1

Regresin lineal Mltiple.

En la mayor parte de los problemas de investigacin en los cuales se aplica un anlisis de
regresin, se necesita ms de una variable independiente en el modelo de regresin. La
complejidad de casi todos los mecanismos cientficos es tal que, con la intencin de estar en
posibilidades de predecir una respuesta importante es necesario un modelo de regresin
mltiple, cuando este modelo es lineal en los coeficientes, se denomina modelo de
regresin lineal mltiple;

el modelo de regresin para el caso de k variables

independientes est definido por:

Y / x1 , x2 ,.... xk 0 1 x1 2 x2 ....... k xk
a los puntos {(x1i,x2i,.......xki, yi)

i = 1,2,..., n y n>k

donde yi es la respuesta observada para los valores x 1i,x2i,.......xki de las k variables

independientes x1,x2,.......,xk. Cada observacin satisface la ecuacin

yi 0 1 x1i 2 x2i ....... k xki i

y b0 b1 x1i b2 x2i .......bk xki ei

donde i y ei son los errores aleatorio y residual, respectivamente asociado con la respuesta
yi. Al utilizar el concepto de mnimos cuadrados para llegar a las estimaciones b0, b1,..., bk,.
Se minimiza la expresin:
n

SSE ei2 ( yi b0 b1 x1 b2 x2 ....... bk xk ) 2

i 1

y derivando SSE con respecta a cada coeficiente de b, e igualando a cero se genera el

conjunto de k+1 ecuaciones normales:

nb0 b1 x1i b2 x2i ....bk xki yi

Daz Sotuyo

b0 x1i b1 x12i b2 x1i x2i ......bk x1i xki x1i yi

.
..

b0 xki b1 xki x1i b2 xki x2i .....bk xki2 xki yi

Ejemplo:
En qumica analtica, los anlisis de flourescencia con rayos X son una herramienta para
calcular porcentajes de ingredientes en mezclas multicomponentes. A menudo la estimacin
de las concentraciones depende en gran medida de la habilidad del usuario para ajustar
modelos de regresin adecuados. En un ensayo, se prepararon mezclas propelentes que
contenan cuatro ingredientes. Se variaron las concentraciones de los ingredientes en las
mezclas para producir estndares de calibracin. Los datos son:

y
0.5514
0.4426
0.5631
0.5624
0.4505
0.5290
0.4702
0.5001
0.4425
4.5118

x1
1.1240
0.9285
1.1214
1.1635
0.9415
1.0712
0.9561
1.0186
0.9039
9.2287

x2
0.8980
0.8872
0.8030
0.8706
0.8064
0.8404
0.8731
0.8431
0.8314
7.6532

x3
0.8219
0.9308
0.7668
0.9272
0.9026
0.8662
0.8206
0.8346
0.7596
7.6303

x4
0.9906
0.9944
1.1221
0.9832
1.1127
1.0836
1.0290
1.0591
1.0994
9.4741

La respuesta yi es la concentracin medida de un ingrediente A. El valor medido X 1 es l a

razn de intensidad de los rayos X asociada con el ingrediente A y los valores x 2, x3, y x4
son las razones de intensidad de los componentes adicionales de la mezcla. Ajustar el
modelo de regresin lineal mltiple a los datos proporcionados y estime la concentracin
del ingrediente A para una mezcla cuyas razones de intensidad de rayos X son,
respectivamente x1 = 1.091, x2 = .855, x3 = .758, y x4 = 1.005
De los datos proporcionados en la tabla anterior tenemos:
Daz Sotuyo

3
9

1i

x
i 1
9

2
1i

9.2287

9.5394

x
i 1

1i x2 i 7.8510

x2i x4i 8.0421

i 1
9

x2i yi 3.8375
i 1

x2i 7.6532
i 1
9

x
i 1
9

2
2i

6.5172

x3i 7.6303
i 1
9

x
i 1

x
i 1

1i x3i 7.8257

x3i x4i 8.0182

i 1
9

x3i yi 3.8226
i 1

2
3i

6.5015

1i x4 i 9.7037

yi 4.5118
i 1
9

x
i 1

4i

x
i 1
9

x
i 1

x
i 1

4i

9.4741

2
4i

9.9974

x
i 1

x 6.4943

2 i 3i

1i

yi 4.6663

i 1

yi 4.7456

Como tenemos 4 variables independientes, obtenemos un sistema de cinco ecuaciones con

cinco incgnitas (cuatro variables independientes y una dependiente), que son:

9b0 9.2287b1 7.6532b2 7.6303b3 9.4741b4 4.5118

9.2287b0 9.5394b1 7.8510b2 7.8257b3 9.7037b4 4.6663

736532b0 7.8510b1 6.5172b2 6.9434b3 8.0421b4 3.8375

7.6303b0 7.8257b1 6.4943b2 6.5015b3 8.0182b4 3.8226

9.4741b0 9.7031b1 8.0421b2 8.0182b3 9.9974b4 4.7456
Resolviendo este sistema de ecuaciones tenemos:

b0 0.3004 b1 0.5387

b2 0.1770

b3 0.0704 b4 0.1506

La recta de regresin queda como:

y .3004 0.5387 x1 0.1770 x2 0.0704 x3 0.1506 x4

Para la mezcla cuyas razones de intensidad de rayos X x1 = 1.091, x2 = .855, x3 = .758, y

x4 = 1.005, la concentracin estimada de un componente A est dada por:
Daz Sotuyo

y .3004 .5387(1.091) .1770(.855) .0704(.758) .1506(1.005) .5366

Ejercicio
Se realiz un experimento para determinar si el peso de un animal puede ser predicho
despus de un periodo dado, con base en el peso inicial del animal y en la cantidad de
alimento consumida por ste. Se registraron los siguientes datos, medidos en kilogramos:
Peso final,
y

95
77
80
100
97
70
50
80
92
84

Peso
inicial,
x1

Alimentos
consumidos
x2

42
33
33
45
39
36
32
41
40
38

272
226
259
292
311
183
173
236
230
235

x1 y

3990
2541
2640
4500
3783
2520
1600
3280
3680
3192

x1 x2

x2 y

11424
7458
8547
13140
12129
6588
5536
9676
9200
8930

x1 x1

1764
1089
1089
2025
1521
1296
1024
1681
1600
1444

x2x2

73984
51076
67081
85264
96721
33489
29929
55696
52900
55225

Ajuste una ecuacin de regresin lineal para los datos presentados.

Estime el peso final de un animal cuyo peso inicial es de 35 kilogramos y que consume 250
kilogramos de alimento.

nb0 b1 x1i b2 x2i ....bk xki yi

b0 x1i b1 x12i b2 x1i x2i ......bk x1i xki x1i yi
.
b0 xki b1 xki x1i b2 xki x2i .....bk xki2 xki yi
Daz Sotuyo

Estimacin de los coeficientes utilizando matices:

Al ajustar un modelo de regresin lineal mltiple, en particular cuando el nmero de
variables es mayor que dos, el conocimiento de la teora de matrices puede facilitar
considerablemente los clculos matemticos. Supngase que se tienen k variables
independientes x1, x2, ....., xk y n observaciones y1, y2, .... yn, cada una de las cuales puede
expresarse con la ecuacin

yi b0 b1 x1i b2 x2i .......bk xki ei

Las estimaciones por mnimos cuadrados se obtienen resolviendo el conjunto de ecuaciones
normales; para resolverlas utilizando teora de matrices, se introduce un vector y para las
observaciones, un vector b para las estimaciones de mnimos cuadrados y la matriz de
diseo X.
1 x11
1 x
12

bo
b
1

y1
y
2

x22 . xk 2
. . .

.
.

b.

.
bk

y.

.
yn

x21 . xk 1

1 x1n

.
.

x2 n . xxn

Aparte del elemento incicial, el rengln i-simo de X representa aquellos valores de x que
provoca la respuesta yi, escribiendo:

x1i

i 1
n

A X'X

i 1

1i

2
1i

i 1

x x

i 1

ki

i 1

ki 1i

i 1
n

x2i

i 1
n

x
i 1
n

1i 2 i

...

...

x
i 1

...

ki 2 i

...

i 1
n

1i ki

x
i 1

x
i 1

ki

2
ki

g o yi

x1i yi
g X ' y g1

i 1

.
n

g k xki yi

i 1

Ab g

b A 1 g

b ( X ' X ) 1 X ' y
Daz Sotuyo

Resumen para encontrar los valores de b0, b1, ... bk, utilizando un arreglo matricial:

x1i

i 1

i 1
n

1i

2
1i

i 1

x x

i 1

ki

i 1

ki x1i

x2i

i 1
n

x
i 1
n

1i 2 i

x
i 1

...
...
...

...
ki x2 i

xki

i 1

2
ki

1i

i 1

bo
b
1

yi

i 1
n

1i ki

x
i 1

i 1
n

i 1

ki yi

.

.
bk

Ejemplo:
Montgomery y Peck describen el uso de un modelo de regresin para relacionar la cantidad
de tiempo que requiere un vendedor para dar servicio a una mquina expendedora de
refrescos, con el nmero de envases contenidos en la mquina y la distancia del vehculo de
servicio al sitio donde se encuentra la mquina. Se dan 25 observaciones donde yi es el
tiempo de suministro en minutos, x 1 nmero de envases en unidades y x 2 es la distancia
recorrida en pies. Los datos son:
Tiempo de suministro (min) y
9.95
24.45
31.75
35
25.02
16.86
14.38
9.6
24.35
27.5
17.08
37
41.95
11.66
21.65
17.89
69
10.3
34.93
46.59
44.88

Nmero de envases x1
2
8
11
10
8
4
2
2
9
8
4
11
12
2
4
4
20
1
10
15
15

Distancia x2
50
110
120
550
295
200
375
52
100
300
412
400
500
360
205
400
600
585
540
250
290
Daz Sotuyo

7
54.12
56.23
22.13
21.15

16
17
6
5

510
590
100
400

Ajustar estos datos a un modelo de regresin lineal mltiple.

Daz Sotuyo

8
1 2 50
1 8 110

1 11 120

1 10 550
1 8 295

1 4 200
1 2 375

1 2 52
1 9 100

1 8 300

1 4 412
1 11 400

X 1 12 500
1 2 360

1 4 205
1 4 400

1 20 600

1 1 585
1 10 540

1 15 250
1 15 290

1 16 510
1 17 590

1 17 100
1 5 400

9.95
24.45

31.75

35
25.02

16.86
14.38

9 .6

24.35

27.5

17.08
37

y 41.95
11.66

21.65
17.89

69

10.3
34.93

46.59
44.88

54.12
56.63

22.13
21.15

1
1 ... 1
1
1
X ' X 2
8 ... 5
.
50 110 ... 400
1

2 50
8 110
.
.

5 400

9.95
1 .. 1
1
725.82

24
.
45

8,008.37
X'y g 2
8 .. 5

.
50 110 .. 400

274
,
811
.
31

21.15

206
8294
25

X ' X A 206 2396

77177
8294 77177 3531848
Daz Sotuyo

9
206
8294
b0
25
b 206 2396
77177
1

b2
8294 77177 3531848

725.82
8,008.37

274,811.31

.007491 .000340
b0
.21653
b .007491 .001671
.000019
1

b2
.000340 .000019 .0000015

725.82
2.26379143
8,008.37 2.74426964

274,811.31
0.01252781

El modelo de regresin es: y 2.26379 2.74427 x1 0.1253 x2

Ejemplo:
Se desarrolla un modelo de regresin para predecir la capacidad de un suelo para
absorber contaminantes qumicos. Para ello se toman diez observaciones del ndice
de absorcin del suelo (y) y de dos regresores: x1= cantidad de mineral de hierro

Daz Sotuyo

10
que puede extraerse y x2= cantidad de bauxita . Se desea ajustar el modelo

Y 0 1 x1 2 x2

. Algunas cantidades son:

1.17991
7.30982 E 3 7.3006 E 4

X ' X ) 7.30982 E 3 7.9799 E 5

1.23713E 4
7.3006 E 4
1.23713E 4
4.6576 E 4

220
X ' y 36,768
9,965

Estime los coeficientes de regresin del modelo especificado anteriormente.

Cul es el valor del ndice de absorcin y cuando x1 = 200 y x2 = 50?
Ejercicio 2
El departamento de personal de una cierta firma industrial utiliz 12 sujetos en un estudio
para determinar la relacin entre la proporcin de ejecucin del trabajo (y) y las
calificaciones de cuatro pruebas. Los datos obtenidos son los siguientes:
y
11.2
14.5
17.2
17.8
19.3
24.5
21.2
16.9
14.8
20.0
13.2
22.5

x1
56.5
59.5
69.2
74.5
81.2
88.0
78.2
69.0
58.1
80.5
58.3
84.0

x2
71.0
72.5
76.0
79.5
84.0
86.2
80.5
72.0
68.0
85.0
71.0
87.2

x3
38.5
38.2
42.5
43.4
47.5
47.4
44.5
41.8
42.1
48.1
37.5
51.0

x4
43.0
44.8
49.0
56.3
60.2
62.0
58.1
48.1
46.0
60.3
47.1
65.2

Calcule el modelo de regresin lineal mltiple que relaciona y con x1, x2, x3 y x4.

Resistencia de una fibra sinttica

Daz Sotuyo

11

( X X )

11
34.4
34.4 113.32

1541 187591
4812.5 591.5

1541 4812.5 216047

187 591.5 26145

26145
3227

233.33078
.0312832048
1.4336534459
1.911657861
.03128320479
.208202844
1.188222589 E 3 .03034888811
( X X ) 1
1.43653459 1.188222589 E 3 9.050354819 E 3 9.970407124 E 3
1.911657861

.03034888811

9.970407124 E 3

.03587080668

42.65161599
8.089456472
0.8305801779
2.666475227

Daz Sotuyo