Beruflich Dokumente
Kultur Dokumente
99
muestra el ajuste que
n:75
Mediana:1.58621
95 tienen los datos con
Sigma:13.4547
W:0.957424
80
respecto a la normal.
P:0.0400
porcentaje
50
0.1
recta, esto indica una
-40 -20 0
RESIDUOS
20 40
buena aproximacin a
la normal.
0
Si se encuentra un
-20
patrn o variaciones
-40
en la dispersin, el
0 20 40
nmero de fila
60 80
modelo no es
adecuado.
1 2 1 2
0 ,2 + 0 0 + ,2 +
2 2
2 2
2
2 2
2 ,2 1 2 ,2
3. Intervalos de confianza
Intervalo de confianza para la recta de
regresin
Cuando se sustituye un valor de 0 en la recta obtenida, en
realidad la 0 representa el valor medio de 0 para un valor
determinado de 0 . Es decir, 0 |0 .
Entonces, ya que la recta de regresin en realidad es la media
de valores esperados de 0 , podemos hallar el intervalo de
confianza en donde se esperara hallar los valores de 0 .
1 0 2
0 ,2 +
2
3. Intervalos de confianza
Prediccin de nuevas observaciones
Si se quiere introducir un valor nuevo de 0 , se pueden
predecir, aunque de manera menos precisa, los posibles
valores que puede tomar 0 :
1 0 2
0 ,2 1 + +
2
3. Intervalos de confianza
Ejemplo 1
Un motor de cohete se manufactura al unir un
propelente de ignicin y otro de sustento dentro del
tanque de metal. La fuerza de la unin es una
caracterstica importante para la calidad del
propelente final. Se sospecha que la fuerza est
relacionada con la edad de los propelentes. En la
siguiente tabla se presentan los datos obtenidos:
3. Intervalos de confianza
Ejemplo 1
Fuerza y (psi) Edad x (semanas) Fuerza y (psi) Edad x (semanas)
2158.70 15.50 2165.20 13.00
1678.15 23.75 2399.55 3.75
2316.00 8.00 1779.80 25.00
2061.30 17.00 2336.75 9.75
2207.50 5.50 1765.30 22.00
1708.30 19.00 2053.50 18.00
1784.70 24.00 2414.40 6.00
2575.00 2.50 2200.50 12.50
2357.90 7.50 2654.20 2.00
2256.70 11.00 1753.70 21.50
3. Intervalos de confianza
Ejemplo 1
Primero calculamos 1 :
1 =
2 2
20 528492.64 267.25 42627.15
=
20 4677.69 267.25 2
41112.65
= = .
1106.56
Ahora hallamos 0 para determinar la recta:
0 = 1 = 2131.3575 37.15 13.3625
= .
3. Intervalos de confianza
Ejemplo 1
La recta de regresin es: = 2627.82 37.15
Para hallar la varianza estimada, debemos
encontrar el residuo de cada valor.
Una vez hallado el valor, elevamos el valor al
cuadrado, de acuerdo con la frmula:
2
2
=1
=
2
La varianza depende del modelo que se utilice.
3. Intervalos de confianza
Ejemplo 1
Fuerza y Edad x Residuo Fuerza y Edad x Residuo
(psi) (semanas) (psi) (semanas)
2158.70 15.50 106.705 2165.20 13.00 20.33
1678.15 23.75 -67.3575 2399.55 3.75 -88.9575
2316.00 8.00 -14.62 1779.80 25.00 80.73
2061.30 17.00 65.03 2336.75 9.75 71.1425
2207.50 5.50 -215.995 1765.30 22.00 -45.22
1708.30 19.00 -213.67 2053.50 18.00 94.38
1784.70 24.00 48.48 2414.40 6.00 9.48
2575.00 2.50 40.055 2200.50 12.50 37.055
2357.90 7.50 8.705 2654.20 2.00 100.68
2256.70 11.00 37.53 1753.70 21.50 -75.395
3. Intervalos de confianza
Ejemplo 1
2
166402.65
= = 9244.59
18
Ahora calculamos el intervalo de confianza con
1 ,2 :
2
9244.59
37.15 2.101
1106.56
Finalmente:
43.22 1 31.08
Ejemplo 1
Para la varianza:
2 2
2
2 2
,2 1 ,2
2 2
18 9244.59 2
18 9244.59
31.5 8.23
Finalmente:
5282.62 2 20219.03
Pruebas de hiptesis
En muchas ocasiones, requerimos saber si los
coeficientes son estadsticamente
significativos o no, lo que tiene varias
implicaciones:
Si la pendiente 1 = 0, esto significara que la
recta en realidad es horizontal por lo que no
existe relacin.
Si el intercepto 0 = 0, esto significara que la
recta corta al eje Y en el origen.
4. Pruebas de hiptesis
Prueba para la pendiente
Si se quiere probar que la pendiente es significativa, se plantean las
hiptesis:
10
0 : 1 = 10 vs 1 : 1 > 10
< 10
Estadstico de prueba (para varianza estimada):
1 10
0 =
, 0 ,2
2
Su regin de rechazo es: >, 0 ,2
<, 0 ,2
4. Pruebas de hiptesis
Prueba para la pendiente
Si en particular, se quiere comprobar que la pendiente es
significativamente distinta de cero, la prueba de Fisher resulta
una prueba ms efectiva para determinarla:
0 : 1 = 0 vs 1 : 1 0
Estadstico de prueba (para varianza estimada):
2
1 10
0 =
Se rechaza 0 cuando 0 > ,1,2
4. Pruebas de hiptesis
Prueba para el intercepto
Si se quiere probar que el intercepto es significativo, se plantean las
hiptesis:
00
0 : 0 = 00 vs 1 : 0 > 00
< 00
Estadstico de prueba (para varianza estimada):
0 00
0 =
1 2
+
, 0 ,2
2
Su regin de rechazo es: >, 0 ,2
<, 0 ,2
4. Pruebas de hiptesis
Ejemplo 2
En la siguiente tabla se presenta informacin sobre la
contaminacin del agua producida por la industria
talabartera. Se presentan 33 muestras de desechos
tratados qumicamente realizados por la universidad
Virginia Tech. Las lecturas para x son el porcentaje
total de reduccin de slidos, y para y se registr el
porcentaje total de reduccin en la demanda de
oxgeno.
Hay algn indicativo de que en realidad existe una
relacin lineal entre ambos?
4. Pruebas de hiptesis
Ejemplo 2
Reduccin de Reduccin de Reduccin de Reduccin de Reduccin de Reduccin de
slidos x (%) oxgeno (%) slidos x (%) oxgeno (%) slidos x (%) oxgeno (%)
3 5 32 32 39 45
7 11 33 34 40 39
11 21 33 32 41 41
15 16 34 34 42 40
18 16 36 37 42 44
27 28 36 38 43 37
29 27 36 34 44 44
30 25 37 36 45 46
30 35 38 38 46 46
31 30 39 37 47 49
31 40 39 36 50 51
4. Pruebas de hiptesis
Ejemplo 2
Ya que deseamos verificar si existe una relacin lineal
entre las variables x y y, se quiere revisar si en realidad el
coeficiente 1 es significativamente distinto de cero.
Primero calculamos las sumatorias para poder hallar 1 :
= 1104, = 1124, = 41355, 2 =
41086
Ahora aplicamos la frmula
1 =
2 2
4. Pruebas de hiptesis
Ejemplo 2
33 41355 1104 1124
2
= 0.9036
33 41086 1104
Ahora realizaremos una prueba estadstica para 1 :
Las hiptesis son: 0 : 1 = 0 vs 1 : 1 0
El estadstico de prueba es:
1 10
0 =
es equivalente al denominador de 1 entre n:
1104 2
= 41086 = 4152.18
33
4. Pruebas de hiptesis
Ejemplo 2
Para hallar el error cuadrtico medio, necesitamos primero hallar la
suma de los cuadrados de los errores. Primero, necesitamos hallar
el intercepto para calcularlo:
0 = 1 = 34.0606 0.9036 33.4545 = 3.8311
La ecuacin es: 3.8311 + 0.9036
Ahora usamos la frmula de SSE = 2 = 330.0092
2 330.0092
Entonces MSE = = = 10.6455
2 31
Regresamos al estadstico
1 10 0.9036 0
0 = = = 17.84
10.6455
4152.18
Ya que el valor de 0.0005,30 = 3.646 y es menos al obtenido, eso es
indicativo de que el valor P es menor de 0.001, y entonces la
relacin lineal entre ambos es significativa.
4. Pruebas de hiptesis
Actividad 2
Se realiz un estudio para determinar los efectos de la
privacin de sueo en la capacidad de las personas para
resolver problemas sencillos. La cantidad de privacin de
sueo vari en 8, 12, 16, 20 y 24 horas sin dormir. Un total de
diez individuos participaron en el estudio, dos por cada nivel
de privacin de sueo. Despus de su periodo de privacin de
sueo, a cada individuo se le presento un conjunto de
problemas sencillos de sumas para que lo resolvieran,
registrndose el nmero de errores; se obtuvieron los
resultados mostrados en la tabla siguiente:
Nmero de errores (y) 8, 6 6, 10 8, 14 14, 12 16, 12
Nmero de horas sin 8 12 16 20 24
dormir (x)
A2. Actividad
Actividad 2
Encuentra la recta de mnimos cuadrados apropiada para
estos datos.
Calcula S2.
Los datos presentan suficiente evidencia para indicar que el
nmero de errores est relacionado linealmente de horas sin
dormir?
A2. Actividad