Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IPN
MATERIA: Estadística
Integrantes:
Suarez Sánchez Héctor
Trujillo Jasso Víctor Manuel
Osvaldo Martínez Rodríguez
Tabla de contenido
INTRODUCCIÓN..................................................................................................................................3
PLANTEAMIENTO DEL PROBLEMA.....................................................................................................3
DESARROLLO......................................................................................................................................4
CONCLUSION....................................................................................................................................26
INTRODUCCIÓN
La empresa se llama “Moreno renta” y se encarga renta de inflables, mesas, sillas
y carpas considerando el número de personas que van a asistir a una fiesta, en
este modelo se basara en las mesas, costo, el tipo de fiesta ; teniendo en cuenta
lo anterior nuestra empresa brinda servicios para fiestas tomando en cuenta el tipo
de ubicación, temática y el día en que se hace el servicio.
> LinearModel.1 <- lm(No.PER ~ CA +I(CA ^2)+Costo +I(Costo ^2)+IN1 +I(IN1 ^2)+Mesas +I(Mesas
+ ^2)+SE1 +I(SE1 ^2)+SEM1 +I(SEM1 ^2)+TEM +I(TEM ^2)+TIEM +I(TIEM ^2) + TIPO1 +I(TIPO1
> summary(LinearModel.1)
Call:
Residuals:
I(CA^2) NA NA NA NA
I(IN1^2) NA NA NA NA
I(SE1^2) NA NA NA NA
I(SEM1^2) NA NA NA NA
I(TEM^2) NA NA NA NA
I(TIPO1^2) NA NA NA NA
I(TIPO2^2) NA NA NA NA
I(Ub1^2) NA NA NA NA
Residuos: F:0
> LinearModel.2 <- lm(No.PER ~ CA + Costo + I(Costo^2) + IN1 + Mesas + I(Mesas^2) + SE1
Asi es como quedo el modelo después de quitar los variables que no aportan nada
> summary(LinearModel.2)
Call:
Residuals:
Coefficients:
> summary(LinearModel.3)
Call:
Residuals:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> LinearModel.4 <- lm(No.PER ~ CA + Costo + I(Costo^2) + Mesas + I(Mesas^2) + SE1 + SEM1
> summary(LinearModel.4)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> vif(LinearModel.4)
Y se van quitando uno por uno las variables con VIF mayor a 3
(Intercept) 1.000 -0.248 -0.487 0.534 -0.086 0.129 -0.342 -0.380 -0.555
Costo -0.487 -0.562 1.000 -0.965 -0.545 0.357 0.004 0.031 0.058
I(Costo^2) 0.534 0.438 -0.965 1.000 0.499 -0.376 -0.102 -0.061 -0.118
Mesas -0.086 0.604 -0.545 0.499 1.000 -0.889 -0.039 0.087 0.142
I(Mesas^2) 0.129 -0.355 0.357 -0.376 -0.889 1.000 0.038 -0.101 -0.116
SE1 -0.342 0.258 0.004 -0.102 -0.039 0.038 1.000 0.055 0.220
SEM1 -0.380 0.148 0.031 -0.061 0.087 -0.101 0.055 1.000 0.023
TIEM -0.555 0.164 0.058 -0.118 0.142 -0.116 0.220 0.023 1.000
I(TIEM^2) 0.505 -0.181 0.012 0.021 -0.216 0.200 -0.206 -0.042 -0.947
TIPO1 -0.179 0.830 -0.546 0.495 0.615 -0.418 0.059 0.049 0.164
TIPO2 -0.581 0.282 0.146 -0.181 0.159 -0.175 0.287 0.016 0.108
Ub1 0.110 -0.187 -0.042 0.044 -0.181 0.075 0.020 0.132 -0.159
> LinearModel.5 <- lm(No.PER ~ CA + I(Costo^2) + Mesas + I(Mesas^2) + SE1 + SEM1 + TIEM
> summary(LinearModel.5)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> vif(LinearModel.5)
(Intercept) 1.000 -0.723 0.282 -0.480 0.371 -0.389 -0.418 -0.604 0.585
Mesas -0.480 0.429 -0.122 1.000 -0.887 -0.045 0.124 0.208 -0.249
I(Mesas^2) 0.371 -0.200 -0.132 -0.887 1.000 0.039 -0.120 -0.147 0.210
SE1 -0.389 0.314 -0.377 -0.045 0.039 1.000 0.055 0.220 -0.206
SEM1 -0.418 0.200 -0.117 0.124 -0.120 0.055 1.000 0.021 -0.042
TIEM -0.604 0.238 -0.238 0.208 -0.147 0.220 0.021 1.000 -0.950
I(TIEM^2) 0.585 -0.211 0.125 -0.249 0.210 -0.206 -0.042 -0.950 1.000
TIPO1 -0.607 0.756 -0.147 0.453 -0.285 0.073 0.078 0.234 -0.233
TIPO2 -0.590 0.445 -0.155 0.287 -0.246 0.289 0.012 0.101 -0.135
Ub1 0.102 -0.256 0.011 -0.243 0.097 0.020 0.134 -0.157 0.164
> summary(LinearModel.6)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
TIPO2 Ub1
1.517535 1.298289
(Intercept) 1.000 -0.748 0.178 -0.455 0.358 -0.330 -0.508 0.045 -0.601
I(Costo^2) 0.178 -0.456 1.000 -0.077 -0.174 -0.343 -0.116 -0.335 -0.096
Mesas -0.455 0.400 -0.077 1.000 -0.885 -0.095 0.122 -0.170 0.425
I(Mesas^2) 0.358 -0.172 -0.174 -0.885 1.000 0.074 -0.119 0.228 -0.261
SE1 -0.330 0.276 -0.343 -0.095 0.074 1.000 0.052 0.010 0.023
SEM1 -0.508 0.201 -0.116 0.122 -0.119 0.052 1.000 -0.071 0.076
I(TIEM^2) 0.045 0.050 -0.335 -0.170 0.228 0.010 -0.071 1.000 -0.036
TIPO1 -0.601 0.741 -0.096 0.425 -0.261 0.023 0.076 -0.036 1.000
TIPO2 -0.667 0.436 -0.136 0.273 -0.235 0.275 0.010 -0.127 0.179
Ub1 0.010 -0.227 -0.028 -0.218 0.076 0.056 0.139 0.048 -0.366
TIPO2 Ub1
CA 0.436 -0.227
> summary(LinearModel.7)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> vif(LinearModel.7)
Ub1
1.236486
(Intercept) 1.000 -0.693 0.162 -0.107 -0.421 -0.512 -0.037 -0.506 -0.633
I(Costo^2) 0.162 -0.466 1.000 -0.521 -0.353 -0.107 -0.354 -0.071 -0.120
I(Mesas^2) -0.107 0.425 -0.521 1.000 -0.021 -0.023 0.168 0.273 0.016
SE1 -0.421 0.344 -0.353 -0.021 1.000 0.064 -0.006 0.070 0.315
SEM1 -0.512 0.167 -0.107 -0.023 0.064 1.000 -0.051 0.026 -0.025
I(TIEM^2) -0.037 0.131 -0.354 0.168 -0.006 -0.051 1.000 0.041 -0.085
TIPO1 -0.506 0.688 -0.071 0.273 0.070 0.026 0.041 1.000 0.072
TIPO2 -0.633 0.370 -0.120 0.016 0.315 -0.025 -0.085 0.072 1.000
Ub1 -0.103 -0.157 -0.046 -0.259 0.037 0.171 0.011 -0.309 -0.026
Ub1
(Intercept) -0.103
CA -0.157
I(Costo^2) -0.046
I(Mesas^2) -0.259
SE1 0.037
SEM1 0.171
I(TIEM^2) 0.011
TIPO1 -0.309
TIPO2 -0.026
Ub1 1.000
> summary(LinearModel.9)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> vif(LinearModel.9)
Como aqui se ve todas las VIF son menores que 3, dando a entender que
todas son independientes, ahora se seguirá descartando variable con un
valor p mayor a 0.03
> round(cov2cor(vcov(LinearModel.9)), 3) # Correlations of parameter estimates
(Intercept) 1.000 -0.551 0.146 0.037 -0.448 -0.578 -0.019 -0.694 -0.316
I(Costo^2) 0.146 -0.576 1.000 -0.522 -0.349 -0.106 -0.352 -0.115 -0.071
I(Mesas^2) 0.037 0.340 -0.522 1.000 -0.042 -0.031 0.163 -0.003 -0.190
SE1 -0.448 0.409 -0.349 -0.042 1.000 0.063 -0.009 0.311 0.061
SEM1 -0.578 0.206 -0.106 -0.031 0.063 1.000 -0.052 -0.026 0.188
I(TIEM^2) -0.019 0.141 -0.352 0.163 -0.009 -0.052 1.000 -0.088 0.025
TIPO2 -0.694 0.444 -0.115 -0.003 0.311 -0.026 -0.088 1.000 -0.004
Ub1 -0.316 0.081 -0.071 -0.190 0.061 0.188 0.025 -0.004 1.000
> LinearModel.10 <- lm(No.PER ~ CA + I(Costo^2) + I(Mesas^2) + SE1 + I(TIEM^2) + TIPO2 +
+ Ub1, data=Dataset)
> summary(LinearModel.10)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
+ data=Dataset)
> summary(LinearModel.11)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary(LinearModel.12)
Call:
data = Dataset)
Residuals:
Coefficients:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary(LinearModel.13)
Call:
Residuals:
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
+ })
Y como Podemos ver el Alpha es menor que el valor p así que no hay
evidencia para rechazar la hipótesis nula
data: residuals.LinearModel.13
Y como Podemos ver el Alpha es menor que el valor p así que no hay
evidencia para rechazar la hipótesis nula
+ data=Dataset)
RESET test
Y como Podemos ver el Alpha es menor que el valor p así que no hay
evidencia para rechazar la hipótesis nula
CONCLUSION
En conclusión nuestro modelo resulto bien porque cumples todas las condiciones para
cumplir un modelo lineal funcional que los valores son independientes, que el error tenga
una varianza contante, que cumpla la homocedasticidad que los errores siguen una
distribución normal con media cero y varianza sigma cuadrada.