450 Capitulo 12. RegresiGn lineal matiple y ciertos modelos de regresién no lineal yy = 39.1574, by = 1.0161, by = ~1.8616, by = -03433, Entonces, la ecuacién de regresin estimada es 5 = 30.1574 + 1.0161x) ~ 1.8616x2 ~ 0.34335, 4 Ejercicios 121 Se lev6 a cabo un conjunto de ensayos expei- Califeacién Calilacion en Clases rmentales con un home para determinar una forma de predecir el tiempo de coccién, y, a diferentes niveles de ancho del homo, x, y a diferentes temperatura, x, Se registraron los siguientes datos » a oa 1321.15 1505-269 3.40 1875356 40 3025 44185 4485535482 4894 620 ISIS sss 7121532 61508871818 loss = 9.803519 1142 1065 40.40 Estime la ecuacién de regresin lineal miltiple Mr ies = Bo + Bix + B%>. 122 En Applied Spectroscopy se estudiaron las pro: piedades de reflectancia infrartoja de un liquido vis- oso que se utiliza como lubricante en la industria clecirénica. El experimento que se disei6 consistis en ‘medir el efecto de frecuencia de banda, x, y el espesor de pelicula, x, sobre la densidad éptica, 3, usando un espectrémetro inftarrojo Perkin-Elmer Modelo 621 (Fuente: Pacansky, J, England, C. D. y Wattman, R., 1986), » son 021 7401.10 0.107740 0.82 0053 740031 0.129805 L.10 0.069 80S 0.62 0030805031 1005980110 0559 9800.62 0321980031 2948 1235.10 Leis 1235 0.62 093s 1235031 Estime la ecuacién de regresisn lineal miltiple J bot buns + boxe 12.3 Enel ejecicio de repaso 11.53 de la pégina 437 suponga que tambign se proporciona el rimero de pe- Fiodos de clase perdidos por los 12 estudiantes que to- ‘man el curso de quimica. A contiouacién se presentan Jos datos completo. Estudiante_en quimica, y el examen, ss perdidas,2 1 85 65 m 50 3 16 35 4 90 65 5 85 55 6 87 70 7 94 65 8 98 70 9 sl 35 10 91 0 nL 16 50 2 14 55 42) Ajuste una ecuacién de regresién lineal miltiple de la forma §, = b, + b,x, + b,x, ») Estime la calficacion de quimica para un estu- diante que en la prueba de intligencia obtuvo 60 de calificacion y perdié 4 clases, 124 Serealizé un experimento para determinar si era posible predecir el peso de un animal después de un periodo determinado con base en su peso inicial y la ‘antidad de alimento que consumfa, Se registraron los siguientes datos, en kilogramos: Peso Paso final,y nical, x 35 2 n 3 40 3 100 4s 7 9 70 36 $0 2 wo au 2 40 8 8 4) Ajust una ecuacién de reprsién miple de la forma Br tear = Bo Bix + Bax ) Prediga eudnto pesard un animal que comienza pesando 35 kilogramos después de consuimir 250 Kilogramos de alimento, 125. Se cree que la energfa eléerica que una planta quimica consume eada mes se relaciona con la tempe- ratura ambiental promedio, x,, el niimero de dias del mes, x, la pureza promedio del producto, x, y las tone- Jadas fabricadas del producto, x,. Se dispone de datos histricos del ao anterior, los cuales se presentan en la siguiente tablaEjercicios yooe e onw 2252491100 236 31 2L 0s 200 4524810 276 602587 Sol 6525 36 72648 300 «8025877 296-8425 866 267 «6-750 2% 60 2591s 288 502590100 21382389 42) Ajuste un modelo de regresisn lineal mltiple usando el conjunto de datos anterior. >) Prediga el consumo de energfa para un mes en que x, = TSR, x, = 24 dias, x, = 90% y x, = 98 tone lads. 12.6 Se realizé un experimento sobre un modelo ‘nuevo de una marca de automévil especifica para de- ‘erminar la distancia de frenado a distntas velocidades. Se registraron los siguientes datos. Velocidad, v km/h) 35.50.65 8095 110 Distancia de frenado,d Gn) | 162641 62 88 119 4) Ajuste una curva de regresién moltiple de la forma Hoy = Ba Gry + Bay" ) Estime la distancia de frenado cuando el autom6- vil viaja a 70 kilémetros por hora 12.7 Se realizé un experimento con el fin de determi nar sel flijo sanguinea cerebral de los seres humanos se podia predecie a partir dela tensién arterial del oxi- geno (milimetros de mercurio). En el estudio partici pron 15 pacientes y se reunieron los siguientes datos: Flujo Tensién arterial sanguineo,y del oxigeno, x 8033 603.40 87.80 58250 82.20 556.20 7821 594.60 7844 558.90 8001 575.20 83.53 580.10 79.46 451.20 15.22 404.00 1658 484.00 77190 45240 78.80 448.40 80.67 334.80 86.60 32030 78.20 350.30 Estime la ecuacién de regresign cuadrétiea Bye = Bat fix + Bae? 451 128 El siguiente es un conjunto de datos experimen: tales coditicads acerca de la resistencia a la compre- sidn de una aleacién especitica para distintos valores de la concentracin de cierto aditivo: Concentracion, Resistencia a 100 5 150 28 31278 200 312-6297 250 317301 323 300 294 © 908-328 4) Estime la ecuacién de regresién cuadtética 4), = B+ Bx +8, ) Pruebe la flté de ajuste del modeto, 12,9 4) Ajuste una ecuacién de regresién maltiple de Ia forma u,, = 8, + 8.x, + Aa para los datos del ejemplo 11.8 de le pégina 420. 'b) Estime el producto de la reaccién quimica para ‘una temperatura de 225°C. 12.10 Para los datos siguientes x]0 123 456 ylr#s 3234 4) juste el modelo esbico Baris = Bo-+ Bix + Bax? + fx? »b) Prediga el valor de ¥ cuando x ~ 2. 121 Se realiz6 un experimento para estudiar el ‘amaiio de los calamares consumidos por tiburones y tunes. Las variables regresoras son caracterstcas de Ja boca del ealamar. Los datos del estudio son los sic sguientes: Boom oy om sy T3107 0.89 0.75 0351.95 155 149 053 090 087 290 099 084 034 O57 032 0.72 099 083 034 054 0.27 O81 101 090 036 068 030 1.09 109 093 082 O61 031 122 108 090 0.40 OSI O31 1.02 1.27 108 O44 077 034 193 099 085 0.36 056 029 064 134 113 085 077 037 208 130 110 045 076 038 1.98 133 110 048 0.77 038 190 186 147 0.60 LOL 065 856 158 134 052 095 050 4.49 197 159 067 120 039 849 180 156 065 [02 039 6.17 175 158 063 109 059 7.54 172 143 064 Loz 063 636 168 1357 072 096 068 7.63 175 159 068 108 062 778 219 186 075 124 0.72 1015 173. 167 064 LI 055 6.88452 En el estudio las variables regresoras y la respuesta considerada son 4x, = longitud del rostral, en pulgadas, ‘x, = longitud de la aleta, en pulgadas, ‘x = longitud del rostral ala cola, en pulgadas, x, = longitud de la cola a la aleta, en pulgadas, x, = ancho, en pulgadas, = peso, en libra, Estime la ecuacién de regresi6n lineal matiple Br = Bias + Bata + Bats + fans + Bars 12.12 Los siguientes datos reflejan informacién ob- tenida en 17 hospitales de la marina estadounidense ubjcados en diversos sitios del mundo. Los regresores son variables de la carga de trabajo, es decir, conceptos que dan como resultado la necesidad de personal en tun hospital. continuacién se presenta una deseripeién breve de las variables: 1y = horas de trabajo mensuales, ‘x, = carga diaria promedio de pacientes, x, = exposiciones de rayos X mensuales, 1, = dfas-cama ocupados por mes, ‘x, = poblacidn elegible en el drea/l000, X= duracién promedio de la estancia de un pa- ciente, en dias Silo se y 1 ISST 2463 47292 180 445 56652 2 4402 2088 1339.75 9.5 6.92 69682 3 2042 3980 62025 128 4.28 103315 4 1874 650856833 36.7 3.90 100362 5 4920 5723 1497.60 35.7 5150 1611.37 6 4492 11,520 136583 240 4.60 1613.27 7 5548 $779 1687.00 43.3 5.62 185417 8 50.28 5969 1639.92 467 S15 216055 9 9439 R461 287233 78.7 GIS 230558 10 12802 20,106 365508 1805 6.15 350393, 11 96.00 13,313 291200 60.9 s.8% 3571.59 12 13142 10,771 392100 1027 488 3741.20 13 12721 15,543 3865.67 1268 5.50 402652 14 25290 36,194 7684.10 157.7 7.00 10,343.81 15 409.20 34,703 12,446.33 169.4 10.75. 11,732.17 16 46370 39,204 14,098.40 3314 7.05 1S;41494 17 $1022 86,533 15,524.00 3716 6.35 18,854.45, El objetivo es generar una ecuacién empirica para es- timar (@ predeci) las necesidades de personal en los hospitales de la marina, Calcule la eeuacidn de regre- sin lineal miltiple Mr ayrsasctess = By + Bix, axe + Bry + axe + Baxs 12,13 Se Tlev6 a cabo un estudio sobre un tipo de conexién para conocer la relacién enire la cantidad de desgaste, y, para x, = viscosidad del aceite, yx, Capitulo 12. RegresiGn lineal matiple y ciertos modelos de regresién no lineal carga, Se obtuvieron los datos siguientes. (Tomado de Response Surface Methodology, Myers, Montgomery y ‘Anderson Cook, 2009), ys 3135 1m 220 914301201 m3 3301387 | 125 4001s 4) Estime los pardmetros deseonoeidos de la ecua- ciga de regresiéa lineal maltiple Mraysas = Bob Bar + Boxe ) Prediga el desgaste cuando la viscosidad del aceite sea de 20 y la carga sea de 1200. 12.14 Once estudiantes normalistas participason en un programa de evaluaciéa disefado para medir la ef- cacia de los maestros y determinar eudles factores son importantes. La medicién de la respuesta consisti6 en tuna evaluacion cuantitativa del maestro, Las variables regresoras fueron las calficaciones de cuatro pruebas estandarizadas aplicadas a cada maestro. Los datos son Jos siguientes: yom on 4 EA 40125 50.00 35.66 56957 ISL 31756397 2s 77 tal B00 45.32 Rak 8112275004667 3240 Lal 49.00 41.21 505 53.152 4935 43.83 235° 77 Il 60754161 Sol 76 «1324125 64ST 400 65 1575075. 42.41 S897 166 «32.25 57.95 44076 LL 5450 57.90 Estime la ecuacién de regresi6n lineal miiple Bo + Pixs + Bare + fixy + Boxe Brie 12.15 Conel fin de determinar la elacién entze la ca- lificacién de su desempefio laboral(y) y las eaificacio- nes en cuatro exdmenes, el departamento de personal de cierta empresa industrial realiz6 un estudio en el que Participaron 12 sujetos. Los datos son los siguientes: yon ob on T2365 710 385 430 45 595 75 382 448 172 82 760 425 490 WR 45 795 434 563 193 812 840 475° 602 245 880 86.2 474 620 212 782 805 445° S81 169 0 720 418 48:1 148 581 680 42.1 460 200 805 85.0 48.1 60.3 132 583° 710 375° 471 225 840 872 510 632124 Propiedades de los estimadores de minimos cuadrades, 453 Estime los cocficientes de regresién del modelo x, FS by bhxy + bane + by + hate RSdelemisor RS dela base E-B-RS _hFE_ RS del inisor RS dela base ERS WE 136 se S78 9909 fom eee eR ee 3 pe 500 38h 14.62 2237 7375 133.40 14s0 265 7.625, 1399 ang de Myer Montgomery y Andron-Cook, 2009) 12.4 Propiedades de los est ») Prediga BFE cuando x, = 14, = 20ys,=5. adores de minimos cuadrados Las medias y vatianzas de los estimadores by, Byvon by 8e oblienen con facilidad si se hhacen ciertas suposiciones sobre los errores alealorios €), Eun Ey que Son idénticas alas que se hacen en el caso de la regresidn lineal simple. Si suponemos que dichos cerrores son independientes, cada uno con media igual a cero y varianza 2, entonces podemos demostrar que b, b,,... b, on, respectivamente, estimadores no sesgados de los coeficientes de regresian (3, By. 8, Ademds, las varianzas de las b se obtienen por medio de los elementos del inverso de la matriz A. Observe que los elementos fuera de la diagonal de A = X’X representan sumas de productos de los elementos en las columnas de X; mientras que los elementos en la diagonal de A son las suas de los cuadrados de Jos elementos en las columnas de X. La matriz inversa, A~! aparte del multiplicador 0° representa la matriz de varianza-covarianza de los coeficientes de regresiéa estima. dos. Es decir, Ios elementos de Ia matriz. A~to® muestran las varianzas de by, Byrn Bye Ja diagonal principal y las covarianzas fuera de la diagonal. Por ejemplo, en un problema de regresién lineal miltiple con k = 2 se podria escribir ea e012 CX = Jeo cn ee ccon los elementos debajo de la diagonal principal determinados por la simetria de Ia rmatriz, Entonces, se escribe 1,2, hy, = Cov(h,b)) = ey 8 TF Desde luego, los estimados de las varianzas y, por Io tanto, sus errores estindar, se cobtienen reemplazando 0° con el estimado apropiado, el cual se obtuvo a partir de los datos experimentales. Un estimado no sesgado de 0 de nuevo se define en términos de