Departamento de Ingeniería Industrial

MATERIA
Estadística Inferencial II
Hora: 09:00 a 10:00
Guerrero Colín Luis Arturo
“Regresión lineal simple y regresión lineal múltiple”
CARRERA: ING. INDUSTRIAL
MAESTRO:
M.E.S.C Felipe de Jesús Gándara González

SEMESTRE: ENE-JUN 2019

AGUASCALIENTES; AGS a 23 de enero de 2019
 INTRODUCCIÓN

En el trabajo se presentan los dos modelos, el de regresión lineal simple y el múltiple.

Se explica de manera detallada las diferencias que existen entre ellos y las
aplicaciones para los que podemos usar dichos modelos.

En el caso de la regresión lineal simple, se incluye un apartado en donde nos indica

para que usamos este modelo en la estadística moderna, además de presentarnos
su ecuación o modelo, explicando cada parte de ella.

Se podrá encontrar el objetivo de este modelo y cuando y como poder aplicarlo,

además de algunos requisitos que se deben cumplir para utilizar este modelo.

Para la regresión lineal múltiple, se encontrará su definición y la principal diferencia

con el modelo de regresión simple, además de desglosar de manera general el
concepto como tal de regresión lineal múltiple.

De igual manera se define su ecuación y cada parte de ella además de los requisitos
que deben de cumplirse para poder aplicar este modelo de regresión y un ejemplo
muy sencillo sobre la relación del IQ de una persona con variables como el tamaño
del cerebro, sexo, etc.

1
 REGRESIÓN LINEAL SIMPLE

- El concepto de regresión.

El análisis de regresión engloba a un conjunto de métodos estadísticos que usamos

cuando tanto la variable de respuesta como la o las variables predictivas son
continuas y queremos predecir valores de la primera en función de valores
observados de las segundas. En esencia, el análisis de regresión consiste en ajusta
un modelo a los datos, estimando coeficientes a partir de las observaciones, con el
fin de predecir valores de la variable de respuesta a partir de una (regresión simple)
o más variables (regresión múltiple) predictivas o explicativas.

El análisis de regresión juega un papel central en la estadística moderna y se usa

para:

 Identificar a las variables predictivas relacionadas con una variable de

respuesta.
 Describir la forma de la relación entre estas variables y para derivar una
función matemática optima que modele esta relación.
 Predecir la variable de respuesta a partir de las explicativas o predictoras.

- Regresión lineal simple.

Se basa en modelos lineales con la formula general:

Yi=(a+bXi)+ϵiYi=(a+bXi)+ϵi

 a = punto de corte en el eje de ordenadas.

 b = pendiente o gradiente de la recta, que son los coeficientes de regresión.
 ϵi corresponde al termino de residuos, que representa la diferencia entre el
valor observado y el estimado para el individuo i.

2
El modelo de pronóstico de regresión lineal permita hallar el valor esperado de una
variable aleatoria a cuando b toma un valor específico. La aplicación de este método
implica un supuesto de linealidad cuando la demanda presenta un comportamiento
creciente o decreciente, por tal razón, se hace indispensable que previo a la
selección de este método exista un análisis de regresión que determine la intensidad
de las relaciones entre las variables que componen el modelo.

- ¿Cuándo utilizar un pronóstico de regresión lineal?

El pronóstico de regresión lineal simple es un modelo óptimo para patrones de

demanda con tendencia (creciente o decreciente), es decir, patrones que presenten
una relación de linealidad entre la demanda y el tiempo.

Existen medidas de la intensidad de la relación que presentan las variables que son
fundamentales para determinar en qué momento es conveniente utilizar regresión
lineal.

- Objetivo

El objetivo de un análisis de regresión es determinar la relación que existe entre una

variable dependiente y una o más variables independientes. Para poder realizar esta
relación, se debe postular una relación funcional entre las variables.

Cuando se trata de una variable independiente, la forma funciona que más se utiliza
en la práctica es la relación lineal. El análisis de regresión entonces determina la
intensidad entre las variables a través de coeficientes de correlación y
determinación.
3
 - Supuestos del modelo de regresión lineal.

Para poder crear un modelo de regresión lineal es necesario que se cumpla con los
siguientes supuestos:

1. Que la relación entre las variables sea lineal.

2. Que los errores en la medición de las variables explicativas sean
independientes entre sí.
3. Que los errores tengan varianza constante.
4. Que los errores tengan una esperanza matemática igual a cero (los errores
de una misma magnitud y distinto signo son equiprobables).
5. Que el error total sea la suma de todos los errores.

- Aplicaciones de la regresión lineal.

 Líneas de tendencia

Una línea de tendencia representa una tendencia en una serie de datos obtenidos
a través de un largo periodo. 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. 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 preciosa
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 lineal.

4
 REGRESIÓN LINEAL MULTIPLE

Este modelo de regresión estudia la relación que existe entre una variable
dependiente y dos o más variables independientes. Para denotar el número de
variables independientes se suele usar la letra p.

En este modelo tenemos lo siguiente:

𝒚 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 +. . . +𝜷𝑷 𝑿𝑷 + 𝜺

De lo anterior tenemos que β0, β1, β2 … βp son parámetros y el termino del error
denotado por épsilon es una variable aleatoria. Examinando con atención este
modelo se ve que y es una función lineal de x1, x2…xp (la parte de 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 +
𝜷𝟐 𝑿𝟐 +. . . +𝜷𝑷 𝑿𝑷 ) más el término del error épsilon.

El término del error corresponde a la variabilidad en y que no puede atribuirse o

explicarse al efecto lineal de la p variables independientes.

Regresión: Se llama así porque expresa la relación entre una variable llamada
dependiente y dos o más variables llamadas independientes.

Lineal: La relación que liga las variables del modelo es de tipo lineal.

Múltiple: Tiene una única ecuación y varias variables independientes.

A partir de los análisis de regresión lineal múltiple podemos:

- Identificar que variables dependientes (causas) explican una variable

dependiente (resultado).
- Comparar y comprobar modelos causales.
- Predecir valores de una variable, es decir, a partir de unas características
predecir de forma aproximada un comportamiento o estado.

Existen una serie de condiciones que se deben cumplir para poder aplicar la
regresión lineal múltiple:

 La variable dependiente debe ser ordinal o escalar, es decir, que las

categorías de la variable tengan orden interno o jerarquía.

5
  Las variables independientes deben ser ordinales o escalares.
 Las variables independientes no pueden estar altamente correlacionadas
entre sí, las relaciones entre las causas y el resultado deben ser lineales,
todas las variables deben seguir la distribución normal y deben tener
varianzas iguales.

- Ejemplo:

Podemos estudiar la inteligencia humana tomando el IQ como variable de respuesta

y es posible que consideremos que puede estar relacionado con otras variables
como: el tamaño del cerebro, el tamaño de la persona y su sexo. Podriamos añadir
dichas variables al estudio como variables independientes.

Si planteamos un modelo de regresión multiple, obtendríamos una respuesta como:

IQ = β0 + β1 Volumen cerebro + β2 Tamaño – β3 Sexo

- Aplicaciones:

La regresión múltiple se utiliza para la predicción de respuestas a partir de variables

explicativas. Pero no es ésta realmente su aplicación más común en investigación.

 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 confusoras. Aunque es un problema difícil, es de
interés en investigación no experimental.

6
 ENSAYO

El concepto de regresión lineal es de vital importancia en nuestra carrera de

ingeniería industrial. En nuestro día a día vamos a tener que tomar decisiones
personales y profesionales basadas en predicciones de sucesos futuros. Para
realizar estas predicciones, nos basamos en la relación de nuestra intuición y lo que
se puede calcular entre lo que ya se sabe y lo que se debe de estimar.

La regresión lineal simple nos indica si existe o no relación entre una variable
dependiente y una variable independiente, para esto se deben realizar una serie de
pasos, como lo son intervalos de confianza, una prueba ANOVA, pruebas de
hipótesis y el uso del coeficiente de correlación, este último, mientras más se
acerque a 1 nos dice que existe una mayor relación entre las variables.

Para la regresión lineal múltiple, tenemos un caos similar, pero la diferencia más
notoria radica en que no solo tenemos una variable independiente, sino más de una,
podemos tener 2, 3,4, etc. Este modelo nos sirve para realizar predicciones en base
a la relación que tenemos entre las variables que se encuentran en el modelo,
además nos sirve para entender la relación funcional entre la variable dependiente
y las variables independientes para así poder estudiar cuales pueden ser las causes
de la variación de Y.

Estos temas son de vital importancia en nuestra preparación como ingenieros

industriales, ya que nos van a ayudar a realizar los ajustes y predicciones
necesarias para llevar a cabo las mejoras en cualquier proceso y no actuar solo a
instinto, sino con una base bien sólida que nos garantice resultados a corto plazo.

7
 BIBLIOGRAFÍA

Anderson. Sweeney. Williams. (2008). Estadística para administración y

economía. México: Cengage Learning.
Richard Levin. David Rubin. (2004). Estadística para administración y
economía. México: Pearson Educación.