TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE NUEVO LEÓN

SUBDIRECCIÓN ACADÉMICA DEPARTAMENTO

DE EDUCACIÓN A DISTANCIA
INGENIERÍA EN GESTIÓN EMPRESARIAL

ESTADISTICA INFERENCIAL II
TEMA 2: REGRESIÓN LINEAL MÚLTIPLE Y CORRELACIÓN.

Actividad 1

Catedrático.
Rocio Salazar Benavides

Presenta:
REYNA YAMILETH ORTIZ MONTANO
N°C:19481736

Cd. Guadalupe, Nuevo León; a 07 de junio de 2022

Investigar qué es y características de la regresión lineal. Identificar las
diferenciasentre una regresión lineal simple y una regresión lineal múltiple.

¿QUÉ ES?

La regresión o ajuste lineal es un método matemático que modeliza la relación

entre una variable dependiente (Y) y las variables independientes (X) y un término
aleatorio ε. Este modelo este compuesto por:

Yt= β0 + β1X1 + β2X2 + βnXn + ε

Yt: variable dependiente, explicada o regresando.

X1, X2, X3, Xn: Variables explicativas, cuya variación influirá en la variable
dependiente (Y).

β: Parámetros, miden la influencia que las variables explicativas tienen sobre la

variable dependiente (Y).

CARACTERÍSTICAS

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 autocorrelacionadas. 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 muestrales.

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 DE REGRESION LINEAL SIMPLE Y REGRESION LINEAL
MULTIPLE

REGRESION LINEAL SIMPLE REGRESION LINEAL MULTIPLE

La regresión lineal simple examina la La regresión lineal múltiple examina las
relación lineal entre dos variables relaciones lineales entre una respuesta
continuas: una respuesta (Y) y un continua y dos o más predictores
predictor (X). Cuando las dos variables
están relacionadas, es posible predecir
un valor de respuesta a partir de un
valor predictor con una exactitud mayor
que la asociada únicamente a las
probabilidades.
El caso más simple de regresión lineal La regresión lineal múltiple se basa en
ajusta a la ecuación de la recta los obtener una relación lineal entre un
valores de la variable independiente conjunto de variables independientes
X1 a la variable dependiente Y, es X1,..,Xn con una variable dependiente
decir: Y, es decir:
Y = b0+b1X1,
Y=b0+b1X1+b2X2+b3X3+ ··· +bnXn.
Utiliza una variable independiente para
predecir una variable dependiente Se manejan múltiples variables
independientes que contribuyen a la
variable dependiente.
Se manejan múltiples coeficientes y es
más compleja debido a las variables
añadidas.
No se incluyen todas las variables
independientes a la vez y
posteriormente se comienza a
minimizar la función de error
MENCIONAR QUE ES UNA REGRESIÓN NO LINEAL Y ALGUNOS
MODELOSDE ESTE TIPO.

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.

MODELOS

Regresión polinómica: Consigue añadir curvatura al modelo introduciendo

nuevos predictores que se obtienen al elevar todos o algunos de los predictores
originales a distintas potencias. La forma más sencilla de incorporar flexibilidad a
un modelo lineal es introduciendo nuevos predictores obtenidos al elevar a
distintas potencias el predictor original. Los modelos polinómicos se pueden
ajustar mediante regresión lineal por mínimos cuadrados ya que, aunque generan
modelos no lineales, (polinómica y polinómica logística).

Step functions: Se divide el rango del predictor en K subintervalos de forma que,

en cada uno, se emplean únicamente las observaciones que pertenecen a la
región para ajustar el modelo.

Regression splines: Se trata de una extensión de la regresión polinómica y de

las step functions que consigue una mayor flexibilidad. Consiste en dividir el rango
del predictor X en K subintervalos. Para cada una de las nuevas regiones se
ajusta una función polinómica, introduciendo una serie de restricciones que hacen
que los extremos de cada función se aproximen a los de las funciones de las
regiones colindantes.

Smoothing splines: El concepto es similar a regression splines pero consigue la

aproximación de los extremos de las funciones colindantes de forma distinta.

Local regression: Se asemeja a regression splines y smoothing splines en

cuanto a que también se realizan ajustes por regiones, pero en este método las
regiones solapan las unas con las otras.
Generalized additive models: Es el resultado de extender los métodos anteriores
para emplear múltiples predictores.

La tabla que se muestra más abajo proporciona ejemplos de la sintaxis del modelo
para muchos modelos de regresión no lineal publicados. Es probable que los
modelos seleccionados al azar no se ajusten bien a sus datos. Son necesarios
valores iniciales adecuados para los parámetros; algunos modelos requieren
restricciones para llegar a converger.
Realizar un cuadro comparativo de CUANDO y/o BAJO QUE
CARACTERÍSTICAS se utilizan la regresión lineal simple, regresión lineal
múltiple y regresión no lineal

REGRESION LINEAL REGRESION LINEAL REGRESION NO LINEAL

SIMPLE MULTIPLE
La regresión lineal simple La regresión lineal Regresión no lineal es un
examina la relación lineal múltiple examina las método para encontrar un
entre dos variables relaciones lineales modelo no lineal para la
continuas: una respuesta entre una respuesta relación entre la variable
(Y) y un predictor (X). continua y dos o más dependiente y un conjunto
Cuando las dos variables predictores de variables independientes
están relacionadas, es
posible predecir un valor
de respuesta a partir de
un valor predictor con una
exactitud mayor que la
asociada únicamente a
las probabilidades.
El caso más simple de La regresión lineal puede estimar modelos con
regresión lineal ajusta a la múltiple se basa en relaciones arbitrarias entre
ecuación de la recta los obtener una relación las variables independientes
valores de la variable lineal entre un y las dependientes. Esto se
independiente X1 a la conjunto de variables lleva a cabo usando
variable dependiente Y, independientes algoritmos de estimación
es decir: X1,..,Xn con una iterativos. Tenga en cuenta
Y = b0+b1X1, variable dependiente que este procedimiento no
Y, es decir: es necesario para los
Y=b0+b1X1+b2X2+b3 modelos polinómicos
*Utiliza una variable X simples de la forma
independiente para 3+ ··· +bnXn. Y = A + BX**2.
predecir una variable Definiendo W=X**2,
dependiente Se manejan múltiples obtenemos un modelo lineal
variables simple, Y = A + BW, que se
independientes que puede estimar usando
contribuyen a la métodos tradicionales como
variable dependiente. el procedimiento Regresión
Se manejan múltiples lineal.
coeficientes y es más
compleja debido a las
variables añadidas.
No se incluyen todas
las variables
independientes a la vez
y posteriormente se
comienza a minimizar
la función de error.
Conclusión

Podemos concluir que la regresión lineal simple es un modelo matemático en el

cual hay relación entre una variable dependiente “Y” y las variables independientes
“X”. En cambio, la regresión lineal múltiple trata de ajustar los modelos lineales
entre una variable dependiente y varias variables independientes, en esto ultima
es muy parecida a la regresión lineal simple. Por otro lado, nos quedó claro que la
regresión no lineal, al igual que la simple y múltiple hay relación entre una variable
dependiente y varias variables independientes, pero esta usa algoritmos de
interacción iterativos.
Victor Alejandro Marques Lopez (21 de febrero de 2012). La regresión lineal.
https://www.eoi.es/blogs/mbaftmad/la-regresion-lineal/

Universidad de Alicante. Regresión lineal simple y múltiple. Regresión no lineal.

https://web.ua.es/es/lpa/docencia/analisis-estadistico-de-datos-geoquimicos-con-
r/regresion-lineal-simple-y-multiple-regresion-no-lineal.html

Joaquín Amat Rodríguez, (febrero 2017) Métodos de regresión no lineal: regresión

polinómica, regression splines, smooth splines y GAMs.
https://www.cienciadedatos.net/documentos/32_metodos_de_regresion_no_linea
l_polinomica_splines_gams.html

IBN. Modelos comunes de regresión no lineal

https://www.ibm.com/docs/es/spss-statistics/SaaS?topic=regression-nonlinear-
common-models

https://traders.studio/regresion-lineal-o-multiple-cual-es-la-
diferencia/#:~:text=Tambi%C3%A9n%20se%20le%20llama%20regre
si%C3%B3n,variables%20mediante%20una%20l%C3%ADnea%20rect
a.&text=Si%20dos%20o%20m%C3%A1s%20variables,se%20denomi
na%20regresi%C3%B3n%20lineal%20m%C3%BAltiple.

https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/modeling-statistics/regression/supporting-topics/basics/types-of-
regression-analyses/