Introducción:

¿Qué es la regresión lineal? La regresión lineal es una técnica de

análisis de datos que predice el valor de datos desconocidos mediante el uso
de otro valor. Esta modela matemáticamente la variable desconocida o
dependiente y la variable conocida o independiente como una ecuación lineal.
También se implementa el uso de planos cartesianos, que según la Doctora
Silvia Pinal Romero de Significados oficial, “Los planos cartesianos son dos
rectas numéricas perpendiculares, una horizontal y otra vertical, que se cortan
en un punto llamado origen o punto cero”, este tiene como finalidad
representar ubicaciones dentro de sí mismo gracias a un sistema de
coordenadas, estas siendo X (Horizontal) y Y (Vertical). De esta manera la
regresión lineal es representada junto con los datos ajustados como un gran
gráfico que sirve como material visual para un sistema de predicción.

En nuestro documento comenzamos los objetivos con la visión de que

cualquier persona que lea nuestro documento, sea capaz de comprender el
tema por completo así como poder replicarlo si lo requieren, además de que
se buscaba completar un proyecto ejemplar con la mejor información y
herramientas. Precisamente con lo anterior como base, es que ofrecemos
una justificación clara, concisa y correcta, en la cual planteamos que
cualquier alumno pueda ser beneficiado así como brindarles apoyo con el
mismo.
En nuestro procedimiento primeramente se indago sobre las
correspondientes fórmulas para resolver nuestros problemas para esto se
utilizó un programa llamado Octave, en el mismo apartado se explica
detenidamente cada detalle de uso y maneja del programa y de esta manera
nos facilitó el procedimiento ya que al acabar cada uno solamente hacíamos
copia y pega de las fórmulas y cambiabamos los datos.
Los ejercicios fueron sacados del libro Precálculo 5ta Edición, “Matemáticas
para el cálculo”, de James Stewart, en el cual se nos planteaban 5 ejercicios
específicos de respectivas páginas del mismo libro,los fuimos resolviendo uno
a uno con sus respectivos procedimientos y también con ayuda del profesor
corroboramos para ver si nuestros procedimientos y resultados eran correctos
y al finalizar todo esto guardabamos cada ejercicio en sus respectivas
carpetas y así dando por finalizado nuestros ejercicios.
En nuestro archivo se puede observar como claramente se presentan los
ejercicios de una manera organizada y comprensible, además de ser
diferenciables las funciones que se utilizaron para la resolución de cada
problema.
Objetivos:
● Con esta investigación se pretende lograr un completo entendimiento
del tema, que sea claro para todo el equipo así como para los lectores,
que fue lo que se llevó a cabo para llegar a tales resultados.
● Se quiere hacer un proyecto y documento completo en el cual se
exprese adecuadamente el proceso de modelos y regresión lineal.
● Además que se busca investigar para llegar a demostrar que llegamos
a un entendimiento claro del tema.
● Finalmente se pretende alcanzar la mejor calificación, pues es un
proyecto que se hace con la dedicación requerida para sobresalir.

Justificación:
La principal razón de la realización de esta investigación es el hecho de
que podemos poner en práctica nuevos ejercicios de matemáticas que no
pueden servir para nuestro futuro e incluso carrera, pues la regresión lineal es
un método de predicción y conocer nuevos datos sobre cierta situación. Es
precisamente en este rubro donde más se denota su importancia y el por qué
de analizarlo, un ejemplo podrían ser las finanzas, una área donde el aplicar
estos conocimientos es una ventaja notable a la hora de cálculos de datos.

En cuanto a quién se beneficia de esta investigación, puede ser cualquiera,

desde usarse como un simple repaso del tema hasta usarse como directa
referencia para cálculos en áreas más profesionales, entonces se demuestra
claramente la importancia y la utilidad de este documento en múltiples áreas
cotidianas. Estas son solo algunos de los usos que se les puede dar a esta
investigación, aunque no se descarta la posibilidad de que al analizarlo más a
fondo puede llegar a arrojar más resultados, utilidades e incluso teorías
basadas en lo posteriormente presentado.

Teoría:
Regresión y Modelos Lineales, no es un tema completamente aislado
de cualquier otro tema de matemáticas, sino que este también abarca
bastantes otros temas que funcionan como antecedentes y bases
fundamentales para el correcto entendimiento y realización de estos
procedimientos.
Tomando en cuenta las pequeñas diferencias entre tema y tema realmente
podemos apreciar como tienen la misma cimentación sin embargo distintos
objetivos, procedimientos y aplicaciones; algunos ejemplos de temas que
funcionan como bases son:
● Plano cartesiano: La base y el gráfico donde se presentan los datos y
las coordenadas para poder usar como material visual.
● Coordenadas en el Plano: La ubicación de los datos y la
representación de lo obtenido en el experimento
● Recta en el Plano: La representación y unión visual de los datos en
busca de una relación entre ellos.
● Ecuaciones y Funciones: Las representaciones algebraicas para
llegar a los resultados necesarios para representarse en el plano
cartesiano, así como la “regla” que sigue el plano y los datos.

Procedimiento:
Lo que se planteó fue que nosotros teníamos que resolver cinco
ejercicios de la página 243 - 246, específicamente los ejercicios 1, 2, 3, 4 y
11 del libro Precálculo 5ta Edición, “Matemáticas para el cálculo”, de James
Stewart, mediante el método de la regresión lineal, a través del uso del
programa Octave, un programa de PC que genera modelos lineales y puede
resolver ecuaciones, de esta manera simplemente modificamos los datos
según el problema y lo que nos pedía el mismo, después de terminar cada
problema solamente hacemos el cambio de datos haciendo más sencillo
nuestro método para lograr completar en tiempo y forma los cinco problemas
que se nos solicitaba.

Como primer dato necesitamos indagar sobre los conceptos anteriormente

mencionados, de esta manera comprender cómo es que se debe realizar
correctamente los ejercicios asignados, todos los ejercicios cuentan con una
tabla de valores, teniendo en cuenta X,Y en cada una de ellas, es realmente
lo que se debe tomar a consideración en el proceso de realización; teniendo
eso claro lo siguiente es investigar las fórmulas correspondientes, las cuáles
son las siguientes:
m= (n*sxy-sx*sy)/(n*sxx-sx^2), b= (sy*sxx-sx*sxy)/(n*sxx-sx^2), y=m*x+b
m= pendiente, n= número de datos, sxy= suma de x * y, sx= suma de y
sxx= suma de x al cuadrado, b= ordenada al origen

Estas fórmulas junto con las tablas de valores, son los componentes
esenciales para calcular la regresión lineal de cualquier problema que se nos
presente y debamos responder, y aunque no representan el requerido
procedimiento por completo, sí son las bases que nos ayudarán a cumplir
cualquier otra especificación. De esta manera y con un proceso extenso es
que se puede calcular la regresión lineal y los datos ajustados usando un
modelo lineal, unas cuantas operaciones que nos ayudan como sistemas de
predicción y cálculo de datos en conjunto.

Aunque el proceso pueda hacerse completamente a mano, para agilizar el

proceso y posterior a haberlo aplicado manualmente, decidimos usar el
programa Octave, un programa el cual cuenta con una interfaz muy completa
aunque un tanto compleja a primera vista, sin embargo, tiene más que lo
necesario para generar modelos lineales.

Archivos y Carpetas (Guardar) Editor

Espacio de Trabajo Ventana de Comandos

Historial de Comandos

Archivos y Carpetas: En esta área es donde se elige donde queremos

guardar nuestro procedimiento, tanto fórmulas, modelos o resultados de todo
tipo, presentando variedad de opciones y formatos de guardado.
Editor: Donde se programan las fórmulas, variables, datos, etc, y en donde
se modifican si hay algún error o cambio requerido, el editor está dividido en
renglones numerados los cuales indican el orden de pasos a seguir para
llegar al resultado; cuentas con todo tipo de comandos disponibles, como
guardar tu modelo, cambiar, datos, orden de las operaciones, tablas, etc.
Espacio de Trabajo: Donde se presentan los valores que todas las variables
adquirieron tras realizar todos los cálculos, de esta manera poder identificar
qué valores fueron utilizados para llegar a “x” resultado.
Ventana de Comandos: Donde se desglosan todos y cada uno de los
valores que dan como resultados, los datos ajustados en relación a los
primeramente proporcionados, organizados de manera en la que tú lo
programes.
Historial de Comandos: Como lo dice su nombre, muestra los comandos
que fueron utilizados anteriormente, como una especie de bitácora para no
perder el hilo de lo que ya se realizó.

Con esto ya establecido y con pleno conocimiento del uso del programa, se
decidió comenzar con el proceso de cálculo de regresión lineal, además de
calcular todos los demás datos que pedían los incisos de los ejercicios, de
esta manera no solo era un copia y pega en cada ejercicio, sino también una
prueba acerca de si habíamos comprendido correctamente el uso de las
fórmulas y operaciones tanto manual como virtualmente.

Ejercicios y Resultados:

1. Longitud del fémur y estatura. Los antropólogos usan un modelo

lineal que relaciona la longitud del fémur con la estatura. El modelo
permite a un antropólogo determinar la estatura de un individuo cuando
sólo se encuentra un esqueleto parcial (incluso el fémur). En este
problemas se encuentra el modelo analizando los datos de la longitud
del fémur y la estatura para los ocho varones dados en la tabla.

Longitud del Fémur Estatura (cm)

(cm)

50.1 178.5

48.3 173.6

45.2 164.8

44.7 163.7

44.5 168.3

42.7 165.0

39.5 155.4

38.0 155.8
 a) Elabore una gráfica de dispersión de los datos

*: Datos Reales
Recta: Datos Ajustados

b) Encuentre y grafique una función lineal que modele los datos

Función: ya= 1.8807 * x + 82.65
M= 1.8807 B= 82.65

X Y XX XY Ajuste

50.1 178.5 2510.01 8942.85 176.875

48.3 173.6 2332.89 8384.88 173.490

45.2 164.8 2043.04 7448.96 167.659

44.7 163.7 1998.09 7317.39 166.719

44.5 168.3 1980.25 7489.35 166.343

42.7 165.0 1823.29 7045.50 162.957

39.5 155.4 1560.25 6138.30 156.939

38.0 155.8 1444.00 5920.40 154.118

353 1325.1 15691.82 58687.63 Suma

 c) Un antropólogo encuentra un fémur de 59 cm de longitud, ¿Qué
tan alta era la persona?
Función: ya= 1.8807 * x + 82.65
Se sustituye “x” por “59” en nuestra función.
ya= 1.8807 * 59 + 82.65= 193.61 cm

2. Demanda de bebidas carbonatadas. Un administrador de tiendas de

abarrotes observa que las ventas de bebidas carbonatadas son mucho
más altas en días cálidos, así que reúne los datos de la tabla.

Temperatura alta Número de latas

(F°) vendidas

55 340

58 335

64 410

68 460

70 450

75 610

80 735

84 780

a) Elabore una gráfica de dispersión de los datos

*: Datos Reales
Recta: Datos Ajustados
 b) Encuentre y grafique una función lineal que modele los datos
Función: ya= 16.416 * x - 621.83
M= 16.416 B= -621.83

X Y XX XY Ajuste

55 340 3025 18700 281.07

58 335 3364 19430 330.32

64 410 4096 26240 428.81

68 460 4624 31280 494.48

70 450 4900 31500 527.3

75 610 5625 45750 609.39

80 735 6400 58800 691.47

84 780 7056 65520 757.14

554 4120 39090 297220 Suma

c) Use el modelo para predecir ventas de bebidas carbonatadas si la

temperatura es 95° F.
Función: ya= 16.416 * x - 621.83
En la función sustituimos “x” por “95°”
ya= 16.416 * 95 - 621.83= 937.69° F

3. Diámetro de un árbol y su edad. Para estimar las edades de los

árboles, los guardabosques emplean un modelo lineal que relaciona el
diámetro del árbol con la edad. El modelo es útil porque es mucho más
fácil medir el diámetro del árbol que su edad (lo cual requiere
herramientas especiales para extraer una sección transversal
representativa del árbol y contar los anillos). Para encontrar el modelo,
use los datos de la tabla reunidos para cierta variedad de robles.

Diámetro (pulg.) Edad (años)

2.5 15

4.0 24
 6.0 32

8.0 56

9.0 49

9.5 76

12.5 90

15.5 89

a) Construya una gráfica de dispersión de los datos

*: Datos Reales
Recta: Datos Ajustados

b) Encuentre y grafique una función lineal que modele los datos

Función: ya= 6.4510 * x - 0.1523
M= 6.4510 B= -0.1523

X Y XX XY Ajuste

2.5 15 6.25 37.5 15.975

4.0 24 16.0 96.0 25.652

 6.0 32 36.0 192 38.554

8.0 56 64.0 448 51.456

9.0 49 81.0 441 57.907

9.5 76 90.25 722 61.132

12.5 90 156.25 1125 80.485

15.5 89 240.25 1379.5 99.839

67 431 690 4441 Suma

c) Use el modelo para estimar la edad de un roble cuyo diámetro es

de 18 pulgadas
Función: ya= 6.4510 * x - 0.1523
En la función sustituimos “x” por “18”
ya= 6.4510 * 18 - 0.1523= 115.96

4. Concentraciones de dióxido de carbono. En la tabla se listan las

concentraciones de dióxido de carbono (CO2) en la atmósfera,
mediadas en partes por millón (ppm) en el observatorio Mauna Loa de
1984 a 200.
Año Concentración de
CO2 (ppm)

1984 344.3

1986 347.0

1988 351.3

1990 354.0

1992 356.3

1994 358.9

1996 362.7

1998 366.5

2000 369.4
 a) Construya una gráfica de dispersión de los datos
*: Datos Reales
Recta: Datos Ajustados

b) Encuentre y grafique la recta de regresión

Función: ya= 1.555 * x - 2740.8
M= 1.555 B= -2740.8
X Y XX XY Ajuste

1984 344.3 3936300 683090 344.27

1986 347.0 3944200 689140 347.38

1988 351.3 3952100 698380 350.49

1990 354.0 3960100 704460 353.60

1992 356.3 3968100 709750 356.71

1994 358.9 3976000 715650 359.82

1996 362.7 3984000 723950 362.93

1998 366.5 3992000 732270 366.04

2000 369.4 4000000 738800 369.15

17928 3210.4 35712800 6395490 Suma

 c) Use el modelo lineal del inciso b) para estimar la concentración de
CO2 en la atmósfera en 2001. Compare su respuesta con la
concentración real de CO2 de 371.1 medida en 2001
Función: ya= 1.555 * x - 2740.8
En nuestra función sustituimos “x” por “2001”
ya= 1.555 * 2001 - 2740.8= 370.755

5. Registros de nado olímpico. En la tabla se dan los tiempos de

medalla de oro en el evento de nado olímpico de 100m estilo libre para
varones y mujeres.

Varones

Año Medallista de Oro Tiempo (s)

1908 C. Daniels, USA 65.6

1912 Kahanamoku, USA 63.4

1920 Kahanamoku, USA 61.4

1924 J. Weissmuller, USA 59.0

1928 J. Weissmuller, USA 58.6

1932 Y. Miyazaki, Japón 58.2

1936 F. Csik, Hungría 57.6

1948 W. Ris, USA 57.3

1952 C. Scholes, USA 57.4

1956 J. Henricks, Aus. 55.4

1960 J. Devitt, Aus. 55.2

1964 D. Schollander, USA 53.4

1968 M. Wenden, Aus. 52.2

1972 M. Spitz, USA 51.22

1976 J. Montgomery, USA 49.99

1980 J. Woithe, Alemania 50.40

1984 R. Gaines, USA 49.80

1988 M. Biondi, USA 48.63

1992 A. Popov, Russia 49.02

1996 A. Popov, Russia 48.74

2000 P. van den 48.30

Hoogenband, NL

2004 P. van den 48.17

Hoogenband, NL

Mujeres

Año Medallista de Oro Tiempo (s)

1912 F. Durack, Australia 82.2

1920 E. Bleibtrey, USA 73.6

1924 E. Lackie, USA 72.4

1928 A. Osipowich, USA 71.0

1932 H. Madison, USA 66.8

1936 H. Mastenbroek, NL 65.9

1948 G. Andersen, DNK 66.3

1952 K. Szoke, Hungría 66.8

1956 D. Fraser, Australia 62.0

1960 D. Fraser, Australia 61.2

1964 D. Fraser, Australia 59.5

1968 J. Henne, USA 60.0

1972 S. Nielson, USA 58.59

1976 K. Ender, Alemania 55.65

1980 B. Krause, Alemania 54.79

1984 C. Steinseifer, USA 55.92

1984 N. Hogshead, USA 55.92

1988 K. Otto, E. Alemania 54.93

1992 Z. Yong, China 54.64

1996 L. Jingyi, China 54.50

2000 I. DeBruijn, Holanda 53.83

2004 J. Henry, Australia 53.84

 a) Encuentre las rectas de regresión para los datos de varones y los
datos de mujeres
Función: ya= -0.1729 * x + 393.29
M= -0.1729 B= 393.29 *: Datos Reales Recta: Datos Ajustados

Varones Mujeres

b) Bosqueje ambas rectas de regresión en la misma gráfica. ¿Cuándo

estas rectas predicen que las mujeres vencerán a los varones en
el evento?
Usando la función correspondiente y el programa Octave, se llegó al
resultado de que las mujeres vencerán a los hombres en el año 2044, como
se presenta a continuación:
¿Esta conclusión parece ser razonable?
Sí, pues indica la mejoría de las mujeres a través de los años, y como es que
son capaces de cambiar mucho más y más rápido los tiempos cada vez que
hay competencia.

Conclusión y Discusión:
Un modelo lineal es una herramienta poderosa y versátil para
comprender y analizar relaciones lineales entre variables, ya que utiliza la
representación visual de una línea recta para mostrar la relación entre dos
variables, lo que ayuda a visualizar fácilmente la pendiente y la intersección
en el eje y. Por su parte se utiliza la fórmula y = mx + b para calcular la
relación lineal entre dos variables, donde "m" representa la pendiente y "b"
representa la ordenada al origen.

En resumen, esta es útil para entender y analizar relaciones lineales en

diferentes contextos, desde la economía hasta la física, la comprensión de la
relación entre dos variables y lo más importantes es que sirve como un
identificador de patrones y tendencias, o como un modelo de predicción para
muchas situaciones, pues es un concepto fundamental en las matemáticas y
las ciencias, y su comprensión es esencial para cualquier persona que trabaje
con datos. Como paso final en nuestro proyecto, decidimos volver a analizar
por completo todos y cada uno de los ejercicios, no solo para comprobar si
estaban correctos sino para poder repasar por una última vez lo que tanto se
trabajó a lo largo de todo el proceso, finalmente volviendo a corroborar si se
habían cumplido los objetivos establecidos al principio del documento así
como si se habían aplicados correctamente los principios que hemos
aprendido este año de preparatoria, y después de ello, dar por concluido un
proyecto.
Referencias Biliográficas:

1. ¿Qué es la regresión lineal? - Explicación del modelo de regresión lineal -

AWS.

2. Pina-Romero, S. (2020, 24 septiembre). Plano cartesiano. Significados.

https://www.significados.com/plano-cartesiano/

3. teoricas123.pdf (uba.ar)