TEMA: REGRESIN LINEAL

La Regresin lineal se refiere a la prediccin del valor de una variable a partir de una o ms
variables. En ocasiones se denomina a la variable dependiente (y) variable de respuesta y a la
variable independiente (x) variable de prediccin.
En muchos problemas hay dos o ms variables inherentemente relacionadas, y es necesario
explorar la naturaleza de esta relacin. El anlisis de regresin puede emplearse por ejemplo para
construir un modelo que exprese el rendimiento como una funcin de la temperatura. Este modelo
puede utilizarse luego para predecir el rendimiento en un nivel determinado de temperatura.
Tambin puede emplearse con propsitos de optimizacin o control del proceso.

Comenzaremos con el caso ms sencillo, la prediccin de una variable (y) a partir de otra variable
(x).

REGRESIN LINEAL SIMPLE

Para las situaciones siguientes establezca cual es la variable dependiente y cual es la

independiente.

a) Un actuario quiere predecir el monto del seguro de vida alcanzado por los maestros a partir de
sus salarios mensuales.
Solucin: la variable dependiente o de respuesta, es el monto del seguro de vida alcanzado por
un maestro, y la variable independiente o variable de prediccin es el salario anual del docente.

b) El gerente de un restaurante quiere estimar el nmero de clientes que puede esperar cierta
noche a partir del nmero de reservaciones para cenar recibidas hasta las 5:00 PM
Solucin: El nmero de clientes es la variable de respuesta, el nmero de reservaciones es la
variable independiente.
1
Supuestos para el modelo de regresin lineal

1. Para cada valor de x, la variable aleatoria se distribuye normalmente.

2. Para cada valor de x, la media o valor esperado de es 0; esto es, E 0 .
3. Para cada valor de x, la varianza de es la constante (llamada varianza del error).
2

4. Los valores del trmino de error son independientes.

5. Para un valor fijo de x, la distribucin muestral de y es normal, porque sus valores dependen
de los de .

6. Para un valor fijo x, es posible predecir el valor de y.

7. Para un valor fijo x, es posible estimar el valor promedio de y
1

Ejemplo 1:
La revista Motor Trend presenta con frecuencia datos de rendimiento para automviles, que
compara el tamao del motor en pulgadas cbicas de desplazamiento (pcd) y las millas por galn
(mpg) estimadas para ocho modelos representativos de automviles subcompactos modelo 1984.

coches compactos tamao del motor (pcd) x millas/galn (mpg), y

Chevrolet Cavalier 121 30
Datsun Nissan Stanza 120 31
Dodge Omni 97 34
Ford Escort 98 27
Mazda 626 122 29
Plymouth Horizon 97 34
Renault Alliance/Encore 85 38
Toyota Corolla 122 32

Graficando los datos de la tabla en el diagrama de dispersin podemos observar la coleccin de

los ocho pares de datos (x,y) como muestra de una poblacin de pares, donde las medidas
pulgadas cbicas de desplazamiento (pcd) x pueden tomar cualquier valor en el rango de valores
que se extiende de 85 a 122. Para cada pcd posible hay muchos millajes asociados con ella. Por
ejemplo para un tamao del motor de 97 hay un gran nmero de millajes asociados, uno por cada
coche cuyo tamao sea 97 pcd. Asumamos que existe una relacin lineal para la poblacin de
pares de datos de pcd y mpg. (Se entiende por relacin lineal cuando la variable y tiene una
tendencia a crecer o decrecer, cuando la variable x aumenta).

Diagrama de dispersin

39
37
35
m 33
p 31
g 29
27
25
80 90 100 110 120 130
pcd
ddci
d

1
Estadstica, Richard C.Weimer, CECSA, Segunda edicin, 2000
Usamos el modelo probabilstico siguiente para explicar el comportamiento de los millajes para
las ocho medidas de tamao de motor, este se llama modelo de regresin lineal, y expresa la
relacin lineal entre tamao de motor (x) y millas por galn (y).

Modelo de regresin lineal

y 0 1 x

Donde
y = variable dependiente
0 ordenada al origen
1 = pendiente
x = variable independiente
= Error aleatorio

La expresin 0 1 x se denomina componente determinstica del modelo de regresin lineal.

La muestra de pares de datos se usar para estimar los parmetros 0 y1 de la componente
determinstica.
La diferencia principal entre un modelo pobabilstico y uno determinstico es la inclusin de un
trmino de error aleatorio en el modelo probabilstico. En el ejemplo los diferentes rendimientos
para un mismo tamao de motor se atribuyen al trmino de error en el modelo de regresin.

Clculo de la ecuacin de regresin

Tambin es llamada ecuacin de prediccin de mnimos cuadrados. La ecuacin de regresin
estimada es: y b0 b1 x.

Donde:
y Valor predicho de y para un valor particular de x.
b0 = Estimador puntual de 0 .(ordenada al origen)
b1= Estimador puntual de 1. (pendiente)

Para el clculo de b0 y b1 se utilizamos las siguientes frmulas:

x 2

SS x x 2

n

y 2

SS y y 2

n
 x y
SS xy xy
n

SS xy
b1
SS x

b0 y b1 x

Donde:
SS = suma de cuadrados
b1 = pendiente
b0 = ordenada al origen
n = nmero de pares de datos

En la tabla incluimos las sumatorias que utilizaremos para el clculo de las frmulas.

coches compactos tamao del motor (pcd) x millas/galn (mpg), y x^2 y^2 xy
Chevrolet Cavalier 121 30 14641 900 3630
Datsun Nissan Stanza 120 31 14400 961 3720
Dodge Omni 97 34 9409 1156 3298
Ford Escort 98 27 9604 729 2646
Mazda 626 122 29 14884 841 3538
Plymouth Horizon 97 34 9409 1156 3298
Renault Alliance/Encore 85 38 7225 1444 3230
Toyota Corolla 122 32 14884 1024 3904
SUMAS 862 255 94456 8211 27264
Media 107.75 31.875

Calculando b0 y b1 tenemos:
SSx = 1575.50
SSy = 82.88
SSxy = -212.25
b1 = -0.13472
b0 = 46.39099

La ecuacin de prediccin de mnimos cuadrados es:

y b0 b1 x. => y 46.39099 0.37472 x

Grfica de la ecuacin de regresin

50 y =46.391 -0.1347x
40
30
Y

20
Y
10
Lineal (Y)
0
0 50 100 150
Variable X
Error
Los errores se denominan frecuentemente residuales. Podemos observar en la grfica de
regresin los errores indicados por segmentos verticales.

Qu tan normales Residuales individuales -

son los residuales? tendencias; o separados?
Diagnstico del Modelo de Residuales
Grfica Normal de Residuales Tabla de Residuales
20 50 3.0SL=43.26
40
10 30
20
Residual

Residual

0 10
0 X=0.000

-10 -10
-20
-20 -30
-40 -3.0SL=-43.26
-50
-2 -1 0 1 2 0 5 10
Marcador Normal Nmero de Observacin

Histograma - Histograma de Residuales Residuales vs. Ajustes

curva de 3 20

10
Frecuencia

campana? 2
Residual

0
1 -10

Ignrese -20
Aleatorio
0

para grupos
-25 -20 -15 -10 -5 0 5 10 15 450 500
Ajuste
550 alrededor de
cero, sin
pequeos de
Buscar
Buscarlas
lasinconsistencias
inconsistencias tendencias?
informacin
mayores
mayores
(<30)
Al usar el criterio de mnimos cuadrados para obtener la recta que mejor se ajuste a nuestros
datos, podemos obtener el valor mnimo para la suma de cuadrados del error (SSE)

SSE SS y b1 SS xy

A la varianza de los errores e se le llama varianza residual siendo denotada por s e2 , se encuentra
dividiendo SSE entre n-2

SSE
S e2
n2
La raz cuadrada positiva de la varianza residual se llama error estndar de estimacin y se
denota por Se.

Aplicando las frmulas en obtenemos la suma de cuadrados del error, la varianza residual y el
error estndar de la estimacin:

SSE = 82.88-(-0.13472)(-212.25) =54.2849

54.2849
S e2 9.0475
6
Se = 3.007

Ejemplo 2: Una firma de renta de coches recab los datos adjuntos sobre los costos de
mantenimiento y, y las millas recorridas x para siete de sus automviles.

Automvil Millas recorridas x Costos de manteni-

en miles miento y (dlares)
A 55 299
B 27 160
C 36 215
D 42 255
E 65 350
F 48 275
Encuentre: G 29 207

a) Una estimacin puntual para 0 .

b) Una estimacin puntual para 1.
c) Una estimacin puntual para la varianza del error .
2

d) Una estimacin puntual para el costo promedio del mantenimiento de un coche con 36,000
millas recorridas.
e) Prediga el costo para un coche con 29,000 millas recorridas.

Automvil x y x^2 y^2 xy

A 55 299 3025 89401 16445
B 27 160 729 25600 4320
C 36 215 1296 46225 7740
D 42 255 1764 65025 10710
E 65 350 4225 122500 22750
F 48 275 2304 75625 13200
G 29 207 841 42849 6003
Suma 302 1761 14184 467225 81168
Media 43.14 251.57
SSx = 1154.86
SSy = 24207.71
SSxy = 5193.43
b1 = 4.4970
b0 =57.5567
SSE = 852.70
S e2 = 170.54
y = 57.5567 + 4.497x

a) b0 =57.5567
b) b1 = 4.4970
c) S e2 = 170.54
d) 57.5567 + 4.497(36) = 219.44 usd
e) 57.5567 + 4.497(29) = 187.96 usd

Inferencias sobre el modelo de regresin lineal.

Para usar la ecuacin de regresin y 0 1 x , con propsitos de prediccin, queremos estar

razonablemente seguros de que la pendiente 1 de la ecuacin de regresin E y x 0 1 x
no es cero. Ya que si 1 0 , entonces para cualquier valor de x, E y x sera idntica a 0 ,
como se muestra en la figura. Siendo este el caso el modelo no sera apropiado.

Con el propsito de determinar si la pendiente de la regresin poblacional es diferente de cero,

separemos SSy en dos componentes, SSE y SSR.
Tenemos la siguiente relacin:
SSy = SSE + SSR

Donde:
SSE = Suma de cuadrados del error
SSR = Suma de cuadrados de la regresin

SSE = SSy-b1SSxy
SSR = b1SSy
Prueba de hiptesis utilizando la distribucin F
Si fuera cierta H 0 : 1 0 , el estadstico F servira como estadstico de prueba: F est definido
como:
SSR
F
S e2

Con gl = (1,n-2), se puede usar el estadstico F para determinar si 1 es diferente de cero. Si la

pendiente de la ecuacin de regresin poblacional es diferente de cero, entonces la ecuacin se
puede usar con propsitos de prediccin.

Ejemplo 3: Para los datos del ejemplo 1 haga una prueba para determinar si 1 0 , usando
0.05
H 0 : 1 0
H 1 : 1 0

En el ejemplo 1 y 2 obtuvimos los siguientes valores:

SSxy = -212.25
b1 = -0.13472
S e2 9.0475

La suma de cuadrados para la regresin SSR se calcula mediante:

SSR = b1SSxy = (-212.25)(-0.1347) =28.5901

Hallamos el estadstico de prueba F:

SSR 28.5901
F = 3.16
S e2 9.0475

Se encuentra el valor crtico F (1, n 2) F0.05(1,6) = 5.99. Como F = 3.16<5.99, no rechazamos

H 0 : 1 0 . Concluimos que la ecuacin y 46.3889 0.1347 x no debe usarse con
propsitos de prediccin, y no tenemos evidencia que apoye que el modelo lineal es correcto para
nuestros datos.

Prueba de hiptesis utilizando la distribucin t

Otra manera de realizar la prueba de hiptesis H 0 : 1 0 es usando la distribucin t.

El estadstico de prueba es:

b1
t , donde gl = n-2
Se SSx

Ejemplo 4: Usando los datos del ejemplo 1, haga una prueba para determinar si 1 0 usando la
prueba de t y 0.05 .
H 0 : 1 0
H 1 : 1 0

b1 0.1347
t = 1.7775
Se SSx 9.0475 1575.5

Los valores crticos t.025 para gl = 6 son 2.447 . Como t.025 < t no rechazamos H 0 : 1 0 .
Por tanto no tenemos evidencia que sugiera que el modelo lineal es apropiado para nuestros
datos.

Anlisis de correlacin

Establece si existe una relacin entre las variables y responde a la pregunta,Qu tan evidente es
esta relacin?".
La correlacin es una prueba fcil y rpida para eliminar factores que no influyen en la prediccin,
para una respuesta dada.

Coeficiente de Correlacin de Pearson

Es una medida de la fuerza de la relacin lineal entre dos variables x y y.

Es un nmero entre -1 y 1
Un valor positivo indica que cuando una variable aumenta, la otra variable aumenta
Un valor negativo indica que cuando una variable aumenta, la otra disminuye
Si las dos variables no estn relacionadas, el coeficiente de correlacin se aproxima a 0.

El coeficiente de correlacin r se calcula mediante la siguiente frmula:

SSxy
r
SSxSSy

Tabla de Correlacin
Por su importancia, cul es el coeficiente mnimo de correlacin?

n 95% 99% n 95% 99%

de confianza de confianza de confianza de confianza
3 1.00 1.00 15 0.51 0.64
4 0.95 0.99 16 0.50 0.61
5 0.88 0.96 17 0.48 0.61
6 0.81 0.92 18 0.47 0.59
7 0.75 0.87 19 0.46 0.58
8 0.71 0.83 20 0.44 0.56
9 0.67 0.80 22 0.42 0.54
10 0.63 0.76 24 0.40 0.52
11 0.60 0.73 26 0.39 0.50
12 0.58 0.71 28 0.37 0.48
13 0.53 0.68 30 0.36 0.46
14 0.53 0.66

Para un 95% de confianza, con una muestra de 10,

el coeficiente (r) debe ser al menos .63
 Correlacin Positiva Correlacin Negativa
25
Evidente 25
Evidente
20 20

15 15

10
Y

Y
10
5
5
0
0 5 10 15 20 25
Sin Correlacin 0
0 5 10 15 20 25
X 25 X
20

15

Correlacin 10

Y
5
Correlacin
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y

10

Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X

Ejemplo 5: En un esfuerzo por determinar la relacin entre el pago anual de los empleados y el
nmero de faltas al trabajo por causa de enfermedad, una corporacin grande estudi los registros
personales de una muestra de doce empleados. Los datos pareados aparecen en la siguiente
tabla.

Pago anual
Empleado (miles de dlares) Inasistencias
1 15.7 4
2 17.2 3
3 13.8 6
4 24.2 5
5 15 3
6 12.7 12
7 13.8 5
8 18.7 1
9 10.8 12
10 11.8 11
11 25.4 2
12 17.2 4
Determine el coeficiente de correlacin e interprete el resultado.

Empleado x y x^2 y^2 xy

1 15.7 4 246.49 16 62.8
2 17.2 3 295.84 9 51.6
3 13.8 6 190.44 36 82.8
4 24.2 5 585.64 25 121.0
5 15 3 225.00 9 45.0
6 12.7 12 161.29 144 152.4
7 13.8 5 190.44 25 69.0
8 18.7 1 349.69 1 18.7
9 10.8 12 116.64 144 129.6
10 11.8 11 139.24 121 129.8
11 25.4 2 645.16 4 50.8
12 17.2 4 295.84 16 68.8
SUMATORIA 196.3 68 3441.71 550 982.3

SSxy = -130.06667
SSx = 230.569167
SSy = 164.666667

SSxy
r = -0.6675
SSxSSy

Diagrama de dispersin

14
12
Inasistencias

10
8 Serie1
6 Lineal (Serie1)
4
2
0
0 5 10 15 20 25 30
Pago anual (miles usd)

En el diagrama de dispersin observamos que al aumentar x, y disminuye, por lo cual la

correlacin es negativa. Comparando el coeficiente de correlacin calculado, con la tabla de
correlaciones observamos que .66 > .58, por lo cual la correlacin entre las variables es fuerte.
Regresin lineal en Excel
Mediante el uso de anlisis de datos resolveremos el Ejemplo 1.
Seleccione: herramientas > anlisis de datos > regresin
En la ventana seleccione el rango de entrada para X y Y, el rango de salida y seleccione la opcin:
grfico de residuales y curva de regresin ajustada.
Anlisis de resultados de la tabla de Excel:

Analizando los resultados de Excel, tenemos los siguiente:

En la seccin Estadsticas de la regresin vemos que el coeficiente de correlacin = .5873

comparando este valor con la tabla de correlaciones observamos que el valor .5873 < .71
lo cual indica una relacin dbil entre las variables. En la grfica de regresin ajustada
observamos que la correlacin es negativa ya que al aumentar X, Y disminuye; Cabe
mencionar que el coeficiente de correlacin calculado por el sistema siempre es positivo,
por lo cual debemos basarnos la grfica de regresin para determinar el signo.

Ecuacin de la regresin: Para obtener la ecuacin de regresin usamos los coeficientes

de los renglones Intercepcin y variable X1, estos son 46.3909 y 0.1347
respectivamente, siendo la ecuacin de regresin: y = 46.3909- 0.1347X1.

Anlisis de Varianza: La tabla muestra la suma de cuadrados de la regresin SSR =

28.5901, la suma de cuadrados de los residuos o error SSE = 54.2806, El promedio de
los cuadrados de la regresin que es la varianza residual S e2 = 9.0468 . El sistema calcula
2
el valor de F dividiendo SSR/ S e como ya se trato anteriormente. El valor crtico F es
menor que el valor F (0.125< 3.16), por lo que no tenemos evidencia para rechazar la H 0:
1 0 , en consecuencia el modelo de regresin no es apropiado.

Anlisis de residuos: muestra los pronsticos y residuos para cada observacin, as como
el grfico de residuales, en el cual observamos inconsistencias ya que la mayora de los
puntos se encuentran en la regin positiva.
ANLISIS DE REGRESIN MULTIPLE

En ocasiones la informacin de una variable independiente no es suficiente, por ejemplo en el caso

de los autos compactos adems de tener la variable del tamao del motor, podramos tener otras
variables, que nos permitan tener mayor informacin como por ejemplo el peso del coche, el tipo
de recorrido, el tamao de las llantas, estos factores tambin influyen sobre la razn del consumo
de gasolina.
Cuando se usa ms de una variable independiente para predecir los valores de una variable
dependiente, el proceso se llama anlisis de regresin mltiple, incluye el uso de ecuaciones
lineales y no lineales, en este estudio nos ocuparemos de las ecuaciones de regresin lineales.

Ejemplo 6 Muchos programas de estudios premdicos usan los promedios de las calificaciones del
MCAT de los estudiantes egresados como un indicador de la calidad de sus programas. Las
variables que se sabe influencian esos promedios del MCAT(y) son: la combinacin de las
calificaciones del SAT en matemticas y en oratoria (x1) y el GPA (x2) de los prospectos a mdicos.
La tabla muestra las medidas de x1, x2 y y de seis estudiantes que han cursado un programa de
premedicina y que han presentado el MCAT

Calificacin Calificacin pro-

Estudiante SAT (X1) GPA (X2) medio del MCAT (Y)
1 1200 3.8 12.4
2 1350 3.4 13.3
3 1000 2.9 9.2
4 1250 3.3 10.6
5 1425 3.9 13.2
6 1340 3.1 11.2

Con esta informacin podemos encontrar una ecuacin lineal que nos permita predecir el promedio
de calificaciones del MCAT para un estudiante si se conocen su GPA y su calificacin combinada
del SAT.
La ecuacin lineal para los datos del ejemplo tiene la forma y b0 b1 x1 b2 x2 . Es posible
encontrar los valores de b0, b1, y b2 usando el mtodo de mnimos cuadrados, al igual que en el
mtodo de regresin lineal simple. El mtodo en este caso requiere resolver tres ecuaciones
lineales con tres incgnitas, estas ecuaciones, conocidas como ecuaciones normales, son:

y nb 0 b1 x1 b2 x2

x y b x b x b x
1 0 1 1
2
1 2
2
2

x 2 y b0 x2 b1 x1 x2 b2 x 2
2
La siguiente tabla organiza los clculos para obtener las ecuaciones:

X1 X2 Y X1^2 X2^2 X1X2 X1Y X2Y

1200 3.8 12.4 1440000 14.44 4560 14880 47.12
1350 3.4 13.3 1822500 11.56 4590 17955 45.22
1000 2.9 9.2 1000000 8.41 2900 9200 26.68
1250 3.3 10.6 1562500 10.89 4125 13250 34.98
1425 3.9 13.2 2030625 15.21 5557.5 18810 51.48
1340 3.1 11.2 1795600 9.61 4154 15008 34.72
7565 20.4 69.9 9651225 70.12 25886.5 89103 240.2

Las ecuaciones normales para este ejemplo son:

69.9 6b0 7,565b1 20.4b2

89,103 7565b0 9,651,225b1 25,886.5b2
240.2 20.4b0 25,886.5b1 70.12b2

Resolviendo el sistema de ecuaciones lineales obtenemos:

b0 = -2.537, b1=0.005425, b2 = 2.161.

La ecuacin de regresin es:

y 2.537 0.005425x1 2.161x2

Suma de cuadrados

La suma total de cuadrados SST, se descompone en dos componentes: suma de cuadrados para
la regresin, y suma de cuadrados del error.

SST = SSR + SSE

La suma de cuadrados para la regresin es aquella parte de la suma total de cuadrados que se
atribuye a las variables independientes. Mientras que la suma de cuadrados del error es aquella
porcin de la suma de cuadrados total y que no se debe a las variables independientes, por ello se
llama suma de cuadrados del error.

SST y y 12.9950
2

SSE y y 2.2403
2

SSR SST SSE 10.7547

Grados de libertad para la regresin:

glT gl R gl E
glT n 1
gl R k
gl E n (k 1)

donde:
k = nmero de variables independientes
Clculo de cuadrados medios:

SSR 10.7547
MSR 5.3773
gl R 2
SSE 2.2403
MSE 0.7468
gl E 3

Donde:
MSR= Cuadrado medio de la regresin
MSE= Cuadrado medio del error.

Prueba de hiptesis

Para determinar si el modelo lineal describe adecuadamente los datos, se usa la prueba F.
Para los datos del ejemplo las hiptesis son:

H 0 : 1 2 0
H 1 : 1 0 o 2 0

El valor del estadstico F se encuentra dividiendo MSR entre MSE.

MSR 5.3773
F 7.20
MSE 0.7468

Buscando el valor crtico para F (1, n 2) F0.05 1,4 =7.71.

Como 7.71 > 7.20 no podemos rechazar H0, lo cual nos indica que podra ser arriesgado utilizar la
ecuacin de regresin con propsitos predictivos.

Coeficiente de determinacin mltiple

SSR
R2
SST
Utilizando los datos del ejemplo:

10.7547
R2 0.8276 82.8%
12.995
Esto significa que aproximadamente el 83% de la variacin en el promedio de las calificaciones se
atribuye a la variacin de las variables independientes y solamente el 17% de la variacin de la
variable dependiente no se atribuye a eso.
Regresin mltiple en Minitab

Ejemplo 7 La tabla enlista el consumo de combustible en millas por galn bajo condiciones
normales de manejo, los pesos de los coches en libras y la capacidad del motor en cc para seis
coches deportivos modelo 1990.

Coche deportivo Capacidad Peso Consumo

Chevrolet 5735 3330 17,9
Kagiar XJ-S 5344 4015 18,7
Mercedes-Benz 500 SL 2174 2865 16,5
Porsche 911 3600 3320 17
Maserrati 228 2790 3020 15,5
BMW 325i 2494 3100 22

a) Determine una ecuacin de regresin para predecir el promedio de consumo de

combustible usando la capacidad del motor y el peso, y calcule el coeficiente de
2
determinacin R .

Una vez capturados los datos de las variables en Minitab seleccionamos

STAT>REGRESIN>REGRESIN y se presenta la siguiente pantalla
Seleccionamos la variable de respuesta (response) que corresponde a la Columna 3 C3, y las
variables de prediccin (predictors): C1 y C2.

Damos Clic en el Icono Graphs, y en la opcin grficos de residuos residual plots dejamos la
opcin que el sistema da por de fault: Regular. y seleccionamos la opcin residual vs. fits y
normal plot of residuals. Tambin existen otras opciones de grficos que podemos usar en caso de
ser necesario.
En la opcin Resultados Results seleccionamos el circulo: Regresin equation....

Damos clic en ok.

Regression Analysis
The regression equation is
C3 = 10,9 - 0,00050 C1 + 0,00270 C2

Predictor Coef StDev T P

Constant 10,91 12,90 0,85 0,460
C1 -0,000496 0,001329 -0,37 0,734
C2 0,002702 0,004982 0,54 0,625

S = 2,805 R-Sq = 9,1% R-Sq(adj) = 0,0%

Analysis of Variance

Source DF SS MS F P
Regression 2 2,368 1,184 0,15 0,866
Residual Error 3 23,605 7,868
Total 5 25,973

Analizando los resultados tenemos:

De la tabla resultante podemos determinar que la ecuacin de Regresin es Y = 10.9

0.00050X1+.00270X2
Donde X1 representa el tamao del motor (capacidad) y X2 el peso del coche, Y representa el
rendimiento predicho para el consumo del combustible.
2
El coeficiente de determinacin R-Sq o R es 9.1% y esto indica que el 9.1% de la variacin en el
consumo de combustible se atribuye a la capacidad y al peso. El 90.9% no se atribuye a estas
variables.
 Examinando el valor del estadstico F(F=0.15), que es significativo al nivel P = 0.866 concluimos
que el modelo no es adecuado para fines de prediccin en un nivel 0.05

Normal Probability Plot of the Residuals

(response is C3)

1
Normal Score

-1

-2 -1 0 1 2 3 4

Residual

Residuals Versus the Fitted Values

(response is C3)

2
Residual

-1

-2

17 18 19

Fitted Value

Analizando los grficos anteriores, podemos observar en el grafico de probabilidad que las
observaciones aparentan ser normales. Sin embargo en el grfico de residuales observamos una
tendencia ya que la mayora de los puntos se encuentran a bajo del cero.