UNIVERSIDAD NACIONAL DE INGENIERIA

Facultad de Ingeniera Geolgica, Minera y Metalrgica

rea de Ciencias Bsicas (Ciclo 2016 II)

2PRCTICA VIRTUAL DE ESTADISTICA

(MA 311)
TEMA: ANLISIS DE REGRESIN
Apellidos
Nombres
Curso
Profesora
Fecha

Torres soto
Anthony giroshi
Estadstica
Mercedes Osorio Maza
08
09

Ciclo
Escuela
Seccin

minas
R

2016

Instrucciones: El puntaje de esta prctica es de 8 puntos

1.-En

La prctica ser enviada mximo hasta el da Jueves 08/Setiembre/2016 Hora: 10:00 a. m

Se dar mayor peso a la interpretaciones realizadas
Desde nuestro Facebook de grupo pueden bajar la prctica virtual de estadstica
El resultado de su prctica ser enviado desde su correo personal al correo
mercedesosoriomaza@gmail.com en lo posible enviar desde su correo acadmico de la
UNI. (deben acompaar su archivo Excel)
Podrn revisar el Manual de Regresin que envi y el PPT

el laboratorio de metalurgia se han medido las diferentes composiciones de cobre (x1) en

%, temperatura de templado (x2) en C que afectan a la dureza de las planchas de acero (y) en
kg /mm2. Los datos son:

a) Realice el diagrama de dispersin

b) Halle las ecuaciones normales ( Aplicando derivadas) para determinar el modelo de
regresin lineal mltiple
i = B 0 B1 X 1 B 2 X 2
c) Plantee matricialmente el Modelo de Regresin Poblacional.
d) Determine el vector de coeficientes de Regresin. B
x x 1 x y
e) Interprete B1 y B2.
f) f.1) Interprete y halle r2y.12 (Coeficiente de Determinacin)
f.2) Interprete Coeficiente de no determinacin (1-r2). ,
f.3) Explique e interprete el Coeficiente de Correlacin. ( r )
g) Cul es el criterio matemtico-estadstico para los modelos de regresin,
Mencione 2 objetivos de los modelos de regresin
Cul de las 2 variables tiene mayor efecto sobre la variable dependiente
h) Realice la prediccin =? (si x1 = 98 y
i) Halle el vector error 1 y1 y1

x2 = 135 )

B) cv5B0 + 427B1

B)

+ 615B2 =

407

427B0 + 36719B1 + 52975B2=

34996.3
615B0 + 52975B1 + 76525B2=
34996.3

= -5.5 + 1.32637X1 - 0.2144X2

555555555
Y

c) Hallamos el vector coeficiente mediante

matrices:

427

615

427 36719 52975

615

52975 76525

B0=-5.5

B0
B1
B2

407
=

34996.3
34996.3

B1=1.32637

B2=-0.2144

= -5.5 + 1.32637X1 - 0.2144X2

E)

B1 : 1.32637 Significa que manteniendo constante X2

(temperatura de templado) al aumentar en una

unidad la variable X1(contenido de Cu), la dureza

aumenta en promedio 1.32637.

B2 : -0.2144 Significa que manteniendo constante la

variable X1 (contenido de Cu) al aumentar en una
unidad la variable X2 (temperatura de templado), la
dureza disminuye en -0.2144.
F)
f.1) Interprete y halle r2y.12 (Coeficiente de Determinacin)

El coeficiente de determinacin r2y.12 (Coeficiente de

Determinacin) nos indica que el 97.004% de la variacin
de Y esta explicada por la variable x1(composicin de cobre)
y x2 (temperatura de templado). Debido a que el coeficiente
de correlacin nos result en el rango de 0.7 y menor que 1
podemos decir que el modelo de regresin mltiple de dos
variables independientes presenta un es un Buen Ajuste

f.2) Interprete Coeficiente de no determinacin (1-r 2).

f.3) Explique e interprete el Coeficiente de Correlacin. (r)

G)
El criterio a seguir es el de los mnimos cuadrados ya que
permite predecir de forma aproximada el valor de la variable
dependiente cuando se conoce el valor de una variable
predictora.
G2) OBJETIVOS;
Cuantificar la relacin entre X1,X2,,..,Xk y la variable Y con el fin de
explicar la relacin existente entre dichas variables, se trata de
modelos explicativos.
-Obtener una ecuacin que nos permita "predecir" el valor
de Y una vez conocidos los valores de X1, X2 .. Xk. Se conocen
como modelos predictivos
-Con los datos trabajados se obtiene que la variable
X2(temperatura de templado) es el que tiene mayor efecto sobre
la variable dependiente ya que posee un menor error con
respecto a la otra variable X1.

H)
Realice la prediccin =?

(si x1 = 98 y

Conocemos que el modelo de regresin mltiple es:

= -5.5 + 1.32637X1 - 0.2144X2
entonces reemplazando en : x1 = 98 y

x2 = 135

= -5.5 + 1.32637(98) - 0.2144(135)

=95.54026

x2 = 135 )