Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadística y Diseño
Experimental
Regresión lineal
múltiple
Objetivo:
Reconocer si hay relación entre las variables
Medir el grado de relación
Estimar un modelo de relación
Verificar la bondad de ajuste del modelo
2
Tenemos las alturas y los pesos de 30 individuos representados en un
diagrama de dispersión.
100
90
80
Peso (Kg)
70
60
50
40
30
140 150 160 170 180 190 200
Estatura (cm)
3
100
80
90 Fuerte relación 70 Cierta relación
80 directa. 60 inversa
70 50
60 40
30
50
20
40
10
30 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200
90
230
80
180 70
130 60
50
80
40
30
30
Y
4
La covarianza entre dos variables, Sxy, nos
indica si la posible relación entre dos
variables es directa o inversa.
◦ Directa: Sxy >0 1
◦ Inversa: Sxy <0 S xy ( xi x )( yi y )
◦ Incorreladas: Sxy =0 n i
El signo de la covarianza nos dice si el
aspecto de la nube de puntos es creciente o
no, pero no nos dice nada sobre el grado de
relación entre las variables.
5
S xy
r
SxSy
Es adimensional
Cuanto más cerca esté r de +1 o -1 mejor será
el grado de relación lineal, siempre que no existan
observaciones anómalas.
6
Se hace un estudio para
determinar la relación entre el
tiempo de vida (años) y la
eficiencia de las máquinas (%)
de una fábrica. Los datos se
dan en la siguiente tabla:
Tiempo de vida 2 4 11 9 4 6 7 8
Eficiencia 90 65 25 40 80 60 35 50
7
Regresión
.. predicción de una medida basándonos en
el conocimiento de otra.
◦ Ejemplos:
◦ Tiempo de asistencia a la escuela del hijo
en función al número de años de
escolarización de la madre.
◦ Calificación obtenida en una materia según
el número de horas de estudio semanal.
◦ Tiempo de ejecución de un programa en
función de la velocidad del procesador.
◦ Predecir la tasa de desempleo según la
edad.
8
¿Es posible descubrir una relación?
RELACIÓN FUNCIONAL
Y=f (X1, X2, … , Xn)
Ejemplo: La relación que existe entre el tiempo (Y) que
tarda un móvil en recorrer una distancia (X) a velocidad
constante (v)
Y=X/v
NO EXISTE NINGUNA RELACIÓN
Ejemplo: La relación que existe entre el dinero (Y) que
gana una persona adulta mensualmente y su altura (X)
RELACIÓN ESTOCÁSTICA
Y = f(X) + error
f es una función de un tipo determinado (desconocida)
el error es aleatorio, pequeño, y no depende de X
9
El análisis de regresión sirve para predecir una
medida en función de otra medida (o varias).
Y = Variable
X = Variable
independiente
XY dependiente
regresora (X1, X2, … , Xn) Y respuesta
predicha
predictora
explicada
explicativa
10
Dado dos variables
◦ Y (dependiente)
◦ X (independiente)
11
El modelo lineal de regresión se construye utilizando la técnica
de estimación mínimo cuadrática:
◦ Buscar b0, b1 de tal manera que se minimice la cantidad
Σi ei2
SY
b1 r b0 y b1 x
SX
Se obtiene además unas ventajas “de regalo”
◦ El error residual medio es nulo
◦ La varianza del error residual es mínima para dicha
estimación.
12
Lo adecuado del modelo depende
r= 0.415
de la relación entre:
420
r^2 = 0.172
◦ la dispersión marginal de Y
◦ La dispersión de Y condicionada
400
aX
380
y
vemos cómo se distribuye Y
340
fijados de X, se denomina
150 160 170 180 190 distribución condicionada.
r= 0.984
390
marginal.
370
y
Si la dispersión se reduce
notablemente, el modelo de
360
14
En primer lugar olvidemos que existe la Y
variable X. Veamos cuál es la
variabilidad en el eje Y.
15
Fijémonos ahora en los errores de predicción
(líneas verticales). Los proyectamos sobre el eje Y
Y.
16
Resumiendo: Y
18
Se pueden considerar
otros tipos de modelos, en ¿recta o parábola?
función del aspecto que
presente el diagrama de
dispersión (regresión no
lineal)
Incluso se puede
considerar el que una
variable dependa de varias
140 150 160 170 180 190 200
(regresión múltiple).
¿recta o cúbica?
19
4. Para una zapatería se obtiene la siguiente
ecuación de regresión estimada en la que se
relacionan las ventas con la inversión en
inventario y los gastos en publicidad.
yˆ 25 10 X 1 8 X 2
Donde
x1 :inversión en inventario (en miles de $)
x2 : gasto en publicidad (en miles de $)
y : ventas (en miles de $)