Universidad Tecnológica de Panamá

Facultad de Ingeniera Industrial

Licenciatura en Ingeniera Industrial

Integrantes:
Leonardo José González Vargas

Cedula:
8-954-2404

Título:
Laboratorio No5

Profesora:
Iván Rojas

Asignatura:
Métodos Numéricos

Grupo:
1II123

Fecha:
Panamá, Noviembre 2018
 Regresión Lineal Múltiple
La regresió n lineal mú ltiple es una extensió n natural del modelo de regresió n lineal
simple consiste en considerar má s de una variable explicativa.

Los modelo de regresió n mú ltiple estudian la relació n entre

 Una variable de interés Y (variable respuesta o dependiente)

 Un conjunto de variables explicativas o regresoras X1, X2, . . . , Xp

En el modelo de regresió n lineal mú ltiple se supone que la funció n de regresió n que

relaciona la variable dependiente con las variables independientes es lineal, es decir:

Y = β0 + β1X1 + β2X2 + · · · + βpXp + ε

A partir de los aná lisis de regresió n lineal mú ltiple podemos:

 Identificar que variables independientes (causas) explican una variable

dependiente (resultado)
 Comparar y comprobar modelos causales
 Predecir valores de una variable, es decir, a partir de unas características
predecir de forma aproximada un comportamiento o estado

Existen ciertos requerimientos necesarios para poder utilizar la técnica de regresió n

mú ltiple:

Linealidad: Se supone que la variable respuesta depende linealmente de las variables

explicativas. Si la respuesta no aparenta ser lineal, debemos introducir en el modelo
componentes no lineales.

Normalidad y equidistribución de los residuos: Para tener un buen modelo de

regresió n mú ltiple no es suficiente con que los residuos sean pequeñ os. La validez del
modelo requiere que se distribuyan de modo normal y con la misma dispersió n para
cada combinació n de valores de las variables independientes.

Número de variables independientes: Una regla que se suele recomendar es la de

incluir al menos 20 observaciones por cada variable independiente que estimemos a
priori interesantes en el modelo. Nú meros inferiores nos llevará n posiblemente a no
poder obtener conclusiones y errores de tipo II.

Colinealidad: Si dos variables independientes está n estrechamente relacionadas y

ambas son incluidas en un modelo, muy posiblemente ninguna de las dos sea
considerada significativa, aunque si hubiésemos incluido só lo una de ellas, sí. Una
técnica muy simple para detectar la colinealidad consiste en examinar los coeficientes
del modelo para ver si se vuelven inestables al introducir la nueva variable.

Observaciones anómalas: Debemos poner especial cuidado en identificarlas y

descartarlas si procede, pues tienen gran influencia en el resultado. A veces, son só lo
errores en la entrada de datos, pero de gran consecuencia en el aná lisis.

Utilizamos la regresió n mú ltiple cuando estudiamos la posible relació n entre varias

variables independientes (predictorias o explicativas) y otra variable dependiente
(criterio, explicada, respuesta).

Por ejemplo, podemos estudiar la inteligencia humana tomando el IQ como variable

respuesta, y es posible que consideremos que puede estar relacionado con otras
variables como: el tamañ o del cerebro, el tamañ o de la persona y su sexo. Podríamos
añ adirlas al estudio como variables independientes. Un modelo de regresió n mú ltiple
podría ofrecer una respuesta del tipo:

IQ = 80 + 0.02 Volumen cerebro + 0.15 Tamañ o – 0.8 Sexo,

Donde la variable sexo es una variable dicotó mica o indicadora, codificada como 0
para las mujeres y 1 para los hombres. Para interpretar un modelo así hay que ser
muy cautelosos. Los modelos de regresió n mú ltiple nos informan de la presencia de
relaciones, pero no de su mecanismo causal.

Otra fuente de problemas de interpretació n es la relació n entre variables

independientes o colinealidad. Por ejemplo, el sexo puede parecer influir en la
inteligencia segú n la ecuació n, pero hay que considerar que las mujeres son
habitualmente má s pequeñ as que los hombres. Si observamos los signos, apreciamos
que compensa el efecto de una con la otra.
 Importancia de la Regresión Lineal Múltiple en la Carrera de Ingeniería
Industrial

La regresió n lineal mú ltiple puede ser aplicada en fabricació n donde se pueden crear
estadística para modelar e investigar la relació n entre dos o má s variables.

Este método es aplicable en muchas situaciones en las que se estudia la relació n entre
dos o má s variables o predecir un comportamiento, algunas incluso sin relació n con la
tecnología. En caso de que no se pueda aplicar un modelo de regresió n a un estudio, se
dice que no hay correlació n entre las variables estudiadas

En la prá ctica, con mucha frecuencia es necesario resolver problemas que implican
conjuntos de variables, cuando se sabe que existe alguna relació n inherente entre
ellas. Por ejemplo, en un caso industrial se puede saber que la pintura, para partes
automotrices, está relacionada con la cantidad de pigmentació n con la que se lleva a
cabo. Puede ser interesante desarrollar un método de predicció n, esto, un
procedimiento para estimar el contenido de pigmentació n que deben de tener las
pinturas para cumplir con las especificaciones de las armadoras como se muestra en
la siguiente imagen de tal manera que el problema consiste en lograr la mejor
estimació n de la relació n entre las variables.

Del ejemplo citado anteriormente, los gramos de pigmentació n son la variable

independiente y la resolució n de pintura es la respuesta “Y”

El término regresió n lineal implica “Y” esta linealmente relacionado con “X” por la
ecuació n de la recta:

Y=b+mX ó Y=bx+c