Tarea 4

Juana Czares Escareo

Dr. Julin Gonzlez Trinidad
8A
TEORA DE MATRICES RESOLUCION DE UN MODELO DE REGRESIN
LINEAL MLTIPLE
Tarea 4.- Investigar la aplicacin de teora de matrices para resolver el modelo
de regresin lineal mltiple.
INTROCUCCIN
El concepto de matriz alcanza mltiples aplicaciones tanto en la representacin
y manipulacin de datos como en el clculo numrico y simblico que se deriva
de los modelos matemticos utilizados para resolver problemas en diferentes
disciplinas como, por ejemplo, las ciencias sociales, las ingenieras, economa,
fsica, estadstica y las diferentes ramas de las matemticas entre las que
destacamos las ecuaciones diferenciales, el clculo numrico y, por supuesto,
el lgebra.
Con frecuencia, nos encontramos con modelos en los que el comportamiento
de una variable, Y, se puede explicar a travs de una variable X; lo que
representamos mediante
Y = f(X) (1)
Si consideramos que la relacin f, que liga Y con X, es lineal, entonces (1) se
puede escribir as:

Y t =1 + 2 X t .. (2)
Como quiera que las relaciones del tipo anterior raramente son exactas, sino
que ms bien son aproximaciones en las que se han omitido muchas variables
de importancia secundaria, debemos incluir un trmino de perturbacin
aleatoria, ut , que refleja todos los factores distintos de X -que influyen sobre
la variable endgena, pero que ninguno de ellos es relevante individualmente.
Con ello, la relacin quedara de la siguiente forma:
Modelo de regresin simple:

Y t =1 + 2 X t +u t (3)

La expresin anterior refleja una relacin lineal, y en ella slo figura una nica
variable explicativa, recibiendo el nombre de relacin lineal simple. El
calificativo de simple se debe a que solamente hay una variable explicativa.
Supongamos ahora que disponemos de T observaciones de la variable Y (Y 1, Y2,
, Yt) y de las correspondientes observaciones de X (X 1, X2,, XT). Si hacemos
extensiva (3) a la relacin entre observaciones, tendremos el siguiente
conjunto de T ecuaciones:

Y 1= 1+ 2 X 1 +u1

Tarea 4
Juana Czares Escareo
Dr. Julin Gonzlez Trinidad
8A

Y 2= 1 + 2 X 2 +u2
... .

Y t =1 + 2 X t +u t
El sistema se puede escribir abreviadamente de la siguiente manera

Y t =1 + 2 X t +u t

Donde t=1, 2,,t

OBJETIVO:
Se busca entender que es un modelo de regresin lineal mltiple, para
ayudarnos a resolver problemas en el rea de hidrologa de una madera ms
rpida y acertada.
ANTECEDENTES
Dado un conjunto X, se denomina matriz de n filas y m columnas a un
conjunto de nm elementos de X, dispuestos en un arreglo rectangular de n
filas y m columnas. Las caractersticas de los elementos del conjunto X
dependern, en cada caso, de la naturaleza del problema que se est
estudiando. X puede ser un conjunto de funciones, de palabras de un alfabeto,
de nmeros, etc. De aqu en adelante, salvo que se especifique lo contrario, los
elementos del conjunto X sern nmeros reales y denotaremos el conjunto de
todas las matrices de
orden nm (n filas y m
columnas) por Mnm

METODOLOGA:
Para la realizacin de esta tarea se recurri a una herramienta sin duda
prctica y fcil de usar, la Internet, de ah se extrajo la informacin aqu
presentada recurriendo a varias URL de las cuales se seleccion lo ms
relevante.
RESULTADOS
El objetivo principal de la regresin es la determinacin o estimacin de 1 y 2
a partir de la informacin contenida en las observaciones de que disponemos.
Esta estimacin se puede llevar a cabo mediante diversos procedimientos. A
continuacin se analizan en detalle algunos de los mtodos posibles. Interesa,

Tarea 4
Juana Czares Escareo
Dr. Julin Gonzlez Trinidad
8A
en primer lugar, realizar una aproximacin intuitiva a diferentes criterios de
ajuste.
Para ello se utiliza la representacin grfica de las observaciones (X t,Yt), con t
= 1, 2,..., T. Si la relacin lineal de dependencia entre Y y X fuera exacta, las
observaciones se situaran a lo largo de una recta. En ese caso, las
estimaciones ms adecuadas de 1 y 2 de hecho, los verdaderos valores
seran, respectivamente, la ordenada en el origen y la pendiente de dicha
recta.
Al ajustar un modelo de regresin lineal mltiple en particular cuando el
nmero de variables pasa de dos, el conocimiento de la teora matricial puede
facilitar las manipulaciones matemticas de forma considerable.
Suponga que el experimentado tiene k variables independientes x 1, x2,, xk y n
observaciones y1, y2,, yn cada una de las cuales se pueden expresar por la
ecuacin
Yi=b0+b1x1i+b2x2i++ bkxki+ei
Este modelo en esencia representa n ecuaciones que describen cmo se
generan los valores de respuesta en el proceso cientfico. Con el uso de la
notacin matricial, podemos escribir la ecuacin Y=Xb+e
Donde

Entonces la solucin de mnimos cuadrados para la estimacin de b que se

ilustra en la seccin Estimacin de coeficientes, Regresin lineal Mltiple
implica encontrar b.
Para realizar un anlisis de regresin lineal mltiple se hacen las siguientes
consideraciones sobre los datos:
a) Linealidad: los valores de la variable dependiente estn generados por el
siguiente modelo lineal: Y = X * B +U b)
b) Homocedasticidad: todas las perturbaciones tienen las misma varianza: 2 V
(ui) = 2
c) Independencia: las perturbaciones aleatorias son independientes entre s: E
(ui uj) = 0, j
d) Normalidad: la distribucin de la perturbacin aleatoria tiene distribucin
normal: U N(0, 2)
e) Las variables explicativas Xk se obtienen sin errores de medida.
Si admitimos que los datos presentan estas hiptesis entonces el teorema de
Gauss-Markov establece que el mtodo de estimacin de mnimos cuadrados

Tarea 4
Juana Czares Escareo
Dr. Julin Gonzlez Trinidad
8A
va a producir estimadores ptimos, en el sentido que los parmetros estimados
van a estar centrados y van a ser de mnima varianza.
Las tcnicas para invertir esta matriz se explican en la mayora de los libros de
texto sobre determinantes y matrices elementales. Por supuesto, MATLAB
dispone de muchos paquetes de computadora de alta velocidad para
problemas de regresin mltiple, paquetes que no slo imprimen estimaciones
de los coeficientes de regresin, sino que tambin proporcionan otra
informacin relevante para hacer inferencias respecto a la ecuacin de
regresin.
CONCLUSIONES
Una vez estimado y validado el modelo de regresin, se puede emplear este
para hacer predicciones. El anlisis de regresin y correlacin lineal constituyen
mtodos que se emplean para conocer las relaciones y significacin entre
series de datos.
La regresin lineal simple y la regresin mltiple, analiza la relacin de dos o
ms variables continuas, cuando analiza dos variables a esta se le conoce
como variable bivariantes que pueden corresponder a variables cualitativas. La
finalidad de una ecuacin de regresin es la de estimar los valores de una
variable con base en los valores conocidos de la otra. Del mismo modo, una
ecuacin de regresin explica los valores de una variable en trminos de otra.
Es decir, se puede intuir una relacin de causa y efecto entre dos o ms
variables.
Por otro lado, al ajustar un modelo de regresin simple o mltiple a un conjunto
de observaciones es importante disponer de alguna medida que permita medir
la bondad del ajuste. Esto se consigue con los coeficientes de correlacin. Si el
modelo que se ajusta es un modelo de regresin lineal, a R se le denomina
coeficiente de correlacin y representa el porcentaje de variabilidad de la Y que
explica el modelo de regresin.
Estas tcnicas estadsticas constituyen una herramienta til para el anlisis de
las variables de un proceso ya que a travs de la aplicacin de stas, es posible
conocer el modelo que siguen y la fuerza con que se encuentran relacionadas.
Asimismo, es posible explicar la relacin que guardan dos o ms causas de un
posible defecto.
BIBLIOGRAFA
http://www.uv.es/uriel/material/Morelisi.pdf
http://148.204.211.134/polilibros/portal/polilibros/P_Terminados/MetNumGarzo/53.html
http://ocw.upm.es/estadistica-e-investigacion-operativa/introduccion-ala-estadistica-basica-el-diseno-de-experimentos-y-la-regresionlineal/contenidos/Material-de-clase/Regresion-lineal-multiple.pdf
http://www.virtual.sepi.upiicsa.ipn.mx/mdid/regrcorr.pdf