INSTITUTO TECNOLÓGICO SUPERIOR DEL OCCIDENTE DEL ES

DIVISIÓN INGENIERÍA INDUSTRIAL

ITSOEH
MATERIA:
ESTADISTICA INFERENCIAL

Ejercicios parte 3
NOMBRE: MATRICULA
Aguilar Mendoza Álvaro Fre
López Obregón Estefanía B

GRADO: GRUPO:
4 “A”

DOCENTE:
Ing. Nelly Ana Laura Jiménez

Mixquiahuala de Juárez, Hidalgo a 18 de febrero de

IDENTE DEL ESTADO DE HIDALGO

NDUSTRIAL

MATRICULA:
ndoza Álvaro Fredi 16011157
egón Estefanía Bibiana 16011577

GRUPO:
“A”

18 de febrero de 2021
Resumen

Estadísticas de la regresión
Coeficiente d 0.93406535
Coeficiente d 0.87247807
R^2 ajustado 0.48991229
Error típico 396.115729
Observacione 5

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 3 1073529.13 357843.043 2.28059623 0.44481918
Residuos 1 156907.671 156907.671
Total 4 1230436.8

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Intercepción -1274.79292 2699.24107 -0.47227828 0.71910724 -35571.9026 33022.3168 -35571.9026
Variable X 1 17.0587772 6.90811566 2.4693821 0.2449551 -70.7171548 104.834709 -70.7171548
Variable X 2 0.54063072 0.31437937 1.71967623 0.33531341 -3.45393786 4.5351993 -3.45393786
Variable X 3 -0.17433763 0.10048962 -1.73488188 0.33288331 -1.45117937 1.10250411 -1.45117937
Superior 95.0%
33022.3168
104.834709
4.5351993
1.10250411
 Pam Schneider posee y opera un despacho de contadores en Ithaca, Nueva York. Ella piensa qu
devolución de impuestos que le pedirán durante el ajetreado periodo del 1 de marzo al 15 de a
durante esta época. Tiene la hipótesis de que varios factores pueden ser útiles para su pronósti
urgentes de devolución de impuestos de años pasados son:

x2 Población Y Número de
residente en solicitudes de
x3 Ingreso
x1 Indice un radio de devolución
económico una milla promedio en urgentes (1
Ithaca
desde la de marzo a
oficina. 15 de abril)

99 10188 21465 2306

106 8566 22228 1266
100 10557 27665 1422
129 10219 25200 1721
179 9662 26300 2544
a) Use el siguiente resultado de Minitab para determinar la ecuación de regresión más adecuada
para estos datos: 𝛾=−1274.79292+17.05877716𝑥1+0.540630723𝑥2−0.174337628𝑥3

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante -1275 2699 -0.47 0.719
x1 17.06 6.91 2.47 0.245 1.39
x2 0.541 0.314 1.72 0.335 1.53
x3 -0.174 0.100 -1.73 0.333 1.81

Coeficiente de 0.8724780737
R^2 ajustado 0.4899122949

Coeficientes
Intercepción -1274.79292 a
Variable X 1 17.058777161 b1
Variable X 2 0.5406307229 b2 𝛾=𝑎+𝑏1𝑥1+𝑏2𝑥2+𝑏3𝑥3 x1
Variable X 3 -0.174337628 b3 x2
x3
𝛾=−1274.79292+17.05877716(169)+0.540630723(10212)−0.174337628(26925)
Y= 11823.102
en Ithaca, Nueva York. Ella piensa que sería útil predecir el número de solicitudes urgentes de
do periodo del 1 de marzo al 15 de abril, para poder planear mejor sus necesidades de personal
es pueden ser útiles para su pronóstico. Los datos de estos factores y el número de solicitudes

b) ¿Qué porcentaje de la variación total del número de solicitudes urgentes de devolución de impuestos
c) Para este año, el índice económico es 169; la población residente en un radio de una milla desde la
oficina es 10,212 habitantes, y el ingreso promedio en Ithaca es $26,925. ¿Cuántas solicitudes urgen-
tes de devolución de impuestos debe Pam esperar procesar entre el 1 de marzo y el 15 de abril?
gresión más adecuada
40630723𝑥2−0.174337628𝑥3

————— 18/02/2021 06:46:17 p. m. ————————————————————

Bienvenido a Minitab, presione F1 para obtener ayuda.

Análisis de regresión: y vs. x1, x2, x3

Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 3 1073529 357843 2.28 0.445
x1 1 956799 956799 6.10 0.245
x2 1 464021 464021 2.96 0.335
x3 1 472263 472263 3.01 0.333
Error 1 156908 156908
Total 4 1230437
169
10212
26925 Resumen del modelo
337628(26925)
R-cuad. R-cuad.
 S R-cuad. (ajustado) (pred)
396.116 87.25% 48.99% 0.00%

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante -1275 2699 -0.47 0.719
x1 17.06 6.91 2.47 0.245 1.39
x2 0.541 0.314 1.72 0.335 1.53
x3 -0.174 0.100 -1.73 0.333 1.81

Ecuación de regresión

y = -1275 + 17.06 x1 + 0.541 x2 - 0.174 x3

Ajustes y diagnósticos para observaciones poco comunes

Resid
Obs y Ajuste Resid est.
2 1266 1289 -23 -1.00 X

X poco común X

Gráficas de residuos para y

 Coeficiente d 87.2%
ón de impuestos
milla desde la
𝛾=−1274.79292+17.05877716(169)+0.540630723(10212)−0.174337628(26925)
itudes urgen-
Y= 11823 Solicitudes

——————
Resumen

Estadísticas de la regresión
Coeficiente d 0.99167501
Coeficiente d 0.98341932
R^2 ajustado 0.97098381
Error típico 4.06883236
Observacione 8

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 3 3927.67841 1309.22614 79.081532 0.00051262
Residuos 4 66.221587 16.5553967
Total 7 3993.9

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Intercepción 34.8078878 4.70764408 7.39390813 0.0017843 21.7373725 47.8784032 21.7373725
Variable X 1 5.2617585 0.65146499 8.07680929 0.00127662 3.45300171 7.07051528 3.45300171
Variable X 2 -8.01867879 0.55636367 -14.4126571 0.0001347 -9.56339197 -6.4739656 -9.56339197
Variable X 3 6.80836504 0.67975269 10.0159442 0.00055855 4.921069 8.69566108 4.921069
Superior 95.0%
47.8784032
7.07051528
-6.4739656
8.69566108
 Dado el siguiente conjunto de datos, utilice el paquete de software que tenga disponible para
encontrar la ecuación de regresión de mejor ajuste y responda a lo siguiente:
a) ¿Cuál es la ecuación de regresión?
b) ¿Cuál es el error estándar de la estimación?
c) ¿Cuál es el valor de R2 para esta regresión?
d) ¿Cuál es el valor pronosticado para Y cuando X1 5.8, X2 4.2 y X3 5.1?

Y x1 x2 x3
64.7 3.5 5.3 8.5
80.9 7.4 1.6 2.6
24.6 2.5 6.3 4.5
43.9 3.7 9.4 8.8
77.7 5.5 1.4 3.6
20.6 8.3 9.2 2.5
66.9 6.7 2.5 2.7
34.3 1.2 2.2 1.3
Coeficiente de 0.983419318
R^2 ajustado 0.970983806

Coeficientes
Intercepción 34.80788782 a
Variable X 1 5.261758497 b1 x1
𝛾=𝑎+𝑏1𝑥1+𝑏2𝑥2+𝑏3𝑥3
Variable X 2 -8.01867879 b2 x2
Variable X 3 6.808365038 b3 x3

𝛾=34.8078878+5.2617585(5.8)−8.01867879(4.2)+6.80836504(5.1)
Y= 133.7271997

R = A) 𝛾=34.8078878+5.2617585𝑥1−8.01867879𝑥2+6.80836504𝑥3
R = B) 98%
R = C) 0.970983806
R = D) 133.7271997
enga disponible para
nte:

————— 18/02/2021 07:22:25 p. m. ————————————————————

Bienvenido a Minitab, presione F1 para obtener ayuda.

Análisis de regresión: y vs. x1, x2, x3

Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 3 3927.68 1309.23 79.08 0.001
x1 1 1079.99 1079.99 65.23 0.001
x2 1 3438.96 3438.96 207.72 0.000
x3 1 1660.82 1660.82 100.32 0.001
5.8 Error 4 66.22 16.56
4.2 Total 7 3993.90
5.1

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
4.06883 98.34% 97.10% 90.76%

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante 34.81 4.71 7.39 0.002
x1 5.262 0.651 8.08 0.001 1.13
x2 -8.019 0.556 -14.41 0.000 1.44
x3 6.808 0.680 10.02 0.001 1.57
Ecuación de regresión

y = 34.81 + 5.262 x1 - 8.019 x2 + 6.808 x3

Gráficas de residuos para y

Resumen

Estadísticas de la regresión
Coeficiente d 0.89798744
Coeficiente d 0.80638144
R^2 ajustado 0.03190718
Error típico 29.5417342
Observacione 6

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 4 3634.67428 908.668569 1.0411985 0.61743352
Residuos 1 872.714058 872.714058
Total 5 4507.38833

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Intercepción 16.4496998 54.791769 0.3002221 0.81432313 -679.745735 712.645135 -679.745735
Variable X 1 -0.4313904 0.63066101 -0.68402896 0.61807491 -8.44469833 7.58191753 -8.44469833
Variable X 2 0.40003071 0.71732877 0.55766717 0.67614474 -8.71449549 9.5145569 -8.71449549
Variable X 3 0.34248405 0.56628491 0.60479105 0.65372029 -6.85284792 7.53781601 -6.85284792
Variable X 4 8.95508064 4.54995614 1.96816857 0.29927235 -48.8575936 66.7677548 -48.8575936
Superior 95.0%
712.645135
7.58191753
9.5145569
7.53781601
66.7677548
 Dado el siguiente conjunto de datos, utilice el paquete de software que tenga a su
disposición para encontrar la ecuación de regresión de mejor ajuste y responda a lo
siguiente:

a) ¿Cuál es la ecuación de regresión?

b) ¿Cuál es el error estándar de la estimación?
c) ¿Cuál es el valor de R2 para esta regresión?
d) Dé un intervalo de confianza para la estimación del 95% para el valor Y cuando los
valores X1, X2, X3 y X4 son 52.4, 41.6, 35.8 y 3, respectivamente.

x1 x2 x3 x4 y
21.4 62.9 21.9 -2 22.8
51.7 40.7 42.9 5 93.7
41.8 81.8 69.8 2 64.9
11.8 41 90.9 -4 19.2
71.6 22.6 12.9 8 55.8
91.9 61.5 30.9 1 23.1

R^2 ajustado 0.031907178

Coeficiente d 0.806381436

Coeficientes
Intercepción 16.44969984 a x1 52.4
Variable X 1 -0.4313904 b1 x2 41.6
Variable X 2 0.400030706 b2 𝛾=𝑎+𝑏1𝑥1+𝑏2𝑥2+𝑏3𝑥3 x3 35.8
Variable X 3 0.342484045 b3 x4 3
Variable X 4 8.955080638 b4

𝛾=16.4496998−0.4313904(52.4)+0.40003071(41.6)+0.34248405(35.8)+8.95508064(3)
Y = 49.61229117

R = A) 𝛾=16.4496998−0.4313904𝑥1+0.40003071𝑥2+0.34248405𝑥3+8.95508064𝑥4
R = B) 81%
R = C) 0.031907178
R = D) 49.61229117
————— 18/02/2021 08:27:19 p. m. ————————————————————

Bienvenido a Minitab, presione F1 para obtener ayuda.

Análisis de regresión: y vs. x1, x2, x3, x4

Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 4 3634.7 908.7 1.04 0.617
x1 1 408.3 408.3 0.47 0.618
x2 1 271.4 271.4 0.31 0.676
x3 1 319.2 319.2 0.37 0.654
x4 1 3380.6 3380.6 3.87 0.299
Error 1 872.7 872.7
Total 5 4507.4

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
29.5417 80.64% 3.19% 0.00%

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante 16.4 54.8 0.30 0.814
x1 -0.431 0.631 -0.68 0.618 2.08
x2 0.400 0.717 0.56 0.676 1.30
x3 0.342 0.566 0.60 0.654 1.65
x4 8.96 4.55 1.97 0.299 2.31
Ecuación de regresión

y = 16.4 - 0.431 x1 + 0.400 x2 + 0.342 x3 + 8.96 x4

Ajustes y diagnósticos para observaciones poco comunes

Resid
Obs y Ajuste Resid est.
1 22.8 22.0 0.8 1.00 X
6 23.1 20.9 2.2 1.00 X

X poco común X

Gráficas de residuos para y

 Las estaciones de policía en Estados Unidos están interesadas en predecir el número de arrestos esperados que
procesar cada mes para programar mejor a los empleados de oficina. En los datos históricos, el número promed
(Y) cada mes tiene influencia del número de oficiales en la fuerza policiaca (X1), la población de la ciudad en mile
porcentaje de personas desempleadas en la ciudad en miles (X3). Los datos de estos factores en 15 ciudades se
la tabla.

a) Utilice el paquete de software que tenga disponible para determinar la ecuación de regresión que mejor se aj
datos.
b) ¿Qué porcentaje de la variación total en el número de arrestos (Y) explica esta ecuación?
c) El departamento de policía de ChapelBoro desea pronosticar el número de arrestos mensuales. ChapelBoro ti
población de 75,000 habitantes, 82 elementos en su fuerza policiaca y un porcentaje de desempleo del 10.5%. ¿
arrestos pronostica para cada mes?

Número
promedio de Número de Tamaño de la Porcentaje
ciudad (x2) de
arrestos oficiales en la en miles de desempeño
mensuales fuerza (x1) habitantes
(x3)
(y)

390.6 68 81.6 4.3 A)

504.3 94 75.1 3.9 Ecuación de regresión
628.4 125 97.3 5.6
745.6 175 123.5 8.7 y = 142.5 + 3.274 x1 + 0.52
585.2 113 118.4 11.4
450.3 82 65.4 9.6 B)
327.8 46 61.6 12.4
260.5 32 54.3 18.3 Análisis de Varianza
477.5 89 97.4 4.6
389.8 67 82.4 6.7 Fuente GL SC Ajust. MC
312.4 47 56.4 8.4 Regresión 3 230466 7
367.5 59 71.3 7.6 x1 1 42208 42208
374.4 61 67.4 9.8 x2 1 392 391.8
494.5 87 96.3 11.3 x3 1 19 19.2
487.5 92 86.4 4.7 Error 11 3418 310
Total 14 233884

C)

Con los valores obtenidos

En la regresión multiple simple, con los valores obtenidos del análisis de varianza (P- Ahora vamos a analizar X1
Value) encontramos que, X1 se acepta, X2 y X3 se rechazan.
Entonces se analizo X1 con las regresiones: lineal, cuadrática y cubico, se llegó a la Lineal
conclusión de que el modelo cubico afecta un 99.5% en la variable independiente
(Y). Ecuación de Regresión
Esta es la ecuación que se ajusta mas al conjunto de datos: Y=
y = 193.6 + 1.360 x1 + 0.03309 x1^2 - 0.000130 x1^3
Entonces se analizo X1 con las regresiones: lineal, cuadrática y cubico, se llegó a la
conclusión de que el modelo cubico afecta un 99.5% en la variable independiente
(Y).
Esta es la ecuación que se ajusta mas al conjunto de datos:
y = 193.6 + 1.360 x1 + 0.03309 x1^2 - 0.000130 x1^3
S = 17.1514

-Cuadrática.

The regression equ

y = 100.1 + 4.959

S = 12.0337 R-Sq

-Cubica

The regression equ

y = 193.6 + 1.360
S = 9.10248 R-Sq
 arrestos esperados que deberán
ricos, el número promedio de arrestos
ción de la ciudad en miles (X2) y el
tores en 15 ciudades se presentan en

egresión que mejor se ajuste a estos

ón?
mensuales. ChapelBoro tiene una
desempleo del 10.5%. ¿Cuántos

uación de regresión

= 142.5 + 3.274 x1 + 0.526 x2 - 0.32 x3

nálisis de Varianza

ente GL SC Ajust. MC Ajust. Valor F Valor p

gresión 3 230466 76822.1 247.24 0.000
1 1 42208 42208.4 135.84 0.000
2 1 392 391.8 1.26 0.285
3 1 19 19.2 0.06 0.808
ror 11 3418 310.7
tal 14 233884

n los valores obtenidos del analisis de varianza (P-Value) encontramos que X1 se acepta, X2 y X3 se rechaza.
hora vamos a analizar X1 con regresión, lineal, cuadratica y cubica.

uación de Regresión
159.8 + 3.557x1
 R-Sq = 98.4% R-SqIadj) = 98.2%

uadrática.

he regression equation is
= 100.1 + 4.959 x1 - 0.006990 x1^2

= 12.0337 R-Sq = 99.3% R-Sq(adj) = 99.1%

he regression equation is
= 193.6 + 1.360 x1 + 0.03309 x1^2 - 0.000130 x1^3
= 9.10248 R-Sq = 99.6% R-Sq(adj) = 99.5%