CASO PRÁCTICO

El Servicio Interno de Contribuciones (IRS) de EE.UU. está tratando de estimar la cantidad mensual de impuestos no
pagados descubiertos por su departamento de auditorías. En el pasado, el IRS estimaba esta cantidad con base en el
número esperado de horas de trabajo de auditorías de campo. En los últimos años, sin embargo, las horas de trabajo
de auditorías de campo se han convertido en un pronosticador errático de los impuestos no pagados reales. Como
resultado, la dependencia está buscando otro factor para mejorar la ecuación de estimación.

El departamento de auditorías tiene un registro del número de horas que usa sus computadoras para detectar
impuestos no pagados. ¿Podríamos combinar esta información con los datos referentes a las horas de trabajo de
auditorías de campo y obtener una ecuación de estimación más precisa para los impuestos no pagados descubiertos
por cada mes?

Tomado de: Estadística para administración y Economía

Autor: Richard Levin

x1 x2 y
Horas de trabajo de Horas en Impuestos reales no
Mes auditoría de campo Computadora (dos pagados descubiertos
(dos ceros omitidos) ceros omitidos) (Millones de $)
Enero 45 16 29
Febrero 42 14 24
Marzo 44 15 27
Abril 45 13 25
Mayo 43 13 26
Junio 46 14 28
Julio 44 16 30
Agosto 45 16 28
Septiembre 44 15 28
Octubre 43 15 27

4300 43
1600 16
y= 28.0092838196 millones
$ 28,009,283.82
ad mensual de impuestos no
esta cantidad con base en el
embargo, las horas de trabajo
os no pagados reales. Como
ón de estimación.

mputadoras para detectar

es a las horas de trabajo de
stos no pagados descubiertos

Impuestos reales no pagados descubiertos (millones de $)

35
Ecuación de regresión múltiple
�=𝑎+ 𝑏_1 𝑥_1+𝑏_2 𝑥_2+…𝑏_𝑛 𝑥_𝑛
30
Coeficientes
Intercepción -13.8196286472
Variable X 1 0.5636604775 25
Variable X 2 1.099469496
La ecuación de RM es:
20
�=−13.82+𝑜.56𝑥_1+1.10𝑥_2

15

10

0
41.5 42 42.5 43 43.5 44 44.5 45 45.5 46 46.5

Column D Linear (Column D)

Column E Linear (Column E)
5

0
41.5 42 42.5 43 43.5 44 44.5 45 45.5 46 46.5

Column D Linear (Column D)

Column E Linear (Column E)
(millones de $)

5.5 46 46.5

umn D)
umn E)
5.5 46 46.5

umn D)
umn E)
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.8537700043
Coeficiente de determinación R^2 0.7289232203
R^2 ajustado 0.6514727118
Error típico 1.0706388399
Observaciones 10

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 2 21.576127321
Residuos 7 8.023872679
Total 9 29.6

Coeficientes Error típico

Intercepción -13.8196286472 13.3232998954
Variable X 1 0.5636604775 0.3032738809
Variable X 2 1.099469496 0.3131390133

Análisis de los residuales

Observación Pronóstico para Y Residuos

1 29.1366047745 -0.1366047745
2 25.2466843501 -1.2466843501
3 27.4734748011 -0.4734748011
4 25.8381962865 -0.8381962865
5 24.7108753316 1.2891246684
6 27.5013262599 0.4986737401
7 28.5729442971 1.4270557029
8 29.1366047745 -1.1366047745
9 27.4734748011 0.5265251989
10 26.9098143236 0.0901856764
Promedio de los cuadrados F Valor crítico de F
10.7880636605 9.4114710744 0.0103710592
1.1462675256

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0%

-1.0372526893 0.3341148117 -45.324226691 17.684969397 -45.324226691
1.8585856317 0.1054301544 -0.1534682961 1.280789251 -0.1534682961
3.5111226943 0.0098444976 0.3590133911 1.839925601 0.3590133911

Resultados de datos de probabilidad

Percentil Y
5 24
15 25
25 26
35 27
45 27
55 28
65 28
75 28
85 29
95 30
Superior 95.0%
17.6849693966
1.280789251
1.839925601