Está en la página 1de 4

1. Revisa las explicaciones del tema 11 y 12.

Contesta las siguientes preguntas:

a. ¿A qué se le llama una predicción puntal?

b. ¿Cuáles son las dos fuentes de incertidumbre asociadas a una predicción puntual?

 Incertidumbre debida a la dispersión de los datos respecto a la línea de regresión de la


muestra.
 Incertidumbre debida a la dispersión de la muestra respecto a la línea de regresión de la
población.

c. ¿A qué se le llama residuos? ¿Qué tipo de información te pueden dar?

d. ¿Qué es una regresión lineal múltiple? ¿Cuándo se recomienda aplicarla?

Es una extensión de la regresión lineal simple, la cual permite tomar en cuenta a más de una
variable independiente es decir, en lugar de usar sólo una variable independiente X para explicar
la variación en Y, pueden utilizarse al mismo tiempo otras variables independientes

e. ¿Qué es una matriz de correlación?

La matriz de correlación se construye calculando los coeficientes de correlación simples para cada
combinación de pares de variables.

¿Para qué sirve la matriz de correlación?

El análisis de la matriz de correlación es un paso inicial importante en la solución de cualquier


problema que involucre variables independientes múltiples.

a. Estima la ecuación de regresión lineal.


A

Cantidad de
Colestrol mg
alimento, g XY X^2 Y^2
Y
X

10 313 3130 100 97969


15 370 5550 225 136900
18 424 7632 324 179776
19 356 6764 361 126736
20 310 6200 400 96100
21 349 7329 441 121801
21 365 7665 441 133225
24 245 5880 576 60025
25 373 9325 625 139129
27 395 10665 729 156025
28 156 4368 784 24336
30 243 7290 900 59049
30 150 4500 900 22500
31 463 14353 961 214369
33 677 22341 1089 458329
35 151 5285 1225 22801
36 280 10080 1296 78400
37 245 9065 1369 60025
39 396 15444 1521 156816
42 278 11676 1764 77284
45 297 13365 2025 88209
54 224 12096 2916 50176
56 346 19376 3136 119716
56 141 7896 3136 19881
59 139 8201 3481 19321
59 424 25016 3481 179776
60 316 18960 3600 99856
64 379 24256 4096 143641
∑ 994 8805 303708 41902 3142171
Ẋ 35.5
Ῡ 314.4642857
Pediente=b1 -1.340816327

bo 362.0632653

Ecuacion de
regresion
estimadaŶ0 = b0 +
b1X0

324.5204082
Calcula las predicciones (valores puntuales) para los siguientes valores de X0: 11,
12, 15, 25, 30, 35.5, 39, 45, 60, 70, 80, 90.

Ecuacion de
regresion
X0
estimadaŶ0 = b0 +
b1X0
11 347.3142857
12 345.9734694
15 341.9510204
25 328.5428571
30 321.8387755
35.5 314.4642857
39 309.7714286
45 301.7265306
60 281.6142857
80 254.7979592
90 241.3897959

C Obtén los intervalos de confianza al 99 para cada valor puntual de Y para los diferentes
valores de X0
Caballos de fuerza,
Kilometros por litro Y Peso en Kg X2
X1

19 67 1844
19 50 1998
17 62 1752
16 69 1980
16 66 1797
15 63 2199
15 90 2404
14 99 2611
13 63 3236
12 91 2606
11 94 2580
11 88 2507
11 124 2922
14 97 2434
9 114 3248
9 102 2812
8 114 3382
8 142 3197
7 153 4380
7 139 4036

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.915977639
Coeficiente de determinación R^2 0.839015035
R^2 ajustado 0.820075627
Error típico 1.62529194
Observaciones 20

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 2 234.0432439 117.0216219 44.29996164 1.80999E-07
Residuos 17 44.90675611 2.641573889
Total 19 278.95

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%
Intercepción 25.22209048 1.439251354 17.52445145 2.56298E-12 22.18553555 28.25864541 22.18553555 28.25864541
Variable X 1 -0.05983857 0.023472169 -2.549341253 0.020737932 -0.109360519 -0.010316621 -0.109360519 -0.010316621
Variable X 2 -0.002605961 0.000963435 -2.704865043 0.015021677 -0.00463863 -0.000573291 -0.00463863 -0.000573291