ESTADISTICA DESCRIPTIVA
ALUMNO: Vasquez Luis Oswaldo Federico
PROFESOR: Hernández Coria Luis Eduardo
ACT 9: REPORTE
ING. Mecánica Industrial
CAMPUS COYOACÁN
Fecha de entrega:01/07/2024
INTRODUCCIÓN
La regresión lineal es una poderosa herramienta estadística utilizada para
modelar y analizar la relación entre variables. En su forma más básica, busca
entender cómo una variable dependiente se relaciona linealmente con una o más
variables independientes. Este método no solo facilita la comprensión de los
patrones de datos complejos, sino que también permite hacer predicciones sobre
la variable de interés basándose en los valores conocidos o medidos de los
predictores. A través de diversos tipos de regresión lineal, como la simple y la
múltiple, se pueden abordar una amplia gama de problemas, desde la predicción
en ciencias naturales hasta el análisis de mercado en negocios.
¿Qué es la regresión lineal?
La regresión lineal es una técnica estadística utilizada para modelar la relación
entre una variable dependiente (también conocida como variable respuesta) y
una o más variables independientes (predictoras). Se utiliza principalmente para
entender y predecir cómo cambios en las variables predictoras están asociados
con cambios en la variable dependiente.
la regresión lineal busca ajustar una línea recta a través de un conjunto de datos
que minimiza la distancia entre los puntos de datos observados y la línea de
ajuste. Esto permite no solo describir la relación entre las variables, sino también
hacer inferencias y predicciones sobre valores futuros de la variable dependiente
cuando se conoce el valor de las variables predictoras.
Y=β0+∑ βiXi+ϵi
donde β representa las estimaciones de parámetros lineales que se deben
calcular y (ϵ) representa los términos de error.
Tipos de regresión lineal
Regresión Lineal Simple: Utiliza una única variable predictora para predecir
una variable dependiente. La ecuación básica es:
Y=β0+β1X+ϵY Donde Y es la variable dependiente, X es la variable predictora, β0
y β1 son los coeficientes de regresión que se estiman a partir de los datos, y ϵ es
el error aleatorio.
Regresión Lineal Múltiple: Utiliza múltiples variables predictoras para predecir
una variable dependiente. La ecuación general es:
Y=β0+β1X1+β2X2+…+βpXp+ϵY
Donde YYY es la variable dependiente, X1,X2,…,Xp son las variables predictoras,
β0,β1,β2,…,βp son los coeficientes de regresión, y ϵ es el error aleatorio.
Regresión Lineal Ponderada: Asigna pesos diferentes a los puntos de datos
en función de su importancia relativa. Es útil cuando algunos puntos de datos
tienen mayor precisión o relevancia que otros.
Regresión Lineal Generalizada (GLM): Permite modelos lineales con una
distribución de errores no necesariamente normal. Incluye casos como la
regresión logística para variables de respuesta binarias o la regresión de Poisson
para recuentos.
Regresión Lineal Robusta: Minimiza el efecto de valores atípicos o errores en
los datos. Utiliza métodos robustos de estimación de parámetros que son menos
sensibles a datos atípicos.
Aplicaciones de la regresión lineal
La regresión lineal es una técnica estadística ampliamente utilizada para modelar
y predecir relaciones lineales entre variables en diversas áreas como economía,
ciencias sociales, salud, ingeniería, educación, marketing y más. Permite
entender y prever cómo una variable dependiente cambia en respuesta a una o
varias variables independientes. Esta herramienta es fundamental para analizar
datos, optimizar procesos y tomar decisiones basadas en datos en múltiples
disciplinas.
Ejemplo de la vida real de regresión lineal.
Supongamos que un investigador desea determinar cómo la cantidad de horas
que un estudiante estudia semanalmente (variable independiente) afecta su
calificación promedio final en un curso (variable dependiente).
El investigador recolecta datos de un grupo de estudiantes, registrando la cantidad
de horas que cada uno estudia semanalmente y su calificación promedio final.
Luego, utiliza un modelo de regresión lineal para analizar estos datos. El modelo
podría expresarse como:
Calificación Final = β0 + β1 × Horas de Estudio
Donde:
• β0 es el intercepto del modelo, que representa la calificación esperada
cuando las horas de estudio son cero.
• β1 es la pendiente del modelo, que indica cómo cambia la calificación final
en promedio por cada hora adicional de estudio.
Al ajustar este modelo a los datos, el investigador puede interpretar β0 y β1 para
entender cómo influyen las horas de estudio en las calificaciones. Por ejemplo, si
β1 es positivo y significativo, indica que incrementar las horas de estudio está
asociado con un aumento en la calificación final promedio.
CONCLUSION:
Lo que hemos explorado sobre la regresión lineal revela su importancia como una
herramienta fundamental en el análisis estadístico y la modelización de relaciones
entre variables. Iniciamos nuestra exploración comprendiendo que la regresión
lineal es una técnica utilizada para describir la relación entre una variable
dependiente y una o más variables independientes mediante una ecuación lineal.
A medida que profundizamos, identificamos diferentes tipos de regresión lineal,
desde la simple que utiliza un único predictor, hasta la múltiple que incorpora
varios predictores para predecir la variable de respuesta.
Además, observamos aplicaciones prácticas de la regresión lineal en diversos
contextos, como la predicción, el análisis de la fuerza de las relaciones entre
variables y la comprensión de fenómenos complejos a partir de datos
experimentales u observacionales. Un ejemplo específico que destacamos fue el
estudio de la relación entre las horas de estudio y el rendimiento académico de
los estudiantes, donde la regresión lineal permitió modelar cómo las variables se
relacionan y hacer predicciones útiles.
La regresión lineal no solo se limita al ámbito académico, sino que se extiende a
áreas como la investigación científica, la economía, la ingeniería y más, donde su
capacidad para identificar y cuantificar relaciones entre variables resulta
invaluable.
Referencias:
José Martínez Heras (02/10/2020). Regresión Lineal: teoría y ejemplos en
Python. Recuperado de: https://www.iartificial.net/regresion-lineal- conejemplos-
en-python/
¿Qué es la regresión lineal? (2003, 14 marzo). Mathworks.
Recuperado de: https://la.mathworks.com/discovery/linear-
regression.html
