Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 57 vistas

    Informe - Correlación Lineal Múltiple Sanchez

    Cargado por

    Lino Sanchez Huaman
    Este documento presenta un análisis de correlación múltiple entre la resistencia y cuatro variables: fuerza, potencia, temperatura y tiempo. Se construyen dos modelos de regresión lineal múltiple y el segundo modelo, que incluye potencia y temperatura, explica mejor la variabilidad de la resistencia con un R2 de 0.662. Finalmente, se valida este modelo comprobando la normalidad de los residuos y la homocedasticidad.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Informe - Correlación Lineal Múltiple Sanchez

    Cargado por

    Lino Sanchez Huaman
    57 vistas5 páginas
    Este documento presenta un análisis de correlación múltiple entre la resistencia y cuatro variables: fuerza, potencia, temperatura y tiempo. Se construyen dos modelos de regresión lineal múltiple y el segundo modelo, que incluye potencia y temperatura, explica mejor la variabilidad de la resistencia con un R2 de 0.662. Finalmente, se valida este modelo comprobando la normalidad de los residuos y la homocedasticidad.

    Descripción original:

    INFORME CORRELACIONAL LINEAL MULTIPLE

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un análisis de correlación múltiple entre la resistencia y cuatro variables: fuerza, potencia, temperatura y tiempo. Se construyen dos modelos de regresión lineal múltiple y el segundo modelo, que incluye potencia y temperatura, explica mejor la variabilidad de la resistencia con un R2 de 0.662. Finalmente, se valida este modelo comprobando la normalidad de los residuos y la homocedasticidad.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    57 vistas5 páginas

    Informe - Correlación Lineal Múltiple Sanchez

    Cargado por

    Lino Sanchez Huaman
    Este documento presenta un análisis de correlación múltiple entre la resistencia y cuatro variables: fuerza, potencia, temperatura y tiempo. Se construyen dos modelos de regresión lineal múltiple y el segundo modelo, que incluye potencia y temperatura, explica mejor la variabilidad de la resistencia con un R2 de 0.662. Finalmente, se valida este modelo comprobando la normalidad de los residuos y la homocedasticidad.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 5

    Estadística Aplicada

    Correlación lineal múltiple


    1. Análisis de correlación general:

    Resumen del modelo


    R cuadrado Error estándar
    Modelo R R cuadrado ajustado de la estimación
    1 ,845a ,714 ,668 5,15798
    a. Predictores: (Constante), Tiempo (ms), Temperatura (°C), Potencia
    (mW), Fueza (mg)

    R2
    R2=0 Incorrelacion
    0<R2≤0.25 Débil correlacion R2=0.668
    Fuerte correlación múltiple
    0.25<R2≤0.60 Moderada correlacion
    0.60<R2<1 Fuerte correlacion
    Correlacion directa

    Prueba de Hipotesis
    FH0: ro=0 no existe correlacion multiple ente resistencia y fuerza potencia temperatura y tiempo
    VH1: ro=0 existe correlacion multiple ente resistencia y fuerza potencia temperatura y tiempo

    ANOVAa
    Suma de Media
    Modelo cuadrados gl cuadrática F Sig.
    1 Regresión 1660,140 4 415,035 15,600 ,000b
    Residuo 665,119 25 26,605
    Total 2325,259 29
    a. Variable dependiente: Resistencia (mg)
    b. Predictores: (Constante), Tiempo (ms), Temperatura (°C), Potencia (mW), Fueza (mg)

    Valor P= 0,000<alfa=0,005
    Rechazamos H0 como Verdadera
    existe correlacion multiple ente resistencia y fuerza potencia temperatura y tiempo

    Modelo

    Prof. Sergio Jurado


    Estadística Aplicada

    Coeficientesa
    Coeficientes
    Coeficientes no estandarizados estandarizados
    Modelo B Error estándar Beta t Sig.
    1 (Constante) -37,477 13,100 -2,861 ,008
    Fueza (mg) ,212 ,211 ,108 1,005 ,324
    Potencia (mW) ,498 ,070 ,759 7,100 ,000
    Temperatura (°C) ,130 ,042 ,329 3,079 ,005
    Tiempo (ms) ,258 ,211 ,131 1,227 ,231
    a. Variable dependiente: Resistencia (mg)

    𝑌̂= -37,477+0,212X1+0,498X2+0.130X3+0,285X4
    Las variables con valor P≤alfa son: Potencia(x2) y Temperatura(x3). Las otras
    variables no tienen una significativa con la resistencia (Y)

    2. Construcción del modelo:

    Resumen del modelo


    R cuadrado Error estándar
    Modelo R R cuadrado ajustado de la estimación
    1 ,759a ,577 ,562 5,92888
    2 ,828b ,685 ,662 5,20698
    a. Predictores: (Constante), Potencia (mW)
    b. Predictores: (Constante), Potencia (mW), Temperatura (°C)

    El segundo modelo propuesto tine un R2 mayor (0,662)

    Coeficientesa
    Coeficientes
    Coeficientes no estandarizados estandarizados
    Modelo B Error estándar Beta t Sig.
    1 (Constante) 1,032 6,147 ,168 ,868
    Potencia (mW) ,498 ,081 ,759 6,177 ,000
    2 (Constante) -24,902 10,072 -2,472 ,020
    Potencia (mW) ,498 ,071 ,759 7,033 ,000
    Temperatura (°C) ,130 ,043 ,329 3,050 ,005
    a. Variable dependiente: Resistencia (mg)

    𝑌̂= -24,902+0,498X1+0,130X2

    Prof. Sergio Jurado


    Estadística Aplicada

    3. Validación del modelo:

    El histograma de los residuos no es muy simétrico por tanto no es una prueba contundente de la
    normalidad de los residuos.

    Prof. Sergio Jurado


    Estadística Aplicada

    Los punto tienen sierta tendencia lineal, pero no es suficiente para probar normalidad en los
    residuos

    Prueba de normalidad para los residuos:


    H0: la distribución de los residuos es normal.
    H1: la distribución de los residuos no es normal.

    Pruebas de normalidad
    Kolmogorov-Smirnova Shapiro-Wilk n≤50
    Estadístico gl Sig. Estadístico gl Sig.
    Standardized Residual ,127 30 ,200* ,966 30 ,433
    *. Esto es un límite inferior de la significación verdadera.
    a. Corrección de significación de Lilliefors

    Valor P = 0,433 > alfa=0,05


    Aceptamos H0 como verdadera.
    La distribución de los residuos es normal

    Prof. Sergio Jurado


    Estadística Aplicada

    Análisis de autocorrelacion:

    Homosedasticidad:

    4. Predicción:
    Potencia(x1)
    Temperatura(x2)

    Prof. Sergio Jurado

    También podría gustarte