nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
Instituto Tecnológico del Occidente del
Estado de Hidalgo
División de Ingeniería Industrial
Estadística Inferencial ll
Investigación
Presenta:
16011157 Aguilar Mendoza Álvaro Fredi
Semestre y Grupo
5U4A
Docente:
M. M. A. Nelly Ana Laura Jiménez Z.
Fecha: 21/01/2021
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
Regresión Lineal Múltiple
En muchas situaciones prácticas, hay varias variables independientes que se cree
afecta o está relacionado con una variable de respuesta, y por lo tanto será
necesario tener en cuenta si desea predecir o comprender mejor el comportamiento
de Y; Por ejemplo, para explicar o predecir el consumo de electricidad en una casa.
en la habitación puede ser necesario considerar el tipo de vivienda, el número de
personas que viven en él, la temperatura media de la zona, etc.
Sea variables independientes o regresivas y sea una variable respuesta, luego el
modelo de regresión lineal múltiple con variables independiente es el polinomio de
primer orden.
Donde los son los parámetros del modelo que se conocen como coeficientes
de regresión y es el error aleatorio, con media cero,
Si en la ecuación, estamos en el caso de regresión lineal simple y el modelo es una
línea recta; si , tal ecuación representa un plano. En general, la ecuación
representa un hiperplano en el espacio de dimensiones generado por las variables.
Estas ecuaciones se pueden resolver para mediante cualquier
método apropiado para resolver sistemas de ecuaciones lineales
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
Pruebas de hipótesis en regresión lineal múltiple.
Las hipótesis sobre los parámetros del modelo son equivalentes a las realizadas
para regresión lineal simple, pero ahora son más necesarias porque en regresión
múltiple tenemos más parámetros en el modelo; sin embargo, por lo general es
necesario evaluar su verdadera contribución a la explicación de la respuesta.
También requerimos de la suposición de que los errores se distribuyen en forma
normal, independientes, con media cero y varianza Una
consecuencia de esta suposición es que las observaciones son:
La hipótesis global más importante en un modelo de regresión múltiple es ver si la
regresión es significativa. Esto se logra probando lo siguiente Hipótesis:
Aceptar significa que ningún término o variable en el modelo tiene contribución
significativa para explicar la variable respuesta. Mientras que el rechazo implica que
al menos un término del modelo contribuye significativamente a explicar Y. El
procedimiento para probar esta hipótesis es una generalización del procedimiento
utilizado para probar la hipótesis equivalente en regresión lineal simple.
El estadístico de prueba para la significancia del modelo de regresión lineal múltiple
esta dado por:
Intervalos de confianza y predicción en regresión
múltiple.
En los modelos de regresión múltiple con frecuencia es conveniente construir
estimaciones de intervalos de confianza para los coeficientes de regresión.
Por ejemplo, a partir de la tabla 1.6 es claro que un estimador por intervalos de cada
coeficiente en lo individual está dado por:
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
Análisis de regresión múltiple.
También es posible obtener un intervalo de confianza con respecto a la respuesta
media en un punto particular, digamos está dado por:
Uso de un software estadístico.
Para capturar la tabla de datos para el análisis de regresión lineal múltiple,
primeramente, capturamos los datos en la hoja de cálculo, posteriormente
activamos Datos seguido de Análisis de datos y seleccionamos Regresión, y
aceptar.
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
En la ventana de captura se solicitará el rango de celdas donde se encuentran los
datos para la variable dependiente Rango de entrada y para la(s) variable(s)
regresora (s) Rango de entrada (para los datos de X1 y X2, se sombrean ambos
simultáneamente con el ratón, en este caso a partir de la columna 2).
Activamos la casilla de rótulos, por default está indicado en una hoja nueva,
seleccionamos además cualquiera de las opciones de residuos, grafica de
residuales, y curva de regresión ajustada y aceptar y tendremos el resultado.
Utilizando Minitab
En Minitab la secuencia de captura para la regresión lineal simple o múltiple en la
hoja de cálculo una vez capturada las columnas de datos seleccionamos
Estadísticas luego Regresión seguida de Regresión nuevamente.
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
De la ventana desplegada en respuesta indicamos la variable de respuesta, en este
caso es resistencia y en predictor indicamos porcentaje de fibra activando también
cualquiera de las opciones posibles, terminando en aceptar.
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
Regresión no lineal
Si las dos variables X y Y se relacionan según un modelo de línea recta, se habla
de regresión lineal simple.
Cuando las variables X y Y se relacionan según una línea curva, se habla de
regresión no lineal o curvilínea. Aquí se puede distinguir entre regresión
parabólica, exponencial, potencial etc.
Parábola de Regresión
En muchos casos, es una función de segundo grado la que se ajusta lo suficiente
a la situación real dada.
La expresión general de un polinomio de 2º grado es:
donde a, b y c son los parámetros.
El problema consiste, por tanto, en determinar dichos parámetros para una
distribución dada. Seguiremos para ello, un razonamiento similar al que hicimos en
el caso del modelo de regresión lineal simple, utilizando el procedimiento de ajuste
de los mínimos cuadrados, es decir, haciendo que la suma de los cuadrados de las
desviaciones con respecto a la curva de regresión sea mínima.
donde, siguiendo la notación habitual, yi son los valores observados de la variable
dependiente, e los valores estimados según el modelo; por tanto, podemos escribir
D de la forma.
Para encontrar los valores de a, b y c que hacen mínima la expresión anterior,
deberemos igualar las derivadas parciales de D con respecto a dichos parámetros
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
regresión lineal simple).
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
nstituto Tecnológico Superior del Occidente del Estado de Hidalgo
Dirección General
“2020, Año de Leona Vicario, Benemérita Madre de la Patria”
Referencias
Jimenez, R. (2012). Estadistica Inferencial II (2 o Revisado ed.). Raul Jimenez.
Mixquiahuala de Juárez, Hgo, Septiembre 07, 2020
