Instituto Tecnológico Superior de

Coatzacoalcos
División de Ingeniería Industrial

FEBRERO – JUNIO 2019

Nombre del Alumno: JIMÉNEZ RÍOS ANAHÍ

Apellido Paterno Apellido Materno Nombre(s)

ASIGNATURA: ESTADÍSTICA INFERENCIAL II

UNIDAD N° 1: REGRESIÓN LINEAL

MÚLTIPLE.

Nombre del Docente: JIMENEZ VENTURA BRICIO

Apellido Paterno Apellido Materno Nombre(s)

Carrera: Ing. Industrial Semestre: 4° Grupo: ¨C¨

No
Control: 17081067 Fecha: 14 / FEB / 19
 ÍNDICE
INTRODUCCIÓN 2
1.1 REGRESIÓN LINEAL MÚLTIPLE. 3
1.1.1 PRUEBAS DE HIPÓTESIS EN REGRESIÓN LINEAL MÚLTIPLE. 5
1.1.2 INTERVALOS DE CONFIANZA Y PREDICCIÓN EN REGRESIÓN 7
MÚLTIPLE.
1.1.3 USO DE UN SOFTWARE ESTADÍSTICO 7
1.2 REGRESIÓN NO LINEAL. 9
CONCLUSIÓN 14
REFERENCIAS BILIOGRÁFICAS 15
INTRODUCCIÓN
 1.1 REGRESIÓN LINEAL MÚLTIPLE.

La regresión lineal múltiple trata de explicar el comportamiento de Y con más de

una variable predictora usando una función lineal.
Alternativas para mejorar el modelo.
•Transformar la variable predictora, o la variable de respuesta Y, o ambas y usar
luego un modelo lineal.
•Usar regresión polinómica con una variable predictora.
•Conseguir más variables predictoras y usar una regresión lineal múltiple.

El modelo de regresión lineal múltiple con p variables predictoras y basado en n

observaciones está dado por:

en forma matricial:

Suposiciones del modelo

1.E(e)=0 2.Var(e)=σ2In Donde: •ees un vector columna aleatorio de dimensión n.
•Ines la matriz identidad de orden n

1.1.1 PRUEBAS DE HIPÓTESIS EN REGRESIÓN LINEAL MÚLTIPLE.

En cualquier análisis de regresión no basta hacer los cálculos que se explicaron

antes, sino que es necesario evaluar qué tan bien el modelo (la línea recta) explica
la relación entre X y Y.
Una primera forma de hacer esto es probar una serie hipótesis sobre el modelo.
Para ello es necesario suponer una distribución de probabilidad para el término de
error 𝜀1. Es usual suponer normalidad: 𝜀1 se distribuye en forma normal,
independiente, con media cero y varianza 𝜎 2 .
1.1.2 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 {𝛽𝑗}. 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:

También es posible obtener un intervalo de confianza con respecto a la respuesta

media en un punto particular, digamos X10, X20… Xk está dado por:

1.1.3 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.
Datos → Análisis de datos → Regresión
En la ventana de captura se solicitará 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
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
Estadísticas→ Regresión→ Regresión

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.
Nota: De la ventana de captura aparecen automáticamente en el cuadro de la
izquierda la información de la tabla, en respuesta , se indica con un clic del ratón en
peso y este automáticamente se manifiesta, en predictores de igual manera se da
un clic a cada uno y estos se manifiestan en el recuadro.

1.2 REGRESIÓN NO LINEAL.

Si las dos variables X y Y se relacionan según un modelo de línea recta, se habla

de regresión lineal simple Y=𝛽0 + 𝛽𝑋 + 𝜀.
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.
Supongamos que al hacer la representación gráfica correspondiente la distribución
bidimensional, hemos obtenido la figura 6.1c. Se observa una clara relación entre
las dos variables, pero desde luego, esa relación no es lineal.
Por tanto, debemos buscar la función que ha de describir la dependencia entre las
dos variables. Nos limitaremos al estudio de las más utilizadas: la función
parabólica, la logarítmica, la exponencial y la potencial.
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:
Y=a+bx+cx² donde a,b, y c son parámetros.