FACULTAD DE CIENCIAS Y

TECNOLOGIA
UNIVERSIDAD AUTONOMA JUAN
MISAEL SARACHO

Actividad # 8

2020

Estudiante: Fernando Arancibia Salgado

Materia: Diseño de Experimentos Ing. Química
Docente: Ignacio Edwin Velasquez Soza.

Fernando Arancibia Salgado

Carrera: ing. Química
Actividad # 8

Objetivos:
 Representar el diagrama de dispersión
 Ajustar una recta de regresión a las observaciones
 Analizar la bondad del ajuste lineal
 Ajustar una curva parabólica a las observaciones
 Comparar el ajuste lineal y el parabólico.

Fundamento teórico:
Teoría de Regresión.- En estadística, el análisis de la regresión es un proceso
estadístico para estimar las relaciones entre variables. Incluye muchas técnicas para el
modelado y análisis de diversas variables, cuando la atención se centra en la relación
entre una variable dependiente y una o más variables independientes (o predictores). Más
específicamente, el análisis de regresión ayuda a entender cómo el valor de la variable
dependiente varía al cambiar el valor de una de las variables independientes,
manteniendo el valor de las otras variables independientes fijas.

Dependencia funcional: Existe una función matemática que expresa los valores de Y
en función de los valores de X de forma exacta.

Dependencia estadística: La relación entre las variables X e Y es aproximada de

modo que incluye un término aleatorio que no es posible modelizar.

Y = a + bx

Fernando Arancibia Salgado

Coeficiente de Correlación.- La correlación estadística es medida por lo que se
denomina coeficiente de correlación (r). Su valor numérico varía de 1,0 a -1,0. Nos indica
la fuerza de la relación.

En general, r> 0 indica una relación positiva y r <0 indica una relación negativa,
independientes y no están relacionadas). Aquí, r = 1,0 describe una correlación positiva
perfecta y r = -1,0 describe una correlación negativa perfecta.

Cuanto más cerca estén los coeficientes de +1,0 y -1,0, mayor será la fuerza de la
relación entre las variables.

Valor de r Fuerza de relación

-1,0 A -0,5 o 1,0 a 0,5 Fuerte

-0,5 A -0,3 o 0,3 a 0,5 Moderada

-0,3 A -0,1 o 0,1 a 0,3 Débil

-0,1 A 0,1 Ninguna o muy débil

La correlación es solamente apropiada para examinar la relación entre datos

cuantificables significativos (por ejemplo, la presión atmosférica o la temperatura) en vez
de datos categóricos, tales como el sexo, el color favorito, etc.

Tarea actividad 8
Grafica 1

Estadísticos sobre los residuos a

 
Mínimo Máximo Media Desviación N
típica
Valor pronosticado 28,8436 72,1839 44,8077 13,97958 13
Valor pronosticado -1,142 1,958 ,000 1,000 13
tip.
Error típico de 1,220 2,768 1,674 ,432 13
valor pronosticado
Valor pronosticado 28,5800 74,9328 44,9986 14,33939 13
corregido
Residual -5,78873 6,43101 ,00000 4,20936 13

Fernando Arancibia Salgado

 Residuo típ. -1,317 1,463 ,000 ,957 13
Residuo estud. -1,414 1,535 -,019 1,044 13
Residuo eliminado -6,93278 7,34117 -,19092 5,04092 13
Residuo eliminado -1,491 1,652 -,001 1,097 13
estud.
Dist. de ,001 3,835 ,923 1,041 13
Mahalanobis
Distancia de Cook ,001 ,493 ,104 ,139 13
Valor de influencia ,000 ,320 ,077 ,087 13
centrado

Resumen del modelob

Model R R R Error típ. de Durbin-
o cuadrad cuadrado la Watson
o corregida estimación
1 ,958a ,917 ,909 4,39653 2,729

ANOVAb
Modelo Suma de gl Media F Sig.
cuadrado cuadrática
s
1 Regresió 2345,145 1 2345,145 121,325 ,000a
n
Residual 212,624 11 19,329    
Total 2557,769 12      

Coeficientesa
Coeficiente Intervalo de
Coeficientes no
s confianza de
estandarizados
tipificados 95.0% para B
Modelo t Sig.
Límite Límite
B Error típ. Beta inferio superio
r r
1 (Constante 8,285 3,533   2,345 ,039 ,509 16,061

Fernando Arancibia Salgado

 )
X 2,778 ,252 ,958 11,015 ,000 2,223 3,333

Lineal

Resumen del modelo

R R cuadrado R cuadrado Error típico de la
corregida estimación
,958 ,917 ,909 4,397

ANOVA
  Suma de gl Media F Sig.
cuadrado cuadrátic
s a
Regresió 2345,145 1 2345,145 121,32 ,000
n 5
Residual 212,624 11 19,329    
Total 2557,769 12      

Coeficientes
  Coeficientes no Coeficientes t Sig. Colas de
estandarizados estandarizado Significació
s n
  B Error Beta
típico
X 2,778 ,252 ,958 11,015 ,000 Significativ
a
(Constante 8,285 3,533   2,345 ,039 No
) Significativ
a

Modelo matemáticos:
y=+ B+ Bx
y=+ 8.285+2.778 x

1.- Analizar la Significación del modelo

a) Usando F de la distribución de F-Fisher

Fernando Arancibia Salgado

 F de Tabla 1 0,0041
F de Tabla 2 0,358735
F Calculado 121,325

b) Usando colas de significación de la distribución F-Fisher

Análisis.- El F calculado no está dentro del zona de aceptación, por lo tanto en el F de

tablas 1 y 2 los valores son menores al valor de F calculado, por esta razón la hipótesis es
nula (se rechaza la hipótesis).

2.- Significación de las variables

a) Usando la t de la distribución de t-student

T de Tabla 1 -12,7062
T de Tabla 2 -2,200985
T Calculado 2,345

b) Usando las colas de significación de t-student

Análisis.- El t-student calculado no está dentro del zona de aceptación sino en la zona de
rechazo, por lo tanto en las t de tablas 1 y 2 de las variables dadas los valores son
mayores al valor de t calculado, por esta razón la hipótesis es nula (se rechaza la
hipótesis).

Grafica 2

Fernando Arancibia Salgado

 CUADRATICO

Resumen del modelo

R R cuadrado R Error típico de
cuadrado la estimación
corregida
,963 ,928 ,913 4,295

ANOVA
  Suma de gl Media F Sig.
cuadrado cuadrática
s
Regresió 2373,326 2 1186,663 64,33 ,000
n 7
Residual 184,443 10 18,444    
Total 2557,769 12      

Fernando Arancibia Salgado

 Coeficientes  
  Coeficientes no Coeficientes t Sig. Colas de
estandarizados estandarizados Significacion
  B Error Beta
típico
X 4,719 1,590 1,627 2,969 ,014 Significativa
X ** 2 -,067 ,054 -,677 -1,236 ,245 No
Significativa
(Constante) -4,063 10,569   -,384 ,709 No
Significativa

Grafica 3

Fernando Arancibia Salgado

Grafica 4

y=+ B+ Bx+ B x 2

y=−4.063+ 4.719 x−0.067 x 2

disribución F-Fisher
1) Analizar la significación del modelo
a) Usando F de la distribución de F-Fisher
F de Tabla 1 0,05151317
F de Tabla 2 0,34329145
F Calculado 64,337

b) Usando colas de significación de la disribución F-Fisher

Analizar.- El F-Fisher calculado no está dentro del zona de aceptación sino en la zona de
rechazo, por lo tanto en los F de tablas 1 y 2 de las variables dadas, los valores son
menores al valor de F calculado, por esta razón la hipótesis es nula (se rechaza la
hipótesis).

Fernando Arancibia Salgado

2) significación de la variable:
a) Usando la t de la distribución de t-student

T de Tabla 1 -4,3026527
T de Tabla 2 -2,2281389
T Calculado -,384

b) Usando las colas de significación de t-student

Analizar.-El t-student calculado no está dentro del zona de aceptación sino en la zona de
rechazo, por lo tanto en las t de tablas 1 y 2 de las variables dadas los valores son
menores al valor de t calculado, por esta razón la hipótesis es nula (se rechaza la
hipótesis).

Conclusión:
Concluyo con mis objetivos de obtener cada grafica con la aplicación Spss, al cual se
observó que en la primera grafica la dispersión de puntos no es muy notoria es decir que
tiene una correlación aproximada de 0.95, al cual es bueno ya que nos indica que los
valores no están tan lejanos. Pero en la segunda grafica es muy notoria la dispersión, ya
que no se puede graficar ni una recta aproximada, es decir que su coeficiente de
correlación es cero.

_ En la tercera grafica se puede apreciar la dispersión en forma de curva, es decir que los
valores no son nada constantes sino por lo contrario con el paso de las variables, las otras
variables van cambiando ya sea en forma creciente o decreciente. Por esta razón se
aprecia, en el cuarto grafico donde el modelo lineal se aproxima un poco mejor a la nube
de puntos que el modelo cuadrático, resaltando una línea recta aproximada a los puntos
sobre la curva.

Fernando Arancibia Salgado