modelos
DESCRIPTION
matematicasTRANSCRIPT
-
MODELOS POLINOMIALES
Los siguientes datos son la inversin neta (Y) y la tasa de inters (X)
X 2.5 3 4 5 5.5 6
Y 12.5 10 7 4.5 4 3
logX 0.39794001 0.47712125 0.60205999 0.69897 0.74036269 0.77815125
log Y 1.09691001 1 0.84509804 0.65321251 0.60205999 0.47712125
Anlisis de datos para el modelo POTENCIA (Y = AXB)
Su transformacin lineal es: logY = logA + BlogX
ANLISIS DE VARIANZA FV GL SC CM F p
Regresin 1 0.32486 0.32486 108.17966 0.00014
Residuos 5 0.01501 0.00300 Total 6 0.33987
Coeficientes Error tpico Estadstico
t Probabilidad Intercepcin 1.66742 0.09103 18.31801 0.00001 Variable X 1 -1.42156 0.13668 -10.40095 0.00014
La ecuacin lineal de regresin es:
La ecuacin no lineal de regresin
2r 0.98
0
2
4
6
8
10
12
14
0 1 2 3 4 5 6 7 8
XY 42.1667.1log *
42.1* 49.46 XY
-
Anlisis de datos para el modelo LINEAL (Y = a + bX)
ANLISIS DE VARIANZA GL SC CM F p
Regresin 1 70.60546 70.60546 38.15818 0.00162001
Residuos 5 9.25168 1.85034 Total 6 79.85714
Coeficientes Error tpico Estadstico t Probabilidad Intercepcin 16.283 1.68702 9.65165 0.00020 Variable X 1 -2.105 0.34083 -6.17723 0.00162
La ecuacin lineal de regresin es:
2r 0.884
a)Qu modelo se ajusta mejor a los datos? Por qu?
Comparando los coeficientes de determinacin R^2=0.956 para el modelo potencia y R^2=0.884
para el modelo lineal, se concluye que el modelo potencia se ajusta mejor a los datos.
b) pruebe la significancia de la ecuacin que mejor se ajusta
H0 : p < 0.05
H1 : p > 0.05 Se observa que en la ecuacin potencia p=0.00014, lo que significa que el modelo es significativo.
3) DADOS LSO SIGUIENTES DATOS X: INGRESO, Y: CONSUMO EN MILES DE DOLARES
Y 3 7 10 14 15 20 21 24
X 4 8 12 16 20 24 28 32
XY 1.228.16