Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Nombre
100%_Bran
100%_Bran
calor
caloras
Y
Grasas
X1
Fibra
X2
Carbo
X3
Az
Azcares
X4
70
10
120
AllAll-Bran
70
AllAll-Bran_with_Extra_Fiber
50
14
Almond_Delight
110
14
Apple_Cinnamon_Cheerios
110
1.5
10.5
10
Apple_Jacks
110
11
14
Basic_4
130
18
Bran_Chex
90
15
Bran_Flakes
90
13
Cap'n'Crunch
120
12
12
Cheerios
110
17
Cinnamon_Toast_Crunch
120
13
Clusters
110
13
Cocoa_Puffs
110
12
13
Corn_Chex
110
22
Corn_Flakes
100
21
Corn_Pops
110
13
12
Count_Chocula
110
12
13
Cracklin'_
Oat_Bran
Cracklin'_Oat_Bran
110
10
Cream_of_Wheat_(
Quick))
Cream_of_Wheat_(Quick
100
21
Crispix
110
21
Crispy_Wheat_&_
Raisins
Crispy_Wheat_&_Raisins
100
11
10
Double_Chex
100
18
Froot_Loops
110
11
13
100%_Natural_Bran
100%_Natural_Bran
Analysis of Variance
Source
DF
SS
MS
F
P
Regression
4 7150.7 1787.7 90.90 0.000
Residual Error 20 393.3
19.7
Total
24 7544.0
La ecuacin obtenida:
Caloras = 42.1 + 7.80 Grasas - 0.954 Fibra + 2.77 Carbos + 2.36 Azcares
Y = 42.1 + 7.80 X1 - 0.954 X2 + 2.77 X3 + 2.36 X4
Nos dice que el efecto de la fibra, siendo una correlacin negativa, es el de
reducir la cantidad de caloras (como era de esperarse) mientras que las otras
variables tienen una correlacin positiva. De esta ltimas, las grasas son las
que tienen la mayor influencia en el contenido de caloras.
El R2 (coeficiente de determinacin o R-Sq) de 94.8% implica que ms del
98% de la varianza de los datos es explicada por la regresin, lo cual indica
una buena regresin.
Tipos de modelos de
regresin
variable
1 1Explanatory
explicatoria
Variable
Regression
Modelos de
regresi
n
Models
2 oExplanatory
+ variables
2+
explicatorias
Variables
Simple
Simple
Lineal
Linear
Multiple
M
ltiple
NonLinear
NoNon-Lineal
Lineal
Linear
NonLinear
NoNon-Lineal
Temperature
40
20
26
24
22
20
30
40
20
30
20
10
0
0
10
20
Dados
Predecir
10
0
Temperature
40
20
26
24
22
20
30
40
20
30
20
10
0
0
20
Prediccin
yi = a + bxi
10
0
Prediccin
yi = a + b1 x1i + b2 x2 i
2
y = a + b1 x + b2 x
20
0
0
10
20
2
y = a + b1 x + b2 x
Efecto Lineal
Efecto
Curvilneo
Regresiones de 2 orden
Y b2 > 0
Y b2 > 0
X1
Y b2 < 0
X1
Y b2 < 0
X1
X1
Ejercicio Interactivo 9:
Regresin polinomial a pares de datos.
Escoge un grado del polinomio a ajustar (del 1 al 9) y usando el
ratn vas a poner puntos en el diagrama cartesiano simulando
tus datos u observaciones.
Despus selecciona Regression Poly para ver la curva
polinomial ajustada a los datos.
Puedes poner hasta 100 datos. Tambin puedes aadir ms
datos y volver a seleccionar Regression Poly, o bien iniciar
nuevamente con Reset.
Interpretacin Geomtrica
2
y = a + b1 x + b2 x
20
10
400
300
200
-10
100
0
10
20
Caso, i
1
2
3
4
:
Yii
1
4
1
3
:
X1i1i
1
8
3
5
:
22
X1i1i
1
64
9
25
:
2
3
y = a + b1 x + b2 x + b3 x
Efecto lineal
Efecto
curvilneo
2
3
y = a + b1 x + b2 x + b3 x
Y
b3 > 0
X1
b3 < 0
X1
Caso, i
1
2
3
4
:
Yii
1
4
1
3
:
X1i1i
1
8
3
5
:
22
X1i1i
33
X1i1i
1
64
9
25
:
1
512
27
125
:
X2
1.00E+00
1.00E+00
9.61E-01
2.00E+00
4.00E+00
8.03E-01
3.00E+00
9.00E+00
8.01E-01
4.00E+00
1.60E+01
1.03E+00
5.00E+00
2.50E+01
9.18E-01
6.00E+00
3.60E+01
9.71E-01
7.00E+00
4.90E+01
1.26E+00
8.00E+00
6.40E+01
1.14E+00
9.00E+00
8.10E+01
1.09E+00
1.00E+01
1.00E+02
1.21E+00
1.10E+01
1.21E+02
1.37E+00
1.20E+01
1.44E+02
1.69E+00
1.30E+01
1.69E+02
1.71E+00
1.40E+01
1.96E+02
1.74E+00
1.50E+01
2.25E+02
1.98E+00
1.60E+01
2.56E+02
2.46E+00
1.70E+01
2.89E+02
2.81E+00
1.80E+01
3.24E+02
3.12E+00
1.90E+01
3.61E+02
3.78E+00
2.00E+01
4.00E+02
5.12E+00
y = 0.046 + 0.17 x
y = 1.3 -0.18x +0.017x2
Se parece la ecuacin de
regresin obtenida por los dos
mtodos?
>> Usar la funcin regress para estimar los parmetros del modelo to
estimate the model y efectuar las pruebas estadsticas.
>>La funcin regress requiere que los datos incluyan una columna
de unos para que devuelva el trmino constante.
Y obtenemos:
Los resultados del ajuste indican que los intervalos de confianza de 95%
son
para b1 CI es de -3.6760 a 1.2094, como contiene al cero entonces no
es estadsticamente significativo y puede ser excludo.
Para b2 CI es de 1.7906 a 2.5779, no contiene a cero y conclumos que
hay evidencia estadsticamente significativa de una relacin lineal entre Q
yt
Como el trmino constante b1 no es estadsticamente significativo
podemos llevar a cabo una regresin suponiendo que b1 =0, de la
siguiente forma en matlab
De esa forma el modelo que podemos
usar para predecir es entonces