Universidad Tecnológica Fidel

Velázquez
POR:
Villegas Bautista Andrea Yatzil
DOCENTE:
Fernando Gómez Flores
ASIGNATURA:
Probabilidad y estadística
GRUPO:
NAM-101
CARRERA:
T.S.U en nanotecnología, áreas materiales
TEMA:
Regresión lineal
 introducción
La regresión lineal es una técnica estadística que se emplea para describir una
variable de respuesta continua como una función de una o varias variables
predictoras. Puede ayudar a comprender y predecir el comportamiento de sistemas
complejos o a analizar datos experimentales, financieros y biológicos.

Las técnicas de regresión lineal permiten crear un modelo lineal. Este modelo
describe la relación entre una variable dependiente y (también conocida como la
respuesta) como una función de una o varias variables
independientes Xixi (denominadas predictores). La ecuación general correspondiente
a un modelo de regresión lineal es:

Y=β0+∑ βiXi+ϵiY=β0+∑ βiXi+ϵi

donde ββ representa las estimaciones de parámetros lineales que se deben calcular

y ϵϵ representa los términos de error.

Modelo de regresión lineal

Alfa y beta son los parámetros desconocidos de la intersección con el eje vertical y
la pendiente y épsilon (E) es una variable aleatoria que se supone esta distribuida
con la función
E (E)=0; variable
(E)=Ꝺ^2 3.5
3
3

2.5
1.9
2

1.5

1 0.8
0.5
0.5

0
0 0.5 1 1.5 2 2.5 3 3.5

La recta de regresión ajustada es:

A= Ordenada al origen
B= pendiente
Y^=a+bxi
Formulas:
n

∑ (xi−x )( yi− y )
b=
x=i
n

∑ ¿¿¿
i=1

n n

a= ∑
yi−b ∑ xi
i=1 i=1
= y −bx
n

Tipos de regresión lineal

Regresión lineal simple: modelos que utilizan un único predictor. La ecuación
general es:
Y=β0+βiX+ϵi

Regresión lineal múltiple: modelos que utilizan múltiples predictores. Esta

regresión tiene múltiples Xi para predecir la respuesta, Y. Este es un ejemplo de la
ecuación:
Y=β0+β1X1+β2X2+ϵ
Regresión lineal multivariante: modelos
para varias variables de respuesta. Esta
regresión tiene múltiples Yi que derivan de los
mismos datos Y. Se expresan con fórmulas
diferentes. Este es un ejemplo del sistema con
2 ecuaciones:
Y1=β01+β11X1+ϵ1
Y2=β02+β12X1+ϵ2

Regresión lineal múltiple multivariante: modelos que utilizan varios predictores

para múltiples variables de respuesta. Esta regresión tiene múltiples Xi para
predecir varias respuestas Yi. Esta es una generalización de las ecuaciones:

Aplicaciones de la regresión lineal

Predicción o pronóstico: A partir de la moda, puede usar la regresión para predecir
valores de respuesta donde solo se conocen los predictores.
Fuerza de la regresión: utilice un modelo de regresión para determinar si existe
una relación entre una variable y un predictor, y que estrecha es esta relación.
 DESARROLLO
En un experimento de laboratorio en donde se determinó la disminución de solidos
suspendidos en función del valor de la demanda química de oxigeno para evaluar
la efectividad del proceso de tratamiento se obtuvieron los siguientes datos de
aguas residuales.
Reducción de solidos (xi%) =
3,7,11,15,18,27,29,30,30,31,31,32,33,33,34,36,36,36,37,38,39,39,39,40,41,42,42,
43,44,45,46,47,50
Demanda química de oxígeno (yi%) =
5,11,21,16,16,28,27,25,35,30,40,32,34,32,34,36,38,34,37,38,37,26,45,49,
41,40,44,37,44,46,46,49,51.
SOLUCION: DATOS
x y
3 5
7 11
11 21
15 16
18 16
27 28
29 27
30 25
30 35
31 30
31 40
32 32
33 34
33 32
34 34
36 36
36 38
36 34
37 37
38 38
39 37
39 26
39 45
40 49
41 41
42 40
42 44
43 37
44 44
45 46
46 46
47 49
50 51
33.4545455 34.0606061
Media:
1104
x= =33.45
33
1137
y= =34.36
33
Valores de a y b:
n

∑ ( xi−x )( yi− y )
b= i=1 n = ( 1.84 ) (−5.68 )
4152.18
∑ ( xi−x )2
i=1

−10.4512
¿ =−0.002517
4152.18
n

∑ yi−b ( xi )
a= i=1 = y−b x
n
¿ 34.36−(−0.002517 ) ( 33.45 )=34.36−(−0.08419 )
¿ 34.44
xi% x xi-x (xi-x)^2 Yi% y yi-y (yi-y)^2 (xi-x)(yi-y) ŷ=a+bxi
3 33.4545455 -30.4545455 927.479339 5 34.0606061 -29.06060606 844.518825 885.027548 -7516.56
7 33.4545455 -26.4545455 699.842975 11 34.0606061 -23.06060606 531.791552 610.057851 -17584.56
11 33.4545455 -22.4545455 504.206612 21 34.0606061 -13.06060606 170.579431 293.269972 -27652.56
15 33.4545455 -18.4545455 340.570248 16 34.0606061 -18.06060606 326.185491 333.300275 -37720.56
18 33.4545455 -15.4545455 238.842975 16 34.0606061 -18.06060606 326.185491 279.118457 -45271.56
27 33.4545455 -6.45454545 41.661157 28 34.0606061 -6.060606061 36.7309458 39.1184573 -67924.56
29 33.4545455 -4.45454545 19.8429752 27 34.0606061 -7.060606061 49.8521579 31.4517906 -72958.56
30 33.4545455 -3.45454545 11.9338843 25 34.0606061 -9.060606061 82.0945822 31.3002755 -75475.56
30 33.4545455 -3.45454545 11.9338843 35 34.0606061 0.939393939 0.88246097 -3.24517906 -75475.56
31 33.4545455 -2.45454545 6.02479339 30 34.0606061 -4.060606061 16.4885216 9.96694215 -77992.56
31 33.4545455 -2.45454545 6.02479339 40 34.0606061 5.939393939 35.2764004 -14.5785124 -77992.56
32 33.4545455 -1.45454545 2.11570248 32 34.0606061 -2.060606061 4.24609734 2.99724518 -80509.56
33 33.4545455 -0.45454545 0.20661157 34 34.0606061 -0.060606061 0.00367309 0.02754821 -83026.56
33 33.4545455 -0.45454545 0.20661157 32 34.0606061 -2.060606061 4.24609734 0.93663912 -83026.56
34 33.4545455 0.545454545 0.29752066 34 34.0606061 -0.060606061 0.00367309 -0.03305785 -85543.56
36 33.4545455 2.545454545 6.47933884 36 34.0606061 1.939393939 3.76124885 4.93663912 -90577.56
36 33.4545455 2.545454545 6.47933884 38 34.0606061 3.939393939 15.5188246 10.0275482 -90577.56
36 33.4545455 2.545454545 6.47933884 34 34.0606061 -0.060606061 0.00367309 -0.15426997 -90577.56
37 33.4545455 3.545454545 12.5702479 37 34.0606061 2.939393939 8.64003673 10.4214876 -93094.56
38 33.4545455 4.545454545 20.661157 38 34.0606061 3.939393939 15.5188246 17.9063361 -95611.56
39 33.4545455 5.545454545 30.7520661 37 34.0606061 2.939393939 8.64003673 16.3002755 -98128.56
39 33.4545455 5.545454545 30.7520661 26 34.0606061 -8.060606061 64.9733701 -44.6997245 -98128.56
39 33.4545455 5.545454545 30.7520661 45 34.0606061 10.93939394 119.67034 60.6639118 -98128.56
40 33.4545455 6.545454545 42.8429752 49 34.0606061 14.93939394 223.185491 97.785124 -100645.56
41 33.4545455 7.545454545 56.9338843 41 34.0606061 6.939393939 48.1551882 52.3608815 -103162.56
42 33.4545455 8.545454545 73.0247934 40 34.0606061 5.939393939 35.2764004 50.7548209 -105679.56
42 33.4545455 8.545454545 73.0247934 44 34.0606061 9.939393939 98.7915519 84.9366391 -105679.56
43 33.4545455 9.545454545 91.1157025 37 34.0606061 2.939393939 8.64003673 28.0578512 -108196.56
44 33.4545455 10.54545455 111.206612 44 34.0606061 9.939393939 98.7915519 104.815427 -110713.56
45 33.4545455 11.54545455 133.297521 46 34.0606061 11.93939394 142.549128 137.84573 -113230.56
46 33.4545455 12.54545455 157.38843 46 34.0606061 11.93939394 142.549128 149.785124 -115747.56
47 33.4545455 13.54545455 183.479339 49 34.0606061 14.93939394 223.185491 202.360882 -118264.56
50 33.4545455 16.54545455 273.752066 51 34.0606061 16.93939394 286.943067 280.269972 -125815.56
1104 SUMATORIA 1.84741E-13 4152.18182 1124 -5.68434E-14 3973.87879 3763.09091 -2777631.48
PROMEDIO 5.59822E-15 125.823691 -1.72253E-15 120.420569
 Conclusión
Al aplicar las formulas a los datos proporcionados pudimos observar la
reducción de los solidos y la demanda química, los solidos siendo la
variable x, mientras que la demanda química la variable y, después de
la obtención de resultados se grafico para ver el incremento o la
disminución de está teniendo así en cuenta cuanto es lo que varia de
un dato a otro.
 Referencias
EcuRed. (s. f.). Regresión lineal - EcuRed.
https://www.ecured.cu/Regresi%C3%B3n_lineal
¿Qué es la regresión lineal? (s. f.). MATLAB & Simulink.
https://la.mathworks.com/discovery/linear-regression.html
a, A. (2022, 1 marzo). ¿Qué es la Regresión lineal? Estadística
Descriptiva. https://estadisticadescriptiva.com/probabilidad/que-es-la-
regresion-lineal/