Alvaro Naito

Tramadex Tarea

1. Determinar una aplicación del análisis de regresión lineal simple. Qué

condiciones están presentes en la situación identificada que hagan apropiada
y útil la aplicación?

Una de las aplicaciones del análisis de regresión es para observar la relación

entre la cantidad de contaminantes emitidos con el efecto invernadero. Las
condiciones presentes serian, por ejemplo, los niveles de CO 2, CH4, CFCs que
se emiten en una cierta medida de tiempo. Estos datos podrían predecir los
niveles de los compuestos mencionados en periodos futuros y cuanto daño
pueden causar en la capa de ozono. El siguiente ejemplo demuestra la
cantidad de dioxido de carbono emitido mostrado en una gráfica de dispersión
lineal.

(https://seekingalpha.com/article/4083393-world-energy-2017minus-2050-annual-report)
Alvaro Naito

2. a.

b. Regression Equation

C2 = -6.71 + 5.112 C1

c. H0: La relación de ventas de la primera semana y las ventas totales no es

lineal (β=0)

H1: La relación de ventas de la primera semana y las ventas totales es lineal

(β≠0)

Regression Analysis: C2 versus C1

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 433626 433626 2352.48 0.000

C1 1 433626 433626 2352.48 0.000

Error 10 1843 184

Total 11 435470
Alvaro Naito

Al tener un valor de β≠0, rechazamos la hipótesis nula deduciendo que la

relación entre ambas variables es lineal.

d. Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant -6.71 7.37 -0.91 0.384
C1 5.112 0.105 48.50 0.000 1.00

e. C2 = -6.71 + 5.112 (40)

C2(40)= 197.77

C2 = -6.71 + 5.006 (40)

C2 = 193.553

El intervalo de predicción para un nivel de confianza de 95% esta entre los

valores 193 y 197.

f. Gracias a la ecuación lineal, se puede concluir que las ventas de la primera

semana pueden predecir aproximadamente las ventas totales.

3. a. La variable independiente es el ingreso domestico total mientras que las

variables dependientes son las compras totales en 12 meses y las compras
totales del primer mes. Ademas, las compras totales del primer es una
variable independiente, siendo las compras totales en 12 meses la variable
dependiente de esta.
Alvaro Naito

b. Para las variables ‘Ingreso domestico total’ y ‘Compras totales en 12

meses’.

Regression Equation

Compras totales en 12 meses = -555 + 322 Ingreso domestico total

Para las variables ‘Compras totales del primer mes’ y ‘Compras totales en 12
meses’.
Alvaro Naito

Regression Equation

Compras totales en 12 meses = 278 + 11.221 Compras totales del primer mes

c. relación funcional entre las variables ‘Compras totales en 12 meses’ e

‘Ingreso domestico total’.

Regression Analysis: Compras totales en 12 meses versus Ingreso

domestico total

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 27198541 27198541 2.63 0.119

Ingreso domestico total 1 27198541 27198541 2.63 0.119

Error 23 238248576 10358634

Lack-of-Fit 21 235719616 11224744 8.88 0.106

Pure Error 2 2528961 1264480

Alvaro Naito

Total 24 265447117

relación funcional entre las variables ‘Compras totales en 12 meses’ y

‘Compras totales del primer mes’.

Regression Analysis: Compras totales en 12 meses versus Compras totales

del primer mes

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 262188510 262188510 1850.59 0.000

Compras totales del primer mes 1 262188510 262188510 1850.59 0.000

Error 23 3258607 141679

Total 24 265447117

d. Para las variables ‘Ingreso domestico total’ y ‘Compras totales en 12

meses’,

H0: La relación entre ingreso domestico total y compras totales en 12 meses

no es lineal

H1: La relación entre el ingreso domestico total y compras total en 12 meses

es lineal

Siendo el valor de P= 0.119, aceptamos la hipótesis nula deduciendo que la

relación entre estas dos variables no es lineal.

Para las variables ‘Compras del primer mes’ y ‘Compras totales en 12 meses’

H0: La relación entre las compras del primer mes y compras totales en 12
meses no es lineal.
Alvaro Naito

H1: La relación entre las compras del primer mes y compras totales en 12
meses es lineal.

Siendo el valor de P=0, se puede rechazar la hipótesis nula, deduciendo que

la relación entre las dos variables es lineal.

e. El coeficiente de determinación para las variables ‘Ingreso domestico total’

y ‘Compras totales en 12 meses’:

Model Summary

S R-sq R-sq(adj) R-sq(pred)

3218.48 10.25% 6.34% 0.00%

El coeficiente de determinación para las variables ‘Compras en el primer mes’

y ‘Compras totales en 12 meses’:

Teniendo un valor de R-sq de 10%, se puede decir que el modelo no encaja

bien con la data.

Model Summary

S R-sq R-sq(adj) R-sq(pred)

376.402 98.77% 98.72% 98.43%

Teniendo un valor de R-sq casi al 100%, se puede decir que el modelo encaja
bien con la data.

f. Para un ingreso domestico total de 20500, las compras totales calculadas

son de :

Regression Equation

Compras totales en 12 meses = -555 + 322 Ingreso domestico total

Alvaro Naito

Compras totales en 12 meses= $ 6600445

g. Para un valor de compras totales en el primer mes de $200, las compras

totales calculadas son de:

Regression Equation

Compras totales en 12 meses = 278 + 11.221 Compras totales del primer mes

Compras totales en 12 meses = $ 2522.2

h. Según los datos obtenidos, las variables útiles para predicción de compras
son las variables, ‘Compras del primer mes’ y ‘Compras totales en 12 meses’.
Esto se debe a que estas variables tienen una relación lineal mas cercana a
las variables ‘Ingreso domestico total’ y ‘Compras totales en 12 meses’ y a su
vez un valor de R-sq mas cercano al 100%.

4. a.

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 87703454 87703454 531.07 0.000

Solicitudes recibidas 1 marzo 1 87703454 87703454 531.07 0.000

Error 6 990872 165145

Total 7 88694326
Alvaro Naito

b.

c.

Se puede decir que para un nivel de significancia de 0.05, si existe una

significancia estadística.
Alvaro Naito

d. Correlación: Solicitudes recibidas 1 marzo, FTP por estudiante para

otoño

Pearson Correlación of Solicitudes recibidas 1 marzo and FTP por estudiante para
otoño = 0.994

P-Value = 0.000

e. La ecuación de regresión es la siguiente:

Regression Equation

FTP por estudiante para otoño = -3014 + 0.9734 Solicitudes recibidas 1 marzo

El valor de FTE por estudiante por estudiantes para otoño para un numero de
solicitudes recibidas de 27550 es:

FTE por estudiante para otoño = 23803.17

5. a.
Alvaro Naito

b.

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 0.44 0.438 0.00 0.952

puntuación de la gravedad 1 0.44 0.438 0.00 0.952

Error 18 2148.51 119.362

Lack-of-Fit 8 2030.01 253.752 21.41 0.000

Pure Error 10 118.50 11.850

Total 19 2148.95

c.

Regression Equation

puntuación de cambio de actitud = 73.23 - 0.052 puntuación de la gravedad

d. H0: La puntuación de la gravedad de amenaza es independiente de la

puntuación del cambio de actitud.

H1: La puntuación de la gravedad de amenaza es dependiente de la

puntuación del cambio de actitud.

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

puntuación de cambio de actitud 15 102.00 6.800 0.43 0.895

Error 4 63.00 15.750

Total 19 165.00
Alvaro Naito

Al tener un valor de P> 0.05, aceptamos la H0. Se puede confirmar que las
variables dan puntuaciones independientes.

e. Según el estudio realizado, se encuentra un cambio de actitud mayor para

la puntuación de gravedad de 5,6 y 7. Para disminuir el consumo de cigarrillos,
podrían utilizar mensajes con esta puntuación de gravedad, sin embargo, no
se puede predecir que para todos los individuos, el cambio de actitud sea el
mismo.

6. a. Las variables explicativas son, el promedio de puntuación de estudios y

el numero de organizaciones sociales que pertenece el individuo y las
variables respuesta son la puntuación del rendimiento del ultimo año y el
porcentaje de gastos totales de estudio ganados por el individuo.

b. Para las variables de puntuación de rendimiento y PPE, la gráfica seria la

siguiente:
Alvaro Naito

Para el % de gastos ganados y Numero de organizaciones, la gráfica de

dispersión es:

c. Para la puntuación de rendimiento y PPE, la ecuación es:

Regression Equation

Puntuación de Rendimiento (Y1) = 22.5 + 18.25 PPE (X1)

Alvaro Naito

Regression Analysis: Puntuación de Rendimiento (Y1) versus PPE (X1)

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 1441 1441.4 6.62 0.017

PPE (X1) 1 1441 1441.4 6.62 0.017

Error 23 5009 217.8

Lack-of-Fit 13 3049 234.5 1.20 0.394

Pure Error 10 1960 196.0

Total 24 6450

Para el % de gastos ganados y el numero de organizaciones sociales, la

ecuación es:

Regression Equation

% de Gastos Ganados (Y2) = 30.32 + 1.22 No. de Organizaciones Sociales

Regression Analysis: % de Gastos Ganados (Y2) versus No. de

Organizaciones Sociales

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 1 109.5 109.5 0.24 0.630

No. de Organizaciones Sociales 1 109.5 109.5 0.24 0.630

Error 23 10590.5 460.5

Lack-of-Fit 5 1231.6 246.3 0.47 0.791

Alvaro Naito

Pure Error 18 9358.9 519.9

Total 24 10700.0

e. Se puede observar que no es necesario tomar las variables de % de gastos

y numero organizaciones sociales para seleccionar al personal de venta ya
que no presentan relación lineal (P>0.05). Para esto, seria recomendable
tomar las variables de puntuación de rendimiento y PPE por la existencia de
una relación lineal entre ellas. Es mas confiable hacer predicciones usando los
datos de estas variables.

7. Según los datos proporcionados, seria conveniente obtener los datos en

una regresión múltiple entre las ventas totales de la empresa, el gasto del
estado y las ventas al por menor. Esto nos daría predicciones para saber si es
mejor tomar en cuenta todas las variables o descartar algunas. Asimismo, la
variable de ‘numero de viviendas’ no es muy recomendable ya que
específicamente para esta variable, existen otros factores externos como, el
tipo de material de construcción.
Las ventas al por menor podría predecir aproximadamente el éxito que puede
tener la empresa en cada territorio.