REGRESION LINEAL MULTIPLE. Nombre: Karla Azucena Dominguez Monsivais. N° de control: 15480431 El dueño de un restaura
Views 354 Downloads 8 File size 138KB
REGRESION LINEAL MULTIPLE.
Nombre: Karla Azucena Dominguez Monsivais.
N° de control: 15480431
El dueño de un restaurante de hamburguesas en la ciudad de Monterrey desea determinar la interrelacion entre la introduccion de aderezos importados y las utilidades que recibe, las cuales se muestran en la sisguiente tabla. Utilidades Demanda Catsup nacional Demanda Catsup Importada UTILIDADES (Y)
70 42 55
DEMANDA N(X1) 70 40 100 80 30 100 420 70
42 44 53 15 37 35 226
DEMANDA I (X2) Y^2 55 60 80 40 50 55 340
40 44 60
100 53 80 X1^2
4900 1600 10000 6400 900 10000 33800
1764 1936 2809 225 1369 1225 9328
340 13565 20150
420 15810 24450
Matriz: 6 226 340 4.5357696503 0.0668312568 -0.1215249469
Resumen Estadísticas de la regresión
226 9328 13565
0.0668312568 -0.1215249469 0.0060860079 -0.0052247804 -0.0052247804 0.0056175001
ˆ 0 ˆ 1 ˆ 2
n=
6
SX1 =
226
SX12 =
9328
Coeficiente de correlación
0.7449717134
SX2 =
340
Coeficiente de determina
0.5549828537
SX22 =
20150
R^2 ajustado
0.2583047562
Error típico Observaciones
25.5478338516 6
ANÁLISIS DE VARIANZA Grados de libertad Suma de cuadrados Promedio de los cuadrados F 2 2441.9245564678 1220.96227823 1.8706566424
Regresión Residuos Total
3 1958.0754435322 652.691814511 5 4400 Coeficientes
Error típico
Estadístico t
Probabilidad
Intercepción
-9.6595280473
54.4101068119 -0.1775318707 0.8704008845
DEMANDA N(X1)
-3.4569673308
1.9930598472 -1.7345025216 0.1812401841
DEMANDA I (X2)
3.7036228972
1.9148097456 1.9341988967 0.1485535094
Análisis de los residuales Observación
Pronóstico UTILIDADES (Y) 1 48.8471034047 2 60.451283229 3 103.4110351955 4 86.6308778779 5 47.6138255727 6 73.0458747201
Residuos Residuos estándares 21.1528965953 1.0689075339 -20.451283229 -1.0334532967 -3.4110351955 -0.1723679404 -6.6308778779 -0.335074456 -17.6138255727 -0.8900696305 26.9541252799 1.3620577897
50 0 -50
10
15
20
25
30
35
40
45
50
55
60
DEMANDA I (X2) Gráfico de los Residuos
Residuos
DEMANDA N(X1) Gráfico de los residuales
50 0 -50
DEMANDA N(X1)
150 100 50 0
UTILIDADES (Y) Pronóstico UTILIDADES (Y) 10 15 20 25 30 35 40 45 50 55 60 DEMANDA N(X1)
40
45
50
55
60
65
70
75
DEMANDA I (X2)
DEMANDA I (X2) Curva de regres UTILIDADES (Y)
UTILIDADES (Y)
DEMANDA N(X1) Curva de regresión ajustada
35
150
U P (
100 50 0 35 40 45 50 55 60 65 70 75 80 85 DEMANDA I (X2)
UTILIDADES (Y)
Gráfico de probabilidad normal 200 100 0 0
10
20
30
40
50
60
Muestra percentil
70
80
90
100
GRESION LINEAL MULTIPLE.
determinar la
80 15 40 X2^2
30 37 50 X1*X2
3025 3600 6400 1600 2500 3025 20150
2310 2640 4240 600 1850 1925 13565
100 35 55 X1*Y
X2*Y 2940 1760 5300 1200 1110 3500 15810
3850 2400 8000 3200 1500 5500 24450
y estimada yi-Yprom)^2 (yest-yprom)^2 48.8471034 0 447.4450343707 60.4512832 900 91.1779919722 103.411035 900 1116.297272835 86.6308779 100 276.5860989908 47.6138256 1600 501.1408054888 73.0458747 900 9.2773528105 420 4400 2441.924556468
Y 0 1 x1 2 x2 3 x3 ECUACION:
ˆ 0 ˆ 1 ˆ 2
-9.659528 -3.4569673 3.7036229
SX1X2 =
13565
SY =
420
SY2 =
33800
SX1Y =
15810
SX2Y =
24450
Y=-9.6595283.4569673X1+3.7036229X2
n n X 1i i 1 n X 2i i 1
n
i 1 n
i 1
n
i 1
X 1i
i
X 12i
X 1i X 2 i
n
i 1
i
Valor crítico de F 0.2968691826
Inferior 95%
Superior 95%Inferior 95.0% Superior 95.0%
-182.816771441 163.497715 -182.81677 163.497715 -9.7997732777 2.88583862 -9.7997733 2.88583862 -2.3901563029
9.7974021 -2.3901563
9.7974021
Resultados de datos de probabilidad Percentil UTILIDADES (Y) 8.3333333333 30 25 40 41.6666666667 70 58.3333333333 80 75 100 91.6666666667 100
MANDA I (X2) Gráfico de los residuales 40
45
50
55
60
65
70
75
80
85
DEMANDA I (X2)
DA I (X2) Curva de regresión ajustada UTILIDADES (Y) Pronóstico UTILIDADES (Y)
40 45 50 55 60 65 70 75 80 85 DEMANDA I (X2)
ormal
0
80
90
100
X 1i
X 12i
1i
X 2i
n
i 1
n
i 1
X 2i
X 1i X 2 i
n
i 1
X 22i
n Yi ˆ i 1 0 n ˆ 1 X 1iYi ˆ i 1 2 n X 2 iYi i 1
La desviación típica de estas distribuciones muestrales se denomina err y se puede estimar a partir de los datos de una muestra. Por lo tanto un error típico es la desviación típica de una distribución m Se interpreta como cualquier desviación típica.
UTILIDADES DEL ERROR
•Establecer los límites probables (intervalos de confianza) entre los qu el cual es un planteamiento típico y frecuente en estadística inferencia
•Comprobar si una muestra con una determinada media puede conside perteneciente a una población cuya media conocemos, es también de interés y es simplemente una aplicación del anterior. •Determinar el número de sujetos que necesitamos en la muestra para los resultados a la población.
es se denomina error típico una distribución muestral
ianza) entre los que se encuentra la media de la población adística inferencia
edia puede considerarse como
ón del anterior.
en la muestra para extrapolar