Taller de Regresion Final PDF

LABORATORIO DE PROCESOS AGROINDUSTRIALES
Programa de Ingeniería Industrial – V Semestre
CONTROL DE PRODUCCION
EJERCICIOS DE REGRESION LINEAL SIMPLE Y MULTIPLE
Preparado por:
ARVEY MANCHOLA VARGAS
Código: 4009018169
CARLOS ALBERTO FIAGA FIGUEROA

Código: 4009018123
FABIO ANDRES SALAZAR DURAN
Código: 4009017887
CLAUDIA MARCELA LOPEZ OSPINA
Código: 4009018211
Presentado a:
MIGUEL ANGEL GONZALEZ URIBE
Ingeniero Industrial
CORPORACION UNIVERSITARIA DEL HUILA “CORHUILA”

PROGRAMA DE INGENIERIA INDUSTRIAL
SEPTIMO SEMESTRE
NEIVA (HUILA), MARZO 2012
CONTROL DE PRODUCCIÓN
CORPORACIÓN UNIVERSITARIA DEL HUILA CORHUILA
INGENIERÍA INDUSTRIAL
1. Sobre un conjunto de conductores se ha realizado una encuesta para analizar su

edad (Y) y el número de accidentes que han sufrido (X). A partir de la misma, se
obtuvieron los siguientes resultados:
X/Y (20,30] (30,40] (40,50] (50,60] (60,70]

0 74 82 78 72 7
1 7 6 5 6 5
2 3 2 2 1 1
A partir de estos datos, se le pide que determine para esta distribución las curvas de
regresión de Y sobre X y de X sobre Y.
Solución del ejercicio:
Y
(20,30] (30,40] (40,50] (50,60] (60,70] TOTAL
X 0 74 82 78 72 7 313
1 7 6 5 6 5 29
2 3 2 2 1 1 9
TALLER: EJERCICIOS DE REGRESIÓN
Ʃ 84 90 85 79 13 351
x= Número de Accidentes que han sufrido

y= Edad
2
RESUMEN DE DATOS
CANTIDAD EDAD No.
PERSONAS PROMEDIO ACCIDENTES
74 25 0
7 25 1
3 25 2
82 35 0
6 35 1
2 35 2
78 45 0
5 45 1
2 45 2
72 55 0
6 55 1
1 55 2
7 65 0
5 65 1
1 65 2
Gráficas
70
60
Cantidad de Personas
50
40
30 TALLER: EJERCICIOS DE REGRESIÓN
20
10
0
0 0,5 1 1,5 2 2,5
y = 1,105x + 40,493 No. de Accidentes que han sufrido
3
2,5
No. de Accidentes que han sufrido
1,5
0,5
0
0 10 20 30 40 50 60 70
Cantidad de Personas
y = 0,0013x + 0,0801
2. Para la economía española, disponemos de los datos anuales redondeados sobre

consumo final de los hogares a precios corrientes (Y) y renta nacional disponible
neta (X), tomados de la Contabilidad Nacional de España base 1995 del INE, para el
período 1995-2002, ambos expresados en miles de millones de euros:
Año 1995 1996 1997 1998 1999 2000 2001 2002

Yt 258'6 273'6 289'7 308'9 331 '0 355'0 377'1 400'4
Xt 381 '7 402'2 426'5 454'3 486'5 520'2 553'3 590'0
Considerando que el consumo se puede expresar como función lineal de la renta

(Yt=a+bXt), determine:
a) Los parámetros a y b de la recta de regresión.
4
b) El coeficiente de determinación de dicha regresión.

c) La predicción del valor que tomará el consumo para una renta de 650.000
millones de euros.
Año Xt Yt
1995 381,7 258,6
1996 402,2 273,6
1997 426,5 289,7
1998 454,3 308,9
1999 486,5 331,0
2000 520,2 355,0
2001 553,3 377,1
2002 590,0 400,4
450,0
400,0
Consumo final hogares a Precios Corrientes
350,0
300,0
250,0
200,0
150,0
100,0
50,0
-
- 100,0 200,0 300,0 400,0 500,0 600,0 700,0
Renta nacional disponible neta
y = 0,6834x - 1,5973
5
a) Los parámetros a y b de la recta de regresión son:
Y a bX
a 1,5973
b 0,6834
b) El coeficiente de determinación es igual a 0,9998, es decir, que la confiabilidad

que me brinda el pronóstico es de 99,98 %.
c) La predicción del valor del consumo para una renta de 650.000 millones de Euros
se calculara con la ecuación y 0,6834 1,5973, expresando en miles de
millones el valor correspondiente ( 650,1 .
Reemplazando en la fórmula obtendremos,
y 0,6834 1,5973
y 0,6834 650,1 1,5973
y ,
Por lo tanto la respuesta estará dada por 442.600 millones de Euros (€) en el
consumo final de los hogares a precios corrientes.
6
7
Variable X 1 Gráfico de los residuales

2
1
Residuos
0
- 100,0 200,0 300,0 400,0 500,0 600,0 700,0
-1
-2
Variable X 1
3. Se supone que se puede establecer cierta relación lineal entre las exportaciones de
un país y la producción interna de dicho país. En el caso de España, tenemos los
datos anuales (expresados en miles de millones de pesetas) para tales variables
correspondientes al quinquenio 1992-96 en la siguiente tabla:
Años Producción Exportaciones

1992 52.654 10.420
1993 53.972 11.841
1994 57.383 14.443
1995 61.829 16.732
1996 65.381 18.760
A partir de tal información, y considerando como válida dicha relación lineal, se

pide:
8
a) Si la producción para el año 1997 fue de 52.106.100 millones de pesetas, ¿cuál

sería la predicción de las exportaciones para este año? ¿Qué grado de precisión
tendría dicha predicción?
b) Si sabemos que las exportaciones para 1997 fueron de 69.045.704 millones de

pesetas, ¿cuál sería la producción interna aproximada para ese año? ¿Qué
grado de confianza daría usted a esta predicción?
Años Producción (x) Exportaciones (y)

1992 52.654 10.420
1993 53.972 11.841
1994 57.383 14.443
1995 61.289 16.732
1996 65.381 18.760
Gráfica
25.000
20.000
Exxportaciones
15.000
10.000
5.000
-
- 10.000 20.000 30.000 40.000 50.000 60.000 70.000
Producción
y = 0,6466x - 23154
9
a) Producción para el año 1.997= 52.106.100 millones de pesetas, representados

en miles de millones obtendría, 52106,1 .
Reemplazamos en la ecuación:
y 0,6466 23154
y 0,6466 52106,1 23154
y ,!
Es decir, que el valor de las exportaciones sería de 10.539.000 millones de

pesetas aproximadamente. En cuanto a la precisión de la predicción,
consideramos que la precisión está relacionada con la menor cantidad de
residuos presentados en el modelo, por lo tanto si observamos la gráfica de los
residuales observamos que es poco preciso.

1000
500
Residuos
0
- 10.000 20.000 30.000 40.000 50.000 60.000 70.000
-500
-1000
Variable X 1
10
b) Exportaciones para el año 1997 = 69.045.704 millones de Pesetas,

representadas en miles de millones obtendremos que, " 69045,704
y 0,6466 23154
69045,704 0,6466 23154
Despejamos x,
69045,704 23154
0,6466
# ,
Es decir, que el valor de la Producción sería de 142.591.500 millones de

pesetas. En cuanto al grado de confianza, tendríamos en cuenta el valor que nos
brinda el modelo de pronóstico en el coeficiente de determinación (R2), de
0,9856. Generándome un grado de confiabilidad de un 98,56%, y una viabilidad
de 0,99, muy cercano a 1, por lo que concluimos que el grado de confianza que
nos brinda el pronóstico es bastante alto.
11
12
4. La empresa COLOBONA S. A .L. ha trabajado hasta ahora con la hipótesis de que

las ventas de un período dependen linealmente de los gastos de publicidad
efectuados en el período anterior. En este momento, le solicitan a usted la
realización de un análisis que ponga de manifiesto si la hipótesis, hasta ahora
mantenida, se puede seguir sosteniendo en función de los datos que le suministran.
AÑOS GASTOS VENTAS

1987 21
1988 22 19
1989 25 20
1990 26 22
1991 27 23
1992 29 24
1993 30 26
En el informe final de su análisis, deberá responder a las siguientes preguntas:
a) ¿Se incrementarán las ventas del período siguiente al aumentar los gastos en
publicidad del período actual?
b) ¿Es adecuado suponer que el ajuste entre estas variables es efectivamente lineal
teniendo en cuenta los valores de las variables?
c) ¿Cuál será la predicción de las ventas para 1994? ¿Qué precisión tendrá ese
pronóstico?
13
d) Si para el año 1994 se piensa incrementar los gastos de publicidad en un 10%,

¿qué incremento relativo cabría esperar para las ventas de 1995 con respecto a
las de 1994, según el modelo ajustado?
Solución del Ejercicio:
El cuadro de datos que nos brinda el ejercicio refleja los gastos en Publicidad en
sus respectivos años, sin embargo, dicha inversión no se verá reflejada sino en el
año inmediatamente después, es decir, los gastos de publicidad para el año
1.987 fueron de 21, por lo tanto , para el año 1.988 las ventas serán de 19. De
esta forma hemos optado por reajustar la información en el cuadro
correspondiente, obteniendo los datos que se observan a continuación:
Años Gastos (x) Ventas (y)

1987 21 19
1988 22 20
1989 25 22
1990 26 23
1991 27 24
1992 29 26
1993 30 26,57
1994 33 29,11
14
Años Años
Gastos (x) Ventas (y)
Gastos Ventas
1987 21 1988 19
1988 22 1989 20
1989 25 1990 22
1990 26 1991 23
1991 27 1992 24
1992 29 1993 26
1993 30 1994 26,57
1994 33 1995 29,11
Gráfica
30
25
20
VENTAS
15
10
0
0 5 10 15 20 25 30 35
GASTOS y = 0,8478x + 1,1377
15
a) Para determinar si las ventas se incrementarán en el período siguiente al

aumentar los gastos en publicidad del período actual, tomamos como referencia
el año 1993, por lo que tendremos que calcular primero cual es el volumen de
ventas en ese período con respecto a los gastos en publicidad, cuyo valor es de
30.
Aplicamos la ecuación obtenida en la gráfica:
y 0,8478 1,1377
y 0,8478 30 1,1377
y ,
Para el periodo de 1.993 los gastos de publicidad poseen un valor de 30, por lo
que dicha inversión se verá reflejado en el año inmediatamente siguiente, por lo
tanto las ventas para el período de 1.994 serán de 26,57.
Ahora incrementaremos en un 10% los gastos de Publicidad para el año 1.994 y

determinar si efectivamente las ventas también aumentan.
Gastos 1.993 = 30 *10% = 33
Gastos 1.994 = 33
y 0,8478 1,1377
y 0,8478 33 1,1377
y #,
16
Podemos observar que si incrementamos los gastos de publicidad para el período

actual (1.994), las ventas del período siguiente (1.995) efectivamente
aumentaran.
b) El ajuste entre estas variables es totalmente lineal, si observamos la línea de

tendencia que nos muestra la gráfica podemos apreciar que los valores de las
variables así lo indican.
c) La predicción de las ventas para 1.994 es de 26,57. El modelo que nos presenta
el ejercicio será bastante preciso ya que los residuos son casi nulos, los valores
oscilan o son muy cercanos a 0. Observar gráfico de los residuales.

0,4
0,3
0,2
Residuos
0,1
0
-0,1 0 5 10 15 20 25 30 35
-0,2
-0,3
-0,4
Variable X 1
d) Para el año 1.994 se incremento en un 10% los gastos de Publicidad, por lo que
en el año 1.995 de observaron unas ventas de 29,11. Es decir, 2,54 más alta con
respecto a las ventas de 1.994 que fueron de 26,57.
17
18
Distribuciones tridimensionales:
5. No es algo desconocido el hecho de que las entradas de turistas extranjeros en

España no han hecho sino crecer de forma continuada durante las últimas décadas,
coadyuvando a este hecho las peculiares características climatológicas, económicas
y culturales de nuestro país. A partir de esta idea de principio, se ha querido ahondar
en el tema, analizando si la riqueza del turista y la distancia de su país al nuestro son
factores vinculantes a la hora de tomar la decisión de visitarnos. Para ello, hemos
recogido en la siguiente tabla las entradas de turistas procedentes de 5 países
diversos para un determinado ejercicio económico, junto con su PIB per capita (en
miles de euros) y la distancia en kilómetros desde cada uno de los países
considerados al nuestro:
País N° turistas entrados PIB per cápita (103 €) Distancia (Kms.)

A 1800000 3'1 1500
B 2500000 4'2 1200
C 700000 2'7 3100
D 1200000 3'0 2500
E 1900000 4'0 1800
A partir de tal información, se le pide que:

a) Determine la relación lineal que explicaría las entradas de turistas en función del
PIB per cápita y de la distancia.
b) ¿Es dicho modelo suficientemente explicativo?
19
c) ¿Cuál de las dos variables explicativas está más correlacionada con la entrada de
turistas?
PIB per cápita (103 €) Distancia Kms. Nº Turistas entrados

País
(X1) (X2) (Y)
A 3,1 1500 1800000

B 4,2 1200 2500000
C 2,7 3100 700000
D 3,0 2500 1200000
E 4,0 1800 1900000
a) En la gráfica siguiente podemos observar que existe una relación del PIB per
cápita que incide en la cantidad de turistas en España, y precisamente es que a
mayor PIB per cápita, mayor será la cantidad de turistas que ingresan a España.
3000000
2500000
2000000
No. Turistas
1500000
1000000
500000
0
0,0 1,0 2,0 3,0 4,0 5,0
PIB per cápita (103 €)
20
Por el contrario a la relación existente entre la distancia en Kilómetros (Km), el cual

refleja que a mayor distancia, menor será la cantidad de turistas que ingresan a
España.
3000000
2500000
2000000
No. Turistas
1500000
1000000
500000
0
0 500 1000 1500 2000 2500 3000 3500
Distancia Km.
b) El modelo nos ofrece una viabilidad de 0.99, muy cercana a la ideal que es 1, y
un porcentaje de confiabilidad del 99.28%. Teniendo en cuenta está información
podemos afirmar que en determinado caso si hubiesen otros factores que
afectarán la entrada de turistas a España, esto podría incidir considerablemente
en los resultados del modelo anteriormente expuesto.
21
22
c) Para determinar la correlación de las dos variables explicativas, decidimos

implementar modelos de pronóstico independientes para cada una (PIB per
cápita y distancia Kms.), para lograr obtener los datos correspondientes y
basados en el porcentaje de confiabilidad, asumimos que el mayor grado de
incidencia en la entrada de turistas lo tiene la distancia en Km, presentando un
94.22 % de confiabilidad, mientras que el PIB per cápita, nos arroja un 80,02 %,
muy por debajo del dato anterior.
Gráfica de residuales (Modelo con las dos Variables Explicativas)

100000
50000
Residuos
0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5
-50000
-100000
Variable X 1

100000
50000
Residuos
0
0 500 1000 1500 2000 2500 3000 3500
-50000
-100000
Variable X 2
23
24
25
Gráfica de residuales (Modelo relación PIB per cápita)

600000
400000
Residuos
200000
0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5
-200000
-400000
Variable X 1
Gráfica de residuales (Modelo relación Distancia Km)

200000
100000 TALLER: EJERCICIOS DE REGRESIÓN

Residuos
0
0 500 1000 1500 2000 2500 3000 3500
-100000
-200000
-300000
Variable X 1
26
6. Porfirio Labrador es un joven agricultor de la provincia de Sevilla, que adquirió

conocimientos de estadística en su formación universitaria en esta escuela. Tiene
una finca de su propiedad, dedicada fundamentalmente a la producción de trigo duro
especial para la fabricación de pastas, dadas las importantes subvenciones que
recibe de la Comunidad Europea. Dada la influencia que supone que ejerce la
cantidad de lluvia caída sobre la producción, utiliza un pluviómetro para medir ésta,
mes a mes. En el cuadro adjunto aparece recogida la producción de trigo duro en
Quintales métricos por hectárea (X1) y la cantidad de lluvia caída en su finca, medida
en litros por metro cuadrado (X2), durante las cinco últimas campañas:
CAMPAÑA X1 X2
89/90 80 120
90/91 95 145
91/92 83 108
92/93 75 90
93/94 72 85
Este agricultor, que es pesimista como la mayoría de los de su sector, piensa que la
pertinaz sequía va a continuar para la próxima campaña 94/95, y que la cantidad de
lluvia para esa campaña va a ser la misma que la recogida en la campaña anterior.
Desde este supuesto, ¿qué predicción haría para la producción de la campaña
venidera? ¿Qué fiabilidad otorgaría a tal predicción? Si pensara que la cantidad de
lluvia recogida aumentase en un 1%, ¿cuál sería dicha predicción?
27
(Y) (X)
CAMPAÑA X1 X2
89/90 80 120
90/91 95 145
91/92 83 108
92/93 75 90
93/94 72 85
94/95
Gráfica
100
90
80
Producción de Trigo duro
70
60
50
40
30
20
10
0
0 20 40 60 80 100 120 140 160
y = 0,34x + 42,76
Cantidad de lluvia
28
Calculamos la producción de la campaña venidera (94/95) utilizando la ecuación dada

por el gráfico, " 0,34 42,76, utilizando el valor de la misma cantidad de lluvia de la
campaña anterior (93/94), por lo tanto 85.
Reemplazamos en la fórmula,
" 0,34 42,76
" 0,34 85 42,76
" ,
La predicción de producción de trigo duro para la campaña venidera si se conserva la

misma cantidad de lluvia de la campaña anterior es de 71,76.
(Y) (X)
CAMPAÑA X1 X2
89/90 80 120
90/91 95 145
91/92 83 108
92/93 75 90
93/94 72 85
94/95 71,66 85
29
La fiabilidad otorgada a la predicción va directamente relacionada con el valor arrojado

por el modelo de pronóstico elaborado, en donde el coeficiente de determinación (R2)
es de 0.9007, es decir, la fiabilidad es de un 90,07%.
Calculamos ahora el valor de la producción de trigo duro, si las lluvias aumentaran en

un 1%:
Cantidad de lluvia campaña 93/94 = 85*1% = 85,85 , 85,85.
" 0,34 42,76
" 0,34 85,85 42,76
" ,#
(Y) (X)
CAMPAÑA X1 X2
89/90 80 120
90/91 95 145
91/92 83 108
92/93 75 90
93/94 72 85
94/95 71,95 85,85 TALLER: EJERCICIOS DE REGRESIÓN
Por lo tanto, la predicción de la producción para la campaña 94/95, si las lluvias

aumentan un 1% es de 71,94.
30
31

4
2
Residuos
0
0 20 40 60 80 100 120 140 160
-2
-4
-6
Variable X 1
7. Una determinada cooperativa agrícola dedicada a la producción y comercialización

de fresas se plantea hacer un estudio para explicar el volumen de sus ventas (X1),
expresadas en millones de pesetas. Para ello, a partir de los datos semestrales
obtenidos desde la creación de la cooperativa, se plantea un modelo lineal usando
como variables explicativas el gasto en publicidad (X2), expresado en millones de
pesetas, y el número de supermercados que comercializan sus productos (X3).
Seguidamente recogemos la información de la que dispone la empresa:
Semestre X2 X3 X1
2° de 1994 1'5 15 13
1° de 1995 1'7 17 41
2° de 1995 2 19 16
1° de 1996 2'3 20 47
2° de 1996 2'5 23 19
1° de 1997 3 25 55
2° de 1997 3'5 26 22
1° de 1998 4 29 63
2° de 1998 4'3 31 25
1° de 1999 4'5 34 65
32
Desde tales cifras, responda a las siguientes cuestiones:
a) Determine el modelo de regresión planteado e intérprete sus coeficientes,

indicando a su vez cuál es la capacidad explicativa del mismo.
b) A partir de los resultados obtenidos en el apartado anterior, ¿sugeriría usted que

pueden existir otras variables no tenidas en cuenta aquí y de importancia
relevante para la explicación de las ventas?
Observando los datos, nos damos cuenta que las ventas correspondientes al primer
semestre son siempre mucho mayores que las del segundo semestre del mismo año.
Para recoger este aspecto, se decidió introducir una nueva variable explicativa X4, cuyo
valor sería uno si el dato corresponde al primer semestre, y cero en caso contrario.
Utilizando esta variable adicional:
c) Determine el nuevo modelo de regresión planteado e intérprete sus coeficientes,

indicando la capacidad explicativa del mismo.
d) Bajo este modelo, ¿en cuánto se incrementarían las ventas en el segundo

semestre de 1999 (con respecto al segundo semestre de 1998) si los gastos en
publicidad se incrementasen en 500000 pesetas y se espera que dos nuevos
supermercados comercialicen los productos de la cooperativa?
33
34
Variable X 1 Gráfico de los

residuales
50
Residuos
0
0,0 1,0 2,0 3,0 4,0 5,0
-50
Variable X 1
Variable X 2 Gráfico de los

residuales
50
Residuos
0
0 10 20 30 40
-50
Variable X 2
Análisis de los residuales
Observación Pronóstico para Y Residuos
1 20,29436094 -7,294360938
2 25,51311685 15,48688315
3 29,4507941 -13,4507941
4 29,49801475 17,50198525
5 38,60722726 -19,60722726
6 39,98274721 15,01725279
7 37,46781055 -15,46781055
8 42,73378711 20,26621289
9 46,67146436 -21,67146436
10 55,78067688 9,219323123
a) Observando el coeficiente de correlación múltiple podemos evidenciar que este

se encuentra con un valor de 0.52, y debemos saber que este me indica la
viabilidad del modelo que estoy utilizando, siendo el valor ideal 1, o en su defecto
35
un valor que se acerque al mismo. Por lo tanto, concluimos que el valor reflejado
se encuentra en un rango muy por debajo del nivel ideal, por lo que sería poco
viable.
Por otra parte, el coeficiente de de determinación (R2) me determina el nivel de

confiabilidad de dicho modelo, encontrándose éste en 0.2808, es decir un
28,08%. Muy por debajo del porcentaje ideal (100%). Por lo que concluimos que
es poco confiable.
b) A nuestro juicio podría existir la variable de “demanda del sector”, considerando

que es uno de los factores que incide considerablemente en las ventas de un
producto.
(Xa) (Xb) (Xc) (Y)

Semestre X2 X3 X4 X1
2° de 1994 1,5 15 0 13
1° de 1995 1,7 17 1 41
2° de 1995 2,0 19 0 16
1° de 1996 2,3 20 1 47
2° de 1996 2,5 23 0 19
1° de 1997 3,0 25 1 55
2° de 1997 3,5 26 0 22
1° de 1998 4,0 29 1 63
2° de 1998 4,3 31 0 25
1° de 1999 4,5 34 1 65
36
37

6
4
2
Residuos
0
-2 0,0 1,0 2,0 3,0 4,0 5,0
-4
-6
Variable X 1

6
4
2
Residuos
0
-2 0 5 10 15 20 25 30 35 40
-4
-6
Variable X 2

6
4
2
Residuos
0
-2 0 0,2 0,4 0,6 0,8 1 1,2
-4
-6
Variable X 3
38
Análisis de los residuales
Observación Pronóstico para Y Residuos
1 10,14169515 2,858304848
2 44,95959979 -3,95959979
3 14,47411363 1,525886374
4 48,53266798 -1,532667981
5 18,8065321 0,193467901
6 54,05610918 0,943890816
7 22,95516355 -0,955163552
8 59,10798174 3,892018264
9 28,62249557 -3,622495571
10 64,34364131 0,656358692
c) En el nuevo modelo de regresión se puede evidenciar que el coeficiente de

correlación múltiple es 0.99, muy cercano al valor ideal (1), y el coeficiente de
determinación (R2) es 0.9836, es decir, 98.36% de confiabilidad. Por lo tanto
podemos deducir que el nuevo modelo es bastante viable y tiene una gran
fiabilidad.
d) Calculamos ahora en cuanto incrementarán las ventas en el segundo semestre

de 1.999, sabiendo que los gastos de publicidad aumentaron 500.000 pesetas,
que expresados en miles son 0.5, y sumados con el valor del año anterior (4.5)
nos daría como resultado, 5.0, es decir $ 5,0.
Mientras que para los supermercados que comercializan el producto

aumentamos 2 unidades, es decir, que nuestro valor para % 36.
39
Aplicamos la ecuación mostrada por el modelo de regresión,
" 1,43 $ 0,9 % 32,72 & 5,56
Reemplazamos los valores en la fórmula,
" 1,43 5,0 0,9 36 32,72 0 5,56
" 7,15 32,4 0 5,56
" , ##
Por lo tanto, las ventas del segundo semestre de 1.999 se incrementarán con
respecto al segundo semestre de 1.998, de 25 a 34 millones de pesetas.
(Xa) (Xb) (Xc) (Y)

Semestre X2 X3 X4 X1
2° de 1994 1,5 15 0 13
1° de 1995 1,7 17 1 41
2° de 1995 2,0 19 0 16
1° de 1996 2,3 20 1 47
2° de 1996 2,5 23 0 19
1° de 1997 3,0 25 1 55
2° de 1997 3,5 26 0 22
1° de 1998 4,0 29 1 63
2° de 1998 4,3 31 0 25
1° de 1999 4,5 34 1 65
2° de 1999 5,0 36 0 33,99
40

Taller de Regresion Final PDF

Cargado por

Copyright:

Formatos disponibles

Taller de Regresion Final PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taller de Regresion Final PDF

Cargado por

Copyright:

Formatos disponibles

LABORATORIO DE PROCESOS AGROINDUSTRIALES

Programa de Ingeniería Industrial – V Semestre

ARVEY MANCHOLA VARGAS

CARLOS ALBERTO FIAGA FIGUEROA

MIGUEL ANGEL GONZALEZ URIBE

CORPORACION UNIVERSITARIA DEL HUILA “CORHUILA”

CORPORACIÓN UNIVERSITARIA DEL HUILA CORHUILA

1. Sobre un conjunto de conductores se ha realizado una encuesta para analizar su

X/Y (20,30] (30,40] (40,50] (50,60] (60,70]

Solución del ejercicio:

x= Número de Accidentes que han sufrido

30 TALLER: EJERCICIOS DE REGRESIÓN

2. Para la economía española, disponemos de los datos anuales redondeados sobre

Año 1995 1996 1997 1998 1999 2000 2001 2002

Xt 381 '7 402'2 426'5 454'3 486'5 520'2 553'3 590'0

Considerando que el consumo se puede expresar como función lineal de la renta

a) Los parámetros a y b de la recta de regresión.

b) El coeficiente de determinación de dicha regresión.

Solución del ejercicio:

a) Los parámetros a y b de la recta de regresión son:

b) El coeficiente de determinación es igual a 0,9998, es decir, que la confiabilidad

Reemplazando en la fórmula obtendremos,

y 0,6834 650,1 1,5973

Variable X 1 Gráfico de los residuales

Años Producción Exportaciones

A partir de tal información, y considerando como válida dicha relación lineal, se

a) Si la producción para el año 1997 fue de 52.106.100 millones de pesetas, ¿cuál

b) Si sabemos que las exportaciones para 1997 fueron de 69.045.704 millones de

Solución del ejercicio:

Años Producción (x) Exportaciones (y)

a) Producción para el año 1.997= 52.106.100 millones de pesetas, representados

y 0,6466 52106,1 23154

Es decir, que el valor de las exportaciones sería de 10.539.000 millones de

Variable X 1 Gráfico de los residuales

b) Exportaciones para el año 1997 = 69.045.704 millones de Pesetas,

69045,704 0,6466 23154

Es decir, que el valor de la Producción sería de 142.591.500 millones de

TALLER: EJERCICIOS DE REGRESIÓN

4. La empresa COLOBONA S. A .L. ha trabajado hasta ahora con la hipótesis de que

AÑOS GASTOS VENTAS

En el informe final de su análisis, deberá responder a las siguientes preguntas:

d) Si para el año 1994 se piensa incrementar los gastos de publicidad en un 10%,

Solución del Ejercicio:

Años Gastos (x) Ventas (y)

a) Para determinar si las ventas se incrementarán en el período siguiente al

Aplicamos la ecuación obtenida en la gráfica:

Ahora incrementaremos en un 10% los gastos de Publicidad para el año 1.994 y

Gastos 1.993 = 30 *10% = 33

Podemos observar que si incrementamos los gastos de publicidad para el período

b) El ajuste entre estas variables es totalmente lineal, si observamos la línea de

Variable X 1 Gráfico de los residuales

TALLER: EJERCICIOS DE REGRESIÓN

5. No es algo desconocido el hecho de que las entradas de turistas extranjeros en

País N° turistas entrados PIB per cápita (103 €) Distancia (Kms.)

A partir de tal información, se le pide que:

b) ¿Es dicho modelo suficientemente explicativo?

Solución del ejercicio:

PIB per cápita (103 €) Distancia Kms. Nº Turistas entrados

A 3,1 1500 1800000