Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Regresión Lineal Múltiple - Ejercicio 12.5: Definición Modelo Matemático Causal
Regresión Lineal Múltiple - Ejercicio 12.5: Definición Modelo Matemático Causal
Regresión Lineal Múltiple - Ejercicio 12.5: Definición Modelo Matemático Causal
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
2. Objetivo de la Investig
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
1. Tabla de Datos
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
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
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
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
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
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
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
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
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%
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
a ambiental 1
promedio
Relación
Número de 1
directa
días del mes
Error típico
𝜎 15.5793327
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
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)
t calculad 1.64102883
t tabla 2.36462425
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)
t calculad 1.68354056
t tabla 2.36462425
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)
Pureza
promedio 1.43745673 2.39162051
del producto
t calculad 0.60103881
t tabla 2.36462425
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)
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.
320
300
280
260
240
220
200
20 30 40 50 60 70 80 90
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
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
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
20
10
Residuos
0
20 21 22 23 24 25 26 27
-10
-20
-30
Número de días del mes
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
320
300
280
260
240
220
200
20 21 22 23 24 25 26 27
Número de días del mes
320
300
280
260
240
220
200
85 90 95 100 105 110 115
Toneladas fabricadas del producto
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
Estadístico t Probabilidad
1.64102883 0.14479662
(Por defecto)
Estadístico t Probabilidad
1.68354056 0.13614567
Estadístico t Probabilidad
0.60103881 0.56675924
(Por defecto)
Estadístico t Probabilidad
0.0185458 0.98572098
(t calculado) < (t tabla); aceptamos
o B4 no es significante
delo.
320
300
280
260
240
220
80 90 200
20 21 22 23 24 25 26
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
60 70 80 90 100
60 70 80 90 100
115
115
25 26 27
cto vs Consumo de
es
OBJETIVO:
frenar (m) que se producen por e
de las diferentes velocidades
MODELO ESPECIFICADO
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
Variable
Velocid
ad del
automo
vil
Velocid
ad del
automo
vil 2
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
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
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
=
PARA B1
Hipótesis
H0 :
H1 :
Nivel de significancia:
Velocidad (K
Valor de tabla
Conclusión
=
PARA B2
Hipótesis
H0 :
H1 :
Niel de significancia:
Valor de tabla
Conclusión
=
v= 70
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
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
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 .
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.
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
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%
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%
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%.
4900