AJUSTES DE MODELOS DE

REGRESION

CAPITULO 10
Diseo y Anlisis de Experimentos
Montgomery
Compendi: Ing. Rodrigo Wadnipar, M.Sc.
rwadnipa@uninorte.edu.co
 INTRODUCCION
En muchos problemas hay dos o ms
variables relacionadas, y el inters se
centra en modelar y explorar esta relacin.
Por ejemplo, en un proceso qumico el
rendimiento del producto est relacionado
con la temperatura de operacin.
Quiz el Ing. Qumico quiera construir un
modelo que relacione el rendimiento con
la temperatura de operacin para usarlo
despus como herramienta de prediccin
o bien de optimizacin o control del
proceso.
 INTRODUCCION (continuacin)
En general, suponga que hay una sola variable
dependiente o de respuesta y que depende de k
variables independientes o regresores, por
ejemplo, x1, x2,,xk.
La relacin que existe entre estas variables se
caracteriza por un modelo matemtico llamado
modelo de regresin.
En ocasiones el experimentador conoce la forma
exacta de la verdadera relacin funcional entre y y
x1, x2,,xk. Por ejemplo y = f (x1, x2,,xk).
Sin embargo, en la mayora de los casos no se
conoce la verdadera relacin funcional, y el
experimentador elige una funcin apropiada para
aproximar f.
Los modelos polinomiales de orden inferior son de
uso generalizado como funciones de aproximacin.
 MODELOS DE REGRESIN LINEAL
La atencin se centrar en el ajuste de modelos de regresin lineal.
Suponga que quiere desarrollarse un modelo emprico que relacione la
viscosidad de un polmero con la temperatura y la velocidad de
alimentacin del catalizador. Un modelo que podra describir esta

y x x
relacin es:
1
2
(10-1)
0 1 2

Donde y representa la viscosidad, x1 la temperatura y x2 la velocidad

de alimentacin del catalizador.
Se trata de un modelo de regresin lineal mltiple con dos variables
independientes.
Es comn llamar a las variables independientes variables predictoras
o regresores (variables de regresin).
En general, la variable de respuesta y puede relacionarse con k
regresores. Al modelo

y x x
0 1 1 2 2
...
k x
k (10-2)

Se le llama modelo de regresin lineal mltiple con k regresores.

 MODELOS DE REGRESIN LINEAL
(continuacin)
Con frecuencia los modelos cuya apariencia es ms
compleja que la ecuacin (10-2) pueden tambin
analizarse mediante tcnicas de regresin lineal mltiple.
Considere la incorporacin de un trmino de interaccin
en el modelo de primer orden de dos variables, por
ejemplo

y x x x x
0 1 1 2 2 12 1 2 (10-3)

Si se hace x3 = x1 x2 y 3 = 12, entonces la ecuacin

puede escribirse

y x x x
0 1 1 2 2 3 3 (10-4)

que es un modelo de regresin lineal mltiple estndar

con tres regresores.
 MODELOS DE REGRESIN
LINEAL (continuacin)
Considrese el modelo de superficie de
respuesta de segundo orden en dos variables:
x1 x2 x1 x x x
2 2
y 0 1 2 11 22 2 12 1 2 (10-5)
Si se hace x3 = x12, x4 = x22, x5 = x1x2 y
3 = 11, 4 = 22, 5 = 12, entonces la ecuacin
puede escribirse
y x x x x x
0 1 1 2 2 3 3 4 4 5 5
(10-6)
que es un modelo de regresin lineal.
 ESTIMACION DE LOS PARAMETROS EN
MODELOS DE REGRESIN LINEAL
El mtodo de mnimos cuadrados se usa para
estimar los coeficientes de regresin de un modelo
de regresin lineal mltiple.
Suponga que se cuenta con n > k observaciones de
la variable de respuesta, por ejemplo y1, y2, , yn.
Junto con cada respuesta observada yi se tendr
una observacin de cada uno de los regresores, y
sea que xij denote la observacin o nivel i-simo de
la variable xj.
Los datos aparecern como en la tabla 10-1.
Se supone que el trmino del error del mtodo
tiene E() = 0 y V() = s2 y que las {i} son
variables aleatorias no correlacionadas.
 ESTIMACION DE LOS PARAMETROS EN
MODELOS DE REGRESIN LINEAL (continuacin)

Tabla 10-1 Datos de una regresin lineal mltiple

y x1 x2 xk
y1 x11 x12 x1k
y2 x21 x22 x2k
. . . . .
. . . . .
. . . . .
yn xn1 xn2 xnk
 ESTIMACION DE LOS PARAMETROS EN
MODELOS DE REGRESIN LINEAL
(continuacin)
La ecuacin 10-2 del modelo puede escribirse en
trminos de las observaciones de la tabla 10-1 como:
y xi1 xi 2 ... xik i
i 0 1 2 k
(10-7)
y x
k

i 0 j ij para i = 1, 2, , n
i
j 1
El mtodo de mnimos cuadrados consiste en elegir
las de la ecuacin 10-7 de tal modo que la suma de
cuadrados de los errores, i, se minimice. La funcin
de mnimos cuadrados es:

(10-8)
ESTIMACION DE LOS PARAMETROS EN
MODELOS DE REGRESIN LINEAL (continuacin)

y
ESTIMACION DE LOS PARAMETROS EN MODELOS
DE REGRESIN LINEAL (continuacin)
Al simplificar la ecuacin (10-9) se obtiene la
ecuacin (10-10):

Estas ecuaciones se denominan ecuaciones normales de

mnimos cuadrados.
Hay p = k + 1 ecuaciones normales, una para cada uno de
los coeficientes de regresin desconocidos.

 ESTIMACION DE LOS PARAMETROS EN

MODELOS DE REGRESIN LINEAL (continuacin)
ESTIMACION DE LOS PARAMETROS EN
MODELOS DE REGRESIN LINEAL (continuacin)
ESTIMACION DE LOS PARAMETROS EN
MODELOS DE REGRESIN LINEAL (continuacin)
 ESTIMACION DE LOS PARAMETROS EN
MODELOS DE REGRESIN LINEAL
(continuacin)
Al desarrollar en detalle la ecuacin (10-12) se obtiene:

El modelo de regresin ajustado es:

(10-14)
 Ejemplo 10-1 pag 397
En la tabla 10-2 se muestran 16 observaciones de la
viscosidad y de un polmero y dos variables del proceso:
la temperatura de reaccin x1 y la velocidad de
alimentacin del catalizador x2. Se ajustar el modelo de
regresin mltiple y 0 1 x1 2 x2
Tabla 10-2 Datos de la viscosidad del ejemplo 10-1 (viscosidad en
centistokes @ 100oC)
Ttemperatura Velocidad de Alimentacin
Observaciones Viscosidad
(x 1, oC) del catalizador (x 2, lb/h)
1 80 8 2256
2 93 9 2340
3 100 10 2426
4 82 12 2293
5 90 11 2330
6 99 8 2368
7 81 8 2250
8 96 10 2409
9 94 12 2364
10 93 11 2379
11 97 13 2440
12 95 11 2364
13 100 8 2404
14 85 12 2317
15 86 9 2309
16 87 12 2328
 MATRICES - Ejemplo 10-1
MATRIZ X MATRIZ Y
X'X
1 80 8 2256
1 93 9 2340 16 1458 164
1 100 10 2426 1458 133560 14946
1 82 12 2293 164 14946 1726
1 90 11 2330
1 99 8 2368
X'Y
1 81 8 2250
1 96 10 2409 37577
1 94 12 2364 3429550
1 93 11 2379 385562
1 97 13 2440
1 95 11 2364 ^ (X'X)-1X'Y
1 100 8 2404
1 85 12 2317 1566,077771425
2309 7,621290077
1 86 9
1 87 12 2328 8,584845886

Viscosidad = 1566,08 + 7,62129*Temperatura + 8,58485*Velocidad Alimentacin

 Valores predichos, residuales y
otros diagnsticos del ejemplo 10-1
PREDICTED RESIDUALS SRESIDUALS LEVERAGES
OBSERVACION Y
Predicted Values Residuals Studentized Residuals Leverages (hij)
1 2256 2244.46 11.5403 0.866239 0.349507
2 2340 2352.12 -12.1214 -0.76978 0.102472
3 2426 2414.06 11.9448 0.793157 0.176671
4 2293 2294.04 -1.04171 -0.0707119 0.251084
5 2330 2346.43 -16.4272 -1.04922 0.0768901
6 2368 2389.26 -21.2643 -1.60603 0.265328
7 2250 2252.08 -2.08103 -0.148282 0.319351
8 2409 2383.57 25.4299 1.76489 0.0979706
9 2364 2385.5 -21.4972 -1.48254 0.141894
10 2379 2369.29 9.70895 0.603415 0.0798914
11 2440 2416.95 23.0541 1.79521 0.278357
12 2364 2384.53 -20.5336 -1.36321 0.0961841
13 2404 2396.89 7.11445 0.500863 0.289481
14 2317 2316.91 0.0944214 0.00614353 0.185198
15 2309 2298.77 10.2277 0.657058 0.134153
16 2328 2332.15 -4.14816 -0.265902 0.155567
 Ejemplo 10-2 pag 403
Un Ing. Qumico est investigando el
rendimiento de un proceso. Tres de las
variables del proceso son de inters: La
temperatura, la presin y la concentracin del
catalizador. Cada variable puede correrse en un
nivel bajo y uno alto, y el ingeniero decide correr
un diseo 23 con cuatro puntos centrales. En la
figura 10-5 se muestra el diseo y los
rendimientos resultantes, donde se presentan
tanto los niveles naturales del diseo como la
notacin de variables codificadas +1, -1 que se
utiliza normalmente en los diseos factoriales 2k
para representar los niveles de los factores.
 50
44
36 48
53
56
57 65
57 68
32 46
Variables del Proceso Variables Codificadas
Rendimiento
Temperatura Presin Concentracin
Corrida o X1 X2 X3 Y
C (psig) (g/l)
1 120 40 15 -1 -1 -1 32
2 160 40 15 1 -1 -1 46
3 120 80 15 -1 1 -1 57
4 160 80 15 1 1 -1 65
5 120 40 30 -1 -1 1 36
6 160 40 30 1 -1 1 48
7 120 80 30 -1 1 1 57
8 160 80 30 1 1 1 68
9 140 60 22,5 0 0 0 50
10 140 60 22,5 0 0 0 44
11 140 60 22,5 0 0 0 53
12 140 60 22,5 0 0 0 56
Temperatura 140 Pr esin 60 Concentracin 22.5
x1 20 x1

20 x3
7.5

Figura 10-5 Diseo experimental del ejemplo 10-2

 MATRICES - Ejemplo 10-2
Suponga que el ingeniero decide ajustar un modelo que slo
incluye los efectos principales, por ejemplo
y x x x
0 1 1 2 2 3 3

Para este modelo la matriz X, el vector y, el vector solucin y

el vector de los trminos i son:
X y X'X
1 -1 -1 -1 32 12 0 0 0
1 1 -1 -1 46 0 8 0 0
1 -1 1 -1 57
65
0 0 8 0
1 1 1 -1
1 -1 -1 1 36 0 0 0 8
1 1 -1 1 48
1 -1 1 1 57 ^ = (X'X)-1X'Y X'Y
1 1 1 1 68 51.00000 612
1 0 0 0 50 5.62500 45
1 0 0 0 44
1 0 0 0 53 10.62500 85
1 0 0 0 56 1.12500 9
 Variables del Proceso Variables Codificadas
Rendimiento
Temperatura Presin Concentracin
Corrida X1 X2 X3 Y
o
C (psig) (g/l)
1 120 40 15 -1 -1 -1 32
2 160 40 15 1 -1 -1 46
3 120 80 15 -1 1 -1 57
4 160 80 15 1 1 -1 65
5 120 40 30 -1 -1 1 36
6 160 40 30 1 -1 1 48
7 120 80 30 -1 1 1 57
8 160 80 30 1 1 1 68
9 140 60 22,5 0 0 0 50
10 140 60 22,5 0 0 0 44
11 140 60 22,5 0 0 0 53
12 140 60 22,5 0 0 0 56
Temperatura 140 Pr esin 60 Concentracin 22.5
x1 x1
x 3

20 20 7.5
Figura 10-5 Diseo experimental del ejemplo 10-2
(continuacin)
(continuacin)
 Variables del Proceso Variables Codificadas Rendimiento
Temperatura Presin Concentracin
Corrida o X1 X2 X3 Y
C (psig) (g/l)
1 125 41 14 -0,75 -0,95 -1,13 32
2 158 40 15 0,90 -1,00 -1,00 46
3 121 82 15 -0,95 1,10 -1,00 57
4 160 80 15 1,00 1,00 -1,00 65
5 118 39 33 -1,10 -1,05 1,40 36
6 163 40 30 1,15 -1,00 1,00 48
7 122 80 30 -0,90 1,00 1,00 57
8 165 83 30 1,25 1,15 1,00 68
9 140 60 22,5 0 0 0 50
10 140 60 22,5 0 0 0 44
11 140 60 22,5 0 0 0 53
12 140 60 22,5 0 0 0 56
Temperatura 140 Pr esin 60 Concentracin 22.5
x1 x1 x 3

20 20 7.5
5.41