Correlación y

Regresión Múltiple
𝑦ො = 𝑏0 + 𝑏1 𝑥1 + 𝑏2 𝑥2 +𝑏3 𝑥3 + . . .

Estadística Aplicada

Semana 10
Propósito de la clase

• Regresión múltiple.
• Validación de modelos.
• Identifica modelos de regresión múltiple
y los interpreta.
• Muchas aplicaciones de análisis de
regresión tienen que ver con más de Rendimie Cilindra
Peso
nto da
una variable independiente (xi) Kg
Km/gl cm3
• Por ejemplo el rendimiento de
Millas/Gl de un vehículo dependen 35 3200 2500
de: Peso del Vehículo y Cilindrada
(cm3) 27 2500 2300

𝑦ො = 𝑏0 + 𝑏1 𝑥1 + 𝑏2 𝑥2 + 𝜖 44 3700 2600

45 2700 2600
• Donde, 𝑦ො representa el Rendimiento,
𝑥1 representa el peso, 𝑥2 representa la 38 3700 2500
Cilindrada y 𝜖 representa el error
aleatorio. 40 2850 2700
•
49 2640 2600
 Y Desarrollo del ejercicio anterior
X1 X2 X1X2 X1 2 X2 2 X1 Y X2 Y
Rendimiento Km/gl Peso KG Cilindrada cm3

35 3200 2500 8000000 10240000 6250000 112000 87500

27 2500 2300 5750000 6250000 5290000 67500 62100
44 3700 2600 9620000 13690000 6760000 162800 114400
45 2700 2600 7020000 7290000 6760000 121500 117000
38 3700 2500 9250000 13690000 6250000 140600 95000
40 2850 2700 7695000 8122500 7290000 114000 108000
49 2640 2600 6864000 6969600 6760000 129360 127400
278 21290 17800 54199000 66252100 45360000 847760 711400

Datos 7

7 21290 17800 278 68.1049067 -0.00097854 -0.025556249

21290 66252100 54199000 847760 -0.00097854 6.84434E-07 -4.33811E-07
17800 54199000 45360000 711400 -0.02555625 -4.33811E-07 1.05691E-05

B0 -77.1184706
Y = -77.1184706 –
0.00041086X1 +
B1 -0.00041086 0.04643688X2

B2 0.04643688
R cuadrada ajustada: r2
 Obs. Resist. (r) Fuerza (Gr) Potencia (mW) Temp. (°C) Tiempo (Ms)

Ex01 1
2
26.2
26.3
30
40
60
60
175
175
15
15
• El artículo “How to Optimize 3 39.8 30 90 175 15
4 39.7 40 90 175 15
and Control the Wire Bonding 5 38.6 30 60 225 15
Process: Part II” Solid State 6
7
35.5
48.8
40
30
60
90
225
225
15
15
Technology, Jan. 1991: 67-72) 8 37.8 40 90 225 15

describió un experimento 9
10
26.6
23.4
30
40
60
60
175
175
25
25
realizado para evaluar el 11 38.6 30 90 175 25
12
impacto de las variables; 13
52.1
39.5
40
30
90
60
175
225
25
25
fuerza (gm), potencia (mW), 14 32.3 40 60 225 25
15 43.0 30 90 225 25
temperatura (°C) y tiempo (ms) 16 56.0 40 90 225 25
en la resistencia de 17 35.2 25 75 200 20
18 46.9 45 75 200 20
pegamento al corte (gm). Los 19 22.7 35 45 200 20
datos siguientes* se generaron 20
21
58.7
34.5
35
35
105
75
200
150
20
20
para ser consistentes con la 22 44.0 35 75 250 20

información dada en el 23
24
35.7
41.8
35
35
75
75
200
200
10
30
artículo: 25 36.5 35 75 200 20
26 37.6 35 75 200 20
27 40.3 35 75 200 20
28 46.0 35 75 200 20
29 27.8 35 75 200 20
30 40.3 35 75 200 20
 Resumen del modelo

Ex1
• Analice los datos brindados
Modelo
1
R
,845 a
R cuadrado
,714
R cuadrado
ajustado
,668
Error estándar de
la estimación
5,15798
por SPSS y responda: a. Predictores: (Constante), Tiempo (ms),
ANOVAa
Temperatura (°C), Potencia (mW), Fueza
(mg) Suma de Media
El modelo puede explicar el
Modelo cuadrados cuadrática
gl F Sig.
66,8% de las variaciones en
1. Ajuste un modelo de 1 Regresión 1660,140 4 415,035 15,600
la resistencia
,000b
regresión lineal múltiple a Residuo 665,119 25 26,605
El modelo tiene una
estos datos con la Total 2325,259 29 eficiencia del 66,8%
resistencia (y) como
respuesta. 1. ¿Existe
a. Variable dependiente:
Coeficientes correlación
a Resistencia (mg) lineal?
b. Predictores: (Constante), Tiempo (ms), Temperatura (°C), Potencia (mW), Fueza (mg)
H0:  = 0Coeficientes
No existe correlación múltiple entre Resistencia
2. Pruebe si los coeficientes i y Fuerza, Potencia, Temperatura, Tiempo
estandarizad
son diferentes de cero. Coeficientes no
estandarizadosH1:   0 Existe
oscorrelación múltiple entre Resistencia y
3.Modelo
Use el modelo para B Error estándar Fuerza,
Beta Potencia,t Temperatura,
Sig. Tiempo
1 predecir la resistencia-37,477
(Constante) 13,100 -2,861 ,008
cuando la constante Valor P = 0,000 <  = 0,05 Rechazamos H0 como
Fuezax2=100,
x1=45, (mg) x3=170 y ,212 ,211
verdadera: ,108 1,005 ,324
Potencia (mW)
x4=18 ,498 ,070 ,759 7,100 ,000
Temperatura (°C) ,130 Existe
,042correlación múltiple3,079
,329 entre Resistencia
,005 y Fuerza,
Tiempo (ms) ,258 Potencia,
,211 Temperatura,
,131 Tiempo.
1,227 ,231
a. Variable dependiente: Resistencia (mg)

Regla de decisión: 2. ¿Los coeficientes i son diferentes de cero?:

2. ¿Los coeficientes i son diferentes de cero?:
Si valor P <  ➔ i  0 b1 → Valor P = 0,324 >  = 0,05 ➔ 1 = 0
 Resumen del modelo

Ex1
• Analice los datos brindados
Modelo
1
R
,845 a
R cuadrado
,714
R cuadrado
ajustado
,668
Error estándar de
la estimación
5,15798
por SPSS y responda: a. Predictores: (Constante), Tiempo (ms),
ANOVAa
Temperatura (°C), Potencia (mW), Fueza
(mg) Suma de Media
El modelo puede explicar el
Modelo cuadrados cuadrática
gl F Sig.
66,8% de las variaciones en
1. Ajuste un modelo de 1 Regresión 1660,140 4 415,035 15,600
la resistencia
,000b
regresión lineal múltiple a Residuo 665,119 25 26,605
El modelo tiene una
estos datos con la Total 2325,259 29 eficiencia del 66,8%
densidad (y) como
respuesta. 1. ¿Existe
a. Variable dependiente:
Coeficientes correlación
a Resistencia (mg) lineal?
b. Predictores: (Constante), Tiempo (ms), Temperatura (°C), Potencia (mW), Fueza (mg)
H0:  = 0Coeficientes
No existe correlación múltiple entre Resistencia
2. Pruebe si los coeficientes i y Fuerza, Potencia, Temperatura, Tiempo
estandarizad
son diferentes de cero. Coeficientes no
estandarizadosH1:   0 Existe
oscorrelación múltiple entre Resistencia y
3.Modelo
Use el modelo para B Error estándar Fuerza,
Beta Potencia,t Temperatura,
Sig. Tiempo
1 predecir la resistencia-37,477
(Constante) 13,100 -2,861 ,008
cuando la constante Valor P = 0,000 <  = 0,05 Rechazamos H0 como
Fuezax2=100,
x1=45, (mg) x3=170 y ,212 ,211
verdadera: ,108 1,005 ,324
Potencia (mW)
x4=18 ,498 ,070 ,759 7,100 ,000
Temperatura (°C) ,130 Existe
,042correlación múltiple3,079
,329 entre Resistencia
,005 y Fuerza,
Tiempo (ms) ,258 Potencia,
,211 Temperatura,
,131 Tiempo.
1,227 ,231
a. Variable dependiente: Resistencia (mg)

2. ¿Los coeficientes i son diferentes de cero?:

Regla de decisión: 2. ¿Los coeficientes i son diferentes de cero?:
b1 → Valor P = 0,324 >  = 0,05 ➔ 1 = 0
Si valor P <  ➔ i  0 b1 → Valor P = 0,324 >  = 0,05 ➔ 1 = 0
b2 → Valor P = 0,000 <  = 0,05 ➔ 2  0
 Resumen del modelo

Ex1
• Analice los datos brindados
Modelo
1
R
,845 a
R cuadrado
,714
R cuadrado
ajustado
,668
Error estándar de
la estimación
5,15798
por SPSS y responda: a. Predictores: (Constante), Tiempo (ms),
ANOVAa
Temperatura (°C), Potencia (mW), Fueza
(mg) Suma de Media
El modelo puede explicar el
Modelo cuadrados cuadrática
gl F Sig.
66,8% de las variaciones en
1. Ajuste un modelo de 1 Regresión 1660,140 4 415,035 15,600
la resistencia
,000b
regresión lineal múltiple a Residuo 665,119 25 26,605
El modelo tiene una
estos datos con la Total 2325,259 29 eficiencia del 66,8%
densidad (y) como
respuesta. 1. ¿Existe
a. Variable dependiente:
Coeficientes correlación
a Resistencia (mg) lineal?
b. Predictores: (Constante), Tiempo (ms), Temperatura (°C), Potencia (mW), Fueza (mg)
H0:  = 0Coeficientes
No existe correlación múltiple entre Resistencia
2. Pruebe si los coeficientes i y Fuerza, Potencia, Temperatura, Tiempo
estandarizad
son diferentes de cero. Coeficientes no
estandarizadosH1:   0 Existe
oscorrelación múltiple entre Resistencia y
3.Modelo
Use el modelo para B Error estándar Fuerza,
Beta Potencia,t Temperatura,
Sig. Tiempo
1 predecir la resistencia-37,477
(Constante) 13,100 -2,861 ,008
cuando la constante Valor P = 0,000 <  = 0,05 Rechazamos H0 como
Fuezax2=100,
x1=45, (mg) x3=170 y ,212 ,211
verdadera: ,108 1,005 ,324
Potencia (mW)
x4=18 ,498 ,070 ,759 7,100 ,000
Temperatura (°C) ,130 Existe
,042correlación múltiple3,079
,329 entre Resistencia
,005 y Fuerza,
Tiempo (ms) ,258 Potencia,
,211 Temperatura,
,131 Tiempo.
1,227 ,231
a. Variable dependiente: Resistencia (mg)
2. ¿Los coeficientes i son diferentes de cero?:
2. ¿Los coeficientes i son diferentes de cero?:
Regla de decisión: b1 → Valor P = 0,324 >  = 0,05 ➔ 1 = 0
b1 → Valor P = 0,324 >  = 0,05 ➔ 1 = 0
Si valor P <  ➔ i  0 b2 → Valor P = 0,000 <  = 0,05 ➔ 2  0
b2 → Valor P = 0,000 <  = 0,05 ➔ 2  0
b3 → Valor P = 0,005 <  = 0,05 ➔ 3  0
 Resumen del modelo

Ex1
• Analice los datos brindados
Modelo
1
R
,845 a
R cuadrado
,714
R cuadrado
ajustado
,668
Error estándar de
la estimación
5,15798
por SPSS y responda: a. Predictores: (Constante), Tiempo (ms),
ANOVAa
Temperatura (°C), Potencia (mW), Fueza
(mg) Suma de Media
El modelo puede explicar el
Modelo cuadrados cuadrática
gl F Sig.
66,8% de las variaciones en
1. Ajuste un modelo de 1 Regresión 1660,140 4 415,035 15,600
la resistencia
,000b
regresión lineal múltiple a Residuo 665,119 25 26,605
El modelo tiene una
estos datos con la Total 2325,259 29 eficiencia del 66,8%
densidad (y) como
respuesta. 1. ¿Existe
a. Variable dependiente:
Coeficientes correlación
a Resistencia (mg) lineal?
b. Predictores: (Constante), Tiempo (ms), Temperatura (°C), Potencia (mW), Fueza (mg)
H0:  = 0Coeficientes
No existe correlación múltiple entre Resistencia
2. Pruebe si los coeficientes i y Fuerza, Potencia, Temperatura, Tiempo
estandarizad
son diferentes de cero. Coeficientes no
estandarizadosH1:   0 Existe
oscorrelación múltiple entre Resistencia y
3.Modelo
Use el modelo para B Error estándar Fuerza,
Beta Potencia,t Temperatura,
Sig. Tiempo
1 predecir la resistencia-37,477
(Constante) 13,100 -2,861 ,008
cuando la constante Valor P = 0,000 <  = 0,05 Rechazamos H0 como
Fuezax2=100,
x1=45, (mg) x3=170 y ,212 ,211
verdadera: ,108 1,005 ,324
Potencia (mW)
x4=18 ,498 ,070 ,759 7,100 ,000
Temperatura (°C) ,130 Existe
,042correlación múltiple3,079
,329 entre Resistencia
,005 y Fuerza,
Tiempo (ms) ,258 Potencia,
,211 Temperatura,
,131 Tiempo.
1,227 ,231
a. Variable dependiente: Resistencia (mg)
2. ¿Los coeficientes i son diferentes de cero?:
2. ¿Los
b1 coeficientes
→ Valor  = diferentes
P = 0,324i> son 0,05 ➔ 1 de
= 0cero?:
Regla de decisión: b1 → Valor P = 0,000
b2 >  = 0,05 ➔ 2
0,324 < 1 =
0
Si valor P <  ➔ i  0 0,000 <  = 0,05 ➔ 3
b2 → Valor P = 0,005
b3 2  0
b4 → Valor P = 0,231 >  = 0,05 ➔ 4 = 0
 Resumen del modelo

Ex1
• Analice los datos brindados
Modelo
1
R
,845 a
R cuadrado
,714
R cuadrado
ajustado
,668
Error estándar de
la estimación
5,15798
por SPSS y responda: a. Predictores: (Constante), Tiempo (ms),
ANOVAa
Temperatura (°C), Potencia (mW), Fueza
(mg) Suma de Media
El modelo puede explicar el
Modelo cuadrados cuadrática
gl F Sig.
66,8% de las variaciones en
1. Ajuste un modelo de 1 Regresión 1660,140 4 415,035 15,600
la resistencia
,000b
regresión lineal múltiple a Residuo 665,119 25 26,605
El modelo tiene una
estos datos con la Total 2325,259 29 eficiencia del 66,8%
densidad (y) como
respuesta. 1. ¿Existe
a. Variable dependiente:
Coeficientes correlación
a Resistencia (mg) lineal?
b. Predictores: (Constante), Tiempo (ms), Temperatura (°C), Potencia (mW), Fueza (mg)
H0:  = 0Coeficientes
No existe correlación múltiple entre Resistencia
2. Pruebe si los coeficientes i y Fuerza, Potencia, Temperatura, Tiempo
estandarizad
son diferentes de cero. Coeficientes no
estandarizadosH1:   0 Existe
oscorrelación múltiple entre Resistencia y
3.Modelo
Use el modelo para B Error estándar Fuerza,
Beta Potencia,t Temperatura,
Sig. Tiempo
1 predecir la resistencia-37,477
(Constante) 13,100 -2,861 ,008
cuando la constante Valor P = 0,000 <  = 0,05 Rechazamos H0 como
Fuezax2=100,
x1=45, (mg) x3=170 y ,212 ,211
verdadera: ,108 1,005 ,324
Potencia (mW)
x4=18 ,498 ,070 ,759 7,100 ,000
Temperatura (°C) ,130 Existe
,042correlación múltiple3,079
,329 entre Resistencia
,005 y Fuerza,
Tiempo (ms) ,258 Potencia,
,211 Temperatura,
,131 Tiempo.
1,227 ,231
a. Variable dependiente: Resistencia (mg)
2. ¿Los coeficientes i son diferentes de cero?:
0 0 b1 → Valor
2. ¿Los  = diferentes
P = 0,324i> son
coeficientes 0,05 ➔ 1 de
= 0cero?:
𝑦ො = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝛽4 𝑥4 b2
b1 → Valor P = 0,000 >  = 0,05 ➔ 2
0,324 < 0
1 =
b3 0,000 <  = 0,05 ➔ 3
b2 → Valor P = 0,005 2  0
𝑦ො = 𝛽0 + 𝛽2 𝑥2 + 𝛽3 𝑥3
b4 → Valor P = 0,231 >  = 0,05 ➔ 4 = 0
Ex01
Coeficientesa

Coeficientes
Coeficientes no estandarizados estandarizados

Modelo B Error estándar Beta t Sig.

1 (Constante) -6,377 10,512 -,607 ,549
Fueza (mg) ,212 ,243 ,108 ,871 ,392
Potencia (mW) ,498 ,081 ,759 6,150 ,000
a. Variable dependiente: Resistencia (mg)

Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) -11,543 11,553 -,999 ,327
Fueza (mg) ,212 ,242 ,108 ,873 ,391
Potencia (mW) ,498 ,081 ,759 6,165 ,000
Tiempo (ms) ,258 ,242 ,131 1,065 ,297
a. Variable dependiente: Resistencia (mg)
Ex01 Coeficientesa
Coeficientes
Coeficientes no estandarizado
estandarizados s
Modelo B Error estándar Beta t Sig.
1 (Constante) -30,068 10,832 -2,776 ,010
Potencia (mW) ,498 ,070 ,759 7,098 ,000
Temperatura (°C) ,130 ,042 ,329 3,078 ,005
Tiempo (ms) ,258 ,211 ,131 1,227 ,231
a. Variable dependiente: Resistencia (mg)

Coeficientesa
Coeficientes
Coeficientes no estandarizado
estandarizados s
Modelo B Error estándar Beta t Sig.
1 (Constante) -24,902 10,072 -2,472 ,020
x2 Potencia (mW) b2 ,498 ,071 ,759 7,033 ,000
x3 Temperatura (°C) b3 ,130 ,043 ,329 3,050 ,005
a. Variable dependiente: Resistencia (mg)
Ex01 Resistencia, Potencia y Temperatura Coeficientesa

Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) -24,902 10,072 -2,472 ,020
x2 Potencia (mW) b2 ,498 ,071 ,759 7,033 ,000
x3 Temperatura (°C) b3 ,130 ,043 ,329 3,050 ,005
a. Variable dependiente: Resistencia (mg)

𝑦ො = −24,902 + 0,498𝑥2 + 0,130𝑥3

3. Use el modelo para predecir la resistencia cuando la variable
x1=45, x2=100, x3=170 y x4=18

𝑦ො = −24,902 + 0,498(100) + 0,130(170)

𝑦ො = 46,998mg.