Introduccin.

REGRESIN LINEAL O MNIMOS CUADRADOS

El modelo de pronstico de regresin lineal permite hallar el valor esperado de una
variable aleatoria a cuando b toma un valor especfico. La aplicacin de este
mtodo implica un supuesto de linealidad cuando la demanda presenta un
comportamiento creciente o decreciente, por tal razn, se hace indispensable que
previo a la seleccin de este mtodo exista un anlisis de regresin que determine
la intensidad de las relaciones entre las variables que componen el modelo.
Cundo utilizar un pronstico de regresin lineal?
El pronstico de regresin lineal simple es un modelo ptimo para patrones de
demanda con tendencia

(creciente o decreciente), es decir, patrones que

presenten una relacin de linealidad entre la demanda y el tiempo.

Existen medidas de la intensidad de la relacin que presentan las variables que

son fundamentales para determinar en qu momento es conveniente utilizar
regresin lineal.

Anlisis de regresin
El objetivo de un anlisis de regresin es determinar la relacin que existe entre
una variable dependiente y una o ms variables independientes. Para poder
realizar esta relacin, se debe postular una relacin funcional entre las variables.
Cuando se trata de una variable independiente, la forma funcional que ms se
utiliza en la prctica es la relacin lineal. El anlisis de regresin entonces
determina la intensidad entre las variables a travs de coeficientes de correlacin
y determinacin. (Lopez, 2012).

El modelo de ajuste o modelo de regresin lineal es:

Y 0 1 X
Donde los coeficientes 0 y 1 son parmetros del modelo denominados
coeficientes de regresin, son constantes, a pesar de que no podemos
determinarlos exactamente sin examinar todas las posibles ocurrencias de X y Y,
podemos usar la informacin proporcionada por una muestra para hallar sus
estimados

b0 ,b1

observacin Y.

. El error es difcil de determinar puesto que cambia con cada

Se asume que los errores tienen media cero, varianza

desconocida 2 y no estn correlacionados (el valor de uno no depende del valor

de otro). Por esto mismo las respuestas tampoco estn correlacionadas.
Conviene ver al regresor o predictor X como la variable controlada por el analista y
evaluada con el mnimo error, mientras que la variable de respuesta Y es una
variable aleatoria, es decir que existe una distribucin de Y con cada valor de X.
Aplicacin de los sistemas lineales en la resolucin de problemas de la
Ingeniera Industrial.
Uno de los objetivos ms importantes de un ingeniero industrial es la reduccin de
tiempo en la produccin, por lo que, la utilizacin del estudio de tiempos es vital
pues es una tcnica para determinar con la mayor exactitud posible, partiendo de
un numero de observaciones, el tiempo para llevar a cabo una tarea determinada

que puede ser analizada por ecuaciones lineales segn su naturaleza debido a
que se pueden clasificar a las seales en dos grupos: las que pueden definirse en
cada instante de un determinado intervalo, llamadas seales de tiempo continuo, y
aquellas que pueden representarse como una sucesin de valores ordenados
mediante un ndice entero, llamadas seales de tiempo discreto.
La ingeniera industrial utiliza principios, mtodos del anlisis, sntesis de la
ingeniera y el diseo para especificar, predecir y evaluar los resultados obtenidos
de tales sistemas, es por ello que pro0nosticar la demanda y oferta de un producto
o servicio se puede aplicar a travs de uno de los mtodos que es la regresin
lineal, la cual nos permitir evaluar la lnea de tendencia.
El ingeniero industrial disea planes de seguridad y de higiene mediante la
aplicacin de normatividad nacional e internacional vigente en el sector, el enfoque
de sistemas, la observacin, el anlisis de causas de accidentes, principios y
conceptos de estadstica, anlisis estadstico y herramientas de modelacin
matemtica, para minimizar riesgos y accidentes laborales en un sistema
productivo y/o de servicios, por lo que muchos de los elementos de mquinas,
tales como cigeales, arboles, ejes, bielas y resortes, son sometidos a cargas
variables a travs de la teora de fatiga que permite determinar la vida o
resistencia a partir de la comparacin del esfuerzo en los distintos puntos del
material con una funcin de fallo por fatiga mediante el anlisis lineal de tensiones.
Un ingeniero industrial al momento de realizar mediciones e inspecciones sobre
los comportamientos de materiales utiliza sistemas lineales, el cual se aplica
mediante pruebas de esfuerzo, temperaturas o cambios radicales a los materiales,
as mismo determina un mejor material para productos o procesos determinados,
dentro de la industria esto es de suma importancia ya que con ello se pueden
mejorar los diseos y desempeos, logrando obtener un producto con una mejor
calidad, reduciendo costos de produccin. (Olivera, 2016).

La regresin lineal va muy de la mano de la ingeniera industrial ya que sus

modelos se pueden utilizar para diferentes fines:
Descripcin de datos: El anlisis de regresin es til para plantear
ecuaciones que resumen o describen a un conjunto de datos, ya que
resume de una forma ms conveniente y til que una tabla o grfica.
Estimacin de parmetros: A veces problemas de estimacin de parmetros
pueden resolverse por mtodos de regresin al ajustar un modelo a los
datos que se obtienen en un experimento.
Prediccin y estimacin: Muchas aplicaciones de regresin requieren de la
prediccin de la variable respuesta, tiles para la programacin de
actividades y correcciones en un proceso determinado.

Riesgos en el uso de la regresin

Hay varios abusos comunes en el uso de la regresin que deben ser
mencionados:
1. Los modelos de regresin son vlidos como ecuaciones de interpolacin sobre
el rango de las variables utilizadas en el modelo. No pueden ser vlidas para
extrapolacin fuera de este rango.
2. La disposicin de los valores X juega un papel importante en el ajuste de
mnimos cuadrados. Mientras que todos los puntos tienen igual peso en la
determinacin de la recta, su pendiente est ms influenciada por los valores
extremos de X. En este caso debe hacerse un anlisis minucioso de estos
puntos y en todo caso eliminarlos y re estimar el modelo. En la figura se
observan dos puntos que influyen en el modelo de ajuste, ya que si se
quitaran, el modelo de lnea recta se modificara.
3. Los outliers u observaciones malas pueden distorsionar seriamente el ajuste de
mnimos cuadrados. En la figura, la observacin A parece ser un outlier o
valor malo ya que cae muy lejos de la lnea de ajuste de los otros datos. Debe
investigarse esta observacin.

4. Si se encuentra que dos variables estn relacionadas fuertemente, no implica

que la relacin sea causal, se debe investigar la relacin causa efecto entre
ellas. Por ejemplo el nmero de enfermos mentales vs. nmero de licencias
recibidas.
5. En algunas aplicaciones el valor de la variable regresora X requerida para
predecir a Y es desconocida, por ejemplo al tratar de predecir la carga elctrica
el da de maana en relacin con la mxima temperatura de maana, primero
debe estimarse cul es esa temperatura. (Reyes, 2007)