Captulo 1

Prcticas y problemas de regresin

lineal simple.
1.1. Problemas de regresin lineal simple con ordenador.
Problema 4.1.
Los datos de la tabla adjunta proporcionan la distancia en lnea recta (LR) y por
carretera (DC) entre veinte pares de puntos geogrcos (localidades) de Sheeld.
1. Existe una relacin lineal entre las dos variables?
2. Es sucientemente bueno el modelo de regresin lineal que explica la variable de
inters DC en funcin de la variable regresora LR?. Estimar el modelo de regresin
lineal. Calcular intervalos de conanza al 90 % para los parmetros del modelo.
3. Calcular la tabla ANOVA del modelo. Conclusiones que se obtienen.
4. Predecir la distancia por carretera entre dos ciudades cuya distancia en lnea recta
es 25. Calcular un intervalo de prediccin al 90 %. Repetir el apartado si la distancia
(LR) es 50.
5. Existe un modelo linealizable mejor?
DC LR DC LR DC LR
10
0
7 9
0
5 16
0
6 12
0
1 28
0
8 21
0
6
6
0
5 5
0
0 29
0
0 22
0
0 31
0
2 26
0
5
29
0
4 23
0
0 40
0
5 28
0
2 6
0
5 4
0
8
17
0
2 15
0
2 14
0
2 12
0
1 25
0
7 21
0
7
18
0
4 11
0
4 11
0
7 9
0
8 26
0
5 18
0
0
19
0
7 11
0
8 25
0
6 19
0
0 33
0
1 28
0
0
16
0
3 14
0
6 9
0
5 8
0
3
1
2 Modelos estadsticos aplicados. Juan Vilar
Desarrollo del Problema 4.1.
En primer lugar se representa la grca de dispersin de la nube de puntos que permite
tener una primera idea acerca de la forma del modelo de regresin. Se utiliza el siguiente
mdulo de Statgraphics
graficos graficos de dispersion grafico x-y
Un estudio detallado del modelo lineal simple ajustado se obtiene en
dependencia regresion simple
Dentro de este mdulo, en el apartado resumen del procedimiento, se obtiene
la recta de regresin estimada (estimacin de los coecientes de c
0
y c
1
, desviaciones
tpicas, lo que permite calcular intervalos de conanza de los mismos y test de la t). Este
apartado tambin proporciona la tabla ANOVA y los coecientes de determinacin. En
este problema el coeciente de correlacin es r = 0
0
969, y se concluye que el ajuste lineal
es bueno.
El apartado predicciones permite calcular predicciones e intervalos de conanza de
la media condicionada y de prediccin para una observacin determinada.
Si la recta de regresin se quiere comparar con otros modelos linealizables se puede
hacer en el apartado comparacion de modelos alternativos
Este mdulo proporciona la correlacin de doce ajustes. Con los datos de este problema
los ajustes doble recproco y multiplicativo mejoran ligeramente (en correlacin) a la
regresin lineal y habra que evaluar la conveniencia de trabajar con ellos. Para calcular
el ajuste de alguno de estos modelos linealizables se utiliza el apartado de opciones en
resumen del procedimiento.
Este mdulo tambin proporciona las observaciones con residuos grandes (residuos
atipicos), las observaciones inuyentes (puntos influyentes) y diferentes grcos que
permiten evaluar la bondad del ajuste y el cumplimiento de las hiptesis bsicas.
Problema 4.2. (Datos simulados)
Este problema consta de dos partes. En un primer apartado se simula un conjunto de
datos bidimensionales (r
i
, j
i
) que siguen un modelo de regresin lineal simple con diseo
jo. En el segundo apartado se estudia el modelo de regresin que mejor se ajusta a los
datos simulados en el apartado anterior.
La variable regresora A toma los valores 5, 8, 12, 15, 20, 22, 25, 27, 30 y 33. Para cada
valor de A se tienen 15 observaciones de la variable respuesta 1, en total, 150 observaciones.
Los valores se generan a partir del modelo matemtico
1 = 40 + 1
0
5A +-,
donde - sigue una distribucin

0; 10
2

.
Se seguirn los siguientes pasos:
Prcticas y problemas de regresin lineal simple. 3
1. Generacin de la muestra.
2. Hacer un estudio estadstico bsico de la variable condicionada 1,A.
3. Calcular la recta de regresin ajustada a las observaciones simuladas: estimacin de
los parmetros, tabla ANOVA, contraste de regresin y de linealidad, intervalos de
conanza. Se obtienen resultados congruentes, la recta de regresin ajustada est
prxima a la recta generadora de las observaciones?
4. Contrastar las hiptesis estructurales del modelo. Existen datos atpicos?
5. Hacer predicciones para A = 10, 20, 30, 40, 50, 100. Calcular intervalos de conanza
y de prediccin.
6. Estudiar otros modelos linealizables.
Desarrollo del Problema 4.2.
Para generar la muestra por simulacin se siguen los siguientes pasos:
- Crear la variable a|or_r = 5, 8, 12, 15, 20, 22, 25, 27, 30, 33.
- Generar la variable r = rcj(15; a|or_r).
- Generar la variable rccta = 40 + 1, 5 + r.
- Generar la variable crror = r:or:a|(150; 0; 10).
- Obtener la variable respuesta j = rccta +crror .
La muestra (simulada) se representa en un grco bidimensional segn el anlisis
graficos graficos de dispersion grafico x-y
Como se dispone de varias observaciones de la respuesta para cada valor de A se debe
hacer un anlisis estadstico de la variable condicionada 1,A. Para ello se utiliza el mdulo
descripcion datos numericos analisis de subgrupo
Introducir codc: = r.
Igual que en el problema anterior el anlisis de regresin se realiza en
dependencia regresion simple
En este problema se puede hacer una tabla ANOVA ms completa y el contraste de
linealidad en la opcin contraste de falta de ajuste.
El desarrollo del resto del problema es anlogo al anterior y como se dispone de un
nmero relativamente grande de observaciones se puede hacer un estudio ms completo
acerca del cumplimiento de las hiptesis del modelo.
4 Modelos estadsticos aplicados. Juan Vilar
1.2. Problema resuelto de regresin lineal simple.
Problema 4.3.
Los datos de la tabla adjunta muestran el tiempo de impresin (1 ) de trabajos que
se han imprimido en impresoras de la marca PR. Se est interesado en estudiar la relacin
existente entre la variable de inters tiempo de impresin de un trabajo y la variable
explicativa (A) nmero de pginas del trabajo. Utilizando estos datos ajustar un modelo
de regresin.
Datos de las impresoras
r j r j r j
1
24
0
56 17
0
33 17
0
81
28
0
07 23
0
16 19
0
41
22
0
53 14
0
70
2
29
0
92 17
0
14
37
0
25 31
0
90
31
0
80 41
0
72
24
0
59
3
28
0
86 30
0
01
44
0
73 44
0
43
41
0
32 34
0
16
28
0
79
4
29
0
03 45
0
00 53
0
52
54
0
38 47
0
63 30
0
11
44
0
34 48
0
95
5
52
0
55 69
0
50
55
0
61 52
0
98
65
0
70 40
0
11
45
0
21 46
0
63
6
65
0
39 57
0
48
62
0
85 69
0
09
71
0
44 57
0
29
50
0
42
7
85
0
33 66
0
73 68
0
17
78
0
94 61
0
07 76
0
71
78
0
34 88
0
25 64
0
84
8
83
0
82 75
0
38
69
0
40 84
0
42
80
0
68 60
0
79
100
0
08 74
0
79
9
82
0
90 105
0
73
102
0
13 119
0
82
93
0
93 102
0
30
10
79
0
82 90
0
83 89
0
00
83
0
81 71
0
79 76
0
20
76
0
30
Solucin Problema 4.3.
Se calculan los estadsticos bsicos de las variables A e 1,
: = 75
P
n
i=1
r
i
= 408 r = 5
0
44
P
n
i=1
r
2
i
= 2,818 r
2
= 37
0
5733 :
2
x
= 7
0
9797 :
x
= 2
0
82484
P
n
i=1
j
i
= 4,321
0
7 j = 57
0
6227
P
n
i=1
j
2
i
= 296,397 j
2
= 3,951
0
96 :
2
y
= 631
0
586 :
y
= 25
0
1313
P
n
i=1
r
i
j
i
= 28,362
0
5 rj = 378
0
167 :
xy
= 64
0
6995
Las estimaciones de los parmetros de la recta de regresin son
^ c
1
=
:
xy
:
2
x
=
64
0
6995
7
0
9797
= 8
0
108.
Prcticas y problemas de regresin lineal simple. 5
^ c
0
= j ^ c
1
r = 57
0
6227 8
0
108 5
0
44 = 13
0
515
Se calculan las predicciones ^ j
i
Predicciones
r
i
^ j
i
r
i
^ j
i
r
i
^ j
i
r
i
^ j
i
r
i
^ j
i
1 21
0
623 3 37
0
839 5 54
0
055 7 70
0
271 9 86
0
487
2 29
0
731 4 45
0
947 6 62
0
163 8 78
0
379 10 94
0
595
La suma de cuadrados de los residuos (:c1) se obtiene como
75
X
i=1
c
2
i
=
75
X
i=1
(j
i
^ j
i
)
2
=
75
X
i=1

j
i

13
0
515 + 8
0
108r
i

2
= 8025
0
61.
Una forma alternativa, ms sencilla, de calcular :c1 es
75
X
i=1
c
2
i
=
75
X
i=1
j
2
i

^ c
0
75
X
i=1
j
i
+ ^ c
1
75
X
i=1
r
i
j
i
!
= 8025
0
61.
La varianza residual es
^ :
2
R
=
1
: 2
75
X
i=1
c
2
i
=
8025
0
61
73
= 109
0
94 = ^ :
R
= 10
0
485.
Las varianzas de los parmetros son
\ ar(^ c
1
) =
^ :
2
R
::
2
x
=
109
0
94
75 7
0
9797
= 0
0
1837 =o(^ c
1
) = 0
0
4286.
\ ar(^ c
0
) =
^ :
2
R
:

1 +
r
2
:
2
x

=
109
0
94
75

1 +
5
0
44
2
7
0
9797

= 6
0
9022 =o(^ c
0
) = 2
0
6272
Intervalos de conanza (al 90 %) y contrastes de hiptesis sobre los parmetros del
modelo son:
Intervalo de conanza para o
2
(: 2) ^ :
2
R
o
2
~
2
n2
=
2
73

0
0
05

_
73 109
0
94
o
2
_
2
73

0
0
95

=
54
0
3245 _
8025
0
62
o
2
_ 94
0
0592 =
85
0
325 =
8025
0
62
94
0
0592
_ o
2
_
8025
0
62
54
0
3245
= 147
0
735.
Intervalo de conanza para ^ c
1
^ c
1
c
1
o (^ c
1
)
~ t
n2
=t
73

0
0
05

_
8
0
108 c
1
0
0
4286
_ t
73

0
0
95

=
1
0
6664 _
8
0
108 c
1
0
0
4286
_ 1
0
6664 =
c
1
8
0
108 0
0
4286 1
0
6664 = 8
0
108 0
0
7142 =

7
0
3938, 8
0
8222

.
6 Modelos estadsticos aplicados. Juan Vilar
Intervalo de conanza para ^ c
0
^ c
0
c
0
o (^ c
0
)
~ t
n2
=t
73

0
0
05

_
13
0
515 c
0
2
0
6272
_ t
73

0
0
95

=
1
0
6664 _
13
0
515 c
0
2
0
6272
_ 1
0
6664 =
c
0
13
0
515 2
0
6272 1
0
6664 = 13
0
515 4
0
378 =

9
0
137, 17
0
893

.
Contraste de hiptesis para ^ c
1
(H
0
: c
1
= 0 )rc:tc H
0
: c
1
,= 0)
d
1
=
^ c
1
c
1
o (^ c
1
)
[
H
0
=
^ c
1
o (^ c
1
)
=
8
0
108
0
0
4286
= 18
0
917 ~ t
n2
= j a|or = 1

[t
73
[ 18
0
917

= 0
0
0000
= Se rechaza H
0
.
Contraste de hiptesis para ^ c
0
(H
0
: c
0
= 0 )rc:tc H
0
: c
0
,= 0)
d
0
=
^ c
0
c
0
o (^ c
0
)
[
H
0
=
^ c
0
o (^ c
0
)
=
13
0
515
2
0
6272
= 5
0
144 ~ t
n2
= j a|or = 1

[t
73
[ 5
0
144

= 0
0
0000
= Se rechaza H
0
.
El coeciente de correlacin es
r =
:
xy
:
x
:
y
=
64
0
6995
2
0
82484 25
0
1313
= 0
0
9113.
En el siguiente grco se representa la nube de puntos y la recta ajustada
Figura 4.1. Nube de observaciones y recta ajustada.
Prcticas y problemas de regresin lineal simple. 7
El grco de residuos frente a las predicciones se observa en el siguiente grco,
Figura 4.2. Grco de residuos.
Clculo de la tabla ANOVA del modelo.
:c1 =
75
X
i=1
c
2
i
= 8,025
0
61,
:cG =
75
X
i=1
(j
i
j)
2
= 75 :
2
y
= 75 631
0
586 = 47,368
0
95,
:c1 =
75
X
i=1
(^ j
i
j)
2
= :cG:c1 = 47,368
0
95 8,025
0
61 = 39,343
0
34,
de donde
Tabla ANOVA
Fuentes de Suma de Grados Varianzas 1 tc:t j a|nc
variacin cuadrados libertad
:c1 (modelo) 39,343
0
34 1 ^ :
2
e
= 39,343
0
34 1 = 357
0
86 0
0
0000
:c1 (Residual) 8025
0
61 73 ^ :
2
R
= 109
0
94 ^ :
R
= 10
0
48
:cG (Global) 47,368
0
95 74 ^ :
2
y
= 640
0
12 ^ :
y
= 25
0
30
Contraste de regresin.
H
0;reg
: el modelo de regresin lineal ajustado no es inuyente
H
1
: el modelo ajustado es inuyente
8 Modelos estadsticos aplicados. Juan Vilar
Si H
0;reg
es correcto ^ :
2
e
- 0. El estadstico del contraste es
^
d
reg
^
d
reg
=
^ :
2
e
^ :
2
R
=
39,343
0
34
109
0
94
= 357
0
86 ~ 1
1;73
= j a|or
reg
= 1(1
1;73
357
0
86) = 0
0
0000.
Se rechaza H
0;reg
y se asume que el modelo ajustado es signicativo.
Contraste de linealidad. Dado que para cada valor de r se dispone de varias obser-
vaciones de 1, se puede hacer el contraste
H
0;lin
: el modelo lineal es adecuado
H
1
: el modelo de regresin no es lineal
Se descompone :c1 en dos trminos:
:c1 =
75
X
i=1
c
2
i
=
75
X
i=1
(j
i
^ j
i
)
2
=
75
X
i=1
( j
i:
^ j
i
)
2
+
75
X
i=1
(j
i
j
i
)
2
.
:c1
1
=
75
X
i=1
( j
i:
^ j
i
)
2
= 2,765
0
84.
:c1
2
=
75
X
i=1
(j
i
j
i
)
2
= 5,259
0
77.
:c1 =
75
X
i=1
c
2
i
=
75
X
i=1
(j
i
^ j
i
)
2
= 2,765
0
84 + 5259
0
77 = 8,025
0
61.
La nueva tabla ANOVA, ms completa, es
Tabla ANOVA
Fuentes de Suma de Grados Varianzas 1 tc:t j a|nc
variacin cuadrados libertad
:c1 (modelo) 39,343
0
34 1 ^ :
2
e
= 39,343
0
34 1
reg
= 357
0
86 0
0
0000
:c1
1
2,765
0
84 8 ^ :
2
R;1
= 345
0
731
:c1
2
5,259
0
77 65 ^ :
2
R;2
= 80
0
919 1
lin
= 4
0
27 0
0
0004
:c1 (Residual) 8025
0
61 73 ^ :
2
R
= 109
0
94 ^ :
R
= 10
0
48
:cG (Global) 47,368
0
95 74 ^ :
2
y
= 640
0
12 ^ :
y
= 25
0
30
Si H
0;lin
es correcto ^ :
2
R;1
- 0. El estadstico del contraste es
^
d
lin
^
d
lin
=
^ :
2
R;1
^ :
2
R;2
=
345
0
731
80
0
919
= 4
0
27 ~ 1
8;65
= j a|or
lineal
= 1(1
8;65
4
0
27) = 0
0
0004
Prcticas y problemas de regresin lineal simple. 9
Se rechaza H
0;lin
y se deduce que el modelo lineal no es el que mejor se ajusta a la
nube de observaciones.
Predicciones.
Calcular intervalos de conanza al 90 % para el tiempo medio de impresin
de los trabajos que tienen 6 y 12 hojas respectivamente.
Calcular intervalos de prediccin al 90 % para el tiempo de impresin de un
trabajo que tiene 6 hojas. Calcular el intervalo de prediccin para el tiempo
de impresin de un trabajo de 12 hojas.
Para r
t
= 6, el estimador de :
t
= 1(1,A = 6) es
^ :
t
= 13
0
515 + 8
0
108 r
t
= 13
0
515 + 8
0
108 6 = 62
0
163.
El valor de inuencia (leverage) es
/
t
=
1
:

1 +

r
t
r
:
X

2
!
=
1
75

1 +

6 5
0
44
2
0
82484

2
!
=
1
75

1 + 0
0
1982
2

= 0
0
013857.
= :
t
=
1
/
t
= 72
0
1651 (nmero de observaciones equivalente).
La varianza del estimador ^ :
t
\ ar ( ^ :
t
) =
^ :
2
R
:
t
=
109
0
94
72
0
1651
= 1
0
5235.
= o ( ^ :
t
) = 1
0
2343.
Un intervalo de conanza al 90 % para :
t
es
:
t
62
0
163
1
0
2343
~ t
73
=
:
t
62
0
163 t
73

0
0
95

1
0
2343 =
:
t
62
0
163 1
0
6664 1
0
2343 = 62
0
163 2
0
0568 =

60
0
106, 64
0
219

.
La prediccin para 1,A = 6 es
^ j
t
= 13
0
515 + 8
0
108 r
t
= 13
0
515 + 8
0
108 6 = 62
0
163.
La varianza de prediccin es
\ ar (^ j
t
) =
^ :
2
R
:
h
+ ^ :
2
R
=
109
0
94
72
0
1651
+ 109
0
94 = 111
0
4635 =
o (^ j
t
) = 10
0
5576.
10 Modelos estadsticos aplicados. Juan Vilar
Un intervalo de prediccin al 90 % para j
t
es
j
t
62
0
163 t
73

0
0
95

10
0
5576 =
j
t
62
0
163 1
0
6664 10
0
5576 = 62
0
163 17
0
593 =

44
0
569, 79
0
756

.
Anlogamente, se realizan los clculos para r
q
= 12.
El estimador de :
t
= 1 (1,A = 12) es
^ :
q
= 13
0
515 + 8
0
108 12 = 110
0
811.
Su valor de inuencia es
/
q
=
1
:

1 +

r
q
r
:
R

2
!
=
1
75

1 +

12 5
0
44
2
0
82484

2
!
=
1
75

1 + 2
0
3222
2

= 0
0
08523
= :
q
=
1
/
q
= 11
0
7323 (nmero de observaciones equivalente).
La varianza de ^ :
q
es
\ ar ( ^ :
q
) =
^ :
2
R
:
q
=
109
0
94
11
0
7323
= 9
0
3707.
= o ( ^ :
q
) = 3
0
0612.
Un intervalo de conanza al 90 % para :
q
es
:
q
110
0
811 t
73

0
0
95

3
0
0612 =
:
q
110
0
811 1
0
6664 3
0
0612 = 110
0
811 5
0
1011 =

105
0
709, 115
0
912

.
La prediccin de 1,A = 12 es
^ j
q
= 13
0
515 + 8
0
108 12 = 110
0
811.
\ ar (^ j
q
) =
^ :
2
R
:
q
+ ^ :
2
R
= 109
0
94

1
11
0
7323
+ 1

= 119
0
31.
= o (^ j
q
) = 10
0
923.
Un intervalo de prediccin al 90 % para j
q
es
j
q
110
0
811 t
73

0
0
95

10
0
923 =
j
q
110
0
811 1
0
6664 10
0
923 = 110
0
811 18
0
202 =

92
0
609, 129
0
013

.
Prcticas y problemas de regresin lineal simple. 11
En la tabla adjunta se pueden comparar las longitudes de los intervalos calculados
Longitudes de los intervalos calculados
Int. Conanza
de (1 (1,r))
Int. Prediccin
de (1,r)
nm. equivalente
de observaciones
r
t
= 6 2
0
0568 17
0
593 72
0
1651
r
q
= 12 5
0
1011 18
0
202 11
0
7323
12 Modelos estadsticos aplicados. Juan Vilar
1.3. Problemas propuestos de regresin lineal simple.
Problema 4.4. (este problema se puede resolver utilizando calculadora)
En la tabla adjunta se presentan el nmero de pginas y el precio de doce libros
tcnicos:
pginas precio pginas precio pginas precio
310 3
0
50 400 8
0
00 420 2
0
50
300 3
0
50 170 1
0
80 610 5
0
00
280 3
0
50 430 7
0
00 420 5
0
40
310 7
0
30 230 3
0
20 450 3
0
70
Con estos datos se obtiene: (A el nmero de pginas e 1 el precio):
P
12
i=1
A
i
= 4,330,
P
12
i=1
A
2
i
= 1,714,700,
P
12
i=1
1
i
= 54
0
4,
P
12
i=1
1
2
i
= 290
0
62,
P
12
i=1
A
i
1
i
= 20,663.
1. Ajustar una recta de regresin que explique el precio en funcin del nmero de
pginas e interpretar los resultados.
2. Construir la tabla ANOVA asociada. Es el ajuste adecuado?
3. Calcular intervalos de conanza al 90 % para los parmetros del modelo.
4. Calcular un intervalo de conanza al 90 % para el precio de un libro de 500 pginas.
Problema 4.5. La resistencia del cemento (r) depende, entre otras cosas, del tiempo
de secado del cemento (t). En un experimento se obtuvo la resistencia de bloques de
cemento con diferente tiempo de secado los resultados fueron los siguientes (Hald, A.
(1952) Statistical theory with engneering applications. Wiley & Sons). En base a esta
muestra,
Tiempo (das) Resistencia (/q,c:
2
)
1 13
0
0 13
0
3 11
0
8
2 21
0
9 24
0
5 24
0
7
3 29
0
8 28
0
0 24
0
1 24
0
2 26
0
2
7 32
0
4 30
0
4 34
0
5 33
0
1 35
0
7
28 41
0
8 42
0
6 40
0
3 35
0
7 37
0
3
1. Analizar la posible existencia de una relacin entre estas dos variables.
2. Qu conclusiones se deducen del contraste de regresin y del contraste de linealidad?
3. Si se utilizase un ajuste cuadrtico se obtienen mejores resultados?
Prcticas y problemas de regresin lineal simple. 13
4. Estudiar el modelo paramtrico propuesto por A. Hald que estudiba la relacin del
logaritmo de la resistencia del cemento sobre la inversa del tiempo de secado.
Problema 4.6. La variable (1 ) representa, en miles, el nmero de asnos en Espaa
y la (A) el tanto por ciento del presupuesto del Estado dedicado a Educacin.
ao 1 A ao 1 A ao 1 A
1920 1,006 5
0
5 1945 747 9
0
7 1970 476 12
0
7
1925 1,162 4
0
8 1950 732 9
0
6 1975 386 11
0
5
1930 1,479 7
0
8 1955 683 8
0
9 1980 368 11
0
4
1935 805 8
0
2 1960 686 11
0
4
1940 795 8
0
6 1965 493 10
0
6
1. Representar gracamente estos datos.
2. Construir la recta de regresin que explique el comportamiento de la variable tanto
por ciento del presupuesto del Estado dedicado a Educacin en funcin de la variable
el nmero de asnos en Espaa e interpretar los resultados
3. Es signicativo el coeciente de correlacin entre estas dos variables?
4. Los residuos asociados al ajuste de la regresin lineal son independientes?
5. Representar las variables A e 1 frente al tiempo. Calcular los coecientes de cor-
relacin y rectas de regresin de las variables A e 1 respecto al tiempo.
Nota: Estos datos son recogidos del texto de Daniel Pea Estadstica modelos y
mtodos. Vol. 2. Modelos lineales y series temporales. Alianza Universidad Textos.
Es un claro ejemplo de variables entre las que existe una alta correlacin estadstica
pero no existe relacin entre las mismas (correlaciones espreas), su relacin
estadstica es debida a la relacin que ambas tienen con una tercera (el tiempo) y
que no se tiene en cuenta en el estudio.
Problema 4.7. Se llev a cabo un estudio para determinar la relacin entre el
nmero de aos de experiencia (A) y el salario mensual, en miles de pesetas, (1 ) entre los
informticos de una regin espaola. Se tom una muestra aleatoria de 17 informticos y
se obtuvieron los siguientes datos
Exper. Salario Exper. Salario Exper. Salario
13 26
0
1 31 36
0
4 27 36
0
0
16 33
0
2 19 33
0
8 25 36
0
5
30 36
0
1 20 36
0
5 7 21
0
4
2 16
0
5 1 16
0
9 15 31
0
0
8 26
0
4 4 19
0
8 13 31
0
4
6 19
0
1 10 24
0
6
14 Modelos estadsticos aplicados. Juan Vilar
1. Calcular la regresin lineal de la variable salario frente a aos de experiencia. Calcular
intervalos de conanza al 95 % para los coecientes de este modelo.
2. Calcular el coeciente de correlacin lineal y el coeciente de determinacin. Con
c = 0
0
05 se puede rechazar la hiptesis de que el coeciente de determinacin es
cero?
3. Calcular intervalos de conanza al 90 % y 95 % para la prediccin del salario de un
informtico que tiene 8 aos de experiencia.
4. Se observa alguna anomala en el grco de los residuos frente a la regresora.
Problema 4.8. El siguiente conjunto de datos era tomado sobre grupos de tra-
bajadoras de Inglaterra y Gals en el perodo de 1970-72. Cada grupo est formado por
trabajadores de la misma profesin (mdicos, trabajadores textiles, decoradores,...etc,) y
en cada uno de los veinticinco grupos muestrados se han observado dos variables: el ndice
estandarizado de consumo de cigarrillos y el ndice de muertes por cncer de pulmn.
(Occupational mortality: the registar generals decennial supplement for England and
Wales, 1970-72, series Ds, n.1, London:HMSO,149).
r j r j r j
77 84 102 88 133 146
137 116 91 104 115 128
117 123 104 129 105 115
94 128 107 86 87 79
116 155 112 96 91 85
102 101 113 144 100 120
111 118 110 139 76 60
93 113 125 113 66 51
88 104
1. Estudiar la regresin lineal del ndice de mortalidad frente al ndice de fumadores.
2. Calcular la tabla ANOVA. Conclusiones.
3. Comprobar si se verican las hiptesis del modelo.
Problema 4.9. Anscombe utiliz el siguiente conjunto de datos para demostrar la
importancia de los grcos en el anlisis de regresin y correlacin. Hay cuatro conjuntos
de datos bidimensionales (A, 1 ), el vector A es el mismo para los tres primeros conjuntos.
1. Para cada uno de los cuatro conjuntos de datos, calcular la recta de regresin de 1
frente a A y el coeciente de correlacin.
2. Para cada uno de los cuatro casos, dibujar la grca de 1 frente a A y la grca
de los residuos frente a las predicciones. Qu conclusiones se deducen?
Prcticas y problemas de regresin lineal simple. 15
A1 = A2 = A3 1 1 1 2 1 3 A4 1 4
10 8
0
04 9
0
14 7
0
46 8 6
0
58
8 6
0
95 8
0
14 6
0
77 8 5
0
76
13 7
0
58 8
0
74 12
0
74 8 7
0
71
9 8
0
81 8
0
77 7
0
11 8 8
0
84
11 8
0
33 9
0
26 7
0
81 8 8
0
47
14 9
0
96 8
0
10 8
0
84 8 7
0
04
6 7
0
24 6
0
13 6
0
08 8 5
0
25
4 4
0
26 3
0
10 5
0
39 8 5
0
56
12 10
0
84 9
0
13 8
0
15 8 7
0
91
7 4
0
82 7
0
26 6
0
42 8 6
0
89
5 5
0
68 4
0
74 5
0
73 19 12
0
50
Problema 4.10. Los datos de la tabla adjunta muestran la cantidad de ozono reg-
istrada (1 ) y su presin parcial (A) para cada capa de altitud. Cada capa tiene aprox-
imadamente un kilmetro de altura. Por conveniencia las capas se han escalado a un
intervalo de -7 a +7.
1. Hacer una grca de estos datos, es razonable un ajuste lineal?
2. Ajustar una funcin de regresin lineal del ozono frente a la capa. Calcular la tabla
ANOVA y los contrastes de regresin y de linealidad. Conclusiones.
3. Analizar detenidamente los residuos. Se verican las hiptesis estructurales del
modelo? Son los datos homocedsticos?
4. Existe un modelo no lineal que mejore el ajuste lineal?.
Capa Ozono Capa Ozono
7
53
0
8 54
0
8 53
0
7 55
0
7
53
0
3 54
0
6 55
0
2 54
0
1
7 44
0
7 38
0
5
6
63
0
8 64
0
2 66
0
9
67
0
2 65
0
4 67
0
3
6 60
0
2 54
0
9 50
0
8
5 71
0
8 73
0
2 75
0
6 76
0
2 72
0
7 5 73
0
6 65
0
4 67
0
1
4
79
0
4 81
0
1 84
0
1
85
0
2 83
0
0 82
0
8
4 74
0
8 82
0
3 76
0
9 81
0
2
3 90
0
3 84
0
2 88
0
3 86
0
0 3 93
0
6 86
0
2 87
0
9 89
0
5
2 93
0
2 97
0
4 98
0
3 2 92
0
3 96
0
6 98
0
5
1 102
0
8 96
0
9 98
0
2 1 101
0
1 94
0
6 95
0
9
0 98
0
9 96
0
1 99
0
6 91
0
4
Problema 4.11. El chero problema-4-11 contiene once variables de 200 datos.
La primera variable se corresponde con el vector de prediccin de un ajuste lineal sim-
ple y las restantes diez variables se correponden con diferentes vectores de residuos del
16 Modelos estadsticos aplicados. Juan Vilar
ajuste. Utilizando bsicamente mtodos grcos (grco de residuos frente a predicciones,
histograma, grco de normalidad, grco de residuos frente al ndice, correlograma,....)
contratar si se verican las hiptesis bsicas estructurales del modelo de regresin lineal o
indagar la existencia de posibles problemas en el ajuste.
Problema 4.12. En 34 lotes de 120 libras de cacahuetes se observ el nivel medio
de aatoxin (partes por billn) (A) y el porcentaje de cacahuetes no contaminados (1 ) .
A 1 A 1 A 1 A 1 A 1
3
0
0 99
0
971 18
0
8 99
0
942 46
0
8 99
0
863 12
0
3 99
0
956 25
0
8 99
0
858
4
0
7 99
0
979 18
0
9 99
0
932 46
0
8 99
0
811 71
0
3 99
0
821 18
0
8 99
0
975
8
0
3 99
0
982 21
0
7 99
0
908 58
0
1 99
0
877 12
0
5 99
0
972 30
0
6 99
0
987
9
0
3 99
0
971 21
0
9 99
0
970 62
0
3 99
0
798 12
0
6 99
0
889 36
0
2 99
0
958
9
0
9 99
0
957 22
0
8 99
0
985 70
0
6 99
0
855 15
0
9 99
0
961 39
0
8 99
0
909
11
0
0 99
0
961 24
0
2 99
0
933 71
0
1 99
0
788 16
0
7 99
0
982 44
0
3 99
0
859
83
0
2 99
0
830 83
0
6 99
0
718 99
0
5 99
0
642 111
0
2 99
0
658
1. Analizar estos datos e investigar la relacin entre estas dos variables para predecir
1 en funcin de A. Es adecuado el ajuste lineal?
2. Verican los residuos las hiptesis estructurales?
3. Intentar encontrar un ajuste paramtrico que mejore al lineal.
Problema 4.13. En quince casas de la ciudad de Milton Keynes se observ durante
un perodo de tiempo la diferencia de temperatura promedio (en grados centgrados) entre
la temperatura en la calle y la temperatura en casa, y el consumo de gas diario en kWh.
Dif. temp Consumo Dif. temp Consumo Dif. temp Consumo
10
0
3 69
0
81 13
0
4 75
0
32 15
0
6 86
0
35
11
0
4 82
0
75 13
0
6 69
0
81 16
0
4 110
0
23
11
0
5 81
0
75 15
0
0 78
0
54 16
0
5 106
0
55
12
0
5 80
0
38 15
0
2 81
0
29 17
0
0 85
0
50
13
0
1 85
0
89 15
0
3 99
0
20 17
0
1 90
0
02
1. Hacer una grca de los datos. Existe relacin entre estas dos variables?
2. Se puede explicar el consumo de gas por una relacin lineal con la diferencia de
temperatura?.
3. Ajustando un polinomio de mayor grado, se obtiene un mayor coeciente de deter-
minacin?, qu modelo es preferible?.
Problema 4.14. Se midi la altura (en centmetros) y el peso (en kilogramos) de
treinta chicas de once aos del Heaton Meiddle School de Bradford. Estudiar estos datos
y la relacin entre ambas variables.
Prcticas y problemas de regresin lineal simple. 17
Altura Peso Altura Peso Altura Peso Altura Peso Altura Peso
135 26 141 28 149 46 148 32 149 32
146 33 136 28 147 36 149 34 141 32
153 55 154 36 152 47 141 29
154 50 151 48 140 33 164 47
139 32 155 36 143 42 146 37
131 25 137 31 146 35 137 34
149 44 143 36 133 31 135 30
1. Dibujar la grca de estas observaciones y calcular la recta de regresin de peso
frente a altura y la de altura frente a peso.
2. En la regresin lineal de peso frente a altura, se observa alguna observacin atpica?.
3. Existen observaciones inuyentes?
4. Contrastar las hiptesis estructurales del modelo.
Problema 4.15. El contenido en hierro de las escorias de los altos hornos puede
ser determinada por una prueba qumica en laboratorio o, de forma ms barata y rpida,
por un test magntico. Se est interesado en estudiar la relacin entre los resultados
del test qumico y del test magntico. En particular, se desea saber si a partir de los
resultados del test magntico (A) se pueden estimar los resultados del test qumico (1 )
sobre el contenido del hierro. Para ello, se han realizado los dos test a un conjunto de
lotes recogidos secuencialmente en el tiempo. Los resultados obtenidos son los de la tabla
adjunta.
Qui Mag Qui Mag Qui Mag Qui Mag Qui Mag Qui Mag
24 25 18 19 17 12 21 18 20 21 25 16
16 22 20 10 19 15 24 22 24 18 15 16
24 17 21 23 16 15 15 20 24 20 16 26
18 21 20 20 15 15 20 21 23 25 27 28
18 20 21 19 15 15 20 21 29 20 27 28
10 13 15 15 13 17 25 25 27 18 30 30
14 16 16 16 24 18 27 22 23 19 29 32
16 14 15 16 22 16 22 18 19 16 26 28
25 28 25 36 32 40 28 33 25 33
1. Analizar estos datos. Hacer un estudio descriptivo y grco de los mismos.
2. Estudiar la relacin entre los tests, es adecuado el ajuste lineal?
3. Chequear las hiptesis del modelo.
4. Existe un ajuste linealizable o polinmico que mejore al ajuste lineal?
18 Modelos estadsticos aplicados. Juan Vilar
Problema 4.16. Utilizando los datos del chero problema-4-16 que contiene datos
de variables de coches.
1. Estudiar la regresin lineal entre la variable mpg (miles per galon: inversa del con-
sumo) y la regresora accel (aceleracin). Existe un ajuste mejor que el lineal?
2. Estudiar la regresin lineal entre mpg y la regresora weight (peso).
3. Estudiar la regresin lineal entre mpg y la regresora price (precio).
4. Estudiar la regresin lineal entre mpg y la regresora displace.
5. Estudiar la regresin lineal entre price y la regresora accel (aceleracin).
6. Utilizando un ajuste linealizable se mejoran los ajustes lineales estudiados?
7. Estudiar la existencia de datos atpicos y datos inuyentes en los ajustes lineales o
linealizables obtenidos.
Problema 4.17. Los siguientes datos representan el Producto Nacional Bruto de
USA (A) y los gastos de consumo (1 ) en miles de millones de dlares de 1972, entre los
aos 1960-1980
Ao 1960 1961 1962 1963 1964 1965 1966
PNB 737
0
2 756
0
6 800
0
3 832
0
5 876
0
4 929
0
3 984
0
8
GC 452
0
0 461
0
4 482
0
0 500
0
5 528
0
0 557
0
5 585
0
7
Ao 1967 1968 1969 1970 1971 1972 1973
PNB 1,011
0
4 1,058
0
1 1,087
0
6 1,085
0
6 1,122
0
4 1,185
0
9 1,255
0
0
GC 602
0
7 634
0
4 657
0
9 672
0
1 696
0
8 737
0
1 768
0
5
Ao 1974 1975 1976 1977 1978 1979 1980
PNB 1,248
0
0 1,233
0
9 1,300
0
4 1,371
0
7 1,436
0
9 1,483
0
0 1,480
0
7
GC 763
0
6 780
0
2 823
0
7 863
0
9 904
0
8 930
0
9 935
0
1
1. Ajustar un modelo lineal e interpretar los coecientes de regresin estimados.
2. Hacer la grca de los residuos frente al tiempo. Estudiar la hiptesis de indepen-
dencia.
3. Si existe una autocorrelacin positiva, transformar los datos y ajustar el modelo de
regresin lineal a los datos (mnimos cuadrados generalizados).
Problema 4.18. Para las compaas de seguros de hogar tiene inters estimar el
coste de reemplazar algunos objetos. Una de estas compaas estaba interesada en estimar
el coste de reemplazar una coleccin de 1554 libros a partir de una muestra de 100 libros.
El coste de los cien libros muestrales se obtena de los catlogos de las editoriales y si
algn libro estaba descatalogado su valor se calculaba utilizando el precio de un libro de
similares caractersticas. Los precios estn en peniques.
Prcticas y problemas de regresin lineal simple. 19
Dado que el valor de los libros era muy variable, en un intento de conseguir una mayor
exactitud, se utiliz como regresora para explicar el precio de un libro el ancho del lomo
del mismo (medido en milmetros). El ancho total de los 1.554 libros era de 25.182 mm.
Los datos de los cien libros se encuentran en el chero problema-4-18. En base a
estos datos, se pide:
1. Analizar estadsticamente las variables precio y ancho del libro.
2. Existe una relacin entre ambas variables?
3. Estimar el coste de toda la coleccin. En una primera aproximacin sin tener en
cuenta la variable ancho de los libros y, en segundo lugar, teniendo en cuenta esta
variable.
Problema 4.19. El chero problema-4-19 contiene datos de dos nubes de pun-
tos bidimensionales ((r, 1
1
) y (r, 1
2
)). Estos datos son debidos a Wampler y los gener
por simulacin para comprobar cuando un determinado programa estadstico realiza con
exactitud el ajuste por mnimos cuadrados.
1. Ajustar a estas dos nubes de puntos un polinomio.
2. Qu grado de polinomio se debe ajustar?, es el ajuste bueno? exacto?.
Problema 4.20. Los datos de la tabla adjunta son el conjunto clsico de datos del
test psicolgico de Strong sobre retencin de memoria. Los datos se tomaban de la siguiente
manera: un conjunto de individuos memorizaban una lista de objetos inconexos y pasado
un tiempo la recordaba. La variable j indica el porcentage de retencin de memoria en
promedio y la variable t es el tiempo transcurrido. El objetivo del estudio era explicar la
variable j en funcin de t.
t p t p t p t p
1 0
0
84 60 0
0
54 720 0
0
36 10080 0
0
08
5 0
0
71 120 0
0
47 1440 0
0
26
15 0
0
61 240 0
0
45 2880 0
0
20
30 0
0
56 480 0
0
38 5760 0
0
16
1. Analizar este conjunto de datos y estudiar la relacin de la variable j respecto a t.
2. Estudiar analtica y gracmente un modelo del tipo j = exp(,t) que sugiere una
prdida geomtrica de la memoria.
3. Estudiar analtica y gracmente un modelo del tipo log j = ,
0
+ ,
1
t. Qu inter-
pretacin tiene este modelo?, Qu ajuste es mejor?.
20 Modelos estadsticos aplicados. Juan Vilar
Problema 4.21. El chero problema-4-21 contiene datos de 78 ciervos de Escocia
en los que se estudia el crecimiento de los dientes. Para todos los ciervos de un rebao se
supone que el crecimiento de los dientes naliza a la misma edad y despus la velocidad
de desgaste es la misma para todos los animales y constante en el tiempo. La aleatoriedad
en los resultados es debida al peso de la corona en la madurez que sigue una distribucin
normal y la edad de la madurez no es conocida con exactitud. A los ciervos de la muestra
se les tomo la edad y el peso en gramos del primer molar. En base a estos datos:
1. Estudiar la relacin del peso respecto a la edad.
2. Hacer los contrastes de regresin y de linealidad.
3. Analizar los residuos, se verican las hiptesis bsicas?.
Problema 4.22. En los sitemas productivos de ovejas tiene un gran inters controlar
las necesidades energticas de cada animal ya que inuyen en la prediccin de la produccin
de carne. Por ello, se ha tomado una muestra de 64 ovejas australianas y, a cada una de
ellas, se le control su peso r (en kilogramos), y sus necesidades energticas diarias 1
medidas en Mcal/da. Los resultados de la muestra se presentan en el chero problema-
4-22. En base a estos datos muestrales:
1. Estudiar la relacin lineal de 1 respecto a r.
2. Estimar la media de consumo energtico de las ovejas que pesan 30, 40, 50 y 60 Kgr.
Calcular intervalos de conanza al 90 % para estos valores. Hacer el mismo clculo
pero considerando la prediccin del consumo energtico de una oveja de ese peso.
Calcular intervalos de prediccin.
Problema 4.23. El chero problema-4-23 contiene dos conjuntos de datos bidi-
mensionales en los que no existe una relacin lineal pero si es fcil encontrar la relacin
existente entre las dos variables.
El primer conjunto tiene 25 observaciones de molinos de viento para la produccin
de energa elctrica, la variable A1 mide la velocidad del viento y la variable 1 1 mide la
corriente elctrica obtenida.
El segundo conjunto tiene 19 observaciones relativas a la produccin del papel, la
variable A2 mide la resistencia del papel fabricado y la variable 1 2 mide la proporcin de
madera en la pulpa a partir de la cual se obtiene el papel.
1. En ambos casos, dibujar la grca de la nube de puntos.
2. Obtener el modelo de regresin que mejor se ajusta a la nube de observaciones.
Existe ajustes que mejoran al lineal?, el ajuste realizado es sucientemente bueno?
3. Analizar los residuos de los modelos ajustados.
Prcticas y problemas de regresin lineal simple. 21
Problema 4.24. El chero problema-4-24 contiene datos relativos al peso del cuer-
po (A, en kilogramos) y el peso del cerebro (1, en gramos) de 28 especies de animales. En
base a estos datos:
1. Se observa en esta nube algn dato atpico?
2. Transformar los datos para que se pueda hacer una grca de los mismos. Realizar
la grca de los datos transformados.
3. Ajustar un modelo de regresin lineal a los datos transformados. Es el ajuste
adecuado? Interpretarlo.
4. En el modelo transformado Existen datos atpicos?.
Problema 4.25. La dureza de los rboles es difcil de medir directamente, sin em-
bargo la densidad si es relativamente fcil de medir. Por ello es de gran inters disponer
de un modelo que permita predecir la dureza de un rbol a partir de su densidad. Por este
motivo se ha tomado una muestra de 36 eucaliptos australianos y se les midi su densidad
(A) y su dureza (1 ). Los resultados obtenidos son los de la tabla adjunta.
Densidad Dureza Densidad Dureza Densidad Dureza
24
0
7 484 39
0
4 1210 53
0
4 1880
24
0
8 427 39
0
9 989 56
0
0 1980
27
0
3 413 40
0
3 1160 56
0
5 1820
28
0
4 517 40
0
6 1010 57
0
3 2020
28
0
4 549 40
0
7 1100 57
0
6 1980
29
0
0 648 40
0
7 1130 59
0
2 2310
30
0
3 587 42
0
9 1270 59
0
8 1940
32
0
7 704 45
0
8 1180 66
0
0 3260
35
0
6 979 46
0
9 1400 67
0
4 2700
38
0
5 914 48
0
2 1760 68
0
8 2890
38
0
8 1070 51
0
5 1710 69
0
1 2740
39
0
3 1020 51
0
5 2010 69
0
1 3140
En base a estos datos:
1. Estudiar el modelo de regresin lineal de 1 respecto a A.
2. Ajustar a estos datos un polinomio de grado a determinar. Se mejora de forma
apreciable el ajuste lineal?
3. Con el mejor ajuste predecir la dureza de un rbol de densidad 20, 40, 60 y 80.
4. Calcular intervalos de conanza y de prediccin al 90 % para las estimaciones del
apartado anterior.
5. Analizar los residuos del modelo ajustado.
6. Considerar una transformacin de los datos de la dureza (1 ) y ajustar un modelo de
regresin. El modelo ajustado con los datos transformados mejora al ajuste polinmico?