DATOS DE LOS ESTUDIANTES DEL GRUPO

Nombres Apelldios Identificación

1
2
3
4
5
6
La Bradford Electric Illuminating Company estudia la relación entre kilowatts-hora (miles) consumidos y el número
de habitaciones de una residencia privada familiar. Una muestra aleatoria de 10 casas reveló lo siguiente.
a) Determine la ecuación de regresión.
b) Encuentre el número de kilowatts-hora, en miles, de una casa de seis habitaciones.

12

10 R² = 0.8168498168

2
X Y (Xi - x) (Yi - y) (Xi - x)2 (Yi - y)2 (Xi - x)(Yi - y)
0
12 9
4 6 8 10 12 14
9 7
14 10
6 5
10 8
8 6
10 8

10 10

5 4

7 7

R: el numero de kw hora es de 5.329 para una casa de 6 habitaciones

a (miles) consumidos y el número
casas reveló lo siguiente.

ones.

12

10 R² = 0.8168498168

6 Column C
Linear (Column C)
4

0
4 6 8 10 12 14 16

y=0,666x+1,33
modelo de regresion lineal simple
y=0,666(6)+1,333
y=3,996+1,333
y=5,329 valor kw/h para las 6 habitaciones
5329
El señor James McWhinney, presidente de Daniel-James Financial Services, considera que hay
una relación entre el número de contactos con sus clientes y la cantidad de ventas. Para probar
esta afirmación, el señor McWhinney reunió la siguiente información muestral. La columna X indica el
número de contactos con sus clientes el mes anterior, mientras que la columna Y indica el
valor de las ventas (miles de $) el mismo mes por cada cliente muestreado.
a) Determine la ecuación de regresión.
b) Encuentre las ventas estimadas si se hicieron 40 contactos.

n. contactventas en miles y
14 24 n
12 14 ∑(X*Y)
20 28 ∑(X)
16 30 ∑(Y)
46 80 ∑(X2)
23 30 ∑(X)2
48 90
50 85
55 120
50 110

X Y X2 Y2 X*Y Ў (Y-ЎЎ )2 x
14 24 196 576 336 y
12 14 144 196 168
20 28 400 784 560
16 30 256 900 480
46 80 2116 6400 3680
23 30 529 900 690
48 90 2304 8100 4320
50 85 2500 7225 4250
55 120 3025 14400 6600
50 110 2500 12100 5500
334 611 13970 51581 26584
10 n 10
valor kw/h para las 6 habitacio ∑(Y) 611.0
334.0 b #VALUE!
611.0 ∑(X) 334.0
13970.0
111556
140 a

120

100 R² = 0.9513313169

80
Column B
60 Linear (Column B)

40

20

0
0 10 20 30 40 50 60
Haverty’s Furniture Company estudió la relación entre las ventas y la cantidad que gastaba en
publicidad. La información de las ventas de los cuatro últimos meses se repite a continuación.

Determine la ecuación de regresión.

b) Interprete los valores de a y b.
c) Estime las ventas cuando se gastan $3 millones en publicidad.

12
GANANCI
10 AS POR
R² = 0.9307692308 VENTAS
8
GASTOS EN (MILLON
PUBLICIDAD ES DE
Column I (MILLONES DE DOLARES
6
Linear (Column MES DOLARES) )
4 I) JULIO 2 7
AGOSTO 1 3
2 SEPTIEMBR 3 8
0 OCTUBRE 4 10
0.5 1 1.5 2 2.5 3 3.5 4 4.5

y= 2,2X+1,5 ECUACION DE REGRESION

y= 2,2(3)+1,5
y= 6,6+1,5
R:/ Las ventas eh estimada con ungasto de publicadad equivalente
y= 8,1 a 3 millones de dolares sera de 8.100.000 en millones de dolares
8100000
Resumen

Estadísticas de la regresión
Coeficiente de correlación mú 0.95916
Coeficiente de determinació 0.919988
R^2 ajustado 0.915884
Error típico 2.076396
Observaciones 42

ANÁLISIS DE VARIANZA
Grados deSuma
libertad
de
Promedio
cuadrados
de los cuadrados
F Valor crítico de F
Regresión 2 1933.344 966.6722 224.212 4.09E-22
Residuos 39 168.1454 4.31142
Total 41 2101.49

Coeficientes
Error típico
EstadísticoProbabilidad
t Inferior 95%
Superior 95%
Inferior 95,0%
Superior 95,0%
Intercepción -82.9979 10.26851 -8.08276 7.34E-10 -103.768 -62.2279 -103.768 -62.2279
Variable X 1 -0.40808 0.80109 -0.50941 0.613339 -2.02844 1.212278 -2.02844 1.212278
Variable X 2 88.85167 12.87442 6.901409 2.93E-08 62.81069 114.8926 62.81069 114.8926
Superior 95,0%
Según la base de datos suministrada y el trabajo de investigación de las diferentes instituciones educativas, se identificaron
42 estudiantes. ¿Cuál es el coeficiente de correlación entre las variables? ¿Qué se concluye según el grado de correlación
estatura de un estudiante con una edad de 14 años y una estatura de 156 cm?

x1 x2 y
ESTUDIANTES EDAD ESTATURA PESO
1 9 1.32 33.2
2 7 1.22 25.0
3 8 1.26 26.2
4 10 1.39 34.1
5 8 1.25 23.2

Y
6 11 1.43 39.5
7 11 1.45 47.9
8 9 1.34 30.2

9 7 1.20 23.1 y= -82,998+-0,408X1+88,852X2

10 11 1.40 36.2 y= -82,998+-0,408(14)+88,852(1,56)

11 8 1.26 26.4 Y= 49.89912
12 8 1.25 24.0
13 11 1.42 39.4
14 8 1.27 25.6 el peso para un estudiante que t
15 10 1.35 34.1 14 años años y mida 1,56 cm es
16 10 1.35 36.5 49, 9 kg aproximadamente
17 11 1.42 33.5
18 7 1.20 22.6
19 11 1.41 39.2
20 8 1.26 25.0
21 8 1.25 24.9
22 11 1.40 39.2
23 9 1.31 30.2
24 9 1.32 30.4
25 9 1.32 30.6
26 10 1.39 34.9
27 8 1.24 23.9
28 11 1.45 39.2
29 8 1.26 24.9
30 8 1.26 25.0
31 9 1.35 30.1
32 8 1.27 26.3
33 11 1.45 39.8
34 10 1.38 35.2
35 9 1.33 30.1
36 8 1.20 22.1
37 11 1.50 48.0
38 8 1.21 19.9
39 8 1.22 20.2
40 10 1.30 27.2
41 8 1.23 22.9
42 10 1.37 35.2
 las diferentes instituciones educativas, se identificaron las variables edad, estatura y peso de
ables? ¿Qué se concluye según el grado de correlación entre dichas variables? ¿Cuál sería la
con una edad de 14 años y una estatura de 156 cm?

Estadísticas de la regresión Coeficientes

Coeficiente de correlación múlt 0.95916 Intercepció -82.998
Coeficiente de determinación 0.920 Variable X 1 -0.408
R^2 ajustado 0.915884 Variable X 2 88.852
Error típico 2.076396
Observaciones 42
coefici
entre
Y r=
de
correla
0.959 cion
y= -82,998+-0,408X1+88,852X2
lo que se conluye es
que existe una
y= -82,998+-0,408(14)+88,852(1,56) correlacion excelente
49.89912 entre las variables

el peso para un estudiante que tenga

14 años años y mida 1,56 cm es de
49, 9 kg aproximadamente
 Una determinada empresa de de productos básicos muestra los datos del último
año de ventan (en millones de pesos) y al gasto de publicidad (en millones de
pesos). La tabla siguiente muestra estas dos variables X y Y. ¿Cuál es el coeficiente
de correlacion de Pearson entre las varibles y que se puede concluir segun su
correlacion lineal?

X Y (Xi - Ẋ) (Yi - Ẏ) (Xi - XẊ )2 (Yi - YẊ )2 (Xi - Ẋ)(Yi - Ẏ)

150 15 =
185 18
123 12
145 18
187 19
200 21
199 20
184 20
145 18
174 19
184 21
156 17
2032 201

n
SXY
SX
SY
r
Una compañía de ahorro y crédito, desea saber cómo son afectadas las ventas de viviendas por
diferentes tasas de interés. Durante ocho meses se recopiló la información y se obtuvo el siguiente
resultado:
¿Cuál es su modelo matemático Y = a + bX? ¿Cuál será la correlación entre las variables? ¿Qué se
puede concluir del coeficiente de correlación?

X Y X2 Y2 X*Y Ў (Y-ЎЎ )2
7 18.6 49 345.96 130.2 22.18 12.82
6.5 19.6 42.25 384.16 127.4 22.01 5.83
5.5 20.6 30.25 424.36 113.3 21.68 1.17
6 21.6 36 466.56 129.6 21.85 0.06
8 22.6 64 510.76 180.8 22.51 0.01
8.5 23.6 72.25 556.96 200.6 22.68 0.85
6 24.6 36 605.16 147.6 21.85 7.57 a
6.5 25.6 42.25 655.36 166.4 22.01 12.86 b
54 176.8 372 3949.28 1195.9 176.78 41.17

n 8 30
∑(X*Y) 1195.9
25
∑(X) 54.0 numerador 20
∑(Y) 176.8 denominado 141.99 20
∑(X2) 372.0 60
∑(Y2) 3949.28 r 0.1409 336 15
∑(X)2 2916
10
∑(Y)2 31258.24

MODELO MATEMATICO y=0,333x+19,85 5

CORRELACION 0.4449719092
0
SE CONCLUYE SEGÚN LOS DATOS OBTENIDOS QUE 5 5.5
LA CORRELACION ENTRE LAS VARIABLES ES MINIMA
30

25

R² = 0.0198412698
20

15 Column C
Linear (Column C)
10

0
5 5.5 6 6.5 7 7.5 8 8.5 9
Una compañía de ahorro y crédito, desea saber cómo son afectadas las ventas de viviendas por diferentes
tasas de interés. Durante ocho meses se recopiló la información y se obtuvo el siguiente resultado:
¿Cuál es el error de estimación?

X Y X2 Y2 X*Y Ў (Y-ЎЎ )2
7 18.6 49 345.96 130.2 28.22 92.56
6.5 19.6 42.25 384.16 127.4 27.62 64.39
5.5 20.6 30.25 424.36 113.3 26.43 33.99
6 21.6 36 466.56 129.6 27.03 29.45
8 22.6 64 510.76 180.8 29.41 46.44
8.5 23.6 72.25 556.96 200.6 30.01 41.11
6 24.6 36 605.16 147.6 27.03 5.89 n
6.5 25.6 42.25 655.36 166.4 27.62 4.10 Sy x
54 176.8 372 3949.28 1195.9 223.38 317.93
numerador
para esta compañía de ahorro y credito la cual desea saber la afectacion denominad
de las tasas de interes para la venta de vivienda y con la informacion
suministrada concluimos que el error de estimacion es de 7,28
ndas por diferentes
ente resultado:

8
7.28

317.93
6
 Resumen

Estadísticas de la regresión
Coeficient 0.897354
Coeficient 0.805244
R^2 ajust 0.727342
Error típic 1.301682
Observaci 8

ANÁLISIS DE VARIANZA
Grados deSuma
libertad
de
Promedio
cuadrados
de los cuadrados
F Valor crítico de F
Regresión 2 35.02812 17.51406 10.33658 0.016739
Residuos 5 8.471882 1.694376
Total 7 43.5

Coeficientes
Error típico
EstadísticoProbabilidad
t Inferior 95%
Superior 95%
Inferior 95,0%
Superior 95,0%
Intercepci -6.36577 2.824792 -2.25354 0.073948 -13.6271 0.895591 -13.6271 0.895591
Variable X 0.155287 0.043257 3.589878 0.01571 0.044092 0.266483 0.044092 0.266483
Variable X 0.726172 0.199933 3.632078 0.015028 0.212228 1.240115 0.212228 1.240115
Una empresa transportadora de frutas, está interesada en precisar la relación que existe entre la distancia a la cual se transp
temperatura a la cual se mantiene y el porcentaje del despacho que se daña al llegar a su destino. Se realizó un muestreo pa
son los resultados:

a. Estimar el porcentaje de carga dañada en función de la distancia y de la temperatura.

b. Estime el porcentaje de fruta que se podría dañar en un viaje de 480 km a una temperatura de 9ºC.
c. Determine el error estimado.
d. ¿Es confiable el modelo?
Distancia Temperatura Carga dañada
(km) (oC) (%)
39 8 7
52 6 6

48 7 7 y= -6,366+0,155X1+0,726X2

46 12 10 y= -6,366+0,155(480)+0,726(9)
61 9 9 y= -6,366+74,4+6,534
34 6 4 y= -6,366+74,4+6,534
25 10 3 y= -6,366+80,934
55 4 4 y= -6,366+80,934
y= 74,568

coeficiente deacorrelacion
De acuerdo los datos r= 0.897
obetenidos podemos inferir que
existe una correlacion aceptable error de estimacion 1.302
entre las variables
 stancia a la cual se transporta una carga de fruta, la
Se realizó un muestreo para ocho destinos diferentes y estos

ºC.

Coeficientes
Intercepción -6.366
Variable X 1 0.155

Variable X 2 0.726

Estadísticas de la regresión
Coeficiente de correlación múlt 0.897
Coeficiente de determinación 0.805
R^2 ajustado 0.727
Error típico 1.302
Observaciones 8
preguntas más frecuentes de los compradores potenciales es: si compramos esta
casa, ¿cuánto gastaremos en calefacción durante el invierno? Al departamento de
investigación de Salsberry se le pidió desarrollar algunas directrices respecto de
los costos de calefacción de casas unifamiliares. Se considera que tres variables se
relacionan con dichos costos: 1) la temperatura externa diaria media, 2) el
número de pulgadas de aislamiento en el ático y 3) los años de uso del calentador.
Para el estudio, el departamento de investigación de Salsberry seleccionó una
muestra aleatoria de 20 casas de venta reciente. Determinó el costo de calefacción
de cada casa en enero pasado, así como la temperatura externa en enero en la
región, el número de pulgadas de aislamiento del ático y los años de uso del
costo de
casa calefacción ($)
Temperatura Aislamiento Antigüedad del
externa
(F)
media del Ático
(pulgadas)
calentador
(años)
Y
1 250 35 3 6
2 360 29 4 10
3 165 36 7 3
4 43 60 6 9
5 92 65 5 6
6 200 30 5 5
7 355 10 6 7
8 290 7 10 10
9 230 21 9 11
10 120 55 2 5
11 73 54 12 4
12 205 48 5 1
13 400 20 5 15
14 320 39 4 7
15 72 60 8 6
16 272 20 5 8
17 94 58 7 3
18 190 40 8 11
19 235 27 9 8
20 139 30 7 5

regresión. ¿Qué indica si algunos coeficientes son positivos y otros negativos?

¿Cuál es el valor de la intersección? ¿Cuál es el costo de calefacción estimado de
Thompson Photo Works comproó varias maó quinas nuevas de procesamiento muy complejas. El departamento de
produccioó n necesitoó ayuda respecto de las aptitudes necesarias para un operador de estas maó quinas. ¿La edad es un
factor? ¿Es importante el tiempo de servicio como operador (en anñ os)? A fin de explorar maó s a fondo los factores
necesarios para estimar el desempenñ o de las nuevas maó quinas de procesamiento, se senñ alaron cuatro variables:
X1 _ Tiempo del empleado en la industria.
X2 _ Calificacioó n en la prueba de aptitud mecaó nica.
X3 _ Calificaciones anteriores en el trabajo.
X4 _ Edad.

El desempenñ o de la maó quina nueva se designa Y. Se seleccionaron 30 empleados al azar. Se recopilaron datos de cada
uno, y se registraron sus desempenñ os en las maó quinas nuevas. Algunos resultados son:

La ecuacioó n es: Ẏ = 11,6 + 0,4X1 + 0,2,86X2 + 0,112X3 + 0,002X4

a) ¿Cómo se le denomina a esta ecuación?
b) ¿Cuántas variables dependientes hay?, ¿cuántas independientes?
c) ¿Cómo se denomina al número 0,286?
d) Conforme aumenta la edad en un año, ¿cuánto aumenta el desempeño estimado en la nueva máquina?

Desempeño de Tiempo en Calificacioó n en Desempenñ o en

Nombre la máquina la industria aptitud el anterior Edad X4 R1= esta ecuacion de denomin
nueva Y X1 mecaó nica X2 trabajo X3
Mike 112 12 312 121 52 R2= en esta ecuacion hay una v
Sue 113 2 380 123 27 R3= el valor de 0,286 equivale
jas. El departamento de
as maó quinas. ¿La edad es un
maó s a fondo los factores
alaron cuatro variables:

Se recopilaron datos de cada

ueva máquina?

R1= esta ecuacion de denomina como regresion lineal multiple

R2= en esta ecuacion hay una variable dependiente y 3 independientes

R3= el valor de 0,286 equivale a la valoracion que obtiene en la calificacion de a