EJERCICIO 4

SE DESEA ESTIMAR EL PESO EN FUNCIÓN DEL PRECIO

Q VENTAS
𝑿_𝒊 𝒀_𝒊 𝑿 𝒀 𝑿_𝒊−𝑿
12 360 18 255 -6
14 320 18 255 -4
16 290 18 255 -2
18 255 18 255 0
20 220 18 255 2
22 190 18 255 4
24 150 18 255 6

𝜷_𝟏= -17.1428571428571 ECUACIÓN DE ESTIMACIÓN

𝜷_𝟎= 563.571428571429 𝑌=−17.14+563.57𝑋

RELACIÓN CANTIDAD - PRECIO

400
350
300
250
Cantidad

200
150
100
50
0
10 12 14 16 18 20 22 24 26
Precio

SI SE DESEA SABER
CUÁL ES EL PESO
PARA UNA
ESTIMADO
ESTATURA DE 70
𝑌=−17.14+563.57(−−)
Resumen INTERPRETACIÓN

Estadísticas de la regresión
Coeficiente de
0.96034165668317 Se concluye que las variables estatura y peso guard
correlación múltiple
Coeficiente de
0.922256097560976 Se concluye que 96.03% de la variabilidad en la esta
determinación R^2
 R^2 ajustado 0.896341463414634
Error típico 4.12310562561766 El indicador de error es bajo, por lo que es posible a
Observaciones 5

ANÁLISIS DE
VARIANZA
Grados de libertadSuma de cuadrados
Promedio de los cuadrados F
Regresión 1 605 605 35.58823529
Residuos 3 51 17
Total 4 656

Coeficientes Error típico Estadístico t Probabilidad

Intercepción -240.5 59.96 -4.01 0.03
Variable X 1 5.5 0.92 5.97 0.01
 FÓRMULA GENERAL

𝑌=𝛽_0+𝛽_(1^𝑋 )
𝒀_𝒊−𝒀 〖 (𝑿 〗 _𝒊−𝑿) (𝑿_𝒊−𝑿)^𝟐
105 (𝒀_𝒊−𝒀) -630 36
65 -260 16
35 -70 4
0 0 0
-35 -70 4
-65 -260 16
-105 -630 36
-1920 112

E ESTIMACIÓN
17.14+563.57𝑋

4 26

las variables estatura y peso guardan una relación cercana, dado un coeficiente de correlación de 96.03%
96.03% de la variabilidad en la estatura se explica por la relación lineal que existe entre la estatura de la persona y su peso.
rror es bajo, por lo que es posible afirmar que el estudio explica una relación entre las variables

Valor crítico de F
0.0094239985

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

-431.30 -49.70 -431.30 -49.70
2.57 8.43 2.57 8.43
_(1^𝑋 )

de la persona y su peso.
 EJERCICIO 5
SE DESEA ESTIMAR EL PRECIO EN FUNCIÓN DE LA CAPACIDAD DE EQUIPAJE

VOLUMEN
PRECIO Q
HAMBURGUESAS

𝑿_𝒊 𝒀_𝒊 𝑿 ̅ 𝒀 ̅ 𝑿_𝒊−𝑿 ̅

360 12 255.00 18.00 105.00
320 14 255.00 18.00 65.00
290 16 255.00 18.00 35.00
255 18 255.00 18.00 0.00
220 20 255.00 18.00 -35.00
190 22 255.00 18.00 -65.00
150 24 255.00 18.00 -105.00

𝜷_𝟏= -0.06 ECUACIÓN DE ESTIMACIÓN

𝜷_(𝟎=) 32.86
𝑌=638.76+(−859.26
RELACIÓN CAPACIDAD DE EQUIPAJE - PRECIO
30

25

20
PRECIO $

15

10

0
100 150 200 250 300 350 400
CAPACIDAD DE EQUIPAJE

SI SE DESEA SABER
CUÁL SERÍA
UN BOTE CONEL
PRECIO DE
CAPACIDAD DE
CARGA DE 5

𝑌=638.76+(−859.26)5

Resumen
 Estadísticas de la regresión
Coeficiente de
0.914828412632857 Se concluye que las variables capacidad de equipaje
correlación múltiple
Coeficiente de
0.836911024560354 Se concluye que 83.69% de la variabilidad en la esta
determinación R^2
R^2 ajustado 0.813612599497547
Error típico 227.472746003155 El indicador de error es exageradamente alto, por l
Observaciones 9

ANÁLISIS DE
VARIANZA
Grados de libertadSuma de cuadrados
Promedio de los cuadrados F
Regresión 1 1858709.271 1858709.271 35.92135616
Residuos 7 362206.95122 51743.8501742
Total 8 2220916.2222

Coeficientes Error típico Estadístico t Probabilidad

Intercepción -859.26 357.47 -2.40 0.05
Variable X 1 638.76 106.58 5.99 0.00
 FÓRMULA GENERAL

𝑌=𝛽_0+𝛽_(1^𝑋 )
𝒀_𝒊−𝒀 ̅ (𝑿_𝒊−𝑿 ̅)(𝒀_𝒊−𝒀 ̅) (𝑿_𝒊−𝑿 ̅" " )^𝟐
-6.00 -630.00 11025.00
-4.00 -260.00 4225.00
-2.00 -70.00 1225.00
0.00 0.00 0.00
2.00 -70.00 1225.00
4.00 -260.00 4225.00
6.00 -630.00 11025.00

-1920.00 32950.00

E ESTIMACIÓN
8.76+(−859.26)𝑋
AJE - PRECIO

-
300 350 400
JE

-3657.54
variables capacidad de equipaje y precio guardan una relación cercana, dado un coeficiente de correlación de 91.48%
69% de la variabilidad en la estatura se explica por la relación lineal que existe entre la capacidad de equipaje y el precio cobrado.

r es exageradamente alto, por lo que no es posible afirmar que el estudio explica una relación entre las variables

Valor crítico de F
0.0005458172

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

-1704.53 -13.98 -1704.53 -13.98
386.74 890.77 386.74 890.77
e y el precio cobrado.
 Salario Gratificación
Vicepresidente x y x-promedio X y-promedio Y
1 135 12 -7 -4
2 115 14 -27 -2
3 146 16 4 0
4 167 19 25 3
5 165 22 23 6
6 176 24 34 8
7 98 7 -44 -9
8 136 17 -6 1
9 163 18 21 2
10 119 11 -23 -5
SUMAS 1420 160
PROMEDIO 142.000 16.000

b1=

b0=

PRUEBA DE VALOR DE X
Y= -10.164068 + .184254(135)

R// 14.71022135

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.92479505 Existe una correlación alta entre la el salario con la gratifica
Coeficiente de determinación R^2 0.85524589 Deacuerdo a la correlación entre el salario y la gratificación
R^2 ajustado 0.83715163
Error típico 2.08389616 Existe un pequeño indicador de error, por lo que podemos
Observaciones 10
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F
Regresión 1 205.259014 205.25901422428 47.266134715
Residuos 8 34.7409858 4.342623221965
Total 9 240

Coeficientes Error típico Estadístico t Probabilidad

Intercepción -10.1640754 3.86229654 -2.631614461303 0.0301026338
Variable X 1 0.18425405 0.02680044 6.875037070055 0.0001277089
 DIAGRAMA DE DISPERSION

GRATIFICACION Y SALARIO
(x-prom X)(y-prom Y) (x-prom X)^2 135 12 GRATIFICACION
28 49 115 14 30
54 729 146 16
25
0 16 167 19
75 625 165 22

GRATIFICACION
20
138 529 176 24
15
272 1156 98 7
396 1936 136 17 10
-6 36 163 18
5
42 441 119 11
115 529 0
90 100 110 120 130
1114 6046
SA

1114 0.184254052266
6046

16 - .184254 (142) = -10.164068

ECUACION DE ESTIMACION
Y= -10.164068 + .184254(X)

84254(135)

alta entre la el salario con la gratificación, según el coeficiente de correlación de .92

ción entre el salario y la gratificación, podemos decir que este modelo es confiable para pronosticar, debido a que el resultado es cercano

cador de error, por lo que podemos afirmar, que el estudio del salario con la gratificación, realmente explica una relación entre las dos var
Valor crítico de F
0.0001277088761

Inferior 95% Superior 95% Inferior 95.0%

Superior 95.0%
-19.0705472084874 -1.25760363505 -19.0705472 -1.25760364
0.122452115472909 0.246055989059 0.12245212 0.24605599
IAGRAMA DE DISPERSION

GRATIFICACION Y SALARIO

100 110 120 130 140 150 160 170 180 190
SALARIO

a que el resultado es cercano a 1

una relación entre las dos variables

 ConfiabilidadPrecio
Marca y modelo x y x-promedio Xy-promedio Y
Acura TL 4 33150 1 -3412
BMW 330i 3 40570 0 4008
Lexus IS300 5 35105 2 -1457
Lexus ES330 5 35174 2 -1388
Mercedez Benz C320 1 42230 -2 5668
Lincoln LS Premium (V6) 3 38225 0 1663
Audi A4 3.0 Quattro 2 37605 -1 1043
Cadillac CTS 1 37695 -2 1133
Nissan Maxima 3.5 SE 4 34390 1 -2172
Infiniti I35 5 33845 2 -2717
Saab 9-3 Aero 3 36910 0 348
Infiniti G35 4 34695 1 -1867
Jaguar X-type 3.0 1 37995 -2 1433
Saab 9-5 Arc 3 36955 0 393
Volvo S60 2.5T 3 33890 0 -2672
SUMAS 47 548434
PROMEDIO 3.13333 36562.2667

b1=

b0=

PRUEBA DE VALOR DE X
Y= 40639.3467 - 1301.19712(4)

R// 35434.5582

Resumen
 Estadísticas de la regresión
Coeficiente de correlación múltiple 0.70650094 Existe una correlación alta entre confiabilidad y precio dea
Coeficiente de determinación R^2 0.49914357 Deacuerdo a la correlación entre confiabilidad y precio de
R^2 ajustado 0.46061615
Error típico 1903.77814 Existe un alto indicador de error, por lo que podemos afirm
Observaciones 15

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF
Regresión 1 46955693.1 46955693.1 12.9555419
Residuos 13 47116825.9 3624371.22
Total 14 94072518.9

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 40639.351 1234.77747 32.9122875 6.6095E-14
Variable X 1 -1301.19712 361.505826 -3.59938076 0.00323569
 PRECIO DE VEHICULO DEACUERDO A SU CONFIABILIDAD
4 33150 PRECIO DE VEHICULO DE
(x-prom X)(y-prom Y) (x-prom X)^2 3 40570 45000
-2957.29777777778 1 5 35105 40000
-534.364444444444 0 5 35174 35000
-2720.23111111112 3 1 42230 30000
-2591.43111111112 3 3 38225 25000

PRECIO
-12091.1644444444 5 2 37605 20000
-221.697777777777 0 1 37695 15000
-1181.76444444444 1 4 34390 10000
-2416.49777777777 5 5 33845 5000
-1882.63111111111 1 3 36910 0
0.5 1 1.5 2
-5072.23111111112 3 4 34695
-46.364444444444 0 1 37995
-1618.29777777778 1 3 36955
-3056.49777777777 5 3 33890
-52.364444444444 0
356.302222222223 0
-36086.5333333333 28

-36086.5333333333 -1301.197115
28

36562 - 1301.19712 (3.13) = 40639.3467

ECUACION DE ESTIMACION
Y= 40639.346672 - 1301.19712(X)

1301.19712(4)
elación alta entre confiabilidad y precio deacuerdo a los modelos de autos respectivos, según el coeficiente de correlación de .70
correlación entre confiabilidad y precio de los modelos de autos respectivos, podemos decir que este modelo es poco confiable para pron

ndicador de error, por lo que podemos afirmar, que el estudio del la confiabilidad con respecto al precio de los vehiculos estudiados, realm

Valor crítico de F
0.003235689045184

Inferior 95% Superior 95% Inferior 95.0%

Superior 95.0%
37971.7764242292 43306.925499 37971.7764 43306.9255
-2082.18297105133 -520.2112597 -2082.18297 -520.21126
DO A SU CONFIABILIDAD
ECIO DE VEHICULO DEACUERDO A SU CONFIABILIDAD
5000
0000
5000
0000
5000
0000
5000
0000
5000
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
CONFIABILIDAD
e correlación de .70
o es poco confiable para pronosticar, por su resultado de .50

s vehiculos estudiados, realmente explica una poca relación entre las dos variables
8 Para medir el agarre lateral , Outside Magazine empleó una escala de evaluación del 1 al 5, en la que 1 correspondi
continuación se presenta el agarre lateral y los precios de 10 bicicletas de montaña probadas por Outside Magazine

Agarre Precio
Fabricante y modelo xi - x (promedio)
Lateral $
Releigh M80 1 600 -1.8
Marin Bear Valley Feminina 1 649 -1.8
GT Avalnche 2.0 2 799 -0.8
Kona Jake the Snake 1 899 -1.8
Schwinn Moab 2 3 950 0.2
Gian XTC NRS 3 4 1,100 1.2
Fisher Paragon Genesisters 4 1,149 1.2
Jamis Dakota XC 3 1,300 0.2
Trek Fuet 90 5 1,550 2.2
Specialized Stumpjumper M4 4 1,625 1.2
TOTAL 28 10,621
PROMEDIO 2.8 1,062

a) Elabore un diagrama de dispersión con estos datos empleando como variable independiente
el agarre lateral

Precio de bicicletas en relación a la califiación por agarre lateral

1,800

1,600

1,400

1,200

1,000

800

600

400

200

0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

b) Obtenga la ecuación de regresión para relacionar el agarre lateral con el precio.

B1 = 4003.2 204.244897959184
19.6

B0 = 1062.1 -
1062.1 -
490.214285714286
Ecuacion de regresion estimada yˆ = 490.214285714286 +

Resumen

Estadísticas de la regresión INTERPRETACIÓN

Coeficiente de correlación múltipl 0.85707536 Hay 85.71% de relación entre la variable x y
Coeficiente de determinación R^2 0.73457817 El 93.04% de variabilidad entre el agarre late
R^2 ajustado 0.70140044 El coeficiente de determinación R 2 es del 70
Error típico 192.169107
Observaciones 10

ANÁLISIS DE VARIANZA
Grados de libertadSuma de cuadrados Promedio de los cuadrados
Regresión 1 817633.175510204 817633.175510204
Residuos 8 295431.724489796 36928.9655612245
Total 9 1113064.9

Coeficientes Error típico Estadístico t

Intercepción 490.214286 135.884078466214 3.60759178888034
Variable X 1 204.244898 43.4065766443386 4.70539060549993

c) Estime el precio que puede tener una bicicleta en relación a la calificación que se le da a el agarre l

b0= 490.214286
b1= 204.244898
x 3

1102.94898
en la que 1 correspondia a mala y 5 a promedio . A
as por Outside Magazine:

yi - y
(xi-xp) (yi-y) (xi-xp)2
(promedio)
-462.1 831.78 3.24
-413.1 743.58 3.24
-263.1 210.48 0.64
-163.1 293.58 3.24
-112.1 -22.42 0.04
37.9 45.4800000000001 1.44
86.9 104.28 1.44
237.9 47.5800000000001 0.04
487.9 1073.38 4.84
562.9 675.48 1.44
4003.2 19.6

e independiente

arre lateral

4 4.5 5 5.5

cio.

204.24489796 2.8
571.88571429
 204.24489796 X

ción entre la variable x y y en las que están perfectamente relacionadas en una relación positiva.
ilidad entre el agarre lateral de las bicicletas se explica por la relación lineal que existe con los precios
terminación R 2 es del 70.14% por lo que la ecuación es debil, por lo que se considera tomar otro modelo en el que no exista tanta var

F Valor crítico de F
22.14070075 0.00153076072636

Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

0.0069057657 176.865038862789 803.56353257 176.865038863 803.5635325658
0.0015307607 104.149152722282 304.3406432 104.149152722 304.3406431961

e se le da a el agarre lateral .
 s
odelo en el que no exista tanta variación.
9

Ventas anuales
Vendedor Años de experiencia xi - x (promedio)
(Miles de $)
1 1 80 -6
2 3 97 -4
3 4 92 -3
4 4 102 -3
5 6 103 -1
6 8 111 1
7 10 119 3
8 10 123 3
9 11 117 4
10 13 136 6
SUMA 70 1080
PROMEDIO 7 108

a) Elabore un diagrama de dispersión con estos datos empleando como variable independiente los año
vendedores.

Ventas anuales
(Miles de $)
160

140

120

100

80

60

40

20

0
0 2 4 6 8 10 12

b) Obtenga la ecuación de regresión para relacionar las ventas con los años de experiencia.

B1 = 568 4
142

B0 = 108
108 -
80

Ecuacion de regresion estimada yˆ = 80 +

Resumen
INTERPRETACIÓN
Estadísticas de la regresión
Coeficiente de co 0.964564632559649 Hay 96.46% de relación entre la variable x y y en las
Coeficiente de d 0.93038493038493 El 93.04% de variabilidad entre los años de experien
R^2 ajustado 0.921683046683047 Se puede observar que los índices van del 92.16% al
Error típico 4.60977222864644 El indicador de error es bajo, por lo que es posible afi
Observaciones 10

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados
Regresión 1 2272 2272
Residuos 8 170 21.25
Total 9 2442

Coeficientes Error típico Estadístico t

Intercepción 80 3.07534493656781 26.0133421291216
Variable X 1 4 0.386843492027388 10.3400989868968

c) Estime las ventas que puede tener un vendedor con 5 años de experiencia.

b0= 80
b1= 4
x 5

100
 yi - y
(xi-xp) (yi-y) (xi-xp)2
(promedio)
-28 168 36
-11 44 16
-16 48 9
-6 18 9
-5 5 1
3 3 1
11 33 9
15 45 9
9 36 16
28 168 36
568 142

ariable independiente los años de experiencia de los

10 12 14

os de experiencia.

4 7
28

4X
ción entre la variable x y y en las que están perfectamente relacionadas en una relación positiva.
ilidad entre los años de experiencia se explica por la relación lineal que existe con las ventas anuales.
que los índices van del 92.16% al 96.46%, por lo que se considera que la ecuación es fuerte
r es bajo, por lo que es posible afirmar que el estudio explica una relación entre las variables

F Valor crítico de F
106.91764706 6.6090290786E-06

Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

5.1200227E-09 72.908241859096 87.091758141 72.9082418591 87.0917581409
6.6090291E-06 3.107937307708 4.8920626923 3.10793730771 4.892062692292

cia.
.
EJERCICIO No. 10

Modelo Temperatura Precio X Y Xi-Promedio Yi-Promedio

Ranger 3-Seasons 12 319 7 -60
Ranger Spring 24 289 -5 -30
Ranger Winter 3 389 16 -130
Rondane 3-Seasons 13 239 6 20
Rondane Summer 38 149 -19 110
Rondane Winter 4 289 15 -30
Senja Ice 5 359 14 -100
Senja Snow 15 259 4 0
Senja Zero 25 229 -6 30
Super Light 45 129 -26 130
Tight & Light 25 199 -6 60
209 2849

19 259 -5.27719665

359.266736
FORMULA
ECUACIÓN Y bo + b1X

Y 359 + -5.77719665

Y 243.456067

Respuesta: Cuando la temperatura (oF) es de 20 el precio de un saco

Resumen

Estadísticas de la regresión INTERPRETACIÓN

Coeficiente de correlación múlti 0.89684673 Hay un 89.68% de relación entre las variables de temp
Coeficiente de determinación R 0.80433405 Se concluye que, el 80.43% de la variabilidad en el pre
R^2 ajustado 0.78259339
Error típico 37.937208
Observaciones 11

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF
Regresión 1 53246.9142 53246.9142 36.9967617
Residuos 9 12953.0858 1439.23175
Total 10 66200

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 359.266736 20.0643227 17.9057495 2.40294E-08
Variable X 1 -5.27719665 0.86760375 -6.08249634 0.0001831
 (Xi-Promedio) (Yi-Promedio) (Xi-Promedio)^2
Temperatura y Precio
-420 49
450
150 25
-2080 256 400
120 36 350
-2090 361 300
-450 225
250
-1400 196
200
0 16
-180 36 150

-3380 676 100

-360 36 50
-10090 1912 0
0 5 10 15 20 25 30 35 40
= b1

= bo

atura (oF) es de 20 el precio de un saco es de $243.45

de relación entre las variables de temperatura y precio. Se considera que la ecuación es buena.
e, el 80.43% de la variabilidad en el precio por la relación lineal que existe entre el tamaño de la temperatura y precio, se considera si la e

Valor crítico de F
0.000183095691347
Inferior 95% Superior 95% Inferior 95.0%
Superior 95.0%
313.878085137638 404.65538766571 313.878085 404.655388
-7.23985269716818 -3.314540608271 -7.2398527 -3.31454061
eratura y Precio

20 25 30 35 40 45 50

tura y precio, se considera si la ecuación es buena.

EJERCICIO No. 11

Llegadas retrasadas salidas retrasadas

Aeropuerto X Y Xi-Promedio
Atlanta 24 22 -3
Charlotte 20 20 -20
Chicago 30 29 -30
Cincinnati 20 19 -20
Dallas 20 22 -20
Denver 23 23 -23
Detroit 18 19 -18
Houston 20 16 -20
Minneapolis 18 18 -18
Phoenix 21 22 -21
Pittsburgh 25 22 -25
Salt Lake City 18 17 -18
St. Louis 16 16 -16
273 265

21 20.3846153846154

-0.03188297074

FORMULA
ECUACIÓN Y bo +

Y -0.032 +

Y 21.3568295927561

Y 21.35%
RESPUESTA El porcentaje estimado de salidas retradas es de 21.35%

Resumen

Estadísticas de la regresión INTERPRETACIÓN

Coeficiente de correlació 0.89667535787544 Hay un 89.68% de relación entre las varia
Coeficiente de determina 0.804026697421049 Se concluye que, el 80.43% de la variabili
R^2 ajustado 0.786210942641144
Error típico 1.6405942260172 El indicador de error es bajo, por lo que e
Observaciones 13

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Promedio de los cuadrados
Regresión 1 121.469879518072 121.4698795181
Residuos 11 29.6070435588508 2.691549414441
Total 12 151.076923076923

Coeficientes Error típico Estadístico t

Intercepción 2.42075996292864 2.71246820798454 0.892456529372
Variable X 1 0.855421686746988 0.1273348070994 6.717893608455
 Yi-Promedio (Xi-Promedio) (Yi-Promedio) (Xi-Promedio)^2
-1.615384615385 4.84615384615385 9 Salidas Retr
-20 400 400 35
-29 870 900
-19 380 400 30

-22 440 400 25

-23 529 529
-19 342 324 20

-16 320 400 15

-18 324 324
-22 462 441 10
-22 550 625 5
-17 306 324
-16 256 256 0
14 16 18 20 22
5183.84615384615 5332

0.972214207398003 = b1

-0.031882970742689 = b0

b1X

0.972 x
RPRETACIÓN
n 89.68% de relación entre las variables de llegadas retrasadas y salidas retrasadas. Se considera que la ecuación es buena.
ncluye que, el 80.43% de la variabilidad en las salidas retrasadas por la relación lineal que existe entre el tamaño de las llegas retrasadas y

icador de error es bajo, por lo que es posible afirmar que el estudio explica una relación entre las variables

F Valor crítico de F
45.130094534527 3.29603920847753E-05

Probabilidad Inferior 95% Superior 95% Inferior 95.0%

Superior 95.0%
0.391253863399 -3.54934231006569 8.39086223592297 -3.54934231 8.39086224
3.296039208E-05 0.575159665958072 1.1356837075359 0.57515967 1.13568371
 Salidas Retrasadas

18 20 22 24 26 28 30 32
e las llegas retrasadas y salidas retrasadas, se considera si la ecuación es buena.
EJERCICIO No. 12
PAGINA 557
Fabricante y Modelo Peso (LB) Precio ($)
X¡ - E(x) media) Y¡ - E(y) media)
¡ X¡ Y¡
Honda Aqua Trax F-12 750 9500 -23 280
Honda Aqua Trax F-12X 790 10500 17 1280
Honda Aqua Trax F-12X GPScape 800 11200 27 1980
Kawasaki STX-12F Jetski 740 8500 -33 -720
Yamaha FX Cruiser Waverunner 830 10000 57 780
Yamaha FX High 770 10000 -3 780
Yamaha FX Waverunner 830 9300 57 80
Yamaha VX 110 Deluxe 720 7700 -53 -1520
Yamaha VX 110 Sport 720 7000 -53 -2220
Yamaha XLT 1200 Waverunner 780 8500 7 -720
Medias = 773 9220 sumatorias =

b1 = 22.44429439568
b0 = -8129.43956786

Y^ = -8129.43956786 + 22.44429439568

x
750 8703.7812288994 Para una moto con peso en Lb de
el precio estimado seria de $

Resumen

Estadísticas de la regresión INTERPRETACIÓN

Coeficiente de correlación múltiple 0.70206598 El coeficiente de correlación es de 70% lo que indica que
Coeficiente de determinación R^2 0.49289663 La variabilidad del precio explicada por su peso es demas
R^2 ajustado 0.42950871
Error típico 979.509861 El error tipico es demasiado alto por lo que el modelo de
Observaciones 10

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F
Regresión 1 7460483.4571236 7460483.457124 7.775876362664
Residuos 8 7675516.5428764 959439.5678596
Total 9 15136000

Coeficientes Error típico Estadístico t Probabilidad

Intercepción -8129.43957 6229.4301371904 -1.30500533577 0.228174436002
Variable X 1 22.4442944 8.0488027295225 2.788525840415 0.023611936749
 Esti mación del Precio ($) de Motos Acuati cas por su
D*E D^2 peso en Lb.
-6440 529 11500
21760 289
53460 729 10500
23760 1089
44460 3249
-2340 9 9500
Precio ($)
4560 3249
80560 2809 8500
117660 2809
-5040 49
7500
332400 14810

6500
700 720 740 760 780 800 820 840
Peso (Lb)

X ECUACIÓN DE REGRESION ESTIMADA

moto con peso en Lb de 750

ecio estimado seria de $ 8,703.78

ción es de 70% lo que indica que la relación lineal entre Peso y Precio de las motos acuaticas no es confiable
explicada por su peso es demasiado baja por lo que el modelo no es confiable

ado alto por lo que el modelo de regresión lineal no es confiable

Valor crítico de F
0.02361194

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

-22494.5312 6235.6520885 -22494.53122419 6235.65208847
3.88372202 41.004866773 3.8837220179573 41.0048667734
Acuati cas por su

800 820 840

EJERCICIO No. 13
PAGINA 558
Monto
Ingreso razonable
Bruto de las
Ajustado deducciones X¡ - E(x) Y¡ - E(y)
¡ (miles de $) (miles de $) media) media) D*E
1 22 9.6 -35 -4.27142857 149.5
2 27 9.6 -30 -4.27142857 128.142857
3 32 10.1 -25 -3.77142857 94.2857143
4 48 11.1 -9 -2.77142857 24.9428571
5 65 13.5 8 -0.37142857 -2.97142857
6 85 17.7 28 3.82857143 107.2
7 120 25.5 63 11.6285714 732.6
Medias = 57 13.8714286 Sumatorias 1233.7

b1 = 0.16131015
b0 = 4.67675022

Y^ = 4.67675022 + 0.16131015 X

x
52.5 13.1455329 Para un ingreso bruto de $
el monto estimado de las deducciones debe ser de $

Resumen

Estadísticas de la regresión INTERPRETACIÓN

Coeficiente de correlación múltiple 0.97717395 El coeficiente de correlación es de 97.71% lo cual indica una relación lin
Coeficiente de determinación R^2 0.95486894 La variabilidad del monto de las deducciones se explica po
R^2 ajustado 0.94584273
Error típico 8.30857824 El error tipico es bajo por lo que muestra que el modelo de
Observaciones 7

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 7302.83764 7302.83764 105.788441 0.00014935
Residuos 5 345.162362 69.0324724
Total 6 7648

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción -25.1113647 8.57877399 -2.92715075 0.0327408 -47.1638053
Variable X 1 5.91945987 0.57552338 10.2853508 0.00014935 4.44002992
 Monto razonable de las deducc iones (miles de $)
28

D^2 24

1225
deducciones (miles de $)

900
20
625
81
64 16
784
3969
7648 12

8
15 30 45 60 75 90 105 120 135
Ingreso bruto ajustado (miles de $)

ECUACIÓN DE REGRESION ESTIMADA

52,500.00
13,145.53

97.71% lo cual indica una relación lineal fuerte entre el Monto de las Deducciones y el Ingreso Bruto
e las deducciones se explica por la relación lineal que existe entre el ingreso bruto, y el monto de las deducciones en un 95%

que muestra que el modelo de relación lineal es confiable

or crítico de F

Superior 95%Inferior 95.0%

Superior 95.0%
-3.05892414 -47.1638053 -3.05892414
7.39888982 4.44002992 7.39888982
ciones en un 95%
Los salarios iniciales de contadores y auditores en Rochester, Nueva York, corresponden a los de
muchos ciudadanos de Estados Unidos. En la tabla siguiente se presentan salarios iniciales (en
miles de dólares) y el índice del costo de vida en Rochester y en otras nueve zonas metropolitanas
(Democrat and Chronicle, 1 de septiembre de 2002).

a) Elabore un diagrama de dispersión con estos datos empleando como variable independiente
el índice del costo de vida.

x y
Salario xi - x yi - y
Área metropolitana Índice (miles de $) (promedio) (promedio)
Oklahoma City 82.44 23.9 45.524 -2.87
Tampa/St. Petersburg/Clearwater 79.89 24.5 42.974 -2.27
Indianapolis 55.53 27.4 18.614 0.63
Buffalo/Niagara Falls 41.36 27.7 4.444 0.93
Atlanta 39.38 27.1 2.464 0.33
Rochester 28.05 25.6 -8.866 -1.17
Sacramento 25.5 28.7 -11.416 1.93
Raleigh/Durham/Chapel Hill 13.32 26.7 -23.596 -0.07
San Diego 3.12 27.8 -33.796 1.03
Honolulu 0.57 28.3 -36.346 1.53

TOTAL 369.16 267.7

PROMEDIO 36.916 26.77

b) Obtenga la ecuación de regresión para relacionar el índice del costo de vida con el salario
inicial.

-311.9592 -0.041481706308
7520.40424

b1= -0.0414817063

= 26.77
b1= -0.04148171
= 36.916

b0= 28.30133867
 Ecuacion de regresion estimada yˆ = 28.3013 + (-0.04148)x

c) Estime el salario inicial en una zona metropolitana en la que el índice del costo de vida
es 50.

b0= 28.3013386701
b1= -0.0414817063
x 50

30.3754239855

Resumen

Estadísticas de la regresión INTERPRETACIÓN

Coeficiente de correlación múltiple 0.61472299 hay 74.58% de relacion entre las variables de
Coeficiente de determinación R^2 0.37788435444 Se concluye que el 55.63% de la variabilidad
R^2 ajustado 0.28901069079 por lo tanto la ecuación no es buena y se deb
Error típico 1.11978062388 El error tipico es bajo por lo que muestra que
Observaciones 9

ANÁLISIS DE VARIANZA
Grados de libertadSuma de cuadrados
Promedio de los cuadrados F
Regresión 1 5.331528369632 5.33152837 4.251927274
Residuos 7 8.777360519257 1.253908646
Total 8 14.108888888889

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 28.1072500402 0.619052956587 45.40362782 6.56993E-10
82.44 -0.03196585645 0.015502203407 -2.0620201925 0.0781317486

Análisis de los residuales Resultados de datos de probab

Observación Pronóstico 23.9 Residuos Percentil

1 25.5534977682 -1.053497768207 5.555555556
2 26.3321860314 1.067813968594 16.66666667
3 26.7851422173 0.914857782653 27.77777778
4 26.8484346131 0.251565386875 38.88888889
5 27.2106077667 -1.610607766739 50
6 27.2921207007 1.407879299306 61.11111111
7 27.6814648323 -0.981464832294 72.22222222
8 28.0075165681 -0.207516568116 83.33333333
9 28.08902950207 0.2109704979285 94.444444444
(xi-xp) (yi-y) (xi-xp)2 Salario (miles de $)
35
-130.65388 2072.43458
-97.55098 1846.76468 30
11.72682 346.480996
4.13292 19.749136 25
0.81312 6.071296
10.37322 78.605956 20

-22.03288 130.325056
15
1.65172 556.771216
-34.80988 1142.16962 10
-55.60938 1321.03172
5
-311.9592 7520.40424
0
0 10 20 30 40 50 60 70 80 90

xi

ecuacion de regresion
3013 + (-0.04148)x

lacion entre las variables de Salarios e indice de costo de vida 82.44 Curva de regresión ajust
el 55.63% de la variabilidad en las ventas se explica por la relacion lineal que30existe entre las variables de los salarios percibidos
uación no es buena y se debe considerar otro modelo 28
bajo por lo que muestra que el modelo de relación lineal es confiable 26
23.9

24
22
0 10 20 30 40 50 60 70 80 90
Valor crítico de F 82.44
0.0781317486

Inferior 95% Superior 95% Inferior 95.0%Superior 95.0%

26.643422406 29.5710777 26.6434224 29.5710777
-0.0686227426 0.00469103 -0.06862274 0.00469103

sultados de datos de probabilidad

Gráfico de probabilidad norm
30

23.9 28
24.5 26
23.9

25.6 24
26.7 22
27.1 0 10 20 30 40 50 60 70
Muestra percentil
 23
24
22
0 10 20 30 40 50 60 70

27.4 Muestra percentil

27.7
27.8
28.3
28.7
s de $)

0 70 80 90
urva de regresión ajustada
ariables de los salarios percibidos y el indice de costo de vida

Column D
Pronóstico 23.9

30 40 50 60 70 80 90
82.44

de probabilidad normal

30 40 50 60 70 80 90 100
Muestra percentil
30 40 50 60 70 80 90 100
Muestra percentil
 𝑌=𝛽_0+𝛽_(1^𝑋 ) SE DESEA PREDECIR LAS VENTAS TRIMESTRALES DEL
RESTAURANTE, BASADO EN LOS ESTUDIANTES

POBLACIÓN DE VENTAS
ESTUDIANTES EN TRIMESTRALES
MILES (MILES DE $)
xi yi X Y xi - x yi - y
2 58 14 130 -12 -72
6 105 14 130 -8 -25
8 88 14 130 -6 -42
8 118 14 130 -6 -12
12 117 14 130 -2 -13
16 137 14 130 2 7
20 157 14 130 6 27
20 169 14 130 6 39
22 149 14 130 8 19
26 202 14 130 12 72
14 130 14 130 0 0

xi yi X Y xi - x yi - y
17 58 21 122 -4 -64
18 105 21 122 -3 -17
19 88 21 122 -2 -34
20 118 21 122 -1 -4
21 117 21 122 0 -5
22 137 21 122 1 15
23 157 21 122 2 35
24 169 21 122 3 47
25 149 21 122 4 27
21 122

Chart Title
250

200

150

100

50

0
0 5 10 15 20 25 30
100

50

0
0 5 10 15 20 25 30
NTAS TRIMESTRALES DEL
LOS ESTUDIANTES

(xi - x )(yi - y) (xi - x)2 b1 = 5

864 144 b0= 60
200 64
252
72
36
36
𝑌=60+5𝑋
26 4 ECUACIÓN DE ESTIMACIÓN
14 4
162 36 SI SE QUIERE PREDECIR LAS VENTAS TRIMESTRALES
234 36 DE UN RESTAURANTE UBICADO CERCA DE UN CAMPUS
152 64 DE 16 MIL ESTUDIANTES SERÍA DE 140 MIL DÓLARES
864 144
0 0 140 MILES DE DÓLARES
2840 568

(xi - x )(yi - y) (xi - x)2 b1 = 11.88

256 16 b0= -127.55
51 9
68
4
4
1
𝑌=60+5𝑋
0 0 ECUACIÓN DE ESTIMACIÓN
15 1
70 4 SI SE QUIERE PREDECIR LAS VENTAS TRIMESTRALES
141 9 DE UN RESTAURANTE UBICADO CERCA DE UN CAMPUS
108 16 DE 16 MIL ESTUDIANTES SERÍA DE 140 MIL DÓLARES
713 60
62.5833333 MILES DE DÓLARES
 Estadísticas de la regresión INTERPRETACIÓN
Coeficiente de correlación múltiple 0.95012296 hay 95% de relacion entre las variables del las ventas y
Coeficiente de determinación R^2 0.90273363 Se concluye que el 90.27% de la variabilidad en las ven

R^2 ajustado 0.89192626 por lo tanto se considera que la ecuación es buena

Error típico 13.0384048
Observaciones 11

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 14200 14200 83.5294118 7.52766E-06
Residuos 9 1530 170
Total 10 15730

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 60 8.60909503 6.96937364 6.54257E-05 40.524874
Variable X 1 5 0.54707931 9.13944264 7.52766E-06 3.76242061
as variables del las ventas y la poblacion estudiantil
de la variabilidad en las ventas se explica por la relacion lineal que existe entre el tamaño de la poblacion de estudiantes y las ventas

e la ecuación es buena

or crítico de F

Superior 95%Inferior 95.0%

Superior 95.0%
79.475126 40.524874 79.475126
6.23757939 3.76242061 6.23757939
e estudiantes y las ventas