Taller de Regresion Final PDF

LABORATORIO DE PROCESOS AGROINDUSTRIALES
Programa de Ingeniera Industrial V Semestre
CONTROL DE PRODUCCION
EJERCICIOS DE REGRESION LINEAL SIMPLE Y MULTIPLE
Preparado por:
ARVEY MANCHOLA VARGAS
Cdigo: 4009018169
CARLOS ALBERTO FIAGA FIGUEROA
Cdigo: 4009018123
FABIO ANDRES SALAZAR DURAN
Cdigo: 4009017887
CLAUDIA MARCELA LOPEZ OSPINA
Cdigo: 4009018211
Presentado a:
MIGUEL ANGEL GONZALEZ URIBE
Ingeniero Industrial
CORPORACION UNIVERSITARIA DEL HUILA CORHUILA

PROGRAMA DE INGENIERIA INDUSTRIAL
SEPTIMO SEMESTRE
NEIVA (HUILA), MARZO 2012
CONTROL DE PRODUCCIN
CORPORACIN UNIVERSITARIA DEL HUILA CORHUILA

INGENIERA INDUSTRIAL
1. Sobre un conjunto de conductores se ha realizado una encuesta para analizar su

edad (Y) y el nmero de accidentes que han sufrido (X). A partir de la misma, se
obtuvieron los siguientes resultados:
X/Y
0
1
2
(20,30]
74
7
3
(30,40] (40,50]
82
78
6
5
2
2
(50,60]
72
6
1
(60,70]
7
5
1
A partir de estos datos, se le pide que determine para esta distribucin las curvas de
regresin de Y sobre X y de X sobre Y.
0
1
2
(20,30]
74
7
3
84
(30,40]
82
6
2
90
x= Nmero de Accidentes que han sufrido

y= Edad
Y
(40,50]
78
5
2
85
(50,60]
72
6
1
79
(60,70]
7
5
1
13
TOTAL
313
29
9
351
TALLER: EJERCICIOS DE REGRESIN
Solucin del ejercicio:
RESUMEN DE DATOS
CANTIDAD
PERSONAS
74
7
3
82
6
2
78
5
2
72
6
1
7
5
1
EDAD
PROMEDIO
25
25
25
35
35
35
45
45
45
55
55
55
65
65
65
No.
ACCIDENTES
0
1
2
0
1
2
0
1
2
0
1
2
0
1
2
Grficas
70
50
40
30
20
10
0
0
y = 1,105x + 40,493
0,5
1,5
No. de Accidentes que han sufrido
2,5
Cantidad de Personas
60
No. de Accidentes que han sufrido
2,5
1,5
0,5
0
0
10
y = 0,0013x + 0,0801
20
30
40
50
60
70
Cantidad de Personas
2. Para la economa espaola, disponemos de los datos anuales redondeados sobre

consumo final de los hogares a precios corrientes (Y) y renta nacional disponible
neta (X), tomados de la Contabilidad Nacional de Espaa base 1995 del INE, para el
Ao
Yt
Xt
1995
258'6
381 '7
1996
273'6
402'2
1997
289'7
426'5
1998
308'9
454'3
1999 2000
331 '0 355'0
486'5 520'2
2001
377'1
553'3
2002
400'4
590'0
Considerando que el consumo se puede expresar como funcin lineal de la renta

(Yt=a+bXt), determine:
a) Los parmetros a y b de la recta de regresin.
perodo 1995-2002, ambos expresados en miles de millones de euros:
b) El coeficiente de determinacin de dicha regresin.

c) La prediccin del valor que tomar el consumo para una renta de 650.000
millones de euros.
Ao
1995
1996
1997
1998
1999
2000
2001
2002
Xt
381,7
402,2
426,5
454,3
486,5
520,2
553,3
590,0
Yt
258,6
273,6
289,7
308,9
331,0
355,0
377,1
400,4
400,0
350,0
300,0
250,0
200,0
150,0
100,0
50,0
-
y = 0,6834x - 1,5973
100,0
200,0
300,0
400,0
Renta nacional disponible neta
500,0
600,0
700,0
Consumo final hogares a Precios Corrientes
450,0
a) Los parmetros a y b de la recta de regresin son:
Y
a
b
bX
1,5973
0,6834
b) El coeficiente de determinacin es igual a 0,9998, es decir, que la confiabilidad

que me brinda el pronstico es de 99,98 %.
c) La prediccin del valor del consumo para una renta de 650.000 millones de Euros
se calculara con la ecuacin y
millones el valor correspondiente (
0,6834
1,5973, expresando en miles de
650,1 .
Reemplazando en la frmula obtendremos,
0,6834
0,6834 650,1
1,5973
Por lo tanto la respuesta estar dada por 442.600 millones de Euros () en el

consumo final de los hogares a precios corrientes.
1,5973
Variable X 1 Grfico de los residuales

Residuos
2
1
0
-1
100,0
200,0
300,0
-2
400,0
500,0
600,0
700,0
Variable X 1
3. Se supone que se puede establecer cierta relacin lineal entre las exportaciones de
un pas y la produccin interna de dicho pas. En el caso de Espaa, tenemos los
datos anuales (expresados en miles de millones de pesetas) para tales variables
Aos
Produccin
Exportaciones
1992
52.654
10.420
1993
53.972
11.841
1994
57.383
14.443
1995
61.829
16.732
1996
65.381
18.760
A partir de tal informacin, y considerando como vlida dicha relacin lineal, se

pide:
correspondientes al quinquenio 1992-96 en la siguiente tabla:
a)
Si la produccin para el ao 1997 fue de 52.106.100 millones de pesetas, cul

sera la prediccin de las exportaciones para este ao? Qu grado de precisin
tendra dicha prediccin?
b) Si sabemos que las exportaciones para 1997 fueron de 69.045.704 millones de

pesetas, cul sera la produccin interna aproximada para ese ao? Qu
grado de confianza dara usted a esta prediccin?
Aos
1992
1993
1994
1995
1996
Produccin (x) Exportaciones (y)

52.654
10.420
53.972
11.841
57.383
14.443
61.289
16.732
65.381
18.760
Grfica
25.000
15.000
10.000
5.000
y = 0,6466x - 23154
10.000
20.000
30.000
40.000
Produccin
50.000
60.000
70.000
Exxportaciones
20.000
a) Produccin para el ao 1.997= 52.106.100 millones de pesetas, representados

en miles de millones obtendra,
52106,1 .
Reemplazamos en la ecuacin:
0,6466
23154
0,6466 52106,1
,!
23154
Es decir, que el valor de las exportaciones sera de 10.539.000 millones de

pesetas aproximadamente. En cuanto a la precisin de la prediccin,
consideramos que la precisin est relacionada con la menor cantidad de
residuos presentados en el modelo, por lo tanto si observamos la grfica de los
residuales observamos que es poco preciso.

500
0
-500
-1000
10.000
20.000
30.000
40.000
Variable X 1
50.000
60.000
70.000
Residuos
1000
10
b) Exportaciones para el
ao 1997 = 69.045.704 millones
representadas en miles de millones obtendremos que, "
0,6466
69045,704
de Pesetas,
69045,704
23154
0,6466
23154
Despejamos x,
69045,704 23154
0,6466
# ,
Es decir, que el valor de la Produccin sera de 142.591.500 millones de

pesetas. En cuanto al grado de confianza, tendramos en cuenta el valor que nos
brinda el modelo de pronstico en el coeficiente de determinacin (R2), de
0,9856. Generndome un grado de confiabilidad de un 98,56%, y una viabilidad
de 0,99, muy cercano a 1, por lo que concluimos que el grado de confianza que
nos brinda el pronstico es bastante alto.
11
12
4. La empresa COLOBONA S. A .L. ha trabajado hasta ahora con la hiptesis de que

las ventas de un perodo dependen linealmente de los gastos de publicidad
efectuados en el perodo anterior. En este momento, le solicitan a usted la
realizacin de un anlisis que ponga de manifiesto si la hiptesis, hasta ahora
mantenida, se puede seguir sosteniendo en funcin de los datos que le suministran.
AOS
GASTOS
VENTAS
1987
21
1988
22
19
1989
25
20
1990
26
22
1991
27
23
1992
29
24
1993
30
26
En el informe final de su anlisis, deber responder a las siguientes preguntas:
a) Se incrementarn las ventas del perodo siguiente al aumentar los gastos en

publicidad del perodo actual?
teniendo en cuenta los valores de las variables?
c) Cul ser la prediccin de las ventas para 1994? Qu precisin tendr ese
pronstico?
b) Es adecuado suponer que el ajuste entre estas variables es efectivamente lineal
13
d) Si para el ao 1994 se piensa incrementar los gastos de publicidad en un 10%,

qu incremento relativo cabra esperar para las ventas de 1995 con respecto a
las de 1994, segn el modelo ajustado?
Solucin del Ejercicio:

El cuadro de datos que nos brinda el ejercicio refleja los gastos en Publicidad en
sus respectivos aos, sin embargo, dicha inversin no se ver reflejada sino en el
ao inmediatamente despus, es decir, los gastos de publicidad para el ao
1.987 fueron de 21, por lo tanto , para el ao 1.988 las ventas sern de 19. De
esta forma hemos optado por reajustar la informacin en el cuadro
correspondiente, obteniendo los datos que se observan a continuacin:
Gastos (x) Ventas (y)
1987
21
19
1988
22
20
1989
25
22
1990
26
23
1991
27
24
1992
29
26
1993
30
26,57
1994
33
29,11
Aos
14
Aos
Gastos
1987
1988
1989
1990
1991
1992
1993
1994
Gastos (x)
21
22
25
26
27
29
30
33
Aos
Ventas
1988
1989
1990
1991
1992
1993
1994
1995
Ventas (y)
19
20
22
23
24
26
26,57
29,11
Grfica
30
25
15
10
0
0
10
15
20
GASTOS
25
30
35
y = 0,8478x + 1,1377
VENTAS
20
15
a) Para determinar si las ventas se incrementarn en el perodo siguiente al

aumentar los gastos en publicidad del perodo actual, tomamos como referencia
el ao 1993, por lo que tendremos que calcular primero cual es el volumen de
ventas en ese perodo con respecto a los gastos en publicidad, cuyo valor es de
30.
Aplicamos la ecuacin obtenida en la grfica:
0,8478
0,8478 30
1,1377
1,1377
Para el periodo de 1.993 los gastos de publicidad poseen un valor de 30, por lo
que dicha inversin se ver reflejado en el ao inmediatamente siguiente, por lo
tanto las ventas para el perodo de 1.994 sern de 26,57.
Ahora incrementaremos en un 10% los gastos de Publicidad para el ao 1.994 y
determinar si efectivamente las ventas tambin aumentan.
Gastos 1.994 = 33
0,8478
0,8478 33
#,
1,1377
1,1377
Gastos 1.993 = 30 *10% = 33
16
Podemos observar que si incrementamos los gastos de publicidad para el perodo

actual
(1.994),
las
ventas
del
perodo siguiente (1.995)
efectivamente
aumentaran.
b) El ajuste entre estas variables es totalmente lineal, si observamos la lnea de

tendencia que nos muestra la grfica podemos apreciar que los valores de las
variables as lo indican.
c) La prediccin de las ventas para 1.994 es de 26,57. El modelo que nos presenta
el ejercicio ser bastante preciso ya que los residuos son casi nulos, los valores
oscilan o son muy cercanos a 0. Observar grfico de los residuales.
0,4
0,3
0,2
0,1
0
-0,1 0
-0,2
-0,3
-0,4
10
15
20
25
30
35
Variable X 1
d) Para el ao 1.994 se incremento en un 10% los gastos de Publicidad, por lo que

en el ao 1.995 de observaron unas ventas de 29,11. Es decir, 2,54 ms alta con
respecto a las ventas de 1.994 que fueron de 26,57.
Residuos
17
18
Distribuciones tridimensionales:
5. No es algo desconocido el hecho de que las entradas de turistas extranjeros en

Espaa no han hecho sino crecer de forma continuada durante las ltimas dcadas,
coadyuvando a este hecho las peculiares caractersticas climatolgicas, econmicas
y culturales de nuestro pas. A partir de esta idea de principio, se ha querido ahondar
en el tema, analizando si la riqueza del turista y la distancia de su pas al nuestro son
factores vinculantes a la hora de tomar la decisin de visitarnos. Para ello, hemos
recogido en la siguiente tabla las entradas de turistas procedentes de 5 pases
diversos para un determinado ejercicio econmico, junto con su PIB per capita (en
miles de euros) y la distancia en kilmetros desde cada uno de los pases
considerados al nuestro:
Pas
N turistas entrados
PIB per cpita (103 )
Distancia (Kms.)
1800000
3'1
1500
2500000
4'2
1200
700000
2'7
3100
1200000
3'0
2500
1900000
4'0
1800
a) Determine la relacin lineal que explicara las entradas de turistas en funcin del
PIB per cpita y de la distancia.
b) Es dicho modelo suficientemente explicativo?
A partir de tal informacin, se le pide que:
19
c) Cul de las dos variables explicativas est ms correlacionada con la entrada de

turistas?
Distancia Kms.
N Turistas entrados
(X1)
(X2)
(Y)
3,1
1500
1800000
4,2
1200
2500000
2,7
3100
700000
3,0
2500
1200000
4,0
1800
1900000
Pas
a) En la grfica siguiente podemos observar que existe una relacin del PIB per
cpita que incide en la cantidad de turistas en Espaa, y precisamente es que a
mayor PIB per cpita, mayor ser la cantidad de turistas que ingresan a Espaa.
3000000
2500000
1500000
1000000
500000
0
0,0
1,0
2,0
3,0
4,0
5,0
No. Turistas
2000000
20
Por el contrario a la relacin existente entre la distancia en Kilmetros (Km), el cual

refleja que a mayor distancia, menor ser la cantidad de turistas que ingresan a
Espaa.
3000000
2500000
No. Turistas
2000000
1500000
1000000
500000
0
0
500
1000
1500
2000
2500
3000
3500
Distancia Km.
b) El modelo nos ofrece una viabilidad de 0.99, muy cercana a la ideal que es 1, y
un porcentaje de confiabilidad del 99.28%. Teniendo en cuenta est informacin
afectarn la entrada de turistas a Espaa, esto podra incidir considerablemente

en los resultados del modelo anteriormente expuesto.
podemos afirmar que en determinado caso si hubiesen otros factores que
21
22
c) Para determinar la correlacin de las dos variables explicativas, decidimos

implementar modelos de pronstico independientes para cada una (PIB per
cpita y distancia Kms.), para lograr obtener los datos correspondientes y
basados en el porcentaje de confiabilidad, asumimos que el mayor grado de
incidencia en la entrada de turistas lo tiene la distancia en Km, presentando un
94.22 % de confiabilidad, mientras que el PIB per cpita, nos arroja un 80,02 %,
muy por debajo del dato anterior.
Grfica de residuales (Modelo con las dos Variables Explicativas)

100000
Residuos
50000
0
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
-50000
-100000
Variable X 1
Residuos
50000
0
0
500
1000
1500
2000
-50000
-100000
Variable X 2
2500
3000
3500
100000
23
24
25
Grfica de residuales (Modelo relacin PIB per cpita)

600000
Residuos
400000
200000
0
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
-200000
-400000
Variable X 1
Grfica de residuales (Modelo relacin Distancia Km)

200000
0
0
500
1000
1500
2000
-100000
-200000
-300000
Variable X 1
2500
3000
3500
Residuos
100000
26
6. Porfirio Labrador es un joven agricultor de la provincia de Sevilla, que adquiri

conocimientos de estadstica en su formacin universitaria en esta escuela. Tiene
una finca de su propiedad, dedicada fundamentalmente a la produccin de trigo duro
especial para la fabricacin de pastas, dadas las importantes subvenciones que
recibe de la Comunidad Europea. Dada la influencia que supone que ejerce la
cantidad de lluvia cada sobre la produccin, utiliza un pluvimetro para medir sta,
mes a mes. En el cuadro adjunto aparece recogida la produccin de trigo duro en
Quintales mtricos por hectrea (X1) y la cantidad de lluvia cada en su finca, medida
en litros por metro cuadrado (X2), durante las cinco ltimas campaas:
CAMPAA
89/90
X1
80
X2
120
90/91
95
145
91/92
83
108
92/93
75
90
93/94
72
85
pertinaz sequa va a continuar para la prxima campaa 94/95, y que la cantidad de

lluvia para esa campaa va a ser la misma que la recogida en la campaa anterior.
Desde este supuesto, qu prediccin hara para la produccin de la campaa
venidera? Qu fiabilidad otorgara a tal prediccin? Si pensara que la cantidad de
lluvia recogida aumentase en un 1%, cul sera dicha prediccin?
Este agricultor, que es pesimista como la mayora de los de su sector, piensa que la
27

(Y)
(X)
CAMPAA
X1
X2
89/90
80
120
90/91
95
145
91/92
83
108
92/93
75
90
93/94
72
85
94/95
Grfica
100
90
70
60
50
40
30
20
10
0
0
20
y = 0,34x + 42,76
40
60
80
Cantidad de lluvia
100
120
140
160
Produccin de Trigo duro
80
28
Calculamos la produccin de la campaa venidera (94/95) utilizando la ecuacin dada

por el grfico, "
0,34
42,76, utilizando el valor de la misma cantidad de lluvia de la
campaa anterior (93/94), por lo tanto
85.
Reemplazamos en la frmula,
"
0,34
"
0,34 85
"
42,76
42,76
La prediccin de produccin de trigo duro para la campaa venidera si se conserva la
(Y)
(X)
CAMPAA
X1
X2
89/90
80
120
90/91
95
145
91/92
83
108
92/93
75
90
93/94
72
85
94/95
71,66
85
misma cantidad de lluvia de la campaa anterior es de 71,76.
29
La fiabilidad otorgada a la prediccin va directamente relacionada con el valor arrojado

por el modelo de pronstico elaborado, en donde el coeficiente de determinacin (R2)
es de 0.9007, es decir, la fiabilidad es de un 90,07%.
Calculamos ahora el valor de la produccin de trigo duro, si las lluvias aumentaran en

un 1%:
Cantidad de lluvia campaa 93/94 = 85*1% = 85,85 ,
"
0,34
"
0,34 85,85
42,76
42,76
,#
CAMPAA
(Y)
X1
(X)
X2
89/90
80
120
90/91
95
145
91/92
83
108
92/93
75
90
93/94
72
85
94/95
71,95
85,85
Por lo tanto, la prediccin de la produccin para la campaa 94/95, si las lluvias

aumentan un 1% es de 71,94.
"
85,85.
30
31

4
Residuos
2
0
0
20
40
60
80
100
120
140
160
-2
-4
-6
Variable X 1
7. Una determinada cooperativa agrcola dedicada a la produccin y comercializacin

de fresas se plantea hacer un estudio para explicar el volumen de sus ventas (X1),
expresadas en millones de pesetas. Para ello, a partir de los datos semestrales
obtenidos desde la creacin de la cooperativa, se plantea un modelo lineal usando
como variables explicativas el gasto en publicidad (X2), expresado en millones de
pesetas, y el nmero de supermercados que comercializan sus productos (X3).
Semestre
2 de 1994
1 de 1995
2 de 1995
1 de 1996
2 de 1996
1 de 1997
2 de 1997
1 de 1998
2 de 1998
1 de 1999
X2
1'5
1'7
2
2'3
2'5
3
3'5
4
4'3
4'5
X3
15
17
19
20
23
25
26
29
31
34
X1
13
41
16
47
19
55
22
63
25
65
Seguidamente recogemos la informacin de la que dispone la empresa:
32
Desde tales cifras, responda a las siguientes cuestiones:
a) Determine el modelo de regresin planteado e intrprete sus coeficientes,

indicando a su vez cul es la capacidad explicativa del mismo.
b) A partir de los resultados obtenidos en el apartado anterior, sugerira usted que

pueden existir otras variables no tenidas en cuenta aqu y de importancia
relevante para la explicacin de las ventas?
Observando los datos, nos damos cuenta que las ventas correspondientes al primer
semestre son siempre mucho mayores que las del segundo semestre del mismo ao.
Para recoger este aspecto, se decidi introducir una nueva variable explicativa X4, cuyo
valor sera uno si el dato corresponde al primer semestre, y cero en caso contrario.
Utilizando esta variable adicional:
c) Determine el nuevo modelo de regresin planteado e intrprete sus coeficientes,

indicando la capacidad explicativa del mismo.
d) Bajo este modelo, en cunto se incrementaran las ventas en el segundo

semestre de 1999 (con respecto al segundo semestre de 1998) si los gastos en
supermercados comercialicen los productos de la cooperativa?
publicidad se incrementasen en 500000 pesetas y se espera que dos nuevos
33
34
Variable X 1 Grfico de los

residuales
Residuos
50
0
0,0
1,0
-50
2,0
3,0
4,0
5,0
Variable X 1
Residuos
Variable X 2 Grfico de los

residuales
50
0
-50
10
20
Variable X 2
30
40
Anlisis de los residuales
1
2
3
4
5
6
7
8
9
10
Pronstico para Y
20,29436094
25,51311685
29,4507941
29,49801475
38,60722726
39,98274721
37,46781055
42,73378711
46,67146436
55,78067688
Residuos
-7,294360938
15,48688315
-13,4507941
17,50198525
-19,60722726
15,01725279
-15,46781055
20,26621289
-21,67146436
9,219323123
a) Observando el coeficiente de correlacin mltiple podemos evidenciar que este

se encuentra con un valor de 0.52, y debemos saber que este me indica la
viabilidad del modelo que estoy utilizando, siendo el valor ideal 1, o en su defecto
Observacin
35
un valor que se acerque al mismo. Por lo tanto, concluimos que el valor reflejado
se encuentra en un rango muy por debajo del nivel ideal, por lo que sera poco
viable.
Por otra parte, el coeficiente de de determinacin (R2) me determina el nivel de
confiabilidad de dicho modelo, encontrndose ste en 0.2808, es decir un
28,08%. Muy por debajo del porcentaje ideal (100%). Por lo que concluimos que
es poco confiable.
b) A nuestro juicio podra existir la variable de demanda del sector, considerando

que es uno de los factores que incide considerablemente en las ventas de un
(Xa)
(Xb)
(Xc)
(Y)
Semestre
X2
X3
X4
X1
2 de 1994
1,5
15
13
1 de 1995
1,7
17
41
2 de 1995
2,0
19
16
1 de 1996
2,3
20
47
2 de 1996
2,5
23
19
1 de 1997
3,0
25
55
2 de 1997
3,5
26
22
1 de 1998
4,0
29
63
2 de 1998
4,3
31
25
1 de 1999
4,5
34
65
producto.
36
37
Residuos

6
4
2
0
-2 0,0
-4
-6
1,0
2,0
3,0
4,0
5,0
Variable X 1

6
Residuos
4
2
0
-2 0
10
15
20
25
30
35
40
-4
-6
Variable X 2
Residuos
4
2
0
-2 0
0,2
0,4
0,6
-4
-6
Variable X 3
0,8
1,2
38
Anlisis de los residuales
Observacin
Pronstico para Y
1
2
3
4
5
6
7
8
9
10
10,14169515
44,95959979
14,47411363
48,53266798
18,8065321
54,05610918
22,95516355
59,10798174
28,62249557
64,34364131
Residuos
2,858304848
-3,95959979
1,525886374
-1,532667981
0,193467901
0,943890816
-0,955163552
3,892018264
-3,622495571
0,656358692
c) En el nuevo modelo de regresin se puede evidenciar que el coeficiente de

correlacin mltiple es 0.99, muy cercano al valor ideal (1), y el coeficiente de
determinacin (R2) es 0.9836, es decir, 98.36% de confiabilidad. Por lo tanto
podemos deducir que el nuevo modelo es bastante viable y tiene una gran
fiabilidad.
d) Calculamos ahora en cuanto incrementarn las ventas en el segundo semestre

de 1.999, sabiendo que los gastos de publicidad aumentaron 500.000 pesetas,
nos dara como resultado, 5.0, es decir

Mientras
que
para
los
supermercados
5,0.
que comercializan
aumentamos 2 unidades, es decir, que nuestro valor para
36.
el
producto
que expresados en miles son 0.5, y sumados con el valor del ao anterior (4.5)
39
Aplicamos la ecuacin mostrada por el modelo de regresin,

"
1,43
0,9
32,72
5,56
&
Reemplazamos los valores en la frmula,
"
1,43 5,0
"
0,9 36
7,15
32,72 0
32,4
"
5,56
5,56
, ##
Por lo tanto, las ventas del segundo semestre de 1.999 se incrementarn con
Semestre
(Xa)
X2
(Xb)
X3
(Xc)
X4
(Y)
X1
2 de 1994
1 de 1995
2 de 1995
1 de 1996
2 de 1996
1 de 1997
2 de 1997
1 de 1998
2 de 1998
1 de 1999
2 de 1999
1,5
1,7
2,0
2,3
2,5
3,0
3,5
4,0
4,3
4,5
5,0
15
17
19
20
23
25
26
29
31
34
36
0
1
0
1
0
1
0
1
0
1
0
13
41
16
47
19
55
22
63
25
65
33,99
respecto al segundo semestre de 1.998, de 25 a 34 millones de pesetas.
40

Taller de Regresion Final PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Taller de Regresion Final PDF

Transféré par

Droits d'auteur :

Formats disponibles

LABORATORIO DE PROCESOS AGROINDUSTRIALES

Programa de Ingeniera Industrial V Semestre

CORPORACION UNIVERSITARIA DEL HUILA CORHUILA

CORPORACIN UNIVERSITARIA DEL HUILA CORHUILA

1. Sobre un conjunto de conductores se ha realizado una encuesta para analizar su

x= Nmero de Accidentes que han sufrido

TALLER: EJERCICIOS DE REGRESIN

Solucin del ejercicio:

No. de Accidentes que han sufrido

TALLER: EJERCICIOS DE REGRESIN

No. de Accidentes que han sufrido

2. Para la economa espaola, disponemos de los datos anuales redondeados sobre

Considerando que el consumo se puede expresar como funcin lineal de la renta

TALLER: EJERCICIOS DE REGRESIN

perodo 1995-2002, ambos expresados en miles de millones de euros:

b) El coeficiente de determinacin de dicha regresin.

Renta nacional disponible neta

TALLER: EJERCICIOS DE REGRESIN

Consumo final hogares a Precios Corrientes

a) Los parmetros a y b de la recta de regresin son:

b) El coeficiente de determinacin es igual a 0,9998, es decir, que la confiabilidad

1,5973, expresando en miles de

Reemplazando en la frmula obtendremos,

Por lo tanto la respuesta estar dada por 442.600 millones de Euros () en el

TALLER: EJERCICIOS DE REGRESIN

TALLER: EJERCICIOS DE REGRESIN

Variable X 1 Grfico de los residuales

A partir de tal informacin, y considerando como vlida dicha relacin lineal, se

TALLER: EJERCICIOS DE REGRESIN

correspondientes al quinquenio 1992-96 en la siguiente tabla:

Si la produccin para el ao 1997 fue de 52.106.100 millones de pesetas, cul

b) Si sabemos que las exportaciones para 1997 fueron de 69.045.704 millones de

Produccin (x) Exportaciones (y)

TALLER: EJERCICIOS DE REGRESIN

a) Produccin para el ao 1.997= 52.106.100 millones de pesetas, representados

Es decir, que el valor de las exportaciones sera de 10.539.000 millones de

Variable X 1 Grfico de los residuales

TALLER: EJERCICIOS DE REGRESIN

ao 1997 = 69.045.704 millones

representadas en miles de millones obtendremos que, "

Es decir, que el valor de la Produccin sera de 142.591.500 millones de

nos brinda el pronstico es bastante alto.

TALLER: EJERCICIOS DE REGRESIN

4. La empresa COLOBONA S. A .L. ha trabajado hasta ahora con la hiptesis de que

En el informe final de su anlisis, deber responder a las siguientes preguntas:

a) Se incrementarn las ventas del perodo siguiente al aumentar los gastos en

teniendo en cuenta los valores de las variables?

TALLER: EJERCICIOS DE REGRESIN

b) Es adecuado suponer que el ajuste entre estas variables es efectivamente lineal

d) Si para el ao 1994 se piensa incrementar los gastos de publicidad en un 10%,

Solucin del Ejercicio:

Gastos (x) Ventas (y)

TALLER: EJERCICIOS DE REGRESIN

TALLER: EJERCICIOS DE REGRESIN

a) Para determinar si las ventas se incrementarn en el perodo siguiente al

Aplicamos la ecuacin obtenida en la grfica:

TALLER: EJERCICIOS DE REGRESIN

Gastos 1.993 = 30 *10% = 33

Podemos observar que si incrementamos los gastos de publicidad para el perodo

perodo siguiente (1.995)

b) El ajuste entre estas variables es totalmente lineal, si observamos la lnea de

d) Para el ao 1.994 se incremento en un 10% los gastos de Publicidad, por lo que

TALLER: EJERCICIOS DE REGRESIN