Aduanas UNIDAD I. ANALISIS DE REGRESION Y CORRELACION.
Enviado por Jerry • 2 de Noviembre de 2018 • 1.628 Palabras (7 Páginas) • 427 Visitas
...
El método (M.C.O.) también asignará que se minimice la suma de éstos errores al cuadrado, es por esta razón que se denomina: “Mínimos Cuadrados Ordinarios”.
Para determinar la recta que mejor se ajuste a los datos, el procedimiento (M.C.O.) requiere que se calcule:
S.C.x = Suma cuadrada de “x”.
S.C.y = Suma Cuadrada de “y”.
S.C.xy = Suma Cuadrada de los productos cruzados “y” y “x”.
[∑ Xi ]2
S.C.x = ∑ (Xi – X)2 = ∑ (Xi)2 - ----------
n
[∑ yi ]2
S.C.y = ∑ (yi – y)2 = ∑ (yi)2 - ----------
n
[∑ xi ]. [∑ yi ]
S.C.xy = ∑ (Xi – X). (yi – y) = ∑ (xi).(yi) - -----------------
n
Luego, la pendiente y el intercepto de la recta de regresión vienen dado por:
S.C.xy
b1 = ---------- ; b0 = y – b1X
S.C.x
∑ yi ∑ Xi
Donde: y = -------- ; X = ---------
n n
Finalmente, el método de regresión lineal simple estimado viene dado por:
ŷ = b0 + b1.X
Ejercicio.
1.- Obtenga la ecuación de demanda que se ajusta mejor a los siguientes datos, y úsela para pronosticar las ventas anuales de casas preciadas a $140.000,00.
OBS.
PRECIO
(MILES DE $)
VENTAS DE NUEVAS CASAS
X2
X.Y
XI - X
(XI – X)2
1
160
126
25.600
20.160
- 60
3.600
2
180
103
32.400
18.540
- 40
1.600
3
200
82
40.00
16.400
- 20
400
4
220
75
48.400
16.500
0
0
5
240
82
57.600
19.680
20
400
6
260
40
67.600
10.400
40
1.600
7
280
20
78.400
5.600
60
3.600
1.540
528
350.000
107.280
11.200
ŷ = b0 + b1.X
S.C.xy
b1 = ----------- ; b0 = y – b1X
S.C.x
[∑ xi ]. [∑ yi ]
S.C.xy = ∑ (Xi – X). (yi – y) = ∑ (xi).(yi) - ---------------
n
(1.540).(528)
S.C.xy = 107.280 - ----------------- = 107.280 – 116.160 =
7
S.C.xy = - 8.880
[∑ Xi ]2
S.C.x = ∑ (Xi – X)2 = ∑ (Xi)2 - ----------
n
(1.540)2
S.C.x = 350.000 - ----------- = 350.000 – 338.800 = 11.200
7
S.C.xy - 8.880
b1 = ----------- = ---------- = - 0,793
S.C.x 11.200
528 1.540
y = -------- = 75,42 x = ---------- = 220
7 7
b0 = y – b1.x = 75,42 – (-0,793).(220) = 75,42 + 174,46
b0 = 249,88
ŷ = b0 + b1.x = 249,88 – 0,793.x
Entonces
...