Recta de regresión

Una recta de regresión es una recta que se ajusta a una distribución de datos bidimensional \((x_i,y_i)\), tomando como variable independiente una de las variables de la distribución, la que se considera variable explicativa (por convenio, se denominará la variable \(x\) )  y relacionándola con la otra variable \(y\) , que se considera variable dependiente o explicada. Por ejemplo, una recta de regresión puede utilizarse para relacionar las calificaciones \(x_i\) de un grupo de alumnos en una asignatura con las horas dedicadas al estudio \(y_i\) por dichos alumnos. Dado que generalmente, la distribución de datos bidimensional no sigue una relación lineal perfecta, el objetivo es especificar la recta \(\hat{y}=a+bx\) que mejor se ajuste a los datos, en otras palabras, estimar los parámetros \(a\) y \(b\)  de la recta, para lo cual existen diferentes métodos de estimación, aunque el más utilizado es el método de mínimos cuadrados. 

Estimados los parámetros de la recta de regresión, esta pueda utilizarse para realizar una predicción o estimación de la variable dependiente (en el anterior ejemplo, la calificación obtenida) para cada valor de la variable independiente (el número de horas de estudio) de esta forma: \(\hat{y_i}=a+bx_i\). Sin embargo en cada predicción se produce un error, que es la diferencia entre el valor real que toma para cada par de datos \(x_i,y_i)\) de la distribución bidimensional la variable dependiente y el valor de la predicción:  \(e_i=y_i-\hat{y_i}=y_i-(a+bx_i)\). El método más utilizado de ajuste de la recta de regresión es el de los mínimos cuadrados, que lo que persigue es minimizar la suma de los errores al cuadrado (al cuadrado, con el objetivo de que los errores no se compensen entre sí). Es decir, lo que se persigue en el método de mínimos cuadrados es calcular los valores de \(a\) y \(b\) que minimizan \(\sum e_i^2\):

$$ min_{a,b} \sum e_i^2$$

Puede demostrarse matemáticamente que los valores \(a\) y \(b\)  que minimizan la suma de errores al cuadrado, y que por tanto se considera que definen la recta que mejor se ajusta a los datos son: 

$$b=\cfrac{s_{xy}}{s_x^2}$$

$$a=\overline{y}- b\overline{x}$$

siendo respectivamente \(\overline{x},\overline{y},s_{xy}, s_x^2\) la media de la variable \(x\), la media de la variable \(y\), la covarianza entre ambas variable y la varianza de \(x\).