ESTADISTICA

BIDIMENSIONAL:

“REGRESION Y
CORRELACION SIMPLE
Y MULTIPLE ”
Por: Aracelli Poèmape

1
•Regresión y correlación lineal
Simple
•Regresión y correlación
lineal Múltiple.

2
3
El objetivo de muchas investigaciones científicas es comprender
y explicar las relaciones entre variables.

La importancia de la estadística en la ingeniería, ha sido subrayada

por la participación en la industria, incrementando la calidad en sus
operaciones y en el producto final

4
 CLASIFICACIÓN DE LAS VARIABLES

Las variables se clasifican según:

1. Su Naturaleza

2. Su Escala de Medida

3. Su Número Y = Variable
Dependiente o
Respuesta
4. Su Relación entre ellas
X 1, … X k = Variables
Independientes

5
La importancia de la estadística en la ingeniería, ha sido
subrayada por la participación de la industria en el aumento
de la calidad en sus operaciones y en el producto final

6
El objetivo de muchas investigaciones científicas es comprender y explicar las
relaciones entre variables.

Frecuentemente, se requiere conocer como y en que medida una variable de

respuesta ( Y) se relaciona con un grupo de variables independientes ( X1, X2,
…, X k).

El análisis de regresión es una técnica estadística para el modelamiento y la

investigación de la relación entre dos o más variables.

7
 La palabra “Regresión” fue usada por primera vez por
Francis Galton ( 1822 – 1911) en sus estudios biológico de
la Herencia, refiriéndose a la “ley de la regresión universal

“Cada peculiaridad en un hombre es

compartida por sus descendientes,
pero en media, en un grado menor.”
Francis Galton
•Primo de Darwin
•Estadístico y aventurero
•Fundador (con otros) de
la estadística moderna
para explicar las teorías
de Darwin.

8
Regresión : El análisis de regresión es útil para
averiguar la forma probable de las relaciones –
entre las variables, y el objetivo final, cuando se
emplea este método de análisis, es predecir o
estimar el valor de una variable que corresponde
al valor dado de otra variable.

Correlación: El análisis de correlación se refiere a

la intensidad de la relación entre variables. Cuando
se calculan las mediciones de correlación a partir
de un conjunto de datos, el interés recae en el grado
de correlación entre las variable, calculado con el
coeficiente de correlación.

9
 ANALISIS DE REGRESION

Simple *
Lineal
Cuando la relación entre las
variables es de tipo lineal Múltiple **

Regresión

Simple *

No Lineal
Cuando la relación entre las
variables es de tipo nolineal Múltiple **

¿recta o cúbica?

* ES SIMPLE: Una variable independiente ¿recta o parábola?

** ES MULTIPLE: Varias variables independientes

140 150 160 170 180 190 200

10
140 150 160 170 180 190 200
Analizaremos como más de una sola variable explicativa podría
utilizarse para predecir el valor de la variable dependiente. Se
considera cuanto más poderoso podría volverse el modelo si se
utilizaran más variables explicativas

11
12
El modelo de regresión múltiple con k variable independientes se expresa
como:

El Modelo de
Regresión Múltiple

^
εi = Yi – Yi recibe el nombre de residuo.

Se estima el modelo utilizando los datos muestrales así:

El Modelo de Regresión
Múltiple Estimado

13
 COEFICIENTE DE CORRELACIÓN Y
COEFICIENTE DE DETERMINACIÓN

Ahora que tenemos una comprensión general de la naturaleza de la

relación entre las variables, es conveniente medir la fuerza de ésta relación.

La medida de la fuerza viene dada por el Coeficiente de Correlación.(R )

La medida del poder explicativo o ajuste del Modelo viene dada por el
Coeficiente de Determinación. (R 2)

14
 COEFICIENTE DE CORRELACIÓN Y
COEFICIENTE DE DETERMINACIÓN

 R = +/- 1, Existe perfecta correlación positiva o negativa

 R + / - 1, existe elevada correlación positiva o negativa
 R + / - 0.8, existe meritoria correlación positiva o negativa
 R + / - 0.6, existe moderada correlación positiva o negativa
 R + / - 0.5, existe baja correlación positiva o negativa
 R 0, existe pobre correlación positiva o negativa
 R = 0, No existe correlación entre las variables

15
16
 CASO Nº 1: REGRESION LINEAL SIMPLE

El procesamiento de carbon sin tratar implica el "lavado", en donde se elimina la

ceniza de carbòn( no organico, material incombustible). Una revista proporciona los
datos relacionados con los porcentajes de ceniza y el volùmen de una partìcula de
carbòn. Se midieron los porcentajes promedio de ceniza para seis volùmenes de
partìculas de carbòn. Los datos son los siguientes:

3 Porcentaje de a) La ecuación de regresión lineal simple del Porcentaje

Volumen ( cm ) de Ceniza
ceniza
0.01 3.32
b) Utilizando el modelo pronostique el porcentaje de ceniza
0.06 4.05 para partìculas con un volùmen de 5,0 cm 3
0.58 5.69
2.24 7.06 c) Interpretar coeficientes de Regresión y su significancia.
15.55 8.17
d) Pruebe la significancia de la Regresión utilizando α = 0.05;
276.02 9.36 ¿ Cuál es el valor P de esta prueba? Interpretando el
cuadro ANVA
e) Calcule e interprete R y R 2

17
 CASO Nº 1: REGRESION LINEAL SIMPLE

I. FASE OPERATIVA UTILIZANDO MINITAB

18
 CASO Nº 1: REGRESION LINEAL SIMPLE

UTILIZANDO MINITAB
I. FASE OPERATIVA

19
 CASO Nº 1: REGRESION LINEAL SIMPLE

I. FASE OPERATIVA UTILIZANDO MINITAB

20
 CASO Nº 1: REGRESION LINEAL SIMPLE
I. FASE OPERATIVA

UTILIZANDO MINITAB

21
CASO Nº 1: REGRESION LINEAL SIMPLE

I. FASE DE INTERPRETACION

a) La ecuación de regresión lineal simple del Porcentaje de

Ceniza

4.2871 + 0.8861 X1

22
CASO Nº 1: REGRESION LINEAL SIMPLE

I. FASE DE INTERPRETACION

b) Utilizando el modelo pronostique el porcentaje de ceniza para partìculas

con un volùmen de 5,0 cm 3

4.2871 + 0.8861 (5)

8.7176

23
 CASO Nº 1: REGRESION LINEAL SIMPLE

I. FASE DE INTERPRETACION

c) Interpretando coeficientes de Regresión y su significancia.

bo = 4.2871, es el Porcentaje de Ceniza, independientemente del

Volùmen de partìcula ( X1)

b1 = 0.8861, representa el incremento promedio del Porcentaje de Ceniza

por cada variación unitaria del Voùmen de Partìcula.(X1).

Individualmente tiene influencia altamente significativa sobre el Porcentaje

de Ceniza ( p = 0.003)

24
CASO Nº 1: REGRESION LINEAL SIMPLE

I. FASE DE INTERPRETACION

d) Pruebe la significancia de la Regresión utilizando α = 0.05; ¿ Cuál es el valor

P de esta prueba? Interpretando el cuadro ANVA

El análisis de varianza nos indica que la variable Volùmen de Partìcula (

X1) tiene influencia altamente significativa en el Porcentaje de Ceniza. (p
= 0.003)

e) Calcule e interprete R y R 2

R = 0.9539, nos indica que existe elevada correlación entre las variables
R2 % = 0.909 nos indica que el 90.9 % de la variabilidad del Porcentaje de
ceniza es a consecuencia del volùmen de partìcula.

25
CASO Nº 1: REGRESION LINEAL SIMPLE
I. FASE OPERATIVA
UTILIZANDO SPSS

26
CASO Nº 1: REGRESION LINEAL SIMPLE
I. FASE OPERATIVA
UTILIZANDO SPSS

27
 CASO Nº 2: REGRESION LINEAL MULTIPLE

1. El rendimiento de una reacción química (Y) depende de la

Concentración del reactivo ( X1) y de la temperatura de
operación.( X2) . Los datos obtenidos son los siguientes:

Y 81 89 83 91 79 87 84 90
X1 1 1 2 2 1 1 2 2
X2 150 180 150 180 150 180 150 180

a) Ajuste un modelo de regresión lineal múltiple a los datos.

b) Utilice la prueba t para evaluar la contribución al modelo de cada variable de
Regresión. Si se emplea α = 0.05 , Qué conclusiones se puede obtener?
c) Pruebe la significancia de la Regresión utilizando α = 0.05; ¿ Cuál es el valor P de
esta prueba?
d) Calcule e interprete R y R 2
e) Prediga el Rendimiento de la reacción química cuando la la Concentración del
reactivo X1 = 1 y la temperatura de operación X2 = 170

28
I. FASE OPERATIVA

UTILIZANDO SPSS

29
I. FASE OPERATIVA

UTILIZANDO SPSS

30
II. FASE RESULTADOS

UTILIZANDO SPSS

31
 III. FASE ANALITICA

a) La ecuación de regresión lineal múltiple del Rendimiento de una

Reacción Química es:

39.750 + 3.000 X1 + 0.250 X2

32
 III. FASE ANALITICA

b) Interpretando coeficientes de Regresión y su significancia.

bo = 39.750, es el rendimiento de una reacción química

independientemente de la Concentración del reactivo ( X1) y de la
temperatura de operación.( X2)

b1 = 3.000, representa el incremento promedio del rendimiento de una

reacción química por cada variación unitaria de la Concentración del
reactivo (X1). Cuando la temperatura de operación (X2) permanece
constante. Individualmente tiene influencia significativa sobre el
rendimiento ( p = 0.01)

b2 = 0.250 , representa el incremento promedio del rendimiento de una

reacción química por cada variación unitaria de Temperatura de operación (
X2). Cuando la Concentración del reactivo (X1) permanece constante.
Individualmente tiene influencia altamente significativa sobre el
rendimiento ( p = 0.000)

33
 III. FASE ANALITICA

c) Pruebe la significancia de la Regresión utilizando α = 0.05; ¿ Cuál es el valor

P de esta prueba? Interpretando el cuadro ANVA

El análisis de varianza nos indica que conjuntamente ambas, variables

Concentración del reactivo ( X1) y la temperatura de operación.( X2) tienen
influencia altamente significativa en la reacción química ( p = 0.000)

d) Calcule e interprete R y R 2

R = 0.980, nos indica que existe elevada correlación entre las variables
R2 % = 0.960 nos indica que el 96.0 % de la variabilidad de la reacción química
es como consecuencia de la variabilidad de la Concentración del reactivo ( X1)
y la temperatura de operación.( X2)

34
 III. FASE ANALITICA

e) Prediga el Rendimiento de la reacción química cuando la Concentración del

reactivo X1 = 1 y la temperatura de operación X2 = 170

39.75 + 3 * X1 + 0.25 * X2

39.75 + 3 * 1 + 0.25 * 170

85.25

35
CASO Nº 3: REGRESION LINEAL MULTIPLE
Se piensa que la potencia consumida por una planta química está relacionada
con la temperatura ambiente promedio ( X1), el número de días al mes ( X2), la
pureza producto del producto ( X3), y las toneladas del producto producidas
(X4). Los datos correspondientes al año pasado son:

Y 240 236 290 274 301 316 300 296 267 276 288 261
X1 25 31 45 60 65 72 80 84 75 60 50 38
X2 24 21 24 25 25 26 25 25 24 25 25 23
X3 91 90 88 87 91 94 87 86 88 91 90 89
X4 100 95 110 88 34 99 97 96 110 105 100 98

a) Ajuste un modelo de regresión lineal múltiple a los datos.

b) Prediga el consumo de de potencia para un mes en el que X1 = 75 º F, X2 = 24
dias, X3 = 90% y X4 = 98 toneladas.
c) Pruebe la significancia de la Regresión utilizando α = 0.01; ¿ Cuál es el valor P de
esta prueba?
d) Utilice la prueba t para evaluar la contribución al modelo de cada variable de
Regresión. Si se emplea α = 0.01 , Qué conclusiones se puede obtener?
e) Calcule e interprete R y R 2

36
I. FASE OPERATIVA

UTILIZANDO SPSS

37
I. FASE OPERATIVA

UTILIZANDO SPSS

38
II. FASE RESULTADOS

UTILIZANDO SPSS

39
 II. FASE RESULTADOS
CASO Nº 4: REGRESION LINEAL SIMPLE

Uno de los problemas más desafiantes en el campo del control de la

contaminación del agua, lo presenta la industria del curtido de pieles. Los
desechos de las curtiembres son químicamente complejos. Se caracterizan por
los altos valores de demanda bioquímica de oxígeno, sólidos volátiles y otros.
Considérense los siguientes datos que se obtuvieron de 33 muestras de
desechos químicamente tratados en un estudio. Donde las variables son el
porcentaje de sólidos totales y el porcentaje de la demanda química de oxígeno
para las 33 muestras.

40
 II. FASE RESULTADOS

CASO Nº 4: REGRESION LINEAL SIMPLE

% Demanda % Demanda
Nº % de Sólidos química de Nº % de Sólidos química de
oxígeno oxígeno
1 3 5 18 36 34
2 7 11 19 37 36
3 11 21 20 38 38
4 15 16 21 39 37
5 18 16 22 39 36
6 27 28 23 39 45
7 29 27 24 40 39
8 30 25 25 41 41
9 30 35 26 41 41
10 31 30 27 42 40
11 31 40 28 42 44
12 32 32 29 43 37
13 33 34 30 44 44
14 33 32 31 45 46
15 34 34 32 46 46
16 36 37 33 47 49
17 36 38 34 50 51

41
 II. FASE RESULTADOS
CASO Nº 4: REGRESION LINEAL SIMPLE

PREGUNTAS DEL CASO

a) Construya el modelo de regresiòn lineal simple para estimar el valor del %

de Demanda química de oxígeno a partir del % de Sólidos.

b) Utilizando el modelo pronostique el porcentaje de Demanda química de

oxígeno cuando el % de Sólidos es 35.

c) Interprete el grado de influencia o Contribuciòn de cada variable al modelo.

d) Calcule e interprete R y R 2

42
 II. FASE RESULTADOS

CASO Nº4: REGRESION LINEAL SIMPLE

UTILIZANDO EXCEL
I. FASE OPERATIVA DEL CASO Nº 4

43
 II. FASE RESULTADOS
CASO Nº 4: REGRESION LINEAL SIMPLE
REGRESION LINEAL SIMPLE
I. FASE OPERATIVA DEL CASO Nº 4 UTILIZANDO EXCEL

44
 II. FASE RESULTADOS
CASO Nº 4: REGRESION LINEAL SIMPLE
REGRESION LINEAL SIMPLE
UTILIZANDO EXCEL
II. FASE RESULTADOS DEL CASO Nº 4

45
 II. FASE RESULTADOS
CASO Nº 4: REGRESION LINEAL SIMPLE
REGRESION LINEAL SIMPLE
UTILIZANDO EXCEL
II. FASE RESULTADOS DEL CASO Nº 4

46
 II. FASE RESULTADOS
CASO Nº 4: REGRESION LINEAL SIMPLE

II. FASE INTERPRETACIÒN DEL CASO Nº 4

47
 II. FASE RESULTADOS

CASO Nº 5: REGRESION LINEAL SIMPLE

En la fabricación de productos comerciales de madera es importante

estimar la relación entre la densidad de un producto de madera y su
dureza.

En una fábrica se produjeron treinta tableros de aglomerados con

densidades de aproximadamente 8 a 26 libras por pie cúbico, y se midió
la dureza en libras por pulgada cuadrada. La siguiente tabla muestra los
datos

48
 II. FASE RESULTADOS
CASO Nº 5: REGRESION LINEAL SIMPLE
a) Construya el modelo de regresión lineal simple para estimar el valor de la Dureza de la madera a
partir de la densidad .

b) Utilizando el modelo pronostique la Dureza de la Madera con una densidad de 8 lb/pies3.

c) Interprete el grado de influencia del modelo. Contribución de cada variable al modelo.

Densidad ( X) Dureza (Y) Densidad ( X) Dureza (Y)
d ) Calcule e interprete R y R 2 6,4 5,076 15,2 14,028
7 5,304 15,4 14,312
8,2 7,328 16,4 16,792
8,3 7,573 16,7 16,899
8,4 7,592 17,4 18,243
8,6 8,714 19,5 20,207
9,5 8,814 19,8 20,438
9,8 9,007 21,2 23,218
9,9 9,191 21,3 23,45
11 9,643 21,7 23,661
13,6 11,036 22,8 24,453
14,5 12,148 23,3 25,512
14,8 12,751 23,4 25,74
15 13,319 24,4 27,594
15 13,522 25,6 29,305

49
 II. FASE RESULTADOS
CASO Nº 5: REGRESION LINEAL SIMPLE

UTILIZANDO MINITAB

50
 II. FASE RESULTADOS
CASO Nº 5: REGRESION LINEAL SIMPLE

UTILIZANDO MINITAB

51
 II. FASE RESULTADOS
CASO Nº 5: REGRESION LINEAL SIMPLE

UTILIZANDO MEGA STAT

52
 II. FASE RESULTADOS
CASO Nº 5: REGRESION LINEAL SIMPLE

UTILIZANDO MEGA STAT

Densidad y Dureza
16
14 y = 0.8518x + 0.3151
12 R² = 0.9566
Dureza (Y)

10
8
6
4
2
0
0 5 10 15 20
Densidad ( X)

53
54