INSTITUTO TECNOLOGICO DE CD. MADERO.

INGENIERA INDUSTRIAL
ESTADSTICA INFERENCIAL II

Catedrtico: Jos Manuel Antonio Baranda.

Alumna: Itzel Alexia Guerrero Rodrguez
No. de Control: 12070947
Trabajo: Anlisis de Regresin Lineal Simple y
Mltiple.
Hora: 13:00 14:00.

CONTENIDO:
Introduccin.
Qu

es regresin lineal simple?

Qu es regresin lineal mltiple?
Objetivo e Hiptesis.
Propuesta.
Variables.
Materiales a utilizar.
Procedimiento para realizar una muestra de la propuesta dada.
Metodologa a seguir antes de realizar cada tipo de anlisis de regresin
lineal.
Resultados de cada anlisis de regresin lineal.

Conclusiones.

Anlisis de
Regresin Lineal
simple y Mltiple.

Introduccin.
En muchos problemas existe una relacin
inherente entre dos o mas variables, y resulta
necesario explorar la naturaleza de esta
relacin. El anlisis de regresin es una
tcnica estadstica para el modelado y la
investigacin de la relacin entre dos o mas
variables.

Se utiliza el diagrama de dispersin

que es solo una grafica en la que cada
par (xi , yi) esta representado con un
punto en un sistema de coordenadas
bidimensional.
El anlisis de este diagrama de
dispersin indica que, si bien una curva
no pasa exactamente por todos los
puntos, existe una evidencia fuerte de
que los puntos estn dispersos de
manera aleatoria alrededor de una
lnea recta.

Qu es la Regresin Lineal Simple?

Es
aquel caso en el que se considera solo un regresor o predictor x, y una
variable dependiente o respuesta Y. Supngase que la verdadera relacin
entre Y y x es una lnea recta, y que la observacin Y en cada nivel x es una
variable. Tal como ya se indico, el valor esperado de Y para cada valor de x es:

donde la ordenada al origen y la pendiente son los coeficientes desconocidos

de la regresin. Se supone que cada observacin, Y, puede describirse por el
modelo:

donde es el error aleatorio con media cero y varianza .

Prueba de hiptesis en la regresin lineal

simple.
Para

poder probar hiptesis sobre la pendiente y la

ordenada al origen del modelo de regresin, debe
hacerse la hiptesis adicional de que el componente
de error en el modelo, tiene una distribucin normal.
Es as como las hiptesis completas son que los
errores estn distribuidos de manera normal e
independiente con media cero y varianza .

Anlisis de varianza para la prueba de

significancia de la regresin.
Para probar la significancia de una regresin puede
utilizarse un mtodo conocido como anlisis de
varianza. Como base para la prueba, el
procedimiento particiona la variabilidad total en la
variable de respuesta en componentes mas
manejables.

Qu es la Regresin Lineal Mltiple?

un modelo de regresin que contiene mas de un regresor
Es
recibe el nombre de modelo de regresin mltiple. En general,
la variable dependiente o respuesta y puede estar relacionada
con k variables independientes o regresores. El modelo

Recibe el nombre de modelo de regresin lineal mltiple con k

variables de regresin. Los parmetros se conocen como
coeficientes de regresin.

Este

modelo frecuentemente se emplean como

funciones de aproximacin, esto es, se
desconoce la verdadera relacin funcional entre
pero sobre ciertos rangos de las variables
independientes el modelo de regresin lineal
constituye una aproximacin adecuada.

Prueba de hiptesis en la regresin lineal

mltiple.
Al igual que en el caso de la regresin lineal simple,

la prueba de hiptesis requiere que los trminos de

error del modelo de regresin tengan distribuciones
normales e independientes con media cero y
varianza .

Objetivo del Proyecto.

Realizar un anlisis de regresin lineal simple y mltiple con datos obtenidos
de una simulacin de eventos controlados.
Hiptesis.
Analizar si existe o no una relacin significativa entre la variable dependiente
(tiempo de elaboracin de una ua acrlica) y las variables independientes
(Largo de ua , no. de colores de acrlico, no. de piedritas swarovsky, no. de
lneas de decoracin, no. de capas de acrybond, no. de capas de anti
hongos, no. de capas de primer adherente, no. de ptalos de una flor de
acrlico, no. de capas de top coat, no. de gotas de acrlico y Tiempo de
limado) de la propuesta presentada a continuacin.

PROPUES
UasTA.
acrlicas.

A continuacin se muestran las variables de la propuesta

mencionada anteriormente y la unidad en que se
medirn:
La variable de respuesta o dependiente seria:
Y= Tiempo de elaboracin de una ua de acrlico (minutos).

Las variables independientes seran:

X1= Largo de ua (centmetros).
X2= No. de colores de acrlico (cantidad).
X3= No. de piedritas swarovsky (cantidad).
X4= No. de lneas de decoracin (cantidad).
X5= No. de capas de acrybond (cantidad).

 X6= No de capas de anti hongos (cantidad).

X7= No. de capas de primer adherente (cantidad).
X8= No. de ptalos de una flor de acrlico (cantidad).
X9= No. de capas de brillo (cantidad).
X10= No. de gotas de acrlico (cantidad).
X11= Tiempo de limado (segundos).

Materiales a utilizar:

Anti hongos

Primer Adherente

Acrybond

Acrlicos de Color

Top Coat

Lima

Pincel y Godete

Acrlico Transparente

Monmero
o lquido acrlico.

Pegamento

Piedras Swarovsky

Pincel negro

Procedimiento para realizar uas acrlicas:

1. Se mide la ua al largo deseado.

2. Se corta.
3. Se lima la ua.
4. Se aplica anti hongos en el inicio de la ua.
5. Se aplica acrybond.

6. Se aplica primer adherente.

7. Se aplican los acrlicos de color deseados.
8. Se aplica el acrlico transparente sobre los de color.
9. Se hacen decoraciones 2D con pinceles o 3D con el

acrlico de color.
10. Se aplican piedras de swwarovsky.
11. Se aplica top coat (o brillo final).

METODOLOGA A SEGUIR ANTES DE

REALIZAR CADA TIPO DE ANLISIS DE
REGRESIN LINEAL.
1. Primero, se introducirn los datos de los diferentes tratamientos en el
software STATGRAPHICS Centurin XVI.
Para poder realizar esto:

Primero abrimos
el
software
STATGRAPHICS
Centurion
XVI
del men inicio.

Luego entramos a la interfaz principal y

vemos el archivo en blanco que es como
una hoja de excel, y es ah donde se debe
insertar cada dato de cada variable al igual
que sus nombres, para identificarlas.

Posteriormente, para
poner el nombre de
cada variable se debe
abrir
la
venta
Modificar columna.

2. Una vez que ya se nombr cada columna y se introdujeron los datos, se

aleatorizaran para evitar dependencia estadstica.
Para eso:

Se selecciona la columna, se da click

derecho y se desplegara una serie de
opciones, se seleccionar ordenar
archivo.

Aparecer una ventana con el nombre

opciones ordenar datos y en orden se
seleccionara aleatorio, aplicar a solo
rango seleccionado y aceptar.

Y as es como quedarn nuestros valores aleatorizados:

Y

X1

X2

X3

X4

X5

X6

2.2

11

10

1.4

11

2.6

10

1.6

2.4

12

3.4

X7

X8

X9

X10

X11

13

40

10

12

50

10

30

12

10

35

12

14

11

55

10

13

12

11

11

15

1.2

10

14

65

3.2

11

12

13

1.8

45

12

10

25

13

11

10

13

11

13

60

2.8

13

13

12

20

3. Posteriormente se har cada muestra (13

muestras), con sus respectivos valores aleatorizados
de cada variable y como mi variable de respuesta es
el tiempo de elaboracin de una ua acrlica, la toma
tiempos se har con el cronmetro, se tomara el
tiempo en segundos y se convertir a minutos
mediante una regla de 3 simple, ya que as se
precisan ms y mejor los resultados.

La siguiente tabla muestra los valores del tiempo de elaboracin de cada

muestra (Y) :
Y

X1

X2

X3

X4

X5

X6

9.5

2.2

11

10

8.8

1.4

11

11

2.6

10

9.3

1.6

8.5

2.4

12

5.7

3.4

6.6

X7

X8

X9

X10

X11

13

40

10

12

50

10

30

12

10

35

12

14

11

55

10

13

12

11

11

15

1.2

10

14

65

4.3

3.2

11

12

13

5.7

1.8

45

7.7

12

10

25

5.1

13

11

10

9.1

13

11

13

60

8.5

2.8

13

13

12

20

ANLISIS DE REGRESIN LINEAL SIMPLE.

Primero se realizara el anlisis de regresin
lineal simple en el que se relacionan la variable
dependiente con una variable independiente,
sea que se realizara este procedimiento 11
veces, ya que tenemos 11 variables.

H0 : El modelo se ajusta adecuadamente a los

datos.
H1 : El modelo no se ajusta a los datos.
Se usa generalmente un nivel de confianza de
95% para dejar la probabilidad de 5% de error.

PROCEDIMIENTO A REALIZAR EN EL PROGRAMA

STATGRAPHICS PARA EL ANLISIS DE REGRESIN
LINEAL SIMPLE:
1. Relacionar > Un factor > Regresin simple.

2. Una vez seleccionado Regresin

Simple tendremos la ventana que
se muestra y debemos elegir
nuestra variable Y en donde
corresponde
y
una
variable
independiente, en este caso se
muestra X1 y se da clic en aceptar.

3.- En la siguiente ventana

llamada
opciones
de
regresin
simple
seleccionaremos
tipo de
modelo lineal y damos
clic en aceptar.
4 .- Aparecer otra ventana
y que nos pregunta que
tablas y grficos queremos
que nos haga el programa ,
solo se seleccionar
resumen del anlisis y
grficos
del
modelo
ajustado.

5. Se har lo mismo para cada una de las 11

variables independientes.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: Largo de ua (x1)
Lineal: Y = a + b*X

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 7.96099 - 0.129121*Largo de ua (x1)

Al analizar los resultados en la tabla ANOVA (Analysis of Variance),

especficamente el Valor-P vemos que es mayor a 0.05, y se concluye con
que no hay una relacin estadsticamente significativa entre Tpo. Elab.
Ua Acrilico (y) y Largo de ua (x1) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. Colores (x2)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 6.03077 + 0.235165*No. Colores (x2)

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance),

especficamente el Valor-P vemos que es mayor a 0.05, y se concluye con

que no hay una relacin estadsticamente significativa entre Tpo. Elab.
Ua Acrilico (y) y No. Colores (x2) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. Piedras Swarowsky (x3)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 5.29615 + 0.34011*No. Piedras Swarowsky (x3)

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance),

especficamente el Valor-P vemos que es menor a 0.05, y se concluye con

que existe una relacin estadsticamente significativa entre Tpo. Elab. Ua
Acrilico (y) y No. Piedras Swarowsky (x3) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. Lineas de Decoracion (x4)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 7.66374 + 0.00164835*No. Lineas de Decoracion (x4)

Al analizar los resultados en la tabla ANOVA (Analysis of Variance), especficamente

el Valor-P vemos que es mayor a 0.05, y se concluye con que no hay una relacin
estadsticamente significativa entre Tpo. Elab. Ua Acrilico (y) y No. Lineas de
Decoracion (x4) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. Capas de acrybond (x5)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 7.17692 + 0.0714286*No. Capas de acrybond (x5)

Al analizar los resultados en la tabla ANOVA (Analysis of Variance), especficamente

el Valor-P vemos que es mayor a 0.05, y se concluye con que no hay una relacin
estadsticamente significativa entre entre Tpo. Elab. Ua Acrilico (y) y No. Capas
de acrybond (x5) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. de Capas de antihongos (x6)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 6.14231 + 0.219231*No. de Capas de antihongos (x6)

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance), especficamente

el Valor-P vemos que es mayor a 0.05, y se concluye con que no hay una relacin
estadsticamente significativa entre Tpo. Elab. Ua Acrilico (y) y No. de Capas de
antihongos (x6) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. de Capas de Primer (x7)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 8.16538 - 0.0697802*No. de Capas de Primer (x7)

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance), especficamente

el Valor-P vemos que es mayor a 0.05, y se concluye con que no hay una relacin
estadsticamente significativa entre Tpo. Elab. Ua Acrilico (y) y No. de Capas de
Primer (x7) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. Petalos Flor Acrilico (x8)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 6.56923 + 0.138462*No. Petalos Flor Acrilico (x8)

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance), especficamente

el Valor-P vemos que es mayor a 0.05, y se concluye con que no hay una relacin
estadsticamente significativa entre entre Tpo. Elab. Ua Acrilico (y) y No. Petalos
Flor Acrilico (x8) con un nivel de confianza del 95.0%.

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. de capas top coat (x9)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 8.16538 - 0.0697802*No. de capas top coat (x9)

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance), especficamente

el Valor-P vemos que es mayor a 0.05, y se concluye con que no hay una relacin
estadsticamente significativa entre Tpo. Elab. Ua Acrilico (y) y No. de capas top
coat (x9) con un nivel de confianza del 95.0%.

10

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: No. de gotas de acrilico (x10])

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 6.66897 + 0.524138*No. de gotas de acrilico (x10])

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance), especficamente

el Valor-P vemos que es mayor a 0.05, y se concluye con que no hay una relacin
estadsticamente significativa entre Tpo. Elab. Ua Acrilico (y) y No. de gotas de
acrilico (x10]) con un nivel de confianza del 95.0%.

11

Variable dependiente: Tpo. Elab. Ua Acrilico (y)

Variable independiente: Tiempo de limado (x11)

La ecuacin del modelo ajustado es:

Tpo. Elab. Ua Acrilico (y) = 6.12308 + 0.0443956*Tiempo de limado (x11)

 Al analizar los resultados en la tabla ANOVA (Analysis of Variance),

especficamente el Valor-P vemos que es mayor a 0.05, y se concluye con que no

hay una relacin estadsticamente significativa entre Tpo. Elab. Ua Acrilico (y)
y Tiempo de limado (x11) con un nivel de confianza del 95.0%.

ANLISIS DE REGRESIN LINEAL MLTIPLE.

Por ltimo, realizaremos el anlisis de regresin lineal mltiple el
cual analiza la relacin entre dos o ms variables a travs de
ecuaciones.
Una justificacin acerca del porque realizar un anlisis de
regresin mltiple es que en la prctica de la investigacin
estadstica, se encuentran variables que de alguna manera
estn relacionadas entre s, por lo que es posible que una de las
variables puedan relacionarse matemticamente en funcin de
otra u otras variables.

H0 : El modelo se ajusta adecuadamente a los datos.

H1 : El modelo no se ajusta a los datos.

Se usa un nivel de confianza de 95% para dejar la

probabilidad de 5% de cometer un error que es la
probabilidad de rechazar H0 cuando es verdadera.

PROCEDIMIENTO A REALIZAR EN EL PROGRAMA

STATGRAPHICS PARA EL ANLISIS DE REGRESIN
LINEAL MLTIPLE:
1. Relacionar > Varios factores > Regresin mltiple.

2. Una vez seleccionado Regresin

Mltiple tendremos la ventana que
se muestra y debemos elegir
nuestra variable Y en donde
corresponde y seleccionar todas las
variables independientes y se da clic
en aceptar.

3.- En la siguiente ventana

llamada
opciones
de
regresin mltiple en este
caso, solo damos clic en
aceptar.

4 .- Aparecer otra ventana

y que nos pregunta que
tablas y grficos queremos
que nos haga el programa ,
solo
seleccionaremos
resumen
de
anlisis,
Observados vs predichos y
residuos vs predichos.

5. A continuacin se analizaran los resultados

obtenidos en el software.

RESULTADOS:
La ecuacin del modelo ajustado es
Tpo. Elab. Ua Acrilico (y) = -15.5538 + 8.79133*Largo de ua (x1) - 1.09166*No. Colores
(x2) + 0.804777*No. Piedras Swarowsky (x3) - 0.463211*No. Lineas de Decoracion (x4) +
0.0587122*No. Capas de acrybond (x5) - 0.259209*No. de Capas de antihongos (x6) +
0.55668*No. de Capas de Primer (x7) + 0.226507*No. Petalos Flor Acrilico (x8) 1.01111*No. de capas top coat (x9) + 3.03773*No. de gotas de acrilico (x10]) +
0.186695*Tiempo de limado (x11)

 En la siguiente tabla de parmetros se puede observar que

ninguna variable es estadsticamente significativa ya que

ningn valor es menor a .05.

 En la tabla anterior se observaba que el valor-P ms

alto de las variables independientes es 0.5251 de la

variable No. Capas de acrybond (x5). Dado este
resultado una buena forma para poder simplificar el
modelo sera eliminar la variable No. Capas de
acrybond (x5) del modelo.

 En el ANOVA ANDEVA se puede observar lo ms

importante que denota si nuestro modelo es o no

significativo y es que el valor-P en la es mayor que 0.05 y
por lo tanto NO existe una relacin estadsticamente
significativa entre las variables con un nivel de confianza del
95.0%.

 R-cuadrada = 99.6844 porciento

R-cuadrado (ajustado para g.l.) = 96.2129 porciento
Error estndar del est. = 0.391888
Error absoluto medio = 0.0866644
Estadstico Durbin-Watson = 2.05448 (P=0.5368)
Autocorrelacin de residuos en retraso 1 = -0.051379

En la informacin mostrada en la parte de arriba, se puede analizar que RCuadrada nos dice que el modelo as ajustado tiene 99.6844% de la
variabilidad en nuestra variable dependiente Y y el estadstico R-Cuadrada
ajustada, que es mejor para este tipo de anlisis de regresin lineal
mltiple, es 96.2129%.
Acerca del Durbin-Watson (DW) el cual examina los residuos nos dice que
el valor-P es mayor que 0.05 y por lo tanto no hay indicacin de una
autocorrelacin en los residuos con un nivel de confianza del 95.0%.

A continuacin se analizaran las grficas que se

obtuvieron en el software:
Como se puede ver en el siguiente grfico, los puntos se acercan mucho en
varios casos a la lnea diagonal, esto nos quiere decir que el modelo es
mejor para predecir los valores observados.

Aqu podemos observar el comportamiento de los residuos vs los valores de la

variable dependiente, cualquier patrn no aleatorio nos indica que el modelo
seleccionado no es adecuado para describir los datos observados.

CONCLUSIO
NES.

Mi conclusin acerca de la realizacin de este proyecto es que un

anlisis de regresin ya sea simple o mltiple, nos ayuda a saber
si existe alguna relacin estadsticamente significativa o no entre
variables que se consideran importantes en un procedimiento.
Apliqu los conocimientos adquiridos en clase acerca del uso del
software Statgraphics; ya que es una herramienta estadstica que
facilita ampliamente el trabajo ya que con solo saber como debo
introducir los datos, el programa realiza los clculos, diseo del
experimento, tablas, grficas y me ayuda con la interpretacin.
Esta es mas que nada una conclusin de la experiencia de la
realizacin del proyecto, ya que las conclusiones de los anlisis se
fueron explicando en el desarrollo del trabajo.