Problema 1)

A.-

Grfica de lnea ajustada

Semanal = 25,83 + 0,6853 Domingo

S
R-cuad.
R-cuad.(ajustado)

1200

78,2572
91,8%
91,5%

Semanal

1000
800
600
400
200

El grfico nos muestra

que la relacin que
existe entre la
circulacin dominical y
semanal tiende a
seguir una lnea recta
por lo tanto tiende a
comportarse
linealmente.

0
0

200

400

600

800 1000 1200 1400 1600 1800

Domingo

Correlacin de Pearson de Domingo y Semanal = 0,958

Observando este valor podemos decir que la circulacin dominical y semanal estn fuertemente
relacionados.
B.- La ecuacin de regresin es
Domingo = 13,8 + 1,34 Semanal
Predictor
Constante
Semanal

Coef
13,84
1,33971

S = 109,421

Coef. de EE
35,80
0,07075

R-cuad. = 91,8%

T
0,39
18,93

P
0,702
0,000

R-cuad.(ajustado) = 91,5%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
1
32
33

SC
4292653
383136
4675788

MC
4292653
11973

F
358,53

P
0,000

Observaciones poco comunes

Obs
3
14
19
23
24

Semanal
356
1164
1209
516
220

Domingo
235,1
1531,5
1762,0
982,7
557,0

Ajuste
490,3
1573,8
1633,9
704,5
309,2

Ajuste
SE
19,5
55,2
58,2
19,7
24,0

Residuo
-255,2
-42,3
128,2
278,2
247,8

Residuo
estndar
-2,37R
-0,45 X
1,38 X
2,58R
2,32R

R denota una observacin con un residuo estandarizado grande.

X denota una observacin cuyo valor X le concede gran influencia.

Como podemos observar el valor p de la variable semanal es 0 , por lo tanto, es significativa a

cualquier nivel de significancia, entonces esto nos entrega que la variable semanal si influye sobre
dominical. Si observamos el valor de la constante este mayor a cualquier nivel de significancia ,
entonces procedemos a retirar y comprobar su regresin:
Anlisis de regresin: Domingo vs. Semanal
La ecuacin de regresin es
Domingo = 1,36 Semanal
Predictor
Noconstant
Semanal

Coef

Coef. de EE

1,36300

0,03660

37,24

0,000

S = 108,002
Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
1
33
34

SC
16174555
384923
16559478

MC
16174555
11664

F
1386,67

P
0,000

Observaciones poco comunes

Obs
3
14
19
23
24

Semanal
356
1164
1209
516
220

Domingo
235,1
1531,5
1762,0
982,7
557,0

Ajuste
484,7
1587,1
1648,2
702,7
300,5

Ajuste
SE
13,0
42,6
44,3
18,9
8,1

Residuo
-249,6
-55,5
113,8
280,0
256,5

Residuo
estndar
-2,33R
-0,56 X
1,16 X
2,63R
2,38R

R denota una observacin con un residuo estandarizado grande.

X denota una observacin cuyo valor X le concede gran influencia.

Si comparamos los MCE , observamos que en el segundo modelo es menor , por lo tanto est
correcto sacar nuestra variable constante, adems el valor p sigue siendo 0.
C.D.E.- Los datos con interceptos son los siguientes:
S = 109,421
R-cuad. = 91,8%
R-cuad.(ajustado) = 91,5%
La variaci o variabilidad explicada por el modelo es 91,8%

F.- Nueva
Obs Ajuste
1
683,7

Ajuste
SE
IC de 95%
19,4 (644,2. 723,2)

PI de 95%
(457,3. 910,0)

Como podemos observar un vendedor que vende 500.000 periodicos vender el da

domingo (644,2. 723,2) a un 95% de confianza.
G.

- Nueva
Obs Ajuste
1
683,7

Ajuste
SE
IC de 95%
19,4 (644,2. 723,2)

PI de 95%
(457,3. 910,0)

Como podemos apreciar un vendedor que semanalmente vende 500000 periodicos tendr
una circulacin dominical que va entre (457,3. 910,0) con un 95%.
H.- Nueva
Obs Ajuste
1 2693,3

Ajuste SE
112,6

IC de 95%
(2463,9. 2922,6)

PI de 95%
(2373,5. 3013,1)XX

XX denota un punto que es un valor atpico extremo en los predictores.

EL valor que nos est pidiendo se encuentra fuera del rango determinado, donde no
podemos saber que est sucediendo despus de 1.290.000 en los peridicos, por lo
tanto nuestro valor en el intervalo ser creado con muy poca certeza.

PROBLEMA 2)
A.La ecuacin de regresin es
Ventas = 103 + 4,52 Edad - 0,062 ES + 0,0189 Ingreso + 0,358 Color - 1,05 Mujer
- 3,25 Precio
Predictor
Constante
Edad
ES
Ingreso
Color
Mujer
Precio

Coef
103,3
4,520
-0,0616
0,01895
0,3575
-1,053
-3,255

S = 28,1740

Coef. de EE
245,6
3,220
0,8147
0,01022
0,4872
5,561
1,031

R-cuad. = 32,1%

T
0,42
1,40
-0,08
1,85
0,73
-0,19
-3,16

P
0,676
0,167
0,940
0,070
0,467
0,851
0,003

R-cuad.(ajustado) = 22,8%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
6
44
50

SC
16499,5
34926,0
51425,4

MC
2749,9
793,8

F
3,46

P
0,007

Luego, las hiptesis a probar son: H0: Mujer = 0 v/s Ha: Mujer 0. De la salida de Minitab,
rescatamos que el valor del estadstico de prueba y el respectivo valor p son:
T = -0,19 y valor p = 0,851, con lo cual nunca se rechazar H0: Mujer = 0. As, en este modelo la
variable Mujer no es significativa.

b.- La ecuacin de regresin es

Ventas = 55,3 + 4,19 Edad + 0,0189 Ingreso + 0,334 Color - 3,24 Precio
Predictor
Constante
Edad
Ingreso
Color
Precio

Coef
55,33
4,192
0,018892
0,3342
-3,2399

S = 27,5680

Coef. de EE
62,40
2,196
0,006882
0,3121
0,9988

R-cuad. = 32,0%

T
0,89
1,91
2,75
1,07
-3,24

P
0,380
0,062
0,009
0,290
0,002

R-cuad.(ajustado) = 26,1%

Anlisis de varianza
Fuente
Regresin
Error residual
Total
Fuente
Edad
Ingreso
Color
Precio

GL
1
1
1
1

GL
4
46
50

SC
16465,7
34959,8
51425,4

MC
4116,4
760,0

F
5,42

P
0,001

SC sec.
2639,5
3952,1
1876,7
7997,4

SSEl SSEk / k l 34.959,8 34.926 / 6 4 0,0213

SSEk / n k 1
34.926 / 51 6 1
valor p P Fk l , nk 1 0,0213 P F2,44 0,0213 0,9789 , el cul es mayor que
cualquier nivel de significancia usual, con lo cual se nunca se rechaza H0, concluyndose que
claramente dichas variables no aportan informacin relevante al modelo de las ventas de los
cigarrillos. Por lo tanto, las variables ES y Mujer pueden ser eliminadas del modelo.

C.Regresin paso a paso: Ventas vs. Edad. ES. ...

Eliminacin hacia atrs.

Alfa a retirar: 0,01

La respuesta es Ventas en 6 predictores, con N = 51

Paso
Constante

1
103,34

2
100,13

3
55,33

4
64,25

Edad
Valor T
Valor P

4,5
1,40
0,167

4,6
1,51
0,137

4,2
1,91
0,062

4,2
1,89
0,065

ES
Valor T

-0,06
-0,08

5
153,34

Valor P

0,940

Ingreso
Valor T
Valor P

0,0189
1,85
0,070

0,0184
2,50
0,016

0,0189
2,75
0,009

Color
Valor T
Valor P

0,36
0,73
0,467

0,38
0,97
0,338

0,33
1,07
0,290

Mujer
Valor T
Valor P

-1,1
-0,19
0,851

-1,1
-0,19
0,847

Precio
Valor T
Valor P

-3,25
-3,16
0,003

-3,24
-3,21
0,002

S
R-cuad.
R-cuad.(ajustado)
Cp de Mallows

28,2
32,08
22,82
7,0

27,9
32,08
24,53
5,0

0,0193
2,80
0,007

0,0221
3,20
0,002

-3,24
-3,24
0,002

-3,40
-3,44
0,001

-3,02
-3,04
0,004

27,6
32,02
26,11
3,0

27,6
30,32
25,88
2,1

28,3
25,03
21,90
3,6

Regresin paso a paso: Ventas vs. Edad. ES. ...

Seleccin hacia delante.

Alfa a entrar: 0,01

La respuesta es Ventas en 6 predictores, con N = 51

No se ingresaron ni retiraron variables

Nos dice que ninguna variables en menor o igual en valor p al 1%, por lo tanto comprobaremos
con un 5%
Regresin paso a paso: Ventas vs. Edad. ES. ...
Seleccin hacia delante.

Alfa a entrar: 0,05

La respuesta es Ventas en 6 predictores, con N = 51

Paso
Constante
Ingreso
Valor T
Valor P

1
55,36

2
153,34

0,0176
2,41
0,020

0,0221
3,20
0,002

Precio
Valor T
Valor P
S
R-cuad.
R-cuad.(ajustado)

-3,02
-3,04
0,004
30,6
10,63
8,81

28,3
25,03
21,90

Cp de Mallows

10,9

3,6

La ecuacin de regresin es
Ventas = 64,2 + 4,16 Edad + 0,0193 Ingreso - 3,40 Precio
Predictor
Constante
Edad
Ingreso
Precio

Coef
64,25
4,156
0,019281
-3,3992

S = 27,6109

Coef. de EE
61,93
2,199
0,006883
0,9892

R-cuad. = 30,3%

T
1,04
1,89
2,80
-3,44

P
0,305
0,065
0,007
0,001

R-cuad.(ajustado) = 25,9%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
3
47
50

SC
15594,4
35831,0
51425,4

MC
5198,1
762,4

F
6,82

P
0,001

La ecuacin de regresin es
Ventas = 5,89 Edad + 0,0201 Ingreso - 3,05 Precio
Predictor
Noconstant
Edad
Ingreso
Precio

Coef

Coef. de EE

5,892
0,020071
-3,0487

1,427
0,006846
0,9304

4,13
2,93
-3,28

0,000
0,005
0,002

S = 27,6328
Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
3
48
51

SC
768159
36651
804811

MC
256053
764

F
335,34

P
0,000

PROBLEMA 3)
La ecuacin de regresin es
Monthly_Payment = 605 - 40,6 Family_Size + 74 Ownership - 0,00043 First_Income
- 0,33 Utilities + 0,0823 Debt + 252 Location_1
+ 363 Location_2 + 174 Location_3 - 16,7 ISC INC
+ 0,000040 ISC*Sc
Predictor
Constante
Family_Size
Ownership
First_Income
Utilities
Debt
Location_1
Location_2
Location_3
ISC INC
ISC*Sc

Coef
605,3
-40,61
74,2
-0,000431
-0,335
0,08228
252,40
362,87
174,00
-16,68
0,0000397

Coef. de EE
385,1
13,01
104,3
0,001268
1,963
0,01260
36,47
43,11
32,63
55,37
0,0001156

S = 244,983

R-cuad. = 53,3%

T
1,57
-3,12
0,71
-0,34
-0,17
6,53
6,92
8,42
5,33
-0,30
0,34

P
0,117
0,002
0,477
0,734
0,865
0,000
0,000
0,000
0,000
0,763
0,732

R-cuad.(ajustado) = 52,3%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
10
489
499

SC
33441799
29348215
62790015

MC
3344180
60017

F
55,72

P
0,000

La ecuacin de regresin es
Monthly_Payment = 518 + 0,00456 First_Income + 611 Location_2 + 258 Location_1
+ 334 Location_3 + 0,00174 FI*L1 - 0,00235 FI*L2
- 0,00266 FI*L3
Predictor
Constante
First_Income
Location_2
Location_1
Location_3
FI*L1
FI*L2
FI*L3

Coef
518,17
0,004564
610,5
257,6
334,0
0,001741
-0,002347
-0,002661

Coef. de EE
99,88
0,003203
144,5
133,2
146,9
0,003649
0,003637
0,004245

S = 273,485

R-cuad. = 41,4%

T
5,19
1,43
4,23
1,93
2,27
0,48
-0,65
-0,63

P
0,000
0,155
0,000
0,054
0,023
0,633
0,519
0,531

R-cuad.(ajustado) = 40,6%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
7
492
499

SC
25991420
36798595
62790015

MC
3713060
74794

F
49,64

P
0,000

La ecuacin de regresin es
Monthly_Payment = 537 + 0,00393 First_Income + 491 Location_2 + 354 Location_1
+ 239 Location_3
Predictor
Constante
First_Income
Location_2
Location_1
Location_3

Coef
537,30
0,003932
490,52
353,54
238,62

Coef. de EE
40,18
0,001060
45,96
39,22
35,62

S = 273,596

R-cuad. = 41,0%

T
13,37
3,71
10,67
9,02
6,70

P
0,000
0,000
0,000
0,000
0,000

R-cuad.(ajustado) = 40,5%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
4
495
499

SC
25737024
37052990
62790015

MC
6434256
74855

F
85,96

P
0,000