Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo I Regresion Lineal Excel Como Configurar
Capitulo I Regresion Lineal Excel Como Configurar
Contenido
CAPTULO 1. Regresin lineal simple y mltiple
1.1. Regresin Lineal simple
1.1.1. Prueba de hiptesis en la regresin lineal simple.
1.1.2. Calidad del ajuste en regresin lineal simple
1.1.3. Estimacin y prediccin por intervalo en regresin lineal simple
1.1.4. Uso de software estadstico
1.2. Regresin lineal mltiple
1.2.1. Pruebas de hiptesis en regresin lineal mltiple
1.2.2. Intervalos de confianza y prediccin en regresin mltiple
1.2.3. Uso de un software estadstico
1.3. Regresin no lineal
CAPTULO 2. Diseo de experimentos de un factor
2.1. Familia de diseos para comparar tratamientos
2.2. El modelo de efectos fijos
2.3. Diseo completamente aleatorio y ANOVA
2.4. Comparaciones o pruebas de rangos mltiples
2.5. Verificacin de los supuestos del Modelo
2.6. Uso de un software estadstico
CAPTULO 3. Diseo de bloques.
3.1. Diseos en bloques completos al azar.
3.2. Diseo en cuadrado latino.
3.3. Diseo en cuadrado grecolatino.
3.4. Uso de un software estadstico.
CAPTULO 4. Conceptos bsicos en diseos factoriales
4.1. Diseos factoriales con dos factores
4.2. Diseos factoriales con tres factores
4.3. Diseo factorial general
4.4. Modelos de efectos aleatorios
4.5. Uso de un software estadstico
CAPTULO 5. Series de tiempo
5.1. Modelo clsico de series de tiempo
5.2. Anlisis de fluctuaciones
5.3. Anlisis de tendencia
5.4. Anlisis de variaciones cclicas
5.5. Medicin de variaciones estacionales e irregulares
5.6. Aplicacin de ajustes estacionales
5.7. Pronsticos basados en factores de tendencia y estacionales.
134
145
142
149
144
160
156
157
168
166
167
171
174
183
dos variables puede tomar muchas formas, que van desde algunas funciones
matemticas sencillas a otras en extremo complicadas. La relacin ms elemental
consiste en una lnea recta o relacin lineal.
Grfica de dispersin de Resistencia vs. Porcentaje de fibra
190
180
Resistencia
170
160
150
140
130
5
10
15
20
Porcentaje de fibra
25
30
El anlisis de regresin lineal simple se refiere a encontrar la lnea recta que mejor se
ajuste a los datos. El mejor ajuste puede definirse de varias maneras. Quiz la ms
sencilla sea encontrar la lnea recta para la cual las diferencias entre los valores reales y
los valores pronosticados a partir de la recta ajustada de regresin sean tan pequeas
como sea posible. Sin embargo, como estas diferencias son positivas para algunas
observaciones y negativas para otras, en trminos matemticos se minimiza la suma de
los cuadrados de las diferencias.
Grfica de lnea ajustada
S
R-cuad.
R-cuad.(ajustado)
180
3,87648
93,0%
92,4%
Resistencia
170
160
150
140
130
5
10
15
20
Porcentaje de fibra
25
30
Figura 1.3 Lnea recta que mejor se ajusta a los datos, donde la
distancia a los puntos es la ms pequea posible
Suponga que las variables X y Y estn relacionadas linealmente y que para cada
valor de X, la variable dependiente, Y, es una variable aleatoria. Es decir, que cada
observacin de Y puede ser descrita por el modelo:
(1.1)
)
(1.2)
En donde
son los parmetros del modelo y son constantes desconocidas.
Por lo tanto, para tener bien especificada la ecuacin que relaciona las dos variables ser
necesario estimar los dos parmetros, que tienen los siguientes significados:
- Es el punto en el cual la lnea recta intercepta o cruza el eje y.
- Es la pendiente de la lnea, es decir, es la cantidad en que se incrementa o
disminuye la variable por cada unidad que se incrementa
Un procedimiento para ajustar la mejor recta y, por lo tanto, para estimar
es mediante el mtodo de mnimos cuadrados, el cual consiste en lo siguiente:
si de la ecuacin (1.1) despejamos los errores, los elevamos al cuadrado y los sumamos,
obtendremos lo siguiente:
( )
-)
(1.3)
-)
-)
(1.4)
(1.5)
donde
)(
)(
)
(1.6)
)
(1.7)
De esta forma, para obtener la recta ajustada es necesario aplicar las frmulas
anteriores, lo cual es muy sencillo, como se muestra en la tabla 1.2 para los datos de la
resistencia de la pulpa.
Tabla 1.2 Procedimiento para realizar los clculos para la regresin simple para los datos de la resistencia
De la pulpa
4
6
8
10
12
14
16
18
20
22
24
26
28
30
134
145
142
149
144
160
156
157
168
166
167
171
174
183
16
36
64
100
144
196
256
324
400
484
576
676
784
900
=4
956
17 956
21 025
20 164
22 201
20 736
25 600
24 336
24 649
28 224
27 556
27 889
27 241
30 276
33 489
= 353
342
137,2
140,4
143,7
146,9
150,2
153,4
156,7
159,9
163,2
166,4
169,7
172,9
176,2
179,4
536
870
1 136
1 490
1 728
2 240
2 496
2 826
3 360
3 652
4 008
4 446
4 872
5 490
2216.6
= 39
150
)(
(
)
)
)(
10,24
21,16
2,89
4,41
38,44
43,56
0,49
8,41
23,04
0,16
7,29
3.61
4,84
12,96
(
)
-3,2
4,6
-1,7
2,1
-6,2
6,6
-0,7
-2,9
4,8
-0,4
-2,7
-1,9
-2,2
3,6
(
Por lo tanto, la lnea recta que mejor explica la relacin entre porcentaje de fibra
y resistencia del papel, est dada por
En la figura 1.3 se muestra el ajuste de esta lnea. De esta manera, por cada
punto porcentual de incremento en el porcentaje de fibra, se espera un incremento de
resistencia de 1.6242 en promedio. La ecuacin (1.8) sirve para estimar la resistencia
promedio esperada para cualquier porcentaje de fibra utilizada.
Intercepcin
Porcentaje de fibra
Grados de libertad
1
12
13
Suma de cuadrados
2400,531868
180,3252747
2580,857143
F
159,7467824
Valor crtico de F
2,70702E-08
Coeficientes
130,6747253
1,624175824
Error tpico
2,417790201
0,128504099
Estadstico t
54,047173
12,63909737
Probabilidad
1,05975E-15
2,70702E-08
Inferior 95%
125,406813
1,344189444
Pronstico Resistencia
137,1714286
140,4197802
143,6681319
146,9164835
150,1648352
153,4131868
156,6615385
159,9098901
163,1582418
166,4065934
169,6549451
172,9032967
176,1516484
179,4
Residuos
-3,171428571
4,58021978
-1,668131868
2,083516484
-6,164835165
6,586813187
-0,661538462
-2,90989011
4,841758242
-0,406593407
-2,654945055
-1,903296703
-2,151648352
3,6
Resumen de Minitab
Anlisis de regresin: Resistencia vs. Porcentaje de fibra
La ecuacin de regresin es
Resistencia = 131 + 1,62 Porcentaje de fibra
Predictor
Constante
Porcentaje de fibra
Coef.
de EE
2,418
0,1285
Coef
130,675
1,6242
S = 3,87648
R-cuad. = 93,0%
Anlisis de varianza
Fuente
Regresin
Error residual
Total
GL
1
12
13
P
0,000
0,000
R-cuad.(ajustado) = 92,4%
SC
2400,5
180,3
2580,9
MC
2400,5
15,0
Porcentaje
de fibra Resistencia
4,0
134,00
6,0
145,00
8,0
142,00
10,0
149,00
12,0
144,00
14,0
160,00
16,0
156,00
18,0
157,00
20,0
168,00
22,0
166,00
24,0
167,00
26,0
171,00
28,0
174,00
30,0
183,00
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
T
54,05
12,64
F
159,75
Ajuste
137,17
140,42
143,67
146,92
150,16
153,41
156,66
159,91
163,16
166,41
169,65
172,90
176,15
179,40
P
0,000
Ajuste
SE
Residuo
1,97
-3,17
1,75
4,58
1,55
-1,67
1,37
2,08
1,22
-6,16
1,11
6,59
1,04
-0,66
1,04
-2,91
1,11
4,84
1,22
-0,41
1,37
-2,65
1,55
-1,90
1,75
-2,15
1,97
3,60
Residuo
estndar
-0,95
1,32
-0,47
0,57
-1,68
1,77
-0,18
-0,78
1,30
-0,11
-0,73
-0,54
-0,62
1,08
)(
Sumatoria de XX
Variabilidad total
)(
Sumatoria de XY
Media de X
Media de Y
Estadstico
, en
Clientes
907
926
506
741
789
889
874
510
529
420
Ventas ($000)
11,20
11,05
6,48
9,21
9,42
10,08
9,45
6,73
7,24
6,12
Tienda
11
12
13
14
15
16
17
18
19
20
Clientes
679
872
924
607
452
729
794
844
1010
621
Ventas ($000)
7,63
9,43
9,46
7,64
6,92
8,95
9,33
10,23
11,77
7,41
(e) Qu otros factores adems del nmero de clientes pueden afectar las ventas?
Respuestas
a)
Grfica de dispersin de Ventas vs. Clientes
12
11
Ventas
10
9
8
7
6
400
500
600
700
Clientes
800
900
1000
= 2,3086 y = 0,0088
c) Por cada cliente ms, se espera un incremento en las ventas de 0,0088612 de miles
de dlares en promedio.
(
)
d)
e) Factores tan variados como, atencin al cliente, lejana, falta de estacionamiento etc.,
etc.
Resumen de Excel
Coeficientes
Error tpico
Estadstico t
Probabilidad
Intercepcin
2,308620077
0,486903934
4,741428269
0,000162977
Clientes
0,008861219
0,000647589
13,68338889
5,93374E-11
(1.9)
(1.10)
Si la hiptesis nula es verdadera l estadstico (1.10) tiene una distribucin Student con
grados de libertad. Se rechaza
si el valor absoluto de este
estadstico es mayor que el correspondiente valor crtico obtenido de tablas, es decir,
se rechaza
si:
| |
(
)
(1.11)
)
(
)
(1.13)
grados de libertad y un
(1.15)
]
(
]
(1.17)
Estimacin
Intercepcin
Error estndar
Estadstico
Pendiente
Valor-p
| |)
| |)
Resumen de Excel
Coeficientes
Error tpico
Estadstico t
Probabilidad
Intercepcin
2,308620077
0,486903934
4,741428269
0,000162977
Clientes
0,008861219
0,000647589
13,68338889
5,93374E-11
Ejercicios
1.- Cul es el propsito general del anlisis de regresin?
2.- En el anlisis de regresin intervienen dos tipos de variables: las independientes y
las dependientes. Explique con sus palabras y a travs de ejemplos, las caractersticas de
estos dos tipos de variables.
3.- En el artculo de Concrete Research (Caractersticas del concreto cerca de la
superficie: Permeabilidad intrnseca), se presentaron los datos sobre la resistencia a la
compresin y la permeabilidad intrnseca
de varias mezclas y curados de concreto.
Las cantidades resumidas son
,
, = 23 530,
, = 157.42, y
= 1 697.80. Suponga que las dos variables se relacionan de acuerdo con el modelo
de regresin lineal simple.
a) Calcule las estimaciones de mnimos cuadrados de la pendiente y la ordenada al
origen
b) Use la ecuacin de la recta ajustada para predecir la permeabilidad que se observara
cuando la resistencia a la compresin es = 4,3.
c) D una estimacin puntual de la permeabilidad media cuando la resistencia a la
compresin es = 3,7.
d) Suponga que el valor observado de la permeabilidad para = 3,7 es = 46,1.
4.- Se utilizaron mtodos de regresin para analizar los datos de un estudio para
investigar la relacin entre la temperatura superficial de una carretera (x) y la deflexin
del pavimento (y). Las cantidades resumidas fueron
,
, = 8.86,
, = 143 215.8,
= 1 083.67.
a) Calcule las estimaciones de mnimos cuadrados de la pendiente y la ordenada al
origen. Grafique la recta de regresin
b) Use la ecuacin de la recta ajustada para predecir la deflexin del pavimento que se
observara cuando la temperatura superficial es de 85 .
c) Cul es la deflexin media del pavimento cuando la temperatura superficial es
90 ?
d) Qu cambio en la deflexin media del pavimento se esperara para un cambio de 1
en la temperatura superficial?
5.- Se piensa que el nmero de libras de vapor consumidas mensualmente por una
planta qumica se relaciona con la temperatura ambiente promedio (en ) de ese mes.
En la tabla siguiente se muestra la temperatura y el consumo anual:
Mes
Ene.
Feb.
Mar.
Abr.
May
Jun.
Jul.
Ago.
Sep.
Oct.
Nov.
Dic.
Temperatura
21
24
32
47
50
59
68
74
62
50
41
30
Consumo/1 000
185.79
214.47
288.03
424.84
454.58
539.03
621.55
675.06
562.03
452.93
369.95
273.98
4.4 6.6 9.7 10.6 10.8 10.9 11.8 12.1 14.3 14.7 15.0 17.3 19.2 23.1 27.4 27.7 31.8 39.5
0.19 0.15 0.57 0.70 0.67 0.63 0.47 0.70 0.60 0.78 0.81 0.78 0.69 1.30 1.05 1.06 1.74 1.62
10
15
20
12
13
15
12
14
20
19
18
11.- Considere los datos del ejercicio 5 para = consumo de vapor y = temperatura
promedio.
a) Pruebe la significacin de la regresin usando
. Cul es el valor P para esta
prueba? Enuncie las conclusiones que resultan de esta prueba.
b) Estime
c) Estime los errores estndar de la pendiente y la ordenada al origen.
d) Pruebe la hiptesis
contra
usando
.
Encuentre el valor P para esta prueba.
e) Pruebe la hiptesis
contra
usando
. Encuentre
el valor P para esta prueba y saque conclusiones.
12.- En el ejercicio 6 se presentan los datos para
corrientes superficiales y = rea de carretera.
a) Pruebe la hiptesis
contra
indicado con un nivel de significancia del 0,01 (
= concentracin de cloruros en
usando el procedimiento
).
Coeficiente de determinacin
(1.17)
Es claro que
. En general
se interpreta como la proporcin de la
variabilidad en los datos ( ) que es explicada por el modelo. En el caso de los datos de
la resistencia de la pulpa (tabla 1.1) tenemos
(
(
)(
)
= 2580.86
Error o residual
Suma de cuadrados
Grados de libertad
Cuadrado medio
Valor-p
(
Total
Resumen de Excel
Resumen de Excel
Estadsticas de la regresin
Coeficiente de correlacin
mltiple
Estadsticas
de la regresin 0,964432318
correlacin mltiple
0,964432318
Coeficiente de determinacin
R^2
0,930129695
Coeficiente
0,930129695
R^2
ajustadode determinacin R^2
0,92430717
R^2 ajustado
0,92430717
Error tpico
3,876481166
Error tpico
3,876481166
Observaciones
14
Observaciones
14
ANLISIS DE VARIANZA
Regresin
Regresin
Residuos
Residuos
Total
Total
Intercepcin
Porcentaje de fibra
Grados de
de libertad
libertad
Grados
1
1
12
12
13
13
Suma de
de cuadrados
cuadrados
Suma
2400,531868
2400,531868
180,3252747
180,3252747
2580,857143
2580,857143
Promedio de
de los
los cuadrados
cuadrados
Promedio
2400,531868
2400,531868
15,02710623
15,02710623
Coeficientes
130,6747253
Coeficientes
1,624175824
Error tpico
2,417790201
Error tpico
0,128504099
Estadstico t
54,047173
Estadstico
t
12,63909737
Valor crtico
crtico de
de FF
FF
Valor
159,7467824
2,70702E-08
159,7467824
2,70702E-08
Probabilidad
1,05975E-15
Probabilidad
2,70702E-08
Inferior 95%
125,406813
Inferior
95%
1,344189444
(1.19)
)(
)(
)(
=
(1.20)
ser menor y en
Por ejemplo, para los datos de la resistencia de la pulpa (tabla 1.2), se construye
la grfica de probabilidad normal que se muestra en la figura 1.4. En sta se aprecia
que el supuesto de normalidad sobre los errores se cumple razonablemente bien, ya
que los puntos en esta grfica tienden a ajustarse a la lnea recta.
Grfica de probabilidad normal
(la respuesta es Resistencia)
99
95
90
Porcentaje
80
70
60
50
40
30
20
10
5
-10
-5
0
Residuo
10
Figura 1.4 Grfica de probabilidad normal para los residuos de la resistencia de la pulpa
vs. ajustes
Residuo
2,5
0,0
-2,5
-5,0
140
150
160
Valor ajustado
170
180
Figura 1.5 Grfica de residuos contra estimados o predichos para la resistencia de la pulpa
]
(1.21)
A este intervalo se le conoce como intervalo para la recta de regresin. Note que su
amplitud depende del
y de la distancia entre
y . La amplitud es mnima cuando
= y se incrementa conforme |
| se hace ms grande.
Para ilustrar lo anterior consideremos el modelo ajustado a los datos del ejemplo de
la resistencia de la pulpa (tabla 1.1), y obtenemos el intervalo de confianza para la
respuesta media en
= 12 (porcentaje de fibra)
Primeramente calculemos el estimador puntual para cuando
por
)(
= 12 , est dado
= 12 est dada
(1.22)
]
(1.23)
Por lo que pendiente de forma puntual es 1,6242, y por intervalos con un 95% de
nivel de confianza tenemos que esta se encuentra entre 1,3442 y 1,9042
Ejemplo
En un artculo se presentaron los datos de la concentracin del licor verde
( ), y la produccin de una mquina papelera ( ). Los datos se muestran en la tabla
siguiente
Nmero de
observacin
1
2
3
4
5
6
7
8
9
10
11
12
13
Concentracin
Del licor verde
( )
40
42
49
46
44
48
46
43
53
52
54
57
58
Produccin
(tons
)
825
830
890
895
890
910
915
960
990
1010
1012
1030
1050
(1.22)
Donde los
son los parmetros del modelo que se conocen como coeficientes de
( )
regresin y es el error aleatorio, con media cero, ( )
. Si en la
ecuacin (1.22)
, estamos en el caso de regresin lineal simple y el modelo es una
lnea recta; si
, tal ecuacin representa un plano. En general, la ecuacin
(1.22)representa un hiperplano en el espacio de
dimensiones generado por las
variables { }.
(1.23)
57
59
49
62
51
50
55
48
52
42
61
57
8
10
6
11
8
7
10
9
10
6
12
9
Tabla 1.6 Procedimiento para realizar los clculos para la regresin mltiple
Y
X1
X2
Y2
X 12
X 22
X 1Y
X 2Y
X1 X 2
64
71
53
67
55
58
77
57
56
51
76
68
57
59
49
62
51
50
55
48
52
42
61
57
8
10
6
11
8
7
10
9
10
6
12
9
4096
5041
2809
4489
3025
3364
5929
3249
3136
2601
5776
4624
3249
3481
2401
3844
2601
2500
3025
2304
2704
1764
3721
3249
64
100
36
121
64
49
100
81
100
36
144
81
3648
4189
2597
4154
2805
2900
4235
2736
2912
2142
4636
3876
512
710
318
737
440
406
770
513
560
306
912
612
456
590
294
682
408
350
550
432
520
252
732
513
x1
x2
y 2
x22
x1 y
x2 y
x1 x2
753
x12
643
106
48,139
34,843
976
40,830
6,796
5,779
por lo
(
(
) (
)
)
)
753
40,830
6,796
643
34,843
5,779
106
5,779
976
753
40,830
6,796
643
34,843
5,779
12
643
106
643
34,843
5,779
106
5,779
976
12
643
106
643
34,843
5,779
Predictor
Constante
Estatura
Edad
Coef
3,65
0,8546
1,506
S = 5,36321
Coef.
de EE
16,17
0,4517
1,414
T
0,23
1,89
1,07
R-cuad. = 70,9%
P
0,826
0,091
0,315
R-cuad.(ajustado) = 64,4%
Anlisis de varianza
Fuente
Regresin
Error residual
Total
GL
2
9
11
SC
629,37
258,88
888,25
MC
314,69
28,76
F
10,94
P
0,004
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones
0,841756673
0,708554296
0,643788584
5,363214691
12
ANLISIS DE VARIANZA
Regresin
Residuos
Total
Intercepcin
Estatura
Edad
Grados de libertad
2
9
11
Suma de cuadrados
629,3733536
258,8766464
888,25
F
10,9402688
Valor crtico de F
0,003895018
Coeficientes
3,651215805
0,854609929
1,50633232
Error tpico
16,16780562
0,451664156
1,414265835
Estadstico t
0,22583249
1,892135824
1,06509843
Probabilidad
0,82637676
0,0910251
0,31457045
Inferior 95%
-32,9229014
-0,167125373
-1,692959262
Pronstico Peso
64,41464032
69,13652482
54,56509625
73,20668693
59,28698075
56,9260385
65,71808511
58,22948328
63,15425532
48,58282675
73,85840932
65,92097264
Residuos
-0,414640324
1,863475177
-1,565096251
-6,20668693
-4,28698075
1,073961499
11,28191489
-1,229483283
-7,154255319
2,417173252
2,141590679
2,079027356
(
(
).
Aceptar
significa que ningn trmino o variable en el modelo tiene una
contribucin significativa al explicar la variable de respuesta, . Mientras que rechazar
implica que por lo menos un trmino en el modelo contribuye de manera
significativa a explicar . El procedimiento para probar esta hiptesis es una
generalizacin del procedimiento utilizado para probar la hiptesis equivalente en
regresin lineal simple.
El estadstico de prueba para la significancia del modelo de regresin lineal
mltiple esta dado por:
(
)
(1.24)
que bajo
).
As, se rechaza
Ejemplo
Se probar la significacin de la regresin (con
pesos , estaturas y edades de la tabla 1.5
El valor de
calculado por formula nos da un valor de
comodidad observamos el resumen arrojado por Excel y/o Minitab
si
= 10,9402 ,por
10,94
)
)
)= (
(
)
Resumen
Error o residuo
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin
R^2
Total
R^2 ajustado
Error tpico
Observaciones
0,841756673
0,708554296
0,643788584
5,363214691
12
n-1
ANLISIS DE VARIANZA
Regresin
Residuos
Total
Grados de libertad
2
9
11
Suma de cuadrados
629,3733536
258,8766464
888,25
F
10,9402688
Valor crtico de F
0,003895018
Coeficientes
Error tpico
16,16780562
0,451664156
1,414265835
F
Estadstico t
0,22583249
1,892135824
1,06509843
Probabilidad
0,82637676
0,0910251
0,31457045
Inferior 95%
-32,9229014
-0,167125373
-1,692959262
Anlisis
de varianza en 3,651215805
Minitab
Intercepcin
Estatura
Edad
Fuente
Regresin
Anlisis de los residuales
Error residual
Total Observacin
0,854609929
1,50633232
SC
MC
629,37
314,69 10,94
258,88
28,76
888,25
Pronstico Peso
Residuos
GL
2
9
11
1
2
3
4
5
6
7
8
9
10
11
12
64,41464032
69,13652482
54,56509625
73,20668693
59,28698075
56,9260385
65,71808511
58,22948328
63,15425532
48,58282675
73,85840932
65,92097264
P
0,004
-0,414640324
1,863475177
-1,565096251
-6,20668693
-4,28698075
1,073961499
11,28191489
-1,229483283
-7,154255319
2,417173252
2,141590679
2,079027356
Coeficiente de determinacin
(1.25)
)
(
)
(1.26)
(1.27)
y es una medida de la intensidad de la relacin entre la variable dependiente, , y el conjunto de
)
variables o trminos en el modelo (
)
(1.28)
(1.29)
Intercepcin
Estadstico
Valor-p
| |)
(
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
.
Coeficiente de determinacin R^2
.
R^2 ajustado
Error tpico
Observaciones
0,841756673
.
0,708554296
.
0,643788584
5,363214691
12
Grados de libertad
2
9
11
Regresin
Residuos
Total
Intercepcin
Estatura
Edad
Suma de cuadrados
629,3733536
258,8766464
888,25
Coeficientes
3,651215805
0,854609929
1,50633232
Error tpico
16,16780562
0,451664156
1,414265835
Pronstico Peso
Residuos
73,20668693
59,28698075
56,9260385
65,71808511
58,22948328
63,15425532
48,58282675
73,85840932
65,92097264
-6,20668693
-4,28698075
1,073961499
11,28191489
-1,229483283
-7,154255319
2,417173252
2,141590679
2,079027356
| |)
.
.
ANLISIS DE VARIANZA
.
.
Estadstico t
0,22583249
1,892135824
1,06509843
| |)
F
10,9402688
Valor crtico de F
0,003895018
Probabilidad
0,82637676
0,0910251
0,31457045
Inferior 95%
-32,9229014
-0,167125373
-1,692959262
1
64,41464032
-0,414640324 de confianza con respecto a la respuesta
Tambin es posible
obtener un intervalo
2
69,13652482
1,863475177
media en un punto particular,
digamos -1,565096251
est dado por:
3
54,56509625
4
5
6
7
8
9
10
11
12
( )
,
,
pH
1,2
1,8
1,2
1,8
1,2
1,8
1,2
1,8
1,5
1,5
Temperatura
-8
-8
8
8
-8
-8
8
8
0
0
Espesor
9
14
10
19
8
12
11
20
14
13
Cuajo
0,3
0,387
0,387
0,3
0,213
0,213
0,3
0,3
Sabor
5,67
7,44
7,33
6,33
7,11
7,22
6,33
6,66
a) Ajuste el modelo
b) El modelo explica la variacin observada en el sabor? Argumente con base en la
significancia del modelo, los residuales y el coeficiente de determinacin.
c) Ajuste un modelo que incluya trminos cuadrticos y analice con detalle la calidad del
ajuste aplique las pruebas de hiptesis
d) Compare el error estndar de estimacin (
(
) para ambos modelos
e) Cul modelo prefiere para explicar el sabor?
17.- Se piensa que la energa elctrica consumida mensualmente por una planta qumica
se relaciona con la temperatura ambiente promedio ( ), el nmero de das laborales del
mes ( ), la pureza promedio del producto ( ) y las toneladas del producto producidas
( ). Se cuenta con los datos del ltimo ao, los cuales se presentan en la tabla
siguiente:
240
236
290
274
301
316
300
296
267
276
288
261
25
31
45
60
65
72
80
84
75
60
50
38
24
21
24
25
25
26
25
25
24
25
25
23
91
90
88
87
91
94
87
86
88
91
90
89
100
95
110
88
94
99
97
96
110
105
100
98
Anlisis de datos
Regresin
6.- De esta ventana activar la casilla de herramientas para anlisis (palomearla) y dar
click en aceptar. De esta manera hemos activado la opcin de anlisis de datos.
Para capturar la tabla de datos para el anlisis de regresin lineal simple o
mltiple, primeramente capturamos los datos en la hoja de clculo, posteriormente
activamos Datos seguido de Anlisis de datos y seleccionamos Regresin
Datos
Anlisis de datos
Regresin
Activamos la casilla de rtulos, por default est indicado en una hoja nueva,
seleccionamos adems cualquiera de las opciones de residuos, grafica de residuales, y
curva de regresin ajustada y aceptar.
Minitab
En minitab la secuencia de captura para la regresin lineal simple o mltiple en la hoja
de clculo una vez capturada las columnas de datos seleccionamos Estadsticas luego
Regresin seguida de Regresin nuevamente
Parbola de Regresin
En muchos casos, es una funcin de segundo grado la que se ajusta lo suficiente a la
situacin real dada.
La expresin general de un polinomio de 2 grado es:
Modelo exponencial:
Tomando logaritmos en la expresin de la funcin exponencial, obtendremos:
Modelo logartmico:
La curva logartmica Y = a + b
es tambin una recta, pero en lugar de estar
referida a las variables originales X e Y, est referida a
y a Y.
Hemos visto, cmo, a pesar de ser inicialmente modelos mucho ms complejos
que el de una recta, estos tres ltimos se reducen al modelo lineal sin ms que
transformar adecuadamente los datos de partida.