UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE CIENCIAS CONTABLES

ESCUELA PROFESIONAL DE CONTABILIDAD

Regresión lineal múltiple y

regresión no lineal
Curso: Estadística
Grupo 7
INTEGRANTES:
Huaraca Neyra, Marinella Estrella
Abarca Pimentel, Martha Sofía
Tello Ataco ,Edinson Luis
Alania Huari, Norma
Bilbao Aquije Nicole
Callao, 2020
PERÚ
Regresión lineal múltiple
Ejercicio 1.
se estudia y: la producción de bollos en tonelada
y el precio del kilo de harina en pesetas (y) en los
años de 2015 en Perú fueron:

Producción 71 53 55 48 69 84 21 68 68
de bollos
Precio de 38 25 29 20 44 33 11 58 62
harina de
trigo
Precio de 24 18 16 25 24 26 62 20 18
harina maíz
Tomaremos la producción de bollos(como ) y (variable dependiente) y el precio de
harina de maíz (x1) y harina de trigo (x2) como variables dependientes .
A. vamos a analizar las variables con el paquete SPSS, donde consideraremos 3
puntos clave que son: el resumen del modelo, los coeficientes y el anova.

• En R cuadrado tenemos 0,615 lo

• Interpretación: se ve que la
que significa que el modelo cuya
correlación de Pearson que es R es
estimaciones se ajustan bastante
0,784 lo cual significa que es una
bien a la variable real., ya que nos
correlación positiva , ya que las 2
indica que las variables usadas en
variables se correlacionan en
el modelo explican en un 61,5% ,
sentido directo
que no sería fiable ya que no
alcanza superar mas del 90%
 El modelo seria
Y=59,425+ 0,448 X1 -0,66 x2de
de acuerdo a esta ecuación, los
datos de la variable dependiente
(y) , si serian correctos y se
podrían comprobar los valore a
partir de las variables ᵇᵼ y ᵇᵽᵼ y
ᵇᵽ q

En la ANOVA observamos que

es P= 0,057 ,P<0.05
Se puede decir que el modelo
de regresión múltiple es
significativa , ya que la ecuación
de la regresión nos ayuda para
realizar pronósticos de acuerdo
a los datos que se quiere
analizar, para futuros
pronósticos.
EJERCICIO 2

El jefe de producción de una empresa manufacturera desea estimar los

gastos indirectos de producción con base en el número de horas de
trabajo y en el número de horas máquina.
En la siguiente tabla se relaciona la información correspondiente al
primer semestre.
q El jefe de producción define:
X1 : horas de trabajo
X2 : horas de máquina
Y : gastos indirectos de producción
A) VAMOS A ANALIZAR LAS VARIABLES CON EL PAQUETE SPSS,
CONSIDERAMOS 3 PUNTOS LAS CUALES SON : EL RESUMEN DEL
MODELO, LOS COEFICIENTES Y EL ANOVA.
 Interpretamos

q Se ve que la correlación de Pearson que es R = 0,883 , lo cual

significa que es una correlación positiva, ya que las 2 variables se
correlacionan en sentido directo. (resumen del modelo)

q El modelo seria Y = -18,3 + 0,724 X1 + 0,903 X2 de acuerdo a

esta ecuación, los datos de la variable dependiente (y), si serian
correctos y se podrían comprobar los valores a partir de las
variables X1 Y X2. (coeficientes)

q En el anova observamos que la significancia es de 0,103 , entonces

0,103 >0.05
Se puede decir que el modelo de regresión múltiple es
significativa, ya que la ecuación de la regresión nos ayuda para
realizar pronósticos de acuerdo a los datos que se quiere analizar para
futuros pronósticos. (el anova)
Ejercicio 3:‐ El gerente de una empresa estudia las posibles relaciones
entre beneficios anuales, gastos en publicidad anuales y horas
extraordinarias anuales de los empleados. Para ello utiliza datos, de
estas tres variables, proporcionadas por algunas empresas del sector.

Beneficios Gastos Horas extras

(millones) publicidad (100 horas)
(millones)
1,3 0,3 4

3,5 1,5 9
2,8 0,7 6
3 1,1 8
3,3 1,2 8
4 2 7
3,7 2 8
A. vamos a analizar las variables con el paquete SPSS, donde consideraremos 3
puntos clave que son: el resumen del modelo, los coeficientes y el anova.

EL coeficiente de correlación Pearson es igual a 0,951

lo cual nos indica
lo cual significa que es una correlación positiva, ya que
las 2 variables se correlacionan en sentido directo.
(resumen del modelo)
 En la ANOVA observamos que es P=
0,009 ,P<0.05
Se puede decir que el modelo de
regresión múltiple es significativa , ya
que la ecuación de la regresión nos
ayuda para realizar pronósticos de
acuerdo a los datos que se quiere
analizar, para futuros pronósticos.

El modelo seria
Y=0,580+ 0,0,936 X1 +0,17 x2
de acuerdo a esta ecuación, los
datos de la variable dependiente
(y) , si serian correctos y se
podrían comprobar los valore a
partir de las variables ᵇᵼ y ᵇᵽ ᵼ