Está en la página 1de 15

UNIVERSIDAD PERUANA LOS

ANDES

NOMBRE : Olin Garcia Alexander Paul

DOCENTE: Lic. Trancito Robin Saravia


Meneses

CURSO: Estadistica

TEMA: Regresión Lineal Múltiple


Lima – Perú Octubre 2016

DEDICATORIA

Primeramente a dios por haberme permitido llegar hasta este punto y haberme
dado salud, ser el manantial de vida y darme lo necesario para seguir adelante
día a día para lograr mis objetivos, además de su infinita bondad y amor.

A mi madre por haberme apoyado en todo momento, por sus consejos, sus
valores, por la motivación constante que me ha permitido ser una persona de
bien, pero más que nada, por su amor. a mi padre por los ejemplos de
perseverancia y constancia que lo caracterizan y que me ha infundado siempre,
por el valor mostrado para salir adelante y por su amor. a mi hermana por ser el
ejemplo de una hermana mayor y de la cual aprendí aciertos y de momentos
difíciles y a todos aquellos que ayudaron directa o indirectamente a realizar este
documento
INIDICE

1. INTRODUCCION ................................................................................................................................. 4
2. REGRESIÓN LINEAL MÚLTIPLE ............................................................................................................ 5
2.1ESTIMACIÓN DE COEFICIENTES .................................................................................................................... 6
3. MODELO DE REGRESIÓN LINEAL CON EL USO DE MATRICES .............................................................. 7
4. EJEMPLOS .......................................................................................................................................... 8
5. CONCLUSIÓN.................................................................................................................................... 15
1. INTRODUCCION
El objeto de un análisis de regresión es investigar la relación estadística que
existe entre una variable dependiente (Y) y una o más variables independientes (
, ... ). Para poder realizar esta investigación, se debe postular una
relación funcional entre las variables. Debido a su simplicidad analítica, la forma
funcional que más se utiliza en la práctica es la relación lineal. Cuando solo
existe una variable independiente, esto se reduce a una línea recta:

Donde los coeficientes b0 y b1 son parámetros que definen la posición e


inclinación de la recta.
2. REGRESION MULTIPLE LINEAL

En la mayor parte de los problemas de investigación donde se aplica el análisis


de regresión se necesita más de una variable independiente en el modelo de
regresión. La complejidad de la mayor parte de los mecanismos científicos es tal
que, para ser capaces de predecir una respuesta importante se necesita un
modelo de regresión múltiple. Cuando éste modelo es lineal en los coeficientes,
se denomina modelo de regresión lineal de Y| x1, x2, …xk está dada por el modelo
de regresión lineal múltiple my| x1 , x2 , …xk= b0 +b1x1,… +bkxk

Y la respuesta estimada se obtiene de la ecuación de regresión de la muestra

y= b0 +b1x1,… +bkxk

Donde cada coeficiente de regresión b1 se estima por b1 de los datos de la


muestra con el uso del método de mínimos cuadrados. Como en el caso de una
sola variable independiente, el modelo de regresión lineal múltiple a menudo
puede ser una representación adecuada de una estructura más
complicada dentro de ciertos rangos de las variables independientes.

Técnicas de mínimos cuadrados similares también se pueden aplicar al estimar


los coeficientes cuando el modelo lineal involucra potencias y productos de las
variables independientes. Por ejemplo, cuando k=1, el experimentador puede
pensar que las medidas my|x1 no caen en una línea recta pero que se describen
de forma más apropiada con el modelo de regresión polinomial.

m y|x= b0 +b1x+ b2x2, … +brxr

Y la respuesta estimada se obtiene de la ecuación de regresión polinomial

Ŷ= b0 +b1x+ b2x2,… +brxr


2.1 ESTIMACION DE LOS COEFICIENTES

En esta sección obtenemos los estimadores de mínimos cuadrados de los


parámetros b0 + b0, b1,…,bk mediante el ajuste del modelo de regresión lineal
múltiple.

m y|x1,x2,…,xk= b0 +b1x1+ b2x2 … +bkxk

A los puntos de datos

{(x1i,x2i,…,xki,yi),i=1,2,3,…,ny n>k},

Donde yi es la respuesta observada para los valores x1i,x2i,…,xki de las k variables


independientes x1,x2,…,xk. Cada observación (x1i,x2i,…,xki,yi) satisface la
ecuación

Yi= b0 +b1x1i+ b2x2i, … +bkxki+ei

Donde e i y ei son el error aleatorio y residual, respectivamente, asociados con


la respuesta yi. Al utilizar el concepto de mínimos cuadrados para llegar a las
estimaciones b0, b1,…, bk, minimizamos la expresión

𝑛 𝑛

𝑆𝑆𝐸 = ∑ 𝑒12 = ∑(𝑦𝑖 − 𝑏0 − 𝑏1 𝑥2𝑖 − ⋯ − 𝑏𝑘 𝑥𝑘𝑖 )2


𝑖=1 𝑖=1

Bibliografía: Casuso, Rafael L. “ Cálculo de Probabilidades e Inferencia


Estadística ”, UCAB. Caracas. 1996
3. MODELO DE REGRESIÓN LINEAL CON EL USO DE MATRICES
Al ajustar un modelo de regresión lineal múltiple en particular cuando el número
de variables pasa de dos, el conocimiento de la teoría matricial puede facilitar las
manipulaciones matemáticas 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
ecuación

Yi=b0+b1x1i+b2x2i+…+ bkxki+ei

Este modelo en esencia representa n ecuaciones que describen cómo se


generan los valores de respuesta en el proceso científico. Con el uso de la
notación matricial, podemos escribir la ecuación Y=Xb+e

Donde

Bibliografía:

Universidad Simón Bolívar, por: Hernando Sánchez


Santibáñez. http://www.usb.edu.com/facultades/administracion/publuica
ciones/regresion_correlacion-pdf
4. EJEMPLOS
Ejemplo 1

Dados los datos

X 0 1 2 3 4 5 6 7 8
y 9.1 7.3 3.2 9.6 4.8 2.9 5.7 7.1 8.8

Ajustar una curva de regresión de la forma

my|x=bo+b1x+b2x2+….+brxr y después estime my|x

Solución:

De los datos dados encontramos que:

10b0+45b1+29b2=53.7
45b0+297b1+2025b2=307.3
297b0+2025b1+15.332b2=2153.3

Al resolver las ecuaciones normales tenemos que b0=8.697,b1=-2.341, b2=0.288

Por tanto:

Ŷ=8.697-(341)(2)+(288)(22)=5.2
Ejemplo 2

Se realizó un estudio sobre un camión de reparto ligero a diesel para ver si


la humedad, temperatura del aire y presión barométrica influyen en la
emisión de óxido nitroso (en ppm). Las mediciones de las emisiones se
tomaron en diferentes momentos, condiciones experimentales variantes.
Los datos son los siguientes:

óxido Humedad Temperatura Presión óxido Humedad Temperatura


nitroso nitroso (y)
(y) X1 X2 X3 X1 X2
0.90 72.4 76.3 29.18 1.07 23.2 76.8
0.91 41.6 70.3 29.35 0.94 47.4 86.6
0.96 34.4 77.1 29.24 1.10 31.5 76.9
0.89 35.1 68.0 29.27 1.10 10.6 86.6
1.00 10.7 79.0 29.78 1.10 11.2 86.0
1.0 12.9 67.4 29.39 0.91 73.3 76.3
1.15 8.3 66.8 29.69 0.87 75.4 77.9
1.03 20.1 76.9 29.48 0.78 96.6 78.7
0.77 72.2 77.7 29.09 0.82 107.4 86.8
1.07 24.4 67.7 29.60 0.95 54.9 70.9

El modelo es:

m y| X1, X2, X3=b0 + b1 X1+ b2 X2 +…….+ b3 X3

Ajuste este modelo de regresión lineal a los datos dados y después estime la
cantidad de óxido nitroso para las condiciones donde la humedad estime la
cantidad de óxido nitroso para las condiciones donde la humedad es 50%,
la temperatura 76°F y la presión barométrica 29,30.
Solución:

Para las ecuaciones normales encontramos que:

20b0 + 863.1000b1 + 1530.4000b2 + 587.8400b3 = 19.4200


863.1000b0 + 54.8768900b1 + 67.00000900b2 + 25.2833950b3 =779.4770
1530.4000b0 + 67.0000900b1+ 117.9123200b2+
44.9768670b3 =1483.4370
587.8400b0+25.2833950b1+ 44.9768670b2+ 17.2785086b3=571.1219

La solución de este conjunto de ecuaciones da las estimaciones únicas.

b0=-3.507778, b1=-0.002625, b2=0.000799, b3=0.154155.

por tanto la ecuación de regresión es.

Ŷ=-3.507778-0.002625x1+0.000799x2+0.154155x3

Para 50% de humedad, una temperatura de 76°F y una presión barométrica


de 29.30, la cantidad estimada de óxido nitroso es:

Ŷ=-3.507778-0.002625 (50)+0.000799(76)+0.154155(29.30)=0.9384
Ejemplo 3

Se midió el porcentaje de sobrevivencia de cierto tipo de semen animal,


después del almacenamiento en varias combinaciones de concentraciones de
tres materiales que se utilizan para aumentar su oportunidad de
sobrevivencia, los datos son los siguientes:

Y(%sobrevivencia) X1 (peso %) X2 (peso %) X3 (peso %)


25,5 1,74 5,30 10,80
31,12 6,32 5,42 9,40
25,9 6,22 8,41 7,20
38,4 10,52 4,63 8,50
18,4 1,19 11,60 9,40
26,7 1,22 5,85 9,90
26,4 4,10 6,62 8
25,9 6,32 8,72 9,10
32 4,08 4,42 8,70
25,2 4,15 7,60 9,20
39,7 10,15 4,83 9,40
35,7 1,72 3,12 7,60
26,5 1,70 5,30 8,20

Estime el modelo de regresión lineal múltiple para los datos dados.


Solución:

Las ecuaciones de estimación de mínimos cuadrados, (X’X)b=X’y, son

De los resultados de una computadora obtenemos los elementos de la matriz


inversa

Y después, con el uso de la relación b= (X’X)-1 X’y, los coeficientes estimados de


regresión son:

b0= 39.1574, b1= 1.0161, b2= -1.8616, b3=-0.3433

De aquí, nuestra ecuación de regresión estimada es:

Ŷ=39.1574+1.061x1-1.8616x2-0.3433x3
Ejemplo 4

Los siguientes datos representan el porcentaje de impurezas que ocurren a


varias temperaturas y tiempos de esterilización durante una reacción asociada
con la fabricación de cierta bebida.

Temperatura X1(°C)

75 100 125
Tiempo de esterilización
X2(min)
15 14.05 10.55 7.55

20 14.93 9.48 6.59


16.56 13.63 9.23

15.85 11.75 8.78

25
22.41 18.55 15.93

21.66 17.98 16.44

Estimar los coeficientes de regresión en el modelo

m y|x=b0 + b1 x1 + b2x2 + b11x12 + b22x22+…+b12x1x2


Solución:

b0=56.4668 B11=0.00081
b1=0.3623 B22=0.08171
b2=-2.75299 B12=0.00314

Y nuestra ecuación de regresión estimada es

Ŷ=56.4568-0.36235x1-2.75299x2+ 0.08171x22+0.00314x1x2

Bibliografía:
Mendenhall, Schaeffer y Wackely. “Estadística Matemática con Aplicaciones”,
Edit.Iberoamérica. 1986.

Mendenhall, William y Sincich. Probabilidad y Estadística para Ingeniería y


Ciencias, edit. Prentice May. México. 1997.

Miller, Irwin y otros. “Probabilidad y Estadística para Ingenieros”, Prentice May.


Cuarta edición. México. 1992.

Ross, Sheldon. “Probabilidad y Estadística para Ingeniería y Ciencias”,


editorial. McGraw-Hill. México 2001.
5. CONCLUSIÓN

La ecuación de Regresión Lineal estimada para las variables estatura y peso


muestran, de acuerdo a la prueba F, relación.
Esta relación se ha estimado en un R = 93.7, que indica una fuerte relación
positiva.

Además si consideramos el coeficiente de determinación R² = 87.9 podemos


indicar que el 87.9% de las variaciones que ocurren en el peso se explicarían por
las variaciones en la variable estatura.

Bibliografía:

Miller, Irwin y otros. “Probabilidad y Estadística para Ingenieros”, Prentice May.


Cuarta edición. México. 1992.

Ross, Sheldon. “Probabilidad y Estadística para Ingeniería y Ciencias”,


editorial. McGraw-Hill. México 2001.

También podría gustarte