Supongamos que un promotor inmobiliario se dispone a adquirir un conjunto de pequeos edificios de oficinas

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

queos edificios de oficinas en un districto comercial establecido.

ntre 1500 edificios y obtiene los siguientes datos:

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

En un cierto pais se tienen datos de la remuneracion media por hora y la tasa de

desempleo entre los aos 1968 y 1980, inclusive lo que se muestra a continuacin:

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

Promedio de los cuadrados

1.129412479
0.005029812

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

Numero de horas- maquina

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

Promedio de los cuadrados

15873433.74
3584.065949

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

REGRESION LINEAL MULTIPLE

SOLVER

Un promotor farmaceutico podria utilizar un analisis de regresion lineal multiple para

determinada basandose en las variables siguientes:

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

Suponga que un programador comercial est pensando en adquirir un grupo de peq

El programador puede utilizar el anlisis de regresin lineal mltiple para estimar el
las variables siguientes:
Yi = Valor tasado del edificio de oficina
X1 = Numero de oficinas
X2 = Superficie en metro cuadrados
X3 = Numero de accesos
X4 = Antiguedad del edificio en aos

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

LINEAL MULTIPLE UTILIZANDO

SOLVER

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

t pensando en adquirir un grupo de pequeose dificios de oficinas en un distrito come

e regresin lineal mltiple para estimar el valorde un edificio de oficinas en un rea determinada basnd

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

edicamentos en una area

un distrito comercial conocido.

a determinada basndose en

Y = a +bX1 + cX2 + dX3 + eX4 + u

Y = a +bX1 + cX2 + dX3 + eX4 + u