Un comerciante minorista realizó un estudio para determinar la relación que hay entre

semanales de publicidad y las ventas.

Costo de
publicidad ($) Ventas ($)
40 385
20 400
25 395
20 365
30 475
50 440
40 490
20 420
50 560
40 525
25 480
50 510

a) Elabore un diagrama de dispersión.

b)  Calcule la ecuación de la recta de regresión para pronosticar las ventas semanales a

y= 343,7+3,22x a
r= 0.634837267533126 b

c) Estime las ventas semanales si los costos de publicidad son de $35.

r^2= 0.403

si el valor critico = valor p=<0,5 El modelo es adecuado

Y= 456.434010152284
ación que hay entre los gastos

diagrama d edispersion
600

500
f(x) = 3.22081218274112 x + 343.705583756345

400

300

200

100

0
15 20 25 30 35 40 45 50 55

ventas semanales a partir de los gastos de publicidad.

Intercepción 343.7055838
Variable X 1 3.220812183
 Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple
Coeficiente de determinación R^2
R^2 ajustado
Error típico
Observaciones

50 55 ANÁLISIS DE VARIANZA

Regresión
Residuos
Total

Intercepción
Variable X 1

Análisis de los residuales

Observación
1
 2
3
4
5
6
7
8
9
10
11
12
sticas de la regresión
0.634837267533126
0.403018356248926
0.343320191873818
50.2256961960273
12

Grados de libertad Suma de cuadrados

Promedio de los cuadrados F
1 17030.0444162437 17030.044416244 6.75093381
10 25226.2055837563 2522.6205583756
11 42256.25

Coeficientes Error típico Estadístico t Probabilidad

343.705583756345 44.7661786190334 7.6777959244931 1.68474E-05

3.22081218274112 1.23960544526242 2.598255916873 0.026570895

Pronóstico para Y Residuos

472.53807106599 -87.5380710659899
408.121827411167 -8.12182741116749
424.225888324873 -29.2258883248731
408.121827411167 -43.1218274111675
440.329949238579 34.6700507614213
504.746192893401 -64.746192893401
472.53807106599 17.4619289340101
408.121827411167 11.8781725888325
504.746192893401 55.253807106599
472.53807106599 52.4619289340101
424.225888324873 55.7741116751269
504.746192893401 5.25380710659897
 Variable X 1 Curva de regresió
600
500
400
300

Y
200
100
0
15 20 25 30 35 40 45 50
Variable X 1

Valor crítico de F
0.026570895

Inferior 95% Superior 95%Inferior 95,0%Superior 95,0%

243.9603219 443.4508456 243.9603219 443.4508456

0.458799129 5.982825236 0.458799129 5.982825236
X 1 Curva de regresión ajustada

Y
Pronóstico para Y

5 30 35 40 45 50 55
Variable X 1
Los siguientes son algunos de los datos contenidos en un conjunto clásico denominado
graficación” que aparecen en Fitting Equations to Data, de Daniel y Wood, publicado en
el contenido de ácido del material determinado por análisis volumétrico; mientras que
contenido de ácido orgánico determinado por extracción y ponderación

X Y
76 123
62 55
66 100
58 75
88 159
70 109
37 48
82 138
88 164
43 28

a)  Grafique los datos; ¿la regresión lineal simple parece un modelo adecuado?

r^2 0.90540467
valor critico 0.000002 el modelo es adecuado y puede explicar la variable respuesta

b)  Hagaunajuste deregresión lineal simple; calcule la pendiente y la intersección.

y= - 71,817+2,56
r= 0.95152754 la relacion dependencia es fuerte y directamente proporcional

c)  Grafique la recta de regresión en la gráfica del inciso a.

njunto clásico denominado “datos piloto de
Daniel y Wood, publicado en 1971. La res- puesta y es
volumétrico; mientras que el regresor x es el
ponderación

Y
180

160
f(x) = 2.56294964028777 x − 71.8176258992806
140 R² = 0.905404666940208
120

100

80

60

40

20
modelo adecuado?
0
30 40 50 60 70 80 90

variable respuesta

ente y la intersección.

mente proporcional
 Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple
Coeficiente de determinación R^2
R^2 ajustado
992806
Error típico
Observaciones

ANÁLISIS DE VARIANZA

Regresión
Residuos
Total
70 80 90 100

Intercepción
Variable X 1

Análisis de los residuales

Observación
1
2
3
4
5
6
7
8
9
10
de la regresión
0.951527543973483
0.905404666940208
0.893580250307734
15.4429749924911
10

Grados de libertadSuma de cuadrados

Promedio de los cuadradosF Valor crítico de F
1 18261.0162 18261.0162 76.5707684 2.2776E-05
8 1907.88381 238.485477
9 20168.9

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

-71.8176258992806 20.2223278 -3.55140252 0.00749409 -118.450397455224

2.56294964028777 0.29289272 8.75047246 2.27756E-05 1.88753782766317
Pronóstico para Y Residuos
122.96654676259 0.03345324
87.0852517985612 -32.0852518
97.3370503597122 2.66294964
76.8334532374101 -1.83345324
153.721942446043 5.27805755
107.588848920863 1.41115108
23.0115107913669 24.9884892
138.344244604317 -0.3442446
153.721942446043 10.2780576
38.3892086330935 -10.3892086
 Variable X 1 Curva de regresión ajustada
180
160
140
120
100 Y
80 Pronóstico
Y 60
40
20
0
30 40 50 60 70 80 90 100
Variable X 1

Superior 95%Inferior 95,0%Superior 95,0%

-25.1848543 -118.450397 -25.1848543

3.23836145 1.88753783 3.23836145
de regresión ajustada

Y
Pronóstico para Y

80 90 100
 Se realizó un estudio para evaluar el combus- tible que se ahorra al conducir un autom
cuatro puertas en vez de una camioneta o un SUV (vehículo deportivo utilitario). La
continuas son la lectura del odómetro y el octanaje de la gasolina empleada. La variable
da en millas por galón. Los datos se presentan a continuación.

Tipo de
MP automóvil Odómetro Octanaje AUTOMOVIL 1
34.5 sedan 75000 87.5 1
33.3 sedan 60000 87.5 1
30.4 sedan 88000 78 1
32.8 sedan 15000 78 1
35 sedan 25000 90 1
29 sedan 35000 78 1
32.5 sedan 102000 90 1
29.6 sedan 98000 87.5 1
16.8 van 56000 87.5 2
19.2 van 72000 90 2
22.6 van 14500 87.5 2
24.4 van 22000 90 2
20.7 van 66500 78 2
25.1 van 35000 90 2
18.8 van 97500 87.5 2
15.8 van 65500 78 2
17.4 van 42000 78 2
15.6 SUV 65000 78 3
17.3 SUV 55500 87.5 3
20.8 SUV 26500 87.5 3
22.2 SUV 11500 90 3
16.5 SUV 38000 78 3
21.3 SUV 77500 90
20.7 SUV 19500 78
 24.1 SUV 87000 90
3
3
3

a)  Ajuste un modelo de regresión lineal que incluya dos variables indicadoras. Utilice (0
b)  ¿Qué tipo de vehículo parece tener un mayor rendimiento del combustible?
c) Analice la diferencia entre una camioneta y un SUV en términos del rendimiento del
a al conducir un automóvil sedán de
deportivo utilitario). Las variables
empleada. La variable de respuesta se
n a continuación.

y= 8,754-0,0000358x1+0,302x2
Coeficiente de determinación R^2
 r^2 R^2 ajustado
valor critico 0.125

s indicadoras. Utilice (0, 0) para denotar al sedán de cuatro puertas.

l combustible?
os del rendimiento del combustible.
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.751881852275103
Coeficiente de determinación R^2 0.56532631978064
R^2 ajustado 0.391456847692895
Error típico 1.74430705241808
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF
Regresión 2 19.7857145 9.89285727 3.25144094
Residuos 5 15.2130355 3.04260709
Total 7 34.99875

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 8.7545927488554 10.4164967 0.84045461 0.43898335
Variable X 1 -3.57858522378E-05 2.08142E-05 -1.71929881 0.14619413
Variable X 2 0.302859737507119 0.12760558 2.37340516 0.06368326

Análisis de los residuales

Observación Pronóstico para Y Residuos
1 32.5708808628956 1.92911914
2 33.1076686464621 0.19233135
3 29.228497277487 1.17150272
4 31.8408644908442 0.95913551
5 35.1173228185519 -0.11732282
6 31.1251474460888 -2.12514745
7 32.3618121962436 0.1381878
8 31.7478062614269 -2.14780626
 Variable X 1 Curva de regresión ajustad
40
35
30 Variable X 2 Curva de regres
25 Variable X 1 Curva de regres
20 40
15 40
35 Resumen Y
P

Y
10 35
30
5 25
30
0 Variable X 2 Curva
20 Estadísticas de la regresión
0 0 0 0 25 00 0 00 0 0 00 00

Y
0 0 0 0 0 0 0
0 15 0 00 040 00 00
10 20 30 40 2050 Coeficiente
60 70 d 0.74474829
80 90 0 00 1 00
1 1

Y
10 35
15 Coeficiente d 0.55465002
5 Variable X 130
10
0 R^2 ajustado 25 0.40620003
5 76 78 80
20 82 84 86 88

Y
0 Error típico 15 2.57409848
Variable X 2
0 2000010 40000 60000 80000 10000
Observacione 9
5 Variable X 1
0
Valor crítico de F 76 78
ANÁLISIS DE VARIANZA 80 82 84
Variable X
0.12456854 Grados de libertad
Regresión 2
Residuos 6
Total 8
Inferior 95% Superior 95%Inferior 95,0% Superior 95,0%
-18.0218646 35.5310501 -18.0218646 35.5310500749755 Coeficientes
-8.929E-05 1.77188E-05 -8.929E-05 1.771878645E-05 Intercepción -0.21250216
-0.02516084 0.63088032 -0.02516084 0.63088031878611 Variable X 1 -6.3905E-05
Variable X 2 0.27764096

y= -- 0,212-6,4x1+0,277x2
r^2 0.55465002
Análisis de los residuales

Observación
Pronóstico para Y
1 20.5023993
2 20.1740211
3 23.1544584
4 23.369273
5 17.1938073
6 22.5385075
7 17.8503402
8 17.2577123
9 18.7594808
 Variable X 1 Curva de reg
30
regresión ajustada 25 30

20
2 Curva de regresión ajustada 25
1 Curva de regresión ajustada 15

Y
20
Y 10
Pronóstico para Y
5 15
ariable X 2 Curva de regresión
Y ajustada 0
0 0 0 0 Pronóstico para Y 1020000
00 00 00 00 Y
0 40000 60000 80000 1
90 10
0
11
0
Pronóstico para Y Variable X 1
5

82 84 86 88 90 92 Y 0
Pronóstico para Y 76 78 80 82 84
Variable X 2
000 60000 80000 100000 120000
Variable X 1

78 80 82 84 86 88 90 92
Variable X 2
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
49.512991 24.7564955 3.73627515 0.0883292
39.7558978 6.62598297
89.2688889

Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%

Superior 95,0%
14.9303187 -0.01423293 0.98910561 -36.745676 36.3206717 -36.745676 36.3206717
3.51918E-05 -1.81590642 0.11929494 -0.00015002 2.22062E-05 -0.00015002 2.22062E-05
0.16940594 1.63890926 0.15234445 -0.13688044 0.69216235 -0.13688044 0.69216235
 Residuos
-3.70239931
-0.97402107
-0.55445845
1.03072696
3.50619269
2.56149247
0.94965983
-1.45771235
-1.35948078
riable X 1 Curva de regresión ajustada
Variable X 1 Curva de regresión ajustada
30
30 25 Variable X 2 Curva de regresión ajustada
20 30
25
15 Y Y
25
Pronóstico para Y Pronóstico para Y
Y

20 10 20
5 15 Y
15 Y Pronóstico para Y
Y

0 10 Pronóstico para Y
020000 40000 60000 80000 100000 120000
1020000 5
40000 60000 80000 100000 120000
Variable X 1
Variable X 1 0
5 76 78 80 82 84 86 88 90 92
Variable X 2
0
76 78 80 82 84 86 88 90 92

erior 95,0%
ada

nóstico para Y
Un cliente del Departamento de Ingeniería Mecánica se acercó al Centro de Consulta d
para que lo ayudaran a analizar un experimento sobre motores con turbina de gas. Se m
salidas del voltaje de los motores con distintas combi- naciones de velocidad de las asp
extensión de los sensores. Los datos son los siguientes:

extensión
Velocidad (pulg) Voltios.
(pulg/seg) X1 X2 Y
6336 0.000 1.95
7099 0.000 2.5
8026 0.000 2.93
6230 0.000 1.69
5369 0.000 1.23
8343 0.000 3.13
6522 0.006 1.55
7310 0.006 1.94
7974 0.006 2.18
8501 0.006 2.7
6646 0.012 1.32
7384 0.012 1.6
8000 0.012 1.89
8545 0.012 2.15
6755 0.018 1.09
7362 0.018 1.26
7034 0.018 1.57
8554 0.018 1.92

a) Ajuste una regresión lineal múltiple a los datos.

b) Haga comentarios sobre la calidad del modelo ajustado.
entro de Consulta de Virginia Tech
turbina de gas. Se midieron varias
velocidad de las aspas y de la