Instituto Tecnológico Superior

Purépecha
Asignatura: Estadística Inferencial II

Carrera: Ing. Industrial

Tema 1: “ Regresión Lineal Múltiple”

REGRESIÓN LINEAL MULTIPLE

Semestre: 4to

Presenta: Guadalupe Espino Torres

Matricula:22010002

Profesor: Francisco Diego Javier

Nahuatzen Michoacán 20/Feb/2024

1
 INDICE

Contenido
INDICE ................................................................................................................................................. 2
INTRODUCCIÓN .................................................................................................................................. 3
REGRESIÓN LINEAL MULTIPLE (DEFINICIÓN) .................................................................................... 4
EJEMPLOS DE RLM (REGRESIÓN LINEAL MULTIPLE).......................................................................... 5
Ejemplo No.1 ....................................................................................................................................... 5
Ejemplo No.2 ................................................................................................................................... 6
Ejemplo No.3 ................................................................................................................................... 9
PRUEBAS DE HIPOTESIS EN RLM ...................................................................................................... 12
INTERVALOS DE CONFIANZA Y PREDICCIÓN ................................................................................... 13
RLM CON EXCEL ................................................................................................................................ 14
RLM CON MINITAB ........................................................................................................................... 16
REGRESIÓN NO LINEAL (DEFINICIÓN) .............................................................................................. 17
EJEMPLOS DE REGRESIÓN NO LINEAL.............................................................................................. 19
CONCLUSIÓN..................................................................................................................................... 22
FUENTES BIBLIOGRAFICAS................................................................................................................ 23

2
 INTRODUCCIÓN

Es un modelo estadístico versátil para evaluar las relaciones entre un destino

versátil para evaluar las relaciones entre un destino continuo y los predictores. Los
predictores pueden ser campos continuos, categóricos o derivados, de modo que
las relaciones no lineales también estén soportadas. El modelo es lineal porque
consiste en términos de aditivos en los que cada término es un predictor que se
multiplica por un coeficiente estimado. El término de constante (intercepción)
también se añade normalmente al modelo. Por ejemplo, podemos estar interesados
en saber cómo influyen en la presión arterial sistólica de un paciente el peso, la edad
y el sexo, donde la variable sexo es una variable dicotómica (o indicadora),
codificada como 0 para las mujeres y 1 para los hombres. La técnica de regresión
múltiple se usa frecuentemente en investigación. Se aplica al caso en que la variable
respuesta es de tipo numérico. Cuando la respuesta es de tipo dicotómico
(muere/vive, enferma/no enferma), usamos otra técnica denominada regresión
logística y que tratamos en un capítulo posterior.

3
 REGRESIÓN LINEAL MULTIPLE (DEFINICIÓN)
es un modelo estadístico versátil para evaluar las relaciones entre un destino
continuo y los predictores. Los predictores pueden ser campos continuos,
categóricos o derivados, de modo que las relaciones no lineales también estén
soportadas. El modelo es lineal porque consiste en términos de aditivos en los que
cada término es un predictor que se multiplica por un coeficiente estimado. El
término de constante (intercepción) también se añade normalmente al modelo.

La regresión lineal se utiliza para generar conocimientos para los gráficos que
contienen al menos dos campos continuos con uno identificado como el destino y el
otro como un predictor. Además, se puede especificar un predictor categórico y dos
campos continuos auxiliares en un gráfico y se pueden utilizar para generar un
modelo de regresión adecuado. Este tipo se presenta cuando dos o más variables
independientes influyen sobre una variable dependiente. es una técnica estadística
destinada a analizar por qué pasan las cosas o cuáles son las principales
explicaciones de algún fenómeno. A partir de los análisis de regresión lineal múltiple
podemos: identificar que variables independientes (explicativas) que explican una
variable dependiente (resultado) comparar y comprobar modelos explicativos
predecir valores de una variable, es decir, a partir de unas características predecir
de forma aproximada un comportamiento o estado.

4
 EJEMPLOS DE RLM (REGRESIÓN LINEAL MULTIPLE)

Supongamos que estamos interesados en predecir el rendimiento académico (y) de

los estudiantes en función de su tiempo de estudio semanal (𝑥1 ), la cantidad de
horas de sueño (𝑥2 ), y la cantidad de horas dedicadas a actividades
extracurriculares (𝑥3 ),

La ecuación de regresión lineal múltiple seria:

𝑦 = 𝛽0 + 𝛽1 ∙ 𝑥1 + 𝛽2 ∙ 𝑥2 + 𝛽3 ∙ 𝑥3 +∈

Donde:

• 𝑦 es el rendimiento académico.
• 𝑥1 es el tiempo de estudio semanal.
• 𝑥2 es la cantidad de horas de sueño.
• 𝑥3 Esla cantidad de horas dedicadas a actividades extracurriculares.
• 𝛽0 es la intersección con el eje 𝑦.
• 𝛽1 , 𝛽2 y 𝛽3 son los coeficientes de regresión que indican la relación entre las
variables independientes y la dependiente.
• ∈ es el error.

Ejemplo No.1
Supongamos que tenemos un conjunto de datos que relaciona el precio de una casa
(𝑦) con tres variables independientes: el número de habitaciones (𝑥1 ), la distancia
a la ciudad (𝑥2 ), y el ingreso promedio de la vecindad (𝑥3 ).

Conjunto de datos

Habitaciones (x1) Distancia (x2) Ingreso vecindad Precio casa

(x3)
3 10 50000 300000
4 5 60000 400000

5
 2 20 45000 250000
5 8 70000 500000
4 12 55000 350000
Ahora, podemos aplicar la regresión lineal múltiple para predecir el precio de una
casa (𝑦) en función de las tres variables independientes (𝑥1 , 𝑥2 , 𝑥3 ). La ecuación de
regresión lineal múltiple seria:

𝑦 = 𝛽0 + 𝛽1 ∙ 𝑥1 + 𝛽2 ∙ 𝑥2 + 𝛽3 ∙ 𝑥3 +∈

Los coeficientes (𝛽0 , 𝛽1 , 𝛽2 , 𝛽3 ) se estimarían a partir de los datos.

Una vez que se obtienen los coeficientes, puedes utilizar la ecuación para predecir
el precio de una casa para nuevos datos, por ejemplo, si tienes una casa con 3
habitaciones (𝑥1 = 3), a 15 kilómetros de la ciudad (𝑥2 = 15), y en una vecindad
con ingreso promedio de 48000 (𝑥3 = 488000), puedes calcular el precio (𝑦)
utilizando la ecuación de regresión obtenida.

Ejemplo No.2
Planteamiento del Problema

Se cree que existe una relación directa entre los gastos en alimentación de una
familia y sus ingresos y numero de miembros, establecer el modelo de regresión
lineal correspondiente y realizar los análisis. Correspondientes.

Gastos en alimentación
No. Ingresos (x1) Tamaño (x2)
(y)
1 0.43 2.1 3
2 0.31 1.1 4
3 0.32 0.9 5
4 0.46 1.6 4
5 1.25 6.2 4
6 0.44 2.3 3
7 0.52 1.8 6
8 0.29 1 5

6
 9 1.29 8.9 3
10 0.35 2.4 2
11 0.35 1.2 4
12 0.78 4.7 3
13 0.43 3.5 2
14 0.47 2.9 3
15 0.38 1.4 4
SUMATORIA 8.07 42 55

Estimación de parámetros mediante mínimos cuadrados

15 42 55
1 x´x 42 188.08 140.8
55 140.8 219

8.07 0 0
2 x´y 32.063 0 0
28.96 0 0

- - - 𝛽
0
1.359850298 0.09254545 0.28201538 0.16045804
Inversa 1 xx-1 -0.09254545 0.0165487 0.01260247 0.14872702 𝛽1
-0.28201538 0.01260247 0.06728958 0.07691519 𝛽2

Hipótesis: Normalmente en este rasgo es donde se formulan las hipótesis, hipótesis

nula e hipótesis alternativa se dice que es hipótesis nula cuando en este caso la
variable vale igual cero ya que cualquier número multiplicado por cero da cero.

Modelo De RLM

Modelo de Regresión Lineal Múltiple

Y=0.160458+0.14872702x1+0.07691519z2+U
Análisis de residuos

Análisis de residuos

7
No. Predicción Residuo Residuo
1 0.38261429 0.04738571
2 0.31080246 -0.00080246
3 0.35797225 -0.03797225
4 0.38516597 0.07483403
5 1.06931028 0.18068972
6 0.41235969 0.02764031
7 0.56874176 -0.04874176
8 0.37284495 -0.08284495
9 1.39395804 -0.10395804
10 0.3503172 -0.0003172
11 0.32567516 0.02432484
12 0.76930455 0.01069545
13 0.51391693 -0.08391693
14 0.50159591 -0.03159591
15 0.35542057 0.02457943

Análisis de varianza

Interpretación: anteriormente se realizaron los análisis de datos mediante la

información que obtuvimos, como se puede observar no hay gran diferencia de
resultados de unos con otros, es decir que no hay mayor diferencia en los residuos
obtenidos.

Coeficiente de correlación

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.974494577
Coeficiente de determinación R^2 0.94963968
R^2 ajustado 0.941246294
Error típico 0.077512283
Observaciones 15

8
Interpretación: Como tal, en el coeficiente de correlación podemos observar que
realmente la variación en este ejercicio consiste en 0.97 es decir que no es de
mucha variación el índice.

Ejemplo No.3
Planteamiento del problema

Se requiere obtener cuanto es el aumento que se ha obtenido por mes obteniendo

los datos por cada mes de la inversión en propaganda en millones de pesos ($) y el
porcentaje (%) de las ventas con respecto al mes anterior.

Estimación de parámetros mediante mínimos cuadrados

12 78 64.8
1 x´x 78 650 384.4
64.8 384.4 385.46

759.7 0 0
2 x´y 4369.1 0 0
4449.24 0 0

9
 𝛽0
2.29761694 -0.11527154 -0.27129974 34.7890493 𝛽1
xx-1 -0.11527154 0.00953331 0.0098713 -2.00002012 𝛽2
-0.27129974 0.0098713 0.03835857 7.68878052

Modelo de RLM

Modelo de Regresión Lineal Múltiple

Y=0.160458+0.14872702x1+0.07691519z2+U

Análisis de residuos

Análisis de residuos
No. Predicción Residuo
1 85.07273671 -1.27273671
2 80.76608244 -0.06608244
3 69.53952569 8.86047431
4 91.37472519 -11.2747252
5 75.53490013 -3.13490013
6 57.38844093 11.9115591
7 56.15729886 -3.75729886
8 55.69503484 -0.69503484
9 46.00623421 -2.80623421
10 30.93528721 -2.93528721
11 70.45468189 11.4453181
12 40.7750519 -6.2750519

10
Análisis de varianza

Interpretación: Básicamente podemos observar que esta en distintos valores, en

la primera variable es menor a la variable dos.

Análisis de correlación

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.93360419
Coeficiente de determinación R^2 0.87161678
R^2 ajustado 0.84308718
Error típico 7.89111532
Observaciones 12

Interpretación: En este ejercicio se observa que al igual que en el ejercicio anterior

no hay mucha diferencia ya que este tiene una correlación de 0.93.

11
 PRUEBAS DE HIPOTESIS EN RLM

Las pruebas de hipótesis en regresión lineal múltiple son herramientas estadísticas

que se utilizan para evaluar la significancia de los coeficientes de la ecuación de
regresión y para determinar si existe una relación estadísticamente significativa
entre las variables independientes y la variable dependiente. Aquí se describen
algunas pruebas de hipótesis comunes en el contexto de regresión lineal múltiple:

Supuestos de modelo

• Los errores residuales son aleatorios y normalmente se distribuyen,

• La desviación estándar del error residual no depende de X
• Existe una relación lineal entre X y Y.
• Las muestras se seleccionan aleatoriamente

Hipótesis de prueba

• 𝐻0 : 𝑋 y no 𝑌 están correlacionados
• 𝐻𝑎 : 𝑋 y 𝑌 están correlacionados
• 𝐻0 : 𝛽1(pendiente)= 0
• 𝐻𝑎 : 𝛽1(pendiente)≠ 0

Estadística de prueba

MSregresión
F=
MSerror
𝑑𝑓𝑛𝑢𝑚 = 1

𝑑𝑓𝑑𝑒𝑛 = 𝑛 − 2

Suma de cuadrados

𝑆𝑆𝑇𝑜𝑡𝑎𝑙 = ∑(𝑌 − 𝑌̅)2

12
 𝑆𝑆𝐸𝑟𝑟𝑜𝑟 = ∑(𝑌 − 𝑌̂)2

𝑆𝑆𝑅𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 = 𝑆𝑆𝑇𝑜𝑡𝑎𝑙 − 𝑆𝑆𝐸𝑟𝑟𝑜𝑟

En regresión lineal simple, esto equivale a decir “¿X es una Y correlacionada?”

Al revisor el modelo 𝑌 = 𝛽0 +𝛽1 𝑋 + 𝜀, siempre que la pendiente (𝛽1 ) tenga algún

valor distinto de cero, 𝑋 agregará agregará valor para ayudar a predecir el valor
esperado de 𝑌. sin Sin embargo, si no hay correlación entre X e Y, el valor de la
pendiente (𝛽1 ) será cero. El modelo que podemos usar es muy similar al ANOVA
de One Factor.

INTERVALOS DE CONFIANZA Y PREDICCIÓN

En regresión lineal múltiple, los intervalos de confianza y de predicción son

herramientas importantes para evaluar la precisión y la variabilidad asociadas con
las predicciones del modelo. Aquí se describen ambos tipos de intervalos:

Intervalos de Confianza para Coeficientes:

Los intervalos de confianza para los coeficientes de regresión proporcionan un

rango estimado en el cual es probable que se encuentre el valor real del coeficiente
con cierto nivel de confianza.

Por ejemplo, para el coeficiente 𝛽1 asociado con la primera variable independiente,

̂1 ± 𝑡∝/2,𝑛−𝑝−1 × 𝑆𝐸(𝛽
el intervalo de confianza al nivel (1−∝)% se calcula como: 𝛽 ̂1 )

• ̂1 ) es el error estándar del

Donde 𝛽1 es el estimado del coeficiente, 𝑆𝐸(𝛽
coeficiente, n es el numero de observaciones y p es el número de variables
independientes.
intervalos predicción:
• Los intervalos de predicción tienen en cuenta tanto la variabilidad asociada
con la estimación del valor medio como la variabilidad inherente a las
predicciones individuales.

13
 • Para una predicción individual 𝑦𝑝𝑟𝑒𝑑 para un conjunto dado de variables
independientes, el intervalo de predicción al nivel (1−∝)% se calcuala como:

1 (𝑋0−𝑋ˉ)𝑇(𝑋0−𝑋ˉ))
𝑦pred ± 𝑡𝛼/2, 𝑛 − 𝑝 − 1 × √𝑀𝑆𝐸(1 + +
𝑛 ∑(𝑋𝑖−𝑋ˉ)2

Donde 𝑀𝑆𝐸 es el error cuadrático, 𝑋0 es el vector de variables independientes

para la predicción, X es el vector de medias de las variables independientes y n, p
son el número de observaciones y de variables independientes, respectivamente.

Estos intervalos proporcionan una medida de la incertidumbre asociada con las

estimaciones de los parámetros del modelo y las predicciones. Es importante
señalar que los intervalos de predicción son más amplios que los intervalos de
confianza para el valor medio, ya que tienen en cuenta tanto la variabilidad inherente
al modelo como la variabilidad de las observaciones individuales.

RLM CON EXCEL

Realizar una regresión lineal múltiple en Excel es relativamente sencillo y se puede

lograr utilizando la herramienta "Análisis de datos". Aquí te proporciono un paso a
paso para llevar a cabo una regresión lineal múltiple en Excel:

1. Preparación de los Datos:

Asegúrate de tener tus datos organizados en columnas en Excel, donde cada

columna representa una variable (independiente y dependiente). Etiqueta las
columnas de manera apropiada.

2. Habilitar la Herramienta de Análisis de Datos:

Si no has habilitado la herramienta de Análisis de Datos, debes hacerlo. Ve a la

pestaña "Datos" y busca "Análisis de Datos" en el grupo "Herramientas de datos".
Si no ves esta opción, es posible que necesites habilitarla desde "Complementos".

3. Seleccionar la Herramienta de Análisis de Datos:

14
Después de habilitar la herramienta de Análisis de Datos, selecciona "Regresión"
de la lista de herramientas disponibles.

4. Configurar el Cuadro de Diálogo de Regresión:

En el cuadro de diálogo de "Regresión", completa los siguientes campos:

Rango de Entrada Y: Selecciona la columna de la variable dependiente.

Rango de Entrada X: Selecciona todas las columnas de las variables

independientes.

Etiquetas: Si tus datos tienen etiquetas, marca esta casilla.

5. Configurar Opciones Adicionales:

Puedes especificar una celda para la salida de los resultados y seleccionar si

deseas obtener estadísticas residuales y gráficos.

6. Hacer Clic en "Aceptar":

Después de configurar todos los campos, haz clic en "Aceptar". Excel realizará la
regresión lineal múltiple y mostrará los resultados en la celda especificada.

7. Interpretar los Resultados:

En los resultados, podrás ver los coeficientes de regresión, estadísticas de ajuste y

otros detalles importantes para interpretar la calidad del modelo.

Recuerda que, aunque Excel proporciona una forma rápida de realizar regresiones
lineales múltiples, es importante entender las suposiciones y limitaciones del
modelo. Además, es fundamental interpretar adecuadamente los resultados para
tomar decisiones informadas.

15
 RLM CON MINITAB

Realizar una regresión lineal múltiple en Minitab es también bastante sencillo. Aquí
tienes un paso a paso básico:

1. Ingresar los Datos:

Abre Minitab y asegúrate de tener tus datos organizados en columnas en Minitab,

donde cada columna representa una variable (independiente y dependiente).
Asegúrate de etiquetar correctamente tus variables.

2. Acceder a la Herramienta de Regresión Múltiple:

Ve a "Stat" (Estadísticas) en la barra de menú y selecciona "Regression"

(Regresión) y luego "Regresión" (Regresión) nuevamente.

3. Configurar la Regresión:

En el cuadro de diálogo de regresión, selecciona la variable dependiente

("Response") y las variables independientes ("Continuous Predictors"). Puedes
ajustar otras opciones según sea necesario.

4. Revisar Resultados:

Después de hacer clic en "OK", Minitab realizará la regresión lineal múltiple y

mostrará los resultados en una ventana de resultados. Aquí encontrarás información
como los coeficientes de regresión, estadísticas de ajuste, ANOVA, entre otros.

5. Interpretar los Resultados:

Examina cuidadosamente los resultados, prestando especial atención a los

coeficientes de regresión, p-valores, intervalos de confianza y estadísticas de
ajuste. Estos te ayudarán a entender la relación entre las variables y la calidad del
ajuste del modelo.

16
 6. Gráficos:

Minitab también te proporcionará gráficos útiles, como gráficos de residuos, que te

ayudarán a evaluar la validez de las suposiciones del modelo. Es importante
recordar que, al igual que con cualquier herramienta de análisis estadístico, es
necesario tener un buen entendimiento de las suposiciones y limitaciones del
modelo de regresión lineal múltiple. También es crucial interpretar los resultados de
manera adecuada para tomar decisiones informadas basadas en el contexto del
problema que estás abordando.

REGRESIÓN NO LINEAL (DEFINICIÓN)

Regresión no lineal es un método para encontrar un modelo no lineal para la relación

entre la variable dependiente y un conjunto de variables independientes. A
diferencia de la regresión lineal tradicional, que está restringida a la estimación de
modelos lineales, la regresión no lineal puede estimar modelos con relaciones
arbitrarias entre las variables independientes y las dependientes. Esto se lleva a
cabo usando algoritmos de estimación iterativos. Tenga en cuenta que este
procedimiento no es necesario para modelos polinomiales simples de la forma Y =
A + BX**2. Al definir W = X**2, obtenemos un modelo lineal simple, Y = A + BW,
que se puede estimar utilizando métodos tradicionales como el procedimiento de
Regresión lineal.

Consideraciones sobre datos de regresión no lineal

Datos. Las variables dependientes e independientes deben ser cuantitativas. Las

variables categóricas, como la religión, la mayoría de edad o el lugar de residencia,
han de recodificarse como variables binarias (dummy) o como otro de los tipos de
variables de contraste.

Supuestos. Los resultados son válidos sólo si se ha especificado una función que
describa con precisión la relación entre las variables independientes y las
dependientes. Además, la elección de buenos valores iniciales es muy importante.
Incluso si se ha especificado la forma funcional correcta para el modelo, si no utiliza

17
valores iniciales adecuados, puede que su modelo no logre converger o puede que
obtenga una solución que sea óptima localmente en vez de una que sea óptima
globalmente.

Para obtener un análisis de regresión no lineal esta característica requiere Tablas

personalizadas y Estadísticas avanzadas.

En los menús seleccione:

1. Analizar > Regresión > No lineal ...

2. Seleccione una variable numérica dependiente de la lista de variables del
conjunto de datos activo.
3. Para crear una expresión de modelo, introduzca la expresión en el campo
Expresión de modelo o pegue componentes (variables, parámetros,
funciones) en el campo.
4. Identifique los parámetros del modelo pulsando en Parámetros.

Un modelo segmentado (uno que adquiere diferentes formas en distintas partes de

su dominio) se debe especificar usando la lógica condicional dentro de la
declaración única del modelo.

Procedimientos relacionados. Muchos modelos que en un principio parecen ser

no lineales pueden ser transformados en un modelo lineal, el cual pueda ser
analizado usando el procedimiento Regresión lineal. Si no está seguro de cuál es el
modelo adecuado, el procedimiento Estimación curvilínea puede ayudarle a
identificar relaciones funcionales útiles que estén presentes en los datos.

18
 EJEMPLOS DE REGRESIÓN NO LINEAL

1. Defina un conjunto de datos.

2. Defina una función de ajuste.

Los parámetros individuales anteriores son elementos de un vector β. También

puede especificar la función de entrada con nombres de variable individuales, en
vez de elementos de un vector:

3. Indique valores de prueba.

19
 4. Defina el limite de confianza de los parámetros.

5. Llame a la función LeatSquaresFit.

El solver utiliza programación cuadrática (QP) secuencial para resolver el problema

de mínimos cuadrados resultante. Al introducir variables adicionales, el problema
original se convierte en un problema de programación no lineal restringido de
igualdad general, que suele ser más rápido y estable que otros métodos.

6. Observe el vector de salida que devuelve la función LeastSquaresFit.

• La primera columna de salida contiene los valores de los parámetros

ajustados. La segunda columna contiene el contorno izquierdo y la tercera
columna, el contorno derecho del intervalo de confianza de los parámetros.
• Los límites de confianza del 95 % de los parámetros cubren un rango
bastante amplio, lo que demuestra que el ajuste es difícil y los parámetros
individuales pueden variar considerablemente. Como consecuencia, los
valores de los parámetros ajustados difieren de los valores correctos
registrados en el sitio Web del NIST:

20
 7. Trace los datos, el ajuste de mínimos cuadrados y el ajuste del NIST.

8. Compare el ajuste de mínimos cuadrados con los datos originales.

El ajuste se acerca a la convergencia, pero podría beneficiarse de un ajuste en la

tolerancia de convergencia. Esto se puede realizar mediante uno de los argumentos
opcionales de la función LeastSquaresFit.

21
 CONCLUSIÓN
Para finalizar en este tema, la Regresión Lineal Múltiple Nos ayuda a identificar
cualquier problemática propuesta desde saber el aumento, ver la reducción,
similitudes entre otros. También nos sirve para crear un modelo donde se
seleccionen las variables que puedan influir en la respuesta, descartando aquellas
que no aporten información. Detección de interacciones entre variables
independientes que afectan a la variable respuesta. La Regresión Lineal es una
técnica estadística esencial en el análisis de datos. Nos permite modelar la relación
entre variables, realizar predicciones y extraer conclusiones significativas sobre el
impacto de las variables independientes en la variable dependente.

22
 FUENTES BIBLIOGRAFICAS

Geragthy, M. A. (21 de Septiembre de 2018). LibreTexts. Obtenido de Prueba de Hipotesis:

https://espanol.libretexts.org/Estadisticas/Estadisticas_Introductorias/Libro%3A_Estad%C
3%ADstica_inferencial_y_probabilidad_-
_Un_enfoque_hol%C3%ADstico_(Geraghty)/14%3A_Correlaci%C3%B3n_y_Regresi%C3%B
3n_Lineal/14.04%3A_Prueba_de_hip%C3%B3tesis_para_regre

Lopez, J. B. (22 de Noviembre de 2019). Regresión Lineal Multiple. Obtenido de Bioestadistica:

https://www.bioestadistica.uma.es/apuntesMaster/regresi%C3%B3n-lineal-
m%C3%BAltiple.html

Regresion lineal multiple con excel. (12 de Agosto de 2020). Obtenido de herlp.xistat:
https://help.xlstat.com/es/6685-regresion-lineal-multiple-tutorial-en-excel

23