RUBRICA PARA EVALUAR UN REPORTE DE INVESTIGACION
Puntos
Criterios Excelente
El documento se presenta
de forma digital de acuerdo a
Formato y ortografía
formato indicado por el
profesor, contiene todos los
datos de identificación. El
Forma
tamaño y tipo de letra es
uniforme a lo largo del
documento. No se observan
errores sintácticos o faltas
de ortografía.
Se describe el tipo de
estudio que se realizó
protocolo
Utilización
conforme a los lineamientos
del protocolo o aquellos
dados por el profesor.
del
Se describe detalladamente
el procedimiento utilizado en
las fases de desarrollo de la
Contenido
tarea, los resultados
obtenidos y conclusiones. La
información contenida es
pertinente.
Se utiliza una o más técnicas
de investigación documental
de las siguientes:
Técnicas de investigación
1) análisis de fuentes
impresas,
2) análisis de medios
Fondo
electrónicos,
3) análisis de medios
audiovisuales. La
documental
información de las fuentes es
confiable y relevante para el
estudio.
Los resultados y/o
Comprensi
conclusiones que presenta
fenómeno
el estudiante reflejan una
comprensión detallada del
ón del
fenómeno estudiado.
La bibliografía incluida
sustenta el reporte
Bibliografía
presentado, es relevante,
está actualizada y se
presenta de acuerdo con los
lineamientos de un trabajo
de la carrera.
Notable
El documento se presenta de
forma digital de acuerdo a
formato indicado por el
profesor, sin embargo, faltan
algunos datos de
identificación. En su mayoría
se observa que el tamaño y
tipo de letra es uniforme. Se
observan de dos a
cuatro errores
sintácticos y de
ortografía.
Se describe el tipo de
estudio que se realizó. Se
tomaron en cuenta la
mayoría de los lineamientos
del protocolo o aquellos
dados por el profesor.
Se describe en términos
generales el procedimiento
utilizado en las fases del
desarrollo de la tarea, los
resultados obtenidos y
conclusiones. La información
contenida en la mayoría del
reporte es pertinente.
Se utiliza una o más técnicas
de investigación documental
de las siguientes:
1) análisis de fuentes
impresas,
2) análisis de medios
electrónicos,
3) análisis de medios
audiovisuales. La
información de las fuentes es
en la mayoría de los casos
confiable y relevante para el
estudio.
Los resultados y/o
conclusiones que presenta
el estudiante reflejan una
comprensión general del
fenómeno estudiado.
La bibliografía incluida
sustenta el reporte
presentado, es relevante,
está actualizada, pero no se
presenta de acuerdo con los
lineamientos de un trabajo
de la carrera.
Bueno
El documento se
presenta de forma
digital, sólo se incluye el
nombre del alumno y se
omiten otros datos de
identificación. El tamaño
y tipo de letra no es
uniforme en la mitad del
trabajo. Se observan de
cinco a siete errores
sintácticos y de
ortografía.
Se describe el tipo de
estudio que se realizó,
sin embargo, no se
respetaron varios de los
lineamientos del
protocolo o aquellos
dados por el profesor.
Se describe con
omisiones el
procedimiento utilizado
en las fases del
desarrollo de la tarea, los
resultados obtenidos y
conclusiones. La
información contenida en
la mitad del reporte es
pertinente.
Se utiliza una o más
técnicas de
investigación
documental de las
siguientes:
1) análisis de fuentes
impresas,
2) análisis de medios
electrónicos,
3) análisis de medios
audiovisuales; sin
embargo, la información
de las fuentes es poco
confiable y relevante
para el estudio.
Los resultados y/o
conclusiones que
presenta el estudiante
reflejan una
comprensión limitada del
fenómeno estudiado.
La bibliografía incluida
sustenta débilmente el
reporte presentado, en
muchos de los casos es
poco relevante, no está
actualizada y no se
presenta de acuerdo con
los lineamientos de un
trabajo de la carrera.
Suficiente obtenidos
El documento se
presenta de forma
electrónica, se omitieron
todos los datos de
identificación. El
formato, tamaño y tipos
de letra no es uniforme a
lo largo del trabajo. Se
observan ocho o más
errores sintácticos y de
ortografía.
No se describe el tipo de
estudio que se realizó.
No se utilizó el protocolo
o los lineamientos del
profesor como
referencia para la
integración del reporte.
No se describe el tipo de
procedimiento utilizado,
los resultados obtenidos
ni las conclusiones. La
información contenida es
completamente
irrelevante.
No utiliza ninguna
técnica de investigación
documental o utiliza
alguna cuya fuente no
es confiable y relevante
para el estudio.
Los resultados y/o
conclusiones
presentados reflejan que
el estudiante no
comprende el fenómeno
estudiado.
La bibliografía incluida
no sustenta el reporte
presentado, es
irrelevante, no está
actualizada y no se
presenta de acuerdo con
los lineamientos de un
trabajo de la carrera.
Puntaje total
Calificación
Nombre del Alumno:
De La Cruz Hernández José Andrés Fecha: 27 – Noviembre – 2020

Docente: M.I. Adolfo Montesino Velázquez Grado y grupo: 3ro A.

Nombre de Actividad: Reporte de investigación. Tema: Regresión lineal

simple.

Objetivo: Podrás analizar una investigación acerca de la relación de conceptos

relacionados con la regresión lineal simple.

Instrucciones: El alumno buscara la información acerca de la relación de

conceptos relacionados con la regresión lineal simple. Y también encontrar
un ejemplo de situaciones hipotéticas de procesos y/o poblaciones finitas
utilizando un modelo de regresión para propósitos de estimación y
predicción para analizar la relación entre dos variables. Para realizar un
reporte de investigación.

Firma del Alumno Firma del Docente:

_______________________ _______________________
Introducción

En la siguiente investigación de la unidad en curso se hablará acerca de los

temas que se relacionan con la regresión lineal simple, debido a que este es un
tema necesario, puesto que ayuda a resolver problemas los cuales implican un
conjunto de variables, todo esto con el motivo de saber si existe algún tipo de
relación inherente entre dichos conjuntos.

Cabe mencionar que también es necesario que se establezcan las

relaciones que expliquen su unión de dichos conjuntos, ya que estas suelen
basarse en los análisis de la correlación y regresión.

Hablaremos acerca de su utilización para predecir variables continuas,

dependientes, dado un conjunto de variables independientes. Recordando que la
regresión lineal es de naturaleza paramétrica porque hace ciertas suposiciones
basadas en el conjunto de datos.
Regresión Lineal 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.

Matemáticamente, la regresión usa una función lineal para aproximar o

predecir la variable dependiente dada como:

y = ax + b

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”.

El objetivo con Regresión Lineal Simple es minimizar la distancia vertical

entre todos los datos y nuestra línea, por lo tanto, para determinar la mejor línea,
debemos minimizar la distancia entre todos los puntos y la distancia de nuestra
línea. Existen muchos métodos para cumplir con este objetivo, pero todos estos
métodos tienen un solo objetivo que es el de minimizar la distancia.

Una forma en que el modelo de regresión encuentre la mejor línea de

ajustes es utilizando el criterio de mínimos cuadrados para reducir el error.

El error es una parte inevitable del proceso de predicción, no importa cuán

poderoso sea el algoritmo que elijamos, siempre habrá un error irreductible.
Sabemos que no podemos eliminar por completo el error, pero aún podemos
intentar reducirlo al nivel más bajo. Justamente es en este momento en que se usa
la técnica conocida como mínimos cuadrados.

La técnica de mínimos cuadrado intenta reducir la suma de los errores al

cuadrado, buscando el mejor valor posible de los coeficientes de regresión.

Los mínimos cuadrados no es la única técnica para usar en Regresión

Lineal, pero se selecciona debido:

• Utiliza un error cuadrado que tiene buenas propiedades matemáticas, por lo

que es más fácil diferencias y calcular el descenso del gradiente.

• Es fácil de analizar y computacionalmente más rápido, es decir, puede

aplicarse rápidamente a conjuntos de datos que tienen miles de
características.

• La interpretación es mucho más fácil que otras técnicas de regresión.

Prueba De Hipótesis En La Regresión Lineal Simple.

Por lo general, la hipótesis de mayor interés plantea que la pendiente es

significativamente diferente de cero. Esto se logra al aprobar la siguiente hipótesis:

El estadístico de prueba es:

Si la hipótesis nula es verdadera él estadístico tiene una distribución T-

Student con n – 2 grados de libertad. Se rechaza H0 si el valor absoluto de este
estadístico es mayor que el correspondiente valor crítico obtenido de tablas, es
decir, se rechaza H0 si:

En caso contrario no se rechaza H0. No rechazar que 𝛽1 = 0 , en el caso del

modelo de regresión lineal simple, implica que no existe una relación lineal significativa
entre X y Y; por tanto, no existe relación entre estas variables o ésta es de otro tipo.

Para ser válido, el modelo de regresión lineal simple necesita que se

satisfagan.

las siguientes hipótesis:

1. linealidad.

Si pretendemos ajustar una línea recta a un conjunto de datos es

fundamental que estos tengan un aspecto compatible con el de una recta.
 A menor linealidad, peor representación mediante una recta de regresión.
Para comprobar la linealidad, representamos gráficamente la nube de puntos
𝑛
asociada al conjunto de observaciones {(𝑥𝑖, 𝑦𝑖)} 𝑖=1. Si los datos son no lineales,

tal vez sea posible encontrar una relación de los mismos que nos permite aceptar
la hipótesis de linealidad para los datos transformados.

2. Homogeneidad.

La varianza de los errores es constante:

𝑉 𝑎𝑟 (𝑢𝑖 ) = 𝜎 2 , 𝑖 = 1, . . . . . , 𝑛

Gráficamente, significa que la nube de puntos de los datos tiene una

anchura más o menos constante a lo largo de la recta de regresión. En este caso,
se dice que los datos son homocedásticos; en caso contrario, se dice que son
heterocedásticos.

3. Homocedasticidad.

Las perturbaciones tienen esperanza nula: 𝐸 (𝑢𝑖 ) = 0, 𝑖 = 1, . . . , 𝑛. Esto

significa que el ajuste que se va a hacer está centrado respecto de los datos.

4. Independencia.

𝑛
Las perturbaciones {𝑢𝑖 } 𝑖=1 son variables aleatorias independientes.

5. Normalidad.

Los errores tienen una distribución normal: ui ≡ N(0, σ2). Es decir, se

distribuyen siguiendo una campana de Gauss. Esta suposición es perfectamente
razonable en virtud del teorema del límite central: si una variable es suma de
muchas otras más pequeñas, entonces se distribuirá normalmente.

Como consecuencia, 𝑦𝑖 ≡ N(𝛽0 + 𝛽1 𝑥𝑖 , 𝜎 2 ).

 Observación: Bajo las hipótesis de normalidad, la incorrelación y la
independencia de las variables 𝑢𝑖 son equivalentes.

Calidad Del Ajuste En La Regresión Lineal Simple.

La calidad del ajuste de una regresión lineal simple permite verificar la

calidad con la que el modelo planteado permite hacer estimaciones. Se necesita
conocer qué tanta variabilidad en Y fue explicada por el modelo, si se cumplen los
supuestos de normalidad en los residuos y si la variación no tiene ningún patrón
fuera de lo usual.

La presentación de varios criterios para evaluar la calidad del modelo tiene

el propósito de destacar que los buenos modelos se construyen a medida que
cumplen más criterios de calidad de ajustes. El no cumplimiento de alguno de los
criterios no hará necesariamente inviable el modelo desde el punto de vista
práctico.

Verificación de los supuestos

La evaluación de la normalidad de los residuales, se analiza formalmente a

través de la prueba de Shapiro-Wilks y una combinación de pruebas gráficas
(gráficos Q-Q normal). A su vez, el supuesto de varianza constante de los residuos
se evalúa graficando los residuales estandarizados respecto a los valores de Y
pronosticados por el modelo.
 La verificación del supuesto de independencia se analiza mediante el
gráfico de los residuos contra el orden en que se obtuvieron los datos. Para que se
cumpla el supuesto de independencia, los datos no deben seguir ningún patrón
bien definido en este gráfico.

Un contraste formal para esta evaluación, se consigue mediante la prueba

de Durbin-Watson, que permite diagnosticar la presencia de correlación
(autocorrelación) entre los residuos consecutivos (ordenados en el tiempo), que es
una posible manifestación de falta de independencia. La dificultad de este
estadístico, es que no detecta la correlación entre residuos no consecutivos en el
tiempo, que violan el supuesto de independencia.

En la gráfica de residuos vs tiempo, se observa correlación positiva cuando

los puntos caen encadenados; opuestamente, cuando los puntos se alternan de
positivos a negativos, la correlación es negativa.Se identifican las observaciones
inusuales mediante la evaluación de los residuos estandarizados, con los cuales
se realizaron gráficos cuantil-cuantil para la evaluación de su normalidad.

Los residuales también son utilizados para la identificación de valores de Y

que fueran outliers. Se estudia la distancia de Cook para evaluar la influencia de
estos casos en el total de valores ajustados. El gráfico de la distancia de Cook
según los valores de Leverage, nos indica qué casos necesitan una evaluación
más pormenorizada

Estimación Y Predicción Por Intervalo En Regresión Lineal Simple

Una de las aplicaciones más importantes en un análisis de regresión es

hacer estimaciones de la respuesta media para un valor dado de X. En el caso
particular de la regresión lineal simple, sabemos que un estimador puntual de la
respuesta media lo da la recta de regresión:
 Además de esto, en ocasiones es de interés obtener una estimación por
intervalos para Y a partir de cualquier valor de X, para lo cual aplicamos la
siguiente ecuación:

A este intervalo se le conoce como intervalo para la recta de regresión.

Note que su amplitud depende del CME y de la distancia entre X0 y 𝑥̅ . La amplitud

es mínima cuando X0 = 𝑥̅ y se incrementa conforme |X0 – 𝑥̅ | se hace más grande

Estimadores de mínimos cuadrados.

Gauss propuso en 1809 el método de mínimos cuadrados para obtener los

valores β^̂ 0 y β^̂ 1 que mejor se ajustan a los datos y^̂ i=β^̂ 0〖+β〗^̂ 1xi por la
función elegida y los correspondientes valores en los datos.

Específicamente, se llama mínimos cuadrados promedio (LMS) cuando el

número de datos medidos es 1 y se usa el método de descenso por gradiente para
minimizar el residuo cuadrado. Se puede que LMS minimiza el residuo cuadrado
esperado, con el mínimo de operaciones (por iteración), pero requiere un gran
número de iteraciones para converger.
Conclusión.

Se concluye diciendo que la regresión lineal simple es muy importante ya

que estas ayudan a resolver problemas los cuales implican un conjunto de
variables. 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, el método de regresión lineal simple explica los valores
de una variable en términos de otra. Es decir, se puede observar una relación de
causa y efecto entre las variables.
Referencias Bibliográficas:

Referencias Bibliográficas de fuentes de información.

• Ferrero, R. (2009, 12 septiembre). Regresión lineal simple [SIMPLE!].
Recuperado 26 de noviembre de 2020, de
http://statisticalecology.blogspot.com/2009/09/regresion-lineal-simple-
simple.html#:%7E:text=Frente%20a%20la%20presencia%20de,los%20coef
icientes%20de%20la%20regresi%C3%B3n.&text=La%20calidad%20del%2
0ajuste%20de,modelo%20planteado%20permite%20hacer%20estimacione
s.
• Gonzalez, L. (2020, 20 agosto). Regresión Lineal Simple - Teoría.
Recuperado 26 de noviembre de 2020, de https://aprendeia.com/algoritmo-
regresion-lineal-simple-machine-learning/
• Regresión lineal simple. (s. f.). Recuperado 26 de noviembre de 2020, de
https://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/sd/node14.html
• Rios, J. (s. f.). 5.2 Calidad del ajuste en regresión lineal simple. Recuperado
26 de noviembre de 2020, de https://es.scribd.com/document/457668196/5-
2-Calidad-del-ajuste-en-regresion-lineal-simple
• Serrata, J. (s. f.). Estadística Inferencial II. Recuperado 26 de noviembre de
2020, de
https://www.academia.edu/8137314/Estad%C3%ADstica_Inferencial_II

Referencias Bibliográficas De Videos.

• mi itve. (2018, 3 diciembre). Tema 5.2 Calidad del ajuste en regresión lineal
simple [Archivo de vídeo]. Recuperado de
https://www.youtube.com/watch?v=SwCdBVfGwro

Referencia Bibliográfica Del Ejemplo Del Problema:

• Montesino. A. (22 de noviembre de 2020). Unidad V Regresión Lineal
Simple. Recuperado de
http://clases.itesco.edu.mx/site/pluginfile.php/128663/mod_resource/content
/1/amv%20u5a.pdf