Regresion Lineal Multiple Ejercicios Resueltos A Mano

La regresión lineal múltiple es una herramienta estadística que nos permite predecir el valor de una variable dependiente ( ) basándonos en dos o más variables independientes (

Realizar estos ejercicios a mano es fundamental para comprender qué sucede "detrás de escena" antes de usar software como Excel o Python. 📋 Conceptos Fundamentales La ecuación general de la regresión lineal múltiple es:

Ŷ=β0+β1X1+β2X2+…+βnXncap Y hat equals beta sub 0 plus beta sub 1 cap X sub 1 plus beta sub 2 cap X sub 2 plus … plus beta sub n cap X sub n Ŷcap Y hat : Valor predicho. β0beta sub 0 : Intercepto (punto donde la línea cruza el eje Y).

: Coeficientes de regresión (indican el impacto de cada variable).

Para resolver esto a mano con pocos datos, utilizamos el Método de Mínimos Cuadrados Ordinarios (MCO) mediante matrices. ✍️ Ejercicio Resuelto Paso a Paso Imagina que queremos predecir las Ventas ( ) basándonos en el Gasto en Publicidad ( X1cap X sub 1 ) y el Número de Vendedores ( X2cap X sub 2 ). 1. Datos de ejemplo Observación Publicidad ( X1cap X sub 1 Vendedores ( X2cap X sub 2 2. Construcción de Matrices Para hallar los coeficientes , usamos la fórmula: Matriz (añadimos una columna de 1s para el intercepto):

X=(121143162)cap X equals the 3 by 3 matrix; Row 1: 1, 2, 1; Row 2: 1, 4, 3; Row 3: 1, 6, 2 end-matrix; Vector :

Y=(101520)cap Y equals the 3 by 1 column matrix; 10, 15, 20 end-matrix; 3. Calcular la Transpuesta de XTcap X to the cap T-th power

XT=(111246132)cap X to the cap T-th power equals the 3 by 3 matrix; Row 1: 1, 1, 1; Row 2: 2, 4, 6; Row 3: 1, 3, 2 end-matrix; 4. Multiplicar Multiplicamos filas de XTcap X to the cap T-th power por columnas de

XTX=(312612562662614)cap X to the cap T-th power cap X equals the 3 by 3 matrix; Row 1: 3, 12, 6; Row 2: 12, 56, 26; Row 3: 6, 26, 14 end-matrix; 5. Multiplicar

XTY=(1(10)+1(15)+1(20)2(10)+4(15)+6(20)1(10)+3(15)+2(20))=(4520095)cap X to the cap T-th power cap Y equals the 3 by 1 column matrix; Row 1: 1 open paren 10 close paren plus 1 open paren 15 close paren plus 1 open paren 20 close paren, Row 2: 2 open paren 10 close paren plus 4 open paren 15 close paren plus 6 open paren 20 close paren, Row 3: 1 open paren 10 close paren plus 3 open paren 15 close paren plus 2 open paren 20 close paren end-matrix; equals the 3 by 1 column matrix; 45, 200, 95 end-matrix; 6. Calcular la Inversa

Este es el paso más laborioso a mano. Se puede usar el método de Gauss-Jordan o la adjunta. Supongamos que tras el cálculo obtenemos:

(XTX)-1=(2.66-0.33-0.52-0.330.16-0.16-0.52-0.160.61)open paren cap X to the cap T-th power cap X close paren to the negative 1 power equals the 3 by 3 matrix; Row 1: 2.66, negative 0.33, negative 0.52; Row 2: negative 0.33, 0.16, negative 0.16; Row 3: negative 0.52, negative 0.16, 0.61 end-matrix; (Valores simplificados para el ejemplo). 7. Obtener los coeficientes Multiplicamos la inversa por XTYcap X to the cap T-th power cap Y

B=(2.66-0.33-0.52-0.330.16-0.16-0.52-0.160.61)(4520095)=(β0β1β2)bold cap B equals the 3 by 3 matrix; Row 1: 2.66, negative 0.33, negative 0.52; Row 2: negative 0.33, 0.16, negative 0.16; Row 3: negative 0.52, negative 0.16, 0.61 end-matrix; the 3 by 1 column matrix; 45, 200, 95 end-matrix; equals the 3 by 1 column matrix; beta sub 0, beta sub 1, beta sub 2 end-matrix; Resultado estimado: Ecuación final: 💡 Interpretación de los Resultados Intercepto (

): Si no hay publicidad ni vendedores, las ventas base son 5 unidades. Coeficiente X1cap X sub 1

(2.5): Por cada unidad extra invertida en publicidad, las ventas suben 2.5 unidades (manteniendo X2cap X sub 2 constante). Coeficiente X2cap X sub 2

(0.5): Cada vendedor adicional aporta 0.5 unidades a las ventas totales. 🚀 Consejos para el examen

Verifica las dimensiones: Al multiplicar matrices, recuerda que resulta en

Cuidado con los signos: Un error en un solo signo al calcular la inversa arruinará todo el ejercicio.

Simplifica: Si los números son muy grandes, intenta trabajar con fracciones. regresion lineal multiple ejercicios resueltos a mano

¿Te gustaría que te ayude a resolver un paso específico de la matriz inversa o prefieres que analicemos cómo calcular el error estándar de este ejercicio?

La regresión lineal múltiple (RLM) es una extensión de la regresión simple que permite predecir el valor de una variable dependiente ( ) utilizando dos o más variables independientes ( ). El objetivo es encontrar los coeficientes que mejor ajusten un hiperplano a los datos observados. 1. Modelo y Notación Matricial

La forma más eficiente de resolver estos ejercicios a mano es mediante el método matricial, ya que las ecuaciones normales se vuelven muy complejas con solo dos variables independientes. La ecuación general es:

Y=β0+β1X1+β2X2+…+βkXk+ϵcap Y equals beta sub 0 plus beta sub 1 cap X sub 1 plus beta sub 2 cap X sub 2 plus … plus beta sub k cap X sub k plus epsilon : Vector de la variable dependiente.

: Matriz de diseño (incluye una primera columna de "1" para el intercepto β0beta sub 0 : Vector de parámetros a estimar. : Término de error. 2. Pasos para resolver un ejercicio a mano

Para encontrar los estimadores por Mínimos Cuadrados Ordinarios (MCO), se sigue este procedimiento sistemático: Construir las matrices: Organiza tus datos en una matriz y un vector . No olvides la columna de unos en Calcular la transpuesta ( XTcap X to the cap T-th power ): Intercambia filas por columnas de tu matriz de diseño. Obtener el producto XTXcap X to the cap T-th power cap X

: Realiza la multiplicación de matrices. El resultado será una matriz cuadrada de tamaño Calcular el producto XTYcap X to the cap T-th power cap Y : Multiplica la transpuesta por el vector de resultados. Invertir la matriz

: Este es el paso más laborioso a mano. Se suele usar el método de Gauss-Jordan o la matriz de adjuntos. Calcular los coeficientes β̂beta hat : Multiplica la matriz inversa por el vector del paso 4:

β̂=(XTX)-1XTYbeta hat equals open paren cap X to the cap T-th power cap X close paren to the negative 1 power cap X to the cap T-th power cap Y 3. Ejemplo Práctico Resuelto Supongamos que queremos predecir el peso ( ) basado en la altura ( X1cap X sub 1 ) y edad ( X2cap X sub 2 ) con 3 datos de muestra: Paso 1: Definir Matrices

X=(116020117025118030),Y=(607080)cap X equals the 3 by 3 matrix; Row 1: 1, 160, 20; Row 2: 1, 170, 25; Row 3: 1, 180, 30 end-matrix; comma space cap Y equals the 3 by 1 column matrix; 60, 70, 80 end-matrix;

Paso 2: Operaciones IntermediasAl realizar los cálculos manuales (multiplicación de matrices e inversión), obtendrías los valores de β2beta sub 2

. En este caso específico, al ser una relación lineal perfecta, notarás que la pendiente refleja fielmente el cambio en por cada unidad de 4. Interpretación y Evaluación Regresión Lineal Múltiple Método Matricial

Aquí tienes un artículo detallado sobre la regresión lineal múltiple

con un enfoque práctico para resolver ejercicios manualmente.

Guía Práctica: Regresión Lineal Múltiple con Ejercicios Resueltos a Mano regresión lineal múltiple (RLM)

es una técnica estadística que modela la relación entre una variable dependiente ( ) y dos o más variables independientes (

). A diferencia de la regresión simple, esta permite predecir fenómenos complejos donde influyen varios factores simultáneamente. El Modelo Matemático y su Expresión Matricial La forma general del modelo es:

cap Y equals beta sub 0 plus beta sub 1 cap X sub 1 plus beta sub 2 cap X sub 2 plus … plus beta sub k cap X sub k plus epsilon Step 2: Normal equations (n=4) [ \begincases 38

Para resolverlo manualmente, lo más eficiente es utilizar la notación matricial : Matriz columna de la variable dependiente.

: Matriz de datos que incluye una columna inicial de "unos" (para el intercepto beta sub 0 ) y las columnas de las variables independientes. : Vector de coeficientes que deseamos encontrar. La Fórmula Maestra Para hallar los coeficientes mediante el método de Mínimos Cuadrados Ordinarios (MCO) , aplicamos la siguiente ecuación:

beta hat equals open paren cap X to the cap T-th power cap X close paren to the negative 1 power cap X to the cap T-th power cap Y Paso a Paso para Resolver un Ejercicio a Mano

Realizar este cálculo requiere seguir una secuencia lógica de operaciones con matrices: Multiple linear regression with matrices and by hand

Para resolver un ejercicio de regresión lineal múltiple a mano, generalmente se utiliza el método de mínimos cuadrados ordinarios para encontrar los coeficientes que mejor ajustan un modelo del tipo .

A continuación, se detalla un ejercicio resuelto paso a paso para un modelo con dos variables independientes ( ). Ejercicio de ejemplo Datos iniciales ( ): (Respuesta) X1cap X sub 1 X2cap X sub 2 1. Calcular productos y cuadrados

El primer paso es obtener las sumatorias necesarias para construir el sistema de ecuaciones. 2. Plantear el sistema de ecuaciones normales Para encontrar a mano, resolvemos el siguiente sistema: Sustituyendo nuestros valores: 3. Resolver el sistema Podemos usar el método de eliminación o matrices. De la ec. (1): Sustituyendo β0beta sub 0 en (2): Sustituyendo β0beta sub 0 en (3): Resolviendo las dos ecuaciones restantes: (multiplicamos por -2) Sumamos: Sustituimos: Calculamos β0beta sub 0 : Ecuación Final ✅

La ecuación de regresión estimada para este conjunto de datos es:

Ŷ=5+5X1+0X2cap Y hat equals 5 plus 5 cap X sub 1 plus 0 cap X sub 2 Esto indica que, por cada unidad que aumenta X1cap X sub 1 , aumenta 5 unidades (manteniendo X2cap X sub 2 constante), mientras que X2cap X sub 2

no tiene un efecto lineal directo en este modelo simplificado.

¿Te gustaría que resolvamos otro ejercicio con datos diferentes o que profundicemos en el método matricial? Multiple linear regression with matrices and by hand

Step 2: Normal equations

(n=4)

[ \begincases 38 = 4b_0 + 10b_1 + 14b_2 \quad (1) \ 110 = 10b_0 + 30b_1 + 40b_2 \quad (2) \ 148 = 14b_0 + 40b_1 + 54b_2 \quad (3) \endcases ]

Paso 2: Calcular todas las sumatorias

Construimos una tabla auxiliar:

| (Y) | (X_1) | (X_2) | (X_1^2) | (X_2^2) | (X_1 X_2) | (X_1 Y) | (X_2 Y) | |-------|---------|---------|------------|------------|-------------|-----------|-----------| | 23 | 2 | 3 | 4 | 9 | 6 | 46 | 69 | | 26 | 3 | 4 | 9 | 16 | 12 | 78 | 104 | | 30 | 5 | 5 | 25 | 25 | 25 | 150 | 150 | | 34 | 6 | 6 | 36 | 36 | 36 | 204 | 204 | | 37 | 8 | 7 | 64 | 49 | 56 | 296 | 259 | | Suma | | | | | | | | | (\sum Y = 150) | (\sum X_1 = 24) | (\sum X_2 = 25) | (\sum X_1^2 = 138) | (\sum X_2^2 = 135) | (\sum X_1 X_2 = 135) | (\sum X_1 Y = 774) | (\sum X_2 Y = 786) |

Además (n=5), (\sum Y = 150), (\sum X_1 = 24), (\sum X_2 = 25).

Paso 3: Calcular (\mathbfX'\mathbfX)

[ \mathbfX'\mathbfX = \beginbmatrix 1 & 1 & 1 & 1 \ 1 & 2 & 3 & 4 \ 2 & 1 & 3 & 2 \ 1 & 2 & 3 & 4 \endbmatrix \beginbmatrix 1 & 1 & 2 & 1 \ 1 & 2 & 1 & 2 \ 1 & 3 & 3 & 3 \ 1 & 4 & 2 & 4 \endbmatrix ]

Calculamos elemento a elemento:

  • (1,1): (1+1+1+1 = 4)

  • (1,2): (1+2+3+4 = 10)

  • (1,3): (1+1+3+2 = 7)

  • (1,4): (1+2+3+4 = 10)

  • (2,1): (1+2+3+4 = 10)

  • (2,2): (1+4+9+16 = 30)

  • (2,3): (2+2+9+8 = 21)

  • (2,4): (1+4+9+16 = 30)

  • (3,1): (2+1+3+2 = 8)

  • (3,2): (2+2+9+8 = 21)

  • (3,3): (4+1+9+4 = 18)

  • (3,4): (2+2+9+8 = 21)

  • (4,1): (1+2+3+4 = 10)

  • (4,2): (1+4+9+16 = 30)

  • (4,3): (2+2+9+8 = 21)

  • (4,4): (1+4+9+16 = 30)

Entonces: [ \mathbfX'\mathbfX = \beginbmatrix 4 & 10 & 7 & 10 \ 10 & 30 & 21 & 30 \ 7 & 21 & 18 & 21 \ 10 & 30 & 21 & 30 \endbmatrix ]

(Observación: las columnas 2 y 4 son iguales, lo que indica multicolinealidad perfecta – un problema real. Para el ejercicio didáctico, seguiremos, pero en la práctica debe corregirse.) (1,1): (1+1+1+1 = 4)