1) Existe preocupación de parte del propiertario de una gasolinera por el aumento en el

precio de combustible lo cual puede afectar su negocio. El gerente de la gasolinera piensa

que el éxito de la gasolinera se basa en la lealtad de los clientes y no el flujo de tránsito.
Se realizo un estudio preliminar con una muestra de datos de ocho dias los cuales son los
siguientes:

DIA GALONES VENDIDOS FLUJO DE VEHICULOS GALONES VENDIDOS

(MILES) (CIENTOS) 18
16 R² = 0.9494890576
X Y 14
1 284 9 12
2 381 13 10
3 271 11
8
4 287 9 CORRELACION
6
5 452 17 0.97441729
4
6 192 5
2
7 204 7
0
8 158 4
100 150 200 250 300 350 400 450 500
Column D Linea r (Col umn D)
A) Que se puede concluir al respecto
Lo primero es averiguar si las variables tienen relación a traves de graficos.
Se dice que la recta es ascendente, por lo tanto es positiva como lo indica el modelo tematico
A con un coeficiente de correlación de 0,97441729

b) si el flujo promedio de vehiculos bajara a 500 diarios, cuantos galones se esperaria

que vendiera la gasolinera?
El flujo de vehiculos para 500 diarios es de 487 galones vendidos equivalente a un 97,4%
de confiabilidad
R2= 09744*500 = 487/100= 4,87%
487 4.87
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.9744172913
Coeficiente de determinación R^2 0.9494890576
R^2 ajustado 0.9410705672
Error típico 1.037552148
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 121.415913 121.415913 112.786142 4.10590835926713E-05
Residuos 6 6.45908676 1.07651446
Total 7 127.875

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción -2.3708474291 1.16525017 -2.0346253 0.08809766 -5.2221118713 0.4804170131
Variable X 1 0.0421564735 0.00396951 10.620082 4.1059E-05 0.0324434436 0.0518695034
Inferior 95,0% Superior 95,0%
-5.2221118713 0.4804170131
0.0324434436 0.0518695034
2) El gerente de venta de una compañía de distribución al mayoreo de repuestos para
automoviles quiere desarrollar un modelo para predecir ventas anuales para un pais
basándose en las variables: número de distribuidores y numero de automóviles
registrados a partir de los siguientes datos:

PAIS NUMERO
DISTRIBUIDORES
X
1 2011
2 2850
3 650
4 480
5 1694
6 2302
7 2214
8 125
9 1840
10 1233
11 1699
TOTAL 17098

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.7424700174
Coeficiente de determinación R^2 0.5512617267
R^2 ajustado 0.4390771584
Error típico 10.3051222285
Observaciones 11

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 2
Residuos 8
Total 10

Coeficientes
Intercepción 10.1092596334
Variable X 1 0.010988892
Variable X 2 0.1946603432
Y=10.10+0.010x1*0.194660342x2
10.10

Análisis de los residuales

 Observación Pronóstico para Y
1 36.9965658528
2 45.7295953684
3 18.7898561332
4 17.8171820748
5 30.4763857407
6 37.6442829241
7 38.4292035183
8 12.2809785382
9 32.0612979358
10 24.8459915414
11 30.6286603722

Variable X 1 Curva de regresión ajustada

60

40
Column D
Column B
Y

20

0
0 500 1000 1500 2000 2500 3000
Variable X 1

Variable X 2 Curva de regresión ajustada

60

40
Column D
Column B
Y

20

0
0 5 10 15 20 25 30
Variable X 2
NUMERO DE AUTOMOVILES VENTAS
REGISTRADOS (MILLONES) (MILLONES) XY
X2 Y
24.6 52.3 105175.3
22.1 26 74100
7.9 20.2 13130
12.5 16 7680
9 30 50820
11.5 46.2 106352.4
20.5 35 77490
4.1 3.5 437.5
8.9 33.1 60904
6.1 25.2 31071.6
9.5 38.2 64901.8
136.7 325.7 592062.6

Suma de cuadrados Promedio de los cuadrados F

1043.6647377534 521.8323688767 4.9138819626
849.5643531557 106.1955441445
1893.2290909091

Error típico Estadístico t Probabilidad

7.2195565833 1.4002604615 0.1990042447
0.005200138 2.1131923697 0.0675369709
0.6398440259 0.3042309302 0.7687151466

X1 son las distribuciones y

X2 los automoviles registrados
 Residuos Residuos estándares
15.3034341472 1.6603160197
-19.7295953684 -2.1405236849
1.4101438668 0.1529907882
-1.8171820748 -0.1971515988
-0.4763857407 -0.0516845349
8.5557170759 0.9282357139
-3.4292035183 -0.372044698
-8.7809785382 -0.9526750137
1.0387020642 0.1126919396
0.3540084586 0.0384074522
7.5713396278 0.8214376168

tada Variable X 1 Gráfico de los residuales

20
10
Column D
Residuos

0
Column B
-10 0 500 1000 1500 2000 2500 3000
-20
-30
Variable X 1

tada
Variable X 2 Gráfico de los residuales
20
Column D 10
Residuos

Column B 0
-10 0 5 10 15 20 25 30
-20
-30
Variable X 2
 1 X^2 2 X^2 Y^2

4044121 605.16 2735.29

8122500 488.41 676
422500 62.41 408.04
230400 156.25 256
2869636 81 900
5299204 132.25 2134.44
4901796 420.25 1225
15625 16.81 12.25
3385600 79.21 1095.61
1520289 37.21 635.04
2886601 90.25 1459.24
33698272 2169.21 11536.91

Valor crítico de F
0.0405482812

Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%

-6.5390677021 26.7575869688 -6.5390677021 26.7575869688
-0.0010026478 0.0229804318 -0.0010026478 0.0229804318
-1.2808226263 1.6701433127 -1.2808226263 1.6701433127
 A) Se observa que la correlacion multiple es positiva
con un 0,742470017 y una variable independiente
de 0,10988892

B) Escribir la ecuación
Y=10.10+0.010x1*0.1 10.10
X1 son las distribuciones y
X2 los automoviles registrados

C) El error de la ecuación R2 ajustada seria que

la muestra da un resultado pequeño

residuales

2000 2500 3000

esiduales

20 25 30
3) Las tasas de interes aplicados a los créditos hipotecarios en años recientes han tenido un
impacto en el número de construcciones iniciadas. Los datos a continuacion presentan tasas
de interes por trimestre y el numero correspondiente de construcciones iniciadas

TRIMESTRE TASA % NUMERO DE CONSTRUCCIONES

INICIADAS
X Y XY X Y X^2 Y^2
1 11.5 260 2990 11.5 260 132.25 67600
2 11.4 250 2850 11.4 250 129.96 62500
3 11.6 241 2795.6 11.6 241 134.56 58081
4 12.4 256 3174.4 12.4 256 153.76 65536
5 12.8 270 3456 12.8 270 163.84 72900
6 13.2 220 2904 13.2 220 174.24 48400
7 13.5 190 2565 13.5 190 182.25 36100
8 13 195 2535 13 195 169 38025
9 12.7 200 2540 12.7 200 161.29 40000
10 12.9 210 2709 12.9 210 166.41 44100
11 12.5 230 2875 12.5 230 156.25 52900
12 12 245 2940 12 245 144 60025
34334 149.5 2767 1867.81 646167

Construcciones Iniciadas
Col umn D Li near (Col umn D)
300

250 R² = 0.4435077539

200
Variable X 1 Gráfico de
150
60
40
100

Residuos
20
0
50 -20 11 11.5 12 12.
 200
Variable X 1 Gráfico de
150
60
40
100

Residuos
20
0
50 -20 11 11.5 12 12.
-40
0
Variable
11 11.5 12 12.5 13 13.5 14

Resumen

Estadísticas de la regresión
Coeficiente d 0.66596378
Coeficiente 0.44350775
R^2 ajustado 0.38785853
Error típico 21.2872497
Observacione 12

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 3611.44668 3611.4466808466 7.96970231 0.01806546
Residuos 10 4531.46999 453.146998582
Total 11 8142.91667

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Superior 95,0%
Intercepción 556.125256 115.478638 4.8158279821 0.00070664 298.822816 813.427696 298.822816 813.427696
Variable X 1 -26.130455 9.25605503 -2.8230661184 0.01806546 -46.754231 -5.5066795 -46.754231 -5.5066795

Análisis de los residuales

Observación
Pronóstico para YResiduos Residuos estándares
 1 255.62502 4.37498031 0.215552414
2 258.238065 -8.2380652 -0.4058840778
3 253.011974 -12.011974 -0.5918220991 A) La probabilidad de las construcciones para un 11%
4 232.10761 23.8923901 1.177162411 es el promedio de 521,83+26,75(11)= 227,58
5 221.655428 48.3445722 2.3819054085
6 211.203246 8.79675437 0.433410326 B) La tasa de interes corresponde al 44,35% en las construcciones
7 203.364109 -13.364109 -0.6584408983 iniciadas por consiguiente no cumple con el modelo de regresion
8 216.429337 -21.429337 -1.0558093827 para el 99% de confiabilidad
9 224.268473 -24.268473 -1.1956917834 Ya que la recta es descendente lo que quiere decir es un modelo
10 219.042382 -9.0423822 -0.4455122496 matematico
11 229.494564 0.50543564 0.0249024829
12 242.559792 2.44020797 0.1202274485
e X 1 Gráfico de los residuales

11.5 12 12.5 13 13.5 14

e X 1 Gráfico de los residuales

11.5 12 12.5 13 13.5 14

Variable X 1
strucciones