Ejercicios de RLM

1.- El Gobierno Municipal de Aguascalientes desea estimar la recaudación de adeudos en los

servicios públicos en función de los gastos de publicidad en TV y en volantes de los descuentos
disponibles que ofrece a sus habitantes. Los datos históricos de una muestra de 8 semanas
son los siguientes.

Recaudación Anuncios en TV Anuncios en volantes

semanal (miles de $) (miles de $) (miles de $)
96 5.0 1.5
90 2.0 2.0
95 4.0 1.5
92 2.5 2.5
95 3.0 3.3
94 3.5 2.3
94 2.5 4.2
94 3.0 2.5

Resolver los ejercicios con r.

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

b) Determine el coeficiente de correlación, el coeficiente de determinación y el coeficiente

de determinación ajustado. Interprete y comente sus resultados.

Coef. Correlación = 80.80%

Coef. Determinación = 65.3%
Coef. Determinación Ajustado = 59.5%

Existen una correlación fuerte entre los valores, aunque no llega a ser una correlación
perfecta.

Estadística / UAA / fjds 1

Ejercicios de RLM

c) Obtenga un diagrama de dispersión para las tres variables: Recaudación semanal,

anuncios en TV y anuncios en volantes. Interprete.

Recaudación de adeudos en los servicios públicos en la ciudad de A guascalientes

96
Recaudación (miles de $)
94

92

90

2 4

3 3
T V (miles de $ )
volantes ( miles de $ ) 4 2

Fuente: Honorable Ayuntamiento de La Ciudad de Aguascalientes

d) Deduzca una ecuación de regresión estimada con la cantidad de anuncios por TV y

volantes como variables independientes. Interprete los coeficientes estimados.

Recaudación (miles de $) = 83.2 + 2.29 TV (miles de $) + 1.30 volantes (miles de $)

Por cada $1000 pesos gastados en anuncios de TV, se recaudarán $2290

Al igual que en el caso anterior, por cada $1000 pesos gastados en Volantes, se recaudarán
$1300

e) Obtenga una superficie de respuesta.

Estadística / UAA / fjds 2

Ejercicios de RLM

Recaudación de adeudos en los servicios públicos de la ciudad de Aguascalientes

96

Recaudación (miles de $ )
94

92

5
90

2
3 T V (miles de $ )
3
2
4
volantes (miles de $ )

Fuente: Honorable Ayuntamiento de la Ciudad de Aguascalientes

f) Determine el coeficiente de correlación, el coeficiente de determinación múltiple y el

coeficiente de determinación múltiple ajustado. Interprete y comente sus resultados.

R-cuad. = 91.9%
R-cuad.(ajustado) = 88.7%

g) Con la información obtenida en los incisos b) y e), explique si existió un mejora en el

modelo.

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?

Valores pronosticados para nuevas observaciones

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)

Valores de predictores para nuevas observaciones

Anuncios
en TV Anuncios en
(miles volantes
Nueva obs de $) (miles de

Estadística / UAA / fjds 3

Ejercicios de RLM

1 3.50 1.80

El ingreso bruto estimado es de $9358.8.00 m/n, asumiendo un gasto de $350000 m/n

en anuncios de TV y de $180000 m/n en anuncios por volantes.

i) Aplique una prueba de hipótesis para determinar si el modelo completo es significativo.

Use   0.05.

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

EP>PC, Se rechaza Ho, por lo tanto, el modelo es significativo.

P≤α (0.002≤0.05), por lo tanto se rechaza Ho, el modelo es significativo.

j) Aplique una prueba de hipótesis para cada coeficiente  0 , 1 y  2 . Use   .05.

Predictor Coef SE Coef T P
Constante 83.230 1.574 52.88 0.000
Anuncios en TV (miles de $) 2.2902 0.3041 7.53 0.001
Anuncios en volantes (miles de 1.3010 0.3207 4.06 0.010

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)

Asumiendo un gasto de $3700 pesos en Publicidad de TV y $1900 en Publicidad en

volantes, se puede esperar obtener una ganancia desde $93,613 hasta $94,738 con
un 90% de confiabilidad.

l) Determine si se cumplen los supuestos básicos de regresión múltiple.

Estadística / UAA / fjds 4

Ejercicios de RLM

Gráficas de residuos para Recaudación semanal (miles de $

Gráfica de probabilidad normal vs. ajustes
99

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

Histograma vs. orden

3

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

Existe un ligero problema de normalidad, ya que hay 2 datos aberrantes. (Gráfica de

Probabilidad Normal)

En cuanto a la homocedasticidad, se presentan problemas. (vs. Ajustes)

No hay problemas en cuanto a Linealidad. (vs Ajustes)

No existen problemas de Independencia, ya que los residuales se encuentran en forma de Zig-

Zag. (vs. Orden)

Valores Atípicos y de influencia:

RESIDEST1 RESIDT1 HI1 COOK1

Estadística / UAA / fjds 5

Ejercicios de RLM

-1.625 -2.115 0.633 1.517

-1.078 -1.100 0.645 0.704
1.225 1.309 0.301 0.216
-0.368 -0.334 0.226 0.013
1.098 1.127 0.262 0.142
-0.399 -0.363 0.140 0.009
-1.121 -1.158 0.660 0.814
1.080 1.104 0.132 0.059
No hay valores atípicos Vabs(2)
No hay valores de Influencia 3.16338145
No hay valores de Influencia 2*(2+1)/8
0.75
Existen 2 valores de influencia 0.799

Alfa 0.05 0.025

N 8
K 2
L 1
Grados Libertad 5

2. Los siguientes datos describen el experimento para determinar la influencia de:

x1 : temperatura del baño ácido.
x2 : concentración de ácido de cascada.
x3 : temperatura del agua.
x4 : concentración de sulfuro.
x5 : cantidad de blanqueador de cloro.
Sobre una medida adecuada de blancura del rayón ( y ).
concentración cantidad de
Temperatura temperatura concentración blancura
de ácido de blanqueador
de ácido del agua de sulfuro del rayón
cascada de cloro
x1 x2 x3 x4 x5 y
35 0.3 82 0.2 0.3 76.5
35 0.3 82 0.3 0.5 76
35 0.3 88 0.2 0.5 79.9
35 0.3 88 0.3 0.3 83.5
35 0.7 82 0.2 0.5 89.5
35 0.7 82 0.3 0.3 54.2
35 0.7 88 0.2 0.3 85.7
35 0.7 88 0.3 0.5 99.5
55 0.3 82 0.2 0.5 89.4
55 0.3 82 0.3 0.3 97.5
55 0.3 88 0.2 0.3 103.2
55 0.3 88 0.3 0.5 108.7

Estadística / UAA / fjds 6

Ejercicios de RLM

55 0.7 82 0.2 0.3 115.2

55 0.7 82 0.3 0.5 111.5
55 0.7 88 0.2 0.5 102.3
55 0.7 88 0.3 0.3 108.1
25 0.5 85 0.25 0.4 80.2
65 0.5 85 0.25 0.4 89.1
45 0.1 85 0.25 0.4 77.2
45 0.9 85 0.25 0.4 85.1
45 0.5 79 0.25 0.4 71.5
45 0.5 91 0.25 0.4 84.5
45 0.5 85 0.15 0.4 77.5
45 0.5 85 0.35 0.4 79.2
45 0.5 85 0.25 0.2 71
45 0.5 85 0.25 0.6 90.2

Resolver los ejercicios matricialmente en Excel y r.

a) Deduzca una ecuación de regresión estimada con la blancura del rayón como variable
dependiente. Interprete los coeficientes estimados.

blancura del rayón = - 73.1 + 0.870 Temperatura de ácido

+ 14.0 concentración de ácido de casca
+ 1.21 temperatura del agua + 0.6 concentración de sulfuro
+ 29.7 cantidad de blanqueador de cloro

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

b) Determine el coeficiente de correlación, el coeficiente de determinación y el coeficiente

de determinación ajustado. Interprete y comente sus resultados.

A) Coeficientes Blancura Rayón vs Temperatura ácido

Correlación: 0.5881
Determinación: 0.346
Determinación ajustado: 0.319

B) Coeficientes Blancura Rayón vs Concentración ácido cascada

Correlación: 0.1897
Determinación: 0.036
Determinación ajustado: 0

C) Coeficientes Blancura Rayón vs Temperatura Agua

Correlación: 0.2449
Determinación: 0.06
Determinación ajustado: 0.021
D) Coeficientes Blancura Rayón vs % Sulfuro

Estadística / UAA / fjds 7

Ejercicios de RLM

Correlación: 0
Determinación: 0.0
Determinación ajustado: 0.0

E) Coeficientes Blancura Rayón vs Cantidad Cloro

Correlación: 0.2
Determinación: 0.04
Determinación ajustado: 0.0

c) Determine el coeficiente de correlación, el coeficiente de determinación múltiple y el

coeficiente de determinación múltiple ajustado. Interprete y comente sus resultados.

R-cuad. = 48.3% R-cuad.(ajustado) = 35.3%

Correlación: 0.6949
Determinación: 0.483
Determinación ajustado: 0.353

d) Aplique una prueba de hipótesis para determinar si el modelo completo es significativo.

Use   0.05.

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

0.015 < 𝛼 , Se rechaza Ho, el modelo es significativo

e) Aplique una prueba de hipótesis para cada coeficiente. Use   0.05.

Estadística / UAA / fjds 8

Ejercicios de RLM

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.

Predictor Coef SE Coef T P

Constante -73.08 70.21 -1.04 0.310
Temperatura de ácido 0.8704 0.2379 3.66 0.002
concentración de ácido de casca 13.98 11.89 1.18 0.254
temperatura del agua 1.2097 0.7929 1.53 0.143
concentración de sulfuro 0.58 47.57 0.01 0.990
cantidad de blanqueador de clor 29.71 23.79 1.25 0.226

β0 Valor P > α β0 Valor P > α

β1 Valor P < α
β2 Valor P > α
β3 Valor P > α
β4 Valor P > α

En este caso, solo el coeficiente β1 es significativo.

f) Estime un intervalo de confianza y un intervalo de predicción del 95%, para X1=40,

X2=0.4, X3=80, X4=0.25 y X5=0.3. Interprete sus resultados.
g) Determine si se cumplen los supuestos básicos de regresión múltiple.
h) ¿Qué puede hacer para mejorar el modelo de regresión?

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.

Regresión paso a paso: blancura del vs. Temperatura , concentració, ...

Eliminación hacia atrás. Alfa a retirar: 0.05

La respuesta es blancura del rayón en 5 predictores, con N = 26

Paso 1 2 3 4 5
Constante -73.08 -72.94 -65.95 -54.06 48.76

Temperatura de ácido 0.87 0.87 0.87 0.87 0.87

Valor T 3.66 3.75 3.71 3.66 3.57
Valor P 0.002 0.001 0.001 0.001 0.002

concentración de ácido de casca 14 14

Valor T 1.18 1.20
Valor P 0.254 0.242

Estadística / UAA / fjds 9

Ejercicios de RLM

temperatura del agua 1.21 1.21 1.21 1.21

Valor T 1.53 1.56 1.55 1.53
Valor P 0.143 0.133 0.136 0.140

concentración de sulfuro 1
Valor T 0.01
Valor P 0.990

cantidad de blanqueador de clor 30 30 30

Valor T 1.25 1.28 1.27
Valor P 0.226 0.215 0.218

S 11.7 11.4 11.5 11.6 12.0

R-cuad. 48.27 48.27 44.69 40.66 34.64
R-cuad.(ajustado) 35.33 38.41 37.15 35.50 31.91
Cp de Mallows 6.0 4.0 3.4 2.9 3.3

Estadística / UAA / fjds 10