Práctica U1 EI - Hombres

A) Determine la ecuación de regresión.
Analizando el estudio podemos determinar qué en función de la altura y edad

de los estudiantes masculinos dependerá el peso de estos. Por lo tanto obtenemos
la siguiente ecuación de regresión:
Peso (y)= -312.7 + 169.4 Altura (x1) + 4.69 Edad (x2)
Partiendo de esta el peso será la variable dependiente, seguido de la altura y

edad como variables independientes.
B) Determine el coeficiente de correlación y el coeficiente de determinación

ajustado.
Resumen del modelo
S R-cuad. R-cuad. R-cuad.

(ajustado) (pred)
14.3397 55.07% 49.08% 36.17%
Encontramos un coeficiente de correlación del 0.7420, este índice de

correlación nos indica la relación qué hay entre dos variables, como se aproxima a
+1 entonces nos hace saber qué presenta una correlación positiva, es decir a
medida qué una variable aumenta la otra también lo hace.
El 49.08% del peso de los estudiantes del tecnológico depende de la altura y
su edad.
Encontramos un coeficiente de determinación ajustado del 55.07%, al ser
menor a 70% entonces podemos decir qué no es un buen modelo para hacer
predicciones.
C) Cuadro de ANOVA
Análisis de regresión: Peso (y) vs. Altura (x1); Edad (x2)
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 2 3780.2 1890.10 9.19 0.002
Altura (x1) 1 1986.2 1986.21 9.66 0.007
Edad (x2) 1 631.8 631.82 3.07 0.100
Error 15 3084.4 205.63
Falta ajuste 12 2841.7 236.81 2.93 0.204
Error puro 3 242.7 80.91
Total 17 6864.6
D) Error estándar o error típico de regresión
Encontramos un error típico de regresión de 14.33, lo cual esta medida

estadística nos proporciona la dispersión o variabilidad del conjunto de datos. Como
podemos notar sigue siendo un valor bajo.
Sin embargo; en forma porcentual, teniendo como promedio de Y (peso) a
78.2805 y como desviación a 14.33; podemos concluir que el error estándar es de
18.31%; dando a entender que no se corre con un riesgo alto.
1
E) Pruebas de hipótesis para B0 B1 B2:
Prueba de hipótesis para la regresión:
F fisher
Al identificar en el análisis de varianza el valor F 0 en Regresión, encontramos
un resultado de 9.19. Para encontrar este valor en las tablas de distribución de
fisher tomamos lo siguiente Ftablas(0.95, glReg, glE) por lo tanto nuestro
Ftablas = 3.68.
Partiendo de la afirmación si F0 >= Tablas SE RECHAZA H0, en este caso se
cumple esta regla por lo tanto se rechaza H0.
9.19 > 3.68 rechaza H0
P-Value
Al identificar en el análisis de varianza el valor-p, encontramos qué nos arroja
un resultado de 0.002. Siguiendo la afirmación si valor-p <= 0.05 (alpha). Se
rechaza H0, en este caso se cumple esta regla por lo tanto se rechaza H0.
0.002<=0.05 rechaza H0
Prueba de hipótesis para B0

Ho: Bo = 0
Hi: Bo ≠ 0
T-student
Encontramos un valor T0 = -3.37, ubicando el valor en las tablas de
distribución de t-student nos arroja un resultado de 2.13, siguiendo la afirmación si
T0>=Ttablas se rechaza H0.
Comprobamos qué -3.10<2.13 por lo tanto NO se rechaza H0.
P-Value
Identificamos qué la prueba de hipótesis anterior NO se rechaza H0, por lo
tanto verificamos con Valor-p. Encontramos un valor-p = 0.02 y siguiendo la regla si
valor-p <= 0.05 Se rechaza H0, en este caso sí se rechaza H0.
0.02<0.05 Se rechaza H0. Así concluimos qué efectivamente se rechaza la
hipótesis nula.
2
Ho: B1 = 0
Hi: B1 ≠ 0
T-student
Encontramos un valor T0 = 3.10, ubicando el valor en las tablas de
T0>=Ttablas se rechaza H0.
Comprobamos qué 3.10>2.13 por lo tanto se rechaza H0.
P-Value
Encontramos un valor-p de 0.007 lo cual nos permite concluir qué se rechaza
H0 pues siguiendo la afirmación qué nos dice si valor-p <= 0.05 Se rechaza H0.
0.007<0.05 se rechaza H0

Ho: B2 = 0
Hi: B2 ≠ 0
T-student
Encontramos un valor T0 = 1.75, ubicando el valor en las tablas de
T0>=Ttablas se rechaza H0. Encontramos que 1.75<2.13 por lo tanto NO se
rechaza H0.
P-Value
Encontramos un valor-p de 0.100 lo cual nos permite concluir qué NO se
rechaza H0 pues siguiendo la afirmación qué nos dice si valor-p <= 0.05 Se rechaza
H0. En este caso p-value es un número mayor a alpha. 0.10>0.05 No se rechaza H0
Prueba de hipótesis
3
F) Mencione los intervalos de confianza para Bo, B₁ y B₂
Intervalos de confianza para la regresión o B0:

(-510.04, -115.35)
Intervalos de confianza para B1:
(53.22, 285.59)
Intervalos de confianza para B2:
(-1.01, 10.39)
G) Gráficos de residuos
4
H) Prueba de normalidad
Como podemos observar el Valor-p arroja un resultado de 0.827 por lo tanto al ser
este número mayor a alpha= 0.05 se afirma qué si hay normalidad en los datos.
I) Gráfico de superficie
J) Análisis y Diagnóstico
5
- MINITAB
Análisis de regresión: Peso (y) vs. Altura (x1); Edad (x2)

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 2 3780.2 1890.10 9.19 0.002
Altura (x1) 1 1986.2 1986.21 9.66 0.007
Edad (x2) 1 631.8 631.82 3.07 0.100
Error 15 3084.4 205.63
Falta ajuste 12 2841.7 236.81 2.93 0.204
Error puro 3 242.7 80.91
Total 17 6864.6
Resumen del modelo

S R-cuad. R-cuad. R-cuad.
(ajustado) (pred)
14.3397 55.07% 49.08% 36.17%
Coeficientes
Término Coef EE delcoef. Valor T Valor p FIV
Constante -312.7 92.6 -3.38 0.004
Altura (x1) 169.4 54.5 3.11 0.007 1.12
Edad (x2) 4.69 2.68 1.75 0.100 1.12
6
Ecuación de regresión
Peso (y)= -312.7 + 169.4 Altura (x1) + 4.69 Edad (x2)
Ajustes y diagnósticos para observaciones poco comunes

Obs Peso (y) Ajuste Resid Resid est.
12 119.55 92.44 27.11 2.01 R
Residuo grande R
- Excel
7
8
Conclusión General
En esta práctica logramos aplicar los conocimiento que adquirimos en la

primer unidad de estadistica inferencial 2, a su vez creamos un ejercicio en base a
los datos que recabamos de nuestro mismo equipo de trabajo (los alumnos
masculinos) y en base a esto logramos desarrollar la práctica que concluimos
exitosamente gracias a la participación coordinada, el equipo en disponibilidad y al
equipo de recolección de datos.
Como se pudo observar en la práctica y en la recopilación de datos al
momento de analizar dichos resultados (datos) obtenidos en Minitab y Excel se
puede apreciar que si existe una correlación entre las variables tanto en la variable
dependiente como las variables independientes, esto quiere decir en el contexto de
nuestro problema que el Peso (y) si depende de la Altura (x1) y la Edad (x2) en
cierto porcentaje.
Sin embargo, es fundamental recordar que la regresión lineal simple asume
que la relación entre las variables es verdaderamente lineal y que los datos están
libres de sesgos y errores. En la práctica, es esencial realizar un análisis de
residuos y evaluar la calidad del ajuste del modelo antes de confiar en las
conclusiones y predicciones de la regresión lineal simple. Además se suele recurrir
a la regresión lineal múltiple para modelar relaciones más complejas de 2 o más
variables. La regresión lineal múltiple es una herramienta valiosa en estadísticas y
análisis de datos cuando se trata de modelar relaciones complejas entre múltiples
variables. Ayuda a comprender cómo estas variables se combinan para influir en
una variable objetivo y proporciona información útil para la toma de decisiones, la
predicción y la comprensión de fenómenos en diversas disciplinas ya que nos
permite conocer el % de dependencia entre variables y de esta manera conocer cuál
es la decisión que nos beneficie o qué resultado vamos a obtener de determinada
acción. (En este caso se puede determinar el Peso con solo conocer la altura y la
edad mediante la siguiente fórmula: Peso (y)= -312.7 + 169.4 Altura (x1) + 4.69
Edad (x2))
9
Fuentes
● IBM Documentation. (2023, enero 3). Ibm.com. https://www.ibm.com/docs/es/cognos-
analytics/11.1.0?topic=tests-multiple-linear-regression
● López, F. J. B. (s/f). Capítulo 7 Regresión lineal múltiple. Uma.Es. Recuperado el 11 de
septiembre de 2023, de https://www.bioestadistica.uma.es/apuntesMaster/regresi%C3%B3n-
lineal-m%C3%BAltiple.html
● Múltiple, R. (s/f). Modelos y Simulación. Edu.ar. Recuperado el 11 de septiembre de 2023, de
https://users.exa.unicen.edu.ar/catedras/modysim/tutoriales/regresion_multiple.pdf
● Saavedra, J. A. (2022, septiembre 16). Regresión Lineal: qué es, para qué sirve, por qué es
importante, tipos y ejemplos de uso. Ebac. https://ebac.mx/blog/regreson-lineal
10

Práctica U1 EI - Hombres

Cargado por

Copyright:

Formatos disponibles

Práctica U1 EI - Hombres

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Práctica U1 EI - Hombres

Cargado por

Copyright:

Formatos disponibles

A) Determine la ecuación de regresión.

Analizando el estudio podemos determinar qué en función de la altura y edad

Partiendo de esta el peso será la variable dependiente, seguido de la altura y

B) Determine el coeficiente de correlación y el coeficiente de determinación

S R-cuad. R-cuad. R-cuad.

Encontramos un coeficiente de correlación del 0.7420, este índice de

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

D) Error estándar o error típico de regresión

Encontramos un error típico de regresión de 14.33, lo cual esta medida

Prueba de hipótesis para B0

Prueba de hipótesis para B2

Intervalos de confianza para la regresión o B0:

Análisis de regresión: Peso (y) vs. Altura (x1); Edad (x2)

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Resumen del modelo

Peso (y)= -312.7 + 169.4 Altura (x1) + 4.69 Edad (x2)

Ajustes y diagnósticos para observaciones poco comunes

En esta práctica logramos aplicar los conocimiento que adquirimos en la

También podría gustarte