You are on page 1of 8

EJERCICIO 7

A)
Anlisis de regresin: ndice de satisf vs. % de quejas aten
La ecuacin de regresin es
ndice de satisfaccin con prod = 4.15 + 4.43 % de quejas atendidas
Predictor
Constante
% de quejas atendidas
S = 0.880362

Coef
4.1478
4.4283

R-cuad. = 52.7%

SE Coef
0.7076
0.9893

T
5.86
4.48

P
0.000
0.000

R-cuad.(ajustado) = 50.0%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
1
18
19

SC
15.527
13.951
29.478

CM
15.527
0.775

F
20.03

P
0.000

Grficas de residuos para ndice de satisfaccin con prod

B)
Anlisis de regresin: Intencin de con vs. % de quejas aten
La ecuacin de regresin es
Intencin de cont con la empres = 9.69 - 0.118 % de quejas atendidas

Predictor
Constante
% de quejas atendidas
S = 0.355779

Coef
9.6863
-0.1183

R-cuad. = 0.5%

SE Coef
0.2860
0.3998

T
33.87
-0.30

P
0.000
0.771

R-cuad.(ajustado) = 0.0%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
1
18
19

SC
0.0111
2.2784
2.2895

CM
0.0111
0.1266

F
0.09

P
0.771

Observaciones poco comunes

Obs
19

% de quejas
atendidas
0.85

Intencin
de cont con
la empres
8.9000

Ajuste
9.5857

EE de
ajuste
0.1028

Residuo
-0.6857

Residuo
estndar
-2.01R

R denota una observacin con un residuo estandarizado grande.

Grficas de residuos para Intencin de cont con la empres

Como se demuestra en el inciso a) nuestro modelo de regresin lineal marca


una pendiente positiva lo que indica que por cada cambio en x (quejas
atendidas) hay incremento en y (satisfaccin del cliente). Por lo que es
correcto decir que entre ms quejas se atiendan, mayor es la satisfaccin de
los clientes.
En el caso de la pregunta si se incrementa el nmero de quejas atendidas
aumenta la intencin de los clientes a seguir comprando?. Nuestro modelo
muestra que todos los clientes al iniciar sin quejas, tienen un valor
aproximado de 9.6863, que diramos es un buen puntaje para que los clientes
continen; sin embargo, la pendiente de la recta es negativa por lo que entre
ms quejas atendidas disminuye la intencin de comprar los productos, esto

probablemente tiene que ver con que el nmero de quejas aumenta, y suena
lgico, por qu compraras algo de lo que te ests quejando?
Las variables ms factibles para conocer la lealtad de los clientes
probablemente son las compras en cantidad segn el tiempo, si se graficaran
estos valores y se hiciera una regresin, como en los casos anteriores, una
pendiente positiva sera una seal muy buena, mientras que una negativa
significara la prdida de lealtad del cliente.

EJERCICIO 8
Anlisis de regresin: Carga total tran vs. Capacidad total
La ecuacin de regresin es
Carga total transportada a trav = 53.0 + 0.0111 Capacidad total de contenedores
24 casos utilizados, 12 casos contienen valores faltantes
Predictor
Constante
Capacidad total de contenedores
S = 57.9944

R-cuad. = 38.6%

Coef
52.96
0.011108

SE Coef
15.22
0.002985

T
3.48
3.72

P
0.002
0.001

R-cuad.(ajustado) = 35.8%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
1
22
23

SC
46581
73994
120574

CM
46581
3363

F
13.85

P
0.001

Observaciones poco comunes

Obs
1
17
20

Capacidad total
de contenedores
6011
15100
14900

Carga total
transportada
a trav
314.8
241.1
127.5

Ajuste
119.7
220.7
218.5

EE de
ajuste
14.5
37.4
36.9

Residuo
195.1
20.4
-91.0

Residuo
estndar
3.47R
0.46 X
-2.03RX

R denota una observacin con un residuo estandarizado grande.


X denota una observacin cuyo valor X le concede gran apalancamiento.

Grficas de residuos para Carga total transportada a trav

Anlisis de tendencia para ndice de satisfaccin con prod


Datos
Longitud
Nmero de valores faltantes

ndice de satisfaccin con prod


20
0

Ecuacin de tendencia ajustada


Yt = 6.315 + 0.0833*t
Medidas de exactitud
MAPE
MAD
MSD

13.1840
0.9134
1.2431

Grfica de anlisis de tendencia de ndice de satisfaccin con prod

Viendo simplemente las grficas de residuos uno dira que algo est mal, ya
que se nota a simple vista que existe un nmero muy grande de datos en un
rango de la grfica muy reducido, la razn por la que la grfica aumenta en
longitud, es por un nmero muy pequeo de datos lo que afecta en la
precisin de la grfica segn el rango deseado. Por lo que es muy probable
que no se haya realizado la toma de muestras al azar.

EJERCICIO 4
Anlisis de regresin: Satisfaccin vs. Experiencia laboral
La ecuacin de regresin es
Satisfaccin = 35.5 + 2.59 Experiencia laboral
Predictor
Constante
Experiencia laboral
S = 5.52915

Coef
35.495
2.5887

SE Coef
2.127
0.1905

R-cuad. = 88.1%

T
16.69
13.59

P
0.000
0.000

R-cuad.(ajustado) = 87.6%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
1
25
26

SC
5642.5
764.3
6406.7

CM
5642.5
30.6

F
184.57

P
0.000

Observaciones poco comunes


Obs
5
20

Experiencia
laboral
15.0
20.0

Satisfaccion
87.00
75.00

Ajuste
74.32
87.27

EE de
ajuste
1.47
2.24

Residuo
12.68
-12.27

Residuo
estndar
2.38R
-2.43R

R denota una observacin con un residuo estandarizado grande.

Grficas de residuos para Satisfaccin


Residuos de Satisfaccin vs. Satisfaccin
Residuos de Satisfaccin vs. Experiencia laboral

Anlisis de regresin: Y2= Motivacin vs. Experiencia laboral


La ecuacin de regresin es
Y2= Motivacin = 88.3 - 0.981 Experiencia laboral
Predictor
Constante
Experiencia laboral
S = 9.68372

Coef
88.261
-0.9810

R-cuad. = 25.7%

SE Coef
3.726
0.3337

T
23.69
-2.94

P
0.000
0.007

R-cuad.(ajustado) = 22.7%

Anlisis de varianza
Fuente
Regresin
Error residual
Total

GL
1
25
26

SC
810.30
2344.36
3154.67

CM
810.30
93.77

F
8.64

P
0.007

Observaciones poco comunes


Obs
24

Experiencia
laboral
9.0

Y2=
Motivacion
47.00

Ajuste
79.43

EE de
ajuste
1.88

Residuo
-32.43

Residuo
estndar
-3.41R

R denota una observacin con un residuo estandarizado grande.

Grficas de residuos para Y2= Motivacin


Residuos de Y2= Motivacin vs. Y2= Motivacin
Residuos de Y2= Motivacin vs. Experiencia laboral

Regression Analysis: Y2= Motivacion versus Experiencia laboral

The regression equation is


Y2= Motivacion = 89.8 - 1.01 Experiencia laboral

26 cases used, 1 cases contain missing values


Predictor

Coef SE Coef

Constant

89.767

VIF

2.798 32.09 0.000

Experiencia laboral -1.0077 0.2489 -4.05 0.000 1.000

S = 7.22118 R-Sq = 40.6% R-Sq(adj) = 38.1%

Analysis of Variance

Source
Regression

DF

SS

MS

1 854.51 854.51 16.39 0.000

Residual Error 24 1251.49 52.15


Lack of Fit

8 501.36 62.67 1.34 0.295

Pure Error

16 750.13 46.88

Total

25 2106.00

Se puede apreciar un coeficiente de determinacin de ms alto (.3825)


cuanto se grafica Y contra X, esto siempre y cuando se elimine el dato
atpico el cual tiene un valor de 55 en X con una motivacin de 47.
Eliminando el dato atpico podemos observar que hay una mayor correlacin
con el ajuste y observando las diferencias entre los residuos notamos que
hay una mayor precisin del modelo.