Vous êtes sur la page 1sur 23

NDICE

2 Inferencias del modelo de regresin y modelo mltiple


2.1 Error estndar de la estimacin
2.1.1 Intervalo de confianza para la estimacin
2.1.2 Intervalo de confianza para la pendiente B
2.1.3 Prueba de hiptesis para el coeficiente de correlacin
2.1 Regresin mltiple

2. Inferencias del modelo de regresin y modelo mltiple

2.1 Error estndar de la estimacin

En la lectura anterior vimos que raras veces los valores observados coinciden con los valores de
la estimacin, esa distancia que hay entre el valor observado y el estimado se conoce como error.

Figura 1. Error estndar de la estimacin

Fuente: elaboracin propia (2016)

Para medir la confiabilidad de la ecuacin de regresin = , se ha desarrollado el


error estndar de estimacin Se que mide la variabilidad o dispersin de los valores observados
alrededor de la recta de regresin. Vamos a ver que una lnea ms exacta de un estimador va a
tener un error estndar de la estimacin ms pequea de lo contrario va a tener una forma el
error estndar de estimacin ms grande.


Figura 2: Comparacin error estndar de la estimacin

Fuente: elaboracin propia

La forma de calcular un error estndar de la estimacin es Se =

+ , -. +-/ 0+
* =
1-2

Se divide entre n-2 que son los grados de libertad, se pierden 2 grados de libertad por los dos
parmetros del modelo de regresin, B o la pendiente y A la ordenada en el origen o punto de
corte.

Para el ejemplo que se trabaj en la semana anterior sobre el nmero de comerciales que se
transmiten al da sobre un producto y las ventas semanales del producto en miles de
unidades monetarias con la siguiente informacin:

Nmero de 4 4 5 6 9 11 13 14 17 18
comerciales
X

Ventas 2,0 1,3 1,5 2,0 2,8 3,0 3,5 3,0 4,0 4,5
semanales Y

Tabla 1. Nmero de comerciales y ventas semanales

Fuente: Elaboracin propia (2016)

En donde:

Y = 0,8175 + 0,1923 X

Y = 27,6 XY=327,4 Y2 = 86,28

encontramos que el error estndar es:

+ , -. +-/ 0+
* =
1-2

34,23- 5,3678 27,4 - 5,692: (:27,<)


* =
65-2

Se= 0,3078
Para los valores de Y estimados puntualmente, se puede obtener una estimacin mediante un
intervalo de confianza para la recta de regresin o los valores estimados de Y.

2.1.1 Intervalo de confianza para la estimacin

Para la construccin del intervalo de confianza tenemos muestras pequeas y no se conoce la


desviacin estndar de la poblacin, entonces se trabaja con la distribucin t student con (n-2)
grados de libertad y aplicamos la siguiente expresin:

*
Ejemplo: Para X: Nmero de comerciales que se transmiten por televisin y Y: ventas semanales,
se tiene que la estimacin puntual para 10 comerciales es:

Y = 0,8175 + 0,1923(10)

Y = 2,7405

Para construir el intervalo de confianza, vamos a fijar un nivel de confianza del 95% y vamos a
ubicar en una tabla t student con 8 grados de libertad (n-2) el valor t = 2,31

Figura 3. Valores tabla t con nivel de significancia 95%

Fuente: elaboracin propia

El intervalo queda en la siguiente forma.

2,7405 (2,31)(0,3078)

Lmite inferior = 2,029

Lmite superior = 3,4515

Con un nivel de confianza del 95%, se puede decir que para 10 comerciales por televisin se
estiman ventas entre 2029 y 3451,5 unidades monetarias.

2.1.2 Intervalo de confianza para la pendiente B

El intervalo de confianza para el coeficiente de regresin o pendiente del modelo de regresin se


puede calcular con la siguiente expresin:

B t/2SB

donde t/2 es el valor de la distribucin t student con (n-2) grados de libertad y SB es la


desviacin estndar del parmetro B y se obtiene con la siguiente frmula:

@, (+-+),
SB= ,
S2=
(0-0) 1.2

2
X Y ( )

2

( )

4 2 1,5867 0,17081689 37,21

4 1,3 1,5867 0,08219689 16

5 1,5 1,779 0,077841 25

6 2 1,9713 0,00082369 36

9 2,8 2,5482 0,06340324 81

11 3 2,9328 0,00451584 121

13 3,5 3,3174 0,03334276 169

14 3 3,5097 0,25979409 196

17 4 4,0866 0,00749956 289

18 4,5 4,2789 0,04888521 324

Total 0,74911917 1294,21

Tabla 2. Ejemplo

Fuente. Elaboracin propia (2016)


5,7<966967
S2= =0,0936399
3

5,59:4:99
SB = = 0,0085
629<,26

Con un nivel de confianza del 95% el valor t = 2,31

El intervalo queda:

0,1923 (2,31)(0,0085)

Lmite inferior = 0,17265

Lmite superior = 0,21194

Prueba de Hiptesis para el coeficiente de correlacin

Cuando se trabaja el modelo de regresin es conveniente determinar la importancia de la variable


independiente en el modelo para estimar los valores de la variable dependiente, para esto se
plantea la siguiente hiptesis:

H0: B=0

H1: B0

En donde la estadstica de prueba es:


/
=
@D


5,692:
= = 22,607
5,5538

Como se puede observar en la figura, el anterior valor 22,607 cae en la zona de rechazo, lo cual
significa que est rechazndose la hiptesis H0 y por lo tanto, aceptamos H1, lo que equivale a
decir que la variable X nmero de comerciales, s contribuye con informacin para estimar los
valores de Y.

2.1.3. Prueba de hiptesis para el coeficiente de correlacin

La prueba para determinar si hay correlacin entre variables tiene la forma:

H0: = 0 (No hay correlacin)

H1: 0 (Si hay correlacin)


H
La estadstica de prueba es =
IJK,
LJ,

r = 0,9622

0,9622
= = 9,993
1 0,96222
10 2

El anterior valor cae en la zona de rechazo, por lo tanto, se rechaza la hiptesis nula y se acepta
la alternativa, es decir, si hay correlacin entre las variables a un nivel de significancia del 5%.

2.2 Regresin mltiple

El Anlisis de Regresin Lineal Mltiple nos permite establecer la relacin que se produce entre
una variable dependiente Y y un conjunto de variables independientes (X1, X2, ... Xk).

El anlisis de regresin lineal mltiple, a diferencia del simple, se aproxima ms a situaciones de


anlisis real, puesto que los fenmenos, hechos y procesos sociales, por definicin, son complejos
y, en consecuencia, deben ser explicados en la medida de lo posible por la serie de variables que,
directa e indirectamente, participan en su concrecin.

Al aplicar el anlisis de regresin mltiple, lo ms frecuente es que tanto la variable dependiente


como las independientes sean variables continuas, medidas en escala de intervalo o razn. No
obstante, caben otras posibilidades: (1) tambin podremos aplicar este anlisis cuando
relacionemos una variable dependiente continua con un conjunto de variables categricas; (2) o
bien, tambin aplicaremos el anlisis de regresin lineal mltiple en el caso de que relacionemos
una variable dependiente nominal con un conjunto de variables continuas.

La anotacin matemtica del modelo o ecuacin de regresin lineal mltiple es la que sigue:

Y = a + b1 x1 + b2 x2 + ... + bn xn

en donde:

Y es la variable a predecir a, b1, b2 ... bn, son parmetros desconocidos a estimar;

Al ocuparnos del anlisis lineal de regresin simple, vimos como el modelo final resultante poda
ser calificado de un buen modelo. Sin embargo, en muchas ocasiones los modelos simples se
pueden ver mejorados al introducir una segunda (tercera, cuarta,...) variable independiente o
explicativa. Consideramos que un modelo de regresin lineal simple se ha mejorado, cuando al
introducir en el mismo ms variables independientes, la proporcin de variabilidad explicada se
incrementa. Pero qu variables son las que mejor explican el hecho, proceso o fenmeno social
objeto de estudio?; o, qu variables no es necesario incluir en el modelo, dada su nula o escasa
capacidad explicativa? Esta es, sin lugar a dudas, la decisin ms importante ligada al anlisis de

regresin mltiple y la inclusin de este proceso es lo que diferencia, sustancialmente, al anlisis


de regresin mltiple del de regresin simple.

La exposicin de esta lectura, se estructura en torno a los siguientes puntos, a saber:

1. Determinacin de la bondad de ajuste de los datos al modelo de regresin lineal mltiple


(R2).
2. Eleccin del modelo que con el menor nmero de variables explica ms la variable
dependiente o criterio.
3. Estimacin de los parmetros de la ecuacin y del modelo o ecuacin predictiva.
4. Exposicin de los pasos y Cuadro de Dilogo del Anlisis de Regresin Lineal (Mltiple) que
podemos seguir para la obtencin de los estadsticos y las pruebas necesarias citadas en
cada uno de los puntos precedentes.

En el anlisis de regresin lineal mltiple, la construccin de su correspondiente ecuacin se
realiza seleccionando las variables una a una, paso a paso.

La finalidad perseguida es buscar, de entre todas las posibles variables explicativas, aquellas que
ms y mejor expliquen a la variable dependiente sin que ninguna de ellas sea combinacin lineal
de las restantes. Este procedimiento implica que:

(1) en cada paso solo se introduce aquella variable que cumple unos criterios de entrada; (2) una
vez introducida, en cada paso se valora si algunas de las variables cumplen criterios de salida;

(3), en cada paso se valora la bondad de ajuste de los datos al modelo de regresin lineal y se
calculan los parmetros del modelo verificado en dicho paso. El proceso se inicia sin ninguna
variable independiente en la ecuacin de regresin y el proceso concluye cuando no queda
ninguna variable fuera de la ecuacin que satisfaga el criterio de seleccin (garantiza que las
variables seleccionadas son significativas) y/o el criterio de eliminacin (garantizar que una
variable seleccionada no es redundante).

1.- Verificacin de los criterios de probabilidad de entrada.

El p-valor asociado al estadstico T, o probabilidad de entrada, nos indica si la informacin
proporcionada por cada una de las variables es redundante. Si ste es menor que un determinado
valor crtico, la variable ser seleccionada. El EXCEL, por defecto, establece en 0.05 el valor crtico
de la probabilidad de entrada.

2.- Verificacin del criterio de probabilidad de salida.
En este caso, si el p-valor asociado al estadstico T, o probabilidad de salida, es mayor que
un determinado valor crtico, la variable ser eliminada. El EXCEL, por defecto, establece

en 0.1 el valor crtico de la probabilidad de salida (ntese que con la finalidad de que una
variable no pueda entrar y salir de la ecuacin en dos pasos consecutivos, el valor crtico
de la probabilidad de salida debe ser mayor que el de la probabilidad de entrada). En el
caso prctico que recogemos en los resultados, puede apreciarse que las dos variables
independientes han superado los criterios de entrada y de salida.

En cada paso, en el que se introduce o elimina una variable, se obtienen los estadsticos
de bondad de ajuste (R, R2, R2 corregido, error tpico de la estimacin), el anlisis de
varianza y la estimacin de parmetros considerando las variables introducidas. El Excel
ofrece dos tablas con esta informacin: en la primera resume los estadsticos de bondad
de ajuste y en la segunda nos presenta el anlisis de varianza. En ellas se comparan los
resultados obtenidos para cada una de las ecuaciones o modelo obtenidos con la
secuencia de pasos utilizados.

A continuacin, exponemos los principales elementos a considerar en el anlisis de
regresin mltiple. Recordemos que stos ya se expusieron en el captulo de regresin
simple. Aqu enfatizamos aquellos aspectos que debemos considerar cuando stos son
aplicados en el anlisis de regresin mltiple.
1.- Coeficiente de Correlacin Mltiple (Mltiple R).
Mide la intensidad de la relacin entre un conjunto de variables independientes y una
variable dependiente.

2- Matriz de correlacin que establece la relacin entre cada variable independiente con
la variable dependiente, lo ideal que entre las dos variables exista una alta correlacin o,
en otras palabras, si se van a descartar variables del modelo se tendran en cuenta aquellas
con una correlacin baja.


3.- Anlisis de Varianza.
La tabla de anlisis de varianza que incluye en su salida de resultados el Excel, permite
valorar hasta qu punto es adecuado el modelo de regresin lineal para estimar los valores
de la variable dependiente. La tabla de anlisis de varianza se basa en que la variabilidad
total de la muestra puede descomponerse entre la variabilidad explicada por la regresin
y la variabilidad residual. La tabla de ANOVA proporciona el estadstico F a partir del cual
podemos contrastar la H0 de que R2 es igual a 0, la pendiente de la recta de regresin es
igual a 0, o que es lo mismo, la hiptesis de que las dos variables estn correlacionadas. Si
el p-valor asociado al estadstico F es menor que el nivel de significacin (normalmente
0.05), rechazaremos la hiptesis nula planteada. Del mismo modo, podremos considerar
que los resultados obtenidos con la muestra son generalizables a la poblacin a la que
pertenece la muestra.

En el caso de anlisis de regresin mltiple, la tabla del anlisis de varianza nos indica los
p-valores asociados al estadstico F en cada uno de los modelos generados.
Una vez que ya hemos analizado el carcter e intensidad de la relacin entre las variables,
podemos proceder a estimar los parmetros de la ecuacin de prediccin o de regresin
lineal. En el caso del anlisis de regresin mltiple, tendremos tantas ecuaciones como
modelos o pasos hayamos efectuado. De todos ellos elegiremos aquel que mejor se ajuste.
ste es el ltimo de los modelos generados.

El criterio para obtener los coeficientes de regresin B0, B1 y B2 es el de mnimos
cuadrados. Este consiste en minimizar la suma de los cuadrados de los residuos de tal
manera que la recta de regresin que definamos es la que ms se acerca a la nube de
puntos observados y, en consecuencia, la que mejor los representa.
Los estadsticos asociados a la variable independiente que ha pasado a formar parte del
modelo de regresin simple son:

Coeficiente de regresin B. Este coeficiente nos indica el nmero de unidades que
aumentar la variable dependiente o criterio por cada unidad que aumente la variable
independiente.
El valor de la constante coincide con el punto en el que la recta de regresin corta el eje
de ordenadas.

Excel para regresin mltiple

En una hoja de clculo de Excel, ingresa la informacin que utilizars para realizar tu
anlisis de regresin. Puedes ingresar manualmente esa informacin o importar un
archivo de otra fuente, como puede ser un archivo ASCII u otra hoja de clculo.

Aunque la funcin de anlisis de datos est incluida en todas las versiones de Excel,
primero debes desbloquear la herramienta desde el men de complementos e instalarla.
Para esto, abre el programa Excel y da clic en "Herramientas" para que se despliegue un
men. Selecciona "Complementos" y se abrir una ventana ms pequea con una serie de
opciones. En la caja prxima a "Herramientas para anlisis", da clic en "Aceptar". Luego,
aparecer en el men "Herramientas" la opcin "Anlisis de datos" lista para ser utilizada.
Si tienes el Excel 2007, puedes acceder al complemento de anlisis de datos haciendo clic
en el botn de Microsoft Office en el borde superior izquierdo de un libro abierto de Excel.
Luego, da clic en "Opciones de Excel". Esto abre una nueva ventana que muestra opciones
en la columna izquierda. Elige "Complementos", selecciona "Herramientas para anlisis" y
haz clic en "Aceptar". Esto har que la herramienta de anlisis de datos est lista para usar.

Para realizar una regresin mltiple, abre el men de Herramientas y selecciona "Anlisis de
datos" (en el Excel 2007, haz clic en la pestaa "Datos" y, luego, en el botn "Anlisis de datos").

Ingresa los valores para la variable dependiente (Y) y las independientes (X) haciendo clic en las
celdas y columnas correspondientes de la hoja de clculos. Luego de seleccionar los rangos de
datos para analizar, haz clic en "Aceptar". As se dar inicio al procedimiento y el programa te
mostrar los resultados en una hoja de clculo nueva.

Examina la informacin resultante, comenzando por la estadstica de regresin que est en la


parte de arriba. Mira el valor del cuadrante R, el cual te dir qu porcentaje de variabilidad de la
variable dependiente (por ejemplo, salarios promedio) se explica en tu modelo de regresin.
Luego, mira los valores de los coeficientes y las estadsticas T y niveles de significancia
correspondientes. Una estadstica T de 2 o mayor indica significancia estadstica; esto significa
que la relacin entre la variable independiente y la dependiente no se debe al puro azar.

Ejemplo:

El gerente de ventas de un distribuidor grande de partes automotrices desea estimar en el mes


de abril las ventas totales anuales de una regin. Con base en las ventas regionales, tambin se
pueden estimar las ventas totales de la compaa.

Parece que varios factores estn relacionados con las ventas (millones de dlares), como el
nmero de almacenes de descuento que en la regin venden componentes de la compaa, el
nmero de automviles en la regin registrados desde el 1 de abril (millones), el ingreso por
persona del primer trimestre del ao (miles de millones de dlares), la antigedad promedio de
los automviles (aos) y el nmero de supervisores por tienda.

Ingreso
Ventas
No. personal
anules No. Antigedad
Almacenes (miles No de
(millones Automviles promedio
de millones supervisores
de registrados automviles
descuento de
dlare4s)
dlares)

Y X1 X2 X3 X4 X5

37,702 1739 9,27 85,40 3,50 9

24,196 1221 5,86 60,70 5,00 5

32,055 1846 8,81 68,10 4,40 7

3,611 120 3,81 20,20 4,90 5

17,625 1096 10,31 33,80 3,50 7

45,919 2290 11,62 95,10 4,10 13

29,600 1687 8,96 69,30 4,10 15

8,114 241 6,28 16,30 5,90 11

20,116 649 7,77 34,90 5,50 16

12,994 1427 10,92 15,10 4,10 10

Tabla 3. Ejemplo regresin mltiple

Fuente: Anderson D., Sweenei, D. y Willians, T. (2004).

a) Con la matriz de correlacin determine qu variable individual tiene la correlacin


ms fuerte con la variable dependiente?
b) Qu porcentaje de la variacin de las ventas se explica mediante la ecuacin de
regresin?
c) Realice la prueba general de hiptesis para determinar si alguno de los coeficientes
de regresin es diferente de cero con un nivel de significancia del 5%.
d) Realice la prueba de hiptesis para cada variable independiente. Considerara
eliminar tiendas de descuento y supervisores? Utilice un nivel del 5%.
e) Vuelva a correr la regresin sin tiendas de descuento y supervisores. Mejor el
modelo de regresin?
f) Interprete los parmetros del nuevo modelo.
a. Con la matriz de correlacin determine qu variable individual tiene la correlacin
ms fuerte con la variable dependiente?
Para resolver esta inquietud vamos a Excel, en datos y en anlisis de datos solicitamos
el procedimiento de coeficiente de correlacin.

Figura 4. Coeficientes de correlacin, Excel

Fuente: elaboracin propia (2016)

Obteniendo la matriz de correlacin de cada pareja de variables, como la idea es identificar cules
de estas variables presentan una alta correlacin con la variable dependiente Y, se observa que
estas variables son X1 y X3:

Figura 5. Resultados coeficientes de correlacin

Fuente: elaboracin propia (2016)

b. Qu porcentaje de la variacin de las ventas se explica mediante la ecuacin de regresin?

Para esto, en anlisis de datos se busca el procedimiento de regresin:

Figura 6. Regresin en Excel

Fuente: elaboracin propia (2016)

Y se obtiene la siguiente salida:

Figura 7. Resultados inferencias

Fuente: elaboracin propia (2017)

El porcentaje de variacin explicado se interpreta con R2 con el mismo criterio que en la regresin
lineal simple. En este caso, un valor R2= 0,9888 indica en porcentaje un valor del 98,88% indicando
que el modelo de regresin mltiple presenta un buen ajuste para predecir los valores de Y
(ventas).

c. Realice la prueba general de hiptesis para determinar si alguno de los coeficientes de regresin
es diferente de cero con un nivel de significancia del 5%.

En la tabla de resultados se observa la probabilidad que aparece al frente de cada variable. Si esta
probabilidad es menor al nivel de significancia dado, entonces se dice que los coeficientes de
las variables X2, X3, X4 son diferentes de cero, es decir que estas variables son importantes para el
modelo y, por lo tanto, no se pueden eliminar.

d. Vuelva a correr la regresin sin tiendas de descuento y supervisores. Mejor el modelo de


regresin?

Figura 8. Anlisis de varianza

Fuente: elaboracin propia

e. Realice la prueba de hiptesis para cada variable independiente. Considerara eliminar


tiendas de descuento y supervisores? Utilice un nivel del 5%.

Una vez eliminadas las variables, se observa que los valores de la probabilidad son menores del
nivel , por lo tanto, las tres variables contribuyen con informacin para explicar las ventas. Con
la eliminacin de tiendas de descuento y de supervisores, el modelo de regresin mltiple mejora
las predicciones y el anlisis para las ventas (Y).

f. Interpretacin de las variables en el nuevo modelo:

Para la interpretacin de cada parmetro del modelo, se va a utilizar el mismo criterio visto en el
modelo de regresin lineal simple:

Ingreso
Ventas
Nmero de personal Antigedad
anules
Automviles (miles promedio
(millones de
registrados millones de automviles
dlare4s)
dlares)

Y X2 X3 X4

Coeficientes -23,851271 1,85596 0,405810 6,50685

Modelo de regresin lineal mltiple:

Y = -23,851271 + 1,85596X2 + 0,405810X3 + 6,50685X4

Para 1,85596: Por cada automvil registrado, las ventas se incrementan en U$1855.960, si las
otras variables permanecen constantes.

Para 0,405810: Por cada mil millones de dlares en que aumenta el ingreso personal, las ventas
se incrementan en U$405810, si las otras variables permanecen constantes.

Para 6,50685: Por cada ao de antigedad de los automviles, las ventas se incrementan en
U$6506.850, si las otras variables permanecen constantes.

Ejemplificacin de la temtica

1. Se quiere medir la relacin que existe entre el nmero de empleados (X) y las ventas semanales
(en millones de $) (Y), para un grupo de almacenes del sector de los alimentos en una ciudad. Los
datos obtenidos son los siguientes:


X 12 16 20 28 30 32 36 40
Y 20 30 36 44 80 60 95 98

a) Encuentre el modelo de regresin lineal para estimar las ventas semanales en


funcin del nmero de empleados.
b) Interprete los parmetros del modelo.
c) Cul es el nivel o grado de asociacin entre variables?
d) Qu porcentaje de las ventas son explicadas por el modelo lineal en funcin del
nmero de empleados?
e) Estime las ventas para un almacn que tiene 50 empleados.

2. Un gerente de una empresa desea predecir los costos (Y) en millones de pesos, basndose en
la cantidad de insumos de materias primas (X), cientos de libras, que recibe un fabricante de un
producto.

Y 12 8 6 5 8 7

X 25 20 18 15 20 19


a) Encuentre el modelo de regresin lineal.
b) Interprete los parmetros del modelo.
c) Calcule e interprete el coeficiente de correlacin.
d) Calcule e interprete el coeficiente de determinacin.

Estime los costos si se reciben 22 (cientos de libras) en materias primas.

3. Un supermercado ha decidido ampliar el negocio y decide estudiar el nmero de cajas


registradoras que va a instalar, para evitar grandes colas. Para ello, se obtuvieron los siguientes
datos, procedentes de otros establecimientos similares, acerca del nmero de cajas registradoras
(X) y el tiempo medio de espera (Y) en minutos.

Nmero de cajas 10 12 14 16 18 20
registradoras

Tiempo medio de espera 59 51 42 32 26 22


(minutos)


a) Existe relacin entre el nmero de cajas y el tiempo de espera?
b) No vara el tiempo de espera por cada caja adicional?
c) En cunto se estima el tiempo medio mnimo de espera?
d) Si se instalaran 22 cajas registradoras. Cul ser el tiempo medio de espera?
e) El pronstico anterior es confiable?

4. La compaa de seguros Segursimo, desea determinar el grado de relacin que existe entre
el monto del seguro de vida (en unidades de diez mil pesos) en funcin del ingreso familiar
semanal (miles de pesos). Para ello, estableci la siguiente ecuacin de regresin, as como alguna
informacin adicional:

Y = 2,5 + 1,78X

r = 0,9088

a) Cul es la variable dependiente y cul la independiente?


b) Interprete cada uno de los parmetros de la ecuacin.
c) Interprete los coeficientes de correlacin y de determinacin.
d) Estime el monto del seguro para un ingreso familiar de $ 55.000 semanales.

5. El conocer la potencialidad de los territorios de venta permite planear sistemas de control y de


incentivos para los agentes de ventas. El gerente de una compaa que vende equipos de oficina,
para estudiar lo anterior, ha hecho un registro por territorio de las ventas del mes pasado (Y), el
nmero de clientes (X1) y los aos de experiencia (X2) del agente de ventas. De ese registro se
seleccionaron 25 territorios con los siguientes datos:

Y: X1 X2
Nmero de
clientes
(*100)

36,7 15 1,7

34,74 14 1,7

22,95 12 1,5

46,76 18 2,6

61,26 24 4,7

21,35 9 1,3

50,32 22 2,5

33,67 14 1,9

65,19 25 4,3

48,76 21 2,4

24,68 11 1,7

25,33 11 1,6

24,08 12 1,4

23,37 10 1,5

45,87 19 2,3

27,29 12 1,6

32,89 14 1,8

28,01 13 1,6

32,64 13 1,9

34,54 15 1,7

17,41 7 1,3

20,36 9 1,4

15,78 6 1,2

41,68 16 2

28 11 1,6

a) Utilizando las herramientas de Excel encuentre el modelo de regresin mltiple.


b) Realice las pruebas de hiptesis apropiadas a los parmetros del modelo.
c) Interprete el coeficiente de determinacin del modelo mltiple.
d) Analice los parmetros del modelo de regresin mltiple y analice todos los
resultados obtenidos con la tabla de anlisis de varianza del modelo.

GLOSARIO DE TRMINOS

Datos Bivariados: Los que corresponden al anlisis de dos variables en forma simultnea.

Coeficiente de determinacin: Valor que determina el ajuste de los modelos de regresin.

Modelo de regresin lineal: Modelo que utiliza la lnea recta para el anlisis de dos variables.

Modelo de regresin mltiple: Modelo que analiza una variable dependiente y dos o ms
variables independientes.

5. BIBLIOGRAFA.

Anderson D., Sweenei, D. y Willians, T. (2004). Estadstica para administracin y economa.


Mxico: Cengage Learning Editores,

Lind, Marchal y Wathen (2012). Estadstica Aplicada a los negocios y la economa. Mxico: Mac
Graw Hill.

Martinez, C. (2002). Estadstica y Muestreo. Bogot: ECOE Ediciones

Newbold, P. (2008). Estadstica para los Negocios y la Economa. Mxico: Ed. Prentice Hall.

Triola, M. (2013). Estadstica. Mxico: Pearson

Walpole R. y Myers R. (2008). Probabilidad y Estadstica para Ingenieros. Mxico: Prentice Hall.

Webster A. L. (2000). Estadstica aplicada a los negocios y la economa. Mxico: McGraw Hill.

Lista de figuras

Figura 1 Error estndar de la estimacin

Figura 2: Comparacin error estndar de la estimacin

Figura 3. Valores tabla t con nivel de significancia 95%


Figura 4. Coeficientes de correlacin, Excel
Figura 5. Resultados coeficientes de correlacin

Figura 6. Regresin en Excel

Figura 7. Resultados inferencias

Figura 8. Anlisis de varianza

Lista de tablas

Tabla 1. Nmero de comerciales y ventas semanales

Tabla 2. Ejemplo

Tabla 2. Ejemplo regresin mltiple