UNIVERSIDAD EAN

FACULTAD DE ADMINISTRACIÓN, FINANZAS Y CIENCIAS ECONOMICAS

TRABAJO FINAL GRUPAL

AUTORES:
MAURICIO LUIS ARÉVALO BENAVIDES
JOHAN STUART BERMUDEZ LOPEZ
JULIÁN ALCIDES GUTIÉRREZ GONZÁLEZ
NEYER CAMILO QUEVEDO PEREZ
(Grupo No.7)

TUTOR:
MILTON JANUARIO RUEDA VARON

BOGOTÁ, D. C., 07 DE JUNIO DE 2020

 TABLA DE CONTENIDO

OBJETO DE APRENDIZAJE............................................................................................3

EJERCICIO APLICADO....................................................................................................4

1.. . .Usando una gráfica de dispersión, grafique los datos para los años 1969-1988. ¿Le
parece que hay una relación lineal entre el número de autos importados y el año?....................7

2...Use un paquete de software para hallar la recta de mínimos cuadrados para predecir
el numero de autos importados como función del año para los años 1969-1988........................8

3...¿Hay una relación lineal significativa entre el numero de autos importados y el año?
10

4..Use el programa de cómputo para predecir el número de autos que serán importados
usando intervalos de predicción de 95% para cada uno de los años 2007, 2008 y 2009..........11

5.Ahora vea los datos reales para los años 2007-2009 ¿Las predicciones obtenidas en el
paso 4 dan estimaciones precisas de los valores reales observados en estos años?...................13

6.......Agregue los datos 1969-2009 a su base de datos y recalcule la recta de regresión.

¿Qué efecto tienen los nuevos puntos de datos sobre la pendiente? ¿Cuál es el efecto en el
SSE?...........................................................................................................................................14

7.....Dada la forma de la grafica de dispersión para los años 1969-2009, ¿le parece que
una recta da un modelo preciso para los datos? ¿Qué otro tipo de modelo podría ser mas
apropiado? (Use graficas residuales para ayudar a contestar esta pregunta.)............................17

BIBLIOGRAFIA...............................................................................................................19
 OBJETO DE APRENDIZAJE

Aplicar los conceptos de coeficiente de correlación y coeficiente de determinación, para medir la

asociación de dos variables e identificar que tan cercanos son; así mismo mediante la aplicación
de un modelo de regresión, estimar predicciones a futuro sobre el comportamiento de un
producto en función del tiempo y de esta manera, se puedan tomar decisiones.
 EJERCICIO APLICADO

El ejercicio aplicado es un caso de estudio que se debe realizar de forma grupal, las
respuestas deben presentarse en un archivo de Word que deben enviar por el botón de
actividades del aula virtual hasta el día del encuentro presencial. En la solución de las preguntas
propuestas del caso debe incluir las salidas del programa de estadística y además debe interpretar
las salidas del software. La nota final del trabajo se divide en dos, el trabajo en Word (60%) de la
nota y un (40%) que corresponde a la exposición de la explicación del caso y de las respuestas de
las preguntas propuestas. En caso de asistir al encuentro presencial deben preparar una
presentación en PowerPoint, donde se muestre el paso a paso de la solución de las preguntas de
la lectura. Los estudiantes que no asistan al encuentro deben enviar un vídeo de máximo 5
minutos en el que explique el caso y como solucionaron cada una de las preguntas.

Resuelva el CASO PRÁCTICO del capítulo 12 ¿Su automóvil está “Hecho en EUA”?

Responda las preguntas propuestas en la lectura. Tenga en cuenta incluir fórmulas y

procedimientos en el archivo de Word, en el que muestre el paso a paso de la solución de las
preguntas de la lectura.

Pasos para encontrar el caso:

 Ingrese a la página de la universidad https://goo.gl/sSFrcs

 Luego ingrese sus datos de correo electrónico el usuario y la contraseña.

 Después busque biblioteca. En buscar en…de clic en bases de datos.

 Luego ingrese a la base de datos de Cengage. Busque el libro

 Mendenhall, W., Beaver, R., Beaver, B. and Velázquez Arellano, J. (2015).

Introducción a la probabilidad y estadística. Editorial Cengage. Disponible en

https://bit.ly/2UoMZDt
  En contenido busque: CASO PRÁCTICO del capítulo 12 ¿Su automóvil está
“Hecho en EUA”?

¿Su automóvil está “Hecho en USA”?

La frase “Hecho en EUA” se ha convertido en un conocido grito de batalla porque los

trabajadores de Estados Unidos tratan de proteger sus trabajos de la competencia extrajera. En
las ultimas décadas, un importante desequilibrio en la balanza comercial en Estados Unidos ha
estado causando una inundación de productos importados que entran al país y se venden a menor
costo que artículos comparables hechos en él. Una preocupación principal es la industria
automotriz, en la que el número de autos importados aumentó continuamente durante las décadas
de 1970 y 1980. La industria automotriz de ese país ha estado siendo acosada con quejas por la
calidad de sus productos, despidos de trabajadores y altos precios, y ha gastado miles de millones
de dólares en publicidad e investigación para producir un auto hecho en Estados Unidos que
satisfaga las demandas del consumidor. ¿Han tenido éxito para detener la inundación de autos
importados comprados por consumidores estadounidenses? Los datos de la tabla siguiente
representan los números de autos importados y vendidos en Estados Unidos (en millones)
durante los años 1969-2009. Para simplificar el análisis, hemos codificado el año usando la
variable codificada x = Año – 1969.

(Número de autos
Año (Año-1969) x
importados) y
1969 0 1.1
1970 1 1.3
1971 2 1.6
1972 3 1.6
1973 4 1.8
1974 5 1.4
1975 6 1.6
1976 7 1.5
1977 8 2.1
1978 9 2.0
1979 10 2.3
1980 11 2.4
1981 12 2.3
1982 13 2.2
1983 14 2.4
1984 15 2.4
1985 16 2.8
1986 17 3.2
1987 18 3.1
1988 19 3.0
1989 20 2.7
1990 21 2.4
1991 22 2.0
1992 23 1.9
1993 24 1.8
1994 25 1.7
1995 26 1.5
1996 27 1.3
1997 28 1.4
1998 29 1.4
1999 30 1.7
2000 31 2.0
2001 32 2.1
2002 33 2.2
2003 34 2.1
2004 35 2.1
2005 36 2.2
2006 37 2.3
2007 38 2.4
2008 39 2.3
2009 40 1.8
1. Usando una gráfica de dispersión, grafique los datos para los años 1969-1988. ¿Le
parece que hay una relación lineal entre el número de autos importados y el año?

1969-1988
3.5
Numero de autos importados

3
f(x) = 0.1 x + 1.17
2.5 R² = 0.9

1.5

0.5

0
0 2 4 6 8 10 12 14 16 18 20
Año - 1969

Logarithmic ()
Linear ()

Una vez realizada la gráfica de dispersión en Excel, podemos concluir que si existe una
relación lineal entre el numero de autos importados y los años 1969 a 1988. Al realizarle la raíz
cuadrada a R2 = 0.899, obtenemos un R= 0.9481 (coeficiente de correlación) lo cual indica una
muy alta relación entre los datos.
2. Use un paquete de software para hallar la recta de mínimos cuadrados para predecir el
numero de autos importados como función del año para los años 1969-1988.

Usando en este caso Minitab, el método escogido por nosotros, nos encontramos que,
sorprendentemente, los datos son muy parecidos al Excel, con una ecuación de regresión muy
parecida a la que nos había dado, y un R2 muy parecido, dando un 89.90% de confiabilidad en la
regresión.

En este caso, la recta de mínimos cuadrados da una ecuación de regresión de y =

1.1671+0.09872(x).

Method
Rows 1
unused
Regression Equation
(Número de autos = 1.1671
importados) y + 0.09872 (Año-
1969) x
Coefficients
SE T- P-
Term Coef Coef Value Value VIF
Constan 1.1671 0.0867 13.46 0.000
t
(Año- 0.09872 0.00780 12.66 0.000 1.00
1969) x
Model Summary
R- R-
S R-sq sq(adj) sq(pred)
0.20116 89.90% 89.34% 87.66%
5
Analysis of Variance
Adj Adj F- P-
Source DF SS MS Value Value
Regressio 1 6.4811 6.48109 160.16 0.000
n
(Año- 1 6.4811 6.48109 160.16 0.000
1969) x
Error 18 0.7284 0.04047
Total 19 7.2095
3. ¿Hay una relación lineal significativa entre el numero de autos importados y el año?

En este caso, entre los años 1969 a 1988, se puede decir con un 89.90% de confiabilidad,
que hay una relación significativa en los datos de numero de datos importados Vs. Años.
4. Use el programa de cómputo para predecir el número de autos que serán importados
usando intervalos de predicción de 95% para cada uno de los años 2007, 2008 y 2009.

Regression Equation
(Número de autos = 1.1671
importados) y + 0.09872 (Año-
1969) x

Settings
Variabl
e Setting
(Año- 38
1969) x
Prediction
Fit SE Fit 95% CI 95% PI
4.9185 0.226829 (4.44202, (4.28161, XX
7 5.39512) 5.55553)
XX denotes an extremely unusual point relative to predictor levels used to fit the model.

Settings
Variabl
e Setting
(Año- 39
1969) x
Prediction
Fit SE Fit 95% CI 95% PI
5.0172 0.234480 (4.52467, (4.36822, XX
9 5.50992) 5.66637)
XX denotes an extremely unusual point relative to predictor levels used to fit the model.

Settings
Variabl
e Setting
(Año- 40
1969) x
 Prediction
Fit SE Fit 95% CI 95% PI
5.1160 0.242141 (4.60730, (4.45464, XX
2 5.62473) 5.77739)
XX denotes an extremely unusual point relative to predictor levels used to fit the model.

38 = 4.91857
39 = 5.01729
40 = 5.11602
5. Ahora vea los datos reales para los años 2007-2009 ¿Las predicciones obtenidas en el
paso 4 dan estimaciones precisas de los valores reales observados en estos años?

Explique.

Números con predicción de ecuación Números Reales

38 = 4.91857 38 = 2.4
39 = 5.01729 39 = 2.3
40 = 5.11602 40 = 1.8

No, no fueron precisas. Al observar la tabla completa, se denota que los datos
proporcionados desde 1969 hasta 1988 mantienen un crecimiento constante hasta
aproximadamente 1986 (año 17), obteniendo un máximo histórico de 3.2 millones de autos
importados vendidos en EEUU; hasta ese momento el crecimiento era constante, pero debido a la
disminución de las ventas en los autos importados, las cuales en ocasiones se mantiene constante,
y en otros años baja, la ecuación no predice el numero exacto, eso hace que la diferencia sea
razonable.
6. Agregue los datos 1969-2009 a su base de datos y recalcule la recta de regresión. ¿Qué
efecto tienen los nuevos puntos de datos sobre la pendiente? ¿Cuál es el efecto en el
SSE?

1969-2009
3.5

3
Numero de autos importados

2.5

2 f(x) = 0.01 x + 1.88

R² = 0.03
1.5

0.5

0
0 5 10 15 20 25 30 35 40 45

Año - 1969

Linear ()

Method
Rows 1
unused
Regression Equation
(Numero de autos = 1.880
importados) y + 0.00770 (Año-
1969) x
Coefficients
SE T- P-
Term Coef Coef Value Value VIF
Constan 1.880 0.154 12.18 0.000
t
(Año- 0.00770 0.00664 1.16 0.253 1.00
1969) x
 Model Summary
R- R-
S R-sq sq(adj) sq(pred)
0.50311 3.33% 0.85% 0.00%
4
Analysis of Variance
Adj F- P-
Source DF Adj SS MS Value Value
Regressio 1 0.3404 0.3404 1.34 0.253
n
(Año- 1 0.3404 0.3404 1.34 0.253
1969) x
Error 39 9.8718 0.2531
Total 40 10.2122

Fits and Diagnostics for Unusual Observations

(Numero de
autos
Ob importados) Std
s y Fit Resid Resid
19 3.200 2.011 1.189 2.39 R
20 3.100 2.019 1.081 2.18 R
R  Large residual
 Al recalcular los procedimientos con la información faltante, se realizo de nuevo todo el
proceso de graficar en Excel y en Minitab toda la información desde 1969 hasta 2009, mostrando
una clara diferencia en la pendiente de los datos y en la información proporcionada por Minitab;
entre 1969 y 1988 el crecimiento exponencial de la venta de autos importados era constante y
generaba una predicción casi exacta con la formulación a los años venideros, evidencia de eso es
el porcentaje 89.90% de confiabilidad en la probabilidad de obtener la cifra predicha.

Sin embargo, al añadir los datos de 1989 hasta 2009, se puede ver la tendencia a la baja
de las ventas de los autos importados, clara evidencia de que las estrategias del sector automotriz
estadounidense han hecho efecto en las cifras.

Se puede observar que la línea de tendencia esta mas cerca a tener una pendiente neutra, y
que el efecto de estas ventas tan dispersas es tener un R2 = 0,0333 o sea 3.33% de probabilidad
de obtener datos exactos con la fórmula de la línea de tendencia, la cual es
y = 1.880+0.00770(x).

7. Dada la forma de la grafica de dispersión para los años 1969-2009, ¿le parece que una
recta da un modelo preciso para los datos? ¿Qué otro tipo de modelo podría ser mas
apropiado? (Use graficas residuales para ayudar a contestar esta pregunta.)
 1969-2009
Numero de autos importados 3.5

2.5

2 f(x) = 0.01 x + 1.88

R² = 0.03
1.5

0.5

0
0 5 10 15 20 25 30 35 40 45
Año - 1969

Linear ()

No, en este caso no seria un modelo preciso para esta secuencia de datos, en estos casos la
dispersión es demasiado grande para ser un modelo efectivo.

1969-2009
3.5
Numero de autos importados

3
2.5
2 f(x)
f(x)===−1.57
f(x) 0 x²x^0.09
0.16 + 0.07
ln(x) x + 1.46
+ 1.61
R²
R²===0.2
R² 0.08
0.1
1.5
1
0.5
0
0 5 10 15 20 25 30 35 40 45
Año - 1969

Logarithmic ()
Power () Power () Polynomial ()

En el caso de la polinómica de grado 2, se puede observar una cohesión de datos

mayor, si bien el R2 = 0.1978 o 19.78% de cohesión es muy débil, es mucho mayor que el de la
lineal.
BIBLIOGRAFIA
 Mendenhall, W., Beaver, R., Beaver, B. and Velázquez Arellano, J. (2015). Introducción
a la probabilidad y estadística. Editorial Cengage. Disponible en https://bit.ly/2UoMZDt

 Triola, M., Lossi, L. and Murrieta Murrieta, J. (2018). Estadística. 12th ed. Pearson
Educación. Disponible en http://bit.ly/2IoLuhP