1.

Entender para este caso que: X = X1; X2 = X2; X3 = X3

a.

Resumen del modelo

Modelo

R cuadrado

,995a

R cuadrado

Error tp. de la

corregida

estimacin

,989

,983

10,512

a. Variables predictoras: (Constante), X3, X, X2

ANOVAa
Modelo

Suma de

gl

Media

cuadrados
Regresin
1

Residual
Total

Sig.

cuadrtica

50335,489

16778,496

552,511

110,502

50888,000

,000b

151,838

a. Variable dependiente: Y
b. Variables predictoras: (Constante), X3, X, X2

Coeficientesa
Modelo

Coeficientes no estandarizados

Coeficientes

Sig.

tipificados
B
(Constante)
1

Error tp.
-76,866

36,420

5,834

2,016

X2

-,110

X3

,001

a. Variable dependiente: Y

Beta
-2,111

,089

2,657

2,894

,034

,031

-7,079

-3,528

,017

,000

5,451

4,802

,005

b.
Vemos para el modelo que R = 0,995 por lo tanto R2 = 0,989, con esto se puede concluir que el
modelo tiene un buen ajuste.

c.
Si trabajamos con un = 0.05, veremos que para cada una de las variables
con sus respectivos Sig.:
H0: Xi no es importante en el modelo
H1: Xi es importante en el modelo
Si Sig. < Se rechaza H0
Si Sig. > no se rechaza H0
Vemos que para X sig. = 0.34 < 0.05, por lo tanto la variable se rechaza H0
Vemos que para X2 sig. = 0.17 < 0.05, por lo tanto la variable se rechaza H0
Vemos que para X3 sig. = 0.005 < 0.05, por lo tanto la variable se rechaza H0
Si trabajaramos un nivel de significancia menor a este, entonces igualmente
todas las variables contribuiran al modelo importantemente, por eso se llega a
la conclusin que todas las variables son importantes en el modelo con
cualquier < 0.05.

2.

Coeficientes
Coeficientes no estandarizados

Coeficientes

Sig.

estandarizados
B
X
(Constante)

Error tpico
-,051

,007

6564,498

179,465

La variable dependiente es ln(Y).

Beta
-,965

-7,331

,002

36,578

,000

a.
Para el SPSS vemos que arroja un resultado en la estimacin curvilnea
exponencial de la forma:
Y = Keb1X, mientras que el modelo pedido es Y = e b0 + b1X
Hacemos el equivalente del SPSS en la forma pedida:
K = eb0 b0 = Ln(K)
En nuestro ejemplo K = 6564.498 b0 = Ln(6564.498) = 8.789
Por lo tanto lo que nos piden es: Y = e 8.789 - 0.051X

b.
Veamos el siguiente cuadro:

Resumen del modelo

R

R cuadrado

,965

R cuadrado

Error tpico de la

corregida

estimacin

,931

,913

,029

La variable independiente esX.

Podemos ver que el coeficiente de determinacin es: R 2 = 0.913, con esto

podeos afirmar que el modelo tiene un buen ajuste con un 91.3% de confianza.
c.
Para esto vemos la siguiente tabla:

ANOVA
Suma de

gl

Media

cuadrados

Sig.

cuadrtica

Regresin

,046

,046

Residual

,003

,001

Total

,050

53,749

,002

La variable independiente es X.

H0: El modelo no tiene buen ajuste

H1: El modelo tien buen ajuste
Si Sig. < Se rechaza H0
Si Sig. > no se rechaza H0
Como se observa que Sig. = 0.002, y esto es menor que 0.05, por lo tanto el
modelo tiene buen ajuste.

3.
- Entender para el caso de la cuadrtica: X = X1; X2 = X2

Resumen del modelo

Modelo

R cuadrado

,998a

R cuadrado

Error tp. de la

corregida

estimacin

,996

,994

8,020

a. Variables predictoras: (Constante), X2, X

ANOVAa
Modelo

Suma de

gl

Media

cuadrados
Regresin
1

Residual
Total

Sig.

cuadrtica

77375,298

38687,649

321,577

64,315

77696,875

,000b

601,529

a. Variable dependiente: Y
b. Variables predictoras: (Constante), X2, X

Coeficientesa
Modelo

Coeficientes no estandarizados

Coeficientes

Sig.

tipificados
B
(Constante)
1

Error tp.
15,804

11,189

-,885

1,426

X2

,314

,039

Beta
1,412

,217

-,082

-,621

,562

1,078

8,129

,000

a. Variable dependiente: Y

El modelo sera para este caso Y = 15.804 - 0.885X + 0.314X 2

- Para el caso de la compuesta:
Resumen del modelo
R

R cuadrado

,994

,988

R cuadrado

Error tpico de la

corregida

estimacin

,986

,119

ANOVA
Suma de

gl

Media

cuadrados
Regresin
Residual
Total

Sig.

cuadrtica

6,930

6,930

,084

,014

7,015

493,470

,000

La variable independiente es X.

Coeficientes
Coeficientes no estandarizados

Coeficientes

Sig.

estandarizados
B
X
(Constante)

Error tpico
1,107

,005

14,097

1,302

Beta
2,702

218,743

,000

10,829

,000

El modelo sera para este caso Y = 14.097 (1.107X)

a.
Una forma de ver si el modelo tiene buen ajuste es viendo la tabla de ANOVA,
pero en este caso para ver cual se acomoda mejor al modelo vemos los
coeficientes de determinacin:
Para la cuadrtica: R2 = 0.996
Para la compuesta R2 = 0.986
Con esto notamos que el modelo cuadrtico se acomoda mejor al modelo ya
que el coeficiente de determinacin tiende ms cerca a 1, por esto el modelo
cuadrtico es ms eficiente.
b.
Veremos el ANOVA del modelo cuadrtico:

ANOVAa
Modelo

Suma de

gl

Media

cuadrados
Regresin
1

Total

Sig.

cuadrtica

77375,298

38687,649

321,577

64,315

77696,875

Residual

,000b

601,529

a. Variable dependiente: Y
b. Variables predictoras: (Constante), X2, X

Tener en cuenta que: X = X1; X2 = X2

4.
- Para el modelo logartmico:
Resumen del modelo
R

R cuadrado

,990

R cuadrado

Error tpico de la

corregida

estimacin

,980

,976

10,952

La variable independiente esX.

Coeficientes
Coeficientes no estandarizados

Coeficientes

Sig.

estandarizados
B
ln(X)
(Constante)

Error tpico

Beta

-101,449

5,967

395,297

16,435

-,990

- Para el modelo Inverso

Resumen del modelo
R

R cuadrado

,908

,824

R cuadrado

Error tpico de la

corregida

estimacin

,795

La variable independiente esX.

Coeficientes

32,210

-17,002

,000

24,053

,000

Coeficientes no estandarizados

Coeficientes

Sig.

estandarizados
B
1/X
(Constante)

Error tpico

889,117

167,700

46,424

18,504

Beta
,908

5,302

,002

2,509

,046

a.
Segn lo que podemos observar con los coeficientes de determinacin:
Para la logartmica: R2 = 0.980
Para la inversa: R2 = 0.795
Con esto notamos que el modelo logartmico se acomoda mejor al modelo ya
que el coeficiente de determinacin tiende ms cerca a 1, por esto el modelo
cuadrtico es ms eficiente.
Esto lo podemos comprobar con el siguiente grfico:

b.
Veremos el ANOVA del modelo cuadrtico:

ANOVA
Suma de

gl

Media

cuadrados
Regresin
Residual
Total

Sig.

cuadrtica

34667,881

34667,881

719,619

119,936

35387,500

La variable independiente esX.

289,052

,000

5.
Si realizamos el siguiente problema de tal manera como nos dan los datos,
entonces llegaremos a una grfica en la que se muestra en cada valor de
variable independiente una acumulacin vertical; para poder evitar este
problema, entonces trabajaremos con los promedios de las variables
dependientes y hallaremos la regresin correspondiente:

Y
(Prome
dio)
892.5
985
1174.25
904.25
768.25
230.75

X
4
5
6
7
8
9
a.

Veamos si los datos se acomodan a una regresin lineal:

Resumen del modelo
Modelo

R cuadrado

,705

R cuadrado

Error tp. de la

corregida

estimacin

,496

,370

254,59272

a. Variables predictoras: (Constante), X

ANOVAa
Modelo

Suma de

gl

Media

cuadrados

255492,014

255492,014

Residual

259269,819

64817,455

Total

514761,833

b. Variables predictoras: (Constante), X

Sig.

cuadrtica

Regresin

a. Variable dependiente: Y

3,942

,118b

Coeficientesa
Modelo

Coeficientes no estandarizados

Coeficientes

Sig.

tipificados
B
1

Error tp.

(Constante)

1611,219

409,012

-120,829

60,859

Beta

-,705

3,939

,017

-1,985

,118

a. Variable dependiente: Y

Se puede observar que la regresin del modelo lineal es una mala opcin ya
que la recta mnimos cuadrados tiene una tendencia muy distinta a la
distribuida por los datos. Adems el coeficiente de determinacin y de
correlacin son muy distantes a 1, por lo que el modelo no tendra buen ajuste,
incluso tambin nos damos cuenta la Tabla de ANOVA, en la cual el Sig. es
mayor que cualquier y para nuestro caso de 0.05 tambin.

b.
Vemos el caso para una regresin cuadrtica
- Entender para el caso de la cuadrtica: X = X1; X2 = X2

Resumen del modelo

Modelo

R cuadrado

,977a

R cuadrado

Error tp. de la

corregida

estimacin

,954

,924

88,42399

a. Variables predictoras: (Constante), X2, X

ANOVAa
Modelo

Suma de

gl

Media

cuadrados
Regresin
1

Residual
Total

Sig.

cuadrtica

491266,270

245633,135

23456,407

7818,802

514722,677

,010b

31,416

a. Variable dependiente: Y
b. Variables predictoras: (Constante), X2, X

Coeficientesa
Modelo

Coeficientes no estandarizados

Coeficientes

Sig.

tipificados
B
(Constante)
1

Error tp.

-1514,371

586,681

912,200

189,317

X2

-79,464

14,472

Beta
-2,581

,082

5,319

4,818

,017

-6,061

-5,491

,012

a. Variable dependiente: Y

c.
Se observa por el coeficiente de determinacin (0.954) que el modelo tiene un
buen ajuste ya que este tiende a 1 por lo que comparado con la regresin
lineal, este es mucho ms ajustado que el anterior.

Hagamos la prueba de hiptesis para

H0: El modelo no tiene buen ajuste
H1: El modelo tien buen ajuste
Si Sig. < Se rechaza H0
Si Sig. > no se rechaza H0
Como se observa que Sig. = 0.010, y esto es menor que 0.05, por lo tanto el
modelo tiene buen ajuste.
Verifiquemos si se debe incluir el trmino cuadrtico mediante una prueba de
hiptesis:
H0: X2 no es importante en el modelo
H1: X2 es importante en el modelo
Si Sig. < Se rechaza H0
Si Sig. > no se rechaza H0
Tenemos como = 0.05 y este valor es mayor que 0.012, por lo tanto se
rechaza H0 con lo que podemos afirmar que el trmino cuadrtico es
importante en el modelo y por eso se debe incluir.