SEBASTIAN BOLAÑOS PICALUA

ESTADISTICA II

TALLER
REGRESIÓN LINEAL SIMPLE.
Aprendí que la regresión lineal es una técnica de análisis de datos en la que
podemos predecir valores de datos desconocidos mediante el uso de otro valor de
datos relacionado y conocido. Modela matemáticamente la variable desconocida o
dependiente y la variable conocida o independiente como una ecuación lineal. 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.
Estos modelos de regresión lineal son relativamente simples y proporcionan una
fórmula matemática fácil de interpretar para generar predicciones. La regresión
lineal es una técnica estadística establecida y se aplica fácilmente en el Excel y
que podemos usar en nuestras empresas para convertir datos sin procesar de
manera confiable y predecible en inteligencia empresarial y conocimiento práctico,
también en 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.

REGRESIÓN LINEAL MULTIPLE.

De la regresión linea aprendí que puede utilizar para generar conocimientos para
los gráficos que contienen al menos dos campos continuos con uno identificado
como el destino y el otro como un predictor, sirve al igual que la regresión lineal
simple, para predecir comportamientos por medio de un modelo matemático, pero
difieren en que una solo tiene una variable cambiante y se utiliza en ese caso, y la
otra en que es también un modelo matemático pero se utiliza cuando una variable
dependiente, se ve afectada a partir de diferentes factores que dependen de
variables cambiantes.

De igual manera aprendimos a utilizar estos tipos de regresión mediante el uso de

Excel, y a interpretar valores como el R^2 ajustado, coeficiente de correlación
multiple, uno expresa la precisión del modelo y el otro la correlación existente
entre las diferentes conjunto de variables y la variable criterio .