ÍNDICE

I. INTRODUCCIÓN
II. OBJETIVOS
III. MARCO TEÓRICO
3.1. REGRESIÓN LINEAL SIMPLE
3.2. REGRESIÓN LOGARÍTMICA

3.3 REGRESIÓN EXPONENCIAL:

3.4. REGRESIÓN POTENCIAL.
IV. PROCEDIMIENTO.
1. Análisis de regresión lineal:
2. Análisis de regresión logarítmica
3. Análisis de regresión exponencial:
4. Análisis de regresión potencial
V. CÁLCULOS Y RESULTADOS.
5.1. ANÁLISIS DE REGRESIÓN LINEAL
5.2. ANÁLISIS DE REGRESIÓN DE POTENCIA
5.3. ANÁLISIS DE REGRESIÓN LOGARÍTMICA
5.4.
VI. CONCLUSIONES.
VII. REFERENCIAS BIBLIOGRÁFICAS.
VIII. ANEXOS

I. INTRODUCCIÓN
En el siguiente informe analizaremos y estudiaremos las ecuaciones de regresión, entre dos
fenómenos meteorológicos, en los que se establecerán relaciones
Interesa, en gran medida, descubrir la interdependencia o la relación existente entre dos
o más de las características analizadas.
La dependencia estadística es un tipo de relación entre variables tal que conocidos los
valores de las variables independientes no puede determinarse con exactitud el valor de
la variable dependiente, aunque si se puede llegar a determinar un cierto comportamiento
global de la misma.
Pues bien, el análisis de la dependencia estadística admite dos planteamientos, aunque
íntimamente relacionados. El estudio del grado de dependencia existente entre las
variables que queda recogido en la teoría de la correlación.

La determinación de la estructura de dependencia que mejor exprese la relación, lo que

es analizado a través de la regresión.
En el caso bidimensional, dadas dos variables X e Y con una distribución conjunta de
frecuencias ( xi, yj ,nij ), llamaremos regresión de Y sobre X ( Y/X) a una función que
explique la variable Y para cada valor de X, y llamaremos regresión de X sobre Y (X/Y)
a una función que nos explique la variable X para cada valor de Y.(Hay que llamar la
atención, como se verá más adelante, que estas dos funciones, en general, no tienen por
qué coincidir).
II. OBJETIVOS
Obtener los datos de temperatura del SENAMHI del año 1998 hasta 2018 del
mes de abril.
Hallar los coeficientes de correlación de cada una de las ecuaciones.
Graficar los datos que obtuvimos de la temperatura promedio en función del
tiempo en el Excel de cada ecuación.
III. MARCO TEÓRICO
3.1. REGRESIÓN LINEAL SIMPLE

Nos centraremos en primer lugar, en el caso de que la función que relaciona las dos
variables X e Y sea la más simple posible, es decir, una línea recta. Por ello pasaremos a
interpretar los coeficientes que determinan una línea recta.
Toda función de la forma:

𝑦 = 𝑎 + 𝑏𝑥 …………1

Determina, al representarla en el plano una línea recta, donde X e Y son variables y a y b

son constantes.
SIGNIFICADO DE a y b
- a es la ordenada en el origen, es decir, es la altura a la que la recta corta al eje Y. Se
denomina también término independiente.
- b, también denominada pendiente es la inclinación de la recta, es decir, es el incremento
que se produce en la variable Y cuando la variable X aumenta una unidad.

En la recta de regresión -como ya veremos- b recibe el nombre de Coeficiente de

regresión.
 Si b>0, entonces cuando X aumenta Y también lo hace (relación directa).
 Si b<0, entonces, cuando X aumenta Y disminuye (relación inversa).

Figura 1: Signo de la pendiente en una recta de regresión

Para determinar la ecuación de regresión lineal calculamos fórmulas para los
parámetros a y b:
(∑𝑦)(∑𝑥 2 )−(∑𝑥)(∑𝑦)
𝑎= ……………………2
𝑁(∑𝑥 2 )−(∑𝑥)2

𝑁∑𝑥𝑦−(∑𝑥)(∑𝑦)
𝑏= …………………3
𝑁(∑𝑥 2 )−(∑𝑥)2

De la cual su coeficiente de correlación de regresión lineal es:

∑𝑥𝑦
𝑟= ……………………4
√(∑𝑥 2 )(∑𝑦 2 )
3.2. REGRESIÓN LOGARÍTMICA:
Este modelo de regresión es una alternativa cuando el modelo lineal no logra un
coeficiente de determinación apropiado, o cuando el fenómeno en estudio tiene un
comportamiento que puede considerarse potencial o logarítmico. La forma más simple de
tratar de establecer la tendencia es a través de un diagrama de dispersión o nube de puntos,
tal como la siguiente:
La curva logarítmica Y = a + b lnX es también una recta, pero en lugar de estar referida
a las variables originales X e Y, está referida a lnX y a Y.

Ecuación de la regresión logarítmica:

𝑦 = 𝑎 + 𝑏 𝑙𝑛𝑥…………5
De esta ecuación, hacemos que el lnX, sea equivalente a X′, para obtener los parámetros
a y b, reemplazo obtenemos:
𝑦 = 𝑎 + 𝑏 X′……………6

Entonces de la anterior ecuación obtenemos los coeficientes:

𝑁∑𝑥𝑦−(∑𝑥)(∑𝑦)
𝑏= ……………7
𝑁(∑𝑥 2 )−(∑𝑥)2

𝑎 = 𝑦 − 𝑏𝑥′…………………8
Teniendo un coeficiente de correlación de:
∑𝑥𝑦
𝑟= ……………9
√(∑𝑥 2 )(∑𝑦 2 )

3.3 REGRESIÓN EXPONENCIAL:

Sera aquella que en la función de ajustes será una función exponencial de tipo
𝑦 = 𝑎𝑏 𝑥 ……………10
La regresión exponencial, aunque no es lineal es linealizable tomando logaritmos ya que
haciendo el cambio de variable v = log y tendremos que la función anterior nos generaría:

v = log y = log (a. bx) = log a + X log b …………11

Log y = log a – x.b……………12

Aplicando métodos de los mínimos cuadrados obtenemos los parámetros a y b sin antes
asignarle una variable a:

𝐥𝐨𝐠 𝒀 = Y'………q
𝐥𝐨𝐠 𝒂 = A'………t
Entonces reemplazando q y t en la ecuación anterior se tiene:
y´= a´+ b x………………13
Donde:
𝑁(∑ 𝑋𝑌´)−(∑ 𝑋)(∑ 𝑌´)
𝑏= …………………14
𝑁(∑ 𝑥 2 )−(𝑥 2 )

𝐴´ = 𝑌´ − 𝑏𝑋…………………15

Teniendo como coeficiente de correlación:

∑𝑥𝑦
𝑟= …………………16
√(∑𝑥 2 )(∑𝑦 2 )

3.4. REGRESIÓN POTENCIAL.

Será aquella en la que la función de ajuste sea una función potencial del tipo:
𝑦 = 𝑎. 𝑥 𝑏 ……………………17

También en este caso se resuelve linealizando la función tomando logaritmos ya que:

V=Log y = log a + b log x…………….18

Aplicando métodos de los mínimos cuadrados obtenemos los parámetros a y b sin antes
asignarle una variable a: 𝐥𝐨𝐠 𝒀 = Y'……………m

𝐥𝐨𝐠 𝒂 = A'……………..n

𝐥𝐨𝐠 𝑿 = 𝐗′……………..p
Entonces reemplazando las variables (m, n, p) en la variable V se obtiene:
V= A +B X′…………..19
Luego por el método de mínimos cuadrados obtenemos los parámetros:
𝑵(∑ 𝑿𝒀´)−(∑ 𝑿¨)(∑ 𝒀´)
𝒃= 𝟐 𝟐 ……………………20
(𝑵(∑ 𝑿´) )−(∑ 𝑿´)

𝑨´ = 𝒀´ − 𝑩𝑿´………………21

Teniendo como coeficiente de correlación potencial:

∑𝑥𝑦
𝑟= ……………………22
√(∑𝑥 2 )(∑𝑦 2 )
IV. PROCEDIMIENTO.

1. Análisis de regresión lineal:

 Conseguir 20 datos que relacionen dos fenómenos meteorológicos, del
SENAMHI del departamento de Cajamarca, en esta ocasión los
fenómenos meteorológicos de los cuales vamos a analizar es el promedio
de la temperatura del mes de abril y el tiempo.
 De los datos obtenidos, realizar el grafico correspondiente con su
respectiva ecuación lineal y el coeficiente de correlación.

2. Análisis de regresión logarítmica:

 Seleccionados los 20 datos anteriormente de la temperatura del

SENAMHI, los cuales serán las ordenadas del grafico a trazar.
 Colocar como la abscisa de la gráfica a la temperatura promedio.
 Luego hallamos los parámetros a y b y su coeficiente de correlación.
 Una vez realizado lo anteriormente mencionado, tabulamos los datos en
el Excel y aplicando las fórmulas de la regresión logarítmica

3.Análisis de regresión exponencial:

 Cuando tenemos la sumatoria del promedio de X, Y, Y´, XY, 𝑿𝟐 sacamos
la media de cada uno de ellos.
 Luego aplicamos las formulas respectivas de la exponencial.
 Con los datos obtenidos al inicio la sumatoria de cada uno de ellos
calculamos el análisis de correlación aplicando la formula respectiva.

4.Análisis de regresión potencial:

 Calculamos los logaritmos naturales de x, y.
 Calculamos los parámetros a y b.
 Calculamos el coeficiente de correlación aplicando las fórmulas de la
regresión potencial.
 Por últimos procedemos a graficar.
V. CÁLCULOS Y RESULTADOS.
5.1. ANÁLISIS DE REGRESIÓN LINEAL

X=TEMPERATURA 𝑋2
PROMEDIO Y= AÑO XY Y^2
16.9517 1998 287.359 33869.430 3992004
14.8536 1999 220.629 29692.289 3996001
14.8033 2000 219.139 29606.667 4000000
14.6283 2001 213.988 29271.295 4004001
14.9283 2002 222.855 29886.523 4008004
15.4050 2003 237.314 30856.215 4012009
15.0533 2004 226.603 30166.880 4016016
15.5483 2005 241.751 31174.408 4020025
14.6550 2006 214.769 29397.930 4024036
15.0117 2007 225.350 30128.415 4028049
14.8600 2008 220.820 29838.880 4032064
15.4950 2009 240.095 31129.455 4036081
16.1417 2010 260.553 32444.750 4040100
15.1367 2011 229.119 30439.837 4044121
15.2717 2012 233.224 30726.593 4048144
15.6700 2013 245.549 31543.710 4052169
15.1450 2014 229.371 30502.030 4056196
15.5317 2015 241.233 31296.308 4060225
17.0750 2016 291.556 34423.200 4064256
16.2700 2017 264.713 32816.590 4068289
15.8467 2018 251.117 31978.573 4072324
∑ 324.2819 42168 5017.105 651189.979 84674114
16.2141 2108.4

𝑁∑𝑥𝑦 − (∑𝑥)(∑𝑦)
𝑏=
𝑁(∑𝑥 2 ) − (∑𝑥)2

(21∗651189.979)−(324.282∗42168)
𝑏=
(21∗5017.105)−(324.182)2

b=2.511662
 (∑y)∗(∑𝑥 2 )−(∑x)∗(∑xy)
𝑎=
𝑁(∑𝑥 2 )−(∑𝑥)2

(42168) ∗ (5017.105) − (324.282) ∗ (651189.979)

𝑎=
21 ∗ (5017.105) − (324.282)2

𝑎 =1956.664

La ecuación de regresión lineal es:

Y=1956.664+ 2.511662X

Coeficiente de correlación
∑xy
𝑟=
√(∑𝑥 2 )(∑𝑦 2 )

1659.810
r=
√(22.064)(212453.360)

r=0.372

5.2. ANÁLISIS DE REGRESIÓN DE POTENCIA

𝑁∑𝑥𝑦 − (∑𝑥)(∑𝑦)
𝑏=
𝑁(∑𝑥 2 ) − (∑𝑥)2

∑x’y’=436.974
∑x= 57.459
∑y= 159.703
∑x^2= 157.257
∑y^2= 1214.522

(21 ∗ 436.974) − (57.459 ∗ 159.703)

𝑏=
(21 ∗ 157.257) − (57.459)2
𝑏 = 0.09
 (∑y) ∗ (∑𝑥 2 ) − (∑x) ∗ (∑xy)
𝑎=
𝑁(∑𝑥 2 ) − (∑𝑥)2
(1214.522) ∗ (157.257) − (57.459) ∗ (436.974)
𝑎=
21 ∗ (157.257) − (157.257)2
𝑎 = −7.741

Coeficiente el coeficiente de correlación

∑xy
𝑟=
√(∑𝑥 2 )(∑𝑦 2 )

∑xy = 0.001035
∑𝑥 2 = 0.038
∑𝑦 2 = 0.000191

0.001035
r=
√(0.038)(0.000191)

r=0.3841

5.3. ANÁLISIS DE REGRESIÓN LOGARÍTMICA

ANALISIS DE REGRESION LOGARITMICA

X=TEMPERATURA x´=lnX x´*Y x´2

N°
PROMEDIO Y= AÑO
1 16.9517 1998 2.830 5655.072 8.011
2 14.8536 1999 2.698 5393.782 7.281
3 14.8033 2000 2.695 5389.705 7.262
4 14.6283 2001 2.683 5368.604 7.198
5 14.9283 2002 2.703 5411.928 7.308
6 15.4050 2003 2.735 5477.588 7.479
7 15.0533 2004 2.712 5434.045 7.353
8 15.5483 2005 2.744 5501.627 7.529
9 14.6550 2006 2.685 5385.672 7.208
10 15.0117 2007 2.709 5436.617 7.338
11 14.8600 2008 2.699 5418.935 7.283
12 15.4950 2009 2.741 5505.699 7.510
13 16.1417 2010 2.781 5590.622 7.736
14 15.1367 2011 2.717 5464.128 7.383
15 15.2717 2012 2.726 5484.711 7.431
 16 15.6700 2013 2.752 5539.269 7.572
17 15.1450 2014 2.718 5473.388 7.386
18 15.5317 2015 2.743 5526.905 7.523
19 17.0750 2016 2.838 5720.633 8.052
20 16.2700 2017 2.789 5626.064 7.780
21 15.8467 2018 2.763 5575.652 7.634
∑ 324.282 42168 57.459 115380.647 157.257
̅ =
𝒀
2008 2.736

𝑁∑𝑥′𝑦 − (∑𝑥′)(∑𝑦)
𝑏=
𝑁(∑𝑥′2 ) − (∑𝑥′)2

21(57.459∗42168)−(57.459∗42168)
b= 21(324.2822 )−(324.282)2

b = 23.041
 ANALISIS DE REGRESION LOGARITMICA
̅
X =𝑎X=- 𝒙′ ̅
̅ Y = Y - 𝒚′ 𝑿𝟐 XY 𝒀𝟐
𝑌̅ − 𝑏𝑥′
a = 2008 - 23.041*
14.216 2.736 -10.000 202.081 -142.155 100.000
a = 1944.9612.117 -9.000 146.832 -109.057 81.000
12.067 -8.000 145.617 -96.537 64.000
11.892 -7.000 141.424 -83.245 49.000
12.192 -6.000 148.649 -73.153 36.000
12.669 -5.000 160.499 -63.344 25.000
12.317 -4.000 151.713 -49.269 16.000
12.812 -3.000 164.152 -38.437 9.000
11.919 -2.000 142.059 -23.838 4.000
12.276 -1.000 150.688 -12.276 1.000
12.124 0.000 146.987 0.000 0.000
12.759 1.000 162.788 12.759 1.000
13.406 2.000 179.708 26.811 4.000
12.401 3.000 153.772 37.202 9.000
12.536 4.000 157.139 50.142 16.000
12.934 5.000 167.284 64.669 25.000
12.409 6.000 153.979 74.453 36.000
12.796 7.000 163.725 89.569 49.000
14.339 8.000 205.602 114.711 64.000
13.534 9.000 183.165 121.805 81.000
13.111 10.000 171.885 131.105 100.000
∑ 3399.746 31.915 770.000

∑𝑋𝑌
𝑟=
(∑ 𝑋 2 )( ∑𝑌 2 )
31.915
r=
√3399.746 ∗770.000

r = 0.019
La ecuación de regresión logarítmica es:
Y = a + bLn
Y = 1944.96 - 23.041 LnX

VI. CONCLUSIONES.
Mediante la información de la pagina web de SENAMHI obtuvimos los datos
para hacer los cálculos.
Logramos encontrar los coeficientes de correlación para cada una de las
ecuaciones (lineal, logarítmica, exponencial, potencial).
Se grafico los cálculos obtenidos, en el Excel.
VII. REFERENCIAS BIBLIOGRÁFICAS.
https://www.uv.es/ceaces/base/regresion/potencial.htm.
https://www.uv.es/ceaces/pdf/regre.pdf
http://www.uca.edu.sv/matematica/upload_w/file/REGRESION%20SIMPLE%20Y%20
MULTIPLE.pdf
http://biplot.usal.es/problemas/regresion/teoria/regsimple.htm

VIII. ANEXOS.