INSTITUTO TECNOLOGICO DE

FRONTERA COMALAPA

MATERIA: estadística inferencial ll

(regresión lineal simple y correlación)
TRABAJO: 1.1 investigación

PROFESOR: Inez López Galindo

ALUMNO: Hernández Ordoñez juan Gerardo

NUMERO DE CONTROL: 191260009

QUINTO SEMESTRE
MODULO 2
……………………………….estadística inferencial ll
índice

Introducción………………………………………………………..
3

¿Para qué se utiliza el análisis de regresión?...............................4

¿Qué tipos de análisis de regresión existen?.................................5

Modelo de regresión lineal simple……………………………………………………….5

Modelo de regresión lineal múltiple…………………………………………………….5

Modelo de regresión no lineal……………………………………………………………6

Consideraciones importantes al emplear el

análisis de regresión………………………………………………8

Conclusión………………………………………………………….
9

Referencia………………………………………………………. 9

2
……………………………….estadística inferencial ll
Introducción.

El análisis de regresión es un proceso estadístico que permite analizar la relación que existe
entre dos o más variables, siendo una de ellas dependiente al resto de variables que estemos
empleando en nuestro cálculo matemático. Dicho de otro modo, un análisis regresivo hace
posible comprender cómo las variables independientes afectan directamente a otra variable
que dependa de ellas.

3
……………………………….estadística inferencial ll
¿Para qué se utiliza el análisis de regresión?

Dado que un análisis de regresión nos facilita que podamos calcular un valor futuro de una
variable, existen múltiples aplicaciones posibles en el día a día. Tanto a nivel empresarial
como personal o social, el análisis de regresión es una herramienta muy práctica.

Por ejemplo, para evaluar el riesgo de accidentes en una zona determinada de la carretera
respecto a su geografía, o comprobar la eficacia de un cambio realizado en un proyecto
comercial o académico basándose en los resultados obtenidos tras introducir un cambio.

Los análisis de regresión se emplean con gran frecuencia en el mundo corporativo. Gracias
a los resultados que arrojan, las empresas pueden comprender mejor cuáles son los
elementos que tienen un mayor impacto en los resultados, cuales afectan a otros elementos
de la compañía o cuales se pueden ignorar.

De esta forma, las empresas obtienen información importante que pueden aplicar
rápidamente en sus organizaciones para mejorar su eficiencia.

Un punto esencial para trabajar con un análisis de regresión: las variables

Para aplicar un análisis de este tipo, usaremos obligatoriamente dos tipos de variables.

 Variables dependientes: son aquellas que buscamos estudiar mediante la regresión

estadística para comprender cómo se adapta al modificar las variables
independientes.
 Variables independientes: son los factores que consideramos que influyen y que
afectan directamente a las variables dependientes que están bajo estudio.

4
……………………………….estadística inferencial ll
¿Qué tipos de análisis de regresión existen?

Podemos realizar 3 modelos de análisis distintos en función del número de variables y la

forma de interactuar entre ellas:

 Modelo de regresión lineal simple

 Modelo de regresión lineal múltiple
 Modelo de regresión no lineal

Dependerá del número de variables que necesitemos incluir elegir entre un modelo u otro.

Modelo de regresión lineal simple

El análisis de regresión lineal simple es el más utilizado y el más sencillo de todos. Se trata
de estudiar el efecto de una variable independiente sobre una única variable dependiente de
la primera —o que al menos a nivel teórico hemos considerado que es dependiente—.
Empleando esta ecuación de regresión lineal simple se puede realizar una estimación
basándose en los datos obtenidos.

Fórmula de la regresión lineal simple

y = B0 + B1 x + ε

Donde B0 es el valor de la variable independiente, B1 es la variable dependiente y ε

representa el residuo o error. La función de ε es explicar la posible variabilidad de los datos
que no pueden explicarse a través de la relación lineal de la fórmula.

Modelo de regresión lineal múltiple

En el caso de la regresión lineal múltiple nos encontramos con un modelo que

sencillamente cuenta con más de una variable independiente. Este modelo lo aplicaremos
cuando tengamos razones para creer que hay más de un factor que afecta a la variable de
estudio.

5
……………………………….estadística inferencial ll
Fórmula de la regresión lineal múltiple

Y = 0 + B1*X1 + B2*X2 + … + Bn*Xn + ε

Nuevamente, Y representa la variable dependiente que se está estudiando y B1, B2, Bn son
todas las variables independientes que pueden afectar al valor de la variable dependiente Y.
De igual modo ε sigue representando el posible error existente.

Modelo de regresión no lineal

Hay ocasiones en las que la relación que puede darse entre variables independientes y la
variable dependiente no tenga un desarrollo lineal, sino que tengan, por ejemplo, un
crecimiento exponencial. En esos casos, el modelo de regresión no lineal entra en juego y
permite que obtengamos una aproximación de los valores de la variable dependiente en un
entorno no lineal. Tengamos presente que el proceso de una regresión no lineal es más
complejo, ya que puede no coincidir el número de parámetros con el de las variables
independientes.

Fórmulas de regresión no lineales

En muchos casos es posible modificar un modelo no lineal para convertirlo en un modelo

lineal. Por ejemplo aplicando logaritmos a su fórmula inicial.

 Regresión exponencial

y = a.bx

Esta fórmula puede transformarse en una lineal mediante el uso de logaritmos. Quedando
de la siguiente manera la fórmula.

log y = log(a.bx) = log a + x log b

 Regresión potencial

y = a. xb

6
……………………………….estadística inferencial ll
Si volvemos a aplicar logaritmos, transformamos en un modelo lineal la fórmula inicial.

log y = log a + b log x

 Regresión parabólica

y* = a0+a1x+a2 x2

Para resolver esta ecuación es necesario buscar los valores a0, a1, a2 que minimicen la
fórmula: ψ(a0,a1,a2)=Σ(Yi- (a0+a1x+a2 x2))2

El siguiente paso a realizar es igualar las derivadas parciales a cero, para así obtener
ecuaciones lineales que puedan ser resueltas. El resultado final será:

Σyi =N a0 + a1 Σxi + a2Σxi2

Σyixi = a0 Σxi + a1Σxi2 + a2Σ xi3
Σyixi2 = a0 Σ xi2 + a1Σ xi3 + a2Σ xi4

Consideraciones importantes al emplear el análisis de regresión

7
……………………………….estadística inferencial ll
Algo que debemos tener presente es que estos modelos predictivos no son exactos. En ellos
es posible confundir la correlación de dos variables con una causalidad. Si las variables no
tienen una razón lógica para relacionarlas entre sí, podemos llegar a conclusiones erróneas
al analizar datos que no se relacionen en la realidad.

Como vemos, existen muchas maneras diferentes de aplicar un análisis de regresión, cada
una adaptada a las necesidades particulares de cada caso de estudio. Y aunque es necesario
tener precaución y elegir bien las variables a estudiar, la regresión nos permite obtener
datos valiosos que utilizar en nuestro beneficio.

Conclusión.

8
……………………………….estadística inferencial ll
Concluimos en que el análisis de regresión utiliza un método de estimación elegido, una
variable dependiente y una o varias variables explicativas para crear una ecuación que
estima valores para la variable dependiente.

El modelo de regresión incluye salidas, tales como R 2 y valores P, para ofrecer información
de en qué medida el modelo realiza estimaciones fiables de la variable dependiente.

También es posible utilizar gráficos, tales como matrices de gráficos de dispersión,

histogramas y gráficos de puntos, en el análisis de regresión para analizar las relaciones y
poner a prueba las suposiciones.

El análisis de regresión se puede usar para resolver los siguientes tipos de problemas:

 Determinar qué variables explicativas están relacionadas con la variable

dependiente.
 Comprender la relación entre las variables dependientes y explicativas.
 Predecir valores desconocidos de la variable dependiente.

Referencia.
Software DELSOL. (2020, 15 julio). Análisis de regresión. DELSOL. Recuperado 7 de
noviembre de 2021, de https://www.sdelsol.com/glosario/analisis-de-regresion/

Análisis de regresión—ArcGIS Insights | Documentación. (s. f.). Arcgis. Recuperado 7 de

noviembre de 2021, de https://doc.arcgis.com/es/insights/latest/analyze/regression-
analysis.htm