Pauta Certamen 2 Mtodos de Prediccin Semestre 2 de 2010

Problema 1: Una compaa manufacturera desea predecir el costo unitario de fabricacin Y de uno de
sus productos como funcin de la tasa de produccin (que flucta en el tiempo) X1 y de los costos de
material y mano de obra X2 (X1 y X2 ariables causales con el costo unitario)! "os datos fueron
recopilados durante 2# meses$ en el que la tasa de produccin y los costos del material y la mano de
obra e%perimentaron una fluctuacin muy amplia! "a tasa de produccin se midi como un porcenta&e
de la capacidad total de produccin$ y se utili' un ndice apropiado para refle&ar los costos del material
y mano de obra!
( continuacin se presentan salidas con diferentes an)lisis! (*# pts!)
+alida 1: ,atri' de correlacin
Y X1 X2
Y 1.00
X1 -0.83 1.00
X2 0.73 -0.33 1.00
Salida 2: Modelo lineal
2 2 1 1 #
- - - -
i i i
X X Y + + =
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mlti!le 0."#$011#"
Coeficiente de determinacin R%2 0."13"#817
R%2 a&ustado 0."0383#$
'rror t(!ico 0.8")1")0#
*+ser,aciones 20
-./01S1S 2' 3-R1-.4-
Grados de
libertad
Suma de
cuadrados
Promedio de
los
cuadrados F
Valor crtico
de F
Re5resin 2 1)).3873)) 72.1"3$72 "0.28"1#3) 8.8111'-10
Residuos 17 13.#"2"11 0.7""#83
6otal 1" 1#7."802##
Coeficientes Error tpico Estadstico t Probabilidad nferior !"# Superior !"#
1nterce!cin 20.2812$") 2.12#2#0)) ".#)300208 3.0#"7'-08 1#.7"737$7 2).7$#1$22
X1 -0.137$"#8) 0.01#8#3#$ -8.$8#)8### 1.171'-07 -0.1711)3"7 -0.10)2)771
X2 0.07)2)#)2 0.010"$)$# $.7713)2"8 3.2$)7'-0$ 0.0#1112 0.0"73788#
Residuos
-1.#
-1
-0.#
0
0.#
1
1.#
2
2.#
13 1# 17 1" 21 23 2#
Salida 3: Modelo lineal
2
1 * 2 2 1 1 #
- - - - -
i i i i
X X X Y + + + =
Estadsticas de la regresin
Coeficiente de correlacin mlti!le 0.""02777
Coeficiente de determinacin R%2 0."80$)""2
R%2 a&ustado 0."7702178
'rror t(!ico 0.)37101"$
*+ser,aciones 20
-./01S1S 2' 3-R1-.4-
Grados de
libertad
Suma de
cuadrados
Promedio de
los
cuadrados F
Valor crtico
de F
Re5resin 3 1#)."2332# #1.$)11083 270.2"00)2 $.#0)"'-1)
Residuos 1$ 3.0#$"2""" 0.1"10#812
6otal 1" 1#7."802##
Coeficientes Error tpico Estadstico t Probabilidad nferior !"# Superior !"#
1nterce!cin )1.##1)#8$ 3.0)$8$$2 13.$37))12 3.1#8)'-10 3#.0"23"23 )8.010#2#
X1 -0.700271#7 0.07$1#2"# -".1"##"3"# 8.70$8'-08 -0.8$1708#7 -0.#3883)#8
X2 0.0733)821 0.00#3$113 13.$81)87$ 3.0111'-10 0.0$1"8313 0.08)7132"
X1cuad 0.003$2371 0.000)87"8 7.)2#""$) 1.)3$"'-0$ 0.002#8"2# 0.00)$#818
Residuos
-1
-0.8
-0.$
-0.)
-0.2
0
0.2
0.)
0.$
0.8
13 1# 17 1" 21 23 2# 27
.esponda claramente las si/uientes pre/untas:
a!0 12s posible formular el modelo lineal de la salida 23! 4undamente!
4ormular un modelo si/nifica si lo podemos reali'ar$ es decir si es factible construir el modelo
propuesto! 5omo el problema ya deca que las ariables son causales y adem)s como el modelo es
lineal SOLO basta con obserar si la multicolinealidad afecta o no seeramente al modelo! 2n este
caso obserando la correlacin entre las ariables X1 y X2 emos que esta es
0.33
6 #!78 ( o
tambi9n calculando el :;4 < 1!12 61#)$ por lo que la multicolinealidad no afecta seeramente al
modelo$ por lo tanto el modelo se puede formular! (= pts)
Nota: 2sta pre/unta apareci en el primer certamen$ yo la corre/ dos eces en clases$ la primera e'
fueron pocos alumnos y lue/o cuando apareci un nmero m)s adecuado$ sin embar/o >ay alumnos
que insisten en >acer un an)lisis del modelo$ esto ltimo es para er si el modelo lo uso o no como
modelo predictor!
b!0 15ree Ud! que la salida * se &ustifica >aberla efectuado3!4undamente!
5omo en este caso el modelo de la salida * considera un efecto cuadr)tico en las ariables quiere decir
que debo obserar el residual del modelo lineal y er si el residual muestra un efecto cuadr)tico$ lo que
efectiamente ocurre aqu$ por lo que se &ustifica >aber efectuado la salida tres! (= pts)
?o tiene nada que er con . cuadrado ya que como >emos dic>o en clases el residual proporciona las
luces para saber si el modelo es efectiamente adecuado para los datos!
c!0 1@u9 ariable contribuye m)s a la capacidad predictia del modelo de la salida dos3 1X1 o X23!
4undamente!
Nota: 2sta pre/unta tambi9n apareci en el primer certamen$ yo la corre/ dos eces en clases$ cuando
fueron pocos alumnos y lue/o cuando apareci un nmero m)s adecuado! (qu muc>os alumnos o
no leyeron la pre/unta$ que se refiere claramente al modelo de la salida dos o$ simplemente
respondieron lo primero que se les ino a la mente!
Abseremos que el modelo de la salida dos es un modelo lineal en dos ariablesB X1 y X2$ cuya
capacidad predictia$ .cuadrado a&ustado < #!7#C
Dara saber que ariable contribuye m)s a la capacidad predictia de este modelo obseramos que
ocurre con la capacidad predictia del modelo en una ariable cuando incorporamos una se/unda$ as$
Dara el modelo
0 1 1
Y X = + +
$
2
$
<
2
7 0.838 <#$=EE7!
Dara el modelo
0 1 2
Y X = + +
$
2
$
<
2
70.738 <#$8*27!
"ue/o si al modelo 1 incorporamos X2$ su contribucin es #!7#C F #!=EE7 < #$2181!
+i al modelo 2 incorporamos X1$ su contribucin es #$7#C F #!8*27 < #$*G11
Dor lo tanto$ la ariable X1 contribuye m)s a la capacidad predictia del modelo dos! (E pts)
d!0 .ecomendara el modelo de la salida *! 4undamente!
+i recomiendo el modelo puesto que:
i) 2l /r)fico de los residuales muestra una distribucin aleatoria en la distribucin de residuos
lo que indica que el modelo es adecuado para los datos! ?o se obsera una dependencia de
los residuos del alor predic>o por lo que no obseramos >eterocedasticidad en los
residuales! ?in/n punto est) fuera de ( ) 3 1.319 1.31 C%E = por lo que no e%isten
puntos atpicos!
ii) "a capacidad predictia del modelo es de un 7G$GH$ es decir slo un 2!*H de la ariabilidad
en el costo unitario de fabricacin no est) e%plicada por el uso de X1 y X2 en el modelo!
iii) "a >iptesis
0 1 2 3 1
: 0 : : l5 0
i
& ' s & ( )n = = =
es rec>a'ada con lo que al/n
0
i

(palue<=$8 %1#
01C
)!
i) "as >iptesis indiiduales:

0 1
1 1
8
: 0
: 0
897 10
&
&
p'alue *

=

=

0 2
1 2
10
: 0
: 0
3.01 10
&
&
p'alue *

=

=

0 2
1 2
$
: 0
: 0
19 )3 10
&
&
p'alue *

=

=
Iodas se rec>a'an a faor de
1
&
$ por lo que todas las ariables X1$ X2 y X1
2
contribuyen a e%plicar
la ariabilidad de la ariable Y!
Problema 2: "os si/uientes datos corresponden al nmero de clientes$ en miles$ que tienen banda
anc>a en su >o/ar: (*# pts)
2fectuado el an)lisis de la serie se determin que careca de estacionalidad$ pero si las otras tres
componentesB Iendencia$ 5omponente cclica e ;rre/ular! ( continuacin se proporciona el /r)fico de
la serie en el que se incluyen dos tendenciasB lineal y cuadr)tica!
a) 15ree Ud! que un modelo autorre/resios de primer orden es una me&or opcin para estimar la
tendencia3! 4undamente! ?ota: "as entas de diciembre 2##E fue de 12*#!=!
-;o 'ne <e+ Mar -+r Ma= >un >ul -5o Se! *ct .o, 2ic
Yt 123) 12)".7 12$#.3 1280 12").8 132)." 13)2.) 13#$." 1)37.7 1)#8.1 1)71.8 1)8).#
Yt-1 1230.$ 123) 12)".7 12$#.3 1280 12").8 132)." 13)2.) 13#$." 1)37.7 1)#8.1 1)71.8
Yt 1#03.8 1#13.1 1#17.7 1#)2." 1##$.8 1#70.3 1$01.8 1$1"
Yt-1 1)8).# 1#03.8 1#13.1 1#17.7 1#)2." 1##$.8 1#70.3 1$01.8
2l modelo autorre/resios de primer orden nos indica que el dato actual depende del
inmediatamente anterior! (s el modelo autorre/resios es
0 1 1 t t t
+ +

= + +
$ el cual es un
modelo lineal!
(&ustado el modelo se tiene:
1
? 2#901$ 09""$
t t
+ +

= +
con
2
$
<#$7E*E$
5omparando las capacidades predictia de los tres modelos obseramos que el modelo
autorre/resio es una me&or opcin! (dem)s como es un modelo lineal sencillo recomendamos este
modelo para predecir! (18 pts)
b) .ealice el me&or pronstico para los meses de +eptiembre a Jiciembre de 2##7!
Je (a) como obseramos que el modelo autorre/resios de primer orden es el me&or modelo
entre los tres$ lue/o tendr) un menor 25,!$ usamos este modelo para predecir!
(s los pronsticos son:
+ep! Actu ?o! Jic
1=*G$= 1=8=$1 1=GC$= 1=7*$#
Nota: +i >ubi9semos pensado en otro modelo en otro modelo tendramos que comparar sus
errores cuadr)ticos medios para ofrecer el me&or pronstico!

c) +i utili'a tendencia lineal determine e interprete el ndice cclico para los meses +eptiembre de
2##7 y &unio de 2#1#!
Jel modelo lineal:
Dara +ep! 2##7:
1)3797
100 10297
13""9$2
C * = =
2n +eptiembre de 2##7 >ubo un 2$GH m)s de
clientes respecto de los esperado!
Dara Kun 2#1#:
1#7093
100 "898@
1#8"92)
C * = =
2n &unio de 2#1# >ubo un 1$2H menos de clientes
respecto de los esperado!
Problema : "os si/uientes datos corresponden al nmero de clientes que isitaron una cierta pa/ina
de utilidad financiera$ en ;nternet durante sus primeros 18 meses de ida! (C# pts)
5omo son datos recientes an no podemos obserar estacionalidad en los datos!
a) Droporcione un pronstico para el mes 1= utili'ando el m9todo ?aie mediante
1 t t
F Y
+
=
y
mediante
1 1
7 8
t t t t
F Y Y Y
+
= +
! 15u)l de las dos e%presiones arro&a un me&or pronstico3!
?ota: el m9todo ?aie o ;n/enuo utili'a cualquiera de las dos e%presiones que se proporcionaron para
producir el pronstico (:er apunte de clases)!
+e pide
1$ 1 1# 1
1#
t
F F F t
+ +
= = =
$ as:
Je:
1 1$ 1#
100
t t
F Y F Y
+
= = =
Je
1 1 1$ 1# 1# 1)
7 8 7 8 271008 108 "2
t t t t
F Y Y Y F Y Y Y
+
= + = + = =
Dara saber cual de los dos modelos proporciona un me&or pronstico empleamos el 25,
5omo el 25, del primer modelo es mas ba&o el primer modelo ofrece un me&or pronstico!
(18 pts)
b) Droporcione un pronstico para los meses 1=$ 1G$ 1E$ 17 y 2#! 4undamente!
Je la /r)fica obseramos claramente una tendencia lineal$ por lo que un modelo de LroMn con
tendencia lineal es adecuado como modelo predictor!
"ue/o para los meses 1=$ 1G$ 1E$ 17 y 2# se espera que el nmero de clientes que isitan cierta pa/ina
de utilidad financiera es 77$ 1##$ 1#1$ 1#* y 1#C respectiamente! (28 pts)