PRACTICA DIRIGIDA DE REGRESION LINEAL Y CORRELACION 1.

- La siguiente informacin corresponde a una muestra de 20 estudiantes en un curso de Estadistica Aplicada donde X= Calificaciones del Examn I e Y= Calificaciones del Examn final Estudiante 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Examen I (X) 84 70 87 68 81 96 90 82 89 70 88 65 87 89 69 80 75 84 76 74 Examn Final (Y) 66 77 84 56 86 81 79 82 81 84 81 74 74 74 74 71 94 83 68 69

Se pide : a) El modelo terico de regresin lineal simple b) El modelo estimado de regresin c) El coeficiente de correlacin d) El coeficiente de determinacin e) Realizar la prueba de significancia estadistica individual y conjunta f) Si la calificacin de las personas 21 y 22 son respectivamente 95 y 102 Cules son las calificaciones finales? 2.- Ciertos investigadores mostrarn una correlacin de r= -0.52 entre el salario promedio de los maestros (X) y la proporcin de estudiantes que abandonaran la escuela antes de graduarse (Y) en 120 escuelas en un departamento. Concluyern que incrementar los salarios de los maestros reducira la tasa de desertacin . Comente esas coclusiones 3.- Se seleciono una muetra aleatoria de seis estudiantes para hacer un estudio piloto a fin de investigar la relacion entre velocidad de lectura y redaccin (X) medida en minuto requisitos para leer la composicin y recordar en detalle el contenido (Y) medido por un examen sobre el material presentado en la composicin. Calcular la r de Pearsn basada en los datos registrados a continuacin

1.1

Identificacin del estudiante a b c 1.2 Velocidad X 10 8 15 Retencindel 17 17 13 contenido,y

d 12 16

e 14 15

f 16 12

4.- Suponga que por observaciones solamente , estim las estaturas (X) y pesos (Y) de cada uno de sus sompaeros de clase y calcul el coeficiente de correlacin (r1) entre estas observaciones. Cmo se comparara este coeficiente con el coeficiente (r2) usando datos de una bscula y una cinta de mtica para determinar X y Y Por qu? 5.- En un estudio sobre gastos (Y)e ingresos(X)mensuales, una muestra de 10 familias dio los siguientes datos ( en nuevos soles) Y X 500 560 400 500 640 700 740 800 800 900 800 1000 900 1000 600 700 1100 1400 1200 1600 a) Trazar el diagrama de dipersin e indicar la tendencia b) Esimar la linea de regrein muestral c) Interpretar el valor de los parametros d) Predecir el gasto que correspondera a un ingreso de S / 1800 6.- Por qu son iguales los signos del coeficiente de correlacin y de la pendiente de la recta de regresin? 7.- El promotor de un CEP encarg un estudio para determinar la relacin entre los gastos de publicidad mensual por radio y los ingresos por pensiones de enseanza de sus estudiantes. En el estudio se obtuviern los siguientes resultados: Gastos de publicida (S/) 3000 2000 4000 3000 5000 7000 6000 8000 7000 8000 8500 Gastos por pension(S/) 30000 25000 40000 32000 75000 63000 93000 70000 84000 90000

1.3

Semana 1 2 3 4 5 6 7 8 9 10 11

En el quintomes por diversos motivos no se pudo hacer el estudio a) Deterninar la ecuacin de regresin del pago de pesiones de endeanza sobre gastos de publicidad b) En cuanto estimaria el pago de penciones del quinto mes? c) Hacer un analisis de la bondad del ajuste de la ecuacin de regresin lineal utilizando el coeficiente de determinacin d) A partir del analisis ralizado en c qu puede Ud. concluir acerca de la correlacin entre pago de pensiones de enseanza y gatos de publicidad? e) Determine los pagos de pensiones de enseasnza para los meses 12 y 13, para el efecto proyecte los gastos de publicidad 8.- El numero de horas de un studiante invertidas y las calificacioes finales esn un concurso de Matemticas de una muestra de 8 alumnos ha dado los dsiguientes resultados Horas de Calificacin estudio A1 14 12 A2 16 13 A3 22 15 A4 20 15 A5 18 17 A6 16 11 A7 18 14 A8 22 16 a) Determinar la recta de la calificacion sobre el numero de hora de estudio invertidos b) Calcular el grado de asociacin y determine si es significativo al nivel del 5% mediante la significacion de la pendiente de regresin 9.- En un estudio para determinar la relacion entre la edad (X) y la presin sangunea (Y) en una muestra aleatoria de 9 mujeres ha dado los siguientes resultados: 1.3.1 X 54 40 70 35 62 45 55 50 38 1.3.2 Y 148 123 155 115 150 126 152 144 114 a) Encuentre la ecuacion de regresion estimada de Y en X y estime la presin sangunea parauna mujer de 75 aos b) Utilice un procedimiento de analisis para probar de que no hay asociacin lineal entre X e Y 10.- La funcin de inversin neta total para la infraestructura de CEP se supone presenta la forma Y = AX En donde Y equivale a la inversin neta (en miles de dolares), X a la tasas de interes, y A,B son constantes desconocidas. Se tiene la siguiente muestra 1.3.3 X Y 12 80 8 100 10 120 7 140 6 160 5 180 5 200 Alumno

a) Determine la ecuacion de regresin estimada b) Predecir lads inversiones cuando la tasa de inters sea d 7.5 11.- Ajustar los siguientes datos a una curva de la forma

Y = Ae X

1.3.3.1 X Y

12 80

8 100

10 120

7 140

6 160

5 180

5 200

12.- Se realiza un estudio de asociacin entre las siguientes variables: Y: gastos mensuales expresados en cientos de dolares X1: ingreso mensual familiar en miles de dolares X2: tamao de la familia En una muestra de 10 familias escogidas al azas se han encontrado los datos que se presentan en lo la tabla que sigue: Y X1 X2 45 10 8 40 9 8 38 8 6 35 7 6 32 7 5 30 6 4 28 6 3 27 4 2 25 3 2 22 2 1 a) Determinar la ecuacin de regresion muestral de los datos mensuales con respecto a las dos variables: Ingres mensual y numero de hijos b) Interpretar los coeficiente de la regresin c) Estrimar el gasto mensual para una familia de 8 hijos y cuyo ingreso mensual es $7000 13.- Se realizo un estudio de las relaciones entre las notas obtenidas en 4 materias por 10 estudiantes de ingenieria de sistemas seleccionados aleatoriamente.Las 3 variables independientes X1,X2,X3 y la variable dependiente Y son: Y: nota en Esadistica Aplicada X1: nota en Matemtica Bsica X2: nota en Logica X3: nota en Economia General Los datos son los siguientes: Y X1 X2 X3 13 12 10 18 15 14 12 15 17 16 10 18 16 15 11 20 13 11 13 15 17 15 16 18 19 16 10 19 14 14 14 16 18 17 13 15 11 11 13 a) Estimar el modelo de regresin b) Probar la significancin del modelo de regresin 14.- Ajustar los pares de datos(x,y) que se indican en la siguiente tabla a un polinomio de forma Y = a + bX + eX 2

1 2 3 4 5

X 1 2 3 4 5

Y 8 4 1 5 7

15.- Los datos de la siguiente tabla regoren la investigacin real (I) en

educacin, el rendimiento academico (RA) en el sistema centesimal y la tasa de desersin media (r) , corresponde al sistema educativo de un determinado pas. Dicho datos corresponden al periodo 1982-2005 y est en mniles de unidades monetarias la primera variable y en tanto por ciento la tasa de desercin AO I RA r 1982 80.2 10.2 9.2 1983 90.1 12.1 9.1 1984 92.3 14.4 9.0 1985 94.6 15.6 8.7 1986 110.6 18.2 9.0 1987 118.5 19.0 8.7 1988 131.6 21.7 8.3 1989 141.2 31.3 8.5 1990 147.5 34.6 8.7 1991 150.2 34.7 8.9 1992 152.3 33.5 9.1 1993 160.8 32.6 8.9 1994 182.3 41.5 8.3 1995 199.2 44.8 9.0 1996 221.4 46.7 9.1 1997 235.0 50.7 8.2 1998 248.9 56.8 8.1 1999 267.8 61.4 9.1 2000 301.2 72.5 8.7 2001 323.5 62.1 8.1 2002 345.7 61.1 8.6 2003 350.1 67.8 9.1 2004 352.8 68.9 8.5 2005 360.3 75.0 9.0 Con esta informacion se pide: a) Formular un modelo torico que permita saber los efectos que la tasa de desercin haya tenido en el rendimiento academico b) Estime el modelo anterior, luego: b.1. Interprete los coeficientes obtenidos b.2. Dar una medida de la bondad de ajuste, interpretando su significado c) Si en la ecuacin el rendimiento academoco de (a) introducimos la inversin en educacin c.1. Formule el modelo teorico c.2. Estime el Modelo c.3. Compare la bondad de ajuste con el modelo dado en (b) d) Estime el rendimiento academico promedio para el 2006 en base a la proyeccin de la inversin en educacin y la tasa de desecin media que se mantiene constante e igual al promedio del perodo.

Prob 01.-

REGRESIN
b Variable s introducidas/e liminadas

Modelo 1

Variables introducidas Calificacione s del examen a I

Variables eliminadas .

Mtodo Introducir

a. Todas las variables solicitadas introducidas b. Variable dependiente: Calificaciones del examen final

Re sume n del modelo Modelo 1 R R cuadrado .290 a .084 R cuadrado corregida .033 Error tp. de la estimacin 8.319

a. Variables predictoras: (Constante), Calificaciones del examen I

b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 114.111 1245.689 1359.800

gl 1 18 19

Media cuadrtica 114.111 69.205

F 1.649

Sig. .215 a

a. Variables predictoras: (Constante), Calificaciones del examen I b. Variable dependiente: Calificaciones del examen final
a Coe ficie nte s

Modelo 1

(Constante) Calificaciones del examen I

Coeficientes no estandarizados B Error tp. 54.655 17.423 .277 .216

Coeficientes estandarizad os Beta .290

t 3.137 1.284

Sig. .006 .215

a. Variable dependiente: Calificaciones del examen final

Correlacione s Calificaciones del examen I Correlacin de Pearson 1 Sig. (bilateral) . N 20 Correlacin de Pearson .290 Sig. (bilateral) .215 N 20 Calificaciones del examen final .290 .215 20 1 . 20

Calificaciones del examen I Calificaciones del examen final

a.

b. c. Hallando el valor de I tenemos : 0.29 d. R2 = 0.084 Este valor indina que no se puede realizar pronosticos e. p < 0.01 alta significancia entre las variables

Yi = 0 + 1 X i + i Yi = 54.655 + 17.423 * ...............

o = p = 0.06 entonces 0 es altamente significativo 1 = 0.215 entonces 1 no es estadisticamnete siginicativo , no es til para realizar pronosticos conjunta f. Remplazando los valores 95 y 102 en la ecuacin
Examen I (x) 84 76 74 95 102 Examen final (Y) 83 68 69 . . Valor hallado 77.92 75.71 75.15 80.97 82.91

Prob 02.- El indicador r= - 0.52 indica que la correlacin es negativa y que no hay muy buena correlacin lineal ya que r < 0.7

Del enunciado podemos directamente proporcional Prob 03.-

deducir

que

se

trata

de

una

relacin

Corre lacione s VELOCIDAD DE LECTURA 1 . 6 -.928** .008 6 RETENCION DEL CONTENIDO -.928** .008 6 1 . 6

VELOCIDAD DE LECTURA RETENCION DEL CONTENIDO

Correlacin de Pearson Sig. (bilateral) N Correlacin de Pearson Sig. (bilateral) N

**. La correlacin es significativa al nivel 0,01 (bilateral).

Prob 04 .- Sabemos que ;

Del cuadro de correlaciones encontramos el valor de Pearson -0.928

= Sxy / S x S y

donde Sxy es la covarianza

que nos

indica la posible relacin entre dos variables

Al calcular enpiricamente los datos, generamos que el error sea

mayor a lo estimado por lo tanto, el valor hallado sera r1 irreal el cual tendramos que ajusta con el r2, que es el verdadero valor

Prob 05 .a.1400

GRFICO 01

1200

1000

GASTOS

800

600

400

200 400 600 800 1000 1200 1400 1600 1800

INGRESOS

o Modelo torico : Yi = o + 1 X i + i b.- Modelo estimado : Yi = 127.622 + 0.699 * X i + ei c. o = 127.622 1 = 0.699 Mide la velocidad de cambio del gasto respecto al ingreso . Representa la tasa de gasto de cambio respecto al ingreso si el ingreso se incrementa ,los gastos tambien se incrementa an un 0.7 aprox.
Y 600 1100 1200 . X 700 1400 1600 1800 Valor estimado 616.92 1106.22 1246.02 1385.82

d.-

6.- El coeficiente de correlacin y la pendiente de la recta de regresion son directamente proporcionales el cual indica que tengan el mismo signo, adems Sxy tiene la misma orientacin que r

7.a:

Yi = o + 1 X i + i

Yi = 766 + 8.816 * 10 2 + ei
REGRESIN
b Variable s introducidas/eliminadas

Modelo 1

Variables introducidas GPENSINa

Variables eliminadas .

Mtodo Introducir

a. Todas las variables solicitadas introducidas b. Variable dependiente: GASTE Resumen del mode lo Modelo 1 R R cuadrado 1.000 a 1.000 R cuadrado corregida 1.000 Error tp. de la estimacin .00000

a. Variables predictoras: (Constante), GPENSIN

b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 72215000 .000 72215000

gl 1 11 12

Media cuadrtica 72215000 .000

F .

Sig. .a

a. Variables predictoras: (Constante), GPENSIN b. Variable dependiente: GASTE

a Coe ficie ntes

Modelo 1

Coeficientes no estandarizados B Error tp. (Constante) 766.001 .000 GPENSIN 8.816E-02 .000

Coeficientes estandarizad os Beta 1.000

t . .

Sig. . .

a. Variable dependiente: GASTE

b.-

Yi = o + 1 X i + i ;

Yi =1690 .9 + 650 * X

............. reemplazando el

valor 5 en temos el valor esperado 4940.91 Semanas Valor estimado 1 2340.91 2 2990.91 3 3640.91

4 5

4290.91 4940.91

REGRESIN
b Variable s introducidas/eliminadas

Modelo 1

Variables introducidas weekenda

Variables eliminadas .

Mtodo Introducir

a. Todas las variables solicitadas introducidas b. Variable dependiente: Gastos en publicidad S/

Re sumen de l modelo Modelo 1 R .933a R cuadrado .870 R cuadrado corregida .856 Error tp. de la estimacin 877.755

a. Variables predictoras: (Constante), weekend

b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 46475000 6934090.9 53409091

gl 1 9 10

Media cuadrtica F 46475000 60.322 770454.545

Sig. .000 a

a. Variables predictoras: (Constante), weekend b. Variable dependiente: Gastos en publicidad S/

a Coe ficie nte s

Modelo 1

(Constante) weekend

Coeficientes no estandarizados B Error tp. 1690.909 567.618 650.000 83.691

Coeficientes estandarizados Beta .933

t 2.979 7.767

Sig. .015 .000

a. Variable dependiente: Gastos en publicidad S/

c.9000 8000 7000 6000 5000 4000 3000 2000 1000

GRFICO 01 ANALISIS DE BONDAD

r = ajuste R2
de bondad 2

d.-

Del

Gastos en publicidad S/

R 2 = 1 (Se / S y )

R = 0.8702 0 2 4 6 8 10 12

weekend

realizado en c podemos afirmar que la correlacion entre el pagp de pensiones y gastos de publicidad tiene un 87% de relacion directamente proporcional. Adems del grafico adjunto obserbamos que la nube de puntos esta casi distribuida en ambas mitades. e.- hallando las pensiones 12 y 13 Semana 1 2 3 4 5 6 7 8 9 10 11 12 13 Prob 08.a.REGRESIN
b Variable s introducidas/e liminadas

Gastos publicos 2340.91 2990.91 3640.91 4290.91 4940.91 5590.91 6240.91 6890.91 7540.91 8190.91 8840.91 9490.91 10740.91

Gastos pensin 17863.64 25236.36 32609.09 39981.82 47354.54 54727.27 62100.00 69472.73 76845.45 84218.18 91590.91 98963.63 106336.4

Modelo 1

Variables introducidas horas de a estudio

Variables eliminadas .

Mtodo Introducir

a. Todas las variables solicitadas introducidas b. Variable dependiente: Calificacin

Re sume n de l mode lo Modelo 1 R .718a R cuadrado .515 R cuadrado corregida .434 Error tp. de la estimacin 1.528

a. Variables predictoras: (Constante), horas de estudio

b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 14.875 14.000 28.875

gl 1 6 7

Media cuadrtica 14.875 2.333

F 6.375

Sig. .045a

a. Variables predictoras: (Constante), horas de estudio b. Variable dependiente: Calificacin

a Coeficie ntes

Modelo 1

(Constante) horas de estudio

Coeficientes no estandarizados B Error tp. 5.000 3.654 .500 .198

Coeficientes estandarizados Beta .718

t 1.368 2.525

Sig. .220 .045

a. Variable dependiente: Calificacin

o Yi = o + 1 X i + i ; Yi = 5 + 0.50 * X + ei
b.- CORRELACIONES
Estadsticos descriptiv os Media 18.25 14.13 Desviacin tpica 2.915 2.031 N 8 8

horas de estudio Calificacin

Corre lacione s horas de estudio 1 . 8 .718* .045 8 Calificacin .718* .045 8 1 . 8

horas de estudio

Calificacin

Correlacin de Pearson Sig. (bilateral) N Correlacin de Pearson Sig. (bilateral) N

*. La correlacin es significante al nivel 0,05 (bilateral).

9.a.1.-

REGRESIN
b Variables introducidas/e liminadas

Modelo 1

Variables introducidas EDAD a MUJER

Variables eliminadas .

Mtodo Introducir

a. Todas las variables solicitadas introducidas b. Variable dependiente: PRESION SANGUINEA

Re sumen de l mode lo Modelo 1 R .929a R cuadrado .862 R cuadrado corregida .843 Error tp. de la estimacin 6.595

a. Variables predictoras: (Constante), EDAD MUJER

b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 1909.540 304.460 2214.000

gl 1 7 8

Media cuadrtica 1909.540 43.494

F 43.903

Sig. .000a

a. Variables predictoras: (Constante), EDAD MUJER b. Variable dependiente: PRESION SANGUINEA

a Coeficie ntes

Modelo 1

(Constante) EDAD MUJER

Coeficientes no estandarizados B Error tp. 69.962 10.255 1.330 .201

Coeficientes estandarizados Beta .929

t 6.82 6.63

Sig. .000 .000

a. Variable dependiente: PRESION SANGUINEA

Yi = o + 1 X i + i
a.2

Yi = 69.962 + 1.33 * x + u i .......

De la ecuacin adjunta hallamos el valor para 75 aos X 55 50 38 75 Y 152 144 114 . Valor hallado 143.13 136.48 120.52 169.74

b.GRFICO
160

150

PRESION SANGUINEA

140

130

120

110 30 40 50 60 70 80

R = 0.8625

EDAD MUJER

Prob 10.a.- ESTIMACIN CURVILNEA MODEL: MOD_1. Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: DF 1 5 Sum of Squares .56132769 .08340947 Signif F = Mean Square .56132769 .01668189 .0021 .93308 .87063 .84476 .12916

Method.. POWER

Regression Residuals F =

33.64892

-------------------- VARIABLES IN THE EQUATION -------------------Variable X (Constant) B -.908614 805.816345 SE B .156637 252.343236 Beta -.933076 T -5.801 3.193 Sig T .0021 .0242

TASA DE INTERES
220 200 180

INVERSION NETA

160 140 120 100 80 60 4 6 8 10 12 14 Observada Potencia

TASA DE CRECIMIENTO

Y = AX B ; Y = 805.82 * X 0.91 ............

b.- reemplazando7.5 en tenemos: X 12.0 8.0 10.0 7.0 6.0 5.0 5.0 7.5 Prob 11.ESTIMACIN CURVILNEA MODEL: MOD_9. Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: DF Regression Residuals F = 1 4 .96251 .92642 .90803 .09038 Mean Square .41138910 .00816824 .0021 Y 80 100 120 140 160 180 200 . VALOR CALCULADO 84.27 121.81 99.45 137.52 158.20 186.70 186.70 129.16

Method.. EXPONENT

Sum of Squares .41138910 .03267296 Signif F =

50.36448

-------------------- VARIABLES IN THE EQUATION -------------------Variable T X .0021 (Constant) .0003 B .153323 2.290285 SE B .021605 .192699 Beta .962508 T 7.097 11.885 Sig

Hallando la ecuacion :

Y = Ae X

Y = 2.29e 0.1513 x

GRAFICO 01 6.0 5.5 V A 5.0 R . 4.5 D E P 4.0 E N D I 3.5 E N T 3.0 E 2.5 2.0 0 1 2 3 4 5 6 7 Observada Exponencial

VAR.INDEPENDIENTE

12.-

a.1.REGRESIN : INGRESO MENSUAL vs GASTOS MENSUALES

b Variable s introducidas/eliminadas

Modelo 1

Variables introducidas Ingreso familiar a expresado en miles $

Variables eliminadas .

Mtodo Introducir

a. Todas las variables solicitadas introducidas b. Variable dependiente: Gastos mensuales $

Resume n del modelo Modelo 1 R .964a R cuadrado .929 R cuadrado corregida .920 Error tp. de la estimacin 2.044

a. Variables predictoras: (Constante), Ingreso familiar expresado en miles $

b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 438.164 33.436 471.600

gl 1 8 9

Media cuadrtica 438.164 4.180

F 104.836

Sig. .000a

a. Variables predictoras: (Constante), Ingreso familiar expresado en miles $

b. Variable dependiente: Gastos mensuales $

Coeficientes a Coeficientes no estandarizados Error B tp. 15.389 1.765 2.711 .265 Coeficientes estandarizados Beta .964 t 8.721 10.24 Sig. .000 .000

Modelo 1

(Constante) Ingreso familiar expresado en miles $

a. Variable dependiente: Gastos mensuales $

a.2.-

o Halllando la ecuacin tenemos: Yi = 15.389 + 2.711 * ........

REGRESIN: TAMAO DE FAMILIA vs GASTOS MENSUALES
b Variable s introducidas/e liminadas

Modelo 1

Variables introducidas Tamao a de familia

Variables eliminadas .

Mtodo Introducir

a. Todas las variables solicitadas introducidas b. Variable dependiente: Gastos mensuales $

Re sume n de l modelo Modelo 1 R .974a R cuadrado .949 R cuadrado corregida .942 Error tp. de la estimacin 1.737

a. Variables predictoras: (Constante), Tamao de familia

b ANOVA

Modelo 1

Regresin Residual Total

Suma de cuadrados 447.451 24.149 471.600

gl 1 8 9

Media cuadrtica 447.451 3.019

F 148.232

Sig. .000a

a. Variables predictoras: (Constante), Tamao de familia b. Variable dependiente: Gastos mensuales $

a Coe ficie nte s

Modelo 1

(Constante) Tamao de familia

Coeficientes no estandarizados B Error tp. 19.536 1.176 2.814 .231

Coeficientes estandarizados Beta .974

t 16.608 12.175

Sig. .000 .000

a. Variable dependiente: Gastos mensuales $

Hallando la ecuacion tenemos: Yi = 19.536 + 2.814 * .........

b.-

o De la ecuacion podemos definir que r=0.964 siendo este valor

> a 0.7 de donde podremos afirmar que es til para pronosticar mientras el ajuste de bondad es de 94.9% que nos indica un buen ajuste de correlacin positiva. Dela ecuacin encontramos que r= 0.974 > 0.7 esto indica que puede ser utilizado para pronosticar, mientras el ajuste de bondad es de 92.9% que indica un ajuste apropiado de correlacin positiva. ambos caso p< 0.01 lo significativamente estadistico Y 45 40 38 35 32 30 28 27 25 22 . 13.a,b.X1 10 9 8 7 7 6 6 4 3 2 7 X2 8 8 6 6 5 4 3 2 2 1 8 cual indica que

o Para
c.-

es

Valores Valores de de 37.08 37.08 31.65 31.65 28.94 26.23 23.52 20.81 20.81 18.10 37.08 47.68 44.86 42.05 39.23 39.23 36.42 36.42 30.79 27.98 25.16 39.23

Mnimos cuadrados ponderados

MODEL: MOD_3. The >Warning # 15821 >Non-positive value of source variable found in observation. >observation case is ignored. Source variable.. Y POWER value = -2.000

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient 1.022664 .004632 .177808 -2.030804 -11.473810

Log-likelihood Function =

Source variable..

POWER value = -1.500

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient 1.014478 .006589 .166998 -1.764875 -11.395978 POWER value = -1.000

Log-likelihood Function = Source variable.. Y

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient 1.006127 .008514 .156323 -1.499708 -11.327787 POWER value = -.500

Log-likelihood Function = Source variable.. Y

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .997576 .010389 .145787 -1.234686 -11.269593 POWER value = .000

Log-likelihood Function = Source variable.. Y

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .988794 .012199 .135390 -.969220

Log-likelihood Function = Source variable.. Y

-11.221628 POWER value = .500

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .979755 .013930 .125131 -.702748 -11.183995 POWER value = 1.000

Log-likelihood Function = Source variable.. Y

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .970433 .015570 .115006 -.434733 -11.156658 POWER value = 1.500

Log-likelihood Function = Source variable.. Y

Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .960809 .017108 .105007 -.164663 -11.139432 POWER value = 2.000

Log-likelihood Function = Source variable.. Y

Dependent variable.. Y

--------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .950865 .018535 .095126 .107949 -11.131992 Dependent variable.. Y = = = = = = = = = -11.473810 -11.395978 -11.327787 -11.269593 -11.221628 -11.183995 -11.156658 -11.139432 -11.131992 POWER POWER POWER POWER POWER POWER POWER POWER POWER value value value value value value value value value = -2.000 = -1.500 = -1.000 = -.500 = .000 = .500 = 1.000 = 1.500 = 2.000 2.000 2.000

Log-likelihood Function = Source variable.. Y Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Function Function Function Function Function Function Function Function Function

The Value of POWER Maximizing Log-likelihood Function = Source variable.. Y POWER value =

Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: DF Regression Residuals F = 3 5 9.91505 Sum of Squares .13170705 .02213924 Signif F = Mean Square .04390235 .00442785 .0152 .92525 .85610 .76975 .06654

------------------ VARIABLES IN THE EQUATION -----------------Variable X1 X2 X3 (Constant) B .950865 .018535 .095126 .107949 SE B .190914 .202813 .229026 5.304227 Beta .897237 .017469 .083265 T 4.981 .091 .415 .020 Sig T .0042 .9307 .6951 .9846

Log-likelihood Function =

-11.131992

The following new variables are being created: Name WGT_1 14.ESTIMACIN CURVILNEA MODEL: MOD_7. Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: Regression Residuals F = DF 2 2 6.29167 Sum of Squares 25.885714 4.114286 Signif F = Mean Square 12.942857 2.057143 .1371 .92890 .86286 .72571 1.43427 Label Weight for Y from WLS, MOD_3 Y** -2.000

Method.. QUADRATI

-------------------- VARIABLES IN THE EQUATION -------------------Variable X X**2 (Constant) B -8.242857 1.357143 14.800000 SE B 2.344250 .383326 3.076176 Beta -4.759016 4.791823 T -3.516 3.540 4.811 Sig T .0722 .0713 .0406

Hallando la ecuacion cuadratica tenemos:

Y = a + bX + cX 2

Y = 14.8 8.2428 X + 1.357 X 2

GRAFICO 01: REGRECION CUADRATICA

10

V a r . D e p e n d i e n t e

2 Observada 0 0 1 2 3 4 5 6 Cuadrtico

Var. independiente