Asignatura Datos del alumno Fecha

Apellidos: Moreira Vélez

Técnicas
07-12-2017
Multivariantes
Nombre: José Gabriel

Actividades

Trabajo: Regresión múltiple

Objetivo

Aprender a usar e interpretar el análisis de regresión múltiple.

Descripción

Se tienen los datos de las horas de estudio en Estadística II (Y) de 15 estudiantes de

ingeniería teniendo en cuenta las variables “Nota sobre 100 en Estadística I” y años
desde que empezó la ingeniería.

Horas de estudio (Y) Nota Estadística I (X1) Años desde el comienzo (X2)
31 11 4
32 9 5
35 24 2
35 12 4
29 10 5
43 35 2
44 23 3
43 21 3
38 14 4
46 16 4
47 29 3
52 18 6
78 47 3
125 62 4
129 89 3

Realiza un estudio de regresión múltiple.

TEMA 9 – Actividades © Universidad Internacional de La Rioja. (UNIR)

 Asignatura Datos del alumno Fecha
Apellidos: Moreira Vélez
Técnicas
07-12-2017
Multivariantes
Nombre: José Gabriel

Entrega

Deberás entregar un análisis de regresión múltiple en el que expliques todos los pasos
dados y la interpretación de los datos. Puedes usar un programa o paquete estadístico
para hallar la solución.

Extensión máxima

La extensión máxima será de 10 páginas con fuente Georgia 11 e interlineado 1,5.

Gráficos – Matriz de dispersión

Uso del programa RStudio para la realización de la tarea

TEMA 9 – Actividades © Universidad Internacional de La Rioja. (UNIR)

 Asignatura Datos del alumno Fecha
Apellidos: Moreira Vélez
Técnicas
07-12-2017
Multivariantes
Nombre: José Gabriel

> cor(log(db1))
y x1 x2
y 1.0000000 0.9031593 -0.1202830
x1 0.9031593 1.0000000 -0.5100511
x2 -0.1202830 -0.5100511 1.0000000

> m2
Call:
lm(formula = log(y) ~ log(x1) + log(x2))

Coefficients:
(Intercept) log(x1) log(x2)
0.6085 0.7760 0.6822

> summary(m2)
Call:
lm(formula = log(y) ~ log(x1) + log(x2))

Residuals:
Min 1Q Median 3Q Max
-0.12590 -0.04291 0.01879 0.04753 0.12296

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.60847 0.19414 3.134 0.00862 **
log(x1) 0.77597 0.03810 20.366 1.13e-10 ***
log(x2) 0.68222 0.08285 8.235 2.79e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.08369 on 12 degrees of freedom

Multiple R-squared: 0.9723, Adjusted R-squared: 0.9677
F-statistic: 210.5 on 2 and 12 DF, p-value: 4.528e-10

0.9723 Indica que la recta de regresión es apta para predecir valores en

97.23% Parte de la varianza total de Y que la aplica el modelo de regresión.

TEMA 9 – Actividades © Universidad Internacional de La Rioja. (UNIR)