Scribd
Cargar
82 vistas3 páginas

Análisis de Regresión y ANOVA en Minitab

Se analizaron cuatro modelos para explicar la relación entre las variables Y, X1 y X2. El análisis de varianza mostró que el modelo con constantes lineales X2 y la interacción X1*X2 era significativo, mientras que X1 y X1*X1 no lo eran. Este modelo explicó el 85.07% de la variación en Y.

Cargado por

Carlos Martinez alvarado
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
82 vistas3 páginas

Análisis de Regresión y ANOVA en Minitab

Se analizaron cuatro modelos para explicar la relación entre las variables Y, X1 y X2. El análisis de varianza mostró que el modelo con constantes lineales X2 y la interacción X1*X2 era significativo, mientras que X1 y X1*X1 no lo eran. Este modelo explicó el 85.07% de la variación en Y.

Cargado por

Carlos Martinez alvarado
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Primero rescribimos nuestros valores en la tabla de minitab

Una vez teniendo nuestrso datos, se realiza la hipótesis de que si existe un modelo que explique la
relación entre las variables, en otras palabras, un recuento que dependa de x1 y x2.

Van a hacer cuatro modelos que se van a analizar, con un análisis de varianza me va a decir cual es
mejor
Después se va a analizar el diseño de superficie de respuesta
HOJA DE TRABAJO 1

Regresión de superficie de respuesta: Y vs. X1, X2


No se pueden estimar los siguientes términos y se eliminaron:
X2*X2

Coeficientes codificados
EE del
Término Coef coef. Valor T Valor p FIV
Constante 0.8774 0.0807 10.87 0.000  
X1 0.0322 0.0534 0.60 0.579 1.08
X2 -0.1600 0.0437 -3.66 0.022 1.07
X1*X1 0.136 0.100 1.36 0.246 1.09
X1*X2 0.1900 0.0519 3.66 0.022 1.06

Con los resultados de este diseño se obtuvo los siguientes valores de p, se deberán analizar los valores mediante el rango
de 0.5, para saber si ese valor puede ser significativo, las constantes significativas entrarían en el modelo

0.000 < 0.05, la constante es significativa


0.579 > 0.05, la constante no es significativa
0.022 < 0.05, la constante es significativa
0.246 > 0.05, la constante no es significativa
0.022 < 0.05, la constante es significativa

Resumen del modelo


R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
0.125855 85.07% 70.14% 0.00%
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 4 0.361064 0.090266 5.70 0.060
  Lineal 2 0.214301 0.107150 6.76 0.052
    X1 1 0.005767 0.005767 0.36 0.579
    X2 1 0.212569 0.212569 13.42 0.022
  Cuadrado 1 0.029279 0.029279 1.85 0.246
    X1*X1 1 0.029279 0.029279 1.85 0.246
  Interacción de 2 factores 1 0.212191 0.212191 13.40 0.022
    X1*X2 1 0.212191 0.212191 13.40 0.022
Error 4 0.063358 0.015839    
  Falta de ajuste 2 0.063108 0.031554 252.43 0.004
  Error puro 2 0.000250 0.000125    
Total 8 0.424422      

En análisis de varianza se puede observar que los valores de p


Ecuación de regresión en unidades no codificadas
Y = 12.95 - 0.727 X1 - 0.1460 X2 + 0.00544 X1*X1
+ 0.00760 X1*X2
Temperatura

Tiempo x1

Proteína

También podría gustarte