Documentos de Académico
Documentos de Profesional
Documentos de Cultura
145
^3
135
4.3 126
105 108
140
141
5.2 118
^3
135
5.6 118
Partículas eliminadas µg/m
130 132
125
126 5.9 116
120
115
121
118 118
6.1 114
116
114
110
7.5 108
105 108
∑x=45 ∑y=1094
100
2 3 4 5 6 7 8
Cantidad de lluvia diaria (0.01 cm)
ERROR ESTÁNDAR EN LA MEJOR ESTIMACIÓN DE LA RECTA
x y y' y-y'2
2.1 141 139.895 1.2210
3.8 132 129.144 8.1550
4.3 126 125.982 0.0003 FORMULA
4.5 121 124.718 13.820 2
∑ 𝑦−ŷ
5.2 118 120.291 5.2480
S𝑦𝑥 =
5.6 118 117.761 0.0570 𝑛−2
5.9 116 115.864 0.0190 SUSTITUCIÓN
6.1 114 114.599 0.3590
33.9610
7.5 108 105.746 5.0820 S𝑦𝑥 =
Sumatoria (y-y')2 33.9610 9−2
33.9610
S𝑦𝑥 = = 4.851
Aplicación en mi problema:
7
Indica que tanto se desvían los datos de la media, si el
dato es grande la variación o diferencia (error) puede S𝑦𝑥 = 4.851 = 2.202
ser proporcional a esta.
COEFICIENTE DE CORRELACIÓN DE PEARSON
X Y (XY) X2 Y2
2.1 141 296.1 4.41 19881 Formulas
∑ 2∑ 2
3.8 132 501.6 14.44 17424 2 𝑦 𝑦
𝑆𝑦𝑦 𝑆𝑦𝑦∑=
= 2
𝑦 −∑𝑦[ − [ ] ]
4.3 126 541.8 18.49 15876 𝑛 𝑛
∑ 2
∑ 2
4.5 121 544.5 20.25 14641 𝑥 𝑥
𝑆𝑥𝑥 𝑆=𝑥𝑥∑=𝑥2∑−𝑥2[ − [ ] ]
5.2 118 613.6 27.04 13924 𝑛 𝑛
5.6 118 660.8 31.36 13924 𝑆
(Ʃ𝑥)(Ʃ𝑦)
5.9 116 684.4 34.81 13456
Sxy= 𝑟Ʃxy=− [ 𝑥𝑦 ]
𝑛
𝑆𝑥𝑥𝑆𝑦𝑦
6.1 114 695.4 37.21 12996
𝑆𝑥𝑦
7.5 108 810 56.25 11664 𝑟= (Ʃ𝑥)(Ʃ𝑦)
2.1 141 296.1 4.41 19881 Sx= Ʃxy𝑆𝑥𝑥
−𝑆[𝑦𝑦 ]
𝑛
45 1094 5348.2 244.26 133786
Interpretación
1094 2
𝑆𝑦𝑦 = 133,786 − 9
= 804.222
45 2
𝑆𝑥𝑥 = 244.26 − 9
= 19.26
45 1094
Sxy= 5348.2− = −121.8
9
−121.8
𝑟= = −0.978 ≈ −1
19.26 ∗ 804.222
Aplicación en mi problema:
^3
140
139.895
804.22−(−6.324)(−5225.74)
𝛿= =61.329
9
804.22 − (−6.324)(−5225.74)
𝑥2 = = −3582.59
9
COEFICIENTE DE DETERMINACIÓN
FORMULAS SUSTITUCIÓN
1094 2
𝛿𝑦𝑦 = 133786 − = 804.22
9
2
45
𝑆𝑥𝑥 = 244.26 − 9 =19.26
(45)(1094)
Sxy= 5348.2 − [ ]=-121.8
9
14835.24
𝑟2 = = 0.957
19.26 ∗ 804.22
𝑟 = 0.957 = 0.978
RELACIÓN ENTRE EL COEFICIENTE DE DETERMINACIÓN EL
COEFICIENTE DE CORRELACIÓN DE PEARSON
DATOS FORMULAS
𝐻0 : 𝛽 = 1
𝐻1 : 𝛽 < 1
𝑏 = −6.324
𝑛=9 Sustitución
SUSTITUCIÓN
𝛼 = 0.05
𝑆𝑥𝑥 = 19.26
𝑆 =61.329
𝐼. 𝐶 = 95%
Conclusión Interpretación
Valores críticos de El intervalo de confianza para β y con un 95%
la distribución "𝑡" nos indica que se H0 rechaza debido a que la
Y 0.025 pendiente se encuentra por encima de 1 o es igual
a 1 tal y como se muestra en la grafica inferior.
7 1.833
α = 0.025
H0 𝑦 = 1.833
DATOS FORMULAS
𝐻0 : 𝛽 = 1 𝒕𝜶ൗ 𝑺 𝒕𝜶ൗ 𝑺
𝐻1 : 𝛽 < 1 𝒃− 𝟐 <𝜷<𝒃+ 𝟐
𝑺𝒙𝒙 𝑺𝒙𝒙
𝑏 = −6.324
𝑛=9 Sustitución
SUSTITUCIÓN
𝛼 = 0.05
𝑆𝑥𝑥 = 19.26
𝑆 =61.329
𝐼. 𝐶 = 95%
Valores críticos de la
distribución "𝑡"
Y 0.025
Conclusión
El intervalo de confianza para β y con un 95%
7 1.833
nos indica que la pendiente es menor a 1 como se
α = 0.025 puede apreciar en la gráfica que está debajo.
H0 𝑦 = 1.833
Se rechaza H0
La pendiente es menor a 1
-2.865 -1.833
Datos Fórmulas y'=153.175-
x
𝑛=9 6.324x
1 𝑥0 − 𝑥 2 1 𝑥0 − 𝑥 2
𝑎 = 153.175 𝜇
𝑦ො0 − 𝑡𝛼Τ2 𝛿 + < 0ൗ𝑥0 < 𝑦ො0 + 𝑡𝛼Τ2 𝛿 + 139.895
𝛽 = −6.324 𝑛 𝑆𝑥𝑥 𝑛 𝑆𝑥𝑥 2.1
𝑆𝑥𝑥 = 19.26 1 − 𝐼𝐶
𝑦ො = 𝑎 + 𝑏𝑥 𝛼= 𝑦 =𝑛−2 3.8 129.144
𝑆 = −121.8 2
𝐼. 𝐶 = 95%
4.3 125.982
𝛼 = 0.05
4.5 124.718
Valores críticos de 1−0.95 ∑𝑥 45
𝛼= = 0.025 𝑥ҧ = = =5
la distribución "𝑡" 2 𝑛 9
5.2 120.291
𝜸 0.025 𝛾 =9−2=7 𝑡𝛼Τ2 = 1.833
5.6 117.761
7 1.833
5.9 115.864
𝜇𝑦
Intervalos de confianza para 6.1 114.599
𝑥0 105.746
7.5
Sustitución
1 2.1 − 45 2
153.175 − 1.833 −121.8 + = 2336.866
9 19.26
1 2.1 − 45 2
153.175 + 1.833 −121.8 + = −2030.516
9 19.26
1 2.1 − 45 2 1 2.1 − 45 2
𝜇
153.175 − 1.833 −121.8 + < 0ൗ𝑥0 < 153.175 + 1.833 −121.8 +
9 19.26 9 19.26
𝑦ො = 153.175 − 6.324 9
𝜇
2336.866 > 0ൗ𝑥0 > −203.516
Datos Fórmulas
y'=153.175-
𝑛=9 x
1
𝑦ො0 − 𝑡𝛼Τ2 𝛿 1 + +
𝑥0 − 𝑥 2 𝜇0 1
< ൗ𝑥0 < 𝑦ො0 + 𝑡𝛼Τ2 𝛿 1 + +
𝑥0 − 𝑥 2 6.324x
𝑎 = 153.175 𝑛 𝑆𝑥𝑥 𝑛 𝑆𝑥𝑥
𝛽 = −6.324
1 − 𝐼𝐶 2.1 139.895
𝑆𝑥𝑥 = 19.26 𝑦ො = 𝑎 + 𝑏𝑥 𝛼= 𝑦=𝑛−2
2
𝑆 = −121.8
3.8 129.144
𝐼. 𝐶 = 95%
𝛼 = 0.05 125.982
4.3
4.5 124.718
Valores críticos de 1 − 0.95 ∑ 𝑥 300
𝛼= = 0.025 𝑥ҧ = =
la distribución "𝑡" 2 𝑛 10 5.2 120.291
𝛾 =9−2=7 𝑡𝛼Τ2 = 2.306
𝜸 0.025
5.6 117.761
7 1.833
5.9 115.864
114.599
Intervalos de confianza para 𝜇𝑦 6.1
7.5 105.746
Sustitución
1 2.1 − 45 2
153.175 − 1.833 −121.8 + = 2336.866
9 19.26
1 2.1 − 45 2
153.175 + 1.833 −121.8 + = −2030.516
9 19.26
1 2.1 − 45 2 1 2.1 − 45 2
𝜇
153.175 − 1.833 −121.8 + < 0ൗ𝑥0 < 153.175 + 1.833 −121.8 +
9 19.26 9 19.26
𝑦ො = 153.175 − 6.324 9
𝜇
2336.866 > 0ൗ𝑥0 > −203.516
Prueba de hipótesis para 𝜶
Conclusión
Se acepta 𝐻0 , esto implica que hay
una correlación lineal significativa
entre la cantidad de lluvia y las
particulas eliminadas
-1.833 -0.892 0.892 1.833
PRUEBA DE HIPÓTESIS PARA 𝜷
Datos Fórmulas Sustitución
153.175 − (−6.324)
𝑛=9 𝑏−𝛽 −121.8
𝑎 = 153.175 t=
t= 𝛿
Cuando la hipótesis nula es falsa y usted 19.26
𝛽 = −6.324 𝐻1 = −0.298
no la rechaza, comete un error de tipo II.
𝑆𝑥𝑥 = 19.26
La probabilidad de cometer un error de
𝑆 = −121.8
𝛿𝑥𝑥
tipo II es β, que depende de la potencia de
𝐼. 𝐶 = 95%
la prueba. Puede reducir el riesgo de
𝛼 = 0.05
cometer un error de tipo II al asegurarse
de que la prueba tenga suficiente
potencia. Para ello, asegúrese de que el 1 − 0.95
PLANTEAMIENTO
tamaño de la muestra sea lo 𝛼= = 0.025 Valores críticos de
𝐻0: 𝛼 = 0 2
suficientemente grande como para 𝛾 = 10 − 2 = 8 la distribución "𝑡"
𝐻1: 𝛼 ≠ 0
detectar una diferencia práctica cuando 𝑡𝛼Τ2 = 2.306
ésta realmente exista. 𝜸 0.05
7 1.833
𝐻0 = 1.833
1.833 -0.298
Conclusión
Se acepta 𝐻0 , esto implica que hay
una correlación lineal significativa
entre la cantidad de lluvia y las
particulas eliminadas
MÉTODO DE ANÁLISIS DE LA VARIANZA
•Análisis de la Varianza ( ANOVA ) es una fórmula estadística que se utiliza para comparar las
varianzas entre las medias (o el promedio) de diferentes grupos. Una variedad de contextos lo
utilizan para determinar si existe alguna diferencia entre las medias de los diferentes grupos.
•Este método permite contrastar la hipótesis nula de que la media de más de dos poblaciones es
igual, frente a la hipótesis alternativa de que por lo menos una es diferente.
Analisis de Varianza para la classification unilateral
Fuente de Suma de Cuadrados Grados de Cuadrados de medios Calculada
Variación libertad
Tratamientos SCR(Tratamiento) K-1 𝐶M(tratameinto) 𝐶M(tratameinto)
𝑓=
Error SCE N-k 𝐶𝑀(𝐸𝑟𝑟𝑜𝑟) 𝐶𝑀(𝐸𝑟𝑟𝑜𝑟)
Total STCC n -1
Sustitución
134030.26
𝑌ത = = 7446.125
(9)(2)
2 2 2 2
11392
𝑆𝑆𝑇 = 2.1 + 3.8 + 4.3 + ⋯ 108 − = 61956.87111
18
452 + 10942 11392
𝑆𝑆𝐴 = − = 1.848210273
9 9 2
𝑆𝐶𝐸 = 61956.87111 − 1.848210273 = 61955.0229
61955.0229 1.848210273 1.848210273
𝑆2 = = 3872.188 𝑓= = 0.000477𝑆𝑖 2 = = 1.848210273
2(9 − 1) 3872.188 1
Analisis de Varianza para la classification unilateral
Fuente de Suma de Cuadrados Grados de Cuadrados de medios Calculada
Variación libertad
Tratamientos 1.848210273 2-1=1 1.848210273 𝑓
𝐶𝑀𝑡𝑟𝑎𝑡
1 = 1.848210273/3872.188
= 1.848210273 = 0.000477
Error 61955.0229 18-2=16 61955.0229
𝐶𝑀𝐸 = = 953.02
2(9 − 1)
Total 61956.87111 9-1=8
Conclusión
• Regresión polinomial
• El coeficiente de determinación R² se utiliza para medir cuánta • Ambos conceptos son fundamentales
variación en una variable dependiente puede explicarse por una en estadística inferencial y son útiles
variable independiente en un modelo de regresión, mientras en la ingeniería para comprender y
que la correlación (r) evalúa la relación lineal entre dos modelar relaciones entre variables.
variables.
Cantidad de lluvia Partículas
PLANTEAMIENTO diaria eliminadas
X Y
2.1 141
Un estudio sobre la cantidad de 3.8 132
lluvia y la contaminación del aire 4.3 126
eliminada produjo los siguientes 4.5 121
datos: 5.2 118
5.6 118
5.9 116
6.1 114
7.5 108
FORMULAS
𝑦ො = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2
REGRESION POLINOMIAL
𝒏 𝑿 Y 𝑿𝒀 𝑿𝟐 𝑿𝟑 𝑿𝟐 𝒀 𝑿𝟒
1 2.1 141 296.1 4.41 9.261 621.81 19.45
2 3.8 132 501.6 14.44 54.872 1906.08 208.51
3 4.3 126 541.8 18.49 79.507 2329.74 341.88
4 4.5 121 544.5 20.25 91.125 2450.25 410.06
5 5.2 118 613.6 27.04 140.608 3190.72 731.16
6 5.6 118 660.8 31.36 175.616 3700.48 983.45
7 5.9 116 684.4 34.81 205.379 4037.96 1211.74
8 6.1 114 695.4 37.21 226.981 4241.94 1384.58
9 7.5 108 810 56.25 421.875 6075 3164.06
Sumatoria 45 1094 5348.2 244.26 1405.22 28554 8454.90
METODO DE ELIMINACION GAUSS-
JORDAN
Fila 3
244.26 − 244.26 ∗ 1 = 0
1405.22 − 244.26 ∗ 21.43 = −3829.27
𝑎
1 21.43 116.31 520.95 𝑎0 8454.2 − (244.26 ∗ 116.31) = −19954.98
0 −720.03 −3828.92 −18094.66 1 28554 − 244.26 ∗ 520.95 = −98693.25
𝑎
0 −3829.27 −19954.98 −98693.25 2
Calculos para resolver matriz 3x3
1 21.43 116.31 520.95 𝑎0
0 −720.03 −3828.92 −18094.66 𝑎1 Fila 2
0 −3829.27 −19954.98 −98693.25 𝑎2 −720.03 −3828.92
=1 = 5.32
−720.03 −720.03
−18094.66
= 25.13
−720.03
Fila 3 (para el 1)
408.16
𝑎0 =1
1 21.43 116.31 520.95 408.16
0 1 5.32 25.13 𝑎1
0 0 408.16 −2461.46 𝑎2 −2461.46
= −6.03
408.16
Calculos para resolver matriz 3x3
𝑎0
1 21.43 116.31 520.95
𝑎1
0 1 5.32 25.13 Fila 2 (para el 0)
0 0 1 𝑎2
−6.03
5.32 − 5.32 ∗ 1 = 0
25.13 − (5.32 ∗ −6.03) = 57.20
Fila 1 (para el 0)
𝑎0
1 21.43 116.31 520.95
𝑎1 116.31 − 116.31 ∗ 1 = 0
0 1 0 57.20
𝑎2 520.95 − (116.31 ∗ −6.03) = 1222.37
0 0 1 −6.03
Fila 1 (para el segundo 0)
21.43 − 21.43 ∗ 1 = 0
𝑎0 1222.37 − (21.43 ∗ 57.20) = −3.42
1 21.43 0 1222.37
𝑎1
0 1 0 57.20
0 0 1 −6.03 𝑎2
1 0 0 1222.37 𝑎0
0 1 0 57.20 𝑎1
0 0 1 −6.03 𝑎2
𝑦ො = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2
Entonces, la ecuación de regresión estimada
𝑦ො = 153.175 − 6.324𝑥 + 𝑥 2
REGRESIÓN NO LINEAL MÚLTIPLE
• La regresión no lineal genera una ecuación para describir la relación no lineal entre una variable de
respuesta continua y una o más variables predictoras y predice nuevas observaciones.
• Utilice la regresión no lineal en lugar de la regresión de mínimos cuadrados ordinarios cuando no pueda
modelar adecuadamente la relación con parámetros lineales. Los parámetros son lineales cuando cada
término del modelo es aditivo y contiene solo un parámetro que multiplica el término.
REGRESIÓN LINEAL MÚLTIPLE
•Como la el modelo de regresión lineal es un modelo que explica la relación entre variables, a
diferencia de la primera esta utiliza más variables independientes llamadas regresores para
explicar la relación de la variable dependiente denominada como regresión.
•Esta es lineal debido a que las variables independientes siguen ese mismo orden.
•Es múltiple porque su ecuación es única compuesta de varias variables independientes.
SIMILITUDES
•Describen matemáticamente la relación entre una variable de
respuesta y una o más variables predictoras.
•Pueden modelar una relación curva.
•Minimizan la suma de los cuadrados del error residual (SSE).
•Tienen los mismos supuestos que usted puede verificar utilizando las
gráficas de residuos.
DIFERENCIAS
La diferencia fundamental entre las regresiones lineal y no lineal, y la base para los nombres de
los análisis, son las formas funcionales aceptables del modelo. Específicamente, la regresión
lineal requiere parámetros lineales mientras que la no lineal no. Utilice la regresión no lineal en
lugar de la regresión lineal cuando no pueda modelar adecuadamente la relación con
parámetros lineales.
Cantidad de lluvia Partículas
diaria eliminadas
REGRESIÓN POTENCIAL X Y
Un estudio sobre la 2.1 141
𝑎=
∑ log 𝑌 − (𝑏)(∑ log 𝑋) ECUACION POTENCIAL
𝑛
∑ log 𝑌
log 𝑦 =
𝑛
∑ log X
log 𝑥 =
𝑛 ECUACIÓN POTENCIAL
Sustitución: N X Y LOG (X) LOG (Y) LOG(X*Y) LOG(X^2)
18.75150 1 2.1 141 0.32222 2.14922 0.69252 0.10383
log 𝑦 = = 2.08350
9
2 3.8 132 0.57978 2.12057 1.22947 0.33615
6.08412
log 𝑥 = = 0.67601 3 4.3 126 0.63347 2.10037 1.33052 0.40128
9
4 4.5 121 0.65321 2.08279 1.36050 0.42669
9 12.63276 − (6.08412)(18.75150)
𝑏= = −0.21312 5 5.2 118 0.71600 2.07188 1.48347 0.51266
9(6.08412) − (6.084122 )
18.75150 − (−0.21312)(6.08412) 6 5.6 118 0.74819 2.07188 1.55016 0.55979
𝑎= = 2.22757
9
𝑦ො = 2.22757𝑥 −0.21312 7 5.9 116 0.77085 2.06446 1.59139 0.59421
8 6.1 114 0.78533 2.05690 1.61535 0.61674
9 7.5 108 0.87506 2.03342 1.77937 0.76573
SUM 45 1094 6.08412 18.75150 12.63276 4.31708
GRÁFICA SIN LÍNEA DE TENDENCIA
POTENCIAL
Gráfica Ec. Potencial
0.80000
0.70000
0.60000
Partículas eliminadas
0.50000
0.40000
0.30000
0.20000
0.10000
0.00000
0 1 2 3 4 5 6 7 8
POTENCIAL 0.7
n x y'=2.227569005x^-0.213115756 0.6
Partículas eliminadas
1 2.1 0.719783173
0.5
2 3.8 0.634323321
0.4
3 4.3 0.617830849
y = 0.8431x-0.213
4 4.5 0.611873746 0.3
R² = 1
5 5.2 0.593307863
0.2
6 5.6 0.584011019
0.1
7 5.9 0.577551863
0
8 6.1 0.573463177
0 1 2 3 4 5 6 7 8
∑ 𝑦ො − 𝑦ത 2 COEFICIENTE DE DETERMINACIÓN
2
𝑅 = 2 y y' ഥ
𝒚 (𝒚′ − 𝒚
ഥ)𝟐 ഥ)𝟐
(𝒚 − 𝒚
∑ 𝑦 − 𝑦ത
141 0.71978 121.55556 14601.28389 378.08642
132 0.63432 121.55556 14621.94441 109.08642
Sustitución
126 0.61783 121.55556 14625.93326 19.75309
131,657.50433 121 0.61187 121.55556 14627.37417 0.30864
𝑅2 = = 163.70786
804.22222 118 0.59331 121.55556 14631.86537 12.64198
Definición: El coeficiente de 118 0.58401 121.55556 14634.11459 12.64198
determinación es una medida 116 0.57755 121.55556 14635.67738 30.86420
estadística de la bondad del ajuste o
fiabilidad del modelo estimado a los 114 0.57346 121.55556 14636.66668 57.08642
datos
108 0.54876 121.55556 14642.64460 183.75309
1094 5.46090 1094 131657.50433 804.22222
Cantidad de lluvia Partículas
diaria eliminadas
REGRESIÓN EXPONENCIAL X Y
2.1 141
Un estudio sobre la 3.8 132
cantidad de lluvia y la 4.3 126
contaminación del aire 4.5 121
eliminada produjo los 5.2 118
siguientes datos: 5.6 118
5.9 116
6.1 114
7.5 108
Sustitución Formulas
2.08350− −0.21312 0.67601
𝑎=e = 9.27730
18.75150 𝑎 = 𝑒 ln 𝑦−𝑏𝑥ҧ
log y = = 2.08350
9 𝑛 ∑ log(𝑥 ∗ 𝑦) − ∑ log 𝑥 ∑ log 𝑦
6.08412 𝑏=
log x = = 0.67601 𝑛 ∑ log 𝑥 2 − (∑ log 𝑥)2
9 ∑ ln 𝑥
9 12.63276 − (6.08412)(18.75150) l𝑛 𝑥 =
b= = −0.21312 𝑛
9(6.08412) − (6.08412 ) 2 ∑ ln 𝑦
l𝑛 𝑦 =
yො = 9.27730e−0.21312x 𝑛
𝑏𝑥
𝑦ො = 𝑎𝑒
ECUACIÓN EXPONENCIAL
N Y LOG (X) LOG (Y) LOG(X*Y) LOG(X^2)
1 141 0.32222 2.14922 0.69252 0.10383
2 132 0.57978 2.12057 1.22947 0.33615
3 126 0.63347 2.10037 1.33052 0.40128
4 121 0.65321 2.08279 1.36050 0.42669
5 118 0.71600 2.07188 1.48347 0.51266
6 118 0.74819 2.07188 1.55016 0.55979
7 116 0.77085 2.06446 1.59139 0.59421
8 114 0.78533 2.05690 1.61535 0.61674
9 108 0.87506 2.03342 1.77937 0.76573
SUM 1094 6.08412 18.75150 12.63276 4.31708
GRÁFICA SIN LÍNEA DE TENDENCIA
EXPONENCIAL
Gráfica Ecuación Exponencial
7.00000
6.00000
Partículas eliminadas
5.00000
4.00000
3.00000
2.00000
1.00000
0.00000
0 1 2 3 4 5 6 7 8
Cantidad de lluvia diaria
GRÁFICA CON LÍNEA DE TENDENCIA
EXPONENCIAL
Gráfica Ecuación Exponencial
7.00000
N X y'=9.27730e^(-0.21312*x)
1 2.1 5.92997 6.00000
2 3.8 4.12768
Partículas eliminadas
5.00000
3 4.3 3.71046
4 4.5 3.55562 4.00000
5 5.2 3.06285
3.00000
6 5.6 2.81257 y = 9.2773e-0.213x
2.00000
7 5.9 2.63837 R² = 1
8 6.1 2.52828 1.00000
9 7.5 1.87605
0.00000
0 1 2 3 4 5 6 7 8
Cantidad de lluvia diaria
COEFICIENTE DE DETERMINACIÓN
Formula: COEFICIENTE DE DETERMINACIÓN
y y' ഥ
𝒚 (𝒚′ − 𝒚
ഥ)𝟐 ഥ)𝟐
(𝒚 − 𝒚
∑ 𝑦ො − 𝑦ത 2 141 5.92997 121.55556 13369.27685 378.08642
2
𝑅 = 2 132 4.12768 121.55556 13789.30688 109.08642
∑ 𝑦 − 𝑦ത
126 3.71046 121.55556 13887.46769 19.75309
121 3.55562 121.55556 13923.98386 0.30864
Sustitución: 118 3.06285 121.55556 14040.52076 12.64198
118 2.81257 121.55556 14099.89669 12.64198
125742.42482
𝑅2 = = 156.35284 116 2.63837 121.55556 14141.29623 30.86420
804.22222
114 2.52828 121.55556 14167.49273 57.08642
Definición: El coeficiente de
determinación es una medida 108 1.87605 121.55556 14323.18313 183.75309
estadística de la bondad del 1094 30.24185 1094.00000 125742.42482 804.22222
ajuste o fiabilidad del modelo
estimado a los datos
Cantidad de lluvia Partículas
diaria eliminadas
REGRESIÓN LOGARÍTMICA X Y
2.1 141
Un estudio sobre la 3.8 132
cantidad de lluvia y la 4.3 126
contaminación del aire 4.5 121
eliminada produjo los 5.2 118
siguientes datos: 5.6 118
5.9 116
6.1 114
7.5 108
Formulas
𝑛 ∑ l𝑛 𝑥 ∗ 𝑦 − ∑ ln 𝑥 ∑ 𝑦
𝑎=
𝑛 ∑ 𝑙𝑛 𝑥 2 − ∑ ln 𝑥 2
𝑏 = 𝑦ത − 𝑎 ln 𝑥
ECUACION LOGARÍTMICA
∑ ln 𝑥
l𝑛 𝑥 = ECUACIÓN LOGARITMICA
𝑛 N X Y ln(x) ln(x^2) y^2 ln(x)*y
1 2.1 141 0.74194 0.55047 19881 104.61317
2 3.8 132 1.33500 1.78223 17424 176.22014
Sustitución 3 4.3 126 1.45862 2.12756 15876 183.78549
4 4.5 121 1.50408 2.26225 14641 181.99337
9 1674.08926 − 14.00920 1094 5 5.2 118 1.64866 2.71808 13924 194.54172
𝑎=
9 22.88870 − (14.00920)2 6 5.6 118 1.72277 2.96792 13924 203.28646
7 5.9 116 1.77495 3.15046 13456 205.89447
𝑎 = 1.5022 8 6.1 114 1.80829 3.26991 12996 206.14492
9 7.5 108 2.01490 4.05983 11664 217.60953
𝑏 = 121.55556 − 1.5022 1.55657 SUM 45 1094 14.00920 22.88870 133786 1674.08926
𝑏 = 119.21728
14.00920
l𝑛 𝑥 = = 1.55657
9
GRÁFICA SIN LÍNEA DE TENDENCIA
LOGARÍTMICA
Gráfica Ec. Logarítmica
122.5
122
Partículas eliminadas
121.5
121
120.5
120
0 1 2 3 4 5 6 7 8
122
y = 1.5522ln(x) + 119.22
Partículas eliminadas
121.5
R² = 1
121
120.5
120
0 1 2 3 4 5 6 7 8
∑ 𝑦ො − 𝑦ത 2 x y' ഥ
𝒚 (𝒚′ − 𝒚
ഥ)𝟐 ഥ)𝟐
(𝒚 − 𝒚
2
𝑅 = 2 2.1 120.368915 121.555556 1.40812 378.08642
∑ 𝑦 − 𝑦ത
3.8 121.289469 121.555556 0.07080 109.08642
4.3 121.481342 121.555556 0.00551 19.75309
Sustitución: 4.5 121.551909 121.555556 0.00001 0.30864
5.2 121.776328 121.555556 0.04874 12.64198
2.66214
𝑅2 = = 0.0033102 5.6 121.891358 121.555556 0.11276 12.64198
804.22222
5.9 121.972361 121.555556 0.17373 30.86420
Definición: El coeficiente de 6.1 122.024106 121.555556 0.21954 57.08642
determinación es una medida
estadística de la bondad del 7.5 122.344812 121.555556 0.62293 183.75309
ajuste o fiabilidad del modelo 45 1094.700601 1094 2.66214 804.22222
estimado a los datos
Nomenclatura Referencias
X̅= Media =Desviación Libro -Probabilidad y estadística para ingeniería y ciencias.
muestra. estándar. 9na edición. Ronald E. Walpole, Raymond Myers.
=Media de n= 30 = Media
población. grande.
Libro -Probabilidad y estadística para ingenieros.
N= 30 = Media 8va edición. Miller y Freud.
=Nivel de pequeña
significación.
Libro -Probabilidad y aplicaciones estadísticas.
6ta edición. Paul Meyer.