Você está na página 1de 21

TECNOLOGICO NACIONAL DE MEXICO

Instituto Tecnolgico del Istmo

ESPECIALIDAD:
ING. INDUSTRIAL

MATERIA:
ESTADSTICA INFERENCIAL II

TEMA:
REGRESIN LINEAL MLTIPLE

UNIDAD:
1

CATEDRTICO:

ING. MARGARITA GUADALUPE RUIZ CELAYA

ALUMNO:
JOSIN ROSALINO RIOS SANTOS

SEMESTRE: GRUPO:
5. 4Q
1

HEROICA CD. DE JUCHITAN, DE ZARAGOZA OAX. 16 DE SEPTIEMBRE DEL 2016


Regresin lineal mltiple
Contenido
Introduccion.
1.1. Regresin lineal mltiple.

1.1.1. Pruebas de hiptesis en regresin lineal mltiple.

1.1.2. Intervalos de confianza y prediccin en regresin mltiple.

1.1.3. Uso de un software estadstico.

1.2. Regresin no lineal.

Bibliografa.
INTRODUCCIN

La Estadstica Inferencial nos permite trabajar con una variable a nivel de intervalo o razn, as tambin
se puede comprender la relacin de dos o ms variables y nos permitir relacionar mediante ecuaciones,
una variable en relacin de la otra variable llamndose Regresin Lineal y una variable en relacin a
otras variables llamndose Regresin mltiple.

En la prctica de la investigacin estadstica, se encuentran variables que de alguna manera estn


relacionados entre s, por lo que es posible que una de las variables puedan relacionarse
matemticamente en funcin de otra u otras variables.

La Regresin se define como un procedimiento mediante el cual se trata de determinar si existe o no


relacin de dependencia entre dos o ms variables. Es decir, conociendo los valores de una variable
independiente, se trata de estimar los valores, de una o ms variables dependientes.

La regresin en forma grafica, trata de lograr que una dispersin de las frecuencias sea ajustada
a una lnea recta o curva.
1.1. Regresin lineal mltiple

En muchas situaciones prcticas existen varias variables independientes que se cree que
influyen o estn relacionadas con una variable de respuesta , y por lo tanto ser
necesario tomar en cuenta si se quiere predecir o entender mejor el comportamiento de
. Por ejemplo, para explicar o predecir el consumo de electricidad en una casa
habitacin tal vez sea necesario considerar el tipo de residencia, el nmero de personas
que la habitan, la temperatura promedio de la zona, etctera.

Sea variables independientes o regresoras, y sea una variable de


respuesta, entonces el modelo de regresin lineal mltiple con
independientes es el polinomio de primer orden:}

Donde los son los parmetros del modelo que se conocen como coeficientes
de regresin y es el error aleatorio, con media cero, . Si en la
ecuacin , estamos en el caso de regresin lineal simple y el modelo es una lnea recta;
si , tal ecuacin representa un plano. En general, la ecuacin representa un hiperplano
en el espacio de dimensiones generado por las variables
{ }.
El trmino lineal del modelo de regresin se emplea debido a que la ecuacin
es funcin lineal de los parmetros desconocidos La interpretacin de stos es muy
similar a lo ya explicado para el caso de regresin lineal simple:es la ordenada al
origen, y mide el cambio esperado en por cambio unitario en cuando el resto de
las variables regresoras se mantienen fijas o constantes.
Para encontrar los coeficientes de regresin mltiple por el mtodo de mnimos
cuadrados aplicamos el siguiente sistema de ecuaciones normales:

.2

Estas ecuaciones se pueden resolver para , y mediante cualquier


mtodo apropiado para resolver sistemas de ecuaciones lineales

Por ejemplo La siguiente tabla muestra los pesos Y a la libra ms cercana, las
estaturas X1 a la pulgada ms cercana y las edades X2 al ao ms cercano de 12
muchachos.
Tabla 1.5 Peso, estatura y edad
Peso Estatura Edad

64 57 8
71 59 10
53 49 6
67 62 11
55 51 8
58 50 7
77 55 10
57 48 9
56 52 10
51 42 6
76 61 12
68 57 9

Para encontrar los coeficientes de regresin ( , y ) mltiple mediante el


mtodo de mnimos cuadrados seria de la siguiente manera

Tabla 1.6 Procedimiento para realizar los clculos para la regresin mltiple

Y X1 X2 Y2 X 12 X 22 X 1Y X 2Y X1 X 2
64 57 8 4096 3249 64 3648 512 456
71 59 10 5041 3481 100 4189 710 590
53 49 6 2809 2401 36 2597 318 294
67 62 11 4489 3844 121 4154 737 682
55 51 8 3025 2601 64 2805 440 408
58 50 7 3364 2500 49 2900 406 350
77 55 10 5929 3025 100 4235 770 550
57 48 9 3249 2304 81 2736 513 432
56 52 10 3136 2704 100 2912 560 520
51 42 6 2601 1764 36 2142 306 252
76 61 12 5776 3721 144 4636 912 732
68 57 9 4624 3249 81 3876 612 513

y x1 x2 y 2 x12 x22 x1 y x2 y x1 x2
753 643 106 48,139 34,843 976 40,830 6,796 5,779

Al sustituir las sumatorias calculadas en las ecuaciones normales, se obtiene


Resolver este sistema de tres ecuaciones lineales para , y , es por lo
menos tedioso. Es comn emplear matrices para simplificar el proceso. Hoy en da, esta
clase de clculos son realizados por la computadora.

El resultado seria el siguiente , y por lo


tanto la ecuacin de regresin es

La solucin manual aplicando el sistema de tres ecuaciones lineales con tres


incgnitas (3x3) pudiera ser aplicando el mtodos de eliminacin de Gauss o bien el
mtodo de Cramer. Para este tipo de planteamiento se recomienda el mtodo de Cramer
el cual consiste en la siguiente secuencia:

Siguiendo la misma secuencia de la multiplicacin para el denominador, as


como para y

Sustituyendo los valores tendremos


753 643 106 753 643
40,830 34,843 5,779 40,830 34,843
6,796 5,779 976 6,796 5,779

12 643 106 12 643


643 34,843 5,779 643 34,843
106 5,779 976 106 5,779

(2.56070963x1010+ 2.525323601x1010+ 2.501139642x1010) (2.510006097x1010+ 2.514782127x1010+ 2.562360144x1010)

( 408081216 + 393885082 + 393885082 ) ( 391495948 + 400762092 + 403526224 )

Siguiendo el mismo procedimiento correspondiente para y tenemos los


coeficientes de regresin mltiple

Anlisis de regresin: Peso vs. Estatura; Edad en


Minitab

La ecuacin de regresin es
Peso = 3,7 + 0,855 Estatura + 1,51 Edad
Coef.
Predictor Coef de EE T P
Constante 3,65 16,17 0,23 0,826
Estatura 0,8546 0,4517 1,89 0,091
Edad 1,506 1,414 1,07 0,315
S = 5,36321 R-cuad. = 70,9% R-cuad.(ajustado) = 64,4%
Anlisis de varianza
Fuente GL SC MC F P
Regresin 2 629,37 314,69 10,94 0,004
Error residual 9 258,88 28,76
Total 11 888,25
Resultados en Excel
Resumen

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,841756673
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12

ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%


Intercepcin 3,651215805 16,16780562 0,22583249 0,82637676 -32,9229014
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125373
Edad 1,50633232 1,414265835 1,06509843 0,31457045 -1,692959262

Anlisis de los residuales

Observacin Pronstico Peso Residuos


1 64,41464032 -0,414640324
2 69,13652482 1,863475177
3 54,56509625 -1,565096251
4 73,20668693 -6,20668693
5 59,28698075 -4,28698075
6 56,9260385 1,073961499
7 65,71808511 11,28191489
8 58,22948328 -1,229483283
9 63,15425532 -7,154255319
10 48,58282675 2,417173252
11 73,85840932 2,141590679
12 65,92097264 2,079027356

1.1.1. Pruebas de hiptesis en regresin lineal mltiple


Las hiptesis sobre los parmetros del modelo son equivalentes a las realizadas para
regresin lineal simple, pero ahora son ms necesarias porque en regresin mltiple
tenemos ms parmetros en el modelo; sin embargo, por lo general es necesario evaluar
su verdadera contribucin a la explicacin de la respuesta. Tambin requerimos de la
suposicin de que los errores se distribuyen en forma normal, independientes, con
media cero y varianza . Una consecuencia de esta suposicin es que
las observaciones son: .

La hiptesis global ms importante sobre un modelo de regresin mltiple


consiste en ver si la regresin es significativa. Esto se logra probando la siguiente
hiptesis:

Aceptar significa que ningn trmino o variable en el modelo tiene una


contribucin significativa al explicar la variable de respuesta . Mientras que rechazar
implica que por lo menos un trmino en el modelo contribuye de manera
significativa a explicar . El procedimiento para probar esta hiptesis es una
generalizacin del procedimiento utilizado para probar la hiptesis equivalente en
regresin lineal simple.
El estadstico de prueba para la significancia del modelo de regresin lineal
mltiple esta dado por:

que bajo tiene una distribucin . As, se rechaza si


o tambin si

Ejemplo
Se probar la significacin de la regresin (con utilizando los datos de los
pesos , estaturas y edades de la tabla 1.5

El valor de calculado por formula nos da un valor de = 10,9402 ,por


comodidad observamos el resumen arrojado por Excel y/o Minitab

10,94

En tanto que el valor de encontrado en tablas cuando tenemos un nivel de


significancia de 0,05 y 2 grados de libertad en el numerador y 9 en el denominador el
cual es igual a 4,26

= =

Se rechaza la Hiptesis nula

Dado que el valor encontrado en formula es mayor al punto crtico en base al


nivel de significancia por lo que rechazamos la hiptesis nula y aceptamos la alterna lo
cual implica que por lo menos un trmino en el modelo contribuye de manera
significativa a explicar

Tabla ANOVA para la significancia del modelo de regresin lineal mltiple

Fuente de Suma de Grados de Cuadrado


variacin cuadrados libertad medio
Regresin K

Error o residuo

Total n-1
Resumen

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,841756673
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12

ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%


Anlisis
Intercepcin de varianza en Minitab
3,651215805 16,16780562 0,22583249 0,82637676 -32,9229014
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125373
Fuente
Edad GL SC MC
1,50633232 F P 1,414265835 1,06509843 0,31457045 -1,692959262

Regresin
Anlisis de los residuales 2 629,37 314,69 10,94 0,004Error
residual 9 258,88 28,76
Observacin Pronstico Peso Residuos
Total 11 888,25 1 64,41464032 -0,414640324
2 69,13652482 1,863475177
3 54,56509625 -1,565096251
Coeficiente de determinacin 4
5
73,20668693
59,28698075
-6,20668693
-4,28698075
6 56,9260385 1,073961499
El que un modelo sea significativo no necesariamente implica que sea bueno en
7
8
65,71808511
58,22948328
11,28191489
-1,229483283
trminos de que explique la variacin de los datos. Por ello es importante tener
9 63,15425532 -7,154255319
10 48,58282675 2,417173252
mediciones adicionales de la calidad del ajuste del modelo, como las grficas de
11 73,85840932 2,141590679
residuales y el coeficiente de determinacin. Con la informacin del anlisis de varianza
12 65,92097264 2,079027356

de la tabla 1.7 es muy sencillo calcular el coeficiente de determinacin , y el


coeficiente de determinacin ajustado :

Ambos coeficientes se interpretan de forma similar al caso de regresin lineal


simple, es decir, como el porcentaje de variabilidad de los datos que son explicados por
el modelo. Se cumple que ; en general, para hablar de un modelo que
tiene un ajuste satisfactorio es necesario que ambos coeficientes tengan valores
superiores a 0,7. Cuando en el modelo hay trminos que no contribuyen de manera
significativa a ste, el tiende a ser menor que el . Por lo tanto, es deseable
depurar el modelo y para ello las siguientes pruebas de hiptesis son de mucha utilidad.

Para los datos de la tabla 1.5 tenemos que


Coeficiente de correlacin mltiple
Es la raz cuadrada del coeficiente de determinacin

y es una medida de la intensidad de la relacin entre la variable dependiente, , y el


conjunto de variables o trminos en el modelo

Error estndar de estimacin


Al igual que en regresin lineal simple, el error estndar de estimacin proporciona la
medida del error de ajuste de un modelo, stas tienen una interpretacin similar a la que
se dio para el caso de regresin lineal simple. En cuanto al clculo en el caso mltiple,
el error estndar de estimacin,

En el caso del ejemplo de los pesos, estatura y edades tenemos

1.1.2. Intervalos de confianza y prediccin en regresin mltiple


En los modelos de regresin mltiple con frecuencia es conveniente construir
estimaciones de intervalos de confianza para los coeficientes de regresin . Por
ejemplo, a partir de la tabla 1.6 es claro que un estimador por intervalos de cada
coeficiente en lo individual est dado por:

Tabla 1.8 Anlisis de regresin mltiple


Parmetro Estimacin Error estndar Estadstico Valor-p
Intercepcin

. . .
. . .
.
.
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12

ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%


Intercepcin 3,651215805 16,16780562 0,22583249 0,82637676 -32,9229014
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125373
Edad 1,50633232 1,414265835 1,06509843 0,31457045 -1,692959262

Anlisis de los residuales

Observacin Pronstico Peso Residuos


Tambin es posible
1 obtener un intervalo
64,41464032 -0,414640324 de confianza con respecto a la respuesta
2 69,13652482 1,863475177
media en un punto particular,
3 digamos -1,565096251
54,56509625 est dado por:
4 73,20668693 -6,20668693
5 59,28698075 -4,28698075
6 56,9260385 1,073961499
7 65,71808511 11,28191489
8 58,22948328 -1,229483283
9 63,15425532 -7,154255319
10 48,58282675 2,417173252
11 73,85840932 2,141590679
12 65,92097264 2,079027356
Ejercicios de regresin lineal mltiple

Por qu se requiere la regresin lineal mltiple?

Se realizo un estudio para investigar la relacin de la resistencia al corte del terreno


( ) con la profundidad en pies ( ) y el contenido de humedad . Se hicieron 10
observaciones, obtenindose las siguientes cantidades resumidas
, , , , , , ,
, y

a) Establezca las ecuaciones normales de mnimos cuadrados para el modelo

b) Estime los parmetros del modelo del inciso a)


c) Cul es la resistencia predicha cuando pies y ?

15.- En una empresa dedicada a anodizar artculos de aluminio (bateras de cocina), el


anodizado se logra con una solucin hecha a base de cidos (sulfrico, ctrico, brico) y
dicromato de aluminio. En este proceso se controla el pH de la solucin, la temperatura,
la corriente y el tiempo de permanencia. Debido al poco grosor del anodizado, han
aumentado las quejas por la escasa resistencia y durabilidad del producto. Para resolver
este problema se decide estudiar, mediante un experimento, la relacin del pH y la
temperatura con el grosor del anodizado. Los datos se muestran en la siguiente tabla:

pH Temperatura Espesor
1,2 -8 9
1,8 -8 14
1,2 8 10
1,8 8 19
1,2 -8 8
1,8 -8 12
1,2 8 11
1,8 8 20
1,5 0 14
1,5 0 13

a) Cules son las variables independientes y cul la dependiente? Argumente


b) Ajuste un modelo del tipo y anote la
ecuacin del modelo ajustado
c) A partir del modelo ajustado, cul es el espesor estimado cuando se utiliza un
pH = 2 y una temperatura de 10 grados?
d) El modelo es adecuado? Argumente con base en graficas de residuos, pruebas
de hiptesis y coeficientes de determinacin.

Se realiz un experimento para estudiar el sabor del queso panela en funcin de la


cantidad del cuajo y la sal. La variable de respuesta observada es el sabor promedio
reportado por un grupo de cinco panelistas que probaron todos los quesos y los
calificaron en una escala hednica. Los datos obtenidos se muestran a continuacin:

Sal Cuajo Sabor


6 0,3 5,67
5,5 0,387 7,44
4,5 0,387 7,33
4 0,3 6,33
4,5 0,213 7,11
5,5 0,213 7,22
5 0,3 6,33
5 0,3 6,66

a) Ajuste el modelo
b) El modelo explica la variacin observada en el sabor? Argumente con base en la
significancia del modelo, los residuales y el coeficiente de determinacin.
c) Ajuste un modelo que incluya trminos cuadrticos y analice con detalle la calidad del
ajuste aplique las pruebas de hiptesis
d) Compare el error estndar de estimacin ( y los coeficientes de determinacin
( ) para ambos modelos
e) Cul modelo prefiere para explicar el sabor?

Se piensa que la energa elctrica consumida mensualmente por una planta qumica
se relaciona con la temperatura ambiente promedio ( , el nmero de das laborales del
mes ( , la pureza promedio del producto y las toneladas del producto producidas
. Se cuenta con los datos del ltimo ao, los cuales se presentan en la tabla
siguiente:

240 25 24 91 100
236 31 21 90 95
290 45 24 88 110
274 60 25 87 88
301 65 25 91 94
316 72 26 94 99
300 80 25 87 97
296 84 25 86 96
267 75 24 88 110
276 60 25 91 105
288 50 25 90 100
261 38 23 89 98

a) Ajuste un modelo de regresin lineal mltiple a estos datos


b) Prediga el consumo de electricidad para un mes en el que ,
das y toneladas
c) Calcule para este modelo. Interprete esta cantidad
d) Grafique los residuales contra . Interprete la grafica

1.1.3. Uso de un software estadstico


Para capturar la tabla de datos para el anlisis de regresin lineal mltiple,
primeramente capturamos los datos en la hoja de clculo, posteriormente activamos
Datos seguido de Anlisis de datos y seleccionamos Regresin, y aceptar

Datos Anlisis de datos Regresin

En la ventana de captura se solicitar el rango de celdas donde se encuentran los


datos para la variable dependiente Rango de entrada y para la(s) variable(s)
regresora(s) Rango de entrada (para los datos de X1 y X2, se sombrean ambos
simultneamente con el ratn, en este caso a partir de la columna 2)
Activamos la casilla de rtulos, por default est indicado en una hoja nueva,
seleccionamos adems cualquiera de las opciones de residuos, grafica de residuales, y
curva de regresin ajustada y aceptar y tendremos el resultado.

Resumen

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,841756673
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12

ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepcin 3,651215805 16,16780562 0,22583249 0,82637676 -32,92290147 40,22533308 -32,92290147 40,22533308
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125376 1,876345234 -0,167125376 1,876345234
Edad 1,50633232 1,414265835 1,06509843 0,31457045 -1,692959268 4,705623908 -1,692959268 4,705623908

Utilizando Minitab
En Minitab la secuencia de captura para la regresin lineal simple o mltiple en la hoja
de clculo una vez capturada las columnas de datos seleccionamos Estadsticas luego
Regresin seguida de Regresin nuevamente

Estadsticas Regresin Regresin

De la ventana desplegada en respuesta indicamos la variable de respuesta, en


este caso es resistencia y en predictor indicamos porcentaje de fibra activando tambin
cualquiera de las opciones posibles, terminando en aceptar.
Nota: De la ventana de captura aparecen automticamente en el cuadro de la izquierda
la informacin de la tabla, en respuesta , se indica con un clic del ratn en peso y este
automticamente se manifiesta, en predictores de igual manera se da un clic a cada uno
y estos se manifiestan en el recuadro.

Anlisis de regresin: Peso vs. Estatura; Edad

La ecuacin de regresin es
Peso = 3,7 + 0,855 Estatura + 1,51 Edad

Coef.
Predictor Coef de EE T P
Constante 3,65 16,17 0,23 0,826
Estatura 0,8546 0,4517 1,89 0,091
Edad 1,506 1,414 1,07 0,315
S = 5,36321 R-cuad. = 70,9% R-cuad.(ajustado) =
64,4%Anlisis de varianzaFuente GL SC MC
F P
Regresin 2 629,37 314,69 10,94 0,004
Error residual 9 258,88 28,76
Total 11 888,25
Fuente GL SC sec.
Estatura 1 596,74
Edad 1 32,63
Observaciones poco comunes
Ajuste ResiduoObs Estatura Peso Ajuste SE Residuo
estndar
7 55,0 77,00 65,72 1,96 11,28 2,26
RR denota una observacin con un residuo estandarizado grande.
1.2. Regresin no lineal
Si las dos variables X y Y se relacionan segn un modelo de lnea recta, se habla de
regresin lineal simple

Cuando las variables X y Y se relacionan segn una lnea curva, se habla de


regresin no lineal o curvilnea. Aqu se puede distinguir entre regresin parablica,
exponencial, potencial etc.

Supongamos que al hacer la representacin grfica de la distribucin


bidimensional. Se observa una clara relacin entre las dos variables, pero desde luego,
esa relacin no es lineal.

Por tanto, debemos buscar la funcin que ha de describir la dependencia entre


las dos variables.

Nos limitaremos al estudio de las ms utilizadas: la funcin parablica, la


logartmica, la exponencial y la potencial.

Parbola de Regresin
En muchos casos, es una funcin de segundo grado la que se ajusta lo suficiente a la
situacin real dada.
La expresin general de un polinomio de 2 grado es:

donde a, b y c son los parmetros.

El problema consiste, por tanto, en determinar dichos parmetros para una


distribucin dada. Seguiremos para ello, un razonamiento similar al que hicimos en el
caso del modelo de regresin lineal simple, utilizando el procedimiento de ajuste de los
mnimos cuadrados, es decir, haciendo que la suma de los cuadrados de las desviaciones
con respecto a la curva de regresin sea mnima:

donde, siguiendo la notacin habitual, yi son los valores observados de la variable


dependiente, e los valores estimados segn el modelo; por tanto, podemos escribir D
de la forma:
Para encontrar los valores de a, b y c que hacen mnima la expresin anterior,
deberemos igualar las derivadas parciales de D con respecto a dichos parmetros a cero
y resolver el sistema resultante. Las ecuaciones que forman dicho sistema se conocen
como ecuaciones normales de Gauss (igual que en el caso de la regresin lineal
simple).

Funcin Exponencial, Potencial y Logartmica


El problema de ajustar un modelo potencial, de la forma y uno exponencial
se reduce al de la funcin lineal, con solo tomar logaritmos.

Modelo potencial:
Si tomamos logaritmos en la expresin de la funcin potencial, obtendremos:

Como vemos es la ecuacin de una recta: , donde ahora .


De modo que el problema es sencillo, basta con transformar Y en y X en y
ajustar una recta a los valores transformados. El parmetro b del modelo potencial
coincide con el coeficiente de regresin de la recta ajustada a los datos transformados, y
A lo obtenemos mediante el antilog(a).

Modelo exponencial:
Tomando logaritmos en la expresin de la funcin exponencial, obtendremos:

Tambin se trata de la ecuacin de una recta , pero ahora


ajustndola a y a X; de modo que, para obtener el parmetro A del modelo
exponencial, basta con hacer antilog(a), y el parmetro B se obtiene tomando antilog(b).

Modelo logartmico:
La curva logartmica Y = a + b es tambin una recta, pero en lugar de estar
referida a las variables originales X e Y, est referida a y a Y.

Hemos visto, cmo, a pesar de ser inicialmente modelos mucho ms complejos


que el de una recta, estos tres ltimos se reducen al modelo lineal sin ms que
transformar adecuadamente los datos de partida.
Conclusion
La importancia de la estadistica inferencial es que nos perimte trabajar con
variables e intervalos los cuales nos relacionan con ecuaciones, ya sea entre una
variable o en relacion a otras como es la regresin lineal mltiple ya que el
anlisis de la regresin lineal mltiple es desarrollar un modelo estadstico que
se pueda usar para predecir los valores de una variable dependiente o de
respuestas basadas en los valores de al menos una variable independiente, la cual
identifica, aplica y analiza mediante las tcnicas de regresin y asi evaluar los
procesos en las tomas de decisiones en la solucin de los problemas.
Bibliografa
BERENSON, M.L.; LEVINE, D.M.; KREHBIEL, T.C. 2001. Segunda edicin.
Estadstica para Administracin. Prentice Hall.

MONTGOMERY, C.D.; G.C, RUNGER. 2010. Segunda edicin. Probabilidad y


Estadstica. LIMUSA WILEY

GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edicin. Anlisis y Diseo


de Experimentos. Mc Graw Hill.

WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edicin. Probabilidad y
Estadstica Para Ingenieros. Pearson Education

ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A.2005. Octava edicin.


Estadstica para Administracin y Economa. MATH LEARNING

Você também pode gostar