Académique Documents
Professionnel Documents
Culture Documents
Existe correlacin lineal positiva ya que conforme aumenta el tiempo de extraccin tambin
aumenta el rendimiento, es razonable suponer que la relacin entre estas variables la explique un
modelo de regresin lineal simple.
c) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique pruebas de
hiptesis y verifique residuos)
Para ajustar la mejor recta que pasa ms cerca de todos los puntos y para calcular estimadores, se
usa mtodo de mnimos cuadrados, se resumen los clculos en la hoja de Excel:
X y X2 Y2 Xy Y e E2
estimado
Tiempo Rendimiento
(min) (%)
10 64 100 4096 640 69.93 -5.93 35.1649
15 81.7 225 6674.89 1225.5 75.88 5.82 33.8724
20 76.2 400 5806.44 1524 81.83 -5.63 31.6969
8 68.5 64 4692.25 548 67.55 0.95 0.9025
12 66.6 144 4435.56 799.2 72.31 -5.71 32.6041
13 77.9 169 6068.41 1012.7 73.5 4.4 19.36
15 82.2 225 6756.84 1233 75.88 6.32 39.9424
12 74.2 144 5505.64 890.4 72.31 1.89 3.5721
14 70 196 4900 980 74.69 -4.69 21.9961
20 76 400 5776 1520 81.83 -5.83 33.9889
19 83.2 361 6922.24 1580.8 80.64 2.56 6.5536
18 85.3 324 7276.09 1535.4 79.45 5.85 34.2225
Suma 176 905.8 2752 68910.36 13489 293.8764
( ) )
( )( )
[ ] = 13489 [(176) (905.8) /12] = 203.93
( )
[ ] = 2752 [(176)2/12] = 170.66
( )
[ ] = 68910.36 [(905.8)2/12] = 537.55
Por lo que se observa, se concluye que los errores estn distribuidos aleatoriamente, la
prueba de hiptesis de inters plantea que la pendiente es significativamente diferente
de 0.
Hiptesis a Establecer En ambos casos H0 se rechaza si
Anlisis de Regresin | |> t ( / 2 , n -2 )
Para 1
H0 1 = 0 Hiptesis a Establecer
HA 1 0 Anlisis de Varianza
t0 1 / H0 1 = 0
HA 1 0
Para 0
H0 0= 0 F0= CMR / CME
HA 0 0
H0 se rechaza si
| |> F( , n -2 )
t0 0 CME [ ]
Coeficiente de determinacin
Para fines de prediccin se recomienda un coeficiente de determinacin ajustado de 0.7 este es otro
indicador de que nuestro modelo no hace estimaciones con precisin.
Coeficiente de Correlacin
Se observa que en la grfica de probabilidad normal la mayor parte de los puntos tienden a ajustarse
a la lnea recta pero en la de residuo contra valor ajustado hay cierto patrn, el modelo registra falla.
El valor de la pendiente de la recta es: 1.1949, en trminos prcticos, tan solo es la cantidad que se
incrementa o disminuye la variable Y para cada unidad que se incrementa X.
( ) ( )
Y 0 - t( / 2 , n -2 ) [ ] <= ( )<= Y0 +t( / 2 , n -2 ) [ ]
( )
87.83 2.2281 [ ]
87.83 2.2281 0
87.83 10.174
a) ajuste el modelo
La ecuacin de regresin es
Y= 7.30 - 0.183 x1 + 1.26 x2
Para hablar de un modelo que tiene un ajuste satisfactorio es necesario que ambos coeficientes
tengan valores superiores a 0.7, y en este caso muestro coeficiente de determinacin presento un
valor muy bajo del 0.05 (5%) y un coeficiente de determinacin ajustado con valor negativo
interpretando esto como un 0%. Esto se debe a que en nuestro modelo hay trminos que no
contribuyen de manera significativa por lo tanto debemos depurar el modelo.
c) Ajuste un modelo que incluya trminos cuadrticos y analice con detalle la calidad del
ajuste.
En nuestro primer modelo al calcular los coeficientes de determinacin y el ajustado del mismo,
nos pudimos dar cuenta de que el modelo no era adecuado para explicar la relacin de variables
debido a que el valor era demasiado bajo y por lo tanto no era un modelo confiable.
Al obtener nuestra ecuacin con trminos cuadrticos, nos dimos cuenta que este modelo si es
significativo debido a los valores que nos arroj el coeficiente de determinacin y su ajustado, al
ver una amplia mejora en los resultados.