Estadística

Análisis de datos

análisis de la regresión es un proceso estadístico para la estimación de relaciones entre variables. Incluye muchas técnicas para el modelado y análisis de diversas variables, cuando la atención se centra en la relación entre una variable dependiente y una o más variables independientes. Más específicamente, el análisis de regresión ayuda a entender cómo el valor típico de la variable dependiente cambia cuando cualquiera de las variables independientes es variada, mientras que se mantienen las otras variables independientes fijas. Más comúnmente, el análisis de regresión estima la esperanza condicional de la variable dependiente dadas las variables independientes - es decir, el valor promedio de la variable dependiente cuando se fijan las variables independientes. Con menor frecuencia, la atención se centra en un cuantil, u otro parámetro de localización de la distribución condicional de la variable dependiente dadas las variables independientes. En todos los casos, el objetivo es la estimación de una función de las variables independientes llamada la función de regresión. En el análisis de regresión, también es de interés para caracterizar la variación de la variable dependiente en torno a la función de regresión que puede ser descrito por una distribución de probabilidad.- ...........................................:http://es.wikipedia.org/w/index.php?title=Especial:Libro&bookcmd=download&collection_id=940dec6ee53d6c2de2a73808894646a0d82e1dc0&writer=rdf2latex&return_to=An%C3%A1lisis+de+la+regresi%C3%B3n

El análisis de regresión es una técnica para investigar y modelar la relación entre variables. Aplicaciones de regresión son numerosas y ocurren en casi todos los campos, incluyendo ingeniería, la física, ciencias económicas, ciencias biológicas y de la salud, como también ciencias sociales.

Utilidad 

Utilizados para varios propósitos, incluyendo los siguientes:

1. Descripción de datos Ingenieros y científicos frecuentemente utilizan ecuaciones para resumir un conjunto de datos. El análisis de regresión es útil para describir los datos.

2. Estimación de parámetros. Uno de los casos en los cuales se utiliza el análisis de regresión para estimar parámetros es el siguiente:

Suponga que un circuito eléctrico contiene una resistencia conocida de  ohms. Diferentes corrientes pasan a través del circuito y el correspondiente voltaje es medido.

El diagrama de dispersión podría indicar que el voltaje y la corriente estan relacionados por una línea recta que pasa por el orígen con pendiente  (debido a que el voltaje  y la corriente estan relacionados por la ley de Ohm ). El análisis de regresión podría ser utilizado para ajustar este modelo a los datos, produciendo un estimado de la resistencia desconocida.

3. Para predicción y estimación. Algunos casos de esta utilidad del análisis de regresión son:

 La respuesta de un cultivo al variar la cantidad de los fertilizantes; el objetivo puede ser establecer la forma de la relación, o predecir la combinación optima de fertilizantes.

 La relación entre varias medidas meterológicas y la producción del cultivo; el más obvio objetivo podría ser tratar de entender los efectos meterológicos sobre el crecimiento del cultivo.

En el análisis de regresión se pueden distinguir dos tipos de variables: variables predictoras y variables respuestas. La diferencia entre variable predictora y respuesta es no siempre completamente clara y depende algunas veces de nuestros objetivos. Algunos nombres conocidos para las variables predictoras y respuestas son:

Modelo Lineal  

La más simple relación entre dos variables es una línea recta. En donde se tiene pares de observaciones de y  donde , la variable dependiente, se asume dependiente sobre , la variable independiente. Se considera un modelo lineal cuando los parámetros ocurren de manera lineal, así por ejemplo

			Modelo lineal o de primer orden
			Modelo cuadrático o de segundo orden en una variable
			Modelo de tercer orden en una variable
			Modelo lineal o de primer orden con dos variables

En el modelo  existe una sola variable independiente y los parámetros tienen exponente uno. Los modelos  y  tiene una sola variable independiente pero con exponentes diferentes de uno, por lo cual se llamamodelo de segundo orden y tercer orden respectivamente con una sola variable indepeniente; es de observar, que los parámetros tienen sólo exponente uno y por tanto sigue siendo un modelo lineal. El modelo  es un modelo lineal de primer orden pero con dos variables independientes. Los tres primeros modelos de  se muestran en la figura 1.

Figura 1. Modelos polinomiales; (a) , (b) ,

(c) 

 

Modelo Lineal  

Cuando los parámetros no se encuentran de manera lineal el modelo se llama modelo no lineal

, por ejemplo el modelo

 es un modelo no lineal.

Los modelos no lineales de manera general se agrupan en tres tipos. El primero involucra terminos exponenciales dados por:

El segundo tipo de modelo no lineal que es comunmente usado es basado sobre la relación recíproca, tipicamente la hipérbola rectangular. Simplemente la relación entre la enzima y la quimica cinetica puede frecuentemente ser expresada en la forma

donde  seria la constante de Michaelis-Menten, o

utilizada para relacionar la fotosintesis y la intensidad de luz.

Un tercer tipo de modelo no lineal es la curva logistica, extrensivamente utilizada para representar elcrecimiento de organismos desde un pequeño estado inicial, durante el cual el crecimiento es proporcional al tamaño, hasta la última etapa cuando el tamaño se aproxima a una asintota. La idea subyacente es que la taza de cambio esta relacionada con el tamaño por una ecuación diferencial

y en terminos del tamaño a diferentes tiempos, se obtiene el modelo no lineal

¿ Cómo se analiza un modelo de regresión? 

Para analizar un modelo de regresión se pueden establecer básicamente dos pasos.

Paso 1. Estimar los parámetros del modelo de regresión. Este proceso es llamado ajuste del modelo a los datos.

Paso 2. El siguiente paso de un análisis de regresión es chequear que tan bueno es el modelo ajustado. El resultado de este chequeo puede indicar si el modelo es razonable o si el ajuste original debe ser modificado.