H 2 O2
perxido de
0
25.4
5
18.6
10
12.8
15
9.7
20
7.3
25
4.8
30
3.7
35
2.7
40
2.1
45
1.5
50
1.1
Grafico de dispersin.
30
25
20
Referencia
Concentracin (moles/L) 15
10
5
0
0 10 20 30 40 50 60
Tiempo (min)
xi
yi
xi yi
x 2i
y 2i
1
2
3
0
5
10
25.4
18.6
12.8
0
93
128
0
25
100
645.16
345.96
163.84
4
5
6
7
8
9
10
11
15
20
25
30
35
40
45
50
9.7
7.3
4.8
3.7
2.7
2.1
1.5
1.1
145.5
146
120
111
94.5
84
67.5
55
225
400
625
900
1225
1600
2025
2500
94.09
53.29
23.04
13.69
7.29
4.41
2.25
1.21
x i=275
x 2i =9625
y i=89.7
y 2i =1354.23
x i yi =1044.5
Estos datos son de suma importancia ya que la mayora de los
estadgrafos que calcularemos requerirn de por lo menos alguno
de estos.
xi = 275 =25
n
11
y =
y i = 89.7 =8.1545
n
11
2
( x i)
(275)
S xx = x
=9625
=2750
n
11
2
i
xi
yi
S xy = x i y i
^ 1
podemos calcular el intercepto de la
recta de regresin.
^ 0= y ^ 1 x
^ 0=8.1545(0.4356 )( 25 )=19.0455
^y =19.04550.4356 x
COEFICIENTE DE CORRELACION.
Este valor nos indicara que tanto se asocian o relacionan las
variables
xi
yi
x 2i
xi
y 2i
yi
n
r=
=0.91544
Como observamos el valor nos indica que existe una relacin lineal
fuerte entre las dos variables, pues su valor es cercano a la unidad,
el valor del coeficiente es negativo, esto es porque la pendiente de
la recta es negativa, es decir que mientras mayor sea el tiempo en
que se deja descomponer la muestra en el reactor, menor ser su
concentracin.
Hay que tomar en cuenta que este valor solamente se limita a
medir la relacin lineal que existe entre las variables, no el efecto
que, en este caso, realiza el tiempo sobre la concentracin de la
muestra evaluada.
Como se puede observar en la siguiente grafica:
Diagrama de dispersin
30
25
20
Cincentracin (Moles/L)
15
10
Referencia
Linear (Referencia)
5
0
0 10 20 30 40 50 60
Tiempo (min)
G
rafica 2.1 Recta de regresin lineal.
COEFICIENTE DE DETERMINACION.
Este valor nos expresar la proporcin de la variacin de los
valores de la variable y que se pueden explicar o contabilizar por
una relacin lineal con los valores de la variables aleatoria dada en
este caso el tiempo. El valor lo obtendremos de 3 formas distintas
para comprobarlo.
Caso 1) Elevando el coeficiente de correlacin al cuadrado, ya que
la frmula para calcular el coeficiente es:
0.91544
S2xy
2
r = 2 2 =
SxSy
2
r =1
yi
^y i
ei
e 2i
( y i y )
( y i y )2
1
2
3
4
5
6
7
8
9
10
11
25.4
18.6
12.8
9.7
7.3
4.8
3.7
2.7
2.1
1.5
1.1
19.045
16.867
14.689
12.511
10.333
8.155
5.976
3.798
1.620
-0.558
-2.736
6.355
1.733
-1.889
-2.811
-3.033
-3.355
-2.276
-1.098
0.480
2.058
3.836
40.380
3.002
3.569
7.901
9.197
11.253
5.182
1.206
0.230
4.236
14.718
17.245
10.445
4.645
1.545
-0.855
-3.355
-4.455
-5.455
-6.055
-6.655
-7.055
297.406
109.108
21.580
2.388
0.730
11.253
19.843
29.752
36.658
44.283
49.767
( e i )=100.874901
y
y i
Sustituyendo en la formula:
r 2=1
e 2i
2
( y i y )
=1
100.874901
=0.838021
622.767273
( ^y i y )
r=
2
( y i y )
2
yi
^y i
( y i y )
( y i y )2
( ^y i y )
( ^y i y )2
297.406
10.891
118.612
10.445
109.108
8.713
75.912
4.645
21.580
6.535
42.700
1.545
2.388
4.356
18.978
7.3
-0.855
0.730
2.178
4.744
6
7
8
9
1
0
1
1
4.8
3.7
2.7
2.1
1.5
19.045
5
16.867
3
14.689
1
12.510
9
10.332
7
8.1545
5.9764
3.7982
1.6200
0.5582
2.7364
17.245
25.
4
18.
6
12.
8
9.7
-3.355
-4.455
-5.455
-6.055
-6.655
11.253
19.843
29.752
36.658
44.283
0.000
-2.178
-4.356
-6.535
-8.713
0.000
4.744
18.978
42.700
75.912
-7.055
49.767
-10.891
118.612
2
3
1.1
( y i y )2=622.767273
( ^y i y )2=521.8923
Sustituyendo en la formula:
2
r=
( ^y y )2 = 521.892364 =0.83802
( y i y )2 622.767273
Planteamos la hiptesis:
^
Ho: 1=0
^
Ha: 1 0
t 0.025,9=2.262
t t / 2,n2
S= S2=
Cii =
SEE
100.8749
=
=3.3479
n2
9
1
1
=
=0.00036364
S xx 2750
^ 1 i 0
S C ii
0.43560
=6.8237
( 3.3479 ) ( 0.00036364)
Entonces:
INTERVALOS DE CONFIANZA.
Para asegurarnos que nuestros datos pertenezcan en un rango
determinado con una confianza dada es necesario construir el
intervalo de confianza de la pendiente y el intercepto.
Intervalo de confianza para la pendiente y el intercepto.
Para calcular el intervalo de confianza de nuestra pendiente y el
intercepto es necesario calcular un dato antes, este es el MSE, este
valor es la desviacin estndar de la recta de regresin, tiene
como propiedad ser estimador insesgado.
MSE=
2
^ 0 t /2,n2 MSE ( 1 + x )
n S xx
19.0455 2.262(1.8884609)
19.0455 4.271698
(14.7738,23.3171)
^ 1 t / 2,n2 MSE
S xx
11.208323
2750
0.58001< ^ 1 <0.29119
^ 1
Gauss-Markov I:
1.-El modelo poblacional es lineal en sus parmetros
y= 0 + 1 x
y i= o + 1 x i
x x y
i
2
x
s x2 xi x
, donde
E 1 1 1 2
sx
d E u
i
un
estimador
cumple
los
supuestos
escritos
^ 2
decir
para
^ 2
^ 1
son insesgados y consistentes de los valores
poblacionales.
CONCLUSIN.
De los valores que calculamos durante la prueba 4 son de mucha
importancia en el primer caso, nuestra recta de regresin fue
consistente a la prueba, es decir, describa el comportamiento
decreciente de la concentracin con respecto al tiempo, nuestro
coeficiente de correlacin fue cercano a la unidad
(r=0.91544)
Diagrama de dispersin
30
25
20
Cincentracin (Moles/L)
15
10
Referencia
Linear (Referencia)
5
0
0 10 20 30 40 50 60
Tiempo (min)
R =0.83802
PROBABILIDAD Y ESTADISTICA
4TO PARCIAL.
TERCER SEMESTRE
PROYECTO FINAL
REGRESION LINEAL.
JOSE ANGEL ORTIZ SALAZAR
INGENIERIA QUIMICA INDUSTRIAL
GRUPO 2