Aplicaciones de la ingeniera en otras disciplinas

doi: http://dx.doi.org/10.16925/in.v9i17.828

Estimacin y prediccin
con el modelo de regresin cbica
aplicado a un problema de salud
Diego Cardona1, Javier Gonzlez2, Miller Rivera3, Edwin Crdenas4

1Director del Doctorado en Ciencias de la Direccin

2Director de la Maestra en Administracin en Salud y de las Especializaciones de Gerencia en Salud
3Coordinador del Laboratorio de Modelamiento y Simulacin, Escuela de Administracin
Correo electrnico: miller.rivera@urosario.edu.co
Universidad del Rosario, Bogot, Colombia
4Profesor de la Facultad de Ingeniera, Departamento de Ciencias Bsicas
Corporacin Universitaria cun, Bogot, Colombia
Recibido: 20 de enero del 2014.Aprobado: 10 de abril del 2014.

Cmo citar este artculo: D. Cardona, J. Gonzlez, M. Rivera y E. Crdenas, Estimacin y prediccin con el modelo de regresin cbica aplicado a un problema de
salud. Ingeniera Solidaria, vol. 10, n. 17, pp. 153-160, en.-dic., 2014. doi: http://dx.doi.org/10.16925/in.v9i17.828

Resumen. El artculo corresponde a un proyecto de investigacin desarrollado en la Escuela de Administracin de la Universidad del
Rosario, dirigido a fortalecer la utilizacin de los mtodos inferenciales de regresin lineal, no lineal y mltiple en la ejecucin de pro-
cesos de toma de decisin, a travs de la construccin de materiales didcticos para estudiantes, docentes e investigadores. Este artcu-
lo muestra las bondades del modelo de regresin polinmica de tercer orden y su aplicacin en la administracin y la ciencia, mediante
el desarrollo de un caso real aplicado a la salud, en el que se estima el porcentaje de mujeres que consumen ms de 20 cigarrillos diarios
segn la edad. Dentro del proyecto de investigacin, iniciado el segundo semestre del 2012, se ha realizado la publicacin de diferen-
tes recursos didcticos entre los que se encuentran documentos de investigacin como: Una aproximacin de la variable aleatoria
a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre, Aplicacin de colas de Poisson en procesos de
toma de decisiones en la gestin de servicios mdicos y guas de inferencia estadstica de los mtodos de regresin lineal y no lineal.
Palabras clave: inferencia estadstica, regresin no lineal, modelo cbico, estimacin, prediccin.

Estimate and Prediction with Cubic Regression
Model Applied to a Health Problem
Abstract. The article corresponds to a research project carried out at
the School of Administration of the Universidad del Rosario, aimed at
strengthening the use of inferential linear, nonlinear and multiple regres-
sion methods in decision-making processes by creating didactic materi-
als aimed at students, teachers and researchers. This article shows the
advantages of the third order polynomic regression model and its appli-
cation in administration and science, through the development of a real
case applied to health, in which the percentage of women who consume
more than 20 cigarettes per day is estimated according to age. As part
of the research project begun during the second half of 2012, diverse
didactic guides have been published, including research documents such
as: An Approach using the Aleatorical Variable in Decision-Making
Processes that Imply Conditions of Risk and Uncertainty (Una aproxi-
macin de la variable aleatoria a procesos de toma de decisin que im-
plican condiciones de riesgo e incertidumbre), Application of Poisson
Tails in Decision-making Processes for Managing Medical Services
(Aplicacin de cola de Poisson en la gestin de servicios mdicos) and
statistical inference guides for linear and nonlinear regression methods.
Keywords: statistical inference, non-linear regression, cubic model,
estimate, prediction.
Estimao e predio com o modelo de regresso
cbica aplicado a um problema de sade
Resumo. Este artigo corresponde a um projeto de pesquisa desenvolvi-
do na Escola de Administrao da Universidade do Rosrio (Colmbia),
dirigido a fortalecer a utilizao dos mtodos inferenciais de regres-
so linear, no linear e mltipla na execuo de processos de tomada
de deciso, por meio da construo de materiais didticos dirigidos a
estudantes, docentes e pesquisadores. Alm disso, mostra os benefcios
do modelo de regresso polinomial de terceira ordem e sua aplicao
na administrao e na cincia, mediante o desenvolvimento de um caso
real aplicado sade, no qual se estima a porcentagem de mulheres que
consomem mais de 20 cigarros dirios segundo a idade. Dentro do pro-
jeto de pesquisa, iniciado no segundo semestre de 2012, realizou-se a
publicao de diferentes recursos didticos entre os quais se encontram
documentos de pesquisa como: Uma aproximao da varivel aleatria
a processos de tomada de deciso que implicam condies de risco e in-
certeza, Aplicao do modelo de distribuio de Poisson em processos
de tomada de decises em gesto de servios mdicos e guias de infe-
rncia estatstica dos mtodos de regresso linear e no linear.
Palavras-chave: inferncia estatstica, regresso no linear, modelo
cbico, estimao, predio.

BY NC ND
154 Aplicaciones de la ingeniera en otras disciplinas
1. Introduccin
Este artculo hace parte de una serie de documentos
producto de una investigacin docente, cuyo objetivo
es fomentar y fortalecer el uso de tcnicas de estads-
tica inferencial que mejoren la utilizacin de los datos
que recopilan los estudiantes de pregrado o de posgra-
do en sus trabajos e investigaciones aplicadas en dife-
rentes campos del conocimiento.
El anlisis de regresin es una herramienta estadstica
que permite, al investigador o al profesional, encontrar
relaciones matemticas entre las variables que intervienen
en un proceso, experimento o situacin que implique
cambios en la informacin objeto de anlisis [1].
Por medio de estas relaciones, se hacen estimaciones
y predicciones sobre el comportamiento futuro de esas
variables. Con las predicciones hechas se pueden tomar
decisiones administrativas, establecer polticas o hacer
diseos con base en los modelos matemticos.
En la terminologa de la regresin [2], [3], la variable
que se va a predecir se llama dependiente, a explicar, o
endgena. La o las variables que se usan para predecir
el valor de la variable dependiente se llaman variables
independientes, explicativas o exgenas.
La relacin entre las variables puede ser de dos tipos:
la relacin lineal y la relacin no lineal. Se considera que
la relacin es lineal si al graficar los datos se observa una
distribucin de estos alrededor de una lnea recta. La
ecuacin de la recta se determina a travs del anlisis de
regresin por medio del modelo lineal. Si la relacin es
no lineal, los datos observados se distribuyen alrededor
de una curva y la ecuacin de esa curva se determina
a partir de alguno de los modelos no lineales. En la
prctica, es muy comn encontrar que la mayora de
las aplicaciones en las que se establecen relaciones entre
variables sea del tipo no lineal.
Uno de los modelos no lineales ms utilizados es
el modelo polinmico que procede del modelo lineal
general [4], como se muestra en (1).
y = 0 + 1z1 + 2 z 2 ++ p z p + (1)
En la cual cada una de las variables independien-
tes zj (donde j = 1, 2, , p) es una potencia de la varia-
ble independiente (xk donde k = 1, 2, , p).
Teniendo en cuenta lo anterior, se pueden propo-
ner modelos de regresin cuadrtica, cbica o de orden
superior, donde depende exclusivamente de x1, como se
muestra en (2).
Ingeniera Solidaria / Volumen 10, Nmero 17 / enero - diciembre 2014
y = 0 + 1 x1 + 2 x12 ++ p x1p + (2)
El inters particular de este artculo es mostrar si-
tuaciones en las que se aplica la regresin polinmica
con k 3. Dentro de las aplicaciones que se modelan
con funciones polinmicas de orden mayor que dos se
pueden mencionar fenmenos de la fsica y la ingenie-
ra relativos a la medicin de flujos o caudales; el llena-
do o vaciado de tanques o cualquier tipo de recipientes;
y situaciones en las cuales el volumen vara en funcin
del tiempo y de la geometra del recipiente [5].
En Economa, para determinar los valores en los
cuales el ingreso promedio es mximo o igual al ingre-
so marginal, se deben hacer clculos sobre funciones de
ingreso cbicas o de orden superior [6].
En Medicina, por medio de una funcin cbica se
puede determinar el nmero de semanas de gestacin
del feto en relacin con su longitud [7].
Infortunadamente, en la prctica profesional, es co-
mn confiar en la intuicin para juzgar cmo se relacio-
nan dos variables. Debido a ello, se hacen pronsticos a
tientas e incluso temerarios; sin embargo, si se tiene la
posibilidad de tomar datos y utilizar un procedimiento
estadstico de anlisis para determinar cmo lo conocido
se relaciona con el evento futuro, se podran tomar deci-
siones acertadas para mejorar procesos y procedimientos
que ocurren en casi todos los campos del conocimiento.
En este artculo, se describe el anlisis de regresin
donde intervienen una variable dependiente y una in-
dependiente, en una situacin particular del campo de
la salud, en la cual la relacin entre ellas se aproxima
por medio de una ecuacin cbica.
2. Materiales y mtodos
Para hacer el anlisis de regresin y determinar la rela-
cin entre las variables, se debe:
Hacer una grfica de los datos para observar qu
clase de curva describen los puntos y por tanto te-
ner una idea del modelo matemtico a usar
Encontrar la ecuacin particular que mejor se ajuste
a los datos y demostrar que la ecuacin particular
encontrada cumple con ciertos aspectos referentes a
los mritos de esta para hacer pronsticos [8].
Con el fin de poner en prctica esta metodologa,
se hace uso de una situacin real de las ciencias de la
 Estimacin y prediccin con el modelo de regresin cbica aplicado a un problema de salud 155

salud. En una encuesta de salud realizada en el 2009 Con ayuda de la hoja Excel se hace el anlisis de
en Espaa, se pregunt a las mujeres fumadoras (cerca regresin, que arroja la informacin de la tabla 2.
de 4 millones) por el nmero de cigarrillos que fuma-
ban diariamente [9]. La encuesta arroj los datos que Tabla 2. Anlisis de regresin cuadrtica
se muestran en la tabla 1. Estadsticas de la regresin
Coeficiente de correlacin
Tabla 1. Porcentaje de mujeres en Espaa que consumen cigarri- 0,76448317
mltiple
llos diariamente, por edad y nmero de unidades Coeficiente de
0,584434517
Porcentaje de consumidoras determinacin R^2

Entre 1 y 9 Entre 10 y 19 20 o ms R^2 ajustado 0,376651775

Mujeres
unidades unidades unidades Error tpico 9,946306565
De 16 a 24 aos 43,7 34,2 22,1 Observaciones 7
De 25 a 34 aos 41,3 39,5 19,2 ANLISIS DE VARIANZA
De 35 a 44 aos 32,9 39,6 27,5 Grados de libertad Suma de cuadrados
De 45 a 54 aos 29,5 34,0 36,5 Regresin 2 556,5190857
De 55 a 64 aos 23,7 32,7 43,6 Residuos 4 395,7160571
De 65 a 74 aos 31,4 32,3 36,3 Total 6 952,2351429
De 75 y ms aos 59,3 34,1 6,6 Promedio de los cuadrados F Valor crtico de F
* Se ajusta el ltimo intervalo de la tabla 1 de 75 a 84 aos, asumiendo 278,2595429 2,81272 0,172694671
que el porcentaje de mujeres mayores de 84 que sean fumadoras no es 98,92901429
significativo
Fuente: [9] Fuente: elaboracin propia

Luego se procede a realizar la grfica de disper- El coeficiente de determinacin expresado como un

sin para observar si existe una posible relacin y de porcentaje indica la variacin de los valores de la variable
qu tipo es (vase figura 1). independiente que se puede explicar con la ecuacin de
regresin [10]; la relacin matemtica se muestra en (4).
60,0
ssr
r2 = (4)
sst
Porcentaje

40,0
Donde, usualmente, el coeficiente de determina-
cin aumenta siempre a medida que se agregan varia-
20,0
bles independientes (zj) al modelo general de la ecuacin
(1). Por lo tanto, se prefiere ajustar r2 para evitar una
0,0 sobre estimacin del impacto de agregar otra variable
0 20 40 60 80 100 independiente.
edad (aos) de muestreo El coeficiente de determinacin ajustado es [11],
como se muestra en (5).
Figura 1. Porcentaje de mujeres espaolas consumidoras de 20 o
ms cigarrilos (segn los datos de la tabla 1)
ssr = ( yi y )
2
Fuente: elaboracin propia
(5)
ssr = ( yi y )
2

La figura 1 de dispersin nos sugiere que existe una

relacin curvilnea entre las variables. Se utiliza primero
Donde n es el nmero de observaciones y p es el
el modelo de regresin cuadrtica, dado por (3).
grado del polinomio del modelo caracterizado por la
ecuacin(2).
y = 0 + 1 x1 + 2 x12 + (3) As, pues, al aumentar el grado del polinomio el
ajuste de la curva a las observaciones ser mejor pero
el nmero de datos tambin debe ser mayor [12], [13].
156 Aplicaciones de la ingeniera en otras disciplinas Ingeniera Solidaria / Volumen 10, Nmero 17 / enero - diciembre 2014

De acuerdo con la tabla 2, el coeficiente de deter-
minacin R2 y el de determinacin ajustada son bajos;
por lo tanto, no hay un buen ajuste de la curva con los
puntos (figura 2). Adems, el valor del estadstico de
prueba F es menor que el valor observado en una tabla
de distribucin F para un nivel de significancia del 0,05
con dos grados de libertad en el numerador y cuatro en
el denominador (2,81 < 6,94); por lo tanto, este modelo
de regresin no es significativo.
60,0
Dado que la regresin cuadrtica no es significati-
va, se procede a hacer el anlisis con el modelo cbico.
Al tomar slo los cuatro primeros trminos de la ecua-
cin (2), se tiene el modelo de regresin cbica presen-
tado en (6).
y = 0 + 1 x1 + 2 x12 + 3 x13 + (6)
Este es el modelo de tercer orden con una varia-
ble predictora [11] y la ecuacin estimada de regresin
se aprecia en (7).

40,0 y = b0 + b1 x + b2 x 2 + b3 x 3 (7)
Porcentaje

20,0
0,0
0 20
Figura 2. Funcin cuadrtica estimada de ajuste
Fuente: elaboracin propia
Una vez ms con ayuda de la hoja de clculo Ex-
cel, se desarrolla el anlisis, y se obtiene los resultados
mostrados en la tabla 3 y 4.
40 60 80 100 Los resultados de la regresin muestran que el
edad ajuste de la ecuacin cbica con las observaciones es
muy alto (r2 = 99%; tabla 3).
La relacin encontrada es estadsticamente signi-
ficativa ya que el estadstico de prueba F es mucho ma-

Tabla 3. Anlisis de regresin del modelo cbico

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,99883467
Coeficiente de determinacin R^2 0,9976707
R^2 ajustado 0,9953414
Error tpico 0,85985279
Observaciones 7

Coeficientes Error tpico Estadstico t Probabilidad

Intercepcin 94,198 5,6897 16,5558 0,0005
Variable X 1 -6,59225 0,4091 -16,115 0,00052
Variable X 2 0,17673 0,0088 20,0241 0,000272
Variable X 3 -0,00135 5,8E-05 -23,07 0,00018
Fuente: elaboracin propia

Tabla 4. Prueba de significancia de la regresin cbica

ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresin 3 950,017102
Residuos 3 2,21804048
Total 6 952,235143
Promedio de los cuadrados F Valor crtico de F
316,672367 428,313691 0,00019071
0,73934683
Fuente: elaboracin propia
 Estimacin y prediccin con el modelo de regresin cbica aplicado a un problema de salud 157

yor que el valor observado en una tabla de distribucin 1

F con una significancia de 0,05 y tres grados de libertad

Residuos estandares
0,5
en el numerador y en el denominador F0,5 = 9,28. Por
ello, la probabilidad o valor crtico es casi cero (tabla 4). 0

Al remplazar los valores de los coeficientes de regre- 0,5

sin (tabla 3) en (7) se tiene (8). -1

y = 94,198 6,5922 x + 0,176729 x 2 0,001349 x 3 (8) 1,5

-2
0 5 10 15 20 25 30 35 40 45
Al graficar la curva de (8) se observa un ajuste casi
perfecto con los datos originales (figura 3). Valor estimado de y
Figura 4. Grfica de residuales de la relacin cbica
50,0 Fuente: elaboracin propia

40,0
Porcentaje

30,0
3. Resultados
20,0 El anlisis de regresin con la ecuacin cbica obtenida
10,0 a partir de los datos demuestra que existe una relacin
estadsticamente significativa entre las variables, y el
0,0 ajuste que proporciona es mejor que lo obtenido con la
0 20 40 60 80 100
edad ecuacin cuadrtica. Por tal motivo, esta expresin pue-
Figura 3. Grfica de la ecuacin de regresin cbica de usarse para hacer estimaciones y predicciones de va-
Fuente: elaboracin propia lores de la variable dependiente (porcentaje de mujeres
que fuman 20 o ms cigarrillos diarios) a partir de va-
Sin embargo, no se puede pasar por alto la valida- lores de la variable independiente (edad de las mujeres)
cin de los supuestos del modelo acerca del trmino de que estn dentro del rango de la muestra, pero diferentes
error: la homocedasticidad, E() = 0 y distribucin nor- a los observados, como se detalla a continuacin.
mal de [14], [15], [16].
La relacin cbica encontrada cumple con los su- 3.1 Estimacin de intervalo
puestos del modelo, dado que los residuos estanda-
Al hacer una estimacin puntual de un valor de y dado
rizados (ezi) se encuentran entre -2 y 2 desviaciones
un valor de x, no se tiene idea alguna de la precisin aso-
estndar (tabla 5 y figura 4) demostrando con ello una
ciada con el valor estimado. Por ello, aunque la regresin
distribucin normal del factor de error y no se eviden-
tenga un gran ajuste y sea estadsticamente significativa,
cia aumento en la varianza conforme aumenta y .
no se deben hacer estimaciones de valores de y simple-
Tabla 5. Anlisis de residuales de la relacin cbica mente remplazando valores de x en (8).
El estimado de intervalo de prediccin se usa
Anlisis de los residuales
cuando se desea un estimado de intervalo de valor indi-
Pronstico Residuos
Residuos vidual de y que corresponda a determinado valor de x.
para Y estndares
Supngase que se desea estimar el porcentaje de
x y y ei = y y ezi
mujeres fumadoras de 50 aos de edad que fuman 20
20 22,1 22,2469 -0,16690476 -0,27451 o ms cigarrillos diarios. Remplazando x por 50 en (8),
30 19,2 19,0445 0,19547619 0,3215 se tiene:
40 27,5 26,8931 0,63690476 1,0475
50 36,5 37,6943 -1,16428571 -1,91492 y = 94,198 6,5922(50 ) + 0,176729(50 ) 0,001349(50 )
2 3

60 43,6 43,34977 0,2202381 0,36223

y = 37,69428571
70 36,3 35,7612 0,52880952 0,86974
80 6,6 6,8302 -0,2502381 -0,041157
Para determinar un estimado del intervalo de
Fuente: elaboracin propia prediccin, debemos determinar primero la varianza
158 Aplicaciones de la ingeniera en otras disciplinas
asociada al empleo de como estimado de un valor in-
dividual de y. Esta varianza est formada por la suma
de dos componentes:
La varianza de los valores individuales de y respecto
del promedio cuyo estimado es s2
La varianza asociada al uso de y para estimar E(y)
cuyo estimado es s y p
As, el estimado de la varianza de un valor indivi-
dual est dado por (9):
2
sind = s 2 + s y p (9)
Por consiguiente, un estimado de la desviacin es-
tndar de un valor individual de y est dado por (10).
( )
2
1 xp x
sind = s 1 + + (10)
n Sxx
La ecuacin general para un estimado del interva-
lo de prediccin para un valor individual de y dado un
valor particular de x es:
y t /2 Sind
En donde el coeficiente de confianza es 1 y t /2
se basa en una distribucin t con n4 grados de libertad.
Para determinar un estimado de intervalo de pre-
diccin del 95% para el porcentaje de mujeres fumadoras
de 50 aos de edad que fuman 20 o ms cigarrillos dia-
rios, se necesita el valor de t para /2=0.025 y n4= 3 gra-
dos de libertad. As, con y p = 37,6943 t0,025 = 3,182 y
sind = 0,859853, se tiene:
37,6943 3,182 0,859853
37,6943 2,736
Entonces, con una confianza del 95% se puede de-
cir que el porcentaje de mujeres fumadoras de 50 aos
de edad que fuman 20 o ms cigarrillos diarios se en-
cuentra entre 34,96% y 40,43%.
Ingeniera Solidaria / Volumen 10, Nmero 17 / enero - diciembre 2014
4. Discusin
Estimacin de los parmetros
del modelo de regresin
Uno de los conceptos fundamentales sobre el que se
ha basado este anlisis, es que la ecuacin de regresin
cbica obtenida a partir de los datos de la muestra es
un estimado de los parmetros del modelo para la po-
blacin. Por lo tanto, es posible determinar intervalos
de confianza para los coeficientes de la ecuacin de
regresin.
El anlisis de regresin con Excel muestra, por
defecto, el intervalo de confianza del 95% para cada
uno de los parmetros.
La tabla 6 muestra los valores inferior y superior
para el intervalo de confianza del 95% de los parme-
tros del modelo.
Tabla 6. Intervalos de confianza
Coeficientes Inferior 95% Superior 95%
Intercepcin 94,19786 76,0906525 112,305062
Variable X 1 -6,59225 -7,894107 -5,2904
Variable X 2 0,17673 0,148642 0,20481753
Variable X 3 -0,00135 -0,0015359 -0,00116353
Fuente: elaboracin propia
En la estimacin y la inferencia, un error comn es
suponer que la lnea de regresin, as el ajuste sea muy
bueno (valor de r2 muy alto), puede aplicarse en cual-
quier intervalo de valores. Aun cuando una relacin se
cumpla para el intervalo de puntos de la muestra, pue-
de existir una relacin completamente distinta para un
intervalo diferente. Por ejemplo, la relacin edad y talla
puede ser lineal para cierto intervalo del crecimiento de
los nios en su primera infancia pero en la adolescen-
cia esa relacin ya no es lineal.
Una ecuacin de estimacin es vlida para el mis-
mo rango dentro del cual se tom la muestra inicialmen-
te [10]. Sin embargo, si el investigador tiene la certeza de
que el comportamiento entre las variables ser el mismo
en otros intervalos fuera del rango de la muestra, enton-
ces puede usar la ecuacin para hacer predicciones.
En particular, para la situacin que se ha analiza-
do no se puede asegurar que el comportamiento de las
 Estimacin y prediccin con el modelo de regresin cbica aplicado a un problema de salud
mujeres fumadoras mantenga la misma tendencia que
describe la ecuacin hallada para aquellas con edades su-
periores a 84 aos y menores de 16 aos, pues si se asu-
me que el consumo de cigarrillo en nias inicia desde los
14 aos y se utiliza la ecuacin para determinar el por-
centaje, se obtiene un 32,8% que sera aproximadamente
un 50% mayor que el consumo a la edad de 20 aos. Por
esta razn, solo se puede utilizar la ecuacin cbica en-
contrada para conocer el porcentaje de consumo de 20 o
ms cigarrillos diarios en mujeres de cualquier edad es-
pecfica en el rango de 16 a 84 aos.
Finalmente, es importante mencionar que se puede
cometer otro error al utilizar el anlisis de regresin, y es
suponer que un cambio en una variable es ocasionado
por un cambio en la otra variable. Los anlisis de regre-
sin y correlacin no pueden, de ninguna manera, de-
terminar la causa y el efecto. Si se dice, por ejemplo, que
existe una relacin entre el nmero de canas y de arrugas
que van apareciendo en una persona, no se puede decir que
una ocasiona la otra pues es muy posible que existan
otras variables asociadas que sean la causa; en este caso la
edad de la persona, por ejemplo. La validez de una con-
clusin de tipo causa y efecto requiere de una justifica-
cin terica, o del buen juicio por parte del analista [17].
5. Conclusiones
El anlisis de regresin es una herramienta matem-
tica poderosa que permite determinar modelos sobre
el comportamiento de las variables que intervienen en
una situacin en cualquier campo del conocimiento
con el fin de hacer estimaciones y predicciones dentro
de un intervalo de confianza deseado.
Dentro de estos modelos, que pueden ser linea-
les o no lineales, se encuentra el modelo de regresin
polinmico de tercer orden que se ajusta de manera
adecuada a situaciones aplicadas a la salud como el por-
centaje de mujeres espaolas que consumen ms de 20
cigarrillos diarios con relacin a su edad. Este modelo
tambin es muy utilizado en economa para la solucin
de problemas de optimizacin de precios e ingresos.
Esta herramienta de anlisis estadstico propor-
ciona al profesional la posibilidad de hacer ajustes en
los procesos, tomar decisiones o establecer polticas.
Por ejemplo, si un profesional de la administracin uti-
liza la regresin de tercer orden podra estimar el ingre-
so promedio mximo en un proceso de venta, as como
optimizar el proceso de inventario en los almacenes. De
igual forma, los funcionarios de la administracin de la
159
salud pblica en Espaa, a partir del anlisis de regre-
sin hecho con respecto al consumo de cigarrillos ob-
servado en las mujeres, podran establecer polticas que
disminuyan estos indicadores.
Referencias
[1] J. E. Freund y G. A. Simon, Estadstica elemental, 8a ed.,
Mxico: Prentice Hall, 1994.
[2] J. L. Devore, Probabilidad y estadstica para ingeniera y
ciencias, 6a ed., Mxico: Thomson Learning, 2005.
[3] R. E. Walpole y R. H. Myers, Probabilidad y estadstica
para ingenieros, 6a ed., Mxico: Prentice Hall, 1999.
[4] H. Mendoza, J. Vargas, L. Lpez y G. Bautista, Mtodos
de regresin, 2002. [En lnea]. Disponible en: http://
www.virtual.unal.edu.co/cursos/ciencias/2007315/
[ltimo acceso: 2 octubre 2013].
[5] F. De Mendiburu, Modelos no lineales, 2006. [En
lnea]. Disponible en: http://tarwi.lamolina.edu.
pe/~fmendiburu/index-filer/academic/Foreste-
ria%20I/Teoria/Teoria%20modelos%20no%20lineales.
pdf [ltimo acceso: 12 septiembre 2013].
[6] A. Sancho y G. Serrano, Econometra de Econmicas:
apuntes para el tema 6, 2006. [En lnea]. Disponible en:
http://www.uv.es/~sancho/panel.pdf
[7] H. Mendoza y G. Bautista, Bioestadstica fundamen-
tal, 2002. [En lnea]. Disponible en: http://www.virtual.
unal.edu.co/cursos/ciencias/2001091/
[8] L. A. Muoz R., Comprobacin de los supuestos del
modelo de regresin lineal, 2006. [En lnea]. Disponi-
ble en: http://augusta.uao.edu.co/moodle/file.php/284/
18_supuestos_de_la_regresion_lineal.pdf [ltimo
acceso: 26 noviembre 2013].
[9] Ministerio de Sanidad, Servicios Sociales e Igual-
dad, Encuesta Europea de Salud en Espaa, 2009.
[En lnea]. Disponible en: https://www.msssi.gob.es/
estadEstudios/estadisticas/ EncuestaEuropea/Prin-
cipales_Resultados_Informe.pdf [ltimo acceso: 20
octubre 2013].
[10] R. I. Levin y D. S. Rubin, Estadstica para administracin
y economa, Mxico: Pearson Educacin, 2004.
[11] D. R. Anderson, D. J. Sweeney y T. A. Williams, Esta-
dstica para administracin y economa, 7a ed., vol. II,
Mxico: Thomson, 2001.
[12] A. Novales, Econometra, 2 ed., Madrid: McGraw-Hill,
1993.
[13] M. Evans y J. S. Rosenthal, Probabilidad y estadstica. La
ciencia de la incertidumbre, Barcelona: Revert S.A., 2005.
160 Aplicaciones de la ingeniera en otras disciplinas
[14] L. Orellana, Anlisis de regresin, 2008. [En l-
nea]. Disponible en: http://www.dm.uba.ar/materias/
estadistica_Q/2011/1/clase%20regresion%20simple.
pdf [ltimo acceso: 15 diciembre 2013].
[15] C. M. Lopera, Anlisis de Residuales, 2002. [En lnea].
Disponible en: http://www.docentes.unal.edu.co/cmlo-
pera/docs/Estad2/2_RLM/2.(Complemento)Anlisis
de Residuales y Otros en RLM.pdf [ltimo acceso: 10
noviembre 2013].
Ingeniera Solidaria / Volumen 10, Nmero 17 / enero - diciembre 2014
[16] P. Pacheco, Verificacin de supuestos, 2012. [En lnea].
Disponible en: http://www.virtual.unal.edu.co/cursos/
ciencias/dis_exp/und_3/pdf/validaciondesupuestosuni-
dad 3b[1].pdf [ltimo acceso: 12 diciembre 2013].
[17] D. F. Cardona, J. L. Gonzlez, M. Rivera y E. H. Crde-
nas, Mdulo de regresin lineal, Bogot: Universidad del
Rosario, 2013.