Este documento presenta un análisis de regresión simple para predecir los costos de alquiler mensuales de departamentos basados en su tamaño (pies cuadrados). Se muestra el cálculo de los coeficientes de regresión b0 y b1, la ecuación de regresión, y se realizan pronósticos y cálculos de errores. El modelo explica el 72,27% de la variabilidad en los alquileres y es útil para departamentos entre 700-2000 pies cuadrados.
0 calificaciones0% encontró este documento útil (0 votos)
39 vistas9 páginas
Este documento presenta un análisis de regresión simple para predecir los costos de alquiler mensuales de departamentos basados en su tamaño (pies cuadrados). Se muestra el cálculo de los coeficientes de regresión b0 y b1, la ecuación de regresión, y se realizan pronósticos y cálculos de errores. El modelo explica el 72,27% de la variabilidad en los alquileres y es útil para departamentos entre 700-2000 pies cuadrados.
Este documento presenta un análisis de regresión simple para predecir los costos de alquiler mensuales de departamentos basados en su tamaño (pies cuadrados). Se muestra el cálculo de los coeficientes de regresión b0 y b1, la ecuación de regresión, y se realizan pronósticos y cálculos de errores. El modelo explica el 72,27% de la variabilidad en los alquileres y es útil para departamentos entre 700-2000 pies cuadrados.
Este documento presenta un análisis de regresión simple para predecir los costos de alquiler mensuales de departamentos basados en su tamaño (pies cuadrados). Se muestra el cálculo de los coeficientes de regresión b0 y b1, la ecuación de regresión, y se realizan pronósticos y cálculos de errores. El modelo explica el 72,27% de la variabilidad en los alquileres y es útil para departamentos entre 700-2000 pies cuadrados.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 9
República Bolivariana de Venezuela
Ministerio del poder popular para la Defensa
Universidad Nacional Experimental Politécnica De la Fuerza Armada Bolivariana. Núcleo Nueva Esparta.
ANÁLISIS DE REGRESIÓN SIMPLE
SITUACIÓN PROBLEMA
Una compañía de bienes raíces residenciales en una ciudad grande desea poder predecir los costos mensuales de renta para departamentos, basada en el tamaño de los mismos definidos por los pies cuadrados de espacio. Se selecciona una muestra aleatoria y la información generada revela lo siguiente:
∑ X i Y i =¿41480210 ∑ Y 2i =¿51192350 ∑ X 2i =¿34223535
i=1 i=1 i=1
25 25
∑ Y i=¿34660 ∑ X i=¿28383 i=1 i=1
(∑ ) 25 25 SCXY =∑ X i Y i− Xi ¿ ¿ i=1 i=1
25 SCX =∑ X 2i −¿ ¿¿ i=1
Cálculo de la pendiente b 1
SCXY 2130018 ,8 b 1= = =1,065 SCX 1999747 , 4
Fórmula para el cálculo de la ordenada en Y, b 0
25 25
∑Yi 34660 ∑ X i 28383 i=1 Y= = =1386 , 4 y X = i=1 = =1135, 3 n 25 n 25
b 0=Y −b1 X=1386 , 4−1,065 ( 1135 ,3 )=177,306
c) Ecuación de regresión lineal de la muestra
Y^ i=b0 +b1 X i
Y^ i=177,306 +1,065 X i
d) Significado de la ordenada b 0 y la pendiente b 1 para este problema
b 1 :El modelo de regresión explica que la renta mensual aumenta 1, 065 dólares por cada pies cuadrado en el tamaño del departamento.
b 0 :La renta normal mensualmente en dólares es 177, 306 aproximadamente 177 $.
En otras palabras:
b 1 :La cantidad promedio del cambio de la renta mensual en dólares (Y) es positiva para una unidad de cambio dada en el tamaño pies cuadrados (X) y este valor promedio es de 1, 065.
b 0 : El valor promedio de la renta mensual en dólares (Y) cuando el tamaño en pies
cuadrado (X) es igual a cero (0) es de 177 $ aproximadamente.
e) Pronóstico de la renta mensual promedio para un departamento que tiene 1000
pies cuadrados
Y^ i=177,306 +1,065 X i
Y^ i=177,306 +1,065(1000)
Y^ i=1242,306 $ ≈ 1242 $ El pronóstico de la renta mensual promedio para un departamento de 1000 pies cuadrados es aproximadamente 1242 dólares.
f) ¿Por qué no es adecuado predecir la renta mensual promedio para un
departamento de 500 pies cuadrados?
De acuerdo al diagrama de dispersión se puede observar que el rango de valores para este estudio de 25 departamentos está entre 700 y 2000 pies cuadrados, lo que implica que para los departamentos con menos de 700 pies cuadrados y más de 2000 pies cuadrados no es significativo la aplicación de este modelo de regresión. Debido a que cuando se utiliza un modelo de regresión con propósitos de pronóstico, es importante que se tome en cuenta sólo el intervalo relevante de la variable independiente al hacer la predicción, que en este caso es el tamaño de los departamentos en pies cuadrado. Este intervalo relevante abarca todos los valores de X, del más pequeño al más grande, usados en el desarrollo del modelo de regresión. Entonces, si se predice un valor de Y para un valor dado de X, es posible interpolar dentro de este intervalo de valores de X, pero no se debe extrapolar hacia afuera de este intervalo.
g) Cálculo del coeficiente de determinación r2 e interpretación de su significado
25 SCT=∑ Y 2i −¿ ¿ ¿ i=1
25 25 25 SCE=∑ Y 2i −b0 ∑ Y i−b 1 ∑ X i Y i=51192350−177,306 ( 34660 )−1,065 ( 41480210 ) i=1 i=1 i=1
SCE=870500 , 39
SCR=SCT−SCE=3139726−870500 , 39=2269225 ,61
2 suma de cuadrados de regresión SCR 2269225 , 61 r= = = =0,7227 suma de cuadrados total SCT 3139726
El coeficiente de determinación indica que el modelo revela una variabilidad del 72,27% en la variable dependiente (Renta mensual en dólares) que explica la variable independiente (Tamaño pies cuadrados), lo cual indica y garantiza que es un modelo de buen ajuste por superar el 70%.
i) ¿Qué tan útil será este modelo de regresión para predecir la renta mensual?
Como el coeficiente de determinación supera el 70% (es decir, 72, 27%) se dice que el modelo de regresión generado es útil para predecir la renta mensual en dólares debido a que explica gran parte de la variabilidad de la variable en mención. j) Con 0, 05 de nivel de significancia, ¿existe evidencia de una relación lineal entre el tamaño del departamento y la renta mensual?
1. Formulación de Hipótesis: H0: β1 = 0 (no hay una relación lineal)
b1−β 1 1,065−0 t= = =7 ,72 Sb 1 0,138 El estadístico de prueba sigue una distribución t con 25−2=23 grados de libertad.
3. Regla de decisión: Se rechaza H0 si |t |>t α / 2 ;n−2
t α / 2 ;n−2=t 0 ,05 =t 0,025;23=¿ -2, 069
;23 2
Como |t |=7 ,72>t 0,025 ;23=−2,069 entonces se rechaza H0, es decir, existe evidencia de una relación lineal entre la variable dependiente “Renta mensual en dólares” y la variable independiente “Tamaño del departamento en pies cuadrado”.
k) Calculo e interpretación del coeficiente de correlación
r =√ r 2
r =√ 0,7227=0,8501
El coeficiente de correlación indica que existe una asociación moderada positiva entre las variables renta mensual en dólares y tamaño del departamento en pies cuadrados; según el criterio de Milton, S. (2001) en su estadístico para Biología y Ciencias de la Salud. Además, se puede argumentar que de acuerdo al valor de este coeficiente r = 0, 8501 > ± 0,70 es factible la aplicabilidad del análisis de regresión para las variables en estudio.
l) ¿Existe evidencia de una correlación significativa para 0, 05 de nivel de
significancia?
1. Formulación de hipótesis: H0: ρ = 0 (no hay correlación)
H1: ρ ≠ 0 (existe correlación) r− ρ 0,8501−0 t= = =7 ,74 2. Estadístico: √ 1−r 2 n−2 √ 1−0,7227 25−2 el cual sigue una distribución t-student con
25−2=23 grados de libertad.
3. Regla de decisión: Se rechaza H0 si |t |>t α / 2 ;n−2
t α / 2 ;n−2=t 0 ,05 =t 0,025;23=¿ -2, 069
;23 2
Como |t |=7 ,74 >t 0,025;23=−2,069 entonces se rechaza H0, es decir, existe evidencia de una correlación significativa entre la variable dependiente “Renta mensual en dólares” y la variable independiente “Tamaño del departamento en pies cuadrado”.
