UNIVERSIDAD NACIONAL DE TUMBES

FACULTAD DE CIENCIAS ECONÓMICAS

ESCUELA ACADÉMICO PROFESIONAL DE ECONOMÍA

Docente:
Mag. Juan Blas Pérez
Alumno:
Cespedes Aleman, Jhosua Anthony
Asignatura:
Estadística Aplicada a la Economía
Tema:
Laboratorio 3era unidad
Ciclo:
V

Tumbes – Perú

2018
9.- Los datos siguientes corresponden a los 10 recién graduados.

ESTUDIANTE GPA OFERTAS

1 3,25 3
2 2,35 3
3 1,02 1
4 0,36 0
5 3,69 5
6 2,65 4
7 2,15 2
8 1,25 2
9 3,88 6
10 3,37 2

a) Haga un diagrama de dispersión para los datos

0
0 1 2 3 4 5

b) Calcule e interprete el modelo de regresión ¿Qué le dice este modelo sobre la relación
entre GPA y las ofertas de trabajo?
 y  a  bx
_ _

 xi yi  n( x)( y ) 83, 69  10(2,397)(2,8)

b = = 1,272
_
70, 4899  10(2,397) 2
x2
i  n( x ) 2

_ _
a  y  b x = 2,8 – 1,272(2,397) = - 0,248

y  0, 248  1, 272 x

El modelo de regresión lineal explica que si el GPA aumenta una unidad, las posibilidades de
ofertas de trabajo se incrementarían en 1,27 unidades.

c) Si Steve tiene un GPA de 3,22 ¿Cuántas ofertas laborales pronostica usted que el
recibirá?

y  0, 248  1, 272(3, 22)

y  3,848
Las ofertas laborales para Steve aumentarían en 4.
10)

CONSUMIDOR INGRESO CONSUMO X Y

1 24,3 16,2 INGRESO CONSUMO
2 12,5 8,5 24,3 16,2
3 31,2 15 12,5 8,5
4 28 17 31,2 15
5 35,1 24,2 28 17
6 10,5 11,2 35,1 24,2
7 23,2 15 10,5 11,2
8 10 7,1 23,2 15
9 8,5 3,5 10 7,1
10 15,9 11,5 8,5 3,5
11 14,7 10,7 15,9 11,5
12 15 9,2 14,7 10,7
15 9,2

a) Haga un diagrama de dispersión para los datos

30

25

20

15

10

0
0 5 10 15 20 25 30 35 40
 b) Calcule e interprete el modelo de regresión ¿Qué dice este modelo sobre la relación
entre el consumo y el ingreso? ¿Qué proporción de cada dólar adicional que se gana se
invierte en consumo?

y  a  bx
_ _

x y i i  n( x )( y )
3337,82  12(19, 075)(12, 425)
b = =0,558
_
5250,83  12(19, 075)2
x 2
i  n( x ) 2

_ _
a  y  b x = 12,425 – 0,558(19,075) = 1,778

y  1, 778  0,558 x
El modelo de regresión lineal explica que si el ingreso aumenta un dólar, el incremento en
dólares en el consumo será de 0,56.

c) ¿Qué consumo pronosticaría el modelo para alguien que gana US$27,500?

y  1, 778  0,558(27,500)
y  17,123
Según el modelo de regresión lineal si el consumidor gana US$27,500 su consumo será de
17,123
11).-

MES INTERES CASAS

1 12,3 196
2 10,5 285
3 15,6 125
4 9,5 225
5 10,5 248
6 9,3 303
7 8,7 265
8 14,2 102
9 15,2 105
10 12 114

a) Haga un diagrama de dispersión para los datos

350

300

250

200

150

100

50

0
0 5 10 15 20

b) Calcule e interprete el modelo de regresión ¿Qué dice este modelo sobre la relación
entre las tasas de interés y las ventas de vivienda?
 y  a  bx
_ _

 xi yi  n( x)( y ) 21630  10(11, 78)(196,8)

b = = - 27.440
_
1444, 26  10(11, 78)2
x2
i  n( x ) 2

_ _
a  y  b x = 196,8 + 27,440(11,78) = 520,042

y  520, 042  27, 440 x

El modelo de regresión lineal explica que si aumenta la tasa de interés, entonces el número de
casa por área disminuirá en 27,440.

c) Si la tasa de interés es de 9,5%, ¿Cuántas casas se venderían de acuerdo con el

modelo?

y  520, 042  27, 440(0, 095)

y  517, 435
Si la tasa de interés es de 9,5%, se venderían 517 casas.
12.-

UNIDADES COSTO
12,3 6,2
8,3 5,3
6,5 4,1
4,8 4,4
14,6 5,2
14,6 4,8
14,6 5,9
6,5 4,2

a) Haga un diagrama de dispersión para los datos

0
0 5 10 15 20

b) Calcule e interprete el modelo de regresión ¿Qué dice el contador sobre la relación entre
producción y costos?

y  a  bx
 _ _

 xi yi  n( x)( y ) 388.04  8(10, 275)(4, 675)

b = = 0,0306
_
967, 2  8(10, 275) 2
x2
i  n( x ) 2

_ _
a  y  b x = 4,675 – 0,0306(10,275) = 4,360

y  4,360  0, 0306 x
El modelo de regresión lineal indica que por cada unidad más producida, el costo aumentara
en 0,306.

c) Según el modelo ¿cuánto costara producir 750 unidades?

y  4,360  0, 0306(750)
y  27,31
Producir 750 unidades costara 27,31 mil
13.-

MILLAS AUSENCIAS
5 2
6 2
2 4
0 5
9 4
12 2
16 5
5 2
7 3
0 1
8 4

a) Haga un diagrama de dispersión para los datos

0
0 5 10 15 20

b) Compare e interprete el modelo de regresión ¿Qué determina el profesor?

y  a  bx
 _ _

 xi yi  n( x)( y ) 233  11(6,364)(3, 091)

b = = 0,0697
_
684  11(6,364) 2
x2
i  n( x ) 2

_ _
a  y  b x = 3,091 – 0,0697(6,364) = 2,647

y  2, 647  0, 0697 x
Mediante el modelo de regresión lineal se muestra que al aumenta de una milla, será en 0,0697
la perdida de clases

c) ¿A cuántas clases faltaría usted si viviera a 3,2 millas del campus, según el modelo?

y  2, 647  0, 0697(3, 2)
y  2,87
Si viviera a 3,2 millas del campus faltaría a 3 clases.
41)

Costo de la
Valores de la tierra casa
7 67
6,9 63
5,5 60
3,7 54
5,9 58
3,8 36
8,9 76
9,6 87
9,9 89
10 92
n  10
x  7,12 y  68, 2
 x  71, 2  y  682
 x2
 5069, 44  y2
 465124
 x 2  5, 2236  y 2  285,16
 x  2, 28551  y  16,8867
sx 2  5,84 s y 2  316,844
sx  2, 409 s y  17,8001
 xy 5225, 2

a  17,85458
b  7, 070985527
r  0,95701

Yˆ  a  bx
Yˆ  17,85458  7, 070985 x
ANÁLISIS DE VARIANZA

H0 :   0
H1 :   0

ANÁLISIS DE
VARIANZA
Origen de las Grados de Suma de Promedio de los Valor crítico
variaciones libertad cuadrados cuadrados F para F
Regresión 1 2611,7409 2611,741 87,11 5,32
Error 8 239,855 29,982

Total 9 2851,596

SCR  7, 070985527(5225, 2  10(7,12 )(68, 2))

SCR  2611,7409

SCT  9(316,844)
SCT  2851,596

SCE  239,855

 SE RECHAZA H 0
- Podemos concluir con un nivel de significación del 5% que el valor de la pendiente es significativo, por lo
que el modelo es válido.

Coeficiente de Determinación

SCR 2611, 741

R2    0,915887
SCT 2851,596


 H0 :   0
H1 :   0

  0.1

s2
b 
 x 2  nx
2

5, 4756
b 
5069, 44  10(7,12) 2

 b  0, 0346

b
tcal 
b

7, 070985527
tcal 
0, 0346

tcal  204,3639

ttab  1,860

 SE RECHAZA H 0
-Se Rechaza H0 lo que indica que si es significante

45)

Precio Número de boletas

1,25 95
1,5 83
1,75 75
2 72
 2,1 69
1 101
1 98
1,5 85
2 75
2,5 65
1,1 98
1,5 86

n  12
x  1, 6 y  835
 x  19, 2  y  1002
 x2
 368, 64  y2
 1004004
 x 2  0, 21042  y 2  141, 41667
 x  0, 4587  y  11,89187
sx 2  0, 22955 s y 2  154, 27273
sx  0, 47911 s y  12, 42060
 xy  1539, 2

a  121,5538894
b  24,16119963
r  0,9579212036

Yˆ  a  bx
Yˆ  121,5538894  (24,16119963) x

ANÁLISIS DE VARIANZA

H0 :   0
H1 :   0
ANÁLISIS DE
VARIANZA
Origen de las Grados de Suma de Promedio de los Valor crítico
variaciones libertad cuadrados cuadrados F para F
Regresión 1 1546,3168 1546,32 102,623 4,96
Error 10 150,6797 15,066797

Total 11 1696,99

SCR  24,16119963(1539, 2  12(1, 6 )(835))

SCR  1546,3168

SCT  11(154, 27273)

SCT  1696,99

SCE  150,6797

 SE RECHAZA H 0

SCE 150,6797
S2    15, 06797
n2 10

Intervalo de confianza:

49)

Tasas de valorización Estudiantes por clase

1,2 32
 1,2 36
1,1 25
1,3 20
1,1 39
1,2 42
1,3 25
1,3 21
1,2 35
1,4 16
1,4 39
1,3 37

n  12
x  15 y  367
 x  225  y  134689
 x2
 1, 25  y2
 30,583
 x 2  0, 009167  y 2  70, 243056
 x  0, 09574  y  8,39113
sx 2  0, 01 s y 2  76, 62879
sx  0,1 s y  8, 753787
 xy  455,3

a  69, 7879
b  31,3636
r  0,3583

Yˆ  a  bx
Yˆ  69, 7879  (31,3636) x
ANÁLISIS DE VARIANZA
H0 :   0
H1 :   0

ANÁLISIS DE
VARIANZA
Origen de las Grados de Suma de Promedio de los Valor crítico
variaciones libertad cuadrados cuadrados F para F
Regresión 1 108,0476 108,0476 1,4703 4,96
Error 10 734,86909 73,486909

Total 11 842,91669

SCR  31,3636(455,3  12(15)(367))

SCR  108,0476

SCT  11(76, 62879)

SCT  842,91669

SCE  734,86909

 SE ACEPTA H 0

52)

Declaración de Renta Valor B

116 6,7
116 6,2
118 5,4
 118 5,9
120 3,7
117 5,9
118 4,7
121 4,2

n8
x  118 y  5,3375
 x  944  y  42, 7
 x2
 111414  y2
 235,53
 x 2  2, 75  y 2  0,95234
 x  1, 6583  y  0,97588
sx 2  3,14286 s y 2  1, 08839
sx  1, 77281 s y  1, 04326
 xy  5026,9

a  68, 09205
b  0,531818
r  0.90372

Yˆ  a  bx
Yˆ  68, 09205  (0,531818) x

ANÁLISIS DE VARIANZA

H0 :   0
H1 :   0

ANÁLISIS DE
VARIANZA
Origen de las Grados de Suma de Promedio de los Valor crítico
variaciones libertad cuadrados cuadrados F para F
Regresión 1 6,2223 6,2223 26,7352 5,987
Error 6 1,39643 0,232738
 Total 7 7,61873

SCR  0,531818(5026,9  8(118)(5,3375))

SCR  6, 2223

SCT  7(1, 08839)

SCT  7, 61873

SCE  1,39643

 SE RECHAZA H 0

- Podemos concluir con un nivel de significación del 5% que el valor de la pendiente es significativo, por lo
que el modelo es válido.

Coeficiente de Determinación

SCR 6, 2223
R2    0.8167
SCT 7, 61873
Interpretación:

Error Estándar de Estimación

y 2
 a   y   b   xy 
S yx 
n2

235,53  68, 09205(42, 7)  (0.531818)(5026,9)

S yx 
6
S yx  0, 4822

Interpretación:

54)

Rendimiento Valor del riesgo

5,4 1,5
8,9 1,9
 2,3 1
1,5 0,5
3,7 1,5
8,2 1,8
5,3 1,3
0,5 -0,5
1,3 0,5
5,9 1,8
6,8 1,9
7,2 1,9

n  12
x  4, 75 y  1, 2583
 x  57  y  15,1
 x2
 359, 76  y2
 25, 25
 x 2  7, 4175  y 2  0,5208
 x  2, 7235  y  0, 72164
sx 2  8, 09181 s y 2  0,56811
sx  2,8446 s y  0, 75373
 xy  92,88

a  0,1294
b  0, 23767
r  0,89698

Yˆ  a  bx
Yˆ  0,1294  0, 23767 x

ANÁLISIS DE VARIANZA
H0 :   0
H1 :   0

ANÁLISIS DE
VARIANZA
Origen de las Grados de Suma de Promedio de los Valor crítico
variaciones libertad cuadrados cuadrados F para F
Regresión 1 5,02836 5,02836 41,1874 4,965
Error 10 1,22085 0,122085

Total 11 6,24921

SCR  0, 23767(92,88  12(4, 75)(1, 2583))

SCR  5,02836

SCT  11(0,56811)
SCT  6,24921

SCE  1,22085
Interpretación del coeficiente de Regresión (b)

- Según el modelo encontrado, este nos dice que, por cada punto porcentual en el rendimiento, el riesgo
aumenta 0,23767, lo que indicaría una relación directa entre el rendimiento y el riesgo.