Nombre: Barbara Cristal Sandoval Rivera Mat

Nombre del curso: Estadística y pronósticos para

Nombre del profesor
la toma de decisiones

Módulo: 3. Actividad: Ejercicio 15

Fecha: abril 2019

Bibliografía: Blackboard

Objetivo:
Resultados:

Obtener el factor de inflación de varianza cuando las

variables independientes

están correlacionadas.
Resuelve los siguientes problemas. Se pueden realizar en
pareja o de manera individual.
1. Si el coeficiente de determinación entre dos variables
independientes es 0.20, ¿cuál es el valor del factor de
inflación de varianza VIF?
1.25
2. Si el coeficiente de determinación entre dos variables
independientes es 0.50, ¿cuál es el valor del factor de
inflación de varianza VIF?
2
3.
Un negocio de ventas por catálogo de computadoras
personales, software y hardware mantiene un almacén
centralizado para la distribución de los productos ordenados.
La administración examina el proceso de distribución y está
interesada en examinar los factores que afectan los costos.
En la actualidad, se cobra una pequeña cuota por manejo,
independiente del monto de la orden. Se recolectaron datos
de los últimos 24 meses que indican los costos de distribución
(Y), las ventas (X1) y el número de órdenes recibidas (X2).
Haz clic aquí para ver los resultados.
a. Realiza una regresión múltiple y determina el VIF para
cada variable explicativa en el modelo. ¿Existe alguna razón
para sospechar que existe multicolinealidad?

Costo de Ventas Órdenes

lOMoARcPSD|3328508

Reporte

Distribución
(miles de dólares)
Resumen
R^2 ajustado
Error típico
Y
52.95
71.66
85.58
63.69
72.81
68.44
52.46
70.77
82.03
74.39
70.84
54.08
62.98
72.3
58.99
79.38
94.44
59.74
90.5
93.24
69.33
53.71
89.18
Observaciones
66.8
Estadísticas de la regresión
ANÁLISIS DE VARIANZA
Residuos
Regresión
(miles de dólares)
X1
X1
386
446
512
401
457
458
301
484
517
503
535
353
372
328
408
491
527
444
623
596
463
389
547
415
X2
0.8641201 6
4.7661655 7
24
Grados de libertad
X2
4015
3806
5309
4262
4296
4097
3213
4809
5237
4732
4413
2921
3977
4428
3964
4582
5582
3450
5079
5735
4269
3708
5387
4161

Coeficiente de correlación múltiple

Coeficiente de determinación R^2

0.9359144 2
0.8759358
2
Suma de cuadrados
3368.087376
lOMoARcPSD|3328508

Reporte

477.043019
Total 21
6

3845.13039
23
6

Promedio de los
F Valor crítico de F
cuadrados

1684.043688 74.1336022 3.0429E-10

22.71633427

Coeficientes Error típico

- 2.72824658
Intercepción 6.157879754
3

Variable X 1 0.04711387 2 0.02032792

Variable X 2 0.01194692 6 0.002248569

Estadístico t Probabilidad Inferior 95%

0.66226024
-0.443049668 -15.53425857
7

0.03064376
2.317692762 0.004839649
9

5.313123092 2.87239E-05 0.00727077

Inferior Superior
Superior 95%
95.0% 95.0%

10.07776541 -15.53425857 10.07776541

0.089388095 0.004839649 0.089388095

0.016623082 0.00727077 0.016623082

Descargado por Luis Arango (larangoquiroz@hotmail.com)

lOMoARcPSD|3328508
Reporte

4. Una organización de consumidores desea desarrollar un

modelo para predecir el rendimiento de gasolina de
automóvil, medido en cantidad de millas recorridas [millas por
galón (mpg)] de acuerdo a los caballos de fuerza del motor y
el peso del auto Kg. Se seleccionó una muestra de 50
modelos. Haz clic aquí para ver los resultados.

a. Realiza un modelo de regresión lineal múltiple.

Y=58.1570824-0.1175255X1-0.0068706X2

Caballos de
MP G Pes o
fuerza

Y X1 X2

43.1 48 1985

19.9 110 3365

19.2 105 3535

17.7 165 3445

18.1 139 3205

20.3 103 2830

21.5 115 3245

16.9 155 4360

15.5 142 4054

18.5 150 3940

27.2 71 3190

41.5 76 2144

46.6 65 2110

23.7 100 2420

27.2 84 2490

39.1 58 1755
lOMoARcPSD|3328508

Reporte

28 88 260
 5

286
24 92
5

357
20.2 139
0

315
20.5 95
5

267
28 90
8

221
34.7 63
5

180
36.1 66
0

191
35.7 80
5

296
20.2 85
5

342
23.9 90
0

238
29.9 65
0

325
30.4 67
0

36 74 198
 0

280
22.6 110
0

295
36.4 67
0

256
27.5 95
0

221
33.7 75
0

185
44.6 67
0

261
32.9 100
5

196
38 67
5

293
24.2 120
0

196
38.1 60
8

207
39.4 70
0

290
25.4 116
0

31.3 75 254
 2

198
34.1 68
5

239
34 88
5

272
31 82
0

267
27.4 80
0

289
22.3 88
0

262
28 79
5

346
17.6 85
5

346
34.4 65
5

338
20.6 105
0

Descargado por Luis Arango (larangoquiroz@hotmail.com)

lOMoARcPSD|3328508
Reporte

b. Determina el factor de inflación de varianza VIF para cada

variable explicativa en el modelo. ¿Existe alguna razón para
sospechar que existe multicolinealidad?

VIF= 3.9962905
Si VIFj > 1, lo cual puede ocurrir para casos en los que,
implica que existe una relación entre las variables.
5. El director de operaciones de transmisión de una estación
de televisión desea estudiar el aspecto de las “horas de
espera” en la que los artistas gráficos sindicalizados se les
paga por no realizar actividades. Las variables a considerar
son las siguientes:
a. b.
c.
d.
Horas de espera (Y): número total de horas por semana.
Personal presente total (X1): total semanal de días-persona
los 7 días a la semana.
Horas remotas (X2): número total de horas trabajadas por
empleados fuera de la planta central.
Haz clic aquí para ver los resultados de un periodo de 26
semanas.

Personal
Horas en espera Horas remotas
presente

Y X1 X2

245 338 414

177 333 598

271 358 656

211 372 631

Descargado por Luis Arango (larangoquiroz@hotmail.com)
lOMoARcPSD|3328508

Reporte

52
196 339
8
 40
135 289
9

38
195 334
2

39
118 293
9

34
116 325
3

33
147 311
8

35
154 304
3

28
146 312
9

38
115 283
8

40
161 307
2

15
274 322
1

22
245 335
8

27
201 350
1

183 339 44
 0

47
237 327
5

34
175 328
7

44
152 319
9

33
188 325
6

26
188 322
7

23
197 317
5

16
261 315
4

27
232 331
0

e. Ajusta un modelo de regresión lineal múltiple.

ECUACION
Y=-330.67483+1.76486461X1-0.1389668X2

Descargado por Luis Arango (larangoquiroz@hotmail.com)

lOMoARcPSD|3328508
Reporte

f. Determina el factor de inflación de varianza VIF para cada

variable explicativa en el modelo. ¿Existe alguna razón para
sospechar que existe multicolinealidad?

Si VIFj > 1, lo cual puede ocurrir para casos en los que,

implica que existe una relación entre las variables.

Nombre: Barbara Cristal Sandoval Rivera Mat

Nombre del curso: Estadística y pronósticos para

Nombre del profesor
la toma de decisiones

Módulo: 3. Actividad: Ejercicio 15

Fecha: abril 2019

Bibliografía: Blackboard

Objetivo:
Resultados:

Obtener el factor de inflación de varianza cuando las

variables independientes

están correlacionadas.
Resuelve los siguientes problemas. Se pueden realizar en
pareja o de manera individual.
1. Si el coeficiente de determinación entre dos variables
independientes es 0.20, ¿cuál es el valor del factor de
inflación de varianza VIF?
1.25
2. Si el coeficiente de determinación entre dos variables
independientes es 0.50, ¿cuál es el valor del factor de
inflación de varianza VIF?
2
3.
Un negocio de ventas por catálogo de computadoras
personales, software y hardware mantiene un almacén
centralizado para la distribución de los productos ordenados.
La administración examina el proceso de distribución y está
interesada en examinar los factores que afectan los costos.
En la actualidad, se cobra una pequeña cuota por manejo,
independiente del monto de la orden. Se recolectaron datos
de los últimos 24 meses que indican los costos de distribución
(Y), las ventas (X1) y el número de órdenes recibidas (X2).
Haz clic aquí para ver los resultados.
a. Realiza una regresión múltiple y determina el VIF para
cada variable explicativa en el modelo. ¿Existe alguna razón
para sospechar que existe multicolinealidad?

Costo de Ventas Órdenes

Descargado por Luis Arango (larangoquiroz@hotmail.com)

lOMoARcPSD|3328508

Reporte

Distribución
(miles de dólares)
Resumen
R^2 ajustado
Error típico
Y
52.95
71.66
85.58
63.69
72.81
68.44
52.46
70.77
82.03
74.39
70.84
54.08
62.98
72.3
58.99
79.38
94.44
59.74
90.5
93.24
69.33
53.71
89.18
Observaciones
66.8
Estadísticas de la regresión
ANÁLISIS DE VARIANZA
Residuos
Regresión
(miles de dólares)
X1
X1
386
446
512
401
457
458
301
484
517
503
535
353
372
328
408
491
527
444
623
596
463
389
547
415
X2
0.8641201 6
4.7661655 7
24
Grados de libertad
X2
4015
3806
5309
4262
4296
4097
3213
4809
5237
4732
4413
2921
3977
4428
3964
4582
5582
3450
5079
5735
4269
3708
5387
4161

Coeficiente de correlación múltiple

Coeficiente de determinación R^2

0.9359144 2
0.8759358
2
Suma de cuadrados
3368.087376
Descargado por Luis Arango (larangoquiroz@hotmail.com)
lOMoARcPSD|3328508

Reporte

477.043019
Total 21
6

3845.13039
23
6
Promedio de los
F Valor crítico de F
cuadrados

1684.043688 74.1336022 3.0429E-10

22.71633427

Coeficientes Error típico

- 2.72824658
Intercepción 6.157879754
3

Variable X 1 0.04711387 2 0.02032792

Variable X 2 0.01194692 6 0.002248569

Estadístico t Probabilidad Inferior 95%

0.66226024
-0.443049668 -15.53425857
7

0.03064376
2.317692762 0.004839649
9

5.313123092 2.87239E-05 0.00727077

Inferior Superior
Superior 95%
95.0% 95.0%

10.07776541 -15.53425857 10.07776541

0.089388095 0.004839649 0.089388095

0.016623082 0.00727077 0.016623082

Descargado por Luis Arango (larangoquiroz@hotmail.com)

lOMoARcPSD|3328508

Reporte

4. Una organización de consumidores desea desarrollar un

modelo para predecir el rendimiento de gasolina de
automóvil, medido en cantidad de millas recorridas [millas por
galón (mpg)] de acuerdo a los caballos de fuerza del motor y
el peso del auto Kg. Se seleccionó una muestra de 50
modelos. Haz clic aquí para ver los resultados.
a. Realiza un modelo de regresión lineal múltiple.
Y=58.1570824-0.1175255X1-0.0068706X2

Caballos de
MP G Pes o
fuerza

Y X1 X2

43.1 48 1985

19.9 110 3365

19.2 105 3535

17.7 165 3445

18.1 139 3205

20.3 103 2830

21.5 115 3245

16.9 155 4360

15.5 142 4054

18.5 150 3940

27.2 71 3190

41.5 76 2144

46.6 65 2110

23.7 100 2420

27.2 84 2490

39.1 58 1755
Descargado por Luis Arango (larangoquiroz@hotmail.com)
lOMoARcPSD|3328508

Reporte

260
28 88
5

286
24 92
5

357
20.2 139
0

315
20.5 95
5

267
28 90
8

221
34.7 63
5

180
36.1 66
0

191
35.7 80
5
 296
20.2 85
5

342
23.9 90
0

238
29.9 65
0

325
30.4 67
0

198
36 74
0

280
22.6 110
0

295
36.4 67
0

256
27.5 95
0

221
33.7 75
0

185
44.6 67
0

261
32.9 100
5

196
38 67
5

24.2 120 293

 0

196
38.1 60
8

207
39.4 70
0

290
25.4 116
0

254
31.3 75
2

198
34.1 68
5

239
34 88
5

272
31 82
0

267
27.4 80
0

289
22.3 88
0

262
28 79
5

346
17.6 85
5

34.4 65 346
 5

338
20.6 105
0

Descargado por Luis Arango (larangoquiroz@hotmail.com)

lOMoARcPSD|3328508

Reporte

b. Determina el factor de inflación de varianza VIF para cada

variable explicativa en el modelo. ¿Existe alguna razón para
sospechar que existe multicolinealidad?

VIF= 3.9962905
Si VIFj > 1, lo cual puede ocurrir para casos en los que,
implica que existe una relación entre las variables.
5. El director de operaciones de transmisión de una estación
de televisión desea estudiar el aspecto de las “horas de
espera” en la que los artistas gráficos sindicalizados se les
paga por no realizar actividades. Las variables a considerar
son las siguientes:
a. b.
c.
d.
Horas de espera (Y): número total de horas por semana.
Personal presente total (X1): total semanal de días-persona
los 7 días a la semana.
Horas remotas (X2): número total de horas trabajadas por
empleados fuera de la planta central.
Haz clic aquí para ver los resultados de un periodo de 26
semanas.

Personal
Horas en espera Horas remotas
presente

Y X1 X2

245 338 414

177 333 598

271 358 656

211 372 631

Descargado por Luis Arango (larangoquiroz@hotmail.com)
lOMoARcPSD|3328508
Reporte

52
196 339
8

40
135 289
9

38
195 334
2

39
118 293
9

34
116 325
3

33
147 311
8

35
154 304
3

28
146 312
9

38
115 283
8

40
161 307
2
 15
274 322
1

22
245 335
8

27
201 350
1

44
183 339
0

47
237 327
5

34
175 328
7

44
152 319
9

33
188 325
6

26
188 322
7

23
197 317
5

16
261 315
4

27
232 331
0

e. Ajusta un modelo de regresión lineal múltiple.

ECUACION
Y=-330.67483+1.76486461X1-0.1389668X2

Reporte

f. Determina el factor de inflación de varianza VIF para cada

variable explicativa en el modelo. ¿Existe alguna razón para
sospechar que existe multicolinealidad?

Si VIFj > 1, lo cual puede ocurrir para casos en los que,

implica que existe una relación entre las variables.