1. SOLUCIONARIO<br />1.- <br />Diagrama de dispersion<br />En el grafico se observa una tendencia lineal positiva.<br />Recta de regression<br />Y = B0 + B1 X + e<br />Y = 2.445 + 1.059 X <br />Diagrama de dispersion con recta de regression<br />Coeficiente de correlación y determinación<br />Resumen del modelo<br />ModeloRR cuadradoR cuadrado corregidaError típ. de la estimación10.926(a)0.857.840.86513<br />a Variables predictoras: (Constante), x<br />Prueba de hipótesis del coeficiente de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)2.445.711 3.4380.009 x1.059.1530.9266.9370.000<br />a Variable dependiente: y<br />Hipótesis estadística:<br />Ho: B0 0Ho: B1 0<br />H1: B0 0H1: B1 0<br />Nível de significancia: <br />Estadística de prueba:<br />Si Tc > Ttabla se rechaza Ho<br />Si P-valor=0.00 < 0.05 es Significativo al 95% de confianza, con lo cual rechazamos Ho.<br />Análisis de varianza<br />ANOVA(b)<br />Modelo Suma de cuadradosglMedia cuadráticaFSig.1Regresión36.012136.01248.1170.000(a) Residual5.9888.748 Total42.0009 <br />a Variables predictoras: (Constante), x<br />b Variable dependiente: y<br />Hipótesis estadística:<br />Ho: B0 B1 0<br />H1: Al menos uno de los parámetros es diferente a cero<br />Nivel de significancia <br />Si P-valor=0.00 < 0.05 es Significativo al 95% de confianza, con lo cual rechazamos Ho.<br />El análisis de varianza nos dice que el modelo es significativo, al 95% de confianza, por lo que se rechaza la hipótesis nula.<br />Predicción<br />Y = B0 + B1 X + e<br />Si X=5<br />Y = 2.445 + 1.059 X = 2.445 + 1.059 (5)= 7.74<br />2.-<br />Diagrama de dispersión<br />En el grafico se observa una tendencia lineal negativa.<br />Recta de regression<br />Y = B0 + B1 X + e<br />Y = 100.636 + -7.061 X <br />Diagrama de dispersion con recta de regression<br />Coeficiente de correlación y determinación<br />Resumen del modelo<br />ModeloRR cuadradoR cuadrado corregidaError típ. de la estimación1.936(a).876.8558.53691<br />a Variables predictoras: (Constante), xx<br />Existe una correlacion negativa e inversamente proporcional a la edad según la eficiencia.<br />Prueba de hipótesis del coeficiente de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)100.6367.548 13.332.000 xx-7.0611.085-.936-6.506.001<br />a Variable dependiente: yy<br />Hipótesis estadística:<br />Ho: B0 0B1 0<br />H1: B0 0B1 0<br />Nível de significancia: <br />Estadística de prueba:<br />Si Tc > Ttabla se rechaza Ho<br />Si P-valor=0.00 < 0.05 es Significativo al 95% de confianza, con lo cual rechazamos Ho.<br />Análisis de varianza<br />ANOVA(b)<br />Modelo Suma de cuadradosglMedia cuadráticaFSig.1Regresión3084.60213084.60242.325.001(a) Residual437.273672.879 Total3521.8757 <br />a Variables predictoras: (Constante), xx<br />b Variable dependiente: yy<br />Hipótesis estadística:<br />Ho: B1 B2 0<br />H1: Al menos uno de los parámetros es diferente a cero<br />Nivel de significancia <br />Si P-valor=0.00 < 0.05 es Significativo al 95% de confianza, con lo cual rechazamos Ho.<br />El análisis de varianza nos dice que el modelo es significativo, al 95% de confianza, por lo que se rechaza la hipótesis nula.<br />Predicción: Si X=<br />Y = B0 + B1 X + e <br />Y = 100.636 + -7.061 X <br />3.-<br />Diagrama de dispersion<br />Existe una tendencia lineal positive entre la humedad y el contenido de humedad.<br />Recta de regression<br />Y = B0 + B1 X + e<br />Y = -0.161 + 0.245 X <br />Diagrama de dispersión con recta de regresión<br />Coeficiente de correlación y determinación<br />Resumen del modelo<br />ModeloRR cuadradoR cuadrado corregidaError típ. de la estimación1.912(a).832.8081.12549<br />a Variables predictoras: (Constante), xxx<br />Existe una fuerte correlacion entre la humedad y el contenido de humedad.<br />Prueba de hipótesis del coeficiente de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)-.1611.782 -.090.931 xxx.245.041.9125.895.001<br />a Variable dependiente: yyy<br />Hipótesis estadística:<br />Ho: B0 0B1 0<br />H1: B0 0B1 0<br />Nível de significancia: <br />Estadística de prueba:<br />Si Tc > Ttabla se rechaza Ho<br />Si P-valor=0.00 < 0.05 es Significativo al 95% de confianza, con lo cual rechazamos Ho (el parámetro de la pendiente). El parámetro de la constante no es significativo.<br />Análisis de varianza<br />ANOVA(b)<br />Modelo Suma de cuadradosglMedia cuadráticaFSig.1Regresión44.022144.02234.752.001(a) Residual8.86771.267 Total52.8898 <br />a Variables predictoras: (Constante), xxx<br />b Variable dependiente: yyy<br />Hipótesis estadística:<br />Ho: B1 B2 0<br />H1: Al menos uno de los parámetros es diferente a cero<br />Nivel de significancia <br />Si P-valor=0.00 < 0.05 es Significativo al 95% de confianza, con lo cual rechazamos Ho.<br />El análisis de varianza nos dice que el modelo es significativo, al 95% de confianza, por lo que se rechaza la hipótesis nula.<br />Predicción: Si X=<br />Y = B0 + B1 X + e<br />Y = -0.161 + 0.245 X<br />6.-<br />Diagrama de dispersión<br />Existe una tendencia lineal positive entre el tanino y los esteres.<br />Recta de regression<br />Y = B0 + B1 X + e<br />Y = -1.891+ 1.566 X<br />Diagrama de dispersión con recta de regresión<br />Coeficiente de correlación y determinación<br />Resumen del modelo<br />ModeloRR cuadradoR cuadrado corregidaError típ. de la estimación1.708(a).501.3767.84656<br />a Variables predictoras: (Constante), xxxx<br />Prueba de hipótesis del coeficiente de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)-1.89111.274 -.1680.875 xxxx1.566.781.7082.0040.116<br />a Variable dependiente: yyyy<br />Hipótesis estadística:<br />Ho: B0 0B1 0<br />H1: B0 0B1 0<br />Nível de significancia: <br />Estadística de prueba:<br />Si Tc > Ttabla se rechaza Ho<br />Si P-valor > 0.05 es Significativo al 95% de confianza, con lo cual no rechazamos Ho.<br />Análisis de varianza<br />ANOVA(b)<br />Modelo Suma de cuadradosglMedia cuadráticaFSig.1Regresión247.1591247.1594.0140.116(a) Residual246.274461.569 Total493.4335 <br />a Variables predictoras: (Constante), xxxx<br />b Variable dependiente: yyyy<br />Hipótesis estadística:<br />Ho: B1 B2 0<br />H1: Al menos uno de los parámetros es diferente a cero<br />Nivel de significancia <br />Si P-valor> 0.05 es Significativo al 95% de confianza, con lo cual no rechazamos Ho.<br />El análisis de varianza nos dice que el modelo no es significativo, al 95% de confianza, por lo que no se rechaza la hipótesis nula.<br />Predicción<br />Y = B0 + B1 X + e<br />Si X=<br />EJERCICIOS SOBRE REGRESION LINEAL<br />2.- <br />Determine una ecuación de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)452.656166.649 2.716.026 x96.69225.326.8043.818.005<br />a Variable dependiente: y<br />Y = B0 + B1 X + e<br />Y = 452.656 + 96.692 X <br />5.-<br />Determine una ecuación de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)82.00541.620 1.970.084 xx2.346.804.7182.916.019<br />a Variable dependiente: yy<br />Y = B0 + B1 X + e<br />Y = 82.005 + 2.346 X <br />8.-<br />Determine una ecuación de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)10.4721.200 8.728.000 xxx-.332.120-.722-2.762.028<br />a Variable dependiente: yyy<br />Y = B0 + B1 X + e<br />Y = 10.472 + -0.332 X <br />9.-<br />Determine una ecuación de regresión<br />Coeficientes(a)<br />Modelo Coeficientes no estandarizadosCoeficientes estandarizadostSig. BError típ.BetaBError típ.1(Constante)-150.69652.369 -2.878.028 xxxx2.783.567.8954.907.003<br />a Variable dependiente: yyyy<br />Y = B0 + B1 X + e<br />Y = -150.696 + 2.783 X <br />