TECNOLOGICO NACIONAL DE MEXICO
TECNOLOGICO DE REYNOSA
CARRERA: ING. INDUSTRIAL
MATERIA: ESTADÍSTICA INFERENCIAL II
UNIDAD: Unidad
DOCENTE: ING. JUAN GERARDO PÉREZ MAGAÑA
EQUIPO: 6
ALUMNO: Brandon Alexis García Ponce
TRABAJO: Regresión Lineal Múltiple
FUENTES DE INFORMACIÓN:
• https://programas.uniandes.edu.co/blog/regresion-
lineal#:~:text=La%20regresi%C3%B3n%20lineal%20es%20una,demanda
%2C%20se%20relacionan%20entre%20s%C3%AD
.
• https://www.questionpro.com/blog/es/regresion-lineal/
• https://www.questionpro.com/blog/es/regresion-
multiple/#:~:text=La%20regresi%C3%B3n%20m%C3%BAltiple%20es%20u
na%20herramienta%20estad%C3%ADstica%20fundamental%20para%20
analizar,gratis%20o%20solicita%20una%20demostraci%C3%B3n.
• https://www.ibm.com/docs/es/spss-statistics/saas?topic=regression-
nonlinear
FECHA DE ENTREGA: 06/Feb/2025
1. -Buscar información sobre los conceptos de regresión lineal
múltiples y regresión no lineal explicándolos cada uno (LOS
MAS UTILIZADOS).
Regresión Lineal Múltiple
La regresión lineal múltiple es una extensión de la regresión lineal simple, donde se tienen
varias variables independientes (predictoras) para explicar o predecir una variable dependiente
(respuesta). Se basa en la siguiente ecuación:
Donde:
•Y es la variable dependiente.
•X1,X2,,,,,Xn son las variables independientes.
• Bo ,es la intersección o término constante.
• B1,B2,,,,,,Bn ,son los coeficientes de regresión que indican la influencia de cada
variable independiente en .
• E ,es el error aleatorio.
Usos más comunes:
• Predicción de precios de bienes raíces en función de variables como ubicación, tamaño
y número de habitaciones.
• Modelos económicos para estimar el impacto de diferentes factores en el PIB.
• Análisis de marketing para evaluar cómo diferentes estrategias afectan las ventas.
Regresión No Lineal
La regresión no lineal se usa cuando la relación entre las variables independientes y la
variable dependiente no sigue una línea recta. En este caso, la ecuación del modelo no
es lineal en sus parámetros. Un ejemplo general es:
Y=f(X)+e
Donde puede ser una función polinómica, exponencial, logarítmica, sigmoidal, entre
otras. Algunos ejemplos comunes incluyen:
• Regresión polinómica:
Se usa cuando la relación entre e tiene una forma curvilínea.
• Regresión exponencial:
Se usa en modelos de crecimiento poblacional o decaimiento radiactivo.
• Regresión logística (sigmoidal):
Se usa en clasificación, por ejemplo, para predecir la probabilidad de que un cliente
compre un producto o no.
Usos más comunes:
• Modelos de crecimiento biológico y epidemiológico (curvas de crecimiento,
propagación de enfermedades).
• Análisis de rendimiento de materiales en ingeniería.
• Predicción de fenómenos financieros con patrones cíclicos o estacionales.
2. - Diferenciar entre regresión lineal simple y múltiple para
tomar decisiones acerca de cuál modelo usar en
determinada circunstancia.
Regresión Lineal Simple
Regresión Lineal Simple: Úsala cuando quieres simplicidad y tienes una relación clara y directa.
entre dos variables. Ideal para estudios exploratorios o cuando tienes pocos datos.
• Escenarios de Uso:
• Cuando hay una única variable independiente que se espera tenga una relación lineal
con la variable dependiente.
• Ejemplo: Predecir la temperatura en función del tiempo del día.
• Ventajas:
• Fácil de interpretar y visualizar.
• Menor riesgo de sobreajuste (overfitting).
• Requiere menos datos para ser efectivo.
• Desventajas:
• Limitada en su capacidad para capturar la complejidad de relaciones multivariadas.
• Menor precisión si otros factores influyen en la variable dependiente.
Regresión Lineal Múltiple
Regresión Lineal Múltiple: Úsala cuando sospechas que varios factores están afectando el resultado y
tienes suficiente información para modelarlos. Ideal para estudios más detallados y precisos.
• Escenarios de Uso:
• Cuando se tienen múltiples variables independientes y se desea evaluar su impacto combinado
en la variable dependiente.
• Ejemplo: Estimar el precio de una casa con base en el tamaño, la ubicación y la antigüedad.
• Ventajas:
• Permite un análisis más exhaustivo de los factores que afectan a la variable dependiente.
• Mejora la precisión de las predicciones al incorporar múltiples fuentes de información.
• Desventajas:
• Mayor complejidad y dificultad para interpretar los resultados.
• Requiere más datos para evitar problemas como la multicolinealidad (cuando las variables
independientes están altamente correlacionadas).
• Riesgo de sobreajuste si se incluyen demasiadas variables irrelevantes.
Recomendaciones para Tomar Decisiones
• Número de Factores:
• Usa simple si solo hay un factor relevante.
• Usa múltiple si hay varios factores que pueden influir significativamente.
•. Disponibilidad de Datos:
• Con pocos datos, la regresión simple puede ser más confiable.
• Con más datos y variables relevantes, la regresión múltiple será más adecuada.
• Propósito del Análisis:
• Para entender una relación directa y sencilla, elige regresión simple.
• Para un análisis más completo y detallado, opta por regresión múltiple.
•. Simplicidad vs. Precisión:
• Si la simplicidad es clave, prefiere regresión simple.
• Si la precisión es más importante, considera regresión múltiple.
3. -Comprender y explicar la importancia del análisis de
regresión múltiple y no lineal.
. Importancia de la Regresión Múltiple
Es importante porque ayuda a comprender cómo los factores influyen en un
resultado específico
Identificar las variables más importantes: Ayuda a determinar cuáles
factores tienen mayor impacto sobre la variable dependiente.
Cuantificar el efecto de cada variable: Permite conocer en qué medida cada
factor influye, lo que es útil para tomar decisiones estratégicas.
Mejorar la precisión de las predicciones: Al considerar más variables
relevantes, se obtiene un modelo más preciso que una regresión simple.
Controlar efectos confusos: Permite aislar el efecto de cada variable
independiente, reduciendo la posibilidad de atribuir cambios erróneamente a una
sola causa.
Importancia de la Regresión No Lineal
La regresión no lineal es importante porque permite describir relaciones no
lineales entre variables, lo que es útil en diversos campos como la ciencia, la
ingeniería y los negocios
Modelar relaciones más realistas: Muchos fenómenos del mundo real
(crecimiento poblacional, aprendizaje automático, reacciones químicas) no
siguen una relación lineal.
Predecir con mayor exactitud en casos complejos: Algunos datos presentan
efectos exponenciales, logarítmicos o curvilíneos que solo pueden capturarse
con modelos no lineales.
Analizar tendencias de largo plazo: En economía, ingeniería y biología,
muchas variables siguen patrones que solo pueden representarse con modelos no
lineales.
Evitar errores de modelado: Si se usa una regresión lineal cuando los datos
son no lineales, el modelo será inexacto y poco útil.
