Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADÍSTICO DE PRUEBA
CMR
F=
CME
REGLA DE RECHAZO
Donde:
CMR: Cuadrado medio de la regresión.
CME: Cuadrado medio del error.
√
n
∑ ( y i− ^y i )2 2 SCE
S= i
n− p−1
=
√
SCE . Y la varianza de la estimación es: S = n−p−1
n− p−1
ESTADÍSTICA II
H 0 : β i=0
H 1: βi≠ 0
ESTADÍSTICO DE PRUEBA
bi
T=
sb i
REGLA DE RECHAZO
desviación estándar de b i.
Ejemplos
1. El dueño de Showtime Movie Theater, Inc., desea estimar el ingreso bruto semanal en función de los
gastos en publicidad. A continuación, se presentan los datos históricos de 10 semanas.
Publicidad en
Ingreso semanal (en Publicidad en tv (en periódico (en
miles de $) miles de $) miles de $)
Y X1 X2
96 5 1.5
90 2 2
95 4 1.5
92 2.5 2.5
95 3 3.3
94 3.5 2.3
94 2.5 4.2
94 3 2.5
1) Formulación de Hipótesis
H 0 : β 1=β 2=0
H 1 : Uno o más de los parámetros del modelo no son iguales a cero.
2) Estadístico de Prueba
CMR
F= =¿
CME
3) Valor Crítico
EXCEL=INV.F(0.95;2;5)
F(1−α ; p ;n− p−1)=¿
4) Región crítica
CONCLUSIÓN: Uno o más de los parámetros del modelo no son iguales a cero,
esto significa que por lo menos existe una variable independiente que se relacione
significativamente con la V.D ingreso semanal. Por lo tanto, el modelo de regresión
lineal múltiple es significativo.
b) Obtener la prueba T de significancia para cada uno de los parámetros del modelo.
Para β 1
1) Formulación de la Hipótesis
H 0 : β 1=0
H 1: β1≠ 0
2) Estadístico de prueba
bi
T= =¿
sb
i
3) Valor crítico
t α
(1− ,n− p−1)
2
Para β 2
1) Formulación de la Hipótesis
H 0 : β 2=0
H 1: β2≠ 0
2) Estadístico de prueba
bi
T= =¿
sb
i
3) Valor crítico
t α
(1− ,n− p−1)
2
2. Salaberry vende casas en la costa este de Estados Unidos. Una de las preguntas más frecuentes de los
compradores potenciales es: Si compramos esta casa, ¿Cuánto gastaremos en calefacción durante el
invierno?
Al departamento de investigación de Salaberry se le pidió desarrollar algunas directrices respecto de
los costos de calefacción de casas unifamiliares. Se considera que tres variables se relacionan con los
costos de calefacción:
La temperatura externa diaria media,
El número de pulgadas de aislamiento en el ático y
La antigüedad en años del calentador.
Para el estudio, el departamento de investigación de Salaberry seleccionó una muestra aleatoria de 20
casas de venta reciente. Determino el costo de calefacción de cada casa en enero pasado, así como la
temperatura externa en enero en la región, el número de pulgadas de aislamiento en el ático y la edad
del calentador. La información muestral se reporta en la tabla
Costo de calefacción Temperatura externa media Aislamiento del ático Antigüedad del calentador
ESTADÍSTICA II
1) Formulación de Hipótesis
H 0 : β 1=β 2=β 3=0
H 1 : Uno o más de los parámetros del modelo no son iguales a cero.
2) Estadístico de Prueba
CMR
F= =¿
CME
3) Valor Crítico
F(1−α ; p ;n− p−1)=¿
F F 1−α ( p ;n− p−1), por lo tanto, la hipótesis Ho
6.5618E-06 =0.0000065618
Valor- p =0.000 ¿ α =0.05 , por lo tanto, se rechza H 0
CONCLUSIÓN: Uno o más de los parámetros del modelo no son iguales a cero,
esto significa que por lo menos existe una variable independiente que se relacione
ESTADÍSTICA II
b) Obtener la prueba T de significancia para cada uno de los parámetros del modelo.
Para β 1
4) Formulación de la Hipótesis
H 0 : β 1=0
H 1: β1≠ 0
5) Estadístico de prueba
bi
T=
sb i
6) Valor crítico
t α =¿
(1− ,n− p−1)
2
Región crítica
Para β 2
4) Formulación de la Hipótesis
H 0 : β 2=0
H 1: β2≠ 0
5) Estadístico de prueba
bi
T=
sb i
6) Valor crítico
ESTADÍSTICA II
t α
(1− ,n− p−1)
2
Conclusión: El coeficiente del aislamiento del atico es β 2 ≠ 0 , esto implica que, el costo
de calefacción tiene relación significativa con la variable aislamiento del atico.
Para β 3
7) Formulación de la Hipótesis
H 0 : β 3=0
H 1: β3≠ 0
8) Estadístico de prueba
bi
T= =¿
sb
i
9) Valor crítico
t α =¿
(1− ,n− p−1)
2
3. El gerente de ventas de una compañía de refacciones para automóviles, quiere desarrollar un modelo
para predecir, en el mes de junio, las ventas anuales totales para una región. Si las ventas regionales se
pueden predecir, entonces se podrán estimar las ventas totales de la compañía. El número de
repuestos de la región que mantienen en inventario las refacciones de la compañía y el número de
automóviles registrados para cada región, desde el primero de junio, son las dos variables de
predicción que el gerente quiere investigar, se obtiene los siguientes resultados.
ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresió 2.4099142
n 2 715.217156 357.608578 4 0.15164605
Residuos 8 1187.12466 148.390583
Total 10 1902.34182
1) Formulación de Hipótesis
H 0 : β 1=β 2=0
H 1 : Uno o más de los parámetros del modelo no son iguales a cero.
2) Estadístico de Prueba
CMR
F= =2.40991424
CME
3) Valor Crítico
F 1−α ( p ;n− p−1)=¿ F
( 0.95,3 ;11−3−1 )=¿ F ( 0.95,3; 7)= ¿ 4.347¿ ¿ ¿
CONCLUSIÓN: Los parámetros del modelo son iguales a cero, esto significa que
no existe una variable independiente que afecta a la V.D venta.
c) Obtener la prueba T de significancia para cada uno de los parámetros del modelo.
Para β 1
1) Formulación de la Hipótesis
H 0 : β 1=0
H 1: β1≠ 0
2) Estadístico de prueba
bi
T= = -0.97272939
sb
i
3) Valor crítico
Para β 2
1) Formulación de la Hipótesis
H 0 : β 2=0
H 1: β2≠ 0
2) Estadístico de prueba
bi
T= = 1.99539694
sb
i
3) Valor crítico
4. Se sometió a prueba un grupo de camiones ligeros con motores que utilizan diesel como combustible
para saber si la humedad, la temperatura del aire y la presión barométrica influyen en la cantidad de
óxido nitroso que emiten (en ppm). Las emisiones se midieron en distinto momentos y en diversas
condiciones experimentales. Los datos se presentan en la tabla.
Óxido nitroso Humedad Temperatura Presión
Y X1 X2 X3
0.90 72.4 76.3 29.13
0.91 41.6 70.3 29.35
0.96 34.3 77.1 29.24
a) 0.89 35.1 68.0 29.27 Obtener la
1.00 10.7 79.0 29.78 prueba global
1.10 12.9 67.4 29.39 de significancia
1.15 8.3 66.8 29.69 para el modelo.
b) 1.03 20.1 76.9 29.48 Obtener la
0.77 72.2 77.7 29.09 prueba T de
1.07 24.0 67.7 29.60 significancia
1.07 23.2 76.8 29.38 para cada uno
0.94 47.4 86.6 29.35 de los
1.10 31.5 76.9 29.63 parámetros del
1.10 10.6 86.3 29.56 modelo.
c) 1.10 11.2 86.0 29.48 Obtener la
0.91 73.3 76.3 29.40 prueba global
0.87 75.4 77.9 29.28 de significancia
para el modelo.
0.78 96.6 78.7 29.29
ANÁLISIS DE VARIANZA
0.82 107.4 86.8 29.03
Grados de
0.95 Suma
54.9 de Promedio de los 29.37
70.9 Valor crítico
libertad cuadrados cuadrados F de F
Regresió
n 3 0.20187759 0.06729253 21.0690739 8.3827E-06
Residuos 16 0.05110241 0.0031939
Total 19 0.25298
1) Formulación de Hipótesis
H 0 : β 1=β 2=β 3=0
H 1 : Uno o más de los parámetros del modelo no son iguales a cero.
2) Estadístico de Prueba
ESTADÍSTICA II
CMR
F= =21.069
CME
3) Valor Crítico
F 1−α ( p ;n− p−1)=F (0.95 ;3 ;20−3−1)=F (0.95 ;3 ;16 )=3.239
F> F1−α ( p ;n− p −1 ), se rechaza Ho
CONCLUSIÓN: Uno o más de los parámetros del modelo no son iguales a cero,
esto significa que por lo menos existe una variable independiente que se relacione
significativamente con la V.D óxido nitroso. Por lo tanto, el modelo de regresión
lineal múltiple es significativo.
d) Obtener la prueba T de significancia para cada uno de los parámetros del modelo.
Para β 1
1) Formulación de la Hipótesis
H 0 : β 1=0
H 1: β1≠ 0
2) Estadístico de prueba
bi
T= = -4.02188558
sb
i
3) Valor crítico
Para β 2
1) Formulación de la Hipótesis
H 0 : β 2=0
H 1: β2≠ 0
2) Estadístico de prueba
bi
T= = 0.37952592
sbi
3) Valor crítico
Para β 3
1) Formulación de la Hipótesis
H 0 : β 3=0
H 1: β3≠ 0
2) Estadístico de prueba
bi
T= =1.44543337
sb
i
3) Valor crítico