Act. 1_ Cuadro Comparativo.

INTEGRANTE: José Alfredo Medina Rodríguez (20141369)

ASESOR: Ing. Margarita Isabel Guzmán Domínguez

ESCUELA: Instituto Tecnológico de Querétaro

PLANTEL: El marqués

UNIDAD 1

GRUPO: M4K

ASIGNATURA: Investigación de Operaciones I

ESPECIALIDAD: Ingeniería Industrial
Introducción ....................................................................................... 3
Desarrollo ........................................................................................... 4
Cuadro comparativo ...................................................................... 4
Conclusión ......................................................................................... 8
Introducción

La regresión lineal simple y regresión lineal múltiple, son métodos estadísticos que
estudian la relación lineal. Si bien es importante centralizar que se realiza un estudio
o análisis de las variables en estos dos tipos de regresión, sin embargo en la
variable de regresión lineal simple dicho estudio se realiza determinando los
coeficientes y que relacionan la variable de entrada con la variable de salida, y la
regresión lineal múltiple sigue el mismo modelo que la regresión lineal simple, pero
lo único que se amplía es la ecuación que se encarga de este análisis, ya que cuenta
con más de una variable de entrada para poder predecir la variable de salida (Y),
permitiendo identificar cuanto influye cada una de las variables, respecto a las otras
proporciones y notar su correspondiente afectación. Cada método de regresión
cuenta con sus respectivas características y que conllevan a desencadenar diversas
ventajas o viceversa mostrando desventajas, que solamente se muestran por lo
complejo que pudiera presentarse al momento de interpretar los datos arrojados,
pero cada uno de estos métodos es necesario conocerlos porque dependiendo de
los datos que se tenga se necesitará implementarlo.
En el presente documento se muestra un cuadro comparativo de los temas ya
resaltados que son la regresión lineal simple y regresión lineal múltiple,
completando y concluyendo el tema de manera que pudiera presentarse una mejor
interpretación de estos métodos, que sin duda alguna mejoran la habilidad de
solución e interpretación de problemas presentados.
Desarrollo

Cuadro comparativo

CUADRO COMPARATIVO “REGRESIÓN LINEAL Y REGRESIÓN LINEAL

MÚLTIPLE”
REGRESIÓN LINEAL REGRESIÓN LINEAL
SIMPLE MÚLTIPLE
DESCRIPCIÓN Establece la relación entre Las variables dependientes
dos variables mediante una rara vez explican solo una
línea recta. La regresión lineal variable dependiente. En este
intenta dibujar una línea más caso, los analistas utilizan
cercana a los datos al regresión múltiple, que intenta
encontrar la pendiente y la explicar una variable
intercepción que define la dependiente utilizando más
línea y minimizar los errores de una variable
de regresión. Este se utiliza independiente. Varias
para predecir el valor de una transiciones pueden ser
variable según el valor de lineales y no lineales. Los
otra. La variable que desea múltiplos se basan en el
predecir se denomina variable supuesto de que existe una
dependiente. La variable que relación lineal entre las
está utilizando para predecir variables dependientes e
el valor de la otra variable se independientes. Tampoco
denomina variable asume ninguna correlación
independiente. importante entre las variables
independientes.
FÓRMULAS 𝜷𝟎 + 𝜷𝟏𝒙 𝒚 = 𝜷𝟎 + 𝜷𝟏𝒙𝟏 + 𝜷𝟐𝒙𝟐
DESCRIPCIÓN 𝜷𝟎: Es el intercepto (Recta y: Variable de respuesta
DE FÓRMULAS corta al eje vertical). 𝜷𝟎: Es el intercepto (Recta
𝛃𝟏: Es la dependiente corta al eje vertical)
 (Inclinación de la recta) x1, x2: Predictores
𝑿: Es el predictor (Variable 𝛃𝟏: Es la dependiente
independiente) (Inclinación de la recta)
VENTAJAS • Fácil de entender y explicar, • Tiene capacidad de
lo que puede ser muy valioso determinar la influencia
para las decisiones de relativa de una o más
negocios. variables predictoras para el
• Es rápido de modelar y es valor de criterio.
particularmente útil cuando la • Posee la capacidad de
relación a modelar no es identificar valores atípicos o
extremadamente compleja y anomalías.
no tiene mucha información. • Regresión múltiple es un
• Es menos propenso al método muy flexible. Las
sobreajuste. variables independientes
• La linealidad: hace que el pueden ser numérica o
procedimiento de estimación categórica, y las interacciones
sea simple. entre las variables pueden ser
• Es importante destacar que incorporadas; y también
estas ecuaciones lineales pueden incluirse términos
tienen una interpretación fácil polinómicos.
de entender a nivel modular • Regresión múltiple utiliza
(es decir, los pesos). múltiples variables
independientes, cada uno
controlando a los demás, es
por ello que el modelo puede
volverse más exacto al hacer
los cálculos correctamente.
DESVENTAJAS • No se puede modelar • Cualquier desventaja de
relaciones complejas. usar un modelo de regresión
• No se pueden capturar múltiple generalmente se
relaciones no lineales sin
 transformar la entrada, por lo reduce a los datos que se
que tienes que trabajar duro utilizan.
para que se ajuste a funciones • Regresión múltiple hace
no lineales. cuatro supuestos y estos
• Puede sufrir con valores necesitan controlarse, si no se
atípicos. hace correctamente, el
• La regresión lineal solo modelo de regresión múltiple
modela las relaciones entre puede salir mal.
variables dependientes e
independientes que son
lineales.
• Se supone que existe una
relación lineal entre ellos que
a veces es incorrecta.
• La regresión lineal es muy
sensible a las anomalías en
los datos (o valores atípicos).
USOS Y El modelo de regresión lineal Sus usos más comunes son
APLICACIONES es aplicado en un gran los siguientes:
número de campos, por Identificación de variables
ejemplo: explicativas. Nos ayuda a
Química: La concentración de crear un modelo donde se
un elemento es uno de los seleccionen las variables que
parámetros de mayor puedan influir en la respuesta,
importancia en los procesos descartando las que no
químicos aplicados en la aporten información.
industria. Esta cuantificación Detección de interacciones
se puede obtener mediante entre variables
un espectrofotómetro, independientes que afectan a
dispositivo que requiere se la variable respuesta.
calibrado. Para ello se elabora
una recta de calibración que Identificación de variables
se obtiene a partir de la confusoras. Aunque es un
correlación entre la problema difícil, es de interés
absorbancia de un patrón y la en investigación no
concentración de la sustancia experimental.
a controlar.
Conclusión

Los modelos de regresión lineal simple y múltiple tienen una relación, ya que ambos
son métodos estadísticos que trabajan con variables cuantitativas que permiten
hacer predicciones en el valor de una variable dentro de una situación, agrupando
datos relevantes que les permitan tener una información más detallada de lo que se
busca conocer y así pronosticar alguna de ellas. Sin embargo, el modelo de
regresión lineal simple sólo trabaja con dos variables, es decir, una variable x y una
variable y, prediciendo de esta manera el valor de una variable según el valor de
otra. Es decir, este busca una variable dependiente que es la variable que se desea
predecir y una independiente que es la que necesitará la antes mencionada.
Identificando qué tanto influye la variable predictora en la variable de respuesta,
para así trazar la línea lo más cerca posible a los datos y poder ir excluyendo
errores. Mientras que el modelo de regresión lineal múltiple, tiene una gran ventaja
ya que este permite identificar la relación que existe entre más de una variable, que
están afectando al resultado, de tal manera que permite identificar cuál es la variable
que causa más efecto y así proporcionar el grado de importancia a cada una de las
variables que influyen dentro de una situación que se busca resolver, asimismo
eliminar las variables independientes que tienen poca influencia o relación en el
problema a resolver. Y estas pueden ser lineales o no. Asimismo, con ambos
modelos se pueden predecir eventos a futuro, obteniendo información relevante que
ayude a la toma de decisiones más informadas, para saber desarrollar estrategias
que mejoren la calidad de productos y tener una mayor competitividad dentro del
mercado.
Referencias

Laura García. (2019). Ventajas y Desventajas de los Algoritmos de Regresión. 2019,

de Aprender IA Sitio web: https://aprendeia.com/ventajasy-desventajas-de-los-
algoritmos-de-regresion-machine-learning/
María Santana y Ricardo Moreno. (2017). PROS Y CONTRAS DE REGRESIÓN
LINEAL. 2017, de ProsyContras Sitio web:
https://prosycontras.net/educacion/pros-y-contras-de-regresion-lineal/
Leonardo Gómez. (2020). Las ventajas y desventajas de un modelo de regresión
múltiple. 2020, de Usroasterie Sitio web:
https://www.usroasterie.com/las-ventajas-y-desventajas-de-un-modelo-
deregresion-multiple.html
Gabriel Martínez. (2020). Regresión múltiple. 2020, de Bla bla negocios Sitio
web: https://blablanegocios.com/regresion-multiple/