EJERCICIOS CAPÍTULO 8

8.1. Los datos de abajo muestran las emisiones de óxidos de nitrógeno (NOx) provenientes de
calderas de plantas eléctricas. Tabla mostrando los datos para el problema.

SPSS Vista de variables

SPSS Vista de datos

Diagrama de Dispersión

Ho: Los datos de las variables siguen una distribución normal.

H1: Los datos de las variables No siguen una distribución normal.

Si el P. valor o Sig. es ≤ 0.01, se rechaza la “H0”

Si el P. valor o Sig. es ≥0.01, se acepta la “H0”
ANALIZAR
Estadístico descriptivo-> explorar->lista dependiente->gráficos->activar gráfico con Prueba
de normalidad->aceptar

Pruebas de normalidad

Kolmogorov-Smirnova Shapiro-Wilk

Estadístico gl Sig. Estadístico gl Sig.

Liberación de energía en
,156 14 ,200* ,925 14 ,261
MBtu X
Emisiones de NOx ,158 14 ,200* ,915 14 ,185

*. Esto es un límite inferior de la significación verdadera.

a. Corrección de significación de Lilliefors

H0: Los datos de las variables siguen una distribución Normal

Procedemos a trabajar con un estadístico paramétrico.
Analizar->Regresión->Lineales->”x” independiente y “y” (dependiente)->estadísticos
(cambio en R2)

R2 es el coeficiente de correlación, se determina que posee 95.2%, con un variación de

liberación de energía.
R es de 0.976 existe un alto grado de correlación

Análisis de valor “F” y grado de significancia (Sig)

ANOVAa

Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión 343783,593 1 343783,593 238,335 ,000b

Residuo 17309,264 12 1442,439

Total 361092,857 13

a. Variable dependiente: Emisiones de NOx

b. Predictores: (Constante), Liberación de energía en MBtu X
Ecuación de Regresión

Coeficientesa

Coeficientes
Coeficientes no estandarizados estandarizados

Modelo B Error estándar Beta t Sig.

1 (Constante) -24,198 26,321 -,919 ,376

Liberación de energía en
1,591 ,103 ,976 15,438 ,000
MBtu X

a. Variable dependiente: Emisiones de NOx

El coeficiente correspondidente a constante es el origen de la recta de la regresión a:-

24.198
El coeficicnete correspondiente a la energía en Btu X es la pendiente de la recta de
regresión b:1.591

8.2. Este es un ejemplo del libro de Introducción al Análisis de Regresión Lineal de Mongomery
et al. (2001), donde habla de un ejemplo relacionado con las concentraciones de ozono debido
al calor. Así, Davidson (“Update on Ozone Trenes in California’s South COSAT Basin”, Air
and Waste, 43,226,1993) estudio las concentraciones de ozono en la cuenca aérea de la costa sur
de California, durante los años 1976 a 1991. Se cree que la cantidad de días en que las
concentraciones de ozono fueron mayores que 0.20 ppm depende del índice meteorológico
estacional, que es el promedio estacional de la temperatura con 850 milibares. La siguiente
información muestra los datos.
Ecuación de Regresión

Coeficientes
Coeficientes no estandarizados estandarizados

Modelo B Error estándar Beta t Sig.

1 (Constante) 9155,412 684,091 13,383 ,000

índice meteorológico 12,321 2,499 ,321 4,930 ,000

Año -4,687 ,342 -,890 -13,693 ,000

Estadísticos Descriptivos

Estadísticos descriptivos
Desviación
N Mínimo Máximo Media estándar Curtosis
Estadístic Estadístic Estadístic Estadístic Estadístic Error
o o o o Estadístico o estándar
Concentraciones de
ozono mayores que 16 33 108 72,31 25,059 -1,267 1,091
0.20 ppm
Promedio estacional
ed temperatura con 16 16,0 18,2 17,344 ,6521 -,453 1,091
850 mlb
N válido (por lista) 16

Histograma
8.4. En un estudio de química analítica, en la tabla de abajo se da la relación entre
la temperatura y la molaridad (en moles por litro) de una sustancia. Para esto
hacer los siguientes:
A. Estimar el modelo de regresión más apropiado basado en análisis
estadísticos de R2, R2 ajustada, PRESS, s, y Cp y en análisis gráficos
subjetivos de los valores residuales. Tabla mostrando la información
requerida.

Temperatura 4.3 4.5 4.8 5.5 5.7 5.9 6.4 6.7 7.5 7.9
Molaridad 12.1 12.5 12.9 13.0 13.1 14.0 14.2 14.8 15.0 15.5

Resumen del modelo

Error estándar de la
Modelo R R cuadrado R cuadrado ajustado estimación
1 ,974a ,949 ,943 ,29117
a. Predictores: (Constante), MOLARIDAD

ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1Regresión 12,698 1 12,698 149,775 ,000b
Residuo ,678 8 ,085
Total 13,376 9
a. Variable dependiente: TEMPERATURA
b. Predictores: (Constante), MOLARIDAD
8.5. El aluminio es el tercer elemento más abundante que ocurre en minerales,
rocas y barros. El aluminio se puede analizar con el método de absorción
atómica espectro métrico (método A), el cual está exento de interferencias
como fluoruros y fosfatos. El aluminio también se puede analizar por medio
del método de calorimetría de cianuro de Ferrocromo R (método B), el cual es
más simple que el anterior. La tabla de abajo muestra los resultados de los
análisis (en mg/L) de los dos métodos usados. Hacer los siguientes cálculos
usando el programa de computadora de Minitab o SAS.
Tabla mostrando los datos del ejemplo

Método A 5 6 6 8 10 10 11 11
Método B 8 9 9 11 13 13 14 14
 Correlaciones
Metodo B Metodo A
Correlación de Pearson Metodo B 1,000 1,000
Metodo A 1,000 1,000
Sig. (unilateral) Metodo B . ,000
Metodo A ,000 .
N Metodo B 8 8
Metodo A 8 8

Coeficientes

Coeficientes
Coeficientes no estandarizados estandarizados

Modelo B Error estándar Beta t Sig.

1 (Constante) 3,000 ,000 . .

Metodo A 1,000 ,000 1,000 . .