Ingresos (X) Ahorros (Y) y_est residuales
350 100 83.1504065 16.8495935
400 110 105.7317073 4.268292683
450 130 128.3130081 1.68699187
500 160 150.8943089 9.105691057
950 350 354.1260163 -4.12601626
850 350 308.9634146 41.03658537
700 250 241.2195122 8.780487805
900 320 331.5447154 -11.5447154
600 130 196.0569106 -66.0569106
633.3333333 211.1111111 SCE =
num_beta1 185166.6667
den_beta1 410000
beta1 = 0.451626016
beta0 = -74.91869919
SCT = 90288.88889
90288.88889
SCR = 83626.08401
SCE = 6662.804878
FV SC GL MC Fcal
Regresión 83626.08401 1 83626.084011 87.858281728
Error 6662.804878 7 951.82926829
Total 90288.88889 8
residuales^2 X^2 Y^2 XY
283.908801 122500 10000 35000
18.21832243 160000 12100 44000
2.845941569 202500 16900 58500
82.91360962 250000 25600 80000
17.02401018 902500 122500 332500
1684.001338 722500 122500 297500
77.09696609 490000 62500 175000
133.2804548 810000 102400 288000
4363.515434 360000 16900 78000
6662.804878 4020000 491400 1388500
Sxx = 410000 Sx^2 =
Syy = 90288.8889 Sy^2 =
Sxy = 185166.667 Covxy =
p-value
3.2724883E-05
51250 Sx = 226.384628
11286.1111 Sy = 106.23611
23145.8333
R= 0.96239582
R^2 = 0.92620571
#DIV/0!
Y= = Años de = Número
= Edad
Salarios ($) servicio de hijos
600 5 33 0
620 4 34 3
500 2 35 4 Y = Salarios ($)
700 7 34 2 = Años de servic
800 7 35 2 = Edad
850 9 40 0 = Número de hij
750 4 38 3
900 6 29 5
500 3 39 6
R= 0.78809116 Cov =
-0.20293161
-0.27902757
Y = Salarios ($) = Años de servicio = Edad = Número de hijos
1
0.78809115961 1
-0.2029316149 0.02584874313 1
-0.2790275721 -0.6191096416 -0.1363144311 1
255.972222222
-100.27777778
-83.472222222
a) Analice el diagrama
de dispersión.
a) Analice el
diagrama de
dispersión.
Ingresos X
350
400
450
500
950
850
700
900
600
Prom 633.333333333333
SUMA
Anova
Ingresos X
Ingresos X 1
Y Ahorro 0.962395815277707
el ahorro es explicado en un 96.2% por el nivel de ingreso
concluyendo que existe una correlacion lineal fuerte entre
s raiz MCA
Fuente de variabilidad
Regresión
Error o residual
Total
0.926205705264043 R^2
0.962395815277708 R=
a) Calcule el coeficiente de correlación. Interprete.
P. Value
Como el coeficiente de correlación r es igual al 90 y 0.96 lo cual es superior a cero 8 decimos que existe una correlación lineal
Fuente de variabilidad
Regresión
Error o residual
Total
H) Estime el monto del ahorro para un ingreso
800
EJERCICIO 2
a) Estime un modelo de regresión lineal simple.
b) Mida el nivel de ajuste de la estimación del modelo de
regresión a los datos de la muestra.
c) Calcule el error estándar de la estimación.
d) Calcule los residuales.
e) Determine si el efecto del ausentismo sobre la edad es
significativo, con un α = 0.05.
PROM
SUMA
n
40.350728079495
PRACTICA 3
X=Unidades producidas
15
45
55
75
30
40
45
20
18
10
PROM 35.3
SUM
10 n
SXX
SYY
SXY
B1
BO
CovXY
SX^2
SY{2
SY
SX
EJERCICIO 4
Durante un mes el defensor del consumidor registró en 60
mercados el número de reclamos de los consumidores por fechas
de vencimiento de productos (X) y las pérdidas ocasionadas en
soles (Y) a los mercados. Los resultados los resumió como sigue:
Determine la estimación del modelo de regresión lineal.
Pruebe la significación de la pendiente de la regresión estimada,
con un α = 0.05.
Mida y describa el ajuste del modelo de regresión a los datos de la
muestra.
Calcule el error estándar de la estimación.
n
SXX
SYY
SXY
B1
BO
CovXY
SX^2
SY{2
SY
SX
Y = Salarios ($) = Años de servicio
100 350
110 400
130 450
160 500
350 950
350 850
250 700
320 900
130 600
a) Analice el
diagrama de
dispersión.
Podemos mencionar que la gráfica de re regresión um se ajusta visualmente se ajusta de modo tiene
por el valor de r2 decimos que el modelo posee una correlacion lineal moderada
n 9
Y Ahorro Y techito pronosticady^2 XY
100 83.150406504065 10000 35000
110 105.731707317073 12100 44000
130 128.313008130081 16900 58500
160 150.894308943089 25600 80000
350 354.126016260163 122500 332500
350 308.963414634146 122500 297500
250 241.219512195122 62500 175000
320 331.544715447155 102400 288000
130 196.056910569106 16900 78000
211.111111111111
491400 1388500
Y Ahorro
licado en un 96.2% por el nivel de ingreso de acuwero al coeficiente de correlacion R
e existe una correlacion lineal fuerte entre la variable ahorro y el nivel de ingreso
Suma de cuadrados Grados de libertad Medias cuadráticas Estadístico de la prueba F
SCR=B1*Sxy 1=k MCR = SCR/1 Fcal = MCR/MCE
SCE=SCT-SCR n - 1-k MCE = SCE/(n-2)
SCT=Syy n-1
SCR/SCT 0.926205705264043
Covxy/Sy*Sx B1Sx/Sy SCE=
1-distr.ficher.n.(F.critic; k;n-1-k)
decimos que existe una correlación lineal positiva fuerte entre las variables xii
SCT=
9
SCR=
Suma de cuadrados Grados de libertad Medias cuadráticas Estadístico de la prueba F
83626.0840108402 1 83626.0840108402 87.858281728238
6662.8048780487 7 951.829268292672
90288.8888888889 8
0
g) Calcule el error
estándar de
monto del ahorro para un ingreso de $800.
estimación.
286.382113821138
s^2=
s^2=
Y=Ausentismo (días por aEdad (años) =X x^2 xy
18 25 625 450
12 46 2116 552
8 58 3364 464
15 37 1369 555
10 55 3025 550
13 32 1024 416
7 41 1681 287
9 50 2500 450
16 23 529 368
6 60 3600 360
11.4 42.7
19833 4452
10 syy 148.4
sxy -415.8
sxx 1600.1
Covxy -46.2
y=bo+b1x
bo=y-b1x
R -0.85328472637342
R^2 0.728094824262164
s=
ho: B1=0 b1 NO tiene un impacto significativo en el modleo
H1:B1=!1 b1 TIENE un impacto significativo en el modleo
scr 1 mcr fcal=mcr/mce
sce n-1 mce
sct n-2
f critic 5.11735502919923
108.049271920505 1 108.049271920505 24.099774491522
40.3507280794947 9 4.48341423105497
148.4 8 18.55
como f cal e a RC rechazamos Ho por tanto podemos decir que es modleo es valido
x edad tiene impacto significativo en y ausentismo
a menor edad mayor ausentismoo
Y=Gastos generales
($) X^2 XY Y^2
300 225 4500 90000
1000 2025 45000 1000000
1100 3025 60500 1210000
1200 5625 90000 1440000
600 900 18000 360000
800 1600 32000 640000
900 2025 40500 810000
500 400 10000 250000
400 324 7200 160000
200 100 2000 40000
700
16249 309700 6000000
Ho: b1 =0
3788.1 H1: b1=!0
1100000 1034492.22565402
62600 65507.7743459787
16.525434914601 1100000
116.652147514586
6955.55555555556 6955.55555555556
420.9
122222.222222222
20.5158475330658
349.602949390051
60 y=60-4X
1000
18000
-4000 16000 1
-4 2000 59
60 18000 58
-67.7966101694915
a) supuestos
independencia de las variables aleatorias ej
normalidad de ej los errores siguen una distribucion normla
linealidad lamedia de lso errores es iguala 0
homocedasticidad la varianza de la variable aleatoria eij es cosntante para cad avlor de
400
350
ahorro Y
f(x) = 0.451626016260163 x − 74.9186991869919
300 R² = 0.926205705264043
250
200
150
100
50
0
300 400 500 600 700 800 900
a visualmente se ajusta de modo tiene una tiene un la bueno los datos de esta muestra poseen una ah tienen una regresión lineal positiva
n lineal moderada
X^2 syy 90288.8889
122500 sxy 185166.667
160000 sxx 410000
202500 Covxy 23145.8333
250000
902500 y=bo+b1x
722500 bo=y-b1x
490000
810000
360000
4020000
Sx^2 11286.1111111111 Sy 106.23611
Sy^2 51250 Sx 226.384628
B1 0.451626016260163
Bo -74.918699186992
Y=200.38+2.1(X)
P. Value
1-distr.ficher.n.(F.critic; k;n-1-k)
a) ¿Qué tan bien se ajusta el
modelo lineal a los datos
muestrales?
De acuerdo al valor de r cuadrado podemos concluir que el modelo se ajusta tiene un ajuste fuerte oh no no tiene un buen aju
El tipo de relación que existe entre entre la variable y griega denominada ahorro y la variable x denominada ingreso está deter
P. Value
0.0000327
Edad (años)
25
46
58
37
55
951.829268292672 32
30.8517303938154 41
50
23
60
y^2 y techito eij eij^2
324 15.9995000312 2.00049996875195 4.00200012
144 10.5424660959 1.45753390413099 2.12440508
64 7.42416098994 0.575839010061875 0.33159057
225 12.8811949253 2.11880507468283 4.48933494
100 8.20373726642 1.79626273357915 3.22655981
169 14.1804887195 -1.18048871945504 1.39355362 Y=
49 11.84175989 -4.84175989000688 23.4426388 20
81 9.50303106056 -0.503031060558714 0.25304025
18
256 16.5192175489 -0.519217548903203 0.26958686
16
36 6.90444347228 -0.904443472282978 0.81801799 f(x) = − 0.2598587
14 R² = 0.728094824
1448 -0.000000000000018 40.3507281 SCE 12
10
8
Sx^2 177.788888889 Sy 13.33375 6
Sy^2 16.4888888889 Sx 4.06065129
4
B1 -0.2598587588
2
Bo 22.4959690019
0
20 25 30
Y=200.38+2.1(X)
-0.853284726373421
Ӯ eij eij²
364.5336712336 -64.533671234 4164.5947228864
860.29671867163 139.703281328 19517.0068139138
1025.55106781764 74.4489321824 5542.64350309375
1356.05976610966 -156.05976611 24354.6505982015
612.415194952615 -12.415194953 154.137065711435
777.669544098625 22.3304559014 498.649260763268
860.29671867163 39.7032813284 1576.35054823973
447.160845806605 52.8391541934 2791.97621587336
414.109975977403 -14.109975977 199.091422082893
281.906496660595 -81.906496661 6708.67419521211
7000 -7.3896445E-13 65507.7743459782 sCE
x NO es significativo en y
x es significativo en y
1 1034492.22565 142.127100544025 F.Cal
9 7278.641594
8 f cal e RC x tanto rechazamos Ho
el modelo es valido y x tiene. imp
16000 472 F.cal
33.8983050847458
4.00398250313 F.critic
R 0.88888888889
R² 0.79012345679
s 5.8222250974
aproximadamente un 68% de los datos esta al redwedor de 5 unidades cerca de la linea de rregresion
j es cosntante para cad avlor de X ingresos X ahorro Y
350 100
400 110
450 130
500 160
950 350
850 350
700 250
ro Y
991869919 900 320
600 130
700 800 900 1000
en una regresión lineal positiva con un buen ajuste determinado visualmente ya que la mayoría de los datos de la muestra son aledaños a
error (Eij) e^2
16.849593496 283.908801
4.2682926829 18.2183224
1.6869918699 2.84594157
9.1056910569 82.9136096
-4.12601626 17.0240102
41.036585366 1684.00134
8.7804878049 77.0969661
-11.54471545 133.280455
-66.05691057 4363.51543
erte oh no no tiene un buen ajuste ajá un modelo tiene un buen ajuste
denominada ingreso está determinado por el valor de r en este caso al ser positivo y mayor a 0.8 concluimos que existió una relación pos
Y=Ausentismo (días por año)
18
12
8
15
10
13
7
9
16
6
Y=Ausentismo (días por
Edadaño)
(años) =X
Y=Ausentismo ( 1
Edad (años) =X -0.85328473 1
Y=Ausentismo (días por año)
20
18
16 f(x) = − 0.259858758827573 x + 22.4959690019374
14 R² = 0.728094824262163
12
10
8
6
4
2
0
20 25 30 35 40 45 50 55 60 65
5.1173550292 F.Critic
cal e RC x tanto rechazamos Ho B1 =!1
modelo es valido y x tiene. impacto significativo en y
ahorro Y
400 Y=200.38+2.1(X)
350
f(x) = 0.451626016260163 x1.2
− 74.9186991869919
f(x) = NaN x + NaN
300 R² = 0.926205705264043 R² = 0
250 1
200
150 0.8
100
0.6
50
0 0.4
300 400 500 600 700 800 900 1000
0.2
0
0.8 1 1.2 1.4 1.6 1.8 2
s datos de la muestra son aledaños a los valores pronosticados a través del recta de regresión
cluimos que existió una relación positiva fuerte entre estas 2 variables concluyendo que específicamente el 96% de un valores de de los v
1.6 1.8 2
l 96% de un valores de de los valores de de y pronosticado están explicados por por x por el valor de x
