Ctedra de Mtodos Numricos, Universidad Politcnica Salesiana

Regresin Por Mnimos Cuadrados:

Regresin Lineal
Figueroa Jos 1
jfigueroam@est.ups.edu.ec
Gonzlez German 2
ggonzalezs2@est.ups.edu.ec
Guachichulca Boris 3
bguachichulca@est.ups.edu.ec
Jarro Carlos 4
cjarrop@est.ups.edu.ec

Resumen - En el presente trabajo se Abstract - In this paper is intended to

pretende profundizar con el estudio terico-
prctico de la regresin por mnimos
cuadrados enfocndonos fundamentalmente
en la regresin lineal, por lo que se deber
disponer de un conjunto de datos para el
anlisis y de los cuales se permita una mejor
y ms rpida representacin mediante una
ecuacin resultante de los datos propuestos,
la cual deber cumplir con pasar sobre o lo
ms cercano posible a los datos analizados.
Esta forma de regresin lineal se registr
como mtodo de los mnimos cuadrados por
Legendre en 1805, luego se public un
trabajo con mayor anlisis del mtodo de los
mnimos cuadrados, e incluyo una versin del
teorema de Gauss-Mrkov.
Los modelos lineales son una explicacin
simplificada de la realidad, mucho ms giles
y con un soporte terico mucho ms extenso
por parte de la matemtica y la estadstica.
Por ello es que este mtodo nos ofrece una
mayor confiabilidad en la opcin de
encontrar una ecuacin que represente a un
cierto grupo de datos analizados
deepen with the theoretical/experimental
study of regression by least squares to
focusing primarily on linear regression, so it
must have a set of data for analysis and which
allow a better and faster representation
through an equation resulting from the
proposed data, which must comply with
spending envelope or as close as possible to
the data analyzed.
This form of linear regression is registered as
a method of the least squares by Legendre in
1805, then published a work with further
analysis of the method of least squares, and
included a version of the Gauss-Markov
theorem.
Linear models are a simplified explanation of
reality, much more agile and with a much
more extensive theoretical support from
mathematics and statistics. It is, therefore,
that this method offers greater reliability in
the option of finding an equation
representing a certain group of analyzed
data...

Palabras Clave: datos, mtodo, Key words: data, method, regression, least
regresin, mnimos cuadrados, etc. squares, etc.
1
Ctedra de Mtodos Numricos, Universidad Politcnica Salesiana

I. INTRODDUCION entonces pasar exactamente a travs de todos

los puntos. [1]
El anlisis de la regresin lineal es una
tcnica estadstica que nos permite estudiar la
relacin entre las variables. Se adapta en un II. MARCO TEORICO
amplia aspecto variedad de posibilidades o
situaciones expuestas. La regresin lineal permite trabajar con
En si es la realizacin de experimentos, una variable a nivel de intervalo o razn. De la
a menudo tabulamos datos en la forma de pares misma manera, es posible analizar la relacin
ordenados ( , ), ( , ),.., entre dos o ms variables a travs de
( , )donde cada es diferente. Dados los ecuaciones, lo que se denomina regresin
datos, frecuentemente deseamos poder mltiple o regresin lineal mltiple.
extrapolar o predecir y a partir de x calculando
un modelo matemtico, es decir, una funcin
que se aproxime o "ajuste" a los datos. En otras
palabras, queremos encontrar una funcin f(x)
tal que,
( ) , ( ) ,,( )

Sin embargo, es natural que no solamente

deseemos cualquier funcin, sino una funcin
que se ajuste a los datos tanto como sea posible.
Para el anlisis que se presenta
enseguida, concentraremos nuestra atencin
sobre el problema de encontrar un polinomio
lineal f(x) = a + bx o lnea recta que "se ajuste
de la mejor manera" a los datos ( , ),
( , ),.., ( , ). El procedimiento para
calcular Grafica 1 - Regresin Lineal [2]
esta funcin lineal se conoce como el mtodo
de los mnimos cuadrados. Expresndolo en forma simple, la
regresin lineal es una tcnica que permite
En los datos que tienen errores cuantificar la relacin que puede ser observada
sustanciales, la interpolacin polinomial es cuando se grafica un diagrama de puntos
inapropiada y puede dar resultados poco dispersos correspondientes a dos variables,
satisfactorios cuando se utiliza para predecir cuya tendencia general es rectilnea; relacin
valores intermedios. Con frecuencia los datos que cabe compendiar mediante una ecuacin
experimentales son de este tipo. Para los casos del mejor ajuste de la forma:
en que se presenta una variabilidad
significativa, realizada mediante una = + + e (1)
inspeccin visual de esos datos sugiere una
posible relacin entre y y x, es decir, la Una estrategia eficaz para ajustar una mejor
tendencia general indica que valores altos de y lnea es el criterio minimax. En esta tcnica, la
estn asociados con valores altos de x. Ahora, lnea se elige de manera que minimice la
si un polinomio de interpolacin de sexto grado mxima distancia a que un punto se encuentra
se ajusta a estos datos expuestos para el caso, de la lnea.

1
Ctedra de Mtodos Numricos, Universidad Politcnica Salesiana

| | = | | ()
= =

Deber tomarse en cuenta que el principio

minimax es, en algunas ocasiones, es adecuado
para ajustar una funcin simple a una funcin
complicada (Carnahan, Luther y Wilkes,
1969).
La estrategia que supera las deficiencias de los
procedimientos mencionados consiste en
minimizar la suma de los cuadrados de los Grafica 4 - Resultado satisfactorio luego de la
residuos entre la y medida y la y calculada con regresin por mnimos cuadrados [3]
el modelo lineal

= ( ) () Ajuste de una lnea recta por mnimos

= cuadrados [3]

Para determinar los valores de y , la

ecuacin se deriva la ecuacin (3) con respecto
a cada uno de los coeficientes:

= ( ) (4)

= [( ) ] (5)

Se observa que se ha obviado los smbolos de

la sumatoria; a menos que se indique otra cosa,
Grafica 2 - Datos que muestran un Error significativo
todas las sumatorias van desde i = 1 hasta n.
[3]
Procedemos igualar estas derivadas a cero,
dando como resultado un mnimo. Al hacer
esto, las ecuaciones quedan expresadas como:

= (6)

= (7)

Procedemos a expresar las ecuaciones (6) y (7)

respectivamente como:

= + (8)
Grafica 3 - Ajuste polinomial oscilando ms all del
rango de los datos [3] = + (9)

2
Ctedra de Mtodos Numricos, Universidad Politcnica Salesiana

Ahora, si observamos que = , 1. Calcular, para cada par de valores de

expresamos las ecuaciones como un conjunto x e y, las cantidades x, y, y
de dos ecuaciones lineales simultneas, con dos x.y.
incgnitas ( y ): 2. Obtenga las sumatorias () de estos
valores para todos los pares de datos de
= + ( ) (10) x e y, as como las sumas del total
de los valores de x e y. Se puede
= ( ) + ( ) (11) dejar expresado en una tabla mediante
las siguientes distinciones:

stas se llaman ecuaciones normales, y se Tabla 1 - Registro de Clculos para la Regresin

resuelven simultneamente, quedando Lineal [2]
expresadas como:
n x y (x)(y)

= (12) 1
( )
2
3

= (13)
-
-
En la ecuacin (13) los valores de y
-
corresponden a las medias obtenidas de los
-
datos que se presentan para el anlisis para cada
una de las dos variables y y x respectivamente.
n ()()
De este modo se culmina con la
regresin lineal, al obtener como resultado la
ecuacin que se aproxime a la mayor cantidad
de puntos expuestos en el plano, utilizados 3. Estime la pendiente ( ) por medio de
durante el anlisis; dando como resultado una la relacin:
ecuacin:

=
= + + (14) ( )

4. Estime el intercepto ( ) por medio de

la relacin:
PROCEDIMIENTO DE CALCULOS

=
El valor de (que puede ser
negativo, positivo o igual a cero) es llamado el 5. Finalmente reescribir la ecuacin con
intercepto; en tanto que el valor de (el cual los datos obtenidos en el clculo:
puede ser negativo o positivo) se denomina la
pendiente o coeficiente de regresin. = +

El procedimiento para obtener valores de

y para una serie de pares de datos de x
y de y es como sigue: [4]
3
Ctedra de Mtodos Numricos, Universidad Politcnica Salesiana

INTERPRETACIN GEOMTRICA 1. Regresin Lineal:

Regresin Lineal: clc

clear
close
disp('INFORME N 2')
disp('REGRESIN LINEAL')
disp('-----------------')
disp('Mircoles, 31 de Mayo de
2017')
disp('Grupo 3')
disp('Subgrupo 2')
disp('Nombre: Figueroa Jos,
Gonzlez Germn, Guachichulca
Boris, Jarro Carlos')
Grafica 5 - Puntos de Datos [1] disp('------------------------')

Descripcin: Datos expuestos como pares

ordenados graficados en el plano cartesiano. %('xi','yi','n','a1','a0','y','x')
n=input('Ingrese el nmero de
datos: n= ');
xi=input('Ingresar el Vector
Abscisas: xi= ');
yi=input('Ingresar el Vector
Ordenadas: yi= ');
plot(xi,yi,'k*');
grid on
hold on

% sumax=sum(x=0);
% sumay=0;
% sumaxy=0;
% sumx2=0;
Grafica 6 - Lnea que se ajusta a los datos expuestos
n
[1]
sumax=sum(xi);
Descripcin: Lnea que se ajusta a la mayora sumay=sum(yi);
de los puntos de datos graficados, xiyi=(xi.*yi);
sumaxy=sum(xiyi);
permitindonos encontrar una ecuacin de a
xicuadrado=xi.^2;
aproximacin igual a () = + + o sumax2=sum(xicuadrado);
bien solamente () = + que se le xm=sumax/n;
omite el error en caso de no requerir su clculo. ym=sumay/n;
a1=((n*sumaxy)-
sumax*sumay)/(n*sumax2-
((sumax)^2))
CODIFICACIN EN MATLAB PARA a0=ym-a1*xm
REGRESION DE MINIMOS
syms x
CUADRADOS
y=a0+a1*x
ezplot(y,[1:.5:6])
4
Ctedra de Mtodos Numricos, Universidad Politcnica Salesiana

III. CONCLUSIONES

El proceso de regresin lineal nos

ayuda a encontrar una ecuacin
solucin por as llamarla, la cual abarca
a todos los datos de estudio permitiendo
como solucin representar dichos datos
mediante la recta resultante la que nos
agiliza la representacin grfica, que en
vez de hacerlo por pares ordenados se
reemplaza por la ecuacin solucin
resultante en un intervalo designado, al
trmino de la finalizacin del proceso
realizado.
El ajuste de curvas en ingeniera tiene
como aplicacin principal a partir de
una serie de datos experimentales
realizar anlisis de tendencias y pruebas
de comprobacin de hiptesis
planteadas mediante el estudio
estadstico...
Para realizar el mtodo de regresin
lineal podemos utilizar software de
programacin como por ejemplo
Matlab en el que podemos desarrollar
algoritmos que nos permitirn la
visualizacin, anlisis y clculo
numrico de los datos propuestos.

IV. REFERENCIAS

[1] J. M. D. Dennis J. Zill, Matematicas

Avanzadas para Ingenieria 2, Mexico,
D.F.: McGraw-Hill, Interamericana, 2008.
[2] G. Gonzlez, Regresin Lineal, Prctica
de Laboratorio, Cuenca, 2017.
[3] S. C. Chapra, Metodos Numericos para
Ingenieros, Mexico, D. F.: Mc Graw-Hill
Interamericana, 2007.
[4] D. d. E. p. l. Pesca, Depositos de
Documentos de la FAO, 2017. [En lnea].
Available: http://www.fao.org/docrep/.
[ltimo acceso: 1983].
5