Instituto Tecnológico de Mérida Ingeniería en Gesti

Estadística Inferencial II
5G1
Semestre: Agosto - Diciembre 2021.

1.3 Analisis de regresion lineal

Alumna:
-Rodríguez Echeverría Karime Valentin
Maestro: Raúl Alvar Rodríguez Sánche
ngeniería en Gestión Empresarial
nferencial II
1
Diciembre 2021.

egresion lineal
na:
a Karime Valentina
Rodríguez Sánchez
 Resumen

Estadísticas de la regresión
Coeficiente de co 0.9804214301
1.- “Se realiza un experimento para determinar la Coeficiente de d 0.9612261806
duración de vida de ciertos circuitos electrónicos (Y)
en función de dos variables de fabricación (X1) y R^2 ajustado 0.9353769677
(X2), con los siguientes resultados: Emplea el Error típico 6.2449979984
procedimiento de matemático. a) Calcula: Observaciones 6
b) Ecuación lineal
c) Coeficiente de correlación
d) Conclusiones

Y 11 8 73 21 46 30
X1 -10 0 10 -10 0 10
X2 0 -5 5 0 5 -5

Y X1 X2 X1* Y X2*Y X1*X2 X1^2 X2^2 Y^2

11 -10 0 -110 0 0 100 0 121
8 0 -5 0 -40 0 0 25 64
73 10 5 730 365 50 100 25 5329
21 -10 0 -210 0 0 100 0 441
46 0 5 0 230 0 0 25 2116
30 10 -5 300 -150 -50 100 25 900
189 0 0 710 405 0 400 100 8971
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 2900.5 1450.25 37.1858974 0.007634979
Residuos 3 117 39
Total 5 3017.5

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%
Intercepción 31.5 2.54950976 12.3553165 0.00114225 23.38632209 39.6136779058 23.386322094 39.6136779058
X1 1.775 0.3122499 5.68454946 0.01078941 0.78128146 2.76871854033 0.7812814597 2.768718540325
X2 4.05 0.6244998 6.48519023 0.00744258 2.062562919 6.03743708065 2.0625629193 6.037437080651

Y= 32.1 + 1.775X1 + 4.05X2

Coeficiente: 0.980421430107018
: Vemos que nuestro coeficiente es de 0.7818,
por lo que es significativa, postiva y directa.
2.- “Los datos de la tabla adjunta indican la gravedad específica  ,
contenido de humedad   y fuerza   de diez vigas de madera.
Encontrar el modelo de regresión que mejor se ajusta a estos
datos”. Emplea el procedimiento de regresión múltiple de
PHSTAT2.

Y X1 X2
11.14 0.99 11.1
12.74 0.558 8.9
13.13 0.604 8.8
11.51 0.441 8.9
12.38 0.55 8.8
12.6 0.528 9.9
11.13 0.418 10.7
11.7 0.48 10.5
11.02 0.406 10.5
11.41 0.467 10.7
118.76 5.442 98.8

Y= 17.8648+0.8612x1-0.6536x2
Coeficiente:0.7818
:Vemos que nuestro coeficiente es de 0.7818,
por lo que es significativo, postivo y directo.
Y X1 X2
11.14 0.99 11.1
12.74 0.558 8.9
13.13 0.604 8.8
11.51 0.441 8.9
12.38 0.55 8.8
12.6 0.528 9.9
11.13 0.418 10.7
11.7 0.48 10.5
11.02 0.406 10.5
11.41 0.467 10.7
Regression Analysis

Regression Statistics
Multiple R 0.7818
R Square 0.6113
Adjusted R Square 0.5002
Standard Error 0.5430
Observations 10

ANOVA
df SS MS
Regression 2 3.2460 1.6230
Residual 7 2.0642 0.2949
Total 9 5.3102

Coefficients Standard Error t Stat

Intercept 17.8648 1.9350 9.2323
X1 0.8612 1.0874 0.7920
X2 -0.6536 0.1973 -3.3133

Calculations
b2, b1, b0 intercepts -0.6536 0.8612
b2, b1, b0 Standard Error 0.1973 1.0874
R Square, Standard Error 0.6113 0.5430
F, Residual df 5.5037 7
Regression SS, Residual SS 3.24599844371104 2.06424155629

Confidence level 95%

t Critical Value 2.3646
Half Width b0 4.5756
Half Width b1 2.5712
Half Width b2 0.4665
 F Significance F
5.5037 0.0366

P-value Lower 95% Upper 95% Lower 95% Upper 95%

0.0000 13.2892 22.4405 13.2892 22.4405
0.4543 -1.7100 3.4324 -1.7100 3.4324
0.0129 -1.1201 -0.1871 -1.1201 -0.1871

17.8648
1.9350
#N/A
#N/A
#N/A
 3.- “En la tabla adjunta se presenta un indicador provincial global de consumo   el número de automóviles por mil
habitantes   y el número de teléfonos por mil habitantes   en ocho provincias españolas. Estudiar un modelo explicativo
que relaciones el indicador global con los dos indicadores de consumo (datos de 1974)”.: Emplea el procedimiento de
Análisis de Datos de Excel.

Provincia Y X1
Ávila 64 58
Palencia 778 84
Segovia 83 78
Burgos 88 81
Soria 89 82
Valladolid 99 102
Logroño 101 85
Santander 102 102
TOTAL 1404 672

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.389588410347783
Coeficiente de determinación R^2 0.151779129477312
R^2 ajustado -0.187509218731763
Error típico 265.634068765084
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 2 63130.7075565343
Residuos 5 352807.292443466
Total 7 415938

Coeficientes Error típico

Intercepción 367.505994589246 669.280471117501
X1 7.83987253519555 10.361949615511
X2 -5.78609039146716 6.16145731930312
 mo   el número de automóviles por mil
españolas. Estudiar un modelo explicativo
s de 1974)”.: Emplea el procedimiento de

A) Ecuacion Y= 367.505+7.839X1-5.786X2
B) Coeficiente 0.389588410347783
C) Conclusion
Notamos que nuestro coeficiente es de
X2 0.389588410347783, quiere decir que
111 es debil, positivo y directo.
131
158
147
121
165
174
169
1176

Promedio de los cuadrados F Valor crítico de F

31565.3537782672 0.44734554 0.662631969671382
70561.4584886931

Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%

0.549106107900652 0.60655393 -1352.93422741152 2087.94622 -1352.93423
0.756602070662445 0.48339362 -18.7963669282157 34.476112 -18.7963669
-0.939078223156723 0.39080442 -21.6246206575162 10.0524399 -21.6246207
5+7.839X1-5.786X2
588410347783

nuestro coeficiente es de
47783, quiere decir que
positivo y directo.

Superior 95.0%
2087.94622
34.476112
10.0524399
 4.- “La demanda de un tipo de impresoras ha cambiado debido a una rápida variación en el precio. Se ha observado la
demanda   en una amplia región geográfica y el precio unitario   (en unidades de diez mil pesetas). Los resultados son
los de la tabla adjunta. Ajustar un polinomio de regresión a estos datos que explique el comportamiento de la
demanda”. Emplea el procedimiento de Análisis de Datos de Excel.

Datos Y X
1 360 8.8
2 305 9.7
3 230 9.9
4 242 10.3
5 180 11
6 172 12.5
7 121 13.2
8 83 14.8
9 122 15.8
10 91 17.4
11 105 18.2
Totales 2011 141.6

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.870856045428373
Coeficiente de determinación R^2 0.758390251859145
R^2 ajustado 0.731544724287939
Error típico 47.5282442448349
Observaciones 11

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 63815.2303546662
Residuos 9 20330.4060089701
Total 10 84145.6363636364

Coeficientes Error típico

Intercepción 497.155958003466 60.852078550379
X -24.4188950426421 4.5942604172702
variación en el precio. Se ha observado la
s de diez mil pesetas). Los resultados son
ue explique el comportamiento de la
Datos de Excel.

A) Ecuacion Y= 497.15 5- 24.418x

B) Coeficiente 0.870856045428373
C)Conclusion Notamos qu enuestro coeficiente es de
0.870856045428373, por lo que es fuerte, positivo
y directo.

Formula:

Promedio de los cuadrados F Valor crítico de F

63815.2303546662 28.2501526501039 0.000484112487451
2258.93400099668

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0%

8.16990922654965 1.87062354846E-05 359.498992639567 634.812923 359.49899264
-5.31508726646176 0.000484112487451 -34.8118341533302 -14.0259559 -34.811834153
 Superior 95.0%
634.8129233674
-14.025955932