MODELO DE PRUEBA PARA METODOS PREDICTIVOS

MODELO DE PRUEBA PARA METODOS PREDICTIVOS

TEMA ANALISIS DE REGRESION LINEAL
I.

PUNTOS TEORICOS

1. En una modelo de regresin mltiple cuales son las incgnitas:

Los Parmetros
2. EN EL MODELO Y=B0 +B1X1+B2X2+B3X3+B4X4
VARIABLES Y,X1,X2.X3.X4
PARMETROS B0,B1,B2,B3,B4
3. Cuantos parmetros y variables hay en la ecuacin anterior?
Hay 3 parmetros (B0,B1,B2)
Hay 3 variables (GASME, INGME,TAMFAM)
II.

SOLUCION NORMAL CON 2 VARIABLES

DEMANDA
PRECIO X
Y
0.5
1
0.6
0.7
1.5

XY

Y^2

0.5

0.5

0.25

0.6
0.7
1.5
3.3

1.1
1.5
3
6.6

0.66
1.05
4.5
6.71

0.36
0.49
2.25
3.35

46.713.36.6

b1
b0=

1.1
1.5
3

43.35(3.3)2

6.6
4

=2.0159

3.3

- 0.2.0159*

= - 0.013147

-0.013127+2.0159*X

2014

MODELO DE PRUEBA PARA METODOS PREDICTIVOS

2014

INTERPRETACION
La salida muestra los resultados de ajustar un modelo lineal para describir la
relacin entre Y y X. La ecuacin del modelo ajustado es
Y = -0.0131474 + 2.01594*X
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relacin
estadsticamente significativa entre Y y X con un nivel de confianza del 95.0%.
El estadstico R-Cuadrada indica que el modelo ajustado explica 99.228% de la
variabilidad en Y. El coeficiente de correlacin es igual a 0.996132, indicando
una relacin relativamente fuerte entre las variables. El error estndar del
estimado indica que la desviacin estndar de los residuos es 0.0996008. Este
valor puede usarse para construir lmites de prediccin para nuevas
observaciones, seleccionando la opcin de Pronsticos del men de texto.
El error absoluto medio (MAE) de 0.0535857 es el valor promedio de los residuos.
El estadstico de Durbin-Watson (DW) examina los residuos para determinar si
hay alguna correlacin significativa basada en el orden en el que se
presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no
hay indicacin de una autocorrelacin serial en los residuos con un nivel de
confianza del 95.0%.
III.

SOLUCION MATRICIAL CON 3 VARIABLES

TABLA DE DATOS

TABLA DE DATOS
DEMANDA

PRECIO DEL PRODUCTO

Y
4
3
1
5

X1
2
1
3
4

PRECIO DEL PRODUCTO

SUSTITUTO
X2
3
2
4
5

4. Los datos se pueden recolectar independientemente?

No se pueden recoger los datos en periodos distintos, ya que los datos

de recolectan de golpe en un sola fecha.

5. Los parmetros los debo estimar o los recojo en el campo?

Se estiman porque usamos formulas

MODELO DE PRUEBA PARA METODOS PREDICTIVOS

2014

6. Las variables las calculo o las recolecto?

Las variables se recolectan en el campo

7. La variable dependiente se recolecta o se estima?

Se recolectan

2. APLICACIN MATRICIAL (ESTA PARTE LO PUEDEN DISTINGUIR MEJOR EN EXCEL)

MATRICES BASICAS= SE OBTIENEN CON LOS DATOS ORIGINALES, ESTOS
OBTIENEN DE LA TABLA DE DATOS

SE

MATRICES DERIVADAS
PARAMETROS
COMO SE OBTIENE LAS MATRICES DERIVADAS
De cierta forma no se olviden de revisar el tema de multiplicacin de matrices.
Ya que el desarrollo de estas se har de forma manual, solo la inversa nos la
dar el profe.
CON RESPECTO AL USO DEL STATGRAPHICS TIENE QUE VER CON LA
INTERPRETACION
RELACIONARUN FACTOR REGRESION SIMPLE
RELACIONARVARIOS FACTORESREGRESION MULTIPLE
TENIENDO EN CUENTA QUE EL PROFESOR TE PODRIA DAR ESTA TABLA
CON RESPECTO EL PRIMER CUADRO ES DONDE ENCOTRAMOS LOS PARAMETROS
Y VARIABLES

Parmetro
CONSTANTE
X1
X2

Estimacin
1.53571
0.107143
0.321429

Error
Estndar
4.05636
1.2877
0.798596

Estadstico
T
0.378594
0.083205
0.402492

Valor-P
0.7696
0.9472
0.7564

PREGUNTAS FIJAS

CUALES SON LOS VALORES DEL PARAMETRO B1=0.107143, B2=0.321429

CUAL ES EL VALOR DEL PARAMETRO B0=1.53571
GL= GRADO DE LIBERTAD DEL MODELO

MODELO DE PRUEBA PARA METODOS PREDICTIVOS

2014

NO DEBEMOS REDONDEAR
La salida muestra los resultados de ajustar un modelo de regresin lineal
mltiple para describir la relacin entre Y y 2 variables independientes. La
ecuacin del modelo ajustado es
Y = 1.53571 + 0.107143*X1 + 0.321429*X2por eso k es 2
PRONSTICO
DOS SITUACIONES
Dentro del rango.- Dentro del mnimo y mximo de las variables Xi incluido el
mnimo y el mximo.

Sea PRECIO DEL PRODUCTO= 3

Sea PRECIO DEL PRODUCTO SUSTITUTO= 4

Y = 1.53571 + 0.107143*X1 + 0.321429*X2

VENTAS= 1.53571 + 0.107143*3+ 0.321429*4
VENTAS= 3.142855
INTERPRETACION
El resultado VENTAS= 3.142855 representa el pronstico de ventas cuando se
desarrolle estos 2 tipos de precio. Con la aplicacin de la regresin mltiple se
ha podido hallar la ecuacin que representa este evento y con ello poder
predecir la cantidad de ventas que podr realizar dicho negocio.

MODELO DE PRUEBA PARA METODOS PREDICTIVOS

2014

TEMA DE REGRESION NO LINEAL

EL PROFESOR NOS DARA UN CASO PRACTICO PARA ELLO PODEMOS TOMAR EN

CUENTA EL SIGUIENTE EJEMPLO
AO

CODIGO
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007

Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
105

10.1
11.3
13.8
16.1
17.1
18
20.2
22.9
24.5
25.9
27.6
30.1
34.8
41.5
313.9

1
2
3
4
5
6
7
8
9
10
11
12
13
14

VENTAS
10.1
11.3
13.8
16.1
17.1
18
20.2
22.9
14.5
25.9
27.6
30.1
34.8
41.5

Log Y
Xlog Y
X^2
1.00432137 1.004321374
1.05307844 2.106156887
1.13987909 3.419637259
1.20682588 4.827303504
1.23299611 6.164980552
1.25527251 7.531635031
1.30535137 9.137459586
1.35983548 10.87868386
1.38916608 12.50249476
1.41329976 14.13299764
1.44090908
15.8499999
1.4785665 17.74279795
1.54157924 20.04053017
1.6180481 22.65267335
18.439129 147.9916718

1
4
9
16
25
36
49
64
81
100
121
144
169
196
1015

MODELO DE PRUEBA PARA METODOS PREDICTIVOS

2014

ASI COMO EN LA REGRESION LINEAL PODEMOS A PARTIR DE LA SIGUIENTE

FORMUAL HALLAR LOS PARAMETROS

Log b1
Log b0=

14147.991710518.4391
141015(105)2
18.4391
14

= 0.04262947

105

- 0.04262947*

14

=0.99735963

TAL COMO LO INDICO EL PROFESOR DEBEMOS DE SACAR EL ANTILOGARITMO

DE CADA PARAMETRO
Antilogaritmo b1 1.10313705

Antilogaritmo b0 9.93938757

INTERPRETACION
La salida muestra los resultados de ajustar un modelo lineal para describir la
relacin entre Y y X. La ecuacin del modelo ajustado es
Y = 0.99736 + 0.0426295*X
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relacin
estadsticamente significativa entre Y y X con un nivel de confianza del 95.0%.
El estadstico R-Cuadrada indica que el modelo ajustado explica 98.2543% de
la variabilidad en Y. El coeficiente de correlacin es igual a 0.991233,
indicando una relacin relativamente fuerte entre las variables. El error
estndar del estimado indica que la desviacin estndar de los residuos es
0.0247409. Este valor puede usarse para construir lmites de prediccin para
nuevas observaciones, seleccionando la opcin de Pronsticos del men de
texto.
El error absoluto medio (MAE) de 0.0201782 es el valor promedio de los residuos.
El estadstico de Durbin-Watson (DW) examina los residuos para determinar si
hay alguna correlacin significativa basada en el orden en el que se
presentan en el archivo de datos. Puesto que el valor-P es menor que 0.05,
hay indicacin de una posible correlacin serial con un nivel de confianza del
95.0%. Grafique los residuos versus el nmero de fila para ver si hay algn
patrn que pueda detectarse.