Estadística Inferencial II

BIENVENIDOS
 Competencia especifica de la
materia
 Identifica fuentes de variación aplicando el
modelo estadístico más adecuado para
planear, ejecutar y desarrollar
experimentación orientado a la mejora de
procesos logísticos, industriales,
comerciales y de servicios.
 Unidad I

Regresión lineal múltiple.

 Competencia específica:

 Aplica los conceptos básicos del modelo

de regresión múltiple y no lineal para
predecir resultados de un proceso
industrial, logístico, comercial o de
servicios
 Bibliografía
 Análisis y diseño de experimentos
Humberto Gutiérrez Pulido
Román de la Vara Salazar
Ed Mc Graw Hill
 Probabilidad y estadística
Walpole, Myers
Ed Mc Graw Hill
 1.1 Regresión lineal múltiple
 En muchas situaciones prácticas existen
variables independientes que se cree que
influyen o están relacionadas con una
variable de respuesta Y, y por lo tanto
será necesario tomar en cuenta si se
quiere predecir o entender mejor el
comportamiento de Y.
 1.1 Regresión lineal múltiple
 Para esto se tiene el modelo de regresión lineal
múltiple con k variables independientes es el
polinomio de primer orden:

Y   0  1 X 1   2 X 2  ...   k X k  

 Donde:
 j  Coeficientes de regresión.

  Error.
 1.1 Regresión lineal múltiple
Ejemplo:
 Se presenta un experimento secuencial para optimizar la
producción de un colorante natural. En la etapa final se
ha encontrado una zona de experimentación donde se
sospecha que se encuentran las condiciones optimas
para la producción de este colorante en función de la
concentración de carbono (X1) y temperatura (X2). En la
siguiente tabla se muestran los niveles de X1 y X2 con los
que se experimento y la producción observada en cada
una de las condiciones.
1.1 Regresión lineal múltiple

x1: Carbono x2:Temperatura Y: Producción

9 17 5707
13 17 5904
9 25 3015
13 25 2673
8.17 21 5804
13.8 21 6700
11 15.34 5310
11 26.66 725
11 21 7521
11 21 7642
11 21 7500
11 21 7545
 1.1.1 Pruebas de hipótesis en
regresión lineal múltiple
 La hipótesis global más importante sobre un
modelo de regresión múltiple es ver si la
regresión es significativa. Esto se logra probando
la siguiente hipótesis:

H 0 :  1   2  ...  0

HA :j  0 para al menos un j = 1, 2,…, k.

 1.1.1 Pruebas de hipótesis en
regresión lineal múltiple
 Aceptar significa que ningún termino o variable en el
modelo tiene una contribución significativa al explicar la
variable de respuesta, Y. Mientras que rechazar implica
que por lo menos un término en el modelo contribuye de
manera significativa al ajuste. Para hacer la prueba de
estas hipótesis el procedimiento es similar al realizado
en la regresión simple. Primeramente obtiene la tabla
para el analiza de varianza y con los valores F (valor
crítico) y F0 (valor calculado), se comparan y se obtiene
una conclusión. Se rechaza H0Fsi 0  F( , k , n  k 1) . Donde k =
es el número de variables independientes.
 Calidad del ajuste en regresión
lineal múltiple
 Coeficiente de determinación R2.

El valor obtenido oscila entre 0<R2<1. Se

interpreta como la proporción de las
variabilidades en los datos (Y ) que es
explicada por el modelo. Entre mas cerca
a 1 es mejor.
 Calidad del ajuste en regresión
lineal múltiple
 Coeficiente de determinación ajustada R2aj.

Para fines de predicción se recomienda que

un coeficiente de determinación ajustado
de al menos 0.7
 Calidad del ajuste en regresión
lineal múltiple
 Coeficiente de correlación lineal múltiple:

Y es una medida de la intensidad de la

relación entre la variable dependiente, Y, y
el conjunto de variables regresoras. Entre
más cerca de 1 es mejor.
1.1.2 Intervalos de confianza y
predicción en regresión múltiple
 Al igual que en la regresión lineal simple, es
posible construir intervalos de confianza y
predicción en regresión lineal múltiple.

yˆ 0  t ( / 2,nk 1) CM E (1  x'0 ( X ' X ) 1 x0  y0  yˆ 0  t ( / 2,nk 1) CM E (1  x'0 ( X ' X ) 1 x0

Donde:
 José Carlos Pérez Mora

pepecharlypm@hotmail.com