REGRESION LINEAL

CONCEPTO:

El análisis de regresión engloba a un conjunto de métodos estadísticos que

usamos cuando tanto la variable de respuesta como la la(s) variable(s)
predictiva(s) son contínuas y queremos predecir valores de la primera en función
de valores observados de las segundas. En esencia, el análisis de regresión
consiste en ajustar un modelo a los datos, estimando coeficientes a partir de las
observaciones, con el fin de predecir valores de la variable de respuesa a partir de
una (regresión simple) o más variables (regresión múltiple) predictivas o
explicativas.
El análisis de regresión juega un papel central en la estadística moderna y se usa
para:

 Identificar a las variables predictivas relacionadas con una variable de

respuesta
 Describir la forma de la relación entre estas variables y para derivar una
función matemática óptima que modele esta relación
 Predecir la variable de respuesta a partir de la(s) explicativas o predictoras

¿PARA QUE SIRVE?

Por definición la regresión lineal se emplea en estadística para analizar la relación

o dependencia que hay entre las variables estudiadas. Nos interesará cuantificar
la intensidad de dicha relación lineal entre las variables a través de un coeficiente
de correlación lineal que designaremos por la letra “r” también conocido como
coeficiente de Pearson. Gráficamente todo esto se puede plasmar mediante un
diagrama de dispersión (nube de puntos) con su correspondiente recta ajustada.
En conclusión, El objeto de un análisis de regresión es investigar la relación
estadística que existe entre una variable dependiente (Y) y una o más
variables independientes (, ...). Para poder realizar esta investigación, se debe
postular una relación funcional entre las variables.
TIPOS DE REGRESION:

 LINEAL: Predicción de una variable de respuesta cuantitativa a partir de

una variable predictora cuantitativa.
𝐲 = 𝐚 + 𝐛𝐱

 POLINÓMIAL: Predicción de una variable de respuesta cuantitativa a

partir de una variable predictora cuantitativa, donde la relación se modela
como una función polinomial de orden n.

𝐲 = 𝐚 + 𝐛𝐱 + 𝒄𝒙𝟐

 LOGARITMICA: Es un modelo de regresión que se utiliza cuando el

modelo lineal no logra un coeficiente de determinación apropiado, o cuando
el fenómeno en estudio tiene un comportamiento considerado potencial o
logarítmico.

𝒚 = 𝒂 + 𝒃 ∗ 𝐥𝐧⁡(𝒙)

 EXPONENCIAL I: Una regresión exponencial es el proceso de encontrar

la ecuación de la función exponencial que se ajuste mejor a un conjunto de
datos.

𝒚 = 𝒂 ∗ 𝒆𝒙

 EXPONENCIAL II: Cuando la curva de regresión de y sobre x es

exponencial, es decir para cualquier x considerada, la media de
la distribución está dada por la siguiente ecuación predictora:

𝐲 = 𝐚 ∗ 𝒃𝒙

 POTENCIAL: Será aquella en la que la función de ajuste sea una función

potencial del tipo:

y = a. xb

también en este caso se resuelve linealizando la función tomando logaritmos

ya que:
 log y = log a + b log x

Considerando las nuevas variables v = log y u= log x resolveríamos la

regresión lineal entre ellas de forma que si el resultado fuera: v*= A +B u
La solución final quedaría como a= antilog A y b= B.

 ASINTÓTICA:

SITIOS DE RECAUDACION DE LA INFORMACION:

https://es.wikipedia.org/wiki/Regresión_lineal.

https://www.ecured.cu/Regresión_lineal.

http://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema9_regresion.html.

https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/exponential-
regression.

https://www.monografias.com/trabajos89/regresion-exponencial-metodo-minimos-
cuadrados/regresion-exponencial-metodo-minimos-cuadrados.shtml.

https://www.uv.es/ceaces/base/regresion/potencial.htm.