Universidad Tecnológica de Panamá

Facultad de Ingeniera Industrial

Licenciatura en Ingeniera Industrial

Integrantes:
Leonardo José González Vargas

Cedula:
8-954-2404

Título:
Laboratorio No5

Profesora:
Iván Rojas

Asignatura:
Métodos Numéricos

Grupo:
1II123

Fecha:
Panamá, Noviembre 2018
 Regresión Lineal Múltiple
La regresión lineal múltiple es una extensión natural del modelo de regresión lineal
simple consiste en considerar más de una variable explicativa.

Los modelo de regresión múltiple estudian la relación entre

 Una variable de interés Y (variable respuesta o dependiente)

 Un conjunto de variables explicativas o regresoras X1, X2, . . . , Xp

En el modelo de regresión lineal múltiple se supone que la función de regresión que

relaciona la variable dependiente con las variables independientes es lineal, es decir:

Y = β0 + β1X1 + β2X2 + · · · + βpXp + ε

A partir de los análisis de regresión lineal múltiple podemos:

 Identificar que variables independientes (causas) explican una variable

dependiente (resultado)
 Comparar y comprobar modelos causales
 Predecir valores de una variable, es decir, a partir de unas características
predecir de forma aproximada un comportamiento o estado

Existen ciertos requerimientos necesarios para poder utilizar la técnica de regresión

múltiple:

Linealidad: Se supone que la variable respuesta depende linealmente de las variables

explicativas. Si la respuesta no aparenta ser lineal, debemos introducir en el modelo
componentes no lineales.

Normalidad y equidistribución de los residuos: Para tener un buen modelo de

regresión múltiple no es suficiente con que los residuos sean pequeños. La validez del
modelo requiere que se distribuyan de modo normal y con la misma dispersión para
cada combinación de valores de las variables independientes.

Número de variables independientes: Una regla que se suele recomendar es la de

incluir al menos 20 observaciones por cada variable independiente que estimemos a
priori interesantes en el modelo. Números inferiores nos llevarán posiblemente a no
poder obtener conclusiones y errores de tipo II.

Colinealidad: Si dos variables independientes están estrechamente relacionadas y

ambas son incluidas en un modelo, muy posiblemente ninguna de las dos sea
considerada significativa, aunque si hubiésemos incluido sólo una de ellas, sí. Una
técnica muy simple para detectar la colinealidad consiste en examinar los coeficientes
del modelo para ver si se vuelven inestables al introducir la nueva variable.

Observaciones anómalas: Debemos poner especial cuidado en identificarlas y

descartarlas si procede, pues tienen gran influencia en el resultado. A veces, son sólo
errores en la entrada de datos, pero de gran consecuencia en el análisis.

Utilizamos la regresión múltiple cuando estudiamos la posible relación entre varias

variables independientes (predictorias o explicativas) y otra variable dependiente
(criterio, explicada, respuesta).

Por ejemplo, podemos estudiar la inteligencia humana tomando el IQ como variable

respuesta, y es posible que consideremos que puede estar relacionado con otras
variables como: el tamaño del cerebro, el tamaño de la persona y su sexo. Podríamos
añadirlas al estudio como variables independientes. Un modelo de regresión múltiple
podría ofrecer una respuesta del tipo:

IQ = 80 + 0.02 Volumen cerebro + 0.15 Tamaño – 0.8 Sexo,

Donde la variable sexo es una variable dicotómica o indicadora, codificada como 0

para las mujeres y 1 para los hombres. Para interpretar un modelo así hay que ser
muy cautelosos. Los modelos de regresión múltiple nos informan de la presencia de
relaciones, pero no de su mecanismo causal.

Otra fuente de problemas de interpretación es la relación entre variables

independientes o colinealidad. Por ejemplo, el sexo puede parecer influir en la
inteligencia según la ecuación, pero hay que considerar que las mujeres son
habitualmente más pequeñas que los hombres. Si observamos los signos, apreciamos
que compensa el efecto de una con la otra.
 Importancia de la Regresión Lineal Múltiple en la Carrera de Ingeniería
Industrial

La regresión lineal múltiple puede ser aplicada en fabricación donde se pueden crear
estadística para modelar e investigar la relación entre dos o más variables.

Este método es aplicable en muchas situaciones en las que se estudia la relación entre
dos o más variables o predecir un comportamiento, algunas incluso sin relación con la
tecnología. En caso de que no se pueda aplicar un modelo de regresión a un estudio, se
dice que no hay correlación entre las variables estudiadas

En la práctica, con mucha frecuencia es necesario resolver problemas que implican

conjuntos de variables, cuando se sabe que existe alguna relación inherente entre
ellas. Por ejemplo, en un caso industrial se puede saber que la pintura, para partes
automotrices, está relacionada con la cantidad de pigmentación con la que se lleva a
cabo. Puede ser interesante desarrollar un método de predicción, esto, un
procedimiento para estimar el contenido de pigmentación que deben de tener las
pinturas para cumplir con las especificaciones de las armadoras como se muestra en
la siguiente imagen de tal manera que el problema consiste en lograr la mejor
estimación de la relación entre las variables.

Del ejemplo citado anteriormente, los gramos de pigmentación son la variable

independiente y la resolución de pintura es la respuesta “Y”

El término regresión lineal implica “Y” esta linealmente relacionado con “X” por la
ecuación de la recta:

Y=b+mX ó Y=bx+c