EJERICICO 1 PROPUESTO

Una compañía de bienes raíces que desea tener un modelo matemático que le
permita hacer una lista de precios de las casas que comercializa. El personal sabe
que estos precios dependen de varios factores; entre ellos: el tamaño del terreno,
el área construida, el lugar de la residencia, el número de recámaras, el número de
baños, acabados, la antigüedad, entre otros factores más.

En este problema se desea tener un modelo para la asignación de precios de las

casas tomando en cuenta el área construida y la antigüedad del inmueble. Para tal
efecto, se hizo una recopilación de la venta de 14 propiedades consideradas como
representativas. La tabla siguiente muestra el área y años de antigüedad de estas
casas.

Casa Área Antigüedad Precio de

construida (años) venta
(pies (unidades)
cuadrados)
1 1926 30 35,000
2 2069 40 47,000
3 1720 30 49,900
4 1396 15 55,000
5 1706 32 58,900
6 1847 38 60,000
7 1950 27 67,000
8 2323 30 70,000
9 2285 26 78,500
10 3752 35 79,000
11 2300 18 87,500
12 2525 17 93,000
13 3800 40 95,000
14 1740 12 97,000

Tomando en cuenta esta información determina:

a. El coeficiente de correlación entre estas variables, ¿qué tan fuerte es

la relación lineal entre las variables independientes (o explicativas)
con respecto a la variable dependiente (o explicada)?
La relación lineal que existe entre las variables independientes que son el área
construida y el precio de venta tienen están muy ligadas ya que si observamos el
coeficiente de correlación que existe entre la variable independiente precio de venta
y la variable dependiente años de antigüedad el coeficiente de correlación es de -
0.36 ya que cuando sube la antigüedad el precio no sube tanto.

b. ¿Qué tan fuerte es la correlación entre las variables independientes?

La correlación que existe entre las variables independientes como se ve en la gráfica

1 en el Excel titulada correlación precio de venta y área construida observamos que
el coeficiente de correlación es positivo. Ya que no esta tan correlacionados como
si se observara la correlación de algún de las variables independiente con la variable
dependiente que es antigüedad en años.

c. El modelo de regresión lineal múltiple que permita definir el precio de

venta de las casas. en función del área construida y de la antigüedad.

El modelo de regresión lineal múltiple se calculó en el Excel en la hoja de calcula

titulada ejercicio 1 y obtenemos:

MODELO DE REGRESIÓN LINEAL MULTIPLE QUE PERMITA DEFINIR EL

PRECIO DE VENTA DE LAS CASAS EN FUNCIÓN DEL AREA CONSTRUIDA Y
DE LA ANTIGÜEDAD

Y= 60815.4468+ 21.9096832 X1 -14449.3431 X2

d. ¿Cuál es el significado de los coeficientes de regresión?

Coeficientes
Intercepción (PRECIO DE VENTA) 60815.44678
Variable X 1 (AREA CONSTRUIDA) 21.90968325
Variable X 2 (AÑOS DE ANTIGÜEDAD) -
1449.343123

Se llama coeficiente de regresión a la pendiente de la recta de regresión:

en la regresión Y/X : b = Sxy / Sx2

en la regresión X/Y b' = Sxy / Sy2

En este caso b= X1 y b’= X2

e. ¿Qué porcentaje de las variaciones observadas en los precios, puede

ser explicado por las variables área y antigüedad?

Al menos el 81% ya que el coeficiente de correlación múltiple es de 0.81

f. Determina, con un nivel de confianza de 95%, el precio que deberá

asignarse a una casa que tiene 3,000 ft2 de construcción y una
antigüedad de 16 años.

Con el modelo de regresión múltiple calculado en el inciso c) tenemos resuelto este

inciso en la hoja de cálculo llamada ejercicio 1 d, en donde observamos que:

Tenemos que para un área de 3000 pies cuadrados y 16 años de antigüedad el

precio de venta con un 95% de nivel confianza:

$103,355

g. ¿Es significativo el modelo de regresión múltiple encontrado para

determinar el precio de los bienes inmuebles que comercializa esta
compañía? Realiza la prueba F.

Si resuelta significativo el modelo de regresión múltiple ya que al realizar la prueba

de Fisher desde el momento que se calcula la regresión lineal múltiple tenemos que
F= 11.26