República Bolivariana de Venezuela

Ministerio del Poder Popular Para La Educación Universitaria

Instituto De Tecnología

“Mario Briceño Iragorry”

IUTEMBI

Valera, Edo. Trujillo

Análisis de Regresión
(Estadística)

Sección: M2DA

Integrantes:

Juan Bravo – C.I: 27.306.820

Fiorella Donato – C.I: 30.116.054

Luis – CI:

Jayberly – CI:
 Introducción:
El análisis de regresión, es utilizada con la finalidad para predecir el valor de una variable
según el valor de la otra, generalmente usado para explicar los fenómenos y predecir cosas
acerca del futuro, desencadenando un gran interés en el ámbito empresarial y de las
finanzas para obtener información valiosa, y tomar acción en base a ello. Siendo este
importante en el mundo de la economía nos puede ayudar a trascender también en la vida
cotidiana como por ejemplo en la medicina, química, física, mecánica, electricidad,
fabricación, construcción, experimentos, hasta en la informática, ya que parte de un solo
dato y sus variables que nos acercan a una posibilidad eficaz o inexistente.
-Análisis de Regresión lineal:

¿Qué es el análisis de regresión?

El análisis de regresión es una herramienta y técnica de análisis de datos usada en

estadística, la cual nos ayuda a predecir el valor de datos desconocidos mediante el uso de
un valor de datos relacionado y conocido, es decir que es un proceso o modelo que analiza
una variable desconocida llamada dependiente y una o varias variables conocidas llamada
independiente mediante una ecuación lineal con el objetivo de estimar el valor futuro de la
variable de estudio.

El análisis de regresión tiene aplicaciones para la vida cotidiana. Esto, desde el estudio de
accidentes de tráfico en una determinada zona geográfica hasta comprobar si un plan de
estudios es recomendable según la tasa de abandono escolar.

Por ejemplo, supongamos que tiene datos sobre sus gastos e ingresos del año pasado. Las
técnicas de regresión lineal analizan estos datos y determinan que tus gastos son la mitad de
tus ingresos. Luego calculan un gasto futuro desconocido al reducir a la mitad un ingreso
conocido futuro.

-Clases de regresión lineal simple

Tipos de análisis de regresión que existen:

Podemos realizar 3 modelos de análisis distintos en función del número de variables y la

forma de interactuar entre ellas:

 Modelo de regresión lineal simple

 Modelo de regresión lineal múltiple
 Modelo de regresión no lineal

Esto dependerá del número de variables que necesitemos incluir elegir entre un modelo u
otro

 Modelo de regresión lineal simple

El análisis de regresión lineal simple es el más utilizado y el más sencillo de todos. Se trata de
estudiar el efecto de una variable independiente sobre una única variable dependiente de la
primera —o que al menos a nivel teórico hemos considerado que es dependiente—. Empleando esta
ecuación de regresión lineal simple se puede realizar una estimación basándose en los datos
obtenidos.

Fórmula de la regresión lineal simple

y = B0 + B1 x + ε Donde B0 es el valor de la variable independiente, B1 es la variable dependiente

y ε representa el residuo o error. La función de ε es explicar la posible variabilidad de los datos que
no pueden explicarse a través de la relación lineal de la fórmula.
  Modelo de regresión lineal múltiple

En el caso de la regresión lineal múltiple nos encontramos con un modelo que sencillamente cuenta
con más de una variable independiente. Este modelo lo aplicaremos cuando tengamos razones
para creer que hay más de un factor que afecta a la variable de estudio.
Fórmula de la regresión lineal múltiple

Y = 0 + B1*X1 + B2*X2 + … + Bn*Xn + ε

Nuevamente, Y representa la variable dependiente que se está estudiando y B1, B2, Bn son todas
las variables independientes que pueden afectar al valor de la variable dependiente Y. De igual
modo ε sigue representando el posible error existente.

 Modelo de regresión no lineal

Hay ocasiones en las que la relación que puede darse entre variables independientes y la variable
dependiente no tenga un desarrollo lineal, sino que tengan, por ejemplo, un crecimiento
exponencial. En esos casos, el modelo de regresión no lineal entra en juego y permite que
obtengamos una aproximación de los valores de la variable dependiente en un entorno no lineal.
Tengamos presente que el proceso de una regresión no lineal es más complejo, ya que puede no
coincidir el número de parámetros con el de las variables independientes.
3 Fórmulas de regresión no lineales

En muchos casos es posible modificar un modelo no lineal para convertirlo en un modelo lineal. Por
ejemplo aplicando logaritmos a su fórmula inicial.
Regresión exponencial

y = a.bx
Esta fórmula puede transformarse en una lineal mediante el uso de logaritmos. Quedando de la
siguiente manera la fórmula.
log y = log(a.bx) = log a + x log b
Regresión potencial

y = a. xb
Si volvemos a aplicar logaritmos, transformamos en un modelo lineal la fórmula inicial.
log y = log a + b log x
Regresión parabólica

y* = a0+a1x+a2 x2
Para resolver esta ecuación es necesario buscar los valores a0, a1, a2 que minimicen la fórmula:
ψ(a0,a1,a2)=Σ(Yi- (a0+a1x+a2 x2))2

El siguiente paso a realizar es igualar las derivadas parciales a cero, para así obtener ecuaciones
lineales que puedan ser resueltas. El resultado final será:
Σyi =N a0 + a1 Σxi + a2Σxi2

Σyixi = a0 Σxi + a1Σxi2 + a2Σ xi3

Σyixi2 = a0 Σ xi2 + a1Σ xi3 + a2Σ xi4

-Estimación de modelo de regresión: Lineal Simple, Método de Trazo Libre

Modelo lineal simple:

La regresión lineal simple consiste en generar un modelo de regresión (ecuación de una
recta) que permita explicar la relación lineal que existe entre dos variables. A la variable
dependiente o respuesta se le identifica como Y y a la variable predictora o independiente
como X.
El modelo de regresión lineal simple se describe de acuerdo a la ecuación:
Y=β0+β1X1+ϵY=β0+β1X1+ϵ
Siendo β0 la ordenada en el origen, β1 la pendiente y ϵ el error aleatorio. Este último
representa la diferencia entre el valor ajustado por la recta y el valor real. Recoge el
efecto de todas aquellas variables que influyen en Y pero que no se incluyen en el modelo
como predictores. Al error aleatorio también se le conoce como residuo.
En la gran mayoría de casos, los valores β0 y β1 poblacionales son desconocidos, por lo
que, a partir de una muestra, se obtienen sus estimaciones  β^0 y β^1. Estas estimaciones
se conocen como coeficientes de regresión, ya que toman aquellos valores que minimizan
la suma de cuadrados residuales, dando lugar a la recta que pasa más cerca de todos los
puntos. (Existen alternativas al método de mínimos cuadrados para obtener las
estimaciones de los coeficientes).
y^=β^0+β^1xy^=β^0+β^1x

β^1=∑ni=1(xi−x¯¯¯)(yi−y¯¯¯)∑ni=1(xi−x¯¯¯)2=SySxRβ^1=∑i=1n(xi−x¯)
(yi−y¯)∑i=1n(xi−x¯)2=SySxR

β^0=y¯¯¯−β^1x¯¯¯β^0=y¯−β^1x¯
Donde Sy y Sx son las desviaciones típicas de cada variable y R el coeficiente de
correlación. β^0 es el valor esperado la variable Y cuando X = 0, es decir, la intersección
de la recta con el eje y. Es un dato necesario para generar la recta, pero en ocasiones, no
tiene interpretación práctica (situaciones en las que X no puede adquirir el valor 0).
Una recta de regresión puede emplearse para diferentes propósitos y dependiendo de ellos
es necesario satisfacer distintas condiciones. En caso de querer medir la relación lineal
entre dos variables, la recta de regresión lo va a indicar de forma directa (ya que calcula
la correlación). Sin embargo, en caso de querer predecir el valor de una variable en
función de la otra, no solo se necesita calcular la recta, sino que además hay que asegurar
que el modelo sea bueno.
Método de trazo libre:

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 quisiera, entonces se debe de
tomar otras opciones como una relación: logarítmica, exponencial, potencial, polinomial,
entre muchas más.

Las características principales de un modelo no lineal son:

1. La variable dependiente y las independientes deben de ser cuantitativas, ya que con

variables cualitativas no se puede generar una relación.

2. Si existe una variable categórica se debe de usar variables Dummy, las cuales

sustituirían las variables categóricas por los números 0 y 1.

3. Elegir el modelo no lineal correcto no es una tarea fácil, en muchos casos se llega al
mejor modelo a prueba y error.

4. El efecto predictor sobre la respuesta llega a ser menos intuitivo que el de un

modelo no lineal, es decir no es tan fácil reconocer qué comportamiento va a tener
los datos en un modelo no lineal.

5. Es de tener en cuenta que, en un modelo no lineal, la suma de los cuadrados del

error residual se calcula diferente que en un modelo lineal, en un modelo no lineal
es iterativo y se usan métodos como el de Gauss Newton y Levenberg-
Marquardt.

-Desviación estándar de la regresión:

Se entiende por desviación estándar como la que mide la dispersión de una distribución de
datos. Entre más dispersa está una distribución de datos, más grande es su desviación
estándar.

La desviación estándar de la regresión indica el grado de dispersión que existe entre las
variaciones de los valores observados “Y” respecto a los estimados con ese valor se puede
determinar con cierta certeza.

Para saber si un modelo es confiable, dependerá si posee un mayor coeficiente ya que con
él se podrá apreciar que la estimación de los coeficientes no es lo suficientemente
confiable.

Características:

*La desviación estándar nunca será negativa.

*La desviación estándar siempre será un valor positivo o igual a 0.

*Sí a todos los valores de la variable se les suma un número su desviación estándar no
varía.

*Sí todos los valores de la variable se multiplican por un número la desviación estándar
queda multiplicada por el mismo número.

*La desviación estándar es un índice muy sensible a las puntuaciones extremas.

*Dado el caso de que no se pueda hallar la media por ende, tampoco se podrá hallar la
desviación estándar.

*Cuanta más pequeña sea la desviación estándar, mayor será la concentración de datos
alrededor de la media.

-Modelos de regresión no lineal (Ejemplos).

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

En comparación con la regresión lineal tradicional, que se encuentra restringida a la

estimación de modelos lineales, la regresión no lineal puede estimar modelos con
relaciones arbitrarias entre las variables independientes y las dependientes.

Por ejemplo: ¿Puede pronosticarse la población basándose en el tiempo Un diagrama de

dispersión muestra que parece haber una estrecha relación entre la población y el tiempo,
pero la relación es no lineal y por eso exige la utilización de los métodos de estimación
especiales del procedimiento Regresión no lineal. Creando una ecuación adecuada, como la
del modelo logístico de crecimiento poblacional, podemos obtener una buena estimación
del modelo, lo que nos permitirá hacer predicciones sobre la población para épocas que no
se han sido medidas.

¿Cómo lo hacemos?

Para obtener un análisis de regresión no lineal mediante un programa

Esta característica requiere Tablas personalizadas y Estadísticas avanzadas.

En los menús seleccione:

Analizar > Regresión > No lineal...

Seleccione una variable numérica dependiente de la lista de variables del conjunto de datos
activo.

Para crear una expresión de modelo, introduzca la expresión en el campo Expresión de

modelo o pegue componentes (variables, parámetros, funciones) en el campo.
Identifique los parámetros del modelo pulsando en Parámetros.

Un modelo segmentado (uno que adquiere diferentes formas en distintas partes de su

dominio) se debe especificar usando la lógica condicional dentro de la declaración única
del modelo. Este procedimiento se le pega la sintaxis del comando NLR.

Conclusión:
En el mundo de los modelos no lineales es muy extenso y existe un sinfín de diferentes
tipos de modelos, así que si sus datos no tienen un comportamiento lineal, al cual estamos
muy acostumbrados, existe otro mundo que lo puede llevar a la respuesta para encontrar la
función que le haga describir la relación que tiene su variable respuesta con respecto a las
variables predictoras mediante el uso de programas que mejoran en conjunto con la
tecnología y facilitan la manera de hacer las cosas desde una perspectiva manual y práctica
para obtener aproximaciones de datos estadísticos según sea la necesidad o circunstancia
que se requieran dentro de una empresa, negocio, país, etc.
 Bibliografía:
https://economipedia.com/definiciones/analisis-de-regresion.html

https://www.sdelsol.com/glosario/analisis-de-regresion/

https://aws.amazon.com/es/what-is/linear-regression/

https://es.slideshare.net/williamleon20/anlisis-de-regresin-lineal

http://www.cca.org.mx/cca/cursos/estadistica/html/m11/desviacion_estandar.htm

https://www.grupodabia.com/post/2020-03-18-modelos-no-lineales/#:~:text=Un
%20modelo%20de%20regresi%C3%B3n%20no,ajuste%20tanto%20como%20el
%20investigador

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

https://www.cienciadedatos.net/documentos/
24_correlacion_y_regresion_lineal#Regresi%C3%B3n_lineal_simple

https://es.wikipedia.org/wiki/Regresi%C3%B3n_lineal

https://es.wikipedia.org/wiki/Desviaci%C3%B3n_t%C3%ADpica