Actividad 2.

TALLER REGRESION Y CORRELACION

INSTRUCCIONES:
Resolver los siguientes problemas.

1. Existe preocupación de parte del propietario de una gasolinera por el aumento en el

precio del combustible lo cuál puede afectar su negocio. El gerente de la gasolinera piensa
que el éxito de la gasolinera se basa en la lealtad de lo clientes y no el flujo de tránsito.
Se realizó un estudio preliminar con una muestra de datos de ocho días los cuales son los
siguientes:

Dia Galones vendidos (miles) Flujo de vehículos

(cientos)
1 284 9
2 381 13
3 271 11
4 287 9
5 452 17
6 192 5
7 204 7
8 158 4

Correlaciones
GalonesVendidos FlujoVehiculos
GalonesVendidos Correlación de 1 .974**
Pearson
Sig. (bilateral) .000
N 8 8
FlujoVehiculos Correlación de .974** 1
Pearson
Sig. (bilateral) .000
N 8 8
**. La correlación es significativa en el nivel 0,01 (bilateral).

a. ¿Qué puede concluir usted al respecto?

Existe un alta correlación del 97.4% entre los galones vendidos y el flujo de
vehículos.

b. Si el flujo promedio de vehículos bajara a 500 diarios, cuantos galones se

esperaría que vendiera la gasolinera?

𝑦 = 28.5714 ∗ 𝑥 + 14.2857
𝑦 = 28.5714 ∗ 5 + 14.2867
𝒚 = 𝟏𝟓𝟕. 𝟏𝟒𝟑𝟕 𝐠𝐚𝐥 (𝐦𝐢𝐥𝐞𝐬)
2. El gerente de venta de una compañía de distribución al mayoreo de repuestos para
automóviles quiere desarrollar un modelo para predecir ventas anuales para un país,
basándose en las variables: número de distribuidores y número de automóviles registrados
a partir de los siguientes datos:

País Ventas (millones) Número Número de

distribuidores automóviles
registrados
(millones)
1 52.3 2011 24.6
2 26 2850 22.1
3 20.2 650 7.9
4 16 480 12.5
5 30 1694 9
6 46.2 2302 11.5
7 35 2214 20.5
8 3.5 125 4.1
9 33.1 1840 8.9
10 25.2 1233 6.1
11 38.2 1699 9.5

a. ¿Como observa la correlación entre variables?

Correlaciones
NoDistribuid NoAuto
Ventas ores s
Ventas Correlación de 1 .739** .548
Pearson
Sig. (bilateral) .009 .081
N 11 11 11
**
NoDistribuidore Correlación de .739 1 .670*
s Pearson
Sig. (bilateral) .009 .024
N 11 11 11
NoAutos Correlación de .548 .670* 1
Pearson
Sig. (bilateral) .081 .024
N 11 11 11
**. La correlación es significativa en el nivel 0,01 (bilateral).
*. La correlación es significativa en el nivel 0,05 (bilateral).

No se observa una fuerte correlación entre las variables.

 b. ¿Existe problema de multicolinealidad?

Coeficientesa
Estadísticas de
colinealidad
Modelo Tolerancia VIF
1 NoDistribuidore .551 1.813
s
NoAutos .551 1.813
a. Variable dependiente: Ventas

Diagnósticos de colinealidada
Proporciones de varianza
Dimensió Autovalo Índice de (Constant NoDistribuid NoAuto
Modelo n r condición e) ores s
1 1 2.802 1.000 .02 .01 .01
2 .128 4.685 .98 .13 .17
3 .071 6.297 .00 .85 .82
a. Variable dependiente: Ventas

El factor de inflación de la varianza (VIF) es menor a 3, por lo cual, se infiere que

la correlación es débil.

c. ¿Que recomienda?

Si lo que se desea es determinar cuáles factores motivan las ventas, se debe

considerar otros datos.

d. ¿Escribir la ecuación?

No es posible obtener la ecuación lineal para tres factores.

Entre Ventas y Número de distribuidores, la ecuación es:

𝒚 = 𝟎. 𝟎𝟐𝒙

e. ¿Cuál sería el error de la ecuación de acuerdo al coeficiente de determinación?

Resumen de modelo y estimaciones de parámetro

Variable dependiente: Ventas
 Estimaciones de
Resumen del modelo parámetro
Ecuació R
n cuadrado F gl1 gl2 Sig. Constante b1
Lineal .546 10.827 1 9 .009 10.881 .012
La variable independiente es NoDistribuidores.

Un error del 54.6% determinado por R cuadrado.

f. Si se introduce la variable ingreso personal, cuál sería el mejor modelo múltiple a

utilizar?
Ingreso Personal (miles de millones)
98.5
31.1
34.8
32.7
68.8
94.7
67.6
19.7
67.9
61.4
85.6

Correlaciones
IngresoPers
Ventas onal
Ventas Correlación de 1 .936**
Pearson
Sig. (bilateral) .000
N 11 11
**
IngresoPerson Correlación de .936 1
al Pearson
Sig. (bilateral) .000
N 11 11
**. La correlación es significativa en el nivel 0,01 (bilateral).

Se puede observar una correlación del 93%.

3. Las tasas de interés aplicados a los créditos hipotecarios en años recientes han tenido
un impacto en el número de construcciones iniciadas. Los datos a continuación presentan
tasas de interés por trimestre y el número correspondientes de construcciones iniciadas.

Trimestre Tasa % Número construcciones iniciadas

1 11.5 260
2 11.4 250
3 11.6 241
4 12.4 256
5 12.8 270
6 13.2 220
7 13.5 190
8 13.0 195
9 12.7 200
10 12.9 210
11 12.5 230
12 12 245

a. Cual sería el número de construcciones pronosticadas correspondiente a un 11%

de interés.
 𝑦 = 40𝑥 − 260
𝑦 = 40(11) − 260
𝑦 = 180

Se pronostican 180 construcciones.

b. El modelo de regresión lineal será adecuado si se quiere un 99% de

confiabilidad.

Variables entradas/eliminadasa
Variables Variables
Modelo entradas eliminadas Método
b
1 Tasa . Introducir
a. Variable dependiente: Construcciones
b. Todas las variables solicitadas
introducidas.

Resumen del modelo

Error
estándar de
R R cuadrado la
Modelo R cuadrado ajustado estimación
a
1 .666 .444 .388 21.287
a. Predictores: (Constante), Tasa
 ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresió 3611.447 1 3611.447 7.970 .018b
n
Residuo 4531.470 10 453.147
Total 8142.917 11
a. Variable dependiente: Construcciones
b. Predictores: (Constante), Tasa

Coeficientesa
Coeficientes
Coeficientes no estandariza
estandarizados dos
Modelo B Desv. Error Beta t Sig.
1 (Constant 556.125 115.479 4.816 .001
e)
Tasa -26.130 9.256 -.666 -2.823 .018
a. Variable dependiente: Construcciones

No se puede garantizar un 99% de confiabilidad, únicamente una tercera parte de

eso, 33%.