RECOPILACION PRUEBAS DE REGRESION SIMPLE

Profesor: Jos Tapia Caro

------------------------------------------------------------------------------
1. Noviembre 2004
Una agencia gubernamental tiene la responsabilidad de adjudicar contratos en los que delega parte
de su trabajo de investigacin. Se estn inspeccionando la relacin entre el monto de cada contrato
y el tiempo transcurrido desde su presentacin hasta su aprobacin.
Y (tiempo en meses) 3 4 6 8 11 14 20
X (por $10.000 dlares) 1 5 10 50 100 500 1000
a) Estime los parmetros beta del modelo lineal + + = x y
1 0
.
b) Realice el contraste de regresin 0 :
1 0
= H . Indique el valor p.
c) Le parece adecuado el modelo? Propondra un modelo distinto? Justifique su
respuesta.
----------------------------------------------------------------------------------------------------------------------
2. Noviembre 2005
Se est ajustando un modelo de regresin lineal a dos variables x e y. Los datos recolectados son:

= 2480 x

= 1860 y

= 187660
2
x
124530
2
=

= 128860 xy 40 = n
a) Ajuste una recta de regresin a estos datos.
b) Pruebe la hiptesis de que x no tiene valor para predecir linealmente los valores de y.
c) Estime con una confianza del 95% el valor de y cuando x = 50.
----------------------------------------------------------------------------------------------------------------------
Respuesta
a) =
0

21.737
1

= 0.399 = y 21.737+0.399x
b) La hiptesis 0 :
1 0
= H v/s 0 :
1
>
A
H es equivalente a la hiptesis 0 :
0
=
xy
H v/s
0 : >
xy A
H cuya estadstica de prueba es
2
1
2
xy
xy
r
n r
T

=
2 n
t con regin de rechazo
, 2
>
n
t T . Aqu,
yy xx
xy
xy
S S
S
r = = 3770 . 0
) 38040 )( 33900 (
13540
= , 40 = n y 7095 . 2 =
obs
T .
De la tabla t-student se tiene que 423 . 2
01 . 0 , 40 01 . 0 , 38
= t t . Por tanto, se rechaza
0 :
1 0
= H y se acepta 0 :
1
>
A
H , As, x tiene valor para predecir linealmente los
valores de y.

c) Estimacin puntual de y: 687 . 41 ) 50 ( 399 . 0 737 . 21 = + = y
Estimacin por intervalo de y:Para calcular ) ( y IC se requiere la varianza residual
2

S que
se obtiene de
774 . 858
2 40
) 3770 . 0 1 ( * 38040
2
) 1 ( * ) (
2
) (
2
2
2
=

=
n
r Total SC
n
residual SC
S
xy

Luego, 30 . 29 =

S

Entonces, ) ( y IC =
2 /
2
) ( 1
1

t
S
x x
n
S y
xx

+ +
= 021 . 2
33900
) 62 50 (
40
1
1 30 . 29 687 . 41
2

+ +
= 08 . 60 687 . 41 = [-18.4; 101.8]
-------------------------------------------------------------------------------------------------------------------------------------------------------------
3. Diciembre 2005
Las tasas de inters aplicadas a los crditos hipotecarios tienen un alto impacto en el nmero de
construcciones iniciadas. Los siguientes datos corresponden a una muestra de 12 tasas de inters
trimestral x y al nmero de construcciones y iniciadas durante cada uno de esos trimestres.

= 5 . 149 x

= 2797 y

= 81 . 1867
2
x 662067
2
=

= 34676 xy
321 . 5461 ) ( = regresin SC
a) Ajuste una recta de regresin con base en estos datos.
b) Interprete los parmetros de la recta encontrada
c) Pruebe la hiptesis 0 :
1 0
= H usando una tabla ANOVA
d) Encuentre un intervalo de confianza del 95% para estimar el nmero medio de
construcciones que se iniciaran si la tasa de inters bajara al 10%.
e) Calcule el coeficiente de determinacin y comntelo.
----------------------------------------------------------------------------------------------------------------------
Respuesta
a) =
0

633.41
1

= -32.13 = y 633.41-32.13x
b) Significado de
0

: cuando la tasa de inters es x = 0%, se inician 633.41 633 nuevas

construcciones. Esta interpretacin es dudosa por que si no se estn cobrando intereses por
los crditos, entonces sera una gran oportunidad y se iniciaran mucho ms de 633
construcciones
Significado de
1

: Cuando la tasa de inters baja en 1% el nmero de construcciones

iniciadas se incrementa en 32.13 32 unidades.

c) ANOVA:
) (total SC =


=
n
y
y S
yy
2
2
) (
= 12 / ) 2797 ( 662067
2
= 10132.9167
) (residuos SC = ) (total SC - ) (regresin SC =10132.9167-5461.321=4671.596

Tabla ANOVA para regresin:
Fuente de variabilidad Suma de
Cuadrados
Grados de
Libertad
Media de
Cuadrados
F Valor p
Regresin 5461.321 1 5461.321
Residual 4671.596 10 467.1596 11,6904831 0.0066
Total 10132.917 11

=
05 . 0 , 10 , 1
F 4.96 =
01 . 0 , 10 , 1
F 10.04
Conclusin respecto a 0 :
1 0
= H

Para 05 . 0 = , 96 . 4 69 . 11 > =
obs
F y se rechaza 0 :
1 0
= H
Para 01 . 0 = , 04 . 10 69 . 11 > =
obs
F y se rechaza 0 :
1 0
= H

d) 312 11 . 312 ) 10 ( 13 . 32 41 . 633 = = y
)) / ( ( x y E IC =
2 / , 2
2
1 0
) ( 1
)

(

+ +
n
xx
t
S
x x
n
S x
= 228 . 2
289 . 5
) 458 . 12 10 (
12
1
1596 . 467 11 . 312
2

+
= 31 . 53 11 . 312 = [258.80; 365.42]
e) Coeficiente de correlacin = -0.7341
Coeficiente de determinacin =
2
) 7341 . 0 ( =0,5389
El 53.89% de la variabilidad en las construcciones iniciadas pueden ser explicadas por el
modelo de regresin basado en las tasas de inters hipotecaria
----------------------------------------------------------------------------------------------------------------------
4. Diciembre 2005
Las siguientes tablas son las salidas SPSS de un ajuste de regresin entre dos variables X e Y.



Estadsticos descriptivos
232,2500 29,05520 12
12,4583 ,69342 12
Y
X
Media
Desviacin
tp. N
Resumen del modelo
,719
a
,517 ,469 21,17524
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras: (Constante), X
a.
ANOVA
b
4802,343 1 4802,343 10,710 ,008
a
4483,907 10 448,391
9286,250 11
Regresin
Residual
Total
Modelo
1
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Variables predictoras: (Constante), X
a.
Variable dependiente: Y
b.


a) Escriba la ecuacin de regresin e interprete sus coeficientes.
b) Identifique el coeficiente de determinacin e interprtelo.
c) Usando las salidas SPSS indique si acepta o rechaza la hiptesis de que X no puede ser
usado para predecir Y.
d) Usando las salidas SPSS construya un intervalo de confianza del 95% para estimar Y
cuando X = 10.
-------------------------------------------------------------------------------------------------------------------------
5. Julio 2006
En una fbrica se realiz un estudio para determinar el efecto que tiene la rapidez de mezclado
sobre la cantidad de impureza en una pintura producida mediante un proceso qumico. El estudio
arroj los siguientes resultados.

Impurezas % 20 22 24 26 28 30 32 34 36 38 40 42
Rapidez rpm 8.4 9.5 11.8 10.4 13.3 14.8 13.2 14.7 16.4 16.5 18.9 18.5
Algunos de los resultados del ajuste de un modelo de regresin lineal en SPSS se presentan a
continuacin. A partir de ellos responda las preguntas de ms abajo.


Coeficientes
a
607,649 114,871 5,290 ,000 351,700 863,597
-30,132 9,207 -,719 -3,273 ,008 -50,648 -9,617
(Constante)
X
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig. Lmite inferior
Lmite
superior
Intervalo de confianza para
B al 95%
Variable dependiente: Y
a.
Resumen del modelo
,966
a
,934 ,927 ,91932
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras: (Constante), IMPUREZA
a.
ANOVA
b
119,275 1 119,275 141,130 ,000
a
8,451 10 ,845
127,727 11
Regresin
Residual
Total
Modelo
1
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Variables predictoras: (Constante), IMPUREZA
a.
Variable dependiente: RAPIDEZ
b.



a) Cul es el grado de relacin lineal entre esas variables?
b) Escriba el modelo lineal x y
1 0

+ = . Es significativo el modelo? Justifique.
c) Interprete el resultado de la Tabla ANOVA
d) Cul debe ser la rapidez de mezclado para tener un porcentaje de impurezas no superior a
25%?
Solucin
a) R=0,966 es un muy buen grado de relacin lineal
b) porcentaje rapidez * 457 . 0 289 . 0 + = o x y * 457 , 0 289 , 0 + =
El modelo es significativo al 5% en el sentido de que 0
1
(El intervalo de confianza del
95% para IMPUREZA no contiene el cero)
c) 30 , 141 =
obs
F y valor p = 0,000 implican que se rechaza 0 :
1 0
= H . Por tanto, existe
dependencia lineal significativa entre rapidez y porcentaje de impurezas.
d) Para un porcentaje de impurezas de 25% se tiene que
) 25 ( * ) 457 . 0 ( 289 . 0 + = rapidez = 11.1 rpm

-------------------------------------------------------------------------------------------------------------------------
6. Julio 2006
Una agencia gubernamental tiene la responsabilidad de adjudicar contratos en los que delega parte
de su trabajo de investigacin. Se estn inspeccionando la relacin entre el monto de cada contrato
y el tiempo transcurrido desde su presentacin hasta su aprobacin.
Y (tiempo en meses) 3 4 6 8 11 14 20
X (por $10.000 dlares) 1 5 10 50 100 500 1000
a) Escriba el modelo estimado x y
1 0

+ = .
b) Realice el contraste de regresin 0 :
1 0
= H . Cul es el valor de la estadstica de prueba?
Indique el valor p. Qu concluye?
c) Le parece adecuado el modelo? Propondra un modelo distinto? Justifique su respuesta.
Las salidas SPSS para este problema son:

Coeficientes
a
-,289 1,221 -,237 ,817 -3,009 2,431
,457 ,038 ,966 11,880 ,000 ,371 ,542
(Constante)
IMPUREZA
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig. Lmite inferior
Lmite
superior
Intervalo de confianza para
B al 95%
Variable dependiente: RAPIDEZ
a.
Resumen del modelo
,933
a
,871 ,845 2,380
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras: (Constante), MILDOLAR
a.



MILDOLAR
1200 1000 800 600 400 200 0 -200
T
I
E
M
P
O
30
20
10
0

----------------------------------------------------------------------------------------------------------------------
7. Noviembre 2006
El siguiente grfico y tablas corresponden a los
resultados de un ajuste de regresin a un cierto
nmero de pares observados ) , ( y x .








ANOVA
b
191,389 1 191,389 33,784 ,002
a
28,325 5 5,665
219,714 6
Regresin
Residual
Total
Modelo
1
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Variables predictoras: (Constante), MILDOLAR
a.
Variable dependiente: TIEMPO
b.
Coeficientes
a
5,891 1,086 5,423 ,003 3,099 8,683
,015 ,003 ,933 5,812 ,002 ,008 ,021
(Constante)
MILDOLAR
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig. Lmite inferior
Lmite
superior
Intervalo de confianza para
B al 95%
Variable dependiente: TIEMPO
a.
X
1200 1000 800 600 400 200 0 -200
Y
30
20
10
0















a) Escriba el modelo ajustado en el formato x y
1 0
+ = .
b) Son
0
y
1
significativos segn la ltima tabla? Justifique su respuesta.
c) Segn la tabla ANOVA, cunto vale la estadstica de prueba para realizar el contraste de
regresin 0 :
1 0
= H ? Indique el valor p.
d) Le parece adecuado el modelo lineal? Propondra un modelo distinto? Justifique su
respuesta.
e) Estime el valor de y cuando x vale 1100.
Solucin
a) x y 015 , 0 892 , 5 + =
b) Segn la ltima tabla, se rechazan las hiptesis 0 :
0 0
= H y 0 :
1 0
= H porque
las respectivas estadsticas t tienen valores p iguales a 0,003 y 0,002 respectivamente.
Se llega a la misma conclusin observando que los intervalos de confianza del 95% para
estos parmetros no contienen el cero.
c) Segn la tabla ANOVA, el valor de la estadstica de prueba para realizar el contraste de
regresin 0 :
1 0
= H es 784 , 33 = F y el valor p asociado es 0,002.
Por tanto, se rechaza 0 :
1 0
= H y el modelo lineal x y 015 , 0 892 , 5 + = es
significativo.
d) Por las partes b) y c) el modelo es significativo. El coeficiente de determinacin o R
ANOVA
b
191,389 1 191,389 33,784 ,002
a
28,325 5 5,665
219,714 6
Regresin
Residual
Total
Modelo
1
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Variables predictoras: (Constante), X
a.
Variable dependiente: Y
b.
Coeficientes
a
5,891 1,086 5,423 ,003 3,099 8,683
,015 ,003 ,933 5,812 ,002 ,008 ,021
(Constante)
X
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig. Lmite inferior
Lmite
superior
Intervalo de confianza para
B al 95%
Variable dependiente: Y
a.
Resumen del modelo
,933
a
,871 ,845 2,380
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras: (Constante), X
a.

cuadrado, tambin es alto (0,871). Sin embargo el diagrama de dispersin indica que un
modelo curvo, distinto a la recta, podra resultar mucho mejor.
e) 392 , 22 ) 1100 ( 015 , 0 892 , 5 = + = y
----------------------------------------------------------------------------------------------------------------------
8. Diciembre 2006
(Funcin de consumo de Keynes) Los siguientes cuatro prrafos estn extrados de la Teora
General de Keynes 1936

Por consiguiente, podramos definir lo que podramos llamar propensin marginal a
consumir como la relacin funcional f entre X, un nivel dado de renta e Y los gastos en consumo
para ese nivel de renta, de modo que ) (X f Y = .
La cantidad que la comunidad gasta en consumo depende de i) en parte del volumen de su
renta, ii) en parte de otras circunstancias concomitantes, y iii) en parte de necesidades subjetivas y
de propensiones psicolgicas y de hbitos de los individuos que la componen.
La ley psicolgica fundamental sobre la que estamos autorizados a elaborar con gran
confianza es que el hombre est dispuesto, en general y en promedio a incrementar su consumo a
medida que se incrementa su renta, pero no tanto como el incremento de su renta. Es decir
dX dY / es positivo y menor que la unidad.
Pero aparte de pequeos cambios en el nivel de renta, es tambin obvio que un nivel de
renta alto tender a ampliar la brecha entre la renta y el consumoEstas razones nos conducirn,
por regla general, a una mayor proporcin de la renta ahorrada a medida que se incrementa la
renta real

La siguiente tabla muestra la renta y el consumo de las personas para la economa norteamericana
durante 10 aos, desde 1970 a 1979.

Ao Renta X
Consumo
Y Ao Renta X
Consumo
Y
1970 751,6 672,1 1975 874,9 779,4
1971 779,2 696,8 1976 906,8 823,1
1972 810,3 737,1 1977 942,9 864,3
1973 864,7 767,9 1978 988,8 903,2
1974 857,5 762,8 1979 1015,7 927,6

Fuente: Economic Report of the President, U.S. Government Printing Office, Washington, DC
1984
Nota: Datos en billones de dlares de 1972

La forma ms simple para la funcin de consumo es una relacin lineal x y
1 0
+ =
El siguiente grfico y tablas corresponden a los resultados de un ajuste de regresin lineal a los
datos de renta y consumo anteriores en el programa SPSS.


X RENTA (billones de dlares)
1100 1000 900 800 700
Y






C
O
N
S
U
M
O

(
b
i
l
l
o
n
e
s

d
e

d

l
a
r
e
s
)
1000
900
800
700
600


















a) Escriba el modelo ajustado en el formato X Y + = . Es significativo este modelo?
Justifique breve y claramente su respuesta.
b) Cul es el grado de relacin entre la renta de las personas y su consumo?
c) Estime el valor del consumo cuando la renta de la comunidad es 1100 billones de
dlares.
d) El tercer prrafo del extracto del libro de Keynes indica que 1 / 0 < < dX dY . Se cumple
este principio econmico para el modelo ajustado en a)? Justifique breve y claramente su
respuesta.
e) El cuarto prrafo del extracto del libro de Keynes indica que 0 / ) / ( < dX X Y d Se
cumple este principio econmico para el modelo ajustado en a)? Justifique y comente
breve y claramente su respuesta.
SOLUCION
a) x y 979 , 0 581 , 67 + =
No es claro que el intercepto 581 , 67 = sea significativo porque el valor p cumple
0,01< valor p = 0,042 < 0,1
Resumen del modelo
,996
a
,992 ,991 8,19303
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras: (Constante), RENTA
a.
Coeficientes
a
-67,581 27,911 -2,421 ,042 -131,943 -3,218
,979 ,032 ,996 30,983 ,000 ,906 1,052
(Constante)
RENTA
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig. Lmite inferior
Lmite
superior
Intervalo de confianza para
B al 95%
Variable dependiente: CONSUMO
a.

La pendiente asociada al factor renta 979 , 0 = es significativa porque el valor p cumple
valor p = 0,000 < 0,01
b) Existe un alto grado de relacin entre el consumo y la renta porque el coeficiente de
correlacin lineal es 996 , 0 = r
c) ) 1100 ( 979 , 0 581 , 67 + = y = 1009.319 billones de dlares
d) La estimacin de
dX
dY
= ) ( X
dX
d
+ = , a partir de los datos, es 979 , 0

=
Este es un nmero entre 0 y 1. Por tanto, el principio 1 / 0 < < dX dY en el texto de
Keynes se cumple empricamente.

e)
dX
X Y d ) / (
= X X
dX
d
/ ) ( + =
2
X

. Puesto que la estimacin de es negativa

para estos datos, el nmero
2
X

resulta positivo. Por tanto, no se cumple el principio

econmico 0 / ) / ( < dX X Y d para el modelo ajustado en a)
----------------------------------------------------------------------------------------------------------------------
9. Noviembre 2007
Un gerente de ventas est estudiando la relacin entre los aos de experiencia de sus vendedores y
sus ventas anuales (en miles de dlares). Se analizaron los datos en un programa estadstico que
arroj los siguientes resultados.
























AOSEXPE
14 12 10 8 6 4 2 0
V
E
N
T
A
S
140
130
120
110
100
90
80
70
Variables introducidas/eliminadas
b
AOSEXPE
a
. Introducir
Modelo
1
Variables
introducidas
Variables
eliminadas Mtodo
Todas las variables solicitadas introducidas
a.
Variable dependiente: VENTAS
b.


























a) Cul es el grado de relacin lineal entre esas variables?
b) Escriba el modelo lineal x y
1 0

+ = . Son significativos sus parmetros? Justifique.
c) Interprete el resultado de la Tabla ANOVA
d) Cul debera ser la venta anual de un vendedor con 15 aos de experiencia?
Respuestas
a) La correlacin o grado de relacin lineal entre las variables es alta: 965 , 0 = r
b) El modelo lineal es: aosexpe * 4 80 ventas + =
Segn la tabla coeficiente, el valor p (Sig.) asociado a la prueba T de los coeficientes es
0,000 Por tanto, los parmetros son significativos
c) ANOVA permite probar 0 :
1 0
= H . El valor p asociado a esta prueba es 0,000 por lo que
se rechaza
0
H . Esto quiere decir que las ventas dependen significativamente de los aos de
experiencia
d) 140 15 * 4 80 ventas = + = (miles de dlares)
----------------------------------------------------------------------------------------------------------------------
10 Junio 2008
La compaa Biddle tiene una lnea de productos de cocina metlicos que requieren ser pulidos
durante el proceso industrial. Para ayudar a planear de manera optima el programa de produccin,
se midieron los tiempos de pulido de 59 productos y su tamao relativo medido en trminos de
sus dimetros. Use la regresin lineal para hallar una ecuacin que determine el tiempo de pulido
puede ser predicho por el tamao de los productos.

Resumen del modelo
,965
a
,930 ,922 4,60977
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras: (Constante), AOSEXPE
a.
ANOVA
b
2272,000 1 2272,000 106,918 ,000
a
170,000 8 21,250
2442,000 9
Regresin
Residual
Total
Modelo
1
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Variables predictoras: (Constante), AOSEXPE
a.
Variable dependiente: VENTAS
b.
Coeficientes
a
80,000 3,075 26,013 ,000
4,000 ,387 ,965 10,340 ,000
(Constante)
AOSEXPE
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig.
Variable dependiente: VENTAS
a.

a) Plantee el modelo adecuado para estimar el tiempo de pulido y estime la recta de regresin
lineal
b) Cules son los supuestos que deben probarse en una regresin lineal simple?
c) Interprete el coeficiente del dimetro en funcin del problema.
d) Es importante el intercepto (b
0
) en este modelo? Por qu?
e) Cul es el uso del coeficiente de determinacin en la regresin lineal simple?
f) Demuestre que el estadstico de prueba de la hiptesis
0 1
: 0 H b = , al elevarlo al cuadrado
es el mismo valor que entrega el test F del ANOVA.

Resumen del modelo
Model
o R
R
cuadrado
R
cuadrado
corregida
Error tp. de
la
estimacin
1 .700 .490 .482 13.69307

ANOVA
Modelo
Suma de
cuadrados gl
Media
cuadrtica F Sig.
1 Regresin 10287.173 1 10287.173 54.865 .000
Residual 10687.511 57 187.500
Total 20974.684 58

Coeficientes
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizados
t Sig. B Error tp. Beta
1 (Constante) -1.955 5.402 -.362 .719
dimetro 3.457 .467 .700 7.407 .000
----------------------------------------------------------------------------------------------------------------------
Junio 2008
11 Suponga que se desea ajustar el modelo
* * *
0 1
( )
i i i
Y x x e = + + , donde
*
, ( 1, 2, , )
i i
Y y y i n = = K . Encuentre las estimaciones de mnimos cuadrados
*
0
y
*
1
.
Qu relacin tienen estas con
0

y
1

del modelo
i i i
x y + + =
1 0
?
----------------------------------------------------------------------------------------------------------------------
11. Junio 2010 Prueba 3
Se desea construir un modelo lineal para predecir el xito administrativo que tendrn los
gerentes contratados. Se registran las calificaciones iniciales como postulantes y las
calificaciones de xito administrativo despus de tres aos de 10 gerentes contratados.

Gerente 1 2 3 4 5 6 7 8 9 10
Calificacin como aspirante x 39 43 21 64 57 47 28 75 34 52
Calificacin de xito administrativo y 65 78 52 82 92 89 73 98 56 75


Algunos clculos asociados son los siguientes:
x = 46u, y = 76u, S
xx
= x
2

(x)
2
n
= 2474, S
x
= xy
x
n
= 1894,
S

= SCI = y
2

()
2
n
= 2uS6, SCE = 6u6,uS
a) Obtenga el modelo lineal para predecir y en trminos de x
b) Construya una tabla ANOVA para este problema Qu concluye de la estadstica F?
c) Qu porcentaje de la variabilidad en el xito administrativo es capaz de explicar el
modelo ajustado?
d) Mediante un intervalo de confianza del 95% estime la calificacin de xito
administrativo que tendran los gerentes con 50 puntos en su calificacin como
aspirante.
e) Mediante un intervalo de confianza del 95% estime la calificacin de xito
administrativo promedio que tendran los gerentes con 50 puntos en su calificacin
como aspirante.
Solucin
a) [
`
1
=
S
xj
S
xx
=
1894
2474
= u,766 y [
`
0
= y [
`
1
x = 76 (u,766)46 = 4u.784
El modelo es, y = 4u,784 +u,766x

b) ANOVA
Fuente SC gl MC F Valor p
Regresin SCR =1449,7 1 1449,7
Error SCE =606,3 8 75,7875 19,1285 u,uu2S69
Total SCT =2056 9

De una tabla F se puede concluir que P(F > 19,128S) < P(F > 11,26) = u,u1 y por
tanto se rechaza E
0
: [
1
= u. Esto quiere decir que se puede usar la calificacin como
aspirante para predecir la calificacin de xito administrativo.
c) El coeficiente de determinacin es
R
2
= 1
SCE
SCI
= 1
6u6.S
2uS6
u,7uS
Por tanto, el 70,5% de la variabilidad en la calificacin de xito administrativo puede ser
explicada por la calificacin como aspirante a travs del modelo lineal

d) IC(y) = [
`
0
+[
`
1
x _S
s
_1 +
1
n
+
(x-x )
2
S
xx
t
u2

= 4u,784 +u,766(Su) _ 8,7_1 +
1
10
+
(50-46)
2
2474
2,S1
= |S7,9 ; 1uu,2]

e) IC(E(yx)) = [
`
0
+[
`
1
x _S
s
_
1
n
+
(x-x )
2
S
xx
t
u2

= 4u,784 +u,766(Su) _8,7
_
1
1u
+
(Su 46)
2
2474
2,S1
= |72,S1 ; 8S,61]


---------------------------------------------------------------------------------------------------------------------
12. Julio 2010 Examen
Las siguientes tablas son las salidas SPSS de un ajuste de regresin entre dos variables X e Y.





e) Escriba la ecuacin de regresin e interprete sus coeficientes.
f) Identifique el coeficiente de determinacin e interprtelo.
g) Indique si acepta o rechaza la hiptesis de que X no puede ser usado para predecir Y.
h) Construya un intervalo de confianza del 95% para estimar Y cuando X = 10.
---------------------------------------------------------------------------------------------------------------------
13 Examen 05 de Julio 2011
Una distribuidora de materiales de construccin desea cuantificar la relacin entre los gastos
mensuales en publicidad televisiva y la utilidad mensual del negocio. La siguiente tabla muestra
los gastos y la utilidad en millones de pesos registrados en 11 meses diferentes.
Gastos (x) 39 19 26 21 29 53 43 21 46 34 54
Utilidad (y) 420 310 390 332 350 534 465 319 490 427 549

Estadsticos descriptivos
232,2500 29,05520 12
12,4583 ,69342 12
Y
X
Media
Desviacin
tp. N
Resumen del modelo
,719
a
,517 ,469 21,17524
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras: (Constante), X
a.
ANOVA
b
4802,343 1 4802,343 10,710 ,008
a
4483,907 10 448,391
9286,250 11
Regresin
Residual
Total
Modelo
1
Suma de
cuadrados gl
Media
cuadrtica F Sig.
Variables predictoras: (Constante), X
a.
Variable dependiente: Y
b.
Coeficientes
a
607,649 114,871 5,290 ,000 351,700 863,597
-30,132 9,207 -,719 -3,273 ,008 -50,648 -9,617
(Constante)
X
Modelo
1
B Error tp.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig. Lmite inferior
Lmite
superior
Intervalo de confianza para
B al 95%
Variable dependiente: Y
a.

Nota: Para responder las siguientes preguntas, puede usar directamente las salidas Excel que se
dan ms adelante.
a) Escriba la estimacin de la ecuacin de regresin y = [
0
+[
1
x
b) Realice el contraste de hiptesis E
0
: [
1
= u :s E
1
: [
1
u. Interprete el resultado en
trminos de la utilidad y los gastos en publicidad.
c) Cul ser la utilidad estimada cuando el gasto en publicidad es de 40 millones de pesos?
Estadsticas de la regresin
Coeficiente de correlacin
mltiple 0,9807
Coeficiente de determinacin
R^2 0,9618
R^2 ajustado 0,9576
Error tpico 17,5175
Observaciones 11

ANLISIS DE
VARIANZA

Grados de
libertad
Suma de
cuadrados
Promedio de los
cuadrados F
Valor crtico
de F
Regresin 1 69589,15 69589,15 226,78 0,0000
Residuos 9 2761,75 306,86
Total 10 72350,91























Coeficientes
Error
tpico
Estadstico
t Probabilidad
Inferior
95%
Superior
95%
Intercepcin 189,75 15,98 11,87 0,0000 153,59 225,90
Variable X 1 6,49 0,43 15,06 0,0000 5,52 7,47


Resumen de principales formulas (Profesor: Jos Tapia Caro)

Modelo:
y

= [
0
+[
1
x

+e

;
E(e

) = u ; Ior(e

) = o
s
2
; e

~N(u, o
s
2
) ; i = 1,2, , n; E(e

e
]
) = u, i ]; i, ] = 1,2, , n

Estimacin
0

= x y
1

,
1

=
xx
xy
S
S
, o
s
2
=
s
i
2 n
i=1
n-2
=
(
i
-
i
)
2 n
i=1
n-2
,
2 / , 2 1 1

) (

=
n
xx
t
S
S
IC ,
yy xx
xy
xy
S S
S
r = , S
xx
= x
2

(x)
2
n
y S
x
= xy
x
n
S

= y
2

()
2
n


Prueba de Hiptesis
0 :
1 0
= H ;
xx
S S
T
/

=
2 n
t , H

: p = ;
2
1
2
xy
xy
r
n r
T

=
2 n
t , 0 :
1 0
= H ;
2
1

S
S
F
xy
= ~
2 , 1 n
F ,

Tabla ANOVA para regresin:

SCI = (y

y)
2
=
n
=1
S

, SCE = (y

)
2 n
=1
, SCR = (y

y)
2 n
=1
, SCI = SCE + SCR

Fuente de
variabilidad
Suma de
Cuadrados
Grados de
Libertad
Media de Cuadrados F Valor p
Regresin SCR 1 HCR = SCR1
Error residual SCE n 2 HCE = SCE(n 2) F =
HCR
HCE

P(F > F
obs

Total SCT n 1

Rechace 0 :
1 0
= H si
, 2 , 1
>
n obs
F F

Prediccin
x y
1 0

+ = ,
2 / , 2
2
) ( 1
1 ) (

+ + =
n
xx
t
S
x x
n
S y y IC ,
2 / , 2
2
1 0
) ( 1
)

( )) / ( (

+ + =
n
xx
t
S
x x
n
S x x y E IC