Matemáticas Aplicada a la Administración

REGRESIÓN, CORRELACIÓN LÍNEAL

Curso: Matemática Aplicada a la

Administración

Integrantes:
 Cristhian Isaac Gallo Vidaurre
 Margarita Del Rosario Noe Arceles
 Lorena Morales Chapilliquen
 Matemáticas Aplicada a la Administración

 Fernanda Castro Chacaltana

ÍNDICE
PRESENTACIÓN............................................................................................3
1. REGRESIÓN:..............................................................................................4
1.1 REGRESIÓN LINEAL..............................................................................4
¿Qué es la regresión lineal?......................................................................4
¿Por qué es importante la regresión lineal?.............................................5
1.2 TIPOS DE REGRESIÓN LINEAL:..........................................................6
 Regresión lineal simple....................................................................6
 Regresión lineal múltiple.................................................................7
 Regresión lineal multivariante.........................................................8
 Regresión lineal múltiple multivariante:..........................................8

2. CORRELACIÓN………………………………………………………………………………………………………….8
1.1 CORRELACIÓN LINEAL: ……………………………………………………………………………………..8
¿Qué es la correlación lineal?.....................................................................................8
¿Por qué es importante la correlación lineal?.........................................................8-9
1.2 TIPOS DE CORRELACIÓN LINEAL: ……………………………………………………………………..
 Matemáticas Aplicada a la Administración

PRESENTACIÓN

En el siguiente trabajo se presenta una descripción detallada y datos

relevantes sobre lo que es la regresión y la correlación lineal, para lo cual
se debe tener claro que los mencionados temas matemáticos pueden
utilizarse para analizar y modelar relaciones entre variables, a continuación,
les brindaremos conceptos básicos de los temas a tratar para que tengan una
idea más clara de entenderlo una vez antes de explayarnos más a fondo.
La regresión lineal es una técnica de análisis de datos que predice el valor
de datos desconocidos mediante el uso de otro valor de datos relacionado y
conocido además modela matemáticamente la variable desconocida o
dependiente y la variable conocida o independiente como una ecuación
lineal.
Mientras tanto la correlación lineal es una medida estadística que expresa
hasta qué punto dos variables están relacionadas linealmente (esto es,
cambian conjuntamente a una tasa constante). Es una herramienta común
para describir relaciones simples sin hacer afirmaciones sobre causa y
efecto.
Para finalizar la presente información podríamos deducir que, el análisis de
regresión y correlación lineal constituyen métodos que se emplean para
conocer las relaciones y significación entre series de datos.
 Matemáticas Aplicada a la Administración

1. REGRESIÓN:
Es una noción que refiere al acto de regresar o de volver atrás.
Con origen en el vocablo latino regressio, el termino tiene diversos usos
de acuerdo al contexto. Según la psicología, la regresión es un retroceso
hacia un estado o nivel de desarrollo previo.

Concepto de la regresión en matemáticas: la regresión es un intento de

crear una función matemática o una estructura matemáticas como
también de una ecuación matemáticas que establezca de qué manera
podemos tener información, pronosticar valores u otras variables.

1.1 REGRESIÓN LINEAL:

¿Qué es la regresión lineal?
La regresión lineal es una técnica de análisis de datos que predice el
valor 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.

¿Por qué es importante la regresión lineal?

Los 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 al software y a la computación. 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
 Matemáticas Aplicada a la Administración

realizar análisis de datos preliminares y predecir tendencias futuras.

Muchos métodos de ciencia de datos, como el machine learning y la
inteligencia artificial, utilizan la regresión lineal para resolver problemas
complejos.

Es una técnica de modelado estadístico que se emplea para describir

una variable de respuesta continua como una función de una o más
variables. Ayuda a comprender y predecir el comportamiento de
sistemas complejos o a analizar datos experimentales, financieros y
biológicos.
Las técnicas que se emplean en la regresión lineal, permiten crear un
modelo lineal, este modelo nos describe la relación entre una variable
dependiente “Y” (respuesta) como una función de una o varias variables
independientes “Xi” (denominadas predictores).
La ecuación general correspondiente a un modelo de regresión lineal es:
Y=β0+∑ βkXk+ϵi
-β: Representa las estimaciones de parámetros lineales que se deben
calcular.
-ϵ: Representa los terminos de error.
Regresión lineal está dada de la siguiente formula:
Y=a+bx
-a: Corte de la recta con el eje Y.
-b: Pendiente de la recta.
Relación lineal: en un diagrama se podría trazar una línea recta que trate
de acercarse a un conjunto de puntos, en ese caso sería una relación
lineal positiva, si no cumple así entonces es una relación lineal negativa.
 Matemáticas Aplicada a la Administración

1.2 TIPOS DE REGRESIÓN LINEAL:

 Regresión lineal simple:

Modelos que utilizan un solo predictor.
La ecuación general es: Y=β0+β1X+ϵ
El primer tipo es la regresión lineal simple, en la que solo se utiliza un
único predictor. Por ejemplo, puede usarse a la hora de predecir accidentes
mortales de tráfico en un país. La variable de respuesta Y sería el país y se
compararía con la población, que sería la variable predictora X.
Podemos representar la recta de regresión lineal simple mediante la
siguiente ecuación: y = β0 + β1x + e. y = β 0 + β 1 x + e.
-En la ecuación, β0 y β1 son los denominados coeficientes de regresión.
-Las variables de interés en un experimento (las que se miden u observan)
se denominan variables de respuesta o dependientes.
-Otras variables del experimento que afectan la respuesta y que el
investigador puede establecer o medir se denominan variables predictoras,
explicativas o independientes.
¿Qué es un predictor en estadística?
El análisis predictivo es el proceso de usar los datos para prever los
resultados futuros. El proceso usa análisis estadísticos, aprendizaje
automático, inteligencia artificial y modelos estadísticos para encontrar
patrones que puedan predecir el comportamiento futuro.
 Matemáticas Aplicada a la Administración

 Regresión lineal múltiple:

Regresión lineal múltiple es un modelo estadístico versátil para evaluar las
relaciones entre un destino continuo y los predictores. Los predictores
pueden ser campos continuos, categóricos o derivados, de modo que las
relaciones no lineales también estén soportadas.
Es una técnica estadística para comprobar hipótesis y relaciones causales,
es decir, analizar las causas de porque pasan las cosas. Los modelos de
regresión múltiple estudian la posible relación entre varias variables.
Modelos que utilizan múltiples predictores.
Esta regresión tiene múltiples Xi, para predecir la respuesta Y.
La ecuación: Y=β0+β1X1+β2X2+ϵ
Aplicaciones de la regresión múltiple:
La regresión múltiple se utiliza para la predicción de respuestas a partir de
variables explicativas. Pero no es esta realmente su aplicación más común
en investigación.
Sus usos más comunes son los siguientes:
-Identificación de variables explicativas: Nos ayuda a crear un modelo
donde se seleccionen las variables que puedan influir en la respuesta,
descartando las que no aporten información.
-Detección de interacciones: Entre variables independientes que afectan a
la variable respuesta.
-Identificación de variables confusas: Aunque es un problema difícil, es de
interés en investigación no experimental.
 Matemáticas Aplicada a la Administración

 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.

 Regresión lineal múltiple multivariante:

Modelos que utilizan varios predictores para múltiples variables de
respuesta. Esta regresión tiene múltiples Xi para predecir varias
respuestas Yi.

2. CORRELACIÓN:
La correlación es útil para describir relaciones simples entre datos. Por ejemplo,
imaginemos que está consultando un conjunto de datos sobre campings en un
parque de montaña. Se quiere averiguar si hay una relación entre la altura del
camping (qué tan alto está en la montaña) y la temperatura máxima promedio
durante el verano. Para cada camping se tienen dos mediciones: la elevación y la
temperatura. Si usa la correlación para comparar estas dos variables en toda la
muestra, se puede ver que hay una relación lineal: cuanto más sube la altura, más
baja la temperatura. Estas variables tienen una correlación negativa.

1.1 CORRELACIÓN LINEAL:

¿Qué es la correlación lineal?

El coeficiente de correlación lineal es una medida de regresión que sirve para

establecer una relación lineal entre dos variables. De esta manera, su cálculo
permite conocer con exactitud el grado de dispersión de los valores de una
variable en relación con una media para dicha variable.

¿Por qué es importante la correlación lineal?

 Matemáticas Aplicada a la Administración

Este coeficiente es utilizado ampliamente en la estadística y sin embargo

muchas veces no se establece claramente una diferenciación con la relación de
causalidad.
El coeficiente de correlación ( r) , mide el grado de asociación lineal que existe
entre dos o más variables.
Es decir la variable independiente ( x) , nos ayuda a predecir el comportamiento
de la variable dependiente (y) , siempre y cuando exista una relación fuerte entre
ambas variables.
Para el análisis e interpretación de la correlación en primer lugar se deben tomar
datos de por lo menos dos variables , la variable que se va a predecir (y) y la
variable que se utilizará como entrada (x) de la ecuación de regresión.