Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 19 vistas

    Ejercicio 14

    Cargado por

    ferwookji
    Este documento presenta los resultados de varios ejercicios estadísticos realizados como parte de una tarea. Se ajustaron modelos de regresión lineal y cuadrática a diferentes conjuntos de datos para predecir ventas, ganancias y producción agrícola. En general, los modelos cuadráticos proporcionaron un mejor ajuste a los datos que los modelos lineales simples.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Ejercicio 14

    Cargado por

    ferwookji
    19 vistas7 páginas
    Este documento presenta los resultados de varios ejercicios estadísticos realizados como parte de una tarea. Se ajustaron modelos de regresión lineal y cuadrática a diferentes conjuntos de datos para predecir ventas, ganancias y producción agrícola. En general, los modelos cuadráticos proporcionaron un mejor ajuste a los datos que los modelos lineales simples.

    Descripción original:

    gfxcghklncxzxcvj,lñ

    Título original

    EJERCICIO 14

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta los resultados de varios ejercicios estadísticos realizados como parte de una tarea. Se ajustaron modelos de regresión lineal y cuadrática a diferentes conjuntos de datos para predecir ventas, ganancias y producción agrícola. En general, los modelos cuadráticos proporcionaron un mejor ajuste a los datos que los modelos lineales simples.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    19 vistas7 páginas

    Ejercicio 14

    Cargado por

    ferwookji
    Este documento presenta los resultados de varios ejercicios estadísticos realizados como parte de una tarea. Se ajustaron modelos de regresión lineal y cuadrática a diferentes conjuntos de datos para predecir ventas, ganancias y producción agrícola. En general, los modelos cuadráticos proporcionaron un mejor ajuste a los datos que los modelos lineales simples.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 7

    Danna Paola Pérez Martínez 3051287

    María Fernanda Calamaco Arenas 3052737

    Carlos Iván Carbajal Nájera 3068901

    Hannia Carolina Carbajal Nájera 2915684


    Materia: Estadística y pronósticos para la Nombre del profesor: Melchor Enrique
    toma de decisiones Góngora Martínez

    Modulo: 3 Actividad: Ejercicio 14


    Fecha: 26 de noviembre del 2023.

    Referencias

    • Morales Hernandez, J. A. (N.D.). Canvas Tecmilenio. Obtenido de Estadísticas y Pronóstico para la


    toma de desiciones: https://cursos.tecmilenio.mx/courses/144402/pages/mi-
    curso?module_item_id=515308 (Morales Hernandez, N.D.)
    Realizar los siguientes ejercicios empleando un software estadístico o Excel. En tus
    resultados debes presentar evidencia de los análisis estadísticos realizados. Los problemas
    se pueden realizar en pareja o de manera individual.

    1. Una cadena de comida rápida ha experimentado un cambio importante en sus


    ventas como resultado de una campaña de publicidad exitosa. En
    consecuencia, la gerencia ahora necesita un nuevo modelo de regresión para
    sus ventas. Los siguientes datos se recolectaron en las doce semanas
    posteriores al inicio de la campaña de publicidad.

    1. Usa Excel o Minitab para determinar la ecuación que mejor se


    ajuste a sus ventas.
    Y = 9092.8x - 26233
    b. Encuentra el coeficiente de determinación e interprétalo en el
    contexto del problema.
    Estadísticas de la regresión
    Coeficiente de determinación R^2 0.83

    Representa la proporción de la variabilidad en las ventas que puede explicarse por el


    modelo de regresión. En este caso, aproximadamente el 83% de la variabilidad en las
    ventas se explica por el tiempo.
    c. ¿Estás satisfecho con el modelo como pronosticador de ventas (Y)? Explica.
    Realiza todas las etapas de una prueba de hipótesis con α = 0.05.
    Intercepto (β0)
    H0: β0=0 (No hay intercepto significativo).
    H1: β0≠0 (Hay un intercepto significativo).

    H0: β1 = 0
    1
    Ha: βi ≠ 0
    2
    Calculada 49.10
    3
    F teórica 4.96

    La probabilidad es mucho menor que 0.05, por lo que rechazamos la hipótesis nula.
    En este caso, para ambas hipótesis nulas se rechazan, lo que significa que tanto el
    intercepto como la pendiente son estadísticamente significativos en el modelo de
    regresión.
    d. Transforma la variable independiente (X2) y ahora corre de nuevo el modelo
    con X y X2 como variables explicativas. ¿Es este modelo cuadrático un mejor
    ajuste para los datos? Explica. Realiza todas las etapas de una prueba de
    hipótesis con α = 0.05.

    A. H0: β1 = 0
    Ha: βi ≠ 0
    B.
    T calculada (X1) -8.46
    T calculada (X2) 18.41
    C.
    T teórica 2.2622
    Para β1: El valor absoluto de la t-estadística (8.46) es mayor que el t-teórico (2.2622). Por lo
    tanto, rechazas la hipótesis nula y concluyes que el coeficiente lineal (β1) es
    significativamente diferente de cero.
    Para β2: El valor absoluto de la t-estadística (18.41) es mucho mayor que el t-teórico
    (2.2622). Por lo tanto, rechazas la hipótesis nula y concluyes que el coeficiente cuadrático
    (β2) es significativamente diferente de cero.
    Ambos coeficientes lineal y cuadrático son significativamente diferentes de cero. Esto
    sugiere que el modelo cuadrático, que incluye tanto X como X2 como variables
    explicativas, es un mejor ajuste para los datos en comparación con un modelo lineal
    simple. La transformación de la variable independiente ha mejorado la capacidad del
    modelo para explicar la variabilidad en la producción de bellotas en función del tiempo.
    e. Encuentra el coeficiente de determinación e interprétalo en el
    contexto del problema. Compáralo con el obtenido en el inciso b)
    ¿Cuál modelo prefieres? ¿Por qué?
    Estadísticas de la regresión
    Coeficiente de determinación R^2 0.996

    Se puede observar que al transformar la variable X en X^2 da un coeficiente de


    determinación de 0.996 el cual al estar cercano al 1 nos muestra que el modelo tiene un
    buen ajuste en los datos.
    Dado que el coeficiente de determinación (R2) del modelo cuadrático es
    significativamente más alto (0.996) en comparación con el modelo lineal (0.83), y las
    pruebas de hipótesis indican la significancia de los coeficientes cuadráticos, se podría
    preferir el modelo cuadrático.

    2. Un editor de libros de texto universitarios realizó un estudio para relacionar la


    ganancia por libro (Y) con el costo de venta (X) para un periodo de seis años.
    Se obtuvieron los siguientes datos (en miles de dólares, ajustados por la
    inflación):

    Utilidad por libro dólares, 16.5 22.4 24.9 28.8 31.5 35.8
    (Y)

    Costo de venta por libro en dólares, (X) 5.0 5.6 6.1 6.8 7.4 8.6

    1. Ajusta un modelo cuadrático.


    2. ¿Proporcionan los datos suficiente evidencia para indicar una
    curvatura entre (Y) y (X)? Realiza todas las etapas de la prueba de
    hipótesis con α = 0.05.
    Y = -0.8198x2 + 16.334x - 44.192

    Paso 1 H0 : β1 = 0
    Ha : βi ≠ 0
    Paso 2
    Calculada 1726.44
    Paso 3
    F teórica 9.55

    Hipótesis Nula (H0): El coeficiente cuadrático (β2) es igual a cero.


    Hipótesis Alternativa (Ha): El coeficiente cuadrático (β2) no es igual a cero.
    Dado que Fcalculada = 1726.44 es mucho mayor que FTeórico = 9.55, se rechaza la hipótesis
    nula. Esto sugiere que el término cuadrático es significativamente diferente de cero,
    proporcionando evidencia suficiente para indicar una curvatura en la relación entre Y
    (número de bellotas) y X (tiempo en semanas).

    3. Encuentra el coeficiente de determinación en la salida de Excel e interpreta


    su valor en el contexto del problema.

    Estadísticas de la regresión
    Coeficiente de determinación R^2 0.965271903
    El R indica que aproximadamente el 96.53% de la variabilidad en la ganancia por libro se
    2

    puede explicar mediante el modelo de regresión cuadrático. En otras palabras, el modelo


    es muy efectivo para explicar y predecir cómo la ganancia por libro está relacionada con el
    costo de venta. Este alto R2 sugiere que el modelo proporciona una descripción robusta
    de la variabilidad en la variable de interés, capturando tanto la relación lineal como la
    cuadrática.
    4. Utiliza la ecuación de predicción para estimar la utilidad media del libro
    cuando el costo de venta por libro es de $6500 (expresa dicho costo en
    miles de dólares antes de sustituirlo en la ecuación).

    Utiliza la ecuación de predicción


    Modelo cuadrático Regresión lineal
    27.34 26.22

    La estimación de la utilidad media del libro cuando el costo de venta por libro es de $6500
    es aproximadamente $27.35 miles de dólares.

    3. Un agrónomo está interesado en la producción de algodón recopilada en los


    siguientes datos referentes al número de bellotas por planta durante la
    estación de crecimiento. Aquí Y es la media del número de bellotas por planta
    y X es el tiempo medido en semanas.

    Y, bellotas 110 470 1040 1100 1000 820

    X, semanas 1 4 7 9 12 15

    1. Utiliza Excel o cualquier otro paquete estadístico como Minitab para


    obtener un diagrama de dispersión.
    2. Ajusta un modelo cuadrático, es decir X y X2. ¿Proporcionan los
    datos suficiente evidencia para indicar una curvatura entre el
    número de bellotas (Y) y el tiempo en semanas (X)? Realiza todas las
    etapas de la prueba de hipótesis con α = 0.05.
    Ecuación:
    Y = -11.878x2+244.22x-175.55
    Hipótesis Nula (H0): El coeficiente cuadrático (X2) es igual a cero.
    Hipótesis Alternativa (H1): El coeficiente cuadrático (X2) no es igual a cero.
    F calculada: 31.97
    Coeficiente de significancia: 0.05
    F teórica: 9.55
    Dado que el estadístico F calculado (31.97) es mayor que el estadístico F teórico (9.55) y α
    es 0.05, se rechaza la hipótesis nula. Esto sugiere que al menos uno de los coeficientes en
    el modelo de regresión cuadrática es significativamente diferente de cero. En otras
    palabras, el modelo cuadrático proporciona una mejora significativa sobre un modelo sin
    términos cuadráticos.
    3. Encuentra el coeficiente de determinación en la salida del software
    que elegiste e interpreta su valor en el contexto del problema.

    Estadísticas de la regresión
    Coeficiente de determinación R^2 0.96

    R2=0.96552 significa que aproximadamente el 96% de la variación en el número de


    bellotas se puede atribuir a la variación en las semanas según el modelo.
    4. Utiliza la ecuación de predicción para estimar el número de bellotas
    cuando el número de semanas es de 8, 10 y 14.

    Ecuación de predicción
    8 1018
    10 1079
    14 915

    Estos valores estimados representan el número de bellotas predicho por el modelo


    cuadrático para las semanas especificadas.

    También podría gustarte