Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 111 vistas

    Modelo de Regresión Simple de Las Variables Rendimiento de La Gasolina (Y) y Cilindrada Del Motor (X)

    Cargado por

    PAMELA PAOLA CONTRERAS BARDALES
    Este documento presenta un análisis de regresión para determinar cuál de dos variables, la cilindrada del motor (X1) o el peso del vehículo (X10), es mejor predictor del rendimiento de gasolina. Se construyen dos modelos de regresión simple relacionando el rendimiento de gasolina con cada variable. El modelo de X1 explica el 76.4% de la variabilidad, mientras que el modelo de X10 explica el 69.4%. Por lo tanto, la cilindrada del motor es la mejor variable regresora.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado

    Modelo de Regresión Simple de Las Variables Rendimiento de La Gasolina (Y) y Cilindrada Del Motor (X)

    Cargado por

    PAMELA PAOLA CONTRERAS BARDALES
    111 vistas5 páginas
    Este documento presenta un análisis de regresión para determinar cuál de dos variables, la cilindrada del motor (X1) o el peso del vehículo (X10), es mejor predictor del rendimiento de gasolina. Se construyen dos modelos de regresión simple relacionando el rendimiento de gasolina con cada variable. El modelo de X1 explica el 76.4% de la variabilidad, mientras que el modelo de X10 explica el 69.4%. Por lo tanto, la cilindrada del motor es la mejor variable regresora.

    Descripción original:

    Título original

    top.docx

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un análisis de regresión para determinar cuál de dos variables, la cilindrada del motor (X1) o el peso del vehículo (X10), es mejor predictor del rendimiento de gasolina. Se construyen dos modelos de regresión simple relacionando el rendimiento de gasolina con cada variable. El modelo de X1 explica el 76.4% de la variabilidad, mientras que el modelo de X10 explica el 69.4%. Por lo tanto, la cilindrada del motor es la mejor variable regresora.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    111 vistas5 páginas

    Modelo de Regresión Simple de Las Variables Rendimiento de La Gasolina (Y) y Cilindrada Del Motor (X)

    Cargado por

    PAMELA PAOLA CONTRERAS BARDALES
    Este documento presenta un análisis de regresión para determinar cuál de dos variables, la cilindrada del motor (X1) o el peso del vehículo (X10), es mejor predictor del rendimiento de gasolina. Se construyen dos modelos de regresión simple relacionando el rendimiento de gasolina con cada variable. El modelo de X1 explica el 76.4% de la variabilidad, mientras que el modelo de X10 explica el 69.4%. Por lo tanto, la cilindrada del motor es la mejor variable regresora.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    de 5

    PRIMER TRABAJO DE ANALISIS DE REGRESION

    PREGUNTA 2.5

    Acerca de los datos sobre rendimiento d gasolina en la tabla B.3 del Apéndice, repetir el
    problema 2,4(partes a,b,c) usando el peso del vehículo, x10, como la variable regresora con
    base en una comparación entre los dos modelos. ¿se puede llegar a la conclusión de que x1 es
    mejor opción como regresor que x10?

    Modelo de regresión simple de las variables rendimiento de la gasolina (Y) y


    cilindrada del motor ( X1 ):

    A) AJUSTAR EL MODELO DE REGRESION LINEAL SIMPLE QUE RELACIONE EL RENDIMIENTO DE


    LA GASOLINA( millas por galon) Y LA CILINDRADA DEL MOTOR (pulgadas cubicas):

    Usando el programa R se obtuvo lo siguiente:

    b1=sxy/sxx bo=mean(y)-b1*mean(x10)
    b1=-0.04742828 bo=33.72744

    ENTONCES:

    ŷ =33.72744 + -0.04742828X1

    B) FORMAR LA TABLA DE ANALISIS DE VARIANZA Y PRUEBA DE


    SIGNIFICANCIA DE LA REGRESION:

    Teniendo en cuenta lo siguiente:


     n: número de observaciones de la variable y; n=32
     p: número de parámetros; p=2
     SSt: suma de cuadrados total
     SSr: suma de cuadrados de regresión
     SSresiduo: suma de cuadrados residual

    SUMA DE
    VARIACIÓN CUADRADOS GRADOS DE LIBERTAD MEDIA CUADRÁTICA F
    SSE 282.2037 1 282.2037 8.8631
    SSR 955.3404 30 31.84468
    SST 1237.5441 31

    Usando el programa R se obtuvo lo siguiente:

     SSt=var(y)*(n-1)
    SSt=1237.5441
    Grados de libertad=n-1=31

     SSresiduo=SSt-b1*sxy
    SSresiduo=955.3404
    Grados de libertad=n-p=30

     SSr=b1*sxy
    SSr=282.2037
    Grados de libertad=p-1=1

    PRUEBA DE SIGNIFICANCIA DE LA REGRESION MEDIANTE LA PRUEBA DE HIPOTESIS Ho:b1=0 vs


    H1:b1≠0
    Sean las hipótesis:

    Ho: b1=0
    H1: b1≠0

    Usando el programa R se obtuvo lo siguiente:

    Hallando el valor observado to:

    to=b1/sqrt(var.b1)

    to= -10.07763

    nivel de significancia de 95%: 1-α=0.95 => α=0.05

    t=qt (1-alfa/2, n-2) …………hallando el valor t según la distribución t-student

    t= 2.042272

    abs(to)>t

    |-10.07763| > 2.042272


    Por lo tanto, se rechaza la hipótesis, de modo que se está aceptando e
    l modelo de regresión lineal entre las variables rendimiento de la gas
    olina y la cilindrada del motor.

    C) PORCENTAJE DE LA VARIABLIDAD TOTAL DEL RENDIMIENTO DE GASOLINA QUE EXPLICA LA


    RELACION LINEAL CON LA CILINDRADA DEL MOTOR:

    Calculando el coeficiente de determinación:

    SSr: suma de cuadrados de regresión

    SSt: suma de cuadrados total

     SSr=b1*sxy
    SSr=282.2037

     SSt=var(y)*(n-1)
    SSt=1237.5441

     R=SSr/SSt
    R= 0.7719647
    Esto quiere decir que el modelo explica el 70,43% de la variabilidad del rendimiento
    de la gasolina según el peso del vehículo.

    Hallando el coeficiente de determinación ajustado (Raju) para la comparación de modelos:

     Raju=1-((1-R)*((n-1)/(n-2)))
    Raju= 0.7643635

    Modelo de regresión simple de las variables rendimiento de la gasolina (Y) y


    cilindrada del motor ( X1 ):
    A) AJUSTAR EL MODELO DE REGRESION LINEAL SIMPLE QUE RELACIONE EL RENDIMIENTO
    DE LA GASOLINA (millas por galón) Y EL PESO DEL VEHICULO (lb):

    Usando el programa R se obtuvo lo siguiente:

    b1=sxy/sxx bo=mean(y)-b1*mean(x10)
    b1= -0.005551798 bo=39.9622

    ŷ = 39.9622 + -0.005551798X1

    B) FORMAR LA TABLA DE ANALISIS DE VARIANZA Y PRUEBA DE


    SIGNIFICANCIA DE LA REGRESION:

    Teniendo en cuenta lo siguiente:


     n: número de observaciones de la variable y; n=32
     p: número de parámetros; p=2
     SSt: suma de cuadrados total
     SSr: suma de cuadrados de regresión
     SSresiduo: suma de cuadrados residual

    SUMA DE
    VARIACIÓN CUADRADOS GRADOS DE LIBERTAD MEDIA CUADRÁTICA F
    SSr 871.6163 1 871.6163 71.4580
    365.9278
    SSresiduo 30 12.1976
    SST 1237.54 31

    Usando el programa R se obtuvo lo siguiente:

     SSt=var(y)*(n-1)
    SSt=1237.54
    Grados de libertad=n-1=31

     SSresiduo=SSt-b1*sxy
    SSresiduo=365.9278
    Grados de libertad=n-p=30

     SSr=b1*sxy
    SSr=871.6163
    Grados de libertad=p-1=1

    PRUEBA DE SIGNIFICANCIA DE LA REGRESION MEDIANTE LA PRUEBA DE HIPOTESIS:


    Sean las hipótesis:

    Ho: b1=0
    H1: b1≠0

    Usando el programa R se obtuvo lo siguiente:

    Hallando el valor observado to:

    to=b1/sqrt(var.b1)

    to= - 8.45328

    nivel de significancia de 95%: 1-α=0.95 => α=0.05

    t=qt (1-alfa/2, n-2) …………hallando el valor t según la distribución t-student

    t= 2.042272

    abs(to)>t

    8.453287> 2.042272

    Se está rechazando la hipótesis nula lo cual quiere decir que efectivamente existe una relación
    lineal entre el rendimiento de la gasolina y el peso del vehículo.

    C) PORCENTAJE DE LA VARIABLIDAD TOTAL DEL RENDIMIENTO DE GASOLINA QUE


    EXPLICA LA RELACION LINEAL CON EL PESO DEL VEHICULO

    Calculando el coeficiente de determinación:


    SSr: suma de cuadrados de regresión
    SSt: suma de cuadrados total

     SSr=b1*sxy
    SSr=871.6163

     SSt=var(y)*(n-1)
    SSt=1237.54

     R=SSr/SSt
    R= 0.7043113
    Esto quiere decir que el modelo explica el 70,43% de la variabilidad del rendimiento
    de la gasolina según el peso del vehículo.

    Hallando el coeficiente de determinación ajustado (Raju) para la comparación de


    modelos:

     Raju=1-((1-R)*((n-1)/(n-2)))
    Raju= 0.694455

    FINALMENTE:

    ¿se puede llegar a la conclusión de que x1 es mejor opción como regresor que x10?

    Para ello debemos de comparar los valores del coeficiente de determinación ajustados de
    ambos modelos, los cuales son:

    Según la VARIABLE REGRESORA X1: Raju= 0.7643635

    Según la variable regresora x10: Raju= 0.694455

    0.7643635>0.694455 , por lo tanto decimos que el modelo de regresión simple con la variable
    regresora, la cilindrada del motor(x1), es mejor que el modelo de regresión simple con la
    variable regresora el peso del vehículo (x10).

    También podría gustarte