Documente Academic
Documente Profesional
Documente Cultură
CURSO
ALGEBRA LINEAL
NOMBRES Y APELLIDOS
JOSELIN GREGORIO ROMERO VARILLAS
2017
INTRODUCCIN
La ecuacin de Regresin Simple permite hacer predicciones de una variable en funcin de otra. El comportamiento es muy
complejo, y hacer predicciones con una sola variable predictora es demasiado simple. Mejoraramos la posibilidad de prediccin (o
explicacin) del comportamiento si utilizamos ms de una variable predictora. Para resolver esta cuestin se define la ecuacin de
Regresin Mltiple (puntuaciones directas):
donde
A: Interceptal o constante
La valoracin de la capacidad predictiva de la ecuacin de Regresin Mltiple se puede hacer con el Coeficiente de Determinacin,
que se interpretado de forma semejante a como ha sido explicado para la ecuacin de Regresin Simple: Da la proporcin de
variacin explicada por el conjunto de variables predictoras (o explicativas). El Coeficiente de Determinacin es el cuadrado del
coeficiente de Correlacin Mltiple, que es la correlacin de Pearson entre la variable Y y la variable Y' (la variable que contiene las
predicciones de Y)
DESARROLLO DEL TEMA
Un departamento de personas de la empresa P&C est interesado en estudiar la relacin que tiene el salario, el tamao de la
familia y la antigedad en el trabajo con los gastos. Para este estudio, el especialista en la materia, escogi una muestra al azar de
10 miembros de todo el personal de la empresa y registr los datos en la tabla que sigue, para las siguientes variables:
Si se propone un modelo de regresin lineal mltiple que relacione la variable dependiente y con las variables independientes, X1,
X2, X3
a) Obtenga el sistema de las ecuaciones normales del problema de regresin.
= 1 + 2 + 3 +
20 = 251 + 32 + 53 +
25 = 281 + 52 + 83 +
30 = 351 + 42 + 63 +
32 = 351 + 52 + 23 +
37 = 401 + 52 + 73 +
40 = 451 + 52 + 43 +
40 = 501 + 52 + 53 +
45 = 451 + 62 + 43 +
55 = 701 + 62 + 53 +
60 = 801 + 52 + 33 +
No es simtrica ya que la matriz obtenida es 10x4, y es por la cantidad de datos que se ha obtenido.
c) Resolver el sistema usando la regla de Crammer.
20
25
30
32
37
=
40
40
45
55
(60)
1 25 3 5
1 28 5 8
1 35 4 6
1 35 5 2
7
1 40 5
= = ( )
1 45 5 4
1 50 5 5
1 45 6 4
1 70 6 5
(1 80 5 3)
= ( . )1 ( . )
Se tiene entonces:
La matriz es:
Se tiene que . :
Se tiene que . :
384
(19325 )
1950
1798
Se tiene que ( . )1
Finalmente se obtiene
11.021
( . )1 ( . ) = ( 0.5953 )
10.42
d) Obtenga la solucin de un sistema de ecuaciones por el mtodo de Gauss-Jordan.
e) Estime el modelo de regresin lineal mltiple.
Una cuestin de gran inters ser responder a la siguiente pregunta: de un vasto conjunto de variables explicativas: x1, x2, , xk,
cules son las que ms influyen en la variable dependiente Y.
En definitiva, y al igual que en regresin lineal simple, vamos a considerar que los valores de la variable dependiente Y han sido
generados por una combinacin lineal de los valores de una o ms variables explicativas y un trmino aleatorio:
y b0 b1 x1 b2 x2 ... bk xk u
Los coeficientes son elegidos de forma que la suma de cuadrados entre los valores observados y los pronosticados sea mnima, es
decir, que se va a minimizar la varianza residual.
BIBLIOGRAFIA
William Mendenhall y Dennos D. Wackerly. ESTADSTICA MATEMTICA CON APLICACIONES, Segunda Edicin. 1994 Editorial
Iberoamericana.
Gutirrez-Pulido, H. y De la Vara Salazar, R. (2005), CONTROL ESTADSTICO DE CALIDAD Y SEIS SIGMA Primera Edicin.
2005 Editorial McGraw-Hill, Mxico