Regresin lineal

Para otros usos de este trmino, vase Funcin lineal (desambiguacin).

Ejemplo de una regresin lineal con una variable dependiente y unavariable independiente.

En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela la relacin entre unavariable 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.

Etimologa[editar editar cdigo]

El trmino regresin se utiliz por primera vez en el estudio de variables antropomtricas: al comparar la estatura de padres e hijos, 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 2 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 gil y con un soporte terico por parte de la matemtica y la estadstica mucho ms extenso.

Pero bien, como se ha dicho, podemos usar el trmino lineal para distinguir modelos basados en cualquier clase de aplicacin.

El modelo de regresin lineal[editar editar cdigo]

El modelo lineal relaciona la variable dependiente Y con K variables explicativas cualquier transformacin de stas, que generan un hiperplano de parmetros (2) donde 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 explicativa, el hiperplano es una recta: (3) El problema de la regresin consiste en 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 cualquiera i-sima (i= 1,... I) se registra el comportamiento simultneo de la variable dependiente y las variables explicativas (las perturbaciones aleatorias se suponen no observables). (4) Los valores escogidos como estimadores de los parmetros, , son los coeficientes de regresin, sin que se pueda garantizar que coinciden con parmetros reales del proceso generador. Por tanto, en (5) Los valores son por su parte estimaciones de la perturbacin aleatoria o errores. (k = 1,...K), o desconocidos:

Hiptesis modelo de regresin lineal clsico[editar editar cdigo]

1. Esperanza matemtica nula.

Para cada valor de X la perturbacin tomar distintos valores de forma aleatoria, pero no tomar sistemticamente valores positivos o negativos, sino que se supone que tomar algunos valores mayores que cero y otros menores, de tal forma que su valor esperado sea cero. 2. Homocedasticidad para todo t Todos los trminos de la perturbacin tienen la misma varianza que es desconocida. La dispersin de cada torno a su valor esperado es siempre la misma. 3. Incorrelacin. en

para todo t,s con t distinto de s

Las covarianzas entre las distintas pertubaciones son nulas, lo que quiere decir que no estn correlacionadas o autocorrelacionadas. Esto implica que el valor de la perturbacin para cualquier observacin muestral no viene influenciado por los valores de la perturbacin correspondientes a otras observaciones muestrales. 4. Regresores no estocsticos. 5. No existen relaciones lineales exactas entre los regresores.

6. Suponemos que no existen errores de especificacin en el modelo ni errores de medida en las variables explicativas 7. Normalidad de las perturbaciones

Supuestos del modelo de regresin lineal[editar editar cdigo]

Para poder crear un modelo de regresin lineal, es necesario que se cumpla con los siguientes supuestos: 1. La relacin entre las variables es lineal. 2. Los errores en la medicin de las variables explicativas son independientes entre s. 3. Los errores tienen varianza constante. (Homocedasticidad) 4. Los errores tienen una esperanza matemtica igual a cero (los errores de una misma magnitud y distinto signo son equiprobables). 5. El error total es la suma de todos los errores.
3

Tipos de modelos de regresin lineal[editar editar cdigo]

Existen diferentes tipos de regresin lineal que se clasifican de acuerdo a sus parmetros:

Regresin lineal simple[editar editar cdigo]

Slo se maneja una variable independiente, por lo que slo cuenta con dos parmetros. Son de la forma: (6) donde es el error asociado a la medicin del valor y y siguen los supuestos de modo que con ).
4

(media cero, varianza constante e igual a un

Anlisis[editar editar cdigo]

Dado el modelo de regresin simple, si se calcula la esperanza (valor esperado) del valor Y, se obtiene: (7)
5

Derivando respecto a

e igualando a cero, se obtiene:

(9)

(10) Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la siguiente solucin para ambos 4 parmetros:

(11)

(12) La interpretacin del parmetro es que un incremento en Xi de una unidad, Yi incrementar en

Regresin lineal mltiple[editar editar cdigo]

La regresin lineal nos permite trabajar con una variable a nivel de intervalo o razn, as tambin se puede comprender la relacin de dos o ms variables y nos permitir relacionar mediante ecuaciones, una variable en relacin a otras variables llamndose Regresin mltiple. Constantemente en la prctica de la investigacin estadstica, se encuentran variables que de alguna manera estn relacionados entre si, por lo que es posible que una de las variables puedan relacionarse matemticamente en funcin de otra u otras variables. Maneja varias variables independientes. Cuenta con varios parmetros. Se expresan de la forma: (13) donde es el error asociado a la medicin del valor y y siguen los supuestos de modo que con ).
6

(media cero, varianza constante e igual a un

Rectas de regresin[editar editar cdigo]

Las rectas de regresin son las rectas que mejor se ajustan a la nube de puntos (o tambin llamado diagrama de 7 dispersin) generada por una distribucin binomial. Matemticamente, son posibles dos rectas de mximo ajuste: La recta de regresin de Y sobre X:

(14) La recta de regresin de X sobre Y:

(15) La correlacin ("r") de las rectas determinar la calidad del ajuste. Si r es cercano o igual a 1, el ajuste ser bueno y las predicciones realizadas a partir del modelo obtenido sern muy fiables (el modelo obtenido resulta verdaderamente representativo); si r es cercano o igual a 0, se tratar de un ajuste malo en el que las predicciones que se realicen a partir del modelo obtenido no sern fiables (el modelo obtenido no resulta representativo de la realidad). Ambas rectas de regresin se intersecan en un punto llamado centro de gravedad de la distribucin.

Aplicaciones de la regresin lineal[editar editar cdigo]

Lneas de tendencia[editar editar cdigo]
Vase tambin: 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 8 el valor de las acciones) han aumentado o 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.

Medicina[editar editar cdigo]

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. En el caso del tabaquismo, los
9

investigadores 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 10 11 incluir todas las variables posibles en un estudio de regresin. En el ejemplo del tabaquismo, un hipottico gen podra 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.

Informtica[editar editar cdigo]

Ejemplo de una rutina que utiliza una recta de regresin lineal para proyectar un valor futuro: Cdigo 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>";

Regresin y Correlacin Lineal

Enviado por leonel camcho

Partes: 1, 2 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. Tipos de variables Definicin de regresin lineal Definicin de correlacin lineal Pasos en el anlisis de correlacin y utilizacin e interpretacin de las tcnicas de correlacin Regresin y correlacin lineal Distribucin divariante Regresin simple y correlacin Estimacin de la ecuacin de regresin muestral Ejemplo de regresin lineal Rectas de Regresion Aplicaciones de la regresin lineal Ejercicios regresin y correlacin lineal resueltos Conclusin Bibliografa o Lista de referencias

Tipos de variables
Variable Independiente (X) (determinstica, es decir no aleatoria.) Variable Dependiente (Y) aleatoria Ejemplos X: Nmero de llamadas telefnicas realizadas por un vendedor promocionando un producto. Y: Unidades vendidas por el vendedor. X: Tiempo que dedica un estudiante a una materia. Y : Evaluacin que obtiene el estudiante en la materia.

Definicin de regresin lineal

Lagresin estadsticaregresin a la media la tendencia de una medicin extrema a presentarse ms cercana a la media en una segunda medicin. La regresin se utiliza para predecir una medida basndonos en el conocimiento de otra. MODELO DE REGRESIN LINEAL Regresin lineal Entadsticagresin linealajuste lineal uneacute;todotemticoedeliza relacin entre unariable dependientem>Y, lasriables independientesm>Xiem>y un trminoeatorio Este modelo puede ser expresado como:

La regresin lineal puede ser contrastada con lagresin no lineal. Regresin lineal simple Slo se maneja unariable independiente, por lo que slo cuenta con dosrmetros. Son de la forma:

Dado el modelo de regresin simple, si se calcula laperanza alor esperado) del valorm>Y, se obtiene:

Obteniendo dos ecuaciones denominadas uaciones normalese generan la siguientelucinra ambos parmetros

La interpretacin del parmetro beta 2 es que un incremento en Xi de una unidad, Yi incrementar en beta 2 Maneja variasriables independientes. Cuenta con varios parmetros. Se expresan de la forma:8

Regresin lineal simple Dadas dos variables (Y: variable dependiente; X: independiente) se trata de encontrar una funcin simple (lineal) de X que nos permita aproximar Y mediante: Y = a + bX (ordenada en el origen, constante) (pendiente de la recta) A la cantidad e=Y-Y se le denomina residuo oror residual. As, en el ejemplo de Pearson: Y = 85 cm + 0,5X Donde Y es la altura predicha del hijo y X la altura del padre: En media, el hijo gana 0,5 cm por cada cm del padre. Regresin no lineal Entadstica, regresin no lineal un problema de inferencia para un modelo tipo: Y= F (X,0)+E basado en datos multidimensionales x,y, donde f es alguna funcin no lineal respecto a algunos parmetros desconocidos ?. Como mnimo, se pretende obtener los valores de los parmetros asociados con la mejor curva de ajuste (habitualmente, con el mtodo de los mnimos cuadrados). Con el fin de determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de inferencia estadsticatales como intervalos de confianza para los parmetros as como pruebas de bondad de ajuste. El objetivo de la regresin no lineal se puede clarificar al considerar el caso de la regresin polinomial, la cual es mejor no tratar como un caso de regresin no lineal. Cuando la funcin ftoma la forma: F(X) =X2BXem>+m>C

la funcinm>fem>es no lineal en funcin dem>xem>pero lineal en funcin de los parmetros desconocidos m>a,m>b, yc. Este es el sentido del trmino "lineal" en el contexto de la regresin estadstica. Los procedimientos computacionales para la regresin polinomial son procedimientos degresin linealltiple), en este caso con dos variables predictoras m>xem>y. Sin embargo, en ocasiones se sugiere que la regresin no lineal es necesaria para ajustar polinomios. Las consecuencias practicas de esta mala interpretacin conducen a que un procedimiento de optimizacin no lineal sea usado cuando en realidad hay una solucin disponible en trminos de regresin lineal. Paquetes (software) estadsticos consideran, por lo general, ms alternativas de regresin lineal que de regresin no lineal en sus procedimientos.

Definicin de correlacin lineal

En ocasiones nos puede interesar estudiar si existe o no algn tipo de relacin entre dos variables aleatorias.

Leer ms: http://www.monografias.com/trabajos82/regresion-y-correlacion-lineal/regresion-y-correlacion-lineal.shtml#ixzz2l9KtYyOb

Adsafsdfvbfdf Fin