REGRESIÓN LINEAL MÚLTIPLE -

EJERCICIO 12.5

y x1 x2 x3 x4
240 25 24 91 100
236 31 21 90 95
290 45 24 88 110
274 60 25 87 88
301 65 25 91 94
316 72 26 94 99
300 80 25 87 97
296 84 25 86 96
267 75 24 88 110
276 60 25 91 105
288 50 25 90 100
261 38 23 89 98

Definición Modelo Matemático Causal

1. Determinación de las Variables

X1= Temperatura
Variable Independiente (Causa)
ambiental
X2= Númeropromedio
de días del
Variable Independiente (Causa)
mes
X3=Pureza promedio del
Variable Independiente (Causa)
producto
X4= Toneladas fabricadas
Variable Independiente (Causa)
del producto
Y= Consumo de energía
Variable Dependiente (Efecto)
para un mes

2. Objetivo de la Investig

Estudiar el consumo de energía durante un mes en función de las variables independie

(x1,x2,x3,x4); no obstante, determinar la relación causal entre las variables independi
y la variable dependiente.

3. Custión de la Investiga
 ¿Cómo Influyen las variables (x1,x2,x3,x4) en el consumo de energía por mes?

4. Establecer el Modelo E

Consumo de energía por mes = F (Temperatura ambiental promedio, Núm

Y=F
𝑌= 𝛽_0+𝛽_1 𝑋_1+𝛽_2 𝑋_2+

Estimación del Modelo Matemático Causal

1. Tabla de Datos

Tamaño de muestra (N) 12

Parámetros 5

Y X1 X2 X3 X4
Consumo de Temperatura Pureza Toneladas
Número de
energía por ambiental promedio fabricadas
días del mes
mes promedio del producto del producto
240 25 24 91 100
236 31 21 90 95
290 45 24 88 110
274 60 25 87 88
301 65 25 91 94
316 72 26 94 99
300 80 25 87 97
296 84 25 86 96
267 75 24 88 110
276 60 25 91 105
288 50 25 90 100
261 38 23 89 98

ANÁLISIS DE DATOS (EXCEL)

Resumen

Estadísticas
de la
regresión
 Coeficiente
de 0.86298887
correlación
múltiple

Coeficiente
de
0.74474978
determinaci
ón R^2
R^2 ajustado 0.59889252
Error típico 15.5793327
Observaciones 12

ANÁLISIS DE VARIANZA

Promedio de
Grados de Suma de los
libertad cuadrados cuadrados F Valor crítico de F
Regresión 4 4957.24074 1239.31019 5.10601768 0.03030277
Residuos 7 1699.00926 242.715608
Total 11 6656.25

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción -102.713236 207.858851 -0.49414897 0.63632864 -594.221316
Temperatura 0.60537054 0.36889695 1.64102883 0.14479662 -0.26693215
Número de dí 8.9236442 5.30052224 1.68354056 0.13614567 -3.61009923
Pureza prome1.43745673 2.39162051 0.60103881 0.56675924 -4.21782712
Toneladas fab0.01360931 0.73382144 0.0185458 0.98572098 -1.72160267

Análisis de los residuales Resultados de datos de probabi

Pronóstico
Consumo de Residuos
Observación Residuos Percentil
energía por estándares
mes
1 258.757981 -18.7579813 -1.50933127 4.16666667
2 234.113769 1.88623135 0.15177262 12.5
3 266.689115 23.3108851 1.87567346 20.8333333
4 282.956456 -8.95645567 -0.72066702 29.1666667
5 291.814791 9.18520887 0.73907329 37.5
6 309.356446 6.64355417 0.53456307 45.8333333
7 295.18635 4.81364982 0.38732271 54.1666667
8 296.156766 -0.15676629 -0.01261395 62.5
9 284.850231 -17.850231 -1.43629058 70.8333333
10 288.937641 -12.9376408 -1.04100679 79.1666667
 11 281.378432 6.62156781 0.53279397 87.5
12 254.802022 6.197978 0.49871049 95.8333333

Gráficas usando Gráficos de los Residuales

Variable Independiente (X1) vs Gráfico de Residuales

Temperatura ambiental
promedio Gráfi co de los
residuales
30

20

10
Residuos

0
20 30 40 50 60 70 80 90
-10

-20

-30
Temperatura ambiental promedio

Variable Independiente (X3) vs Gráfico de Residuales

Pureza promedio del

producto Gráfi co de los
residuales
30

20

10
Residuos

0
85 86 87 88 89 90 91 92 93 94 95
-10

-20

-30
Pureza promedio del producto
 Gráficas usando Curva de Regresión
Ajustada
Variable Independiente (X1) vs Curva de Regresión Ajustada

Temperatura ambiental
promedio Curva de re-
gresión ajustada
Consumo de energía por mes
340
320
300
280
260
240
220
200
20 30 40 50 60 70 80 90
Temperatura ambiental promedio

Consumo de energía por mes

Linear (Consumo de energía por mes)
Pronóstico Consumo de energía por mes

Variable Independiente (X3) vs Curva de Regresión Ajustada

Pureza promedio del producto

Curva de regresión ajustada
Consumo de energía por mes
Linear (Consumo de energía por mes)
Pronóstico Consumo de energía por mes
340
Consumo de energía por mes

320
300
280
260
240
220
200
85 86 87 88 89 90 91 92 93 94 95
Pureza promedio del producto

2. Modelo Especificado

𝑌= 𝛽_0+𝛽_1 𝑋_1+𝛽_2 𝑋_2+𝛽_3 𝑋_3+𝛽_4 𝑋_4

𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑒𝑛𝑒𝑟𝑔í𝑎 𝑝𝑜𝑟 𝑚𝑒𝑠= 𝛽_0+𝛽_1∗𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑚𝑏𝑖𝑒𝑛𝑡𝑎𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜+𝛽_2∗𝑁ú𝑚
3. Modelo Estimado

Coeficientes
𝛽_0
-102.713236
Intercepción
𝑋_1
Temperatur 𝛽_1
a ambiental 0.60537054
promedio
𝑋_2 𝛽_2
Número de 8.9236442
días del mes
𝑋_3 𝛽_3
Pureza
promedio 1.43745673
del
producto
𝑋_4 𝛽_4
Toneladas
fabricadas 0.01360931
del
producto

𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑒𝑛𝑒𝑟𝑔í𝑎 𝑝𝑜𝑟 𝑚𝑒𝑠=−102.713+0.605∗𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑚𝑏𝑖𝑒𝑛𝑡𝑎𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜

4. Interpretación de los Parámetros

Por una unidad de temperatura ambiental aumentada, el

𝛽_1
consumo
Por un díadeque
energía aumenta
transcurre, en 0.605.de energía aumenta en
el consumo
𝛽_2
8.924.
Por una unidad porcentual de pureza en aumento, el consumo de
𝛽_3
energía
Por una aumenta
tonelada ende 1.437.
fabricación producida, el consumo de
𝛽_4
energía aumenta en 0.014.

Evaluación del Modelo de Regresión

1. De Hipótesis a Priori

Signo Signo
Variable Parámetro Hipótesis
especificado estimado

Temperatura 𝛽_1
ambiental + + Si cumple
promedio
Número de 𝛽_2
+ + Si cumple
días del mes
 𝛽_3
Pureza
promedio + + Si cumple
del producto
𝛽_4
Toneladas
fabricadas + + Si cumple
del producto

2. Del Ajuste de Modelo

Estadísticas de la regresión

Coeficiente
de
correlación
múltiple 0.86298887

Coeficiente
de
determinaci
ón R^2 0.74474978
R^2 ajustado 0.59889252
Error típico 15.5793327
Observaciones 12

Coeficiente de determinación
R^2 0.74474978 74.475%

Conclusión: La manera de como se mueve del CONSUMO DE

ENERGÍA POR MES, viene siendo explicado por las
VARIABLES INDEPENDIENTES, con un valor porcentual de
74.475%

Coeficiente de Correlación Múltiple

r 0.86298887 86.299%

Conclusión: La aproximación a 1, indica que existe una

RELACIÓN directa entre la variable independiente y
dependiente.

Matriz de Correlación Simple

Temperatur Número de Pureza Toneladas

a ambiental días del mes promedio fabricadas
promedio del producto del producto
 Temperatur
a ambiental
promedio 1

Número de
días del mes 0.66045595 1

Pureza
promedio
del
producto -0.28756637 0.11273901 1

Toneladas
fabricadas
del
producto -0.02355867 -0.02532776 0.07891362 1

Consumo de
energía por
mes 0.75147871 0.80285707 0.04884753 -0.00919726

Interpretaci
ones

Temperatur Pureza Toneladas

a ambiental Número de promedio fabricadas
días del mes
promedio del producto del producto

Temperatur
a ambiental 1
promedio

Relación
Número de 1
directa
días del mes

Pureza Relación Relación

promedio 1
indirecta indirecta
del
producto

Toneladas No existe No existe Relación

fabricadas 1
relación relación baja
del
producto

Consumo de Relación Relación Relación No existe

energía por directa directa baja relación
mes

Error típico
 𝜎 15.5793327

Concluisón: La dispersión o alejamiento para los valores

estimados en el CONSUMO DE ENERGÍA POR MES es de
15.579 con respecto a su valor promedio.

3. De la Significancia Estadística del Modelo

Significancia Global del Modelo

Prueba de Hipótesis

El modelo no es
𝐻_0: 𝛽_0=𝛽_1=𝛽_2=𝛽_3=𝛽_4=0
significativo
El modelo es
𝐻_0: 𝛽_0≠𝛽_1≠𝛽_2≠𝛽_3≠𝛽_4≠0
significativo

Nivel de Significancia

Alfa 𝛼
5% (Por defecto)

Tabla ANOVA

ANÁLISIS DE VARIANZA
Promedio de
Suma de
Grados de libertad los
cuadrados
cuadrados
Regresión 4 4957.24074 1239.31019
Residuos 7 1699.00926 242.715608
Total 11 6656.25

F calculad 5.10601768
F tabla 4.12031173

Conclusión: Como nuestro (F calculado) > (F tabla); recha

(Ho). Es decir, nuestro modelo ES SIGNIFICATIVO.

Significancia Individual (Parámetros) del Modelo

Parámetro 𝜷_𝟏

Prueba de Hipótesis

No es significante el
𝐻_0: 𝛽_1=0
parámetro B1 el
Es significante
𝐻_1: 𝛽_1≠0
parámetro B1
 Nivel de Significancia

𝛼 5% (Por defecto)

Valor Calculado de la Prueba Estadística

Coeficientes Error típico

Temperatu
ra
0.60537054 0.36889695
ambiental
promedio

t calculad 1.64102883
t tabla 2.36462425

Conclusión: Como nuestro (t calculado) < (t tabla); acepta

(Ho). Es decir, el parámetro B1 no es significante
estadísticamente en el modelo.

Parámetro 𝜷_𝟐

Prueba de Hipótesis

No es significante el
𝐻_0: 𝛽_2=0
parámetro B2 el
Es significante
𝐻_1: 𝛽_2≠0
parámetro B2

Nivel de Significancia

𝛼 5% (Por defecto)

Valor Calculado de la Prueba Estadística

Coeficientes Error típico

Número de días del mes
8.9236442 5.30052224

t calculad 1.68354056
t tabla 2.36462425

Conclusión: Como nuestro (t calculado) < (t tabla); acepta

(Ho). Es decir, el parámetro B2 no es significante
estadísticamente en el modelo.

Parámetro 𝜷_𝟑
 Prueba de Hipótesis

No es significante el
𝐻_0: 𝛽_3=0
parámetro B3 el
Es significante
𝐻_1: 𝛽_3≠0
parámetro B3

Nivel de Significancia

𝛼 5% (Por defecto)

Valor Calculado de la Prueba Estadística

Coeficientes Error típico

Pureza
promedio 1.43745673 2.39162051
del producto

t calculad 0.60103881
t tabla 2.36462425

Como nuestro (t calculado) < (t tabla); aceptamos (Ho). E

decir, el parámetro B3 no es significante estadísticamente
modelo.

Parámetro 𝜷_𝟒

Prueba de Hipótesis

No es significante el
𝐻_0: 𝛽_4=0
parámetro B4 el
Es significante
𝐻_1: 𝛽_4≠0
parámetro B4

Nivel de Significancia

𝛼 5% (Por defecto)

Valor Calculado de la Prueba Estadística

Coeficientes Error típico

Toneladas
fabricadas 0.01360931 0.73382144
del producto

t calculad 0.0185458
t tabla 2.36462425
 Conclusión: Como nuestro (t calculado) < (t tabla); acepta
(Ho). Es decir, el parámetro B4 no es significante
estadísticamente en el modelo.

Interrogantes del Modelo de Regresión

Gráfica de los datos con respecto a cada variable independiente

Variable Independiente (X1) vs Consumo de Energía por Mes

Temperatura ambiental promedio vs

Consumo de energía por mes
340

320

300

280

260

240

220

200
20 30 40 50 60 70 80 90

Variable Independiente (X3) vs Consumo de Energía por Mes

Pureza promedio del producto

vs Consumo de energía por mes
340

320

300

280

260

240

220

200
85 86 87 88 89 90 91 92 93 94 95
 260

240

220

200
85 86 87 88 89 90 91 92 93 94 95

Conclusión: Es necesario precisar que, las gráficas muentran los objetiv

dependiente. Además, podemos observar que la variable con mayor rela
NÚMERO DE DÍAS DEL MES.

a) Ajuste un modelo de regresión lineal múltiple usando el conjunto de datos anterior.

𝑌= 𝛽_0+𝛽_1 𝑋_1+𝛽_2 𝑋_2+𝛽_3 𝑋_

𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑒𝑛𝑒𝑟𝑔í𝑎 𝑝𝑜𝑟 𝑚𝑒𝑠= 𝛽_0+𝛽_1∗𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑚𝑏𝑖𝑒𝑛
𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑒𝑛𝑒𝑟𝑔í𝑎 𝑝𝑜𝑟 𝑚𝑒𝑠=−102.713+0.605∗𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑚𝑏𝑖𝑒𝑛𝑡

b) Prediga el consumo de energía para un mes en que x1=75°F, x2=24 días, x3=90% y x4=98 to

Variable Valor
Temperatur
a ambiental 75
promedio

Número de
días del mes 24

Pureza
promedio
90
del
producto

Toneladas
fabricadas
98
del
producto

Consumo de
energía por 287.54
mes
nción de las variables independientes
sal entre las variables independientes
l consumo de energía por mes?

atura ambiental promedio, Número de días del mes, Pureza promedio del producto, Toneladas fabricadas del producto)
Y = F (X1, X2, X3, X4)
𝑌= 𝛽_0+𝛽_1 𝑋_1+𝛽_2 𝑋_2+𝛽_3 𝑋_3+𝛽_4 𝑋_4
 or crítico de F

Superior 95%Inferior 95.0%

Superior 95.0%
388.794843 -594.221316 388.794843
1.47767322 -0.26693215 1.47767322
21.4573876 -3.61009923 21.4573876
7.09274059 -4.21782712 7.09274059
1.74882129 -1.72160267 1.74882129

Resultados de datos de probabilidad

Consumo de
PROBABILIDAD NORMAL
energía por 340
mes
320
236
Consumo de energía por mes

240 300
261
280
267
274 260
276
288 240

290
220
296
300 200
0 10 20 30 40 50 60 70 80 90
Muestra percentil
 240

Cons
220

200
0 10 20 30 40 50 60 70 80 90
301
Muestra percentil
316

de los Residuales
Variable Independiente (X2) vs Gráfico de Residuales

Número de días del mes Gráfi co de los re -

siduales
30

20

10
Residuos

0
20 21 22 23 24 25 26 27
-10

-20

-30
Número de días del mes

Variable Independiente (X4) vs Gráfico de Residuales

Toneladas fabricadas del producto Gráfi co de los

residuales
30

20

10
Residuos

0
85 90 95 100 105 110 115
-10

-20

-30
Toneladas fabricadas del producto
 o Curva de Regresión
Ajustada
Variable Independiente (X2) vs Curva de Regresión Ajustada

Número de días del mes Curva de regresión

ajustada
340
Consumo de energía por mes

320
300
280
260
240
220
200
20 21 22 23 24 25 26 27
Número de días del mes

Consumo de energía por mes Linear (Consumo de energía por mes)

Pronóstico Consumo de energía por mes

Variable Independiente (X4) vs Curva de Regresión Ajustada

Toneladas fabricadas del producto Curva de regresión ajus-

tada
Consumo de energía por mes Linear (Consumo de energía por mes)
Pronóstico Consumo de energía por mes
340
Consumo de energía por mes

320
300
280
260
240
220
200
85 90 95 100 105 110 115
Toneladas fabricadas del producto

_2+𝛽_3 𝑋_3+𝛽_4 𝑋_4

𝑚𝑏𝑖𝑒𝑛𝑡𝑎𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜+𝛽_2∗𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑í𝑎𝑠 𝑑𝑒𝑙 𝑚𝑒𝑠+𝛽_3∗𝑃𝑢𝑟𝑒𝑧𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜+𝛽_4∗𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐
𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑚𝑏𝑖𝑒𝑛𝑡𝑎𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜+8.924∗𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑í𝑎𝑠 𝑑𝑒𝑙 𝑚𝑒𝑠+1.437∗𝑃𝑢𝑟𝑒𝑧𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜+0.014∗𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑓𝑎𝑏𝑟𝑖𝑐
Consumo de
energía por
mes
 1

Consumo de
energía por
mes

1
 El modelo no es
=𝛽_3=𝛽_4=0
significativo
El modelo es
𝛽_3≠𝛽_4≠0
significativo

(Por defecto)

Valor crítico
F
de F

5.10601768 0.03030277

(F calculado) > (F tabla); rechazamos

o modelo ES SIGNIFICATIVO.
 (Por defecto)

Estadístico t Probabilidad

1.64102883 0.14479662

(t calculado) < (t tabla); aceptamos

o B1 no es significante
delo.

(Por defecto)

Estadístico t Probabilidad
1.68354056 0.13614567

(t calculado) < (t tabla); aceptamos

o B2 no es significante
delo.
 (Por defecto)

Estadístico t Probabilidad

0.60103881 0.56675924

) < (t tabla); aceptamos (Ho). Es

es significante estadísticamente en el

(Por defecto)

Estadístico t Probabilidad

0.0185458 0.98572098
 (t calculado) < (t tabla); aceptamos
o B4 no es significante
delo.

Variable Independiente (X2) vs Consumo de Energía por Mes

edio vs Número de días del mes vs Consumo de energía por mes

es
340

320

300

280

260

240

220

80 90 200
20 21 22 23 24 25 26

Variable Independiente (X4) vs Consumo de Energía por Mes

ucto Toneladas fabricadas del producto vs Consumo de

mes energía por mes
340

320

300

280

260

240

220

200
3 94 95 85 90 95 100 105 110
 260

240

220

200
3 94 95 85 90 95 100 105 110

as gráficas muentran los objetivos de la dispersión de datos de cada variable independiente así como la de la variable
r que la variable con mayor relación sobre el CONSUMO DE ENERGÍA POR MES está referida con la variable

unto de datos anterior.

_0+𝛽_1 𝑋_1+𝛽_2 𝑋_2+𝛽_3 𝑋_3+𝛽_4 𝑋_4

_0+𝛽_1∗𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑚𝑏𝑖𝑒𝑛𝑡𝑎𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜+𝛽_2∗𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑í𝑎𝑠 𝑑𝑒𝑙 𝑚𝑒𝑠+𝛽_3∗𝑃𝑢𝑟𝑒𝑧𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜+𝛽_4∗𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠
0.605∗𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑎𝑚𝑏𝑖𝑒𝑛𝑡𝑎𝑙 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜+8.924∗𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑í𝑎𝑠 𝑑𝑒𝑙 𝑚𝑒𝑠+1.437∗𝑃𝑢𝑟𝑒𝑧𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜+0.014∗𝑇𝑜𝑛𝑒𝑙

2=24 días, x3=90% y x4=98 toneladas.

el producto)
ORMAL

60 70 80 90 100
60 70 80 90 100

115
 115

𝑙𝑎𝑑𝑎𝑠 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜

𝑐𝑡𝑜+0.014∗𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜
o de energía por mes

25 26 27

cto vs Consumo de
es

105 110 115

 105 110 115

𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜+𝛽_4∗𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜

𝑖𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜+0.014∗𝑇𝑜𝑛𝑒𝑙𝑎𝑑𝑎𝑠 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑑𝑎𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜
 Regresión Multiple

Pág. 473 Caso de un modelo de Regresión Polim

y x
Distancia de frenado
Velocidad
(m) (Km/h)
16 35
26 50
41 65
62 80
88 95
119 110

1. ESPECIFICACIÓN DEL MODELO

a) Hallar : D = B0 + B1*v + B2*v2
VARIABLES:
Efecto Y = Distancia de frenado recorrida (m
b) Estime la distancia de frenado cuando el autumóvil viaja Causas = x = Velocidad del automovil (Km
a 70 kilómetros/hora. x2 = Velocidad del automovil (Km

OBJETIVO:
frenar (m) que se producen por e
de las diferentes velocidades

MODELO ESPECIFICADO

Distancia de frenado = F (velocidad del autom

Distancia de frenado = B0 + B1*velocidad del
Y = B0 + B1 X + B2 X2

2. ESTIMACIÓN DEL MODELO

Resumen

Estadísticas de la regresión
Coeficiente d 0.99999213
Coeficiente d 0.99998425
R^2 ajustado 0.99997376
Error típico 0.20118695
Observacione 6

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 2
 Residuos 3
Total 5

Coeficientes
Intercepción 13.3587302
Velocidad (K-0.33944444
Velocidad2 (Km20.0118254
/h2)

MODELO ESTIMADO

Intercepción
X1 Velocidad (K
X2 Velocidad2 (Km2/h2)

Y = B0 - B1*X + B2*X2
Respuesta de la Inciso a) Y = 13.35873 - 0.3394 *X + 0.011825*X2

INTEPRETACIÓN DE LOS PARÁMETROS

B1 Por cada unidad de incremento de

B2 Por cada unidad de incremento de

3. EVALUACIÓN DEL MODELO

3.1 EVALUACIÓN DE LA HIPÓTESIS A PRIOR

Variable
Velocid
ad del
automo
vil

Velocid
ad del
automo
vil 2

3.2 AJUSTE DEL MODELO

Estadísticas de la regresión
Coeficiente d
Coeficiente d
 R^2 ajustado
Error típico
Observacione

Coeficiente
El 99.9984% del comportamiento
variable distancia de frenado (m
explicado por las variables velo
del automovil y velocidad de
automovil al cuadrado.

Coeficiente d
Existe una relación fuerte y dir
entre las variables distancia de fr
(m) y la velocidad del automov

MATRIZ DE CORRELACIÓN SIMPL

Velocidad vs
Velocidad2 vs Distancia de fren
Velocidad2 vs Velocidad

ERROR TÍPICO
valores estimados de la distanci
frenado recorrida, es de 0.2011
metros respecto a su valor prom

3.3 EVALUACIÓN DE LA SIGNIFICACIA ESTADIS

3.3.1. EVALUACIÓN GLOBAL DE LOS PARAM

Hipótesis:
Ho :
H1 :

Niel de significancia:
Valor calculado de la prueba esta
ANÁLISIS DE VARIANZA
Grados de libertad
 Regresión
Residuos
Total

Valor de tabla

Conclusión
=

3.3.2. EVALUACIÓN INDIVIDUAL DE LOS

PARA B1
Hipótesis
H0 :
H1 :

Nivel de significancia:

Valor calculado de la prueba esta

Velocidad (K

Valor de tabla

Conclusión
=

PARA B2
Hipótesis
H0 :
H1 :

Niel de significancia:

Valor de tabla
 Conclusión
=

4. CAPACIDAD PREDICTIVA DEL MODELO

precisar que para dar respuesta a este apartad
considera indiferente que el parametro B2 se
significativo.

v= 70

Distancia recorrida al frenar = 47.5420635

 n modelo de Regresión Polimonial
x^2
Velocidad2 (Km2/h2)
1225
2500
4225
6400
9025
12100

CIÓN DEL MODELO

Distancia de frenado recorrida (m)

= Velocidad del automovil (Km/h)
2
= Velocidad del automovil (Km/h) al cuadrado

frenar (m) que se producen por efecto

de las diferentes velocidades del
auotomovil.

enado = F (velocidad del automovil, velocidad del automovil 2)

enado = B0 + B1*velocidad del automovil + B2*Velocidad del automovil 2)

N DEL MODELO

E VARIANZA
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
7711.2119 3855.60595 95256.1471 6.24866E-08
 0.12142857 0.04047619
7711.33333

Error típico Estadístico t Probabilidad Inferior 95%Superior 95%Inferior 95.0%

Superior 95.0%
0.71689646 18.6341136 0.00033733 11.0772457 15.6402147 11.0772457 15.6402147
0.02146044 -15.8172168 0.00054937 -0.40774114 -0.27114774 -0.40774114 -0.27114774
0.00014634 80.8065955 4.17725E-06 0.01135967 0.01229112 0.01135967 0.01229112

Coeficientes
13.3587302 B0
-0.33944444 B1
0.0118254 B2

- 0.3394 *X + 0.011825*X2

N DE LOS PARÁMETROS

or cada unidad de incremento de la velocidad en Km/h, la distancia de frenado recorrida disminuye en -0.3394 m.
or cada unidad de incremento de la velocidad al cuadrado, la distancia de frenado aumenta en 0.0118254 m.

N DEL MODELO

ACIÓN DE LA HIPÓTESIS A PRIORI DEL MODELO

Parámet Especifi Estimad Hipótesis

B1 + - No se c Los resultados a salido que no se a cumplido la teoria.

B2 + + Se cumple

DEL MODELO

tadísticas de la regresión
0.99999213
0.99998425
 0.99997376
0.20118695
6

99.9984%
El 99.9984% del comportamiento de la
variable distancia de frenado (m), es
explicado por las variables velocidad
del automovil y velocidad del
automovil al cuadrado.

0.99999213
Existe una relación fuerte y directa
ntre las variables distancia de frenado
(m) y la velocidad del automovil .

MATRIZ DE CORRELACIÓN SIMPLE

Distancia de frenado
Velocidad
(m) (Km/h)
Velocidad2 (Km2/h2)
Distancia de 1
Velocidad (K 0.98270562 1
Velocidad2 (Km2/h2)
0.99933531 0.98877682 1

0.98270562 Existe una alta relación positiva o directa entre la velocidad del automovil y la distancia de frenado
0.99933531 Existe una fuerte relación positiva o directa entre la variable de velocidad cuando se eleva al cuadrado y la distanc
0.98877682 Existe una estrecha relación positiva o directa entre la velocidad elevada al cuadrado y la velocidad real del autom

0.20118695
valores estimados m
de la distancia de
frenado recorrida, es de 0.201187
metros respecto a su valor promedio.

ÓN DE LA SIGNIFICACIA ESTADISTICA DE LOS PARÁMETROS DEL MODELO

UACIÓN GLOBAL DE LOS PARAMETROS DEL MODELO

B0 = B1 = B2 =0El modelo no es significtivo, es decir, las variables velocidad del automovil y la velocidad al cuadrado no explican
algún Bi ≠ 0 El modelo si es significtivo, es decir, las variables velocidad del automovil y la velocidad al cuadrado si explican

5%
alor calculado de la prueba estadística
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
 2 7711.2119 3855.60595 95256.1471 6.24866E-08
3 0.12142857 0.04047619
5 7711.33333

F tabla = 9.5520945

las variables velocidad del automovil y esta misma

elevada al cuadrado si explican la distancia de
frenado recorrida, con un nivel de significancia del
5%.

ALUACIÓN INDIVIDUAL DE LOS PARAMETROS DEL MODELO

B1 = 0 La variable velocidad del automovil no es significativa, es decir, no exlica a la variable distancia recorrida al fren
B1 ≠ 0 La variable velocidad del automovil si es significativa, es decir, si exlica a la variable distancia recorrida al frenar

5%

alor calculado de la prueba estadística

Coeficientes Error típico Estadístico t

-0.33944444 0.02146044 -15.8172168

3.18244631
Como el valor calculado de T (-15.817) es menor
que el valor de la tabla (3.1824), entonces, se acepta
la H0, es decir, La variable velocidad del automovil
no es significativa, es decir, no exlica a la variable
distancia recorrida al frenar, con un nivel de
significancia del 5%.

B2 = 0 La variable velocidad cuando se eleva al cuadrado no es significativa, es decir, no exlica a la variable distancia rec
B2 ≠ 0 La variable velocidad cuando se eleva al cuadrado sí es significativa, es decir, sí exlica a la variable distancia reco

5%

Coeficientes Error típico Estadístico t

Velocidad2 (Km20.0118254
/h2) 0.00014634 80.8065955

3.18244631
 que el valor de Tabla (3.18245), entonces, se acepta
H1, es decir, la variable velocidad cuando se eleva al
cuadrado sí es significativa, es decir, sí exlica a la
variable distancia recorrida al frenar, con un nivel de
significancia del 5%.

PREDICTIVA DEL MODELO

para dar respuesta a este apartado se
diferente que el parametro B2 sea no
significativo.

4900

metros Respuesta al inciso b)

umplido la teoria.
tancia de frenado
se eleva al cuadrado y la distancia de frenado.
do y la velocidad real del automovil.

elocidad al cuadrado no explican la distancia de frenado recorrida (m).

locidad al cuadrado si explican la distancia de frenado recorrida (m).
riable distancia recorrida al frenar.
able distancia recorrida al frenar.

exlica a la variable distancia recorrida al frenar.

xlica a la variable distancia recorrida al frenar.