Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 249 vistas

    Regresion Lineal

    Cargado por

    edison
    Este documento presenta un algoritmo para aplicar el método de regresión lineal a ecuaciones lineales. El objetivo es analizar la precisión de los resultados obtenidos mediante este método al ajustar datos a una recta de regresión y predecir valores de una variable dependiendo de otra variable independiente. Se introducen conceptos clave como coeficientes de regresión, ecuación de regresión y valores predichos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Regresion Lineal

    Cargado por

    edison
    249 vistas3 páginas
    Este documento presenta un algoritmo para aplicar el método de regresión lineal a ecuaciones lineales. El objetivo es analizar la precisión de los resultados obtenidos mediante este método al ajustar datos a una recta de regresión y predecir valores de una variable dependiendo de otra variable independiente. Se introducen conceptos clave como coeficientes de regresión, ecuación de regresión y valores predichos.

    Descripción original:

    xxxxxxxxxxxxxxxxxxxxxxxxxx

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un algoritmo para aplicar el método de regresión lineal a ecuaciones lineales. El objetivo es analizar la precisión de los resultados obtenidos mediante este método al ajustar datos a una recta de regresión y predecir valores de una variable dependiendo de otra variable independiente. Se introducen conceptos clave como coeficientes de regresión, ecuación de regresión y valores predichos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    249 vistas3 páginas

    Regresion Lineal

    Cargado por

    edison
    Este documento presenta un algoritmo para aplicar el método de regresión lineal a ecuaciones lineales. El objetivo es analizar la precisión de los resultados obtenidos mediante este método al ajustar datos a una recta de regresión y predecir valores de una variable dependiendo de otra variable independiente. Se introducen conceptos clave como coeficientes de regresión, ecuación de regresión y valores predichos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 3

    ESCUELA POLITCNICA NACIONAL

    FACULTAD DE INGENIERA CIVIL Y AMBIENTAL


    INGENIERA CIVIL
    MTODOS NUMRICOS
    REGRESIN LINEAL
    TRABAJO 1
    Marjorie Echeverra
    26 de Junio de 2017

    OBJETIVOS
    Elaborar un algoritmo que facilite la aplicacin del mtodo de regresin lineal a
    ecuaciones lineales.
    Investigar las ventajas y desventajas de aplicar este mtodo.
    Analizar la precisin del mtodo al momento de arrojar los resultados.
    RESUMEN
    A continuacin se elaborara un algoritmo que nos permitir obtener una idea bastante
    aproximada sobre el tipo de relacin existente entre dos variables, mediante un diagrama de
    dispersin el cual cuantifica el grado de relacin que existe ente la variable dependiente y la
    independiente.
    INTRODUCCIN
    REGRESIN LINEAL

    El modelo de regresin lineal es el ms utilizado a la hora de predecir los valores de una


    variable cuantitativa a partir de los valores de otra variable explicativa tambin cuantitativa
    (modelo de regresin lineal simple). Una generalizacin de este modelo, el de regresin lineal
    mltiple, permite considerar ms de una variable explicativa cuantitativa. Por otra parte, tal
    como se ver en un tema posterior, es tambin posible incluir variables explicativas
    categricas en un modelo de regresin lineal si se sigue una determinada estrategia en la
    codificacin de los datos conocida como codificacin ficticia. [1]
    En concreto, segn el modelo de regresin lineal simple, las puntuaciones de los sujetos en
    2 variables -una de ellas considerada como variable predictora (X) y la otra como variable de
    respuesta (Y)- vienen representadas (modeladas) por la ecuacin de una lnea recta:[1]
    Cuando hay ms de una variable explicativa (modelo de regresin lineal mltiple), se utiliza
    un subndice para cada una de ellas, por ejemplo, para el caso de dos variables explicativas:
    [1]

    Ejemplo de aplicacin de un modelo de regresin lineal simple a fin de modelar la


    distribucin conjunta de las variables Estrategias de afrontamiento y Estrs. En este
    ejemplo concreto, el modelo de regresin se concreta en el ajuste a los datos de la siguiente
    ecuacin de regresin (tambin conocida como recta de regresin): [1]

    Los dos parmetros de la ecuacin de regresin lineal simple, 0 y 1, son conocidos como
    el origen (tambin, constante) y la pendiente del modelo, respectivamente. En conjunto
    reciben el nombre de coeficientes de la ecuacin de regresin. Si la ecuacin de la recta de
    regresin es obtenida a partir de una muestra, y no de una poblacin (esto es, los coeficientes
    de la ecuacin de regresin son estadsticos, y no parmetros), la ecuacin se expresa como:
    [1]

    Una vez que sean conocidos los valores de 0 y 1 del modelo de regresin lineal simple,
    ste puede ser utilizado como modelo predictivo, esto es, para realizar predicciones de los
    valores que tomar la variable de respuesta para determinados valores de la variable
    explicativa. Basta para ello con sustituir en la ecuacin de regresin el valor concreto de X
    que se quiera (Xi). Al hacerlo, se obtendr el valor predicho para Y segn la ecuacin de
    regresin para aquellos casos que en la variable X tomen el valor Xi. Este valor es conocido
    de forma genrica como puntuacin predicha, siendo representado simblicamente como
    [1]

    DESARROLLO
    ingresamos el nmero de puntos correspondiente a las variables x, y.
    imprimimos los puntos con ayuda del comando plot.
    Registramos las constantes de regresin.
    Con el comando for se generara un bucle que nos permitir aproximar los puntos
    creando la ecuacin de la recta.
    Obtenemos la pendiente mediante la frmula junto con la constante de la ecuacin de
    la recta.
    Se generara una nueva ecuacin que nos permitir encontrar los nuevos valores de y.
    Como resultado se obtendr los nuevos valores de la variable y ajustados a la recta.
    Se realiza la grfica con los datos ajustados.
    ANEXO 1
    CONCLUSIONES

    Al momento de obtener resultados se observaron ventajas como: una mayor precisin


    en los resultados utilizando operaciones ms sencillas que en otros mtodos, no posee
    varias limitaciones como otros mtodos aplicado anteriormente.
    Se ha logrado reducir el error gracias a la precisin de los resultados.
    Con el algoritmo elaborado se puede observar de una manera ms clara y eficiente
    los resultados obtenidos.

    BIBLIOGRAFA
    Garca Jimnez, M. V., Alvarado Izquierdo, J. M., & Jimnez Blanco, A. (2000). La
    prediccin del rendimiento acadmico: regresin lineal versus regresin
    logstica. Psicothema, 12(Su2).
    [1] Montgomery, D. C. D. C., Peck, E. A., & Vining, G. G. (2001). Introduccin al
    anlisis de regresin lineal (No. 04; QA278. 2, M6.).
    Chapra, S. C. C., Chapra, R. P. S. C., & Canale, R. P. (2007). Mtodos numricos
    para ingenieros. McGraw-Hill,

    También podría gustarte