ESCUELA POLITCNICA NACIONAL

FACULTAD DE INGENIERA CIVIL Y AMBIENTAL

INGENIERA CIVIL
MTODOS NUMRICOS
REGRESIN LINEAL
TRABAJO 1
Marjorie Echeverra
26 de Junio de 2017

OBJETIVOS
Elaborar un algoritmo que facilite la aplicacin del mtodo de regresin lineal a
ecuaciones lineales.
Investigar las ventajas y desventajas de aplicar este mtodo.
Analizar la precisin del mtodo al momento de arrojar los resultados.
RESUMEN
A continuacin se elaborara un algoritmo que nos permitir obtener una idea bastante
aproximada sobre el tipo de relacin existente entre dos variables, mediante un diagrama de
dispersin el cual cuantifica el grado de relacin que existe ente la variable dependiente y la
independiente.
INTRODUCCIN
REGRESIN LINEAL

El modelo de regresin lineal es el ms utilizado a la hora de predecir los valores de una

variable cuantitativa a partir de los valores de otra variable explicativa tambin cuantitativa
(modelo de regresin lineal simple). Una generalizacin de este modelo, el de regresin lineal
mltiple, permite considerar ms de una variable explicativa cuantitativa. Por otra parte, tal
como se ver en un tema posterior, es tambin posible incluir variables explicativas
categricas en un modelo de regresin lineal si se sigue una determinada estrategia en la
codificacin de los datos conocida como codificacin ficticia. [1]
En concreto, segn el modelo de regresin lineal simple, las puntuaciones de los sujetos en
2 variables -una de ellas considerada como variable predictora (X) y la otra como variable de
respuesta (Y)- vienen representadas (modeladas) por la ecuacin de una lnea recta:[1]
Cuando hay ms de una variable explicativa (modelo de regresin lineal mltiple), se utiliza
un subndice para cada una de ellas, por ejemplo, para el caso de dos variables explicativas:
[1]

Ejemplo de aplicacin de un modelo de regresin lineal simple a fin de modelar la

distribucin conjunta de las variables Estrategias de afrontamiento y Estrs. En este
ejemplo concreto, el modelo de regresin se concreta en el ajuste a los datos de la siguiente
ecuacin de regresin (tambin conocida como recta de regresin): [1]

Los dos parmetros de la ecuacin de regresin lineal simple, 0 y 1, son conocidos como
el origen (tambin, constante) y la pendiente del modelo, respectivamente. En conjunto
reciben el nombre de coeficientes de la ecuacin de regresin. Si la ecuacin de la recta de
regresin es obtenida a partir de una muestra, y no de una poblacin (esto es, los coeficientes
de la ecuacin de regresin son estadsticos, y no parmetros), la ecuacin se expresa como:
[1]

Una vez que sean conocidos los valores de 0 y 1 del modelo de regresin lineal simple,
ste puede ser utilizado como modelo predictivo, esto es, para realizar predicciones de los
valores que tomar la variable de respuesta para determinados valores de la variable
explicativa. Basta para ello con sustituir en la ecuacin de regresin el valor concreto de X
que se quiera (Xi). Al hacerlo, se obtendr el valor predicho para Y segn la ecuacin de
regresin para aquellos casos que en la variable X tomen el valor Xi. Este valor es conocido
de forma genrica como puntuacin predicha, siendo representado simblicamente como
[1]

DESARROLLO
ingresamos el nmero de puntos correspondiente a las variables x, y.
imprimimos los puntos con ayuda del comando plot.
Registramos las constantes de regresin.
Con el comando for se generara un bucle que nos permitir aproximar los puntos
creando la ecuacin de la recta.
Obtenemos la pendiente mediante la frmula junto con la constante de la ecuacin de
la recta.
Se generara una nueva ecuacin que nos permitir encontrar los nuevos valores de y.
Como resultado se obtendr los nuevos valores de la variable y ajustados a la recta.
Se realiza la grfica con los datos ajustados.
ANEXO 1
CONCLUSIONES

Al momento de obtener resultados se observaron ventajas como: una mayor precisin

en los resultados utilizando operaciones ms sencillas que en otros mtodos, no posee
varias limitaciones como otros mtodos aplicado anteriormente.
Se ha logrado reducir el error gracias a la precisin de los resultados.
Con el algoritmo elaborado se puede observar de una manera ms clara y eficiente
los resultados obtenidos.

BIBLIOGRAFA
Garca Jimnez, M. V., Alvarado Izquierdo, J. M., & Jimnez Blanco, A. (2000). La
prediccin del rendimiento acadmico: regresin lineal versus regresin
logstica. Psicothema, 12(Su2).
[1] Montgomery, D. C. D. C., Peck, E. A., & Vining, G. G. (2001). Introduccin al
anlisis de regresin lineal (No. 04; QA278. 2, M6.).
Chapra, S. C. C., Chapra, R. P. S. C., & Canale, R. P. (2007). Mtodos numricos
para ingenieros. McGraw-Hill,