2.

X Y
0 1
1 4
2 5
3 3
4 2
5 3
6 4
7 5
8 4
9 3
10 1
11 2
13 4
15 5
16 3
17 2
18 1
19 0,5
Transformando la tabla:
X Y X
2
X
3

0 1 0 0
1 4 1 1
2 5 4 8
3 3 9 27
4 2 16 64
5 3 25 125
6 4 36 216
7 5 49 343
8 4 64 512
9 3 81 729
10 1 100 1000
11 2 121 1331
13 4 169 2197
15 5 225 3375
16 3 256 4096
17 2 289 4913
18 1 324 5832
19 0,5 361 6859

Resumen del modelo(b)
Modelo R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin Durbin-Watson
1
,488(a) ,238 ,075 1,42137 1,246
a. Variables predictoras: (Constante), x3, x, x2
b. Variable dependiente: y

ANOVA(b)

Modelo
Suma de
cuadrados gl
Media
cuadrtica F Sig.
1 Regresin
8,841 3 2,947 1,459 ,268(a)
Residual
28,284 14 2,020
Total
37,125 17
a Variables predictoras: (Constante), X^3, X, X^2
b Variable dependiente: Y

Coeficientes(a)

Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizados t Sig.
Intervalo de confianza para
B al 95%
B Error tp. Beta
Lmite
inferior
Lmite
superior
1 (Constante) 2,837 1,071 2,650 ,019 ,541 5,134
X ,066 ,512 ,272 ,128 ,900 -1,033 1,165
X^2 ,010 ,066 ,862 ,160 ,875 -,130 ,151
X^3 -,001 ,002 -1,528 -,435 ,670 -,006 ,004
a Variable dependiente: Y



a) Encuentre R
2
. Interprete
De la tabla, resumen del modelo:
R
2
= 0,238
R
2
= 23,8%
El 23,8% de las variaciones de Y, son explicadas por el modelo.
b) Una prueba de Hiptesis para cada uno de los parmetros
i
. Interprete
Se realizaran las pruebas para = 0,05.
De la tabla coeficientes:
.

0

Como:
p
1
=0,900 > = 0,05 no se rechaza H
0
, no existe evidencia al nivel de
significancia del 5%. De que el termino con X, aporta suficiente informacin en la
prediccin de Y.
.

0


Como:
p
2
=0, 875 > = 0,05 no se rechaza H
0
, no existe evidencia al nivel de
significancia del 5%. De que el termino con X
2
, aporta suficiente informacin en la
prediccin de Y.
.

0

Como:
p
3
=0,670 > = 0,05 no se rechaza H
0
, no existe evidencia al nivel de
significancia del 5%. De que el termino con X
3
, no aporta suficiente informacin en
la prediccin de Y.
c) Obtener un intervalo de confianza para cada uno de los
i
, al 95 %.de
confianza. Interprete
De la tabla coeficientes:



Por tanto, podemos concluir con una confianza del 95%, que los parmetros:

[0,541; 5,134]

[-1,033; 1,165]

[-0,130; 0,151]

[-0,006; 0,004]
i.

se encuentran entre 0,541y 5,134

ii.

se encuentran entre -1,033 y 1,165

iii.

se encuentran entre -0,130 y 0,151.

iv.

se encuentran entre -0,006 y 0,004.

d) El modelo aporta informacin para predecir la E(y)?
Hiptesis:

0

De la tabla ANOVA, se tiene:
Que el p-valor: p = 0,268 > 0,05, por lo que no se rechaza H
0
, al nivel de
significancia del 5%.
Luego no existe suficiente evidencia al nivel de confianza del 95%, de que el
modelo sea adecuado.
e) Un anlisis de residuos usando el grfico.

ei vs X
X
20 10 0 -10
R
e
s
i
d
u
o
s
3
2
1
0
-1
-2
-3

Del grfico de residuos, se observa que la nube de puntos se distribuye de forma
casi uniforme, por lo que se puede concluir que el modelo es adecuado.

ei vs X^2
X^2
400 300 200 100 0 -100
R
e
s
i
d
u
o
s
3
2
1
0
-1
-2
-3
ei vs X^3
X^3
7000 6000 5000 4000 3000 2000 1000 0 -1000
R
e
s
i
d
u
o
s
3
2
1
0
-1
-2
-3

De estos datos se observa una tendencia, por lo que podemos concluir que el
ajuste no es adecuado para las variables X
2
y X
3
.
ei vs Y-estimado
Y estimada
4,0 3,5 3,0 2,5 2,0 1,5 1,0 ,5
R
e
s
i
d
u
o
s
3
2
1
0
-1
-2
-3

En este caso no se observa ningn tipo de relacin, existen puntos igualmente
distribuidos por encima y debajo de la nube de puntos.
Supuestos de la regresin:
1. Independencia:
Durbin-Watson:
Como DW = 1,246[1,6 ; 2,4], no se puede asumir independencia entre
los residuos.
2. Homocedasticidad:

Se puedo observar en los grficos que la nube de puntos para las variables e
i
vs
X
2
y e
i
vs X
3
sigue una pauta de asociacin de algn tipo, por lo que los residuos y los
pronsticos no parecen ser independientes. No se observa homogeneidad en las
varianzas ya que los puntos parecen no estar igualmente dispersos en todo el diagrama
para estas variables.
3. Normalidad:
Grfico P-P normal de regresin Residuo tipificado
Variable dependiente: Y
Prob acum observada
1,0 ,8 ,5 ,3 0,0
P
r
o
b

a
c
u
m

e
s
p
e
r
a
d
a
1,0
,8
,5
,3
0,0

En los grficos se puede observar que los puntos no se encuentran alineados
sobre la diagonal del grfico, lo que nos advierte del posible incumplimiento del
supuesto de normalidad.
4. Linealidad:
De los diagramas de dispersin parcial para cada variable independiente:
Grfico de regresin parcial
Variable dependiente: Y
X
1,0 ,5 0,0 -,5 -1,0 -1,5 -2,0
Y
3
2
1
0
-1
-2
-3
Grfico de regresin parcial
Variable dependiente: Y
X^2
20 10 0 -10
Y
3
2
1
0
-1
-2
-3
Grfico de regresin parcial
Variable dependiente: Y
X^3
300 200 100 0 -100 -200 -300
Y
3
2
1
0
-1
-2
-3

Al observar la relacin entre las variables observadas en los grficos anteriores,
se puede concluir que parece no cumplirse los supuestos de linealidad.
f) La ecuacin de regresin ms eficiente:
Empleando la opcin Analizar/Regresin/Estimacin curvilnea y
seleccionando todos los grficos disponibles, tenemos:
MODEL: MOD_1.

Independent Variable: X Minimum value: ,00
The independent variable contains values of zero. Models INVERSE and
S
cannot be calculated.
The independent variable contains non-positive values. Models
LOGARITHMIC
and POWER cannot be calculated.
_



Dependent variable.. Y Method.. LINEAR

Listwise Deletion of Missing Data

Multiple R ,29833
R Square ,08900
Adjusted R Square ,03206
Standard Error 1,45389

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 3,304133 3,3041332
Residuals 16 33,820867 2,1138042

F = 1,56312 Signif F = ,2292

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

X -,072090 ,057661 -,298329 -1,250 ,2292
(Constant) 3,573488 ,627239 5,697 ,0000
_



Dependent variable.. Y Method.. LOGARITH

Listwise Deletion of Missing Data

Notes:
12 Independent variable has non-positive values.
_



Dependent variable.. Y Method.. INVERSE

Listwise Deletion of Missing Data

Notes:
11 Independent variable has values of zero.
_



Dependent variable.. Y Method.. QUADRATI

Listwise Deletion of Missing Data

Multiple R ,47733
R Square ,22784
Adjusted R Square ,12489
Standard Error 1,38242

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 2 8,458556 4,2292780
Residuals 15 28,666444 1,9110963

F = 2,21301 Signif F = ,1438

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

X ,267275 ,213791 1,106057 1,250 ,2304
X**2 -,017654 ,010750 -1,452976 -1,642 ,1213
(Constant) 2,570604 ,853587 3,012 ,0088
_



Dependent variable.. Y Method.. CUBIC

Listwise Deletion of Missing Data

Multiple R ,48800
R Square ,23814
Adjusted R Square ,07489
Standard Error 1,42137

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 3 8,841033 2,9470110
Residuals 14 28,283967 2,0202834

F = 1,45871 Signif F = ,2684

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

X ,065838 ,512492 ,272457 ,128 ,8996
X**2 ,010472 ,065580 ,861840 ,160 ,8754
X**3 -,001002 ,002302 -1,527536 -,435 ,6701
(Constant) 2,837393 1,070607 2,650 ,0190
_



Dependent variable.. Y Method.. POWER

Listwise Deletion of Missing Data

Notes:
12 Independent variable has non-positive values.
_



Dependent variable.. Y Method.. EXPONENT

Listwise Deletion of Missing Data

Multiple R ,34958
R Square ,12221
Adjusted R Square ,06734
Standard Error ,65037

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 1 ,9422054 ,94220544
Residuals 16 6,7677831 ,42298644

F = 2,22751 Signif F = ,1550

-------------------- Variables in the Equation --------------------

Variable B SE B Beta T Sig T

X -,038496 ,025794 -,349579 -1,492 ,1550
(Constant) 3,484075 ,977578 3,564 ,0026

Y el grfico:
Y
X
20 10 0 -10
6
5
4
3
2
1
0
Observada
Lineal
Cuadrtico
Cbico
Exponencial

En todo lo anterior no se observa ninguna tendencia del grafico, por lo
que no Parece ajustarse a algn modelo.