Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ingeniería Industrial.
MATERIA:
(Estadística inferencial 2)
GRUPO:
(UA1-4)
ACTIVIDAD:
Regresión lineal múltiple.
EQUIPO:
#8
DOCENTE:
Perez Magaña Juan Gerardo.
FUENTE DE INFORMACIÓN:
http://dm.udc.es/asignaturas/estadistica2/secprac_5_2.html
http://estadisticaejemplosyejercicios.blogspot.com/2012/05/regresion-
lineal-simple.html
https://www.gestiondeoperaciones.net/proyeccion-de-demanda/ejemplo-de-
una-regresion-lineal-multiple-para-un-pronostico-con-excel-y-minitab/
FECHA DE ENTREGA:
5 de Febrero de 2019.
Ejemplos de una Regresión Lineal Múltiple
Ejercicio 1.
En el siguiente artículo desarrollaremos un pronóstico a través de una regresión lineal
múltiple que en términos generales se puede representar
por donde es la variable
dependiente, las variables independientes y
los coeficientes de la regresión. En particular consideraremos en el siguiente ejemplo
una variable dependiente (Ganancias en Millones de $) y 2 variables explicativas o
independientes (Número de Vendedores y Precio del Producto $), es
decir, , donde es el N° de Vendedores y el Precio del
Producto ($). La información se resume en la tabla a continuación:
Ejercicio 2.
0 43
'
21
'
3 1 29
'
89
'
3
0 31
'
11
'
4 0 35
'
24
'
2
0 32
'
09
'
5 0 35
'
12
'
4
0 46
'
16
'
4 0 78
'
47
'
3
1 25
'
62
'
4 0 43
'
35
'
2
0 44
'
23
'
3 0 47
'
29
'
3
0 52
'
18
'
6 0 38
'
14
'
4
0 29
'
10
'
5
Los datos en forma matricial:
Por tanto
De donde
A partir de esta ecuación se obtienen las predicciones y los residuos asociados a las
observaciones muéstrales. Para la primera observación se
obtiene
Calculo de scR
yx =
i 2i
960
Se calculan los intervalos de confianza de los parámetros del modelo al 90%,
Para la varianza, 2
~ 12
2
5 2253
'
0 0034 <
' 2
< 0 0138
'
La varianza de los estimadores del modelo es
= 0 0903
'
= 0 0099
'
= 0 0201
'
. .
0 0903 <-0 160 -
'
<t '
0 12 0 0903
'
- 0 321 <'
< 0 001 0
'
Tabla Anova,
de donde
Tabla ANOVA
Tabla ANOVA
Este valor indica lo que aumenta la variabilidad explicada por el modelo al introducir
la variable tamaño.
El coeficiente de determinación,
Este coeficiente es una medida de la relación lineal existente entre las variables gasto
e ingreso. También se puede calcular a partir del coeficiente de determinación de la
siguiente regresión
Tabla ANOVA
r 2
= =
= 0 9496'
r = 0 974.'
Otra forma más compleja de calcular este coeficiente es la siguiente: se obtienen las
siguientes regresiones y se guardan los residuos,
tamaño + e .
gasto.tamaño
tamaño + e .
ingreso.tamaño
Ahora el coeficiente de correlación parcial entre las variables gasto e ingreso se obtiene
como el coeficiente de correlación simple entre las variables e ye
gasto.tamaño ingreso.tamaño
r = =
= 0 9740,
'
Este coeficiente mide la relación entre las variables gasto e ingreso libres de la
influencia de la variable tamaño.
un tamaño de x = 4. Esto es
2 ”.
La varianza de la predicción es
= 0 0065
'
Algunos gráficos de interés que ayudan a resolver el problema son los siguientes:
X 152 155 152 155 157 152 157 165 162 178 183 178
Y 50 61.5 54.5 57.5 63.5 59 61 72 66 72 84 82
Con estos datos vamos a plantear una ecuación de regresión simple que nos permita
pronosticar los pesos conociendo las tallas. Utilizaremos a = 0.05, y contrastaremos
nuestra hipótesis con la prueba F.
DESARROLLO
Representación Gráfica
HIPÓTESIS
HO: No hay relación entre la variable peso y la variable estatura.
HA: Hay relación entre la variable peso y la variable estatura.
Tabla de análisis de varianza
Fuente de Grados de Suma de Cuadrados
estadístico
Variación libertad cuadrados medios F
Debido a
la
regresión 1 1061.1 1061.1 73.08
error 10 145.2 14.5
total 11 1206.3
Se obtiene un valor F = 73.08 > 4.96, con lo cual se rechaza la hipótesis nula y
aceptamos que la variable estatura está relacionada con la variable peso con un 95% de
confianza.
De acuerdo al desarrollo matemático hemos obtenido los siguientes cálculos:
INTERPRETACIÓN
Se obtiene:
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.