Instituto tecnolgico de

Orizaba
Carrera:
Ingeniera en Gestin
Empresarial
Profesor:
Luis ngel Carretero
Materia:
Estadstica e Inferencial 2
Alumno:
Aguilar Cuanecuile Daniel
Alberto

En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que

modela la relacin entre una variable dependiente Y, las variables
independientes Xi y un trmino aleatorio . Este modelo puede ser expresado
como:

: variable dependiente, explicada o regresando.

: variables explicativas, independientes o regresores.
: parmetros, miden la influencia que las variables
explicativas tienen sobre el regresando.
donde
es la interseccin o trmino "constante", las
son los
parmetros respectivos a cada variable independiente, y es el nmero de
parmetros independientes a tener en cuenta en la regresin. La regresin
lineal puede ser contrastada con la regresin no lineal.
ASPECTOS TERICOS
REGRESIN SIMPLE Y CORRELACIN
La Regresin y la correlacin son dos tcnicas estadsticas que se pueden
utilizar para solucionar problemas comunes en los negocios.
Muchos estudios se basan en la creencia de que es posible identificar y
cuantificar alguna Relacin Funcional entre dos o ms variables, donde una
variable depende de la otra variable.
Se puede decir que Y depende de X, en donde Y y X son dos variables
cualquiera en un modelo de Regresin Simple.
"Y es una funcin de X"
Y = f(X)
Como Y depende de X,
Y es la variable dependiente, y
X es la variable independiente.
En el Modelo de Regresin es muy importante identificar cul es la variable
dependiente y cul es la variable independiente.
En el Modelo de Regresin Simple se establece que Y es una funcin de slo
una variable independiente, razn por la cual se le denomina tambin
Regresin Divariada porque slo hay dos variables, una dependiente y otra
independiente y se representa as:
Y = f (X)
"Y est regresando por X"
La variable dependiente es la variable que se desea explicar, predecir. Tambin
se le llama regresando o variable de respuesta.
La variable Independiente X se le denomina variable explicativa regresor y se
le utiliza para explicar Y.

ANLISIS ESTADSTICO: REGRESIN LINEAL SIMPLE

En el estudio de la relacin funcional entre dos variables poblacionales, una
variable X, llamada independiente, explicativa o de prediccin y una variable Y,
llamada dependiente o variable respuesta, presenta la siguiente notacin:
Y=a+bX+e
Donde:
a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje
Y.
b es el coeficiente de regresin poblacional (pendiente de la lnea recta)
e es el error
SUPOSICIONES DE LA REGRESIN LINEAL
1.
Los valores de la variable independiente X son fijos, medidos sin error.
2.
3.

La variable Y es aleatoria
Para cada valor de X, existe una distribucin normal de valores de Y
(subpoblaciones Y)

4.

Las variancias de las subpoblaciones Y son todas iguales.

5.

Todas las medias de las subpoblaciones de Y estn sobre la recta.

6.

Los valores de Y estn normalmente distribuidos y son estadsticamente

independientes.

ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL

Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir,
encontrar los valores de a y b con los datos observados de la muestra.
El mtodo de estimacin es el de Mnimos Cuadrados, mediante el cual se
obtiene:

Luego, la ecuacin de regresin muestral estimada es

Que se interpreta como:
a es el estimador de a
Es el valor estimado de la variable Y cuando la variable X = 0
b es el estimador de b, es el coeficiente de regresin
Est expresado en las mismas unidades de Y por cada unidad de X. Indica el
nmero de unidades en que vara Y cuando se produce un cambio, en una
unidad, en X (pendiente de la recta de regresin).
Un valor negativo de b sera interpretado como la magnitud del decremento en
Y por cada unidad de aumento en X.

La ecuacin de Regresin Lineal estimada para las variables X y Y, muestran,

de acuerdo a la prueba t, relacin.
Mtodos de solucin:
El mtodo de los mnimos cuadrados es presentado bajo las formas de
Regresin lineal simple, del modelo lineal mltiple y de modelos no lineales
(mtodo de Gauss-Newton).

Regresin mltiple
Regresin Mltiple: Este tipo se presenta cuando dos o ms variables
independientes influyen sobre una variable dependiente. Ejemplo: Y = f (x, w,
z).
Por ejemplo: Podra ser una regresin de tipo mltiple:
Una Empresa de desarrollo de software establece relacionar sus Ventas en
funcin del nmero de pedidos de los tipos de software que desarrolla
(Sistemas, Educativos y Automatizaciones Empresariales), para atender
10 proyectos en el presente ao.
En la Tabla representa Y (Ventas miles de S/.) e X (N pedidos de sistemas), W
(N de pedidos de Aplicaciones Educativas) y Z (N de pedidos de
Automatizaciones empresariales).
El modelo de regresin lineal mltiple es idntico al modelo de regresin lineal
simple, con la nica diferencia de que aparecen ms variables explicativas:
Modelo de regresin simple:
y=b+bx+u01
Modelo de regresin mltiple:
ybbxbxbxbxu=0+11+
El ajuste de curvas
Consiste en encontrar una curva que contenga una serie de puntos y que
posiblemente cumpla una serie de restricciones adicionales. Esta seccin es
una introduccin tanto a la interpolacin (cuando se espera un ajuste exacto a
determinadas restricciones) y al ajuste de curvas/anlisis de regresin

ajustes de lneas polinmicas a puntos

Empecemos con una ecuacin polinmica de primer grado:

Esta lnea tiene pendiente a. Sabemos que habr una lnea conectando dos
puntos cualesquiera. Por tanto, una ecuacin polinmica de primer grado es un
ajuste perfecto entre dos puntos.
Si aumentamos el orden de la ecuacin a la de un polinomio de segundo grado,
obtenemos:

Esto se ajustar exactamente a tres puntos. Si aumentamos el orden de la

ecuacin a la de un polinomio de tercer grado, obtenemos:

que se ajustar a cuatro puntos.

Una forma ms general de decirlo es que se ajustar exactamente a
cuatro restricciones. Cada restriccin puede ser un punto, un ngulo o
una curvatura (que es el recproco del radio, o 1/R). Las restricciones de ngulo
y curvatura se suelen aadir a los extremos de una curva, y en tales casos se
les llama condiciones finales. A menudo se usan condiciones finales idnticas
para asegurar una transicin suave entre curvas polinmicas contenidas en
una nica spline. Tambin se pueden aadir restricciones de orden alto, como
"el cambio en la tasa de curvatura".
Esto, por ejemplo, sera til en diseos de intercambios en trbol para
incorporaciones a autopistas, para entender las fuerzas a las que somete a un
vehculo y poder establecer lmites razonables de velocidad.
Si tenemos ms de n + 1 restricciones (siendo n el grado del polinomio), an
podemos hacer pasar la curva polinmica por ellas. No es seguro que vaya a
existir un ajuste exacto a todas ellas (pero podra suceder, por ejemplo, en el
caso de un polinomio de primer grado que se ajusta a tres puntos colineales).
En general, sin embargo, se necesita algn mtodo para evaluar cada
aproximacin. El mtodo de mnimos cuadrados es una manera de comparar
las desviaciones.
Ahora bien, podramos preguntarnos la razn de querer un ajuste aproximado
cuando podramos simplemente aumentar el grado de la ecuacin polinmica
para obtener un ajuste exacto. Existen varias:
Incluso si existe un ajuste exacto, no quiere decir necesariamente que
podamos encontrarlo. Dependiendo del algoritmo que se use, podramos

encontrar un caso divergente, donde no se podra calcular el ajuste exacto, o el

coste computacional de encontrar la solucin podra ser muy alto. De cualquier
modo, tendramos que acabar aceptando una solucin aproximada.
Quiz prefiramos el efecto de promediar datos cuestionables en una muestra,
en lugar de distorsionar la curva para que se ajuste a ellos de forma exacta.
Los polinomios de orden superior pueden oscilar mucho. Si hacemos pasar una
curva por los puntos A y B, esperaramos que la curva pase tambin cerca del
punto medio entre A y B. Esto puede no suceder con curvas polinmicas de
grados altos, ya que pueden tener valores de magnitud positiva o negativa muy
grande. Con polinomios de grado bajo existen ms posibilidades de que la
curva pase cerca del punto medio (y queda garantizado que pasar
exactamente por ah, en los de primer grado).
Los polinomios de orden bajo tienden a ser suaves y las curvas de los
polinomios de orden alto tienden a ser "bulbosas". Para definir esto con ms
precisin, el nmero mximo de puntos de inflexin de una curva polinmica
esn-2, donde n es el orden de la ecuacin polinmica. Un punto de inflexin es
el lugar de una curva donde cambia de radio positivo a negativo. Obsrvese
que la "bulbosidad" de los polinomios de orden alto es slo una posibilidad, ya
que tambin pueden ser suaves, pero no existen garantas, al contrario que
sucede con los polinomios de orden bajo. Un polinomio de grado quince podra
tener, como mximo, trece puntos de inflexin, pero podra tener tambin doce,
once, o cualquier nmero hasta cero.
Ahora que hemos hablado del uso de grados demasiado bajos para conseguir
un ajuste exacto, comentemos qu sucede si el grado de una curva polinmica
es mayor del necesario para dicho ajuste. Esto es malo por las razones
comentadas anteriormente si los polinomios son de orden alto, pero tambin
nos lleva a un caso en que exista un nmero infinito de soluciones. Por
ejemplo, un polinomio de primer grado (una lnea) restringido por un nico
punto, en lugar de los dos habituales, nos dar un nmero infinito de
soluciones. Esto nos trae el problema de cmo comparar y escoger una
solucin nica, lo que puede ser un problema tanto para humanos como para el
software. Por esta razn es mejor escoger el polinomio de menor grado posible
para obtener un ajuste exacto en todas las restricciones, y quiz incluso un
grado menor si es aceptable una aproximacin al ajuste.
Ajustes de otras curvas a los datos.

Tambin se pueden usar en ciertos casos otros tipos de curvas,

como secciones cnicas (arcos circulares, elpticos, parablicos e hiperblicos)
o funciones trigonomtricas (como el seno y el coseno). Por ejemplo, las
trayectorias de objetos bajo la influencia de la gravedad siguen una curva
parablica, si se ignora la resistencia del aire. Por tanto, ajustar los puntos de
una trayectoria a una curva parablica tendra sentido. Las mareas siguen
patrones sinusoides, por tanto se podran ajustar datos provenientes de mareas
a una onda sinusoidal; o la suma de dos sinusoides de periodo diferente, si se
considera el efecto conjunto de la Luna y el Sol.
Aplicaciones en las superficies
Mientras que hasta ahora hemos hablado en trminos de curvas 2D, mucho del
razonamiento se extiende tambin a superficies tridimensionales, compuestas
por "parches" definidos por una red de curvas en dos direcciones paramtricas.