PRONSTICOS PARA

LA TOMA DE
DECISIONES
REGRESIN MLTIPLE

REGRESIN MLTIPLE
2

Anlisis en el que se considera la posible

prediccin del valor de una variable
dependiente mtrica en trminos de
ms de una variable independiente no
mtrica.
En principio se asume que el modelo que
relaciona a las variables independientes
con al dependiente es

EJEMPLO INTRODUCTORIO
3

Se cuenta con los datos de 60 viviendas que se han vendido recientemente

en la ciudad. Un agente de bienes races desea determinar cmo se puede
predecir el precio de venta de una casa en trminos de caractersticas de la
misma. Se tienen los datos siguientes

RELACIN ENTRE PRECIO Y TAMAO

4

REGIN EXPERIMENTAL

RELACIN ENTRE PRECIO Y TAMAO

5

RELACIN ENTRE PRECIO Y ANTIGEDAD

6

REGIN EXPERIMENTAL

RELACIN ENTRE PRECIO Y ANTIGEDAD

7

PRECIO VS ANTIGUEDAD
8

REGIN
EXPERIMENTAL

PRECIO VS ANTIGUEDAD
9

El plano en celeste
representa el modelo
dado por la ecuacin.

En principio se espera
que la nube de puntos,
que en los modelos de
una variable se
acomodaba a lo largo
de una lnea, en este
modelo de dos variables
se acomode a lo largo y
ancho del plano.
Algunos puntos
ligeramente arriba del
plano, otros por abajo

EL MODELO DE MNIMOS CUADRADOS

10

El modelo de regresin de mnimos

cuadrados es
Y se obtienen los valores de b0, b1, b2,,
bk resolviendo el siguiente sistema de
ecuaciones simultaneas.

DE REGRESO AL EJEMPLO
11

Sean

Y = Precio de la vivienda.
X1 = Tamao de la vivienda.
X2 = Antigedad de la vivienda.

Para encontrar la ecuacin de regresin

con dos variables a la vez se necesita
conocer

DE REGRESO AL EJEMPLO
12

Se resuelve el sistema

Para encontrar los valores

b0 = 9.4407

b1= 0.0524
b2= -0.4006

DE REGRESO AL EJEMPLO
13

El modelo de regresin es

Donde

0.0524 [=] $(000)/ft2

Lo

que aumenta de valor una casa por cada pie cuadrado

de construccin supuesto que la antigedad se mantiene
constante.

-0.4006 [=] $(000)/ao

Lo

que aumenta el precio de una casa (disminuye ya que

el signo es negativo) por cada ao de antigedad que
tiene la vivienda, si el tamao se mantiene constante.

EJEMPLO 2
14

Las tiendas de Fran's Convenience Marts estn

localizadas en el rea metropolitana de Erie, PA. A
Fran le agradara expandirse a otras comunidades
del estado y el suroeste de NY. Como parte de su
presentacin al banco local, le gustara analizar los
factores que hacen que una tienda en particular
sea lucrativa. Como ella debe hacer todo el trabajo
sola, no podr analizar todos sus establecimientos.
Selecciona una muestra al azar de 15 tiendas y de
cada una registra las ventas diarias (Y), la superficie
(rea), el nmero de cajones de estacionamiento y
el ingreso medio de las familias en el sector.

EJEMPLO 2 (DATOS)
15

VENTAS(Y)

REA(X1)

CAJONES(X2)

INGRESO(X3)

1840

532

44

1746

478

51

1812

530

45

1806

508

46

1792

514

44

1825

556

46

1811

541

49

1803

513

52

1830

532

46

1827

537

46

1764

499

48

1825

510

47

1763

490

48

1846

516

45

1815

482

43

EJEMPLO 2 (CALCULOS)
16

X1 X2 X3

Y2

X12

X22

X32

Y*X1

Y*X2

Y*X3

X1*X2 X1*X3 X2*X3

1840 532

44 3385600 283024 36

1936

978880

11040

80960

3192 23408

264

1746 478

51 3048516 228484 16

2601

834588

6984

89046

1912 24378

204

1812 530

45 3283344 280900 49

2025

960360

12684

81540

3710 23850

315

1806 508

46 3261636 258064 49

2116

917448

12642

83076

3556 23368

322

1792 514

44 3211264 264196 25

1936

921088

8960

78848

2570 22616

220

1825 556

46 3330625 309136 36

2116

1014700 10950

83950

3336 25576

276

1811 541

49 3279721 292681 16

2401

979751

7244

88739

2164 26509

196

1803 513

52 3250809 263169 36

2704

924939

10818

93756

3078 26676

312

1830 532

46 3348900 283024 25

2116

973560

9150

84180

2660 24472

230

1827 537

46 3337929 288369 25

2116

981099

9135

84042

2685 24702

230

1764 499

48

2304

880236

5292

84672

1497 23952

144

1825 510

47 3330625 260100 64

2209

930750

14600

85775

4080 23970

376

1763 490

48 3108169 240100 16

2304

863870

7052

84624

1960 23520

192

1846 516

45 3407716 266256 64

2025

952536

14768

83070

4128 23220

360

1815 482

43 3294225 232324 49

1849

874830

12705

78045

3374 20726

301

3111696 249001

27105 7738 85 700 48990775 3998828 515 32758 13988635 154024 1264323 43902 360943 3942

EJEMPLO 2 (CALCULOS)
17

b0 = 1480.7446

b1 = 0.73149

[=]$/Ft2

b2 = 9.9915

[=]$/Cajn

b3 = -2.3083

[=]$/$(000)

18

LA PRUEBA DEL MODELO

Es til la ecuacin de regresin?

VARIACIN
19

Total

No explicada (error, aleatoria)

Explicada por el modelo (por la

regresin)

PRUEBA DEL MODELO

20

VARIACI
N
Explicada
No
explicada
Total

G. L.

SS

MS

SS
R

SSR/k

MSE/MS

SS
E
SS

SSE/(n(k+1))

n(k+1)
n-1

EJEMPLO DEL PRECIO DE LAS CASAS

21

EJEMPLO DEL PRECIO DE LAS CASAS

22
22

VARIACI
N
Explicada

G. L.
2

SS

MS

36491.3 18245.67 64.176

4
No
57
16205.4
284.31
explicada
2
Como 64.176 > F*=3.159, rechazo Ho. El modelo sirve para
hacer una estimacin
precio de la vivienda.
Total
59 del52696.7
6

EJEMPLO DEL PRECIO DE LAS CASAS

23
23

Cul es el precio de una casa de 1500

ft2 de construccin y 20 aos de
antigedad?

ESTIMACIN PUNTUAL

EJEMPLO VENTAS DE TIENDAS

24

EJEMPLO VENTAS DE TIENDAS

25
25

VARIACI
N
Explicada

G. L.

SS

MS

10057.6
8
1982.32

3352.56

18.604

No
11
180.21
explicada
Como 18.604 > F*=3.587, rechazo Ho. El modelo sirve para
hacer una estimacin
de la vivienda.
Total
14 del precio
12040

26

EJEMPLO VENTAS DE
TIENDAS
Y
1840
1746
1812
1806
1792
1825
1811
1803
1830
1827
1764
1825
1763
1846
1815

X1
532
478
530
508
514
556
541
513
532
537
499
510
490
516
482

X2
6
4
7
7
5
6
4
6
5
5
3
8
4
8
7

X3
44
51
45
46
44
46
49
52
46
46
48
47
48
45
43

Y'

Y-Y'

1828.287
1752.646
1834.508
1816.106
1805.129
1841.227
1803.347
1795.923
1813.679
1817.337
1764.940
1825.253
1768.348
1834.258
1804.012

11.713
-6.646
-22.508
-10.106
-13.129
-16.227
7.653
7.077
16.321
9.663
-0.940
-0.253
-5.348
11.742
10.988

REFERENCIAS
27

Bowerman, B. L., O'Connel, R. T., & Koehler, A. B.

(2005). Forecasting, time series and regression (4th
ed.). USA: Brooks/Cole.
Hair, J., Black, W., Babin, B., and Anderson R.
(2010). Multivariate data analysis (7th ed.). USA:
Prentice Hall.
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J.
(1998). Forecasting, methods and applications (3rd
ed.). New York, NY, USA: John Wiley and Sons,Inc.
Triola, M. (2007). Elementary statistics, 10th Ed.
Boston, MA, USA: Pearson.