EJERCICIOS-PC4-FINAL

La utópica aleatoriedad de la lógica estimula la perfecta causalidad divina .....(anónimo)

1
1. Regresión lineal simple y multiple - Actualizado los links
1. Regresión lineal simple - video de repaso link: https://www.youtube.com/watch?v=6VS-_JGPUlk
2. Regresión lineal simple y coeficiente de correlación y ANOVA- video de repaso link: https:
//www.youtube.com/watch?v=eJggR8hiGT4
3. Regresión lineal multiple - video de repaso link: https://www.youtube.com/watch?v=OG6wuDIbiOs
4. Regresión lineal multiple y ANOVA- video de repaso link: https://www.youtube.com/watch?
v=OG6wuDIbiOs

Ejercicios de Semana S14, S15 y S16 link : https://canvas.utp.edu.pe/courses/282195

2. Ejercicios resueltos
1. Se cuenta con información de una muestra de 5 fondos de inversión, respecto a su rentabilidad
porcentual para un periodo de doce meses y el activo total (en millones de dolares)Los datos se
presentan en la siguiente tabla

Activo(millones ) 10 12 20 18 25
Rentabilidad( %) 15 18 22 21 25
a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se relacionan ambas
variables?
b) Estime el modelo de Regresión lineal simple
c) Encontrar un intervalo de confianza para el valor medio a un 95 % para la inversion en
activos de 50 millones de dolares, si se conoce SC = 148 y CM E = 1,76

2
 SOLU CION
a) 
variable − independiente : Activo(millones)
Las − variables − interes =
variable − dependiente : Rentabilidad

b) Modelo de regresión estimada

PASO-2 La tabla de Resumen
Y X Y2 X2 XY
15 10 225 100 150
18 12 324 144 216
22 20 484 400 440
21 18 441 324 378
P 25 P 25 P 2625 P 2625 P 625
Y = 101 X = 85 Y = 2099 X = 1593 XY = 1809

PASO-2
Modelo lineal

Y = βˆ0 + βˆ1 X

Rentabilidad = βˆ0 + βˆ1 Activos

P P P
(n)( XY ) − ( Y )( X)
βˆ1 = P 2 P 2
(n)( X ) − ( X)

(5)(1809) − (101)(85)
βˆ1 = = 0,62162 =⇒ βˆ1 = 0,62162
(5)(1593) − (85)2

⇒ βˆ1 = 0,62162

PASO-3
La constante
Y )−(βˆ1 )( X)
P P
(
βˆ0 = n

(101) − (0,62162)(85)
βˆ0 = = 9,632 =⇒ βˆ0 = 9,632
5

⇒ βˆ0 = 9,632

El modelo estimado es:

Modelo Estimado
Rentabilidad = 9,632 + 0,62162Activos

3
 c) Cuánto en Promedio sera la rentabilidad con la inversión en activos de 50 millones de
dolares

Rentabilidad = 9,632 + 0,62162Activos

Rentabilidad = 9,632 + 0,62162(50)

Rentabilidad = 40,713

Construimos el intervalo de conf ianza

Intervalo de confianza
q
(x0 −X̄)2
Ŷ ± t(1− 2 ,n−2) ∗ CM E( n1 +
α
SC(X) )

Ŷ = 40,713
SC = 148
CM E = 1,46
x0 = 50
X̄ = 17
n=5
t(1− 0,05 ,5−2) = 3,182
2

Reemplazamos

r
1 (50 − 17)2
40,713 ± 3,182 ∗ 1,46( + )
5 148

Limite superior =43.71719135

Limite inferior =36.62880865
Intervalo de
confianza
(36,63; 43,72)

2. Con los datos anteriores del modelo estimado, se cuenta con información de una muestra de 5
fondos de inversión, respecto a su rentabilidad porcentual para un periodo de doce meses y el
activo total (en millones de dolares)Los datos se presentan en la siguiente tabla

Activo(millones ) 10 12 20 18 25
Rentabilidad( %) 15 18 22 21 25
a) Obtenga el coeficiente de correlación e interprete
b) Obtenga el coeficiente de determinación e interprete

4
c) Pruebe con α = 5 % si el modelo es significativo (ANOVA)

SOLU CION
a)
Con la inf ormacion de la tabla de resumen P aso 2

El Coeficiente de correlación
P P P
(n)( XY ) − ( Y )( X)
r=p p
(n)( X 2 ) − ( X)2 ∗ (n)( Y 2 ) − ( Y )2
P P P P

(5)(1809) − (101)(85)
r=p p
(5)(1593) − (85)2 ∗ (5)(2099) − (101)2

r = 0,9862

Solución
r = 0,9862

Se confirma la relación lineal entre los activos y la rentabilidad con un coeficiente de corre-
lación de 0.9862, evidencia la relación lineal positiva intensa entre dichas variables. Por lo
tanto, se concluye una relación directa fuerte entre los activos y la rentabilidad
b) Con el coeficiente de correlación del ejercicio anterior

El Coeficiente de determi-
nación

r2 = R2 =⇒ caso − M RLS

⇒ R2 = 0,98622 = 0,9726 =⇒ 0,9726 ∗ 100 = 97,26 % =⇒ R2 = 97,26 %

Solución

R2 = 97,26 %

Rentabilidad = 9,632 + 0,62162Activos

El modelo explica un 97,26 % de la variablidad de la rentabilidad, es decir, el modelo tiene

una muy buena capacidad predictiva, el modelo tiene muy buen ajuste.
c) ANOVA

Hipótesis

H0 : β1 = 0
Hipótesis =
H1 : β1 6= 0

Dados la suma de cuadrados totales, explicados y residuales, segun la tabla

5
 Fuente de variación GL SC CM Fc Ftab
Regresión k-1=1 57.189 57.189 106.51 10.13
Residuales n-k=3 1.611 0.537

 57,189
F − calculado : 0,537 = 106,51
Inf erencia =
F − de − la − tabla : Ftab = F (1 − α, 1, 3) = 10,13

α = 0,05
Decisión
F c > Ftab =⇒ Rechazamos la hipótesis nula

Interpretacion
El modelo en su conjunto es estadisticamente significativo, pues existe suficiente evi-
dencia para rechazar la hipótesis nula β = 0, se confirma la existencia de una relación
lineal entre las dos variables sujetos de análisis

3. Se ha reunido la siguiente información de una muestra aleatoria de arrendadores de departamen-

tos en una ciudad. Se intenta predecir la renta (en dólares por mes) con base en el tamaño del
departamento (número de habitaciones) y la distancia al centro de la ciudad (en millas).

Y Tamaño Distancia
360 2 1
1000 6 1
450 3 2
525 4 3
350 2 10
300 1 4
a) Estime el modelo de Regresión lineal Multiple(EN LA PC SE UTILIZARA LA FORMA
ALTERNATIVA CON EXCEL)
b) Interpretar cada uno de los coeficientes

SOLU CION
a) Resolviendo el sistema de ecuaciones matricialmente del ejercicio desarrollado en la https:
//canvas.utp.edu.pe/courses/282195/files/87683455?module_item_id=30029403


 6b0 + 18b1 + 21b2 = 2985
Sistema = 18b0 + 70b1 + 50b2 = 11170
21b0 + 50b1 + 131b2 = 8535


1) Representación matricial

     
6 18 21 b0 2985
18 70 50  . b1  = 11170
21 50 131 b2 8535

6
2) Definimos las matrices

 
6 18 21
A = 18 70 50 
21 50 131

 
2985 18 21
A0 = 11170 70 50 
8535 50 131

 
6 2985 21
A1 = 18 11170 50 
21 8535 131

 
6 18 2985
A2 = 18 70 11170
21 50 8535

3) Encontramos los determinantes

 
6 18 21      
70 50 18 50 18 70
A = 18 70 50 = 6
  − 18 + 21
50 131 21 131 21 50
21 50 131

A=6[(70)(131)-(50)(50)]-18[(18)(131)-(50)(21)]+21[(18)(50)-(21)(70)]=4506

A = 4506

 
2985 18 21      
70 50 11170 50 11170 70
A0 = 11170 70 50 = 2985
  −18 +21
50 131 8535 131 8535 50
8535 50 131

A0 = 2985[(70)(131) − (50)(50)] − 18[(11170)(131) − (8535)(50)] + 21[(11170)(50) −

(8535)(70)] = 434640

A0 = 434640

 
6 2985 21      
11170 50 18 50 18 11170
A1 = 18 11170 50 = 6
  − 2985 + 21
8535 131 21 131 21 8535
21 8535 131

7
 A1 = 6[(11170)(131) − (50)(8535)] − 2985[(18)(131) − (50)(21)] + 21[(18)(8535) −
(21)(11170)] = 615000

A1 = 615000

 
6 18 2985      
70 11170 18 11170 18 70
A2 = 18 70 11170 = 6
  − 18 + 2985
50 8535 21 8535 21 50
21 50 8535

A2 = 6[(70)(8535) − (50)(11170)] − 18[(18)(8535) − (11170)(21)] + 2985[(18)(50) −

(21)(70)] = −10830

A2 = −10830

4) Encontramos los coeficientes

434640
β0 = = 96,46
4506

615000
β1 = = 136,48
4506

−10830
β2 = = −2,403
4506

Modelo lineal

Ŷ = 96,481 + 136,485N habitaciones − 2,401Distancia

b) La interpretación es
β0 =La renta esperada(promedio), cuando el tamaño del departamento y la distancia
al centro de la ciudad toman el valor de cero será de 96.481 soles
β1 = Por cada incremento de una habitación, la renta esperada(promedio) se incremen-
tará en 136.485 soles manteniendo constante la distancia al centro de la ciudad.
β2 =Por cada incremento de una unidad de distancia al centro de la ciudad, la renta
esperada (promedio) disminuirá en -2,401 soles manteniendo constante el número de
habitación

4. Dado el modelo estimado

P roductividad = 14,56176926 + 30,10919378 Horas extra + 12,16086773 Capacitacion

8
Complete el cuadro y responda, segun la tabla ANOVA

Fuente de variación GL SC CM Fc Ftab

Regresión k-1=2 8703.42244 — — —
Residuales n-k=3 759.9108936 — —
a) El modelo segun ANOVA es estadisticamente significativo, interprete?

SOLU CION
Hipótesis

H0 : β1 = β2 = 0
Hipótesis =
H1 : βi 6= 0 ; ∀i = 1, 2

AN OV A
Fuente de variación GL SC CM Fc Ftab
Regresión k-1=2 8703.42244 4351.71122 17.1798217 9.55
Residuales n-k=3 759.9108936 253.3036312
Para encontrar el FT ab utilice el link https://canvas.utp.edu.pe/courses/282195/files/
92194223?module_item_id=35839697
 4351,71122
Fc : 253,3036312 = 17,1798217
Inf erencia =
FT ab : Ftab = F (1 − α, 2, 3) = 9,55

α = 0,05
Decisión
F c > Ftab =⇒ Rechazamos la hipótesis nula

Interpretación
El modelo en su conjunto es estadisticamente significativo, pues existe suficiente evidencia
para rechazar la hipótesis nula H0 , Por lo menos uno de los coeficientes es distinto de cero,
la causalidad no es generada por el azar