Instituto tecnológico de las Américas

“ITLA”

Campus Santo
Domingo

Asignatura:
Electiva 1 -Introducción al Big Data
Sustentante:
Ariel Manuel Naranjo De la Cruz
Matrícula:
202010742

Maestro:
Francis Ramírez
 En este informe proporcionaré una breve investigación sobre regresiones y extensiones
lineales y no lineales clásicas, así como elementos del ciclo de vida y metodologías para
proyectos de Ciencia de Datos, con una evaluación del tema.

Regresiones y Extensiones Lineales y No Lineales Clásicas

Las regresiones son un componente fundamental en la estadística y el análisis de datos,

utilizadas para modelar la relación entre una variable dependiente y una o más variables
independientes. Se pueden clasificar en dos categorías principales: lineales y no
lineales.

Regresiones Lineales Clásicas: Estas regresiones se basan en la suposición de que la

relación entre las variables es lineal. El ejemplo más común es la Regresión Lineal
Simple, que modela la relación entre dos variables, y la Regresión Lineal Múltiple, que
maneja múltiples variables independientes. La ecuación de una regresión lineal simple
se ve así:
Y=β0+β1X+ϵ
Donde Y es la variable dependiente, X es la variable independiente, es la intersección
con el eje es la pendiente de la línea, y es el error residual.
Extensiones Lineales: A veces, la relación entre las variables no es estrictamente lineal.
En tales casos, se pueden aplicar extensiones lineales, como la Regresión Polinómica,
que considera términos polinómicos de las variables independientes. Esto permite
modelar relaciones curvilíneas. Por ejemplo, una regresión polinómica de segundo
grado se vería así:
Y=β0+β1X+β2X2+ϵ
Regresiones No Lineales Clásicas: Cuando la relación entre las variables no se ajusta a
un modelo lineal, se utilizan regresiones no lineales. Estos modelos pueden ser más
flexibles y pueden adaptarse a relaciones más complejas. Ejemplos incluyen la
Regresión Logística para datos binarios y la Regresión Exponencial para datos que
siguen una tendencia exponencial.
Elementos del Ciclo de Vida
El ciclo de vida de un proyecto de Ciencia de Datos consta de varias etapas
interconectadas:

Definición del Problema: Identificar el problema o la pregunta que se busca resolver mediante el
análisis de datos.
Adquisición de Datos: Recolectar, limpiar y preparar los datos necesarios para el análisis.

Exploración de Datos: Analizar y visualizar los datos para comprender su naturaleza y posibles
patrones.
Modelado: Construir modelos estadísticos o de aprendizaje automático para hacer predicciones
o tomar decisiones.
Evaluación: Evaluar el rendimiento de los modelos y ajustarlos según sea necesario.
Despliegue: Implementar los modelos en un entorno operativo para su uso continuo.
Monitoreo y Mantenimiento: Supervisar el rendimiento del modelo en producción y realizar
actualizaciones cuando sea necesario.

Metodologías para Proyectos de Ciencia de Datos

Existen varias metodologías para gestionar proyectos de Ciencia de Datos, como CRISP-DM
(Cross-Industry Standard Process for Data Mining) y TDSP (Team Data Science Process). Estas
metodologías proporcionan estructura y guía en cada etapa del ciclo de vida del proyecto, desde
la definición del problema hasta el despliegue y el mantenimiento.

Evaluación del Tema

El conocimiento de regresiones y extensiones lineales y no lineales es esencial en Ciencia de

Datos, ya que permite modelar y comprender relaciones en datos que pueden ser lineales o no
lineales. Comprender el ciclo de vida de un proyecto de Ciencia de Datos y las metodologías
para gestionarlo es igualmente crucial para garantizar que los proyectos se desarrollen de
manera eficiente y efectiva.

En resumen, las regresiones y extensiones lineales y no lineales son herramientas poderosas en

Ciencia de Datos, y el ciclo de vida del proyecto y las metodologías proporcionan un marco
sólido para la gestión de proyectos exitosos en este campo en constante evolución. Dominar
estos conceptos es fundamental para cualquier profesional de Ciencia de Datos.