Statistics">
Regresion Lineal Ejercicios Aplicativos - Compress
Regresion Lineal Ejercicios Aplicativos - Compress
Regresion Lineal Ejercicios Aplicativos - Compress
𝑛
(∑𝑛𝑖=1 𝑥𝑖 )(∑ 𝑛𝑖=1 𝑦𝑖 ) (558)(5053.11)
𝑆𝑥𝑦 = ∑ 𝑥𝑖 𝑦𝑖 − = 265408.13 − = 30438.515
𝑛 12
𝑖=1
𝑆𝑥𝑦 30438.515
𝛽1 = = = 9.198705047
𝑆𝑥𝑥 3309
0 = 𝑦 − 𝛽
𝛽 1 𝑥 = 421.0925 − (9.20836204) (46.5) = −6.647284678
El modelo de regresión lineal
0 +
𝑦 = 𝛽 𝛽1 𝑥
𝑦 = −6.647284678 + 9.198705047𝑥
800
500
consumo (y)
400
300
200
100
0
10 20 30 40 50 60 70 80
Temperatura
𝐻𝑂 : 𝛽1 = 0
𝐻1 : 𝛽1 ≠ 0
Estadístico de prueba
𝛽1 − 0
𝑡0 =
𝜎 2
√
𝑆𝑥𝑥
9.198705047
𝑡0 = = 163.4805093
10.4765476
√
3309
Conclusión
Como 𝑡0 = 163.4805093 > 𝑡0.025 ,10 = 2.228, se rechaza la hipótesis nula. Por ende,
la pendiente 𝛽1 del modelo es diferente de cero.
El valor p calculado es igual a 1.80018 × 10−18 , y como valor P < α = 0.05 , se rechaza
la hipótesis nula. Por lo tanto, el modelo de regresión planteado tiene mayor certeza.
Asimismo, 𝐹0 = 26725.87687 es un valor muy grande, por lo que ello se evidencia que
el error es mínimo y por ende el modelo adecuado.
c) Determine el valor de R 2
Fuente de Suma de Grados de Promedio de Fo Valor P
variación cuadrados libertad los cuadrados
Regresión 279994.922 1 279994.922 26725.8769 1.8018E-18
Residuos 104.765476 10 10.4765476
Total 280099.687 11
𝑆𝑆𝑅 279994.9215
𝑅2 = = = 0.999625971
𝑆𝑆𝑇 280099.687
0 +
𝑦 = 𝛽 𝛽1 𝑥
X1 X2 X3 Y
Rs Rs
e-b HFE X1² X2² X3² X1 X2 X1 X3 X2X3 X1Y X2Y X3Y
emisor base
14.62 226 7 128.4 213.7444 51076 49 3304.12 102.34 1582 1877.208 29018.4 898.8
15.63 220 3.375 52.62 244.2969 48400 11.39063 3438.6 52.75125 742.5 822.4506 11576.4 177.5925
14.62 217.4 6.375 113.9 213.7444 47262.76 40.64063 3178.388 93.2025 1385.925 1665.218 24761.86 726.1125
15 220 6 98.01 225 48400 36 3300 90 1320 1470.15 21562.2 588.06
14.5 226.5 7.625 139.9 210.25 51302.25 58.14063 3284.25 110.5625 1727.063 2028.55 31687.35 1066.738
15.25 224.1 6 102.6 232.5625 50220.81 36 3417.525 91.5 1344.6 1564.65 22992.66 615.6
16.12 220.5 3.375 48.14 259.8544 48620.25 11.39063 3554.46 54.405 744.1875 776.0168 10614.87 162.4725
15.13 223.5 6.125 109.6 228.9169 49952.25 37.51563 3381.555 92.67125 1368.938 1658.248 24495.6 671.3
15.5 217.6 5 82.68 240.25 47349.76 25 3372.8 77.5 1088 1281.54 17991.17 413.4
15.13 228.5 6.625 112.6 228.9169 52212.25 43.89063 3457.205 100.2363 1513.813 1703.638 25729.1 745.975
15.5 230.2 5.75 97.52 240.25 52992.04 33.0625 3568.1 89.125 1323.65 1511.56 22449.1 560.74
16.12 226.5 3.75 59.06 259.8544 51302.25 14.0625 3651.18 60.45 849.375 952.0472 13377.09 221.475
15.13 226.6 6.125 111.8 228.9169 51347.56 37.51563 3428.458 92.67125 1387.925 1691.534 25333.88 684.775
15.63 225.6 5.375 89.09 244.2969 50895.36 28.89063 3526.128 84.01125 1212.6 1392.477 20098.7 478.8588
15.38 229.7 5.875 101 236.5444 52762.09 34.51563 3532.786 90.3575 1349.488 1553.38 23199.7 593.375
14.38 234 8.875 171.9 206.7844 54756 78.76563 3364.92 127.6225 2076.75 2471.922 40224.6 1525.613
15.5 230 4 66.8 240.25 52900 16 3565 62 920 1035.4 15364 267.2
14.25 224.3 8 157.1 203.0625 50310.49 64 3196.275 114 1794.4 2238.675 35237.53 1256.8
14.5 240.5 10.87 208.4 210.25 57840.25 118.1569 3487.25 157.615 2614.235 3021.8 50120.2 2265.308
14.62 223.7 7.375 133.4 213.7444 50041.69 54.39063 3270.494 107.8225 1649.788 1950.308 29841.58 983.825
302.51 4515.2 123.495 2184.52 4581.49 1019944 828.3288 68279.49 1850.844 27995.24 32666.77 495676 14904.02
Los datos de color azul representan el resultado de la sumatoria de cada columna
a) Ajuste un modelo de regresión lineal múltiple a estos datos.
𝐴−1 b x
203.0363 -9.74413 -0.18328 -2.30359 2184.52 47.174
-9.74413 1.125563 -0.04226 0.366155 . 32666.77 = -9.7352
-0.18328 -0.04226 0.004142 -0.01822 495676 0.428287
-2.30359 0.366155 -0.01822 0.142125 14904.02 18.23745