1 2158.7 15.

5
2 1678.15 23.75
3 2316 8
4 2061.3 17
5 2207 5.5
6 1708.3 19
7 1784.7 24
8 2575 2.5
9 2357.9 7.5
10 2256.7 11
11 2165.2 13
12 2399.55 3.75
13 1779.8 25
14 2336.75 9.75
15 1765.3 22
16 2053.5 18
17 2414.4 6
18 2200.5 12.5
19 2654.2 2
20 1753.7 21.5
35
25
DE LA CRUZ VILLANUEVA EDWARD

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.94958379272614
Coeficiente de determinación R^2 0.90170937940817
R^2 ajustado 0.89624878937529 Podemos ver que tiene un c
Error típico 96.1685612780778
Observaciones 20

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 1527190.63716568
Residuos 18 166471.059209317
Total 19 1693661.696375

Coeficientes Error típico

Intercepción 2627.74988633122 44.212631285628
Variable X 1 -37.1500382661346 2.89098446456802

Análisis de los residuales

Observación Pronóstico para Y Residuos

1 2051.92429320614 106.775706793863
2 1745.43647751053 -67.2864775105263
3 2330.54958020215 -14.5495802021469
4 1996.19923580694 65.1007641930651
5 2423.42467586748 -216.424675867484
6 1921.89915927467 -213.599159274666
7 1736.14896794399 48.5510320560072
8 2534.87479066589 40.1252093341127
9 2349.12459933521 8.77540066478605
10 2219.09946540374 37.6005345962567
11 2144.79938887147 20.4006111285262
12 2488.43724283322 -88.8872428332188
13 1698.99892967786 80.8010703221419
14 2265.53701323641 71.2129867635886
15 1810.44904447626 -45.1490444762621
16 1959.0491975408 94.4508024591994
17 2404.84965673442 9.55034326558371
18 2163.37440800454 37.1255919954588
19 2553.44980979895 100.750190201045
20 1829.02406360933 -75.3240636093294
 Analisis de resultados:
Vemos que los indicadores estadisticos muestran que el modelo está bien elaborado, lo p

Variable X 1 Curva de regres

3000

2500

2000

1500
Y

1000

500

0
0 5 10 15 20
Variable X 1
demos ver que tiene un coeficiente de determiación aceptable

Promedio de los cuadrados F Valor crítico de F

1527190.63716568 165.130393232 1.6634569E-10 Los valores de F y valor crítico de F distan sg
9248.3921782954

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

59.4343699961014 4.1131667E-22 2534.86259481 2720.63718 2534.86259
-12.8503071259796 1.6634569E-10 -43.223771246 -31.0763053 -43.2237712
Observamos que la probabilida es menor a 0,05 así que tendremos que evaluar estos

Residuos estándares
1.14072217467158 Variable X 1 Gráfico de los residuales
-0.718844943822089
-0.155438247772906 150
0.695494204936169 100
-2.31214041396857 50
-2.28195443319532 0
Residuos

0.518687635347608
-50 0 5 10 15 20 25
0.4286716278931
-100
0.093750670733322
0.401699645746773 -150
0.217946855047175 -200
-0.949613465364562 -250
0.863226059759156 Variable X 1
0.760793213784547
-0.482343013647614
1.00905091631692
0.102029653241339
0.396625668035042
1.07634947607125
-0.80471328381292
de resultados:
lo está bien elaborado, lo podemos corroborar con el gráfico siguiente.

Curva de regresión ajustada

Y
Pronóstico para Y

15 20 25 30
Variable X 1
ores de F y valor crítico de F distan sginficativamente, así que aseguramos que los datos son represnatativos

Superior 95,0%
2720.63717785625
-31.0763052865292
así que tendremos que evaluar estos datos

ráfico de los residuales

10 15 20 25 30

Variable X 1
son represnatativos
Observaciones x1 x2 y
1 4 20 8
2 3 22 10
3 6 23 12
4 6 26 13
5 7 27 15
6 8 30 18

20
18
16
14
12
10
Y

8
6
4
2
0
2
 0
2

Resumen

Estadísticas de la r
Coeficiente d
Coeficiente d
R^2 ajustado
Error típico
Observacione

ANÁLISIS DE VARIANZA

Regresión
Residuos
Total
Intercepción
Variable X 1

Análisis de los residuales

Observación
1
2
3
4
5
6
y
8
10
12
13
15
18

Vemos qu

Sin embargo al evaluar la pr

 REGRESIÓN MULTIP
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltipl 0.9891376809123
Coeficiente de determinación R^2 0.97839335180056
R^2 ajustado 0.96398891966759 Un modelo muy bueno
Error típico 0.67538163350597
Observaciones 6

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados
Regresión 2 61.9649122807018 30.9824561403509
Residuos 3 1.36842105263158 0.456140350877192
Total 5 63.3333333333333

Coeficientes Error típico Estadístico t

Intercepción -8.8947368421053 2.80805901732001 -3.16757475083068
Variable X 1 0.36842105263158 0.352627214776171 1.04478904972049
Variable X 2 0.78947368421053 0.17891296538922 4.41261304060914

Modelo matemático:
F(x)=-8.89473684210526+0.36842105263158*X1+0.789473684210526

Variable X 1 Curva de regresión ajustada Var

20 20
18 18
16 16
14 14
12 12
Y
10 10
Pronóstico para Y
Y

8 8
6 6
4 4
2 2
0 0
2 3 4 5 6 7 8 9 18 20
Variable X 1
 0 0
2 3 4 5 6 7 8 9 18 20
Variable X 1

Análisis de los residuales

Observación Pronóstico para Y Residuos Residuos estándares

1 8.36842105263158 -0.368421052631579 -0.704238182012343
2 9.57894736842105 0.421052631578949 0.804843636585538
3 11.4736842105263 0.526315789473683 1.00605454573192
4 13.8421052631579 -0.842105263157892 -1.60968727317106
5 15 0 0
6 17.7368421052632 0.263157894736842 0.50302727286596

REGRESIÓN SOLO CON X1

Estadísticas de la regresión
0.915509636616045
0.838157894736842
0.797697368421053
1.60078105935821
6

NÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Promedio de los cuadrados F
1 53.0833333333333 53.0833333333333 20.7154471544715
4 10.25 2.5625
5 63.3333333333333
 Coeficientes Error típico Estadístico t Probabilidad
2.75 2.27470412277154 1.20894843969833 0.293255275888681
1.75 0.38449517352177 4.55142254185123 0.010406359894631

nálisis de los residuales

Pronóstico para Y Residuos Residuos estándares

9.75 -1.75 -1.22225301759676
8 2 1.39686059153916
13.25 -1.25 -0.873037869711972
13.25 -0.25 -0.174607573942393
15 1.7763568394E-15 1.240661432735E-15
16.75 1.25 0.873037869711973
 Comparación de datos

x1 x2 Predicción Reg X1
4 20 8.36842105263158 16.75
3 22 9.94736842105263 20.25
6 23 10.7368421052632 23.75
6 26 13.1052631578947 25.5
7 27 13.8947368421053 29
8 30 16.2631578947368 34.25

Vemos que ninguno de los modelos individuales son efectivos, será mejor usar la regresión multiple

Sin embargo al evaluar la predicción tan pobre de este modelo, lo ideal será replanetear el experiemento o el tema que esta abarcando
este tema
 REGRESIÓN MULTIPLE

F Valor crítico de F
67.923076923077 0.003176 distan mucho, pero no tanco como en el valor anterios

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

0.05057503115 -17.8312339 0.041760203 -17.83123389 0.041760203
0.3728936489793 -0.75379612 1.490638229 -0.753796124 1.490638229
0.021597134647 0.22009278 1.35885459 0.220092779 1.35885459
Vemos que X1 es mas significativo que X2, así que haremos un modelo solo con X1

263158*X1+0.789473684210526*X2

Variable X 2 Curva de regresión ajustada

20
18
16
14
12
Y
10
Pronóstico para Y
Y

8
6
4
2
0
18 20 22 24 26 28 30 32
Variable X 2
 0
18 20 22 24 26 28 30 32
Variable X 2

Variable X 1 Gráfico de los residuales

1
0.5
Residuos 0
2 3 4 5 6 7 8 9
-0.5
-1
Variable X 1

Variable X 2 Gráfico de los residuales

1
0.5
Residuos

0
18 20 22 24 26 28 30 32
-0.5
-1
Variable X 2

LO CON X1

Valor crítico de F
0.0104063598946
 Inferior 95% Superior 95% Inferior 95,0%Superior 95,0%
-3.565591127442 9.06559113 -3.565591127 9.065591127
0.6824702575033 2.81752974 0.682470258 2.817529742

Variable X 1 Gráfico de los residuales

2.5
2
1.5
1
Residuos

0.5
0
2 3 4 5 6 7 8 9
-0.5
-1
-1.5
-2
Variable X 1

Variable X 1 Curva de regresión ajustada

20
18
16
14
12
Y
10
Pronóstico para Y
Y

8
6
4
2
0
2 3 4 5 6 7 8 9
Variable X 1
omparación de datos

Chart Title
20

18

16

14

12

10

4
ión multiple
2

0
0 5 10 15 20 25 30 35 40
o el tema que esta abarcando
x1 x2 Predicción Reg X1
o con X1

stico para Y
duales

7 8 9

iduales

28 30 32
ales

8 9

onóstico para Y
30 35 40