En esta fase se pide estudiar, en funcin de las distintas delegaciones de PRESTON, los datos
para poder saber los criterios de seleccin de las mismas y para los proveedores de compra.
As pues, los datos que se nos facilitan nos permiten realizar los procedimientos siguientes:
1.1. Barcelona:
1: Lobocar.
2: Coches Leiny
Hacemos un dot plot de los datos y un box plot.
Lobocar
CotxesLeiny
3600
3400
3200
3000
2800
2600
A simple vista parece que Lobocar tiende a ser algo ms caro, y vemos que tampoco se detecta
ningn punto que llame la atencin excesivamente.
Hacemos hiptesis de igualdad de varianzas H0: 1=2 H1: 12
P valor es superior al 0,05 por lo que no puedo rechazar Ho y asumo igualdad de varianzas.
Ahora la prueba de hiptesis es que H0: 1=2 H1: 12. Asumiendo igualdad de varianzas.
Con este p-valor rechazamos H0, por lo que s que hay diferencias significativas entre
proveedores. Ahora debemos realizar la prueba unilateral para ver que proveedor es ms
barato.
El siguiente paso consiste en realizar la prueba de que H0: 1=2 H1: 1<2.
Con este p-valor no rechazamos H0 por lo que no podemos decir que el proveedor 1 sea ms
barato que el proveedor 2.
Habiendo realizado ya la hiptesis de igualdad vs desigualdad. Y viendo que existe desigualdad,
y que el primero no es ms barato que el segundo podemos concluir que el segundo
proveedor es ms barato. Para verificar este supuesto realizaremos el test de hiptesis de H0:
1=2 H1: 1>2.
Este p-valor s que nos permite rechazar H0 y concluir que el proveedor 1 es ms caro que el 2.
Por lo que prescindiremos para la regin de Barcelona del proveedor Lobocar. Podemos hacer
esta afirmacin con una seguridad del 99,5%.
1.2. Gerona
1: Vehicles Oller.
2: Run Fun.
Hacemos un dot plot de los datos
RunFun
3200
3000
2800
2600
2400
A simple vista parece que Vehicles Oller tiende a ser algo ms caro, y vemos que tampoco se
detecta ningn punto que llame la atencin excesivamente.
Hacemos hiptesis de igualdad de varianzas H0: 1=2 H1: 12.
P valor es superior al 0,05 por lo que no puedo rechazar Ho y asumo igualdad de varianzas.
Ahora la prueba de hiptesis es que H0: 1=2 H1: 12. Asumiendo igualdad de varianzas.
Con este p-valor rechazamos H0, por lo que s que hay diferencias significativas entre
proveedores. Ahora debemos realizar la prueba unilateral para ver que proveedor es ms
barato.
El siguiente paso consiste en realizar la prueba de que H0: 1=2 H1: 1>2.
1.3. Lleida
El primer paso, para que sirva de ayuda al tratamiento de datos, se realizan DotPlot y Boxplot:
Se puede observar tanto en el DotPlot como en el Boxplot que en ambos casos aparecen
puntos lo bastante alejados como para que puedan quitarse del anlisis. En el caso de Hugo
Torres, la fila dos de los datos contiene un valor excesivamente alto y en el de Mario Casanova,
excesivamente bajo.
Para ver esta diferencia, se realizar a continuacin el test de hiptesis de igualdad de
varianzas H0: 1=2 H1: 12 para el caso con los 22 valores y con los 20 (menospreciando
estos dos ms alejados).
GL1
11
1
GL2
11
22
Estadstica
de prueba
1,17
0,15
Valor P
0,802
0,701
GL1
10
1
GL2
10
20
Estadstica
de prueba
2,07
0,68
Valor P
0,265
0,421
En ambos casos, p-valor es superior al 0,05 por lo que no puedo rechazar H0 y se asume
igualdad de varianzas. An con eso, se prefiere trabajar con estos dos valores, porque los
intervalos de confianza para la relacin de varianzas son ms estrechos y el p-valor es mayor
en el primero de los casos mostrados.
Con 22 datos
Distribucin
de
de los datos
Normal
4,056)
Continuo
28,973)
Con 20 datos
IC para
relacin de
IC para
relacin
Desv.Est.
(0,580; 2,014)
varianza
(0,336;
(0,364; 5,383)
(0,132;
Distribucin
de
de los datos
Normal
7,711)
Continuo
21,507)
IC para
relacin de
IC para
relacin
Desv.Est.
(0,747; 2,777)
varianza
(0,558;
(0,351; 4,638)
(0,123;
El siguiente paso es realizar la prueba de hiptesis de que H0: 1=2 H1: 12, y asumiendo
igualdad de varianzas dados los resultados anteriores.
Con este p-valor no se puede rechazar H0, por lo que no hay diferencias significativas entre
proveedores. Esta es la confirmacin de lo que se observ en el Boxplot. Analizando la muestra
sin los valores ms alejados de la tendencia central, este p-valor aumenta significativamente,
de modo que se obtiene:
Prueba T de diferencia = 0 (vs. no =): Valor T = 0,38
Valor P = 0,708
GL = 20
Es preferible tratar con todos los datos, pues no nos vemos con bastante autoridad como para
considerar si uno o varios datos son errneos o no. Con estos p-valor, entonces, no es
necesario realizar ninguna prueba unilateral; y ambos tienen un precio igual.
1.4. Tarragona
Tambin en este caso se grafican los datos en BoxPlot y DotPlot:
GL1
11
1
GL2
11
22
Estadstica
de prueba
1,44
0,12
Valor P
0,557
0,733
Y como p-valor es mayor a 0,05; no se puede rechazar la hiptesis de que las varianzas fueran
iguales.
Haciendo la prueba t de dos muestras (anlisis de las medias) asumiendo varianzas iguales se
obtiene:
Lo cual significa que no se puede rechazar la hiptesis de que las medias no sean iguales; es
decir, que los precios sean los mismos.
2.1. Faros.
Ya que el departamento de produccin nos dice que hay gran disparidad de precio segn la
gama del vehculo realizaremos un estudio ANOVA bloqueado (two ways). Realizando este
estudio vemos que los grficos de residuos son los siguientes.
vs. ajustes
200
90
100
Residuo
Porcentaje
99
50
10
1
0
-100
-200
-200
-100
0
Residuo
100
200
1400
Histograma
200
100
Residuo
Frecuencia
2000
vs. orden
4
2
0
1600
1800
Valor ajustado
0
-100
-200
-200
-100
0
Residuo
100
200
10
15
20
25
30
Orden de observacin
35
Vemos tanto en el papel probabilstico normal y en al histograma que los datos cumplen la
hiptesis de normalidad. Vemos tambin en residuo vs orden que se mantiene ms o menos
constante el valor. Y por ltimo en el grfico residuo vs ajuste vemos que ms o menos es una
nube de puntos, aunque en el rango de 1400 a 1600 se concentren ms los puntos.
Estos hechos hacen que se pueda tener en cuenta los resultados dados por ANOVA.
Esta tabla ANOVA nos da los siguientes resultados:
Nos confirma que hay diferencias muy significativas entre gamas, esto se puede ver ya que el
pvalue vale 0 y en la grfica inferior dnde se puede ver grficamente estas diferencias.
En cuanto el tema que nos compite vemos que s que hay diferencias, ya que el p valor es
inferior al 5%, pero vemos en el grfico que los intervalos se solapan, por lo que no somos
capaces de decir con la seguridad del 95% de qu tipo de faros es mejor y cual peor. Para eso
necesitaramos ms datos. Aunque si hay que decantarse por alguno nos decantaramos por
los faros Xenon, aunque la certeza de esta afirmacin ser inferior al 95%.
2.2. Llantas.
Ya que el departamento de produccin nos dice que hay gran disparidad de precio segn la
gama del vehculo realizaremos un estudio ANOVA bloqueado (two ways). Realizando este
estudio vemos que los grficos de residuos son los siguientes.
vs. ajustes
200
90
Residuo
Porcentaje
99
50
10
1
-300
100
0
-100
-200
-150
0
Residuo
150
300
1000
1200
1400
Valor ajustado
Histograma
1600
vs. orden
Residuo
Frecuencia
200
6
4
2
0
100
0
-100
-200
-200
-100
0
100
Residuo
200
10
15
20
25
Orden de observacin
30
35
Vemos tanto en el papel probabilstico normal y en al histograma que los datos cumplen la
hiptesis de normalidad, aunque no tan bien como en los faros. Vemos tambin en residuo vs
orden que se mantiene ms o menos constante el valor. Y por ltimo en el grfico residuo vs
ajuste vemos que es una nube de puntos.
Estos hechos hacen que se pueda tener en cuenta los resultados dados por ANOVA. Esta tabla
ANOVA nos da los siguientes resultados:
Nos confirma que hay diferencias muy significativas entre gamas, esto se puede ver ya que el
pvalue vale 0 y en la grfica inferior dnde se puede ver grficamente estas diferencias.
En cuanto el tema que nos compite vemos que s que hay diferencias, ya que el p valor es
inferior al 5%, y en este caso el valor es bastante ms bajo, por lo que nos da ms seguridad.
En el grfico podemos observar que las llantas ms caras son las Esports, y que estos intervalos
no se solapan con las negras, y por poco tampoco con las grises. por lo que descartaremos las
Esports.
2.3. Pintura.
El anlisis a realizar es el ANOVA de dos factores. En este, se obtiene un papel probabilstico
normal y un histograma bastante cercano a lo deseable. Adems, el anlisis de los residuos no
muestra ninguna forma concreta; ms bien es una nube de puntos. En los residuos en funcin
del orden aparece una pequea depresin en los puntos 4 hasta 9, pero tampoco la
consideraremos significativa por ahora.
vs. ajustes
400
90
Residuo
Porcentaje
99
50
0
-200
10
1
200
-500
-250
0
Residuo
250
-400
1000
500
1100
1200
Valor ajustado
Histograma
vs. orden
400
6
Residuo
Frecuencia
4
2
0
1300
200
0
-200
0
100
Residuo
200
300
400
-400
10
15
20
25
Orden de observacin
30
35
En este caso no se observan diferencias significativas entre las diferentes opciones de pintura
ni las distintas gamas. Esto se observa en los p-valores as como en los pequeos grficos que
ofrece Minitab. Por lo que no podemos descartar ninguna opcin para ahorrar costes.
2.4. Volants.
Volvemos a hacer el ANOVA (dos factores) con Preu como variable de respuesta y Opcio y
Gama como factores. Los resultados que se obtienen el los grficos son:
90
150
Residuo
Porcentaje
50
0
-150
10
1
-300
-150
0
Residuo
150
-300
300
800
8
6
150
0
-150
2
0
1100
vs. orden
300
Residuo
Frecuencia
Histograma
900
1000
Valor ajustado
-200
-100
0
Residuo
100
200
-300
10
15
20
25
30
Orden de observacin
35
En este caso la discusin es la misma que en el caso anterior. El papel probabilstico normal y el
histograma muestran que los datos pueden ser explicados mediante una ley normal. Las
grficas e los residuos muestran una nube de puntos respecto al valor ajustado y ninguna
tendencia concreta respecto al orden de observacin.
De los resultados que se pueden extraer mediante este anlisis, con la opcin Mostrar
medias de Minitab, se resume que:
En este caso s se observa una diferencia significativa para la opcin de 4 radios. Esta es la que
causa que el p-valor de la variable descriptiva Opcio sea del 0,002. Por lo que la opcin
descartada para ahorrar costes ser la de 4 radios.
Vars
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
R-cuad.
46,1
33,5
70,6
64,9
71,6
70,7
72,3
71,7
72,4
72,4
72,5
72,5
72,6
72,6
72,6
72,6
72,6
R-cuad.
(ajustado)
44,7
31,7
69,0
63,0
69,3
68,3
69,2
68,4
68,3
68,3
67,6
67,6
66,6
66,6
65,6
65,5
64,4
Cp de
Mallows
23,1
36,9
-1,8
4,5
-0,9
0,1
0,3
1,0
2,3
2,3
4,1
4,1
6,0
6,1
8,0
8,0
10,0
S
104,45
116,02
78,132
85,450
77,863
79,115
77,994
78,881
79,056
79,060
79,990
79,993
81,133
81,204
82,417
82,422
83,778
A
n
t
i
g
u
i
t
a
t
M
a
r
g
e
B
r
u
t
D
e
s
c
o
m
p
t
e
p
e
s
e
s
M
a
g
a
t
z
e
m
o
n
s
C
o
m
e
r
c
i
a
l
s
T
e
m
p
s
V
e
n
d
a
M
a
r
g
e
R
e
l
a
t
i
u
X
o
m
i
s
s
i
o
n
s
A
c
u
m
C
o
s
t
T
u
n
i
n
g
X
X
X
X
X
X
X
X
X
X X
X
X X
X X
X X
X X
X X
X X
X X
X X
X X
X X
X X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X X X
X X X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
A la vista de estos datos, nos fijamos en aquellos que tienen la combinacin de una CP de
Mallows menor y una R2 (ajustada) mayor, aunque en realidad nos podramos quedar con la
observacin del primero simplemente. Con ello, parece que los mejores Subsets son los
siguientes:
a) R2 (ajustada) = 68,3 ; Cp Mallows = 0,1 ; Variables explicativas = Marge Brut, Despeses
Magatzem, Temps de venda
b) R2 (ajustada) = 69,2 ; Cp Mallows = 0,3 ; Variables explicativas = Antiguitat, Marge Brut,
Temps de venda i Marge Relatiu
An as, la respuesta del Best Subsets no siempre da el modelo perfecto. Esto se confirma al
realizar la regresin de los datos y observar los grficos de normalidad y residuos, estos no
muestran las caractersticas deseables.
Por ello, sin deshacerse de la informacin que ha aportado el Best Subsets, aunque no haya
sido del todo correcta, se puede pensar en una serie de combinaciones que pueden adecuar
nuestro modelo al que usaba Joan Vila. Por ello, tambin se aaden nuevas variables
(MargeRelatiu2, Descompte2, Descompte*Marge, LNmarge y LNdescompte). Entonces se
vuelve a emplear el Best Subsets, y se obtiene:
Vars
1
1
2
2
3
3
4
4
5
5
6
6
7
7
8
8
9
9
10
10
11
11
12
12
13
13
14
R-cuad.
46,9
46,1
70,6
70,4
71,6
71,4
72,3
71,9
72,4
72,4
72,8
72,5
72,9
72,9
73,0
73,0
73,1
73,0
73,1
73,1
73,2
73,2
73,2
73,2
73,2
73,2
73,2
R-cuad.
(ajustado)
45,5
44,7
69,0
68,8
69,3
69,0
69,2
68,7
68,4
68,3
67,8
67,6
67,0
66,9
66,0
66,0
65,0
64,9
63,9
63,9
62,7
62,6
61,3
61,3
59,8
59,8
58,2
Cp de
Mallows
13,5
14,3
-6,6
-6,4
-5,5
-5,3
-4,2
-3,8
-2,3
-2,3
-0,6
-0,4
1,3
1,3
3,2
3,2
5,1
5,1
7,1
7,1
9,0
9,0
11,0
11,0
13,0
13,0
15,0
S
103,68
104,45
78,132
78,378
77,863
78,144
77,994
78,543
78,979
79,022
79,662
79,990
80,682
80,738
81,854
81,881
83,099
83,138
84,414
84,429
85,819
85,860
87,386
87,393
89,048
89,050
90,810
A
n
t
i
g
u
i
t
a
t
M
a
r
g
e
B
r
u
t
D
e
s
c
o
m
p
t
e
D
e
s
p
e
s
e
s
M
a
g
a
t
z
e
m
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
T
e
m
p
s
V
e
n
d
a
M
a
r
g
e
R
e
l
a
t
i
u
C
o
m
i
s
s
i
o
n
s
A
c
u
m
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
l
a
c
i
o
n
s
C
o
m
e
r
c
i
a
l
s
X
X
X
X
X
X
X
X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X
X X
X X X X
X
X X
X X X X
C
o
s
t
T
u
n
i
n
g
m
a
r
g
e
r
e
l
2
X
d
e
s
c
o
m
p
t
e
2
d
e
s
x
m
a
r
g
e
L
N
m
a
r
g
e
L
N
d
e
s
c
o
m
p
t
e
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X X
X X
X
X X
X X
X X
X X
X X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X X
X
X
X
X X
X
X X
X
X X
X X
Se puede observar que la Cp de Mallows en este caso es mayor que en el caso anterior, pero
los residuos no muestran ninguna forma concreta, simplemente son una dispersin de puntos,
lo cual nos indica que este modelo es bueno cosa que el anterior no lo era. Se podra
encontrar, quizs, algn otro modelo que explique mejor el clculo de las comisiones, pero se
ha usado el mtodo prueba-error para los mejores subgrupos (los que tenan menor Cp), y se
ha obtenido el modelo siguiente:
Anlisis de regresin: Comissio vs. Descompte; MargeRelatiu
La ecuacin de regresin es
Comissio = 319 - 17,9 Descompte + 8,76 MargeRelatiu
Predictor
Constante
Descompte
MargeRelatiu
Coef
319,48
-17,852
8,758
SE Coef
66,57
3,211
1,155
T
4,80
-5,56
7,58
P
0,000
0,000
0,000
S = 78,1321
R-cuad. = 70,6%
R-cuad.(ajustado) = 69,0%
Anlisis de varianza
Fuente
Regresin
Error residual
Total
Fuente
Descompte
MargeRelatiu
GL
2
37
39
GL
1
1
SC
543188
225871
769060
MC
271594
6105
F
44,49
P
0,000
SC Sec.
192331
350857
Descompte
2,1
14,8
15,2
Comissio
768,4
216,2
445,5
Ajuste
752,3
389,8
271,5
EE de
ajuste
41,9
13,3
22,6
Residuo
estndar
0,24 X
-2,26R
2,33R
Residuo
16,1
-173,6
174,0
El cual se considera que explica el clculo de las comisiones con suficiente bondad. La bondad,
como se ha comentado, no slo se expresa como el resultado de la R2, sino tambin a partir de
los grficos de normalidad y de residuos adjunto a continuacin:
90
100
Residuo
Porcentaje
50
0
-100
10
1
-200
-100
0
Residuo
100
-200
200
200
400
600
Valor ajustado
vs. orden
16
200
12
100
Residuo
Frecuencia
Histograma
0
-100
4
0
800
-150
-100
-50
0
50
Residuo
100
150
-200
10
15
20
25
30
Orden de observacin
35
40
Como conclusiones, se extrae que este modelo es adecuado para explicar el clculo de las
comisiones, lo cual permitir reducirlas un 15%. El modelo calcula las comisiones en funcin de
las variables explicativas Descompte y Marge Relatiu.
Vars
5
5
5
6
6
6
7
7
7
R-cuad.
89,1
89,0
88,8
92,4
92,4
92,3
93,0
92,9
92,9
R-cuad.
(ajustado)
88,6
88,5
88,3
91,9
91,9
91,8
92,5
92,4
92,4
Cp de
Mallows
69,3
70,0
72,9
20,8
21,0
22,5
13,6
14,4
14,8
S
0,18392
0,18433
0,18592
0,15444
0,15454
0,15553
0,14895
0,14951
0,14977
P
o
t
e
n
c
i
a
X
X
X
X
X
X
X
X
X
A
c
c
0
a
1
0
0
C
o
V
n
o
C s P l
O u e u
2 m s m
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
C
o
s
t
T
u
n
n
i
n
g
X
X
X
X
X
X
X
X
X
C
o
s
t
C
o
m
p
r
a
A
n
t
i
g
u
i
t
a
t
L
N
a
c
c
X
L
N
c
o
s
t
c
o
m
p
r
a
X
X
X
X
X
X
X
X X
X X
X
X
X X X
X X
L
N
a
n
t
i
g
u
i
t
a
t
p
o
t
e
n
c
i
a
2
c
o
^
2
p
e
s
2
X
1
/
a
c
vs. ajustes
99,9
0,4
90
Residuo
Porcentaje
99
50
10
0,2
0,0
-0,2
1
0,1
-0,50
-0,25
0,00
Residuo
0,25
-0,4
0,50
Histograma
vs. orden
0,2
15
Residuo
Frecuencia
11
0,4
20
10
0,0
-0,2
5
0
10
Valor ajustado
0,0 0,1
Residuo
0,2
0,3
-0,4
0,4
10
20
30
40
50
60
70
80
90 100 110
Orden de observacin
Coef
-34166
9,451
12,128
10,722
-6429
-5998
0,22489
0,11823
SE Coef
12163
1,490
2,440
1,649
1515
1024
0,04167
0,04113
S = 3859,96
R-cuad. = 88,5%
T
-2,81
6,34
4,97
6,50
-4,24
-5,86
5,40
2,87
P
0,006
0,000
0,000
0,000
0,000
0,000
0,000
0,005
R-cuad.(ajustado) = 87,7%
Anlisis de varianza
Fuente
Regresin
Error residual
Total
Fuente
Pes
CostCompra
CostTunning
LNacc
LNantiguitat
potencia2
co^2
GL
7
102
109
GL
1
1
1
1
1
1
1
SC
11666749113
1519725333
13186474445
SC Sec.
2787295625
4087638339
3043556174
699657481
260046701
665437449
123117343
MC
1666678445
14899268
F
111,86
P
0,000
Obs
18
28
32
43
61
71
83
97
100
Pes
2128
1901
1806
1593
1949
1456
1452
1509
1657
PVP
41028
47667
18490
45890
14603
41192
28739
36680
47858
Ajuste
33161
40013
26758
35986
23237
32532
32012
33804
38223
EE de
ajuste
981
1225
1171
876
899
752
2191
1885
870
Residuo
7867
7654
-8268
9904
-8634
8660
-3273
2876
9635
Residuo
estndar
2,11R
2,09R
-2,25R
2,63R
-2,30R
2,29R
-1,03 X
0,85 X
2,56R
Los residuos dan un comportamiento de nube de puntos deseable, y los p valores del modelo y
de todas sus variables son correctos por lo que daremos el modelo por bueno. Adems este
modelo explica mucho ya que su R2 adj es del orden del 87%.
Es cierto que aparecen varias observaciones poco frecuentes, pero no disponemos de
bastante autoridad como para desestimar ningn dato, y la observacin ms rara es de 2,63R;
que se encontrara en el lmite que permitiramos.
Entonces, aceptando y aplicando este modelo se pueden calcular los precios de los siguientes
vehculos, con una confianza del 90%:
El procedimiento consistir mediante excel en calcular el valor que nos da el modelo y luego
calcular su intervalo de confianza utilizando el valor de s dado por ANOVA, t-student de 109
grados y la raz de las observaciones (110). Se adjunta Excel con el que se han calculado los IC.
Potencia: 150cv
Aceleracin: 12.6s
Consumo: 7.3 l/100km
Peso: 1300 kg
Volumen: 9.9 m3
Emisiones CO2: 160 g/km
Antigedad: 64 meses
Coste tunning: 3200
Coste compra: 3100
PVP: (16023,16796)
Potencia: 220cv
Aceleracin: 7.8 s
Consumo: 6.5 l/100km
Peso: 1650 kg
Volumen: 12 m3
Emisiones CO2: 195 g/km
Antigedad: 72 meses
Coste tunning: 3100
Coste compra: 3250
PVP: (30345,31809)
Potencia: 185cv
Aceleracin: 10.1 s
Consumo: 6.5 l/100km
Peso: 1540 kg
Volumen: 9.5 m3
Emisiones CO2: 200 g/km
Antigedad: 45 meses
Coste tunning: 3300
Coste compra: 3000
PVP:(25541,26774)
Potencia: 170cv
Aceleracin: 10.7 s
Consumo: 7.8 l/100km
Peso: 1500 kg
Volumen: 9.52 m3
Emisiones CO2: 195 g/km
Antigedad: 39 meses
Coste tunning: 3800
Coste compra: 2800
PVP:(27284,28600)
Potencia: 120 cv
Aceleracin: 10.6s
Consumo: 5.98 l/100km
Peso: 1250 kg
Volumen: 9.7 m3
Emisiones CO2: 133 g/km
Antigedad: 37 meses
Coste tunning: 3100
Coste compra: 3200
PVP:(16352,17411)