TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE NUEVO LEÓN

SUBDIRECCIÓN ACADÉMICA
DEPARTAMENTO DE EDUCACIÓN A DISTANCIA
INGENIERÍA EN GESTION EMPRESARIAL

ESTADISTICA INFERENCIAL II

TEMA #2

INVESTIGACION

Catedrático.
ROCIO SALAZAR

Presenta:
ISAI GILBERTO GONZALEZ MARROQUIN 19481082

Cd. Guadalupe, Nuevo León; a 22/02/2022

 REGRESION LINEAL

Regresión lineal. Permite determinar el grado de dependencia de las

series de valores X e Y, prediciendo el valor y estimado que se
obtendría para un valor x que no esté en la distribución.

Tipos de Modelos de Regresión Lineal

• Regresión lineal simple

La regresión lineal simple se basa en estudiar los cambios en una
variable, no aleatoria, afectan a una variable aleatoria, en el caso de
existir una relación funcional entre ambas variables que puede ser
establecida por una expresión lineal, es decir, su representación
gráfica es una línea recta. Es decir, se está en presencia de una
regresión lineal simple cuando una variable independiente ejerce
influencia sobre otra variable dependiente.
Ejemplo: Y = f(x)

• Regresión lineal múltiple

La regresión lineal permite trabajar con una variable a nivel de

intervalo o razón, así también se puede comprender la relación de
dos o más variables y permitirá relacionar mediante ecuaciones, una
variable en relación a otras variables llamándose Regresión múltiple.
O sea, la regresión lineal múltiple es cuando dos o más variables
independientes influyen sobre una variable dependiente.
Ejemplo: Y = f(x, w, z)

CARACTERISTICAS

Las principales características del modelo son las siguientes:

1. Su esperanza matemática nula: E (εi) = 0. Para cada valor de X la

perturbación tomará distintos valores de forma aleatoria, pero no
tomará sistemáticamente valores positivos o negativos, sino que se
supone que tomará algunos valores mayores que cero y otros
menores, de tal forma que su valor esperado sea cero.
2. Homocedasticidad: Todos los términos de la perturbación tienen la
misma varianza que es desconocida. La dispersión de cada ε en
torno a su valor esperado es siempre la misma.

3. Incorrelación: Cov(εt,εs) = (εt − Eεt)(εs − Eεs) = Eεtεs = 0. Las

covarianzas entre las distintas pertubaciones son nulas, lo que
quiere decir que no están correlacionadas o auto correlacionadas.
Esto implica que el valor de la perturbación para cualquier
observación muestral no viene influenciado por los valores de la
perturbación correspondientes a otras observaciones muéstrales.

4. Regresores no estocásticos.

5. No existen relaciones lineales exactas entre los regresores.

6. T > k + 1 Suponemos que no existen errores de especificación en

el modelo ni errores de medida en las variables explicativas.

7. Normalidad de las perturbaciones ε − > N(0,σ2)

DIFERENCIAS ENTRE REGRESION LINEAL

SIMPLE Y REGRESION LINEAL MULTIPLE

Se le llama regresión lineal simple. Establece la relación entre dos

variables mediante una línea recta. ... Si dos o más variables
explicativas tienen una relación lineal con la variable dependiente, la
regresión se denomina regresión lineal múltiple. Adjunto
información en tabla hasta abajo

Regresion No lineal simple

Regresión no lineal es un método para encontrar un modelo no lineal

para la relación entre la variable dependiente y un conjunto de
variables independientes. A diferencia de la regresión lineal
tradicional, que está restringida a la estimación de modelos lineales,
la regresión no lineal puede estimar modelos con relaciones
arbitrarias entre las variables independientes y las dependientes. Esto
se lleva a cabo usando algoritmos de estimación iterativos. Tenga en
cuenta que este procedimiento no es necesario para los modelos
polinómicos simples de la forma Y = A + BX**2. Definiendo W = X**2,
obtenemos un modelo lineal simple, Y = A + BW, que se puede
estimar usando métodos tradicionales como el procedimiento
Regresión lineal.

Un modelo de regresión no lineal es una ecuación que describe la

relación no lineal entre la variable respuesta y la variable predictora
cuando esta no puede ser formada adecuadamente mediante una
relación lineal, es decir, se utilizan cuando los datos no se ajustan a
la recta de mejor ajuste tanto como el investigador

Tipo Caracteristicas Diferencia

Regresión lineal Trata de explicar la Establece la
simple relación que existe relación entre dos
entre una variable variables usando una
dependiente (variable línea recta
respuesta) Y un
conjunto de variables
independientes
(variables
explicativas) X1,...,
Xn.
Regresión lineal identifica que Si dos o más
múltiple variables variables explicativas
independientes tienen una relación
(causas) explican lineal con la variable
una variable dependiente la
dependiente regresión se
(resultado) denomina regresión
Compara y lineal múltiple.
comprueba modelos
explicativos
Regresión no lineal Si existe una variable
categórica se debe
de usar variables
Dummy, las cuales
sustituirían las
variables categóricas
por los números 0 y
1.