UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE SOCIOLOGA Y CIENCIAS POLTICAS

Nombre: Romero Erika
Carrera: ciencias polticas
ENSAYO DE LA REGRESIN LINEAL
Introduccin:
En este presente ensayo podremos analizar sobre la regresin lineal qu son estadsticas,
donde se relaciona la dependencia de una variable dependiente Y, al igual que es la variable
independiente qu es X. Pues est tiene como objetivo principal el ajustar los valores de la
pendiente y la interseccin de encontrar la lnea que mejor predice Y de X. Adems
podemos observar los funcionamientos que tiene dicha regresin lineal por medio de la
reduccin al mnimo de la suma de cuadrados pendiente y la interseccin
Tambin notaremos que se puede clasificar de acuerdo a sus parmetros que son la
regresin lineal simple que estudia los cambios de una variable y por ltimo tenemos a la
regresin lineal mltiple.

Desarrollo:
La regresin lineal son estadsticas al igual que, ajuste lineales que son un modelo
matemtico usado para aproximar la relacin de dependencia entre una variable
dependiente Y, las variables independientes Xi y un trmino aleatorio . Pues esta dicha
regresin lineal nos permite determinar el grado de dependencia de las series de valores X e
Y, prediciendo el valor al igual que estimando lo que obtendramos para un valor x que no
se encuentre en la distribucin. La primera forma de regresin lineal fue desarrollaba con
de manera ms profunda el mtodo de los mnimos cuadrados, y en dnde se inclua una
versin del teorema de Gauss-Mrkov. El objetivo de la regresin lineal es ajustar los
valores de la pendiente y la interseccin de encontrar la lnea que mejor predice Y de X.
Pues el trmino regresin se utiliz por primera vez en el estudio
de variables antropomtricas: al comparar la estatura de padres e hijos, donde result que
los hijos cuyos padres tenan una estatura muy superior al valor medio, tendan a igualarse a
ste, mientras que aquellos cuyos padres eran muy bajos tendan a reducir su diferencia
respecto a la estatura media; es decir, "regresaban" al promedio. La
constatacin emprica de esta propiedad se vio reforzada ms tarde con la justificacin
terica de ese fenmeno. Por otra parte tenemos al trmino lineal que se emplea para

distinguirlo del resto de tcnicas de regresin, que emplean modelos basados en cualquier
clase de funcin matemtica. 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. Pero bien, como se ha dicho, se puede usar el trmino lineal
para distinguir modelos basados en cualquier clase de aplicacin. (Meison, 2014)
Pues las aplicaciones de la regresin lineal se representan en las lneas de tendencia que es
una serie de datos obtenidos a travs de un largo perodo. Este tipo de lneas puede decir si
un conjunto de datos en particular (como por ejemplo, el PBI, el precio del petrleo o el
valor de las acciones) han aumentado o decrementado en un determinado perodo. Tambin
se da en la medicina que son relacionadas con el tema de tabaquismo y la mortalidad, pues
aqu mencionan que estos ejemplos provienen de la regresin lineal. Por ltimo la regresin
lineal tambin se llega a dar en la industria que tiene como principio la aplicacin para
investigar la relacin entre el rendimiento de la produccin, con base en este anlisis se
puede pronosticar el comportamiento de una variable que se desea estimar. (Ayala, 2015)
Adems el funcionamiento de la regresin lineal se da por medio de:

Reduccin al mnimo de la suma de cuadrados

Si la dispersin aleatoria sigue una distribucin de Gauss, es mucho ms probable que

tenga dos desviaciones de tamao medio (digamos 5 unidades cada una), que tener una
desviacin pequea (1 unidad) y uno grande (9 unidades). Un procedimiento que minimiza
la suma del valor absoluto de las distancias no tendra preferencia sobre una lnea que fue
de 5 unidades de distancia a partir de dos puntos y una que era 1 unidad de distancia de un
punto y 9 unidades de otro. La suma de las distancias (ms precisamente, la suma del valor
absoluto de las distancias) es de 10 unidades en cada caso.

Pendiente y la interseccin

El prisma informa de los valores de mejor ajuste de la pendiente y la interseccin, junto con
sus errores estndar y los intervalos de confianza.
La pendiente cuantifica el grado de inclinacin de la lnea. Es igual al cambio en Y para
cada unidad de cambio en X. Se expresa en las unidades del eje Y dividido por las unidades
del eje x. Si la pendiente es positiva, Y aumenta a medida que X aumenta. Si la pendiente
es negativa, Y disminuye a medida que X aumenta. Su principal objetivo es calcular los
intervalos de confianza del 95%.
La interseccin Y es el valor Y de la lnea cuando X es igual a cero. Se define la elevacin
de la lneal.

Una medida de la bondad del ajuste de regresin lineal

El valor de r 2 es una fraccin entre 0,0 y 1,0, y no tiene unidades. Un r 2 valor de 0,0
significa que el conocimiento de X no ayuda a predecir Y. No existe una relacin lineal
entre X e Y, y la lnea de mejor ajuste es una lnea horizontal que pasa por la media de
todos los valores de Y. Cuando R 2 es igual a 1.0, todos los puntos se encuentran

exactamente
en una lnea recta
sin dispersin. Conociendo X le permite predecir Y a la perfeccin.

La desviacin estndar de los residuales, s y.x

Prisma en realidad no informar de la suma de cuadrados de las distancias verticales de los

puntos de la lnea (SS reg). En lugar Prisma informa de la desviacin estndar de los
residuales, s y.x. La variable s y.x cuantifica el tamao medio de los residuos, expresada en
las mismas unidades que Y. Algunos libros y programas se refieren a este valor como
s e. Se calcula a partir SS reg y N (nmero de puntos) usando esta ecuacin:

Existen diferentes tipos de regresin lineal que se clasifican de acuerdo a sus parmetros:

La regresin lineal simple

Esta se basa en estudiar los cambios en una variable, no aleatoria, afectan a una variable
aleatoria, en el caso de existir una relacin funcional entre ambas variables que puede ser
establecida por una expresin lineal, es decir, su representacin grfica es una lnea recta.
Es decir, se est en presencia de una regresin lineal simple cuando una variable
independiente ejerce influencia sobre otra variable dependiente.
Ejemplo: Y = f(x)

Regresin lineal mltiple

La regresin lineal permite trabajar con una variable a nivel de intervalo o razn, as
tambin se puede comprender la relacin de dos o ms variables y permitir relacionar
mediante ecuaciones, una variable en relacin a otras variables llamndose Regresin
mltiple. O sea, la regresin lineal mltiple es cuando dos o ms variables independientes
influyen sobre una variable dependiente.
Ejemplo: Y = f(x, w, z).

Conclusin:
En conclusin podemos decir que la regresin lineal son estadsticas que se utiliza para
analizar las variables, por lo que se usan para aproximar la relacin de dependientes entre
una variable dependiente Y una variable independiente que ese X. Adems nos permiten
determinar el grado de la dependencia de la serie de valores X, pues seala que el valor es
igual a lo que tenamos esta no se encuentra en la distribucin, pues tiene como objetivo la
regresin qu es minimizar la suma de los cuadrados de las verticales de distancia de los
puntas de las lneas. Tambin podemos decir que se emplea para distinguir el resto de
tcnicas de regresin que se han empleado en los modelos basados de cualquier clase de
funcionamiento matemtico.
Podemos llegar a distinguir de que existen dos diferentes tipos de regresin lineal que se
clasifican en la regresin lineal simple que se basa ms en los cambios de una variable, es
decir, la grfica que se forme va a ser de una sola lnea recta. Otra de las clasificaciones es
la regresin lineal mltiple, Pues aqu permite trabajar con una sola variable a nivel de
intervalo o razn, y es as cmo se puede relacionar una variable o dos mediante
ecuaciones.

Bibliografa:
Ayala, J. (22 de 03 de 2015). ecured. Obtenido de ecured: https://www.ecured.cu/Regresi
%C3%B3n_lineal
Meison, A. (03 de 01 de 2014). curvefit.com. Obtenido de curvefit.com:
http://web.archive.org/web/20101121073018/http://curvefit.com/linear_regression.h
tm
http://web.archive.org/web/20101121073018/http://curvefit.com/linear_regression.htm
http://www.sc.ehu.es/sbweb/fisica/cursoJava/numerico/regresion/regresion.htm