Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis de Análisis de
regresión correlación
Coeficiente de
Supuestos del modelo determinación
Error estándar de
estimación Prueba de hipótesis
para correlación
Pruebas inferenciales
Pruebas de hipótesis
Intervalos de confianza
1.1 Introducción
La regresión y La correlación.
La variable independiente X.
Diagrama de dispersión:
gráfica que describe la relación entre las dos
variables de interés.
Cuál es la variable dependiente y cuál es la variable
independiente en el modelo de regresión
Esto depende de la lógica y de lo que el estadístico intente medir.
Y = f(X) [1.1]
Se le denomina regresión bivariada porque sólo hay dos variables, una
dependiente y una independiente,
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Relación positiva perfecta
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Relación positiva fuerte
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Relación negativa fuerte
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Relación Curvilínea
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Sin Relación
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Relaciones lineales y
curvilíneas.
Si X y Y se relacionan en forma lineal,
entonces a medida que X cambia, Y
cambia en una cantidad constante.
Si existe una relación curvilínea,. Y
cambiara en una cantidad diferente a
medida que X cambia.
1.2 Determinación del modelo
Regresión lineal simple
Ecuación de la recta Y = b0 + b1X [1.3]
Y 0 1 X [1. 4]
Y = b0 + b1 X + [1.5]
Si conociéramos , podría calcular el valor Y.
Sin embargo, debido
ŷ a que es aleatoria.
Figura 1.1
La diferencia entre lo que Y era realmente, Yi
y lo que se estima que es Ŷ i, es el error.
Error = ( Yi - Ŷ i ) [1.7]
MCO producirá una recta tal que la suma de errores sea cero:
i
(Y ˆ) 0
Yi
MCO también asegurará que se minimice la suma de
estos errores al cuadrado.
i ˆ )2 min
La suma de errores al
cuadrado se minimiza
(Y Yi [1.8]
Ŷ
Es decir, MCO minimizará la suma de los errores al cuadrado.
ˆ y X
Y ˆ
Los parámetros 0 y 1,son desconocidos por lo tanto
son los que se van a estimar con los datos muéstrales.
La pendiente de la
SCxy
recta de regresión
b1 [1.9]
SCx
El intercepto de
la recta de regresión
b0 Y b1 X [1.10]
( X ) 2 [1.11]
X 2
n
Y 2
( Y ) 2 [1.12]
SCx ( X i X ) 2
SCy (Yi Y ) 2
SCxy ( X i X )(Yi Y )
ˆ b bX
Y 0 1
Tabla 1.2 Datos de regresión para la Aerolínea
Observación Publicidad Pasajeros Xy X2 Y2
(mes) (en US$1.000`s) (en 1.000`s)
(X) (Y)
1 10 15 150 100 225
2 12 17 204 144 289
3 8 13 104 65 169
4 17 23 391 289 529
5 10 16 160 100 256
6 15 21 315 225 441
7 10 14 140 100 196
8 14 20 280 196 400
9 19 24 456 361 576
10 10 17 170 100 289
11 11 16 176 121 256
12 13 18 234 169 324
13 16 23 368 256 529
14 10 15 150 100 225
15 12 16 192 144 256
187 268 3.490 2.469 4.960
Las sumas de los cuadrados y de los productos cruzados son:
( X ) 2 ( Y ) 2
SCx X 2
SCy Y 2(
n Y)
SCy Y
2
n 2
n
2 (268) 2
2
4.960 -
(187) (268)
2.469 - 4.960 -
n
171.733333
15 n
137.7333333 171.733333
( X )( Y )
SCxy XY - n
(187)(268)
3.490 -
15
148.933333
Con Formulas (1.9) establecer el coeficiente de
regresión así :y con(1.10 el intercepto )
b1
SCxy
Y
Y 268
17.86667
SCx
n 15
148.933333
137 . 733333
X
X 187
12.46667
1.0813166 ņ 1.08 n 15
b 0 Y b1 X
17.866667 1.08(12.46667)
4.3865 o 4.40
Figura 1.2
1.-El centro de ubicación laboral en una universidad desea determinar si los
promedios puntuales en notas de los estudiantes puede explicar el número
de ofertas laborales que ellos reciben después de graduarse.
Estudiante 1 2 3 4 5 6 7 8 9 10
Promedios 3.25 2.35 1.02 0.36 3.69 2.65 2.15 1.25 3.88 3.37
Ofertas 3 3 1 0 5 4 2 2 6 2
Consumidor 1 2 3 4 5 6 7 8 9 10 11 12
Ingreso 24.3 12.5 31.2 28.0 35.1 10.5 23.2 10.0 8.5 15.9 14.7 15
Consumo 16.2 8.5 15 17 24.2 11.2 15 7.1 3.5 11.5 10.7 9.2
Mes 1 2 3 4 5 6 7 8 9 10
Interés 12.3 10.5 15.6 9.5 10.5 9.3 8.7 14.2 15.2 12
Casas 196 285 125 225 248 303 255 102 105 114
Millas 5 6 2 0 9 12 16 5 7 0 8
Ausencias 2 2 4 5 4 2 5 2 3 1 4
c. ¿A cuantas clases faltaría usted si viviera a 3.2 millas del campus, según
el modelo?
1.5 Supuestos del modelo de regresión lineal
Supuesto 1:
El término de error es una variable aleatoria distribuida normalmente.
Si se fija que X es igual a un valor dado muchas veces, los
valores resultantes de Y variarán.
En la tabla 1.2. para valores X = 10., Yi es diferente cada vez.
Se asume que estos términos de error se distribuyen normal y
aleatoriamente alrededor de la recta de regresión poblacional.
Figura 1.3
La distribución
normal de los valore
¨ y ¨ alrededor de la
recta de regresión
poblacional
desconocida
¨ Yi ¨ es diferente cada vez, lo mejor que la recta de Reg.
puede hacer es estimar el valor promedio de Y.
Por lo tanto, la recta de regresión poblacional pasa por
la media de aquellos valores Y en donde X = 10.
Estadístico de Durbin-Watson
d
(e e t t 1 ) 2
e 2
t [1.14]
Figura 1.6
Una prueba
Durbin-Watson
Supuesto 4: El supuesto de linealidad.
Como se expresó en el supuesto 1, si X se deja
igual que un valor muchas veces, ocurrirá una
distribución normal de los valores Y.
Esta distribución tiene una media, Y/X.
Esto es cierto para todo valor de X.
MCO asume que estas medias quedan en una
recta, como se sugirió anteriormente en la
figura 1.3
1.6 El error estándar de estimación:
Una medida de bondad de ajuste.
Qué tan bueno es el mejor ajuste en la relación entre X y Y
Por lo menos 2 medidas de bondad de ajuste:
1)El error estándar de estimación
2) El coeficiente de determinación.
Refiriéndonos al primero Mide el grado de dispersión de
los valores Yi alrededor de la recta de regresión.
Refleja la tendencia a desviarse del valor real de Y cuando
se utiliza el modelo de regresión para fines predicativos.
En este sentido, es una medida del error “típico”.
Si la recta de regresión pasaría por cada uno de los puntos.
No se presentarán errores en los pronósticos, y el error estándar de
estimación sería cero
Usualmente habrá alguna dispersión en los datos
Figura 1.7
Diagramas de
dispersión
posibles
Se
de estimación
n2 [1.15]
( X ) 2 ( Y ) 2
SCx X 2
SCy Y 2(
n Y)
SCy Y
2
n 2
n
2 (268) 2
2
4.960 -
(187) (268)
2.469 - 4.960 -
n
171.733333
15 n
137.7333333 171.733333
( X )( Y )
SCxy XY - n
(187)(268)
3.490 -
15
148.933333
En el caso de nuestro ejemplo
( SC 2) 2
xy ) (SC
SCE SCE SCy SC
x SC x
2
(148.9333) 2
171.7333 - (148.9333)
171.7333 - 137 . 7333
10.6893 137 . 7333
10.6893
10.6893
CME
10.6893
CME - 2
15
0.8222615 - 2
Se 0.82226
0.82226
Se 0.82226 o
0.90678 0.907
0.90678 o 0.907
Proporciona una medida cuantificable de que tan bien se
ajusta el modelo a los datos que se han recolectado.
El error estándar siempre se expresa en las mismas unidades que
la variable dependiente Y, en este caso miles de pasajeros.
Por tanto, el error estándar de 0.907, o 907 pasajeros mide la
variabilidad de los valores Y alrededor de la recta de regresión.
Figura 1.8
Error estándar
de estimación
1.7 Análisis de correlación
SCT (Yi Y) 2
Suma de cuadrados
total [1.19]
Suma de cuadrados
SCR (Ŷi Y) 2
de la regresión [1.20]
(Yi Y )
La figura 1.14 muestra la desviación total como
(23 – 17.87) = 5.13 el valor de Yi de 23 queda 5.13 por
Y
encima de la recta horizontal que representa a la media
de Y = 17.87.
Si se calcula las n = 15 desviaciones totales y se elevan
al cuadrado, y los resultados se suman
Entonces se tendrá, SCT. 171,7333
Suma de cuadrados
SCT (Yi Y) 2
total [1.19]
Esta desviación total se divide en desviación explicada y
no explicada
La desviación explicada es la diferencia entre lo que predice el modelo
de regresión Y sombrero y su valor promedio de Y (Yˆi Y )
SCR (Ŷi Y) 2
Suma de cuadrados
de la regresión [1.20]
La desviación no explicada que se observa en la figura
1.14 es esa porción de la desviación total que no es
explicada por el modelo de regresión
Es decir, es el error (Yi Yˆi )
La figura 1.14 muestra que es (23 – 21.68) = 1.32.
Si se calculan estos términos de error para todos los n =
15 observaciones y luego se eleva al cuadrado y luego
los resultados se suman
La suma del cuadrado del error. SCE. =10,6892546
Suma de cuadrados
del error
SCE (Yi Ŷi ) 2
1.21]
El coeficiente de correlación se calcula así:
Coeficiente Variación explicada SCR
r
de correlación Variación total SCT [1.22]
En nuestro l caso
148.93333
r 0.9683
(137.7333)(171.7333)
Esto indica una relación positiva fuerte entre los pasajeros y
la cantidad de dinero invertido en fines publicitarios.
.
El coeficiente de determinación r2
Es otra medida la más importante de la bondad de ajuste se halla.
Coeficiente de Desviación exp licada SCR
determinación
r2 [1.24]
Desviación total SCT
una medida de bondad de ajuste
Figura 1.15
Posible relación X – Y
1.9 Pruebas para los parámetros poblacionales
Los resultados estadísticos sugieren una relación entre los
pasajeros y la publicidad de la empresa.
Sin embargo, estos resultados se basan en una muestra de sólo
n = 15 observaciones.
Como siempre se pregunta si ¿existe alguna relación a nivel
poblacional?
Si la pendiente de la recta de regresión poblacional real pero
desconocida es cero, H 0 = 0
No existe relación entre los pasajeros y la publicidad
Contraria a los resultados muestrales.
Figura 1.16
Un diagrama de
dispersión para la
población de todos
los puntos X-Y
Esta prueba emplea el estadístico t
Figura 1.17
Distribución de bi
si 1 = 0
El error estándar
1 r2 [1.30]
del coeficiente de correlación sr
15 2
1 (10 12.47) 2
Sy 0.907 0.303
15 137.73333
Si se utiliza un nivel de confianza del 95%, t 0.05.13 = 2.160. Ya que:
Figura 1.18
Limites de
confianza para y/x
X
Se calcularía el intervalo de confianza para y/x en
valores diferentes de X.
Estos intervalos conformarán toda una banda de
confianza para la media condicionada Y/x
Segunda interpretación:
Si se tomarán muchas muestras y cada una se utilizará
para construir un intervalo de confianza de predicción,
El 95% de ellos contendrían el valor verdadero para Y.
Para calcular este intervalo de predicción
Primero se debe calcular el error estándar del pronóstico, Syi
(no confundirse con el error estándar de la media condicionada Sy).
Este error estándar del pronóstico explica el hecho de que los
valores individuales estén más dispersos que las medias.
(SCxy ) 2
SCE SCy
SCx
SCR Su valor 161.0441 puede calcularse como:
Entre mayor sea esta razón, el modelo tendrá mayor poder explicativo.
Es decir, una prueba F alta señala que el modelo posee un poder explicativo
significativo.
Para determinar que es alto, el valor F debe compararse con un valor crítico
tomado de la tabla G del apéndice III.
El valor F tiene 1 y 13 grados de libertad debido a que
fue formado con el cuadrado medio de la regresión y el
cuadrado medio del error
(e e
Residuos et - et-1 (et - et-1)^2 et^2 2
t 1 )
d
-0,1994 0,0398 t
e
-0,3621 0,1626 0,0264 0,1311
2
-0,0368 -0,3253 0,1058 0,0014 t
0,2314 -0,2682 0,0719 0,0535
0,8006 -0,5692 0,3240 0,6409
0,3940 0,4066 0,1653 0,1552
26,558.9
-1,1994
0,4753
1,5934
-1,6747
2,5390
2,8047
1,4386
0,2259
d
-0,9313 1,4066 1,9785 0,8673 10,649.5
1,8006 -2,7318 7,4630 3,2421
d 2.48
-0,2807 2,0813 4,3319 0,0788
-0,4434 0,1626 0,0264 0,1966
1,3127 -1,7561 3,0837 1,7231
-0,1994 1,5121 2,2864 0,0398
-1,3621 1,1626 1,3517 1,8552
Sumatorias 1,1626 26,5589 10,6495
Tabla 1.2 Datos de regresión para la Aerolínea
Observación Publicidad Pasajeros
Y 268
(mes) (en US$1.000`s) (en 1.000`s) Y 17.86667
(X) (Y) n 15
1 10 15
2 12 17
3 8 13
4 17 23
5 10 16
6 15 21
7 10 14
8 14 20
9 19 24
10 10 17
11 11 16
12 13 18
13 16 23
14 10 15
15 12 16
187 268
Figura 1.16
Un diagrama de dispersión para la población
de todos los puntos X-Y
2
( SCxy)
r2
( SCx)( SCy)
2
(148.9333)
r
2
(137.7333)(171.7333)
r 0.93776 o 0.94
2
( X ) 2
SCx X 2
n
2
(187)
2.469 -
15
137.7333333
SCX = Suma de cuadrados de X
( X ) 2
SCx X 2
n
2
(187)
2.469 -
15
137.7333333
(SC xy ) 2
SCE SCy
SC x
2
(148.9333)
171.7333 -
137 . 7333
10.6893
10.6893
CME
15 - 2
0.82226
Se 0.82226
0.90678 o 0.907
SCxy
b
1
SCx
148.933333
137 . 733333
1.0813166 ņ 1.08
t de las tablas t n-2 = 13 grados de
libertad
Si se selecciona un valor del 5%,
De la tabla t para pruebas de dos colas
t 0.05,13 = 2.160.
Se
Sb i
SCx
Se = El error estándar de estimación , SCX = Suma de cuadrados de X
0.907
Sb i 0.07726
137.73333
Figura 1.3
La distribución normal de los valore ¨ y ¨
alrededor de la recta de regresión poblacional
desconocida
Figura 1.3
La distribución normal de los valore ¨ y ¨
alrededor de la recta de regresión poblacional
desconocida
Las sumas de los cuadrados y de los productos cruzados son:
( X ) 2 ( Y ) 2
SCx X 2
SCy Y 2(
n Y)
SCy Y
2
n 2
n
2 (268) 2
2
4.960 -
(187) (268)
2.469 - 4.960 -
n
171.733333
15 n
137.7333333 171.733333
( X )( Y )
SCxy XY - n
(187)(268)
3.490 -
15
148.933333
Las sumas de los cuadrados y de los productos cruzados son:
( X ) 2 ( Y ) 2
SCx X 2 SCy Y 2(
n Y)
SCy Y
2
n 2
n
(268) 2
(187) 2 4.960 -
(268) 2
2.469 - 4.960 -
n
171.733333
15 n
137.7333333 171.733333
( X )( Y )
SCxy XY - n
(187)(268)
3.490 -
15
148.933333
En el caso de nuestro ejemplo
( SC )22
(SC )
SCE SCE SCy
xy
SC x
SC x
2
(148.9333) 2
171.7333 - (148.9333)
171.7333 - 137 . 7333
10.6893 137 . 7333
10.6893
10.6893
CME
10.6893
CME - 2
15
0.8222615 - 2
Se 0.82226
0.82226
0.90678
Se 0.82226o 0.907
0.90678 o 0.907
Proporciona una medida cuantificable de que tan bien se
ajusta el modelo a los datos que se han recolectado.
En el caso de nuestro ejemplo
( SC )22
(SC )
SCE SCE SCy
xy
SC x
SC x
2
(148.9333) 2
171.7333 - (148.9333)
171.7333 - 137 . 7333
10.6893 137 . 7333
10.6893
10.6893
CME
10.6893
CME - 2
15
0.8222615 - 2
Se 0.82226
0.82226
0.90678
Se 0.82226o 0.907
0.90678 o 0.907
Se = El error estándar de estimación
Forma de calcular SCxy
Y
el coeficiente de correlación r [1.23]
(SCx)(SCy)
148.93333
r 0.9683
(137.7333)(71.7333)
Esto indica una relación positiva fuerte entre los pasajeros y
la cantidad de dinero invertido en fines publicitarios.
Error estándar de la
1 ( X i X )2 [1.31]
media condicionada SY Se 0.303
n SCx
Tabla 1.2 Datos de regresión para la Aerolínea
X
X
187
12.46667
Observación Publicidad Pasajeros n 15
(mes) (en US$1.000`s) (en 1.000`s)
(X) (Y) ( SC xy ) 2
1 10 15
SCE SCy
SC x
2 12 17 2
(148.9333)
3 8 13 171.7333 -
4 17 23 137 . 7333
5 10 16
10.6893
6 15 21 10.6893
CME
7 10 14 15 - 2
8 14 20 0.82226
9 19 24
Se 0.82226
10 10 17
0.90678 o 0.907
11 11 16
12 13 18 ( X ) 2
13 16 23
SCx X 2
n
14 10 15 (187) 2
15 12 16 2.469 -
15
187 268
137.7333333
Intervalo de confianza para [1.32]
la media condicionada ˆ tS
I.C. para y/x Yi y
148.933333
137 . 733333
1.0813166 ņ 1.08
Suma de cuadrados
SCT (Yi Y) 2
total [1.19]
Observaciones ( Publucidad en Pasageros en
meses ) miles de $ X Miles ( Y) ( Y - Y promedio) ( Y -Y promedio)^2
1 10 15 -2,866666667 8,217777778
2 12 17 -0,866666667 0,751111111
3 8 13 -4,866666667 23,68444444
4 17 23 5,133333333 26,35111111
5 10 16 -1,866666667 3,484444444
6 15 21 3,133333333 9,817777778
7 10 14 -3,866666667 14,95111111
8 14 20 2,133333333 4,551111111
9 19 24 6,133333333 37,61777778
10 10 17 -0,866666667 0,751111111
11 11 16 -1,866666667 3,484444444
12 13 18 0,133333333 0,017777778
13 16 23 5,133333333 26,35111111
14 10 15 -2,866666667 8,217777778
15 12 16 -1,866666667 3,484444444
Sumatoria 187 268 -7,10543E-15 171,7333333
Promedio 12,46666667 17,86666667
SCR (Ŷi Y) 2
Suma de cuadrados
de la regresión [1.20]
Observaciones ( Pasageros en Pronóstico
Pasageros en Ŷi - Y
(Ŷi - Y Promedio)^2
Miles Ŷ Promedio
meses ) Miles ( Y)
1 15 15,19941917 -2,6672475 7,114209222
2 17 17,36205227 -0,50461439 0,254635684
3 13 13,03678606 -4,82988061 23,32774667
4 23 22,76863504 4,901968377 24,02929397
5 16 15,19941917 -2,6672475 7,114209222
6 21 20,60600194 2,739335269 7,503957718
7 14 15,19941917 -2,6672475 7,114209222
8 20 19,52468538 1,658018716 2,749026062
9 24 24,93126815 7,064601484 49,90859413
10 17 15,19941917 -2,6672475 7,114209222
11 16 16,28073572 -1,58593095 2,515176964
12 18 18,44336883 0,576702162 0,332585384
13 23 21,68731849 3,820651823 14,59738035
14 15 15,19941917 -2,6672475 7,114209222
15 16 17,36205227 -0,50461439 0,254635684
Sumatoria 268 161,0440787
Promedio 17,86666667
Suma de cuadrados
del error
SCE (Yi Ŷi ) 2 1.21]
Observaciones Pasageros en Pronóstico
Pasageros en
( meses ) Miles ( Y) Miles Ŷ Y - Ŷ ( Y - Ŷ ) ^2
1 15 15,1994192 -0,19941917 0,039768
2 17 17,3620523 -0,36205227 0,13108185
3 13 13,0367861 -0,03678606 0,00135321
4 23 22,768635 0,23136496 0,05352974
5 16 15,1994192 0,80058083 0,64092967
6 21 20,6060019 0,39399806 0,15523447
7 14 15,1994192 -1,19941917 1,43860634
8 20 19,5246854 0,47531462 0,22592399
9 24 24,9312682 -0,93126815 0,86726037
10 17 15,1994192 1,80058083 3,24209133
11 16 16,2807357 -0,28073572 0,07881255
12 18 18,4433688 -0,44336883 0,19657592
13 23 21,6873185 1,31268151 1,72313275
14 15 15,1994192 -0,19941917 0,039768
15 16 17,3620523 -1,36205227 1,8551864
Sumatoria 268 10,6892546
Promedio 17,8666667
Variaciónexplicada SCR 161,0440787
r 0,9683783710
Variacióntotal SCT 171,733333
10,6892546
0,906780212
n2 15 - 2
El numerador
SCR (Ŷi Y) 2
Suma de cuadrados
de la regresión [1.20]
Observaciones ( Pasageros en Pronóstico
Pasageros en Ŷi - Y
(Ŷi - Y Promedio)^2
Miles Ŷ Promedio
meses ) Miles ( Y)
1 15 15,19941917 -2,6672475 7,114209222
2 17 17,36205227 -0,50461439 0,254635684
3 13 13,03678606 -4,82988061 23,32774667
4 23 22,76863504 4,901968377 24,02929397
5 16 15,19941917 -2,6672475 7,114209222
6 21 20,60600194 2,739335269 7,503957718
7 14 15,19941917 -2,6672475 7,114209222
8 20 19,52468538 1,658018716 2,749026062
9 24 24,93126815 7,064601484 49,90859413
10 17 15,19941917 -2,6672475 7,114209222
11 16 16,28073572 -1,58593095 2,515176964
12 18 18,44336883 0,576702162 0,332585384
13 23 21,68731849 3,820651823 14,59738035
14 15 15,19941917 -2,6672475 7,114209222
15 16 17,36205227 -0,50461439 0,254635684
Sumatoria 268 161,0440787
Promedio 17,86666667
Suma de cuadrados
SCT (Yi Y) 2
total [1.19]
Observaciones ( Publucidad en Pasageros en
meses ) miles de $ X Miles ( Y) ( Y - Y promedio) ( Y -Y promedio)^2
1 10 15 -2,866666667 8,217777778
2 12 17 -0,866666667 0,751111111
3 8 13 -4,866666667 23,68444444
4 17 23 5,133333333 26,35111111
5 10 16 -1,866666667 3,484444444
6 15 21 3,133333333 9,817777778
7 10 14 -3,866666667 14,95111111
8 14 20 2,133333333 4,551111111
9 19 24 6,133333333 37,61777778
10 10 17 -0,866666667 0,751111111
11 11 16 -1,866666667 3,484444444
12 13 18 0,133333333 0,017777778
13 16 23 5,133333333 26,35111111
14 10 15 -2,866666667 8,217777778
15 12 16 -1,866666667 3,484444444
Sumatoria 187 268 -7,10543E-15 171,7333333
Promedio 12,46666667 17,86666667
Ŷi 4.40 1.08X i
Publucidad Pronóstico
Observaciones Pasageros en
( meses )
en miles de Miles ( Y)
Pasageros en
$X Miles Ŷ
1 10 15 15,19941917
2 12 17 17,36205227
3 8 13 13,03678606
4 17 23 22,76863504
5 10 16 15,19941917
6 15 21 20,60600194
7 10 14 15,19941917
8 14 20 19,52468538
9 19 24 24,93126815
10 10 17 15,19941917
11 11 16 16,28073572
12 13 18 18,44336883
13 16 23 21,68731849
14 10 15 15,19941917
15 12 16 17,36205227
Sumatoria 187 268
Promedio 12,46666667 17,86666667
Suma de cuadrados
del error
SCE (Yi Ŷi ) 2 1.21]
Observaciones Pasageros en Pronóstico
Pasageros en
( meses ) Miles ( Y) Miles Ŷ Y - Ŷ ( Y - Ŷ ) ^2
1 15 15,1994192 -0,19941917 0,039768
2 17 17,3620523 -0,36205227 0,13108185
3 13 13,0367861 -0,03678606 0,00135321
4 23 22,768635 0,23136496 0,05352974
5 16 15,1994192 0,80058083 0,64092967
6 21 20,6060019 0,39399806 0,15523447
7 14 15,1994192 -1,19941917 1,43860634
8 20 19,5246854 0,47531462 0,22592399
9 24 24,9312682 -0,93126815 0,86726037
10 17 15,1994192 1,80058083 3,24209133
11 16 16,2807357 -0,28073572 0,07881255
12 18 18,4433688 -0,44336883 0,19657592
13 23 21,6873185 1,31268151 1,72313275
14 15 15,1994192 -0,19941917 0,039768
15 16 17,3620523 -1,36205227 1,8551864
Sumatoria 268 10,6892546
Promedio 17,8666667
(SCxy ) 2
SCE SCy
SCx
(148.93333 )2
171.73333 -
137.73333
10.69
( Y ) 2
SCy Y
2
( Y ) 2 ( X )( Y )
4.960 -
(268) 2
SCy Y 2
n
SCxy XY - 171.733333
n
n
(268) 2 (187)(268)
4.960 - 3.490 -
n 15
171.733333 148.933333
( X ) 2
SCx X 2
n
(187) 2
2.469 -
15
137.7333333