Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GRUPO: MG 5
FECHA: 28/Septiembre/2018
INTRODUCCIÓN
En la industria con mucha frecuencia es necesario resolver problemas que
implican conjuntos de variables, cuando se sabe que existe alguna relación
inherente entre ellas. A partir de lo anterior, es necesario establecer modelos que
expliquen dicha relación.
Aplica, desarrolla y analiza las técnicas de regresión lineal simple para hacer
predicciones de sucesos futuros en el ramo empresarial.
17.75 Un estadístico que trabaja para un fabricante estadunidense de automóviles
desearía desarrollar un modelo estadístico para predecir el tiempo de entrega (la
cantidad de días transcurridos entre el pedido de un automóvil y la entrega real
del mismo) de los pedidos de automóviles nuevos. El estadístico piensa que existe
una relación lineal entre el número de opciones pedidas y el tiempo de entrega. Se
seleccionó una muestra aleatoria de 16 automóviles y se obtuvieron los resultados
que se presentan a continuación:
DIAGRAMA DE DISPERSIÓN
Gráfico X-Y - Tiempo de entrega Y (en días) vs. Numero de opciones pedidas,
X
16 valores
El StatAdvisor
Este procedimiento genera un diagrama de dispersión para Tiempo de entrega Y
(en días) versus Numero de opciones pedidas, X. Para ajustar una curva a estos
datos, seleccione Relacionar - Un Factor - Regresión Simple del menú principal.
75
Tiempo de entrega Y (en días)
65
55
45
35
25
0 5 10 15 20 25
Numero de opciones pedidas, X
Coeficientes
Mínimos Cuadrados Estándar Estadístico
Parámetro Estimado Error T Valor-P
Intercepto 21.9254 1.59084 13.7823 0.0000
Pendiente 2.06871 0.116411 17.7707 0.0000
Interpretaciones:
La pendiente 𝑏1 fue calculada como + 2.06871. Esto significa que para cada
incremento de una unidad en X se estima que el valor de Y aumenta en un
promedio de 0.116411 unidades.
AJUSTE E INTERPRETACIÓN DE LA RECTA
Gráfico del Modelo Ajustado
Tiempo de entrega Y (en días) = 21.9254 + 2.06871*Numero de opciones pedidas, X
75
Tiempo de entrega Y (en días)
65
55
45
35
25
0 5 10 15 20 25
Numero de opciones pedidas, X
Interpretación:
Interpretaciones:
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación
estadísticamente significativa entre Tiempo de entrega Y (en días) y Numero de
opciones pedidas, X con un nivel de confianza del 95.0%.
I. DE C. PARA 𝜷𝟏 , 𝜷𝟎 (PENDIENTE Y ORDENADA DEL MODELO)
Gráfico del Modelo Ajustado
Tiempo de entrega Y (en días) = 21.9254 + 2.06871*Numero de opciones pedidas, X
75
Tiempo de entrega Y (en días)
65
55
45
35
25
0 5 10 15 20 25
Numero de opciones pedidas, X
Interpretación:
El StatAdvisor
Esta tabla muestra los valores predichos para Tiempo de entrega Y (en días)
usando el modelo ajustado. Además de las mejores predicciones, la tabla
muestra:
ANÁLISIS RESIDUAL
Gráfico de Residuos
Tiempo de entrega Y (en días) = 21.9254 + 2.06871*Numero de opciones pedidas, X
1
residuo
-1
-3
-5
0 5 10 15 20 25
Numero de opciones pedidas, X
Interpretaciones:
EL COEFICIENTE DE DETERMINACIÓN
R-cuadrado (ajustado para g.l.) = 95.4518 porciento
EL ANÁLISIS DE CORRELACIÓN
Coeficiente de Correlación = 0.978545
17.77 Al dueño de una gran cadena de expendios de helados de gustaría estudiar
el efecto de la temperatura ambiente sobre las ventas de sus productos durante la
temporada de verano. Se seleccionó una muestra aleatoria de 21 días y se
obtuvieron los resultados que se presentan a continuación:
Gráfico X-Y - Venta por tienda (en $(000) vs. Temperatura alta diaria (°F)
Variable X: Temperatura alta diaria (°F)
Variable Y: Venta por tienda (en $(000)
21 valores
El StatAdvisor
Este procedimiento genera un diagrama de dispersión para Venta por tienda (en
$(000) versus Temperatura alta diaria (°F). Para ajustar una curva a estos datos,
seleccione Relacionar - Un Factor - Regresión Simple del menú principal.
Gráfico de Venta por tienda (en $(000) v s Temperatura a lta diaria (°F)
3.5
Venta por tienda (en $(000)
3.1
2.7
2.3
1.9
1.5
63 73 83 93 103
Temperatura alta diaria (°F)
Coeficientes
Mínimos Estándar Estadístico
Cuadrados
Parámetro Estimado Error T Valor-P
Intercepto -2.53499 0.295223 -8.58667 0.0000
Pendiente 0.060728 0.00351995 17.2525 0.0000
3.5
Venta por tienda (en $(000)
3.1
2.7
2.3
1.9
1.5
63 73 83 93 103
Temperatura alta diaria (°F)
3.5
Venta por tienda (en $(000)
3.1
2.7
2.3
1.9
1.5
63 73 83 93 103
Temperatura alta diaria (°F)
El StatAdvisor
Esta tabla muestra los valores predichos para Venta por tienda (en $(000) usando
el modelo ajustado.
I. DE C. DE PREDICCIÓN PARA UNA OBSERVACIÓN FUTURA 𝒀𝒊
Valores Predichos
95.00%
Predicciones Límite Confianza
X Y Inferior Superior
63.0 1.29088 1.12656 1.45519
El StatAdvisor
Esta tabla muestra los valores predichos para Venta por tienda (en $(000) usando
el modelo ajustado.
ANÁLISIS RESIDUAL
Residuos Atípicos
Predicciones Residuos
Fila X Y Y Residuos Studentizados
1 63.0 1.52 1.29088 0.229123 2.00
14 100.0 3.28 3.53781 -0.257813 -2.17
20 82.0 2.14 2.44471 -0.304709 -2.39
El StatAdvisor
La tabla de residuos atípicos enlista todas las observaciones que tienen residuos
Estudentizados mayores a 2, en valor absoluto. Los residuos Estudentizados
miden cuántas desviaciones estándar se desvía cada valor observado de Venta
por tienda (en $(000) del modelo ajustado, utilizando todos los datos excepto esa
observación. En este caso, hay 3 residuos Estudentizados mayores que 2, pero
ninguno mayor que 3.
Gráfico de Residuos
Venta por tienda (en $(000) = -2.53499 + 0.060728*Temperatura alta diaria (°F)
0.4
0.2
residuo
-0.2
-0.4
63 73 83 93 103
Temperatura alta diaria (°F)
EL COEFICIENTE DE DETERMINACIÓN
R-cuadrado (ajustado para g.l.) = 93.6839 porciento
EL ANÁLISIS DE CORRELACIÓN
Coeficiente de Correlación = 0.969534
BIBLIOGRAFÍA
Est. Básica en Admón. - Berenson, Levine 6ª ed.
WEDGRAFIA
Regresion y correlacion con Statgraphics | | UPV
https://youtu.be/7WMYoMnpYSg
Regresión Lineal en Statgraphics
https://youtu.be/QjBJif4vyVA
https://youtu.be/D659OLiWOHw