Beruflich Dokumente
Kultur Dokumente
a) Deduzca una ecuación de regresión estimada con la cantidad de anuncios por TV como
variable independiente. Interprete los coeficientes estimados.
La ecuación de regresión es
Recaudación (miles de $) = 88.6 + 1.60 TV (miles de $)
Esto quiere decir que la recaudación aumentará en $1,000 cada vez que los anuncios
en TV aumenten $1,600
Existen una correlación fuerte entre los valores, aunque no llega a ser una correlación
perfecta.
96
Recaudación (miles de $)
94
92
90
2 4
3 3
T V (miles de $ )
volantes ( miles de $ ) 4 2
96
Recaudación (miles de $ )
94
92
5
90
2
3 T V (miles de $ )
3
2
4
volantes (miles de $ )
R-cuad. = 91.9%
R-cuad.(ajustado) = 88.7%
Existió una mejora en el nivel de ajuste del modelo de regresión lineal múltiple,
en comparación de la regresión lineal simple. (El coeficiente cambió de 65.3% a
91.9%)
h) ¿Cuál es el ingreso bruto estimado para una semana en la que se gastarán $3.5 miles
en publicidad en TV y $1.8 miles en publicidad en periódicos?
EE de
Nueva obs Ajuste ajuste IC de 95% IP de 95%
1 93.588 0.291 (92.840, 94.335) (91.774, 95.401)
Anuncios
en TV Anuncios en
(miles volantes
Nueva obs de $) (miles de
1 3.50 1.80
Tabla ANOVA
Análisis de varianza
Fuente GL SC MC F P
Regresión 2 23.435 11.718 28.38 0.002
Error residual 5 2.065 0.413
Total 7 25.500
Ho: β0=0
H1: β0≠0
β0
β1
β2
Los 3 coeficientes son individualmente significativos, dado que:
𝑃(𝛽0 ) < 𝛼
𝑃(𝛽1 ) < 𝛼
𝑃(𝛽2 ) < 𝛼
k) Estime un intervalo de confianza y un intervalo de predicción del 90%, para $3.7 miles
en publicidad en TV y $1.9 miles en publicidad en volantes. Interprete sus resultados.
EE de
Nueva obs Ajuste ajuste IC de 90% IP de 90%
1 94.176 0.279 (93.613, 94.738) (92.764, 95.587)
Residuo estandarizado
1
90
Porcentaje
0
50
-1
10
1 -2
-3.0 -1.5 0.0 1.5 3.0 90.0 91.5 93.0 94.5 96.0
Residuo estandarizado Valor ajustado
Residuo estandarizado
1
Frecuencia
2 0
1 -1
0 -2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1 2 3 4 5 6 7 8
Residuo estandarizado Orden de observación
a) Deduzca una ecuación de regresión estimada con la blancura del rayón como variable
dependiente. Interprete los coeficientes estimados.
La blancura del rayón aumentará cada vez que: la temperatura del ácido aumente
0.87°C, la concentración del ácido cascada aumente en 14 mL/L, la temperatura del
agua aumente 1.21°C, la concentración del sulfuro aumente en 0.6% y la cantidad de
blanqueador de cloro aumente en 29.7 mL/L
Correlación: 0.1897
Determinación: 0.036
Determinación ajustado: 0
Correlación: 0.2449
Determinación: 0.06
Determinación ajustado: 0.021
D) Coeficientes Blancura Rayón vs % Sulfuro
Correlación: 0
Determinación: 0.0
Determinación ajustado: 0.0
Correlación: 0.2
Determinación: 0.04
Determinación ajustado: 0.0
Ho: β0=0
H1: β0≠0
Se rechaza Ho 𝑉𝑎𝑙𝑜𝑟 𝑃 ≤ 𝛼
TABLA ANOVA:
Fuente GL SC MC F P
Regresión 5 2533.8 506.8 3.73 0.015
Error residual 20 2715.8 135.8
Total 25 5249.7
Ho: β=0
H1: β≠0
Aceptar Ho significa que ningún término o variable en el modelo tiene una contribución
significativa al explicar la variable de respuesta. Mientras que rechazar Ho implica que
por lo menos un término en el modelo contribuye de manera significativa a explicar Y.
Se hace un análisis paso a paso de la regresión, usando el método de eliminación hacia atrás
(α=0.05) y los resultados muestran que sería mejor hacer una regresión lineal simple con la
blancura del rayón como variable dependiente y temperatura del ácido como variable
independiente.
Paso 1 2 3 4 5
Constante -73.08 -72.94 -65.95 -54.06 48.76
concentración de sulfuro 1
Valor T 0.01
Valor P 0.990