Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Parte 1 1. Define los siguientes términos: a. Análisis de la regresión simple. Puede utilizarse para explorar y cuantificar la relación entre una variable llamada dependiente o criterio (Y) y una o más variables llamadas independientes o predictoras b. Estimadores de mínimos cuadrados. Podemos emplear los estimadores de mínimos cuadrados para estimar los parámetros de algunas leyes. Vamos a tratar, como ejemplo, las leyes normales y las leyes de Weibull. c. Intervalo de confianza. Un intervalo de confianza es un rango de valores, derivado de los estadísticos de la muestra, que posiblemente incluya el valor de un parámetro de población desconocido. d. Coeficiente de regresión. Los coeficientes son los números por los cuales se multiplican las variables de una ecuación. Por ejemplo, en la ecuación y = -3.6 + 5.0X1 - 1.8X2, las variables X1 y X2 se multiplican por 5.0 y -1.8, respectivamente, de modo que los coeficientes son 5.0 y -1.8. e. Coeficiente de correlación. En estadística, el coeficiente de correlación de Pearson es una medida de la relación lineal entre dos variables aleatorias cuantitativas. f. Coeficiente de determinación. El R Cuadrado se define como la proporción de la varianza total de la variable explicada por la regresión. El R Cuadrado, también llamado coeficiente de determinación, refleja la bondad del ajuste de un modelo a la variable que pretender explicar. 2. Desarrolla los siguientes ejercicios y da respuesta a las preguntas planteadas. a. En una compañía fabricante de helados se sospecha que el almacenar el helado a temperaturas bajas durante largos periodos tiene un efecto lineal en la pérdida de peso del producto. En la planta de almacenamiento de la compañía se obtuvieron los siguientes datos: Pérdida de peso (gr) Y 28 37 36 30 28 36 35 Tiempo (semanas) X 26 32 35 27 25 31 30 b. Ajusta e interpreta un modelo de regresión lineal simple a los datos. Tiempo (semanas) X Pérdida de peso (gr) Y XY X^2 Y^ 2 26 28 728 676 784 32 37 1,184 1,024 1,369 35 36 1,260 1,225 1,296 27 30 810 729 900 25 28 700 625 784 31 36 1,116 961 1,296 35 35 1,225 1,225 1,225 Suma 211 230 7023 6,465 7,654 Promedio 30.14 32.86 1,003 924 1,093 c. Prueba la significancia de la pendiente β1. d. Calcula e interpreta R2. e. Elabora un intervalo de confianza del 90% para β1. f. Pronostica la pérdida cuando el tiempo es de 33 semanas. 3. Con los conceptos vistos y puestos en práctica, da una respuesta justificada a cada una de las siguientes cuestiones: 3. ¿Para qué utilizarías la regresión lineal simple en un problema de tu especialidad? Tengo diferentes ejemplos en los que se pudiera utilizar, pero para englobar diría que es necesaria en los estudios de satisfacción, elasticidad de precios, imagen de marca, de candidatos políticos, planeación, pronósticos de operación, ventas, inversión, etc. 3. ¿Qué relación tiene con la correlación? En resumen, nos ayuda a saber que tanta relación existe entre las variables estudiadas. 3. ¿Cómo medirías el ajuste del modelo de regresión lineal obtenido? Es vía por este medio de la fórmula de la línea recta. 3. ¿Qué es el coeficiente de determinación? Se entiende que es el coeficiente de determinación o determinación múltiple y es una medida estadística de la flexibilidad del ajuste o fiabilidad del modelo estimado a los datos. 3. ¿Por qué crees que se llama regresión lineal? Yo creo que, porque es el promedio de los pronósticos, entonces gráficamente regresas a un punto medio para obtener el resultado. 3. ¿Cuál es la relación de la prueba de hipótesis con el intervalo de confianza en la regresión? Yo diría es con base en el intervalo de confianza en la regresión se puede tener mejor fiabilidad en la prueba de la hipótesis, así como también depende del mismo intervalo, la comprobación de la hipótesis. Parte 2 Realiza lo siguiente: 4. En un estudio de variables que afectan la productividad en el negocio de abarrotes al menudeo, W. S. Good usa el valor agregado por hora de trabajo para medir la productividad de tiendas de abarrotes al menudeo. Él define el “valor agregado” como el “excedente [dinero generado por el negocio] disponible para pagar mano de obra, muebles accesorios y equipo”. Los datos de acuerdo con la relación del valor agregado por hora de trabajo Y y el tamaño X de la tienda de abarrotes descrita en el artículo de Good para diez tiendas de abarrotes ficticias se muestran enseguida. Se establecerá un modelo para relacionar Y con X. Datos en relación con el tamaño de tienda y el valor agregado Tienda Valor agregado por hora de trabajo Y Tamaño de la tienda (miles de pies cuadrados) X 1 6.08 23.0 2 5.40 14.0 3 5.51 27.2 4 5.09 12.4 5 4.92 33.9 6 3.94 9.8 7 6.11 22.6 8 5.16 17.5 9 5.75 27.0 10 5.60 21.1 a. Realiza un diagrama de dispersión de los datos para Y contra X. b. Calcula las rectas de mínimos cuadrados para Y contra X. Tienda Valor agregado por hora de trabajo Y Tamaño de la tienda (miles de pies cuadrados) X XY X^2 Y^ 2 1 6.08 23 140 529 37 2 5.4 14 76 196 29 3 5.51 27.2 150 740 30 4 5.09 12.4 63 154 26 5 4.92 33.9 167 1149 24 6 3.94 9.8 39 96 16 7 6.11 22.6 138 511 37 8 5.16 17.5 90 306 27 9 5.75 27 155 729 33 10 5.6 21.1 118 445 31 Suma 53.56 208.5 1136 4855 291 Promedio 5.356 20.85 Ecuación de regresión estimada Yo=.29Xo-1.23 Si Xo=15 .29(15)-1.23=3.12 Error estándar Se=1.71 Establecimiento de hipótesis: H0 : β1 = 0 en oposición a Ha : β1≠ 0 Error estándar de Sb1=0.0757 T calculada=.29-0/.0757=3.83 c. Obtén una gráfica de residuales contra el valor ajustado de Y, ya sea por medio de Minitab. Observa la gráfica. ¿Qué patrón parecen seguir los datos? Éste es un ejemplo de análisis de residuales. 5. En un experimento con conejos se tomaron en cuenta las siguientes variables: Y: Proporción del peso final al peso inicial. X: Gramos diarios de alimento por kg de peso inicial. Proporción de peso final al peso inicial Y Gramos diarios de alimento por kg de peso inicial X Proporción de peso final al peso inicial Y Gramos diarios de alimento por kg de peso inicial X 0.91 10 1.16 33 0.88 15 0.96 35 0.90 18 1.08 36 0.79 19 1.13 37 0.94 20 1.00 39 0.88 21 1.10 42 0.95 21 1.11 45 0.97 24 1.18 54 0.88 25 1.26 56 1.01 27 1.29 56 0.95 28 1.36 59 0.95 30 1.40 59 1.05 30 1.32 60 1.05 31 1.47 64 a. Realiza un diagrama de dispersión de los datos para Y contra X. b. Calcula las rectas de mínimos cuadrados para Y contra X. Proporción de peso final al peso inicial Gramos diarios de alimento por kg de peso inicial Y X XY X^2 Y^ 2 0.91 10 9.1 100 0.8281 0.88 15 13.2 225 0.7744 0.9 18 16.2 324 0.81 0.79 19 15.01 361 0.6241 0.94 20 18.8 400 0.8836 0.88 21 18.48 441 0.7744 0.95 21 19.95 441 0.9025 0.97 24 23.28 576 0.9409 0.88 25 22 625 0.7744 1.01 27 27.27 729 1.0201 0.95 28 26.6 784 0.9025 0.95 30 28.5 900 0.9025 1.05 30 31.5 900 1.1025 1.05 31 32.55 961 1.1025 1.16 33 38.28 1089 1.3456 0.96 35 33.6 1225 0.9216 1.08 36 38.88 1296 1.1664 1.13 37 41.81 1369 1.2769 1 39 39 1521 1 1.1 42 46.2 1764 1.21 1.11 45 49.95 2025 1.2321 1.18 54 63.72 2916 1.3924 1.26 56 70.56 3136 1.5876 1.29 56 72.24 3136 1.6641 1.36 59 80.24 3481 1.8496 1.4 59 82.63481 1.96 1.32 60 79.2 3600 1.7424 1.47 64 94.08 4096 2.1609 Suma 29.93 994.00 1133 41902 32.85 Promedio 1.07 35.50 B1=-0.145538269 Bo=7.274793323 Y=7.27-.15X c. Prueba la hipótesis de que la pendiente es cero. Realiza todas las etapas de la prueba de hipótesis (α = 0.01). La hipótesis es rechazada H0 : β1 = 0 en oposición a Ha : β1≠ 0 Sb=0.001299833 T calculada=0.145538269-0/0.001299833=111.97 d. Calcula las predicciones Ŷ para los siguientes valores de X0: 0, 5, 15, 25, 30, 35.5, 39, 45, 60, 70, 80, 90. Xo Yo 0 7.27 5 6.55 15 5.09 25 3.64 30 2.91 35.5 2.11 39 1.6 45 0.73 60 -1.46 70 -2.91 80 -4.37 90 -5.82 6. Calcula el intervalo de confianza de los valores particulares de Y para los valores dados de X0 del inciso anterior. LC:0.15±0.145542318 LIC=0.0044578 LSC=0.295545318 Conclusión Para mi todo este tema me es muy interesante como de una ecuación lineal se pueden hacer proyecciones en problemas que contenga una variable dependiente y así poder analizar las proyecciones. En las diferentes áreas empresariales. Tienda Tamaño de la tienda 23 14 27.2 12.4 33.9 9.8000000000000007 22.6 17.5 27 21.1 6.08 5.4 5.51 5.09 4.92 3.94 6.11 5.16 5.75 5.6 Proporción de peso final al peso inicial Proporción de peso final al peso inicial Y 10 15 18 19 20 21 21 24 25 27 28 30 30 31 0.91 0.88 0.9 0.79 0.94 0.88 0.95 0.97 0.88 1.01 0.95 0.95 1.05 1.05 Proporción de peso final al peso inicia l Y 33 35 36 37 39 42 45 54 56 56 59 59 60 64 1.1599999999999999 0.96 1.08 1.1299999999999999 1 1.1000000000000001 1.1100000000000001 1.18 1.26 1.29 1.36 1.4 1.32 1.47
Compartir