A General UNA

UNIVERSIDAD NACIONAL ABIERTA VICERECTORADO ACADMICO AREA DE MATEMTICA
TRABAJO PRCTICO: ANLISIS DE CORRELACIN Y MODELOS DE REGRESIN MULTIPLE
ALUMNO: JOSE G. HERNANDEZ S. (610) V-6.868.791 ESTADISTICA APLICADA (746) SEMESTRE 2010-1
San Cristbal, Abril 2010.
ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE
2010-1
RESUMEN
Para efectos de la realizacin de ste trabajo, se nos dio la potestad de elegir el planteamiento del problema, es decir, buscar un evento o situacin ya fuere en el mbito laboral o cotidiano, sobre el cual aplicar un anlisis de correlacin mltiple soportado por un Modelo de Regresin. Para ste caso en particular, los datos fueron tomados de las ltimas 50 ediciones de los premios Oscars. Conforme a los resultados obtenidos con la ayuda del software Excel ver. 2003, se procedi a analizar los coeficientes de determinacin para verificar el grado de dependencia de la variable que representa la cantidad de nominaciones, con las variables dependientes agrupadas en las categoras que conforman dicha premiacin, las cuales fueron dadas en cada uno de los modelos. El anlisis de varianza (ANOVA) nos llev a determinar mediante prueba de hiptesis si las variables independientes estaban relacionadas entre s. Vale destacar, que se utilizaron como parmetros: un nivel de significancia del 5% y un nivel de confianza del 95% fijado en el Excel.
Contadura pblica (610)
V-6.868.791 Jos G. Hernndez S
2010-1
INDICE
Pgina
Resumen Introduccin.. Mtodo.. Resultados. Discusin... Conclusiones. Bibliografa Apndice
2 4 5 9 10 17 18 19
2010-1
INTRODUCCION
La regresin lineal mltiple es una tcnica que intenta modelar probabilsticamente el valor esperado de una variable Y, a partir de los valores de dos o ms predictores. Es un mtodo muy poderoso y ampliamente utilizado en investigacin (Canavos 1988): En la realizacin de ste trabajo se tomarn datos sobre las pelculas ganadoras en las ltimas 50 ediciones de los premios Oscars, se proceder a estudiar la correlacin existente entre las cuatro (4) variables independientes, las cuales a su vez agrupan una cierta coleccin de categoras en las que se obtuvieron premios, contra una variable dependiente que refleja la cantidad de nominaciones, para luego considerar si existe un grado de relacin significativo entre ellas y la variable dependiente. El modelo para ste anlisis global de todas las variables es: Y= 0 + 1X1 + 2X2 + 3X3 + 4X4 El anlisis de las varianzas de la muestra (ANOVA) permitir efectuar pruebas para hallar las diferencias entre los valores de las medias poblacionales. Con el anlisis de los coeficientes de determinacin (R) se pretende buscar el modelo que mejor explique los valores presentes en la variable dependiente. Se espera que los resultados de ste trabajo reflejen s el hecho que una pelcula (ya ganadora como Mejor Pelcula), y el haber sido tambin galardonada en otras categoras, influye en la cantidad de nominaciones a las que fue postulada.
2010-1
METODO
Poblacin: Los datos para el estudio fueron obtenidos a travs de internet, especficamente en la pgina de Wikipedia. La muestra tomada est conformada por los premios otorgados en las ltimas 50 ediciones de los Premios Oscars (1960-2009) dando un total de 50 registros. Cabe destacar que en algunas categoras se hace la acotacin si es: a Color o en Blanco y Negro, esto se debe a que todava en la dcada de los sesentas todava se galardonaban pelculas en blanco y negro, separadas de las a color. Instrumentos Materiales: Para el desarrollo en los anlisis estadsticos de ste trabajo, fue necesario el apoyo en el Software Excel ver. 2003 que es la versin ms comn en el mercado. Procedimiento: Una vez realizada la captura de los datos en Internet en el portal Wikipedia la enciclopedia libre, se procedi a hacer la asignacin de los valores correspondientes a la variable dependiente y la agrupacin de categoras consideradas en las premiaciones, tal como se muestran en la siguiente tabla. Luego utilizando el Excel, se cargaron los datos como se indica en la gua de Excel facilitada por el Departamento de Matemticas de la UNA, luego se procedi a generar el anlisis de Correlacin y Regresin Mltiple. A continuacin se describe la conformacin de la variable dependiente como de las independientes que formaran parte del estudio del modelo de regresin mltiple: Y= Cantidad de nominaciones recibidas (valores de 1 14)
X1= Calidad Actoral, Direccin y en sentido general el film, se agrupan en sta variable las siguientes categoras (valores de 1 6): Mejor Pelcula. Direccin.
ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE Mejor Actor Principal. Mejor Actriz Principal. Mejor Actor de Reparto. Mejor Actriz de Reparto.
2010-1
X2= Calidad en la Trama (valores de 0 2): Mejor Guin (Original o Adaptado). Mejor Montaje o Edicin.
X3= Calidad del Sonido (valores de 0 4): Mejor Banda Sonora (Original o Adaptada). Mejor Cancin. Mejor Sonido. Mejor Edicin de Sonido.
X4= Calidad Visual (valores de 0 5): Mejor Fotografa (Color o Blanco y Negro) Mejor Direccin Artstica (Color o Blanco y Negro) Mejor Vestuario (Color o Blanco y Negro) Mejores Efectos Visuales. Mejor Maquillaje.
Seguidamente se indica la tabla resultante luego de sta evaluacin, con los valores de cada una de las variables independientes (Xi) como los valores de la variable dependiente (Y):

MODELO (1) Y X1 10 2 11 4 10 2 10 2 12 3 10 2 8 3 7 2 11 2 7 2 10 3 8 3 11 2 10 2 11 3 9 4 10 2 5 2 9 3 9 4 6 3 7 1 11 3 11 4 11 3 11 2 8 2 9 2 8 3 9 2 12 2 7 4 9 3 12 2 13 3 10 2 12 3 14 2
2010-1
Ao 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
X2 2 1 1 1 0 1 1 2 0 1 2 2 1 2 1 1 1 1 1 1 1 1 2 1 1 1 1 2 1 1 2 1 1 2 2 0 1 1
X3 0 2 2 1 2 2 0 1 2 0 1 0 0 1 1 0 0 0 1 0 0 1 0 0 1 2 1 2 0 0 2 0 0 1 0 1 2 4
X4 1 3 2 0 3 0 2 0 1 0 1 0 0 2 1 0 0 0 0 0 0 1 3 0 3 2 0 3 0 1 1 0 0 2 1 2 3 4

39 40 41 42 43 44 45 46 47 48 49 50 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 13 8 12 8 13 11 7 6 6 8 10 9 3 3 2 3 2 2 4 1 2 3 2 2 1 1 0 1 1 2 0 2 2 1 2 2 1 0 1 0 1 3 0 0 0 0 3 2
2010-1
2 1 2 0 2 4 0 0 0 0 1 0
2010-1
RESULTADOS
A continuacin se reflejan los resultados obtenidos luego de procesar los datos con la herramienta de anlisis de regresin de Excel. Seguidamente, se muestran las tablas con los valores obtenidos, y as determinar la ecuacin de regresin para el primer modelo o modelo global (Tabla.1).
Variables Intercepcin X1 X2 X3 X4
Tabla.1
Coeficientes 7,40076585 0,380766648 -0,145043423 0,588435209 0,803996285
Y = 7,40076585 + 0,380766648 (X1) - 0,145043423 (X2) + 0,588435209 (X3) + 0,803996285 (X4)
De manera complementaria, se obtuvieron los valores de Estadsticas de Regresin (Coeficiente de correlacin mltiple, coeficiente de determinacin R, R Ajustado, Error tpico y Nro. de observaciones), Anlisis de varianza, sobre los cuales se fundamenta el estudio individual de las variables para determinar el mejor modelo, esperando que estos valores aporten suficiente informacin explicativa de los mismos.
2010-1
DISCUSION
Con los resultados obtenidos al procesar los datos antes mencionados, se procede a analizar cada uno de los valores relejados con el objeto de determinar cul modelo es el ms representativo para el caso dado (Tabla.2).
Estadsticas de la regresin Coeficiente de correlacin mltiple. Coeficiente de determinacin R^2..... R^2 ajustado......... Error tpico.. Observaciones..
Tabla.2
0,670478164
0,449540968 0,400611277 1,626162719 50
El Coeficiente De Determinacin Mltiple mide la fuerza de la relacin entre Y y las variables independientes Xi. A mayor valor de R se infiere que la relacin de Y con las variables Xi es ms fuerte. Al observar el valor dado para este modelo se puede afirmar que la relacin es moderada (0,670478164 => 67%) entre las variables independientes y la dependiente. Al analizar los Coeficientes de Determinacin (R) se podr establecer cul de los modelos explica mejor los valores presentes de la variable dependiente, para ste caso el valor de 0,449540968 representa el hecho de que un 45% de las nominaciones (Y) pueden ser explicadas por los Oscars ganados en las distintas categoras (Xi) a considerar para ste modelo. El Coeficiente De Determinacin Ajustado o Corregido procura contrarrestar la incorporacin de alguna variable absurda sin un poder realmente explicativo al modelo, es una correccin de honestidad, R nos castigar si introducimos variables innecesarias en nuestro modelo. Esto se hace en base al nmero de observaciones y de variables independientes. Se interpreta como el porcentaje de variacin de la variable respuesta explicada por el modelo, para considerar los
2010-1
modelos lineales como vlidos. Esto significa que a medida que el nmero de variables se incrementa, se puede aumentar artificialmente R, incluso una variable que no tenga relacin con estudio o el modelo a considerar. Como informacin complementaria, para evitar esta desviacin, es decir para atenuar el sesgo de la muestra, se utiliza la Bondad de Ajuste o Coeficiente de Determinacin Corregido. Este estadstico se ajusta a la medida del nmero de grados de libertad. De acuerdo al valor obtenido de R Ajustado, se puede indicar que el valor 0,400611277 es equivalente a un porcentaje de 40%. Error Estndar de Estimacin, mide el grado de dispersin de los valores de Y alrededor del plano de regresin, el cual para ste caso no es muy relevante con apenas 1,626162719. El Anlisis De Varianza (ANOVA), es un procedimiento que prueba si algunas de las variables independientes tienen relacin con la variable dependiente, si alguna variable independiente no est relacionada con la variable Y, su coeficiente debera ser cero. Es decir, Si X1 no est relacionada con Y, entonces 1 = 0. Al mismo tiempo prueba la hiptesis nula de que todos los valores son cero contra la alternativa de que por los menos un no es cero. Si no se rechaza la hiptesis nula, entonces no hay relacin lineal entre Y y cualquiera de las variables independientes. Por otra parte, si la hiptesis nula se rechaza, entonces por los menos una variable independiente est relacionada linealmente con Y. El anlisis de las varianzas de la muestra (ANOVA) (Tabla.3) permitir efectuar pruebas para hallar las diferencias entre los valores de las medias poblacionales y probar la hiptesis de que stas sean iguales o no. Para ello fijamos la hiptesis: H0= 1 = 2 = 3 = 4 = 0. HA= al menos una i es diferente de Cero.

ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total 4 45 49 Suma de cuadrados 97,18176652 118,9982335 216,18 Tabla.3 Promedio de los cuadrados F
2010-1
Valor crtico de F 1,63008E-05
24,29544163 9,187488263 2,644405188
Como trabajamos con un nivel de significancia del 5% (0.05) y el valor crtico de F es 0,0000163008099647485 el cual est muy por debajo de dicho nivel y cercano a cero (0), se rechaza la hiptesis nula (H0) y se acepta la hiptesis alterna (HA). Para estos momentos no existe una tendencia lo suficientemente consistente en todas las variables independientes para dar validez a el modelo, por tanto se toman los valores obtenidos en el ANOVA referente a los datos de Probabilidad o parmetro para hacer la siguiente consideracin: aquellas variables (Xi) cuyo valor de es mayor al nivel de significancia 0,05 (5%) y ms cercanas a uno (1) sern consideradas no significativas y no aportan poder explicativo al modelo dado. Por tanto, se ordenaran de menor a mayor grado de significancia las variables > 0,05 y se excluirn del modelo una a una para luego ejecutar nuevamente el anlisis en Excel y evaluar el comportamiento de dicho modelo, se espera obtener al final el modelo que mejor represente el problema dado (Tabla.4).
Variables Intercepcin X1 X2 X3 X4 Coeficientes 7,40076585 0,380766648 -0,145043423 0,588435209 0,803996285
Tabla.4
Probabilidad () 8,24705E-08 0,260419645 0,715192666 0,067131316 0,001952527
Como se puede apreciar el orden es el siguiente: X2, X1, X3, X4 e Intercepcin. Por tanto se elimina la variable X2 y se observan los resultados (Tabla.5):

Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R^2 R^2 ajustado Error tpico Observaciones
Tabla.5
2010-1
0,669247053 0,447891618 0,41188455 1,610797736 50
No se aprecia una variacin significativa en el Coeficiente de correlacin mltiple, Coeficiente de determinacin R, R Ajustado y Error Tpico de ste nuevo modelo con el anterior lo que indica que la fuerza de relacin entre las variables independientes (Xi) y la dependiente (Y) se mantiene.
ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Suma de cuadrados Promedio de los cuadrados F Valor crtico de F 4,39751E-06
3 96,82521002 32,27507001 12,43899152 46 119,35479 2,594669347 49 216,18

Tabla.6
Aqu se observa que el valor crtico de F ha disminuido en comparacin con el valor del modelo anterior; tambin se puede apreciar un aumento del Valor de F, el modelo puede ser aceptado con un grado de confianza bastante aceptable (Tabla.6). En cuanto a ste ltimo cuadro hay un cambio medianamente sustancial en los valores de ste modelo con respecto al anterior.
Probabilidad ()
Variables Intercepcin X1 X3 X4
Coeficientes
7,150107759 7,85966E-10 0,409872188 0,208717225 0,592452961 0,062627402 0,803202108 0,00177761

Tabla.7
No hay cambios significativos en los valores de para las variables restantes (Tabla.7), incluso mantienen el mismo orden de menor a mayor significancia: X1, X3, X4 e Intercepcin quien se
2010-1
aleja un poco ms de su valor anterior. Sigue siendo la Variable X4 la que ejerce mayor influencia en el modelo. Se elimina la siguiente variable de menor significancia para el modelo actual: X1. Se ejecuta nuevamente el anlisis en Excel para generar un tercer (3er.) modelo y se observa lo siguiente:
Estadsticas de la regresin Coeficiente de correlacin mltiple 0,654508041 Coeficiente de determinacin R^2 0,428380775 R^2 ajustado 0,404056553 Error tpico 1,621482405 Observaciones 50
Tabla.8
Nuevamente, no existe una variacin significativa en stos valores, se mantienen las observaciones planteadas en los dos (2) modelos anteriores a ste (Tabla.8).
ANLISIS DE VARIANZA Variables Regresin Residuos Total Grados de libertad 2 47 49 Suma de cuadrados 92,60735603 123,572644 216,18 Tabla.9 Promedio de los cuadrados F Valor crtico de F 1,95889E-06
46,30367802 17,61128351 2,629205191
El valor crtico de F contina disminuyendo en comparacin con el valor del segundo modelo; tambin se puede apreciar un aumento del Valor de F, lo cual aumenta levemente su porcentaje su aceptacin y por ende su grado de confianza.

Probabilidad ()
2010-1
Variables Intercepcin X3 X4
Coeficientes
8,259428623 2,778E-29 0,461629683 0,124313452 0,846608571 0,00100187

Tabla.10
A ste nivel el valor de para la variable X3 se hace mucho menos significativo para el modelo no an as la variable X4 quien ha mantenido una variacin apenas perceptible en cada uno de los modelos ejecutados, demostrando con ello su posicin como una variable de significacin importante en comparacin con las otras (Tabla.10). Finalmente se elimina la Variable X3, para ejecutar un cuarto (4to.) modelo:
Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R^2 R^2 ajustado Error tpico Observaciones
Tabla.11
0,63134502 0,39859654 0,3860673 1,64577363 50
Una vez ms, se aprecian cambios poco perceptibles entre los valores de ste cuarto (4to.) modelo (Tabla.11) y los anteriores con respecto a los valores de la tabla de Estadsticas de Regresin, es decir, la tendencia en estos valores se mantiene.
ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Suma de cuadrados Promedio de los cuadrados F Valor crtico de F 8,841E-07
1 86,1685993 86,1685993 31,81330828 48 130,011401 2,70857085 49 216,18

Tabla.12
2010-1
Aqu contina en descenso, es decir ms cercano a cero (0) el valor crtico de F, esto se entiende por estar influenciado de la variable X4 la cual se ha mantenido a lo largo de los modelos ejecutados como la de mayor significacin, esto por supuesto, genera el aumento en su porcentaje de aceptacin y nivel confianza mayor que en los modelos anteriores (Tabla.12).
Variables Intercepcin X4
Coeficientes Probabilidad 8,41205212 1,12247E-30 1,08143322 8,84101E-07

Tabla.12
La variable X4, es quien ms ejerce influencia, es decir, la ms significativa, por tanto la ecuacin el modelo quedara representado as: Y = 1,12247E-30 + 8,84101E-07(X4)
2010-1
CONCLUSIONES
Tal como se ha podido apreciar, durante el desarrollo de ste trabajo y con los resultados de los anlisis a los datos recolectados, para ser procesados con la Herramienta de Anlisis de Datos del Excel, se pueden hacer las siguientes consideraciones: an cuando no existiera un fuerte vinculo entre las variables independientes (Xi) y la variable dependiente (Y) como lo reflejan los resultados en las tablas de Estadsticas de Regresin de los cuatro modelos ejecutados, el cual se mantuvo con un valor cercano entre el 65 y el 67% en su coeficiente de correlacin mltiple, esta vinculacin queda calificada como moderada. Finalmente, es importante sealar que la variable X4, es la que en todos los cuatro modelos ejecutados o analizados mantuvo un nivel de influencia o significancia relevante sobre las otras.
2010-1
BIBLIOGRAFIA
WEBSTER, Allen ESTADISTICA APLICADA A LOS NEGOCIOS Y A LA ECONOMA. Tercera Edicin. Colombia: Irwin Editorial McGraw Hill. NOGUERA, Guillermo GUIA: ELEMENTOS DE EXCEL PARA ESTADISTICA. rea de Matemtica - Universidad Nacional Abierta. SALINAS, Mauricio Salinas / SILVA, Claudio Silva. MODELOS DE REGRESIN Y CORRELACIN II. REGRESIN LINEAL MLTIPLE. Direccin electrnica: www.cienciaytrabajo.cl.
ROBLES FABIN, Daniel A. TRABAJO: REGRESIN MLTIPLE. Direccin electrnica: www.monografas.com.
2010-1
APENDICES
2010-1
X2 Grfico de los residuales

5
5 4 3
4 3 2 Residuos 1 0 -1 -2 -3 -4
X1
2 Residuos 1 0 -1 -2 -3 -4 0 1 2 3 4 5
X2

5 4 3 2 1 0 -1 -2 -3 -4 X3 0 1 2 3 4 5

5 4 3 2 Residuos 1 0 -1 -2 -3 -4 X4 0 1 2 3 4 5
Grficos Residuales. Modelo (1).
Residuos

X1 Curva de regresin ajustada
16 14 12 10 8 6 4 2 0 0 1 2 X1 3 4 5 Y Pronstico Y
Y 16 14 12 10
2010-1
8 6 4 2 0 0 1 1 X2 2 2 3
Y Pronstico Y

16 14 12 10 8 6 4 2 0 0 1 2 X3 3 4 5 Y Pronstico Y

16 14 12 10 Y
Y
8 6 4 2 0 0 1 2 X4 3 4 5
Y Pronstico Y
Grficas de Curvas de regresin ajustada. Modelo (1).

Contadura pblica (610) V-6.868.791 Jos G. Hernndez S
2010-1

6 4 R e sid u o s 2 0 -2 0 -4 X1 1 2 3 4 5
R e sid u o s 5 4 3 2 1 0 -1 0 -2 -3 -4
X3

6 4 R e s id u o s 2 0 -2 -4 X4 0 1 2 3 4 5
Grficos de los Residuales. Modelo (2).

Contadura pblica (610) V-6.868.791 Jos G. Hernndez S
2010-1

16 14 12 10 8 6 4 2 0 0 1 2 X1 3 4 5

16 14 12 10 8 6 4 2 0 0 1 2 X3 3 4 5
Y Pronstico Y
Y Pronstico Y

16 14 12 10 8 6 4 2 0 0 1 2 X4 3 4 5
Y Pronstico Y
Grficas Curva de regresin ajustada. Modelo (2).
2010-1

6 4 R e s id u o s 2 0 -2 0 -4 X3 1 2 3 4 5
Residuos 5 4 3 2 1 0 -1 0 -2 -3 -4
X4

15 10 Y 5 0 0 1 2 X3 3 4 5
16 14 12 10 8 6 4 2 0 0
Y
Y
Y Pronstico Y
Pronstico Y
2 X4
Grficas de los residuales y curvas de regresin ajustada. Modelo (3).
2010-1

4 2 R e sid u o s 0 0 -2 -4 X4 1 2 3 4 5
Y 16 14 12 10 8 6 4 2 0 0
Y Pronstico Y
2 X4
Grficas de los residuales y curvas de regresin ajustada. Modelo (4).

A General UNA

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

A General UNA

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL ABIERTA VICERECTORADO ACADMICO AREA DE MATEMTICA

TRABAJO PRCTICO: ANLISIS DE CORRELACIN Y MODELOS DE REGRESIN MULTIPLE

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Resumen Introduccin.. Mtodo.. Resultados. Discusin... Conclusiones. Bibliografa Apndice

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Coeficientes 7,40076585 0,380766648 -0,145043423 0,588435209 0,803996285

Y = 7,40076585 + 0,380766648 (X1) - 0,145043423 (X2) + 0,588435209 (X3) + 0,803996285 (X4)

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

0,449540968 0,400611277 1,626162719 50

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Valor crtico de F 1,63008E-05

24,29544163 9,187488263 2,644405188

Probabilidad () 8,24705E-08 0,260419645 0,715192666 0,067131316 0,001952527

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

0,669247053 0,447891618 0,41188455 1,610797736 50

3 96,82521002 32,27507001 12,43899152 46 119,35479 2,594669347 49 216,18

7,150107759 7,85966E-10 0,409872188 0,208717225 0,592452961 0,062627402 0,803202108 0,00177761

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

46,30367802 17,61128351 2,629205191

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

8,259428623 2,778E-29 0,461629683 0,124313452 0,846608571 0,00100187

0,63134502 0,39859654 0,3860673 1,64577363 50

1 86,1685993 86,1685993 31,81330828 48 130,011401 2,70857085 49 216,18

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Coeficientes Probabilidad 8,41205212 1,12247E-30 1,08143322 8,84101E-07

Contadura pblica (610)

V-6.868.791 Jos G. Hernndez S

ESTADSTICA APLICADA (746) MODELOS DE REGRESIN MLTIPLE

Contadura pblica (610)