MA461 Estadística Inferencial

UNIDAD 3: Análisis de Regresión

Semana 10 – Sesión 01

Logro: Al finalizar la unidad, el estudiante aplica conceptos de regresiones lineales y no

lineales para predecir el valor de la variable dependiente en función de otras variables, a
partir de la resolución de casos de su especialidad apreciando la utilidad de los modelos de regresión.

Regresión No Lineal (RNL)

Los modelos de Regresión No Lineal permiten modelar la relación entre dos variables (X e Y), cuando
éstas no se ajustan a una regresión lineal simple.

Los modelos no lineales que se estudiarán son:

• Modelo Cuadrático: 𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥 + 𝛽̂2 𝑥 2

̂
• Modelo Potencia: 𝑦̂ = 𝛽̂0 𝑥 𝛽1

̂
• Modelo Exponencial: 𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑥

Ejemplo:
Ganancia (Miles de soles)

-1-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Gráficas del Modelo Potencia:

Gráficas del Modelo Exponencial:

Sobre la transformación de los modelos (Linealización)

Las transformaciones pueden mejorar el ajuste y la capacidad de predicción de la ecuación de
regresión. Para una relación de función exponencial, sólo la variable dependiente (Y) se transforma
para alcanzar linealidad, mientras que, para una relación de función de potencia, tanto la variable
independiente (X) como la variable dependiente (Y) se transforman.

Linealización para el modelo potencia

̂
𝑦̂ = 𝛽̂0 𝑥 𝛽1
̂
𝐿𝑛𝑦̂ = 𝐿𝑛(𝛽̂0 . 𝑥 𝛽1 )
̂
𝐿𝑛𝑦̂ = 𝐿𝑛𝛽̂0 +𝐿𝑛𝑥 𝛽1
𝐿𝑛𝑦̂ = 𝐿𝑛𝛽̂0 + 𝛽̂1 𝐿𝑛𝑥
Haciendo cambio de variable: 𝑦 ∗ = 𝑙𝑛𝑦̂ 𝑥 ∗ = 𝑙𝑛𝑥
𝒚∗ = 𝑳𝒏𝜷 ̂𝟎 + 𝜷 ̂ 𝟏 𝒙∗

Linealización para el modelo exponencial

̂
𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑥
̂
𝐿𝑛𝑦̂ = Ln(𝛽̂0 . 𝑒 𝛽1𝑥 )
̂
𝐿𝑛𝑦̂ = Ln𝛽̂0 + 𝐿𝑛𝑒 𝛽1𝑥
𝐿𝑛𝑦̂ = Ln𝛽̂0 + 𝛽̂1 𝑥. 𝐿𝑛𝑒 (sabemos que 𝐿𝑛𝒆 = 1 )
𝐿𝑛𝑦̂ = Ln𝛽̂0 + 𝛽̂1 𝑥
Haciendo cambio de variable: 𝑦 ∗ = 𝑙𝑛𝑦̂
𝒚∗ = 𝑳𝒏𝜷 ̂𝟎 + 𝜷 ̂ 𝟏𝒙

-2-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

En el siguiente cuadro se muestran las transformaciones para “linealizar” los modelos no lineales.

Modelos no lineales Transformación Apropiada Función linealizada

Cuadrático 𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥 + 𝛽̂2 𝑥 2 No necesita No necesita

̂ 𝑦 ∗ = 𝑙𝑛 𝑦̂
Potencia 𝑦̂ = 𝛽̂0 𝑥 𝛽1 𝑦 ∗ = 𝑙𝑛𝛽̂0 + 𝛽̂1 𝑥 ∗
𝑥 ∗ = 𝑙𝑛 𝑥̂
̂
Exponencial 𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑥 𝑦 ∗ = 𝑙𝑛 𝑦̂ 𝑦 ∗ = 𝑙𝑛𝛽̂0 + 𝛽̂1 𝑥

Pasos por seguir para resolver un modelo de RNL:

• Paso 1: Ordenar los modelos según el valor del coeficiente de determinación (R2).
• Paso 2: Validar el modelo, según el orden del paso 1 (Validación del coeficiente de regresión).
• Paso 3: Predecir valores de la variable dependiente a través de intervalos de confianza para
valor individual.

1°. Ordenar los modelos por el coeficiente de determinación (R2)

2
Modelo R Ranking

Lineal
Cuadrático
Potencia
Exponencial

2° Validación de los modelos.

Para validar los no lineales se debe probar la significación del correspondiente coeficiente de
regresión, se tiene el siguiente cuadro:

VALIDACIÓN del
MODELO ECUACIÓN LINEALIZADO
Coeficiente de regresión
𝐻0 : 𝛽1 = 0
Lineal 𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥 No necesita
𝐻1 : 𝛽1 ≠ 0
𝐻0 : 𝛽2 = 0
Cuadrático 𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥 + 𝛽̂2 𝑥 2 No necesita
𝐻1 : 𝛽2 ≠ 0
𝐻0 : 𝛽1 = 0
̂
Potencial 𝑦̂ = 𝛽̂0 𝑥 𝛽1 𝑦 = 𝑙𝑛𝛽̂0 + 𝛽̂1 𝑥 ∗
∗
𝐻1 : 𝛽1 ≠ 0
𝐻0 : 𝛽1 = 0
̂
Exponencial 𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑥 𝑦 = 𝑙𝑛𝛽̂0 + 𝛽̂1 𝑥
∗
𝐻1 : 𝛽1 ≠ 0

-3-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Utilizando la prueba T – Student (Tabla de coeficientes)

Hipótesis a resolver según el modelo:

Si es cuadrático Lineal, Potencia o Exponencial
𝐻0 : 𝛽2 = 0 𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽2 ≠ 0 𝐻1 : 𝛽1 ≠ 0

𝐻0 : . . . . . . .. Modelo no válido o no significativo

𝐻1 : . . . . . .. Modelo válido o significativo

Regla de decisión estadística usando Sig = Valor P:

Condición Decisión
Si Sig < α → Rechazar Ho
Si Sig ≥ α → No rechazar Ho

3° Predecir los valores sobre el pronóstico de la variable dependiente (Y)

Construcción de un Intervalo de Confianza. Para hallar un intervalo de confianza del (100 - α) % para
un valor medio o un valor individual de Y, se tiene el siguiente cuadro:

Modelo Valor individual (Disponible en SPSS) Valor medio (NO disponible en SPSS)

1 (x0 - x̅)2 1 (x0 - x̅)2

Exponencial Ln(𝑦̂0 ) ∓ t(α, n - 2) * Se *√1 + + Ln(𝑦̂0 ) ∓ t(α, n - 2) * Se * √ +
2 n sxx 2 n sxx

2 2
̅̅̅̅̅̅ )
1 (ln(x0 ) - ln(x) ̅̅̅̅̅̅ )
1 (ln(x0 ) - ln(x)
Potencia Ln(𝑦̂0 ) ∓ t(α, n - 2) * Se * √1 + + Ln(𝑦̂0 ) ∓ t(α, n - 2) * Se *√ +
2 n sxx 2 n sxx

𝑆𝐶𝑅 𝑆𝐶𝐸
Donde: 𝑆𝑥𝑥 = ̂12 ; 𝑆𝑒 = √ = √𝐶𝑀𝐸
𝛽 𝑛−2

𝑆𝑒 : es el error estándar de la estimación, mide la variabilidad o dispersión de los valores muestrales

y observados alrededor de la recta de regresión.

IMPORTANTE: Los valores que obtenemos en los intervalos corresponden al IC del modelo
linealizado, para calcular los valores reales de “Y”, se debe elevar cada uno de los términos del
intervalo a la “potencia e”.

-4-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Ejercicios a desarrollar:

Situación 1:

Ernesto Hurtado, jefe de la tienda Miraflores, desea encontrar el mejor modelo lineal o no lineal que
explique el monto total de compra en (miles de soles), en función del número de scooters comprados
por los clientes. Para ello, toma una muestra aleatoria de 10 compras realizadas por los clientes y
registra la información que se muestra a continuación: Nota: y=f(x)
Número de Scooters
4 9 3 11 6 24 28 25 27 29
comprados: X
Monto total de compra
9 10 6 16 8 22 35 24 28 32
(Miles de soles): Y
Ernesto, en base al mejor modelo obtenido y validado, desea estimar el monto total de compra si
Número de Scooters comprados es de 25 unidades, de tal manera que, si el monto total de compra
es superior a los 17000 soles, realizará un sorteo de un bono económico entre los trabajadores de la
tienda. Para ello utilice un nivel de confianza del 95% y un nivel de significación del 1% y redacte el
objetivo específico.

A continuación, se presenta los reportes del SPSS:

Resumen de modelo y estimaciones de parámetro

Variable dependiente: Y_Monto_compra
Resumen del modelo Estimaciones de parámetro
Ecuación R cuadrado F gl1 gl2 Sig. Constante b1 b2
Lineal .934 113.058 1 8 <.001 3.281 .947
Cuadrático .944 59.329 2 7 <.001 6.636 .252 .021
Potencia .937 118.812 1 8 <.001 2.687 .708
Exponencial .943 132.542 1 8 <.001 6.231 .057
La variable independiente es X_N_Scooters.

-5-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

LINEAL CUADRATICO

Resumen del modelo Resumen del modelo

R cuadrado Desv. Error de
R R cuadrado ajustado estimación R R cuadrado Desv. Error de
.966 .934 .926 2.903 R cuadrado ajustado estimación
La variable independiente es X_N_Scooters.
.972 .944 .928 2.849
La variable independiente es X_N_Scooters.

ANOVA ANOVA
Suma de Media Suma de Media
cuadrados gl cuadrática F cuadrados gl cuadrática F
Regresión 952.594 1 952.594 113.058 Regresión 963.179 2 481.589 59.329
Residuo 67.406 8 8.426 Residuo 56.821 7 8.117
Total 1020.000 9 Total 1020.000 9
La variable independiente es X_N_Scooters. La variable independiente es X_N_Scooters.

Coeficientes Coeficientes
Coeficientes Coeficientes no Coeficientes
no Coeficientes estandarizados estandarizados
estandarizados estandarizados Desv.
Desv. B Error Beta t
B Error Beta t X_N_Scooters .252 .615 .257 .410
X_N_Scooters .947 .089 .966 10.633 X_N_Scooters .021 .019 .716 1.142
(Constante) 3.281 1.740 1.886 ** 2
(Constante) 6.636 3.398 1.953

POTENCIA EXPONENCIAL

Resumen del modelo Resumen del modelo

R cuadrado Desv. Error de R cuadrado Desv. Error de
R R cuadrado ajustado estimación R R cuadrado ajustado estimación
.968 .937 .929 .170 .971 .943 .936 .162
La variable independiente es X_N_Scooters. La variable independiente es X_N_Scooters.

ANOVA ANOVA
Suma de Media Suma de Media
cuadrados gl cuadrática F cuadrados gl cuadrática F
Regresión 3.435 1 3.435 118.812 Regresión 3.458 1 3.458 132.542
Residuo .231 8 .029 Residuo .209 8 .026
Total 3.666 9 Total 3.666 9
La variable independiente es X_N_Scooters. La variable independiente es X_N_Scooters.

-6-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Coeficientes Coeficientes
Coeficientes Coeficientes
no Coeficientes no Coeficientes
estandarizados estandarizados estandarizados estandarizados
Desv. Desv.
B Error Beta t B Error Beta t
ln(X_N_Scooters) .708 .065 .968 10.900 X_N_Scooters .057 .005 .971 11.513
(Constante) 2.687 .464 5.792 (Constante) 6.231 .603 10.328
La variable dependiente es ln(Y_Monto_compra). La variable dependiente es ln(Y_Monto_compra).

Solución:
Objetivo específico: Determinar si se realizará un sorteo de un bono económico entre los
trabajadores de la tienda.
Si el monto total de compra es superior a los 17000 soles, cuando el número de scooters comprado
es de 25 unidades, se tomará dicha decisión.

INTERPRETACIÓN
Determinar si se realizará un sorteo de un bono económico entre los trabajadores de la tienda.
REPRESENTACIÓN
Sean las variables,
Variable X (independiente): Número de Scooters comprados
Variable Y (dependiente): Monto total de compra (miles de soles)
-7-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Herramienta Estadística: Regresión No Lineal (y regresión lineal simple)

Hipótesis de validación según el modelo:
Si es cuadrático Lineal, Potencia o Exponencial
𝐻0 : 𝛽2 = 0 𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽2 ≠ 0 𝐻1 : 𝛽1 ≠ 0
Nivel de confianza = 95% (Se usa para Intervalos de confianza)
Nivel de significación = 1% (Se usa para Prueba de Hipótesis)

CÁLCULO Y ANÁLISIS:

1°. Ordenar los modelos (Ranking)

2
Modelo R Ranking

Lineal 0.934 4
Cuadrático 0.944 1
Potencia 0.937 3
Exponencial 0.943 2

2° Validación de los modelos:

Modelo cuadrático 𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥 + 𝛽̂2 𝑥 2

Utilizando la Prueba t (Usar tabla de Coeficientes)
𝑯𝟎 : 𝜷𝟐 = 𝟎; Modelo no válido o no significativo
𝑯𝟏 : 𝜷𝟐 ≠ 𝟎; Modelo válido o significativo
Alfa=0.01
Coeficientes
Coeficientes no Coeficientes
estandarizados estandarizados
B Desv. Error Beta t
X_N_Scooters: B1 .252 .615 .257 .410
X_N_Scooters ** 2: B2 .021 .019 .716 1.142
(Constante): B0 6.636 3.398 1.953
Estadístico de prueba: 𝑇𝑐𝑎𝑙 = 1.142

-3.4995 t(0.005; n-p=10-3=7)=3.4995

p: número de parámetros (número de betas)
tcrítico: t(0.005; n-p=10-3=7)=3.4995 y -3.4995 Con el Excel: =INV.T(0.005;7)=-3.4995
Decisión estadística: NRHo

-8-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Conclusión estadística: Con un nivel de significación de 0,01, no se puede afirmar que el modelo
cuadrático es válido.

̂
Modelo exponencial 𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑥
Utilizando la Prueba t (Usar tabla de Coeficientes)
𝑯𝟎 : 𝜷𝟏 = 𝟎; Modelo no válido o no significativo
𝑯𝟏 : 𝜷𝟏 ≠ 𝟎; Modelo válido o significativo
Alfa=0.01

Coeficientes
Coeficientes no estandarizados estandarizados
B Desv. Error Beta t
X_N_Scooters: B1 .057 .005 .971 11.513
(Constante): B0 6.231 .603 10.328

Estadístico de prueba: 𝑇𝑐𝑎𝑙 = 11.513

-3.3554 t(0.005; n-p=10-2=8)=3.3554

p: número de parámetros (número de betas)
tcrítico: t(0.005; n-p=10-2=8)=3.3554 y -3.3554 Con el Excel: =INV.T(0.005;8)=-3.3554
Decisión estadística: RHo
Conclusión estadística: Con un nivel de significación de 0,01, se puede afirmar que el modelo
exponencial es válido.

Ecuación de Regresión No Lineal estimada (usando la Tabla de Coeficientes):

̂
𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑥
𝑦̂ = 6.231𝑒 0.057𝑥

El modelo adecuado que debe elegir el administrador para estimar el monto total de compra es el
modelo exponencial.

3°. Estimación y predicción con el modelo

Se requiere estimar el monto total de compra (en miles de soles) si el número de scooters
comprados es 25.

-9-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Predicción por intervalo de confianza (valor individual):

𝐼𝐶(𝑌/𝑥0 = 25) = [17.34935, 38.78642] miles de soles

Con un nivel de confianza del 95%, se espera que el verdadero monto total de compra se encuentre
contenido en el intervalo [17,34935 ; 38.78642] miles de soles, si el número de scooters comprados
es 25.

ARGUMENTACIÓN
De acuerdo con los resultados obtenidos, el jefe de tienda de Miraflores debe realizar un sorteo de
un bono económico entre los trabajadores de la tienda, ya que el intervalo hallado es mayor 17 mil
soles en todo el recorrido.

-
10
-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

LOS ESTUDIANTES FORMARÁN GRUPOS, DEBEN RESPONDER Y EXPONER LA

SOLUCIÓN DEL SIGUIENTE EJERCICIO

Situación 2:

El administrador de la tienda de San Isidro desea encontrar el mejor modelo lineal o no lineal, que
explique los ingresos por reparación y mantenimiento de los scooteres en función del número de
meses de garantía. Para realizar este análisis, usted cuenta con la información de una muestra
aleatoria de 12 operaciones realizadas por los clientes, los cuales se muestra en la siguiente tabla:

Meses de Garantía 6 9 12 18 18 18 6 9 12 12 12 12

Ingresos por reparación y

1200 1600 2000 2400 2900 2800 1000 1800 2000 1800 2800 2700
mantenimiento

Ahora, si al estimar el monto de los ingresos por reparación y mantenimiento cuando el número de
meses de garantía es 15 resulte mayor a 1700 soles, el administrador de la tienda otorgará como
cortesía al cliente una regulación y ajuste gratuito de los frenos del scooter en el taller de la tienda.
Trabaje con un nivel de confianza del 95% y un nivel de significación del 1%. Redacte su objetivo
específico.

A continuación, se presenta los reportes/salidas del software estadístico SPSS:

Resumen de modelo y estimaciones de parámetro

Variable dependiente: Y_Ingre_Repa_Manten
Resumen del modelo Estimaciones de parámetro
Ecuación R cuadrado F gl1 gl2 Sig. Constante b1 b2
Lineal .707 24.126 1 10 <.001 556.061 127.273
Cuadrático .775 15.532 2 9 .001 -787.207 370.048 -9.782
Potencia .805 41.254 1 10 <.001 274.713 .816
Exponencial .713 24.888 1 10 <.001 871.624 .068
La variable independiente es X_Garantía.

-
11
-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Tablas de Resumen del modelo, ANOVA y Coeficientes de cada modelo:

LINEAL CUADRÁTICO
Resumen del modelo
R cuadrado Desv. Error de Resumen del modelo
R R cuadrado ajustado estimación R cuadrado Desv. Error de

.841 .707 .678 364.609 R R cuadrado ajustado estimación

La variable independiente es X_Garantía. .881 .775 .725 336.505

La variable independiente es X_Garantía.
ANOVA ANOVA
Suma de cuadrados gl Media cuadrática F Suma de Media

Regresión 3207272.727 1 3207272.727 24.126 cuadrados gl cuadrática F

Residuo 1329393.939 10 132939.394 Regresión 3517544.789 2 1758772.395 15.532

Total 4536666.667 11 Residuo 1019121.877 9 113235.764

La variable independiente es X_Garantía. Total 4536666.667 11

La variable independiente es X_Garantía.

Coeficientes
Coeficientes Coeficientes no Coeficientes
Coeficientes no Coeficientes estandarizados estandarizados
estandarizados estandarizados Desv.
Desv. B Error Beta t
B Error Beta t X_Garantía 370.048 148.601 2.445 2.490
X_Garantía 127.273 25.912 .841 4.912 X_Garantía -9.782 5.910 -1.625 -1.655
(Constante) 556.061 328.270 1.694 ** 2
(Constante) - 866.201 -.909
787.207

EXPONENCIAL POTENCIA

Resumen del modelo Resumen del modelo

Desv. Error de R R cuadrado Desv. Error de
R R cuadrado R cuadrado ajustado estimación R cuadrado ajustado estimación
.845 .713 .685 .193 .897 .805 .785 .159
La variable independiente es X_Garantía. La variable independiente es X_Garantía.

ANOVA ANOVA
Suma de Media Suma de Media
cuadrados gl cuadrática F cuadrados gl cuadrática F
Regresión .927 1 .927 24.888 Regresión 1.046 1 1.046 41.254
Residuo .373 10 .037 Residuo .254 10 .025
Total 1.300 11 Total 1.300 11
La variable independiente es X_Garantía. La variable independiente es X_Garantía.
-
12
-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Coeficientes Coeficientes
Coeficientes no Coeficientes Coeficientes no Coeficientes
estandarizados estandarizados estandarizados estandarizados
Desv. Desv.
B Error Beta t B Error Beta t
X_Garantía .068 .014 .845 4.989 ln(X_Garantía) .816 .127 .897 6.423
(Constante) 871.624 151.494 5.754 (Constante) 274.713 85.451 3.215
La variable dependiente es ln(Y_Ingre_Repa_Manten). La variable dependiente es ln(Y_Ingre_Repa_Manten).

Solución:
Objetivo específico: Determinar si el administrador de la tienda otorgará como cortesía al cliente
una regulación y ajuste gratuito de los frenos.

INTERPRETACIÓN
Determinar si el administrador de la tienda otorgará como cortesía al cliente una regulación y ajuste
gratuito de los frenos del scooter en el taller de Smart King.

REPRESENTACIÓN
Sean las variables,
Variable X (independiente): Meses de Garantía
Variable Y (dependiente): Ingresos por reparación y mantenimiento
Herramienta Estadística: Regresión No Lineal
Hipótesis a resolver según el modelo:
Si es cuadrático Lineal, Potencia o Exponencial
𝐻0 : 𝛽2 = 0 𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽2 ≠ 0 𝐻1 : 𝛽1 ≠ 0

Nivel de confianza = 95% (Se usa para Intervalos de confianza)

Nivel de significación = 1% (Se usa para Prueba de Hipótesis)
-
13
-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

CÁLCULO:

1°. Ordenar los modelos

2
Modelo R Ranking

Lineal 0.707 4
Cuadrático 0.775 2
Potencia 0.805 1
Exponencial 0.713 3

2° Validación de los modelos:

̂
Modelo Potencia: 𝑦̂ = 𝛽̂0 𝑥 𝛽1

Utilizando la Prueba t (Usar tabla de Coeficientes)

𝑯𝟎 : 𝜷𝟏 = 𝟎; Modelo no válido o no significativo
𝑯𝟏 : 𝜷𝟏 ≠ 𝟎; Modelo válido o significativo

Coeficientes
Coeficientes
Coeficientes no estandarizados estandarizados
B Desv. Error Beta t
ln(X_Garantía) .816 .127 .897 6.423
(Constante) 274.713 85.451 3.215
La variable dependiente es ln(Y_Ingre_Repa_Manten).

Estadístico de prueba: 𝑇𝑐𝑎𝑙 = 6.423 Valor crítico T(0.005;10) = ±3.1693

Como Tcalc = 6.423 > 3.1693
Decisión estadística: Rechazar Ho
Conclusión estadística: Con un nivel de significación de 0,01, se puede afirmar que 𝛽1 ≠ 0, por lo
tanto, el modelo Potencia es Válido.

El modelo adecuado que debe elegir el administrador para estimar/predecir el monto de ingresos
por concepto de reparación y mantenimiento del scooter es el Modelo Potencia.

-
14
-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Ecuación de Regresión No Lineal estimada (usando la Tabla de Coeficientes):

̂ 𝟎 𝒙𝜷𝟏 ̂
̂=𝜷
𝒚
̂ = 𝟐𝟕𝟒. 𝟕𝟏𝟑 𝒙𝟎.𝟖𝟏𝟔
𝒀

3°. Estimación y predicción con el modelo

Se requiere estimar el monto de los ingresos por reparación y mantenimiento si el número de meses
de garantía es 15.

Predicción por intervalo de confianza (valor individual):

Del Texto:
Ahora, al estimar el monto de los ingresos por reparación y mantenimiento cuando el número de
meses de garantía es 15 resulte mayor a 1700 soles, el administrador de la tienda otorgará como
cortesía al cliente una regulación y ajuste gratuito de los frenos del scooter en el taller de la tienda.
Trabaje con un nivel de confianza del 95%.

𝐼𝐶(𝑌/𝑥0 = 15 ) = [1713.37066 ; 3649.61398]

Con un nivel de confianza del 95%, se espera que el verdadero monto de los ingresos por reparación
y mantenimiento se encuentre contenido en el intervalo [1713.37066 ; 3649.61398] soles, si el
número de meses de garantía es 15.
-
15
-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

ANÁLISIS Y ARGUMENTACIÓN

De acuerdo con los resultados obtenidos, el administrador de la tienda otorgará como cortesía al
cliente una regulación y ajuste gratuito de los frenos del scooter en el taller de la tienda.

-
16
-
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Semana 10 – Sesión 02

Logro: Al finalizar la sesión, el estudiante aplica conceptos de regresiones lineales y no lineales para predecir
el valor de la variable dependiente en función de otras variables, a partir de la resolución de casos de su
especialidad apreciando la utilidad de los modelos de regresión.

Laboratorio Semana Nº 10

La base de datos que se encuentra en el AV con el nombre MA461_202202_Semana 10_Sesión

02_BD.sav corresponde a los registros de ventas de vehículos de la empresa GreenLima.

Regla de decisión usando SIG

Condición Decisión

SIG < α Rechazar H0

SIG ≥ α No rechazar H0

Situación 1
El administrador de la Empresa Green Lima desea encontrar el mejor modelo no lineal, que le
permita estimar el monto total de compra en función del costo por reparación y mantenimiento de
los vehículos. Con el modelo obtenido y considerando solo a los clientes del distrito de Los Olivos
que usan el medio de pago Transferencia bancaria estimará el monto total de compra de vehículos
cuando el costo por reparación y mantenimiento es de 200 soles; si la estimación es mayor a 7000
soles, el administrador de la tienda otorgará a los clientes un mantenimiento gratuito a los 3 meses
de la compra del vehículo. Utilice un nivel de confianza del 99%, un nivel de significación del 1% y
redacte el objetivo específico.
Solución:
Objetivo específico:
Determinar si el administrador de la tienda otorgará a los clientes un mantenimiento gratuito a los
3 meses de la compra del vehículo.
Esta decisión se tomará si el monto total de compra de vehículos, cuando el costo por reparación y
mantenimiento es de 200 soles, es mayor a 7000 soles.
INTERPRETACIÓN
Determinar si el administrador de la tienda otorgará a los clientes un mantenimiento gratuito a los
3 meses de la compra del vehículo.
REPRESENTACIÓN
Sean las variables,
Variable X (independiente): Costo por reparación y mantenimiento
Variable Y (dependiente): Monto total de compra
Herramienta Estadística: Regresión No Lineal
Filtros: Distrito=3 & Medio=3
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión
Hipótesis por resolver según el modelo:

Si es cuadrático Potencia o Exponencial

𝐻0 : 𝛽2 = 0 𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽2 ≠ 0 𝐻1 : 𝛽1 ≠ 0
Nivel de confianza = 99% (Se usa para Intervalos de confianza)
Nivel de significación = 1% (Se usa para Prueba de Hipótesis)

En SPSS:

PARA EL FILTRO: Menú: Datos / Seleccionar casos / Si satisface la condición

PARA LA REGRESIÓN: MÉTODO POR PASOS

Menú: Analizar /Regresión / estimación curvilínea
Seleccionar en Dependientes: la variable dependiente y en Independientes: las variables
independientes (incluir todos menos lineales) / ACEPTAR
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

PARA REPORTE DE CADA UNO

Menú: Al lado de impresora/ estimación curvilínea /Seleccionar Ver Tabla ANOVA
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión
CÁLCULO:

1°. Ordenar los modelos

Resumen de modelo y estimaciones de parámetro

Variable dependiente: Monto total de compra
Resumen del modelo Estimaciones de parámetro
Ecuación R cuadrado F gl1 gl2 Sig. Constante b1 b2
Cuadrático .842 23.968 2 9 <.001 27850.657 -105.097 .122
Potencia .781 35.576 1 10 <.001 3295372.647 -1.072
Exponencial .756 30.906 1 10 <.001 18336.910 -.003
La variable independiente es Costo por concepto de mantenimiento y reparación.

2
Modelo R Ranking

Cuadrático 0.842 1
Potencia 0.781 2
Exponencial 0.756 3

2° Validación de los modelos:

Modelo cuadrático 𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥 + 𝛽̂2 𝑥 2

Coeficientes
Coeficientes
Coeficientes no estandarizados estandarizados
B Desv. Error Beta t Sig.

Costo por concepto de -105.097 41.709 -4.583 -2.520 .033

mantenimiento y reparación

Costo por concepto de .122 .060 3.716 2.043 .071

mantenimiento y reparación ** 2

(Constante) 27850.657 7166.751 3.886 .004

Utilizando la Prueba t (Usar tabla de Coeficientes)

𝑯𝟎 : 𝜷𝟐 = 𝟎; Modelo no válido o no significativo
𝑯𝟏 : 𝜷𝟐 ≠ 𝟎; Modelo válido o significativo
Alfa=0.01
Estadístico de prueba: 𝑇𝑐𝑎𝑙 = 2.043
Como Sig = 0.071 > Alfa=0.01
Decisión estadística: NRHo
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión
Conclusión estadística: Con un nivel de significación del 1%, no se puede afirmar que el modelo
cuadrático es válido.

̂
Modelo potencia 𝑦̂ = 𝛽̂0 𝑥 𝛽1
Coeficientes
Coeficientes
Coeficientes no estandarizados estandarizados
B Desv. Error Beta t Sig.

ln(Costo por concepto de -1.072 .180 -.884 -5.965 <.001

mantenimiento y reparación)

(Constante) 3295372.647 3464888.066 .951 .364

La variable dependiente es ln(Monto total de compra).

Utilizando la Prueba t (Usar tabla de Coeficientes)

𝑯𝟎 : 𝜷𝟏 = 𝟎; Modelo no válido o no significativo
𝑯𝟏 : 𝜷𝟏 ≠ 𝟎; Modelo válido o significativo
Alfa=0.01
Estadístico de prueba: 𝑇𝑐𝑎𝑙 = −5.965
Como Sig: <0.001 < Alfa=0.01
Decisión estadística: RHo
Conclusión estadística: Con un nivel de significación del 1%, se puede afirmar que el modelo
potencia es válido.

El modelo adecuado que debe elegir el administrador de tienda para estimar/predecir el monto
total de compra es el Modelo potencia:

𝑦̂ = 3295372.647𝑥 −1.072

3°. Estimación y predicción con el modelo

Se requiere estimar el monto total de compra de vehículos cuando los costos por reparación y
mantenimiento es 200 soles.

Predicción por intervalo de confianza al 99% (valor individual):

Menú: Datos/ Seleccionar casos/ Aceptar (Para que no lo tache)
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

Menú: Al lado de impresora/ estimación curvilínea / Selecciona el mejor modelo

Guardar/ intervalo de predicción/ Continuar/ Aceptar

 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

𝐼𝐶(𝑌/𝑥0 = 200) = [7269.89503, 17352.82170] soles

Con un nivel de confianza del 99%, se puede afirmar que, cuando el costo por reparación y
mantenimiento es 200 soles, el monto total de compra se encuentra en el intervalo = [7269.89503,
17352.82170] soles

ANÁLISIS Y ARGUMENTACIÓN
De acuerdo con los resultados obtenidos, el administrador de la tienda otorgará a los clientes un
mantenimiento gratuito a los 3 meses de la compra del vehículo; ya que se verificó que el monto
total de compra estimado es mayor a 7000 soles en todo su recorrido.
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

LOS ESTUDIANTES FORMARÁN GRUPOS, DEBEN RESPONDER Y EXPONER LA

SOLUCIÓN DEL SIGUIENTE EJERCICIO

Situación 2:
Ernesto Hurtado, jefe de una de las tiendas de Empresa Green Lima, desea encontrar el mejor
modelo no lineal que explique el monto total de compra, en función del número de vehículos
comprados por los clientes.
Ernesto, en base al mejor modelo obtenido y validado, desea estimar el monto total de compra
cuando el número de vehículos comprado es de 5 unidades, solo de aquellos clientes que usen el
vehículo para su trabajo. De tal manera que, si el monto total de compra es superior a los 8000
soles, se realizará una revisión gratuita de aire acondicionado en la compra de vehículos en la tienda.
Para ello utilice un nivel de confianza del 95% y un nivel de significación del 5% y redacte el objetivo
específico.

Solución:
Objetivo específico: Determinar si el jefe de la tienda ordenará realizar una revisión gratuita de
aire acondicionado en la compra de vehículos en la tienda.

INTERPRETACIÓN
Determinar si el jefe de la tienda realizará ordenará realizar una revisión gratuita de aire
acondicionado en la compra de vehículos en la tienda.

REPRESENTACIÓN
Sean las variables,
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión
Variable X (independiente): Número de Vehículos comprado
Variable Y (dependiente): Monto total de compra
Herramienta Estadística: Regresión No Lineal
Hipótesis por resolver según el modelo:

Si es cuadrático Lineal, Potencia o Exponencial

𝐻0 : 𝛽2 = 0 𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽2 ≠ 0 𝐻1 : 𝛽1 ≠ 0
Nivel de confianza = 95% (Se usa para Intervalos de confianza)
Nivel de significación = 5% (Se usa para Prueba de Hipótesis)

CÁLCULO:

Resumen de modelo y estimaciones de parámetro

Variable dependiente: Monto total de compra
Resumen del modelo Estimaciones de parámetro
Ecuación R cuadrado F gl1 gl2 Sig. Constante b1 b2
Cuadrático .866 552.434 2 171 <.001 6926.061 -1911.722 616.247
Potencia .802 695.811 1 172 <.001 4864.006 .733
Exponencial .919 1963.652 1 172 <.001 3993.555 .245
La variable independiente es Número de vehículos comprados.

1°. Ordenar los modelos

2
Modelo R Ranking

Cuadrático 0.866 2°
Potencia 0.802 3°
Exponencial 0.919 1°

2° Validación de los modelos:

̂
Modelo Exponencial: 𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑋

Utilizando la Prueba t (Usar tabla de Coeficientes)

𝑯𝟎 : 𝜷𝟏 = 𝟎; Modelo no válido o no significativo

𝑯𝟏 : 𝜷𝟏 ≠ 𝟎; Modelo válido o significativo

Coeficientes
Coeficientes
Coeficientes no estandarizados estandarizados
B Desv. Error Beta t Sig.
 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión
Número de vehículos .245 .006 .959 44.313 <.001
comprados
(Constante) 3993.555 115.145 34.683 <.001
La variable dependiente es ln(Monto total de compra).

Estadístico de prueba: 𝑇𝑐𝑎𝑙 = 44.313

Como Sig = 0.001 < Alfa = 0.05
Decisión estadística: Rechazar Ho
Conclusión estadística: Con un nivel de significación del 5%, se puede afirmar que 𝛽1 ≠ 0, por lo
tanto, el modelo Exponencial es Válido.

El modelo adecuado (válido) que debe elegir el administrador para estimar/predecir el monto total
de compra es el Modelo Exponencial.

Ecuación de Regresión No Lineal estimada (usando la Tabla de Coeficientes):

Coeficientes
Coeficientes
Coeficientes no estandarizados estandarizados
B Desv. Error Beta t Sig.
Número de vehículos .245 .006 .959 44.313 <.001
comprados
(Constante) 3993.555 115.145 34.683 <.001
La variable dependiente es ln(Monto total de compra).

̂
𝑦̂ = 𝛽̂0 𝑒 𝛽1𝑥
𝑌̂ = 3993.555𝑒 0.245 𝑋

3°. Estimación y predicción con el modelo

Se requiere estimar el monto total de compra de vehículos cuando el número de vehículos
comprados es 5 unidades.

Predicción por intervalo de confianza al 95% (valor individual):

 MA461 Estadística Inferencial
UNIDAD 3: Análisis de Regresión

𝐼𝐶(𝑌/𝑥0 = 5 ) = [9306.63189 ; 19920.77344]

Con un nivel de confianza del 95%, cuando el número de vehículos comprados es 5 unidades, el
monto total de compra de vehículos se encuentra contenido en el intervalo
[9306.63189 ; 19920.77344] soles.

ANÁLISIS Y ARGUMENTACIÓN
De acuerdo con los resultados obtenidos, el jefe de la tienda ordenará realizar una revisión gratuita
de aire acondicionado en la compra de vehículos en la tienda, ya que el monto total de compra
estimado es mayor de 8000 soles en todo su recorrido.