SITUACIÓN PROBLEMA

Los factores de impacto y la relación con el valor

de un automóvil

Análisis Estadístico

Maestra Alejandra Morales

Ana Jimena Gallegos Rongel – A01252605

Diego Uribe Espinoza – A01254073
José Pablo Fong Coronado – A01252402
Luis Carlos Rico Almada – A01252831
Datos: Agencia de autos seminuevos,
recolectaron 31 datos.

1era Fase
Construya un diagrama de dispersión para la
antigüedad y el precio.
¿Considera adecuado usar un modelo lineal?

• R = - 0.8723 = Alta relación negativa

• R2 = 76. 11% = Variabilidad entre el
precio y la antigüedad
• P-valor < 0.05 = modelo significativo
• Analisis de varianza, Error = 29

• ¿Puntos parecen más una relación

cuadrática?
 ¿Qué tipo de modelo de regresión utilizaría?

Modelo Cuadrático:

• R2 = 86. 6% = Variabilidad entre el

precio y la antigüedad
• P-valor < 0.05 = modelo significativo
• Analisis de varianza, Error = 28

• El valor de R2 > en el modelo cuadrático,

además se ajustan mejor los datos, el
Error es menor en el modelo cuadrático.
• Usaríamos el modelo de regresión
cuadrático.
Construya un diagrama de dispersión para el
kilometraje y el precio.
¿Considera adecuado usar un modelo lineal?

• R = -0.851 = Alta relación negativa

• R2 = 72.46% = Variabilidad entre el
precio y la antigüedad
• P-valor < 0.05 = modelo significativo
• Analisis de varianza, Error = 29

• ¿Puntos parecen más una relación

cuadrática?
 ¿Qué tipo de modelo de regresión utilizaría?

Modelo Cuadrático:

• R2 = 86. 5% = Variabilidad entre el

precio y la antigüedad
• P-valor < 0.05 = modelo significativo
• Analisis de varianza, Error = 28

• El valor de R2 > en el modelo cuadrático,

además se ajustan mejor los datos, el
Error es menor en el modelo cuadrático.
• Usaríamos el modelo de regresión
cuadrático.
Ajuste un modelo de regresión lineal múltiple para estimar el
precio de venta con base en la antigüedad y el kilometraje.

• y = 350436 – 22744x1 – 900x2

• x1 = Antigüedad, x2 = Kilometraje
• p-valor < 0.05 = es significativo.
• R2 = 79.77%
¿Consideramos el modelo apto para los datos?
Supuestos:
• Normalidad: Si se cumple por que el
histograma tiene forma acampanada
y los puntos están sobre la recta.
• Varianza constante: No se cumple
porque no hay una varianza
constante a lo largo de la recta
central, parece más cuadrática.
• Errores independientes: Si se cumple
porque no parece haber relación
alguna entre los errores.
• Como un supuesto no se cumple,
Grafica 4 en 1 consideramos que el modelo no es
apto.
Ajuste un modelo de regresión lineal múltiple considerando todas
las variables proporcionadas.

𝒚 = 𝟐𝟗𝟕𝟐𝟔𝟎 − 𝟐𝟐𝟔𝟔𝟒𝒙𝟏 − 𝟒𝟏𝟒𝒙𝟐 + 𝟏𝟒𝟒𝟓𝟔𝒙𝟑 + 𝟔𝟓𝟔𝟑𝟒𝒙𝟒 − 𝟏𝟓𝟓𝟐𝟑𝒙𝟓

• x1 = Antigüedad, x2 = Kilometraje
• x3 = Condición prom, x4 = Condición exc.
• x5 = Único dueño
• p-valor > 0.05 no es significativo.
• R2 = 87.57 %
¿Consideramos el modelo apto para los datos?
Supuestos:
• Normalidad: Si se cumple por que el
histograma tiene forma acampanada
y los puntos están sobre la recta.
• Varianza constante: No se cumple
porque no hay una varianza
constante a lo largo de la recta
central, parece más cuadrática.
• Errores independientes: Si se cumple
porque no parece haber relación
alguna entre los errores.
• Como un supuesto no se cumple,
consideramos que el modelo no es
Grafica 4 en 1
apto.
 Datos: Agencia de autos seminuevos,
recolectaron 12 datos de ventas.

Cierta tendencia, Hay estacionalidad, Datos aleatorios porque no

sobrepasan la línea de confianza.
2nda Fase
Tendencia Lineal Tendencia Cuadrática
Tendencia Exponencial Tendencia Logística
Promedio Simple Promedio de Orden 2

• Pronostico para el trimestre 13 = 12 carros

• 95% de confianza que se encuentra en el
intervalo (4.7521, 19.25)
• MAPE = 43.5437
 Promedio de Orden 3 Suavización Exponencial con
Arima Optimo

Pronostico para el trimestre 13 = 10.6 (11) carros Pronostico para el trimestre 13 = 10.51 (10) carros
• 95% de confianza que se encuentra en el • 95% de confianza que se encuentra en el
intervalo (3.58, 17.7) intervalo (3.99, 17.04)
• MAPE = 37.112O • MAPE = 37.0122
 Suavización Exponencial con Suavización Exponencial con
Alpha = 0.1, K = 6 Alpha = 0.6, K = 6

• Pronostico para el trimestre 13 = 8.01 (8) carros • Pronostico para el trimestre 13 = 12 carros
• 95% de confianza que se encuentra en el • 95% de confianza que se encuentra en el
intervalo (1.19, 14.85) intervalo (5.06, 19.07)
• MAPE = 37.2133 • MAPE = 43.3243
Elija el modelo que considere más adecuado para determinar las
proyecciones de auto vendidas del próximo año:
Modelo Medida de Exactitud: MAPE Pronostico

Tendencia lineal 29.6375 11.9091

Tendencia cuadrática 29.9461 12.1364
Tendencia exponencial 27.6897 12.7122
Tendencia logística 28.0668 9.9425
Tendencia basada en 36.0790 8
promedio simple
Tendencia basada en 43.5437 12
promedio de orden 2
Tendencia basada en 37.1120 10.6667
promedio de orden 3
Tendencia basada en 37.0122 10.51
suavización exponencial
arima optimo
Tendencia basada en 37.2133 8.01802
suavización exponencial
Alpha = 0.1, K = 6
Tendencia basada en 43.3243 12.0648
suavización exponencial
Alpha = 0.6, K = 6
Elija el modelo que considere más adecuado para determinar las
proyecciones de auto vendidas del próximo año:

La tendencia logística cuenta con el MAPE más chico, pero su línea de pronostico no parece
cumplir correctamente el patrón. Por lo tanto, pensamos que solamente será útil para
pronosticar 1 trimestre.
Elija el modelo que considere más adecuado para determinar las
proyecciones de auto vendidas del próximo año:

Para más pronósticos, podríamos utilizar otros modelos que tengan el MAPE más pequeño
a consideración de los demás. Pero que además, sigan el patrón hasta cierto punto. Como
con el de suavización exponencial con Arima optima.
Gracias!