Universidad Central de Venezuela

Facultad de Agronomía
Postgrado en Estadística
Curso: Análisis de Correlación y Regresión

ANÁLISIS DE REGRESIÓN
LINEAL SIMPLE

Profesor: Estudiante:
Jorge Flores Alessandro G. Cecala Guerrieri

Noviembre 2022
 ASIGNACIÓN – ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

1) Seleccionar una variable respuesta y cuatro (4) o más variables regresoras en su

área de trabajo, o de interés profesional. Estimar el modelo de regresión lineal
simple y realizar la prueba de hipótesis correspondiente, para Y con cada una de
las cuatro variables regresoras separadamente.

Un artículo científico reporta, en una industria de soluciones plásticas, la

intervención de una extrusora para procesar pellets de polipropileno, para la
fabricación de bobinas de cinta de rafia. Una parte importante de la investigación
implica relacionar la velocidad de la bomba (rpm), la presión del filtro (MPa), el índice
de fluidez del polipropileno (g/10 min) y la velocidad de estabilización de la maquina
(m/min) con él % de rendimiento del material en la extrusora. Los datos del
experimento se encuentran a continuación:

Velocidad Presión Índice de Velocidad de % Rendimiento

Observaciones de la del Filtro fluidez estabilización del material en
(i) bomba (Mpa) 𝑿𝟐 (g/10 min) (m/min) 𝑿𝟒 la extrusora
(rpm) 𝑿𝟏 𝑿𝟑 𝒀
1 22,5 40,1 2,2 257,9 77,9

2 24,0 39,9 2,3 254,8 76,8

3 21,0 30,0 10,0 260,0 81,5
4 19,0 45,5 5,0 243,3 79,8
5 20,5 38,4 3,8 255,7 78,2
6 21,2 40,3 7,0 228,3 78,3
7 22,4 42,3 10,2 234,6 77,5
8 23,0 42,0 7,5 245,9 77,0
9 22,7 43,6 8,2 239,6 80,1
10 20,0 31,0 3,6 234,9 79,9
 Se estimará el modelo de regresión lineal simple y se realizará la prueba de
hipótesis para él % Rendimiento del material en la extrusora con cada una de las
variables regresoras en cuestión, de forma separada.

a) 𝐘 = % Rendimiento del material en la extrusora

𝐗 = Velocidad de la bomba (rpm)

 Grafica de dispersión:

Podemos observar como una tendencia negativa (varían en sentido contrario)

entre la variable respuesta y la variable regresora. Se observa que a mayor
velocidad de la bomba de la extrusora, menor es el rendimiento del material.
 Cálculos estadísticos para la estimación de los parámetros del modelo:

𝑿 (rpm) 𝒀 (%) 𝑿𝟐 𝒀𝟐 𝐗𝐘
22,5 77,9 506,25 6068,41 1752,75
24,0 76,8 576,00 5898,24 1843,20
21,0 81,5 441,00 6642,25 1711,50
19,0 79,8 361,00 6368,04 1516,20
20,5 78,2 420,25 6115,24 1603,10
21,2 78,3 449,44 6130,89 1659,96
22,4 77,5 501,76 6006,25 1736,00
23,0 77,0 529,00 5929,00 1771,00
22,7 80,1 515,29 6416,01 1818,27
20,0 79,9 400,00 6384,01 1598,00
216,3 787,0 4700,0 61958,34 17009,98

∑ 𝑋𝑖 𝑌𝑖 = 17009,98
𝑖=1

∑ 𝑋𝑖 = 216,3 ∑ 𝑌𝑖 = 787,0

𝑛
∑𝑛𝑖=1 𝑋𝑖 ∑𝑛𝑖=1 𝑌𝑖
𝑆𝑋𝑌 = ∑ 𝑋𝑖 𝑌𝑖 −
𝑛
𝑖=1

(216,3)(787,0)
𝑆𝑋𝑌 = 17009,98 − = − 12,83
10

𝑛 2
2 (∑𝑛𝑖=1 𝑋𝑖 )
𝑆𝑋𝑋 = ∑ 𝑋𝑖 −
𝑛
𝑖=1
 (216,3)2
𝑆𝑋𝑋 = 4700,0 − = 21,43
10

Partimos de una muestra de valores de X e Y medidos sobre n individuos:

(x1, y1), (x2, y2),..., (xn,yn)

Queremos estimar valores en Y según el modelo Y = β0 + β1X, donde

β0 y β1 son por el momento desconocidos. Debemos encontrar entonces de
entre todas las rectas, la que mejor se ajuste a los datos observados, es decir,
buscamos aquellos valores de β0 y β1 que hagan mínimos los errores de
estimación.

Entonces tomaremos como estimaciones de β0 y β1, aquellos valores que

hagan mínima la suma de los errores al cuadrado, que viene dada por:

𝑛 𝑛

𝑆𝐸 = ∑ 𝑒𝑖 = ∑ 𝑌𝑖 − (𝛽0 + 𝛽1𝑥1 )2
2

𝑖=1 𝑖=1

De ahí que al método de estimación se le llame método de mínimos

cuadrados. La solución se obtiene por el mecanismo habitual, derivando 𝑆𝐸 con
respecto a β0 y β1 e igualando a 0. Los estimadores resultan:

𝑆𝑋𝑌
̂1 =
𝛽
𝑆𝑋𝑋

̂0 = 𝑦̅ − 𝛽1 𝑥̅
𝛽
 El parámetro β0 es la ordenada al origen del modelo (punto de corte con el
eje Y) y β1 la pendiente, que puede interpretarse como el incremento de la variable
dependiente por cada incremento en una unidad de la variable independiente. Estos
parámetros son desconocidos y habrá que estimarlos de cara a realizar
predicciones.

Por lo tanto, los estimadores en este caso serían:

𝑆𝑋𝑌 − 12,83
̂1 =
𝛽 = = − 0,5989
𝑆𝑋𝑋 21,43

𝑦̅ = 78,7

𝑥̅ = 21,6

̂0 = 𝑦̅ − 𝛽1 𝑥̅ = 78,7 − (−0,5989)(21,6) = 91,6362

𝛽

La recta de regresión de Y (% Rendimiento del material en la extrusora)

sobre X (velocidad de la bomba) es por tanto:

̂𝑖 = 91,6362 − 0,5989𝑥𝑖
Ecuación: 𝑌
 Ecuación de regresión ajustada (muestral o estimada):

% RENDIMIENTO DEL MATERIAL 82

81
EN LA EXTRUSORA

80

79

78

77

76
0 5 10 15 20 25 30

VELOCIDAD DE LA BOMBA (RPM)

% 𝑹𝒆𝒏𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆𝒍 𝒎𝒂𝒕𝒆𝒓𝒊𝒂𝒍𝒊 = 𝟗𝟏, 𝟔𝟑𝟔𝟐 − 𝟎, 𝟓𝟗𝟖𝟗 𝑽𝒆𝒍𝒐𝒄𝒊𝒅𝒂𝒅 𝒅𝒆 𝒍𝒂 𝑩𝒐𝒎𝒃𝒂𝒊

En cuanto a la interpretación de la recta muestral, la recta sigue una relación

negativa. Se puede pronosticar el % Rendimiento del material en la máquina, por
ejemplo, si la maquina tiene una velocidad de la bomba de 23,5 rpm, el %
Rendimiento del material seria 77,6%.

Observábamos que los estimadores β0 y β1 dependen de la muestra

seleccionada, por lo tanto son variables aleatorias y presentarán una distribución de
probabilidad. Estas distribuciones de probabilidad de los estimadores pueden
utilizarse para construir intervalos de confianza o pruebas de hipótesis sobre los
parámetros del modelo de regresión.
 De acuerdo con el modelo estimado, podemos obtener 𝑒̂,
𝑖 siendo:

𝑒̂𝑖 = 𝑦𝑖 − 𝑦̂𝑖

Por lo tanto, el cálculo de los residuos serian de la siguiente forma:

𝑥𝑖 𝑦̂𝑖 𝑦𝑖 𝑒̂𝑖
22,5 78,1610 77,9 -0,2609
24 77,2626 76,8 -0,4626
21 79,0593 81,5 2,4407
19 80,2571 79,8 -0,4571
20,5 79,3588 78,2 -1,1588
21,2 78,9395 78,3 -0,6395
22,4 78,2208 77,5 -0,7208
23 77,8615 77 -0,8615
22,7 78,0412 80,1 2,0588
20 79,6582 79,9 0,2418
Total: 0,1801

La sumatoria de los residuos da 0,1801. Esto significa, que la regresión lineal

puede a tender a encontrar la línea que minimiza los residuos cuadrados totales,
razón por lo cual la línea atraviesa los datos pero no perfectamente, con algunos de
los puntos de datos por encima de la línea y otros por debajo de la línea.

Ahora bien, hay que probar si existe o no efecto de regresión, planteando las
siguientes hipótesis, teniendo los siguientes supuestos:
 𝑋𝑖 𝑒𝑠 𝑓𝑖𝑗𝑎

𝐸 (𝑒𝑖 ) = 0

𝑉 (𝑒𝑖 ) = 𝜎 2

𝑦𝑖 ~ 𝑁𝐼𝐷 (𝛽0 + 𝛽1 𝑥1; 𝜎 2 )

𝑒𝑖 ~ 𝑁𝐼𝐷 (𝑜; 𝜎 2 )

𝑯𝟎 : 𝜷𝟏 = 0 Implicaría la ausencia de regresión entre las variables.

𝑯𝟏 : 𝜷𝟏 ≠ 0 Implicaría la presencia de regresión entre las variables.

El método para probar estas hipótesis es el análisis de la varianza para la

regresión lineal simple, siendo un modo alternativo de hacer contrastes sobre el
coeficiente β1. Consiste en descomponer la variación de la variable Y de dos
componentes: uno la variación de Y alrededor de los valores predichos por la
regresión y otro con la variación de los valores predichos alrededor de la media.

La tabla del ANOVA para la regresión lineal simple seria:

Fuente de GL SC CM F tabulado
variación (Grados (Suma de (Cuadrado F calculado (Distribución
de Cuadrados) Medio) Fisher)
Libertad)
̂1 𝑆𝑋𝑌
𝛽 𝑆𝐶𝑟𝑒𝑔 /1 𝐶𝑀𝑟𝑒𝑔 /𝐶𝑀𝐸𝐸 𝐹(𝛼,𝑔𝑙 𝑟𝑒𝑔,𝑔𝑙 𝐸𝐸)
Regresión 1
Error n-2 ̂1 𝑆𝑋𝑌
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝛽 𝑆𝐶𝑒𝑟𝑟𝑜𝑟 /𝑛 − 2
Total n-1 𝑆𝑌𝑌
 En este caso el ANOVA, sería el siguiente, con un nivel de significancia del
5%:

Fuente de GL SC CM F calculado F tabulado

variación
7,68 𝐹(0,05,1,8) =
= 4,465
Regresión 1 7,68 7,68 1,72
5,318
= 7,68
1
Error 10-2 = 8 13,76 13,76
= 1,72
8
Total 10 -1 = 9 21,44

𝑛 2
2 (∑𝑛𝑖=1 𝑌𝑖 )
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 𝑆𝑌𝑌 = ∑ 𝑌𝑖 −
𝑛
𝑖=1

(787,0)2
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 61958,34 − = 21,44
10

̂1 𝑆𝑋𝑌 = (−0,5989)(−12,83) = 7,68

𝑺𝑪𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 = 𝛽

̂1 𝑆𝑋𝑌 = 21,44 − 7,68 = 13,76

𝑺𝑪𝒆𝒓𝒓𝒐𝒓 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝛽

4,465 5,318
= 0,05
Acepto
𝐻0

Rechazo 𝑯𝟎
 Se acepta la hipótesis nula, en donde hay ausencia de relación lineal entre el
% Rendimiento del material en la extrusora y la velocidad de la bomba (rpm).

Podemos también calcular el de coeficiente de variación, siendo una medida

de dispersión que permite el análisis de las desviaciones de los datos con respecto
a la media y al mismo tiempo las dispersiones que tienen los datos dispersos entre
sí, y el coeficiente de determinación (𝑅 2 ), que se interpreta como la proporción de
variación Y observada que puede ser explicada por el modelo de regresión lineal
simple (atribuida a una relación aproximada entre X y Y).

√𝐶𝑀𝐸 √1,72
𝐶𝑉 = 𝑥 100 = 𝑥 100 = 1,67 %
𝑦̅ 78,7

𝑆𝐶𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 7,68
𝑅2 = = = 0,3582
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 21,44

De acuerdo con la ejecución del análisis de la varianza y el cálculo del

coeficiente de determinación, se puede concluir que el modelo lineal de regresión
ajustado, explica que el 35,82% de variación total de los valores del rendimiento del
material (polipropileno) en la extrusora por la velocidad de la bomba pueden ser
explicados mediante la recta de regresión ajustada, a partir de observaciones con
baja variabilidad en su distribución.

Resultados de excel de prueba de hipótesis para los parámetros:

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción 91,6551795 6,14217752 14,9222616 4,0118E-07 77,49129273 105,819066 77,49129273 105,8190663
Variable X 1 -0,59894496 0,28331782 -2,11403911 0,06744804 -1,252277034 0,05438711 -1,252277034 0,054387113
 Pruebas de hipótesis para los parámetros mediante el estadístico T:

 Intercepto:

𝑯𝟎 : 𝜷 𝟎 = 0
𝑯𝟏 : 𝜷 𝟎 ≠ 0

 Pendiente:

𝑯𝟎 : 𝜷 𝟏 = 0
𝑯𝟏 : 𝜷 𝟏 ≠ 0

Comprobación de los cálculos:

 Parámetro:

̂2
∑𝑛𝑖=1(𝑦𝑖 − 𝑦) 13,76
𝑆=√ =√ = 1,31
𝑛−2 10 − 2

 Error típico:
1/2
𝑆 ∑𝑛𝑖=1 𝑥𝑖 2 1,31 4700,0 1/2
𝑆𝑏0 = [ ] = [ ] = 6,14
√𝑛 ∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥) 2
√10 21,421

1 1
𝑆𝑏1 = 𝑆 = 1,31 = 0,28
√21,421
√∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥)2

 Estadístico de prueba:

𝑏0 − 𝛽0 91,6362 − 0
𝑇0 = = = 14,92
𝑆𝑏0 6,14
 𝑏1 − 𝛽1 −0,5989 − 0
𝑇1 = = = −2,14
𝑆𝑏1 0,28

En la interpretación del intercepto, como el p-valor (4,0118E-07) es < 0,05, si

existe evidencia significativa para rechazar la hipótesis nula, y aceptar la alternativa,
y en el caso de la pendiente, el p-valor (0,06744804) es > 0,05, lo cual no existe
evidencia significativa para rechazar la hipótesis nula.

b) 𝐘 = % Rendimiento del material en la extrusora

𝐗 = Presión del Filtro (Mpa)

 Grafica de dispersión:
 En este caso, podemos observar que también existe como una tendencia
negativa entre las variables, sin embargo, al inicio, a menor presión que tenga el
filtro de la extrusora, mayor es el rendimiento del material, mostrando una
configuración en donde no se puede especificar un tipo de relación. Ya en las
últimas 6 observaciones, podemos ver que a mayor presión, menor es el
rendimiento.

 Cálculos estadísticos:

𝑿 (MPa) 𝒀 (%) 𝑿𝟐 𝒀𝟐 𝐗𝐘
40,1 77,9 1608,01 6068,41 3123,79
39,9 76,8 1592,01 5898,24 3064,32
30 81,5 900,00 6642,25 2445,00
45,5 79,8 2070,25 6368,04 3630,90
38,4 78,2 1474,56 6115,24 3002,88
40,3 78,3 1624,09 6130,89 3155,49
42,3 77,5 1789,29 6006,25 3278,25
42 77,0 1764,00 5929,00 3234,00
43,6 80,1 1900,96 6416,01 3492,36
31 79,9 961,00 6384,01 2476,90
393,1 787,0 15684,2 61958,34 30903,89

∑ 𝑋𝑖 𝑌𝑖 = 30903,89
𝑖=1

∑ 𝑋𝑖 = 393,1 ∑ 𝑌𝑖 = 787,0

𝑛
∑𝑛𝑖=1 𝑋𝑖 ∑𝑛𝑖=1 𝑌𝑖
𝑆𝑋𝑌 = ∑ 𝑋𝑖 𝑌𝑖 −
𝑛
𝑖=1
 (393,1)(787,0)
𝑆𝑋𝑌 = 30903,89 − = − 33,08
10

𝑛 2
2 (∑𝑛𝑖=1 𝑋𝑖 )
𝑆𝑋𝑋 = ∑ 𝑋𝑖 −
𝑛
𝑖=1

(393,1)2
𝑆𝑋𝑋 = 15684,2 − = 231,44
10

 Estimadores:

𝑆𝑋𝑌 − 33,08
̂1 =
𝛽 = = − 0,1429
𝑆𝑋𝑋 231,44

𝑦̅ = 78,7

𝑥̅ = 39,3

̂0 = 𝑦̅ − 𝛽1 𝑥̅ = 78,7 − (−0,1429)(39,3) = 84,3160

𝛽

La recta de regresión de Y (% Rendimiento del material en la extrusora)

sobre X (presión del filtro) es por tanto:

̂𝑖 = 84,3160 − 0,1429𝑥𝑖
Ecuación: 𝑌
 % 𝑹𝒆𝒏𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆𝒍 𝒎𝒂𝒕𝒆𝒓𝒊𝒂𝒍𝒊 = 𝟖𝟒, 𝟑𝟏𝟔𝟎 − 𝟎, 𝟏𝟒𝟐𝟗 𝑷𝒓𝒆𝒔𝒊ó𝒏 𝒅𝒆𝒍 𝑭𝒊𝒍𝒕𝒓𝒐𝒊

La recta muestral sigue una relación negativa. Por ejemplo, si la extrusora

tiene una presión del filtro 46,1 Mpa, se puede anunciar que él % Rendimiento de la
maquina seria 77,7%,

 Residuales:

𝑥𝑖 𝑦̂𝑖 𝑦𝑖 𝑒̂𝑖
40,1 78,5857 77,9 -0,6857
39,9 78,6143 76,8 -1,8143
30 80,0290 81,5 1,4710
45,5 77,8141 79,8 1,9859
38,4 78,8286 78,2 -0,6286
40,3 78,5571 78,3 -0,2571
42,3 78,2713 77,5 -0,7713
 42 78,3142 77 -1,3142
43,6 78,0856 80,1 2,0144
31 79,8861 79,9 0,0139
Total: 0,0140

En este caso, la sumatoria de los residuales da 0,0140, tendiendo a 0, por lo

que la línea de regresión, tiende a encontrar la línea que minimiza los residuos
cuadrados totales.

 Pruebas de Hipótesis:

𝑯𝟎 : 𝜷𝟏 = 0 Implicaría la ausencia de regresión entre las variables.

𝑯𝟏 : 𝜷𝟏 ≠ 0 Implicaría la presencia de regresión entre las variables.

 ANOVA con un nivel de significancia del 5%:

Fuente de GL SC CM F calculado F
variación tabulado
4,73 𝐹(0,05,1,8) =
= 2,263
Regresión 1 4,73 4,73 2,09
5,318
= 4,73
1
Error 10-2 = 8 16,71 16,71
= 2,09
8
Total 10 -1 = 9 21,44
 𝑛 2
2 (∑𝑛𝑖=1 𝑌𝑖 )
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 𝑆𝑌𝑌 = ∑ 𝑌𝑖 −
𝑛
𝑖=1

(787,0)2
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 61958,34 − = 21,44
10

̂1 𝑆𝑋𝑌 = (−0,1429)(−33,08) = 4,73

𝑺𝑪𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 = 𝛽

̂1 𝑆𝑋𝑌 = 21,44 − 4,73 = 16,71

𝑺𝑪𝒆𝒓𝒓𝒐𝒓 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝛽

2,263 5,318
= 0,05
Acepto
𝐻0

Rechazo 𝑯𝟎

Como F calculado < F tabulado, podemos aceptar la hipótesis nula, por lo

tanto, el efecto de la presión del filtro sobre el rendimiento del material no es
significativo, es una relación no lineal.

 Cálculo del CV y 𝑹𝟐 :

√𝐶𝑀𝐸 √2,09
𝐶𝑉 = 𝑥 100 = 𝑥 100 = 1,84 %
𝑦̅ 78,7
 𝑆𝐶𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 4,73
𝑅2 = = = 0,2206
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 21,44

Se puede concluir que el modelo lineal de regresión, explica que el 22,06%

de variación total de los valores del rendimiento del material (polipropileno) en la
extrusora por la presión del filtro (Mpa) pueden ser explicados mediante la recta de
regresión. Igualmente, con una baja dispersión entre sus observaciones.

 Resultados de excel de prueba de hipótesis para los parámetros:

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción 84,3193787 3,76269919 22,4092797 1,66372E-08 75,64257879 92,99617856 75,64257879 92,99617856
Variable X 1 -0,14295036 0,09500987 -1,5045843 0,170844481 -0,362043516 0,076142795 -0,362043516 0,076142795

Pruebas de hipótesis para los parámetros mediante el estadístico T:

 Intercepto:

𝑯𝟎 : 𝜷 𝟎 = 0
𝑯𝟏 : 𝜷 𝟎 ≠ 0

 Pendiente:

𝑯𝟎 : 𝜷 𝟏 = 0
𝑯𝟏 : 𝜷 𝟏 ≠ 0

Comprobación de los cálculos:

 Parámetro:

̂2
∑𝑛𝑖=1(𝑦𝑖 − 𝑦) 16,71
𝑆=√ =√ = 1,44
𝑛−2 10 − 2
  Error típico:
1/2
𝑆 ∑𝑛𝑖=1 𝑥𝑖 2 1,44 15684,2 1/2
𝑆𝑏0 = [ ] = [ ] = 3,75
√𝑛 ∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥)2 √10 231,41

1 1
𝑆𝑏1 = 𝑆 = 1,44 = 0,09
√231,41
√∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥)2

 Estadístico de prueba:

𝑏0 − 𝛽0 84,3160 − 0
𝑇0 = = = 22,48
𝑆𝑏0 3,75

𝑏1 − 𝛽1 −0,1429 − 0
𝑇1 = = = −1,59
𝑆𝑏1 0,09

En la interpretación del intercepto, como el p-valor (1,6637E-08) es < 0,05, si

existe evidencia significativa para rechazar la hipótesis nula, y aceptar la alternativa,
y en el caso de la pendiente, el p-valor (0,170844481) es > 0,05, lo cual no existe
evidencia significativa para rechazar la hipótesis nula.

c) 𝐘 = % Rendimiento del material en la extrusora

𝐗 = Índice de Fluidez (gr/10 min)

 Grafica de dispersión:
 Se puede suponer una tendencia positiva pero no relacionada entre la
variable X (índice de fluidez) y la variable Y (% rendimiento de material).

 Cálculos estadísticos:

𝑿 (gr/10min) 𝒀 (%) 𝑿𝟐 𝒀𝟐 𝐗𝐘
2,2 77,9 4,84 6068,41 171,38
2,3 76,8 5,29 5898,24 176,64
10 81,5 100,00 6642,25 815,00
5 79,8 25,00 6368,04 399,00
3,8 78,2 14,44 6115,24 297,16
7 78,3 49,00 6130,89 548,10
10,2 77,5 104,04 6006,25 790,50
7,5 77,0 56,25 5929,00 577,50
8,2 80,1 67,24 6416,01 656,82
3,6 79,9 12,96 6384,01 287,64
59,8 787,0 439,1 61958,34 4719,74
 𝑛

∑ 𝑋𝑖 𝑌𝑖 = 4719,74
𝑖=1

∑ 𝑋𝑖 = 59,8 ∑ 𝑌𝑖 = 787,0

𝑛
∑𝑛𝑖=1 𝑋𝑖 ∑𝑛𝑖=1 𝑌𝑖
𝑆𝑋𝑌 = ∑ 𝑋𝑖 𝑌𝑖 −
𝑛
𝑖=1

(59,8)(787,0)
𝑆𝑋𝑌 = 4719,74 − = 13,48
10

𝑛 2
2 (∑𝑛𝑖=1 𝑋𝑖 )
𝑆𝑋𝑋 = ∑ 𝑋𝑖 −
𝑛
𝑖=1

(59,8)2
𝑆𝑋𝑋 = 439,1 − = 81,50
10

 Estimadores:

𝑆𝑋𝑌 13,48
̂1 =
𝛽 = = 0,1654
𝑆𝑋𝑋 81,50

𝑦̅ = 78,7

𝑥̅ = 5,98

̂0 = 𝑦̅ − 𝛽1 𝑥̅ = 78,7 − (0,1654)(5,98) = 77,7109

𝛽
 La recta de regresión de Y (% Rendimiento del material en la extrusora)
sobre X (índice de fluidez) es por tanto:

̂𝑖 = 77,7109 + 0,1654𝑥𝑖
Ecuación: 𝑌

% 𝑹𝒆𝒏𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆𝒍 𝒎𝒂𝒕𝒆𝒓𝒊𝒂𝒍𝒊 = 𝟕𝟕, 𝟕𝟏𝟎𝟗 + 𝟎, 𝟏𝟔𝟓𝟒 𝑰𝒏𝒅𝒊𝒄𝒆 𝒅𝒆 𝑭𝒍𝒖𝒊𝒅𝒆𝒛𝒊

Por ejemplo, si el índice de fluidez del polipropileno es de 4,2 gr/10 min, se

puede predecir que él % Rendimiento del material en la extrusora es de 78,4%. La
recta muestral sigue una relación positiva.

 Residuales:
 𝑥𝑖 𝑦̂𝑖 𝑦𝑖 𝑒̂𝑖
2,2 78,0748 77,9 -0,1748
2,3 78,0913 76,8 -1,2913
10 79,3649 81,5 2,1351
5 78,5379 79,8 1,2621
3,8 78,3394 78,2 -0,1394
7 78,8687 78,3 -0,5687
10,2 79,3980 77,5 -1,8980
7,5 78,9514 77 -1,9514
8,2 79,0672 80,1 1,0328
3,6 78,3063 79,9 1,5937
Total: 0,0001

La sumatoria de los errores es de 0,0001. La línea de regresión se ajusta bien

a los datos, por lo que cumplen las premisas de linealidad de las relaciones,
homocedasticidad y normalidad de los residuos.

 Pruebas de Hipótesis:

𝑯𝟎 : 𝜷𝟏 = 0 Implicaría la ausencia de regresión entre las variables.

𝑯𝟏 : 𝜷𝟏 ≠ 0 Implicaría la presencia de regresión entre las variables.

 ANOVA con un nivel de significancia del 5%:

Fuente de GL SC CM F calculado F
variación tabulado
2,23 𝐹(0,05,1,8) =
= 0,929
Regresión 1 2,23 2,23 2,40
5,318
= 2,23
1
Error 10-2 = 8 19,21 19,21
= 2,40
8
Total 10 -1 = 9 21,44

𝑛 2
2 (∑𝑛𝑖=1 𝑌𝑖 )
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 𝑆𝑌𝑌 = ∑ 𝑌𝑖 −
𝑛
𝑖=1

(787,0)2
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 61958,34 − = 21,44
10

̂1 𝑆𝑋𝑌 = (0,1654)(13,48) = 2,23

𝑺𝑪𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 = 𝛽

̂1 𝑆𝑋𝑌 = 21,44 − 2,23 = 19,21

𝑺𝑪𝒆𝒓𝒓𝒐𝒓 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝛽

0,929 5,318
= 0,05
Acepto
𝐻0

Rechazo 𝑯𝟎
 Como F calculado < F tabulado, podemos aceptar la hipótesis nula, por lo
tanto el efecto del índice de fluidez sobre el rendimiento del material no es
significativo, es una relación no lineal.

 Calculo del CV y 𝑹𝟐 :

√𝐶𝑀𝐸 √2,40
𝐶𝑉 = 𝑥 100 = 𝑥 100 = 1,97 %
𝑦̅ 78,7

𝑆𝐶𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 2,23
𝑅2 = = = 0,1040
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 21,44

Se puede concluir que el modelo lineal de regresión ajustado, explica que el

10,40% de variación total de los valores del rendimiento del material (polipropileno)
en la extrusora por el índice de fluidez (gr/10 min) pueden ser explicados mediante
la recta de regresión, teniendo una baja dispersión entre sus observaciones
muestrales.

 Resultados de excel de prueba de hipótesis para los parámetros:

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción 77,7103811 1,13765419 68,30755933 2,34849E-12 75,0869458 80,33381633 75,0869458 80,33381633
Variable X 1 0,16548812 0,17169132 0,963870034 0,363338261 -0,230432773 0,561409005 -0,230432773 0,561409005

Pruebas de hipótesis para los parámetros mediante el estadístico T:

  Intercepto:

𝑯𝟎 : 𝜷 𝟎 = 0
𝑯𝟏 : 𝜷 𝟎 ≠ 0

 Pendiente:

𝑯𝟎 : 𝜷 𝟏 = 0
𝑯𝟏 : 𝜷 𝟏 ≠ 0

Comprobación de los cálculos:

 Parámetro:

̂2
∑𝑛𝑖=1(𝑦𝑖 − 𝑦) 19,20
𝑆=√ =√ = 1,55
𝑛−2 10 − 2

 Error típico:
1/2
𝑆 ∑𝑛𝑖=1 𝑥𝑖 2 1,55 439,1 1/2
𝑆𝑏0 = [ ] = [ ] = 1,14
√𝑛 ∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥)2 √10 81,46

1 1
𝑆𝑏1 = 𝑆 = 1,55 = 0,17
√81,46
√∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥)2

 Estadístico de prueba:

𝑏0 − 𝛽0 77,7109 − 0
𝑇0 = = = 68,17
𝑆𝑏0 1,14
 𝑏1 − 𝛽1 0,1654 − 0
𝑇1 = = = 0,97
𝑆𝑏1 0,17

En la interpretación del intercepto, como el p-valor (2,34849E-12) es < 0,05,

si existe evidencia significativa para rechazar la hipótesis nula, y en el caso de la
pendiente, el p-valor (0,363338261) es > 0,05, lo cual no existe evidencia
significativa para rechazar la hipótesis nula.

d) 𝐘 = % Rendimiento del material en la extrusora

𝐗 = Velocidad de estabilización de la maquina (m/min)

 Grafica de dispersión:

Se puede ver que existe también una tendencia positiva pero no perfecta
entre la variable X (velocidad de estabilización) y la variable Y (% rendimiento de
material).
 Cálculos estadísticos:

𝑿 (m/min) 𝒀 (%) 𝑿𝟐 𝒀𝟐 𝐗𝐘
257,9 77,9 66512,41 6068,41 20090,41
254,8 76,8 64923,04 5898,24 19568,64
260,0 81,5 67600,00 6642,25 21190,00
243,3 79,8 59194,89 6368,04 19415,34
255,7 78,2 65382,49 6115,24 19995,74
228,3 78,3 52120,89 6130,89 17875,89
234,6 77,5 55037,16 6006,25 18181,50
245,9 77,0 60466,81 5929,00 18934,30
239,6 80,1 57408,16 6416,01 19191,96
234,9 79,9 55178,01 6384,01 18768,51
2455,0 787,0 603823,9 61958,34 193212,29

∑ 𝑋𝑖 𝑌𝑖 = 193212,29
𝑖=1

∑ 𝑋𝑖 = 2455,0 ∑ 𝑌𝑖 = 787,0

𝑛
∑𝑛𝑖=1 𝑋𝑖 ∑𝑛𝑖=1 𝑌𝑖
𝑆𝑋𝑌 = ∑ 𝑋𝑖 𝑌𝑖 −
𝑛
𝑖=1

(2455,0)(787,0)
𝑆𝑋𝑌 = 193212,29 − = 3,79
10

𝑛 2
2 (∑𝑛𝑖=1 𝑋𝑖 )
𝑆𝑋𝑋 = ∑ 𝑋𝑖 −
𝑛
𝑖=1

(2455,0)2
𝑆𝑋𝑋 = 603823,9 − = 1121,4
10
  Estimadores:

𝑆𝑋𝑌 3,79
̂1 =
𝛽 = = 0,0034
𝑆𝑋𝑋 1121,4

𝑦̅ = 78,7

𝑥̅ = 245,5

̂0 = 𝑦̅ − 𝛽1 𝑥̅ = 78,7 − (0,0034)(245,5) = 77,8653

𝛽

La recta de regresión de Y (% Rendimiento del material en la extrusora)

sobre X (velocidad de estabilización) es por tanto:

̂𝑖 = 77,8653 + 0,0034𝑥𝑖
Ecuación: 𝑌
 % 𝑹𝒆𝒏𝒅𝒊𝒎𝒊𝒆𝒏𝒕𝒐 𝒅𝒆𝒍 𝒎𝒂𝒕𝒆𝒓𝒊𝒂𝒍𝒊 = 𝟕𝟕, 𝟖𝟔𝟓𝟑 + 𝟎, 𝟎𝟎𝟑𝟒 𝑽𝒆𝒍𝒐𝒄𝒊𝒅𝒂𝒅 𝒅𝒆 𝑬𝒔𝒕𝒂𝒃𝒊𝒍𝒊𝒛𝒂𝒄𝒊ó𝒏𝒊

Por ejemplo, si la velocidad de estabilización de la maquina esta en 236,3 m/min,

se puede prever que él % Rendimiento del material en la extrusora es de 78,7%. Se
observa que la recta muestral sigue una relación positiva.

 Residuales:

𝑥𝑖 𝑦̂𝑖 𝑦𝑖 𝑒̂𝑖
257,9 78,7422 77,9 -0,8422
254,8 78,7316 76,8 -1,9316
260 78,7493 81,5 2,7507
243,3 78,6925 79,8 1,1075
255,7 78,7347 78,2 -0,5347
228,3 78,6415 78,3 -0,3415
234,6 78,6629 77,5 -1,1629
245,9 78,7014 77 -1,7014
239,6 78,6799 80,1 1,4201
234,9 78,6640 79,9 1,2360
Total: 0,0000

La suma de los errores es 0. Podemos decir que la regresión lineal también

tiende a encontrar la línea que minimiza los residuos cuadrados totales.

 Pruebas de Hipótesis:

𝑯𝟎 : 𝜷𝟏 = 0 Implicaría la ausencia de regresión entre las variables.

 𝑯𝟏 : 𝜷𝟏 ≠ 0 Implicaría la presencia de regresión entre las variables.

 ANOVA con un nivel de significancia del 5%:

Fuente de GL SC CM F calculado F
variación tabulado
0,01 𝐹(0,05,1,8) =
= 0,003
Regresión 1 0,01 0,01 2,68
= 0,01 5,318
1
Error 10-2 = 8 21,43 21,43
= 2,68
8
Total 10 -1 = 9 21,44

𝑛 2
2 (∑𝑛𝑖=1 𝑌𝑖 )
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 𝑆𝑌𝑌 = ∑ 𝑌𝑖 −
𝑛
𝑖=1

(787,0)2
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 61958,34 − = 21,44
10

̂1 𝑆𝑋𝑌 = (0,0034)(3,79) = 0,01

𝑺𝑪𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 = 𝛽

̂1 𝑆𝑋𝑌 = 21,44 − 0,01 = 21,43

𝑺𝑪𝒆𝒓𝒓𝒐𝒓 = 𝑆𝐶𝑡𝑜𝑡𝑎𝑙 − 𝛽

0,003 5,318
= 0,05
Acepto
𝐻0

Rechazo 𝑯𝟎
 Como F calculado < F tabulado, podemos aceptar la hipótesis nula, por lo
tanto el efecto de la velocidad de estabilización de la maquina sobre el rendimiento
del material no es significativo, no existe una relación lineal.

 Calculo del CV y 𝑹𝟐 :

√𝐶𝑀𝐸 √2,68
𝐶𝑉 = 𝑥 100 = 𝑥 100 = 2,08 %
𝑦̅ 78,7

𝑆𝐶𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 0,01
𝑅2 = = = 0,0005
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 21,44

De acuerdo con la ejecución del análisis de la varianza y el cálculo del

coeficiente de determinación, se puede concluir que el modelo lineal de regresión
ajustado, explica que el 0,0005% de variación total de los valores del rendimiento
del material (polipropileno) en la extrusora por la velocidad de estabilización (m/min)
pueden ser explicados mediante la recta de regresión ajustada, teniendo
igualmente, una baja variabilidad entre las observaciones.

 Resultados de excel de prueba de hipótesis para los parámetros:

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción 77,8702531 12,00937 6,48412472 0,00019128 50,17659614 105,56391 50,17659614 105,56391
Variable X 1 0,00337982 0,04887256 0,06915587 0,9465629 -0,109320502 0,116080151 -0,109320502 0,116080151

Pruebas de hipótesis para los parámetros mediante el estadístico T:

  Intercepto:

𝑯𝟎 : 𝜷 𝟎 = 0
𝑯𝟏 : 𝜷 𝟎 ≠ 0

 Pendiente:

𝑯𝟎 : 𝜷 𝟏 = 0
𝑯𝟏 : 𝜷 𝟏 ≠ 0

Comprobación de los cálculos:

 Parámetro:

̂2
∑𝑛𝑖=1(𝑦𝑖 − 𝑦) 21,43
𝑆=√ =√ = 1,63
𝑛−2 10 − 2

 Error típico:
1/2
𝑆 ∑𝑛𝑖=1 𝑥𝑖 2 1,63 603823,9 1/2
𝑆𝑏0 = [ ] = [ ] = 11,96
√𝑛 ∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥) 2
√10 1121,36

1 1
𝑆𝑏1 = 𝑆 = 1,63 = 0,05
√1121,36
√∑𝑛𝑖=1 (𝑥𝑖 − ̅̅̅
𝑥)2

 Estadístico de prueba:

𝑏0 − 𝛽0 77,8653 − 0
𝑇0 = = = 6,52
𝑆𝑏0 11,95
 𝑏1 − 𝛽1 0,0034 − 0
𝑇1 = = = 0,07
𝑆𝑏1 0,05

Por último, en la interpretación del intercepto, como el p-valor (0,00019128)

es < 0,05, si existe evidencia significativa para rechazar la hipótesis nula, y en el
caso de la pendiente, el p-valor (0,946562899) es > 0,05, lo cual no existe evidencia
significativa para rechazar la hipótesis nula.

En definitiva, en base a los resultados de este estudio, ninguna de las

variables tomadas en cuenta en el experimento, tienen una asociación lineal con la
variable respuesta, y al obtener todos un 𝑅 2 muy bajo, el analista puede buscar un
modelo alternativo, que explique el comportamiento de cada variable independiente
(velocidad de la bomba, presión del filtro, índice de fluidez y velocidad de
estabilización) con mayor eficacia en cuanto a la variación del rendimiento del
material (polipropileno) en la extrusora para la fabricación de bobinas de cintas de
rafia.

2) Con base en la lectura de los capítulos 1.1 y 1.2 páginas de la 15 a la 22 del

Draper y Smith, formule cuatro interrogantes.

 ¿Cuál es la distinción entre variable respuesta y variable predictora, y que

otros nombres se le otorgan a estas variables con frecuencia?

 Cuándo decimos que un modelo es lineal o no lineal ¿A que nos referimos?

 ¿En qué situaciones se utiliza el procedimiento de ajuste de mínimos

cuadrados?

 ¿Cuál es el supuesto de distribución de los errores en el modelo regresión?