Universidad Mariano Gálvez de Guatemala

Estadística II

INVESTIGACIÓN DE CORRELACION LINEAL

Kevin José de la Cruz López

6522-21-16236
Sección B
 Regresión Lineal

La regresión lineal es un modelo matemático utilizado para describir una

variable de respuesta continua en función de uno o más períodos variables.

Puede ayudar a comprender y predecir el comportamiento de sistemas

complejos o datos de investigación, económicos y biológicos.

La regresión lineal es una técnica de análisis de datos que determina

valores de datos desconocidos utilizando otros datos conocidos y relevantes.

Matemáticamente, compara las variables desconocidas o dependientes con las

variables conocidas o independientes en un sistema lineal.

Como ejemplo podemos suponer que tenemos datos sobre nuestros

gastos e ingresos del año pasado. Las técnicas de regresión lineal analizan

estos datos y determinan que nuestros gastos son la mitad de nuestros

ingresos. Luego calculan un gasto futuro desconocido al reducir a la mitad un

ingreso conocido futuro.

Las empresas lo utilizan para convertir datos sin procesar de manera

confiable y predecible en inteligencia empresarial y conocimiento práctico.

Los científicos de muchos campos, incluidas la biología y las ciencias del

comportamiento, ambientales y sociales, utilizan la regresión lineal para

realizar análisis de datos preliminares y predecir tendencias futuras.

¿Qué tipos de análisis de regresión 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: 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

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.

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.