26.

En el ejercicio 18, los datos sobre el promedio obtenido en la licenciatura y los sueldos mensuales fuero

b) Determine si la relación es significativa usando la prueba F. ¿Cuál es su conclusión? Utilice

Prueba F para varianzas de dos muestras

Prueba F Promedio Sueldo mensual

Media 3.2 3650
Varianza 0.14800 67000
Observaciones 6 6
Grados de libertad 5 5
F 0.0000022
P(F<=f) una cola 0.0000000
Valor crítico para F (una cola) 0.19801

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.86363491607
Coeficiente de determinación R^2 0.74586526825
R^2 ajustado 0.68233158532
Error típico 145.889628774
Observaciones 6

ANÁLISIS DE VARIANZA
Grados de libertadSuma de cuadrados
Promedio de los cuadrados
Regresión (SCR) 1 249864.864864865 249864.865
Residuos (SCE) 4 85135.1351351351 21283.7838
Total 5 335000

Coeficientes Error típico Estadístico t

Intercepción 1790.54054054 545.956816857249 3.27963767
Promedio 581.081081081 169.593248621772 3.42632201
sueldos mensuales fueron los siguientes.

Promedio
2.6
2.9
3.2
3.4
3.5
3.6

Coverianza
Varianza Promedio
Varianza Sueldo
y barra

581.08
1790.5

a) ¿La prueba t indica que hay una relación significativa entre el promedio y el sueldo mensual? ¿Cuál es su conclusión?

Prueba t para dos muestras suponiendo varianzas desiguales

PRUEBA T Promedio Sueldo mensual

Media 3.20 3650
Varianza 0.148 67000
Observaciones 6 6
Diferencia hipoté 0
Grados de liberta 5
Estadístico t -34.5104
P(T<=t) una cola 0.0000
Valor crítico de t 2.0150
P(T<=t) dos colas 0.00000038
Valor crítico de t 2.5706

c) Muestre la tabla de ANOVA.

ANOVA Suma de cuadrados Grados de libertad Promedio de los cuadrados

Regresión 249864.864864865 1 249864.864864865
Residuos 85135.1351351351 4 21283.7837837838
Total 335000 5
 F Valor crítico de F
11.73968253968 0.0266252700699905

Probabilidad Inferior 95% Superior 95% Inferior 95.0%

0.030511137786 274.721408727863 3306.35967235322 274.721408727863
0.02662527007 110.21473607057 1051.94742609159 110.21473607057
 Sueldo mensual Ygorro sub
Ygorro
i Ygorro
sub i menos
sub i menos
y barray barra al cuadrado
3300 3301.308 -348.692 121586.111 -348.692 121586.111 3650
3600 3475.632 -174.368 30404.1994 -174.368 30404.1994 3650
3500 3649.956 -0.044 0.001936 -0.044 0.001936 3650
3600 3766.172 116.172 13495.9336 116.172 13495.9336 3650
3900 3824.28 174.28 30373.5184 174.28 30373.5184 3650
4000 3882.388 232.388 54004.1825 232.388 54004.1825 3650

86
0.148 STC 249863.947
67000 SEC 249863.947
3650 SRC 79935000

3.9
4056.712

eldo mensual? ¿Cuál es su conclusión? Use α 0.05.

F Valor crítico de F
11.739682539683 0.02662527007
 Superior 95.0%
3306.3596723532
1051.9474260916
 Sueldo mensual
13322500 4200
13322500
13322500 4000
13322500
3800 f(x) = 581.081081081081 x + 1790.54054054054
13322500 R² = 0.745865268253328
13322500
3600

3400

3200

3000
2.5 2.7 2.9 3.1 3.3 3.5 3.7
En el ejercicio 18, con los datos sobre los promedios de calificaciones x y los sueldos mensuales y se obtuvo la

Promedio Sueldo mensual (X-Xbarra)^2 SCE

2.6 3300 0.360000 1.710864
2.9 3600 0.090000 15467.3994
3.2 3500 0.000000 22486.8019
3.4 3600 0.040000 27613.1336
3.5 3900 0.090000 5733.5184
3.6 4000 0.160000 13832.5825
85135.1468

alfa 0.05
z 1.9599639845401
os sueldos mensuales y se obtuvo la ecuación de regresión estimada yˆ 1 790.5 581.1x.

a) Proporcione un intervalo de 95% de confianza para el sueldo medio inicial de todos los estudiantes cuyo promedio fue
Media 3.2
Desv. Est. 0.38470768 145.889639 0.16666667 0.04
Confianza 95% 0.74
Muestra 6
alfa/2 0.025 145.889639 0.16666667 0.05405405
n-2 4
145.889639 0.22072072

145.889639 0.46980924
s 145.889639
68.5403001

t 0.025 2.776
tα/2syˆ p 190.267873

^y 581.08 3
1790.5 3533.74

3343.47
estim 3533.74
3724.01

b) Desarrolle un intervalo de 95% de predicción para el sueldo medio inicial de Joe Heller, un estudiante cuyo

145.889639 1 0.16666667 0.04

0.74

145.889639 1 0.16666667 0.05405405

145.889639 1.22072072

145.889639 1.10486231

Sind 146.994501

t 0.025 2.776
tα/2syˆ p 408.056735

^y 581.08 3
1790.5 3533.74

3125.68
estim 3533.74
3941.80
diantes cuyo promedio fue 3.0.

e Heller, un estudiante cuyo promedio fue 3.0.

Los expertos en salud recomiendan que los corredores beban 4 onzas de agua por cada 15 minutos que corra

Modelo Peso Precio (Xi-Xbarra)^2

Fastdraw 3 10 49.5399408
Fastdraw_Plus 4 12 36.4630178
Fitness 5 12 25.3860947
Access 7 20 9.23224852
Access_Plus 8 25 4.15532544
Solo 9 25 1.07840237
Serenade 9 35 1.07840237
Solitaire 11 35 0.92455621
Gemini 21 45 120.155325
Shadow 15 40 24.6168639
SipStream 18 60 63.3860947
Express 9 30 1.07840237
Lightning 12 40 3.84763314
Elite 14 60 15.693787
Extender 16 65 35.5399408
Stinger 16 65 35.5399408
GelFlask_Belt 3 20 49.5399408
GelDraw 1 7 81.693787
GelFlask_Clip-on_Holster 2 10 64.6168639
GelFlask_Holster_SS 1 10 81.693787
Strider_(W) 8 30 4.15532544
Walkabout_(W) 14 40 15.693787
Solitude_I.C.E. 9 35 1.07840237
Getaway_I.C.E. 19 55 80.3091716
Profile_I.C.E. 14 50 15.693787
Traverse_I.C.E. 13 60 8.77071006

Media 10.04 34.46

Confianza 95%
Muestra 26
alfa 0.05
SCE 1716.58709
n-2 24

S 8.4572136
de agua por cada 15 minutos que corran. Aunque las botellas de plástico son una buena alternativa para la mayoría de los corredores,

a) Con estos datos obtenga una ecuación de regresión estimada que pueda ser utilizada para predecir el precio de un sis

Resumen
Chart Title
70
Estadísticas de la regresión
60 f(x) = 2.93700532284193 x + 4.97852348993288
Coeficiente de co0.898213626155 50 R² = 0.806787718209892
Coeficiente de d 0.80678771821 40
R^2 ajustado 0.798737206469 30
Error típico 8.457213603198 20
10
Observaciones 26
0
0 5 10 15 20 25
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
Regresión (SCR) 1 7167.874452139 7167.87445214 100.21570604954 4.8131548461E-10
Residuos (SCE) 24 1716.587086323 71.5244619301
Total 25 8884.461538462

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 4.978523489933 3.380046258705 1.47291578543 0.1537685078919 -1.997549121644
Peso 2.937005322842 0.293384278918 10.0107794926 4.813154846E-10 2.3314899315794

b) Pruebe la significancia de la relación empleando 0.05 como nivel de significancia.

Prueba F para varianzas de dos muestras Prueba t para dos muestras suponiendo varianzas de

Prueba F Peso Precio PRUEBA T Peso

Media 10.03846153846 34.46153846154 Media 10.038461538462
Varianza 33.23846153846 355.3784615385 Varianza 33.238461538462
Observaciones 26 26 Observaciones 26
Grados de libert 25 25 Diferencia hipotéti 0
F 0.09352975809 Grados de libertad 30
P(F<=f) una cola 4.61183629E-08 Estadístico t -6.3172228395847
Valor crítico para0.511391970176 P(T<=t) una cola 2.8823795886E-07
Valor crítico de t (u 1.697260886594
P(T<=t) dos colas 5.7647591772E-07
Valor crítico de t (d 2.0422724563012

c) ¿Proporciona un buen ajuste la ecuación de regresión estimada? Explique su respuesta

Probabilidad
Intercepción 0.153768507892
Peso 4.81315485E-10
d) Suponga que la ecuación de regresión estimada obtenida en el inciso a) también puede aplicarse a sistemas de hidrat

8.4572136032 0.038461538462 0.001479289941

830.9615384615

8.4572136032 0.038461538462 1.78021469E-06 1.78E-06

8.4572136032 0.038463318676

8.4572136032 0.19612067376

1.65863442999

t 0.025 2.064
tα/2syˆ p 3.423421463509

^y 2.937005322842 10
4.978523489933 34.34857671835

30.93
estim 34.35
37.77

e) Suponga que la ecuación de regresión estimada obtenida en el inciso a) también puede usarse para sistemas de hidra

8.457213603198 1 0.03846153846 0.0014792899408

830.96153846154

8.457213603198 1 0.03846153846 1.780214694E-06

8.457213603198 1.038463318676

8.457213603198 1.019050204198

Sind 9.476263807396

t 0.025 2.064
tα/2syˆ p 19.55900849846

^y 2.937005322842 10
4.978523489933 34.34857671835

14.79
estim 34.35
53.91
ayoría de los corredores, cuando se corre todo un día a campo traviesa se requieren sistemas de hidratación que se lleven en la cintur

edecir el precio de un sistema de hidratación en función de su peso.

Superior 95% Inferior 95.0% Superior 95.0%

11.954596102 -1.9975491216 11.95459610151
3.5425207141 2.33148993158 3.542520714105

suponiendo varianzas desiguales

Precio
34.461538462
355.37846154
26
arse a sistemas de hidratación fabricados por otras empresas. Obtenga un intervalo de confianza de 95% para estimar el precio de t

se para sistemas de hidratación producidos por otras empresas. Obtenga un intervalo de predicción de 95% para estimar el precio de
ción que se lleven en la cintura o sobre la espalda. Además de agua, estos sistemas permiten llevar también alimento o ropa. Por supu
5% para estimar el precio de todos los sistemas de hidratación que pesan 10 onzas

95% para estimar el precio del sistema Back Draft creado por Eastern Mountain Sports y que pesa 10 onzas.
n alimento o ropa. Por supuesto, a medida que aumenta la capacidad de estos sistemas, aumenta también su peso y precio. En la lista
n su peso y precio. En la lista siguiente se proporciona el peso (Weight) en onzas y el precio (Price) de 26 modelos (Model) de sistemas
odelos (Model) de sistemas de hidratación (Trail Runner Gear Guide, 2003).
47. A continuación se presentan datos sobre los gastos en publicidad y los ingresos (en miles de dólares) de

Gastos en publicidad Ingresos

1 19
2 32
4 44
6 40
10 52
14 53
20 54

a) Sea x igual a gastos en publicidad y y igual a ingresos. Utilice el método de mínimos cuadrad

Gastos en publicidad Ingresos X*Y

1 19 19
2 32 64
4 44 176
6 40 240
10 52 520
14 53 742
20 54 1080
57 294 2841

b) Empleando como nivel de significancia 0.05, pruebe si los ingresos y los gastos en publicida

Prueba F para varianzas de dos muestras

PRUEBA F Gastos en publicidad Ingresos

Media 8.14285714285714 42
Varianza 48.1428571428571 167
Observaciones 7 7
Grados de libertad 6 6
F 0.288280581693755
P(F<=f) una cola 0.0778065720766153
Valor crítico para F (una cola) 0.233434021233048
c) Elabore una gráfica de residuales de y yˆ contra yˆ. Use el resultado del inciso a) para obten

Gastos en publicidad Ingresos y^

1 19 30.9465875
2 32 32.4940653
4 44 35.5890208
6 40 38.6839763
10 52 44.8738872
14 53 51.0637982
20 54 60.3486647

d) ¿Qué conclusiones se pueden formular del análisis de residuales? ¿Se puede aplicar este mo

Se observa una distribución tipo nube dispersa con limites definidos, la varianza no es constante
os ingresos (en miles de dólares) del restaurante Four Seasons.

lice el método de mínimos cuadrados para obtener una recta que aproxime la relación entre las dos variables.

X^2 ƩX*Y -
1 b1=
4
16 ƩX^2 -
36
100
196 2841 -
400 b1=
753
753 -

b1= 2841 -
753 -

b1= 447
288.857143

b1= 1.54747774

s ingresos y los gastos en publicidad están relacionados.

Prueba t para dos muestras suponiendo varianzas desiguales

Gastos en publicidad Ingresos

Media 8.14285714285714 42
Varianza 48.1428571428571 167
Observaciones 7 7
Diferencia hipotética de las med 0
Grados de libertad 9
Estadístico t -6.10711165355637
P(T<=t) una cola 8.88525335570676E-05
Valor crítico de t (una cola) 1.83311293265624
P(T<=t) dos colas 0.00017770506711414
 Valor crítico de t (dos colas) 2.26215716279821

l resultado del inciso a) para obtener los valores de y

Y-Y^ y= 29.3991098 +
-11.9465875
-0.49406528
8.41097923
1.31602374 Y-Y^
7.12611276
10
1.93620178
-6.34866469
5

0
0 5 10 15 20

-5

-10

-15

siduales? ¿Se puede aplicar este modelo o se debe buscar uno mejor?

efinidos, la varianza no es constante, no se observa correlación, es decir no está relacionado consigo mismo, tampoco se observa relac
as dos variables.

ƩX ƩY
n b0= promY -

(ƩX)^2 b0= 42 -
n
b0= 42 -
57 294
7 b0= 29.3991098

3249
7 y= b0+b1(x)

2394 y= 29.3991098 +
464.142857142857

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.83086814
Coeficiente de determinación R^2 0.69034187
R^2 ajustado 0.62841024
Error típico 7.87753068
Observaciones 7

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 691.722552 691.722552 11.146839 0.02058205
 Residuos 5 310.277448 62.0554896
Total 6 1002

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 29.3991098 4.80725341 6.11557314 0.00169477 17.0416715
Gastos en publicidad 1.54747774 0.46349873 3.33868822 0.02058205 0.35601633

1.54747774480712 (X)

Y^

15 20 25

sigo mismo, tampoco se observa relación con variables explicativas; por ende si se puede utilizar el modelo obtenido.
 b0 * promX

1.54747774 8.14285714

12.6008902

1.54747774 (X)

or crítico de F
Superior 95%Inferior 95.0%
Superior 95.0%
41.7565481 17.0416715 41.7565481
2.73893916 0.35601633 2.73893916
52. Los datos siguientes muestran los gastos en medios (Media Expenditures) en millones de $ y los embarques

Brand ($_millions) Shipments

Budweiser 120 36.3
Bud_Light 68.7 20.7
Miller_Lite 100.1 15.9
Coors_Light 76.6 13.2
Busch 8.7 8.1
Natural_Light 0.1 7.1
Miller_Genuine_Draft 21.5 5.6
Miller_High_Life 1.4 4.4
Busch_Light 5.3 4.3
Milwaukee’s_Best 1.7 4.3

a) Obtenga una ecuación de regresión estimada con estos datos.

Brand ($_millions) Shipments X*Y

Budweiser 120 36.3 4356
Bud_Light 68.7 20.7 1422.09
Miller_Lite 100.1 15.9 1591.59
Coors_Light 76.6 13.2 1011.12
Busch 8.7 8.1 70.47
Natural_Light 0.1 7.1 0.71
Miller_Genuine_Draft 21.5 5.6 120.4
Miller_High_Life 1.4 4.4 6.16
Busch_Light 5.3 4.3 22.79
Milwaukee’s_Best 1.7 4.3 7.31
404.1 119.9 8608.64

b) Emplee el análisis residual para hallar observaciones atípicas u observaciones influ

Brand ($_millions) Shipments y^

Budweiser 120 36.3 27.5515209
Bud_Light 68.7 20.7 17.5212907
Miller_Lite 100.1 15.9 23.6606519
Coors_Light 76.6 13.2 19.065907
Busch 8.7 8.1 5.79002729
Natural_Light 0.1 7.1 4.1085462
Miller_Genuine_Draft 21.5 5.6 8.29269682
Miller_High_Life 1.4 4.4 4.36272358
Busch_Light 5.3 4.3 5.1252557
Milwaukee’s_Best 1.7 4.3 4.42137989
404.1 119.9 119.9
illones de $ y los embarques (Shipments) en millones de barriles de 10 importantes marcas (Brand) de cerveza.

X^2 ƩX*Y - ƩX ƩY
14400 b1= n
4719.69
10020.01 ƩX^2 - (ƩX)^2
5867.56 n
75.69
0.01 8608.64 - 404.1 119.9
462.25 b1= 10
1.96 35578.15 - 163296.81
28.09 10
2.89
35578.15
b1= 8608.64 - 4845.159
35578.15 - 16329.681

b1= 3763.481
19248.469

b1= 0.19552106

atípicas u observaciones influyentes. Resuma brevemente sus hallazgos y conclusiones.

Y-Y^
8.74847909 Y-Y^
3.1787093 10
-7.76065188
8
-5.86590704
6
4
2
0
0 f(x) = 9.63000414170167E-17
20 40x − 2.82567057002149E-15
60 80 100 120 140
 Y-Y^
10
8
6
2.30997271
4
2.9914538
-2.69269682 2

0.03727642 0
0 f(x) = 9.63000414170167E-17
20 40x − 2.82567057002149E-15
60 80 100 120 140
-0.8252557 -2 R² = 0
-0.12137989 -4
1.06581E-14 -6
-8
-10
 b0= promY - b0 * promX

b0= 11.99 - 0.19552106 40.41

b0= 11.99 - 7.9010059

b0= 4.0889941

y= b0+b1(x)

y= 4.0889941 + 0.19552106 (X)

0 120 140
0 120 140