MODELOS POLINOMIALES

Los siguientes datos son la inversin neta (Y) y la tasa de inters (X)
X
Y
logX
log Y

2.5
3
4
5
5.5
6
12.5
10
7
4.5
4
3
0.39794001 0.47712125 0.60205999 0.69897 0.74036269 0.77815125
1.09691001
1
0.84509804 0.65321251 0.60205999 0.47712125

Anlisis de datos para el modelo POTENCIA (Y = AXB)

Su transformacin lineal es: logY = logA + BlogX
ANLISIS DE VARIANZA
FV
GL
Regresin
1
Residuos
5
Total
6

Intercepcin
Variable X 1

SC
0.32486
0.01501
0.33987

CM
0.32486
0.00300

Coeficientes Error tpico

1.66742
0.09103
-1.42156
0.13668

F
108.17966

p
0.00014

Estadstico
t
Probabilidad
18.31801
0.00001
-10.40095
0.00014

*
La ecuacin lineal de regresin es: log Y 1.667 1.42 X

La ecuacin no lineal de regresin

Y * 46.49 X 1.42

r 2 0.98
14
12
10
8
6
4
2
0
0

Anlisis de datos para el modelo LINEAL (Y = a + bX)

ANLISIS DE VARIANZA
GL
Regresin
1
Residuos
5
Total
6

SC
70.60546
9.25168
79.85714

CM
70.60546
1.85034

F
38.15818

p
0.00162001

Coeficientes Error tpico Estadstico t Probabilidad

Intercepcin
16.283
1.68702
9.65165
0.00020
Variable X 1
-2.105
0.34083
-6.17723
0.00162

La ecuacin lineal de regresin es:

Y 16.28 2.1X

r 2 0.884
a)Qu modelo se ajusta mejor a los datos? Por qu?
Comparando los coeficientes de determinacin R^2=0.956 para el modelo potencia y R^2=0.884
para el modelo lineal, se concluye que el modelo potencia se ajusta mejor a los datos.
b) pruebe la significancia de la ecuacin que mejor se ajusta
H0 : p < 0.05
H1 : p > 0.05
Se observa que en la ecuacin potencia p=0.00014, lo que significa que el modelo es significativo.
3) DADOS LSO SIGUIENTES DATOS X: INGRESO, Y: CONSUMO EN MILES DE DOLARES
Y
X

3
4

7
8

10
12

14
16

15
20

20
24

21
28

24
32