++++

Utilizar un paquete estadístico que permita visualizar la

REGRESIÓN
relación que guardan las variables.
LINEAL
Interpretar el proceso metodológico para la construcción
de un modelo de regresión y correlación lineal múltiple. MÚLTIPLE
Manipulará un conjunto de datos con el fin de obtener
los parámetros del modelo, (matriz de covarianza,
coeficientes de regresión, coeficiente de determinación
ajustado) analizará, e interpretara la salida de los datos,
para hacer predicciones de sucesos futuros, y tomar
decisiones profesionales en el ramo de Gestión
Empresarial.
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Práctica No. V

REGRESIÓN LINEAL MÚLTIPLE

Objetivo:
Utilizar un paquete estadístico que permita visualizar la relación que guardan las
variables.
Interpretar el proceso metodológico para la construcción de un modelo de regresión y
correlación lineal múltiple. Manipulará un conjunto de datos con el fin de obtener los
parámetros del modelo, (matriz de covarianza, coeficientes de regresión, coeficiente de
determinación ajustado) analizará, e interpretara la salida de los datos, para hacer
predicciones de sucesos futuros, y tomar decisiones profesionales en el ramo de Gestión
Empresarial.

Introducción:
La regresión es una técnica estadística que se utiliza para resolver problemas comunes
en los negocios, la cual consiste en un método matemático que modela la relación entre
variables, una llamada variable dependiente, la cual suponemos se ve afectada por los
cambios producidos por dos o más variables independientes, y un término aleatorio
(comúnmente llamado error).
En un enfoque sistémico podríamos entender mediante el siguiente dibujo la relación
que guarda la variable respuesta y y la variable o variables de entrada xi

Fig. 5.1 Enfoque sistémico.

Las observaciones las clasificamos en dos tipos de datos, y que es la variable respuesta y
xi, i=1,….k donde xi son las variables independientes, predictivas o de entrada.

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
1
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

El modelo de regresión lineal múltiple asume que la respuesta y se ve afectada por los
valores de entrada xi, i=1,….k mediante una relación lineal de la forma:

y   0   1x1   2 x2  .....   k xk  e

 , ,  ,..... k son los parámetros de regresión y e es el error de la estimación.

Donde 0 1 2
La relación entre la variable de respuesta, y, y la variable de entrada, x, especificadas
ambas en la anterior ecuación se denomina regresión lineal múltiple.
Los parámetros
 0 , 1,  2 ,..... k serán, por lo general, desconocidos y se deberán
estimar a partir de los datos muestrales.
De ahí que el modelo que encontremos queda definido como:
yˆ  ˆ0  ˆ 1x1  ˆ2 x2  .....  ˆk xk

La representación gráfica de este modelo general no sería posible, sólo sería factible
hacer una representación gráfica de un modelo con dos variables predictivas, las cuales
al graficarse en un plano cartesiano describirían un plano, como se muestra en la sig.
gráfica.

Fig. 5.2 Representación gráfica regresión múltiple dos variables.

Estimación de los parámetros de regresión

Si pretendemos estimar los valores de yi correspondientes a los valores de entrada xi

donde i= 1,2,3,…..k del modelo de regresión lineal múltiple primero debemos
determinar los estimadores de 0 1 2
 , ,  ,..... k , utilizando los valores muestrales
ˆ ,ˆ , ˆ ,.....ˆ k fueran los estimadores respectivos de  0 , 1,  2 ,..... k , el
Entonces: si 0 1 2
estimador de la respuesta cuando los valores de entrada son x1 , x2 ,… xk , sería :
yˆ  ˆ0  ˆ 1x1  ˆ2 x2  .....  ˆk xk .
A la diferencia entre la respuesta observada y su valor estimado lo conocemos como el
ˆ ,ˆ , ˆ ,.....ˆ k para predecir la respuesta al
error que se deriva de usar los estimadores 0 1 2
los valores de entrada xi i= 1,2,3,…..k.
Donde:

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
2
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

ei  yi  ˆ0  ˆ1x1  ....  ˆk xk   yi  yˆi

Para elegir como estimadores de βi debemos encontrar a aquellos valores
ˆ0 ,ˆ 1, ˆ 2 ,.....ˆ k que hagan que estos errores sean pequeños.

e
n
ˆ ,ˆ , ˆ ,.....ˆ k que minimicen el valor de
2
i
Se elegirán aquellos valores de 0 1 2 i , la
suma de los cuadrados de los errores.
ˆ ,ˆ , ˆ ,.....ˆ k resultantes de este procedimiento reciben el
Los estimadores de 0 1 2
nombre de estimadores de mínimos cuadrados.

   yi  ˆ0  ˆ1 xi1  ˆ 2 xi 2 .... - ˆ k xik 

n n

e
2 2
i
i 1 i 1

Supongamos que n > k observaciones están disponibles. Sea xij la j-ésima observación
de la variable xi , los datos para la regresión lineal múltiple se encuentran en la tabla.

y x1 x2 … xk
y1 x11 x21 … xk1
y2 x12 x22 … xk2
. . .
. . . .
. . . .
yn x1n x2n … xkn

Ajustemos el modelo :
yˆ i  ˆ0 ˆ 1 j x1  ˆ2 x2 j  .....  ˆk xkj  e j
k
yˆ i  ˆ0   ˆi xij  e j
i 1

ˆ
Al igual que en el caso de regresión lineal simple 0 se define como la ordenada al
origen.
Por la naturaleza de los datos encontraremos k+1 ecuaciones normales de mínimos
cuadrados una para cada coeficiente de regresión desconocido.
Es más sencillo resolver las ecuaciones normales si se expresan en notación matricial.
De tal manera que el modelo en términos de las observaciones es expresado en forma
matricial:
y = Xβ + ε
donde:

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
3
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

 y1   1 x11 x21 ..... xk1   ˆ0   1 

y  1 x ˆ 
x22 ..... xk 2    
Y   2 X  12
   1    2
 ...  ... ... ... ...   ...   ... 
       
 yn   1 x1n x2 n ..... ( xkn   ˆ k   n 

Para encontrar los estimadores de mínimos cuadrados de 0 1 2

 , ,  ,..... k que se
ˆ ,ˆ , ˆ ,.....ˆ k utilizaremos la siguiente ecuación:
denotarán por 0 1 2

  ( X ´X ) 1 X ´ y
Donde a la matriz ( X ´ X )1 se le conoce como matriz de covarianza.

Variable Aleatoria del error

Se ha definido el modelo de regresión lineal múltiple mediante la relación
y   0   1x1  ˆ2 x2  .....   k xk  e
 , ,  ,..... k son parámetros desconocidos que deben ser estimados y donde
Donde 0 1 2
ei debe cumplir con las condiciones de ser una variable aleatoria con comportamiento
normal, independiente, con media cero y varianza constante NID(O.σ2)
Realizar la adecuación del modelo

Para calcular 
2

SS error
2 
n  k 1
Donde
n
SS error    y i  yˆ i 
2

i 1

en forma matricial
SS error  y´ y   ´X ´Y
2
 n 
n


 y i 

SS Totales  S yy   yi 
2 i 1

i 1 n
Apliquemos lo presentado en un Ejemplo:

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
4
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Rendimiento de una reacción química depende de la concentración del reactivo y de la

temperatura de operación. Ajustemos un modelo de regresión lineal múltiple a los
siguientes datos.2
Rendimiento Concentración Temperatura
81 1.00 150
89 1.00 180
83 2.00 150
91 2.00 180
79 1.00 150
87 1.00 180
84 2.00 150
90 2.00 180

 81 1 1.00 150

89  1 1.00 180
  
83 1 2.00 150
     1 1 1 1 1 1 1 1 
1 2.00 180
X  X ´ 1.00 1.00 2.00 2.00 1.00 1.00 2.00 2.00
91
Y  
79 1 1.00 150
     150 180 150 180 150 180 150 180 
87  1 1.00 180
84  1 2.00 150
   
90 1 2.00 180

16.3750 - 0.75 - 0.0917  684 

1
( X ´ X )  - 0.7500 0.50 0.0000 X ´y   1032 
- 0.0917 0.0000 0.0005556 113310

39.8

  ( X ´ X ) X ´ y   3 
1

 .25 

Quedando la ecuación de regresión que describe los datos :

yˆ i  39.8  3x1  0.25x2

Significancia de la regresión

2
Ejemplo 15-9 Diseño y Análisis de Experimentos Douglas C. Montgomery Ed. Iberoamericana
Instituto Tecnológico de Querétaro
Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
5
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Para realizar la significancia del modelo recurrimos al Análisis de Varianza (ANOVA)

la cual parte la variabilidad total en dos componentes uno debido al modelo y otro
debido al error.

Variabilidad total = Variabilidad del modelo + Variabilidad del error

SSTotales  SSModelo  SS Error

n n n

 ( yi  y ) 2   ( yi  y ) 2   ( yi  yi ) 2
i 1 i 1 i 1

Resumiendo la información en la siguiente tabla:

H 0 ; i  0

H1 ;  i  0 al menos para algún i

Recordemos que ahora el modelo contiene varias variables predictoras de ahí que el
planteamiento de la hipótesis alterna sea que al menos una de ellas si le es
significativa a la variable repuesta
ANOVA
Fórmulas conceptuales

Fuente df SS MS F
Regresión k n SS Modelo MS Modelo
 ( y
i 1
i  y)2
k MS Error
Error n-k-1 n SS error
residual (y
i 1
i  yi ) 2
n  k 1
Total n-1 n

(y
i 1
i  y)2

La primera columna contiene las fuentes de variación

Regresión, Error residual, Total

La segunda columna corresponde a los grados de libertad

Modelo k = número de variables predictoras
Error n-k-1 = número total de observaciones menos número de variables regresoras
menos 1
Total n-1 = número total de observaciones menos1

La tercera columna contiene las sumas de cuadrados de las desviaciones

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
6
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

La cuarta columna el componente de varianza para el modelo y el error.

La quinta columna el valor de F

El análisis de varianza anterior postula las siguientes hipótesis:

H 0 ; i  0

H1 ;  i  0 al menos para algún i

La hipótesis nula supone que, βi =0 como βi es la razón de cambio de y debido a xi

sugiere que no hay cambio alguno de la variable respuesta debido a las variables
predictoras.
Recordemos que ahora el modelo contiene varias variables predictoras de ahí que el
planteamiento de la hipótesis alterna sea que al menos una de ellas si le es significativa
a la variable repuesta.

La hipótesis nula será rechazada si la variabilidad del modelo es mayor a la variabilidad

del error, si esto ocurre, x i (variables predictoras) al menos una de ellas le es
significativa a y (variable respuesta) pues la hace o hacen variar cuando ella o ellas
varían.

ANOVA
Simplificada

Fuente df SS MS F
Regresión k 1 SS Modelo MS Modelo
̂ T ( x , y )  (i1 y ) 2
n
k MS Error
n
Error n-k-1 SSTotales  SS Modelo SS error
residual n  k 1
n
Total n-1
n
( yi ) 2
y
i 1
2
i  i 1

n
 s yy

Para nuestro ejemplo

H 0 ; i  0

H1; i  0 al menos para algún i

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
7
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

ANOVA
Fuente df SS MS F P
Regresión 2 130.5 65.25 59.318 0.000329
Error
5 5.5 1.1
residual
Total 7 136

Finalmente concluyamos e interpretemos

Conclusión Interpretación
Enfrentemos Existe evidencia suficiente para
P vs α decir que al menos una de las
0.000 < 0.02 variables (la temperatura o la
H0 ;   0 presión) le es significativa a el
Como P < α se rechaza i rendimiento.

Análisis de Correlación.

El análisis de correlación nos muestra a través del coeficiente de determinación r2 y el

coeficiente de correlación r que tan bien le queda el modelo propuesto a nuestros datos.
El coeficiente de determinación mide por un lado el porcentaje de la variabilidad
explicada por el modelo, sabemos que: SSTotales  SS Modelo  SS Error entonces
si realizamos la siguiente relación encontramos el coeficiente de determinación, que
mide que porcentaje de la variabilidad total es atribuible al modelo
SS Modelo
r2 
SSTotales
En nuestro ejemplo sabemos que:
136 5.5 130.5

SS TOTALES SSERROR SSMODELO

SS Modelo 130.5
De ahí que: r    0.9596
2

SSTotales 136
Cuando existen muchos términos en el modelo es preferible utilizar el coeficiente de
SS Modelo n 1
determinación ajustado r ajust. 
2
*
SSTotales ( n  k  1)

2
al utilizar r ajust. baja el valor de éste cuando el término que se agrega no aporta algo
al modelo.

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
8
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

En nuestro ejemplo
SS Modelo n 1 130.5 (8  1)
r 2 ajust.  *  *  0.9434
SSTotales ( n  k  1) 136 (8  2  1)

Conclusión Interpretación
r2=0.9434 El 94.34% de la variabilidad total se ve explicada por el
r2=94.34% modelo

El coeficiente de correlación es simplemente la raíz cuadrada del coeficiente de

determinación
r r 2 ajust  .9434  0.9713

Conclusión Interpretación
r = 0.9713
El 97.13% de las variables (x i,y) están relacionadas
r =97.13%

Correlación con el programa:

Tema2 Regresión lineal múltiple y correlación.

2.1 Modelo de regresión múltiple.

2.2 Estimación de la ecuación de regresión múltiple.
2.3 Matriz de varianza-covarianza.
2.5 Correlación lineal múltiple.
2.6 Aplicaciones.

Material y equipo:

 Computadora
 Excel

Metodología:

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
9
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Resolvamos el ejemplo utilizando Minitab, encontrando la ecuación de regresión, la

significancia del modelo y realizando el análisis de correlación.

1. Abre un proyecto en Minitab y llámalo Regresión Lineal, captura la tabla del

ejemplo en una hoja de trabajo que llames Regresión Múltiple.

Fig. 5.3 Preparación Hoja de trabajo regresión.

2. Seleccione Regresión Regresión

Fig. 5.4 Cuadro de diálogo regresión.

3. Aparecerá el siguiente cuadro de diálogo. Llénalo de la siguiente forma:

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
10
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Fig. 5.5 Cuadro de diálogo opción regresión.

4. Para encontrar la ecuación de regresión y la significancia del modelo, entra en la
opción Resultados y llena el cuadro de diálogo como se muestra abajo:

Fig. 5.6 Cuadro dialogo opción regresión resultados.

5. Para hacer la adecuación del modelo, entra en la opción Gráficas y llena el
cuadro de diálogo como se muestra abajo:

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
11
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Fig. 5.7 Cuadro de diálogo regresión gráficas.

6. Ahora entra a la opción Almacenamiento y activa las casillas que se muestran a
continuación para encontrar los valores ajustados ŷi , la matriz de covarianza y
los ei .

Fig. 5.8 Cuadro de diálogo almacenamiento.

7. Una vez activadas todas las casillas descritas da click en Aceptar para visualizar
los resultados obtenidos.

8. Para visualizar la matriz (X’X)-1 matriz de covarianza en la barra de

herramientas selecciona Datos  Mostrar Datos.

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
12
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Fig. 5.9 Cuadro de diálogo para mostrar datos.

9. Aparecerá el siguiente cuadro de diálogo, elije XPT1

Fig. 5.10 Cuadro de diálogo para mostrar la matriz de covarianza

10. Clik en aceptar y en la hoja de sesión aparece la matriz de covarianza.
Presentación de datos

Matriz XPXI1

20.6000 -1.40000 -0.113333

-1.4000 0.60000 0.003333
-0.1133 0.00333 0.000667

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
13
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

11. Interpretación de los resultados.

Salida en la hoja de sesión :

Fig. 5.11 Salida hoja Sesión interpretación de datos.

1. La ecuación de regresión es:

Rendimiento = 39.8 + 3 Concentración+0.25 Temp.
Este modelo indica cuanto cambio en el rendimiento es asociado con cada cambio en la
concentración y temperatura del individuo. En el modelo por cada año de edad el
aumento (pendiente positiva) en el riesgo de un ataque cardiaco es de 1.18

2. Aparecen los valores individuales de los coeficientes de regresión y el valor de T

y P para la prueba individual de significancia.

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
14
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

3. S = 1.04881 R-Sq = 96.0% R-Sq(adj) = 94.3%

El valor S es la raíz cuadrada de la media de los cuadrados del error, el error estándar de
la estimación.

s  MSE

R-Sq coeficiente de determinación que nos muestra que el 96.0% de la variación en el

Rendimiento es explicada por la Concentración y la Temperatura.
R-Sq (adj) es el valor del coeficiente de determinación ajustado, elimina la correlación
casual de las variables predictivas.
De tal forma que R-Sq (adj) mide con mayor propiedad la fuerza de relación entre la
variable respuesta y las variables predictivas, de tal manera que el 94.3% de la
variación en el Rendimiento es explicada por la Concentración y la Temperatura.

Donde:
n 1
R-Sq (adj)= 1  (1  R 2 )
n  k 1
4. Analisis de Varianza

Análisis de varianza

Fuente GL SC CM F P
Regresión 2 130.500 65.250 59.32 0.000
Error residual 5 5.500 1.100 ̂ 2
Total 7 136.000

La variabilidad total de las observaciones es = 136.000

MS Re gresión 65.250
El valor de F    59.32
MS Error 1.1
El valor de P = 0 implica que la variabilidad explicada por el modelo es significativa.
Existe evidencia suficiente para pensar que el modelo ajustado le es significativo para el
Rendimiento de una reacción química.

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
15
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Fig. 5.12 Gráfica del valor de P.

5. Matriz de Covarianza

Matriz XPXI matriz de Covarianza = (X’X)-1

16.3750 -0.75 -0.0916667

-0.7500 0.50 0.0000000
-0.0917 0.00 0.0005556

Esta matriz es conveniente almacenarla para encontrar en forma manual los valores de
los coeficientes de regresión y los errores estándar de cada uno de ellos.

Salida de la hoja de trabajo

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
16
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

Fig. 5.13 Salida de la hoja de trabajo para regresión.

Gráficas
Residual Plots for RIESGO
Normal Probability Plot Versus Fits
99
10
90
Residual

0
Percent

50

-10
10

1 -20
-20 -10 0 10 20 0 15 30 45 60
Residual Fitted Value

Histogram Versus Order

8 10

6
Frequency

Residual

0
4
-10
2

0 -20
-16 -8 0 8 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Residual Observation Order

Fig. 5.14 Gráficas adecuación del modelo de regresión.

Cuatro gráficas en una hoja las gráficas muestran si los datos tienen las condiciones para
ser analizados, recuerde que estas condiciones son: NID (0,  2 ) que los errores tengan
comportamiento normal, independientes con media cero y varianza constante.
Normalidad para la población donde son extraídos los datos
Homogeneidad de varianza.
Aleatoriedad en la extracción de la muestra

 Gráfica1 Normalidad de los errores si los errores tienen comportamiento

normal, loe errores graficados (puntos rojos) se encontrarán cercanos o sobre la

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
17
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

línea dibujada en el papel probabilístico. En el ejemplo cumplen con la

condición.
 Gráfica2 Varianza constante si los datos cumplen esta condición no existirá
patrón alguno para la representación gráfica. En el ejemplo los errores cumplen
la condición.
 Gráfica3 Histograma de los residuos si las muestras son grandes (n> 30) y
provienen de poblaciones normales el histograma tenderá a asumir una forma de
campana de Gauss.
 Gráfica4 Aleatoriedad en la recolección de los datos, estos fueron extraídos
en forma aleatoria la gráfica no presentará patrón alguno. En el ejemplo
cumplen.
Cabe recordar que estas condiciones las examinamos de una forma visual y la
interpretación de las gráficas esta expuesta a la subjetividad del analista. Existen
métodos cuantitativos para probar tales las condiciones.

Sugerencias didácticas:
1. Realizar visitas industriales con el objetivo de consultar casos reales de
aplicación de los conceptos de regresión lineal múltiple en las empresas.
2. Obtener información de la vida real para diseñar, y llevan a cabo la aplicación de
la regresión lineal múltiple.
3. Realizar los ejemplos propuestos del libro en el software Minitab16 y entregar
un reporte escrito según rúbrica.
4. Leer artículos referentes a la aplicación de la regresión lineal múltiple.
5. Al final de la práctica y entrega del reporte que el alumno se autoevalúe
preguntándose algunos aspectos
Aspectos Si No Algo que Aportar Acciones
Soy capaz de
expresar de forma
ordenada y
comprensible todos
los conceptos
anteriores.
Soy capaz de
analizar una
Instituto Tecnológico de Querétaro
Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
18
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

regresión lineal
múltiple.
Soy capaz de
utilizar el software
Soy capaz de
trabajar sin
interferir con los
demás.
Soy capaz de
utilizar dar una
opinión de mi
desempeño
honestamente

Reporte del alumno:

1. Recopila información que permita el análisis de regresión lineal múltiple.

Reporte de los alumnos (según rúbrica en Anexo )

1. Aprender la metodología y los conceptos de una una

regresión lineal múltiple.
2. Encontrar la ecuación de una regresión lineal múltiple.
3. Llevar a cabo el análisis mediante Minitab y utilizando
Competencia a
fórmulas por el método de mínimos cuadrados.
evaluar: 4. Analizar los resultados obtenidos haciendo inferencias para
el proceso relacionarlos para poder concluir y proporcionar
en forma adecuada recomendaciones.
5. Redactar un informe final.
6. Aplicar los conceptos de una regresión lineal múltiple.

Tipo de evaluación: Formativa

Criterios de evaluación:
Realizar el reporte con los lineamientos marcados en rúbrica.
Participar en la práctica.
Manejo del software.
Cumplir con fecha de entrega

Bibliografía:

1. Walpole y Myers Probabilidad y Estadística para ingeniería y ciencias 9ª edición

Editorial: Prentice-Hall.
2. Levin I. Richard. Estadística para administradores. Editorial: Prentice-Hall.

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
19
 MANUAL DE PRÁCTICAS ESTADÍSTICA II

3. Mendenhall. Estadística para administradores. Editorial: Grupo Editorial

Iberoamericana.
4. William Mendenhall, D. Wackerly, L. Scheaffer. Estadística matemática con
aplicaciones. Grupo Editorial Iberoamericana.

Instituto Tecnológico de Querétaro

Regresión Lineal Múltiple
M.C. G. Patricia Yscapa Morán
20