Regresion y Correlacion Multiple

INTRODUCCION
La estadística es una herramienta fundamental que permite llevar a cabo el

proceso relacionado con la investigación científica.
En la ingeniería civil con mucha frecuencia es necesario resolver problemas

que implican conjuntos de variables, cuando se sabe que existe alguna relación
inherente entre ellas. A partir de ello, es necesario establecer modelos que
expliquen dicha relación.
Esencialmente, en dichos modelos, se emplean estadísticos descriptivos y

técnicas de estimación y de contraste de hipótesis específicos para resolverlos y
explicarlos. La mayoría de estos métodos están encuadrados en las técnicas
regresión y correlación lineal múltiple.
En forma más específica, el análisis de correlación y regresión comprende

el estudio de los datos muestrales para saber qué es y cómo se relacionan entre sí
dos o más variables en una población. El análisis de correlación produce
estadísticos que resumen el grado de la fuerza de relación entre dos variables; y el
análisis de regresión da lugar a una ecuación matemática que describe dicha
relación llamada ecuación de regresión.
A continuación, se pretende mostrar la aplicación práctica de la regresión y

correlación lineal múltiple en la ingeniería civil a través de un modelo matemático
que pronostique la constante de carbonatación K en las cercanías del Rectorado a
partir de la que se encuentra en las Zonas Industriales I y II.
EJERCICIO PRÁCTICO
Planteamiento
En la durabilidad de estructuras de concreto armado se seleccionó una

0.5
muestra de constante de carbonatación “K” (mm/año ) en ambientes urbanos e
industriales de la ciudad de Barquisimeto, Estado Lara. Realizar el análisis de
regresión múltiple para el ambiente en las cercanías del Rectorado en función de las
Zonas Industriales I y II con los datos siguientes.
Constante de Carbonatación “K”

(mm/año 0.5) (26 meses) de
exposición
Rectorado Zona I Zona II
6,66 2,52 1,6
6,58 7,606 2,7
6,42 1,389 2,7
6,47 6,987 5,5
6,58 6,999 5,5
5,24 6,847 7,3
6,11 2,236 9,1
6,49 8,133 4,6
5,09 6,608 3,7
5,39 8,23 15,9
5,26 5,592 15,9
7 3,056 4,2
6,88 10,308 20,8
6,29 3,343 15,1
5,97 9,184 2,7
5,93 0 2,7
6,2 0 4
0 0 4,9
0 0 2
0 0 4,6
0 0 5,5
0 0 9,1
0 0 2,2
0 0 2
0 0 5,1
0 0 5,1
0 0 8,8
Resultados en el Programa SPSS
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
1 X2, X1a . Introducir
a. Todas las variables solicitadas introducidas.
Resumen del modelob
R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,697a ,486 ,443 2,285722
a. Variables predictoras: (Constante), X2, X1
b. Variable dependiente: Y
ANOVAb
Suma de
Modelo cuadrados gl Media cuadrática F Sig.
1 Regresión 118,401 2 59,200 11,331 ,000a
Residual 125,389 24 5,225
Total 243,789 26
a. Variables predictoras: (Constante), X2, X1
b. Variable dependiente: Y
Coeficientesa
Coeficientes no Coeficientes Intervalo de confianza de 95,0%

estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Límite superior
1 (Constante) 2,174 ,750 2,901 ,008 ,627 3,721
X1 ,612 ,135 ,725 4,545 ,000 ,334 ,890
X2 -,050 ,098 -,082 -,512 ,613 -,252 ,152
a. Variable dependiente: Y
Estadísticos sobre los residuosa
Mínimo Máximo Media Desviación típica N
Valor pronosticado 1,71905 7,66320 3,87259 2,133981 27
Residual -2,074102 4,225914 ,000000 2,196050 27
Valor pronosticado tip. -1,009 1,776 ,000 1,000 27
Residuo típ. -,907 1,849 ,000 ,961 27
a. Variable dependiente: Y
CONCLUSIONES
La ecuación de regresión que pronostica la constante de

carbonatación “K” a las cercanías del Rectorado a partir de la constante de
carbonatación de las Zonas Industriales I y II es:
Y^ =a+b1 X 1 +b 2 X 2
Y^ =2,174+0,612∗X 1−0,05∗X 2
Al conocer la variables regresoras constante de carbonatación “k” de la

Zona Industrial I y II; la variable dependiente “k” de las cercanías al Rectorado
disminuye su incertidumbre en 44,3% de acuerdo a los resultados de R² corregida.
En consecuencia, el modelo, tiene poco poder explicativo, dado que el 55,7% de
las variaciones en el comportamiento de la “k” en las cercanías del Rectorado se
explica por las variaciones de variables desconocidas y no incluidas en éste
modelo.
En el Análisis de la Varianza a través del estadístico Fisher se establecieron

las hipótesis:
H0: B1 = B2 = 0 (nula) que significa que el “K” en las cercanías al Rectorado no está
influenciado por los regresores “K” de las Zona Industriales I y II. En otras
palabras, la variabilidad observada en las respuestas son causadas por el azar,
sin influencia de las variables independientes.
H1: por lo menos una Bi≠0 (alternativa) que significa que el “K” en las cercanías al
Rectorado depende de al menos una de las variables regresoras.
Para los niveles de significancia 10%, 5% y 1% se rechaza la hipótesis nula
y se acepta la hipótesis alternativa, es decir, que el modelo es correcto e indica
influencia de al menos una de las variables regresoras: K de la Zona I, K de la
Zona II o ambas.
El intercepto señala que independientemente de los “K” encontrados en la

Zona I y II, la “K” encontrada a las cercanías del rectorado se encontrará en 2,174
mm/año 0.5 con error típico de 0,75 mm/año 0.5.
0.5
La pendiente X1 señala un incremento de 0,612 mm/año con desviación
0.5
típica de 0,135 en el “K” de las cercanías al Rectorado, por cada un mm/año
que se registre en la Zona I.
0.5
La pendiente X2 señala un decremento de 0,050 mm/año con desviación
0.5
típica de 0,098 en el “K” de las cercanías al Rectorado, por cada un mm/año
que se registre en la Zona II.
En el análisis individual a través del estadístico t de student se

establecieron las hipótesis:
H0: B=0 (nula) que significa que el “K” en las cercanías al Rectorado no está
influenciado por un regresor, sino que la variabilidad observada en las respuestas
son causadas por el azar.
H1: B≠0 (alternativa) que significa que el “K” en las cercanías al Rectorado
depende de un regresor.
Para los niveles de significancia 10%, 5% y 1% se rechaza la hipótesis nula
en cuanto a la variable “K” de la Zona Industrial I y se acepta la hipótesis
alternativa, es decir, que dicha variable es interesante en el modelo.
Por otro lado, para los niveles de significancia 10%, 5% y 1% se acepta la

hipótesis nula en cuanto a la variable “K” de la Zona Industrial II y se rechaza la
hipótesis alternativa, es decir, que dicha variable no es interesante en el modelo y
se sugiere que se extraiga del modelo.

Regresion y Correlacion Multiple

Cargado por

Copyright:

Formatos disponibles

Regresion y Correlacion Multiple

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Regresion y Correlacion Multiple

Cargado por

Copyright:

Formatos disponibles

INTRODUCCION

La estadística es una herramienta fundamental que permite llevar a cabo el

En la ingeniería civil con mucha frecuencia es necesario resolver problemas

Esencialmente, en dichos modelos, se emplean estadísticos descriptivos y

En forma más específica, el análisis de correlación y regresión comprende

A continuación, se pretende mostrar la aplicación práctica de la regresión y

En la durabilidad de estructuras de concreto armado se seleccionó una

Constante de Carbonatación “K”

Resultados en el Programa SPSS

1 X2, X1a . Introducir

a. Todas las variables solicitadas introducidas.

Resumen del modelob

R cuadrado Error típ. de la

1 ,697a ,486 ,443 2,285722

a. Variables predictoras: (Constante), X2, X1

1 Regresión 118,401 2 59,200 11,331 ,000a

Residual 125,389 24 5,225

a. Variables predictoras: (Constante), X2, X1

Coeficientes no Coeficientes Intervalo de confianza de 95,0%

Modelo B Error típ. Beta t Sig. Límite inferior Límite superior

1 (Constante) 2,174 ,750 2,901 ,008 ,627 3,721

X1 ,612 ,135 ,725 4,545 ,000 ,334 ,890

X2 -,050 ,098 -,082 -,512 ,613 -,252 ,152

Estadísticos sobre los residuosa

Mínimo Máximo Media Desviación típica N

Valor pronosticado 1,71905 7,66320 3,87259 2,133981 27

Residual -2,074102 4,225914 ,000000 2,196050 27

Valor pronosticado tip. -1,009 1,776 ,000 1,000 27

Residuo típ. -,907 1,849 ,000 ,961 27

La ecuación de regresión que pronostica la constante de

Al conocer la variables regresoras constante de carbonatación “k” de la

En el Análisis de la Varianza a través del estadístico Fisher se establecieron

El intercepto señala que independientemente de los “K” encontrados en la

En el análisis individual a través del estadístico t de student se

Por otro lado, para los niveles de significancia 10%, 5% y 1% se acepta la

También podría gustarte