Modelo de Regresión Lineal Múltiple

Y = β0 + β1x1 + β2x2 + … + βkxk + ε

REGRESION
Respuesta relacionada con k regresores.
LINEAL
MULTIPLE Lineal indica que el modelo es lineal en los
parámetros, NO que E(Y) es una función
lineal de las xi

Y = β0 + β1x + β2x2 + ε puede trabajarse

como una regresión lineal múltiple.
Ing. Cristian Bigatti
UTN - FRRo - ISI - SG - 2012 2

Regresión Lineal Múltiple Regresión Lineal Múltiple

x = x1
Modelo cuadrático Y = β 0 + β 1x + β 2x2 + ε x2 = x2
Y = β0 + β1x1 + β2x2 + ε se transforma en Y = β 0 + β 1x1+ β 2x2 + ε

β1 y β2 coeficientes de E(Y)= 50 + 10x1 + 7x2 + 5x1x2

regresión parciales Modelo con interacción
Y=β 0+β1x1+β2x2+β12x1x2+ε
β1 es el cambio
esperado en Y ante un Y=β 0+β1x1+β2x2+ β 3x3 +ε
cambio unitario de x1
cuando x2 se mantiene
E (Y ) = 50 + 10x1 + 7 x2
constante
UTN - FRRo - ISI - SG - 2012 3 UTN - FRRo - ISI - SG - 2012 4

Interacción. Ejemplo Regresión Lineal Múltiple

Supongamos que consideramos la incidencia de dos Modelo de segundo grado con interacción
factores sobre nuestro organismo. Y = β0+β1x1+β2x2+β11x12+β22x22+β12x1x2+ε
El primero es la ingesta de una cantidad moderada
de alcohol que produce una sensación de euforia. β3x3 β4x4 β5x5
El segundo un medicamento para contrarrestar los
efectos de la gripe que produce una sensación de Cualquier modelo de regresión
bienestar. lineal en los parámetros (ββ ´s), es
un modelo de regresión lineal,
¿Qué ocurre cuando ingerimos las dos cosas sin importar la forma de la
simultáneamente? ¿Sentimos euforia y bienestar? superficie que genera
No, tenemos una sensación de somnolencia y mareo.
E (Y ) = 800 + 10 x1 + 7 x2 − 8,5 x12 − 5 x22 + 4 x1 x2
Este es un caso de interacción,
. los efectos de las dos variables no son aditivos.

UTN - FRRo - ISI - SG - 2012 5 UTN - FRRo - ISI - SG - 2012 6

1
Modelo no lineal Hipótesis básicas

Modelo no lineal en los parámetros, ejemplo: Modelo poblacional

Y = β0 + β 1x1 + β 2x2 +Y...=+αβ+kxβkx++ε ε
ε tiene
y = θ1eθ2 x + ε promedio 0
varianza constante σε2
εi es NID (0;σ
σε2)
E (y ) = θ1eθ2 x εi, εj independientes
distribución normal
x no es aleatorio
X
Las xi son linealmente independientes

UTN - FRRo - ISI - SG - 2012 7 UTN - FRRo - ISI - SG - 2012 8

Regresión Lineal Múltiple Regresión Lineal Múltiple obs

1
tiempo
9,95
cajas
2
distancia
50
2 24,45 8 110
3 31,75 11 120
Ejemplo 4 35,00 10 550
5 25,02 8 295
Un distribuidor de bebidas gaseosas analiza las rutas Ejemplo: 6 16,86 4 200
diseñadas para prestar servicio a las máquinas 7 14,38 2 375
expendedoras de su sistema. Le interesa predecir el Y: tiempo que emplea un repositor para 8 9,60 2 52
9 24,35 9 100
tiempo que necesita un repositor para atender una reabastecer una expendedora de 10 27,50 8 300

máquina expendedora de un negocio. El servicio gaseosas, en minutos 11

12
17,08
37,00
4
11
412
400
consiste en reabastecer la máquina con productos x1: cantidad de cajas abastecida 13 41,95 12 500
14 11,66 2 360
embotellados y hacer algo de mantenimiento y limpieza. 15 21,65 4 205
x2: distancia recorrida por el repositor, en 16 17,89 4 400
El responsable del estudio ha sugerido que las dos metros 17 69,00 20 600
variables más importantes que afectan el tiempo de 18 10,30 1 585
19 34,93 10 540
entrega son la cantidad de cajas de producto abastecida 20 46,59 15 250
y la distancia recorrida por el repositor. Este modelo se utilizó para diseñar la ruta, 21 44,88 15 290
22 54,12 16 510
Se han reunido 25 observaciones. los horarios y la salida del vehículo 23 56,23 17 590
24 22,13 6 100
25 21,15 5 400

UTN - FRRo - ISI - SG - 2012 9 UTN - FRRo - ISI - SG - 2012 10

Regresión Lineal Múltiple Resultados con R

> RegModel.gaseosas <- lm(tiempo~cajas+distancia, data=gaseosas)

> summary(RegModel.gaseosas)
Ejemplo (cont.) Call:
lm(formula = tiempo ~ cajas + distancia, data = gaseosas)

Residuals:
Min 1Q Median 3Q Max
-3.8665 -1.5003 -0.3565 1.1632 5.8292

Y = β 0 + β 1 x1 + β 2 x 2 + ε Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.309200 1.059482 2.180 0.040277 *
cajas 2.740369 0.093472 29.317 < 2e-16 ***
distancia 0.012440 0.002797 4.448 0.000202 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.287 on 22 degrees of freedom

Multiple R-Squared: 0.9811, Adjusted R-squared: 0.9794
F-statistic: 570.7 on 2 and 22 DF, p-value: < 2.2e-16
Residual standard error: 3.259 on 22 degrees of freedom
UTN - FRRo - ISI - SG - 2012 11 UTN - FRRo - ISI - SG - 2012 12

2
Resultados con R gaseosas Resultados con R
Residuals vs Fitted Normal Q-Q

70
3
Standardized residuals
6

15 15
17
17

2
4
Residuals

60
2

1
Autocorrelación
0

0
-4 -2

50
-1
9
9

-2

tiempo
Durbin-Watson test

40
10 20 30 40 50 60 -2 -1 0 1 2

Fitted values Theoretical Quantiles

data: tiempo ~ cajas + distancia

30
DW = 2.1312, p-value = 0.5928
Scale-Location Residuals vs Leverage alternative hypothesis: true

20
3
Standardized residuals

15
Standardized residuals
1.5

9
17 15
17
1 autocorrelation is greater than 0
2

0.5
1.0

10
1
0
0.5

5 10 15 20 25
-1

Cook's 9distance
-2

0.5
0.0

gaseosas$obs
10 20 30 40 50 60 0.00 0.10 0.20 0.30 No hay evidencia de autocorrelación
Fitted values Leverage

UTN - FRRo - ISI - SG - 2012 13 UTN - FRRo - ISI - SG - 2012 14

Enfoque matricial Enfoque matricial

> ygaseosas > Xgaseosas obs tiempo cajas distancia
V1 V1 V2 V3 1 9,95 2 50
1 9.95 1 1 2 50 2 24,45 8 110
2 24.45 2 1 8 110 3 31,75 11 120
Ventajoso para el ajuste de modelo. Ejemplo 3 31.75
4 35.00
3 1 11 120
4 1 10 550
4
5
35,00
25,02
10
8
550
295
5 25.02 5 1 8 295 6 16,86 4 200
Dadas k variables y n observaciones: 6 16.86
7 14.38
6 1 4 200
7 1 2 375
7
8
14,38
9,60
2
2
375
52
8 9.60
yi = β 0 + β1 xi1 + β 2 xi 2 + ... + β k xik + ε i , i = 1,2,..., n
8 1 2 52 9 24,35 9 100
9 24.35 9 1 9 100 10 27,50 8 300
10 27.50 10 1 8 300 11 17,08 4 412
11 17.08 11 1 4 412
y=Xβ+ε
12 37,00 11 400
12 37.00 12 1 11 400 13 41,95 12 500
13 41.95 13 1 12 500
14 11.66 14 11,66 2 360
14 1 2 360
15 21,65 4 205
 y1  1 x11 K x1k  β0  ε 1 
15 21.65
16 17.89
15 1 4 205
16 1 4 400
16 17,89 4 400
  1 x      17 69.00 17 1 20 600
17 69,00 20 600
y K x β ε 18 10.30 18 10,30 1 585
y =  X = ε =  2
18 1 1 585
β =  1
2 21 2k  19 34.93 19 34,93 10 540
19 1 10 540
 M  M M M   M  M 20 46.59
21 44.88
20 1 15 250 20
21
46,59
44,88
15
15
250
290
        21 1 15 290

ε n 
22 54.12
β k 
22 1 16 510 22 54,12 16 510

y n  1 x n1 L x nk  23 56.23
24 22.13
23 1 17 590
24 1 6 100
23
24
56,23
22,13
17
6
590
100
25 21.15 25 1 5 400 25 21,15 5 400

UTN - FRRo - ISI - SG - 2012 15 UTN - FRRo - ISI - SG - 2012 16

Estimación de los parámetros Enfoque matricial

Mínimos cuadrados Estimación de parámetros β̂ = ( X ′X )−1 X ′y
Min ∑ ε i2 = ε ′ε = (y − Xβ )′(y − Xβ ) > Xgas<-as.matrix(Xgaseosas)
δ ∑ εi2
= −2X′y + 2X′Xβˆ = 0 ⇒ X′Xβˆ = X′y > ygas<-as.matrix(ygaseosas)
δβ βˆ > inv(t(Xgas)%*%Xgas)%*%(t(Xgas)%*%ygas)
V1
 βˆ0  2,309 
βˆ = ( X ′X ) −1 X ′y V1 2.30920043
   
 βˆ1  = 2,740 
V2 2.74036942
V3 0.01243958
El modelo ajustado es:  βˆ  0,012
 2  
yˆ = Xβˆ e =y −y
ˆ
ˆ = 2,309 + 2,740x1 + 0,012x2
y
yˆ = Xβ̂ = X ( X ′X ) −1 X ′y yˆ = Hy
UTN - FRRo - ISI - SG - 2012 17 UTN - FRRo - ISI - SG - 2012 18

3
Valores ajustados y residuales Propiedades de los estimadores de β

valores ajustados
> RegModel.gaseosas$fitted
1 2 3 4 5 6 7 8
Se demuestra que E (βˆ) = β
8.411918 25.600510 33.946014 36.554664 27.901832 15.758594 12.454782 8.436798

ˆ = Xβ̂ cov( βˆ) = σ 2 ( X ′X )−1

9 10 11 12 13 14 15 16
y 28.216483 27.964030 18.395786 37.429097 41.413424 12.268189 15.820792 18.246511
17 18 19 20 21 22 23 24
64.580338 12.326725 36.430269 46.524637 47.022220 52.499298 56.234834 19.995375

cov( βˆ) = σ 2C
25
20.986880 C = ( X ′X )−1
residuales > RegModel.gaseosas$res
1 2 3 4 5 6
> inv(t(Xgas)%*%Xgas)
1.538081654 -1.150509771 -2.196013856 -1.554664427 -2.881832327 1.101405600
V1 V2 V3
7 8 9 10 11 12 V1 0.2146526166 -7.490914e-03 -3.403891e-04
1.925217705 1.163202492 -3.866483381 -0.464030234 -1.315785653 -0.429096643 V2 -0.0074909142 1.670763e-03 -1.891781e-05

e =y −y
ˆ V3 -0.0003403891 -1.891781e-05 1.495876e-06
V (βˆj ) = σ 2C jj ,
13 14 15 16 17 18
0.536575795 -0.608188574 5.829207693 -0.356510677 4.419662267 -2.026724961 j = 0,1,2
19 20 21 22 23 24
σ ε2
-1.500268613 0.065362869 -2.142220386 1.620702286 -0.004833648 2.134624890 V (b) = cov(βˆi , βˆj ) = σ 2C ij , i ≠ j
25 S XX
0.163119899
n

UTN - FRRo - ISI - SG - 2012 19

S XX = ∑
i =1
(x i − x )2
UTN - FRRo - ISI - SG - 2012 20

Varianza y desvío estándar del residual Pruebas de hipótesis para βi

SCe > RegModel.gaseosas <- lm(tiempo~cajas+distancia, data=gaseosas)
σˆε2 = Se2 = H0) ∀i : β i = 0
n − k −1 Se=2.287 min > summary(RegModel.gaseosas)

n n H1) ∃β i ≠ 0 Call:
SC e = ∑
i =1
( y i − yˆ i ) 2 = ∑i =1
e i2 lm(formula = tiempo ~ cajas + distancia, data = gaseosas)

SC R / k Residuals:

SC e = e′e = (y − Xβˆ)´(y − Xβˆ) F0 = Min 1Q Median 3Q Max

σˆb1 = se C11
SC e /(n − k − 1) -3.8665 -1.5003
s -0.3565 1.1632 5.8292

SC e = y´y − βˆ´X´y − y´Xβˆ + βˆ´X´Xβˆ

Coefficients:
Si se rechaza que Estimate
(Intercept) 2.309200
Std. Error
1.059482
t value
2.180
Pr(>|t|)
0.040277 *
SC e = y´y − 2βˆ´X´y + βˆ´X´Xβˆ ∀i : β i = 0 cajas
distancia
2.740369
0.012440
0.093472
0.002797
29.317
4.448
< 2e-16 ***
0.000202 ***
X´y ---
H0) β i = 0 Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

y´y − βˆ´X´y
S = 2 Residual standard error: 2.287 on 22 degrees of freedom
H1) β i ≠ 0 Multiple R-Squared: 0.9811, Adjusted R-squared: 0.9794
n − k −1
e
F-statistic: 570.7 on 2 and 22 DF, p-value: < 2.2e-16
Residual standard error: 3.259 on 22 degrees of freedom

UTN - FRRo - ISI - SG - 2012 21 UTN - FRRo - ISI - SG - 2012 22

Multicolinealidad Multicolinealidad
.
Es la violación del supuesto cov( βˆ) = σ 2C V (βˆj ) = σ 2C jj , j = 0,1,2

Las xi son linealmente independientes C = ( X´X )−1

Existe multicolinealidad si hay fuerte Coeficiente de
1 correlación
dependencia lineal entre las variables xj C jj =
VIF: factor de inflación
(1 − R2j ) múltiple de xj
Tiene efecto serio sobre las estimaciones de de varianza para β j sobre las k-1
variables restantes
los coeficientes de regresión, las vuelve muy
imprecisas (varianzas grandes)
Aún así la estimación (por interpolación) del x ij −viejo x j Se trabaja con variables
x ij = viejo
centradas y escaladas
modelo ajustado puede ser útil. nuevo n

∑(
i =1
v x ij −v x j )2 con factor unidad

UTN - FRRo - ISI - SG - 2012 23 UTN - FRRo - ISI - SG - 2012 24

4
Multicolinealidad Resultados con R
x ij −viejo x j
nuevo xij = viejo
n

∑( v x ij −v x j )2
Se detecta con: i =1
Factores de inflación de varianza (variance
Factores de inflación de varianza (diagonal inflation factors)
principal de (X´X)-1): si alguno supera 5 ó 10 > vif(RegModel.gaseosas)
cajas distancia
Determinante de X´X: valor próximo a 0 1.167128 1.167128
Valores propios (λ) de X´X: próximos a 0. Un
valor propio 0 indica presencia de una variable
combinación lineal de otras. λmax/λmin>100
x ij −viejo x j
Incongruencia entre la F y las t´s, al probar la nuevo x ij = viejo
n

significación de la regresión ∑ (v xij −v x j )2

i =1

UTN - FRRo - ISI - SG - 2012 25 UTN - FRRo - ISI - SG - 2012 26

Muticolinealidad Intervalos de confianza para los parámetros

Hay varios métodos para eliminarla Resultados con R

Solo estudiaremos el más rudimentario:
buscar las variables con posible relación > Confint(RegModel.gaseosas, level=0.95)
2.5 % 97.5 %
lineal y eliminar alguna de ellas. (Intercept) 0.111969586 4.50643127
Gráfico de dispersión múltiple cajas 2.546519768 2.93421908
Matriz de correlación entre las variables distancia 0.006639215 0.01823995
explicativas

UTN - FRRo - ISI - SG - 2012 27 UTN - FRRo - ISI - SG - 2012 28

Coeficiente de determinación ajustado Resultados con R

> RegModel.gaseosas <- lm(tiempo~cajas+distancia, data=gaseosas)

> summary(RegModel.gaseosas)
SC R
R2 =
SCT Call:
lm(formula = tiempo ~ cajas + distancia, data = gaseosas)
SC e
R2 = 1 − Residuals:
SCT Min 1Q Median 3Q Max
-3.8665 -1.5003 -0.3565 1.1632 5.8292

SC e /(n − k − 1) Coefficients:
2
Rajustado =1− Estimate Std. Error t value Pr(>|t|)
SCT /(n − 1) (Intercept) 2.309200 1.059482 2.180 0.040277 *
cajas 2.740369 0.093472 29.317 < 2e-16 ***
SC e n − 1 distancia 0.012440 0.002797 4.448 0.000202 ***
2
Rajustado =1− ---
SCT n − k − 1 Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.287 on 22 degrees of freedom

R2ajustado tiende al R2 cuando es necesario estimar pocos Multiple R-Squared: 0.9811, Adjusted R-squared: 0.9794
parámetros respecto de la cantidad de observaciones F-statistic: 570.7 on 2 and 22 DF, p-value: < 2.2e-16
Residual standard error: 3.259 on 22 degrees of freedom
UTN - FRRo - ISI - SG - 2012 29 UTN - FRRo - ISI - SG - 2012 30

5
 Intervalo de confianza para Resultados con R
E(Y) = µY/x1…xk
una variable explicativa Venta de alimentos para mascotas Construir un intervalo de confianza para el tiempo
3,5
 1 ( xi − x )2  3,0
promedio de suministro a una máquina que requiere 8
ICα + βx ;1 −α = a + bx i ± t n −2;1 −α Se +  cajas y está a 275 metros

Cientos de $
2,5
 n SXX  2,0
y = 0,074x + 1,45
1,5 > x0 > beta > esperanza<-t(x0)%*%beta
1,0 var1 V1 > esperanza
k variables explicativas 0 5 10 15 20 25
Espacio (dm) 1 1 V1 2.30920043 V1 > t(x0)%*%inv(t(Xgas)%*%Xgas)%*%x0
2 8 V2 2.74036942 var1

[ ]
var1 27.65304
3 275 V3 0.01243958 var1 0.04440008
IC µY / x0 ;1−α = µ
[ ]
−1
ˆY / x0 ± t n − k −1;1−α Se x0´( X´X ) x0
ICµY / x0 ;0.95 = 27.65304 ± t22;0.952.287 0.04440008

x0´= [1; x01; x02;L ; x0 k ] µˆY / x = x0´βˆ 0 ICµY / x0 ;0.95 = [26.65;28.65]

UTN - FRRo - ISI - SG - 2012 31 UTN - FRRo - ISI - SG - 2012 32

Intervalo de predicción Residuales y Diagnóstico: Resultados con R

[
ˆ0 ± t n − k −1;1−α Se 1 + x0´( X´X )−1 x0
IPy0 ;1−α = y ] m

> x0
600

var1
1 1
500

2 8
3 275
400
distancia

IPy0;0.95 = [22.81;32.50]
300
200
100

5 10 15 20

cajas
ˆ = Xβ̂
y e=y −y
ˆ hii = x i´( X´X )−1 x i
Di =
(βˆ(i ) − βˆ)X´X (βˆ(i ) − βˆ)
pσˆ2

UTN - FRRo - ISI - SG - 2012 33 UTN - FRRo - ISI - SG - 2012 34

Residuales y Diagnóstico: Resultados con R Variables Indicadoras

Residuos estudentizados internos Problema:

> rstandard(RegModel.gaseosas)
1 2 3 4 5 6 Un ingeniero mecánico desea relacionar la vida
0.732680611 -0.533791746 -1.036681920 -0.717375084 -1.287394160 0.500749018
7 8 9 10 11 12
útil (y) de una herramienta en un torno, con la
0.896468774 0.553706531 -1.810617526 -0.207244627 -0.604012506 -0.192777099 velocidad del torno, en revoluciones por minuto
13 14 15 16 17 18
0.244901048 -0.282377706 2.648603461 -0.163244162 2.245716263 -1.053955887 (rpm). Supone que influye también la clase de
19 20 21 22 23 24 herramienta que se usa (A o B).
-0.690083358 0.030952635 -1.004128102 0.762378820 -0.002337614 0.988960420
25 ei
ri =
0.074081754
σˆ2 (1 − hii ) hii = x i´( X´X )−1 x i
Matriz H = X ( X ′X )−1 X ′
sombrero
ˆ = Xβˆ = X ( X ′X )−1 X ′y = Hy
y
UTN - FRRo - ISI - SG - 2012 35 UTN - FRRo - ISI - SG - 2012 36

6
Variables Indicadoras Variables Indicadoras

UTN - FRRo - ISI - SG - 2012 37 UTN - FRRo - ISI - SG - 2012 38

Variables Indicadoras Variables Indicadoras

UTN - FRRo - ISI - SG - 2012 39 UTN - FRRo - ISI - SG - 2012 40

Variables Indicadoras Variables indicadoras

color
Kilometraje vs precio para autos de distinto color
blanco
otros
n=100
plata
25500
25000
Precio

24500
24000
23500

30000 40000 50000 60000 70000

Kilometraje

UTN - FRRo - ISI - SG - 2012 41 UTN - FRRo - ISI - SG - 2012 42

7
 Variables indicadoras color
Variables indicadoras
> summary(RegModel.artificial, cor=FALSE)
blanco
otros
plata Call:
lm(formula = Precio ~ blanco + Kilometraje + plata, data = autos)

Residuals:
25500

Min 1Q Median 3Q Max

-664.567 -193.410 -5.791 197.370 639.467
25000

Coefficients:
Estimate Std. Error t value Pr(>|t|)
Precio

(Intercept) 2.670e+04 1.843e+02 144.852 < 2e-16 ***

24500

blanco 9.048e+01 6.817e+01 1.327 0.187546 no significativo

Kilometraje -3.703e-02 3.158e-03 -11.724 < 2e-16 ***
plata 2.955e+02 7.637e+01 3.869 0.000199 ***
24000

---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
23500

Residual standard error: 284.5 on 96 degrees of freedom

30000 40000 50000 60000 70000 Multiple R-Squared: 0.698, Adjusted R-squared: 0.6886
Kilometraje F-statistic: 73.97 on 3 and 96 DF, p-value: < 2.2e-16

UTN - FRRo - ISI - SG - 2012 43 UTN - FRRo - ISI - SG - 2012 44

Variables indicadoras Variables indicadoras

> summary(RegModel.artificial1, cor=FALSE) Residuals vs Fitted Normal Q-Q

3
Standardized residuals
Call: 72 13 13
500

2
lm(formula = Precio ~ Kilometraje + plata, data = autos)
Residuals

1
ˆi = 26740 − 0.037 x1 + 248.9 x2
0

0
Residuals:

-2 -1
-500

Min 1Q Median 3Q Max

-713.7948 -199.4519 0.9354 183.3033 683.1844 x1 : kilometraje 78
78
98

x2 = 1 ⋅ plata 24000 24500 25000 25500 -2 -1 0 1 2

Coefficients:
Estimate Std. Error t value Pr(>|t|)
x2 = 0 ⋅ otro Fitted values Theoretical Quantiles

(Intercept) 2.674e+04 1.826e+02 146.452 < 2e-16 ***

Kilometraje -3.689e-02 3.169e-03 -11.641 < 2e-16 ***
Scale-Location Residuals vs Leverage
plata 2.489e+02 6.809e+01 3.655 0.000417 ***
3
Standardized residuals

78
1.5

Standardized residuals

13 98
19
---
2
1

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
1.0

-3 -2 -1 0
0.5

Residual standard error: 285.7 on 97 degrees of freedom

Multiple R-Squared: 0.6925, Adjusted R-squared: 0.6862 98
Cook's distance
0.0

78

F-statistic: 109.2 on 2 and 97 DF, p-value: < 2.2e-16

24000 24500 25000 25500 0.00 0.04 0.08

Fitted values Leverage

UTN - FRRo - ISI - SG - 2012 45 UTN - FRRo - ISI - SG - 2012 46

Bibliografía

Montgomery D ; Peck E ; Vining G (2004): Introducción

al análisis de regresión lineal, 3ª edición. CECSA. ISBN:
970-24-0327-8 (biblioteca.fcecon.unr.edu.ar/bib1/ 109263,
519.27 M787in)
Montgomery D, Runger (1996): Probabilidad y
Estadística aplicadas a la ingeniería. Ed Mc Graw Hill
http://pbil.univ-lyon1.fr/library/MPV/html/00Index.html
Data sets de Montgomery, Peck, Vining
www.engr.sjsu.edu/ahambaba/course2/chapter11.ppt

UTN - FRRo - ISI - SG - 2012 47