1) Supongamos que obtenemos los sgtes datos en el estudio de la relación citada

sobre inteligencia y la motivación como predictores de la clasificación final obtenida en

el bachillerato en una muestra de 12 objetivos:

Y X1 X2
4 85 10
5 100 20
8 95 35
7 80 30
10 180 45
6 90 25
6 110 10
7 120 15
4 80 10
4 95 15
6 160 15
9 150 45

12 1345 275 

X T X )  1345 163175 33200
 275 33200 8175 

76 
( X T Y )  9010 
1990 
Y 2  Y T Y  524
1.7374747959
ˆ0  ( X T X )1 X T Y  0.0187631195
0.1087778428

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.921594636
Coeficiente de determinación R^2 0.849336673
R^2 ajustado 0.815855933
Error típico 0.845136542
Observaciones 12
 ANÁLISIS DE VARIANZA
Grados de libertad SC CM FCAL
Regresión 2 36.2383647 18.11918235 25.3679186
Residuos 9 6.428301965 0.714255774
Total 11 42.66666667

2) Se lleva cabo un conjunto de ensayos experimentales con un horno para determinar

una forma de predecir el tiempo de cocción, Y a diferentes niveles de ancho del horno,
X1 y a diferentes temperaturas, X2. Se registraron los sgtes datos :

T COCC N ANCH HOR TEMP

6.4 1.32 1.15
15.05 2.69 3.4
18.75 3.56 4.1
30.25 4.41 8.75
44.85 5.35 14.82
48.94 6.2 15.15
51.55 7.12 15.32
61.5 8.87 18.18
100.44 9.8 35.19
111.42 10.65 40.4

 10 59.97 156.46
( X T X )   59.97 446.9965 1282.5215
156.46 1282.5215 3991.1208
  489.15
( X T Y )   3875.9365
11749.8781
Y 2  Y T Y  34882.9961
 0.5799878946
ˆ0  ( X T X )1 X T Y   2.7122375794
 2.0497074870
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.999862111
Coeficiente de determinación R^2 0.999724241
R^2 ajustado 0.999645453
Error típico 0.656971152
Observaciones 10

ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 10953.20257 5476.60129 12688.7407
Residuos 7 3.021277663 0.43161109
Total 9 10956.22385

3) En APPLIED SPECTROSCOPY se estudiaron las propiedades las propiedades de

reflectancia infrarroja de un liquido viscoso que se utiliza como lubricante en la
industria electrónica. El experimento que se diseñó consistió en medir el efecto de
frecuencia de banda, X1, y el espesor de la película,X2. Sobre la densidad óptica, y,
usando un espectrómetro infrarrojo Perkin-Elmer modelo.
 Y X1 X2
EFEC FREC D
DENSIDAD ESPE D L PELI
BAN
0.231 740 1.1
0.107 740 0.62
0.053 740 0.31
0.129 805 1.1
0.069 805 0.62
0.03 805 0.31
1.005 980 1.1
0.559 980 0.62
0.321 980 0.31
2.948 1235 1.1
1.633 1235 0.62
0.934 1235 0.31

 12 11280 8.12
( X T X )  11280 11043750 7632.8
 8.12 7632.8 6.762 
 8.019
( X T Y )  9131.205
 6.62724
Y 2  Y T Y  13.745217

 3.3726732536 
ˆ0  ( X T X )1 X T Y   0.0036167177 
 0.9475988849
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.907107156
Coeficiente de determinación R^2 0.822843392
R^2 ajustado 0.783475256
Error típico 0.406301405
Observaciones 12
ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 6.900792767 3.45039638 20.901254
 Residuos 9 1.485727483 0.16508083
Total 11 8.38652025

4) En el béisbol, el éxito de un se suele considerar en función del desempeño de bateo y

en lanzamiento del equipo. Una medida del desempeño en el bateo es la cantidad de
cuadrangulares que anota el equipo y una medida del desempeño en lanzamiento es el
promedio de carreras ganada por el equipo que lanza. En general, se cree que los
equipos que anotan mas cuadrangulares (home run) y tienen un promedio menor de
carreras ganadas ganan un mayor porcentaje de juegos. los datos sgtes pertenecen a
los 16 equipos que participaron en la temporada de la liga mayor de béisbol del 2003;
se d la proporción de juegos ganados, la cantidad de cuadrangulares de equipo(HR, por
sus siglas en ingles) y el promdio de careras (ERA, por sus siglas en ingles).

Y X1 X2
EQUIPO POR de GANA HR ERA
ARIZONA 0.519 152 3.857
ATLANTA 0.623 235 4.106
CHICAGO 0.543 172 3.842
CINCINNATI 0.426 182 5.127
COLORADO 0.457 198 5.269
FLORIDA 0.562 157 4.059
HOUSTON 0.537 191 3.88
LOS ÁNGELES 0.525 124 3.162
MILWAUKEE 0.42 196 5.058
MONTREAL 0.512 144 4.027
NUEVA YORK 0.41 124 4.517
PHILADELPHIA 0.531 166 4.072
PITTSBURGH 0.463 163 4.664
SN DIEGO 0.395 128 4.904
SAN FRANCISCO 0.621 180 3.734
ST LOUIS 0.525 196 4.642
  16 2708 68.92 
X T X )   2708 472600 11736.017 
68.92 11736.017 302.150862 
 8.069 
( X T Y )   1378.351
34.315592 
Y 2  Y T Y  4.142767
 0.7091884172 
ˆ0  ( X T X ) 1 X T Y   0.0014006454 
 0.1025966694 

Estadísticas de la regresión
Coeficiente de correlación
múltiple 0.926448611
Coeficiente de determinación
R^2 0.858307029
R^2 ajustado 0.83650811
Error típico 0.028298006
Observaciones 16

ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 0.06305933 0.03152967 39.3738351
Residuos 13 0.0104101 0.00080078
Total 15 0.07346944
 Observación Y Pronóstico Residuos
1 0.519 0.526371166 -0.007371166
2 0.623 0.617078165 0.005921835
3 0.543 0.555923025 -0.012923025
4 0.426 0.438092758 -0.012092758
5 0.457 0.445934358 0.011065642
6 0.562 0.512649866 0.049350134
7 0.537 0.578636614 -0.041636614
8 0.525 0.55845778 -0.03345778
9 0.42 0.464780964 -0.044780964
10 0.512 0.497724569 0.014275431
11 0.41 0.419439293 -0.009439293
12 0.531 0.523921918 0.007078082
13 0.463 0.458982754 0.004017246
14 0.395 0.385336963 0.009663037
15 0.621 0.578208628 0.042791372
16 0.525 0.507461179 0.017538821

5) Se quiere ajustar un modelo que permita estimar los gastos en alimentación de una
familia(Y) en base a la información que proporcionan las variables X1=ingresos
mensual y X2=número de miembros de la familia. Para ello se recoge una muestra
aleatoria simple de 15 familias cuyos resultados son los de la tabla adjunta.(el gasto e
ingreso esta dado en miles dolares)

Y X1 X2
gastos ingreso tamaño
0.43 2.1 3
0.31 1.1 4
0.32 0.9 5
0.46 1.6 4
1.25 6.2 4
0.44 2.3 3
0.52 1.8 6
0.29 1 5
1.29 8.9 3
0.35 2.4 2
0.35 1.2 4
 0.78 4.7 3
0.43 3.5 2
0.47 2.9 3
0.38 1.4 4

 15 42 55
( X T X )   42 188.08 140.8 
 55 140.8 219 
 8.07 
( X T Y )  32.063
 28.96 
Y 2  Y T Y  5.7733
 0.1604580427 
ˆ0  ( X T X ) 1 X T Y   0.1487270228
 0.0769151943

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.974494577
Coeficiente de determinación R^2 0.94963968
R^2 ajustado 0.941246294
Error típico 0.077512283
Observaciones 15

ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 1.35954215 0.67977108 113.14142
Residuos 12 0.07209785 0.00600815
Total 14 1.43164
 Observación gastos Pronóstico gastos Residuos
1 0.43 0.382614288 0.04738571
2 0.31 0.310802459 -0.00080246
3 0.32 0.357972249 -0.03797225
4 0.46 0.385165971 0.07483403
5 1.25 1.069310275 0.18068972
6 0.44 0.412359692 0.02764031
7 0.52 0.568741764 -0.04874176
8 0.29 0.372844951 -0.08284495
9 1.29 1.393958043 -0.10395804
10 0.35 0.3503172 -0.0003172
11 0.35 0.325675162 0.02432484
12 0.78 0.769304547 0.01069545
13 0.43 0.513916926 -0.08391693
14 0.47 0.501595906 -0.03159591
15 0.38 0.355420566 0.02457943

6) En un estudio para aumentar la supervivencia (variable y en tanto por ciento) de

determinada clase de plantas se utilizan concentraciones de dos productos
diferentes(X1 y X2 en gramos). Para distintos valores de las variables X1 y X2 se
obtienen los sgtes procentajes de aumeno de la supervivencia:

Y X1 X2
25.5 1.74 10.8
31.2 6.32 9.4
25.9 6.22 7.2
38.4 10.52 8.5
18.4 1.19 9.4
26.7 1.22 9.9
26.4 4.1 8
25.9 6.32 9.1
32 4.08 8.7
 25.2 4.15 9.2
39.7 10.15 9.4
35.7 1.72 7.6
26.5 1.7 8.2

13 59.43 115.4 

( X T X )  59.43 394.7255 522.078 
115.4 522.078 1035.96 
 377.5
( X T Y )  1877.567 
 3337.78
Y 2  Y T Y  11400.15
 28.6122909435
ˆ0  ( X T X ) 1 X T Y   1.2082820375
 0.5742459598

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.660336465
Coeficiente de determinación R^2 0.436044247
R^2 ajustado 0.323253096
Error típico 4.970778289
Observaciones 13

ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 191.044401 95.5222006 3.86594377
Residuos 10 247.086368 24.7086368
Total 12 438.130769
7) Se ha realizado un estudio a seis obreros para poder estimar la eficiencia de cada uno
de ellos. Para ello se ha medido su ratio de puntualidad X1 y su ratio de habilidad
manual X2.
Luego a los mismos trabajadores se le ha sometido diferentes pruebas para obtener su
nivel de eficiencia.
Los datos se muestran a continucion.

EFICIENCIA PUNTUALIDAD HABILIDAD

Y X1 X2
66 38 47.5
43 41 21.3
36 34 36.5
23 35 18
22 31 29.5
14 34 14.2
12 29 21
7.6 32 10

 8 274 198 
( X T X )   274 9488 6875.6 
 198 6875.6 5979.08 
 223.6 
( X T Y )   8049.2 
6954.7 
Y 2  Y T Y  8911.76
 94.5520288442 
ˆ0  ( X X ) X Y   2.8015513598
T 1 T

 1.0726826170 
 Estadísticas de la regresión
Coeficiente de correlación múltiple 0.991860492
Coeficiente de determinación R^2 0.983787236
R^2 ajustado 0.97730213
Error típico 2.938048595
Observaciones 8

ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 2618.97935 1309.48968 151.699493
Residuos 5 43.1606477 8.63212955
Total 7 2662.14

8)

Y X1 X2
5.3 1.5 66
7.8 2.5 87
7.4 0.5 69
9.8 1.2 141
10.8 2.6 93
9.1 0.3 105
8.1 2.4 111
7.2 2 78
6.5 0.7 66
12.6 1.6 123
 10 15.3 939 
( X T X )  15.3 29.85 1458.9 
939 1458.9 94131 
 84.6 
( X T Y )  132.27 
8320.2 
Y 2  Y T Y  757.64
 2.2658967265
ˆ0  ( X T X ) 1 X T Y  0.2246501989 
 0.0623044565

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.757856226
Coeficiente de determinación R^2 0.574346059
R^2 ajustado 0.452730647
Error típico 1.596653456
Observaciones 10

ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 24.0788842 12.0394421 4.72264207
Residuos 7 17.8451158 2.54930226
Total 9 41.924

9) Se obtuvieron los siguientes datos de 14 departamentos del país par realizar un

estudio estadístico de la maternidad adolescente (y en %), familia en extrema pobreza
(x1 en %) y familia desintegrada (x2).
 DPTO Y X1 X2
1 12 20 15
2 14 25 15
3 16 22 20
4 18 18 24
5 20 15 26
6 16 14 19
7 10 19 17
8 13 14 12
9 22 28 33
10 18 24 18
11 11 15 18
12 15 19 28
13 13 14 18
14 29 5 22

14 252 285 

( X T X )   252 4978 5214 
 285 5214 6225 
 227 
( X T Y )  3987 
 4832 
 10.6916342667 
ˆ0  ( X T X ) 1 X T Y   0.3311925164 
 0.5641320505
Y T Y   Y 2  4009

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.679881942
Coeficiente de determinación R^2 0.462239455
R^2 ajustado 0.36446481
Error típico 4.00655731
Observaciones 14
ANÁLISIS DE VARIANZA
GL SC CM FCAL
Regresión 2 151.779627 75.8898133 4.72760046
Residuos 11 176.577516 16.0525015
Total 13 328.357143

Análisis de los residuales

Observación Y Pronóstico Y Residuos

1 12 12.5297647 -0.529764697
2 14 10.87380211 3.126197885
3 16 14.68803992 1.311960084
4 18 18.26933818 -0.269338184
5 20 20.39117983 -0.391179834
6 16 16.773448 -0.773447997
7 10 13.98922131 -3.989221314
8 13 12.82452364 0.175476357
9 22 20.03460147 1.965398525
10 18 12.89739078 5.102609217
11 11 15.87812343 -4.87812343
12 15 20.19467387 -5.19467387
13 13 16.20931595 -3.209315946
14 29 21.4465768 7.553423204