciencias. International
Thomson Editores. México. ISBN 9706864571.
5. MARCO TEÓRICO
La regresión es una técnica estadística, una de ellas la regresión lineal simple y la
regresión multifactorial, analiza la relación de dos o más variables continuas,
cuando analiza las dos variables a esta se el conoce como variable bivariantes
que pueden corresponder a variables cualitativas, la regresión nos permite el
cambio en una de las variables llamadas respuesta y que corresponde a otra
conocida como variable explicativa, la regresión es una técnica utilizada para
inferir datos a partir de otros y hallar una respuesta de lo que puede suceder.
El modelo de regresión lineal es el cual representa un marco metodológico, que
permite analizar entre dos variables alguna posibilidad.
por lo tanto para interpretar situaciones reales, pero a veces se manipula de mala
manera por lo que es necesario realizar una selección adecuada de las variables
que van a construir las fórmulas matemática, que represente a la regresión, por
eso hay que tomar en cuenta variables que tiene relación, de lo contraria se
estaría matematizando un galimatías.
Se pueden encontrar varios tipos de regresión, por ejemplo:
1. Regresión lineal simple
2. Regresión múltiple ( varias variables)
1. Simple b) Múltiple, etc.
3. Regresión logística
La regresión lineal técnica que usa variables aleatorias, continuas se diferencia del
otro método analítica que es la correlación, por que esta última no distingue entre
las variables respuesta y la variable explicativa por que las trata en forma
simétrica.
La matematización nos da ecuaciones para manipular los datos, como por ejemplo
medir la circunferencia de los niños y niñas y que parece incrementarse entre las
edades de 2 meses y 18 años, aquí podemos inferir o predecir que las
circunferencias del cráneo cambiará con la edad, en este ejercicio la
circunferencia de la cabeza es la respuesta y la edad la variable explicativa.
En la regresión tenemos ecuaciones que nos representan las diferentes clases de
regresión:
Regresión Lineal : y = A + Bx
Regresiòn Logarìmica : y = A + BLn(x)
Regresión Exponencial : y = Ac(bx)
Regresión Cuadrática : y = A + Bx +Cx2
Para obtener un modelo de regresión es suficiente establecer la regresión para
eso se hace uso del coeficiente de correlación: R.
R = Coeficiente de correlación, este método mide el grado de relación existente
entre dos variables, el valor de R varía de -1 a 1, pero en la práctica se traba con
un valor absoluto de R.
El valor del coeficiente de correlación se interpreta de modo que a medida que R
se aproxima a 1, es más grande la relación entre los datos, por lo tanto R
(coeficiente de correlación) mide la aproximación entre las variables.
La correlación, método por el cual se relacionan dos variables se puede graficar
con un diagrama de dispersión de puntos, a la cual muchos autores le llaman
nubes de puntos, encuadrado dentro de un gráfico de coordenadas X Y en la cual
se puede trazar una recta y cuyos puntos más cercanos de una recta hablaran de
una correlación más fuerte, ha esta recta se le denomina recta de regresión, que
puede ser positiva o negativa, la primera contundencia a aumentar y la segunda
en descenso o decreciente.
También se puede describir un diagrama de dispersión en coordenadas
cartesianas valores como en la distribución diváriate, en donde la nube de puntos
representa los pares de valores.
GRAFICOS DE RECTA DE REGRESIÒN
Por último se pueden graficar las líneas de
tendencia, herramienta muy útil para el
mercadeo por que es utilizada para evaluar la
resistencia que proyectan los precios. Cuando
una línea de tendencia central se rompe ya sea
con tendencia al alza o en la baja es porque
ocurre un cambio en los precios, por lo tanto las
líneas de tendencia pueden ser alcista cuando se
unen los puntos sucesivos y bajista cuando se
unen los puntos máximos.
También existen gráficos que representan la dispersión de datos dentro de las
coordenadas cartesianas, ósea las nubes de puntos y que pueden darse según la
relaciòn que representa, que puede ser lineal, exponencial y sin relación, esta
última cuando los puntos están dispersos en todo el cuadro sin agruparse lo cual
sugiere que no hay relación.
Los gráficos siguientes nos muestran esta relación:
Matemáticamente las ecuaciones serían:
Ajuste Lineal : Y = Bx + A
Ajuste Logarìtmico : Y =BLnX + A
Ajuste Exponencial : Y = AC BX
En el modelo de regresión lineal simple se utiliza la técnica de estimación de los
mínimos cuadrados, este modelo tiene solo una variable de predicción y se
supone una ecuación de regresión lineal.
6. METODOLOGÍA
7. INTERPRETACIÓN, ANÁLISIS Y DISCUSIÓN DE LOS
RESULTADOS
8. CONCLUSIÓN
9. BIBLIOGRAFÍA h
