Académique Documents
Professionnel Documents
Culture Documents
NDICE
1. INTRODUCCIN
2. FUNDAMENTO TERICO
2.1.2.1.
2.1.2.2.
2.2.2.1.
9
10
10
13
13
14
17
4. CONCLUSIONES
18
5. BIBLIOGRAFA
19
Y a0 a1 x1 u
En la regresin lineal mltiple manejaremos ms de una variable explicativa, y al igual que
la regresin lineal simple, vamos a considerar que los valores de la variable dependiente Y
han sido generados de una combinacin lineal de los valores de las variables explicativas:
Y b0 b1 x1 b2 x2 ... bk x1 u
Este mtodo se adapta a una amplia variedad de situaciones. Por ejemplo en el campo de
la Fsica se utiliza para caracterizar la relacin entre variables o para evaluar medidas. En
los laboratorios de Qumica se a menudo se usa una regresin lineal para calibrar los
instrumentos de anlisis cuantitativo. En la investigacin social el anlisis de regresin
lineal se utilizar para predecir fenmenos. En el estudio de mercados para determinar en
qu medio invertir, etc.
2.1.
FUNDAMENTO TEORICO.-
a0
y a1 obteniendo el mejor ajuste. Pero en una nube de puntos realista como el de nuestro ejemplo
se podra trazar muchas rectas diferentes y cada una se ajustara tambin diferente a la nube de
puntos.
Existen diferentes mtodos para este ajuste cada uno de ellos intenta minimizar una medida
diferente del grado de ajuste, pero el ms usado es el de la recta que hace mnima la suma de los
cuadrados de las diferencias verticales entre cada punto y la recta.
4
[ y (Yi )]2
u2
Min i
n
n
2
[ y (a0 a1 x)]
Min i
n
Min( 2 ) Min
Es decir, se calcularn los parmetros de la recta de regresin de forma que dicha recta pase lo
ms cerca posible (en promedio) de todos los puntos.
Derivando la expresin anterior respecto de los parmetros, igualando a cero y aplicando un poco
de algebra obtenemos las expresiones de la estimacin de cada parmetro.
Derivando respecto de
a0
y a (a1x)
U 2
2 ( yi a0 a1xi ) i o
0
a0
a
0
0
0
U 2
2 ( yi a0 a1xi )(1)
a1
n
i 1
i 1
a0 n a1 xi yi
Derivando respecto de
a1
(1)
y a (a1x)
U 2
2 ( y a0 a1x) i o
0
a1
a1
a1 a1
U 2
2 ( yi a0 a1xi )( xi )
a1
n
i 1
i 1
i 1
a0 xi a1 xi2 xi yi
5
(2)
l (a0 , a1 , 2 , y )
1
1
exp 2 ( y a0 a1 x) 2
2
2
l (a0 , a1, 2 , y)
(2 )
exp 2
( y a0 a1x) 2
l (a0 , a1 , 2 , y )
n
n
1 n
log( 2 ) log(2 ) 2 ( yi a0 a1 xi ) 2
2
2
2 i1
Derivando esta expresin respecto de los parmetros 0 y 1 , e igualando a cero, de forma que se
obtenga unos parmetros que maximicen la verosimilitud de la muestra, obtendremos:
Derivando respecto de
a0
:
n
L
2 ( yi a0 a1 xi )(1) 0
a0
i 1
n
i 1
i 1
a0 n a1 xi yi
Derivando respecto de
a1
:
n
L
2 ( yi a0 a1 xi )( xi ) 0
a1
i 1
n
i 1
i 1
i 1
a0 xi a1 xi2 xi yi
Al coincidir estas ecuaciones con las obtenidas por mnimos cuadrados se demuestra que los
parmetros estimados por ambos mtodos van a coincidir.
6
Y b0 b1 x1 b2 x2 ... bk x1 u
Los coeficientes se determinarn de manera que la suma de cuadrados entre los valores
observados y los pronosticados sea mnima, es decir, que se va a minimizar la varianza residual.
La ecuacin mostrada anteriormente recibe el nombre de hiperplano, pues cuando tenemos dos
variables explicativas, en vez de una recta tenemos un plano:
Sexo
1
2
3
4
5
6
7
8
Mujer
Mujer
Mujer
Mujer
Mujer
Mujer
Mujer
Mujer
Estatura
Largo de
rostro
Largo de
pie
Largo de
brazo
Ancho
de
espalda
Dimetro
de
crneo
Peso
X1
X6
X2
X3
X4
X5
158
152
168
159
158
164
156
167
39
38
43
40
41
40
41
44
36
34
39
36
36
36
36
37
68
66
72.5
68.5
68.5
71
67
73
43
40
41
42
44
44.5
36
41.5
55
55
54.5
57
57
54
56
58
43
45
48
49
50
51
52
52
La variable dependiente es el peso, y las variables que vamos a utilizar para predecir el peso
reciben el nombre de variables explicativas: estatura, pie, l_brazo, a_espalda, d_craneo.
De manera que el modelo que deseamos construir es:
a0
y 1 obteniendo el mejor ajuste. Pero en una nube de puntos realista como el de nuestro ejemplo
se podra trazar muchas rectas diferentes y cada una se ajustara tambin diferente a la nube de
puntos.
Existen diferentes mtodos para este ajuste cada uno de ellos intenta minimizar una medida
diferente del grado de ajuste, pero el ms usado es el de la recta que hace mnima la suma de los
cuadrados de las diferencias verticales entre cada punto y la recta.
Min( 2 ) Min( yi Yi )2
Utilizando notacin matricial:
u1 y1 Y1
u y Y
2 2 2
u . . y Y
. .
un yn Yn
.Y teniendo en cuenta la definicin de Y :
.
un yn b0 b1 x1,n b2 x2, n b3 x3, n ... bk xk ,n
.Por tanto:
y1 1 x1,1
y 1 x
1,2
2
u .
.
yn 1 x1,n
.
.
.
.
.
.
xk ,1 b0
xk ,2 b1
. y xb
.
xk ,n bk
n 2 U 2 u u ( y x b) ( y x b)
.Es decir:
n
(y Y )
i 1
u u f (b)
.La varianza residual es una funcin del vector de parmetros b y la condicin para que tenga un
mnimo ser:
9
f (b)
0
b
.Para hacer ms sencilla la derivacin desarrollemos la expresin de la varianza residual:
u u f (b) ( y x b) ( y x b) y y y x b b x y b x x b
f (b) ( y x b) ( y x b)
2 x y 2 x x b
b
b
x y x x b
.Y se x x es matriz no singular y por lo tanto tiene inversa, tenemos:
x y x x b
1
.Multiplicando por ( x x ) :
( x x) 1 ( x y ) ( x x) 1 ( x x) b
( x x) 1 ( x y ) b
b ( x x) 1 ( x y )
Esta expresin del estimador de parmetros b .
a1 0
10
Y a0 a1 x
Y a0 (0) x
Y a0 a0 Y
Es decir, la medida de la magnitud x no va a proporcionar informacin sobre el comportamiento
de y.
Para aceptar o descartar la posibilidad de nulidad se hace un estudio de la variabilidad (VT), en la
que esta se divide en dos componentes, una componente explicada por el modelo de regresin
(VE) y otra componente no explicada (VNE).
La siguiente igualdad es conocida como el teorema fundamental de la descomposicin de la suma
de cuadrados:
( y y ) (Y y ) ( y Y )
2
VT VE VNE
y
.
.
yi
VNE
Yi
VT
Yprom
..
VE
.
x
xi
2.
Dividiendo la variabilidad total entre sus grados de libertad, obtenemos la varianza estimada de la
variable dependiente:
S y2
VT
n 1
11
S R2
VNE
n2
Dividiendo la varianza explicada entre sus grados de libertad, obtenemos estimador de la varianza
explicada:
2
SVE
VE
2 1
Fuentes
Suma de
cuadrados
Grados de
libertad
VT
( y y)
n 1
VE
(Y y )
2 1
VNE
( y Y )
n2
Estimadores
VT
n 1
VNE
S R2
n2
VE
2
SVE
2 1
S y2
VT
n21
VE
12
VNE
n2 2
Por tanto:
VE 1
VNE n 2
VE
F1,n 2
S R2
VT VE VNE
VT VE VNE
VE VNE
VE
VNE
1
VT VT VT
VT VT
VT
VT
R2
VE VT VNE
VNE
1
VT
VT
VT
R2
VE
(0)
1
1
VT
VT
3. APLICACION DE LA REGRESION LINEAL A LA INGENIERIA QUMICA.La aplicacin del presente tema de estudio en la carrera de Ingeniera Qumica es muy basto, por
ejemplo para hallar la concentracin de un elemento que es uno de los parmetros de mayor
importancia en los procesos qumicos aplicados en la industria. Esta cuantificacin se puede
obtener mediante un espectrofotmetro, dispositivo que requiere se calibrado. Para ello se
elabora una recta de calibracin que se obtiene a partir de la correlacin entre la absorbancia de
un patrn y la concentracin de la sustancia a controlar, tambin se puede utilizar en la evaluacin
de las constantes en un modelo de promedio de crecimiento de saturacin que caracteriza a la
cintica microbial, entre otros muchos ejemplos por eso a continuacin se explicarn 2 ejemplos
con RLS y RLM:
13
14
15
16
17
4. CONCLUSIONES.
Ghgfh
18
5. BIBLIOGRAFIA.
Profesor F.J. Barn Lpez. Universidad de Mlaga. Unidad docente, Matemtica aplicada y
estadstica. Artculo sobre Regresin lineal. Mlaga, Espaa. Consultado el 15/11/2014.
Disponible en:
http://matap.dmae.upm.es/WebpersonalBartolo/Probabilidad/15_RegresionLineal.pdf
19