Introducción:

La hipótesis de Galileo fue un ensayo para poder dar respuesta a a uno de los fenómenos más
comunes que ha sido visto por todas las personas del planeta

Galileo La ley de Galileo de la caída libre establece que la distancia recorrida por un objeto lanzado
desde cierta altura es proporcional al cuadrado del tiempo de viaje.

Y como el tiempo depende únicamente de la altura, todos los objetos que caen desde la misma
altura, independientemente de su masa, llegan al suelo al mismo tiempo.

El análisis de regresión lineal se utiliza para predecir el valor de una variable en función del valor de
otra variable. La variable que desea predecir se llama variable dependiente. La variable que usas
para predecir el valor de otra variable se llama variable independiente.
Esta forma de análisis estima los coeficientes de una ecuación lineal que involucra una o más
variables independientes que predicen mejor el valor de la variable dependiente. La regresión lineal
ajusta una línea o superficie para minimizar la diferencia entre los valores de salida previstos y
reales.
Marco Teórico:

REGRESIÓN LINEAL
Es una técnica de modelado estadístico que se emplea para describir una variable de respuesta
continua como una función de una o varias variables predictoras. Nos sirve para comprender y
predecir el comportamiento de sistemas complejos o a analizar datos experimentales.

Algunas de sus características son:

• Predice el comportamiento de una variable a partir de otra.
• Tiene presunciones como la linearidad de la relación, la normalidad, la aleatoridad de la muestra y
homogeneidad de las varianzas.
• La regresión no prueba causalidad.
• Un artículo que usa regresión debe mencionar o mostrar que se analizó la “nube de puntos” y que
se hizo un análisis de los residuales.
• La línea de regresión no se extiende más allá de los datos obtenidos.

NUBE DE PUNTOS
A partir de la nube de puntos podemos observar como se relacionan las dos variables. Si al
aumentar o disminuir una de ellas, aumenta o disminuye la otra de forma sistemática, diremos que
existe correlación entre las dos variables.
La correlación puede ser:
• Fuerte: Si hay mayor alineamiento de los puntos de la nube.
• Débil: Si el alineamiento es menor, hay mas "dispersión" de los puntos.

Además puede ser:

• Positiva: Si al aumentar X aumenta Y
• Negativa: Si al aumentar X, disminuye Y

La correlación más o menos fuerte viene, por tanto, determinada por lo apretados que estén los
puntos de la nube en torno a una recta que llamaremos recta de regresión. El signo de la pendiente
de esta recta determina si la correlación es positiva o negativa.

En la regresión lineal se pueden realizar 3 modelos de análisis distintos los cuales son:
• Modelo de regresión lineal simple.
•  Modelo de regresión lineal múltiple.
•  Modelo de regresión multivariante.
Estos los distinguimos en función del número de variables y la forma de interactuar.

MODELO DE REGRESIÓN LINEAL SIMPLE

Son modelos que utilizan un único predictor y su ecuación general es:   Y=B0+BiX+ϵi

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

Son modelos que utilizan múltiples predictores, esta regresión tiene múltiples "Xi" para predecir la
respuesta "Y". Un ejemplo de su ecuación es:Y=β0+β1X1+β2X2+ϵ

MODELO DE REGRESIÓN MULTIVARIANTE

Son modelos para varias variables de respuesta, esta regresión tiene múltiples "Yi" que derivan de
los mismos datos "Y" y se expresan con fórmulas diferentes. Este es un ejemplo del sistema con 2
ecuaciones:
Y1=β01+β11X1+ϵ1Y1=β01+β11X1+ϵ1
Y2=β02+β12X1+ϵ2

El procedimiento a seguir puede dividirse en cuatro etapas:

1. La primera aproximación es a través de dibujar los puntos en un gráfico cartesiano que muestre la
relación entre las dos variables.
2. Luego se determina la ecuación de la línea que mejor describa dichos puntos.
3. A continuación se calcula la variabilidad de la muestra en torno a la línea de regresión calculada.
4. Finalmente se pueden hacer inferencias.

Si se grafican los valores de las dos variables en un gráfico de coordenadas, se pueden obtener
“nubes de puntos”

Finalmente podemos identificar una regresión lineal  de una no lineal porque a diferencia de
la regresión lineal tradicional, que está restringida a la estimación de modelos lineales, la regresión
no lineal puede estimar modelos con relaciones arbitrarias entre las variables independientes y las
dependientes. Esto se lleva a cabo usando algoritmos de estimación iterativos.
d T1 T2 T3 T4 T5 T6 Tm Tm2
1 1.61 1.67 1.64 1.65 1.64 1.62 9.83 96.62
0.8 1.41 1.45 1.47 1.45 1.42 1.43 9.83 96.62
0.6 1.02 1.02 1.05 1.08 1.07 1.03 6.27 39.31
0.4 0.78 0.81 0.78 0.82 0.8 0.79 4.78 22.84

X Y
96.62 1
96.62 0.8
39.31 0.6
22.84 0.4

X Y X2 X3 X4 XY X2Y
96.62 1 9335.4244 901988.706 87150148.7 96.62 9335.4244
96.62 0.8 9335.4244 901988.706 87150148.7 77.296 7468.33952
39.31 0.6 1545.2761 60744.8035 2387878.23 23.586 927.16566
22.84 0.4 521.6656 11914.8423 272134.998 9.136 208.66624
Sumas
totales 255.39 2.8 20737.7905 1876637.06 176960311 206.638 17939.5958

a∑x2+b∑x+cN=∑y

a∑x3+b∑x2+c∑x=∑x

a∑x4+b∑x3+c∑x2=∑x2y

a b c R
20737.7905 225.39 4 2.8
1876637.06 20737.7905 225.39 225.39
176960311 1876637.06 20737.7905 17939.5958
INVERSA

-3.1188E-05 -1.2476E-05 1.4161E-07

-0.00426277 0.00122356 -1.2476E-05
0.65189098 -0.00426277 -3.1188E-05

VALORES DE a, b Y c

a -0.000358835
b 0.04002589
c 0.305002126

x y
96.62 0.82242715
96.62 0.82242715
39.31 1.3239208
22.84 1.03200161

GRAFICA

Tabla h=10
1.6

1.4

1.2

0.8 y = -0.0004x2 + 0.04x + 0.305

0.6

0.4

0.2

0
0 20 40 60 80 100 120
d T1 T2 T3 T4 T5 T6 Tm Tm2

1 1.35 1.27 1.31 1.24 1.34 1.3 6.51 42.3801

0.8 0.9 0.87 1.86 1.81 1.81 1.83 9.08 96.62

0.6 0.8 0.81 0.84 0.84 0.81 0.83 4.93 24.3049

0.4 0.41 0.43 0.45 0.41 0.42 0.47 2.59 6.7081

X Y
42.3801 1
96.62 0.8
24.3049 0.6
6.7081 0.4

X Y X2 X3 X4 XY X2Y
42.3801 1 1796.07288 76117.7481 3225877.78 42.3801 1796.07288
96.62 0.8 9335.4244 901988.706 87150148.7 77.296 7468.33952
24.3049 0.6 590.728164 14357.589 348959.764 14.58294 354.436898
6.7081 0.4 44.9986056 301.855146 2024.87451 2.68324 17.9994422
Sumas
totales 170.0131 2.8 11767.224 992765.898 90727011.1 136.94228 9636.84874

a b c R
11767.224 170.0131 4 2.8
992765.898 11767.224 170.0131 170.0131
90727011.1 992765.898 11767.224 9636.84874

INVERSA

0.00062494 -4.062E-05 3.74449E-07

-
0.07715306 0.0046267 -4.06202E-05
-
1.69081063 0.07715306 0.000624938
VALORES DE a, b Y c

a -0.00154764
b 0.17912005
c -2.36032573

X Y
42.3801 2.45112173
96.62 0.49835718
24.3049 1.0789333
-
6.7081
1.22841228

GRAFICA

Tabla h: o.20 y = -0.0015x2 + 0.1791x - 2.3603

3.5
3
2.5
2
1.5
1
0.5
0
0 20 40 60 80 100 120
-0.5
-1
-1.5
d T1 T2 T3 T4 T5 T6 Tm Tm2
1 0.95 0.96 0.94 0.97 0.98 0.96 5.63 31.6969
0.8 0.83 0.85 0.86 0.85 0.83 0.87 4.91 24.1081
0.6 0.7 0.72 0.69 0.65 0.69 0.73 4.18 17.4724
0.4 0.41 0.4 0.43 0.43 0.44 0.46 2.57 6.6049

X Y
31.6969 1
24.1081 0.8
17.4724 0.6
6.6049 0.4

X Y X2 X3 X4 XY X2Y
31.6969 1 1004.69347 31845.6684 1009408.97 31.6969 1004.69347
24.1081 0.8 581.2004856 14011.6394 337794.004 19.28648 464.960388
17.4724 0.6 305.2847618 5334.05747 93198.7858 10.48344 183.170857
6.6049 0.4 43.62470401 288.136808 1903.1148 2.64196 17.4498816
Sumas
totales 79.8823 2.8 1934.803421 51479.5021 1442304.87 64.10878 1670.2746

a b c R
1934.80342 79.8823 4 2.8
51479.5021 1934.80342 79.8823 79.8823
1442304.87 51479.5021 1934.803421 1670.2746

INVERSA

-
0.01305151 0.00181746 4.80548E-05
- -
0.55243679 0.07168255 0.001817456
-
4.96945547 0.55243679 0.013051507

VALORES DE a, b Y c

a -0.02837368
b 1.14369355
c -8.41584619
 a -0.02837368
b 1.14369355
c -8.41584619

GRAFICA

GRAFICO h:0.30 y = -0.0284x2 + 1.1437x - 8.4158

20
0
0 20 40 60 80 100 120
-20
-40
-60
-80
-100
-120
-140
-160
-180
Conclusión:

La regresión lineal permite predecir el comportamiento de una variable (dependiente o predictora) a

partir de otra (independiente o predictora). Tiene supuestos como la linealidad de la relación, la
normalidad, la aleatoriedad de la muestra y la homogeneidad de la varianza. La regresión no prueba
causa y efecto.

Por otro lado en caída libre no se considera la resistencia del aire. Todos los objetos con este tipo
de movimiento tienen una aceleración hacia abajo, cuyo valor depende de dónde se encuentren.
REFERENCIAS

• Glantz SA. Primer of Biostatistics. 3a edición, New York: McGraw-Hill, 1992.

• Godfrey K. Simple Linear Regression in Medical Research. En Bailar III JC, Mosteller F.

Ponce, C. (2020, 1 noviembre). Galileo Galilei y su ley de caída libre. https://

bestiariotopologico.blogspot.com/2016/08/galileo-galilei-y-su-ley-de-caida-libre.html?m=1