INSTITUTO TECNOLÓGICO SUPERIOR DE ÁLAMO TEMAPACHE

CARRERA:
INGENIERÍA INDUSTRIAL

MATERIA:
ESTADÍSTICA INFERENCIAL 2

TITULO DEL TRABAJO:

ESTUDIO DE CASO EN DONDE SE APLIQUE LA REGRESIÓN LINEAL MÚLTIPLE EN EL
ÁREA DE LA INGENIERÍA INDUSTRIAL.

NOMBRE DEL ALUMNO O NOMBRES SI ES TRABAJO EN EQUIPO:

JOSÉ ABRAHAM DEL ÁNGEL CASTELLANOS

GRUPO
401-XD

UNIDAD QUE SE REPORTA:

1

TITULO DE LA UNIDAD:
REGRESIÓN LINEAL MÚLTIPLE

FECHA DE ENTREGA:
16 DE MARZO DE 2018

1
ÍNDICE: PÁG.

1.- INTRODUCCIÓN…………………………………………………………..3

2.-DESARROLLO………………………………………………………………4

2.1.- DESCRIPCIÓN DE LA SITUACIÓN REAL O PROBLEMÁTICA…...4

2.2.- ANÁLISIS DEL PROBLEMA……………………………………………5

2.3.- DETERMINAR LA SOLUCIÓN…………………………………………6

3.-RESULTADO………………………………………………………………..6

3.-CONCLUSIÓN……………………………………………………………….8

4.-BIBLIOGRAFIA………………………………………………………………8

2
1.- INTRODUCCIÓN:

A continuación se presentara un estudio del caso aplicado con la regresión lineal

múltiple en la ingeniería industrial. Antes de comenzar tenemos que tener que es
una regresión lineal múltiple.
El modelo de regresión múltiple es la extensión a k variables explicativas del modelo
de regresión simple. La estructura del modelo de regresión múltiple es la siguiente:
y = f (x1,. . ., xk) + E.
Donde:
 y es la variable explicada, dependiente o respuesta.

 x1,. . ., xk son las variables explicativas, regresores o variables

independientes.

 y = f (x1,. . ., xk) es la parte determinista del modelo.

 E representa el error aleatorio. Contiene el efecto sobre y de todas las

variables distintas de x1,. . ., xk.

El modelo de regresión lineal múltiple tiene la forma:

y = β0 + β1x1 + · · · + βk xk

El modelo de regresión lineal múltiple se utiliza cuando:

 La variable dependiente, Y, depende linealmente de cada una de las variables

explicativas, X1,. . ., Xk.

 Un regresor no basta para explicar suficientemente la variabilidad de Y.

3
 2.- DESARROLLO:
2.1.- DESCRIPCIÓN DE LA SITUACIÓN REAL O PROBLEMÁTICA:

Un ingeniero Industrial pretende estimar los gastos de producción en una empresa

constructora en base a la información que proporcionan las variables regresoras
“ingresos mensuales y número de miembros de la empresa”. Para ello se recoge
una muestra aleatoria simple de 15 miembros, cuyos resultados se facilitan en la
siguiente tabla adjunta. (El gasto e ingreso se expresan en cien mil euros).

Tabla No.1.-Gastos de producción e ingresos mensuales

Gasto Ingresos Tamaño 𝑿𝟐𝟏 𝑿𝟐𝟐 𝑿𝟏 𝑿𝟐 𝑋1 𝑌1 𝑿𝟐 𝒀𝟏

producción (𝑿𝟏 ) (𝑿𝟐 )
(𝒀𝟏 )
0,43 2,10 3 4,41 9 6,3 0,903 1,29
0,31 1,10 4 1,21 16 4,4 0,341 1,24
0,32 0,90 5 0,81 25 4,5 0,288 1,6
0,46 1,60 4 2,56 16 6,4 0,736 1,84
1,25 6,20 4 38,44 16 24,8 7,750 5
0,44 2,30 3 5,29 9 6,9 1,012 1,32
0,52 1,80 6 3,24 36 10,8 0,936 3,12
0,29 1,00 5 1 25 5 0,29 1,45
1,29 8,90 3 79,21 9 26,7 11,481 3,87
0,35 2,40 2 5,76 4 4,8 0,84 0,7
0,35 1,20 4 1,44 16 4,8 0,42 1,4
0,78 4,70 3 22,09 9 14,1 3,666 2,34
0,43 3,50 2 12,25 4 7 1,505 0,86
0,47 2,90 3 8,41 9 8,7 1,363 1,41
0,38 1,40 4 1,96 16 5,6 0,532 1,52
∑ = 8,07 ∑ = 42 ∑ = 55 ∑ = 188,08 ∑ = 219 ∑ = 140,8 ∑ = 32,063 ∑ = 28,96

Fuente:
De la Fuente, S. (2011). Regresión Múltiple. Madrid: UAM.

4
2.2.- ANÁLISIS DEL PROBLEMA:

Primero se analizara las relaciones entre todas las parejas de variables, en

particular la relación de Y con cada una de las variables independientes.
El resultado de nuestra grafica es la siguiente:

5
Total

0
0 2 4 6 8 10 12 14 16
Ingresos de producción

Figura No. 1.- Gastos de producción y total

Fuente: Propia

4
Toral

0
0 2 4 6 8 10 12 14 16
Ingresos

Figura No.2.- Ingresos y total

Fuente: Propia

5
En la Figura No. 1 se puede observar que la variable independiente ingresos de
producción tiene una decaída, es decir que los gastos de producción bajaron
notablemente, al igual en la Figura No. 2 los ingresos van disminuyendo.

2.3.- DETERMINAR LA SOLUCIÓN:

En forma matricial: 𝑌 = 𝑋𝛽 + 𝜇, 𝛽̌ = [𝑋 ′ 𝑋]−1 𝑋′𝑌, donde X’ matriz transpuesta

1 2,1 3
0,43
1 1,1 4
0,31
1 0,9 5
0,32
1 1,6 4
0,46
1 6,2 4
1,25
1 2,3 3
0,44 𝑢1
1 1,8 6 𝛽0
0,52 𝑈
𝑌= = 𝑋𝛽 + 𝑈 1 1 5 (𝛽1 )+ ( 2 )
0,29 𝑈3
1 8,9 3 𝛽2
1,29
1 2,4 2
0,35
1 1,2 4
0,78
1 4,7 3
0,43
1 3,5 2
0,47
1 2,9 3
(0,38)
(1 1,4 4)

Aplicando el criterio de los mínimos cuadrados ordinarios MCO, la función que mejor
se ajusta a los datos es la que minimiza la varianza del error U, lo que conlleva a un
sistema de ecuaciones normales:

∑15 15 15
𝑖=1 𝑌𝑖 = 𝑁𝛽0 + 𝛽1 ∑𝑖=1 𝑋1𝑖 + 𝛽2 ∑𝑖=1 𝑋2𝑖
Ecuaciones normales MCO= ( ∑15 15 2
𝑖=1 𝑌𝑖 = 𝛽0 ∑𝑖=1 𝑋1𝑖 + 𝛽1 ∑𝑖=1 𝑋1𝑖 𝑋2𝑖 )
15 15 15 15 2
∑𝑖=1 𝑋2𝑖 𝑌𝑖 = 𝛽0 ∑𝑖=1 𝑋2𝑖 + 𝛽1 ∑𝑖=1 𝑋1𝑖 𝑋2𝑖 + 𝛽2 ∑𝑖=1 𝑋 2𝑖

Con lo cual:
15 𝛽0 + 42𝛽1 + 55𝛽2 = 8,07
42𝛽0 + 188,08𝛽1 + 140,08𝛽2 = 32,063
55𝛽0 + 140,08𝛽1 + 219𝛽2 = 28,96

6
En la forma matricial:
x’,y
𝑥𝑥 𝑥𝑥
⏞ 42 55 𝛽0 8,07 ̂0
𝛽 ⏞ − 0,092 − 0,282
15 1,36 8,07
𝛽
42 188,08 140,8 ( 1 ) = ( 32,063 ) ̂
(𝛽1 )= −0,092 0,016 0,013 (32,063)
55 140,8 219 𝛽2 28,96 ̂2 −0,282 0,013 0,067
𝛽 28,96

̂0
𝛽 −0,16
̂
(𝛽1 ) = ( 0,149 ) Y= −0,16 + 0,149 𝑋1 + 0,77 𝑋2 + 𝑟𝑒𝑠𝑖𝑑𝑢𝑜
̂2
𝛽 0,077

A partir de la ecuación 𝑌 ̂0 + 𝛽
̂𝑖 = 𝛽 ̂1 𝑋1𝑖 + 𝛽
̂2 𝑋2𝑖 se obtienen las predicciones y
̂𝑖 a las observaciones muéstrales. De este modo, para
residuos asociados 𝑈𝑖 = 𝑌𝑖 − 𝑌
la primera observación (𝑌1 = 0,43; 𝑋11 = 2,1; 𝑋21=3), se tiene:

𝑌 = −0,16 + 0,149(2,1) + 0,077(3) = 0,3839

{
𝑈1 = 𝑌1 − 𝑌̂1 = 0,43 − 0,3839 = 0,0461

3.-RESULTADO:

Nos planteamos si la variable 𝑋2 (tamaño) influye sobre la variable de respuesta

Y(gastos). En otras palabras, si el valor del parámetro en la población es cero o no

Para ello, se establece la hipótesis nula 𝐻𝑂 : 𝛽2 = 0 frente a la hipótesis alternativa

𝐻1 : 𝛽2 ≠ 0.

̂ −𝛽2
𝛽 𝛽2
El estadístico observado 𝑡 = , bajo la hipótesis nula resulta t =
𝑆𝑅 √𝑞33 𝑆𝑅 √𝑞33

Por tanto,

̂2 = 0,077 𝑆𝑅 𝑞33 = (0,0775)√0,0004 = 0,00155

𝐵 𝑡0,05,12 = 1,782

𝛽2 0,077
El estadístico experimental t = = = 49,67
𝑆𝑅 √𝑞33 0,00155

Siendo |𝑡| > 𝑡0,05,12 se rechaza la hipótesis nula, afirmando, con un 90% de
fiabilidad, que el número de miembros de la empresa influye en los gastos de
producción.

7
 4.- CONCLUSIÓN:

La regresión múltiple se usa con mayor frecuencia en las publicaciones de las

investigaciones cuando se requiere crear un modelo donde se seleccionan variables
que pueden influir en la respuesta, descartando aquellas que no aportan
información, cuando se requiere detectar la interacción entre variables
independientes que afectan a la variable y cuando se requiere identificar variables
confusoras.

5.- BIBLIOGRAFÍA:

¿Qué es la regresión múltiple? (2010). Obtenido de

http://estadisticauazteca.blogspot.mx/2010/07/regresion-multiple.html
Palomo Sanchez, J. G. (2011). Regresión Lineal Múltiple. Obtenido de
http://ocw.upm.es/estadistica-e-investigacion-operativa/introduccion-a-la-
estadistica-basica-el-diseno-de-experimentos-y-la-regresion-
lineal/contenidos/Material-de-clase/Regresion-lineal-multiple.pdf
Practicas y problemas de regresión lineal múltiple. (2006). Obtenido de
http://dm.udc.es/asignaturas/estadistica2/documentos-
pdf/Practica_5_2006.pdf
Regresión Múltiple. (2011). Obtenido de
http://www.estadistica.net/ECONOMETRIA/MULTIVARIANTE/REGRE_MU
LTIPLE/regresion-multiple.pdf