INSTITUTO TECNOLÓGICO SUPERIOR DE FELIPE CARRILLO

PUERTO
ORGANISMO DESCENTRALIZADO DEL ESTADO DE QUINTANA ROO

ESTADISTICA INFERENCIAL II

UNIDAD I

EJERCICIOS
REGRESION LINEAL SIMPLE Y MULTIPLE

IV SEMESTRE INGENIERIA INDUSTRIAL

ING. BE AKE ANGEL GILBERTO

INTEGRANTES:

POOT YAMA KAREN ALEJANDRA

PUC CRUZ NANCY JAQUELINE

FELIPE CARRILLO PUERTO QUINTANA ROO A 23 DE FEBRERO DE 2018

 INTRODUCCION

Se pretende mostrar la aplicación práctica de la regresión y correlación

lineal simple y múltiple en la industria. Ya que las aplicaciones de las
técnicas estadísticas contribuyen a la optimización de los procesos. La
ecuación de regresión es estimar los valores de una variable con base
en los valores conocidos de la otra. Otra forma de emplear una
ecuación de regresión es para explicar los valores de una variable en
términos de otra. La regresión múltiple comprende tres o más
variables. Existe solo una variable dependiente, pero hay dos o más
de tipo independiente. En esta operación se desarrolla una ecuación la
cual se puede utilizar para predecir valore de y, respecto a valores
dados de la diferencia de variables independientes adicionales a
través de incrementar la capacidad predicativa sobre la de la regresión
lineal simple.
EJERCICIOS DE REGRESIÓN LINEAL SIMPLE
1. La tabla siguiente presenta los valores y los precios de venta de ocho casas, que
constituyen una muestra aleatoria de todas las casas vendidas recientemente en un
área suburbana
Valor estimado (Miles Precio de venta (Miles de
de dólares) dólares)
4.03 163.4
7.20 218.3
3.25 155.2
4.48 174.0
2.79 148.8
5.16 181.1
8.04 223.2
5.80 192.5

Los valores se usan con propósitos tributarios locales y no necesariamente representan los valores reales.
a). Ajuste una línea de mínimos cuadrados que nos permita pronosticar el precio de la venta de una
casa en esa área en términos de su valor estimado.

X Y XY X^2 250
4.03 163.4 658.502 16.2409 f(x) = 14.9273881715958 x + 106.026116500934
200
7.2 218.3 1571.76 51.84 R² = 0.991493385776519

3.25 155.2 504.4 10.5625 150

4.48 174 779.52 20.0704
100
2.79 148.8 415.152 7.7841
5.16 181.1 934.476 26.6256 50
8.04 223.2 1794.528 64.6416
0
5.8 192.5 1116.5 33.64 2 3 4 5 6 7 8 9
40.75 1456.5 7774.838 231.4051

𝑏=(8(7774.838)−(40.75)
(1456.5))/(8(231.4051)−(40.75)²)=
14.927

𝑎=(1456.5−14.927(40.75))/8=106.03

 ŷ=106.03+14.927 𝑥
2. Los siguientes datos muéstrales presentan la demanda de un producto (en miles
de unidades) y su precio (en centavos) cobrado en seis áreas de mercado distintas:

Precio 18 10 14 11 16 13
Demanda 9 125 57 90 22 79

a). Ajuste una línea de mínimos cuadrados sobre la cual podamos pronosticar la demanda del
producto en términos de su precio.
b). Elabore un intervalo de confianza del 95% para B y explique qué cantidad se está estimando

Numero de
Precio x Demanda y (x)(y) (x)²
muestras
1 18 9 162 324
2 10 125 1250 100
3 14 57 798 196
4 11 90 990 121
5 16 22 352 256
6 13 79 1027 169
total 82 382 4579 1166

a) Ajuste una línea de mínimos cuadrados sobre la cual podamos pronosticar la

demanda del producto en términos de su precio.
6 ( 4579 )− ( 82 )( 382 )
b= 2
6 ( 1166 ) −( 82 )

b=−14.154 Demanda
140
( 382 )−(−14.154 ) ( 82 ) 120
a=
6 100 f(x) = − 14.1544117647059 x + 257.110294117647

80
a=257.11 60
40
^y =257.11−14.154 x 20
0
9 10 11 12 13 14 15 16 17 18 19
3. La tabla siguiente presenta el número de semanas que seis personas trabajaron
en una estación de inspección de automóviles y el número de vehículos que cada
una inspeccionó entre el medio día y las 2:00 P.M. de un día determinado.

Número de días trabajados Número de automóviles

X inspeccionados
Y
2 13
7 21
9 23
1 7
5 15

12 29

a). Dibuje la gráfica de dispersión de los datos de la tabla

b). Encuentre la ecuación de la línea de mínimos cuadrados que nos permita pronosticar el número
de vehículos inspeccionados.
c). Cuál es el número de vehículos que se espera inspeccione una persona que ha trabajado durante
8 semanas?

x y (Xi Yi) (Xi)²

2 13 26 4
Diagrama de Dispersión
7 21 147 49
35
9 23 207 81
1 7 7 1 30
5 15 75 25 f(x) = 1.84090909090909 x + 6.95454545454546
25 R² = 0.962023460410557
12 29 348 144
20
36 108 810 304
15

10

5
𝑏=(6(810)−(36)(108))/(6(
304)−(36)²)= 1.8409 0
0 2 4 6 8 10 12 14

𝑎=(108−1.8409(36))/6=6.9546

  c)
 ŷ=6.9546+1.8409 𝑥 =6.9546+1.8409 (8)= 21.6818
4. Un comerciante al menudeo llevó a cabo un estudio para determinarla relación entre los
gastos de publicidad semanal y las ventas. Se obtuvieron los siguientes datos:
Costos de Publicidad ($) Ventas ($) Costos de Publicidad ($) Ventas ($)
40 385 40 490
20 400 20 420
25 395 50 560
20 365 40 525
30 475 25 480
50 440 50 510
a). Dibuje un diagramo de dispersión.
b). Encuentre la ecuación de la línea de mínimos cuadrados para pronosticar las ventas semanales resultante de
los gastos de publicidad.
c). Estime las ventas semanales cuando los gastos de publicidad ascienden a $35.

c). Estime las ventas semanales cuando los gastos de publicidad ascienden a $35. Y=$456.433

A)

( 12 )( 191,325 ) −(410)(5,445)   2,295,900−2,232,450 63,450

x= = = =3.220
( 32 )( 15,650 )−(410)2 187,800−168,100 19,700
costo de Xi˄2
publicidad 5,445−(3,220)( 410) 4,124.8
x= = =343.733
($) ventas ($) (Xi)(Yi) 12 12
40 385 15400 1600
20 400 8000 400
25 395 9875 625 y=343.733+ 3.220 x
20 365 7300 400
30 475 14250 900
50 440 22000 2500
y=343.733+ ( 3.220 )( 35 ) =$ 456.433
40 490 19600 1600
20 420 8400 400
50 560 28000 2500
40 525 21000 1600
25 480 12000 625
50 510 25500 2500
410 5445 191325 15650
EJERCICIOS DE REGRESIÓN LINEAL MULTIPLE
1. Los datos siguientes presentan el número de dormitorios, el número de baños y los
precios a que se vendieron recientemente ocho casas unifamiliares en cierta comunidad:

Numero de dormitorios Número de baños Precio

X1 X2 y
3 2 78,800
2 1 74,300
4 3 83,800
2 1 74,200
3 2 79,700
2 2 74,900
5 3 88,400
4 2 82,900
a). Encuentre una ecuación lineal que nos permita pronosticar el precio de venta promedio de una casa
unifamiliar en la comunidad de referencia en términos del número de baños y dormitorios.
2. Se lleva a cabo un experimento para determinar si es posible pronosticar el peso de un
animal después de un periodo de tiempo determinado sobre la base de su peso inicial y de la
cantidad de alimento que recibe. Se registraron los siguientes datos en kg:

PESO FINAL PESO INICIAL ALIMENTO CONSUMIDO

Y X1 X2
95 42 272
77 33 226
80 33 259
100 45 292
97 39 311
70 36 183
50 32 173
80 41 236
92 40 230
84 38 235

a). Ajuste una ecuación de regresión lineal múltiple a los datos anteriores
b). Pronostique el peso final de un animal que tiene un peso inicial de 35 kg y que recibe 250 kg de alimento.

Y X1 X2 X1^2 X2^2 X1X2 X1y X2y

95 42 272 1764 73984 11424 3990 25840
77 33 226 1089 51076 7458 2541 17402
80 33 259 1089 67081 8547 2640 20720
100 45 292 2025 85264 13140 4500 29200
97 39 311 1521 96721 12129 3783 30167
70 36 183 1296 33489 6588 2520 12810
50 32 173 1024 29929 5536 1600 8650
80 41 236 1681 55696 9676 3280 18880
92 40 230 1600 52900 9200 3680 21160
84 38 235 1444 55225 8930 3192 19740

=825 =379 =2417 =14533 =601365 =92628 =31726 =204569

 a). Ajuste una ecuación de regresión lineal múltiple a los datos anteriores
MATRIZ

10 379 2417 825

379 14533 92628 31726
2417 92628 601365 204569

VALORES DX/D=-22.99
D= 18530816.0 DX/D=1.4
DX=426082090.
0 DZ/D=0.22
DY=25862958.0
DZ=4032554.0

A) ŷ= -22.99+ 1.4x2+ 0.22x2

b). Pronostique el peso final de un animal que tiene un peso inicial de 35 kg y que recibe 250 kg de alimento.

B) ŷ= -22.99+ 1.4(35) + 0.22(250)

ŷ= -22.99+49+55= 81.01
3. Los siguientes datos representan un conjunto de diez eventos experimentales en los
cuales dos variables independientes “x1” y “x2” se controlan y se observan los valores de
una respuesta “y”.
a). Ajuste una ecuación de regresión lineal múltiple a los datos anteriores

Y X1 X2 X1^2 X2^2 X1X2 X1Y X2Y

61.5 2400 54.5 5760000 2970.25 130800 147600 3351.75
61.2 2450 56.4 6002500 3180.96 138180 149940 3451.68
32 2500 43.2 6250000 1866.24 108000 80000 1382.4
52.5 2700 65.2 7290000 4251.04 176040 141750 3423
31.5 2750 45.5 7562500 2070.25 125125 86625 1433.25
22.5 2800 47.5 7840000 2256.25 133000 63000 1068.75
53 2900 65 8410000 4225 188500 153700 3445
56.8 3000 66.5 9000000 4422.25 199500 170400 3777.2
34.8 3100 57.3 9610000 3283.29 177630 107880 1994.04
52.7 3200 68 10240000 4624 217600 168640 3583.6

ΣY ΣX1 ΣX2 ΣX1^2 ΣX2^2 ΣX1X2 ΣX1Y ΣX2Y

458.5 27800 569.1 77965000 33149.53 1594375 1269535 26910.67

Matriz:
10 27800 569.1 458.5
27800 77965000 1594375 1269535
569.1 1594375 33149.53 26910.67

D = 3682306400 Dx/D = 55.23

Dx = 203361495405.27 Dy/D = -0.4
Dy = -139182891.5
Dz/D = 1.68
Dz = 6192245500
ŷ = 55.23 – 0.4X1 + 1.68X2
 4. El departamento de personal de una empresa utilizó a doce individuos en un estudio para
determinar la relación entre su comportamiento hacia el trabajo “Y” y las calificaciones de
cuatro pruebas. Los datos son los siguientes:
X4^2 X4^2
1849 1849
TABLA:
2007.04 2007.04
COMPORTAMIENTO PRIEBA 1 PRUEBA 2 PRUEBA 3 PRUEBA 4 X1^2 (X1)(X2)
2401 2401
3169.69 Y
3169.69 X1 X2 X3 X4
3624.04 21.2
3624.04 56.5 71 38.5 43 3192.25 4011.5
(X1)(X3) 3844(X1)(X4) 14.5
(X1)(Y) 3844 X2^2 59.5
(X2)(X3) 72.5
(X2)(X4) 38.2
(X2)(Y) 44.8
X3^2 3540.25
(X3)(X4) 4313.75
(X3)(Y)
3375.61 17.2
3375.61 69.2 76 42.5 49 4788.64 5259.2
2313.61 2313.61
17.8 74.5 79.5 43.4 56.3 5550.25 5922.75
2175.25 21162429.5 1197.8 2116 5041
19.3 2733.5
81.2 3053
84 1505.2
47.5 1482.25
60.2 1655.5 6820.8
6593.44 816.2
2272.9 3636.09
2665.6 862.75 3636.09
24.5 88
5256.25 2769.5 86.2
3248 47.4
1051.25 62
1459.24 7744
1711.36 7585.6
553.9
2218.41 2218.41
21.2 78.2 80.5 44.5 58.1 6115.24 6295.1
2941 3390.8 1190.24 5776 3230 3724 1307.2 1806.25 2082.5 731
4251.04 4251.04
16.9 69 72 41.8 48.1 4761 4968
3233.3 =30554.49
4194.35 1326.1=30554.49
6320.25 3450.3 4475.85 1415.1 1883.56 2443.42 772.52
14.8 58.1 68 42.1 46 3375.61 3950.8
3857 4888.24 1567.1620 7056 3990
80.5 5056.8
85 1621.2
48.1 2256.25
60.3 2859.5 6842.5
6480.25 916.75
4171.2 5456 215613.2 58.3
7430.44 4085.88 71
5344.4 37.5
2111.9 47.1
2246.76 3398.89
2938.8 4139.3
1161.3
3479.9 4543.42 22.5 6480.25 3582.25
1657.84 84 87.2
4677.05 51
1706.6 65.2
1980.25 7056
2585.45 7324.8
943.4
TOTALES =223.1 =857 =932.9 =522.5 =640.1 =62595.82 =67434.1
2884.2 3318.9 1166.1 5184 3009.6 3463.2 1216.8 1747.24 2010.58 706.42
2446.01 2672.6 859.88 4624 2862.8 3128 1006.4 1772.41 1936.6 623.08
3872.05 4854.15 1610 7225 4088.5 5125.5 1700 2313.61 2900.43 962
2186.25 2745.93 769.56 5041 2662.5 3344.1 937.2 1406.25 1766.25 495
4284 5476.8 1890 7603.84 4447.2 5685.44 1962 2601 3325.2 1147.5
=37803.1 =46636.29 =16253.4 =73038 =40912 =50325.3 =17540.9 =22955.1 =28215.6 =9829.07

MATRIZ:

12 857 932.9 522.5 640.1 = 223.1

857 62595.82 67434.1 37803.1 46636.29 = 16253.4

932.9 67434.1 73038 40912 50325.3 = 17540.9

522.5 37803.1 40912 22955.1 28215.6 = 9829.07

640.1 9829.07 50325.3 28215.6 30554.49 = 12107.1

Ecuación

^y = -17.995 + 0.171X1 + 0.502X2 + 0.265X3 -0.491X4

5. Una discográfica quiere estimar cuál podría ser el número de discos que venderá en
quince países en los que todavía no ha salido al mercado. Para ello, cuenta con información
sobre los resultados de ventas del nuevo disco (DISCO2) y otras variables de interés en cada
país para un total de 37 observaciones donde el disco ya está en circulación.
Después de haber realizado un profuso estudio sobre las características del mercado y a
partir de su propia experiencia, decide especificar un modelo econométrico del siguiente
tipo:
DISCO2 = bo + b1*DISCO1 + b2*CONCIERTOS + b3*PRECIO +
b4*COMPETENCIA
Donde las variables responden a la siguiente descripción:

DISCO2: discos (segundo disco) vendidos en cada país (millones Euros)

DISCO1: discos (primer disco) vendidos en cada país (millones Euros)
CONCIERTOS: conciertos del artista programados o realizados en cada país
Durante el año
PRECIO: precio del disco en cada país
COMPENTENCIA: índice de número de discos nuevos aparecidos en el último año

Encuentre un modelo de la regresión lineal múltiple para el nuevo disco, y estime las ventas
para información futura, proyecte las ventas para diferentes escenarios proponiendo valores
de las variables en cuestión y escriba los comentarios al respecto
La información para el desarrollo del modelo son las 37 observaciones siguientes:
DATOS INTRODUCIDOS
Y X1 X2 X3 X4
19.62 0.04 8.88 0.71 0.77
24.75 0.60 13.10 0.24 0.06
20.34 0.17 9.37 0.60 0.78
20.30 0.76 9.11 0.37 0.56
22.73 0.85 11.57 0.09 0.11
19.02 0.33 8.10 0.41 0.93
22.22 0.72 8.70 0.06 0.88
21.81 0.62 11.20 0.06 0.77
21.39 0.11 10.68 0.75 0.43
24.70 0.90 12.42 0.17 0.65
22.21 0.09 9.90 0.01 0.86
22.68 0.92 9.89 0.53 0.53
23.40 0.42 11.94 0.53 0.35
22.81 0.22 11.67 0.24 0.49
21.89 0.36 9.41 0.54 0.06
22.17 0.26 12.37 0.71 0.78
21.66 0.96 11.38 0.56 0.65
20.79 0.48 8.80 0.13 0.99
19.37 0.51 7.68 0.09 0.65
23.99 0.45 11.92 0.42 0.20
19.88 0.28 8.09 0.22 0.56
21.83 0.12 10.20 0.12 0.33
23.70 0.78 11.82 0.61 0.10
22.11 0.72 8.70 0.08 0.09
21.55 0.54 8.67 0.01 0.77
22.50 0.15 10.36 0.22 0.18
23.43 0.97 10.70 0.07 0.80
23.44 0.34 12.75 0.17 0.65
20.73 0.77 8.87 0.44 0.70
21.33 0.21 10.91 0.18 0.20
21.60 0.19 9.80 0.64 0.45
23.21 0.56 11.93 0.60 0.11
20.20 0.56 9.53 0.43 0.63
24.28 0.86 12.50 0.05 0.79
24.01 0.83 11.96 0.06 0.50
21.85 0.10 10.47 0.33 0.55
22.78 0.23 10.61 0.19 0.40
X1^2 x2^2 x3^2 x4^2 x1x2 x1x3
.00 78.88 0.50 0.60 0.38 0.03
0.36 171.73 0.06 0.00 7.90 0.15
0.03 87.74 0.36 0.61 1.63 0.10
0.58 82.95 0.14 0.31 6.94 0.28
0.71 133.92 0.01 0.01 9.78 0.07
0.11 65.60 0.17 0.86 2.70 0.14
0.51 75.61 0.00 0.78 6.23 0.04
0.38 125.34 0.00 0.59 6.93 0.03
0.01 114.14 0.56 0.18 1.17 0.08
0.81 154.23 0.03 0.42 11.21 0.15
0.01 98.07 0.00 0.74 0.88 0.00
0.84 97.83 0.28 0.28 9.06 0.48
0.18 142.55 0.29 0.12 5.05 0.23
0.05 136.23 0.06 0.24 2.60 0.05
0.13 88.55 0.30 0.00 3.41 0.20
0.07 153.05 0.50 0.60 3.17 0.18
0.92 129.55 0.31 0.42 10.90 0.54
0.23 77.41 0.02 0.98 4.23 0.06
0.26 58.93 0.01 0.42 3.89 0.04
0.20 142.14 0.18 0.04 5.33 0.19
0.08 65.41 0.05 0.32 2.27 0.06
0.01 104.05 0.02 0.11 1.22 0.01
0.61 139.72 0.37 0.01 9.24 0.48
0.51 75.69 0.01 0.01 6.24 0.06
0.29 75.25 0.00 0.60 4.70 0.01
0.02 107.32 0.05 0.03 1.55 0.03
0.95 114.48 0.00 0.63 10.42 0.07
0.11 162.65 0.03 0.43 4.32 0.06
0.60 78.67 0.20 0.49 6.87 0.34
0.04 119.13 0.03 0.04 2.31 0.04
0.04 95.96 0.41 0.20 1.86 0.12
0.31 142.21 0.37 0.01 6.62 0.34
0.32 90.77 0.19 0.40 5.35 0.24
0.74 156.36 0.00 0.63 10.75 0.04
0.68 142.99 0.00 0.25 9.89 0.05
0.01 109.65 0.11 0.30 1.00 0.03
0.05 112.52 0.04 0.16 2.47 0.04
X1x4 x2x3 x2x4 x3x4 yx1 yx2 yx3 yx4
0.03 6.29 6.87 0.55 0.84 174.30 13.90 15.17
0.03 3.16 0.75 0.01 14.91 324.36 5.96 1.42
0.14 5.64 7.30 0.47 3.55 190.55 12.25 15.86
0.43 3.35 5.10 0.21 15.46 184.85 7.46 11.37
0.09 1.01 1.25 0.01 19.22 263.05 1.99 2.46
0.31 3.32 7.52 0.38 6.35 154.07 7.80 17.65
0.63 0.49 7.68 0.05 15.92 193.25 1.25 19.62
0.47 0.62 8.58 0.04 13.50 244.18 1.21 16.71
0.05 7.99 4.57 0.32 2.35 228.51 15.99 9.15
0.59 2.09 8.10 0.11 22.30 306.73 4.17 16.10
0.08 0.10 8.49 0.01 1.98 219.94 0.22 19.05
0.48 5.24 5.19 0.28 20.77 224.32 12.01 11.91
0.15 6.38 4.18 0.19 9.89 279.33 12.51 8.18
0.11 2.81 5.66 0.12 5.08 266.26 5.49 11.07
0.02 5.11 0.57 0.03 7.94 206.00 11.90 1.33
0.20 8.74 9.61 0.55 5.68 274.29 15.66 17.22
0.62 6.38 7.39 0.36 20.75 246.51 12.13 14.07
0.47 1.14 8.69 0.13 9.99 182.91 2.70 20.54
0.33 0.66 4.97 0.06 9.81 148.71 1.65 12.54
0.09 5.00 2.42 0.09 10.72 286.00 10.05 4.88
0.16 1.78 4.56 0.12 5.59 160.82 4.37 11.21
0.04 1.27 3.36 0.04 2.61 222.63 2.72 7.19
0.08 7.23 1.24 0.06 18.53 280.19 14.49 2.48
0.06 0.69 0.76 0.01 15.86 192.40 1.77 1.93
0.42 0.09 6.72 0.01 11.67 186.98 0.21 16.70
0.03 2.23 1.87 0.04 3.37 233.08 4.85 4.07
0.77 0.75 8.51 0.06 22.81 250.73 1.64 18.64
0.22 2.14 8.32 0.11 7.94 298.92 3.93 15.30
0.54 3.94 6.22 0.31 16.05 183.89 9.20 14.55
0.04 1.96 2.18 0.04 4.51 232.82 3.82 4.26
0.09 6.31 4.39 0.29 4.10 211.60 13.91 9.69
0.06 7.21 1.30 0.07 12.89 276.82 14.03 2.53
0.36 4.12 6.04 0.27 11.35 192.48 8.75 12.80
0.68 0.65 9.93 0.04 20.88 303.64 1.27 19.29
0.42 0.74 6.03 0.03 19.87 287.10 1.49 12.10
0.05 3.50 5.78 0.18 2.09 228.75 7.29 12.06
0.09 2.03 4.27 0.08 5.30 241.61 4.37 9.18
Sumatoria de las columnas
Y= 816.31
X1= 17.98
X2= 385.96
X3= 11.65
X4= 19.31
X1^2= 11.79
X2^2= 4107.28
X3^2= 5.63
X4^2= 12.84
X1x2= 190.46
X1x3= 5.08
X1x4= 9.44
X2x3= 122.14
X2x4= 196.40
X3x4= 5.71
Yx1= 402.39
Yx2= 8582.59
Yx3= 254.40
Yx4= 420.29

Matriz
0.037000000000000 0.017979514000000 0.385961377000000 0.011645912000000 0.019313991000000 0.816307980000000
0.017979514000000 0.011788232573074 0.190463511975619 0.005082427128651 0.009441324708470 0.402390758993950
0.385961377000000 0.190463511975619 4.107282905112158 0.122140315881447 0.196397538748659 8.582589630708970
0.011645912000000 0.005082427128651 0.122140315881447 0.005633365108004 0.005711929435006 0.254402166724570
0.019313991000000 0.009441324708470 0.196397538748659 0.005711929435006 0.012840167871343 0.420285457954380

Solución de la matriz
1.000000000000000 0 0 0 0 14.746568195457385
0 1.000000000000000 0 0 0 0.901637275339372
0 0 1.000000000000000 0 0 0.750314444067491
0 0 0 1.000000000000000 0 -1.450427935582846
0 0 0 0 1.000000000000000 -0.943713972008595

Coeficientes
A = 14.7465681955
B = 0.9016372753
C = 0.7503144441
D = -1.4504279356
E = -0.9437139720

Ecuación
Y=14.746568 + 0.901637X1 0.750314X2 -1.450428X3 -0.943714X4
Diagrama de dispersión

}
 CONCLUSION
El análisis de regresión únicamente indica qué relación matemática podría haber, de existir una. es
de suma importancia para la industria ya que es aquí en donde se presentan variables de respuesta
e independientes las cuales interactúan para originar las características de un proceso en particular
y por ende; analizar, predecir valores de la variable dependiente y examinar el grado de fuerza con
que se relacionan dichas variables.
 Bibliografía:

Probabilidad y estadística, Cuarta Edición, Walpole Myers, Mc Graw-Hill

Estadística Elemental Octava Edición. John E. Freund, Gary A. Simon, Mc Graw-Hill

Estadística para ingenieros y científicos, William Navidi Mc Graw-Hill

Estadística Aplicada con SPSS, Mario Bacult Mendoza, AlfaOmega

Matlab con aplicaciones a la Ingeniería, Física y Finanzas, David Báez López, AlfaOmega