Escolar Documentos
Profissional Documentos
Cultura Documentos
Coatzacoalcos
División de Ingeniería Industrial
No
Control: 17081067 Fecha: 14 / FEB / 19
ÍNDICE
INTRODUCCIÓN 2
1.1 REGRESIÓN LINEAL MÚLTIPLE. 3
1.1.1 PRUEBAS DE HIPÓTESIS EN REGRESIÓN LINEAL MÚLTIPLE. 5
1.1.2 INTERVALOS DE CONFIANZA Y PREDICCIÓN EN REGRESIÓN 7
MÚLTIPLE.
1.1.3 USO DE UN SOFTWARE ESTADÍSTICO 7
1.2 REGRESIÓN NO LINEAL. 9
CONCLUSIÓN 14
REFERENCIAS BILIOGRÁFICAS 15
INTRODUCCIÓN
La técnica de regresión lineal simple está indicada cuando se pretende explicar una
variable respuesta cuantitativa en función de una variable explicativa cuantitativa
también llamada variable independiente, variable regresora o variable predictora.
Por ejemplo, se podría intentar explicar el peso en función de la altura. El modelo
intentaría aproximar la variable respuesta mediante una función lineal de la variable
explicativa.
A partir de la presente investigación, se pretende conocer más acerca de la
regresión lineal, ya que es muy aplicable en la vida laboral.
1.1 REGRESIÓN LINEAL MÚLTIPLE.
Utilizando Minitab
En Minitab la secuencia de captura para la regresión lineal simple o múltiple en la
hoja de cálculo una vez capturada las columnas de datos seleccionamos
Estadísticas luego Regresión seguida de Regresión nuevamente
Estadísticas→ Regresión→ Regresión
y = f(x, θ) + ε
Basado en datos multidimensionales x, θ, donde f es alguna
función no lineal respecto a algunos parámetros
desconocidos θ. Como mínimo, se pretende obtener los
valores de los parámetros asociados con la mejor curva de
ajuste (habitualmente, con el método de los mínimos cuadrados). Con el fin de
determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de
inferencia estadística tales como intervalos de confianza para los parámetros así
como pruebas de bondad de ajuste.
El objetivo de la regresión no lineal se puede clarificar al considerar el caso de la
regresión polinomial, la cual es mejor no tratar como un caso de regresión no lineal.
Cuando la función f toma la forma:
f(x) = ax2 + bx + c
La función f es no lineal en función de x pero lineal en función de los parámetros
desconocidos a, b, y c. Este es el sentido del término "lineal" en el contexto de la
regresión estadística. Los procedimientos computacionales para la regresión
polinomial son procedimientos de regresión lineal (múltiple), en este caso con dos
variables predictoras x y x2. Sin embargo, en ocasiones se sugiere que la regresión
no lineal es necesaria para ajustar polinomios. Las consecuencias prácticas de esta
mala interpretación conducen a que un procedimiento de optimización no lineal sea
usado cuando en realidad hay una solución disponible en términos de regresión
lineal. Paquetes (software) estadísticos consideran, por lo general, más alternativas
de regresión lineal que de regresión no lineal en sus procedimientos.
REGRESIÓN EXPONENCIAL
ln( y) b x ln( a)
a e[ln( y ) b x]
Ejemplo
x y In y x2 x Iny In y2
1 3 1,0986 1 1,0986 1,2069
1,2 3,4 1,2237 1,44 1,4684 1,4974
1,5 5 1,6094 2,25 2,4141 2,5901
2 2 0,6931 4 1,3862 0,4803
3 4,1 1,4109 9 4,2327 1,9906
3,7 5 1,6094 13,69 5,9547 2,5901
4 7 1,9459 16 7,7836 3,7865
4,5 6,5 1,8718 20,25 8,4231 3,5056
Σ 20,9 Σ 36 Σ 11,4628 Σ 67,63 Σ 32,7614 Σ 17,6455
Numero de datos = n = 8
x
x
x promedio = = = 2,6125
n
b
[ x ln( y)] ln( y) x
x x x
2
b= = = 0,216047
a e[ln( y ) b x]
a = eb = e0,216047 = 2,38316
yˆ 2.38316 e 0.2166047x
CONCLUSIÓN
Por otro lado, Al ajustar un modelo de regresión simple o múltiple a una nube de
observaciones es importante disponer de alguna medida que permita medir la
bondad del ajuste. Esto se consigue con los coeficientes de correlación. Si el modelo
que se ajusta es un modelo de regresión lineal, a R se le denomina coeficiente de
correlación y representa el porcentaje de variabilidad de la Y que explica el modelo
de regresión.
Estas técnicas estadísticas constituyen una herramienta útil para el análisis de las
variables de un proceso ya que a través de la aplicación de éstas, es posible conocer
el modelo que siguen y la fuerza con que se encuentran relacionadas.
Asimismo, es posible explicar la relación que guardan dos o más causas de un
posible defecto.
REFERENCIAS BILIOGRÁFICAS