Tecnológico Nacional de México

Campus Mérida
Asignatura: estadística Inferencial II
Carrera: Ingeniería Industrial
AEF-1025
“Ensayo, Tema 1”
INTEGRANTES:
Docente: Alfredo Orlando Diaz
Fecha de entrega: 18 de septiembre de 2024

ALAMILLA CASTILLO MARÍA FERNANDA E22081408

PECH MIRANDA RAUL ENRIQUE E19080293

LAGUNES CRUZ LEILANI SOFIA E21080952

1
 Índice
Introducción………………………………………………………………………...3
1.1. Regresión lineal múltiple………………………………………………………4
1.1.1 Pruebas de hipótesis en regresión lineal múltiple…………….………..4
1.1.2 Intervalos de confianza y predicción en regresión múltiple ………..…6
1.1.3 Uso de un software estadístico ……………………………………..…7
1.2. Regresión no lineal …………………………………………………………...7
Conclusión…………………………………………………….……………….…..9
Referencias…………………………………………………………………..……10

2
 Introducción

La regresión lineal múltiple es una técnica estadística fundamental utilizada para modelar la
relación entre una variable dependiente y varias variables independientes. A través de este
enfoque, es posible entender cómo cada una de las variables predictoras contribuye a la
variación en la variable objetivo, permitiendo así realizar predicciones y tomar decisiones
informadas.
La importancia de las pruebas de hipótesis en este contexto radica en su capacidad para
evaluar la validez de los coeficientes estimados, es decir, determinar si las relaciones
observadas son significativas desde el punto de vista estadístico. Estas pruebas permiten
identificar qué variables son realmente relevantes y contribuyen al modelo, ayudando a evitar
el sobreajuste y a mejorar la interpretabilidad de los resultados.
Por otro lado, aunque la regresión lineal múltiple es poderosa, no siempre es adecuada para
capturar relaciones complejas entre variables. En tales casos, la regresión no lineal se
presenta como una alternativa valiosa, permitiendo modelar interacciones y patrones no
lineales que podrían ser fundamentales para una comprensión más profunda de los datos. Así,
la elección entre regresión lineal y no lineal, junto con la adecuada aplicación de pruebas de
hipótesis, es crucial para desarrollar modelos robustos y efectivos en el análisis de datos.

3
1.1. Regresión lineal múltiple
La regresión lineal múltiple es un modelo de regresión en cual se incluyen dos o más
variables independientes. Es decir, la regresión lineal múltiple es un modelo estadístico
que permite relacionar varias variables explicativas con una variable respuesta de
manera lineal.
Por lo tanto, un modelo de regresión lineal múltiple sirve para encontrar una ecuación
que relacione dos o más variables independientes con una variable dependiente. De
forma que sustituyendo el valor de cada variable independiente se obtiene una
aproximación del valor de la variable dependiente.
En la regresión múltiple, se trata con datos que consisten en n (r + 1)-tuplas (x/1, x;2,...,
Xir, yi), donde las x nuevamente se suponen conocidas sin error, mientras que las y son
valores de variables aleatorias.
La fórmula de regresión lineal

Donde:

1.1.1Pruebas de hipótesis en regresión lineal múltiple

Para que los resultados de la regresión sean “confiables”, es necesario que:
La relación entre las variables sea lineal, ser lineal no significa que forzosamente
tenga que ser una línea recta sino también que pueda ser lineal con alguna
transformación. Las perturbaciones (es decir los efectos provocados aleatoriamente o
por variables no incluidas en el modelo) deben ser: de media cero, homocedásticas y
no autocorrelacionadas, se suelen resumir estos bajo la denominación de
“esfericidad” de los residuos.
4
Aunque digan que una imagen vale más que mil palabras, en estadística esto no
siempre se cumple. El análisis gráfico casi nunca es tan explícito en la vida real. En
el caso de la base de Satisfacción si graficamos los residuos de una regresión
cualquiera. El resultado no es siempre igual a la teoría. No es evidente que no haya
tendencia, ni qué pueden implicar las distintas bandas. Aunque parece no se puede
afirmar rotundamente si hay o no esfericidad.

5
1.1.2Intervalos de confianza y predicción en regresión múltiple
Es un rango de valores, derivado de los estadísticos de la muestra, que posiblemente
incluya el valor de un parámetro de población desconocido. Debido a su naturaleza
aleatoria, es poco probable que dos muestras de una población en particular generen
intervalos de confianza idénticos, el intervalo de confianza se determina calculando
una estimación de punto y luego determinando su margen de error.
Estimación de punto: Este valor individual estima un parámetro de población
usando los datos de su muestra.
Margen de error: La estimación está sujeta a error de muestreo aleatorio. El margen
de error cuantifica este error e indica la precisión de su estimación.

EJEMPLO
La longitud media estimada de un árbol de levas es 600 mm y el intervalo de
confianza oscila entre 599 y 601. El margen de error es 1.
Mientras mayor sea el margen de error, más ancho será el intervalo y menos seguro
podrá estar del valor de la estimación de punto.
Predicción de regresión
• Regresión Simple: Se presenta cuando una variable independiente ejerce influencia
sobre otra variable dependiente
Ejemplo: Y = f(x)
• Regresión Múltiple: Se presenta cuando dos o más variables independientes
influyen sobre una variable dependiente.
Ejemplo: Y = f(x, w,).
La ecuación de Predicción de Regresión Simple permite hacer predicciones de una
variable en función de otra. La posibilidad de predicción aumenta si utilizamos más
de una variable predictora. Para resolver esta cuestión se define la ecuación de
Regresión Múltiple (puntuaciones directas):
Y=A + B_1X_1+B_2X2
Xi: Variable predictora (o explicativa).
Bi: Coeficiente de la variable predictora Xi
A: Interceptal o constante

6
1.1.3 Uso de un software estadístico
El software estadístico nace desde los problemas reales o las oportunidades de reducir
de costos, tiempo y esfuerzos. La potencialidad del software es facilitar tareas
específicas y organizar una infraestructura de sistemas de información.
La estadística es una ciencia aliada a la investigación científica. Los científicos que
trabajan en ecología, medicina, ingeniería e investigación de mercados;
comúnmente emplean software estadístico para realizar análisis multivariados y
gráficos de los cálculos. Muchos programas no son netamente estadísticos, pero hacen
cálculos aplicables a la tarea de los investigadores.
La complejidad para organizar un alto volumen de datos le da protagonismo a las
herramientas estadísticas. Los softwares en la actualidad pueden
programarse para representar gráficos de cada cálculo o modelo predictivo en
segundos.
Las herramientas de análisis estadístico son aliadas de las importantes empresas del
mercado. Hay muchos tipos de programas informáticos estadísticos, algunos de ellos
son complejos y requieren de profesionales en programación para usarlos. Por otro
lado, hay otro tipo de software de uso más intuitivo pero limitado y finalmente se puede
programar un software a la medida, desde estas diferentes perspectivas, el software
puede ser parte de los activos o generar costos periódicos por licencias o suscripciones.
Un software estadístico de uso libre puede ser complejo de usar y requerir de
conocimientos de programación del lenguaje de programación en que se desarrolló. En
el mercado también se pueden encontrar software en la nube, a los que el usuario se
debe adaptar para facilitar algunas tareas. En el caso de las empresas que invierten en
diseñar software a la medida: Los sistemas a la medida deberían ser más sencillos de
utilizar para ahorrar tiempo y otros esfuerzos.
Impactos del software estadístico

1.2. Regresión no lineal

Regresión no lineal es un método para encontrar un modelo no lineal para la relación
entre la variable dependiente y un conjunto de variables independientes. A diferencia
de la regresión lineal tradicional, que está restringida a la estimación de modelos

7
 lineales, la regresión no lineal puede estimar modelos con relaciones arbitrarias entre
las variables independientes y las dependientes.
En regresión no lineal, un modelo estadístico de la forma,
Existen varios tipos de modelos de regresión no lineal, cada uno de ellos adecuado para
diferentes tipos de datos y relaciones.
Los tipos de regresión no lineal son los siguientes:
• Regresión polinomial: regresión no lineal cuya ecuación tiene forma de polinomio.
• Regresión logarítmica: regresión no lineal en la que se hace el logaritmo de la variable
independiente.
• Regresión exponencial: regresión no lineal en la cual la variable independiente se
encuentra en el exponente de la ecuación.
La representación matemática de un modelo de regresión no lineal puede variar
significativamente según la forma específica del modelo que se utilice. Generalmente,
un modelo de regresión no lineal se puede expresar como Y = f(X) + ε, donde Y es la
variable dependiente, f(X) es una función no lineal de la(s) variable(s) independiente(s)
X y ε representa el término de error. La función f(X) puede adoptar muchas formas,
como exponencial, logarítmica o polinómica. El objetivo de la regresión no lineal es
estimar los parámetros de la función f(X) de tal manera que se minimice la suma de las
diferencias al cuadrado entre los valores observados y los valores predichos. Este
proceso a menudo requiere algoritmos iterativos, como el método de Gauss-Newton o
el algoritmo de Levenberg-Marquardt, para converger en los parámetros de mejor
ajuste.

8
 Conclusión
En conclusión, la regresión lineal múltiple y no lineal son herramientas esenciales en
el análisis de datos que permiten comprender y modelar relaciones entre variables de
manera efectiva. Mientras que la regresión lineal múltiple ofrece un enfoque directo
para evaluar la influencia de múltiples variables independientes en una variable
dependiente, la regresión no lineal se vuelve crucial cuando se enfrentan patrones
complejos que no pueden ser capturados adecuadamente por un modelo lineal.
La habilidad para interpretar correctamente las pruebas de hipótesis es vital en este
proceso, ya que nos ayuda a determinar la significancia estadística de los resultados y
a tomar decisiones informadas sobre qué variables incluir en nuestros modelos. Sin esta
comprensión, podríamos llegar a conclusiones erróneas que afectarían la validez de
nuestras inferencias.
Además, el uso de software estadístico facilita enormemente el análisis, permitiendo
realizar cálculos complejos de manera eficiente y visualizando resultados que serían
difíciles de interpretar manualmente.

9
 Referencias
• Cruzito. (2024, 29 junio). Software Estadístico: Definición, tipos y ejemplos |
Estudyando. Estudyando. https://estudyando.com/software-estadistico-
definicion-tipos-y-ejemplos/
• Estadística, P. Y. (2023, 10 marzo). Regresión no lineal. Probabilidad y
Estadística. https://www.probabilidadyestadistica.net/regresion-no-lineal/
• Learn Statistics Easily. (2024, 24 julio). Qué es: regresión no lineal: APRENDA
ESTADÍSTICAS FÁCILMENTE. LEARN STATISTICS EASILY.
https://es.statisticseasily.com/glosario/%C2%BFQu%C3%A9-es-la-
regresi%C3%B3n-no-lineal%3F/
• Modelos de regresión lineal múltiple. (2016). [Conjunto de datos]. En
Documentos de Trabajo en Economía Aplicada. (Versión 2016). Montero
Granados. R. https://www.ugr.es/~montero/matematicas/regresion_lineal.pdf

10