Xi Yi

Tiempo Calor Regresión Lineal Simple

2.5 15.9 600
3.7 44.5
4.1 65.6 500
5.3 206.5
6.2 498.7 400
f(x) = 125.816083576288 x − 382.318124392614
R² = 0.815958786264088
300

200

100

0
2 2.5 3 3.5 4 4.5 5 5.5 6

Regresión Logarítmica Regresión

600 600

500 500

400 400
f(x) = 0.396702827145293 x^3
f(x) = 477.866809611266 ln(x) − 514.994177912191 R² = 0.970476528267573
300 R² = 0.702274984221819 300

200 200

100 100

0 0
2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 2 2.5 3 3.5 4
neal Simple Regresión Exponencial
600

500
f(x) = 1.45936437843568 exp( 0.935673587195272 x )
R² = 0.999104457475856
400
288 x − 382.318124392614
088
300

200

100

0
4.5 5 5.5 6 6.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5

Regresión Potencial
El R^2 indica el modelo que mejor se ajusta.
El modelo que mejor se ajusta es la Regresión Exponenc

f(x) = 0.396702827145293 x^3.7753972697205

R² = 0.970476528267573

2.5 3 3.5 4 4.5 5 5.5 6 6.5

72 x )

5.5 6 6.5

mejor se ajusta.
ta es la Regresión Exponencial.
Ejercicio
En un estudio se ha medido el calor liberado en una reacción química en distintos instantes desde el comienz

Calcular:
1. Calcular el modelo de regresión lineal del calor sobre el tiempo. Según este modelo ¿Cuánto cambiarán las
2. Calcular el modelo de regresión exponencial del calor sobre el tiempo.
3. Utilizando el mejor de los dos modelos anteriores, predecir el calor generado a los 5 minutos de la reacción

Xi Yi
Observados yi*=ln(yi) Yi*- ybarra* (Yi*-ybarra*)^2
Tiempo Calor
1 2.5 15.9 2.76631911 -1.691218714634 2.86022074072873
2 3.7 44.5 3.79548919 -0.662048634688 0.438308394692408
3 4.1 65.6 4.1835757 -0.27396212791 0.075055247529126
4 5.3 206.5 5.33030041 0.872762588541 0.761714535956385
5 6.2 498.7 6.21200471 1.754466888692 3.07815406351574
sum 21.8 22.2876891 0 7.21345298242239
(sum)^2 475.24 496.741086 Σ=(yi-yprom)^2
media 4.36 4.45753782 SST

(𝛽_1 ) ̂"=" 0.93567359

(𝛽_0 ) ̂∗"="0.37800098

𝒓^𝟐=
Modelo linealizado
r=
(𝑦^∗ ) ̂=𝛽_0^∗+𝛽_1 𝑥

(𝑦^∗ ) ̂=0,3780−0,9357𝑥 𝜎_𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜^2

S_beta1est. =
S_beta0est. =

Pruebas de Hipotesis:

H0:
H1:
 alfa =
to =

t_alfamedio,3=

H0:
H1:

to_Beta1=

H0:
H1:

to_Beta0=

Covarianza entre xy
Sxy=

Tabla Anova

MSR =

MSE =

Fo =

F_critico
F_alfamedio,1,3
 a en distintos instantes desde el comienzo de la reacción, obteniendo los siguientes datos:

egún este modelo ¿Cuánto cambiarán las calorías por cada minuto que pase?
mpo.
or generado a los 5 minutos de la reacción. ¿Es fiable la predicción? Justificar la respuesta.

Yi*^2 yi estimados* (yi*-yiestimados*) (yi*-yiestimados*)^2

7.65252141406996 2.71718495168 0.049134157549074 0.00241416543805725

14.405738185123 3.83999325631 -0.04450406713924 0.00198061199193432
17.5023056037439 4.21426269119 -0.0306869952395 0.00094169167682925
28.4121024864432 5.33707099582 -0.00677058342279 4.5840799884893E-05
38.5890025487692 6.1791772243 0.032827488252459 0.00107764398496534
106.561670238149 22.2876891193 1.7763568394E-15 0.00645995389167106
Σ=(ε_i)^2= Σ=(yi-yiestima)^2
SSE

0.999104457475856

0.999552128443463

0.00215331796389035

0.0161734027269772
0.0735062916379566

𝜌=0
𝜌≠0
 0.05
57.8526116606592

3.18244630528371

|to|>t_alfamedio,3
1 Por lo tanto se rechaza la H0.
Conclusión: Si existe relacion lineal entre el tiempo y el calor.

B1 = 0
B1 ≠ 0

57.8526116606601

|to|>t_alfamedio,3 Por lo tanto se rechaza H0.

1 Conclusión: Si existe una dependencia lineal entre el tiempo y el calor.

B0 = 0
B0 ≠ 0

5.14243033168801

|to|>t_alfamedio,12
1 Por lo tanto se rechaza H0.
Conclusión: Nuestra recta de regresion no esta pasando por el origen de coordenadas.

1.92561624244787 Regresion lineal simple

7

6 f(x) = 0.935673587195272 x + 0.378000983688932

R² = 0.999104457475856
5
7.20699302853071
4

0.00215331796389035 3

3346.92467595914 2

0
2 2.5 3 3.5 4 4.5 5 5.5 6
17.4434433207251

Fo>F_alfamedio,1,3
1 Por lo tanto se rechaza H0.
Conclusión: Si existe una dependencia lineal entre el tiempo y el calor.
tos:

ta.

(yi estimados*- ybarra*)^2 Xi-xbarra (Xi-xbarra)^2 Yi*-ybarra* Xi-xbarra xi^2

3.02882811971634 -1.86 3.4596 3.14566680921949 6.25

0.381361292909133 -0.66 0.4356 0.436952098894162 13.69
0.0591827901759816 -0.26 0.0676 0.0712301532566715 16.81
0.773578600584272 0.94 0.8836 0.820396833228323 28.09
2.96404222514499 1.84 3.3856 3.22821907519284 38.44
7.20699302853071 0 8.232 7.70246496979148 103.28
Σ=(yiestima-yprom)^2 Sxx* Sxy* Σ=(x_i)^2
SSR
mpo y el calor.

ntre el tiempo y el calor.

a pasando por el origen de coordenadas.

esion lineal simple

72 x + 0.378000983688932
6

4 4.5 5 5.5 6 6.5

ntre el tiempo y el calor.

 Yi*. Xi

6.91579777
14.04331
17.1526604
28.2505922
38.5144292
104.87679
Σ=(x_i*y_i)
Xi
Yi Resumen
2.5 2.76631911
3.7 3.79548919 Estadísticas de la regresión
4.1 4.1835757 Coeficiente de correlación múltiple 0.999552128443463
5.3 5.33030041 Coeficiente de determinación R^2 0.999104457475856
6.2 6.21200471 R^2 ajustado 0.998805943301142
Error típico 0.046403857209184
Observaciones 5

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 3
Total 4

Coeficientes
Intercepción
Xi 0.378000983688932
0.935673587195272

Análisis de los residuales

Observación Pronóstico Yi
1 2.71718495167711
2 3.83999325631144
3 4.21426269118955
4 5.33707099582387
5 6.17917722429962

Xi
Curva de regresión ajustada
10
Yi
5 Pr
Yi

0
2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
Xi
 Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
7.20699302853071 7.20699302853071 3346.92468 1.13771871526E-05
0.006459953891671 0.00215331796389034
7.21345298242239

Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%

0.0735062916379564 5.14243033168802 0.01424921 0.144071157450611 0.61193081 0.14407116
0.0161734027269771 57.8526116606602 1.13772E-05 0.884202601442938 0.98714457 0.8842026

Residuos Residuos estándares

0.0491341575490742 1.2226405645326
-0.044504067139244 -1.10742669632171
-0.030686995239503 -0.763606563233758
-0.006770583422785 -0.168477294639298
0.0328274882524591 0.816869989662212

Xi
stada Gráfico de los residuales
0.1
Yi
Residuos

Pronóstico Yi 0.05
0
5.5 6 6.5
-0.05 2 2.5 3 3.5 4 4.5 5

Xi
 Xi
Gráfico de los residuales
0.1

Residuos
0.05
0
-0.05 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5

Xi

2,5 Gráfico de los residuales

0.06
0.04
Residuos

0.02
0
-0.02 3.5 4 4.5 5 5.5 6 6.5
Superior 95,0% -0.04
0.61193081 -0.06
0.98714457 2,5

7
6
5
4 Column B
3 Pronóstico
2,76631910922619
2
1
0
3.5 4 4.5 5 5.5 6 6.5

Xi Xi
os residuales Curva de regresión ajustada
10
Yi
5 Pronóstico Yi
Yi

0
4 4.5 5 5.5 6 6.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
Xi
Xi
da
Yi
Pronóstico Yi

.5