TEMA

REGRESIN LINEAL MLTIPLE

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

Xi: Variable predictora (o explicativa).

Bi: Coeficiente de la variable predictora Xi

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:

X1= Salario semanal en $

X2=Tamao de la familia
X3=Antigedad en el trabajo
Y= Gastos semanales en $

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.

Sea el modelo lineal mltiple de la forma

= 1 + 2 + 3 +

Se tiene las ecuaciones:

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 +

b) La matriz que se obtiene del sistema de ecuaciones es simtrica? Justificar.

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.

Para poder obtener los valores de los coeficientes se tiene que:

Donde este caso

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)

Para obtener la matriz A se tiene

= ( . )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.

= 11.021 + 0.59532 10.423 +

CONCLUSIONES
En la regresin lineal mltiple vamos a utilizar ms de una variable explicativa; esto nos va a ofrecer la ventaja de utilizar ms
informacin en la construccin del modelo y, consecuentemente, realizar estimaciones ms precisas.
Al tener ms de una variable explicativa (no se debe de emplear el trmino independiente) surgirn algunas diferencias con el modelo
de regresin lineal simple.

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

Ronald E. Walpole y Raymond H Myers. PROBABILIDAD Y ESTADSTICA, Sexta Edicin. 1998.

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