Академический Документы
Профессиональный Документы
Культура Документы
TABLA DE CONTENIDO
1. INTRODUCCION
3. CONCLUSION
4. BIBLIOGRAFIA
2
1. INTRODUCCION
Antiguamente relacionar conceptos era algo fácil e intuitivo (una flor + una mariposa = una
fruta fresca; una nube + algo de viento = agua también fresca) pero entonces unos señores
(Bernoulli, Gauss, Laplace…) pensaron que aquello podía complicarse algo más y, para el
con ello también trajeron los modelos de regresión lineal, sabemos que en las industrias o
en la vida cotidiana de cada persona es necesario siempre resolver algunos problemas que
implican conjuntos de variable, esto sabiendo si hay alguna relación entre ellas. Por esta
razón es importante conocer acerca de estos modelos ya que son de mucha ayuda a la hora
resolver estos problemas y también para conocer dicha relación antes mencionada. Para
análisis de los datos muéstrales para saber qué es y cómo se relacionan entre si dos o más
grado de la fuerza de relación entre dos variables; y el análisis de regresión da lugar a una
ecuación matemática que describe dicha relación. Esto y muchas cosas más lo sabremos
más a fondo continuación en donde conoceremos más a fondos los modelos de regresión
El objetivo de un modelo de regresión lineal es buscar cómo explicar la relación que existe
entre una variable dependiente ósea variables de respuesta (Y) y el conjunto de variables
X 1 , X 2… . Xn .
Y= α + Βx + ε
En donde α es la ordenada en el origen (el valor que toma Y cuando X vale 0), β es la
variable que incluye un conjunto grande de factores, cada uno de los cuales influye en la
aleatorias, por lo que no se puede establecer una relación lineal exacta entre ellas.
Tipos de Relación
5
Para interpretar este modelo nos podemos basar en los siguientes supuestos o la siguiente
hipótesis:
Estimación de la Varianza:
Para estimar la varianza de los errores se puede utilizar la siguiente formula:
7
• Contraste
• Contraste
8
n observaciones
Objetivo: aproximar y a partir de Xı,….. , Xk
Xı,….,Xk: Variables independientes o explicativas
y: variable dependiente o respuesta
• Los supuestos del Modelo de Regresión Lineal Múltiple (RLM) son iguales a los del
modelo de regresión lineal aunque podemos observar que existe otra hipótesis la cual es
la siguiente:
Contrastes para β:
Para saber si la variable xᵢ afecta a la respuesta debemos plantear el siguiente contraste:
Coeficiente de determinación:
El coeficiente de determinación se define de la siguiente manera:
- Esperanza:
- Varianza:
3. CONCLUSION:
12
La regresión lineal simple y la regresión múltiple, analiza la relación de dos o más variables
continuas, cuando analiza dos variables a esta se él conoce como variable bivariantes que
de estimar los valores de una variable con base en los valores conocidos de la otra. Del
mismo modo, una ecuación de regresión explica los valores de una variable en términos de
otra. Es decir, se puede intuir una relación de causa y efecto entre dos o más variables. El
análisis de regresión únicamente indica qué relación matemática podría haber, de existir una.
Estas técnicas estadísticas constituyen una herramienta útil para el análisis de las variables de
un proceso ya que a través de la aplicación de éstas, es posible conocer el modelo que siguen
y la fuerza con que se encuentran relacionadas. Asimismo, es posible explicar la relación que
4. BIBLIOGRAFIA
http://halweb.uc3m.es/esp/Personal/personas/aarribas/esp/docs/estII/tema4esp(2).pdf
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140116_Regr_%20simple_2011_12.pdf
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140128_RegresionMultiple.pdf
https://www.ugr.es/~montero/matematicas/regresion_lineal.pdf
http://humanidades.cchs.csic.es/cchs/web_UAE/tutoriales/PDF/Regresion_lineal_multiple_3.pdf