SUMMARY OUTPUT

Regression Statistics
Multiple R 0.96350984
R Square 0.92835121
Adjusted R S 0.90788013
Standard Erro 0.76782806
Observations 10

ANOVA
df SS MS F Significance F
Regression 2 53.4723705 26.7361853 45.3493939 9.84535E-05
Residual 7 4.12691947 0.58955992
Total 9 57.59929

CoefficientsStandard Error t Stat P-value Lower 95% Upper 95% Lower 95.0%
Intercept -4243.16824 688.565557 -6.16233008 0.00046193 -5871.36706 -2614.96943 -5871.36706
X Variable 1 2.13147494 0.34500821 6.1780412 0.00045489 1.31566016 2.94728972 1.31566016
X Variable 2 0.21346417 0.05933819 3.59741612 0.00876997 0.07315164 0.3537767 0.07315164

RESIDUAL OUTPUT PROBABILITY OUTPUT

Observation Predicted Y Residuals Percentile Y

1 6.23381779 -0.49381779 5 2.99
2 3.94107187 -0.95107187 15 3.92
3 8.74952824 0.62047176 25 4.2
4 9.4081004 -0.5381004 35 4.8
5 3.78531338 1.01468662 45 5.74
6 6.65757935 -0.63757935 55 6.02
7 3.63905524 0.56094476 65 8.87
8 4.21540851 -0.29540851 75 9.05
9 8.36845952 0.68154048 85 9.37
10 9.5116657 0.0383343 95 9.55
 X Variable 1 Residual Plot
1.5
1 X Variable 2 Residual Plot
Residuals
0.5
1.5
0 X Variable 1 Line Fit Plot
-0.51986 1987 11988 1989 1990 1991 1992 1993 1994 1995

Residuals
-1 0.5 15
-1.5 0
-0.5 0
10
100 200
X Variable 1300 400 X Variable
500 600 2 Line
700 Fit
800 Plot
Y
Predicted Y

Y
-1 5 15
Normal Probability P
0 10 X Variable 2
1986 1987 1988 1989 1990151991 1992 1993 1994 1995 Y

Y
5 P
X Variable
10 1
0

Y
Upper 95.0% 0 100 5200 300 400 500 600 700 800
-2614.96943 0 X Variable 2
2.94728972 0 10 20 30 40 50 60
0.3537767 Sample Percentile
it Plot

2 Line
700 Fit
800 Plot
Y
Predicted Y
ormal Probability Plot
3 1994 1995 Y
Predicted Y

0 500 600 700 800

ble 2
0 30 40 50 60 70 80 90 100
Sample Percentile
 REGRESIÓN LINEAL MÚLTIPLE
Una estudiante graduada quiere comprar un automóvil usado e investigó los precios. Ella piensa que el año del
modelo y el número de millas recorridas influyen en el precio de compra. Los datos siguientes corresponden a 10
automóviles con el precio (miles de dólares), año y miles de millas recorridas.
La estudiante desea comprar un automóvil año 1991 con alrededor de 40,000 millas recorridas. ¿Cuánto
pronostica que pagará?

Millas
Precio (k) Año
(miles)
5.74 1991 26.4
2.99 1987 55.6 y= -4243.2+2.13(1992)+0.21(30)
9.37 1992 28.2
8.87 1993 21.3
4.8 1989 34.9
6.02 1992 18.4
4.2 1988 44.2
3.92 1988 46.9
9.05 1991 36.4
9.55 1994 11.8
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.82705115
R Square 0.68401361
Adjusted R S 0.61379442
Standard Erro 3.9888848
Observations 12

ANOVA
df SS MS F Significance F
Regression 2 309.985849 154.992925 9.74111981 0.00560412
Residual 9 143.200818 15.9112019
Total 11 453.186667

CoefficientsStandard Error t Stat P-value Lower 95% Upper 95% Lower 95.0%
Intercept 6.5835784 8.54215539 0.7707163 0.46062794 -12.7401196 25.9072764 -12.7401196
X Variable 1 0.62467534 1.12027693 0.55760797 0.59070937 -1.90956714 3.15891782 -1.90956714
X Variable 2 2.1388638 1.4701499 1.45486103 0.17967988 -1.18684632 5.46457392 -1.18684632

RESIDUAL OUTPUT PROBABILITY OUTPUT

Observation Predicted Y Residuals Percentile Y

1 43.8098893 -0.2098893 4.16666667 22.6
2 39.1213727 -1.12137274 12.5 30.1
3 32.0970898 -1.9970898 20.8333333 30.2
4 31.7032846 3.59671536 29.1666667 34.2
5 40.3877072 6.01229278 37.5 35.2
6 35.9640284 -1.76402844 45.8333333 35.3
7 30.2230638 -0.02306378 54.1666667 37.6
8 45.2901102 -4.59011016 62.5 38
9 33.3973919 5.10260812 70.8333333 38.5
10 28.2980864 -5.69808636 79.1666667 40.7
11 35.5362557 2.06374432 87.5 43.6
12 36.57172 -1.37171998 95.8333333 46.4
 X Variable 1 Residual Plot
10
5
X Variable 2 Residual Plot
Residuals 4
0
5 6 2 7 8 9
X
10
Variable
11 12
1 Line
13
Fit
14
Plot

Residuals
-5 0 50
-10 -2 0 X Variable 2 Line Fit Plot
50 40100 150 200 250 300 350 400 450 500
-4 30 X Variable 1 Y
50
20 Normal Probability P

Y
-6 40 Predicted Y
10
30 X Variable 2 Y
0 50
20 P

Y
5 6 7 8 940 10 11 12 13 14
10
30 1
X Variable
0
20

Y
0 50 100 150 200 250 300 350 400 450 500
Upper 95.0% 10
0 X Variable 2
25.9072764
0 20 40 60 8
3.15891782
Sample Percentile
5.46457392
it Plot
2 Line
00 450 Fit
500 Plot
Y
ormal Probability
Predicted Y Plot
Y
12 13 14 Predicted Y

50 300 350 400 450 500

ble 2
0 40 60 80 100 120
Sample Percentile
EJEMPLO:
Una compañía desea conocer la relación existente entre sus ventas totales con respecto a la cantidad de anuncios de
publicidad y el costo que invierte es ellos. La siguiente tabla presenta dicha información:

Anuncios Costo Ventas

Mes
Publicados Anuncios Totales
Mayo 12 13.9 43.6
Junio 11 12 38
Julio 9 9.3 30.1 y=6.58+0.624x+2.138x
Agosto 7 9.7 35.3
Septiembre 12 12.3 46.4
Octubre 8 11.4 34.2
Noviembre 6 9.3 30.2
Diciembre 13 14.3 40.7
Enero 8 10.2 38.5
Febrero 6 8.4 22.6
Marzo 8 11.2 37.6
Abril 10 11.1 35.2
antidad de anuncios de