CARRERA PLAN DE ESTUDIO CODIGO NOMBRE DE LA UNIDAD DE

ASIGNATURA APRENDIZAJE
INDUSTRIAS 2006 060-2224 ESTADISTICA BASICA
ALIMENTARIAS

PRACTICA N° LABORATORIO DE NOMBRE DE LA PRACTICA DURACION (HORAS)

02 METODOS ESTADISTICOS REGRESION LINEAL 2
PARA LA INVESTIGACION SIIMPLE

1. INTRODUCCION

ANALISIS DE REGRESION SIMPLE

Una técnica estadística que establece una ecuación para estimar al valor desconocido de una variable, a partir del
valor conocido de otra variable, (en vez de valores de muchas otras variables).

En la práctica se desarrollara ejercicios de regresión lineal simple.

2. OBJETIVO (COMPETENCIA)

El alumno aprenderá a desarrollar hojas de cálculo electrónicas para el análisis estadístico de datos experimentales
mediante la regresión lineal.

3. FUNDAMENTO

Un análisis de regresión genera una ecuación para describir la relación estadística entre uno o más predictores y la
variable de respuesta y para predecir nuevas observaciones. La regresión lineal generalmente utiliza el método de
estimación de mínimos cuadrados ordinarios, del cual se obtiene la ecuación al minimizar la suma de los residuos
al cuadrado.

Por ejemplo, usted trabaja para una compañía de chips de patatas que analiza los factores que afectan el porcentaje
de chips desmenuzados por contenedor antes del envío (la variable de respuesta). Usted lleva a cabo el análisis de
regresión e incluye el porcentaje de patatas con respecto a otros ingredientes y la temperatura de cocción (grados
centígrados) como su dos predictores.

La regresión lineal simple examina la relación lineal entre dos variables continuas: una respuesta (Y) y un
predictor (X). Cuando las dos variables están relacionadas, es posible predecir un valor de respuesta a partir de un
valor predictor con una exactitud mayor que la asociada únicamente a las probabilidades.
La regresión proporciona la línea que "mejor" se ajusta a los datos. Esta línea se puede utilizar después para:

 Examinar cómo cambia la variable de respuesta a medida que cambia la variable predictora.
 Predecir el valor de una variable de respuesta (Y) para cualquier variable predictora (X).

4. PROCEDIMIENTO (DESCRIPCION)

A)
EQUIPO NECESARIO

Computadora
Software especializado

MATERIAL DE APOYO

Bibliografía básica

B) DESARROLLO DE LA PRACTICA

CASO 01:

Un fabricante de fotocopiadoras y procesadores de texto pequeños para oficina, paga a sus vendedores un salario
base reducido más una comisión igual a un porcentaje fijo de las ventas de cada vendedor. Uno de ellos afirma que
esta estructura salarial es discriminatoria para las mujeres. Los salarios base actuales de los nueve vendedores de la
compañía son los siguientes:

C) CALCULOS

5. RESULTADOS Y CONCLUSIONES
6. ANEXOS
7. REFERENCIAS
CARRERA PLAN DE ESTUDIO CODIGO NOMBRE DE LA UNIDAD DE
ASIGNATURA APRENDIZAJE
INDUSTRIAS 2006 060-2224 ESTADISTICA BASICA
ALIMENTARIAS

PRACTICA N° LABORATORIO DE NOMBRE DE LA PRACTICA DURACION (HORAS)

03 METODOS ESTADISTICOS REGRESION LINEAL 2
PARA LA INVESTIGACION MULTIPLE

1. INTRODUCCION

ANALISIS DE REGRESION SIMPLE

En la práctica se desarrollará ejercicios de regresión lineal múltiple.

2. OBJETIVO (COMPETENCIA)

El alumno aprenderá a desarrollar hojas de cálculo electrónicas para el análisis estadístico de datos experimentales
mediante la regresión múltiple.

3. FUNDAMENTO

Un análisis de regresión genera una ecuación para describir la relación estadística entre uno o más predictores y la
variable de respuesta y para predecir nuevas observaciones. La regresión lineal generalmente utiliza el método de
estimación de mínimos cuadrados ordinarios, del cual se obtiene la ecuación al minimizar la suma de los residuos
al cuadrado.

Por ejemplo, usted trabaja para una compañía de chips de patatas que analiza los factores que afectan el porcentaje
de chips desmenuzados por contenedor antes del envío (la variable de respuesta). Usted lleva a cabo el análisis de
regresión e incluye el porcentaje de patatas con respecto a otros ingredientes y la temperatura de cocción (grados
centígrados) como su dos predictores. La siguiente es una tabla de los resultados.

La regresión lineal múltiple examina las relaciones lineales entre una respuesta continua y dos o más predictores.

Si el número de predictores es grande, antes de ajustar un modelo de regresión con todos los predictores, se
deberían utilizar las técnicas de selección de modelo paso a paso o de los mejores subconjuntos para excluir los
predictores que no estén asociados con las respuestas.

4. PROCEDIMIENTO (DESCRIPCION)

A) EQUIPO NECESARIO

Computadora.
Software especializado.

MATERIAL DE APOYO

Bibliografía básica.
 B) DESARROLLO DE LA PRACTICA

CASO 01: se desea conocer la influencia de las variables claridad, aroma, cuerpo, sabor y textura del vino para
ello se recogió la siguiente información:

CALIDAD CLARIDAD(X1) AROMA(X2) SABOR(X4) TEXTURA(X5) CUERPO(X3)

(Y)
9.8 1 3.3 3.1 4.1 2.8
12.6 1 4.4 3.9 3.9 4.9
11.9 1 3.9 4.7 4.7 5.3
11.1 1 3.9 3.6 3.6 2.6
13.3 1 5.6 5.1 5.1 5.1
12.8 1 4.6 4.1 4.1 4.7
12.8 1 4.8 3.3 3.3 4.8
12 1 5.3 5.2 5.2 4.5
13.6 1 4.3 2.9 2.9 4.3
13.9 1 4.3 3.9 3.9 3.9
14.4 1 5.1 3.6 3.6 4.3
12.3 0.5 3.3 3.6 3.6 5.4
16.1 0.8 5.9 4.1 4.1 5.7
16.1 0.7 7.7 3.7 3.7 6.6
15.5 1 7.1 4.1 4.1 4.4
15.5 0.9 5.5 4.4 4.4 5.6
13.8 1 6.3 4.6 4.6 5.4
13.8 1 5 4.1 4.1 5.5
11.3 1 4.6 3.1 3.1 4.1
7.9 0.9 3.4 3.4 3.4 5
15.1 0.9 6.4 4.8 4.8 5.4
13.5 1 5.5 3.8 3.8 5.3
10.8 0.7 4.7 3.7 3.7 4.1
9.5 0.7 4.1 4 4 4
12.7 1 6 4.7 4.7 5.4
11.6 1 4.3 4.9 4.9 4.6
11.7 1 3.9 5.1 5.1 4
11.9 1 5.1 5.1 5.1 4.9
10.8 1 3.9 4.4 4.4 4.4
8.5 1 4.5 3.9 3.9 3.7
10.7 1 5.2 6 6 4.3
9.1 0.8 4.2 4.7 4.7 3.8
12.1 1 3.3 4.5 4.5 3.5
14.9 1 6.8 5.2 5.2 5
13.5 0.8 5 4.8 4.8 5.7
12.2 0.8 3.5 3.3 3.3 4.7
10.3 0.8 4.3 5.8 5.8 5.5
13.2 0.8 5.2 3.5 3.5 4.8

a. Estime el modelo de regresión de la calidad del vino en base al aroma, sabor y textura.

CALIDAD CLARIDAD(X1) AROMA(X2) SABOR(X4) TEXTURA(X5) CUERPO(X3)

(Y)
9.8 1 3.3 3.1 4.1 2.8
12.6 1 4.4 3.9 3.9 4.9
11.9 1 3.9 4.7 4.7 5.3
11.1 1 3.9 3.6 3.6 2.6
13.3 1 5.6 5.1 5.1 5.1
12.8 1 4.6 4.1 4.1 4.7
12.8 1 4.8 3.3 3.3 4.8
12 1 5.3 5.2 5.2 4.5
13.6 1 4.3 2.9 2.9 4.3
13.9 1 4.3 3.9 3.9 3.9
14.4 1 5.1 3.6 3.6 4.3
12.3 0.5 3.3 3.6 3.6 5.4
16.1 0.8 5.9 4.1 4.1 5.7
16.1 0.7 7.7 3.7 3.7 6.6
15.5 1 7.1 4.1 4.1 4.4
15.5 0.9 5.5 4.4 4.4 5.6
13.8 1 6.3 4.6 4.6 5.4
13.8 1 5 4.1 4.1 5.5
11.3 1 4.6 3.1 3.1 4.1
7.9 0.9 3.4 3.4 3.4 5
15.1 0.9 6.4 4.8 4.8 5.4
13.5 1 5.5 3.8 3.8 5.3
10.8 0.7 4.7 3.7 3.7 4.1
9.5 0.7 4.1 4 4 4
12.7 1 6 4.7 4.7 5.4
11.6 1 4.3 4.9 4.9 4.6
11.7 1 3.9 5.1 5.1 4
11.9 1 5.1 5.1 5.1 4.9
10.8 1 3.9 4.4 4.4 4.4
8.5 1 4.5 3.9 3.9 3.7
10.7 1 5.2 6 6 4.3
9.1 0.8 4.2 4.7 4.7 3.8
12.1 1 3.3 4.5 4.5 3.5
14.9 1 6.8 5.2 5.2 5
13.5 0.8 5 4.8 4.8 5.7
12.2 0.8 3.5 3.3 3.3 4.7
10.3 0.8 4.3 5.8 5.8 5.5
13.2 0.8 5.2 3.5 3.5 4.8

b. Estime el modelo de regresión de calidad del vino en case a la claridad, aroma, sabor y textura.

CALIDAD AROMA(X2) SABOR(X4) TEXTURA(X5)

(Y)
9.8 3.3 3.1 4.1
12.6 4.4 3.9 3.9
11.9 3.9 4.7 4.7
11.1 3.9 3.6 3.6
13.3 5.6 5.1 5.1
12.8 4.6 4.1 4.1
12.8 4.8 3.3 3.3
12 5.3 5.2 5.2
13.6 4.3 2.9 2.9
13.9 4.3 3.9 3.9
14.4 5.1 3.6 3.6
12.3 3.3 3.6 3.6
16.1 5.9 4.1 4.1
16.1 7.7 3.7 3.7
15.5 7.1 4.1 4.1
15.5 5.5 4.4 4.4
13.8 6.3 4.6 4.6
13.8 5 4.1 4.1
11.3 4.6 3.1 3.1
7.9 3.4 3.4 3.4
15.1 6.4 4.8 4.8
13.5 5.5 3.8 3.8
10.8 4.7 3.7 3.7
9.5 4.1 4 4
12.7 6 4.7 4.7
11.6 4.3 4.9 4.9
11.7 3.9 5.1 5.1
11.9 5.1 5.1 5.1
10.8 3.9 4.4 4.4
8.5 4.5 3.9 3.9
10.7 5.2 6 6
9.1 4.2 4.7 4.7
12.1 3.3 4.5 4.5
14.9 6.8 5.2 5.2
13.5 5 4.8 4.8
12.2 3.5 3.3 3.3
10.3 4.3 5.8 5.8
13.2 5.2 3.5 3.5
c. Compara ambos modelos de regresión lineal múltiple. ¿Cuál tiene el mejor ajuste?
d. Concluye. ¿Cuál de los dos modelos representa mejor la calidad del vino?

C) CALCULOS

5. RESULTADOS Y CONCLUSIONES
6. ANEXOS
7. REFERENCIAS