5.3.

REGRESION MULTIPLE
FORMULA: Y = ß0 + ß1×1 + ß2×2 + … + ßpxp
Las variables de esta ecuación son:
 Y es el valor predicho o esperado de la variable dependiente.
 x1, x2 y xp son tres variables independientes o predictoras.
 ß0 es el valor de Y cuando todas las variables independientes son
iguales a cero.
 ß1, ß2 y ßp son los coeficientes de regresión estimados. .
EJEMPLOS:
1. Las notas obtenidas por cinco alumnos en Matemáticas y Química son:
Matemáticas Química
6 6.5
4 4.5
8 7
5 5
3.5 4

Determinar las rectas de regresión y calcular la nota esperada en Química para un

alumno que tiene   en Matemáticas.
Xi Yi 2…
xi
2
yi Xi.Yi
6 6.5 36 42.25 39
4 4.5 16 20.25 18
8 7 64 49 56
5 5 25 25 25
3.5 4 12.25 16 14
26.5 27 153.25 152.5 152

Calculamos los promedios

Calculamos la covarianza y la varianza de y Calculamos los promedios

La recta de regresión de la calificación de matemáticas sobre la calificación de

química es aquella que pasa por el punto ( x ;− y ⅈ ) y tiene pendiente σxy /σ 2 y

Despejamos y obtenemos la recta de regresión

De esta misma despejamos “Y” y obtenemos la recta de regresión en términos de la

calificación en matemáticas
Para encontrar la nota esperada en química para un alumno que tiene 7.5 en
matemáticas, sustituimos X=7.5 en la ecuación de regresión y obtenemos:
Y= 7.03
5.4. CORRELACION

 .1-.3 representan un efecto pequeño,

 .3-.5 un efecto medio y
 ?.5 un efecto grande.
¿Qué significan los números de las correlaciones? R=

La significancia estadística se indica mediante un valor p. Por tanto, usualmente las

correlaciones se escriben con dos números clave: r = y p =.

 Cuanto más se aproxima r a cero, más débil es la relación lineal.

 Los valores de r positivos indican una correlación positiva.
 Los valores de r negativos indican una correlación negativa.
 El valor p aporta evidencia de que podemos concluir de manera significativa
que es probable que el coeficiente de correlación de la población sea
diferente a cero, basándonos en lo que hemos observado en la muestra.

Formula de la correlación:

Dónde:
N = Número de valores o elementos
Σxy = la suma de los productos de las puntuaciones emparejadas
Σx = la suma de puntuaciones x 
Σy = la suma de puntuaciones y
Σx2 = Suma de cuadrados Puntuación x
Σy2 = Suma de cuadrados Puntuación y

EJEMPLO:

1. Supongamos que queremos saber si podemos esperar más ventas de helado

en nuestra ciudad en los días de calor. Las heladerías empiezan a abrir en
primavera; tal vez porque la gente compra más helado en los días que hace
calor. Alternativamente, a lo mejor la gente compra helado de manera regular
porque les gusta mucho.
También podemos ver los datos en una tabla, ya que nos ayuda a seguir el cálculo
del coeficiente a partir de cada dato bivariado. Cuando hablamos de datos
bivariados, lo común es llamar a una variable X y a la otra Y (esto también nos
ayuda a orientarnos en un plano visual, como los ejes de un gráfico). Vamos a
llamar X a las ventas de helado e Y a la temperatura.
Ventas de helado (x) Temperatura F (y)
3 70
6 75
9 80

PASO 1: Comience averiguando las medias de las muestras:

x=[ 3+6+ 9 ] =6
y= [ 70+75+ 80 ] =75

PASO 2: Calcule la distancia de cada punto puntual respecto a su media

Helado (x) Temperatura F (y) x i−x yⅈ− y
3 70 3–6=-3 70 – 75 = - 5
6 75 6–6=0 75 – 75 = 0
9 80 9–6=3 80 – 75 = 5

PASO 3: Complete el numerador de la ecuación del coeficiente

∑[(xi−¯¯¯x)(yi−¯¯¯y)]
[(−3)(−5)]+[(0)(0)]+[(3)(5)]=30

PASO 4: Complete el denominador de la ecuación del coeficiente

√ Σ(xi − ¯¯¯x)2 ∗ Σ(yi −¯¯¯y)2

Σ(xi − x)2=−32+02+32=9+0+9=18
Σ(yi − y)2=−52+02+52=25+0+25=50

Cuando multiplicamos el resultado de las dos expresiones entre sí, obtenemos:

18×50 = 900

Y el denominador de la ecuación quedaría así:

√ 900 =30

PASO 5: Complete el cálculo y compare el resultado con el grafico de dispersión:

Introduzcamos en el numerador y el denominador los números que hemos calculado
en los pasos anteriores:

r=30/30=1

Pero con los datos simplificados de nuestro ejemplo, este resultado debería tener
sentido de manera intuitiva, simplemente mirando los puntos correspondientes a los
datos. Vamos a ver de nuevo nuestro gráfico de dispersión:

Ahora imagínese que dibuja una línea en el gráfico. ¿Mostraría un ajuste lineal
perfecto?
 BIBLIOGRAFIA:

Portal de formación estadística. Coeficiente de correlación. LINK: Coeficiente de

correlación | Introducción a la estadística | JMP

Coeficiente de correlación (2020). LINK: Ejemplos del coeficiente de correlación de

Pearson | ERA GROUP

Superprof. Ejercicios de regresión y correlación. LINK: Ejercicios de regresion y

correlacion II | Superprof

Regresión lineal múltiple (2011). El modelo, estimación de los parámetros,

contrastes. LINK: Mat_50140128_RegresionMultiple.pdf (usc.es)

Wapole Ronald E. (2012). Probabilidad y estadística para ingeniería y ciencias.

México Ed. Pearson Educación.