7 9
8 10
9 13
10 15
11 16
12 18
13 20
14 23
15 25
[Link]
30
Chart Title
25
f(x) = 2 x − 5.44444444444444
R² = 0.990825688073394
20
15
10
0
6 7 8 9 10 11 12 13 14 15 16
Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.99105551 r coeficiente Pearson
Coeficiente de determinación R^2 0.98219103
R^2 ajustado 0.97625471 cuanto se explica de los datos por la regresison lineal
Error típico 3.34141215 S2 variancia de los residuos suma de residuos cuadráticos
Observaciones 5
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 1847.30489 1847.30489 165.454463 0.00101411
Residuos 3 33.4951054 11.1650351
Total 4 1880.8
Coeficientes Error típico Estadístico t Probabilidad Inferior 95%
Intercepción 1.21121988 2.45093688 0.49418648 0.65509583 -6.58875513
Variable X 1 18.6483434 1.44977636 12.8629104 0.00101411 14.034508
Y=1,21121988+18,6483434x
Análisis de los residuales
Observación Pronóstico para YResiduos
Residuos estándares
1 4.94088855 3.05911145 1.05714515
2 10.5353916 -0.53539157 -0.18501666
3 19.8595633 -1.85956325 -0.64261414
4 38.5079066 -3.50790663 -1.21223647
5 57.15625 2.84375 0.98272213
Variable X 1 Gráfico de los residuales
4
2
Residuos
esison lineal
duos cuadráticos 0
0 0.5 1 1.5 2 2.5 3 3.5
-2
-4
Variable X 1
or crítico de F
Superior 95%Inferior 95,0% Superior 95,0%
9.01119489 -6.58875513 9.011194886392
23.2621788 14.034508 23.26217879476
s residuales
2.5 3 3.5
xi yi x2 y2 xi*yi
0.2 8 0.04 64 1.6
0.5 10 0.25 100 5
1 18 1 324 18
2 35 4 1225 70
3 60 9 3600 180
suma 6.7 131 14.29 5313 274.6
estadística sencillos
al cuadrado
promedio de x Ẋ 1.34 1.7956 Ẋ*Ӯ 35.108
promedio de y Ӯ 26.2 686.44
varianza de x S2 x 2.858 1.0624
varianza de y S2y 1062.6 376.16
covarianzaxy Sxy 54.92 19.812
calcular la ecuación Y = a+ bx
b= Sxy/S2x 18.6483434
a= Ŷ-bẊ 1.21121988
Y = 1,21121988+18,6483434x ecuación de la recta
r = Sxy/Sx*Sy 19,812/ √1,0624 * √ 376,16 0.9910555
r=0,991055
Ӯ
xi Yi
-6 2
-3 2.8
0 3.9
3 4.2
6 5.8
9 6.2
12 7.5
15 8.2
20 9.3
25 10.9
Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.99686264695429 r
Coeficiente de determinación R^2 0.993735136892714
R^2 ajustado 0.992952029004303
Error típico 0.243792445122532
Observaciones 10
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 75.4205219496094
Residuos 8 0.475478050390581
Total 9 75.896
Coeficientes Error típico
Intercepción 3.7466938056992 0.101162455504733
Variable X 1 0.288062493123556 0.008086529802158
Y= 3,746693806 + 0,288062493 xi
Análisis de los residuales
Observación Pronóstico para Y Residuos
1 2.01831884695786 -0.018318846957861
2 2.88250632632853 -0.082506326328529
3 3.7466938056992 0.153306194300804
4 4.61088128506986 -0.410881285069864
5 5.47506876444053 0.324931235559468
6 6.3392562438112 -0.139256243811199
7 7.20344372318187 0.296556276818133
8 8.06763120255254 0.132368797447464
9 9.50794366817031 -0.207943668170314
10 10.9482561337881 -0.048256133788094
b₀
b₁
SCR
SCE SCT
Promedio de los cuadrados F Valor crítico de F
75.4205219496094 1268.9632573 4.2227526604E-10
0.059434756298823
Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%
37.0364063130506 3.0980965E-10 3.5134127649779 3.9799748464 3.51341276498
35.6225105417492 4.2227527E-10 0.2694149219603 0.3067100643 0.26941492196
Variable X 1 Curva de regresión ajus
Residuos estándares
15
-0.079699234942935
-0.358957695397638 10 Y
Pronóstic
0.666984468285202
Y
5 Linear (Pr
-1.78760836573207
0
1.41366817151334 -10 -5 0 5 10 15 20 25 30
-0.605857787791425 Variable X 1
1.29021812531644
0.575892790149221
-0.904694018271147
-0.20994645312895
0.4
0.2
Residuos
0
-10 -5 -0.2 0 5 10 15 20 25 30
-0.4
-0.6
Variable X 1
Variable X 1 Gráfico de los residuales
Superior 95,0%
3.979974846421
0.306710064287
Curva de regresión ajustada
Y
Pronóstico para Y
Linear (Pronóstico para Y)
0 15 20 25 30
eX1
Y = 2X + 3
y nota de calificación por hora estudiada
y = calificación
X= horas de estudio
realizar el calculo evaluando la unción de 0 a 5 horas x semana.
calcule la calificación esperada si se estudian 2 horas x semana
es confiable el modelo para predicciones de calificaciones
consumo de temperatura
mes kilowats promedio
1 126 30
2 132 25
3 114 29
4 87 42
5 67 48
6 50 61
7 39 69
8 45 78
9 39 72
10 43 62
11 61 45
12 92 36
valuación area con calefacción
casas millones $ miles de pies cuadrados
1 84.4 2
2 77.4 1.71
3 75.7 1.45
4 85.9 1.76
5 79.1 1.93
6 70.4 1.2
7 75.8 1.55
8 85.9 1.93
9 78.5 1.59
10 79.2 1.5
11 86.7 1.9
12 79.3 1.39
13 74.5 1.54
14 83.8 1.89
15 76.8 1.59
encuentre la ecuación Y = a +bx
diagrama de dispersión
que significa a y b
cual es la prediccion para 1750 pies
calcule el error estandar de la estimación
r2 de estimación
Resumen
Estadísticas de la regresión c predicción para 1750 pies
Coeficiente de correlación múltiple 0.81199569 existe un 81,2 de correlación entre las variables
Coeficiente de determinación R^2 0.65933699
R^2 ajustado 0.63313215 el 65,9% de la valuación se puede explicar x la variación de
Error típico 2.91892772
Observaciones 15
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 214.374192 214.374192 25.1608796 0.00023616
Residuos 13 110.761808 8.52013905
Total 14 325.136
Coeficientes Error típico Estadístico t Probabilidad Inferior 95%
Intercepción 51.9153399 5.56252089 9.33305978 3.98327E-07 39.8982442
Variable X 1 16.6333695 3.3160214 5.01606216 0.00023616 9.46954077
a= 51,913 constante de gasto en calefacción
b= 16,633 por cada incremento en 1000 pies de área, la valuación aumente en est
Análisis de los residuales
Y= 51,913+16,633x
Observación Pronóstico para YResiduos
1 85.1820789 -0.78207888 Yi= 81.0237365
2 80.3584017 -2.95840173
3 76.0337257 -0.33372567 d) = Syx = 2.918
4 81.1900702 4.70992979
5 84.017743 -4.91774302
6 71.8753833 -1.4753833
7 77.6970626 -1.89706262
8 84.017743 1.88225698
9 78.3623974 0.1376026
10 76.8653941 2.33460585
11 83.5187419 3.18125807
12 75.0357235 4.2642765
13 77.5307289 -3.03072892
14 83.3524082 0.44759176
15 78.3623974 -1.5623974
Variable X 1 Gráfico de los residuales
n entre las variables 6
4
Residuos
puede explicar x la variación del área 2
0
-2 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 2.1
-4
-6
Variable X 1
or crítico de F
Superior 95%Inferior 95,0%
Superior 95,0% Variable X 1 Curva de regresión ajustada
63.9324357 39.8982442 63.9324357
100
23.7971982 9.46954077 23.7971982
80
60 Y
40 Pronóstico p
Y
a, la valuación aumente en este valor 20
0
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2 2.1
Variable X 1
dolares
es el error típico
s residuales
7 1.8 1.9 2 2.1
regresión ajustada
Y
Pronóstico para Y
.8 1.9 2 2.1
imaginemos que se toman 3 diferentes muestras del la misma población de la siguiente forma
dato X Y muestra 1 Y muestra 2 Y muestra 3
1 4 4.84 3.96 5.28
2 5 5.99 5.21 5.73
3 6 6.67 6.28 6.19
4 7 5.92 7.21 6.68
5 8 7.88 7.93 7.17
6 9 6.84 8.55 7.67
7 10 8.26 9.03 8.17
8 11 8.95 9.39 8.62
9 12 10.71 9.62 9.11
10 13 9.83 9.73 11.9
11 14 10.52 9.76 10.13
cual de las tres muestras se ajusta mas por el modelo de minimos cuadrados
guiente forma