DANIEL R.

CRUZ DUEÑAS 070100032013

PLANTEAMIENTO DE UN MODELO PREDICTIVO PARA EL RENDIMIENTO (BASE DE DATOS
ASERRADERO

1) REGRESION LINEAL SIMPLE (Cada variable)

Variable Número:

 Planteamiento del modelo:

Y = β0 + β1 X+ ε
Rendimiento = Constante + Parámetro (número) + error

 Modelo ajustado
Y = 4696,84 + 1,33 x

 Prueba t (Confianza 95%)

H0 : β1 = 0 vs Ha : β1 ≠ 0
P (número) = 0,9634  entonces 0,05 < 0,9634

Se acepta H0

 Prueba F (Confianza 95%)

H0 : β0 = β1 = 0 vs Ha : β0 ≠ β1 ≠ 0
P (modelo) = 0,9634  entonces 0,05 < 0,9634

Se acepta H0

NO SE RECOMIENDA ESTE MODELO

Variable Peso total:

 Planteamiento del modelo:
Y = β0 + β2 X+ ε
Rendimiento = Constante + Parámetro (Peso total) + error

 Modelo ajustado
Y = -1535,34 + 198,55 (Peso total)

 Prueba t (Confianza 95%)

H0 : β2 = 0 vs Ha : β2 ≠ 0
P (Peso numero) = <0,0001  entonces 0,05 > (<0,0001)

Se rechaza H0

 Prueba F (Confianza 95%)

H0 : β0 = β2 = 0 vs Ha : β0 ≠ β2 ≠ 0
P (modelo) = <0,0001  entonces 0,05 > (<0,0001)

Se rechaza H0

 Predicción basada en hipótesis

-1535,34 + 198,55 (33) = 5017

Variable Peso/número:

 Planteamiento del modelo:

Y = β0 + β3 X+ ε
Rendimiento = Constante + Parámetro (Peso/número) + error

 Modelo ajustado
Y = 482,77 + 7218,49 (Peso/número)

 Prueba t (Confianza 95%)

H0 : β3 = 0 vs Ha : β3 ≠ 0
P (Peso/numero) = 0,0008  entonces 0,05 > (0,0008)

Se rechaza H0

 Prueba F (Confianza 95%)

H0 : β0 = β3 = 0 vs Ha : β0 ≠ β3 ≠ 0
P (modelo) = 0,0008  entonces 0,05 > (0,0008)

Se rechaza H0

 Predicción basada en hipótesis

482,77 + 7218,49 (0,63) = 5030

2) REGRESION LINEAL MULTIPLE
 Selección del modelo a desarrollar

El modelo más ajustado para realizar la regresión solo incluye las variables Peso/número y
número, obviando la variable Peso total.

 Planteamiento del modelo

Y = β0 + β1 X1 + β3 X3+ ε
Rendimiento = Constante + Parámetro 1 (número) + Parámetro 2 (Peso/número) + error

 Modelo ajustado
Y = -7500,03 + 90,70 (número) + 12396,11 (Peso/número)
 Prueba t (Confianza 95%)
H0 : β1 = 0 vs Ha : β1 ≠ 0
P (número) = <0,0001  entonces 0,05 > (<0,0001)
Se rechaza H0
H0 : β3 = 0 vs Ha : β3 ≠ 0
P (Peso/numero) = <0,0001  entonces 0,05 > (<0,0001)
Se rechaza H0
 Prueba F (Confianza 95%)
H0 : β0 = β1 =β3 = 0 vs Ha : β0 ≠ β1 ≠ β3 ≠ 0
P (modelo) = <0,0001  entonces 0,05 > (<0,0001)

Se rechaza H0

 Predicción basada en hipótesis

-7500,03 + 90,70 (52) + 12396,11 (0,63) = 5025,91

3) SELECCIÓN DEL MODELO ADECUADO SEGÚN OBSERVACIÓN Y ANALISIS

El modelo que más se ajusta según el diagnóstico de mejores modelos es el desarrollado
en el punto No. 2, pero además es el único que tiene en cuenta más de 1 variable, es decir
que no es un modelo arbitrario además teniendo en cuenta que la predicción basada en
hipótesis se encuentra de valores que si se pueden presentar en la población de muestra,
ósea que el modelo es viable y aceptable.

4) DIAGNOSTICO DEL MODELO

- Prueba de distribución normal
H0 : Muestra con distribución normal vs

Ha : Muestra sin
distribución normal

P (rendimiento) = 0,6450  entonces 0,05 < 0,6450

Se acepta H0, la muestra tiene una distribución normal.

- Prueba de homoceasticidad de varianza

La gráfica muestra una
distribución dispersa y no
representa un error en el
modelo.
- Función de auto correlación o correlograma
H0 : las muestras no presentan auto correlación vs H0 : las muestras presentan auto
correlación

Según el Z (Ljung-Box)
P – valor (3) = 0,8897 entonces  0,05 < 0,8897
P – valor (5) = 0,9214 entonces  0,05 < 0,9214
P – valor (4) = 0,9431 entonces  0,05 < 0,9431

PARA LOS 3 CASOS SE ACEPTA H0, ES DECIR QUE NO EXISTE AUTO CORRECLACION.