UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS ECONÓMICAS

INGENIERÍA EN ESTADÍSTICA

ANALISIS MULTIVARIANTE

EXAMEN 1

INTEGRANTES:

 FRANCISCO PASPUEL
 GISSEL PAZMIÑO
 DAYANNA VIERA

AULA: ES6-P03
1. Utilizar la tabla adjunta y

X Y
6 4,4567
7 5,77
8 5,9787
9 7,3317
10 7,3182
11 6,5844
12 7,8182
13 7,8351
14 11,0223
15 10,6738
16 10,8361
17 13,615
18 13,531
156 112,7712
X Y X² Y² XY ‫ݕ‬
ො ‫ݑ‬
ො ൌ
‫ݕ‬െ‫ݕ‬
ො ‫ݔ‬െ‫ݔ‬ҧ ሺ‫ݔ‬െ‫ݔ‬ҧ
ሻ; ‫ݕ‬െ‫ݕ‬
ത (‫ݕ‬െ ‫ݕ‬
ത)² ‫ݑ‬
ොϸ
6 4,4567 36 19,8621749 26,7402 4,33 0,13 -6 36 -4,2180077 17,7915889 0,016020605
7 5,77 49 33,2929 40,39 5,05 0,72 -5 25 -2,9047077 8,43732678 0,51233503
8 5,9787 64 35,7448537 47,8296 5,78 0,20 -4 16 -2,6960077 7,26845748 0,040151792
9 7,3317 81 53,7538249 65,9853 6,50 0,83 -3 9 -1,3430077 1,80366966 0,687709328
10 7,3182 100 53,5560512 73,182 7,23 0,09 -2 4 -1,3565077 1,84011312 0,00840627
11 6,5844 121 43,3543234 72,4284 7,95 -1,37 -1 1 -2,0903077 4,36938625 1,866532466
12 7,8182 144 61,1242512 93,8184 8,67 -0,86 0 0 -0,8565077 0,73360543 0,733605427
13 7,8351 169 61,388792 101,8563 9,40 -1,56 1 1 -0,8396077 0,70494108 2,445171437
14 11,0223 196 121,491097 154,3122 10,12 0,90 2 4 2,34759231 5,51118964 0,808918383
15 10,6738 225 113,930006 160,107 10,85 -0,17 3 9 1,99909231 3,99637005 0,029997479
16 10,8361 256 117,421063 173,3776 11,57 -0,73 4 16 2,16139231 4,67161671 0,540216923
17 13,615 289 185,368225 231,455 12,30 1,32 5 25 4,94029231 24,4064881 1,741895245
18 13,531 324 183,087961 243,558 13,02 0,51 6 36 4,85629231 23,583575 0,261849261
156 112,7712 2054 1083,37552 1485,04 112,7712 5,3291E-15 0 182 7,1E-15 105,118328 9,692809647

1.1. Estimar puntualmente (2 Formulas) e interpretar el coeficiente denominado

intercepto (Beta 1 estimado)
X= Años de escolaridad
Y= Salario por hora
-34,1952
B1 = -0,014
2366
AL ser el intercepto -0,014 y siendo negativo nos da el valor estimado para el salario
por hora cuando los años de escolaridad sean igual a cero

1.2. Estimar puntualmente (2 Formulas) e interpretar el coeficiente denominado

pendiente (Beta 2 estimada)
1713,2128
B2 = 0,724
2366
La pendiente es de 0,724 indica que el salario por hora aumentara a medida de los
años de escolaridad

1.3. Estimar la variable dependiente ( Y estimada)

1.4. Estimar el error o la perturbación estocástica (U estimado)
 ෍ ‫ݑ‬
ො ൌ
0,00

‫ݑ‬
ො ൌ 0,00
El error estocástico tiende a 0

1.5. Validar los coeficientes y el Modelo de Regresión Lineal Simple en su conjunto, a

través del cálculo e interpretación de las pruebas estadísticas de la distribución t-
Student y Fisher respectivamente.

Fisher 108,2948

Hipótesis nula (H0)

No tiene relación significativa entre las variables Años de escolaridad (X) y el Salario
por hora (Y).
Hipótesis alternativa (Ha)
Tiene relación significativa entre las variables siendo que el modelo es útil para hacer
predicciones.
Como nuestro valor F es mayor que el p-valor asociado, encontramos que es
significativo por lo que rechazamos la hipótesis nula y se establece que no hay relación
significativa entre las variables.
t-Student

tb1 = -0,0165

tb2= 10,4065
Tb1 < pvalor→ estadísticamente significativo
Tb1> pvalor→ no es estadísticamente significativo

2. Utilizar la misma tabla y

2.1. Calcular e interpretar el coeficiente de determinación.
2205343,8
R² = = 1
2225253,33

El coeficiente de determinación es 1, la variable independiente tiene una fuerte relación con la

variable dependiente entonces el modelo se ajusta a los datos.

2.2. Calcular e interpretar el coeficiente de correlación.

R= 0,996

El coeficiente de correlación es cercano a 1, por lo que hay una correlación positiva

entre las dos variables
3. Completar o seleccionar la respuesta correcta
 El coeficiente de correlación puede tener valores positivos o negativos, mientras que el
coeficiente de determinación solo puede tener valores positivos.
 El supuesto #6 del MRLS expresa que el número de observaciones tiene que ser mayor
al número de variables independientes y al número de coeficientes a estimar.
 El supuesto #1 del MRLS menciona que las variables y los coeficientes son lineales.
 El supuesto #4 plantea que las varianzas de los errores estocásticos que aparecen en la
función de regresión son homosedasticos es decir, que todas tienen la misma varianza.
 El supuesto #7 del MRLS expresa que los valores de las variables independientes deben
ser dispersas, técnicamente positivas y sin valores atípicos.
 El supuesto # 3 del MRLS menciona que la media o la suma de los errores estocásticos
sea o tienda al 0.
 El supuesto #5 platea que no exista autocorrelación entre errores estocásticos del
MRLS.
 El supuesto #2 del MRLS expresa que la variable independiente y el error estocástico
son independientes, por lo tanto, la covarianza entre estas es igual o tiende al 0.
 Si el salario básico unificado incrementa en 1 hora, en promedio, la tasa de morosidad
será/incrementará/disminuirá en 0,75%.
 Si el numero de hijos promedio de las familias ecuatorianas es 0, el consumó
será/incrementará/disminuirá US$ 150.
 Si el numero de horas que las personas hacen deporte al día incrementa en 1 hora, en
promedio, la tasa de obesidad será/incrementará/disminuirá en 30%.
 Si la tasa de interés_ es 0 , el volumen de crédito será/incrementará/disminuirá US$
10. 550 millones.
 El parámetro o coeficiente de la regresión denominado pendiente tiene como
primordial objetivo en el análisis de regresión lineal el medir la influencia promedio
que tiene el incremento unitario de una variable dependiente sobre la variable
independiente.
 El parámetro o coeficiente de la regresión denominado intercepto tiene como
primordial objetivo en el análisis de regresión lineal el medir el nivel promedio de la
variable dependiente cuando el nivel de la variable o las variables independientes son
Ø.
 El objetivo del modelo estocástico es medir la probabilidad de que ocurra un evento
cualquiera en función a la o las variables aleatorias independientes y tiempo.
 El análisis de correlación tiene como objetivo medir la relación estadística entre 2
variables cuantitativas.
 La teoría de la estimación se desarrolla bajo dos perspectivas : la estimación puntual y
la estimación por intervalos.

4. En los siguientes modelos de regresión…

4.1. ¿Cuáles deberían ser los nombres de las variables denominadas “Tasa de Morosidad”
y “Tiempo”? Interpretar los coeficientes del modelo. La variable dependiente
representa la Probabilidad de que en un trimestre exista un crecimiento en el
Volumen de Crédito. El tipo de información es de serie de tiempo. La unidad de
análisis son los trimestres.
 Beta 1 es el intercepto de la recta con el eje Y en -11906,79 cuando la Tasa de
Morosidad y Tiempo son 0 esto significa que la empresa pierde en el Volumen de
Crédito.
Beta 2 es la pendiente de la variable dependiente con respecto a la tasa de morosidad
y es un aumento de 263.17 dólares en el Volumen de Crédito por variación en un
punto en la tasa de morosidad.
Beta 3 es la pendiente de la variable Volumen de Crédito con respecto al tiempo de
prestación y es de -1296.38. La empresa pierde 1296.38 dólares por un aumento en
una unidad de tiempo.

4.2. ¿Cuáles deberían ser los nombres de las variables denominadas “Precio” y “Unidades
vendidas” ? Interpretar los coeficientes del modelo. La variable dependiente
representa el Nivel de las Microempresas. El tipo de información es de corte
transversal. La unidad de análisis son las microempresas.

Beta 1 es el intercepto 186.78. El nivel de las microempresas cuando su precio y las

unidades vendidas son cero.
Beta 2 la pendiente del nivel de microempresas con respecto a su precio es 48.49. Por
un aumento de una unidad en el precio, el nivel de la microempresa sube en 48.49
Beta 3 la pendiente del nivel de microempresas con respecto a las unidades vendidas
es -146.40. Por un aumento de una unidad en las unidades vendidas, el nivel de la
microempresa baja en 146.40.