INGENIERA INDUSTRIAL A DISTANCIA

ASIGNATURA:

ESTADSTICA INFERENCIAL II

PROFESOR:

M en T. E. CLAUDIA GEORGINA SANTIESTEBAN ALCNTARA

TRABAJO:

REGRESIN LINEAL MLTIPLE

ELABORADO POR:

JUAN ARTURO CORTS HERNNDEZ

MATRICULA: V15281616 GRUPO: AEF-1025

Metepec, Estado de Mxico a Febrero de 2017

Pgina 1 de 8
 UNIDAD 1. REGRESIN LINEAL MLTIPLE

1.1 Regresin Lineal Mltiple: La usamos cuando para determinar el comportamiento de una
variable de respuesta encontramos que distintas variables independientes influyen o estn
relacionadas con esta. Regularmente se identifican las variables Independientes o regresoras
como X1, X2, XK y la variable de respuesta se identifica como Y. Entonces el modelo de
regresin lineal mltiple con k variables independientes es el polinomio de primer orden:

La ecuacin representa un hiperplano en el espacio de k dimensiones generadas por las

variables {Xj}.
Ejemplo: La siguiente tabla muestra los pesos Y a la libra ms cercana, las estaturas X1
a la pulgada ms cercana y las edades X2 al ao ms cercano de 12 muchachos. Para
encontrar los coeficientes de regresin mltiple mediante el mtodo de mnimos
cuadrados seria de la siguiente manera:

Al sustituir las sumatorias calculadas en las ecuaciones normales, se obtiene

Pgina 2 de 8
 UNIDAD 1. REGRESIN LINEAL MLTIPLE

1.1.1 Pruebas de hiptesis en regresin lineal mltiple: La hiptesis global ms importante

sobre un modelo de regresin mltiple consiste en ver si la regresin es significativa. Esto se
logra probando la siguiente hiptesis:

Aceptar H0 significa que ningn trmino o variable en el modelo tiene una contribucin
significativa al explicar la variable de respuesta Y. Mientras que rechazar H0 implica que por lo
menos un trmino en el modelo contribuye de manera significativa a explicar
El estadstico de prueba para la significancia del modelo de regresin lineal mltiple est dado
por:

Pgina 3 de 8
 UNIDAD 1. REGRESIN LINEAL MLTIPLE

Ejemplo: Se probar la significacin de la regresin (con =0.05) utilizando los datos

de los pesos, estaturas y edades de la tabla anterior.

ANOVA para la significancia del modelo de regresin lineal mltiple

Coeficiente de determinacin: El que un modelo sea significativo no necesariamente implica

que sea bueno en trminos de que explique la variacin de los datos. Por ello es importante
tener mediciones adicionales de la calidad del ajuste del modelo, como las grficas de
residuales y el coeficiente de determinacin. Con la informacin del anlisis de varianza de la
tabla ANOVA es muy sencillo calcular el coeficiente de determinacin R2 y el coeficiente de
determinacin ajustado R2aj.

Para hablar de un modelo que tiene un ajuste satisfactorio es necesario que ambos
coeficientes tengan valores superiores a 0,7.
Ejemplo: utilizando los datos de los pesos, estaturas y edades de la tabla del ejemplo 1.

Pgina 4 de 8
 UNIDAD 1. REGRESIN LINEAL MLTIPLE

Coeficiente de correlacin mltiple: Es la raz cuadrada del coeficiente de determinacin R2

y es una medida de la intensidad de la relacin entre la variable dependiente, Y, y el conjunto
de variables o trminos en el modelo (X1, X2, , XK).
Error estndar de estimacin: el error estndar de estimacin proporciona la medida del
error de ajuste de un modelo, stas tienen una interpretacin similar a la que se dio para el
caso de regresin lineal simple. En cuanto al clculo en el caso mltiple, el error estndar de
estimacin:

En el caso del ejemplo de los pesos, estatura y edades tenemos

1.1.2. Intervalos de confianza y prediccin en regresin mltiple: En los modelos

de regresin mltiple con frecuencia es conveniente construir estimaciones de
intervalos de confianza para los coeficientes de regresin Bj

Pgina 5 de 8
 UNIDAD 1. REGRESIN LINEAL MLTIPLE

1.1.3 Uso de software estadstico: Para capturar la tabla de datos para el anlisis
de regresin lineal mltiple, primeramente capturamos los datos en la hoja de clculo,
posteriormente activamos Datos seguido de Anlisis de datos y seleccionamos
Regresin, y aceptar.

En la ventana de captura se solicitar el rango de celdas donde se encuentran los datos para
la variable dependiente Rango Y de entrada y para la(s) variable(s) regresora(s) Rango X de
entrada (para los datos de X1 y X2, se sombrean ambos simultneamente con el ratn, en
este caso a partir de la columna 2)

Pgina 6 de 8
 UNIDAD 1. REGRESIN LINEAL MLTIPLE

Activamos la casilla de rtulos, por default est indicado en una hoja nueva, seleccionamos
adems cualquiera de las opciones de residuos, grafica de residuales, y curva de regresin
ajustada y aceptar y tendremos el resultado.

1.2 Regresin no lineal: Cuando las variables X y Y se relacionan segn una lnea curva,
se habla de regresin no lineal o curvilnea. Aqu se puede distinguir entre regresin
parablica, exponencial, potencial etc.
PARBOLA DE REGRESIN: En muchos casos, es una funcin de segundo grado la que se
ajusta lo suficiente a la situacin real dada:

Donde a, b y c son parmetros

El problema consiste, por tanto, en determinar dichos parmetros para una distribucin dada.
Seguiremos para ello, un razonamiento similar al que hicimos en el caso del modelo de
regresin lineal simple, utilizando el procedimiento de ajuste de los mnimos cuadrados, es
decir, haciendo que la suma de los cuadrados de las desviaciones con respecto a la curva de
regresin sea mnima:

Para encontrar los valores de a, b y c que hacen mnima la expresin anterior, deberemos
igualar las derivadas parciales de D con respecto a dichos parmetros a cero y resolver el
sistema resultante. Las ecuaciones que forman dicho sistema se conocen como ecuaciones
normales de Gauss (igual que en el caso de la regresin lineal simple).

Pgina 7 de 8
 UNIDAD 1. REGRESIN LINEAL MLTIPLE

MODELO POTENCIAL: Si tomamos logaritmos en la expresin de la funcin potencial,

obtendremos:

MODELO EXPONENCIAL: Tomando logaritmos en la expresin de la funcin exponencial,

obtendremos:

MODELO LOGARTMICO: La curva logartmica

Es tambin una recta, pero en lugar de estar referida a las variables originales X e Y, est
referida a logX y a Y.
A pesar de ser inicialmente modelos mucho ms complejos que el de una recta, estos tres
ltimos se reducen al modelo lineal sin ms que transformar adecuadamente los datos de
partida.

Pgina 8 de 8