“UNIVERSIDAD CATÓLICA DE HONDURAS”

Campus Dios Espíritu Santo

Catedrático:
Ing. Sofia Varela Arriaga

Alumno:
Marian Marie Mendoza Molina
0615-2003-00119

Clase:
Estadística II

Trabajo:
Investigación: Aplicaciones de regresión simple

Carrera
Licenciatura en Finanzas

Lugar
San Marcos de Colón, Choluteca

Fecha de entrega
Domingo 27 de junio de 2021
 Tabla de contenido

Contenido
Introducción..............................................................................................................................................................3
Marco teórico............................................................................................................................................................4
Conclusiones.............................................................................................................................................................7
Bibliografía................................................................................................................................................................ 8
Anexos....................................................................................................................................................................... 9
Introducción

Los modelos de regresión lineal se utilizan para aparecer o anticipar la conexión entre dos
factores o factores. El factor que se anticipa (el factor que la condición entiende) se conoce
como la variable necesitada. Los componentes que se utilizan para prever la estimación de la
variable dependiente se conocen como variables independientes.

Algunas de sus características principales son

 Linealidad.
 Homocedasticidad: las varianzas de Y para cada valor de X son todas iguales.
 Ausencia de autocorrelación: las variables Y son independientes entre sí (problema en
estudios longitudinales).
 Normalidad.

A continuación se conocerá más acerca de esta prueba y cuáles son sus aplicaciones.
Marco teórico

Los modelos de regresión lineal son relativamente sencillos y proporcionan una fórmula
matemática fácil de interpretar que puede generar predicciones. La regresión lineal puede
aplicarse a varias áreas de la empresa y de los estudios académicos.

La regresión lineal se utiliza en todo, desde las ciencias biológicas, conductuales, ambientales y
sociales hasta en los negocios. Los modelos de regresión lineal se han convertido en una forma
comprobada de predecir el futuro de forma científica y confiable. Como la regresión lineal es un
procedimiento estadístico establecido hace mucho tiempo, las propiedades de sus modelos de
regresión lineal se conocen bien y pueden enseñarse muy rápido.

Pueden utilizarse técnicas de regresión lineal para analizar el riesgo. Por ejemplo, una compañía
de seguros podría tener pocos recursos con los que investigar las reclamaciones de seguros de
los propietarios de viviendas; con la regresión lineal, el equipo de la compañía puede crear un
modelo para calcular los costos de las reclamaciones. El análisis podría ayudar a que los líderes
de las empresas tomen decisiones empresariales importantes acerca de los riesgos que pueden
correrse.

La regresión lineal no solo se utiliza para los negocios. También es importante en el mundo de
los deportes. Por ejemplo, es posible que se pregunte si el número de partidos que gana un
equipo de baloncesto en una temporada está relacionado con el número promedio de puntos
que el equipo anota por partido. Un diagrama de dispersión indica que estas variables están
relacionadas linealmente. El número de partidos ganados y el número promedio de puntos del
oponente también están relacionados linealmente. Estas variables están relacionadas de forma
negativa. Cuando el número de partidos ganados aumenta, el número promedio de puntos del
oponente disminuye. Con la regresión lineal, es posible crear modelos de la relación entre estas
variables. Puede utilizarse un buen modelo para predecir cuántos partidos ganarán los equipos.

El propósito con Regresión Lineal Fácil es reducir la distancia vertical entre todos los datos y
nuestra línea, por consiguiente, para establecer la mejor línea, debemos reducir la distancia
entre todos los aspectos y la distancia de nuestra línea. Hay varios procedimientos para llevar a
cabo con este objetivo, empero todos dichos procedimientos poseen un solo objetivo que es el
de reducir la distancia.
Una forma en que el modelo de regresión encuentre la mejor línea de ajustes es usando el
criterio de mínimos cuadrados para minimizar el error.

El error es una sección ineludible del proceso de predicción, no importa cuán poderoso sea el
algoritmo que escojamos, continuamente habrá un error irreductible. Entendemos que no
tenemos la posibilidad de remover por completo el error, sin embargo todavía tenemos la
posibilidad de intentar reducirlo al grado más bajo. Justamente es en este instante en que se
utiliza la técnica famosa como mínimos cuadrados.

La técnica de mínimos cuadrado aspira minimizar la suma de los errores al cuadrado,

intentando encontrar el mejor costo viable de los coeficientes de regresión.

Los mínimos cuadrados no es la exclusiva técnica para utilizar en Regresión Lineal empero se
selecciona debido:

Usa un error cuadrado que tiene buenas características matemáticas, por lo cual es más simple
diferencias y calcular el bajón del gradiente.

Es simple de examinar y computacionalmente más veloz, o sea, puede aplicarse velozmente a

conjuntos de datos que poseen una cantidad enorme de propiedades.

La interpretación es muchísimo más simple que otras técnicas de regresión.

Aplicaciones

El modelo de regresión lineal es aplicado en un gran número de campos, desde el ámbito

científico hasta el ámbito social, pasando por aplicaciones industriales ya que en multitud de
situaciones se encuentran comportamientos lineales. Estos son algunos ejemplos aplicados a
diversos campos:

 Química

La concentración de un factor pertenece a los límites de más grande trascendencia en los

procesos químicos aplicados en la industria. Esta cuantificación se puede obtener por medio de
un espectrofotómetro, dispositivo que necesita se calibrado. Para eso se prepara una recta de
calibración que se recibe desde la correlación entre la absorbancia de un jefe y la concentración
de la sustancia a mantener el control de.
  Electricidad

En electricidad se puede obtener el costo de una resistencia en un circuito y su error por medio
de un ajuste de regresión lineal de pares de datos experimentales de voltaje e magnitud
conseguidos por medio de un voltímetro y un amperímetro.

 Mecánica

En esta rama se usa la Regresión Lineal entre otros para ajustar la recta de Paris , una ecuación
que sirve para aprender recursos sometidos a fatiga en funcionalidad del número de ciclos a los
que se somete un material. La bondad del ajuste se comprueba representando el grupo de
valores discretos a-Nm logrados experimentalmente, ante la curva que corresponde a la recta
de Paris determinada por los valores “C” y “m”.

 Sensores

Calibración de un sensor de temperatura (termopar) en funcionalidad de la caída de tensión y la

temperatura. Se estudia la manera en que cambia la temperatura de un líquido al calentarlo. Se
calibra el sensor y paralelamente se mide la alteración de temperaturas en un líquido para
representar los datos conseguidos luego por medio de Regresión Lineal.

 Física

Decisión del coeficiente de rozamiento estático de manera empírica desde la medición del
ángulo de inclinación de una rampa. Se hace un montaje ajustando un circuito para medir el
ángulo de inclinación, y se hacen mediciones variando hablado. Por medio de la regresión lineal
de los datos conseguidos, se recibe la ecuación y el índice de correlación con el objetivo de
saber el error.

 Fabricación
Dos de los límites más relevantes de una soldadura es la magnitud aplicada al hilo y la rapidez
de ingesta de alimentos del mismo. Por medio de técnicas de regresión lineal se elaboran las
rectas que relacionan dichas fronteras con la división entre el hilo y el sector a soldar.

Conclusiones

 Mediante el presente trabajo hemos podido conocer de qué se trata y cuáles son las
aplicaciones de la regresión simple.
 Gracias a esta investigación sobre el tema de regresión simple, se nos facilitará más el
entenderlo y desarrollar los ejercicios correspondientes a este.
 Es de mucha importancia el conocer este tipo de temas, que nos ayudarán en el
transcurso de la clase y en nuestra vida profesional.
Bibliografía

 https://datascience.eu/es/matematica-y-estadistica/que-es-la-regresion-lineal-simple-y-
como-funciona/
 http://innoevalua.us.es/wakka.php?wakka=analisisdedatosii/files&get=tema1_2.ppt
 https://www.ibm.com/mx-es/analytics/learn/linear-regression
Anexos