Métodos Cuantitativos y Optimización
jonathan rojas galleguillosInforme20 de Julio de 2023
3.350 Palabras (14 Páginas)151 Visitas
[pic 1]
UNIVERSIDAD DE LAS AMÉRICAS
EJERCICIO N° 2
Asignatura: Métodos Cuantitativos y Optimización.
Profesor: Marvin Isaac Querales Carrasquel
Estudiantes: Mauricio Esteban Flores Huenteo, Jonathan Rene Rojas Galleguillos, Johannes Daniel Salinis Sohn.
NRC: 7946
EIN6017EL
MAYO – 2023
Tabla de contenido
Introducción 3
Desarrollo de los resultados 4
Problema N°1 4
Problema N°2 5
Problema N°3 8
Problema N°4 10
Conclusión 12
Introducción
En este informe se presentarán los resultados y explicación de cuatro problemas de regresiones y probabilidad con sus respectivas tablas en Excel y software Rstudio.
Desarrollo de los resultados
Problema N°1
METODO I | METODO II | METODO III | |||||
15 | 14 | 13 | |||||
16 | 13 | 12 | |||||
14 | 15 | 11 | |||||
15 | 16 | 14 | |||||
17 | 14 | 11 | |||||
Rechazar H0 | H0: | Los tres métodos tienen resultados iguales | F-calculado > valor critico | ||||
NorechazarH0 | H1: | Al menos un método tiene resultado diferente | Fcalculado <= valor critico |
[pic 2]
F-calculado | 9,34883721 | |||
Valor critico | 3,88529383 | |||
| ||||
| ||||
|
Problema N°2
> data2=data.frame(Libro1)
> data2
ID PTEST ESTADOCIVIL CONTRATO
1 1 596 1 1
2 2 473 1 1
3 3 482 0 1
4 4 527 0 1
5 5 505 0 1
6 6 693 0 1
7 7 626 0 1
8 8 663 0 1
9 9 447 0 1
10 10 588 0 1
11 11 563 1 1
12 12 553 1 1
13 13 572 1 1
14 14 591 1 1
15 15 692 1 1
16 16 528 1 1
17 17 552 1 1
18 18 528 0 1
19 19 543 0 1
20 20 523 0 1
21 21 530 0 1
22 22 564 0 1
23 23 565 0 1
24 24 431 0 1
25 25 605 0 1
26 26 664 0 1
27 27 609 0 1
28 28 559 0 1
29 29 521 1 1
30 30 646 1 1
31 31 467 1 0
32 32 446 1 0
33 33 425 1 0
34 34 474 1 0
35 35 531 1 0
36 36 542 1 0
37 37 406 1 0
38 38 412 1 0
39 39 458 1 0
40 40 399 0 0
41 41 482 0 0
42 42 420 0 0
43 43 414 0 0
44 44 533 1 0
45 45 399 1 0
46 46 384 1 0
47 47 336 1 0
48 48 408 1 0
49 49 411 1 0
50 50 321 1 0
> model2<- glm(CONTRATO ~ PTEST + ESTADOCIVIL,
+
+ data=data2,family=binomial(link=logit))
> summary(model2)
Call:
glm(formula = CONTRATO ~ PTEST + ESTADOCIVIL, family = binomial(link = logit),
data = data2)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.88984 -0.15865 0.04336 0.28033 2.00001
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -18.18458 5.73464 -3.171 0.00152 **
PTEST 0.04105 0.01256 3.268 0.00108 **
ESTADOCIVIL -3.08737 1.37763 -2.241 0.02502 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 67.301 on 49 degrees of freedom
Residual deviance: 24.571 on 47 degrees of freedom
AIC: 30.571
Number of Fisher Scoring iterations: 7
> null=67.301
> residual=24.571
> devianza2 = null - residual
> print(pchisq(devianza2,6,lower.tail = FALSE))
[1] 1.319087e-07
> exp(model2$coefficients)
(Intercept) PTEST ESTADOCIVIL
1.266304e-08 1.041906e+00 4.562181e-02
> prediccion = print(predict(model2, data.frame(PTEST=690,ESTADOCIVIL=1),
+ type="response"))
1
0.9991364
-> 1-0.9991364 = 0,0008636 -> 0.08636%
- -3.08737 es el cambio esperado en el logit al pasar de soltero a casado.
- La razón de odds que compara solteros con casados es igual a exp(-3.08737)= 4.562181e-02.
- 0.04105 es el cambio esperado en el logit al aumentar una unidad en el puntaje PTEST.
- exp(0.04105 = 1.041906e+00) es la razón de Odds al cambiar de ESTADOCIVIL.
B) Nuestro p-valor lo obtenemos de la resta del null deviance y resudial deviance como resultado nos da ->
0,000013191% que está por debajo de 0.05 |
1,319,E-07 | 0,000013191% |
En tabla coeficientes, tanto PTEST como ESTADOCIVIL son significativas, con p-valores bajos, lo que demuestra que ambas variables son importantes para explicar la variable dependiente (probabilidad de éxito).
...