INTRODUCCIÓN
tener el mismo número de decimales que el valor
El presente informe se detalla de manera específica
como la regresión lineal nos brinda información
estadística para establecer relaciones entre variables.
La regresión lineal se adapta a una amplia variedad de
situaciones. En física, generalmente se usa para
caracterizar la relación especifica entre variables y
asimismo para calibrar sus medidas.
El movimiento parabólico se usa como práctica para
demostrar la utilidad y concordancia de la regresión
lineal. Este movimiento se vincula estrechamente a la
trayectoria ideal de un proyectil que se mueve en un
medio que ofrece resistencia al avance y que está
sujeto a un campo gravitatorio uniforme. En este caso,
la resistencia tiene cambios frente a su altura. Los datos
registrados en esta práctica, se determinan a partir de
una clasificación exacta de las variables, donde algunas
como la altura de X (obstáculo de la cuerda), Y (altura
en la que se lanza la pelota) varían de acuerdo a su
episodio de choque contra el obstáculo, al igual que el
tiempo. Al tener por completo los datos, se efectúa el
correspondiente procedimiento estadístico para
establecer la relación que se guarda entre variables y su
respectiva cuantificación.
MARCO TEÓRICO
¿Qué son las cifras significativas?
Cifras significativas: son aquellas que representan una
magnitud o cantidad que tiene un significado real. El
número de cifras significativas viene determinado por
el error en la determinación de esa magnitud. Las cifras
significativas dan un sentido de la precisión de un
resultado. (Gil, 2013)
2. ¿Cómo se deben usar las cifras significativas?
Reglas de las cifras significativas
 Cuando el primero de los dígitos
descartados es cinco o mayor que cinco, la cifra
anterior se aumenta en una unidad.
Ejemplo: 45.367892 redondeado a 4 c.s. es 45.37.
 Cuando el primero de los dígitos descartados
es menor que cinco, la cifra anterior se mantiene
igual. Ejemplo: 123.643421 redondeado a 5 c.s. es
123,64.
 Cuando sumamos o restamos, el resultado debe
que menos tenga. Ejemplo: 12.07 + 3.2 = 15.27
 Cuando multiplicamos o dividimos, el resultado
debe tener el mismo número de cifras significativas
que el valor que menos tenga. Ejemplo: 12.07 · 3.2
= 39
Redondeo de cifras significativas
En la expresión de un resultado no se pueden utilizar
cifras no significativas, puesto que puede suponer una
fuente de confusión. Así los números deben
redondearse de forma que contengan sólo cifras
significativas. Se llama redondeo al proceso de
eliminación de cifras no significativas de un número.
La notación científica (o notación índice estándar): es
una manera rápida de representar
un número utilizando potencias de base diez. Esta
notación se utiliza para poder expresar muy fácilmente
números muy grandes o muy pequeños. (Llopis, 2016)
Los números se escriben como un producto:
siendo:
a = un número real mayor o igual que 1 y menor que 10,
que recibe el nombre de coeficiente.
n =un número entero, que recibe el nombre
de exponente u orden de magnitud.
Por ejemplo: 650,000,000 puede escribirse en notación
científica como 6.5 x 10^8.
El promedio aritmético: es un cálculo muy usado en la
cotidianidad del trabajo en empresas. Debemos saber,
sin embargo, que hay otros tipos de promedio que
pueden calcularse, cada uno con significado diferente.
El que vemos casi en la totalidad de reportes de trabajo
en las empresas es el promedio aritmético, también
conocido como “media aritmética”.
Es un valor único que podría sustituir a todos los valores
de una lista, de tal modo que su suma sería la misma
que si sumáramos los números originales. (Morales,
2014)

Usamos el promedio aritmético para:
 Para crear el concepto de uniformidad en un grupo
disperso de datos sobre alguna cosa.
 Para extraer un único valor que puede representar
a un conjunto de números en una lista.
 Para resumir un conjunto de datos.
 Para comparar un grupo de datos con otro.
3. ¿En qué consiste el método de los mínimos
cuadrados?
Mínimos Cuadrados: es un procedimiento de análisis
numérico en la que, dados un conjunto de datos (pares
ordenados y familia de funciones), se intenta
determinar la función continua que mejor se aproxime
a los datos (línea de regresión o la línea de mejor
ajuste), proporcionando una demostración visual de la
relación entre los puntos de los mismos. En su forma
más simple, busca minimizar la suma de cuadrados de
las diferencias ordenadas (llamadas residuos) entre los
puntos generados por la función y los correspondientes
datos. (del Bosque Alayón, Gonzalez Maya, & Garcia
Garcia, 2001)
Su expresión general se basa en la ecuación de una
recta y = mx + b. Donde m es la pendiente y b el punto
de corte, y vienen expresadas de la siguiente manera:
Σ Es el símbolo sumatorio de todos los términos,
mientas (x, y) son los datos en estudio y n la cantidad
de datos que existen.
El método de mínimos cuadrados calcula a partir de los
N pares de datos experimentales (x, y), los valores m y
b que mejor ajustan los datos a una recta. Se entiende
por el mejor ajuste aquella recta que hace mínimas
las distancias d de los puntos medidos a la recta.
Teniendo una serie de datos (x, y), mostrados en un
gráfico o gráfica, si al conectar punto a punto no se
describe una recta, debemos aplicar el método de
mínimos cuadrados, basándonos en su expresión
general.
Cuando se haga uso del método de mínimos cuadrados
se debe buscar una línea de mejor ajuste que explique
la posible relación entre una variable independiente y
una variable dependiente. En el análisis de regresión,
las variables dependientes se designan en el eje y
vertical y las variables independientes se designan en el
eje x horizontal. Estas designaciones formarán la
ecuación para la línea de mejor ajuste, que se
determina a partir del método de mínimos cuadrados.
(Rodriguez, 2016)
4. ¿Qué tipo de información se puede obtener de una
regresión lineal?
El modelo de pronóstico de regresión lineal permite
hallar el valor esperado de una variable
aleatoria a cuando b toma un valor específico. La
aplicación de este método implica un supuesto de
linealidad cuando la demanda presenta un
comportamiento creciente o decreciente, por tal razón,
se hace indispensable que previo a la selección de este
método exista un análisis de regresión que determine
la intensidad de las relaciones entre las variables que
componen el modelo.
El pronóstico de regresión lineal simple es un modelo
óptimo para patrones de demanda con
tendencia (creciente o decreciente), es decir, patrones
que presenten una relación de linealidad entre la
demanda y el tiempo. Se vincula a la formula simple
para hallar la regresión lineal: (Lopez, 2016)
REFERENCIAS

del Bosque Alayón, R., Gonzalez Maya, A., & Garcia

Garcia, Z. (2001). ESTADÍSTICA PARA
ADMINISTRACIÓN Y ECONOMÍA. México:
McGRAW-HILL/INTERAMERICANA EDITORES,
S.A de C.V.

Gil, M. (2013). Proyecto de innovación y mejora de la

calidad docente. Obtenido de
https://basesfqfarmaceutica.wordpress.com/c
onceptos-basicos/cifras-significativas/

Llopis, J. (31 de Abril de 2016). Fisic. Obtenido de

https://www.fisic.ch/contenidos/elementos-
matem%C3%A1ticos-
b%C3%A1sicos/notaci%C3%B3n-
cient%C3%ADfica/

Lopez, B. S. (2016).
INGENIERIAINDUSTRAIL.ONLINE.COM.
Obtenido de
https://www.ingenieriaindustrialonline.com/h
erramientas-para-el-ingeniero-
industrial/pron%C3%B3stico-de-
ventas/regresi%C3%B3n-lineal/

Morales, J. C. (22 de Septiembre de 2014).

Matemáticas empresariales. Obtenido de
https://matematicasempresariales.wordpress.
com/2014/09/22/el-promedio-aritmetico/

Rodriguez, C. (12 de Julio de 2016). Miprofe.com.

Obtenido de https://miprofe.com/minimos-
cuadrados/