REGRESION LINEAL

La regresión lineal simple es un método estadístico que estudia la relación lineal

existente entre dos variables, algunas de sus características a destacar son las
siguientes:
 La regresión lineal consiste en generar una ecuación modelo que,
basándose en la relación existente entre ambas variables, permita
predecir el valor de una a partir de la otra.
 En el caso de la regresión lineal, el modelo varía según qué variable se
considere dependiente de la otra.
 A nivel experimental, en el caso de estudios de regresión lineal, es común
que una de las variables se controle (tiempo, concentración de reactivo,
temperatura…) y se mida la otra.
La regresión lineal simple consiste en generar un modelo de regresión (ecuación
de una recta) que permita explicar la relación lineal que existe entre dos
variables. A la variable dependiente o respuesta se le identifica como Y y a la
variable predictora o independiente como X.
El modelo de regresión lineal simple se describe de acuerdo con la ecuación:

 Y=β0+β1X1+ϵ
Siendo β0β0 la ordenada en el origen, β1β1 la pendiente y ϵϵ el error aleatorio.
Este último representa la diferencia entre el valor ajustado por la recta y el valor
real. Recoge el efecto de todas aquellas variables que influyen en YY pero que
no se incluyen en el modelo como predictores. Al error aleatorio también se le
conoce como residuo.

En la gran mayoría de casos, los valores β0β0 y β1β1 poblacionales son

desconocidos, por lo que, a partir de una muestra, se obtienen sus estimaciones
β^0β^0 y β^1β^1. Estas estimaciones se conocen como coeficientes de
regresión, ya que toman aquellos valores que minimizan la suma de cuadrados
residuales, dando lugar a la recta que pasa más cerca de todos los puntos.
Siendo las siguientes formulas lar requeridas para calcularlos:
Donde SySy y SxSx son las desviaciones típicas de cada variable y RR el
coeficiente de correlación. β^0β^0 es el valor esperado la variable Y cuando X =
0, es decir, la intersección de la recta con el eje y. Es un dato necesario para
generar la recta, pero en ocasiones, no tiene interpretación práctica (situaciones
en las que XX no puede adquirir el valor 0).

Una recta de regresión puede emplearse para diferentes propósitos y

dependiendo de ellos es necesario satisfacer distintas condiciones. En caso de
querer medir la relación lineal entre dos variables, la recta de regresión lo va a
indicar de forma directa, ya que calcula la correlación. Sin embargo, en caso de
querer predecir el valor de una variable en función de la otra, no solo se necesita
calcular la recta, sino que además hay que asegurar que el modelo sea bueno.

DIAGRAMA DE DISPERSION
Un diagrama de dispersión o gráfica de dispersión o gráfico de burbujas es un tipo
de diagrama matemático que utiliza las coordenadas cartesianas para mostrar los
valores de dos variables para un conjunto de datos.
El diagrama de dispersión permite estudiar las relaciones entre dos conjuntos
asociados de datos que aparecen en pares (por ejemplo, (x,y), uno de cada
conjunto). El diagrama muestra estos pares como una nube de puntos.
Las relaciones entre los conjuntos asociados de datos se infieren a partir de la
forma de las nubes.
Una relación positiva entre x y y significa que los valores crecientes de x están
asociados con los valores crecientes de y.
Una relación negativa significa que los valores crecientes de x están asociados
con los valores decrecientes de y. 

COEFICIENTE DE CORRELACION DE PEARSON

El coeficiente de correlación de Pearson es la covarianza estandarizada, y su
ecuación difiere dependiendo de si se aplica a una muestra, Coeficiente de
Pearson muestral (r), o si se aplica la población Coeficiente de Pearson
poblacional (ρ). Siendo expresadas por las siguientes formulas.
De igual forma existen ciertas condiciones para que el coeficiente de Pearson
pueda ser aplicado:
1. La relación que se quiere estudiar entre ambas variables es lineal.
2. Las dos variables deben de ser cuantitativas.
3. Homocedasticidad: La varianza de Y debe ser constante a lo largo de la
variable X.

Y algunas de las características destacables de este coeficiente son:

A. Toma valores entre [-1, +1], siendo +1 una correlación lineal positiva
perfecta y -1 una correlación lineal negativa perfecta.
B. Es una medida independiente de las escalas en las que se midan las
variables.
C. No varía si se aplican transformaciones a las variables.
D. No tiene en consideración que las variables sean dependientes o
independientes.
E. El coeficiente de correlación de Pearson no equivale a la pendiente de la
recta de regresión.
Además del valor obtenido para el coeficiente, es necesario calcular su
significancia. Solo si el valor obtenido es significativo se puede aceptar que existe
correlación y esta será de la magnitud que indique el coeficiente. Por muy cercano
que sea el valor del coeficiente de correlación a +1 o -1, si no es significativo, se
ha de interpretar que la correlación de ambas variables es 0 ya que el valor
observado se puede deber al azar.

REFERENCIAS:
 CRISTÓBAL, J.A.; (2003): “Lecciones de Inferencia Estadística”. Prensas
Universitarias de Zaragoza.
 LOPEZ CACHERO, M.; (1990): “Fundamentos y Métodos de Estadística”.
Pirámide. 9ª ed.
 Joaquín Amat Rodrigo. (2016), correlación lineal y regresión lineal simple
(PAGINA WEB) Recuperado de
https://www.cienciadedatos.net/documentos/24_correlacion_y_regresion_lin
eal#bibliografía el 31/03/2020
 Universidad de Santiago de Compostela. (2012), Regresion lineal simple
(PDF) Recuperado de
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140116_Regr_%20simple_2011_12.pdf el
31/03/2020