Trabajo Estadística Aplicada

INTRODUCCIN.
La Regresin Lineal Mltiple, es una tcnica que intenta modelar probabilsticamente el

valor esperado de una variable Y, a partir de los valores de dos o ms predictores. Es un mtodo
muy poderoso y ampliamente utilizado en investigaciones.
Tambin la definen como un valor resumido, calculado, como base en una muestra de
observaciones que generalmente, aunque por necesidad, se considera como una estimacin de
parmetro de determinada poblacin, es decir, una funcin de valores de muestra. Estudia los
mtodos cientficos para recoger, organizar, resumir y analizar datos, as para sacar conclusiones
validas y tomar decisiones razonables basadas en tal anlisis.
Los Anlisis de Regresin y Correlacin, son dos de las herramientas ms importantes del
anlisis estadstico. En el modelo de Regresin, al utilizar ms de una variable, es posible
incrementar el poder explicativo y la utilidad del modelo en la toma de muchas decisiones
importantes. El determinar cul o cules de las variables independientes, X1, X2, X3, X4, X5, X7, X8,
X9. Contribuyen significativamente o no a la explicacin de la variable dependiente X6, permitir
explicar el comportamiento actual de dicha variable.
La varianza en los valores de la variable dependiente es la misma. Todas las medias quedan
en una recta. Las observaciones son mayores que las variables independientes en por lo menos dos.
El cambio en una unidad de las variables independientes asume que las otras variables se
mantienen constantes.
Para analizar los parmetros poblacionales de los modelos se utilizar el mtodo de
Mnimos Cuadrados Ordinarios (MCO). El anlisis de las varianzas de la muestra (ANOVA)
permitir efectuar pruebas para hallar las diferencias entre los valores de las medias poblacionales y
probar la hiptesis de que stas sean iguales o no. Al analizar los Coeficientes de Determinacin
(R2) se podr determinar cul de los modelos explica mejor los valores presentes de la variable
dependiente.
METODOLOGA.
Como parte de un proyecto cultural, en una determinada comunidad se realiza un pequeo estudio
estadstico de sus integrantes, con la finalidad de plantear diferentes alternativas de organizacin,
discusin e implementacin del proyecto.
Poblacin:
La muestra a ser evaluada, en este caso un grupo de 574 jefes de familia de la comunidad activos
laboralmente,
Instrumentos/Materiales:
Para el desarrollo en los anlisis estadsticos de este trabajo fue necesario el apoyo del Programa
Computacional EXCEL de Microsoft Office 2003, bajo sistema operativo Windows XP. Con la
ayuda
de
la
Gua
de
Excel
de
Estadstica
Aplicada
publicada
en
http://www.ciberesquina.una.edu.ve:8080 .
Procedimiento:
Una vez introducidos los datos se procedi a cargar los datos de los valores correspondientes a la
variable dependiente Y el de las variables independientes tal como se muestran en la siguiente
tabla, utilizando de Excel, se aplica la Herramienta Anlisis de Datos (Regresin) con la que se
obtienen tres tablas de datos: la primera tabla contiene los Estadsticos de la Regresin, la segunda
tabla el Anlisis de Varianza (ANOVA) y la tercera anlisis de los Residuos.
Se describen a continuacin
la conformacin de las variables dependientes como de las
independientes que formaran parte del estudio del modelo de regresin mltiple:
X1: Lugar de nacimiento.

(1) Distrito Federal
(13) Lara
(2) Amazonas
(14) Mrida
(3) Anzotegui
(15) Miranda
(4) Apure
(16) Monagas
(5) Aragua
(17) Nueva Esparta
(6) Barinas
(18) Portuguesa
(7) Bolvar
(19) Sucre
(8) Carabobo
(20) Tchira
(9) Cojedes
(21) Trujillo
(10) Delta Amacuro
(22) Yaracuy
(11) Falcn
(23) Zulia
(12) Gurico
(24) Vargas
X2: Sexo.
X3: Edad en aos
(1) Masculino.
(2) Femenino.
X4: Estado Civil.
(1) Casado con cnyuge residente.
(2) Casado con cnyuge no residente.
(3) Unido con cnyuge residente.
(4) Unido con cnyuge no residente.
(5) Divorciado, separado.
(6) Viudo.
(7) Soltero.
X5: Antigedad (Tiempo que lleva laborando en la empresa).
X6: Horas de Trabajo a la semana.
X7: Ocupacin.
(0) Profesionales, Tcnicos y Personas en Ocupaciones Afines.
(1) Gerentes, Administradores, Directores y Otros Funcionarios de Categora
Directiva.
(2)Empleados de Oficina, Vendedores y Personas en Ocupaciones Afines
(3) Agricultores, Ganaderos, Pescadores, Cazadores, Trabajadores Forestales.
(4) Mineros, Canteros y Personas en Ocupaciones Afines.
(5) Conductores de Medio de Transporte Comunicaciones y Personas en ocupaciones
Afines.
(6) Artesanos
(7) Operarios en Fbricas y Trabajadores en Ocupaciones Afines.
(8) Trabajadores de los Servicios, Deportes y Diversiones.
(9) Otras Ocupaciones N.E.O.G y Trabajadores en Ocupaciones no bien
Identificables y no Declaradas.
X8: Tipo de Empresa
(1) Empleado en el sector pblico.
(2) Obrero en el sector pblico.
(3) Empleado en empresa privada.
(4) Obrero en empresa privada.
(5) Miembro de Cooperativa.
(6) Sociedad de personas
(7) Trabajador por cuenta propia.
(8) Patrono o empleador.
(9) Ayudante o auxiliar.
X9: Sueldo mensual en bolvares.
Objetivo 6:
6.1 Verifique que la data suministrada permite obtener el siguiente modelo de regresin lineal
mltiple.
La data suministrada si permite obtener el siguiente modelo de Regresin Lineal Mltiple. Y se
representan en la tabla 1, 2 y 3.
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R2
R2 ajustado
Error tpico
Observaciones
Tabla.1
Regresin
Residuos
Total
Anlisis de varianza
Promedio
Grados Suma de los
Valor
los
de
cuadrados
crtico de
cuadrados
libertad
F
F
433,6295 6,1505 1,2712E-07
8
3469,0361
433,6295133
565
39834,1433
70,5029
573
43303,1794
Tabla.2
Coeficiente
Estadstic
s
Error
o
tpico
t
Intercepcin
X1
X2
X3
X4
X5
X7
X8
X9
0,2830
0,0801
0,0670
8,3966
574
43,3537
-0,0287
-1,5302
-0,0897
-0,0158
0,0603
0,4673
0,4585
0,0011
2,3861
0,0510
0,8530
0,0590
0,1582
0,1240
0,1366
0,1630
0,0004
18,1690
-0,5633
-1,7939
-1,5203
-0,0997
0,4860
3,4200
2,8132
2,3939
Tabla. 3
Probabilida
d
Inferio
r
95%
Superio
r
95%
1,9469E-58
0,5735
0,0734
0,1290
0,9207
0,6271
0,0007
0,0051
0,0170
38,6669
-0,1289
-3,2056
-0,2057
-0,3264
-0,1833
0,1989
0,1384
0,0002
48,0404
0,0714
0,1452
0,0262
0,2949
0,3038
0,7356
0,7786
0,0019
6.2 Explicar, para el modelo que corresponda segn su cedula de identidad, los resultados
obtenidos en las tablas: de Estadstica de la regresin y Anlisis de varianza, adems los
resultados obtenidos en las columnas 2, 3, 4 y 5 de la ltima tabla tomadas de izquierda a
derecha.
Coeficiente de correlacin mltiple:
Mide la fuerza de la relacin entre X 6 y las variables independientes. Vara de - 1 a 1. Al
observar el valor dado para este modelo de 0,2830, representa el hecho de que un 28,3% indica
que las variables estn relacionadas El valor resulto positivo, es decir la relacin es directa y
cambiaran en la misma direccin. A medida que las variables independientes aumentan
(disminuyen), la variable dependiente aumentara (disminuir).
Al analizar los Coeficiente de determinacin R2:
Se puede establecer cul de los modelos explica mejor los valores presentes de la variable
dependiente, para este caso el valor de 0,0801, representa el hecho de que un 8,01% de las variables
independientes explican a la variable dependiente.
Coeficiente de determinacin ajustado R2:
De acuerdo al valor obtenido de R2 Ajustado, se puede indicar que su valor es de 0,0670
esto equivalente a un porcentaje de 6,7 %.
El error tpico:
Se pudo observar que la desviacin de los residuos existente entre los valores de X 6 =
promedio y los por la recta de la regresin es de 8,3966 puntos.
Observaciones:
Es el nmero de datos suministrado de un proceso aleatorio simple de un grupo de 574
jefes de familia de la comunidad activos laboralmente.
El anlisis de varianza (Anova):

Es un procedimiento que prueba si algunas de las variables independientes tienen relacin
con la variable dependiente, si alguna variable independiente no est relacionada con la variable
dependiente X 6 , su coeficiente debera ser cero. Es decir, Si X1 no est relacionada con X 6 , su
coeficiente debera ser cero. Es decir entonces 1 = 0.
H0: B1 = B2 = B3 == Bk = 0
HA: al menos una B1 = 0
Si no se rechaza la hiptesis nula, entonces no hay relacin lineal entre X 6 cualquiera de
las variables independientes. Por otra parte, si la hiptesis nula se rechaza, entonces por los menos
una variable independiente est relacionada linealmente con X 6 .
El anlisis de la varianza de la muestra (Anova) permite efectuar pruebas para hallar las
diferencias entre los valores de las medias poblacionales y probar la hiptesis de que estn sean
iguales o no.
F y el valor critico de F:
Los valores restantes F y el valor crtico de F son tiles para probar la hiptesis siguiente:
Para comprobar las hiptesis se utiliza la prueba F con los grados de libertad para el
tratamiento (K = 8) y el error sea n - k - 1 = 574- 8 1 = 565. Se utiliza un nivel de significancia de
0.05. De acuerdo con la Tabla de Distribucin F, se obtiene por interpolacin: F 0.95, 8,
= 1,96, y
565
rechazamos la hiptesis nula H0 si Fc es mayor: dado que Fc = 6,1505 es mayor que Ft se plantea la
hiptesis nula se rechaza H0.
Se considera a continuacin el valor crtico de F es de 1,271 y se compara contra el nivel de
significancia 0,05 dado que la regla es rechazar la hiptesis nula H0 = 1,271 es mayor que 0,05,
concluye que no se rechaza la hiptesis H0.
Pruebas individuales para los coeficientes de regresin parcial:

Es probar cada coeficiente individualmente para determinar cul es (cuales son)
significantes. Para esto fijamos un valor de significancia de 0.05 es decir un grado de confianza del
95 % a fin de determinar las variables cuyo valor -1.96 < tc < 1.96 + las cuales sern consideradas
no Significativas y por lo tanto se considerar que no contribuye con el poder explicativo.
Valor de t para X1 :
Regla de decisin de decisin: No rechazar si t est entre 1,96. De lo contrario rechazar.
Debido a que X1 es = - 0,0287 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
5%, X1 no contribuye significativamente con el poder explicativo del modelo.
Debido a que X2 es =- 1,5301 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia
del 5%, X2 no contribuye significativamente con el poder explicativo del modelo.
Debido a que X3 es = - 0,0897 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
Debido a que X4 es = - 0,0157 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia
del 5%, X4 no contribuye significativamente con el poder explicativo del modelo.
Valor de t para X5:

Debido a que X5 es = 0,0602 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
Valor de t para X7:
Valor de t para X8
Valor de t para X9:
Error tpico:
Mide los grados de dispersin de los valores X6 alrededor del plano de la regresin. Claro que
entre menos dispersin se presente, ms pequeo ser el Se y ms preciso ser el modelo en
pronostico.
Valor de Se para X1:

5%, X5 no contribuye significativamente al poder explicativo del modelo.
Debido a que X1 es = 0,1366 > 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
5%, X7 no contribuye significativamente al poder explicativo del modelo.

Estadstico t:
Para realizar las pruebas individuales de los coeficientes de las variables del modelo y determinar
Cual o cuales son o no significantes o no para la variable dependiente, se establece una hiptesis
nula de que todos los valores B1 = 0 contra la hiptesis alternativa Bi = 0. Para comprobar la
hiptesis se utiliza la prueba t con los grados de libertad para el error de n k 1 = 574- 8 1 =
565. Se utiliza un nivel de significancia de 0.05%. De acuerdo con la tabla de distribucin t, se
obtiene por interpolacin: t 0.05, 565 = 1.96 y se plantean las hiptesis nula y alternativa:
H0 : Bi = 0
o HA : Bi = 0
Los valores t de cada coeficiente individual aparecen reflejados en el resumen estadstico, por lo
cual solo queda verificar en cada caso si nula hiptesis se rechaza o no.
Valor de estadstico t para X1 :
Debido a que X1 es = - 0, 5632 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
Valor de estadstico t para X2:
Debido a que X2 es = -1,7939 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
Valor de estadstico t para X3
Debido a que X3 es = -1, 5203 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del

Debido a que X4 es = - 0, 0996 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
Debido a que X5 es = 0, 4860 < 1,96 no se rechaza la hiptesis nula. Al nivel de significancia del
Debido a que X7 es = 3, 4199 > 1,96 se rechaza la hiptesis nula. Al nivel de significancia del 5%,
X7 contribuye significativamente con el poder explicativo del modelo.
Probabilidad:
Se considera el nivel de significancia de 0,05, observamos que con este nivel los valores de la
probabilidad correspondientes a los ochos parmetros son menores por lo cual la conclusin ser
que no aceptamos las hiptesis nulas Ho para todos los casos.
6.3. Siga la siguiente secuencia de pasos:

Paso1: Obtener un nuevo modelo partiendo del modelo de la pregunta 6.1 que le
corresponda, eliminando la variable independiente que menos explica a la variable
dependiente, segn la prueba T.
Paso2: Repita el procedimiento del Paso 1 considerando el nuevo modelo, hasta obtener un
modelo en el cual las variables independientes no sean descartadas por la prueba T.
Para efectuar esta prueba, me base en los datos de Probabilidad o parmetro
Obtenidos con la herramienta Microsoft Excel para el modelo.
Para esto fijamos un valor de =0,05 es decir un grado de confianza del 95% a fin de
determinar las variables cuyo valor sea > 0,05 las cuales sern consideradas no
significativas y por lo tanto se considerar que no aportan poder explicativo al modelo
explicativo.
En base a lo anterior, inicialmente ordenare de menor a mayor grado de significancia las
variables cuyo sea > 0,05 y las ir
eliminando una por una en ese orden para ver el
comportamiento del modelo recalculando con la herramienta Excel los parmetros y valores
de la regresin;
dependiendo de las variaciones que pueda sufrir el modelo a medida que
voy omitiendo variables no significativas de acuerdo al valor del parmetro , vamos a

obtener al final el modelo que mejor represente el problema dado.
Los valores de los coeficientes y de Probabilidad obtenidos con la herramienta Excel
son los
siguientes: Como se puede apreciar el orden es: X4, X1, X2, X3, X5, X7, X8, X9 e intercepcin. Por lo
tanto se elimina la variable X4 para disear el modelo numero 1. Y se observan los resultados en la
tabla.4, 5 y 6.
0,28300
2
Coeficiente de determinacin R
0,0800
2
R ajustado
0,0687
Error tpico
8,3892
Observaciones
574
Tabla.4
Regresin
Residuos
Total
Grados
de
libertad
7
566
573
Coeficiente
s
Intercepcin
X1
X2
X3
X5
X7
X8
X9
43,2728
-0,0287
-1,5390
-0,0890
0,0603
0,4671
0,4585
0,0011
Anlisis de Varianza
Suma de
Promedio de
los
los
Valor
cuadrados
cuadrados
F
crtico de F
3468,3359
495,4766 7,0401 4,5418E-08
39834,8435
70,3796
43303,1794
Tabla.5
Error
tpico
2,2421
0,0509
0,8476
0,0585
0,1239
0,1365
0,1628
0,0004
Estadstic
o
t
19,3000
-0,5641
-1,8156
-1,5212
0,4871
3,4222
2,8162
2,4100
Tabla.6
Probabilida
d
3,7507E-64
0,5729
0,0700
0,1288
0,6264
0,0007
0,0050
0,0163
Inferio
r
95%
Superio
r
95%
38,8690
-0,1288
-3,2039
-0,2039
-0,1830
0,1990
0,1387
0,0002
47,6767
0,0713
0,1259
0,0259
0,3037
0,7353
0,7784
0,0019
Se mantiene el mismo orden de menor a mayor significancia: X5, X1, X2, X3, X7, X8, X9 e
intercepcin. Se elimina la siguiente variable de menor significancia para el modelo: X5.
Ejecuto nuevamente el anlisis en Excel para disear el segundo modelo numero 2. Que se puede
observar en la tabla.7, 8 y 9.
R2 ajustado
Error tpico
Observaciones
Tabla.7
0,2823
0,0797
0,0699
8,3836
574
Grados
de
libertad
Regresin
Residuos
Total
6
567
573
Anlisis de Varianza
Promedios
Valor
Suma de
de
crtico de
cuadrados
los
F
F
cuadrados
3451,6356
575,2726 8,1849 1,6585E-08
39851,5439
70,2849
43303,1794
Tabla.8
Coeficiente
Estadstic
Error
s
o
tpico
t
Probabilida
d
Intercepcin
42,8589
2,07
34
20,6704
3,6015E71
X1
-0,0243
0,05
01
-0,4852
0,6277
X2
-1,5770
0,84
35
-1,8696
0,0621
X3
-0,0647
0,03
05
-2,1212
0,0343
X7
0,4602
3,3922
0,0007
X8
0,4593
2,8227
0,0049
X9
0,0011
2,3932
0,0170
0,13
57
0,16
27
0,00
04
Inferio Superio
r
r
95%
95%
38,78
63
0,122
7
3,233
7
0,124
6
0,193
8
0,139
7
0,000
2
46,931
5
0,0741
0,0798
0,0048
0,7267
0,7789
0,0019
Tabla.9
Se sigue manteniendo el mismo orden de menor a mayor significancia: X1, X2, X3, X7, X8, X9 e
Ejecuto nuevamente el anlisis en Excel para disear el segundo modelo numero 3. Que se puede
observar en la tabla.10, 11 y 12.

R2 ajustado
Error tpico
Observaciones
Tabla.10
Regresin
Residuos
Total
Grados
de
libertad
5
568
573
Anlisis de Varianza
Suma de Promedios de
Valor
cuadrado
los
crtico de
s
cuadrados
F
F
3435,0885
687,0177
9,7879 5,5028E-09
39868,091
70,1903
43303,179
Tabla.11
Coeficiente
Estadstic
s
Error
o
tpico
t
Intercepcin
X2
X3
X7
X8
X9
42,6372
-1,5820
-0,0647
0,4568
0,4484
0,0010
0,28164
0,0793
0,0712
8,3779
574
2,0211
0,8429
0,0305
0,1354
0,1610
0,0004
Probabilida
d
Inferio Superio
r
r
95%
95%
21,0958 2,1869E-73 38,6674

-1,8769
0,0610 -3,2375
-2,1245
0,0341 -0,1246
3,3736
0,0008 0,1908
2,7842
0,0055 0,1321
2,3672
0,0183 0,0002
Tabla.12
46,6070
0,0735
-0,0049
0,7227
0,7647
0,0019
Continua mantenindose el mismo orden de menor a mayor significancia: X2, X3, X7, X8, X9 e
Ejecutndose nuevamente el anlisis en Excel para disear el segundo modelo numero 4. Que se
puede observar en la tabla.13, 14 y 15.
Coeficiente de correlacin
0,2713
mltiple
R2 ajustado
Error tpico
Observaciones
Tabla.13
Grados de
libertad
Regresin
Residuos
Total
4
569
573
Anlisis de Varianza
Promedios
de
los
Suma de
cuadrados cuadrados
40,0210
-0,0722
0,5363
0,5293
0,0012
3187,8216
796,9553 11,3040
40115,358
70,5015
43303,179
Tabla.14
Coeficiente
Estadstic
s
Error o
tpico
t
Intercepcin
X3
X7
X8
X9
0,0736
0,0671
8,3965
574
1,4668
0,0303
0,1289
0,1555
0,0004
27,2848
-2,3852
4,1614
3,4037
2,6495
Tabla.15
Probabilida
d
Valor
crtico de F
7,8220E-09
Inferio
r
95%
Superio
r
95%
1,935E-105 37,1400
0,0174 -0,1317
0,0000 0,2832
0,0007 0,2238
0,0083 0,0003
42,9019
-0,0127
0,7894
0,8347
0,0020
Modelos donde las variables independientes no son descartadas por la prueba t:

Variables
Intercepcin
X3
X7
X8
X9
Coeficientes
40,0210
-0,0722
0,5363
0,5293
0,0012
X 6 = b0 + b3X3 + b7X7 + b8X8 + b9X9

X 6 = 40,0210 0,0722 X3 + 0,5363 X7 + 0,5293 X8 + 0,0012 X9.
6.4 Realice un anlisis de residuos para el modelo final obtenido en la pregunta 6.3.
Observaci
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Pronstico X6
44,5361
43,6459
46,0078
41,5298
41,9334
44,6871
44,9326
40,7708
43,6597
42,3843
40,7245
42,1689
42,0738
42,7545
40,2930
40,1485
41,4237
40,7156
40,0221
40,2388
39,8777
43,5395
42,3460
46,4018
42,3246
39,9051
43,9463
44,3757
45,5437
Residuo
s Observacin Pronstico X6 Residuos
-4,5362
288
47,9808
8,0192
-7,6459
289
43,1908 -3,1908
-6,0078
290
43,2631 -3,2631
-1,5298
291
42,5136 -2,5136
-1,9334
292
42,1056
5,8944
-4,6871
293
42,8971 -2,8971
-4,9326
294
45,4449 -5,4449
-0,7708
295
43,4939 -3,4939
-3,6597
296
40,1060 -0,1060
-2,3843
297
44,1155 -8,1155
-0,7245
298
44,1761
3,8239
-2,1689
299
39,8458 -3,8458
-2,0738
300
40,5245 -0,5245
29,2455
301
45,6205 14,3795
-0,2930
302
44,4338 -4,4338
-0,1485
303
40,4129 -0,4129
-1,4237
304
46,8456 13,1544
14,2844
305
44,1155 -4,1155
-0,0221
306
44,0779
3,9221
-0,2388
307
39,5846
0,4154
0,1223
308
46,3254 -6,3254
-3,5395
309
45,8347 -5,8347
5,6540
310
43,8553 -3,8553
-6,4018
311
42,1112 -2,1112
-2,3246
312
44,0146 -4,0146
0,0949
313
44,2221 -4,2221
4,0537
314
44,9139 27,0861
-4,3757
315
43,7116
4,2884
-5,5437
316
45,1709
2,8291
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
44,3507 -4,3507
42,2563 -2,2563
42,8287 -2,8287
39,7765
0,2235
41,7157 -1,7157
41,9127 -1,9127
44,2746 -4,2746
41,6871 -1,6871
43,2997
4,7003
42,0505 -2,0505
45,8102 -5,8102
41,9859
6,0141
40,3978 -0,3978
45,0147
2,9853
40,6286 -0,6286
40,0508 -0,0508
41,4673 -1,4673
41,4566
6,5434
39,3286
0,6714
43,5813 -3,5813
44,3509 -4,3509
40,6115 -0,6115
44,2457
3,7543
41,8156
6,1844
38,9059 -2,9059
43,6535 -7,6535
43,7692 -3,7692
40,3068 -0,3068
43,6934
4,3066
39,4879
8,5121
44,0994 15,9006
42,0993 -2,0993
43,1767 -3,1767
39,7439 -3,7439
41,3080 -1,3080
38,4439 -13,4439
38,4597 -13,4597
41,4682 -1,4682
44,3202 -4,3202
43,7732 -3,7732
43,7257
4,2743
42,8424 -2,8424
43,9394 -3,9394
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
44,9246
3,0754
39,7597 -1,7597
41,6871 -1,6871
41,5543 -3,5543
38,9495 -0,9495
40,5850 -2,5850
42,4474 -2,4474
43,5091 -3,5091
42,9459 -4,9459
44,2787 -4,2787
44,5802 -4,5802
43,2861
2,7139
44,6228
3,3772
43,3563 12,6437
43,8764 -3,8764
46,0483 -6,0483
42,4894 -7,4894
44,3527 -4,3527
40,8856 31,1144
45,2631 26,7369
40,3968 -4,3968
38,6754 -14,6754
39,5301 -3,5301
44,1973
3,8027
46,4532 -6,4532
46,0289
1,9711
43,3095
4,6905
43,0098
4,9902
45,2628
2,7372
45,6942
2,3058
42,8302
2,1698
41,1380 -1,1380
41,2409 -1,2409
40,2714 -0,2714
39,2680 32,7320
44,1439
3,8561
45,5628
2,4372
42,8706 17,1294
44,5264
3,4736
44,3468
3,6532
44,6357
3,3643
45,3462 -5,3462
39,6588 -3,6588
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
46,7569 -22,7569
40,5868 -0,5868
42,5501
5,4499
45,1220 -3,1220
46,5865
1,4135
45,3579
2,6421
39,2384 -9,2384
45,0987
2,9013
45,5498
4,4502
42,3650 -2,3650
40,8168
7,1832
38,0245 28,9755
43,7604 -3,7604
40,5699 -0,5699
45,6952
2,3048
44,4675
3,5325
43,6298 16,3702
46,0800 -6,0800
44,9076
3,0924
45,1561 -5,1561
47,8143 -7,8143
44,8513 -4,8513
45,5401 -9,5401
41,1341 -1,1341
42,6135 -2,6135
42,4904
6,5096
40,7560
7,2440
39,8300
0,1700
44,3150 11,6850
43,3920
4,6080
43,5745 -3,5745
44,3856 -4,3856
38,8337
1,1663
42,5616 -2,5616
42,2805
5,7195
43,3357
4,6643
40,4809 -4,4809
43,6413 -3,6413
42,1757 -2,1757
42,3371 -2,3371
40,6273 -0,6273
41,4949 -1,4949
40,7708 -0,7708
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
41,8177
44,3427
46,5093
43,5435
42,2202
42,9742
46,5633
43,6387
44,0579
45,2143
42,7279
41,5405
42,2164
44,0039
38,7912
46,5037
43,3560
40,2662
45,8351
44,7059
45,3291
44,9691
45,0828
44,1155
45,9972
44,8098
42,7379
47,9102
44,5931
45,6042
44,0302
44,3467
43,2116
43,2489
45,8537
41,2828
39,1226
42,8377
44,6059
45,8840
42,1056
46,2435
46,8440
-1,8177
27,6573
25,4907
-3,5435
29,7798
-2,9742
1,4367
-3,6387
-4,0579
-5,2143
-2,7279
-1,5405
5,7836
3,9961
9,2088
-6,5037
6,6440
9,7338
2,1649
-4,7059
2,6709
-4,9691
2,9172
-4,1155
2,0028
-4,8098
5,2621
-7,9102
-4,5931
-5,6042
-4,0302
-4,3467
16,7884
-3,2489
-5,8537
6,7172
-3,1226
5,1623
3,3941
26,1160
5,8944
1,7565
25,1560
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
41,4952
45,2650
46,6946
43,0444
43,1166
39,4550
46,7300
40,6986
46,0684
44,4487
43,6777
44,6654
47,1900
41,2219
45,4677
46,6876
43,5024
42,7060
42,0777
45,6922
42,4320
45,9048
40,9014
42,7071
43,7736
45,6891
44,1705
42,6935
42,4298
47,0455
43,8029
39,7184
38,5884
44,6705
39,1374
43,6011
44,5061
44,6755
42,6714
44,3689
39,2671
38,6606
40,3832
-1,4952
2,7350
1,3054
-3,0444
-3,1166
0,5450
-6,7300
-0,6986
-6,0684
-4,4487
-3,6777
-8,6654
2,8100
14,7781
4,5323
1,3124
-3,5024
-2,7060
-2,0777
2,3078
-2,4320
2,0952
-0,9014
5,2929
4,2264
2,3109
3,8295
-5,6935
5,5702
0,9545
-3,8029
0,2816
1,4116
0,3295
0,8626
6,3989
-4,5061
-4,6755
-2,6714
3,6311
0,7329
1,3394
-0,3832
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
42,6695
44,1726
40,0476
40,4087
42,2965
45,7604
43,5332
43,8105
43,1130
43,5661
43,0309
44,9706
41,1905
41,9612
42,9676
44,5783
43,3296
43,8837
43,0742
44,4628
43,0267
43,7281
44,8094
41,1965
42,9535
43,6292
44,5572
45,4822
44,6640
44,7372
43,5559
45,2736
39,1671
43,4494
46,1653
43,0381
40,5999
47,1764
44,8236
45,2697
44,0855
44,0566
48,1301
5,3305
3,8274
-0,0476
-0,4087
5,7035
2,2396
4,4668
4,1895
4,8870
4,4339
4,9691
-4,9706
-1,1905
-1,9612
5,0324
-4,5783
4,6704
-3,8837
12,9258
3,5372
4,9733
12,2719
3,1906
14,8035
7,0465
-3,6292
11,4428
10,5178
11,3360
11,2628
4,4441
4,7264
-4,1671
1,5506
25,8347
6,9619
-0,5999
1,8236
-4,8236
1,7303
-8,0855
-1,0566
-0,1301
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
40,0476
39,9032
43,0412
40,3068
40,8885
43,0013
45,7518
43,7257
39,1948
42,3929
42,7006
44,7227
44,2024
45,0264
43,1190
41,9760
43,9847
43,2439
42,4894
44,6435
45,7507
49,0651
43,4069
43,2275
44,2586
42,0482
39,4312
39,4115
42,5389
42,3945
44,8959
47,1643
46,6886
44,9968
41,6110
47,2365
45,0069
43,9984
44,4318
44,9894
38,2442
45,6298
44,9117
9,9524
16,0968
16,9588
-0,3068
-0,8885
16,9987
-0,7518
-3,7257
0,8052
-6,3929
-12,7006
-14,7227
-14,2024
-15,0264
-3,1190
8,0240
-3,9847
4,7561
7,5106
15,3565
-5,7507
0,9349
-3,4069
6,7725
-4,2586
-2,0482
0,5688
0,5885
-2,5389
-2,3945
3,1041
12,8357
1,3114
3,0032
-1,6110
0,7635
2,9931
0,0016
-0,4318
15,0106
1,7558
-15,6298
11,0883
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
44,1517 27,8483
39,4421 -4,4421
51,6680 -9,6680
41,6394 -6,6394
45,1174 -5,1174
39,7745
0,2255
40,6413 -0,6413
45,4024 -1,4024
43,0231 -7,0231
43,8923 -3,8923
44,8672 -4,8672
45,0413 -5,0413
44,8968 -4,8968
44,7227 -4,7227
45,0838 -5,0838
43,6035 -3,6035
44,4701 -4,4701
43,9646 -3,9646
46,3699
3,6301
39,4837 -3,4837
43,0778 -3,0778
40,0476 -0,0476
43,8702 -13,8702
40,2059 -5,2059
40,2662
9,7338
43,9124
6,0876
42,3954 -2,3954
44,5924 15,4076
45,2431 -5,2431
45,8963
2,1037
45,2097 -1,2097
43,5813 -3,5813
41,2087 -1,2087
39,6175 -4,6175
43,1712 -8,1712
39,2532 -14,2532
39,0365 -14,0365
41,7564 -1,7564
43,3944 -3,3944
43,4973 -3,4973
42,2351
1,7649
42,4803 -2,4803
39,9051 -4,9051
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
44,7801
44,5264
38,3717
47,1584
46,7636
45,6695
41,2353
36,5514
39,1661
39,7597
39,2415
39,8013
38,5300
44,7801
43,1394
41,6286
43,9666
44,9479
45,2710
44,5983
44,2596
44,9650
43,1279
44,9594
44,4539
49,7604
49,5873
42,0933
43,9170
38,8050
45,2170
39,7152
45,6764
44,9706
48,2733
46,6194
44,4338
42,5042
43,2126
43,9486
41,6871
44,9020
45,3727
0,2199
3,4736
-2,3717
-2,1584
1,2364
2,3305
-1,2353
3,4486
0,8339
0,2403
0,7585
0,1987
1,4700
15,2199
28,8606
6,3714
-8,9666
-19,9479
-5,2710
3,4017
-0,2596
-34,9650
-3,1279
3,0406
3,5461
6,2396
8,4127
17,9067
-3,9170
1,1950
17,7830
-11,7152
-5,6764
3,0294
-8,2733
-6,6194
-4,4338
-6,5042
16,7874
-28,9486
-1,6871
-4,9020
-5,3727
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
39,8925
41,4217
37,3755
38,8347
41,4397
40,4107
46,0931
44,4190
42,6570
43,9909
44,1353
42,7869
43,1480
43,2783
46,3699
44,3642
44,4954
47,4425
46,3583
46,7724
44,9994
45,7742
43,2120
44,9691
41,6149
42,7783
46,9966
43,9569
41,6227
43,2116
43,2116
40,1050
40,2781
38,9229
38,0254
46,8161
46,3721
44,6817
45,7179
45,1402
44,2237
47,0210
47,5265
0,1075
-1,4217
-12,3755
-13,8347
3,5603
-0,4107
-1,0931
-4,4190
-2,6570
-3,9909
-4,1353
-2,7869
-3,1480
4,7217
-6,3699
-0,3642
27,5046
-17,4425
25,6417
1,2276
-4,9994
-5,7742
0,7880
-0,9691
-16,6149
-12,7783
1,0034
-3,9569
6,3773
10,7884
10,7884
-0,1050
-0,2781
1,0771
-5,0254
-6,8161
1,6279
-4,6817
-5,7179
2,8598
-4,2237
-7,0210
-7,5265
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
44,5061
38,7328
44,9323
45,6121
43,6420
43,2772
44,1291
42,8241
40,3365
44,8098
46,0109
43,7831
42,5968
44,0271
42,0263
44,6049
40,8471
41,0223
44,6346
44,5528
43,7274
44,4912
44,7376
44,5635
45,3993
45,5872
44,0380
41,8542
45,8876
40,8885
43,9585
44,0931
43,0470
43,6968
46,0502
40,3217
39,3838
40,0080
43,7544
43,4172
41,9838
46,7777
42,8156
-4,5061
1,2672
15,0677
2,3879
-1,6420
-3,2772
3,8709
5,1759
-15,3365
-4,8098
1,9891
-3,7831
-2,5968
-4,0271
-2,0263
3,3951
7,1529
6,9777
-4,6346
-9,5528
-3,7274
-4,4912
-4,7376
-4,5635
-3,3993
2,4128
-4,0380
-17,8542
-15,8876
-10,8885
6,0415
5,9069
-3,0470
-3,6968
1,9498
-15,3217
-14,3838
-0,0080
-3,7544
-18,4172
-6,9838
19,2223
-2,8156
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
48,1765
41,8889
40,9915
50,2517
43,5947
50,3055
50,5222
40,0369
46,5261
39,3976
44,4774
44,8130
41,6360
46,0567
46,6481
44,7370
39,3286
41,6425
41,8394
41,8879
42,0323
44,1450
43,0668
45,7854
41,4253
43,5005
43,6449
44,9650
44,6398
43,8738
41,2785
44,2043
44,1013
40,6849
41,6587
43,1569
46,2574
47,5850
43,7463
44,4546
42,6283
47,7686
43,2337
-8,1765
-1,8889
3,0085
-10,2517
-3,5947
-2,3055
-2,5222
-0,0369
13,4739
-14,3976
3,5226
3,1870
6,3640
-6,0567
-6,6481
0,2630
0,6714
-1,6425
-25,8394
3,1121
2,9677
0,8550
-3,0668
-5,7854
-1,4253
-27,5005
-27,6449
-28,9650
0,3602
-8,8738
14,7215
11,7957
15,8987
3,3151
3,3413
4,8431
1,7426
0,4150
1,2537
0,5454
-2,6283
0,2314
4,7663
Se presentan a continuacin los Anlisis de residuos y sus respectivos anlisis

Ecuacin del modelo:
X 6 = b0 + b3X3 + b7X7 + b8X8 + b9X9
X 6 = 40,0210 0,0722 X3 + 0,5363 X7 + 0,5293 X8 + 0,0012 X9.
Pronosticos Para Y:
El primer valor que aparece en la columna Pronstico para Y de la tabla es de 44,5362 y se

obtiene aplicando la formula como sigue:
X 6 = 40, 0209 0, 07222 * 31 + 0, 5363 * 1 + 0, 5292 * 3 + 0, 0011 * 4000 = 44, 5362
El segundo valor que aparece en la columna Pronstico para Y de la tabla es de 43,6458 y

se obtiene aplicando la formula como sigue:
X 6 = 40,0209 0,07222 * 40 + 0,5363 * 2 + 0,5292 * 7 + 0,0011 * 1.500 = 43,6458.
El tercer valor que aparece en la columna Pronstico para Y de la tabla es de 46,0077 y se

X 6 = 40,0209 0,07222 * 37 + 0,5363 * 6 + 0,5292 * 7 + 0,0011 * 1.500 = 46,0077.
El cuarto valor que aparece en la columna Pronstico para Y de la tabla es de 41,5297 y se

X 6 = 40,0209 0,07222 * 48 + 0,5363 * 2 + 0,5292 * 3 + 0,0011 * 2.000 = 41,5297
El quinto valor que aparece en la columna Pronstico para Y de la tabla es de 41,9334 y se

X 6 = 40,0209 0,07222 * 36 + 0,5363 * 2 + 0,5292 * 3 + 0,0011 * 1.600 = 41,9334
Anlisis de residuos:
El primer valor que aparece en la columna de los residuos de la tabla es de - 4,5362 y se

R = X 6 X 6 = 40 44.5361 = - 4,5362
El segundo valor que aparece en la columna de los residuos de la tabla es de -7,6459 y se

R = X 6 X 6 = 36 - 43,6458 = -7,6459
El tercer valor que aparece en la columna de los residuos de la tabla es de -6,0078 y se

R = X 6 X 6 = 40 - 46,0077 = -6,0078
El cuarto valor que aparece en la columna de los residuos de la tabla es de -1,5298 y se

R = X 6 X 6 = 40 - 41,52977208 = - 1,5298
El quinto valor que aparece en la columna Pronstico para Y de la tabla es de -1,9334 y se

R = X 6 X 6 = 40 - 41,9334 = -1,9334
Y todas las dems se obtienen de manera similar.
6.5 Explique los fundamentos tericos que justifican o no, todos los pasos seguidos desde el
tem 6.1 hasta el tem 6.4.
Coeficiente de correlacin Mltiple:
Se define como un procedimiento mediante el cual se trata de determinar si existe o no
relacin de dependencia entre dos o ms variables. Es decir, conociendo los valores de una variable
independiente, se trata de estimar los valores, de una o ms variables dependientes.
Este tipo se presenta cuando dos o ms variables independientes influyen sobre una variable
dependiente. Ejemplo: Y = f(x, w, z). La regresin en forma grafica, trata de lograr que una
dispersin de las frecuencias sea ajustada a una lnea recta o curva.
Coeficiente de Determinacin:
Es denotado por R2 es igual a la suma de los cuadrados de regresin dividido entre la suma
de cuadrados total:
SCR
SCT
Donde, SCR representa la suma de cuadrados de regresin, y SCT, sumas de cuadrados total.
R2 =
Coeficiente de determinacin R2:

Procura contrarrestar la incorporacin de alguna variable absurda sin un poder realmente
explicativo al modelo, es una correccin de honestidad que nos castigara cuando se introduzcan
variables innecesarias en el modelo. Esto se hace en base al nmero de observaciones y de
variables independiente. Se interpreta como el porcentaje de la variacin de la variable repuesta
explicada por el modelo para, considerar los modelos lineales como validos. A la medida que el
numero de variables se incrementa, se puede aumentar (artificialmente R^2), incluso una variable
que no tenga relacin con el estudio o el modelo a considerar. Este estadstico se ajusta a la medida
del nmero de grados de libertad.
Coeficiente de Regresin:
Describe la intensidad de la relacin entre dos conjuntos de variables de nivel de intervalo.
Es la medida de la intensidad de la relacin lineal entre dos variables. El valor del coeficiente de
correlacin puede tomar valores desde menos uno hasta uno, indicando que mientras ms cercano a
uno sea el valor del coeficiente de correlacin, en cualquier direccin, ms fuerte ser la asociacin
entre las variables. Mientras ms cercano a cero sea el coeficiente de correlacin indicar que ms
dbil es la asociacin entre las variables. Si es igual a cero se concluir que no existe relacin lineal
alguna entre ambas variables. En otras palabras dicho coeficiente Indica el nmero de unidades en
que se modifica la variable dependiente "Y" por efecto del cambio de la variable independiente "X"
o viceversa en una unidad de medida
Clases de coeficiente de Regresin:
El coeficiente de regresin puede ser: Positivo, Negativo y Nulo.
Es positivo cuando las variaciones de la variable independiente X son directamente proporcionales
a las variaciones de la variable dependiente "Y".
Es negativo, cuando las variaciones de la variable independiente "X" son inversamente
Proporcionales a las variaciones de las variables dependientes "Y".
Es nulo o cero, cuando entre las variables dependientes "Y" e independientes "X" no existen
relacin alguna.
Ecuacin de Regresin:
Es una ecuacin que define la relacin entre dos variables.
Ecuacin de regresin Lineal: Y = a + Bx
Ecuacin de regresin Lineal Mltiple: Y = a + b1X1 + b2X2 + b3X3
Estadstico (muestral).
Es una medida cuantitativa, derivada de un conjunto de datos de una muestra, con el
objetivo de estimar o inferir caractersticas de una poblacin o modelo estadstico.
Error tpico.
Mide los grados de dispersin de los valores Yi alrededor de la recta de regresin. Mide la
variacin de los puntos de datos por encima y por debajo de la recta de regresin. Refleja la
tendencia a desviarse del valor real de Y cuando se utiliza el modelo de regresin para fines
predictivos.
Estadstico T:
Los valores de los estadsticos t son tiles para probar la hiptesis de los coeficientes.
El anlisis de varianza:
Se basa en una comparacin de la cantidad de variacin en cada uno de los tratamientos. Si
de un tratamiento al otro la variacin es significativamente alta, puede concluirse que los
tratamientos tienen efectos diferentes en las poblaciones.
El anlisis de los residuos.

De la misma manera que en la regresin lineal simple, los residuos del modelo de
regresin lineal mltiple tienen un papel importante a la hora de determinar la adecuacin del
modelo.
En el caso de regresin lineal mltiple es habitual construir dos tipos de grficos:
1. Grfico de residuos frente a valores estimados: representamos en el eje de ordenadas los
valores de los residuos y en el eje de abscisas, los valores estimados, de manera que la nube de
puntos no debe tener ningn tipo de estructura y es cercano al eje de abscisas.
2. Grfico de residuos frente a variables explicativas: representamos sobre el eje de

ordenadas los valores de los residuos y sobre el eje de abscisas, los valores observados de la
variable explicativa. Tenemos un grfico de este tipo para cada una de las variables explicativas.
Los residuos siempre deben estar distribuidos al azar alrededor del cero.
Grados de libertad:
Se define como el numero N de observaciones independientes es decir el tamao de muestra menos
el numero k de los parmetros poblacionales que tienen que ser estimados a partir de observaciones
mustrales: V = N K
Mtodo de los mnimos cuadrados

Este mtodo consiste en encontrar la recta que hace mnima la suma de los residuos al cuadrado. En
el caso que ahora nos ocupa, procederemos de una forma muy similar. Buscaremos la suma de los
residuos al cuadrado y despus determinaremos los parmetros del modelo que hacen que esta
suma tenga un valor mnimo.
Observaciones:
Es el nmero de datos considerados para la realizacin del modelo de regresin lineal
mltiple.
Probabilidad.
Mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un
experimento
aleatorio,
del
que
condiciones suficientemente estables.
se
conocen
todos
los
resultados
posibles,
bajo
CONCLUSIONES.
El proceso de regresin es de gran utilidad en las operaciones estadsticas ya que permite

verificar las relaciones entre las variables.
La Inferencia Estadstica se encarga del estudio de los mtodos para la obtencin del
modelo de probabilidad (forma funcional y parmetros que determinan la funcin de

distribucin) que sigue una variable aleatoria de una determinada poblacin, a travs de una
muestra (parte de la poblacin) obtenida de la misma.
Estas inferencias pueden tomar la forma de respuestas a preguntas si/no (prueba de

hiptesis), estimaciones de caractersticas numricas (estimacin), pronsticos de futuras
observaciones, descripciones de asociacin (correlacin) o modela miento de relaciones
entre variables (anlisis de regresin).
Una vez estimado el modelo de regresin, estamos interesados en poder aplicarlo en vista
que la estadstica juega un papel muy importante en nuestras vidas, ya que actualmente sta
se ha convertido en un mtodo muy efectivo para describir con mucha precisin los valores
de datos econmicos, polticos, sociales, psicolgicos, biolgicos y fsicos, adems, sirve

como herramienta para relacionar y analizar dichos datos.
En este trabajo de regresin lineal mltiple, he visto cmo se debe hacer inferencia sobre
los coeficientes de la regresin obtenidos a partir de la muestra, en particular cmo analizar
la relacin entre dos variables y como hacer un contraste de hiptesis para cada uno de los
coeficientes obtenidos para decidir si las variables X explica realmente el comportamiento
de la variable Y se puede prescindir de algunas de ellas
REFERENCIAS.
Berenson, Mark L. (2001). Estadstica para Administracin. Segunda Edicin. Pearson Educacin,
Mxico.
Noguera, Gilberto. Elementos de Excel para la Estadstica. Caracas, Venezuela: Universidad
Nacional Abierta.
Spiegel, Murray R., Shiller John y Alu Srinivasan R; Probabilidad Estadstica; Serie S Schaum,
Mxico 2.003.
Walpole Ronald E. (2004). Probabilidad y Estadstica para Ingenieros. Caracas Venezuela.
Webster, Allen (2001). Estadstica aplicada a los negocios y a la economa (3ra. Edicin). Bogot,
Colombia: McGraw-Hill.
INDICE.
Introduccin01
Metodologa02
Objetivo 6...05
6.1. Verificar que la data suministrada permite obtener el siguiente Modelo de regresin
Lineal mltiple...05
6.2.
Explicar, para el modelo que corresponda segn su cedula de Identidad, los

Resultados obtenidos en las tablas: de Estadstica de la regresin y Anlisis
De Varianza, adems los resultados obtenidos en las columnas 2, 3, 4 y 5
De la ltima Tabla tomadas de izquierda derecha.............................................................06
6.3. Siga la siguiente secuencia de pasos:
Paso1: Obtener un nuevo modelo partiendo del modelo de la pregunta 6.1

que le corresponda, eliminando la variable independiente que menos explica
a la variable dependiente, segn la prueba T.

Paso2: Repita el procedimiento del Paso 1 considerando el nuevo modelo,
hasta obtener un modelo en el cual las variables independientes no sean
descartadas por la prueba T..13
6.4 Realice un anlisis de residuos para el modelo final obtenido en la pregunta 6.3.18
6.5 Explique los fundamentos tericos que justifican o no, todos los pasos seguidos
desde el tem 6.1 hasta el tem 6.4.....27
Conclusiones...31
Referencias.....32
RESUMEN.
De acuerdo con el planteamiento del problema el presente trabajo es representativo de un

anlisis de correlacin mltiple basado en un modelo de Regresin, el cual fue realizado con datos
especficos de un grupo de 574 jefes de familias de la comunidad activos laboralmente. Los datos
estadsticos fueron colocados en el programa Excel para registrarlos adecuadamente para poder
realizar el anlisis de la base de datos para obtener los resultados, se desarrollo el anlisis de los
coeficientes de determinacin para verificar el grado de dependencia de la variable X6 con las
variables independientes dadas en cada uno de los modelos. Una vez determinado El anlisis de
varianza (ANOVA) me llev a determinar mediante prueba de hiptesis la relacin existente
entre las variables independientes que estn relacionadas entre s. Vale destacar, que se utilizaron
como parmetros: un nivel de significancia del 5% y un nivel de confianza del 95% fijado en
Excel. La intencin es evaluar cul de los modelos se adapta mejor al conjunto de datos obtenidos
de una muestra de la poblacin y adicionalmente establecer la posible relacin que existe entre las
diferentes variables dadas.

Trabajo Estadística Aplicada

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Trabajo Estadística Aplicada

Caricato da

Copyright:

Formati disponibili

INTRODUCCIN.

La Regresin Lineal Mltiple, es una tcnica que intenta modelar probabilsticamente el

la conformacin de las variables dependientes como de las

X1: Lugar de nacimiento.

(17) Nueva Esparta

(10) Delta Amacuro

X3: Edad en aos

El anlisis de varianza (Anova):

Pruebas individuales para los coeficientes de regresin parcial:

Valor de t para X5:

Valor de Se para X2:

Valor de Se para X9:

Valor de estadstico t para X4

6.3. Siga la siguiente secuencia de pasos:

eliminando una por una en ese orden para ver el

dependiendo de las variaciones que pueda sufrir el modelo a medida que

voy omitiendo variables no significativas de acuerdo al valor del parmetro , vamos a

Coeficiente de correlacin mltiple

21,0958 2,1869E-73 38,6674

Modelos donde las variables independientes no son descartadas por la prueba t:

X 6 = b0 + b3X3 + b7X7 + b8X8 + b9X9

Se presentan a continuacin los Anlisis de residuos y sus respectivos anlisis

El primer valor que aparece en la columna Pronstico para Y de la tabla es de 44,5362 y se

El segundo valor que aparece en la columna Pronstico para Y de la tabla es de 43,6458 y

El tercer valor que aparece en la columna Pronstico para Y de la tabla es de 46,0077 y se

El cuarto valor que aparece en la columna Pronstico para Y de la tabla es de 41,5297 y se

X 6 = 40,0209 0,07222 * 48 + 0,5363 * 2 + 0,5292 * 3 + 0,0011 * 2.000 = 41,5297

El quinto valor que aparece en la columna Pronstico para Y de la tabla es de 41,9334 y se

El primer valor que aparece en la columna de los residuos de la tabla es de - 4,5362 y se

El segundo valor que aparece en la columna de los residuos de la tabla es de -7,6459 y se

El tercer valor que aparece en la columna de los residuos de la tabla es de -6,0078 y se

El cuarto valor que aparece en la columna de los residuos de la tabla es de -1,5298 y se

El quinto valor que aparece en la columna Pronstico para Y de la tabla es de -1,9334 y se

Coeficiente de determinacin R2:

Ecuacin de regresin Lineal Mltiple: Y = a + b1X1 + b2X2 + b3X3

El anlisis de los residuos.

2. Grfico de residuos frente a variables explicativas: representamos sobre el eje de

Mtodo de los mnimos cuadrados

condiciones suficientemente estables.

El proceso de regresin es de gran utilidad en las operaciones estadsticas ya que permite

modelo de probabilidad (forma funcional y parmetros que determinan la funcin de

Estas inferencias pueden tomar la forma de respuestas a preguntas si/no (prueba de

de datos econmicos, polticos, sociales, psicolgicos, biolgicos y fsicos, adems, sirve

Explicar, para el modelo que corresponda segn su cedula de Identidad, los

6.3. Siga la siguiente secuencia de pasos:

Paso1: Obtener un nuevo modelo partiendo del modelo de la pregunta 6.1

a la variable dependiente, segn la prueba T.

De acuerdo con el planteamiento del problema el presente trabajo es representativo de un

Potrebbero piacerti anche