Tecnológico Nacional de México Campus Colima.

Ingeniería en Gestión Empresarial.

Estadística Inferencial II.

Prof. Ramón Urzúa Contreras.

1. Regresión lineal Simple y Correlación.

Integrantes:
Yessenia Alejandra Flores Valencia
Juan Fernando Anguiano Torres
Jesús Octavio Ramírez Novela
Uriel Humberto Pérez Sánchez

Aula: W8

30/09/2020
INTRODUCCIÓN.
En la industria con mucha frecuencia es necesario resolver problemas que
implican conjuntos de variables, cuando se sabe que existe alguna relación
inherente entre ellas. A partir de lo anterior, es necesario establecer
modelos que expliquen dicha relación.
En forma más especifica el análisis de correlación y regresión comprende
el análisis de los datos muestrales para saber qué es y cómo se relacionan
entre si dos o más variables en una población. El análisis de correlación
produce un número que resume el grado de la fuerza de relación entre
dos variables; y el análisis de regresión da lugar a una ecuación
matemática que describe dicha relación.
A partir de la presente investigación, se pretende mostrar la aplicación
práctica de la regresión y correlación lineal simple. Para explicar mejor el
tema más extenso y aclarar dudas con gráficas y ejemplos.
1.1. Regresión Líneal Simple.
El modelo de Regresión Lineal es tan simple que muchos argumentan que
no es digno de ser clasificado como Machine Learning. Este algoritmo es
un método estadístico que nos permite resumir y estudiar las relaciones
entre dos variables continuas cuantitativas.
La Regresión Lineal es una técnica paramétrica utilizada para predecir
variables continuas, dependientes, dado un conjunto de variables
independientes. Es de naturaleza paramétrica porque hace ciertas
suposiciones basadas en el conjunto de datos. Si el conjunto de datos
sigue esas suposiciones, la regresión arroja resultados increíbles, de lo
contrario, tiene dificultades para proporcionar una precisión convincente.

1.2. ¿Qué es la Correlación?

En probabilidad y estadística, la correlación indica la fuerza y la dirección
de una relación lineal y proporcionalidad entre dos variables estadísticas.
Se considera que dos variables cuantitativas están correlacionadas cuando
los valores de una de ellas varían sistemáticamente con respecto a los
valores homónimos de la otra: si tenemos dos variables (A y B) existe
correlación entre ellas si al disminuir los valores de A lo hacen también los
de B y viceversa. La correlación entre dos variables no implica, por sí
misma, ninguna relación de causalidad.

1.3. Ecuación de Regresión Simple.

Matemáticamente, la regresión usa una función lineal para aproximar o
predecir la variable dependiente dada como:
Donde:
y – es la variable dependiente o la variable a predecir.
x – es la variable independiente o la variable que usamos para hacer una
predicción.
a – es la pendiente o el valor que debe ser determinado, se le conoce
como coeficiente y es una especie de magnitud de cambio que pasa por y
cuando x cambia.
b – es la constante que debe ser determinada, se le conoce como
intercepto porque cuando x es igual a 0, entonces y = b.
Esta es la ecuación de Regresión Lineal Simple. Se llama simple porque
solo hay una variable independiente involucrada, que vendría siendo “x”.

1.4. Gráficos de los datos de dispersión.

Los gráficos de dispersión se usan para trazar puntos de datos en un eje
vertical y uno horizontal, mediante lo que se trata de mostrar cuánto
afecta una variable a otra.
Cada fila de la tabla de datos la representa un indicador cuya posición
depende de sus valores en las columnas que se establecen en los ejes X e
Y. Se pueden usar varias escalas en el eje Y cuando se desea comparar
varios indicadores con rangos de valor significativamente distintos. Se
puede establecer una tercera variable para que se corresponda con el
color o el tamaño (por ejemplo, un gráfico de burbujas) de los indicadores,
lo que agregaría otra dimensión más al gráfico.
La relación entre dos variables se llama correlación. Si los indicadores
forman una línea casi recta en el gráfico de dispersión, las dos variables
tendrán una correlación alta. Si los indicadores se distribuyen de manera
uniforme a lo largo del gráfico de dispersión, la correlación es baja o nula.
Sin embargo, aunque parezca que existe una correlación entre variables,
esto no siempre es así. La causa de una aparente correlación podría ser
que dos variables estén relacionadas con una tercera variable, lo que
explicaría la variación, o pura coincidencia.
Si se aplica al crear el análisis, el gráfico de dispersión puede mostrar
información adicional en líneas de referencia o varios tipos distintos de
curvas. Estas líneas o curvas podrían, por ejemplo, mostrar si los puntos
de los datos se adaptan bien a un ajuste de curva polinómica
determinado, o resumir un conjunto de puntos de datos de muestra
ajustándolos a un modelo que describirá los datos y mostrará una curva o
una línea recta sobre la visualización. La curva normalmente cambia su
aspecto en función de los valores que se hayan filtrado del análisis. Al
pasar por encima el ratón, una sugerencia sobre herramienta mostrará la
forma en que se calcula la curva.
Ejemplo:
En el siguiente gráfico de dispersión, las ventas (Y) se han trazado frente a
los costes (X) para varios productos distintos (coloreados por producto),
para mostrar una correlación positiva baja.
Los gráficos de dispersión también se pueden usar con agregaciones; por
ejemplo, Sum (Suma) o Average (Promedio). En este caso, los valores de
una categoría determinada se agrupan para mostrar un único indicador
por cada categoría. A los indicadores agregados también se les puede
asignar un tamaño en función de la cantidad de elementos de cada
categoría o de cualquier otra columna.
Ahora los indicadores muestran la suma de ventas por cada producto.

Ejemplo:
Otra opción es usar indicadores en mosaico. Mediante esta opción, todos
los indicadores tendrán el mismo tamaño y se mostrarán en un diseño de
cuadrícula, como se observa en el siguiente ejemplo:
En este ejemplo se muestran los resultados de un experimento realizado
en una placa, en el que cada indicador del gráfico de dispersión representa
un pocillo de esta, y los colores de los indicadores representan los
resultados del experimento en cada uno de los pocillos.

Variación directa e inversa

La variación directa describe una relación simple entre dos variables.

Decimos que y varía directamente con x
y = kx .para alguna constante k.
Esto significa que así como x aumenta, y aumenta y así como x disminuye,
y disminuye.
La gráfica de la ecuación de variación directa es una línea recta a través
del origen.
La variación inversa describe otro tipo de relación. Decimos que y varía
inversamente con x
Xy = k,

O, equivalentemente, Para alguna constante k.

Esto significa que así como x aumenta, y disminuye y así como x
disminuye, y aumenta.
La gráfica de la ecuación de variación inversa es una hipérbola
Hipérbolas

La hipérbola "básica" es la función

Esta función tiene una gráfica que consiste de dos partes desarticuladas.
Dese cuenta que 0 no está en el dominio.
Dese cuenta también que la función se acerca a 0 asintóticamente así
como x crece infinitamente grande (o infinitamente negativa), y que se
acerca al infinito así como x se acerca a 0 del lado positivo, al infinito
negativo así como x se acerca a 0 del lado negativo.

El centro de la hipérbola es el punto de simetría rotacional. En el ejemplo

anterior, el centro es (0, 0). La gráfica de la función racional
CONCLUSIÓNES.
 Mi conclusión es que la regresión lineal simple y la regresión
múltiple, analiza la relación de dos o más variables continuas,
cuando analiza dos variables a esta se él conoce como variables
bivariantes que pueden corresponder a variables cualitativas. La
finalidad de una ecuación de regresión es la de estimar los valores
de una variable con base en los valores conocidos de la otra. Del
mismo modo, una ecuación de regresión explica los valores de una
variable en términos de otra. Es decir, se puede intuir una relación
de causa y efecto entre dos o más variables. El análisis de regresión
únicamente indica qué relación matemática podría haber, de existir
una.
Flores Valencia Yessenia Alejandra.
 La correlación lineal y la regresión lineal simple son métodos
estadísticos que estudian la relación lineal existente entre dos
variables. Estos nos ayudaran que reduzcamos las probabilidades de
error ya que con estos márgenes podremos prevenir o coincidir en
alguna gráfica. Con la regresión lineal identificamos el modelo o
función que liga a las variables, nos ayuda a estimar los parámetros
y prueba hipótesis cerca de ellos.
Uriel Sánchez Pérez
 Bueno mi conclusión de este trabajo es que el modelo de regresión
lineal es importante para poder predecir probabilidades de que
ocurra algún error o coincidencia en las estadísticas, en cuanto a la
correlación esta trata sobre la relación que tiene de dos o más
elementos como el ejemplo que colocamos sobre una empresa
 donde existe una relación entre el stock de productos y los gastos
que se hicieron para elaborarlos.
Los graficas de datos de dispersión se utilizan normalmente para
acomodar varias cantidades que pueden ser muy variadas o que no
tienen mucha correlación y las gráficas de relación inversa y directa
como su nombre lo indica una tiene que tener una relación directa
con las cantidades y la otra debe ser inversamente proporcional.

Jesús Octavio Ramírez Novela

 En esta primera actividad Las técnicas de regresión y correlación

cuantifican la asociación estadística entre dos o más variables. La
regresión lineal simple expresa la relación entre una variable
dependiente Y y una variable independiente X, en términos de la
pendiente y la intersección de la línea que mejor se ajuste a las
variables.
La correlación simple expresa el grado o la cercanía de la relación
entre las dos variables en términos de un coeficiente de correlación
que proporciona una medida indirecta de la variabilidad de los
puntos alrededor de la mejor línea de ajuste- Ni la regresión ni la
correlación dan pruebas de relaciones.

ANGUIANO TORRES JUAN FERNANDO

Fuentes
https://www.cienciadedatos.net/documentos/24_correlacion_y_regre
sion_lineal
https://es.khanacademy.org/math/algebra-home/alg-rational-expr-eq-
func/alg-direct-and-inverse-variation/v/direct-and-inverse-variation
http://www.dcb.unam.mx/profesores/irene/Notas/Regresion.pdf