Reporte

Nombre: Matrícula:

Nombre del curso: Nombre del profesor:

Estadística y Pronostico en la toma de Irving Ossiel Cruz Hernández
decisiones
Módulo: Actividad:
Regresión Lineal Múltiple Planteamiento y solución de un problema
utilizando las técnicas estadísticas para el
pronóstico a corto y largo plazo con el fin
de tomar decisiones
Fecha: 11/19/2017
Bibliografía:
Rafael Eduardo Quero Osorio. (2017). Evidencia 2. 11/15/2017, de Universidad
Tecmilenio Sitio web: https://miscursos.tecmilenio.mx/bbcswebdav/pid-2531668-dt-
content-rid-
1418144_1/institution/UTM/semestre/profesional/ma/ma13202/bb/tema1.htm#activid
ad

Instrucción para el alumno:

Organícense en equipos de trabajo de 2 a 3 integrantes y resuelvan lo que se les pide. Al
finalizar tu ejercicio debes presentar tus conclusiones a todo el grupo y justificar tu análisis
estadístico aplicado.

1. Revisa la siguiente información tomada de la sección de avisos de ocasión.

 Reporte
Precio Metros de terreno Metros de Número de
(miles de pesos) X1 construcción recámaras
Y X2 X3
2700 288 378 4
1895 160 252 4
1397 230 252 4
1795 234 167 2
650 72 124 4
850 128 262 4
3875 188 246 4
4300 390 380 3
11850 885 775 4
11900 885 775 3
3250 150 233 3
6700 406 420 3
5499 320 390 4
4250 170 244 4
4250 170 233 3
470 160 127 3
500 90 73 2
550 91 73 2
650 110 90 2
550 90 74 2
620 172 76 2
1700 189 374 4
2330 300 330 4
1600 136 140 3
1100 144 290 3

2. Utiliza Excel o cualquier otro paquete estadístico como Minitab para realizar lo
siguiente:
a. Estima el modelo de regresión múltiple e interpreta los coeficientes de la ecuación
de regresión lineal múltiple.
 Reporte
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.93962571
Coeficiente de determinación R^2 0.88289647
R^2 ajustado 0.86616739
Error típico 1162.00151
Observaciones 25

Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F

Regresión 3 213782653 71260884.34 52.7761646 5.93621E-10
Residuos 21 28355197.53 1350247.501
Total 24 242137850.6

Coeficientes Error típico Estadístico t Probabilidad

Intercepción -602.5689619 1152.57358 -0.522803032 0.60658383
Variable X 1 9.14198458 4.18496603 2.184482386 0.04040805
Variable X 2 5.934450532 5.216922985 1.137538459 0.26812631
Variable X 3 -77.81028379 445.2393506 -0.174760572 0.86294171

Y = 9.1419x1 + 5.9344x2 – 77.8102x3 – 602.5689

 La variable x1 estima que cuando los metros de terreno cambian el precio

ampliara a 9.14.
 La variable x2 estima que cuando los metros de construcción cambian el
precio en la casa se elevara en 5.93.
 La variable x3 estima que cuando el número de recamaras los costos
cambiara en -77.81

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

-2999.476936 1794.33901 -2999.476936 1794.339012
0.438871284 17.8450979 0.438871284 17.84509788
-4.914734734 16.7836358 -4.914734734 16.7836358
-1003.736202 848.115634 -1003.736202 848.115634

b. Prueba la significancia global del modelo de regresión múltiple; realiza todas las
etapas de una prueba de hipótesis
 Reporte
Grados de Suma de Promedio de los
libertad cuadrados cuadrados F
Regresión 3 213782653 71260884.34 52.7761646
Residuos 21 28355197.53 1350247.501
Total 24 242137850.6

H0: β1 = β2 = ... βk = 0 (Las variables independientes no afectan a Y)

En oposición a:

Ha: βi ≠ 0 (Al menos una variable X afecta a Y)

F calculada = 52.7761

Concluimos que F calculada (52.7761) es mayor que F teórica (3.07) demostrando

que al menos una variable afecta a el precio de la casa.

c. Pronostica el precio para los siguientes datos.

 Reporte
Metros de Numero de
Metros de contsruccion recamaras Precio (miles
Terreno X1 X2 X3 de pesos) y
271 230 3 3006.3374
479 315 4 5334.4664
205 171 3 2052.8424
875 103 2 7852.1864
136 420 2 2977.5271

Coeficientes
Intercepción -602.5989
Variable X 1 9.1419
Variable X 2 5.9344
Variable X 3 -77.8102

d. Prueba la significancia de los coeficientes de regresión individuales. Realiza todas

las etapas de una prueba de hipótesis para cada uno de los coeficientes.

H0: β1 = β2 = ... βk = 0 (Las variables independientes no afectan a Y)

En oposición a:
Ha: βi ≠ 0 (Al menos una variable X afecta a Y)

Grados de libertad Suma de cuadrados Promedio de los cuadrados F

Regresión 3 22145057.76 7381685.918 8.6978E+31
Residuos 1 8.48688E-26 8.48688E-26
Total 4 22145057.76

F calculada = 8.6978e+31

F teórica es igual a 215.7 por lo que cconcluimos que F calculada (52.7761) es

mayor que F teórica demostrando que al menos una variable afecta a el precio de
la casa.

e. Calcula el error estándar de estimación.

 Reporte
Error típico 2.91323E-13

f. Construye un intervalo de confianza para las pendientes de la población

(β1, β2 y β3)

Coeficientes Error típico Inferior 95% Superior 95%

Intercepción -602.5989 7.68454E-13 -602.5989 -602.5989
Variable X 1 9.1419 6.2569E-16 9.1419 9.1419
Variable X 2 5.9344 1.4995E-15 5.9344 5.9344
Variable X 3 -77.8102 1.7582E-13 -77.8102 -77.8102

B1 ± t(a/2) (n-k-1) S b =

t(0.025) (1) = 12.7062

B1
9.1419 ± 12.7062 (6.2569e-16) = 9.1419 ± 7.95014e-15
B2
5.9344 ± 12.7062 (1.4995e-15) = 5.9344 ± 1.90529e-14
B3
-77.8102 ± 12.7062 (1.7582e-13) = -77.8102 ± 2.234e-12

g. Calcula e interpreta R2 en el contexto del problema.

R2 = 0.8828, variación del precio final

h. Calcula R2ajustada.

R2 ajustada = 0.866167
 Reporte
i. Determina el Factor de Inflación de Varianza (VIF) para cada variable explicativa
en el modelo. ¿Existe alguna razón para sospechar que existe multicolinealidad?

1
VIF =
1−𝑅𝐽2

Variable General: VIF = 1 / 1 – 1 = 0

Variable X1: Coeficiente de determinación R^2 0.39104631

VIF = 1 / 1 - .39104631 = 1 / .60895 = 1.64217

Variable X2: Coeficiente de determinación R^2 0.38477078

VIF = 1 / 1 - .38477078 = 1 / .61522922 = 1.62541

Variable X3: Coeficiente de determinación R^2 0.01948361

VIF = 1 / 1 - .001948361 = 1 / .998051639 = 1.0019