Tarea 12.1 Walpoleeee

Regresión lineal múltiple
Estadística Inferencial II
Instituto Tecnológico Nacional de México

Campus Querétaro
Ingeniería Industrial
Prof. Guadalupe Patricia Yscapa Moran
Práctica de análisis de regresión lineal múltiple
Alumna:
Carla Paola Valero Ballen
Número de Control: 18141703
Querétaro, 15 de febrero de 2019
1
REGRESIÓN LINEAL MÚLTIPLE
Objetivo
Interpretar el proceso metodológico en el cual se construirá un modelo de
regresión lineal múltiple, donde se denotará la correlación y el análisis de varianza, y se
interpretarán datos específicos para lograr predicciones que ayuden a la toma de
decisiones en un problema.
Introducción
El Análisis de Regresión Lineal Múltiple nos permite establecer la relación que se

produce entre una variable dependiente Y y un conjunto de variables independientes (X1,
X2, ... XK).
A diferencia del simple, se aproxima más a situaciones de análisis real puesto que
los fenómenos, hechos y procesos sociales, por definición, son complejos y, en
consecuencia, deben ser explicados en la medida de lo posible por la serie de variables
que, directa e indirectamente, participan en su concreción.
La anotación matemática del modelo o ecuación de regresión lineal múltiple es la

que sigue: Y = a + b1x1 + b2x2 + ... + bnxn + e
en donde:
 Y es la variable a predecir; b1x1, b2x2... bnxn, son parámetros

desconocidos a estimar; y e es el error que cometemos en la predicción de
los parámetros.
2
ÍNDICE
Página
I. ANÁLISIS DE REGRESIÓN
6-7
1) Obtener ecuación de regresión utilizando fórmulas
2) Obtener ecuación de regresión con Minitab y Excel 8-9
3) Interpretación del modelo encontrado 10
4) Encontrar dos valores ajustados 11
II. PRUEBA DE SIGNIFICANCIA

12
1) Hipótesis
2) SSTotales 13-14
3) SSModelo 13-14
4) SSError 13-14
5) ANOVA
15
6) Conclusión e Interpretación
16
7) Gráfico F
III. ANÁLISIS DE CORRELACIÓN 17

1) Obtener el coeficiente de determinación r2 17
2) Interpretación r2
18
3) Obtener el coeficiente de correlación r
18
4) Interpretación r
IV. ADECUACIÓN DEL MODELO 19

1) Gráfico Normalidad 19
2) Hipótesis e interpretación
20
3) Gráfico errores vs ajustes
20
5) Gráfico errores vs orden 21
6) Hipótesis e interpretación 21
V. ESTIMACIÓN Y PRUEBAS DE HIPÓTESIS PARA β0 β1

22
1) Error estándar para los βi
22
2) Intervalos de confianza βi
3) Gráficas intervalos 23
4) Prueba de Hipótesis para βi 24
5) Valor de P para βi 25-27
26 3
27-28
6) Conclusión e Interpretación
VI. INTERVALOS DE CONFIANZA Y PREDICCIÓN PARA UNA OBSERVACIÓN

29
1) Error estándar de la estimación
2) Intervalo de confianza para un solo valor. 30
3) Error estándar de la predicción 31
4) Intervalo de predicción para un solo valor
32
5) Gráfico con intervalos de confianza y de predicción
para todos los valores
Referencias Bibliográficas
33
Referencias en la web 33
4
Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,894685789
Coeficiente de determinación R^2 0,800462661
R^2 ajustado 0,76304941
Error típico 0,056168806
Observaciones 20
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 3 0,202501044 0,067500348 21,3951646 7,60875E-06
Residuos 16 0,050478956 0,003154935
Total 19 0,25298
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción -3,507778141 3,004864063 -1,167366665 0,26016555 -9,877805391 2,86224911 -9,87780539 2,862249109
Variable X 1 -0,002624991 0,000654863 -4,008460201 0,00101383 -0,004013237 -0,00123674 -0,00401324 -0,001236744
Variable X 2 0,000798941 0,002045143 0,390652909 0,70120615 -0,003536568 0,00513445 -0,00353657 0,00513445
Variable X 3 0,15415503 0,101367459 1,520754603 0,1478365 -0,060734384 0,36904444 -0,06073438 0,369044444
Análisis de los residuales Resultados de datos de probabilidad

error estandar de prediccion
Observación Pronóstico para Y Residuos Residuos estándares Percentil Y
1 0,861375512 0,038624488 0,749349379 2,5 0,77
2 0,963637936 -0,053637936 -1,040623614 7,5 0,78
3 0,971276114 -0,011276114 -0,218766635 12,5 0,82
4 0,966530409 -0,076530409 -1,48475793 17,5 0,87

5 1,1179876 -0,1179876 -2,28906427 22,5 0,89
6 1,042824443 0,057175557 1,109256611 27,5 0,9
7 1,100666544 0,049333456 0,957112868 32,5 0,91
8 1,045388402 -0,015388402 -0,298548669 37,5 0,91
9 0,849145075 -0,079145075 -1,535484774 42,5 0,94
10 1,046299284 0,023700716 0,459814948 47,5 0,95
11 1,021755533 0,048244467 0,935985514 52,5 0,96
12 0,961435729 -0,021435729 -0,415872183 57,5 1
13 1,038586762 0,061413238 1,191471382 62,5 1,03
14 1,090168262 0,009831738 0,190744447 67,5 1,07
15 1,076021183 0,023978817 0,465210353 72,5 1,07
16 0,892927127 0,017072873 0,331228901 77,5 1,1
17 0,870194349 -0,000194349 -0,003770537 82,5 1,1
18 0,816725248 -0,036725248 -0,71250244 87,5 1,1
19 0,754766463 0,065233537 1,265588583 92,5 1,1
20 0,932288024 0,017711976 0,343628064 97,5 1,15
5
ANÁLISIS DE REGRESIÓN MÚLTIPLE
1) Obtener ecuación de regresión utilizando fórmulas
Se elige un problema de 3 variables:

X1 HUMEDAD, X2 TEMPERATURA, X3 PRESIÓN, Y ÓXIDO NITROSO
Se eligió el ejercicio 12.1 del tema Regresión Lineal Múltiple del libro de
“Probabilidad y Estadística para ingenierías”. Walpole. 8va Edición
6
Fig 1. Tabla de datos iniciales
7
2) Obtener ecuación de regresión con Minitab

Matriz MATDIS
1 72,4 76,3 29,18
1 41,6 70,3 29,35

Fig 2. “Matriz
1 34,3 77,1 29,24 MATDIS” será Xo
1 35,1 68,0 29,27
MINITAB
1 10,7 79,0 29,78
1 12,9 67,4 29,39
1 8,3 66,8 29,69
1 20,1 76,9 29,48
1 72,2 77,7 29,09
1 24,0 67,7 29,60

1 23,2 76,8 29,38
1 47,4 86,6 29,35
1 31,5 76,9 29,63
1 10,6 86,3 29,56

1 11,2 86,0 29,48
1 73,3 76,3 29,40
1 75,4 77,9 29,28
1 96,6 78,7 29,29
1 107,4 86,8 29,03
1 54,9 70,9 29,37

Fig 3. “Matriz transpuesta M2”
será Xo’
Matriz M2
1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,0 1,00 1,00 1,00
72,40 41,60 34,30 35,10 10,70 12,90 8,30 20,10 72,20 24,0 23,20 47,40 31,50
76,30 70,30 77,10 68,00 79,00 67,40 66,80 76,90 77,70 67,7 76,80 86,60 76,90
29,18 29,35 29,24 29,27 29,78 29,39 29,69 29,48 29,09 29,6 29,38 29,35 29,63
1,00 1,00 1,0 1,00 1,00 1,00 1,00
10,60 11,20 73,3 75,40 96,60 107,40 54,90
86,30 86,00 76,3 77,90 78,70 86,80 70,90
29,56 29,48 29,4 29,28 29,29 29,03 29,37
8
Fig 4. Ecuación de regresión Minitab
2.1) Obtener ecuación de regresión con EXCEL
Fig 5. Matrices y ecuación de regresión
9
3) Interpretación del modelo encontrado
De acuerdo con los datos obtenidos podemos denotar los valores de los betas, se puede
demostrar que los Bo, B1, B2, y B3 vienen dados por las matrices. Y a su vez quiere decir que Y
ajustada va a cambiar en tanto cambien las variables X1, X2 o X3.
Respuesta del problema:
Para 50% de humedad, una temperatura de 76˚F y una presión barométrica de 29.30, la
cantidad estimada de óxido nitroso emitido es
𝑦̂ = −3,507778141 − 0,002624991 X1+0,000798941X2+0,15415503X3

Es decir que cada vez que aumenten las betas, cambiará la Y ajustada.
10
4) Encontrar dos valores ajustados
Fig 6. Valores ajustados de la ecuación de regresión
11
PRUEBA DE SIGNIFICANCIA
1) Hipótesis
Fig 7. Hipótesis
 El valor de P = 0 implica que la variabilidad explicada por el modelo es

significativa.
 Existe evidencia suficiente para pensar que el modelo ajustado le es significativo
para decir que las variables influyen en las emisiones de óxido nitroso.
 Existe evidencia suficiente para decir que existe un comportamiento normal donde
dos variables, X2 Y X3 le son significativas a “Y” y la hacen cambiar.
12
2) SSTotales
3) SSModelo
4) SSError
Fig 8. Tabla de SStotal, SSmodelo y SSerror
13
AJUSTES RESID
0,86138 0,038624
0,96364 -0,053638
0,97128 -0,011276
0,96653 -0,076530
1,11799 -0,117988
1,04282 0,057176
1,10067 0,049333
1,04539 -0,015388
0,84915 -0,079145
1,04630 0,023701
1,02176 0,048244
0,96144 -0,021436
1,03859 0,061413
1,09017 0,009832
1,07602 0,023979
0,89293 0,017073
0,87019 -0,000194
0,81673 -0,036725
0,75477 0,065234
0,93229 0,017712
14
5) ANOVA MINITAB
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 3 0,202501 0,067500 21,40 0,000
Humedad x1 1 0,050693 0,050693 16,07 0,001
Temperatura x2 1 0,000481 0,000481 0,15 0,701
Presión x3 1 0,007296 0,007296 2,31 0,148
Error 16 0,050479 0,003155
Total 19 0,252980
5.1) ANOVA EXCEL
Fig 9. Tabla ANOVA
6)Conclusión e Interpretación
La primera columna contiene las fuentes de variación:
Regresión, Error residual, Total
La segunda columna corresponde a los grados de libertad:

Modelo k = número de variables predictoras
15
Error n-k-1 = número total de observaciones menos número de

variables regresoras menos 1
Total n-1 = número total de observaciones menos1.
La tercera columna contiene las sumas de cuadrados de las desviaciones.

La cuarta columna el componente de varianza para el modelo y el error.
La quinta columna el valor de F
Conclusiones:
 La variabilidad total de las observaciones es = 0,252979913
 El valor de P = 0 implica que la variabilidad explicada por el modelo es significativa.
16
7) Gráfico F .
Gráfica de distribución
F. df1 =2. df2=1 7
1 ,0
0,025
0,8
Densidad
0,6
0,4
0,2
0,025
0,0
0 0,02536 4,619
X
Fig 10. Gráfica del valor de P
17
ANÁLISIS DE CORRELACIÓN
1) Obtener el coeficiente de determinación “r2”

2) Interpretación “r2”
Un 80% de la variabilidad total le es atribuible al modelo.
Fig 11. Correlación
3) Obtener el coeficiente de correlación “r”

4) Interpretación “r”
El coeficiente de correlación es simplemente la raíz cuadrada del coeficiente de determinación
r r2  .8004625  0.89469
 El 89% de los cambios en los cambios en las variables, están relacionadas con las Y, eso
quiere decir que le es significante.
r 2 ajust 
 El 76,30 % de la variabilidad total se ve explicada por el modelo.
Resumen del modelo

R-cuad. R-cuad. Fig 12. Ánalisis de correlación del
S R-cuad. (ajustado) (pred) modelo en MINITAB
0,0561688 80,05% 76,30% 64,63%
18
ADECUACIÓN DEL MODELO
1) Gráfico Normalidad
Fig 13. Probabilidad normal
 Cumple con la condición para tener un comportamiento normal; los puntos se encuentran
cercanos o sobre la línea dibujada en el papel probabilístico.
19
3) Gráfico errores vs ajustes

Fig 14. Errores vs. ajustes
 Los errores cumplen con la condición de que no tienen patrón alguno para la
representación gráfica.
20
5) Gráfico errores vs orden

Fig 15. Errores vs orden
 Sí hay aleatoriedad en la recolección de los datos, estos fueron extraídos en forma

aleatoria en la gráfica y no presenta patrón alguno.
21
ESTIMACIÓN Y PRUEBAS DE HIPÓTESIS PARA βetas
1) Error estándar para los βi
Fig 16. Error estándar
2) Intervalos de confianza βi
Fig 17. Intervalos de confianza
22
3) Gráficas intervalos de confianza βi
Fig 18. Intervalos de confianza para Beta0
23
24
25
26
4)Prueba de hipótesis para Bi

5) Valor de P para Bi
Fig 22. Pruebas de hipótesis para las betas
6 )Conclusión e interpretación
Fig 23. Valores de P en el ANOVA de Minitab
27
Conclusiones
 El valor de P = 0 implica que la variabilidad explicada por el modelo es

significativa.
 Existe evidencia suficiente para pensar que el modelo ajustado le es significativo
para decir que las variables influyen en las emisiones de óxido nitroso.
 Existe evidencia suficiente para decir que existe un comportamiento normal donde
dos variables, X2 Y X3 le son significativas a “Y” y la hacen cambiar.
28
INTERVALOS DE CONFIANZA Y PREDICCIÓN PARA UNA OBSERVACIÓN
1) Error estándar de la estimación
Fig 23. Errores
2) Intervalo de confianza para un solo valor.
LIMC_2 LIMC_3
0,82023 0,90253
0,92448 1,00280
0,92087 1,02168
0,91004 1,02302
1,05179 1,18418
Fig 24. Intervalos de
0,98358 1,10207 confianza para cada
1,04054 1,16080 valor en MINITAB
1,01060 1,08018
0,79810 0,90019
0,99380 1,09880
0,98173 1,06178
0,91077 1,01210
0,98994 1,08724
1,02635 1,15399
29
1,01208 1,13996
0,84209 0,94377
0,82978 0,91061
0,75248 0,88097
0,68389 0,82564
0,89217 0,97240
3) Error estándar de la predicción
Fig 25. Errores estándar de predicción
30
4) Intervalo de predicción para un solo valor
LIMP_2 LIMP_3
0,735393 0,98736
0,838292 1,08898
0,841974 1,10058
0,834739 1,09832
0,981753 1,25422
0,909829 1,17582
0,967272 1,23406 Fig 26. Intervalo de

predicción para cada
0,921337 1,16944 valor en MINITAB
0,719591 0,97870
0,916167 1,17643
0,896136 1,14738
0,832031 1,09084
0,909960 1,16721
0,955070 1,22527
0,940867 1,21118
0,763456 1,02240
0,744449 0,99594
0,681427 0,95202
0,616196 0,89334
0,806639 1,05794
31
Referencias Bibliográficas
 Probabilidad y Estadística para ingeniería y ciencias. 9va Edición. Walpole, Myers, Myers.
Editorial Pearson. University of Texas at San Antonio, US. 2012.
 Probability and Statistics in Engineering and Management Science. 2da Edición. W.W.
Hines, D.C. Montgomery. Grupo Editorial Patria S.A. de C.V. 2014
Referencias en la web
 https://itq2017.blogspot.com/2016/06/seccion-3.html
32

Tarea 12.1 Walpoleeee

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tarea 12.1 Walpoleeee

Încărcat de

Drepturi de autor:

Formate disponibile

Regresión lineal múltiple

Instituto Tecnológico Nacional de México

Práctica de análisis de regresión lineal múltiple

Querétaro, 15 de febrero de 2019

REGRESIÓN LINEAL MÚLTIPLE

El Análisis de Regresión Lineal Múltiple nos permite establecer la relación que se

La anotación matemática del modelo o ecuación de regresión lineal múltiple es la

 Y es la variable a predecir; b1x1, b2x2... bnxn, son parámetros

II. PRUEBA DE SIGNIFICANCIA

III. ANÁLISIS DE CORRELACIÓN 17

IV. ADECUACIÓN DEL MODELO 19

V. ESTIMACIÓN Y PRUEBAS DE HIPÓTESIS PARA β0 β1

VI. INTERVALOS DE CONFIANZA Y PREDICCIÓN PARA UNA OBSERVACIÓN

Análisis de los residuales Resultados de datos de probabilidad

4 0,966530409 -0,076530409 -1,48475793 17,5 0,87

ANÁLISIS DE REGRESIÓN MÚLTIPLE

1) Obtener ecuación de regresión utilizando fórmulas

Se elige un problema de 3 variables:

Fig 1. Tabla de datos iniciales

2) Obtener ecuación de regresión con Minitab

1 41,6 70,3 29,35

1 12,9 67,4 29,39

1 8,3 66,8 29,69

1 20,1 76,9 29,48

1 72,2 77,7 29,09

1 24,0 67,7 29,60

1 47,4 86,6 29,35

1 31,5 76,9 29,63

1 10,6 86,3 29,56

1 73,3 76,3 29,40

1 75,4 77,9 29,28

1 96,6 78,7 29,29

1 107,4 86,8 29,03

1 54,9 70,9 29,37

Fig 4. Ecuación de regresión Minitab

2.1) Obtener ecuación de regresión con EXCEL

Fig 5. Matrices y ecuación de regresión

3) Interpretación del modelo encontrado

Respuesta del problema:

cantidad estimada de óxido nitroso emitido es

𝑦̂ = −3,507778141 − 0,002624991 X1+0,000798941X2+0,15415503X3

4) Encontrar dos valores ajustados

Fig 6. Valores ajustados de la ecuación de regresión

 El valor de P = 0 implica que la variabilidad explicada por el modelo es

Fig 8. Tabla de SStotal, SSmodelo y SSerror

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Humedad x1 1 0,050693 0,050693 16,07 0,001

Temperatura x2 1 0,000481 0,000481 0,15 0,701

Presión x3 1 0,007296 0,007296 2,31 0,148

Error 16 0,050479 0,003155

5.1) ANOVA EXCEL

Fig 9. Tabla ANOVA

La segunda columna corresponde a los grados de libertad:

Error n-k-1 = número total de observaciones menos número de

La tercera columna contiene las sumas de cuadrados de las desviaciones.

Fig 10. Gráfica del valor de P

1) Obtener el coeficiente de determinación “r2”

Fig 11. Correlación

3) Obtener el coeficiente de correlación “r”

Resumen del modelo

ADECUACIÓN DEL MODELO

Fig 13. Probabilidad normal

3) Gráfico errores vs ajustes