Instituto Tecnológico de Aguascalientes

INGENIERÍA INDUSTRIAL

Estadística inferencial I

Regresión lineal simple

PROFESOR: FELIPE DE JESUS GANDARA

ALUMNO: JATZIRI AMBRIZ GARCÍA
FECHA: 23 DE OCTUBRE DEL 2022
 Introducción
En estadística es necesario conocer como manipular un conjunto de datos con el
fin de obtener los parámetros del modelo. Es por esto que un método para ello es
la regresión lineal simple que se utiliza principalmente para analizar la relación o
dependencia que hay entre las variables estudiadas, esto nos indica el porcentaje
del ajuste que se ha conseguido con el modelo aplicado.

Regresión lineal simple

Regresión fue el nombre que le dio al proceso general de predecir una variable a
partir de otra. El objetivo en el análisis de regresión lineal es el desarrollo de un
modelo estadístico que estudia cómo va cambiando una variable que no es aleatoria
a otra que si es aleatoria pero solo si existe alguna relación entre ellas para poder
establecer una línea recta. Cuando la asociación entre ambas variables es fuerte,
la regresión nos ofrece un modelo que puede alcanzar finalidades predictivas.

La regresión supone que hay una variable fija, controlada por el investigador (es la
variable independiente o predictora), y otra que no está controlada (variable
respuesta o dependiente). La correlación supone que ninguna es fija: las dos
variables están fuera del control de investigador. Los valores individuales se
representan en una gráfica bidimensional conocida como diagrama de dispersión.
En las siguientes gráficas se muestran los tipos de relación más comunes que
pueden observarse en los diagramas de dispersión.
La regresión en su forma más sencilla se llama regresión lineal simple. Se trata de
una técnica estadística que analiza la relación entre dos variables cuantitativas,
tratando de verificar si dicha relación es lineal. Si tenemos dos variables hablamos
de regresión simple, si hay más de dos variables regresión múltiple. Su objetivo es
explicar el comportamiento de una variable 𝑌 (dependiente), a partir de otra variable
𝑋 (independiente), también obtener estimaciones razonables a partir de una
muestra de n pares de valores.

Una vez que hemos hecho el diagrama de dispersión y después de observar una
posible relación lineal entre las dos variables, nos proponemos a encontrar la
ecuación de la recta que mejor se ajuste a la nube de puntos. Esta recta se
denomina recta de regresión. El mejor ajuste significa que deseamos encontrar la
línea recta para la cual las diferencias entre los valores reales y los valores que
serían estimados a partir de la línea ajustada de regresión sean lo más pequeñas
posible.

Existen dos características importantes de una ecuación lineal:

• Independencia de la recta
• Localización de la recta en algún punto

La forma general de la ecuación de la regresión lineal simple es:

𝒚` = 𝒂 + 𝑩𝒙

Análisis residual

̂ donde 𝒚 es una observación y 𝒚̂ es el valor

Se definen los residuos como 𝒆 = 𝒚 − 𝒚
estimado correspondiente a partir del modelo de regresión. El término que hemos
denominado error debe ser tan pequeño como sea posible.

Al evaluar la adecuación de un modelo de regresión a un conjunto de datos lo que

se quiere, es verificar que se cumplen las suposiciones necesarias para poder hacer
un análisis de regresión, que son:
1. Normalidad: requiere que los valores de 𝒀 estén distribuidos normalmente en
cada valor de 𝑿.

2. Homocedasticidad: requiere que la variación alrededor de la línea de regresión

sea constante para todos los valores de 𝑿.

3. Independencia del error: requiere que el error (la diferencia entre un valor
observado y un valor estimado) es independiente de cada valor de 𝑿.

4. Linealidad: establece que la relación entre las variables es lineal.

Conclusión
Como podremos darnos cuenta el objetivo principal de un modelo de regresión lineal
es encontrar la línea que mejor se ajuste y los valores óptimos de intersección y
coeficientes de manera que se minimice el error. El error es la diferencia entre el
valor real y el valor predicho y el objetivo es reducir esta diferencia. En resumen, es
predecir un valor futuro, basado en una secuencia de datos.

Referencias bibliográficas

Gonzales, F. d. (s.f.). Regresion lineal simple. En Cuaderno de trabajo Estadistica

inferencial I (págs. 31-32).
Romo, J. A. (s.f.). Regresión Lineal Simple y Correlación. En Estadistica II (págs. 1-
11).
TECMN. (s.f.). REGRESIÓN LINEAL SIMPLE. Obtenido de
https://hopelchen.tecnm.mx/principal/sylabus/fpdb/recursos/r129738.PDF