ANLISIS DE REGRESIN

ANALISIS DE REGRESION LINEAL

La Regresin lineal se refiere a la prediccin del valor de una variable a partir de una o ms
variables. En ocasiones se denomina a la variable dependiente (y) variable de respuesta y a la
variable independiente (x) variable de prediccin.
En muchos problemas hay dos o ms variables inherentemente relacionadas, y es necesario
explorar la naturaleza de esta relacin. El anlisis de regresin puede emplearse por ejemplo para
construir un modelo que exprese el rendimiento como una funcin de la temperatura. Este modelo
puede utilizarse luego para predecir el rendimiento en un nivel determinado de temperatura.
Tambin puede emplearse con propsitos de optimizacin o control del proceso.
Comenzaremos con el caso ms sencillo, la prediccin de una variable (y) a partir de otra variable
(x).
REGRESIN LINEAL SIMPLE
Para las situaciones siguientes establezca cual es la variable dependiente y cual es la
independiente.
a) Un actuario quiere predecir el monto del seguro de vida alcanzado por los maestros a partir de
sus salarios mensuales.
Solucin: la variable dependiente o de respuesta, es el monto del seguro de vida alcanzado por
un maestro, y la variable independiente o variable de prediccin es el salario anual del docente.
b) El gerente de un restaurante quiere estimar el nmero de clientes que puede esperar cierta
noche a partir del nmero de reservaciones para cenar recibidas hasta las 5:00 PM
Solucin: El nmero de clientes es la variable de respuesta, el nmero de reservaciones es la
variable independiente.
Supuestos para el modelo de regresin lineal1
1. Para cada valor de x, la variable aleatoria se distribuye normalmente.
2. Para cada valor de x, la media o valor esperado de es 0; esto es, E 0 .

3. Para cada valor de x, la varianza de es la constante 2 (llamada varianza del error).

4. Los valores del trmino de error son independientes.
5. Para un valor fijo de x, la distribucin muestral de y es normal, porque sus valores dependen
de los de .

6. Para un valor fijo x, es posible predecir el valor de y.

7. Para un valor fijo x, es posible estimar el valor promedio de y

Pgina 1

ANLISIS DE REGRESIN
1

Ejemplo 1:
La revista Motor Trend presenta con frecuencia datos de rendimiento para automviles, que
compara el tamao del motor en pulgadas cbicas de desplazamiento (pcd) y las millas por galn
(mpg) estimadas para ocho modelos representativos de automviles subcompactos modelo 1984.

tamao del motor (pcd) x

coches compactos
Chevrolet Cavalier
121
Datsun Nissan Stanza
120
Dodge Omni
97
Ford Escort
98
Mazda 626
122
Plymouth Horizon
97
Renault Alliance/Encore
85
Toyota Corolla
122

millas/galn (mpg), y
30
31
34
27
29
34
38
32

Graficando los datos de la tabla en el diagrama de dispersin podemos observar la coleccin de

los ocho pares de datos (x,y) como muestra de una poblacin de pares, donde las medidas
pulgadas cbicas de desplazamiento (pcd) x pueden tomar cualquier valor en el rango de valores
que se extiende de 85 a 122. Para cada pcd posible hay muchos millajes asociados con ella. Por
ejemplo para un tamao del motor de 97 hay un gran nmero de millajes asociados, uno por cada
coche cuyo tamao sea 97 pcd. Asumamos que existe una relacin lineal para la poblacin de
pares de datos de pcd y mpg. (Se entiende por relacin lineal cuando la variable y tiene una
tendencia a crecer o decrecer, cuando la variable x aumenta).

Diagrama de dispersin
39
37
35
m 33
p 31
g 29
27
25
80

90

100

110
pcd
ddci
d

Estadstica, Richard C.Weimer, CECSA, Segunda edicin, 2000

Pgina 2

120

130

ANLISIS DE REGRESIN

Usamos el modelo probabilstico siguiente para explicar el comportamiento de los millajes para
las ocho medidas de tamao de motor, este se llama modelo de regresin lineal, y expresa la
relacin lineal entre tamao de motor (x) y millas por galn (y).
Modelo de regresin lineal

y 0 1 x

Donde
y = variable dependiente
0 ordenada al origen

1 = pendiente
x = variable independiente
= Error aleatorio
La expresin 0 1 x se denomina componente determinstica del modelo de regresin lineal.
La muestra de pares de datos se usar para estimar los parmetros 0 y 1 de la componente
determinstica.
La diferencia principal entre un modelo pobabilstico y uno determinstico es la inclusin de un
trmino de error aleatorio en el modelo probabilstico. En el ejemplo los diferentes rendimientos
para un mismo tamao de motor se atribuyen al trmino de error en el modelo de regresin.

Clculo de la ecuacin de regresin

Tambin es llamada ecuacin de prediccin de mnimos cuadrados. La ecuacin de regresin
estimada es: y b0 b1 x.
Donde:

b0 =

para un valor particular de x.

Valor predicho de y
Estimador puntual de 0 .(ordenada al origen)

b1=

Estimador puntual de 1. (pendiente)

Para el clculo de b0 y b1 se utilizamos las siguientes frmulas:

SS x x
2

SS y y
2

SS xy xy

x y
n

Pgina 3

ANLISIS DE REGRESIN

b1

SS xy
SS x

b0 y b1 x
Donde:
SS = suma de cuadrados
b1 = pendiente
b0 = ordenada al origen
n = nmero de pares de datos
En la tabla incluimos las sumatorias que utilizaremos para el clculo de las frmulas.
coches compactos
tamao del motor (pcd) x
Chevrolet Cavalier
121
Datsun Nissan Stanza
120
Dodge Omni
97
Ford Escort
98
Mazda 626
122
Plymouth Horizon
97
Renault Alliance/Encore
85
Toyota Corolla
122
SUMAS
862
Media
107.75

millas/galn (mpg), y
30
31
34
27
29
34
38
32
255
31.875

x^2
14641
14400
9409
9604
14884
9409
7225
14884
94456

y^2
900
961
1156
729
841
1156
1444
1024
8211

xy
3630
3720
3298
2646
3538
3298
3230
3904
27264

Calculando b0 y b1 tenemos:
SSx = 1575.50
SSy = 82.88
SSxy = -212.25
b1 = -0.13472
b0 = 46.39099
La ecuacin de prediccin de mnimos cuadrados es:
y b0 b1 x. => y 46.39099 0.37472 x

Grfica de la ecuacin de regresin

50

y =46.391 -0.1347x

40
30
20

10

Lineal (Y)

0
0

Error

50

100

150

Variable X

Los errores se denominan frecuentemente residuales. Podemos observar en la grfica de

regresin los errores indicados por segmentos verticales.

Pgina 4

ANLISIS DE REGRESIN

Qu tan normales
son los residuales?

Residuales individuales tendencias; o separados?

Diagnstico del Modelo de Residuales

Grfica Normal de Residuales

Tabla de Residuales

20
Residual

Residual

10
0

-10
-20
-2

3.0SL=43.26

X=0.000

-3.0SL=-43.26

10

Nmero de Observacin

Histograma de Residuales

Residuales vs. Ajustes

20

10

Residual

Ignrese
para grupos
pequeos de
informacin
(<30)

Marcador Normal

Frecuencia

Histograma curva de
campana?

-1

50
40
30
20
10
0
-10
-20
-30
-40
-50

0
-10
-20

0
-25 -20 -15 -10 -5 0 5 10 15

450

500

Ajuste

550

Buscar
Buscarlas
lasinconsistencias
inconsistencias
mayores
mayores

Pgina 5

Aleatorio
alrededor de
cero, sin
tendencias?

Al usar el criterio de mnimos cuadrados para obtener la recta que mejor se ajuste a nuestros
datos, podemos obtener el valor mnimo para la suma de cuadrados del error (SSE)

SSE SS y b1 SS xy
2
A la varianza de los errores e se le llama varianza residual siendo denotada por s e , se encuentra
dividiendo SSE entre n-2

S e2

SSE
n2

La raz cuadrada positiva de la varianza residual se llama error estndar de estimacin y se

denota por Se.
Aplicando las frmulas en obtenemos la suma de cuadrados del error, la varianza residual y el
error estndar de la estimacin:
SSE = 82.88-(-0.13472)(-212.25) =54.2849

S e2
Se

54.2849
9.0475
6

3.007

Ejemplo 2: Una firma de renta de coches recab los datos adjuntos sobre los costos de
mantenimiento y, y las millas recorridas x para siete de sus automviles.
Automvil

Encuentre:

A
B
C
D
E
F
G

Millas recorridas x
en miles
55
27
36
42
65
48
29

Costos de mantenimiento y (dlares)

299
160
215
255
350
275
207

a) Una estimacin puntual para 0 .

b) Una estimacin puntual para 1.
c) Una estimacin puntual para la varianza del error 2 .
d) Una estimacin puntual para el costo promedio del mantenimiento de un coche con 36,000
millas recorridas.
e) Prediga el costo para un coche con 29,000 millas recorridas.
Automvil
A
B
C
D
E
F
G
Suma
Media

x
55
27
36
42
65
48
29
302
43.14

y
299
160
215
255
350
275
207
1761
251.57

x^2
3025
729
1296
1764
4225
2304
841
14184

y^2
89401
25600
46225
65025
122500
75625
42849
467225

xy
16445
4320
7740
10710
22750
13200
6003
81168

ANLISIS DE REGRESIN
SSx = 1154.86
SSy = 24207.71
SSxy = 5193.43
b1 = 4.4970
b0 =57.5567
SSE = 852.70
S e2 = 170.54
y = 57.5567 + 4.497x
a)
b)
c)
d)
e)

b0 =57.5567
b1 = 4.4970
S e2 = 170.54
57.5567 + 4.497(36) = 219.44 usd
57.5567 + 4.497(29) = 187.96 usd

Inferencias sobre el modelo de regresin lineal.

Para usar la ecuacin de regresin y 0 1 x , con propsitos de prediccin, queremos estar
razonablemente

seguros

de

que

la

pendiente

de

la

ecuacin

de

regresin

E y x 0 1 x no es cero. Ya que si 1 0 , entonces para cualquier valor de x, E y x

sera idntica a 0 , como se muestra en la figura. Siendo este el caso el modelo no sera
apropiado.

Con el propsito de determinar si la pendiente de la regresin poblacional es diferente de cero,

separemos SSy en dos componentes, SSE y SSR.
Tenemos la siguiente relacin:
SSy = SSE + SSR
Donde:
SSE = Suma de cuadrados del error
SSR = Suma de cuadrados de la regresin
SSE = SSy-b1SSxy
SSR = b1SSy

Pgina 8

ANLISIS DE REGRESIN

Prueba de hiptesis utilizando la distribucin F

Si fuera cierta H 0 : 1 0 , el estadstico F servira como estadstico de prueba: F est definido
como:

SSR
S e2

Con gl = (1,n-2), se puede usar el estadstico F para determinar si 1 es diferente de cero. Si la

pendiente de la ecuacin de regresin poblacional es diferente de cero, entonces la ecuacin se
puede usar con propsitos de prediccin.
Ejemplo 3: Para los datos del ejemplo 1 haga una prueba para determinar si 1 0 , usando

0.05

H 0 : 1 0
H 1 : 1 0

En el ejemplo 1 y 2 obtuvimos los siguientes valores:

SSxy = -212.25
b1 = -0.13472

S e2 9.0475
La suma de cuadrados para la regresin SSR se calcula mediante:
SSR = b1SSxy = (-212.25)(-0.1347) =28.5901
Hallamos el estadstico de prueba F:

SSR 28.5901
3.16
=
S e2
9.0475

Se encuentra el valor crtico F (1, n 2) F0.05(1,6) = 5.99. Como F = 3.16<5.99, no

rechazamos H 0 : 1 0 . Concluimos que la ecuacin y 46.3889 0.1347 x no debe usarse
con propsitos de prediccin, y no tenemos evidencia que apoye que el modelo lineal es correcto
para nuestros datos.
Prueba de hiptesis utilizando la distribucin t
Otra manera de realizar la prueba de hiptesis H 0 : 1 0 es usando la distribucin t.
El estadstico de prueba es:

b1
, donde gl = n-2
Se SSx

Ejemplo 4: Usando los datos del ejemplo 1, haga una prueba para determinar si 1 0 usando la
prueba de t y 0.05 .

H 0 : 1 0
H 1 : 1 0

Pgina 9

ANLISIS DE REGRESIN

b1
=
Se SSx

0.1347
1.7775
9.0475 1575.5

Los valores crticos t .025 para gl = 6 son 2.447 . Como t.025 < t no rechazamos H 0 : 1 0 .
Por tanto no tenemos evidencia que sugiera que el modelo lineal es apropiado para nuestros datos.
Anlisis de correlacin
Establece si existe una relacin entre las variables y responde a la pregunta,Qu tan evidente es
esta relacin?".
La correlacin es una prueba fcil y rpida para eliminar factores que no influyen en la prediccin,
para una respuesta dada.
Coeficiente de Correlacin de Pearson

Es una medida de la fuerza de la relacin lineal entre dos variables x y y.

Es un nmero entre -1 y 1
Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta
Un valor negativo indica que cuando una variable aumenta, la otra disminuye
Si las dos variables no estn relacionadas, el coeficiente de correlacin se aproxima a 0.

El coeficiente de correlacin r se calcula mediante la siguiente frmula:

r

SSxy
SSxSSy

Pgina 10

ANLISIS DE REGRESIN

Ejemplo 5: En un esfuerzo por determinar la relacin entre el pago anual de los empleados y el
nmero de faltas al trabajo por causa de enfermedad, una corporacin grande estudi los registros
personales de una muestra de doce empleados. Los datos pareados aparecen en la siguiente
tabla.
Empleado
1
2
3
4
5
6
7
8
9
10
11
12

Pago anual
(miles de dlares)
15.7
17.2
13.8
24.2
15
12.7
13.8
18.7
10.8
11.8
25.4
17.2

Inasistencias
4
3
6
5
3
12
5
1
12
11
2
4

Pgina 11

ANLISIS DE REGRESIN
Determine el coeficiente de correlacin e interprete el resultado.

Empleado
1
2
3
4
5
6
7
8
9
10
11
12
SUMATORIA

SSxy =
SSx =
SSy =
r

x
15.7
17.2
13.8
24.2
15
12.7
13.8
18.7
10.8
11.8
25.4
17.2
196.3

y
4
3
6
5
3
12
5
1
12
11
2
4
68

x^2
246.49
295.84
190.44
585.64
225.00
161.29
190.44
349.69
116.64
139.24
645.16
295.84
3441.71

y^2
16
9
36
25
9
144
25
1
144
121
4
16
550

xy
62.8
51.6
82.8
121.0
45.0
152.4
69.0
18.7
129.6
129.8
50.8
68.8
982.3

-130.06667
230.569167
164.666667

SSxy
= -0.6675
SSxSSy

Inasistencias

Diagrama de dispersin
14
12
10
8

Serie1

6
4
2
0

Lineal (Serie1)

10

15

20

25

30

Pago anual (miles usd)

En el diagrama de dispersin observamos que al aumentar x, y disminuye, por lo cual la
correlacin es negativa. Comparando el coeficiente de correlacin calculado, con la tabla de
correlaciones observamos que .66 > .58, por lo cual la correlacin entre las variables es fuerte.

Pgina 12

ANLISIS DE REGRESIN

Regresin lineal en Excel

Mediante el uso de anlisis de datos resolveremos el Ejemplo 1.
Seleccione: herramientas > anlisis de datos > regresin
En la ventana seleccione el rango de entrada para X y Y, el rango de salida y seleccione la opcin:
grfico de residuales y curva de regresin ajustada.

Pgina 13

Anlisis de resultados de la tabla de Excel:

Analizando los resultados de Excel, tenemos los siguiente:

En la seccin Estadsticas de la regresin vemos que el coeficiente de correlacin = .5873

comparando este valor con la tabla de correlaciones observamos que el valor .5873 < .71
lo cual indica una relacin dbil entre las variables. En la grfica de regresin ajustada
observamos que la correlacin es negativa ya que al aumentar X, Y disminuye; Cabe
mencionar que el coeficiente de correlacin calculado por el sistema siempre es positivo,
por lo cual debemos basarnos la grfica de regresin para determinar el signo.
Ecuacin de la regresin: Para obtener la ecuacin de regresin usamos los coeficientes
de los renglones
Intercepcin y
variable X1, estos son 46.3909 y 0.1347
respectivamente, siendo la ecuacin de regresin: y = 46.3909- 0.1347X 1.
Anlisis de Varianza: La tabla muestra la suma de cuadrados de la regresin SSR =
28.5901, la suma de cuadrados de los residuos o error SSE = 54.2806, El promedio de
los cuadrados de la regresin que es la varianza residual
2

el valor de F dividiendo SSR/ S e

S e2 = 9.0468 . El sistema calcula

como ya se trato anteriormente. El valor crtico F es

menor que el valor F (0.125< 3.16), por lo que no tenemos evidencia para rechazar la H 0:
1 0 , en consecuencia el modelo de regresin no es apropiado.

Anlisis de residuos: muestra los pronsticos y residuos para cada observacin, as como
el grfico de residuales, en el cual observamos inconsistencias ya que la mayora de los
puntos se encuentran en la regin positiva.

ANLISIS DE REGRESIN
ANLISIS DE REGRESIN MULTIPLE
En ocasiones la informacin de una variable independiente no es suficiente, por ejemplo en el caso
de los autos compactos adems de tener la variable del tamao del motor, podramos tener otras
variables, que nos permitan tener mayor informacin como por ejemplo el peso del coche, el tipo
de recorrido, el tamao de las llantas, estos factores tambin influyen sobre la razn del consumo
de gasolina.
Cuando se usa ms de una variable independiente para predecir los valores de una variable
dependiente, el proceso se llama anlisis de regresin mltiple, incluye el uso de ecuaciones
lineales y no lineales, en este estudio nos ocuparemos de las ecuaciones de regresin lineales.
Ejemplo 6 Muchos programas de estudios premdicos usan los promedios de las calificaciones del
MCAT de los estudiantes egresados como un indicador de la calidad de sus programas. Las
variables que se sabe influencian esos promedios del MCAT(y) son: la combinacin de las
calificaciones del SAT en matemticas y en oratoria (x1) y el GPA (x2) de los prospectos a mdicos.
La tabla muestra las medidas de x1, x2 y y de seis estudiantes que han cursado un programa de
premedicina y que han presentado el MCAT

Estudiante
1
2
3
4
5
6

Calificacin
SAT (X1)
1200
1350
1000
1250
1425
1340

GPA (X2)
3.8
3.4
2.9
3.3
3.9
3.1

Calificacin promedio del MCAT (Y)

12.4
13.3
9.2
10.6
13.2
11.2

Con esta informacin podemos encontrar una ecuacin lineal que nos permita predecir el promedio
de calificaciones del MCAT para un estudiante si se conocen su GPA y su calificacin combinada
del SAT.
La ecuacin lineal para los datos del ejemplo tiene la forma y b0 b1 x1 b2 x 2 . Es posible
encontrar los valores de b0, b1, y b2 usando el mtodo de mnimos cuadrados, al igual que en el
mtodo de regresin lineal simple. El mtodo en este caso requiere resolver tres ecuaciones
lineales con tres incgnitas, estas ecuaciones, conocidas como ecuaciones normales, son:

b1 x1 b2 x 2

y nb

x y b x b x b x
1

2
1

2
2

y b0 x 2 b1 x1 x 2 b2 x 22

Pgina 18

La siguiente tabla organiza los clculos para obtener las ecuaciones:

X1
1200
1350
1000
1250
1425
1340
7565

X2
3.8
3.4
2.9
3.3
3.9
3.1
20.4

Y
12.4
13.3
9.2
10.6
13.2
11.2
69.9

X1^2
1440000
1822500
1000000
1562500
2030625
1795600
9651225

X2^2
14.44
11.56
8.41
10.89
15.21
9.61
70.12

X1X2
4560
4590
2900
4125
5557.5
4154
25886.5

X1Y
14880
17955
9200
13250
18810
15008
89103

X2Y
47.12
45.22
26.68
34.98
51.48
34.72
240.2

Las ecuaciones normales para este ejemplo son:

69.9 6b0 7,565b1 20.4b2

89,103 7565b0 9,651,225b1 25,886.5b2
240.2 20.4b0 25,886.5b1 70.12b2
Resolviendo el sistema de ecuaciones lineales obtenemos:
b0 = -2.537, b1=0.005425, b2 = 2.161.
La ecuacin de regresin es:

y 2.537 0.005425 x1 2.161x 2

Suma de cuadrados
La suma total de cuadrados SST, se descompone en dos componentes: suma de cuadrados para
la regresin, y suma de cuadrados del error.
SST = SSR + SSE
La suma de cuadrados para la regresin es aquella parte de la suma total de cuadrados que se
atribuye a las variables independientes. Mientras que la suma de cuadrados del error es aquella
porcin de la suma de cuadrados total y que no se debe a las variables independientes, por ello se
llama suma de cuadrados del error.

y y
SSE y y
SST

12.9950

2.2403

SSR SST SSE 10.7547

Grados de libertad para la regresin:

glT gl R gl E
glT n 1
gl R k
gl E n ( k 1)
donde:
k = nmero de variables independientes
Clculo de cuadrados medios:

ANLISIS DE REGRESIN

SSR 10.7547

5.3773
gl R
2
SSE 2.2403
MSE

0.7468
gl E
3
MSR

Donde:
MSR= Cuadrado medio de la regresin
MSE= Cuadrado medio del error.
Prueba de hiptesis
Para determinar si el modelo lineal describe adecuadamente los datos, se usa la prueba F.
Para los datos del ejemplo las hiptesis son:

H 0 : 1 2 0

H 1 : 1 0 o 2 0
El valor del estadstico F se encuentra dividiendo MSR entre MSE.

MSR 5.3773

7.20
MSE 0.7468

Buscando el valor crtico para F (1, n 2) F0.05 1,4 =7.71.

Como 7.71 > 7.20 no podemos rechazar H0, lo cual nos indica que podra ser arriesgado utilizar la
ecuacin de regresin con propsitos predictivos.

Coeficiente de determinacin mltiple

R2

SSR
SST

Utilizando los datos del ejemplo:

R2

10.7547
0.8276 82.8%
12.995

Esto significa que aproximadamente el 83% de la variacin en el promedio de las calificaciones se

atribuye a la variacin de las variables independientes y solamente el 17% de la variacin de la
variable dependiente no se atribuye a eso.

Regresin mltiple en Minitab

Pgina 20

ANLISIS DE REGRESIN
Ejemplo 7 La tabla enlista el consumo de combustible en millas por galn bajo condiciones
normales de manejo, los pesos de los coches en libras y la capacidad del motor en cc
para seis coches deportivos modelo 1990.

Coche deportivo Capacidad

Pes o
Chevrolet
5735
Kagiar XJ-S
5344
Mercedes -Benz 500 SL
2174
Pors che 911
3600
Mas errati 228
2790
BMW 325i
2494

Cons umo
3330
4015
2865
3320
3020
3100

17,9
18,7
16,5
17
15,5
22

a) Determine una ecuacin de regresin para predecir el promedio de consumo de

combustible usando la capacidad del motor y el peso, y calcule el coeficiente de
determinacin R2.
Una vez capturados los datos de las variables en Minitab seleccionamos
STAT>REGRESIN>REGRESIN y se presenta la siguiente pantalla

Seleccionamos la variable de respuesta (response) que corresponde a la Columna 3 C3, y las

variables de prediccin (predictors): C1 y C2.
Pgina 21

ANLISIS DE REGRESIN

Damos Clic en el Icono Graphs, y en la opcin grficos de residuos residual plots dejamos la
opcin que el sistema da por de fault: Regular. y seleccionamos la opcin residual vs. fits y
normal plot of residuals. Tambin existen otras opciones de grficos que podemos usar en caso de
ser necesario.

Pgina 22

ANLISIS DE REGRESIN
En la opcin Resultados Results seleccionamos el circulo: Regresin equation....

Damos clic en ok.

Regression Analysis
The regression equation is
C3 = 10,9 - 0,00050 C1 + 0,00270 C2
Predictor
Coef
StDev
Constant
10,91
12,90
C1
-0,000496 0,001329
C2
0,002702 0,004982
S = 2,805

R-Sq = 9,1%

T
P
0,85 0,460
-0,37 0,734
0,54 0,625

R-Sq(adj) = 0,0%

Analysis of Variance
Source
DF
SS
Regression
2
2,368
Residual Error 3
23,605
Total
5
25,973

MS
1,184
7,868

F
P
0,15 0,866

Analizando los resultados tenemos:

De la tabla resultante podemos determinar que la ecuacin de Regresin es Y = 10.9
0.00050X1+.00270X2
Donde X1 representa el tamao del motor (capacidad) y X2 el peso del coche, Y representa el
rendimiento predicho para el consumo del combustible.
El coeficiente de determinacin R-Sq o R2 es 9.1% y esto indica que el 9.1% de la variacin en el
consumo de combustible se atribuye a la capacidad y al peso. El 90.9% no se atribuye a estas
variables.

Pgina 23

ANLISIS DE REGRESIN
Examinando el valor del estadstico F(F=0.15), que es significativo al nivel P = 0.866 concluimos
que el modelo no es adecuado para fines de prediccin en un nivel 0.05

Normal Probability Plot of the Residuals

(response is C3)

Normal Score

-1

-2

-1

Residual

Residuals Versus the Fitted Values

(response is C3)
4
3

Residual

2
1
0
-1
-2
17

18

19

Fitted Value

Analizando los grficos anteriores, podemos observar en el grafico de probabilidad que las
observaciones aparentan ser normales. Sin embargo en el grfico de residuales observamos una
tendencia ya que la mayora de los puntos se encuentran a bajo del cero.

Pgina 24