Regresión lineal

En estadística, la regresión lineal o ajuste lineal es un modelo

matemático usado para aproximar la relación de dependencia entre una
variable dependiente , variables independientes con y un
término aleatorio . Este método es aplicable en muchas situaciones en las
que se estudia la relación entre dos o más variables o predecir un
comportamiento, algunas incluso sin relación con la tecnología. En caso de
que no se pueda aplicar un modelo de regresión a un estudio, se dice que
no hay correlación entre las variables estudiadas. Este modelo puede ser
expresado como:

donde: Ejemplo de una regresión lineal con una variable

dependiente y una variable independiente.
es la variable dependiente o variable de respuesta.
son las variables explicativas, independientes o
regresoras.
son los parámetros del modelo, miden la influencia que las variables explicativas tienen sobre el
regrediendo.
el término es la intersección o término "constante", las son los parámetros respectivos a cada variable
independiente, y es el número de parámetros independientes a tener en cuenta en la regresión. La regresión lineal puede ser
contrastada con la regresión no lineal.

Historia
La primera forma de regresión lineal documentada fue el método de los mínimos cuadrados que fue publicada por Legendre en
1805, Gauss publicó un trabajo en donde desarrollaba de manera más profunda el método de los mínimos cuadrados,1 ​ y en
donde se incluía una versión del teorema de Gauss-Márkov.

El término regresión se utilizó por primera vez en el estudio de variables antropométricas: al comparar la estatura de padres e
hijos, donde resultó que los hijos cuyos padres tenían una estatura muy superior al valor medio, tendían a igualarse a este,
mientras que aquellos cuyos padres eran muy bajos tendían a reducir su diferencia respecto a la estatura media; es decir,
"regresaban" al promedio.2 ​La constatación empírica de esta propiedad se vio reforzada más tarde con la justificación teórica de
ese fenómeno.

El término lineal se emplea para distinguirlo del resto de técnicas de regresión, que emplean modelos basados en cualquier clase
de función matemática. Los modelos lineales son una explicación simplificada de la realidad, mucho más ágiles y con un soporte
teórico mucho más extenso por parte de la matemática y la estadística.

Pero bien, como se ha dicho, se puede usar el término lineal para distinguir modelos basados en cualquier clase de aplicación.

El modelo de regresión lineal

El modelo de regresión lineal será aplicado en aquellos casos en los que la variable independiente X sea continua. El modelo
lineal relaciona la variable dependiente con variables regresoras con o cualquier transformación de
éstas que generen un hiperplano de parámetros desconocidos:

donde es una variable aleatoria que recoge todos aquellos factores de la realidad no controlables u observables y que por tanto
se asocian con el azar, y es la que confiere al modelo su carácter estocástico. En el caso más sencillo, con una sola variable
explícita, el hiperplano es una recta:

El problema de la regresión consiste en elegir unos valores determinados para los parámetros desconocidos , de modo que la
ecuación quede completamente especificada. Para ello se necesita un conjunto de observaciones o una muestra proveniente de
este modelo. En una observación -ésima cualquiera, se registra el comportamiento simultáneo de la variable
dependiente y las variables explícitas (las perturbaciones aleatorias se suponen no observables).

Los valores escogidos como estimadores de los parámetros , son los coeficientes de regresión sin que se pueda garantizar que
coincidan con parámetros reales del proceso generador. Por tanto, en

Los valores son por su parte estimaciones o errores de la perturbación aleatoria. Ei es el residuo e indica la bondad del ajuste
realizado para cada punto. Se calcula de la siguiente forma:

Una vez se ha obtenido la recta de regresión, es necesario comprobar la bondad del ajuste realizado mediante el siguiente análisis

ANOVA:

n= número de datos. Se compara F0 con valor F crítico (tabla F de Scnedecor) con valor de significación α, 1, y n-2 grados de
libertad concluyendo: Si F0< Ft, el modelo es apropiado, Si F0> Ft, el modelo utilizado no es apropiado.

Hipótesis del modelo de regresión lineal clásico

1. Media cero: . Para cada valor de la perturbación tomará distintos valores de forma aleatoria, pero no tomará
sistemáticamente valores positivos o negativos, sino que se supone tomará algunos valores mayores que cero y otros
menores que cero, de tal forma que su valor esperado sea cero.
2. Homocedasticidad: para todo . Todos los términos de la perturbación tienen la misma varianza que es
desconocida. La dispersión de cada en torno a su valor esperado es siempre la misma.
3. Incorrelación o independencia: para todo . Las covarianzas entre las distintas pertubaciones son
nulas, lo que quiere decir que no están correlacionadas. Esto implica que el valor de la perturbación para cualquier
observación muestral no viene influenciado por los valores de las perturbaciones correspondientes a otras observaciones
muestrales.
4. Regresores estocásticos. Los sistemas de ecuaciones simultáneas describen el comportamiento de un vector de variables
endógenas en función de un vector de variables exógenas. Los regresores estocásticos surgen del hecho de que la variable
endógena de una ecuación puede entrar en otra como variable explicativa.
5. Independencia lineal. No existen relaciones lineales exactas entre los regresores.
6. . Suponemos que no existen errores de especificación en el modelo, ni errores de medida en las variables
explicativas.
7. Normalidad de las perturbaciones:

Tipos de modelos de regresión lineal

Existen diferentes tipos de regresión lineal que se clasifican de acuerdo a sus parámetros:

Regresión lineal simple

El modelo de regresión lineal simple sólo está conformado por dos variables estadísticas llamadas y . Considera una única
variable independiente o explicativa, , y una variable dependiente o respuesta, , asumiendo que la relación entre ambas es
lineal. Para la regresión lineal simple, se asume que y se relacionan mediante la relación funcional (siendo β1 y β0
estimadores):3 ​

donde son constantes desconocidas llamadas coeficientes de regresión. β1: Se trata del cociente entre la interacción
obtenida entre ambas variables y la suma de cuadrados de los valores de la variable dependiente. Este valor corresponde a la
pendiente de la recta. Por su parte, β0 es el resultado de la siguiente ecuación en la que aparecen los valores medios
correspondientes a ambas variables y el estimador β1 obtenido anteriormente. Este valor es la ordenada en el origen.

Estimación de los parámetros

Dado que los parámetros y son constantes desconocidas, estas deben estimarse mediante los datos de la muestra,
supóngase que se tiene datos , se estimarán los parámetros utilizando el método de mínimos cuadrados.

Se estiman y tal que la suma de los cuadrados de las diferencias entre las observaciones y la recta de regresión sea
mínima, esto es, buscamos minimizar la función error cuadrático dada por

La función de error cuadrático alcanza un mínimo en el punto tal que

entonces derivando respecto a y , evaluando en y e igualando a cero, obtenemos el siguiente sistema de ecuaciones

estas dos ecuaciones son conocidas como ecuaciones normales la solución de dicho sistema de ecuaciones está dada por:3 ​

La interpretación del parámetro medio es que un incremento en Xi de una unidad, Yi incrementará en . Luego el modelo
ajustado de regresión lineal simple es

Para los casos en los que un modelo lineal no sea el más adecuado, se pueden aplicar los llamados modelos intrínsecamente
lineales que transforman la recta en otro tipo de función. Un ejemplo sería la función exponencial:

Regresión lineal múltiple

La regresión lineal permite analizar la relación entre dos o más variables a través de ecuaciones, lo que se denomina regresión
múltiple o regresión lineal múltiple.

Constantemente en la práctica de la investigación estadística, se encuentran variables que de alguna manera están relacionadas
entre sí, por lo que es posible que una de las variables puedan relacionarse matemáticamente en función de otra u otras
variables.

Este modelo cuenta con varias variables regresoras, por lo que cuenta con varios parámetros, para la regresión lineal múltiple, se
asume que la variable de respuesta se relaciona con las variables regresoras mediante la relación funcional:4 ​
donde los parámetros son llamados coeficientes del modelo de regresión múltiple.

Supongamos que se tiene una muestra de tamaño dada por con donde denota el -ésimo valor
observado en el regresor y denota la -ésima observación de entonces el modelo toma la forma

donde es el error asociado a la -ésima medición del valor y sigue los supuestos usuales de modo que
(media cero, varianza constante e igual a y con ).

Estimación de los parámetros

Para estimar los parámetros del modelo, se puede utilizar el método de mínimos cuadrados, en este caso, la función de error
cuadrático está dada por

la cual deseamos minimizar.

Los estimadores por mínimos cuadrados denotados por deben satisfacer

para . Resolver este sistema con ecuaciones de forma analítica es complicado por lo que se recurre a
escribir el modelo de regresión lineal múltiple

en forma matricial como

siendo

donde y .

En forma matricial, la función de error cuadrático puede ser escrita como

La obtención de los estimadores se realizará resolviendo el sistema lineal de ecuaciones. Los estimadores por mínimos cuadrados
deben satisfacer

donde denota el vector que contiene a los estimadores y denota un vector con ceros.

Puede verificarse que la condición anterior se reduce a

Si la matriz inversa existe entonces el estimador por mínimos cuadrados está dado por

Por lo que el modelo ajustado de regresión está dado por

Al igual que en el caso anterior será necesario efectuar una comprobación de la bondad de ajuste mediante un test ANOVA.

k= número de variables. n= número de datos. p= número de grupos. Siendo estas las expresiones para el cálculo de las sumas de
cuadrados:

Con el valor F crítico (valor de significación α, k, y n-p grados de libertad) correspondiente y se compara con F0 determinando la
bondad del ajuste de la misma forma que en el caso de una variable.

Rectas de regresión
Las rectas de regresión son las rectas que mejor se ajustan a la nube de puntos (o también llamado diagrama de dispersión)
generada por una distribución conjunta. Matemáticamente, son posibles dos rectas de máximo ajuste:5 ​

La recta de regresión de sobre :

La recta de regresión de sobre :

La correlación ("r") de las rectas determinará la calidad del ajuste. Si r es cercano o igual a 1, el ajuste será bueno y las
predicciones realizadas a partir del modelo obtenido serán muy fiables (el modelo obtenido resulta verdaderamente
representativo); si r es cercano o igual a 0, se tratará de un ajuste malo en el que las predicciones que se realicen a partir del
modelo obtenido no serán fiables (el modelo obtenido no resulta representativo de la realidad). Ambas rectas de regresión se
intersecan en un punto llamado centro de gravedad de la distribución.

Aplicaciones de la regresión lineal

El modelo de regresión lineal es aplicado en un gran número de campos, desde el ámbito científico hasta el ámbito social,
pasando por aplicaciones industriales ya que en multitud de situaciones se encuentran comportamientos lineales. Estos son
algunos ejemplos aplicados a diversos campos:

Líneas de tendencia
Véase también: Tendencia
Una línea de tendencia representa una tendencia en una serie de datos obtenidos a través de un largo período. Este tipo de líneas
puede decirnos si un conjunto de datos en particular (como por ejemplo, el PIB, el precio del petróleo o el valor de las acciones)
han aumentado o decrementado en un determinado período.6 ​Se puede dibujar una línea de tendencia a simple vista fácilmente
a partir de un grupo de puntos, pero su posición y pendiente se calcula de manera más precisa utilizando técnicas estadísticas
como las regresiones lineales. Las líneas de tendencia son generalmente líneas rectas, aunque algunas variaciones utilizan
polinomios de mayor grado dependiendo de la curvatura deseada en la línea.

Medicina
En medicina, las primeras evidencias relacionando la mortalidad con el fumar tabaco7 ​ vinieron de estudios que utilizaban la
regresión lineal. Los investigadores incluyen una gran cantidad de variables en su análisis de regresión en un esfuerzo por
eliminar factores que pudieran producir correlaciones espurias.

En el caso del tabaquismo, los investigadores incluyeron el estado socioeconómico para asegurarse que los efectos de mortalidad
por tabaquismo no sean un efecto de su educación o posición económica. No obstante, es imposible incluir todas las variables
posibles en un estudio de regresión.8 9​ ​ En el ejemplo del tabaquismo, un hipotético gen podría aumentar la mortalidad y
aumentar la propensión a adquirir enfermedades relacionadas con el consumo de tabaco. Por esta razón, en la actualidad las
pruebas controladas aleatorias son consideradas mucho más confiables que los análisis de regresión.

Química
La concentración de un elemento es uno de los parámetros de mayor importancia en los procesos químicos aplicados en la
industria. Esta cuantificación se puede obtener mediante un espectrofotómetro, dispositivo que requiere se calibrado. Para ello
se elabora una recta de calibración que se obtiene a partir de la correlación entre la absorbancia de un patrón y la concentración
de la sustancia a controlar.10 ​

Mecánica
En esta rama se utiliza la Regresión Lineal entre otros para ajustar la recta de Paris , una ecuación que sirve para estudiar
elementos sometidos a fatiga en función del número de ciclos a los que se somete un material. La bondad del ajuste se
comprueba representando el conjunto de valores discretos a-Nm obtenidos experimentalmente, frente a la curva
correspondiente a la recta de Paris definida por los valores “C” y “m”.11 ​

Electricidad
En electricidad se puede obtener el valor de una resistencia en un circuito y su error mediante un ajuste de regresión lineal de
pares de datos experimentales de voltaje e intensidad obtenidos mediante un voltímetro y un amperímetro.12 ​

Sensores
Calibración de un sensor de temperatura (termopar) en función de la caída de tensión y la temperatura. Se estudia la forma en
que varía la temperatura de un líquido al calentarlo. Se calibra el sensor y simultáneamente se mide la variación de temperaturas
en un líquido para representar los datos obtenidos posteriormente mediante Regresión Lineal.13 ​

Física
Determinación del coeficiente de rozamiento estático de forma experimental a partir de la medición del ángulo de inclinación de
una rampa. Se realiza un montaje ajustando un circuito para medir el ángulo de inclinación, y se realizan mediciones variando
dicho. Mediante la regresión lineal de los datos obtenidos, se obtiene la ecuación y el índice de correlación a fin de saber el
error.14 ​

Fabricación
Dos de los parámetros más importantes de una soldadura es la intensidad aplicada al hilo y la velocidad de alimentación del
mismo. Mediante técnicas de regresión lineal se elaboran las rectas que relacionan estos parámetros con la separación entre el
hilo y la zona a soldar.15 ​

Diseño de experimentos
Con la metodología 2k es posible mejorar un proceso mediante la realización de experimentos, determinando qué variables
tienen un efecto significativo. A partir de esas variables se obtiene una recta de regresión que modeliza el efecto. Por ejemplo se
podría obtener la relación entre la temperatura y la presión en un proceso industrial.16 ​

Construcción
Mediante técnicas de regresión lineal se caracterizarán diversas cualidades del hormigón. A partir del módulo de elasticidad es
posible predecir la resistencia a la compresión de una determinada composición de un hormigón. También se puede determinar
la succión capilar a partir del volumen absorbido por una muestra y el tiempo que ha durado la succión.17 ​

Informática
Ejemplo en JavaScript para regresión lineal:

/**
* Linear regression in Javascript
* (c) 2016, Antonio Villamarin
* License GPL
*/

var
xarray = [
1, 2, 3, 4, 5
],
yarray = [
5, 5, 5, 6.8, 9
],
x = y = xy = xx = a = b = resultado = 0,
cantidad = xarray.length,
futuro = 100;

for (i = 0; i < cantidad; i++) {

console.log('Dado ' + xarray[i] + ' => ' + yarray[i]);
x += xarray[i];
y += yarray[i];
xy += xarray[i]*yarray[i];
xx += xarray[i]*xarray[i];
}

b = ((cantidad * xy) - (x * y)) / ((cantidad * xx) - (x * x));

a = (y - (b * x)) / cantidad;

if(b != 0) {
console.log('Dado ' + futuro + ' => ' + Math.round(a + (b * futuro)));
} else {
console.log('Dado ' + futuro + ' => Infinito');
}

Ejemplo de una rutina que utiliza una recta de regresión lineal para proyectar un valor futuro: Código escrito en PHP

<?php
//Licencia: GNU/GPL
$xarray=array(1, 2, 3, 4, 5 ); //Dias
$yarray=array(5, 5, 5, 6.8, 9); //Porcentaje de ejecucion
$pm=100; //Valor futuro
$x2=0;
 $y=0;
$x=0;
$xy=0;
$cantidad=count($xarray);
for($i=0;$i<$cantidad;$i++){
//Tabla de datos
print ($xarray[$i]." ---- ".$yarray[$i]."<br>");
//Calculo de terminos
$x2 += $xarray[$i]*$xarray[$i];
$y += $yarray[$i];
$x += $xarray[$i];
$xy += $xarray[$i]*$yarray[$i];
}
//Coeficiente parcial de regresion
$b=($cantidad*$xy-$x*$y)/($cantidad*$x2-$x*$x);
//Calculo del intercepto
$a=($y-$b*$x)/$cantidad;
//Recta tendencial
//y=a+bx
//Proyeccion en dias para un 100% de la ejecucion:
if ($b!=0) $dias_proyectados=($pm-$a)/$b;
else $dias_proyectados=999999; //Infinitos
$dp=round($dias_proyectados,0);
if($dp<=$pm) print $dp."---> Culmina antes de los $pm dias <br>";
if($dp >$pm) print $dp ."---> ALARMA: No culmina antes de los $pm dias <br>";
?>

Es también posible formar un regresor lineal en Python, utilizando la librería sklearn:18 ​

from sklearn.linear_model import LinearRegression

# Se cargan unos datos para formar el modelo
# X = ...
# Y = ...

# Regresor lineal
modelo = LinearRegression()
# Se forma el modelo con los datos
modelo.fit(X, Y)

# Una vez ha sido formado, se puede calcular el resultado

# para una nueva entrada
Y_prediccion = modelo.predict(X)

Ejemplos de aplicación de la regresión lineal

Aplicación de regresión lineal simple en el proceso de pigmentación de una empresa del sector de la
automoción
En la práctica, con mucha frecuencia es necesario resolver problemas que implican conjuntos de variables, cuando se sabe que
existe alguna relación inherente entre ellas. Por ejemplo, en un caso industrial se puede saber que la pintura, para partes
automotrices, está relacionada con la cantidad de pigmentación con la que se lleva a cabo. Puede ser interesante desarrollar un
método de predicción, esto, un procedimiento para estimar el contenido de pigmentación que deben de tener las pinturas para
cumplir con las especificaciones de las armadoras como se muestra en la siguiente imagen de tal manera que el problema
consiste en lograr la mejor estimación de la relación entre las variables.

Del ejemplo citado anteriormente, los gramos de pigmentación son la variable independiente y la resolución de pintura es la
respuesta “Y”

El término regresión lineal implica “Y” esta linealmente relacionado con “X” por la ecuación de la recta:

Y=b+mX o Y=bx+c

La manera en que se representa el color en las armadoras y ensambladoras, es a través de la Figura 1, la cual muestra la
combinación de todos los colores posibles.

Para nuestro análisis en cuestión el color se especifica cómo se muestra en la Tabla 1. Las especificaciones de color para los
volantes de un modelo de automóvil, son las siguientes:
 Tabla 1
L -27.59 '+/-0.6

A -0.05 '+/-0.2

B 1.29 '+/-0.2

De esta manera se observa que las especificaciones son muy justas y cualquier ajuste
equivoco de pigmentación en la pintura ocasionará, material en condiciones NG,
proporcionando indicadores negativos a la empresa como pérdida de tiempo, dinero,
aumento de scrap así como sus indicadores de PPMS internos y con su cliente. Haciendo
una corrida amplia y manipulando el pigmento blanco se toma de lecturas de las
condiciones de la pintura. Son conforme a la Tabla 2.

Tabla 2. Datos obtenidos de la pintura ajustada con pigmento blanco.

xi 3 3.2 3.4 3.6 4 4.3 4.6 5 5 5.2 5.4

yi -26.8 -26.7 -26.7 -27.4 -27.6 -28.2 -27.5 -27.0 -27.7 -28.4 -27.8
Diagrama general del color.

Estimando el valor de la pendiente “β1” (que llamaremos b) y el valor “β0” (que

llamaremos a), se tiene que:

La pendiente de la recta estimada es:

b = -0,468

El valor de “β0” estimados es:

a = -25,44567

De tal manera que la fórmula de la recta estimada para el ejemplo de la pintura es:

= -25,445-0,468. X

Y la gráfica para validar la normalidad de los errores (uno de los supuestos en los que se basa este análisis) es:

Figura 2. Gráfica de probabilidad.

De esta manera, la función de la recta a través de los mínimos cuadrados funciona e interactúa para generar una ayuda en el
ámbito industrial y generar un valor probabilístico en beneficio de obtención de una similitud de operaciones.

Este método ayudara a las empresas a: • Reducción de tiempos en decisiones de procesos • Reducción de inversión de materiales
en los procesos. • Generar un valor mínimo de incertidumbre en los procesos • Estandariza procesos.

La función de la recta es aplicable en el ámbito industrial al generar una regresión lineal para la obtención de un valor esperado
que ayude a las compañías a tener una idea de un valor de una variable que pueden controlar en beneficio de sus procesos.

Aplicación de regresión lineal múltiple en el análisis químico

El rendimiento de una reacción química depende de la temperatura de operación y de la concentración inicial del reactivo.
Efectué un análisis de regresión a los siguientes datos:
 Rendimiento concentración temperatura

81 1 150

89 1 180
83 2 150

91 2 180

79 1 150
87 1 180

84 2 150

90 2 180

SOLUCIÓN

Aplicando las fórmulas citadas anteriormente obtendremos los resultados de todos los datos que serán necesarios para el cálculo
de la Tabla ANOVA.

En primer lugar se ajustara el modelo lineal y= β0 + β 1x1+ β 2x2+ε a los datos, se realizará la estimación de los coeficientes, y
obtendremos la varianza residual:

S2 =1,04881

Tras esto a partir de los residuos calculados y representados en una tabla se calcula el coeficiente de determinación:

R2 =0,959559

Por último se calculan las varianzas asociadas a cada uno de los estimadores de los parámetros:

Parámetro Sbi

β0 4,24411
β1 0,74162

β2 0,02472

Tras esto ya podemos calcular y representar los resultados en la Tabla ANOVA. La significación global del ajuste se presenta en la
Tabla E52.3:

Al comparar Fo con el F0.05, 2, 5 puede concluirse que el modelo es significativo y que al menos un bi es distinto de cero. La
significancia del efecto de cada Xi se probara a partir de la prueba 1, basada en una prueba “t”, dicho análisis se presenta a
continuación:

Al comparar el to asociado a cada bi con la t0.025,5 puede observarse que los efectos tanto de la temperatura como de la
concentración son significativos a un nivel de confianza del 95%. El modelo ajustado es por tanto:

Y = 39.75 + 3.0 . X concentración + 0.25 . X temperatura

La validación del modelo se haría en base al análisis de los residuos, a través de los siguientes gráficos:

gráfico de probabilidad normal de los residuos

gráfico de los residuos frente a los valores predichos
gráficos de los residuos frente a cada variable
Un análisis de los gráficos de los residuos contra las variables concentración y temperatura permitirá concluir si el factor
concentración presenta un efecto muy importante sobre la variabilidad del rendimiento, en función de si una mayor
concentración reduce la variabilidad en cuanto al rendimiento de la reacción química.

Véase también
Homoscedasticidad
Regresión logística
Modelos de regresión múltiple postulados y no postulados
Regresión segmentada
Econometría
Mínimos cuadrados
Regularización de Tikhonov
Cuarteto de Anscombe
Capital Asset Pricing Model
Regresión simple

Referencias
1. C.F. Gauss. Theoria combinationis observationum erroribus
minimis obnoxiae. (1821/1823)
2. Introduction to linear regression (https://web.archive.org/we
b/20080222195200/http://www.curvefit.com/linear_regressio
n.htm) Curvefit.com (en inglés)
3. "Fórmulas", Probabilidad y Estadística. Cs. Básicas. U.D.B.
Matemática. Universidad Tecnológica Nacional, Facultad
Regional Buenos Aires. Editorial CEIT-FRBA. (Código
BM2BT2)
4. Técnicas de regresión: Regresión Lineal Múltiple. (http://ww
w.fisterra.com/mbe/investiga/regre_lineal_multi/regre_lineal
_multi.asp) Archivado (https://web.archive.org/web/2010012
7045938/http://www.fisterra.com/mbe/investiga/regre_lineal
_multi/regre_lineal_multi.asp) el 27 de enero de 2010 en
Wayback Machine. Pértega Díaz, S., Pita Fernández, S.
Unidad de Epidemiología Clínica y Bioestadística. Complejo
Hospitalario de La Coruña (España)
5. Apunte sobre Rectas de regresión. (http://descartes.cnice.
mec.es/materiales_didacticos/bidimensional_lbarrios/regres
ion_est.htm) Ministerio de Educación y Ciencia. Gobierno
de España.
6. Utilización de las líneas de tendencia (https://web.archive.or
g/web/20080725103354/http://www.paritech.com/paritech-si
te/education/technical/indicators/trend/linear3.asp), Paritech
(en inglés)
7. Doll, R., Wheatley, K., Gray, R. et al. «Mortality in relation to
smoking: 40 years' observations on male British doctors .»
BMJ 1994;309:901-911 (8 de octubre).
8. "Environmental Tobacco Smoke and Adult Asthma" (http://aj
rccm.atsjournals.org/cgi/content/full/158/1/170) Division of
Pulmonary and Critical Care Medicine, Division of
Occupational and Environmental Medicine; Department of
Medicine, Institute for Health Policy Studies; and
Department of Epidemiology and Biostatistics, Universidad
de California, San Francisco, California. (en inglés)
9. Regalado-Pineda, Justino; Alejandro Gómez-Gómez; Javier
Ramírez-Acosta; Juan Carlos Vázquez-García. «Efecto del
tabaquismo, los síntomas respiratorios y el asma sobre la
espirometría de adultos de la Ciudad de México.» (http://ww
w.scielosp.org/scielo.php?script=sci_arttext&pid=S0036-36
342005000500002&lng=pt)
10. Química: http://www.cpts.org/proyinvesti/PROYECTO02.pdf
Archivado (https://web.archive.org/web/20070726100111/htt
p://www.cpts.org/proyinvesti/PROYECTO02.pdf) el 26 de
julio de 2007 en Wayback Machine.
11. Mecanica: http://www.gef.es/Congresos/25/PDF/6-12.pdf
Archivado (https://web.archive.org/web/20110921051157/htt
p://www.gef.es/Congresos/25/PDF/6-12.pdf) el 21 de
septiembre de 2011 en Wayback Machine.
12. Electricidad:
http://colos.inf.um.es/fisicabiologia/practicas/ohm.pdf
13. Sensores: http://www.dfi.uchile.cl/labfi25a/exp-
separ/Sensor-Temperat.pdf Archivado (https://web.archive.o
rg/web/20090419132132/http://www.dfi.uchile.cl/labfi25a/ex
p-separ/Sensor-Temperat.pdf) el 19 de abril de 2009 en
Wayback Machine.
14. Física:
http://www.utp.edu.co/php/revistas/ScientiaEtTechnica/docsFT
362.pdf
15. Fabricación: http://www.redalyc.org/articulo.oa?
id=49611942020
16. Diseño de experimentos:
http://academic.uprm.edu/dgonzalez/6005/factoriales%202%2
Archivado (https://web.archive.org/web/20120430061651/ht
tp://academic.uprm.edu/dgonzalez/6005/factoriales%202%
20a%20la%20k) el 30 de abril de 2012 en Wayback
Machine.
17. Construcción:
http://upcommons.upc.edu/pfc/bitstream/2099.1/3325/8/55874
8.pdf
18. Cursos Python. «Machine Learning para principiantes,
regresión lineal en sklearn» (http://cursospython.com/regres
ion-lineal/). Cursos Python. Consultado el 13 de mayo de
2020.

Bibliografía
Canavos, George C.; Probabilidad y Estadística. Aplicaciones y Métodos. McGraw-Hill. México. ISBN 9684518560.
Devore, Jay L.; Probabilidad y Estadística para Ingeniería y Ciencias. International Thomson Editores. México. ISBN
9706864571.
 Walpole, Ronald E.; Raymond, H.; Myers, Sharon L.; Probabilidad y Estadística para Ingenieros. Prentice-Hall
Hispanoamericana, S.A. México. ISBN 9701702646.

Enlaces externos
Cálculo de regresiones lineales en línea. (http://www.wessa.net/esteq.wasp) (en inglés)
ZunZun.com (https://web.archive.org/web/20190923083507/http://zunzun.com/) Ajuste de curvas y superficies en línea. (en
inglés)
xuru.org (http://www.xuru.org/rt/LR.asp) Archivado (https://web.archive.org/web/20080220140118/http://www.xuru.org/rt/LR.a
sp) el 20 de febrero de 2008 en Wayback Machine. Herramientas de regresión lineal en línea. (en inglés)
[1] (http://cajael.com/mestadisticos/T4DProbabilidad/node8.php) (enlace roto disponible en Internet Archive; véase el historial (https://w
eb.archive.org/web/*/http://cajael.com/mestadisticos/T4DProbabilidad/node8.php), la primera versión (https://web.archive.org/web/1/http://cajael.co
m/mestadisticos/T4DProbabilidad/node8.php) y la última (https://web.archive.org/web/2/http://cajael.com/mestadisticos/T4DProbabilidad/node8.ph
p)). Simulación de la recta de regresión de una variable bidimensional continua con R (lenguaje de programación)

Obtenido de «https://es.wikipedia.org/w/index.php?title=Regresión_lineal&oldid=159241613»