Estadística Aplicada a las Finanzas. LABORATORIO No.

6: Reg
Análisis de regresión relacionando a los costos de mantenimiento d
IDESCRIPCIÓN DE COLUMNAS: D= Identificador de planta ; Costo =

X Y
ID Peso Costo xi - xx
1 15.5 18.38 -26.8518181818
2 22.29 20 -20.0618181818
3 12.36 11.5 -29.9918181818
4 31.84 25 -10.5118181818
5 83.9 62.5 41.5481818182
6 72.25 82.5 29.8981818182
7 27.14 25 -15.2118181818
8 40.41 30.67 -1.9418181818
9 12.42 12 -29.9318181818
10 69.42 61.25 27.0681818182
11 48.46 60 6.1081818182
12 69 67.5 26.6481818182
13 26.09 31 -16.2618181818
14 62.83 60 20.4781818182
15 77.06 72.5 34.7081818182
16 58.83 60.33 16.4781818182
17 59.48 49.75 17.1281818182
18 9 8.5 -33.3518181818
19 20.64 36.5 -21.7118181818
20 81.4 60 39.0481818182
21 18.92 16.25 -23.4318181818
22 50.32 50 7.9681818182
23 21.33 11.6 -21.0218181818
24 46.85 35 4.4981818182
25 65.94 75 23.5881818182
26 38.68 31.56 -3.6718181818
27 51.19 48.5 8.8381818182
28 59.42 77.5 17.0681818182
29 24.64 21.67 -17.7118181818
30 26.94 19.75 -15.4118181818
31 46.2 56 3.8481818182
32 26.86 25 -15.4918181818
33 20 40 -22.3518181818
 TOTALES 1397.61 1362.71 -4.192202141E-13

n= 33

X Y
Promedios 42.351818182 41.2942424242

b1 0.89379485 Pendiente
b0 3.44040526 Intercepto

SCE 2834.54611 Suma de cuadrados debida al error

SCT 15813.2876 Suma total de cuadrados

SCR 12978.7415 Suma total de cuadrados debida a la regresión

SCT = SCR + SCE

SCR = STC - SCE �=𝑏_1/(√(���/(�
−2))/√("Σ" (𝑥𝑖 − 𝑥  ̅ )² ))
SCR = HO:" " β1=0
12978.7415
HA:" " β1≠0
PRUEBA DE HIPÓTESIS

Si b 1=0, entonces la variación de X no explica la variación de Y o no hay regresión lineal entre

Si a = 0.05 a/2= 0.025

La región de rechazo es: | t0 |>ta/2

Prueba de Hipótesis sobre b 1: El estadístico de prueba tiene distribución T-Student con n-2 g

ECUACIÓN DE LA RECTA

Y (X)= β0 + β1 * X
Y(X) = 3.4404053 + 0.8937949 * X

Deseamos estimar el costo si el peso indicado es de 80 toneladas

Y(80) = 3.4404053 + 0.8937949 * 80

Y(80) = 74.944 £
Como representar los β (Betas)

β0 Representa el intercepto (Cuando el valor de X sea 0)

β1 Representa la pendiente de la línea de regresión: POR CADA INCREMEN
ES DECIR: POR CADA UNIDAD DE INCREMENTO EN EL PESO, SE TIEN

* OJO: SI TUVIERAMOS UN VALOR NEGATIVO DE β1, SIGNIFICARÍA QU

BORATORIO No. 6: Regresión Lineal
ostos de mantenimiento de una construcción de planta al peso de la máquina.
ficador de planta ; Costo = costos en libras esterlinas (£) ; Peso = En toneladas (TN.)

yi - ȳ (xi - xx) * (yi - ȳ) (xi - xx)² ŷi yi - ŷ

-22.9142424242 615.2890713499 721.0201396694 17.2942255006 1.0857744994
-21.2942424242 427.2012198347 402.4765487603 23.3630925624 -3.3630925624
-29.7942424242 893.5835016529 899.5091578512 14.4877096576 -2.9877096576
-16.2942424242 171.2821137741 110.4983214876 31.8988334224 -6.8988334224
21.2057575758 881.0606713499 1726.2514123967 78.4297935452 -15.9297935452
41.2057575758 1231.9772319559 893.9012760331 68.0170834908 14.4829165092
-16.2942424242 247.865053168 231.3994123967 27.6979976065 -2.6979976065
-10.6242424242 20.6303471074 3.7706578512 39.558655325 -8.888655325
-29.2942424242 876.8299380165 895.9137396694 14.5413373489 -2.5413373489
19.9557575758 540.1660743802 732.6864669421 65.4876440527 -4.2376440527
18.7057575758 114.2581683196 37.309885124 46.7537039034 13.2462960966
26.2057575758 698.335792562 710.1255942149 65.1122502139 2.3877497861
-10.2942424242 167.4030986226 264.4467305785 26.7595130093 4.2404869907
18.7057575758 383.0599046832 419.3559305785 59.5975359619 0.4024640381
31.2057575758 1083.0951077135 1204.657885124 72.3162367408 0.1837632592
19.0357575758 313.6746743802 271.5304760331 56.0223565441 4.3076434559
8.4557575758 144.831753168 293.3746123967 56.6033231995 -6.8533231995
-32.7942424242 1093.7476107438 1112.3437760331 11.4845589467 -2.9845589467
-4.7942424242 104.0917198347 471.4030487603 21.8883310525 14.6116689475
18.7057575758 730.425822865 1524.7605033058 76.1953064091 -16.1953064091
-25.0442424242 586.8321349862 549.0501033058 20.3510039028 -4.1010039028
8.7057575758 69.3690592287 63.4919214876 48.4161623327 1.5838376673
-29.6942424242 624.2269652893 441.9168396694 22.5050495021 -10.9050495021
-6.2942424242 -28.312646832 20.2336396694 45.3146941877 -10.3146941877
33.7057575758 795.0575380165 556.4023214876 62.3772379592 12.6227620408
-9.7342424242 35.7423683196 13.4822487603 38.0123902268 -6.4523902268
7.2057575758 63.6857955923 78.1134578512 49.1937638561 -0.6937638561
36.2057575758 617.966453168 291.3228305785 56.5496955082 20.9503044918
-19.6242424242 347.5810137741 313.7085033058 25.4635104703 -3.7935104703
-21.5442424242 332.0359471074 237.5241396694 27.5192386356 -7.7692386356
14.7057575758 56.5904289256 14.8085033058 44.7337275323 11.2662724677
-16.2942424242 252.4274410468 239.9964305785 27.4477350472 -2.4477350472
-1.2942424242 28.9286713499 499.6037760331 21.3163023457 18.6836976543
 -8.171241461E-14 14520.9400454545 16246.3902909091 1362.71 3.87245790989255E-13

r² = 0.8207491 Coeficiente de determinación: Se concluye que

debida al error por la relación lineal que existe entre el peso

dos debida a la regresión rxy = (signo de b1) * RAIZ(r²)

rxy = + 0.905952 (coeficiente de correlación mues
Se concluye que existe una

Y o no hay regresión lineal entre X y Y

2.0395134464

ene distribución T-Student con n-2 grados de libertad.

11.91393908

Por lo tanto: Se rechaza Ho

lor de X sea 0)
regresión: POR CADA INCREMENTO EN UNA UNIDAD EN "X" SE TIENE UN INCREMENTO DE "Y" UNIDADES
REMENTO EN EL PESO, SE TIENE UN INCREMENTO DEL COSTO (EN LIBRAS ESTERLINAS)

GATIVO DE β1, SIGNIFICARÍA QUE OBTENDRÍAMOS UN DECREMENTO EN EL COSTO

 máquina.
toneladas (TN.)

εi εi² Bandas de confianza Bandas de predicción

(yi - ŷ)² (yi - ȳ)² (ŷi - ȳ)² LIC LSC LIP
1.1789062635 525.062505877 576.00081233 11.964566657 22.6238843441 -2.9232884391
11.310391583 453.4447604224 321.52613537 18.78620809 27.9399770344 3.3308565917
8.9264089983 887.6968816345 718.59019897 8.7794829792 20.1959363361 -5.8328823201
47.5939025898 265.50233618 88.273710312 28.142186167 35.6554806781 12.0379420749
253.7583223934 449.6841543618 1379.0491571 71.222947394 85.6366396967 57.6384194212
209.7548706112 1697.9144573921 714.11023467 62.320368099 73.7137988827 47.6997221275
7.2791910844 265.50233618 184.85787315 23.581834118 31.814161095 7.7659779301
79.0081934875 112.8745270891 3.0122625789 36.150751567 42.9665590828 19.7607661816
6.4583955209 858.1526392103 715.71792997 8.8404883034 20.2421863944 -5.7771834229
17.9576271177 398.2322604224 585.32068236 60.132423926 70.842864179 45.2633767208
175.4643602788 349.905366483 29.805719642 43.232483732 50.2749240744 26.9359947016
5.7013490412 686.7417301194 567.29749507 59.806572851 70.417927577 44.9010449357
17.9817299185 105.9714270891 211.25835917 22.550419366 30.9686066529 6.8080951195
0.161977302 349.905366483 335.01055433 54.97768391 64.2173880134 39.5554392779
0.0337689354 973.799305877 962.36413137 66.013248725 78.6192247566 51.8206210037
18.5557921433 362.360066483 216.91734553 51.793608957 60.2511041308 36.0667830703
46.9680388764 71.49983618 234.36795418 52.314535838 60.8921105605 36.6349406024
8.9075921062 1075.46233618 888.61722903 5.3554071604 17.6137107329 -8.9582663995
213.5008694311 22.9847604224 376.58939617 17.13843602 26.6382260848 1.8158596219
262.2879496843 349.905366483 1218.0842673 69.323512751 83.0671000669 55.5176819181
16.8182330112 627.2140786042 438.61923976 15.413465023 25.2885427827 0.2333028239
2.5085417564 75.7902149679 50.721743182 44.808956141 52.0233685243 28.5829945821
118.9201046428 881.7480331497 353.03377067 17.82838358 27.1817154242 2.4497806018
106.3929161864 39.6174876951 16.164032383 41.85070498 48.7786833954 25.5070737414
159.3341215376 1136.0780937557 444.49270073 57.422299793 67.3321761253 42.2552594595
41.6333396395 94.7554755739 10.770553846 34.571290824 41.4534896294 18.2087599634
0.481308288 51.9229422406 62.402438852 45.539418522 52.8481091905 29.3519684147
438.9152582989 1310.8568816345 232.7288488 52.266511766 60.8328792506 36.5825157002
14.3907216884 385.1108907254 250.6120742 21.119580027 29.8074409141 5.4832117185
60.3610689763 464.1543816345 189.75072938 23.385694486 31.6527827853 7.5836224236
126.9288953157 216.259305877 11.830057809 41.288119616 48.1793354482 24.9293133672
5.9914068613 265.50233618 191.72576654 23.307195736 31.5882743588 7.5106672512
349.0805580389 1.6750634527 399.11808978 16.497411685 26.1351930068 1.2273921284
 2834.5461116085 15813.287606061 12978.741494

ión: Se concluye que un 89.58% de la variabilidad en los costos de mantenimiento, se explica

e existe entre el peso de la maquinaria y los costos de mantenimiento

e de correlación muestral)
ncluye que existe una relación fuerte entre X y Y, es decir, los costos de mantenimiento y el peso de la maqu
NTO DE "Y" UNIDADES
Bandas de predicción

LSP DIAGRAMA DE DISPERSIÓN

37.51173944 COSTO (Variable Dependiente) VS PESO (Variable Inde
43.395328533
34.808301635
51.75972477 90

99.221167669
88.334444854 80

47.630017283
70
59.356544468
34.859858121
60
85.711911385
COSTO (£)

66.571413105
50
85.323455492
46.710930899
40
79.639632646
92.811852478 30
75.977930018
76.571705797 20
31.927384293
41.960802483 10
96.8729309
40.468704982 0
0 10 20 30 40 50 60 70
68.249330083
42.560318402
Peso (toneladas)
65.122314634
82.499216459
57.81602049 Es evidente una relación existente entre el costo y el peso
69.035559297 * Mas no podemos derivar conclusiones que expliquen la causa
76.516875316 * La variable explicativa es el peso y la variable de respuesta es
45.443809222
47.454854848
64.538141697
47.384802843
41.405212563
 e explica

nto y el peso de la maquinaria

 120

Regresion LIC Lin

100
Linear (LIP) LSP Lin

80

60
COSTO (£)

40

sto y el peso 20
xpliquen la causalidad (causa efecto)
e de respuesta es el costo

0
0 10 20 30

-20
 0
0 10 20 30

-20
on LIC Linear (LIC) LSC Linear (LSC) LIP
LIP) LSP Linear (LSP)

20 30 40 50 60 70 80

PESO (TONS)
20 30 40 50 60 70 80

PESO (TONS)
LABORATORIO 6: REAL STATE ANALYSIS
A continuación se presenta una hoja de datos de los precios de viviendas que ha recopilado una empresa de bienes raíces. La

ID Identificador de casa
No. Baños El número de baños que posee la casa
Area El área del sitio en donde se localiza la vivienda (pies cuadrados)
Tamaño Espacio que ocupa la vivienda (en pies cuadrados)
Garages Número de garages que posee la vivienda
Cuartos Número de cuartos que posee la vivienda
Dormitorios Número de dormitorios que posee la vivienda
Edad El número de años que posee la vivienda
Precio Precio de venta (Miles de Euros)

ID NO. BAÑOS AREA TAMAÑO GARAGES CUARTOS DORMITORIOS EDAD

1 1 3.472 0.998 1 7 4 42
2 1 3.531 1.5 2 7 4 62
3 1 2.275 1.175 1 6 3 40
4 1 4.05 1.232 1 6 3 54
5 1 4.455 1.121 1 6 3 42
6 1 4.455 0.988 1 6 3 56
7 1 El precio est 1.24 1 7 3 51
8 1 9.52 1.501 0 6 3 32
9 2.5 9.8 3.42 2 10 5 42
10 2.5 12.8 3 2 9 5 14
11 1 6.435 1.225 2 6 3 32
12 1 4.9883 1.552 1 6 3 30
13 1 5.52 0.975 1 5 2 30
14 1 6.666 1.121 2 6 3 32
15 1 5 1.02 0 5 2 46
16 1 9.52 1.501 0 6 3 32
17 1.5 5.15 1.664 2 8 4 50
18 1.5 6.902 1.488 1.5 7 3 22
19 1.5 7.102 1.376 1 6 3 17
20 1 7.8 1.5 1.5 7 3 23
21 1 5.52 1.256 2 6 3 40
22 1.5 4 1.69 1 6 3 22
23 1.5 9.89 1.82 2 8 4 50
24 1.5 6.7265 1.652 1 6 3 44
25 1.5 9.15 1.777 2 8 4 48
26 1 8 1.504 2 7 3 3
27 1.5 7.3262 1.831 1.5 8 4 31
28 1.5 5 1.2 2 6 3 30

PREGUNTAS
1. ¿Existe algún tipo de relación entre el precio de venta y la edad de la vivienda (años)
2. Existe una relación entre el precio de venta y el tamaño de la vivienda?
3. Existe una relación entre el precio de venta y el área en donde se localiza la vivienda?
4. Obtener las ecuaciones de regresión lineal para los 3 casos
5. Calcular el coeficiente de determinación y el coeficiente de correlación para los 3 casos
6. Interpretar los coeficientes (betas) calculados
7. Indicar si observa valores atípicos (outliers) en cada caso. Cual sería el efecto de tener outliers en la regresión?
esa de bienes raíces. La descripción de las columnas son las siguientes

PRECIO
25.9
29.5
27.9
25.9
29.9
29.9
30.9
28.9
84.9
82.9
35.9
31.5
31
30.9
30
28.9
36.9
41.9
40.5
43.9
37.5
37.9
44.5
37.9
38.9
36.9
45.8
41
a regresión?