Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
El promotor inmobiliario seecciona al azar una muestra de 11 edificios de oficinas entre 1500 edificios y obtien
Superficie
X1
2310
2333
2356
2273
2402
2425
2448
2471
2494
2517
2540
Oficinas
X2
2
2
3
3
2
4
2
2
3
4
2
Accesos
X3
2
2
1
2
3
2
1
2
3
4
3
Antigedad
X4
20
12
33
40
53
23
99
34
23
55
22
$
$
$
$
$
$
$
$
$
$
$
Valor
Y
142,000.00
144,000.00
151,000.00
360,000.00
139,000.00
169,000.00
126,000.00
142,000.00
163,000.00
189,000.00
149,000.00
Yi
Residuo
Estatura
X1
158
152
168
159
158
164
156
167
L-rostro
X2
39
38
43
40
41
40
41
44
Pie
X3
36
34
39
36
36
36
36
37
L-brazo
X4
68
66
72.5
68.5
68.5
71
67
73
A-espalda
X5
43
40
41
42
44
44.5
36
41.5
D-craneo
X6
55
55
54.5
57
57
54
56
58
Peso
Y
43
45
48
49
50
51
52
52
En base a estos datos, vamos a construir un modelo para predecir el peso de una persona (Y). Esto
equivale a estudiar la relacin existente entre este conjunto de variables y la variable peso (Y).
Yi
Residuo
Remuneracion por
horas
( en dolares)
Y
2.19
2.26
2.32
2.39
2.46
2.53
2.61
2.72
2.83
3.01
3.19
3.36
3.56
Tasa de desemleo
Tiempo
(en aos)
( en %)
X1
6.1%
6.2%
7.8%
5.8%
5.7%
5.0%
4.0%
3.2%
3.6%
3.3%
3.3%
5.6%
6.8%
X2
1
2
3
4
5
6
7
8
9
10
11
12
13
Yi
2.066020217
2.190139029
2.394658578
2.406216359
2.519615072
2.600853492
2.666011763
2.741890133
2.882089093
2.984767709
3.103526472
3.345566365
3.528645718
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones
0.989048863
0.978217653
0.973861184
0.070921167
13
ANLISIS DE VARIANZA
Grados de libertad
Regresin
Residuos
Total
Intercepcin
Variable X 1
Variable X 2
2
10
12
Suma de cuadrados
2.258824958
0.050298119
2.309123077
Coeficientes
1.620298456
5.36004914
0.118758763
Error tpico
0.103614576
1.511880117
0.005828531
Y=a+bx+cx2
A
1.620298456
B
5.36004914
C
0.118758763
Residuo
0.12
0.07
-0.07
-0.02
-0.06
-0.07
-0.06
-0.02
-0.05
0.03
0.09
0.01
0.03
0.00
F
Valor crtico de F
224.5436796
4.90369E-09
Estadstico t
Probabilidad
15.63774629 2.34186E-08
3.545287142 0.005309768
20.37541882 1.78917E-09
Inferior 95%
Superior 95% Inferior 95.0%
1.389430793 1.851166119
1.389430793
1.991370311 8.728727969
1.991370311
0.105771986
0.13174554
0.105771986
Superior 95.0%
1.851166119
8.728727969
0.13174554
Una empresa Constructora de Caminos presentan gastos enormes por concepto de consumo de petroleo. Realizando un
al dia (en litros)eran:
1. El numero de horas-maquinas trabajas durante el dia.
2. La distancia recorrida por los transportes realizados durante el dia (km).
3. El rendimiento promedio de los motores que se utilizan en la faena diaria (en horas por litro).
Consumo diario
de petroleo
Distancia de
transporte
Rendimiento
promedio de motores
Y
320
200
785
376
2405
893
1930
8010
1540
X1
20
10
50
22
120
40
93
380
75
X2
630
398
1395
720
4230
1750
4000
15790
3080
X3
2.4
4.0
1.8
2.6
0.6
0.1
0.05
0.01
0.04
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones
0.999811895
0.999623825
0.999398119
59.86706898
9
ANLISIS DE VARIANZA
Grados de libertad
Regresin
Residuos
Total
Intercepcin
Variable X 1
Variable X 2
Variable X 3
3
5
8
Suma de cuadrados
47620301.23
17920.32974
47638221.56
Coeficientes
-25.30224262
11.30836815
0.237051239
-4.917096501
Error tpico
42.88262775
2.767398062
0.066274845
17.23269692
mo de petroleo. Realizando un analisis, se concluy que los tres factores que mas inciden en el consumo de petroleo
Yi
338.4063696
162.4594462
861.9518702
381.3742981
2331.47842
841.3804426
1974.335098
8014.867553
1552.746502
Residuo
-18.41
37.54
-76.95
-5.37
73.52
51.62
-44.34
-4.87
-12.75
0.00
A
-25.30224262
B
11.30836815
F
Valor crtico de F
4428.889973
5.59046E-09
Estadstico t
Probabilidad
-0.590034798 0.580822161
4.086281734
0.00948129
3.576790539 0.015928825
-0.285335286 0.786829464
Inferior 95%
Superior 95% Inferior 95.0%
-135.5355466 84.93106133 -135.5355466
4.194544963 18.42219135
4.194544963
0.066686326 0.407416152
0.066686326
-49.21515418 39.38096118 -49.21515418
mo de petroleo
C
0.237051239
Superior 95.0%
84.93106133
18.42219135
0.407416152
39.38096118
D
-4.9170965
MUESTRAS
ANTIGEDAD
VALOR
X1
1
2
3
4
X2
8
10
3
7
Yi
37
47
21
39
Y
0.000000
0.000000
0.000000
0.000000
ERROR
A
195.273207
Oficinas
x1
B
9223.027399
Superficie
x2
C
386.828861
D
6022.39406
Entradas
x3
Antigedad
x4
E
182.7113536
Valor
Yi
1
2
3
4
5
6
7
8
9
10
1420000
5
8
7
3
6
6
2
9
6
5
231
233
236
239
242
225
248
241
244
251
2
1
8
5
5
6
4
3
1
9
1420000
1440000
1510000
1500000
1390000
1690000
1260000
1429000
1630000
1690000
n analisis de regresion lineal multiple para minimizar el valor de las muestras de medicamentos en una a
Y = a +bX1 + cX2+u
ERROR^2
ERROR
ERROR^2
Y = a +bX1 + cX2 + d
1402890.895 17109.1049
1425136.486 14863.5141
1453318.846 56681.1539
1478513.606 21486.3939
1506964.302 -116964.302
1413989.342 276010.658
1559814.695 -299814.695
1529406.054 -100406.054
1555170.355 74829.6454
1607625.002 82374.9976
292721469.07
220924051.82
3212753210.17
461665120.78
13680648013.60
76181883295.17
89888851133.31
10081375743.92
5599475829.93
6785640232.44
206405938100
Y = a +bX1 + cX2 + d