UNIVERSIDAD NACIONAL ABIERTA

CARRERA ADMINISTRACIÓN DE EMPRESAS
CONTADURIA PÚBLICA (CÓD. 610)

ANALISIS COMPARATIVO DE
TRES (3) MODELOS DE REGRESIÓN MÚLTIPLE

Preparado por
YONIRA MARCANO
C.I. No. XXXXXXXX
Asignatura
ESTADÍSTICA APLICADA (CÓD. 746)
Enero, 2011

RESUMEN

No existen estándares únicos, perfectamente reconocidos y universalmente aceptados en los
procesos de ventas. Lo que se tiene son muchísimos modelos o metodologías. Los Gerentes de
Mercadeo desarrollan estrategias que deben fundamentar la orientación que deseamos darle a un
producto o servicio con los objetivos de rentabilidad y de asignación eficiente de los recursos. En
éste proceso debemos evaluar cuidadosamente el impacto que puede tener para nuestra Empresas
sus fortalezas, debilidades, oportunidades, amenazas y ventajas competitivas. La toma de
conciencia por parte de los directivos y responsables de la venta respecto a que "cuanto mejor sea
y resulte la formación e idoneidad de cada uno de los representantes de venta, más cerca y segura
estará la empresa de su destino posible de éxito", representa el camino que corresponderá
transitarse. En la medida que más aciertos existan en cada una de las decisiones y acciones
operativas del negocio, tanto mayor será la probabilidad de una alta rentabilidad del negocio, en
donde no surjan por generación espontánea sino sólo por la implementación eficiente de tales
decisiones estratégicas y operativas. La Empresa busca esas ventajas competitivas mediante
programas de mercadeo bien integrados que coordinen el precio, el producto, la distribución y las
comunicaciones de nuestra oferta de bienes o servicios para satisfacer las necesidades de un
mercado meta. es por ello, que se desea conocer que factores afectan el volumen de ventas, para
ello se cuenta con 60 observaciones de mercadeo para cada territorio que le está asignado a cada
representante de ventas.
Con la construcción de tres modelos propuestos se busca:

Inferir sobre los parámetros poblacionales para cada uno de los modelos.

Realizar un análisis de residuos para cada uno de los modelos propuestos.

Determinar cuál de los modelos propuestos explica mejor la variable dependiente.

Para lo cual se consideraran las siguientes variables como objeto de estudio: X1: Total de ventas
acreditadas al vendedor. X2: Antigüedad del vendedor en la empresa, en meses. X3: Potencial de
mercado, ventas totales en unidades en el territorio de ventas. X4: Gastos de publicidad en el

X10: Zona. división estratégica de cada Zona. X5: Participación en el mercado. X8: Trabajo. X6: Cambio de participación en el mercado en los últimos cuatro años. división geográfica del país. X7: Número de cuentas asignadas a los vendedores. X9: Evaluación general del vendedor sobre ocho aspectos de su desempeño. en una escala del 1 al 7.territorio. X11: Territorio. promedio ponderado de los últimos cuatro años. índice ponderado basado en compras anuales y concentración de cuentas. .

................................................................................18 ....................... 8 RESULTADOS...................................................................................................INDICE RESUMEN............................................................................................. 2 INTRODUCCION............................................................................. 5 METODOLOGIA................................................................................................................ 26 CONCLUSIONES.................27 REFERENCIAS............................................................................................................................................. 9 DISCUSIÓN............................................................................................................................................................................................................................................ 29 ....................

Esta variable puede ser de intervalo o de escala de razón. Es decir. se rechaza. Este procedimiento también se usa en ANOVA para probar la hipótesis nula. la variabilidad de los elementos alrededor de su respectiva media es la misma. sin importar si sus medias son iguales. de lo contrario no se rechaza. La hipótesis nula que se prueba en el ANOVA es que la mayoría de las poblaciones que se estudian (al menos tres) tienen el mismo valor de la media para la variable dependiente. Las hipótesis nula y alternativa en ANOVA son: Ho: β1 = β2 … = βk = 0 HA: Al menos un no es cero En la prueba ANOVA.INTRODUCCION EL procedimiento de análisis de varianza. Hemos de recordar que en la prueba de varianza con dos poblaciones se calcula el coeficiente de las varianzas muestrales y se verifica con arreglo a la distribución F. Si es así. en especial en programas de computadora que ejecutan ANOVA. Esta variable algunas veces recibe el nombre de variable dependiente. ya sea que las poblaciones tengan medias iguales o distintas. Si esta suposición es . Después se consulta la distribución muestral apropiada para determinar si el estadístico muestral contradice la suposición de que la hipótesis nula es cierta. o ANOVA. se reúne evidencia muestral de cada población bajo estudio y se usan estos datos para calcular un estadístico muestral. Se supone que todas las poblaciones bajo estudio tienen la misma varianza. utiliza una sola variable numérica medida en los elementos de la muestra para probar la hipótesis nula de igualdad de medias poblaciones.

se procederá a estudiar la correlación existente entre las variables independientes. entonces se puede probar la hipótesis nula de las medias poblacionales iguales usando la distribución F. Si la hipótesis nula de que las poblaciones tienen la misma media es cierta. 8 X8: Trabajo. Las variables objeto de estudio son: 1 X1: Total de ventas acreditadas al vendedor. y el resultado será un cociente muy grande. y la hipótesis nula será rechazada. 7 X7: Número de cuentas asignadas a los vendedores. 9 X9: Evaluación general del vendedor sobre ocho aspectos de su desempeño. Al consultar la distribución F no es probable que un cociente tan grande haya sido obtenido de esta distribución. 4 X4: Gastos de publicidad en el territorio. La prueba de hipótesis en ANOVA es de una cola: un estadístico F grande llevará al rechazo de la hipótesis nula y un valor pequeño hará que no se rechace. La estimación en el numerador estará inflada.válida. ventas totales en unidades en el territorio de ventas. 2 X2: Antigüedad del vendedor en la empresa. promedio ponderado de los últimos cuatro años. . 3 X3: Potencial de mercado. 5 X5: Participación en el mercado. Para los efectos del presente informe se estudiarán 60 observaciones suministradas por la empresa. un coeficiente de intercepción y una variable dependiente. 6 X6: Cambio de participación en el mercado en los últimos cuatro años. se puede obtener la distribución F si las medias poblacionales no son iguales. El paso final en ANOVA requiere el cálculo de un cociente con la estimación del método entre en el numerador y la estimación del método dentro en el denominador. índice ponderado basado en compras anuales y concentración de cuentas. en meses. en una escala del 1 al 7. esta razón consiste en dos estimaciones separadas de la misma varianza poblacional y. a fin de conocer los factores que afectan el volumen de las ventas en cada territorio..

división estratégica de cada Zona. Para efectos de este estudio se requiere la elaboración de tres (3) modelos. previamente establecidos. 11 X11: Territorio. . división geográfica del país Además para mejor desarrollo y elaboración del informe se emplearan diversas herramientas descriptivas. Para el estudio de los parámetros poblacionales de los modelos se utilizará el método de Mínimos Cuadrados Ordinarios (MCO). tablas de distribución.10 X10: Zona. El estudio de las mismas permitirán lograr determinar los factores de mayor incidencia en las ventas. • Realizar un análisis de residuos para cada uno de los modelos propuestos. • Determinar cuál de los modelos propuestos explica mejor la variable dependiente. tablas de contingencia y varios gráficos que se aplicará al conjunto de datos. a saber: Modelo 1 X1 = b2 X2 + b3 X3 + b 4 X 4 + b5 X5 + b6 X6 + b7 X7 + b8 X8 + b9 X9 + b10 X10 + b11 X11 Modelo 2 X1 = b2 X2 + b3 X3 + b 4 X 4 + b9 X9 + b10 X10 + b11X11 Modelo 3 X1 = b2 X2 + b7 X7 + b8 X8 Todo esto con la finalidad de: • Inferir sobre los parámetros poblacionales para cada uno de los modelos.

así como la tabla ANOVA para efectuar el análisis de Varianza. los estadísticos "t" para cada una de las variables independientes y determinar el valor significativo de cada una de ellas.. En este caso las 60 observaciones suministradas por la empresa INSTRUMENTOS/MATERIALES: Se utilizarán tablas de distribución. Se corrió el mismo y se obtuvieron los índices y coeficientes. pruebas de hipótesis. de contingencia y herramientas estadísticas descriptivas de los datos para crear grupos. bajo sistema operativo Windows XP. utilizando para ello el Programa Computacional EXCEL de Microsoft Office. etc. los valores del parámetro "F" y el valor crítico de "F" el cual nos indica el mínimo de grado de confianza con el que se aceptarán los modelos a estudiar.METODOLOGIA POBLACION: Los datos del problema nos suministran claramente la muestra a ser evaluada. . PROCEDIMIENTO: Se cargó en el programa Excel los datos suministrados por la Universidad para efectos de este trabajo. versión 2002..

4 113111718 1407680.6180575 214.00361348 Inferior 95% -2609.6059275 125.79-12.431431 -3.01 Intercepción X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 Coeficientes Error típico Estadístico t -345. podemos determinar la ecuación de regresión para cada uno de los modelos.03365623 0.45691 Observaciones Ecuación de la Regresión X1 = b2 X2 + b3 X3 + b 4 X 4 + b5 X5 + b6 X6 + b7 X7 + b8 X8 + b9 X9 + b10 X10 + b11 X11 Y = -345.32967741 182.24950344 0.146563 11.62465428 múltiple Coeficiente de 0.905196 -51.19893462 32.70628685 158.27785103 0.82908813 0.02691228 0.753895 443.61+214.06256975 -111.06538 9.11678432 2.1824503 0.99+ 4.7599617 0.58693181 Probabilida d 0.08+21.996633 4.08011024 21.49+165.26574256 Error típico 1186.377183 1.23631945 0.28133215 0.1395 -0.05864 0.128312 66.73550031 1.30724136 2.5 4413539.772123 -112.4833547 0.490886 165.1353288 5 0.64+4.520663 -0.16538886 0.40761003 -60.8175029 .94505998 0.22279023 154.26468247 0.88 60 Grados de libertad ANÁLISIS DE VARIANZA Suma de Promedio de cuadrados los cuadrados Regresión 10 44135397.580795 Superior 95% 1917.1890494 -104.39019297 determinación R^2 R^2 ajustado 0.RESULTADOS De acuerdo a los coeficientes obtenidos con la herramienta Excel indicados en las tablas adjunta.09915876 32.0089488 -0.8816459 1126. Modelo 1: Estadísticas de la regresión Coeficiente de correlación 0.984552 13.90-51.08292541 0.01+0.870894 1.06926577 3.635829 354.1048013 0.11896098 F Valor crítico de F 3.04931 -379.57525085 -0.17416 -117.75 Residuos Total 49 59 68976320.097352 46.18318899 0.642434 4.07100008 1.09+32.6930531 -1.01060051 1.01235371 0.7932595 -12.82+0.74304896 0.425164 533.35009554 138.

.

13456182 39 3171.84228842 32 3520.71380878 54 2844.57423 1.49299336 58 3065.69598 775.76519 1040.403566 522.97922 -1008.70673 -408.50003024 31 Pronóstico X1 3739.16058474 56 4256.10223016 45 3072.815475 298.69686 142.03472 390.9811227 4 3899.01663002 -0.87614 -1.923758 968.25281 3 Residuos 512.5279244 51 2130.36109797 -0.25616 -681.572585 1406.47893 0.19858918 -0.32187 -3087.76698 21 1889.52256661 14 2563.022397 0.54770717 60 3742.08222914 -0.53049 -841.7289 -0.395661 105.44097 -482.69895 20 3721.59205449 46 2232.49602969 15 4174.722127 0.73628673 -0.7735 -214.48367 836.41875 -1426.92376 24 3198.983142 0.84576 22 2606.501053 -0.77367899 12 2882.12183 349.723502 -0.864024 0.11888 447.140595 88.86518 1.31315085 34 4659.34931389 .31892318 0.946155 -0.395755 570.535818 223.47392648 -0.89549 -592.592708 1751.44949 2 3921.49018 18 2911.87747 52.146985 148.25545 0.549441 0.34187 -2.09802422 0.3925286 0.48330648 1.40984301 43 3358.40267 2019.93262809 2179.09482 1736.430967 -0.53948422 -0.494262 0.56547 0.32314207 38 3213.759119 377.1889 -487.2093877 41 3459.85535899 268.54709 1687.04845575 37 5167.046473 793.35912 59 3390.00992 -910.644593 540.37791326 13 2302.05481 0.39922 -0.719923 Residuos estándares -0.82291 1.66187105 7 5572.41369247 2277.4461811 55 2348.20598679 29 2811.28447 -583.67168461 30 3580.302805 17.07875 -1.88309 -2.3976 565.967876 -0.39367 -1006.616725 -0.04787 222.98817 40 3321.536332 0.54258 26 653.45108095 57 3169.40056 226.1558 0.54466 25 3322.53619 3.63070472 28 3517.62033913 35 2234.38155047 42 3214.98315 -0.96190509 53 2078.70566 -0.419628 -0.13777443 49 3758.77935 -0.435277 0.89609254 -0.31582 19 3040.24799842 48 2709.01616 -796.30065506 17 3200.205493 -0.77823315 10 3188.13223939 44 3262.31507 8 3706.32643 27 3914.63455 726.01963 -885.60635712 Observación 6 2850.9098222 -0.56099989 36 11 2415.98577 1617.86788 -148.1372453 50 3449.460494 -0.48647 -0.74614 -1254.Observació n 1 Pronóstico X1 3157.97309 -2361.81888919 23 1876.8362 533.106155 -0.895337 -0.27646263 52 1937.88733 1.93114319 110.31447 -0.7175656 5 4389.1342 640.55574 145.86811298 16 3172.430513 Residuos estándares 0.04271 9 4767.47107 1004.399352 412.20670718 47 3509.3806 443.655066 338.73411605 0.46685 0.79367 -0.58459 715.693803 0.78381 4015.92900238 1.18441118 Residuos 33 1954.

0702604 Error típico 799.01+0.0247159 3 0.90075154 0.4255281 0.3 113111718 1360361.00614023 1.23 Coeficientes Intercepción X2 X3 X4 X9 X10 X11 558.0382656 F Valor crítico de F 5.51+208.10452256 206.01002822 0.10+206.Modelo 2: Estadísticas de la regresión Coeficiente de correlación múltiple 0.1250142 0.85441204 0.11286767 1.75 Residuos Total 53 59 72099145.11840047 -2.03+5.5 6835428.263475 30.8946 1.02698971 -78.350436 -64.34525 Observaciones 60 Grados de libertad Ecuación de la Regresión X1 = b2 X2 + b3 X3 + b 4 X 4 + b9 X9 + b10 X10 + b11X11 Y = 558.0003841 Inferior 95% -1044.6982666 0.23795281 0.59599839 .11685706 1.544522 Superior 95% 2160.42+0.36258465 R^2 ajustado 0.29042442 Error típico 1166.23603483 491.418476 -54.003947 -0.58726894 0.15191921 1.031765 5.056668 131.631618 -3.01616705 0.440697 471.07 Análisis de Varianza Suma de Promedio de cuadrados los cuadrados Regresión 6 41012572.61215605 0.35-64.60215002 Coeficiente de determinación R^2 0.48806302 2.06556776 142.45372346 0.61310339 -0.51111 208.59411515 0.0362811 0.95813 9.9307465 -124.167198 1.1505094 Estadístico Probabilidad t 0.

60185 3024.9759 -771.955571 1389.513352 169.961856 -0.32474086 34 4637.02227 240.6239 3584.60243515 -0.6896594 -0.66038872 6 7 8 2958.95557 2777.4765 - 1.44625 1469.67038215 48 2451.996454 -0.59538 1206.335161 - 1.15339976 9 348.26232 595.Observació n 1 2 Pronóstico X2 3624.9736 -2.10342863 .48306 -0.8765 -1.19445076 1.23035123 -0.6958536 -0.03929 3508.16543 1808.42462 1.47807 0.28647 871.83768 4 3837.05128758 0.75913754 -0.92999 -2.87959 1797.806754 1944.94853 4383.02623 838.821852 239.43555 176.45335 5201.32332626 39 4574.14229412 47 3373.447733 0.21119 443.56338 1792.06948 3098.200709 124.859116 832.82394 395.04106275 29 -0.729288 254.56166 2428.18444404 38 3716.243525 0.59324872 46 2069.75312587 55 2509.932504 0.15951374 0.40762544 -0.32897365 42 2981.01501 0.03186 -665.334448 0.03665026 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 2153.338113 0.48719 4069.31546368 0.9536 -2951.15071 Residuos 45.065904 -0.74889 -1.31439275 -0.07327 2253.61606 3195.09890825 49 3732.75497 40.03474 -358.25724737 -0.35534255 -0.35423 -925.32478203 33 2099.77516 171.93499 1026.1116595 392.05636 3491.19851 -922.694327 -0.30645 -605.608813 0.234898 450.383898 294.70585 -56.20193 447.33049 -1.69751323 50 3347.08306 -1004.09134268 0.545427 67.9195 3.37403 -481.48328 655.47097 -357.1871 3877.404031 -0.28032083 56 4375.83460909 36 2004.23574 3727.064233 Residuos estándares -0.25675 823.35809775 54 2418.56189 109.641732 - -0.21751121 52 2534.568533 203.9281425 35 2149.4835 1835.46827 2508.39552 3801.575742 - -0.4005 4220.63837 12 2888.03828034 43 3054.609484 - 0.01999 -2569.542898 450.75854527 5 4290.53842397 30 3 2170.81828215 -0.83682151 32 3729.3928123 - Residuos estándares 0.43548246 51 2280.813375 214.78433 -491.893637 762.899602 403.74495766 10 2882.44479116 40 3472.62602616 11 2427.08889 -1262.4875 413.40479273 44 3382.49041 1.37444711 41 3608.11375 1.4765 -1126.5150289 - 0.20049 -1415.81163 3078.2996 3204.21673 2.01938273 45 3056.8349 114.1129293 359.618511 -0.06070982 -0.80448 347.32548446 31 Pronóstico X2 3753.78812701 -0.533774 0.40729439 -0.21692931 -0.90866451 57 3093.5481899 58 3111.26676886 -0.40129257 53 1873.36530092 Observación Residuos 3254.80672 0.98474 -0.82912 1227.420971 -0.15520245 37 4797.

25843 -532.568434 -0.311473 0.57853 624.59 3331.56475783 .48176625 60 3844.

30+4.3350884 0.4430234 0.4350189 8 6 1018.2726353 R^2 ajustado 0.7862785 0.019 5 5 8 3 2 .033853 135.0142130 4.23271 658.13 59 113111718 Regresi ón Residuo s Total Coeficien tes Intercepció n X2 X7 X8 Error típico 837.415162 40.785 8 3.7 10279415.6 6.09287 Observaciones 60 Ecuación de la Regresión X1 = b2 X2 + b7 X7 + b8 X8 Ŷ = 658.3755904 0.02 Análisis de Varianza Grados de libertad Suma de cuadrados Promedio de los cuadrados F 3 30838246.23366933 Error típico 1212.8198989 1 3 5 2 2.996754 41 56 82273471.470 7 Valor crítico de F 0.Modelo 3: Estadísticas de la regresión Coeficiente de correlación múltiple 0.4768 2.298 2 2.5221449 Coeficiente de determinación R^2 0.47+54.7499916 8.5247231 1 1 1 15.0004440 3 Estadísti Probabili Inferior Superior co t dad 95% 95% 0.0209682 0.1872495 27.2 1469169.0177438 1.07086 54.8805 2335.460618 1.4669919 8.78+8.

76307202 58 3190.846715 -0.281129 - 0.00499949 38 3080.46247119 37 4817.24129 1186.254806 0.56674 10 3332.1058464 56 4222.55058 1242.33365 2858.974296 -0.154864 -0.15112 2522.08828607 51 2583.99500029 53 2665.772504 214.7363 -1305.35952 851.34545455 3010.030045 Residuos estándares -0.05246877 40 3238.092618 -0.09613511 48 3222.15706481 261.759516 478.01334 -1514.61649 -63.08242816 0.00021499 45 3580.13015199 0.15635034 407.10484 -1154.62808157 -0.41365 3428.20486 -422.62704 1.5739 4 3925.8663 -1.511948 185.377815 925.19149648 1.473902 749.90369983 -0.22158203 41 3835.6573 6 7 8 2465.77266 3835.68219603 47 4078.36007 1230.666603 -0.70182919 55 2399.9575 3640.596337 -0.00942 1.8222499 50 2761.30516 136.45705 992.03908 2527.312659 - 0.512704 226.Observació n 1 Pronóstico X3 2311.90635 2.58328 5589.47256041 -0.72115709 57 3388.12782 2503.61511833 -0.15025925 29 0.97768596 36 3065.79803 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 2800.63898 131.31232 310.69475 3859.2362289 39 1.938623 0.88326 1543.111486 46 2792.57746 1.7827 2760.11539663 -0.14835 -3.04944645 54 3696.37578247 43 3663.62166308 -0.32004 -467.041117 184.10080756 -0.37254 2131.685787 726.09484 3589.09321 278.072954 -0.19200093 -0.21522844 2762.13579 -0.74671 -661.66296 1624.55325 647.729084 119.0517705 42 3609.35749329 34 3532.8491 1174.897589 2212.0102 2911.77871 1.10575 2990.13690409 44 3436.034746 492.66241 5 3913.90067 Residuos 1358.78391864 Observación Residuos 52 1802.57815 -1334.268989 - 3480.12835 -3656.84069827 0.56047147 49 3932.40484639 1.43265 97.72089017 .41673982 31 Pronóstico X3 3295.12881 -1.80313 -1986.3900739 828.56768 2 3163.18148633 -0.41915473 2701.39549493 32 2674.157871 - 0.57197 332.709871 734.87344369 2392.651021 0.630196 1675.80508316 35 2381.71519 104.3373487 0.27999856 -0.28288212 33 2162.660667 496.84425 - Residuos estándares 1.70987 3433.643277 558.88899 3010.56761 9 3931.52484 -0.1464885 -0.3466 -161.06557 -1726.13094 61.9709 0.84138 2483.56815 -1.40262 -901.866752 0.8843 -970.9590599 0.117607 2587.42010786 -0.3027 330.72881 -1181.92334 -1.28158164 -0.106354 58.26295075 30 -0.46313 -1.04213 254.956788 0.99557 -1.54863283 -0.30714263 -0.63503557 2793.72113 741.19634 -851.05347432 2.43805 3 2480.

572173 0.40239605 60 4044.35954034 .86941 -475.59 3273.179411 -0.31783 424.

Al mismo tiempo prueba la hipótesis nula de que todos los valores β son cero contra la alternativa de que por los menos un β no es cero. si la hipótesis nula se rechaza. si alguna variable independiente no está relacionada con la variable Y. es un procedimiento que prueba si algunas de las variables independientes tienen relación con la variable dependiente. procedemos a describir los hallazgos encontrados según los modelos en estudio: . El análisis de varianza o ANOVA. como técnica de lo que trata es: si se está estudiando la característica cuyos valores dependen de varias clases de efectos que operan simultáneamente. Para la aplicación de ANOVA son esenciales tres (3) suposiciones: 1. Si X1 no está relacionada con Y. su coeficiente debería ser cero. estructuramos la hipótesis y la evaluamos HO: β2 = β3 = β4 = β5 = β6 = β7 = β8 = β9 = β10 = β11 =0 HA : Al menos un β no es cero Siguiendo la metodología implementada. Si no se rechaza la hipótesis nula. Es decir. Las muestras se seleccionan independientemente. Todas las poblaciones tienen la misma varianza. Por otra parte. entonces no hay relación lineal entre Y i cualquiera de las variables independientes. 2. poder decidir si tales efectos son debido al azar o si realmente son diferentes.DISCUSIÓN El análisis de varianza. entonces βi = 0. Todas las poblaciones involucradas son normales. Continuado con el ANOVA. 3. entonces por los menos una variable independiente está relacionada linealmente con Y.

82+0. la relación es de 62.64+4.90-51. entre mayor sea R2 mayor poder explicativo tendrá el modelo. es una corrección de honestidad. para este primer modelo: Y = b2 X2 + b3 X3 + b 4 X 4 + b5 X5 + b6 X6 + b7 X7 + b8 X8 + b9 X9 + b10 X10 + b11 X11 El resultado obtenido es: Y = -345.99+ 4.79-12. los resultados de Modelo 1 en estudio nos muestran un coeficiente de determinación ajustado de 0.88 Estos resultados muestran que si varia la Antigüedad del vendedor en la empresa en una unidad. R2 nos castigará si introducimos variables innecesarias en nuestro modelo. los resultados obtenidos para el Modelo 1 muestran un resultado de 1186. .62465428. El coeficiente de determinación múltiple mide la fuerza de la relación entre Y y las variables independientes.83. manteniéndose fijos los valores de las otras variables. igual criterio se aplicaría a las demás variables.08+21. El coeficiente de determinación ajustado o corregido procura contrarrestar la incorporación de alguna variable absurda sin un poder realmente explicativo al modelo.47%. y más preciso será el modelo en su predicción y pronostico.49+165.265742559. para el Modelo 1 este coeficiente según los resultados es de 0. la variable dependiente Total de Ventas acreditadas al vendedor variará en 4. entre menos dispersión se presente.61+214. El error típico o error estándar de estimación mide los grados de dispersión de los valores Yi alrededor del plano de regresión.456914.09+32.Modelo 1 Los coeficientes que acompañan a cada variable independiente en la Ecuación de Regresión obtenida nos indican el grado de relación que éstas tienen con respecto a la variable dependiente. más pequeño será el Se (error estándar).01+0.

92.Para el Modelo 1.49 es 1. A un nivel de significancia del 5%.011 6 2. la regla de decisión es “no rechazar si t ± 2.097352 X8 como 0. por otra parte.92. e interpolamos).011 6 2.19893462 Está entre ± X11 como 1.10. hallamos el valor para 40 y 60 g.011 6 2. La regla de decisión es “no rechazar si F < 1. pues en estos casos la hipótesis no es rechazada.58693181 Está entre ± Está entre ± 2. la hipótesis se rechaza.32967741 Está entre ± X6 como Está entre ± X7 como 0.011 6 2.011 6 2.92.13532885 y los grados de libertad son 10 y 49. debido a que este caso la hipótesis se rechaza.35009554 Está entre ± X10 como 1. .l.0116 (con la ayuda de la Tabla F.011 6 2. con la ayuda de la tabla G se determina que F0. contribuyen significativamente a la explicación del modelo.92.06926577 1.011 6 2.13532885 > 1. = n-k-1 = 60-10-1 = 49.70628685 Está entre ± X9 como 1. de lo contrario rechazar”.16538886 Está entre ± X4 como 1.28133215 > X3 como 1.0116. podemos estar seguros en un 95% que las demás variables contribuyen significativamente con la explicación del modelo. con grados de libertad g.05. probamos nuestra hipótesis con un nivel de significancia del 5%. X2 como 2. rechazar si F>1. debido a que el valor de F = 3.011 6 Se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula Se extrae que con un nivel del 95% de confianza que la variable 2.128312 Está entre ± X5 como 0.05.49 es de 2.011 6 2. existe por los menos con un α = 0. el valor de F es de 3. el valor t0.l.05 una relación lineal entre Y y por lo menos una de las variables independientes.011 6 2.

La gráfica para este modelo: Modelo 2 Los coeficientes que acompañan a cada variable independiente en la Ecuación de Regresión obtenida nos indican el grado de relación que éstas tienen con respecto a la variable dependiente.42+0. para este primer modelo: X1 = b2 X2 + b3 X3 + b 4 X 4 + b9 X9 + b10 X10 + b11X11 El resultado obtenido es: Y = 558.01+0.10+206. podemos decir que si aumentamos en una unidad la variable Antigüedad del vendedor en la empresa (X2).07 El grado de relación que existe entre las variables.35-64.51+208.03+5. dejando fijos el valor de las otras .

los valores de la variable dependiente aumentarán o disminuirán de acuerdo a los aumentos o disminuciones de las variables independientes.60215002. podemos decir con un α = 0. El error típico o error estándar de estimación muestra un resultado de 1166. con la finalidad de determinar su grado de significancia y su aporte explicativo. definimos cada una de las herramientas estadísticas de la cuales nos valemos para evaluar un modelo o ecuación de regresión múltiple.6.05. el mismo razonamiento se puede aplicar a las otras variables independientes. esto no puede ser concluyente pues esto tan solo muestra el grado de dispersión que tienen o presentan los datos.variables independientes.4255281. muestra un valor de F de 5. Sería redundante volver a explicar lo mismo. de acuerdo a los resultados mostrados en la Tabla. podemos inferir que las variables independientes están relacionadas en un 60. . la regla de decisión es “no rechazar si F > 2.25”. Como F = 5. mostrando éste ultimo una menor dispersión.29042442.34525.04% por el comportamiento de las variables independientes.0271593 y grado de libertad de 6 y 53. Cuando detallamos los resultados arrojados por el Modelo 1. al ser el resultado positivo.0271593 > 2.25. con la ayuda de la Tabla G buscamos el valor t 0.05 que existe por lo menos una relación lineal de Y por los menos con una de las variables independientes. vamos utilizar un nivel de significancia del 5%. El coeficiente de determinación múltiple es de 0. El coeficiente de determinación corregido es de 0. la relación es directa. una leve diferencia con el Modelo 1. motivo por el cual nos limitaremos a describir cada uno de los resultados arrojados y sus correspondientes estimaciones más importantes.25.02% con la variable Y.25.53 el cual es 2. El Modelo 2. lo cual indica que las variaciones de la variable dependiente X1 pueden ser explicadas en un 29. rechazar si F > 2. la hipótesis se rechaza. Al evaluar el Modelo 2 propuesto. la variable dependiente X1 variará 5.

X4. al ser rechazada.05.l.0074 (con la ayuda de la Tabla F.Al aplicar nivel de significancia del 5%.4537234 6 1. con la ayuda de las tablas buscamos el valor de t0. X10 Y X11). mientras que las variables independientes de este modelo (X3.8544120 4 1. de lo contrario rechazar”.007 4 Se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula No se rechaza la hipótesis nula Con un grado de confianza del 95% que sólo la variable X2. 96 el cual es 2.5872689 4 -2. con grados de libertad g. la regla de decisión es “no rechazar si t ± 2.007 4 2.007 4 2. e interpolamos).007 4 2.0074. no contribuyen significativamente a la explicación del modelo al ser aceptada su hipótesis. Las gráficas de los residuales para este modelo: . contribuye significativamente en la explicación del modelo. X2 como X3 como X4 como X9 como X10 como X11 como 2.6121560 5 1.l.5941151 5 1.1250142 > Está entre ± Está entre ± Está entre ± Está entre ± Está entre ± 2.007 4 2. hallamos el valor para 60 y 120 g. X9. = n-k-1 = 100-3-1 = 96.007 4 2.

02 La ecuación de regresión múltiple muestra la relación que existe entre las variables independientes y la variable dependiente. los resultados nos dicen que si la variable Antigüedad del vendedor en la empresa (X2) aumenta en una unidad. manteniendo fijo el valor de las otras variables independientes. la variable dependiente Evaluación del Vendedor (X9) modificará su valor en 4. presentan los siguientes coeficientes: Ŷ = 658. .Modelo 3 X1 = b2 X2 + b7 X7 + b8 X8 Los resultados obtenidos de la regresión de esta ecuación o modelo de regresión múltiple.78+8.30+4. de cómo el comportamiento o variación de las primeras afectan a la segunda.47+54.78494529.

el valor de F es 6.3350884 5 > > < 2.09287. pues para estas variables la . para la distribución t buscamos el valor para t 0. Como F = 6.99675441 > 2.l.0042. Con un grado de significancia del 5%.3755904 1 2. con un 95% de seguridad que las variables X2 y X7.61. el grado de relación de las variables independientes X2.007 4 Se rechaza la hipotesis Se rechaza la hipotesis No se rechaza la hipotesis Podemos inferir. El coeficiente de determinación es de 0.2726353.01 9 2. En el Modelo 3.4430234 1 1. prevé la posible inclusión por accidente. X7 y X8 según este coeficiente es de 23.61. = n-k-1 = 60-3-1 = 56.El error típico o error estándar de estimación es de 1212. la regla de decisión es “no rechazar si F > 2. con la ayuda de la Tabla G hallamos del valor para F0.007 4 2.61 la hipótesis se rechaza. esto no debe tomarse como concluyente por cuanto debemos seguir evaluando la ecuación.470 X8 54. podemos inferir con un grado de seguridad del 95% que existe por lo menos una relación entre el comportamiento de la variable dependiente X1 y alguna de la variables independientes. rechazar si F > 2.27% el grado de relación que existe entre las variables independientes con la variable dependiente Ŷ. si verificamos los resultados podemos afirmar que la dispersión de datos más alta la posee el Modelo 3.23366933. se puede decir que un 27.3.56 y nos da 2. por los resultados obtenidos.61. probamos la hipótesis con un grado de significancia del 5%. error u omisión de una variable absurda. contribuyen significativamente a la explicación del modelo. de lo contrario rechazar la hipótesis” X2 como X7 8.05. con grados de liberta g.37%.0042. construimos la regla de decisión “no rechazar si t ± 2. con la ayuda de la Tabla T. El coeficiente de determinación ajustado o corregido es de 0.007 4 2.99675441.05. con grados de libertad de 3 y 56.56 el cual es 2.

hipótesis nula se rechaza. pues las hipótesis no fueron rechazadas. mientras que la variable independiente X8 no contribuyen con la explicación del modelo. Las graficas de los residuales del tercer modelo en estudio son: .

que prevé la posible la introducción de una variable absurda.37% .4 6 Modelo 2 1166. mostramos los hallazgos realizados.04% 0. se presenta en el siguiente orden según el modelo: Modelo 1 Modelo 2 Modelo 3 0. medidas a través del coeficiente de determinación múltiple.26% 0.2726353 ó 27.39019297 ó 39. • El coeficiente de determinación corregido o ajustado.0 9 Se evidencia que el Modelo 2 es el presenta menor grado de dispersión de los datos • La relación que existe entre las variables independientes y la variable dependiente.29042442 ó 29.3 Modelo 3 5 1212. el cual es medido a través del error típico o error estándar de estimación: Modelo 1 1186.36258465 ó 36.26% Se muestra que el Modelo 1 es el que presenta mayor grado de relación entre las variables independientes y la variable dependiente.CONCLUSIONES • De menor a mayor los modelos objeto de estudio de acuerdo al grado de dispersión de los datos.26574257 ó 26.02% 0. según el modelo: Modelo 1 Modelo 2 Modelo 3 0.57% 0.23366933 ó 23.

por lo menos una de sus variables independientes tienen relación con la variable dependiente. ya que presenta una mayor significancia en predecir el comportamiento de la variable dependiente. Se concluye que el Modelo 1 explica con mayor fuerza la relación entre las variables independientes y la variable dependiente.Se demuestra que el Modelo 2 es el más propenso a la introducción de una variable absurda El análisis de varianza o ANOVA demostró que de los Modelos 1. el mayor valor F lo tiene el Modelo 3 con 6. 2 y 3.99675441.02471593.13532885. seguido del Modelo 2 con 5. y por último el Modelo 1 con 3. .

Colombia: Irwin Editorial McGraw Hill Prof. Gilberto Noguera (2007) Elementos de Excel para la Estadística – Guía de Excel Venezuela: Universidad Nacional Abierta .REFERENCIAS Webster A. 3ª Edición. (2003) Estadística aplicada a los negocios y a la economía.

Sign up to vote on this title
UsefulNot useful