Ejercicio3

Bill Thous
Año GNP New HousingCoeficiente de Correlación
1960 507 1296 0.010070616 Resumen
1965 691 1510
1970 993 1469 Estadísticas de la regresión
1973 1326 2057 Coeficiente de correlac 0.01007062
1974 1434 1353 Coeficiente de determi 0.00010142
1975 1549 1171 R^2 ajustado -0.0768139
1976 1718 1548 Error típico 345.504529
1977 1910 2002 Observaciones 15
1978 2164 2036
1979 2418 1760 ANÁLISIS DE VARIANZA
1980 2632 1313 Grados de libertad
1981 2958 1100 Regresión 1
1982 3069 1072 Residuos 13
1983 3305 1712 Total 14
1984 3663 1756
Coeficientes
Intercepción 1536.66813
GNP 0.0034604
 El coeficiente de correlacion es bajo por tano no
hay relación entre los datos de la regresión. La
probabilidad al ser mayor de 0.05 (0.97>0.05)
comprueba que los datos no guardan relación. NO
Depende de la cantidad de nuevos hogares (en
miles) en EU del Producto nacional Bruto (GNP).

Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
157.400809 157.400809 0.00131856 0.97158528
1551853.93 119373.379
1552011.33

Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%

Superior 95.0%
212.378214 7.23552617 6.5955E-06 1077.85289 1995.48336 1077.85289 1995.48336
0.09529636 0.03631196 0.97158528 -0.2024149 0.20933566 -0.2024149 0.20933566
 Ejemplo5 Resumen 1
P D 1/D
0.29 0.2 5 Estadísticas de la regresión
0.34 0.3 3.333333333 Coeficiente de correl
0.26 0.5 2 Coeficiente de deter
0.22 0.7 1.428571429 R^2 ajustado
0.24 0.8 1.25 Error típico
0.22 0.95 1.052631579 Observaciones
0.2 1 1
0.17 1.2 0.833333333 ANÁLISIS DE VARIANZA
0.17 1.3 0.769230769 Grados de libertad
0.17 1.35 0.740740741 Regresión
0.19 1.4 0.714285714 Residuos
0.18 1.6 0.625 Total
0.15 1.9 0.526315789
0.13 2.1 0.476190476
0.12 2.2 0.454545455 Intercepción
0.14 2.5 0.4 P
0.14 2.7 0.37037037
0.11 3 0.333333333
0.1 3.15 0.317460317 Resumen 2
0.11 3.2 0.3125
0.1 3.4 0.294117647 Estadísticas de la regresión
Coeficiente de correl
Coeficiente de deter
R^2 ajustado
Error típico
Observaciones

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión
Residuos
Total

Intercepción
P
 Dispersión
4
sticas de la regresión 3.5
3
0.84423634
2.5
0.712735 2
0.69761579 1.5
0.6320867 1
0.5
21
0
0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
1 18.8344206312 18.8344206312 47.1410191646 1.4999E-06
19 7.5911382133 0.3995335902
20 26.4255588445

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%Superior 95%

Inferior 95.0%
-1.60800914 0.4121575685 -3.9014427098 0.0009596424 -2.4706648 -0.745353 -2.4706648
14.9333739 2.1749959681 6.8659317769 1.49992963E-06 10.3810551 19.485693 10.3810551

Nuevo Modelo
6
5
sticas de la regresión 4
0.92788351 3
0.86096782 2
0.851699 1
0.17431606 0
0.1 0.12 0.14 0.16 0.18 0.2 0.22 0.24 0.26 0.28
17
D Model o

DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
1 2.8225239434 2.8225239434 92.8886884908 8.1001E-08
15 0.455791333 0.0303860889
16 3.2783152764

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%Superior 95%

Inferior 95.0%
-0.81063412 0.170528873 -4.7536473216 0.0002561756 -1.1741078 -0.44716 -1.1741078
9.26980446 0.9618097111 9.6378778002 0.000000081 7.21975559 11.319853 7.21975559
 Ejemplo 5
P D P D 1/D Modelo
0.1 3.15 0.11 3 0.333333333 4.78367342
0.1 3.4 0.11 3.2 0.3125 4.78367342
0.11 3 0.12 2.2 0.454545455 3.314084958
0.11 3.2 0.13 2.1 0.476190476 2.535236877
0.12 2.2 0.14 2.5 0.4 2.052804265
0.13 2.1 0.14 2.7 0.37037037 2.052804265
0.14 2.5 0.15 1.9 0.526315789 1.72462395
0.14 2.7 0.17 1.2 0.833333333 1.306792144
0.15 1.9 0.17 1.3 0.769230769 1.306792144
0.17 1.2 0.17 1.35 0.740740741 1.306792144
0.17 1.3 0.18 1.6 0.625 1.165595333
0.17 1.35 0.19 1.4 0.714285714 1.051935388
0.18 1.6 0.2 1 1 0.958472481
Superior 95.0% 0.19 1.4 0.22 0.7 1.428571429 0.813853173
-0.74535344 0.2 1 0.22 0.95 1.052631579 0.813853173
19.48569281 0.22 0.7 0.24 0.8 1.25 0.70715409
0.22 0.95 0.26 0.5 2 0.625189495
0.24 0.8
0.26 0.5
0.29 0.2
0.34 0.3

Superior 95.0%
-0.44716043
11.31985333
1. En promedio, ¿Qué demanda se tendrá si el precio es de $0.15 (15 centavos)?
2. ¿Qué precio, en promedio, producirá una demanda de 200 unidades?

SOLUCION
Demanda
D= 1
a*P+b

= 1
9.2698045*0.15+(-0.810634)

= 1.72462395

Precio
D= 1 Despejamos P
a*P+b

P= ((1/200)-(-0.810634))/9.2698045

P= 0.0879882767
5 (15 centavos)?
dades?
 Ejercicio5
Size of Home and Electrici ln(x) ln(y) Modelo Resumen
1290 1182 7.1623975 7.0749632 1224.41844
1350 1172 7.20785987 7.06646697 1264.90949 Estadísticas de la regresión
1470 1264 7.29301768 7.14203657 1344.3931 Coeficiente d 0.93864691
1600 1493 7.37775891 7.3085428 1428.44534 Coeficiente 0.88105803
1710 1571 7.44424865 7.35946764 1498.05744 R^2 ajustado 0.86619028
1840 1711 7.51752085 7.44483327 1578.70606 Error típico 0.07352731
1980 1804 7.59085212 7.4977617 1663.76676 Observacione 10
2230 1840 7.70975686 7.51752085 1811.53916
2400 1956 7.78322402 7.57865685 1909.33057 ANÁLISIS DE VARIANZA
2930 1954 7.9827577 7.57763383 2202.39735 Grados de libertad
Regresión 1
Modelo Potencial Residuos 8
Total 9
2500

Coeficientes
2000
Intercepción 1.98454144
ln(x) 0.71563744
1500
k 7.27571024

1000

500

0
1200 1400 1600 1800 2000 2200 2400 2600 2800 3000 3200
 Modelo Lineal
2500

2000

1500

1000

500

0
1200 1400 1600 1800 2000 2200 2400 2600 2800 3000 3200
Col umn C Col umn F

Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
0.32037362 0.32037362 59.2596877 5.7542E-05
0.04325013 0.00540627
0.36362375

Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%

Superior 95.0%
0.69826006 2.84212367 0.02174082 0.37435086 3.59473201 0.37435086 3.59473201
0.09296369 7.69803142 5.7542E-05 0.50126278 0.93001211 0.50126278 0.93001211
Ejemplo6
Rendim Rend.
Acciones Indice
Año G.M S&P500 Correlación Lineal
1961 0.12 0.21 0.67062136 Resumen
1962 0.02 -0.03
1963 0.38 0.15 Estadísticas de la regresión
1964 0.26 0.20 Coeficiente de correlación múltiple
1965 0.18 0.12 Coeficiente de determinación R^2
1966 -0.10 0.00 R^2 ajustado
1967 0.00 0.10 Error típico
1968 0.09 0.10 Observaciones
1969 -0.02 0.02
1970 -0.01 -0.15 ANÁLISIS DE VARIANZA
Grados de libertad
Regresión
Residuos
Total

Intercepción
G.M
a regresión
0.67062136
0.44973301
0.38094964
0.0881463
10

Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
1 0.05080184 0.05080184 6.53839711 0.03380288
8 0.06215816 0.00776977
9 0.11296

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Superior 95.0%
0.0248188 0.03342809 0.74245345 0.47904282 -0.0522665 0.10190412 -0.0522665 0.10190412
0.5128391 0.20056054 2.55702896 0.03380288 0.05034567 0.97533252 0.05034567 0.97533252
perior 95.0%
1. Un experto le dijo que ese fenómeno no se comportaba en forma exponencial. Teniendo en cuenta esto. Descr
pasos del modelado

El fenomeno se comporta como un modelo Hiperbola, de acuerdo a esto debemos tomar la variable (Y) y se saca
luego corremos la regresión de (1/Y) vs (X). Por ultimo se grafica Modelo vs X,Y.

2. Clasifique el tipo de datos según las observaciones que se dan a continuación:

A. Se registraron las ventas diarias de un almacén durante un año.

B. Se registraron las ventas de todas las sucursales del ÉXITO en el mes de diciembre.
C. Se registraron las ventas diarias de los almacenes ÉXITO, D1 y ARA, durante una semana.
3. Cuando Mariana le presentó la gráfica de un modelo de regresión a su jefe, este le dijo: “No me parece muy b
Mire que la curva no pasa por ningún punto.” ¿Qué le diría Ud. al jefe?

Es una funcionn que muestra la relación entre el promedio de una variable y la otra que lo explica.

4. La siguiente gráfica representa las ventas semanales de cierta compañía. Describa los pasos del modelado.

Es un modelo Exponencial, el cual se debe hayar el LN(x) y LN(y) para posterior a ello realizar la regresión, con est
encontrar la constante K mediante la EXP de la Intercepción que da la regresión con la cual se realiza el modelado
Y=KX^alpha y finalmente graficar como resultado de lo obtenido.

5. Describa un fenómeno de su interés o relacionado con la empresa en la que trabaja, que pudiera analizarse c
regresión. Descríbalo en detalle. ¿Cómo recogería los datos?

Los datos que tomaria para realizar la regresión seria, ingresos por pensiones registrados en el año 2017, mes po
Los datos serian tomados del informe financerio a 31 de diciembre de 2017, se verifica con los informes mes a m
para mirar el comportamiento de los pagos, la eficencia de los administrativos en los cobros de las pensiones , ta
se realizo una encuesta e otros colegios con el fin de realizar comparaciones y mirar en que mes los pagos se veia
disminuio, y de acuerdo a est situacion tomar medidas de cobros de cartera
 l. Teniendo en cuenta esto. Describa los

os tomar la variable (Y) y se saca 1/Y ,

n:

Datos de Serie de Tiempo

Datos de Corte Transversal
Datos de Panel
este le dijo: “No me parece muy bueno.

otra que lo explica.

criba los pasos del modelado.

ello realizar la regresión, con este

con la cual se realiza el modelado

trabaja, que pudiera analizarse con

gistrados en el año 2017, mes por mes.

erifica con los informes mes a mes
n los cobros de las pensiones , tambien
mirar en que mes los pagos se veian
2
A
Modelo Teorico
Y = B1 + B2 * (X1)+ B3 * (X2) + ei
Modelo Estimado
Y = -906.56 + 10.98X1 + 63.79X2
B1 = Intercepto = Cuando X1 y X2 equivalen a cero, Y es igual a -906
B2 = Por cada unidad adicional de X1, permaneciendo X2 constante, Y aumenta en promedio $10.98
B3 = Por cada unidad adicional de X2, permaneciendo X1 constante, Y aumenta en promedio $63.79
B.
Probabilidad = Valor p = El valor p de cada uno de los beta es inferior a 0.05, por lo tanto B2 y B3 si explican Y.
Intervalos = Con un 95% de confianza el intercepto se encuentra entre ((-1431.19) - (-381.93))
Intervalos = Con un 95% de confianza B2 se encuentra entre (8.25 - 13.71)
Intervalos = Con un 95% de confianza B3 se encuentra entre (37.44 - 90.13)
Prom Cuad Residuos = 38809.03 Indica que tan disperso esta el Y real del Y promedio.
C
R2 = el 72.50% de la variacion de Y con respecto a Y promedio es explicado por la regresion.
Error tipico = La desviacion estandar estimada es igual a 256.51 para el intercepto.
Erro tipico = La desviacion estandar estimada es igual a 1.33 para B2.
Error tipico = La desviacion estandar estimada es igual a 12.88 para B3.
SST = 4093593.875= Variacion cuadratica total del Y con respecto a Y promedio.
SSE = 1125462.11 = Suma de los cuadrados de los errores
SSR = 2968131.765 = Suma de los cuadrados de las variaciones de Y estimados con respecto a Y promedio.
Coeficiente de correlacion = El 85.15% indica que hay una correlacion lineal entre Y, X1 y X2.
Coeficiente de determinacion R^2 = El 72.50% de la variacion de Y con respecto a Y promedio es explicado por la regresion
Estadistico T = si 8.22 esta entre ((-tc) - tc) se acepta la hipotesis nula, si no, se rechaza.

D.
Y = B1 + B2 * X1 + B3 * X2
Y = (-906.56) + 10.98 * 21 + 63.79 * 0.3
Y = (-656.843)

E.
Se necesita Distribucion T student
Grados de libertad = T ( 32 - 3 ) = 29

F.
Ho = B1 = 0 La variable independiente no explica la dependiente.
Ho = B2 = 0 La variable independiente no explica la dependiente.
4

A. Fernanda construyó un modelo para explicar la variación semanal en las

ventas de la empresa. Incluyó 6 variables. Cuando observó la tabla de
resultados vio que las variables X2, X5 y X6 tenían valores p respectivos de
0.78, 0.25 y 0.48. Inmediatamente ella quitó las tres variables y comenzó un
nuevo modelo con las variables restantes. Comente sobre el procedimiento
de Fernanda.

Fernanda cometio un error al eliminar las 3 variables de una ya que debia

descartar una variable al tiempo, la mas alta del Valor-P correr la regresión y
así sucesivamente hasta que el modelo se ajuste.

B. Camilo construyó dos modelos para explicar los rendimientos de una

inversión. Gráficamente el ajuste es más o menos el mismo. Pero cuando vio
los coeficientes R2 ajustados, el primero tenía 0.78 y el segundo 0.70.
Comente sobre esto.

Se elige el R^2 mas alto 0.78 ya que nos indica que tan alejado esta el dato
real con respecto al promedio, por tanto el explica los rendimientos de la
inversión.
Modelo Teorico
S = B1 + B2 * (E)+ B3 * (R) + ei
S = Salario
E = Experiencia
R = Puntaje
Modelo Estimado
S = 20.11 + 0.89E + 0.14R

Intercepto = Cuando la experiencia y el puntaje equivalen a cero, El salario es igual a $20.11

B2 = Por cada año de experiencia el salario aumenta en $0.89
B3 = Por cada unidad en el puntaje el salario aumenta $0.14
Probabilidad = Valor p = El valor p de cada uno de los beta es inferior a 0.05, por lo tanto B2 y B3 si explican el salario.
Intervalos = Con un 95% de confianza el intercepto se encuentra entre (16.22 - 24)
Intervalos = Con un 95% de confianza B2 se encuentra entre (0.71 - 1.07)
Intervalos = Con un 95% de confianza B3 se encuentra entre (0.08 - 0.20)
Error tipico = La desviacion estandar estimada es igual a 1.84 para el intercepto.
Erro tipico = La desviacion estandar estimada es igual a 0.08 para B2.
Error tipico = La desviacion estandar estimada es igual a 0.02 para B3.
Prom Cuad Residuos = 5.47 Indica que tan disperso esta el salario real del salario promedio.
SST = 994.56 = Variacion cuadratica total del salario con respecto al salario promedio.
SSE = 93.09 = Suma de los cuadrados de los errores
SSR = 901.46 = Suma de los cuadrados de las variaciones de los salarios estimados con respecto al salario promedio.
Coeficiente de correlacion = El 95% indica que hay una correlacion lineal entre el salario, la experiencia y el puntaje.
Coeficiente de determinacion R^2 = El 90.63% de la variacion de los salarios con respecto al salario promedio es explicado por

Tc = (Lim Inf - B3) / Desviacion Estandar

Tc = (0.08792171 - 0.14638041) / 0.02770797
Tc = -2.11

La region de aceptacion esta entre (-2.11 - 2.11)