UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL LA

RIOJA

REGRESION

Ingeniería Civil y Electromecánica.

Cátedra: Probabilidad y estadística.

Titular: Licenciado Russo Castore.

Alumno:

Córdoba, Fabrizio Pablo.

Ortiz, Alejandro Darío.

Reus, Mauricio Emmanuel.

Año 2019
 HISTORIA DE LA REGRESION
Sir Francis Galton (16 de febrero de 1822 – 17 de enero de 1911) era primo del
famoso naturalista Darwin. El término regresión fue utilizado por primera vez como
un concepto estadístico en 1877 por sir Francis Galton, quien llevó a cabo un
estudio que mostró que la estatura de los niños nacidos de padres altos tiende a
retroceder o “regresar” hacia la estatura media de la población.

Designó la palabra regresión como el nombre del proceso general de predecir

una variable (la estatura de los niños) a partir de otra (la estatura del padre o de la
madre).

(Las matemáticas, como cualquier otra ciencia, pueden servir para el desarrollo de
la humanidad o para objetivos perversos. En este sentido Galton pensó en aplicar
la selección artificial al ser humano para mejorar la raza, formalizándose así, por
primera vez, la teoría de la eugenesia. Éstas y otras teorías similares sirvieron de
base a los ideales de superioridad de raza, como los del nazismo alemán, pero
también tuvieron gran aceptación en el resto de Europa y en los Estados Unidos.)

¿Para qué sirve la regresión lineal?...

El análisis de regresión lineal es una técnica estadística utilizada para estudiar
la relación entre variables. Se adapta a una amplia variedad de situaciones. En la
investigación social, el análisis de regresión se utiliza para predecir un amplio
rango de fenómenos, desde medidas económicas hasta diferentes aspectos del
comportamiento humano.

El análisis de regresión lineal puede utilizarse para explorar y cuantificar la

relación entre una variable “Y” llamada dependiente o criterio, y una o más
variables llamadas independientes o predictores “X”, así como para desarrollar
una ecuación lineal con fines predictivos.

¿Qué relaciona?...
Los análisis de regresión y de correlación se basan en la relación, o asociación,
entre dos (o más) variables.

La variable (o variables) conocida(s) se llaman variable(s) independiente(s); la que

tratamos de predecir es la variable dependiente.

Se dice que la pendiente de esta recta es positiva, porque Y crece si X crece

(relación directa).
Las relaciones pueden ser inversas en vez de directas. En estos casos, la variable
dependiente disminuye al aumentar la variable independiente.

Relacion Directa.

Relacion Inversa.

¿Para qué sirve?...

Es un proceso estadístico para estimar las relaciones entre variables, más
específicamente nos ayuda a entender como el valor de la variable dependiente
varia al cambiar el valor de la variable independiente. Este análisis es
ampliamente utilizado para la predicción y previsión, y se utiliza también para
comprender cuales de las variables independientes están relacionadas con la
variable dependiente, y explorar las formas de estas relaciones.
¿Cuántas cosas relaciona?...
Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus
parámetros; en el caso de la regresión lineal simple solo se maneja una variable
independiente “x”, por lo que solo se manejan dos parámetros. Y son los de la
forma:

y = β0 + β1 x + ε

-β0: Es el término independiente de la recta u ordenada al origen.

- β1: Es el término que acompaña a la x, es decir, la pendiente de la recta, esta

indica el grado de relación que existe entre las variables.

- ε: Es el error asociado a la medición.

-X: Variable independiente.

-Y: Variable dependiente.

¿Cuáles son las bases?...

Las bases de un modelo estadístico se refieren a una serie de condiciones que
deben darse para garantizar la validez del modelo, las bases son la siguiente:

1)- Linealidad: Que la relación entre las variables sea lineal.

2)- Independencia: Que los errores en la medición de las variables explicativas

sean independientes entre sí.

3)- Homocedasticidad: Que los errores tengan varianza constante.

4)- Normalidad: Que los errores tengan una esperanza matemática igual a cero
(los errores de una misma magnitud y distinto signo son equiprobables).

5)- Sumatoria de errores: Que el error total sea la suma de todos los errores.

6)- No colinealidad: No existe relación exacta entre ninguna de las variables.

¿A partir de qué se construye?...

Se construye a partir de una recolección de datos cuantitativos donde se podrá
graficar como una función lineal, donde tendremos dos variables. El patrón de
puntos resulta al registrar cada par de datos de una tabla como un punto. Cuando
vemos todos estos puntos juntos, podemos visualizar la relación que existe entre
las dos variables. Como resultado, podemos trazar, o “ajustar” una línea recta a
través de nuestro diagrama de dispersión para representar la relación. Es común
intentar trazar estas líneas de forma tal que un número igual de puntos caiga en
cada lado de la línea.

Con las siguientes formulas podemos calcular los valores requeridos.

Datos de población estudiantil y ventas trimestrales para una muestra de 10

restaurantes:

Restaurante Xi Yi Xi*Yi Xi^2

1 2 58 116 4
2 6 105 630 36
3 8 88 704 64
4 8 118 944 64
5 12 117 1404 144
6 16 137 2192 256
7 20 157 3140 400
8 20 169 3380 400
9 22 149 3278 484
10 26 202 5252 676
140 1300 21040 2528
 Muestra
250

200

150

100

50

0
0 5 10 15 20 25 30

Primero calculamos b1:

Y luego calculamos bo:

Con esta ecuación podemos obtener la recta:

 Muestra
250

200

150

100

50

0
0 5 10 15 20 25 30

¿Qué es la bondad de la regresión?...

La bondad o bondad de ajuste del modelo de regresión se refiere al grado en el

que éste es conveniente como modelo para representar a las variables implicadas
en el mismo; es decir, es un indicador de la precisión en la que la recta se ajusta a
la nube de puntos.

A medida que la bondad de ajuste tiende a 1 los puntos ubicados en la nueve

tiende a la recta de la regresión lineal.

Para calcularlo, en el caso de una regresión lineal utilizaremos el coeficiente de

correlación de Pearson:

Y lo elevaremos al cuadro, con lo cual los valores siempre estarán entre 0 y 1,

debido que el coeficiente de Pearson ya está entre –1 y 1.

La fórmula de la bondad es la siguiente: