Resumen

Estadísticas de la regresión
Coeficiente d 0.80780741
Coeficiente d 0.65255281
R^2 ajustado 0.59464494
Error típico 1.21517512
Observacione 8

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 16.6400966 16.6400966 11.2688113 0.01528808
Residuos 6 8.85990338 1.47665056
Total 7 25.5

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 88.6376812 1.58236713 56.0158761 2.174E-09 84.7657683 92.509594 84.7657683
Variable X 1 1.60386473 0.47778079 3.35690502 0.01528808 0.43477726 2.77295221 0.43477726
Superior 95,0%
92.509594
2.77295221
Resumen

Estadísticas de la regresión
Coeficiente d 0.95866344
Coeficiente d 0.9190356
R^2 ajustado 0.88664984
Error típico 0.6425873
Observacione 8

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 23.4354078 11.7177039 28.3777684 0.00186524
Residuos 5 2.06459221 0.41291844
Total 7 25.5

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 83.2300917 1.57386895 52.8824789 4.57175E-08 79.1843328 87.2758506 79.1843328
Variable X 1 2.29018362 0.30406456 7.53189931 0.00065323 1.5085608 3.07180645 1.5085608
Variable X 2 1.3009891 0.3207016 4.05669666 0.0097608 0.4765994 2.1253788 0.4765994
Superior 95,0%
87.2758506
3.07180645
2.1253788
1. El dueño de una empresa desea estimar el ingreso bruto semanal en función de los gastos de publicidad. A cont
los datos históricos de 8 semanas.
Datos en miles de dólares.
Y X1 X2
Ingreso Semanal Bruto Publicidad Tv Publicidad Periódicos a
96 5 1.5 6.5 Intercepción
90 2 2 7 Variable X 1
95 4 1.5 6.5
92 2.5 2.5 7.5 Y=88,6376+1,6038X
95 3 3.3 8.3
94 3.5 2.3 7.3
94 2.5 4.2 9.2
94 3 2.5 7.5
A 93 3
98 5.7 1

a) Obtenga una ecuación de regresión estimada en la que el monto gastado en publicidad en televisión sea la varia
b) Obtenga una ecuación de regresión estimada en la que el monto gastado en publicidad en televisión y en periód
c) Cual es el ingreso semanal bruto en una semana en la que se gastan $ 3.500 en publicidad en televisión y $ 1.80
stos de publicidad. A continuación, se presenta

Coeficientes B Coeficientes
88.6376812 Intercepción 83.2300917
1.60386473 Variable X 1 2.29018362
Variable X 2 1.3009891
=88,6376+1,6038X
Y=83,2300+2,2901X1+1,3009X2

d en televisión sea la variable independiente.

d en televisión y en periódicos sean la variable independiente.
dad en televisión y $ 1.800 en publicidad en periódico.
Resumen

Estadísticas de la regresión
Coeficiente d 0.88172974
Coeficiente d 0.77744733
R^2 ajustado 0.75721527
Error típico 500.990878
Observacione 25

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 19289478.9 9644739.46 38.4265029 6.63378E-08
Residuos 22 5521820.93 250991.86
Total 24 24811299.8

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 1448.18882 344.010414 4.20972377 0.00036151 734.754883 2161.62275 734.754883
Variable X 1 26.5070586 8.08561597 3.278298 0.00343428 9.73851743 43.2755998 9.73851743
Variable X 2 385.198961 61.4453617 6.26896728 2.61383E-06 257.769081 512.628842 257.769081
Superior 95,0%
2161.62275
43.2755998
512.628842
2. Una empresa que realiza estudios para otras empresas sobre las actitudes y el comportamiento de los consumido
las características de los consumidores que pueden servir para predecir los montos que cargan a sus tarjetas de créd
datos sobre ingreso anual, tamaño de la familia, y gastos anuales hechos en las tarjetas de crédito. Los datos que se

X1 X2 Y
Ingreso
Tamaño de Monto de
(miles de la familia gastos ($)
$)
54 3 4016 Coeficientes
30 2 3159 Intercepción 1448.18882
32 4 5100 Variable X 1 26.5070586
50 5 4742 Variable X 2 385.198961
31 2 1864
55 2 4070 Y=1448,188+26,507*X1+385,198*X2
37 1 2731
40 2 3348 3664.06805 40 3
66 4 4764 3582.85365 66 1
51 3 4110 4701.22978 21 7
25 3 4208 2614.4994 44
48 4 4219
27 1 2477
33 2 2514
65 3 4214
63 4 4965
42 6 4412
21 2 2448
44 1 2995
37 5 4171
62 6 5678
21 3 3623
55 7 5301
42 2 3020
41 7 4828
 ortamiento de los consumidores. En un estudio, el cliente solicitó un estudio sobre
e cargan a sus tarjetas de crédito. De una muestra de 25 consumidores se obtuvo
s de crédito. Los datos que se presentan a continuación:

a) Obtenga una ecuación de regresión estimada en la que ingreso anual

y tamaño de la familia sean variables independientes. Analice la
información.

b) Cuál es el monto de gastos anual en tarjetas de crédito que se puede

predecir para un hogar con tres personas con ingreso anual de $40.000.
Resumen

Estadísticas de la regresión
Coeficiente d 0.259594
Coeficiente d 0.06738905
R^2 ajustado 0.03408151
Error típico 0.64659677
Observacione 30

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 0.84588999 0.84588999 2.02323731 0.16595413
Residuos 28 11.7064467 0.41808738
Total 29 12.5523367

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 9.23032437 3.9640539 2.32850627 0.02733018 1.11032804 17.3503207 1.11032804
Variable X 1 -20.4721796 14.3926469 -1.42240546 0.16595413 -49.9541802 9.00982108 -49.9541802
Superior 95,0%
17.3503207
9.00982108
Resumen

Estadísticas de la regresión
Coeficiente d 0.04793538
Coeficiente d 0.0022978
R^2 ajustado-0.03333442
Error típico 0.66878071
Observacione 30

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 0.02884277 0.02884277 0.06448661 0.80139582
Residuos 28 12.5234939 0.44726764
Total 29 12.5523367

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 3.16714521 1.68665173 1.87777071 0.07086513 -0.28780423 6.62209466 -0.28780423
Variable X 1 5.0495E-05 0.00019884 0.25394213 0.80139582 -0.00035682 0.00045781 -0.00035682
Superior 95,0%
6.62209466
0.00045781
Resumen

Estadísticas de la regresión
Coeficiente d 0.67310047
Coeficiente d 0.45306424
R^2 ajustado 0.43353082
Error típico 0.4951667
Observacione 30

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 5.68701487 5.68701487 23.1943121 4.586E-05
Residuos 28 6.86532179 0.24519006
Total 29 12.5523367

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 2.17641709 0.30798239 7.06669331 1.09411E-07 1.54554377 2.80729042 1.54554377
Variable X 1 0.09756304 0.02025791 4.81604736 4.586E-05 0.0560666 0.13905949 0.0560666
Superior 95,0%
2.80729042
0.13905949
Resumen

Estadísticas de la regresión
Coeficiente d 0.73554564
Coeficiente d 0.54102739
R^2 ajustado 0.48806901
Error típico 0.47072688
Observacione 30

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 3 6.79115793 2.26371931 10.2160868 0.00012709
Residuos 26 5.76117874 0.2215838
Total 29 12.5523367

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 7.18504364 3.27257478 2.1955323 0.03724765 0.45816984 13.9119174 0.45816984
Variable X 1 -21.41664 10.5411992 -2.03170812 0.05251996 -43.0843852 0.25110523 -43.0843852
Variable X 2 0.00010012 0.00014159 0.70705926 0.48581909 -0.00019093 0.00039116 -0.00019093
Variable X 3 0.10034296 0.01938012 5.17762348 2.10419E-05 0.06050656 0.14017937 0.06050656
Superior 95,0%
13.9119174
0.25110523
0.00039116
0.14017937
3. Se desea estudiar la relación entre el Consumo de helados medido en onzas per cápita, y las variables regresores
por semana y la Temperatura media medida en grados centígrados. Para ello se obtuvieron datos de 30 meses, desd
encuentran en el cuadro. Analizar estos datos y estudiar un modelo de regresión que se ajuste a los mismos.

Y X1 X2 X3
CONSUMO PRECIO INGRESO TEMPERATURA
3.86 0.27 7800 12
3.74 0.282 7900 13
3.93 0.277 8100 17
4.25 0.28 8000 20
4.06 0.272 7600 21
3.44 0.262 7800 18
3.27 0.275 8200 16
2.88 0.267 7900 8
2.69 0.265 7600 10
2.56 0.277 7900 11
2.86 0.282 8200 10
2.98 0.27 8500 8
3.29 0.272 8600 9
3.18 0.287 8300 7 Coeficientes
3.81 0.277 8400 13 Intercepción 7.18504364
3.81 0.287 8200 17 Variable X 1 -21.41664
4.7 0.28 8000 22 Variable X 2 0.00010012
4.43 0.277 7800 22 Variable X 3 0.10034296
3.86 0.277 8400 19
3.42 0.277 8600 16
3.19 0.292 8500 15
3.07 0.287 8700 12
2.84 0.277 9400 17 YX1 YX2
3.26 0.285 9200 14 0.03408151 -0.03333442
3.09 0.282 9500 16
3.59 0.265 9600 13
3.76 0.265 9400 9
4.16 0.265 9600 11
4.37 0.268 9100 18
5.48 0.26 9000 22
4.10 0.292 9600 22
2.39 0.292 7600 7
2.59 0.292 9600 7
3.90 0.292 7600 22
4.59 0.26 7600 22
3.49 0.26 9700 9
 y las variables regresores Precio del helado en dólares por onza, el Ingreso familiar
n datos de 30 meses, desde marzo de 2012 a julio de 2015. Estos datos se
juste a los mismos.

YX3 YX1X2X3
0.43353082 0.48806901
Resumen

Estadísticas de la regresión
Coeficiente d 0.81242546
Coeficiente d 0.66003513
R^2 ajustado 0.61753952
Error típico 25.4009168
Observacione 10

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 10021.2474 10021.2474 15.5318432 0.00428959
Residuos 8 5161.65261 645.206576
Total 9 15182.9

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 45.059369 25.4181456 1.77272448 0.11421078 -13.5549798 103.673718 -13.5549798
Variable X 1 1.94357119 0.49316126 3.94104596 0.00428959 0.80633928 3.08080309 0.80633928
Superior 95,0%
103.673718
3.08080309
Resumen

Estadísticas de la regresión
Coeficiente d 0.47066598
Coeficiente d 0.22152646
R^2 ajustado 0.12421727
Error típico 38.4374262
Observacione 10

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 3363.41416 3363.41416 2.27652147 0.16978136
Residuos 8 11819.4858 1477.43573
Total 9 15182.9

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 85.2171016 38.3519621 2.22197502 0.05700621 -3.22268153 173.656885 -3.22268153
Variable X 1 4.32148806 2.8641611 1.50881459 0.16978136 -2.28327929 10.9262554 -2.28327929
Superior 95,0%
173.656885
10.9262554
Resumen

Estadísticas de la regresión
Coeficiente d 0.96204215
Coeficiente d 0.9255251
R^2 ajustado 0.90424655
Error típico 12.7096422
Observacione 10

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 14052.155 7026.07749 43.4956964 0.00011273
Residuos 7 1130.74503 161.535004
Total 9 15182.9

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción -18.3682676 17.9715033 -1.02207741 0.34076181 -60.8641201 24.1275849 -60.8641201
Variable X 1 2.01018522 0.24711899 8.13448289 8.19328E-05 1.42584166 2.59452879 1.42584166
Variable X 2 4.73781182 0.94843967 4.99537502 0.00157346 2.49510838 6.98051526 2.49510838
Superior 95,0%
24.1275849
2.59452879
6.98051526
2. Considérense los datos siguientes que corresponden a la variable dependiente y y a las dos variables independiente

x1 x2 y A Coeficientes
30 12 94 Intercepción 45.059369
47 10 108 Variable X 1 1.94357119
25 17 112
51 16 178 Y=45,0593+1,9435X
40 5 94
51 19 175
74 7 170
36 12 117
59 13 142
76 16 211
45 133
15 150
45 15 143

a. Obtenga una ecuación de regresión estimada que relacione y con x1. Estime y si x1 = 45.
b. Obtenga una ecuación de regresión estimada que relacione y con x2. Estime y si x2 = 15.
c. Obtenga una ecuación de regresión estimada que relacione y con x1 y x2. Estime y si x1 = 45
y x2 = 15.
s dos variables independientes x1 y x2.

B Coeficientes Coeficientes
Intercepción 85.2171016 Intercepción -18.3682676
Variable X 1 4.32148806 Variable X 1 2.01018522
Variable X 2 4.73781182
Y=85,2171+4,3214X
Y=-183682+2,0101X1+4,7378X2
Resumen

Estadísticas de la regresión
Coeficiente d 0.79400555
Coeficiente d 0.63044481
R^2 ajustado 0.57765122
Error típico 0.93017655
Observacione 9

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 10.33229 10.33229 11.9416906 0.01060948
Residuos 7 6.05659889 0.86522841
Total 8 16.3888889

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 1.85083179 1.35558504 1.36533802 0.214401 -1.35461747 5.05628106 -1.35461747
Variable X 1 0.05863216 0.01696692 3.45567513 0.01060948 0.01851177 0.09875255 0.01851177
Superior 95,0%
5.05628106
0.09875255
Resumen

Estadísticas de la regresión
Coeficiente d 0.49488913
Coeficiente d 0.24491525
R^2 ajustado 0.137046
Error típico 1.32960789
Observacione 9

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 4.01388889 4.01388889 2.2704826 0.17558585
Residuos 7 12.375 1.76785714
Total 8 16.3888889

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 4.05 1.62843045 2.48705741 0.04177615 0.19937388 7.90062612 0.19937388
Variable X 1 0.85 0.56410485 1.50681207 0.17558585 -0.48389602 2.18389602 -0.48389602
Superior 95,0%
7.90062612
2.18389602
Resumen

Estadísticas de la regresión
Coeficiente d 0.933808
Coeficiente d 0.87199738
R^2 ajustado 0.82932984
Error típico 0.59130092
Observacione 9

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 14.2910682 7.14553411 20.4370209 0.00209728
Residuos 6 2.09782066 0.34963678
Total 8 16.3888889

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción -0.48189985 1.10597294 -0.43572481 0.67827549 -3.18811814 2.22431844 -3.18811814
Variable X 1 0.05847613 0.01078575 5.42161174 0.00163032 0.03208436 0.0848679 0.03208436
Variable X 2 0.84415239 0.25087005 3.364899 0.01513761 0.23029548 1.45800929 0.23029548
Superior 95,0%
2.22431844
0.0848679
1.45800929
3. Para ilustrar el análisis de regresión múltiple, se empleará un problema de una empresa que se dedica al transpo
entregas en su área local. Para mejorar el horario de trabajo, los gerentes deseaban estimar el tiempo total de recor
Al principio, los gerentes creyeron que el tiempo total de recorrido diario estaba estrechamente relacionado con el
muestra aleatoria simple de 10 entregas se obtuvieron los datos que se presentan en la tabla y en el diagrama de di
millas recorridas). Después de observar el diagrama de dispersión, los gerentes consideraron que para describir la
(x1) podía emplearse el modelo de regresión lineal simple y = bo + b1x1 + e. Para estimar los parámetros b0 y b1,
regresión estimada Y= bo + b1x1

Por lo tanto, se puede concluir que la relación entre el tiempo total de recorrido y el número de millas recorridas e
mayores de millas recorridas. Este descubrimiento es bastante satisfactorio, sin embargo, los gerentes deseaban co
restante de la variable dependiente.
Al tratar de encontrar otra variable independiente los gerentes encontraron que el número de entregas podía contri
En este punto es útil hacer una observación sobre la relación entre la ecuación de regresión estimada en la que la ú
en la que, como segunda variable independiente, se incluye el número de entregas. El valor de b1 no es igual en am
estimación del cambio en y debido al cambio en una unidad de la variable independiente. En el análisis de regresió
regresión múltiple, cada uno de los coeficientes de regresión se interpreta como sigue: bi representa la estimación
demás variables independientes permanecen constantes:

Recorrido x1 = Millas x2 = Cantidad y = Tiempo de

asignado recorridas de entregas recorrido H
2 50 3 4.8
3 100 4 8.9
4 100 2 6.5
5 50 2 4.2
6 80 2 6.2
7 75 3 7.4
8 65 4 6
9 90 3 7.6
10 90 2 6.1
100 7.71
150 10.65
90 7.13
mpresa que se dedica al transporte de objetos y mercancías. La actividad principal de esta empresa es hacer
estimar el tiempo total de recorrido diario necesario para hacer las entregas.
trechamente relacionado con el número de millas recorridas para hacer las entregas. Partiendo de una
n la tabla y en el diagrama de dispersión (el cual se debe realizar, tomando el tiempo de recorrido con las
nsideraron que para describir la relación entre tiempo total de recorrido (y) y el número de millas recorridas
estimar los parámetros b0 y b1, se empleó el método de mínimos cuadrados obteniéndose la ecuación de

l número de millas recorridas es significativa; recorridos de más duración corresponden a cantidades

bargo, los gerentes deseaban considerar otra variable independiente más para explicar parte de la variabilidad

úmero de entregas podía contribuir también a la duración total del recorrido.

egresión estimada en la que la única variable independiente es el número de millas recorridas y la ecuación
El valor de b1 no es igual en ambos casos. En la regresión lineal simple, b1 se interpreta como una
diente. En el análisis de regresión múltiple, esta interpretación cambia ligeramente. Es decir, en el análisis de
gue: bi representa la estimación del cambio en y debido a un cambio en una unidad en xi mientras todas las

RECORRIDO EN MILLAS
Coeficientes Coeficientes 10
Intercepción 1.85083179 Intercepción 4.05
9
Variable X 1 0.05863216 Variable X 1 0.85 8
7
Tiempo Recorrido

Y=1,8508+0,0586X Y=4,05+0,85X
6
5
Coeficientes
4
Intercepción -0.48189985
3
Variable X 1 0.05847613
2
Variable X 2 0.84415239
1
0
Y=-0,4818+0,0584X1+0,8441X2 40 50 60 70 80
ECORRIDO EN MILLAS

60 70 80 90 100 110