Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 33 vistas

    Infografia de Regresion Simple

    Cargado por

    David Méndez
    La regresión lineal simple es una técnica estadística que modela la relación entre una variable dependiente y una independiente. Se busca la ecuación de una línea recta y=mx+b que mejor se ajuste a los datos, donde m es la pendiente, b la intersección con el eje y, y x e y las variables. El método de mínimos cuadrados minimiza la suma de los errores al cuadrado para encontrar los valores óptimos de m y b.

    Copyright:

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

    Infografia de Regresion Simple

    Cargado por

    David Méndez
    33 vistas1 página
    La regresión lineal simple es una técnica estadística que modela la relación entre una variable dependiente y una independiente. Se busca la ecuación de una línea recta y=mx+b que mejor se ajuste a los datos, donde m es la pendiente, b la intersección con el eje y, y x e y las variables. El método de mínimos cuadrados minimiza la suma de los errores al cuadrado para encontrar los valores óptimos de m y b.

    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?

    La regresión lineal simple es una técnica estadística que modela la relación entre una variable dependiente y una independiente. Se busca la ecuación de una línea recta y=mx+b que mejor se ajuste a los datos, donde m es la pendiente, b la intersección con el eje y, y x e y las variables. El método de mínimos cuadrados minimiza la suma de los errores al cuadrado para encontrar los valores óptimos de m y b.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    33 vistas1 página

    Infografia de Regresion Simple

    Cargado por

    David Méndez
    La regresión lineal simple es una técnica estadística que modela la relación entre una variable dependiente y una independiente. Se busca la ecuación de una línea recta y=mx+b que mejor se ajuste a los datos, donde m es la pendiente, b la intersección con el eje y, y x e y las variables. El método de mínimos cuadrados minimiza la suma de los errores al cuadrado para encontrar los valores óptimos de m y b.

    Copyright:

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

    REGRESION

    SIMPLE
    La regresión lineal simple es una técnica estadística que se
    utiliza para modelar la relación entre dos variables, una de
    las cuales se considera como la variable dependiente y la
    otra como la variable independiente. La idea fundamental
    detrás de la regresión lineal simple es describir y
    cuantificar la relación lineal que podría existir entre estas
    dos variables.
    En términos simples, se busca encontrar la ecuación de una
    línea recta que mejor se ajuste a los datos observados. La
    ecuación de esta línea se expresa como:
    y=mx+b
    .
    https://es.wikipedia.org/wiki/Regresi%C3%B3n_lineal

    La fórmula básica de la regresión lineal simple, y=mx+b, es una ecuación que describe la relación lineal entre
    dos variables, donde:
    y es la variable dependiente que queremos predecir o explicar.
    x es la variable independiente, que es la variable que utilizamos para hacer la predicción.
    m es la pendiente de la línea, que representa la tasa de cambio en la variable dependiente por cada unidad
    de cambio en la variable independiente. Es decir, m cuantifica la inclinación de la línea.
    b es la intersección en el eje y, y representa el valor de y cuando x es igual a cero. En otras palabras, b es
    el punto en el cual la línea corta el eje y.
    La fórmula y=mx+b se visualiza como una línea recta en un sistema de coordenadas cartesianas, donde y está en
    el eje vertical (ordenadas) y x en el eje horizontal (abscisas). La pendiente (m) determina la inclinación de la
    línea, y la intersección en el eje y (b) determina dónde la línea cruza el eje vertical.
    En el contexto de la regresión lineal simple, el objetivo es encontrar los valores óptimos de m y b que minimizan
    la diferencia entre los valores predichos (mx+b) y los valores reales de la variable dependiente (y). Este
    proceso se realiza mediante técnicas de optimización, como el método de mínimos cuadrados, que busca minimizar
    la suma de los cuadrados de las diferencias entre las predicciones y las observaciones reales.

    https://ebac.mx/blog/regreson-lineal

    Interpretación de la Pendiente (m):


    La pendiente (m) en la ecuación de regresión lineal simple, y=mx+b, tiene una interpretación crucial:
    Cambio en y por Unidad de Cambio en x:
    La pendiente (m) representa la tasa de cambio en la variable dependiente (y) por cada unidad de cambio
    en la variable independiente (x).
    En otras palabras, si aumentamos x en una unidad, la pendiente nos indica cuánto se espera que cambie y.
    Si la pendiente es positiva, indica un aumento en y; si es negativa, indica una disminución en y.
    Por ejemplo, si la pendiente es 2, significa que por cada unidad adicional en x, y aumentará en 2 unidades.
    Interpretación de la Intersección (b):
    La intersección en el eje y (b) también tiene una interpretación significativa:
    Valor de y cuando x es Cero:
    La intersección (b) es el valor de y cuando x es igual a cero.
    En el contexto del modelo, representa el punto en el cual la línea de regresión corta el eje y.
    Esta interpretación es importante porque define el punto de inicio de la relación lineal entre x e y.
    Por ejemplo, si b es 3, significa que cuando x es cero, y es 3.
    https://es.khanacademy.org/math/cc-eighth-grade-math/cc-8th-linear-equations-functions/8th-slope/a/slope-formula

    Minimización de Cuadrados en la Regresión Lineal Simple:


    1. Definición del Error:
    Error (ei​) = yi​−(mxi​+b).
    2. Cuadrado de Errores:
    Cuadrado del error (2ei2​) = 2(yi​−(mxi​+b))2.
    3. Suma de Cuadrados de Errores (SSE):
    ∑
    SSE = i=1n​(yi​−(mxi​+b))2.
    4. Objetivo:
    Encontrar m y b que minimizan la SSE.
    5. Fórmulas Mínimos Cuadrados:
    ∑ ∑
    2m= (xi​−x 2)2 (xi​−x 2)(yi​−y 2​)​
    b=y 2​−mx 2.
    6. Resultado Final:
    Valores de m y b que minimizan SSE.
    7. Significado:
    Ajuste óptimo de la línea de regresión.
    el Método de Mínimos Cuadrados busca encontrar los parámetros del modelo de regresión lineal simple que minimizan la suma de
    los cuadrados de las diferencias entre las observaciones reales y las predicciones, lo que da como resultado una línea de
    ajuste que representa la relación lineal de manera óptima.
    https://www.xlstat.com/es/soluciones/funciones/regresion-lineal-de-los-minimos-cuadrados-ols

    La regresión lineal simple se puede aplicar a una variedad de situaciones del mundo real para predecir o entender relaciones
    entre variables. Aquí tienes algunos ejemplos adicionales:
    1. Rendimiento del Estudiante:
    Variables: Horas de estudio (independiente), calificación obtenida (dependiente).
    Aplicación: Predicción de calificaciones basada en el tiempo de estudio.
    2. Producción Agrícola:
    Variables: Cantidad de agua de riego (independiente), rendimiento de cultivos (dependiente).
    Aplicación: Estimar la producción agrícola en función de la cantidad de agua proporcionada.
    3. Salud y Ejercicio:
    Variables: Número de horas de ejercicio semanal (independiente), nivel de salud (dependiente).
    Aplicación: Predecir la salud basada en la cantidad de ejercicio realizado.
    4. Consumo de Energía en Edificios:
    Variables: Tamaño del edificio (independiente), consumo de energía (dependiente).
    Aplicación: Estimar el consumo de energía de un edificio en función de su tamaño.
    5. Crecimiento de Población:
    Variables: Año (independiente), población (dependiente).
    Aplicación: Prever el crecimiento de la población a lo largo de los años.
    Estos ejemplos ilustran la versatilidad de la regresión lineal simple en diversas áreas, proporcionando herramientas para
    hacer predicciones y entender las relaciones entre variables en el mundo real.
    https://statologos.com/regresion-lineal-ejemplos-de-la-vida-real/

    También podría gustarte