NUMERO 1 200BsF

HISTORIA
El mtodo de los mnimos
cuadrados

El MODELO
DE R.L

TIPOS DE
R.L
REGRESION APLICACIN
DE R.L
LINEAL
Es una explicacin simplificada de la
realidad
 DIRECTORIO
DIRECTORA
Crismar Contreras

JEFE DE REDACCIN
Lic. Patricia Pineda.

DIRECTOR DE ARTE
Eduardo Hernndez

DIGITALIZACIN
Carlos Pea.

COORDINACIN
Maria Del Carmen

Estadstica es una publicacin

De Editorial Nuevo Planeta.

REDACCION Y VENTAS
Final Avenida Ferrero Tamayo,
Edificio Bloque Friulis , Piso 6, San Cristbal.
Redaccin (0276) 406.4586 /406.4580.
404.4587/ Ventas (0276) 406.4583
 HISTORIA 03

MODELO DE REGRESION LINEAL 05

Editorial Nuevo Planeta

TIPOS DE REGRESION LINEAL 09

APLICACIONES DE REGRESION LINEAL 12

INDICE
Regresin Lineal 03

HISTORIA
a primera forma de regresin lineal documentada fue el mtodo de
L los mnimos cuadrados que fue publicada por Leggendre
en 1805, Gauss public un trabajo en donde desarrollaba de manera ms
profunda el mtodo de los mnimos cuadrados y en dnde se inclua una
versin del teorema de Gauss-Mrkov.

El trmino regresin se utiliz por primera vez en el estudio

de variables antropomtricas: al comparar la estatura de padres e hijos,
donde result que los hijos cuyos padres tenan una estatura muy
superior al valor medio, tendan a igualarse a ste, mientras que aquellos
cuyos padres eran muy bajos tendan a reducir su diferencia respecto a la
estatura media; es decir, "regresaban" al promedio. La
constatacin emprica de esta propiedad se vio reforzada ms tarde con
la justificacin terica de ese fenmeno.

El trmino lineal se emplea para distinguirlo del resto

de tcnicas de regresin, que emplean modelos
basados en cualquier clase de funcin matemtica.
Los modelos lineales son una explicacin simplificada
de la realidad, mucho ms giles y con un soporte
terico mucho ms extenso por parte de
la matemtica y la estadstica.
Pero bien, como se ha dicho, se puede usar el trmino
lineal para distinguir modelos basados en cualquier
clase de aplicacin.
 04

El trmino regresin fue utilizado por primera vez por

Francis Galton en su libro Naturalinheritance (1889) y fue
confirmada por Karl Pearson. Su trabajo se centr en la
descripcin de los rasgos fsicos de los descendientes
(variable A) a partir de los de sus padres (variable B).
Estudiando la altura de padres e hijos a partir de ms de mil
registros de grupos familiares, se lleg a la conclusin de que
los padres muy altos tenan una tendencia a tener hijos que
heredaban parte de esta altura, pero que revelaban tambin
una tendencia a regresar a la media. Galton generaliz esta
tendencia bajo la "ley de la regresin universal": Cada
peculiaridad en un hombre es compartida por sus
descendientes, pero en media, en un grado menor. La
primera regresiones lineales documentada fue el mtodo de
los mnimos cuadrados, el cual fue publicado por Legendr
como antes mencionado.
Regresin Lineal 05

El modelo lineal relaciona la variable

dependiente Y con K variables
explcitas (k = 1,...K), o
cualquier transformacin de stas que
generen un hiper plano
de parmetros desconocidos:
donde E es
la perturbacin 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
carcter estocstico. En el caso ms
sencillo, con una sola variable explcita,
el hiper plano es una recta:
El problema de la regresin consiste en
06
elegir unos valores determinados para los
parmetros desconocidos , de modo que
la ecuacin quede completamente
especificada. Para ello se necesita un
conjunto de observaciones. En una
observacin i-sima (i= 1,... I) cualquiera,
se registra el comportamiento simultneo
de la variable dependiente y las variables
explcitas (las perturbaciones aleatorias se
suponen no observables)

El problema de la
regresin consiste en elegir
unos valores determinados
para los parmetros
desconocidos
Los valores escogidos como estimadores de los
parmetros , son los coeficientes de regresin
sin que se pueda garantizar que coincida n con
parmetros reales del proceso generador. Por
tanto, en

Los valores son por su

parte estimaciones o errores de
la perturbacin aleatoria.
07
Hiptesis del modelo de
regresin lineal clsico
perturbaciones correspondientes a
1.Esperanza matemtica nula: . otras observaciones mustrales.
Para cada valor de X la perturbacin 3.Regresores no estocsticos.
tomar distintos valores de forma 4.Independencia lineal. No existen
aleatoria, pero no tomar relaciones lineales exactas entre los
sistemticamente valores positivos o regresores.
negativos, sino que se supone tomar 5. . Suponemos que no existen errores
algunos valores mayores que cero y de especificacin en el modelo, ni
otros menores que cero, de tal forma errores de medida en las variables
que su valor esperado sea cero. explicativas.
1.Homocedasticidad: para todo t. 6.Normalidad de las perturbaciones:
Todos los trminos de la perturbacin
tienen la misma varianza que es
desconocida. La dispersin de
cada en torno a su valor esperado es
siempre la misma.
2.Incorrelacin o independencia:
para todo t,s con t distinto de s. Las
covarianzas entre las distintas
perturbaciones son nulas, lo que quiere
decir que no estn correlacionadas.
Esto implica que el valor de la
perturbacin para cualquier
observacin muestral no viene
influenciado por los valores de las
 08

Supuestos del modelo de

regresin lineal

Para poder crear un modelo de regresin lineal es

necesario que se cumpla con los siguientes supuestos:
1. Que la relacin entre las variables sea lineal.
2, Que los errores en la medicin de las variables
explicativas sean independientes entre s.
3. Que los errores tengan varianza constante.
(Homocedasticidad)
4. Que los errores tengan una esperanza matemtica 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.
TIPOS DE
REGRESIN
LINEAL
Existen diferentes
tipos de regresin
lineal que se
clasifican de
acuerdo a sus
parmetros:
Slo se maneja una variable 10
independiente, por lo que slo
cuenta con dos parmetros. Son de
la forma.

donde es el error asociado a la

medicin del valor y siguen los
supuestos de modo que (media
cero, varianza constante e igual a
un Dado el modelo de regresin
simple anterior, si se calcula
la esperanza (valor esperado) del
valor Y, se obtiene:

Derivando respecto
a y e
igualando a cero, se obtiene
 11
Rectas de Regresin
Las rectas de regresin son
las rectas que mejor se ajustan
Regresin lineal mltiple a la nube de puntos (o tambin
llamado diagrama de
dispersin) generada por
una distribucin binomial.
Matemticamente, son posibles
dos rectas de mximo ajuste:
La regresin lineal permite trabajar
La recta de regresin
con una variable a nivel de intervalo de Y sobre X:
o razn. De la misma manera, es
posible analizar la relacin entre dos
o ms variables a travs de
La recta de regresin
ecuaciones, lo que se de X sobre Y:
denomina regresin
mltiple o regresin lineal
mltiple. La correlacin ("r") de las rectas
determinar la calidad del ajuste.
Constantemente en la prctica de la Si r es cercano o igual a 1, el ajuste
investigacin estadstica, se ser bueno y las predicciones
encuentran variables que de alguna realizadas a partir del modelo
obtenido sern muy fiables (el
manera estn relacionadas entre s, modelo obtenido resulta
por lo que es posible que una de las verdaderamente representativo);
variables puedan relacionarse si r es cercano o igual a 0, se tratar
matemticamente en funcin de otra de un ajuste malo en el que las
predicciones que se realicen a partir
u otras variables. del modelo obtenido no sern
Maneja varias variables fiables (el modelo obtenido no
independientes. Cuenta con varios resulta representativo de la
realidad). Ambas rectas de regresin
parmetros. se intersecan en un punto llamado
centro de gravedad de
la distribucin.

Aplicaciones de la regresin lineal
Lneas de tendencia
Una lnea de
tendencia representa
una tendencia en una serie
de datos obtenidos a travs
de un largo perodo. Este
tipo de lneas puede
decirnos si un conjunto de
datos en particular (como
por ejemplo, el PBI,
el precio del petrleo o el
valor de las acciones) han
aumentado o En el caso del tabaquismo, los investigadores
decrementado en un
determinado perodo. Se
puede dibujar una lnea de
tendencia a simple vista
fcilmente a partir de un
grupo de puntos, pero su
posicin y pendiente se
calcula de manera ms
precisa utilizando
tcnicas estadsticas como
las regresiones lineales. Las
lneas de tendencia son
generalmente lneas rectas,
aunque algunas variaciones
utilizan polinomios de
mayor grado dependiendo
de la curvatura deseada en
la lnea.
12
Medicina
En medicina, las primeras evidencias
relacionando la mortalidad con
el fumar tabaco vinieron de estudios que
utilizaban la regresin lineal. Los
investigadores incluyen una gran cantidad de
variables en su anlisis de regresin en un
esfuerzo por eliminar factores que pudieran
producir correlaciones espurias.
incluyeron el estado socio-econmico para
asegurarse que los efectos
de mortalidad por tabaquismo no sean un
efecto de su educacin o posicin econmica.
No obstante, es imposible incluir todas las
variables posibles en un estudio de
regresin. En el ejemplo del tabaquismo,
un hipottico genpodra aumentar la
mortalidad y aumentar la propensin a adquirir
enfermedades relacionadas con el consumo
de tabaco. Por esta razn, en la actualidad
las pruebas controladas aleatorias son
consideradas mucho ms confiables que los
anlisis de regresin
Informatica
Ejemplo de una rutina que utiliza una recta de
regresin lineal para proyectar un valor futuro:
Cdigo escrito en PHP