Capítulo 1

Prácticas y problemas de regresión

lineal múltiple.

1.1. Problemas de regresión lineal múltiple con ordenador.

Problema 5.1.
“El …chero problema-5-1 contiene datos relativos a variables de coches. Se pide:

1. Ajustar un modelo de regresión múltiple con variable respuesta “millas por galón”
(inversa del consumo) y regresoras: precio, peso y desplazamiento.

2. ¿Son todas las variables signi…cativas (contraste invidual de la t)?

3. ¿Cuál es el coe…ciente de determinación?, ¿cuál es el coe…ciente de correlación múlti-

ple?

4. Tabla ANOVA. ¿Qué conclusiones se obtienen de esta tabla (contraste conjunto de la

F )? ¿qué indican los contrastes individuales de la F ? ¿estos contrastes tienen alguna
relación con los contrastes inviduales de la t?

5. Analizar los residuos del modelo ajustado: estudio descriptivo y grá…co de los resid-
uos. ¿Se veri…can las hipótesis del modelo (homocedasticidad, normalidad)? ¿mejora
el modelo si se introduce la variable “aceleración”?

6. ¿Qué indican los grá…cos de efectos de las componentes?

7. Analizar la hipótesis de multicolinealidad.

8. Analizar la hipótesis de independencia.

9. Repetir este mismo problema pero utilizando solamente los datos relativos a coches
de origen USA, ¿Cambian las conclusiones de los apartados anteriores?”

1
2 Modelos estadísticos aplicados. Juan Vilar

Desarrollo del Problema 5.1.

Utilizando el Statgraphics se utiliza el siguiente módulo que proporciona un análisis
muy completo con mucha información:

dependencia > regresion multiple

Los resultados del apartado resumen del procedimiento permite responder a las
preguntas de los cuatro primeros apartados de este problema:
? Proporciona el modelo estimado y la tabla ANOVA, se deduce que todas las variables
son signi…cativas y el contraste conjunto de la F indica que el modelo es signi…cativo.
? Calcula los coe…cientes de determinación y correlación.
? Obtiene el contraste de Durbin-Watson que indica que la primera autocorrelación de
los residuos es cero.
En el apartado informes se obtienen los valores de las predicciones y de los residuos.
Si se quieren calcular predicciones para un valor de x
~ determinado se debe introducir este
vector como un dato muestral (sin Y ).
En el apartado residuos atipicos se observa que las observaciones 145 y 147 presentan
residuos altos.
En el apartado puntos influyentes se pueden estudiar las observaciones que pueden
ser in‡uyentes en el cálculo del modelo.
Este módulo proporciona muchos grá…cos de interés:
? Los grá…cos de efectos de las componentes indican la importancia de las tres regre-
soras.
? Los diferentes grá…cos de residuos permiten obtener conclusiones acerca de las hipóte-
sis del modelo.
La hipótesis de multicolinealidad puede estudiarse en:
El apartado matriz de correlaciones valores grandes de esta matriz (valores
fuera de la diagonal próximos a 1) indican la posible existencia de multicolinealidad.
La matriz de correlaciones de las variables regresoras R; puede calcularse en el
apartado (también se obtiene la matriz de correlaciones parciales y un grá…co matricial)
descripcion > datos numericos > analisis multidimensional.
En todo caso es conveniente calcular la diagonal de R 1 y el índice de condicionamien-
to de R:
Se guardan las predicciones y los residuos estandarizados y/o estudentizados y se
pueden estudiar las hipótesis de normalidad, homocedasticidad e independencia.
? Utilizando los residuos estandarizados la normalidad se estudia en el módulo:

descripcion > distribuciones > ajuste de distribuciones (datos no

censurados)
Prácticas y problemas de regresión lineal múltiple. 3

? También es de interés el grá…co de normalidad

graficos > graficos exploratorios > grafico probabilistico

La hipótesis de homocedasticidad se puede observar:

? En el grá…co de residuos frente a predicciones.
? Un estudio más completo sobre esta hipótesis se puede hacer como sigue: se ordena
el …chero según las predicciones de menor a mayor; se hacen clases (cada una de tamaño
aproximado a diez) y se utiliza el modelo de diseño de experimentos de una vía siendo la
variable dependiente “los residuos” y el factor “las clases” creadas; entonces utilizar los
contrastes de homocedasticidad de este modelo.
? El ajuste de las desviaciones típicas de los residuos estandarizados en cada clase
frente a la media de las predicciones es útil para estudiar la homocedasticidad, además
indica la forma de transformar el modelo si se supone que hay heterocedasticidad.
? Si se sospecha que la heterocedasticidad puede ser causada por una regresora se
puede repetir el análisis anterior pero haciendo residuos frente a regresora en lugar de
frente a las predicciones.
La hipótesis de independecia se estudia en el módulo

avanzado > analisis series temporales > metodos descriptivos

Problema 5.2.
“Con los datos del …chero problema-5-1 estudiar la regresión de la variable respuesta
“millas por galón” (inversa del consumo) respecto a las variables regresoras: precio, peso,
desplazamiento, potencia (caballos de vapor) aceleración y número de cilindros.

1. Utilizando el algoritmo de “regresión paso a paso”obtener las regresoras que deben

entrar en el modelo.

2. Utilizando diferentes medidas de bondad de ajuste indicar el mejor modelo de regre-

sión.

3. Trabajando con el modelo de regresión lineal seleccionado en el apartado anterior

¿los estimadores contraídos proporcionan mejores resultados que los estimadores por
mínimos cuadrados?

4. Introduciendo algún término cuadrático ¿se puede mejorar el modelo de regresión

lineal?

5. Estudiar el modelo de regresión lineal simple de la variable respuesta “millas por

galón” respecto al “peso” pero teniendo en cuenta el “origen” (variables atributo o
dumping) ”.
4 Modelos estadísticos aplicados. Juan Vilar

Desarrollo del Problema 5.2.

Utilizando el opciones del analisis se calcula la regresión “paso a paso”en el módulo

dependencia > regresion multiple

Para seleccionar un modelo de regresión utilizar el análisis

avanzado > regresion avanzada > seleccion del modelo de regresion

El estudio de la regresión contraída (ridge regression) se hace en el módulo

avanzado > regresion avanzada > regresion en cadena

El apartado 5 es un problema de regresión lineal con una variable regresora atributo

y se estudia en el apartado

avanzado > regresion avanzada > comparacion de rectas de regresion

Introduciendo en el campo “codes level=origin” y en la ventana de resultados del

opciones del analisis se puede elegir si las rectas ajustadas tienen igual pendiente y/o
constante según submuestra.

Problema 5.3. (Regresion No Lineal)

“En el …chero Problema-5-3 contiene 44 datos de dos variables relativas a la cantidad
de cloro presente en unas muestras de agua sometidas a un proceso químico en relación
con el tiempo transcurrido medido en semanas.

1. Dibujar el grá…co de la nube de observaciones y calcular el ajuste lineal o linealizable

que explique la variable Y =“Cloro” como función de la variable X =“Semanas”
(tiempo).

2. Utilizando el algoritmo iterativo de Kalman ajustar por mínimos cuadrados la fun-

ción de regresión

Y = 1 + 00 49 1 exp ( 2 (X 8)) ;

siendo los valores iniciales de los parámetros: 1 = 00 2 y 2 = 00 3, estos valores son

necesarios para comenzar el algoritmo. Representar la nube muestral y la función de
regresión no lineal estimada. ¿Es bueno el ajuste obtenido?”

Desarrollo del Problema 5.3.

Los problemas de regresión no lineal se estudian en el módulo

avanzado > regresion avanzada > regresion no lineal

Los resultados que calcula este módulo son similares a los que se obtienen en el ajuste
de un modelo de regresión lineal.
Prácticas y problemas de regresión lineal múltiple. 5

1.2. Problema resuelto de regresión lineal múltiple.

Problema 5.4. “Se quiere ajustar un modelo que permita estimar los gastos en al-
imentación de una familia (Y ) en base a la información que proporcionan las variables
regresoras X1 =ingresos mensuales y X2 =número de miembros de la familia. Para ello
se recoge una muestra aleatoria simple de 15 familias cuyos resultados son los de la tabla
adjunta. (El gasto e ingreso está dado en cientos de miles de pesetas)”
Gasto Ingreso Tamaño Gasto Ingreso Tamaño
00 43 20 1 3 10 29 80 9 3
00 31 10 1 4 00 35 20 4 2
00 32 00 9 5 00 35 10 2 4
00 46 10 6 4 00 78 40 7 3
10 25 60 2 4 00 43 30 5 2
00 44 20 3 3 00 47 20 9 3
00 52 10 8 6 00 38 10 4 4
00 29 10 0 5
Solución Problema 5.4.
Los datos en forma matricial:
0 1 0 1
00 43 1 20 1 3
B 00 31 C B 1 10 1 4 C
B C B C
B C B C
B 00 32 C B 1 00 9 5 C
B C B C
B 00 46 C B 1 10 6 4 C
B C B C
B 10 25 C B 1 60 2 4 C
B C B C
B C B C
B 00 44 C B 1 20 3 3 C0 1
B C B C
B 00 52 C B 1 10 8 6 C 0
B C B CB C
Y=B
B 00 29 C "=B
C = X~ + ~
B 1 10 0 5 C@
C 1 A+~
"
B 10 29 C B 1 80 9 3 C
B C B C 2
B C B C
B 00 35 C B 1 20 4 2 C
B C B C
B 00 35 C B 1 10 2 4 C
B C B C
B 00 78 C B 1 40 7 3 C
B C B C
B C B C
B 00 43 C B 1 30 5 2 C
B C B C
@ 00 47 A @ 1 20 9 3 A
00 38 1 10 4 4
Con estos datos se obtiene

P P P
n = 15; x1i = 42; x2i = 55; yi = 80 070;
P P P
x21i = 1880 08; x1i x2i = 1400 80; yi x1i = 320 063;
P P
x22i = 2190 00; yi x2i = 280 960:
6 Modelos estadísticos aplicados. Juan Vilar

Por tanto
0 1 0 1
15 420 00 550 00 80 070
B C B C
S = Xt X = @ 42 1880 08 1400 80 A T = @ 320 063 A :
55 1400 80 2190 00 280 960
De donde
0 1 10 1
15 420 00 550 00 80 070
B C B 0 C
~ = S 1 T = @ 42 1880 08 1400 80 A @ 32 063 A =
55 1400 80 2190 00 280 960
0 10 1 0 1
10 360 00 092 00 282 80 070 00 160
1 B CB C B C
~ =S T=@ 00 092 00 016 00 013 A @ 320 063 A = @ 00 149 A
00 282 00 013 00 067 280 960 00 077
El modelo de regresión lineal que se obtiene es:

Gasto = 00 160 + 00 149 Ingreso + 00 077 T ama~

no + error:

A partir de esta ecuación se obtienen las predicciones y los residuos asociados a las
observaciones muestrales.
Para la primera observación (x1 = 20 1; x2 = 3; y = 00 43) se obtiene

y^1 = 00 160 + 00 149 20 1 + 00 077 3 = 00 3839;

e1 = y1 y^1 = 00 43 00 3839 = 00 0461:

Razonando así en todos los puntos muestrales se obtienen las siguientes predicciones
y residuos:
Predicciones Residuos
0 0 0
0 38 0 41 0 33 0
0 046 00 028 00 024
00 31 00 57 00 77 00 001 00 048 00 011
00 36 00 37 00 51 00 038 00 083 00 084
00 39 10 39 00 50 00 075 00 104 00 032
0 0 0
1 07 0 35 0 36 0
0 180 00 000 00 025
Se calcula la scR X
scR = e2i = 00 0721

s^2R = 00 0060 ) s^R = 00 0775

Una forma más fácil de calcular la scR es la siguiente
X X X X
et ~
~ e = Y ~ t Y ^ t Xt Y = yi2 0 yi 1 yi x1i 2 yi x2i =
0 0 0 0 0 0 0
= 5 7733 0 160 8 070 0 149 32 063 0 077 28 960:
Prácticas y problemas de regresión lineal múltiple. 7

Intervalos de con…anza de los parámetros del modelo al 90 %,

Para la varianza 2;

(n (k + 1)) s^2R 2 12 00 0060 2

2 n (k+1) ) 2 12 ;

2 00 072
12 00 05 = 50 2253 2
210 0298 = 2
12 00 95 ;
00 072 00 072
00 0034 = 2
= 00 0138:
210 0298 50 2253

Varianza de los estimadores del modelo,

0 1
10 360 00 092 00 282
2 1 B C
V ar (^ ) = Xt X 00 0060 @ 00 092 00 016 00 013 A ;
00 282 00 013 00 067

de donde

V ar (^ 0 ) = s^2R q00 = 00 0060 10 360 = 00 00816 ) (^ 0 ) = 00 0903;

V ar (^ 1 ) = s^2R q11 = 00 0060 00 0166 = 00 000099 ) (^ 1 ) = 00 0099
V ar (^ 2 ) = s^2R q22 = 00 0060 00 067 = 00 00040 ) (^ 2 ) = 00 0201:

Intervalo de con…anza para 0;

^0 0 00 160 0
p tn (k+1) ) t12 ;
s^R q00 00 0903

t12 00 05 00 0903 00 160 0 t12 00 95 00 0903 = 10 783 00 0903 = 00 161;

00 321 = 00 160 0
0 161 0 00 160 + 00 161 = 00 001:

Intervalo de con…anza para 1 (ingreso),

^1 1 00 149 1
p tn (k+1) ) t12 ;
s^R q11 00 0099

t12 00 05 00 0099 00 149 1 t12 00 95 00 0099 = 10 783 00 0099 = 00 0176;

00 1314 = 00 149 0
0 0176 1 00 149 + 00 0176 = 00 1666:
8 Modelos estadísticos aplicados. Juan Vilar

Contraste individual de la t; H0 1 = 0; “la variable ingreso no in‡uye”.

^1 00 149
t^1 = p tn (k+1) ) t^1 = = 150 050 t12 ;
s^R q11 00 0099

p1 = 00 000 ) Se Rechaza H0 :

Intervalo de con…anza para 2 (tamaño)

^2 2 00 077 2
p 2 tn (k+1) ) ;
s^R q22 00 0201

t12 00 05 00 0201 00 077 2 t12 00 95 00 0201 = 10 783 00 0201 = 00 0358;

00 0412 = 00 077 + 0 0358 0
2 00 077 + 00 0358 = 00 1128:

Contraste individual de la t; H0 2 = 0; “la variable tamaño no in‡uye”.

^2 00 077
t^2 = p tn (k+1) ) t^2 = = 30 831;
s^R q22 00 0201

p2 = 00 0012 ) Se Rechaza H0 :

Cálculo de la tabla ANOVA

X
scG = (yi y)2 = 10 4316;

de donde X
scE = scG scR == (yi y^i )2 = 10 3595:

Tabla ANOVA
Fuentes de Suma de Grados Varianzas
variación cuadrados libertad
scE (por el modelo) 10 3595 2 s^2e = 00 6797
scR (Residual) 00 0721 12 s^2R = 00 0060
scG ( Global) 10 4316 14 s^2y = 00 1023

Contraste conjunto de la F, con estos datos se obtiene

s^2 00 6797
F^M = 2e = 0 = 1130 28 F2;12 ) pc = 00 0000:
s^R 0 0060

El contraste conjunto de la F indica claramente la in‡uencia del modelo en la respues-

ta. Por tanto, de los contrastes individuales y del conjunto se deduce la in‡uencia
de cada una de las dos regresoras y la in‡uencia conjunta del modelo.
Prácticas y problemas de regresión lineal múltiple. 9

Contraste individual de la F:
Se calcula el contraste individual de la F respecto a la variable x2 =“tamaño”, este
contraste es equivalente al contraste individual de la t.
Se obtiene la regresión de la variable gasto respecto a la variable ingreso,

gasto = 870 124 + 10 543 ingreso.

La tabla ANOVA de este modelo es

Tabla ANOVA
Fuentes de Suma de Grados de Varianzas
variación cuadrados libertad
scE (ingreso) 10 2716 1 s^2e = 10 2716
scR (Residual) 00 1600 13 s^2R (1) = 00 0123
scG (Global) 10 4316 14 s^2y = 00 1022
La variabilidad incremental debida a la variable diámetro es

4V E (tama~
no) = V E (2) V E (ingreso) = 10 3595 10 2716 = 00 0879;

este valor indica lo que aumenta la variabilidad explicada por el modelo al introducir
la variable tamaño.
Para contrastar la in‡uencia de esta variable se utiliza el estadístico
4V E (x2 )
1 00 0879
F^2 = = = 140 65 F1;12 ) p = 00 001:
s^2R (k) 00 0060
Este contraste proporciona el mismo p valor que el contraste individual de la t salvo
problemas de redondeo.

Coe…cientes de correlación:

Coe…ciente de determinación,
scE 10 3595
R2 = = 0 = 00 9496 ) 940 96 % de scG:
scG 1 4316

Coe…ciente de correlación múltiple,

p
R = 00 9496 = 00 9745:

Coe…ciente de determinación corregido por los grados de libertad,

s^2R 00 0060
R2 = 1 =1 = 940 13 ) 940 13 % de scG:
s^2Y 00 1023
p
R = 00 9413 = 00 9702:
10 Modelos estadísticos aplicados. Juan Vilar

Coe…ciente de correlación simple entre las variables gasto e ingreso,

Cov (gasto; ingreso)

(gasto; ingreso) = = 00 9424:
(gasto) (ingreso)

Este coe…ciente es una medida de la relación lineal existente entre las variables gasto
e ingreso.
Este coe…ciente también se puede calcular a partir del coe…ciente de determinación
de la siguiente regresión

gasto = 870 124 + 10 543 ingreso.

La tabla ANOVA del modelo es

Tabla ANOVA
Fuentes de Suma de Grados de Varianzas
variación cuadrados libertad
scE (ingreso) 10 2716 1 s^2e = 10 2716
scR (Residual) 00 1600 13 s^2R (1) = 00 0123
scG ( Global) 10 4316 14 s^2y = 00 1022

scE 10 2716
R2 = = 0 = 00 8882 ) R = (gasto; ingreso) = 00 9424:
scG 1 4316

Análogamente el coe…ciente de correlación simple entre gasto y tamaño es,

Cov (gasto; tama~

no)
(gasto; tama~
no) = = 00 1265:
(gasto) (tama~ no)

Coe…ciente de correlación parcial entre las variables gasto e ingreso t^ingreso = t^1 .

2
t^2ingreso
r (gasto; ingreso; tama~
no) =
t^2ingreso + n (k + 1)

150 0502
= = 00 9496
150 0502 + 12

no) = 00 974:
) r (gasto; ingreso; tama~

Otra forma más compleja de calcular este coe…ciente es la siguiente: se calculan las
siguientes regresiones simple y se guardan los residuos egasto:tama~no y eingreso:tama~no :

Gasto = 00 6713 00 0363 tamaño + egasto:tama~no :

Ingreso = 50 5923 07615 tamaño + eingreso:tama~no :
Prácticas y problemas de regresión lineal múltiple. 11

El coe…ciente de correlación parcial entre las variables gasto e ingreso se obtiene como
el coe…ciente de correlación simple entre las variables egasto:tama~no y eingreso:tama~no

r (gasto; ingreso; tama~

no) = (egasto:tama~no ; eingreso:tama~no )

Cov (egasto:tama~no ; eingreso:tama~no )

= = 00 9740:
(egasto:tama~no ) (eingreso:tama~no )

Este coe…ciente mide la relación entre gasto e ingreso libres de la in‡uencia de la

variable tamaño.
Análogamente se obtiene

no; ingreso) = (egasto:ingreso ; e:tama~no:ingreso ) = 00 7412:

r (gasto; tama~

Estimación de la media condicionada.

“Estimar el gasto medio en alimentación de una familia con unos ingresos de

xt1 = 30 0 y un tamaño de xt2 = 4: Esto es (~xt = (xt1 ; xt2 ) = (30 0; 4)) ”.

Del modelo de regresión estimado se obtiene

^ 0 0; 4) = m
m(3 ^ t = ^ 0 + ^ 1 xt1 + ^ 2 xt2 =
= 00 160 + 00 149 30 0 + 00 077 4 = 00 595:

El valor de in‡uencia asociado al dato ~xt = (xt1 ; xt2 ) = (30 0; 4) es

1
htt = ~xtt X t X ~xt
0 10 1
10 360 00 092 00 282 1
B CB C
= 1 30 0 4 @ 00 092 00 016 00 013 A @ 30 0 A = 00 07649
00 282 00 013 00 067 4
1
) nt = = 130 073:
00 07649
La varianza del estimador m
^ t es

^ t ) = s^2R htt = 00 0060 00 07649 = 00 00046 )

V ar (m ^ t ) = 00 0214:
(m

Y un intervalo de con…anza para mt al 90 % es

mt 2 00 595 t12 00 95 00 0214 = 00 595 00 038 = 00 557; 00 633 :

12 Modelos estadísticos aplicados. Juan Vilar

Predicción de una observación.

“La familia Pérez que tiene unos ingresos de xt1 = 30 0 y un tamaño de xt2 = 4:
Esto es (~xt = (xt1 ; xt2 ) = (30 0; 4)) ¿qué gasto en alimentación tendrá?”.

Utilizando el modelo de regresión estimado la predicción es

y^(30 0; 4) = ^ 0 + ^ 1 x1 + ^ 2 x2 = 00 595:
La varianza de la predicción es

V ar (^
yt ) = s^2R (1 + htt ) = 00 0060 1 + 00 07649 = 00 0065
) yt ) = 00 0803:
(^

Un intervalo de predicción al 90 % para yt es

yt 2 00 595 t12 00 95 00 0803 = 00 595 00 143 = 00 452; 00 738 :

Algunos grá…cos de interés que ayudan a resolver el problema son los grá…cos par-
ciales de las componentes que sirven para observar la in‡uencia de las regresoras (Figuras
5.1. y 5.2.) y los grá…cos de residuos que se utilizan para chequar que se veri…can las hipóte-
sis estructurales del modelo, dos de ellos (frente a ingreso y frente a índice) se representan
en las Figuras 5.3. y 5.4.

Figura 5.1. Grá…co parcial de ingreso.

Prácticas y problemas de regresión lineal múltiple. 13

Figura 5.2. Grá…co parcial de tamaño.

Figura 5.3. Grá…co de residuos frente a ingreso.

Figura 5.4. Grá…co de residuos frente a índice.

14 Modelos estadísticos aplicados. Juan Vilar

1.3. Resumen de los modelos de regresión lineal.

Las principales fórmulas de los modelos de regresión lineal simple y múltiple se pre-
sentan en la tabla adjunta.

R. L. Simple R. L. Múltiple
yi = 0 + 1 xi1 + 2 xi2 +
yi = 0 + 1 xi + "i
+ : : : + k xik + "i
Modelo
~ =
Y 0~
1 + ~ +~
1X " ~ = X ~ + ~"
Y
sXY
^1 = 2
sX 1
Estimación ^ = Xt X Xt Y
^0 = y ^1 x
2 1
~ N ~; 2 Xt X
^1 N 1;
ns2x
Propiedades (normal multivariante)
2 x2
^0 N 0; 1+ ^i N i;
2q
n s2x ii
y^i = ^ 0 + ^ 1 xi1 + ^ 2 xi2 +
y^i = ^ 0 + ^ 1 xi
+ : : : + ^ k xik
Predicción
^ = ^ 0~
Y ~
1 + ^ 1X ^ =X ^
Y
ei = yi y^i ei = yi y^i
Residuos
~ ~
e=Y ^
Y ~
e=Y
~ ^
Y

Varianza 1 Pn
s^2R = 2
i=1 ei
1 Pn 2
Estimada n 2 s^2R = i=1 ei
n (k + 1)

n^ 2M V
Propiedades
2
2
n 2 (n (k + 1)) s^2R 2
2 n (k+1)

^0 0
!0 = s tn 2
1 x2
Interv. de s^R 1+ 2
n sx ^i i
Con…anza !i = p tn (k+1)
s^R qii
^1 1 p
!1 = sx n tn 2
s^R

s^2 s^2
Contraste F F^R = 2e Fk;n 2 F^M = 2e Fk;n (k+1)
s^R s^R
Prácticas y problemas de regresión lineal múltiple. 15

1.4. Problemas propuestos de regresión lineal múltiple.

Problema 5.5. “Se realiza un experimento para determinar la duración de vida de
ciertos circuitos electrónicos (Y ) en función de dos variables de fabricación (X1 ) y (X2 ),
con los siguientes resultados:

Y 11 8 73 21 46 30
X1 10 0 10 10 0 10
X2 0 5 5 0 5 5

1. Ajustar un modelo de regresión lineal.

2. Calcular el coe…ciente de determinación y la varianza residual. ¿Es el ajuste adecua-

do?

3. Construir un intervalo de con…anza al 90 % para la predicción en el punto (0; 0).

Problema 5.6. “Los datos de la tabla adjunta indican la gravedad especí…ca (X1 ),
contenido de humedad (X2 ) y fuerza (Y ) de diez vigas de madera. Encontrar el modelo
de regresión que mejor se ajusta a estos datos”.

Y 110 14 120 74 130 13 110 51 120 38 120 60 110 13 110 70 110 02 110 41
X1 00 99 00 558 00 604 00 441 00 550 00 528 00 418 00 480 00 406 00 467
X2 110 1 80 9 80 8 80 9 80 8 90 9 100 7 100 5 100 5 100 7

Problema 5.7. “En la tabla adjunta se presenta un indicador provincial global de

consumo (Y ) el número de automóviles por mil habitantes (X1 ) y el número de teléfonos
por mil habitantes (X2 ) en ocho provincias españolas. Estudiar un modelo explicativo que
relacione el indicador global con los dos indicadores de consumo (datos de 1974)”.

Provincia Avila Palenc Segov Burgos Soria Vallad Logroño Santan

Y 64 778 83 88 89 99 101 102
X1 58 84 78 81 82 102 85 102
X2 111 131 158 147 121 165 174 169

Problema 5.8. “La demanda de un tipo de impresoras ha cambiado debido a una

rápida variación en el precio. Se ha observado la demanda (Y ) en una amplia región
geográ…ca y el precio unitario (X) (en unidades de diez mil pesetas). Los resultados son
los de la tabla adjunta. Ajustar un polinomio de regresión a estos datos que explique el
comportamiento de la demanda”.

Y 360 305 230 242 180 172

X 80 8 90 7 90 9 100 3 110 0 120 5
Y 121 83 122 91 105
X 130 2 140 8 150 8 170 4 180 2
16 Modelos estadísticos aplicados. Juan Vilar

Problema 5.9. “El …chero problema-5-9 contiene datos relativos a veinticuatro

países. El …chero consta de las siguientes variables referidas a cada país:
- Coches: Número de coches por persona.
- Pob: Población en millones de personas.
- Den: Densidad de población.
- Ingresos: Ingresos per capita en dólares U.S.A.
- Gasol: Precio de la gasolina en centavos U.S.A. por litro.
- Consumo: Toneladas de gasolina consumida por coche al año.
- Pasaj: Miles de pasajeros-kilómetros por persona que usan bús o tren.
- País: País al que se re…eren los datos de la …la.
Se quiere ajustar un modelo de regresión múltiple que explique la variable coches en
función de las variables explicativas: pob, den, ingresos, gasol, consumo y pasaj.”

Problema 5.10. “El …chero problemas-5-10 contiene datos relativos a partidos de

la liga ACB de baloncesto. Los datos son de 62 jugadores al azar del total y han sido
obtenidos de la Guía O…cial de la Liga 1989-1990 de la ACB (Asociación de Clubs de
Baloncesto). En base a esta muestra se desea estudiar si existe una relación lineal entre la
variable puntos por partido (punt part) que es capaz de anotar un jugador de baloncesto
respecto a las siguientes regresoras:
- La altura del jugador (altura).
- Los minutos que juega por partido (min part).
- Los balones que pierde por partido (bp part).
- Las faltas personales cometidas por partido (fp part).
- El porcentaje en tiros de campo por partido (porcentaje obtenido de los tiros de dos
y tres puntos conseguidos e intentados) (por_tc).
En base a estos datos:

1. Ajustar un modelo de regresión sin excluir ninguna variable e interpretar el resultado.

¿Es el ajuste bueno?

2. Analizar la hipótesis de multicolinealidad para el modelo anterior.

3. En el modelo ajustado ¿Cuáles son las observaciones atípicas y/o in‡uyentes?

4. ¿Existe un modelo de regresión lineal más adecuado?

5. ¿Es aconsejable utilizar un ajuste no lineal? Justi…car la respuesta.

6. Analizar los residuos del modelo que se considere más adecuado.”

Problema 5.11. “El …chero problema-5-11 contiene datos relativos a 60 observa-

ciones de datos del Mercado Financiero Canadiense (de septiembre del 77 a diciembre del
80). Se han considerado las siguientes variables:
- Bankcan: activos del Banco de Canadá.
- Trsbill: intereses de las Letras del Tesoro a 90 días.
Prácticas y problemas de regresión lineal múltiple. 17

- CPI: índice de precios al consumo.

- Usspot: razón de cambio Canadá/USA.
- Usforw: razón de cambio a un mes Canadá/USA.
Se quiere estudiar el modelo de regresión lineal múltiple de la variable de interés Trsbill
frente a las otras cuatro variables regresoras. Se pide:

1. Calcular el modelo de regresión lineal múltiple.

2. Estudio de la multicolinealidad del modelo.

3. Estudio de las observaciones in‡uyentes y atípicas.

4. Análisis de residuos. ¿Se veri…can las hipótesis del modelo?

5. Encontrar un ajuste que mejore al modelo de regresión lineal obtenido.”

Problema 5.12. (Observaciones in‡uyentes y datos atípicos) “Con los datos

de la tabla adjunta se construyen tres conjuntos de datos. El primero consta de los casos
1 a 9 repetidos tres veces cada uno y añadiendo el caso 28(A). El segundo está formado
por los casos de 1 a 9 repetidos tres veces y, adicionalmente, el caso 28(B). Finalmente, el
tercero se construye de igual manera pero con la observación adicional 28(C). Por tanto,
estos tres conjuntos tienen 27 datos iguales y uno diferente. Estudiar las regresiones de los
tres conjuntos y examinar las observaciones in‡uyentes y atípicas”.

Caso 1 2 3 4 5 6 7 8 9 A B C
x1 2 0 2 4 3 1 3 1 4 0 3 3
x2 6;5 7;3 8;3 6;0 8;8 8;0 5;9 6;9 9;5 7;2 9 7;3
y 1;5 0;5 1;6 3;9 3;5 0;8 2;7 1;3 4;1 5 1;5 4

Problema 5.13. “Se ha realizado un experimento para investigar como la resistencia

del corcho al rozamiento se ve afectada por la dureza del corcho y la fuerza tensorial. Para
ello se han testado treinta muestras de corcho de las que se ha calculado la dureza (en
grados Shore, a mayor número mayor dureza) y la fuerza tensorial (medidos en Kgr por
cm2 ).
Las muestras de corcho eran sometidas a un rozamiento continuo por un período de
tiempo …jo y después se medía la pérdida de peso de corcho en gramos por hora. Los datos
obtenidos en este experimento se encuentran en el …chero problema-5-13, en base a
ellos:

1. Analizar la relación lineal de la variable de interés, peso de corcho perdido, con las
dos variables explicativas.

2. Analizar las hipótesis del modelo ”.

18 Modelos estadísticos aplicados. Juan Vilar

Problema 5.14. “El …chero problema-5-14 contiene datos de contaminación atmos-

férica en 41 ciudades de EEUU en los años 1969-71 . La variable de interés es Y =“contenido
de SO2 en el aire en microgramos por metro cúbico”. Se desea estudiar la relación de Y
con seis variables regresoras, dos relativas a ecología humana y cuatro al clima. Son la
siguientes:
X1 =“temperatura media anual en grados Farenheit”.
X2 =“número de fábricas con más de 20 empleados”
X3 =“número de habitantes, en miles”
X4 =“Velocidad media del viento al año en millas por hora”
X5 =“precipitación media anual en litros por pulgada”
X6 =“número medio de días con lluvia al año”
El objetivo del estudio es encontrar un modelo de regresión múltiple que explique
adecuadamente el comportamiento de la variable Y ”.

Problema 5.15. “El …chero problema-5-15 contiene datos de seis variables de 22

aviones de combate de EEUU. Las variables estudiadas son las siguientes:
F F D=“…rst ‡ight date, fecha del primer vuelo en meses después de Enero de 1940”
SP R=“speci…c power, potencia especí…ca proporcional a la potencia por unidad de
peso”
RGF =“‡ight range factor, factor de rango de vuelo”
P LF =“payload como una fracción del peso bruto del avión”
SLF =“factor de carga sostenido”
CAR=“una variable binaria que vale 1 si el avión puede aterrizar en un portaviones y
0 en otro caso”
El objetivo del estudio es encontrar un modelo de regresión múltiple que explique el
comportamiento de la variable de interés F F D o una transformada de la misma (por
ejemplo, tomar logaritmos) como una función del resto de variables.
Tener en cuenta la presencia de la variable atributo CAR; interpretar el modelo resul-
tante al introducir esta variable”.

Problema 5.16. “Algunas veces es necesario bajar la presión sanguínea de un pa-

ciente durante una intervención quirúrgica utilizando un fármaco hipotensivo. El …chero
problema-5-16 contiene datos relativos a la utilización de un determinado fármaco en 53
enfermos. En cada uno de ellos se ha medido el tiempo en minutos antes de que la presión
sistólica sanguínea del paciente vuelva a los 100 mm (TR es el tiempo de recuperación), el
logaritmo de la dosis de fármaco en miligramos (LD) y la presión media sistólica sanguínea
del paciente mientras el fármaco hacía efecto (PM). ¿Qué relación existe entre la variable
TR y las otras dos variables?”.

Problema 5.17. “El …chero problema-5-17 contiene datos del fósforo encontrado
en 18 muestras de aceite tomadas a 20o . La variable X1 es el fósforo inorgánico, X2 el
fósforo orgánico e Y es el fósforo de maíz en el aceite. Encontrar un modelo que explique
la variable Y como función de las otras dos regresoras”.
Prácticas y problemas de regresión lineal múltiple. 19

Problema 5.18. “Se está interesado en estudiar la temperatura mínima de una ciu-
dad en relación con su longitud y latitud geográ…ca. Se ha tomado una muestra de 56
ciudades de EEUU y se ha calculado la temperatura mínima (en grados Farenheit) en el
mes de enero, el resultado obtenido es el promedio de 30 años (de 1931 a 1960). El …chero
problema-5-18 contiene los datos de esta variable y de las regresoras: longitud y latitud
de la ciudad.
En base a estos datos ajustar un modelo de regresión que explique el comportamiento
de la variable de interés en función de las dos regresoras. En un estudio previo se proponía
ajustar la temperatura con una relación lineal respecto a la variable latitud y un ajuste
cúbico respecto a la variable longitud”.

Problema 5.19. “Se desea estudiar la relación entre el consumo de helados, medido
en pintas per capita, y las variables regresoras precio del helado, en doláres por pinta,
el ingreso familiar por semana y la temperatura media medida en grados Farenheit. Para
ello se obtuvieron datos de 30 meses, desde marzo de 1951 a julio de 1953. El …chero
problema-5-19 contiene estos datos. Analizarlos y estudiar un modelo de regresión que
se ajuste a los mismos”.

Problema 5.20. “El …chero problema-5-20 contiene datos relativos al número de

muertes e intensidad de los terremotos ocurridos desde 1.900. También se proporciona el
año en que ocurrió el terremoto, en total, 40 datos. Se desea estudiar si existe una relación
entre el número de muertes y la intensidad del terremoto. Analizar las hipótesis básicas
del modelo ajustado”.

Problema 5.21. “El …chero problema-5-21 contiene datos de 209 procesadores

(CPU). De cada uno de ellos se han obtenido características y medidas de rendimiento
relativo respecto a un procesador IBM 370/158-3. Las variables observadas las siguientes:
-Cycle time(ns), número de ciclos por segundo.
-Minimum memory (kb), memoria mínima en kb.
-Maximum memory (kb), memoria máxima en kb.
-Cache size (kb), tamaño del caché.
-Minimum channels, número mínimo de canales.
-Maximum channels, número máximo de canales.
-Relative performance, rendimiento relativo.
-Estimated relative performance, rendimiento relativo estimado.
El objetivo del estudio es conocer que variables in‡uyen en el rendimiento relativo
(en el relative performance y en el estimated relative performance). Ajustar el modelo de
regresión en cada uno de los dos casos e indicar la bondad del ajuste”.
(Los datos proceden del trabajo de Ein-Dor,P. y Feldmesser,J. (1987) “Atributes of
the performance of central processing units: a relative performance prediction model”,
Communitaions of the ACM, 30,308-317).
20 Modelos estadísticos aplicados. Juan Vilar

Problema 5.22. “El …chero problema-5-22 contiene los resultados de 35 carreras

de montaña celebradas en Escocia en 1984. Se proporcionan datos sobre la distancia en
millas de la carrera, tiempo del vencedor en minutos y la altura total ganada en pies.
Se quiere estudiar un modelo de regresión que relacione el tiempo con las otras dos
variables. Al analizar los datos parece razonable transformar la variable respuesta pero
también se observa la aparición de observaciones in‡uyentes”.

Problema 5.23. “El …chero problema-5-23 contiene datos de tres variables relativas
a las 48 ciudades más grandes del mundo en 1991. Las variables consideradas son:
Horas de trabajo=“promedio ponderado de 12 ocupaciones”
Nivel de precios=“coste de una cesta de la compra de 112 productos básicos, en base
al nivel de Zurich=100”
Nivel de salarios=“nivel del salario de 12 ocupaciones diferentes ponderadas según la
distribución ocupacional, excluídas tasas a la seguridad social e impuestos, en base al nivel
de Zurich=100”
El objetivo del estudio es encontrar una relación entre estas tres variables. Tiene par-
ticular interés el estudio de los siguientes modelos de regresión:

1. Estudiar la variable respuesta nivel de precios respecto a la regresora nivel de salarios.

2. Estudiar la respuesta nivel de precios respecto a las otras dos regresoras.

3. Estudiar la respuesta nivel de salarios respecto a la regresora horas de trabajo”.

Problema 5.24. “Se está interesado en investigar el índice de criminalidad en relación

con otras variables. Para ello se dispone de datos de 47 estados de EEUU relativos al año
1960 (problema-5-24). Las variables estudiadas son las siguientes:
R=“índice de criminalidad, número de delitos conocidos por la policía por cada millón
de habitantes”
Age=“distribución de la edad, número de varones de edad 14-24 por cada mil de toda
la población del estado”
S=“variable binaria que distingue entre estados del sur (S = 1) del resto”
Ed=“nivel educativo, número medio de años de escolarización”
Ex1 =“gasto per cápita en protección policial relativa a 1960 ”
Ex2 =“gasto per cápita en protección policial relativa a 1959 ”
LF =“proporción en participación en trabajos de fuerza por cada mil hombres con edad
14-24”
M =“Número de varones por mil mujeres”
N =“Tamaño de la población del estado en cin mil”
N W =“El número de personas de raza no blanca por 1000 habitantes”
U1 =“Razón de desempleo entre hombres de edad 14-24, por cada mil”
U2 =“Razón de desempleo entre hombres de edad 35-39, por cada mil”
W =“Riqueza medida por el ingreso familiar”
Prácticas y problemas de regresión lineal múltiple. 21

X=“Desigualdad en ingresos, el número de familias por mil que ganan por debajo de
la mitad de la mediana de ingresos”
El objetivo del estudio es encontrar la mejor relación entre la variable de interés R con
el resto de las variables regresoras. Analizar la in‡uencia de la variable atributo S”.

Problema 5.25. “Los datos de este problema son clásicos en análisis de regresión
(…chero problema-5-25), corresponden a la observación de 21 días de trabajo en una
planta química para la oxidación del amonio como una etapa en la producción del ácido
nítrico. Las variables observadas son:
X1 =“‡ujo de aire”
X2 =“temperatura del ahua de refrigeración (o C)”
X3 =“concentración de ácido ( %)”
Y =“pérdida acumulada, porcentage del amonio que escapa sin ser absorbido”
El objetivo del estudio es ajustar un modelo de regresión a estos datos que explique el
comportamiento de la respuesta Y respecto a las tres regresoras”.

Problema 5.26. “En la tabla adjunta se presentan cuatro indicadores del tamaño
medio de las empresas en 15 paises desarrolados. Estos indicadores son: (V ) ventas, (A)
activos, (N ) número de empleados y (R) recursos propios. Estudiar un modelo de regresión
que relacione la variable V con las restantes variables (se sugiere transformar los datos
tomando logaritmos)”.

Pais V A N R Pais V A N R
España 249 454 3;358 166 Italia 109 100 874 16
EE.UU. 3;334 2;612 15;230 1;209 Bélgica 167 124 1;267 37
Alemania 707 542 7;391 119 Noruega 100 81 894 14
Inglaterra 511 352 7;307 243 Dinamarca 84 67 978 20
Francia 477 535 6;306 91 Finlandia 119 100 1;350 15
Suecia 142 137 2;075 34 Portugal 35 46 1;302 16
Suiza 494 475 6;163 215 Irlanda 237 283 3;668 80
Holanda 301 227 3;517 70

Problema 5.27. “En la tabla adjunta se indica la altura (H), longitudde las naves
(L), anchura de la nave principal (A) y número de naves (N ) de algunas iglesias románicas
españolas. Estudiar la relación entre la variable altura (H) y el resto de las variables”.
22 Modelos estadísticos aplicados. Juan Vilar

H L A N H L A N H L A N
60 15 200 00 60 18 1 90 20 170 00 80 20 1 90 00 200 50 70 00 3
110 60 190 40 50 20 3 90 10 200 60 90 50 1 130 00 260 50 60 40 3
220 00 850 00 80 10 3 70 75 120 20 50 40 1 110 45 210 75 70 45 3
100 20 240 00 50 50 3 80 85 170 90 60 50 1 80 50 100 00 60 70 1
80 90 140 30 60 50 1 100 00 280 20 50 45 1 60 70 140 60 60 20 3
90 50 110 90 60 40 1 100 50 260 78 80 80 3 110 60 130 60 70 60 1
120 20 200 00 60 10 3 190 00 350 00 70 70 3 100 15 110 60 40 10 3
110 40 190 30 70 50 1 80 20 160 00 90 00 1

Problema 5.28. “El …chero problema-5-28 contiene datos de tres variables obser-
vadas en cincuenta tipos de madera utilizados en la construcción. Las variables estudiadas
son las siguientes:
X =“densidad de la madera en aire seco”
Y =“módulo de rigidez”
Z =“módulo de elasticidad”.
El objetivo del estudio es ajustar un módelo de regresión que explique el compor-
tamiento de la variable elasticidad en función de las otras dos variables.
Los datos están ordenados de forma creciente según la variable X”.

Y Z X Y Z X Y Z X Y Z X
1000 99 250 3 1897 240 500 3 1145 193 400 3 2036 264 580 6
1112 173 280 2 1822 248 510 3 1438 167 400 3 2570 189 580 7
1033 188 280 6 2129 261 510 7 1281 188 400 6 1474 223 590 5
1087 133 290 1 2053 245 520 8 1595 238 420 3 2116 245 600 8
1069 146 300 7 1676 186 530 8 1129 130 420 4 2054 272 610 3
925 91 310 4 1621 188 530 9 1492 189 420 5 1994 264 610 5
1306 188 320 5 1990 252 540 9 1605 213 430 0 1746 196 630 2
1306 194 360 8 1764 222 550 1 1647 165 430 0 2604 268 630 3
1323 195 370 1 1909 244 550 2 1539 210 460 7 1767 205 680 1
1379 177 380 3 2086 274 550 3 1706 224 490 0 2649 346 680 9
1332 182 390 0 1916 276 560 9 1728 228 500 2 2159 246 680 9
1254 110 390 6 1889 254 570 3 1703 209 500 3 2078 237;5 700 8
1587 203 400 1 1870 238 580 3

Problema 5.29. “Se presentan dos problemas análogos. En una primera parte en el
…chero problema-5-29A, se recogen las distancias en metros de los saltos obtenidos por
los ganadores de la medalla de oro en las Olimpíadas en las siguientes pruebas: salto de
altura, salto de pértiga, salto de longitud y triple salto, en las pruebas realizadas entre los
años 1896 y 1988.
Prácticas y problemas de regresión lineal múltiple. 23

Los datos de la segunda parte están en el …chero problema-5-29B que contiene los
tiempos, en segundos, de los ganadores de las carreras de hombres de 100, 200, 400, 800 y
1500 metros en los JJOO desde 1900 a 1988 (no hubo JJOO en 1916, 1940 y 1944).
En ambos casos el objetivo del estudio es el mismo:

1. Ajustar un modelo de regresión razonable a la nube de datos que permita predecir

futuros resultados.

2. Para una determinada variable (en ambos …cheros) ajustar un modelo de regresión
simple donde la variable regresora es el tiempo (reescalado) o, dicho de otra forma,
estimar la tendencia de la variable (serie de tiempo).

3. En ambos apartados estudiar la hipótesis de independencia. (Estas variables son

series de tiempo y los modelos estadísticos ARIMA son, en muchos casos, adecuados
para hacer predicciones).

Problema 5.30. “El …chero problema-5-30 contiene datos de tres variables relativas
a 35 carreras de montaña que tuvieron lugar en Escocia durante el año 1984. Las variables
estudiadas son:
- Distancia: recorrida en la carrera medida en millas.
- Altura: alcanzada en la montaña en el ascenso efectuado, medida en pies.
- Tiempo: que tardó el vencedor de la carrera.
Se desea ajustar un modelo de regresión que explique el comportamiento de la variable
respuesta, tiempo, respecto a las dos regresoras distancia y altura. En principio, puede ser
razonable hacer una transformación de la variable respuesta pero debe de estudiarse la
existencia de datos in‡uyentes”.

Problema 5.31. “En este problema se presenta una colección de datos obtenidos en
pruebas simuladas de accidentes de motos. Se observaban dos variables:
- X = tiempo transcurrido (en milisegundos) después del impacto.
- Y = aceleración de la cabeza.
Los datos se recogen en el …chero problema-5-31. En base a ellos se pide:

1. Representar los datos y ajustar un modelo de regresión que explique el compor-

tamiento de la variable respuesta Y a partir de la variable regresora. ¿Se mejoran
los resultados si se transforma alguna de las dos variables o ambas?

2. Utilizando métodos de regresión no paramétrica ¿se obtienen mejores resultados?”

Problema 5.32. “El …chero problema-5-32 contiene datos de porcentajes de delitos

de siete tipos (asesinato, violación, atraco, agresión, robo, latrocinio y robo de vehículos)
en cincuenta estados de EEUU en el año 1986. Los datos que se presentan son el número
de delitos por cada 100.000 residentes.
Analizar analítica y grá…camente estas variables y estudiar si se puede ajustar un
modelo de regresión que explique el comportamiento de una de ellas en función de las
otras”.