Se desea predecir la nota del alumno en función a la cantidad de horas

semana que estudió par un examen.

Para ello se tomó una muestra de 6 alumnos, cuyo resultado se muestran
en la siguiente tabla:
Lo que puede pasar si estudias
Nota obtenida Linear (Nota obtenida) Linear (Nota obten
Horas de estuNota obtenida
3 8 16

6 10
8 15 14
f(x) = 1.22321428571429 x + 4.36607142857143
2 8 R² = 0.910762810559006

1 5 12
6 12
10
Y, nota obtenida

100.3873 4

0
0 1 2 3 4 5 6

X, horas de estudio

Mal ajuste: cuando las variables son independientes.

Error típico: variables idependientes que no explican el modelo

de relación

Coeficiente de correlación R^2: Se acepta Ha y se rechaza H0

grado de veracidad.

Buen ajuste: cuando las variables se relación.

Residuos: datos que están muy dispersos en la línea.

Valor crítico de F es para saber si se acepta o se rechaza la hipótesis. Nivel de confianza = 0.05
H0 menor a 0.05 se rechaza.
Variable X 1 Gráfi co de los residua
Ha mayor a 0.05 se acepta.
1.5
1
H0 si hay relación entre (x,y) 0.5
Residuos

0
-0.5 0 1 2 3 4 5 6
-1
-1.5
 Variable X 1 Gráfi co de los residua
1.5
1
0.5

Residuos
Ha no hay relación entre (x,y) 0
-0.5 0 1 2 3 4 5 6
-1
V.D (y) 1. 70, 7.02 -1.5
V.D (x) -2
Variable X 1
 si estudias
a) Linear (Nota obtenida)

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple
Coeficiente de determinación R^2
R^2 ajustado
Error típico
Observaciones

ANÁLISIS DE VARIANZA

Regresión
Residuos
Total

Intercepción
5 6 7 8 9
Variable X 1

Análisis de los residuales

Observación
1
2
3
4
5
6

de los residuales Variable X 1 Curva

20

10 f(x) = 1.22321428571429 x + 4.36

Y

R² = 1
5 6 7 8 9 0
0 1 2 3 4
Variable
 de los residuales Variable X 1 Curva
20

10 f(x) = 1.22321428571429 x + 4.36

Y
R² = 1
5 6 7 8 9 0
0 1 2 3 4
Variable

able X 1 Y
Linear (Pronóstico para Y)
de la regresión
0.954338939035292
0.910762810559006
0.888453513198758
1.16974508822588
6

Grados de libertad Suma de cuadrados Promedio de los cuadrados F

1 55.8601190476191 55.8601190476191 40.8243611
4 5.47321428571429 1.36830357142857
5 61.3333333333333

Coeficientes Error típico Estadístico t Probabilidad

4.36607142857143 0.957222394749624 4.56118813404219 0.01032953
1.22321428571429 0.191444478949925 6.38939442089754 0.0030798

Pronóstico para Y Residuos Residuos estándares

8.03571428571429 -0.035714285714285 -0.034135458840059
11.7053571428571 -1.70535714285714 -1.62996815961284
14.1517857142857 0.848214285714287 0.810717147451413
6.8125 1.1875 1.13500400643198
5.58928571428571 -0.589285714285714 -0.563235070860981
11.7053571428571 0.294642857142858 0.281617535430491

Variable X 1 Curva de regresión ajustada

Gráfi co de probabilidad normal
20

f(x) = 1.22321428571429 x + 4.36607142857143 15

R² = 1
10
Y

1 2 3 4 5 6 7 8 9
5
Variable X 1
0
Variable X 1 Curva de regresión ajustada
Gráfi co de probabilidad normal
20

f(x) = 1.22321428571429 x + 4.36607142857143 15

R² = 1
10

Y
1 2 3 4 5 6 7 8 9
5
Variable X 1
0
0 10 20 30 40 50 60 70 80 90 100
Y Pronóstico para Y Muestra percentil
Linear (Pronóstico para Y) Linear (Pronóstico para Y)
 Valor crítico de F
0.003079798617904

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

1.70839599608313 7.02374686106 1.70839599608313 7.02374686106
0.691679199216625 1.754749372212 0.69167919921663 1.754749372212

Resultados de datos de probabilidad

Percentil Y
8.33333333333333 5
25 8
41.6666666666667 8
58.3333333333333 10
75 12
91.6666666666667 15

bilidad normal
bilidad normal

50 60 70 80 90 100
a percentil
 1.- El gerente selecciona una muestra aleatoria de 10 representantes de ventas y determina el
llamadas de ventas que cada uno hizo el mes pasado y el número de copiados que vendió. La
muestral aparece en la siguiente tabla:
Número Número de ll Número de copiadoras vendidas

1 20 30 Venta de copi
2 40 60 80
3 20 40 70
4 30 60

Y, Número de llamadas
60 f(x) = 1.18421052631579 x + 18.9473684210526
R² = 0.576102418207682
5 10 30 50
6 10 40
40
7 20 40
30
8 20 50
20
9 20 30
10
10 30 70
11 80 114 0
5 10 15 20 25
12 100 137 X, número de cop

Column C Linear (Colu

a) Cuál es el valor de b "slope" pendiente o inclinación

b) Cuál es el valor de a "intercept" ordenada?
c) Calcular en coeficiente de determinaión (r^2)

Variable X 1 Gráfico de los residuales Variable X 1 Cur

20 80
15 60
10
40
Residuos

5
0 20
5 10 15 20 25 30 35 40 45
-5 0
5 10 15 2
-10
-15
Variable X 1
Y
entas y determina el número de
ados que vendió. La información

Venta de copiadoras

+ 18.9473684210526

20 25 30 35 40 45
X, número de copiad. vendidas

nC Linear (Column C) Linear (Column C)

Variable X 1 Curva de regresión ajustada

10 15 20 25 30 35 40 45
Variable X 1

Y Pronóstico para Y
Resumen

Estadísticas de la regresión
Coeficiente d 0.759014109360084
Coeficiente d 0.576102418207681
R^2 ajustado 0.523115220483642
Error típico 9.90082399548006
Observacione 10

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F
Regresión 1 1065.78947368421 1065.78947368421 10.8724832
Residuos 8 784.21052631579 98.0263157894737
Total 9 1850

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 18.9473684210526 8.49881855892376 2.22941204000148 0.05634865
Variable X 1 1.18421052631579 0.359140633262005 3.2973448745129 0.01090193

Análisis de los residuales

Observación Pronóstico para Y Residuos Residuos estándares

1 42.6315789473684 -12.6315789473684 -1.35320178424367
2 66.3157894736842 -6.31578947368421 -0.676600892121835
3 42.6315789473684 -2.63157894736842 -0.281917038384098
4 54.4736842105263 5.52631578947369 0.592025780606606
5 30.7894736842105 -0.789473684210527 -0.08457511151523
6 30.7894736842105 9.21052631578947 0.986709634344343
7 42.6315789473684 -2.63157894736842 -0.281917038384098
8 42.6315789473684 7.36842105263158 0.789367707475474
9 42.6315789473684 -12.6315789473684 -1.35320178424367
10 54.4736842105263 15.5263157894737 1.66331052646618
 Valor crítico de F
0.010901929665838

Inferior 95% Superior 95%Inferior 95.0% Superior 95.0%

-0.650942320175481 38.5456792 -0.65094232 38.54567916228
0.356030740893763 2.01239031 0.35603074 2.012390311738

Resultados de datos de probabilidad

Percentil Y
5 30
15 30
25 30
35 40
45 40
55 40
65 50
75 60
85 60
95 70
 Grá
80
70
60
50
40

Y
30
20
10
0
0 10
 Gráfi co de probabilidad normal
80
70
60
50
40
Y

30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
Muestra percentil
Se realizó un estudio en Virginia Tech para determinar si ciertas medidas de la
fuerza estática del brazo influyen en las carácteristicas de "levantamiento
dinámico" de un individuo. Veinticinco individuos se sometieron a pruebas de
fuerza y luego se les pidió que hicieran una prueba de levantamiento de peso,
en el que el peso se elevaba en forma dinámica por encima de la cabeza. A
continuación se presentan los datos:

a) Estime los valores de ϐ0 y ϐ1 para la curva de regresión lineal μY x ϐ ϐ=0+1x.

b) Calcule el coeficient de determinación R^2.
c) Grafique los residuales en comparación con las x
(fuerza del brazo). Comente los resultados.

Fuerza estáti ca
120

100
f(x) = 0.564453603108407 x + 64.3943991703793
R² = 0.154966640299724
80

60

40

20

0
15 20 25 30 35 40 45 50 55 60

Resumen

Estadísticas de la regresión
Coeficiente de 0.393658025
Coeficiente de 0.15496664
R^2 ajustado 0.118226059
Error típico 13.28562511
Observaciones 25

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
Regresión 1 744.4854025 744.4854025 4.217860379095 0.051539774
Residuos 23 4059.680198 176.5078347
Total 24 4804.1656

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 64.39439917 8.963644525 7.183952798 2.58047739E-07 45.85168771
Variable X 1 0.564453603 0.274841399 2.053743017 0.05153977442 -0.00409915

Análisis de los residuales

ObservaciónPronóstico para Y ResiduosResiduos estándares Percentil

1 74.1594465 -3.0594465 -0.23523534 2
2 75.28835371 -26.9883537 -2.07508601 6
3 75.40124443 12.89875557 0.991762133 10
4 75.51413515 -0.51413515 -0.03953093 14
5 77.32038668 14.37961332 1.105622624 18
6 77.4332774 22.5667226 1.735114742 22
7 79.29597429 -5.99597429 -0.46101969 26
8 79.52175573 -14.5217557 -1.1165517 30
9 79.97331862 -4.97331862 -0.38238953 34
10 80.25554542 8.044454582 0.618523655 38
11 80.31199078 -12.0119908 -0.92358038 42
12 80.59421758 16.10578242 1.238344664 46
13 80.76355366 -4.06355366 -0.31243934 50
14 81.10222582 -2.80222582 -0.21545811 54
15 81.2715619 -21.2715619 -1.63553216 58
16 81.2715619 -9.5715619 -0.73594019 62
17 81.49734334 3.502656655 0.269312975 66
18 82.06179695 2.938203052 0.225913152 70
19 84.71472888 3.585271118 0.275665052 74
20 86.69031649 13.30968351 1.023357643 78
21 87.19832474 12.80167526 0.984297803 82
22 89.39969379 10.60030621 0.815038493 86
23 89.56902987 2.130970131 0.163846463 90
24 92.84286077 7.157139233 0.550299572 94
25 95.94735558 -24.2473556 -1.86433559 98
 Individual Fuerza del brazLevantamiento dinámico,y
1 17.3 71.1
2 19.3 48.3
3 19.5 88.3
ϐ 4 19.7 75
μ 5 22.9 91.7
6 23.1 100
7 26.4 73.3
8 26.8 65
9 27.6 75
10 28.1 88.3
11 28.2 68.3
12 28.7 96.7
13 29 76.7
14 29.6 78.3
15 29.9 60
16 29.9 71.7
17 30.3 85
18 31.3 85
19 36 88.3
20 39.5 100
21 40.4 100
22 44.3 100
23 44.6 91.7
24 50.4 100
25 55.9 71.7

Variable X 1 Gráfi co de los residuales

55 60 30
20
10
Residuos

0
15 20 25 30 35 40 45 50 55
-10
-20
-30
Variable X 1

Gráfi co de probabilidad normal

or crítico de F 120
100
80
60
Y

40
20
0
0 20 40 60 80 100
Muestra percentil
 Gráfi co de probabilidad normal
120
100
80
60

Y
40
20
0
Superior 95% Inferior 95.0%Superior 95.0% 0 20 40 60 80 100
82.93711063 45.85168771 82.93711063 Muestra percentil
1.133006354 -0.00409915 1.133006354

Y
48.3
60
65
68.3
71.1
71.7
71.7
73.3
75
75
76.7
78.3
85
85
88.3
88.3
88.3
91.7
91.7
96.7
100
100
100
100
100
residuales Variable X 1 Curva de regresión ajustada
150
100
Y

50
45 50 55 60
0
15 20 25 30 35 40 45 50 55 60
Variable X 1

Y Pronóstico para Y

idad normal

80 100 120
entil
idad normal

80 100 120
entil
ón ajustada

45 50 55 60
Un comerciante minorista realizó un estudio para determinar la relación
que hay entre los gastos semanales de publicidad y las ventas.
a) Elabore un diagrama de dispersión.
b) Calcule la ecuación de la recta de regresión para pronosticar las ventas semanales a partir de los
gastos de publicidad.
c) Estime las ventas semanales si los costos de publicidad
son de $35.
d) Grafique los residuales en comparación con los costos de publicidad. Comente sus resultados.

Costos de publicidad($)
40
20
25
20
30
50
40
Resumen 20
50
Estadísticas de la regresión 40
Coeficiente de co 0.63483727 25
Coeficiente de d 0.40301836 50
R^2 ajustado 0.34332019
Error típico 50.2256962
12

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
Regresión 1 17030.0444 17030.0444 6.75093380956574 0.0265709
Residuos 10 25226.2056 2522.62056
Total 11 42256.25

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 343.705584 44.7661786 7.67779592 1.6847392283314E-05 243.960322
Variable X 1 3.22081218 1.23960545 2.59825592 0.026570895061575 0.45879913

Análisis de los residuales Resultados de datos de probab

ObservaciónPronóstico para YResiduos

Residuos estándares Percentil
1 472.538071 -87.5380711 -1.82796278 4.16666667
2 408.121827 -8.12182741 -0.16959933 12.5
 3 424.225888 -29.2258883 -0.61029259 20.8333333
4 408.121827 -43.1218274 -0.90046645 29.1666667
5 440.329949 34.6700508 0.72397714 37.5
6 504.746193 -64.7461929 -1.35202466 45.8333333
7 472.538071 17.4619289 0.36463856 54.1666667
8 408.121827 11.8781726 0.24803902 62.5
9 504.746193 55.2538071 1.15380545 70.8333333
10 472.538071 52.4619289 1.09550568 79.1666667
11 424.225888 55.7741117 1.1646704 87.5
12 504.746193 5.25380711 0.10970957 95.8333333
 Publicidad, ventas
600
nales a partir de los
500
f(x) = 3.22081218274112 x + 343.705583756345
R² = 0.403018356248925

e sus resultados. 400

300
Ventas ($)
385
200
400
395
365 100
475
440 0
15 20 25 30 35 40 45 50 55
490
420
560
525 Variable X 1 Gráfico de los residuales
480
60
510
20
Residuos

-2015 20 25 30 35 40 45

-60
-100
Variable X 1
or crítico de F

Superior 95%Inferior 95.0% Superior 95.0%

Variable X 1 Curva de regresión ajustada
443.450846 243.960322 443.4508455924 Y Pronóstico para Y
5.98282524 0.45879913 5.982825236464 600
400
Y

200
0
esultados de datos de probabilidad 15 20 25 30 35 40 45
Variable X 1
Y
365
385
395
400
420
Gráfi co de probabilidad normal
440 600
475 500

480 400

490 300

Y
510 200

525 100
0
560 0 20 40 60 80
Muestra percentil
0 45 50 55

Gráfico de los residuales

30 35 40 45 50 55

Variable X 1

urva de regresión ajustada

Y Pronóstico para Y

30 35 40 45 50 55
Variable X 1
probabilidad normal

60 80 100 120
Muestra percentil
Se desea predecir la nota del alumno en función a la cantidad de horas
semana que estudió par un examen.
Para ello se tomó una muestra de 6 alumnos, cuyo resultado se muestran
en la siguiente tabla: Horas de estudio Nota
3 8
6 10
8 15
2 8
1 5
6 12

Lo que puede pasar si estudias

16

14
f(x) = 1.22321428571429 x + 4.36607142857143
R² = 0.910762810559006
12

10

0
0 1 2 3 4 5 6 7 8 9

Variable X 1 Gráfi co de los residuales

1.5
1
0.5
Residuos

0
-0.5 0 1 2 3 4 5 6 7 8 9
-1 Variable X 1 Cu
-1.5
16
-2
14
Variable X 1 12 f(x) = 1.2232142857
10 R² = 0.91076281055
1
8
Y

6
4
2
0
0 1 2 3 4 5
Variable X
 Resumen

Estadísticas de la regresión
Coeficiente d 0.95433894 Es una medida para saber el ajuste del modelo de regresion
Coeficiente d 0.91076281 Dato de la grafica
R^2 ajustado 0.88845351 tiene mayor precision
Error típico 1.16974509 Variables independientes que no explica el comportamiento de la variable dependiente
Observacione 6

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 55.860119 55.860119 40.8243611 0.0030798
Residuos 4 5.47321429 1.36830357
Total 5 61.3333333

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

Intercepción 4.36607143 0.95722239 4.56118813 0.01032953 1.708396 7.02374686
Variable X 1 1.22321429 0.19144448 6.38939442 0.0030798 0.6916792 1.75474937

Y= BO+B1x

Análisis de los residuales Resultados de datos de probabilidad

Observación
Pronóstico para YResiduos
Residuos estándares Percentil Y
1 8.03571429 -0.03571429 -0.03413546 8.33333333 5
2 11.7053571 -1.70535714 -1.62996816 25 8
3 14.1517857 0.84821429 0.81071715 41.6666667 8
4 6.8125 1.1875 1.13500401 58.3333333 10
5 5.58928571 -0.58928571 -0.56323507 75 12
6 11.7053571 0.29464286 0.28161754 91.6666667 15

Variable X 1 Curva de regresión ajustada Gráfi co de probabilida

16
14
f(x) = 1.22321428571429 x + 4.36607142857143 12
R² = 0.910762810559006
1 Y 10
Linear (Y) 8
Y

Pronóstico para Y 6
Linear (Pronóstico para Y) 4
2
0
0 10 20 30 40 50 60
1 2 3 4 5 6 7 8 9
Muestra percenti
Variable X 1
miento de la variable dependiente

Inferior 95.0% Superior 95.0%

1.70839599608313 7.02374686105973
0.691679199216625 1.75474937221195

datos de probabilidad

Gráfi co de probabilidad normal

16
14
12
10
8
6
4
2
0
0 10 20 30 40 50 60 70 80 90 100
Muestra percentil
Se sometió a prueba a un grupo de camiones ligeros con motores que utilizan diesel como
combustible para sber si la humedad, la temperatura del aire y la presión barométrica
influyen en la cantidad de oxido nitroso que emiten (en ppm). Las emisiones se midieronen
en distintos momentos y en diversas condiciones experimentales. Los datos se presentan
en a tabla 12.1. El modelo es μy x1, x2, x3 = β0+β1x1+β2x2+β3x3

Tabla 12.1: Datos para el ejemplo 12.1

Óxido nitroso, y Humedad, X1 Temp. X2 Presión X3
0.9 72.4 76.3 29.18
0.91 41.6 70.3 29.35
0.96 34.3 77.1 29.24
0.89 35.1 68 29.27
1 10.7 79 29.78
1.1 12.9 67.4 29.39
1.15 8.3 66.8 29.69
1.03 20.1 76.9 29.48
0.77 72.2 77.7 29.09
1.07 24 67.7 29.6
1.07 23.2 76.8 29.38
0.94 47.4 86.6 29.35
1.1 31.5 76.9 29.63
1.1 10.6 86.3 29.56
1.1 11.2 86 29.48
0.91 73.3 76.3 29.4
0.87 75.4 77.9 29.28
0.78 96.6 78.7 29.29
0.82 107.4 86.8 29.03
0.95 54.9 70.9 29.37

a) Obtener la ecuación de regresión multiple

b) Estime la cantidad de oxido nitroso que emiten los
camiones en las siguientes condiciones
1) 50% de humedad
2) Temperatura de 76° F
3) Una presión barómetrica de 29.30

a) óxido Nitroso (y)=-3.5077-0.0026x1+0.00079x2+0.154x3

B0
B1
B2
B3
 Prueba a un grupo de camiones ligeros co moto
Humedad, X1 Linear (Humedad, X1) Temp. X2 Linear (Temp. X2) Presió

120

100

f(x) = − 231.611589849 x + 268.049853743379

R² = 0.769766743377541
80
f(x) = − 10.2039686931773 x + 86.4280536010751
R² = 0.032676011254724
Y, (Óxido nitroso)

60

40

f(x) = 1.30152581231719 x + 28.12821843624

R² = 0.599089063584905
20

0
0.75 0.8 0.85 0.9 0.95 1 1.05

(x1,x2,x3,x4)

Resumen

Estadísticas de la regresión
Coeficiente de 0.894685789
Coeficiente de 0.800462661
R^2 ajustado 0.76304941
Error típico 0.056168806
Observaciones 20

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
Regresión 3 0.202501044 0.067500348 21.39516456 7.608746148E-06
Residuos 16 0.050478956 0.003154935
Total 19 0.25298

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción -3.50777814 3.004864063 -1.16736667 0.260165545 -9.877805391365
Variable X 1 -0.13124954 0.000654863 -4.0084602 0.001013833 -0.004013237482
Variable X 2 0.06071952 0.002045143 0.390652909 0.701206155 -0.003536568355
Variable X 3 4.516742385 0.101367459 1.520754603 0.147836496 -0.06073438378
b) 0.94

Análisis de los residuales Resultados de datos de probabilidad

ObservaciónPronóstico para Y ResiduosResiduos estándares Percentil

1 0.861375512 0.038624488 0.749349379 2.5
2 0.963637936 -0.05363794 -1.04062361 7.5
3 0.971276114 -0.01127611 -0.21876664 12.5
4 0.966530409 -0.07653041 -1.48475793 17.5
5 1.1179876 -0.1179876 -2.28906427 22.5
6 1.042824443 0.057175557 1.109256611 27.5
7 1.100666544 0.049333456 0.957112868 32.5
8 1.045388402 -0.0153884 -0.29854867 37.5
9 0.849145075 -0.07914508 -1.53548477 42.5
10 1.046299284 0.023700716 0.459814948 47.5
11 1.021755533 0.048244467 0.935985514 52.5
12 0.961435729 -0.02143573 -0.41587218 57.5
13 1.038586762 0.061413238 1.191471382 62.5
14 1.090168262 0.009831738 0.190744447 67.5
15 1.076021183 0.023978817 0.465210353 72.5
16 0.892927127 0.017072873 0.331228901 77.5
17 0.870194349 -0.00019435 -0.00377054 82.5
18 0.816725248 -0.03672525 -0.71250244 87.5
19 0.754766463 0.065233537 1.265588583 92.5
20 0.932288024 0.017711976 0.343628064 97.5
de camiones ligeros co motor a diesel
Temp. X2 Linear (Temp. X2) Presión X3 Linear (Presión X3)

0.95 1 1.05 1.1 1.15 1.2

(x1,x2,x3,x4)

Superior 95% Inferior 95.0% Superior 95.0%

2.86224910931697 -9.87780539136514 2.86224910931697
-0.00123674400943 -0.004013237482281 -0.00123674400943
0.005134450449656 -0.003536568355218 0.005134450449656
 0.369044444185951 -0.060734383779834 0.369044444185951

ados de datos de probabilidad

Y
0.77
0.78
0.82
0.87
0.89
0.9
0.91
0.91
0.94
0.95
0.96
1
1.03
1.07
1.07
1.1
1.1
1.1
1.1
1.15
 Variable X 1 Gráfico de los residuales
0.1
0.05
Residuos

0
-0.05 0 20 40 60 80 100 120
-0.1
-0.15
Variable X 1

Variable X 2 Gráfico de los residuales

0.1
0.05
Residuos

0
-0.05 65 70 75 80 85 90
-0.1
-0.15
Variable X 2

Variable X 3 Gráfico de los residuales

0.1
0.05
Residuos

0
-0.0528.9 29 29.1 29.2 29.3 29.4 29.5 29.6 29.7 29.8 29.9
-0.1
-0.15
Variable X 3

1.4
1.2
Variable X 1 Curva de regresión ajustada:
1
Humedad
f(x) = − 0.003323524284253 x + 1.11442669048693
R² = 0.769766743377541
0.8 Y
Linear (Y)
Y

0.6
Pronóstico para Y
0.4
Linear (Pronóstico para
0.2 Y)
Linear (Pronóstico para
0 Y)
0 20 40 Variable
60 X 1 80 100 120
 1.4
Variable X 2 Curva de regresión ajustada:
1.2
Temperatura
1
f(x) = − 0.003202284546068 x + 1.21603881346513
0.8 R² = 0.04082140595427 Y
0.6 Pronóstico para Y
Y

Linear (Pronóstico para Y)

0.4
0.2
0
65 70 75
Variable X 280 85 90

Variable X 3 Curva de regresión ajustada

1.5

1
Y
Pronóstico para Y
Y

0.5

0
28.9 29 29.1 29.2 29.3 29.4 29.5 29.6 29.7 29.8 29.9
Variable X 3

Gráfico de probabilidad normal

1.5

1
Y

0.5

0
0 20 40 60 80 100 120
Muestra percentil
Se piensa que la energía eléctrica consumida mensualmente por una planta qu
(X2), la pureza promedio del prodcto (X3) y las toneladas del producto produc

y (Energía eléctrica) X1, Temperatura

240 25
236 31
290 45
274 60
301 65
316 72
300 80
296 84
267 75
276 60
288 50
261 38

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.862988866133267
Coeficiente de determinación R^2 0.744749783069982
R^2 ajustado 0.598892516252829
Error típico 15.5793327220045
Observaciones 12

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 4
Residuos 7
Total 11

Coeficientes
Intercepción -102.713236395801
 Variable X 1 0.605370537215065
Variable X 2 8.92364419785485
Variable X 3 1.43745673346537
Variable X 4 0.013609307641614

Análisis de los residuales

Observación Pronóstico para Y

1 258.757981292602
2 234.113768650654
3 266.689114912923
4 282.956455667423
5 291.81479113321
6 309.356445830174
7 295.186350180499
8 296.156766288252
9 284.850231029375
10 288.937640831192
11 281.378432187368
12 254.802021996329

a) Y, Energía eléctrica=-102.7132364+0.605370537x1+8.923644198x2+1.437456
Condiciones para un mes
Temperatura 75 45.4027902911299 b)
Días 24 214.167460748516
Promedio pureza 90 129.371106011883 c)
Toneladas 98 1.33371214887818
almente por una planta química se relaciona con la temperatura ambiente promedio (X1), el número de días laborales del mes
adas del producto producidas (X4). Se cuenta con los datos del último año, los cuales se presentan en la tabla siguiente:

Tabla
X2, Días laborales del mes X3, Pureza promedio X4, Toneladas producidas
24 91 100
21 90 95
24 88 110
25 87 88
25 91 94
26 94 99
25 87 97
25 86 96
24 88 110
25 91 105
25 90 100
23 89 98

Si hay un buen ajuste, ya que el valor de

R^2 es mayor que 50% de aceptación.

c)

Suma de cuadrados Promedio de los cuadrados F

4957.24074355957 1239.31018588989 5.10601767962375
1699.00925644043 242.715608062919
6656.25

Error típico Estadístico t Probabilidad

207.858850898408 -0.49414896672359 0.636328637388708
 0.368896953504711 1.64102883329269 0.144796624850588
5.30052223838371 1.68354056383998 0.136145670388673
2.39162050767668 0.601038805634668 0.566759238751078
0.733821443542886 0.018545802608205 0.985720984557155

Residuos Residuos estándares

-18.7579812926018
1.88623134934585
23.3108850870769
-8.95645566742303
9.18520886679045
6.64355416982596
4.81364981950111
-0.156766288252186
-17.850231029375
-12.937640831192
6.62156781263212
6.19797800367118
-1.5093312656037
0.151772619095871
1.87567346091217
-0.72066702471692
0.739073288724033
0.534563067679619
0.387322711378654
-0.012613951179543
-1.43629057789448
-1.04100678559534
0.53279397025854
0.498710486941068

8.923644198x2+1.437456733x3+0.013609308

287.561832804606 Unidades= Kw/h

R^2=0.744749783, la confiabilidad está por encima del 50%, por lo tanto

hay un ajuste significativo entre las variables independientes con la dependiente; aunque en
la gráfica de algunas variables los datos están un poco más dispersos que en otras, sigue habiendo un buen ajuste entre ellas.
número de días laborales del mes a) Obtener la ecuación de regresión lineal multiple.
entan en la tabla siguiente:
b) Prediga el consumo de elctricidad para un mes en el que
X1=75° F, X2=24 días, X3=90% y X4=98 toneladas.
c)Calcule R^2 para este modelo. Interprete esta cantidad.
d) Grafique los residuales.

Consumo de energía eléctrica

120

100
f(x) = − 0.002403755868545 x + 100.00338028169
R² = 8.4589649332889E-05
f(x) = 0.004507042253521 x + 88.0769953051643
80 R² = 0.002386081193041
f(x) = 0.592863849765258 x − 108.177464788732
Y, Energía eléctrica

R² = 0.564720257580887

60

40

f(x) = 0.042516431924883 x + 12.4818779342723

20 R² = 0.644579476861167

0
230 240 250 260 270 280 290 300 310 320

X1, X2,X3, X4

X1, Temperatura Linear (X1, Temperatura) X2, Días laborales del mes
Linear (X2, Días laborales del mes) X3, Pureza promedio Linear (X3, Pureza promed
X4, Toneladas producidas Linear (X4, Toneladas producidas)

Valor crítico de F VF=0.03<0.05 Se acepta H0

0.030302769114021 VF=0.03>0.05 Variable X 1 Gráfico de l
30
20
Residuos

10
Inferior 95% Superior 95% Inferior 95.0% Superior 95.0% 0
-10 20 30 40 50 6
-594.221316138386 388.794843 -594.22131614 388.79484335 -20
-30
Variable X 1
 20

Residuos
10
0
-10 20 30 40 50 6
-20
-0.266932145380871 1.47767322 -0.2669321454 1.4776732198 -30
-3.61009923313414 21.4573876 -3.6100992331 21.457387629 Variable X 1
-4.21782711959355 7.09274059 -4.2178271196 7.0927405865
-1.72160267409872 1.74882129 -1.7216026741 1.7488212894

Variable X 3 Gráfico de l
30
Resultados de datos de probabilidad 20

Residuos
10
Percentil Y 0
-10 85 86 87 88 89 90
4.16666666666667 236
-20
12.5 240 -30
20.8333333333333 261 Variable X 3
29.1666666666667 267
37.5 274
45.8333333333333 276
54.1666666666667 288 Variable X 1 Curva de regr
62.5 290
400
70.8333333333333 296
300
79.1666666666667 300
200
87.5 301

Y
100
95.8333333333333 316
0
20 30 40 50 60 70
Variable X 1

e; aunque en
as, sigue habiendo un buen ajuste entre ellas.
0 310 320 330

X2, Días laborales del mes

Linear (X3, Pureza promedio)

e X 1 Gráfico de los residuales Variable X 2 Gráfico de los residuales

30
20
Residuos

10
0
0 40 50 60 70 80 90 -10 20 21 22 23 24 25 26
-20
-30
Variable X 1 Variable X 2
 20

Residuos
10
0
0 40 50 60 70 80 90 -10 20 21 22 23 24 25 26
-20
-30
Variable X 1 Variable X 2

e X 3 Gráfico de los residuales Variable X 4 Gráfico de los residuales

30
20

Residuos
10
0
87 88 89 90 91 92 93 94 95 -10 85 90 95 100 105 110
-20
-30
Variable X 3 Variable X 4

X 1 Curva de regresión ajustada Variable X 3 Curva de regresión ajustad

400
300
Y Y
Pronóstico para Y 200
Pronóstico
Y

100
0
40 50 60 70 80 90 85 86 87 88 89 90 91 92 93 94 95
Variable X 1 Variable X 3
o de los residuales Variable X 2 Curva de regresión ajustada
400
300
200 Y
Pronóstico para Y
Y

3 24 25 26 27 100
0
20 21 22 23 24 25 26 27
iable X 2 Variable X 2
 300
200 Y
Pronóstico para Y

Y
3 24 25 26 27 100
0
20 21 22 23 24 25 26 27
iable X 2 Variable X 2

o de los residuales Variable X 4 Curva de regresión ajustada

400
300
200 Y
Pronóstico para Y
100 105 110 115 Y 100
0
85 90 95 100 105 110 115
riable X 4 Variable X 4

e regresión ajustada Gráfico de probabilidad normal

400
300
Y
200
Pronóstico para Y
Y

100
0
92 93 94 95 0 20 40 60 80 100 120
Muestra percentil
ustada

ronóstico para Y
ronóstico para Y

ustada

ronóstico para Y

al

100 120
 En una empresa dedicada a anodizar artículos de aluminio (baterías de cocina), el anodizado se logra con una sol
En este proceso se controla el pH de la solución, la tempertura, la corriente y el tiempo de
durabilidad de producto. para resolver este problema se ecide estudiar, mediante un experimento, la relación de

An
10
Espesor Temperatura pH
9 -8 1.2 8
14 -8 1.8
10 8 1.2 6 f(x) = 0.9577464788732
R² = 0.25440140845070
19 8 1.8
8 -8 1.2 4
12 -8 1.8
11 8 1.2 2
20 8 1.8 f(x) = 0.0570422535211
R² = 0.64172535211267
ESpesor

14 0 1.5 0
6 8 10
13 0 1.5
-2

-4

-6

-8
Resumen
-10
Estadísticas de la regresión
Coeficiente d 0.946639720571338
Coeficiente d 0.89612676056338
R^2 ajustado 0.866448692152918
Error típico 1.45160010235011
Observacione 10
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadradosPromedio de los cuadrados
Regresión 2 127.25 63.625
Residuos 7 14.75 2.10714285714286
Total 9 142

Coeficientes Error típico Estadístico t

Intercepción -3.875 2.60682483383248 -1.48648269331664
Variable X 1 0.265625 0.064152267246428 4.14053955380337
Variable X 2 11.25 1.71072712657142 6.57615105604064

Análisis de los residuales

Observación Pronóstico para Y Residuos Residuos estándares

1 7.5 1.5 1.17170019882741
2 14.25 -0.25 -0.195283366471236
3 11.75 -1.75 -1.36698356529865
4 18.5 0.5 0.390566732942472
5 7.5 0.5 0.390566732942472
6 14.25 -2.25 -1.75755029824112
7 11.75 -0.75 -0.585850099413707
8 18.5 1.5 1.17170019882741
9 13 1 0.781133465884943
10 13 0 0
 cina), el anodizado se logra con una solución hecha a base de ácidos (sulfúrico, cítrico, bórico) y dicromato de aluminio.
empertura, la corriente y el tiempo de permanencia. Debido al poco grosor del anodizado, han aumentado las quejas por la escasa resiste
mediante un experimento, la relación del pH y la temperatura con el grosor del anodizado. Los datos se muestran en la siguiente tabla:

Anodización de artículos de aluminio

f(x) = 0.957746478873239 x − 12.4507042253521

R² = 0.254401408450704

f(x) = 0.057042253521127 x + 0.758450704225351

R² = 0.641725352112676

8 10 12 14 16 18 20

x1, x2 (Temperatura, pH)

Temperatura Linear (Temperatura) pH Linear (pH)

 F Valor crítico de F
30.1949152542373 0.00036121

Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

0.180742018042815 -10.0391612 2.2891612217346 -10.0391612217 2.2891612217346
0.004346231075276 0.11392899 0.417321006925566 0.113928993074 0.41732100692557
0.000311138566254 7.20477315 15.2952268513484 7.204773148652 15.2952268513484

Resultados de datos de probabilidad

Percentil Y
5 8
15 9
25 10
35 11
45 12
55 13
65 14
75 14
85 19
95 20
 Variable X 1 Gráfico de los residuales
2
1

Residuos
de aluminio. 0
o las quejas por la escasa resistencia y -10 -8 -6 -4 -2 -1 0 2 4 6 8 10
estran en la siguiente tabla: -2
-3
Variable X 1

Variable X 2 Gráfico de los residuales

2
1
Residuos

0
-1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9
-2
-3
Variable X 2

Variable X 1 Curva de regresión ajustada

25
20
18 20 22 15 Y
10
Y

Pronóstico para Y
5
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
Variable X 1

Variable X 2 Curva de regresión ajustada

25
20
15 Y
10 Pronóstico para Y
Y

5
0
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9
Variable X 2
 10 Pronóstico para Y
5
0
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9
Variable X 2

Gráfico de probabilidad normal

25
20
15
10

Y
5
0
0 10 20 30 40 50 60 70 80 90 100
Muestra percentil
uales

a) ¿Cuáles son las variables independientes y cuál la dependiente?

6 8 10
b) Obtener la ecuación de regresión lineal multiple.
c)A partir del modelo ajustado, ¿cuál es el espesor estimado cuando se utiliza un pH=2
y una temperatura de 10 grados?
d) Calcule R^2 para este modelo. Interprete esta cantidad.
e) ¿El modelo es adecuado? Argumente con base en gráficas de residuos, pruebas de h
y coeficientes de determinación.
uales

a) Variables independientes son x1 (temperatura); x2 (pH). Variable depend

1.8 1.9
b) y(espesor)=-3.875+0.265625x1+11.25x2
c) 21.28125
d) como el valor de R^2=0.896126761, hay un buen ajuste entre las variable
e) En base a las gráficas obtenidas podemos afirmar que si hay un buen ajus
aunque para x1 (temperatura) los datos están un poco más dispersos, no

ustada

Y
Pronóstico para Y

ustada

Y
Pronóstico para Y
Pronóstico para Y

mal

80 90 100
ependiente?

mado cuando se utiliza un pH=2

áficas de residuos, pruebas de hipótesis

atura); x2 (pH). Variable dependiente es y (espesor).

un buen ajuste entre las variables independientes con la dependiente.

afirmar que si hay un buen ajuste entre las variables , por lo tanto el modelo es adecuado;
están un poco más dispersos, no influyen en gran cantidad para un buen ajuste.
Serie de tiemVentas (miles de Promedio Error Error pronóstico
de gasolina galones) (y) móvil (y) pronóstico al cuadrado
1 17
2 21
3 19
4 23 19 4 16
5 18 21 -3 9
6 16 20 -4 16
7 20 19 1 1
8 18 18 0 0
9 22 18 4 16
10 20 20 0 0
11 15 20 -5 25
12 22 19 3 9
Totales 0 92
10.2222222 Es el error y son los datos alejado
del pronóstico, es decir, que tan
estan del pronóstico de datos rea
CME: Cuadrado medido debido a

Técnica de promedio
de promedio móvil
Ventas (miles de galones) (y) Linear (Ventas (miles de

25

20
Ventas (miles de galones

15

10

0
1 2 3 4 5 6
5

0
1 2 3 4 5 6
rror y son los datos alejados
onóstico, es decir, que tan lejos
del pronóstico de datos reales
Cuadrado medido debido al error

ca de promedio móvil: venta de gasolina

omedio móvil
Linear (Ventas (miles de galones) (y)) Promedio móvil (y) Linear (Promedio móvil (y))

5 6 7 8 9 10 11

Semanas
5 6 7 8 9 10 11

Semanas
10 11 12
10 11 12
Considere la serie de tiempo siguiente
Error Error pronóstico Pron
Promedio 18
Semana Valor (y) móvil (y) pronóstico al cuadrado
16
1 8
2 13 14
3 15 12
4 17 12 5 25
10
5 16 15 1 1

Valor
6 9 16 -7 49 8
7 14 6
Totales 75
4
CME 25
2

0
1 2 3

Pro
a) Obtenga un promedio móvil de tres semanas para esta
serie de tiempo. ¿ Cuál es el pronóstico para la semana 7? Valor (y)
Promedio móvil (y)
b) Calule el CME de este promedio móvil de tres semanas.
 Pronóstico

2 3 4 5 6 7

Promedio móvil

Valor (y) Linear (Valor (y))

Promedio móvil (y) Linear (Promedio móvil (y))
Calcule la suavización de una serie de tiempos anual de las ventas mundiales de una
fábrica (en millones de unidades) de automóviles, camiones y autobuses hechos por
General Motors Corporation (GM). Para un periodo de 24 años, de 1975 al 1998.
Calcule:
a) Obtenga el promedio móvil de 5 años (longitud).
b) Obtenga el error pronóstico.
c) Obtenga el error de pronóstico al cuadrado.
d) Calcule el CME de este promedio móvil de cinco años.
e) Grafique el resultado y explique cada uno de los componentes de la serie de tiempo.

Año Ventas de fábrica (y) Promedio móvil (y) Valor Absoluto

1975 6.6 0
1976 8.6 0
1977 9.1 0
1978 9.5 0
1979 9 0
1980 7.1 7.1
1981 6.8 8.66 1.86
1982 6.2 8.3 2.1
1983 7.8 7.72 0.08
1984 8.3 7.38 0.92
1985 9.3 7.24 2.06
1986 8.6 7.68 0.92
1987 7.8 8.04 0.24
1988 8.1 8.36 0.26
1989 7.9 8.42 0.52
1990 7.5 8.34 0.84
1991 7.4 7.98 0.58
1992 7.7 7.74 0.04
1993 7.8 7.72 0.08
1994 8.4 7.66 0.74
1995 8.3 7.76 0.54
1996 8.4 7.92 0.48
1997 8.8 8.12 0.68
1998 8.1 8.34 0.24
6.92
#VALUE!

Ventas de GM

9.5
9.1 9.3
9
8.6 8.66
8.3 8.3
7.8
7.72
7.38 7.24
7.1
6.8
 9.5 9.3
9.1 9
8.6 8.66
8.3 8.3
7.8
7.72
7.38 7.24
7.1
6.6 6.8
6.2

Ventas

1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985

Ventas de fábrica (y) Linear (Ventas de fábrica (y))

diales de una e) De acuerdo a lo observado en la gráfica podemos ver que las expansiones come
s hechos por también hubo varias recesiones y por lo tanto valles.

serie de tiempo.

Error pronóstico Error pronóstColumna1 Columna2

1 0.2 ME
2 0.2 MAE
3 0.1 CME
4 0.1
5 0.4
7.1 50.41 1
-1.86 3.4596
-2.1 4.41
0.079999999999999 0.0064
0.920000000000001 0.8464
2.06 4.2436
0.919999999999998 0.8464
-0.240000000000001 0.0576
-0.26 0.0676
-0.52 0.2704
-0.84 0.7056
-0.579999999999999 0.3364
-0.039999999999999 0.0016
0.079999999999999 0.0064
0.740000000000001 0.5476
0.54 0.2916
0.479999999999999 0.2304
0.68 0.4624
-0.24 0.0576
6.92 67.2576
CME 3.53987368

Ventas de GM (1975-1998)

9.3
8.66 8.6 8.8
8.3 8.3 8.36 8.42 8.34 8.4 8.3 8.4
8.04 8.1 7.98 7.92 8.1
7.8
7.72 7.8 7.9 7.74
7.7 7.8
7.72 7.76
7.68 7.5 7.66
7.38 7.24 7.4
6.8
 9.3
8.66 8.6 8.8
8.3 8.3 8.36 8.42 8.34 8.4 8.3 8.4
8.04 8.1 7.98 8.1
7.8
7.72 7.8 7.9 7.74 7.8
7.72 7.76 7.92
7.68 7.5 7.7 7.66
7.38 7.24 7.4
6.8
6.2

1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 199

Años

e fábrica (y) Linear (Ventas de fábrica (y)) Promedio móvil (y) Linear (Promedio móvil (y))
emos ver que las expansiones comenzaron muy bien, sin embargo,

0.36421053
1.06736842
2.52033684 0

0.01415579

ME:ERROR MEDIO
ME: PROMEDIO EL ERROR DEL PRONOSTICO
MAE: ERROR MEDIO ABSOLUTO (ABS)= PROMEDIO DEL VALOR ABS
CME CUADRADO MEDIO DEBIDO AL ERROR = sumatoria (E) del error pronostico ^2/
numero de pronosticos

El total debe dar 0 (cero)

Para calcular el error de pronositco al cadrado el error de pronostico : 4^2=16;
-3^2=9; -4^2=16; n^2

EL ultimo valor en columna 2 siempre de be ser mayor.

Para fijar se utiliza el signo de pesos.

8.8
8.4 8.3 8.4 8.34
7.92 8.12 8.1
7.8
.72 7.66 7.76
 8.8
8.4 8.3 8.4 8.34
8.12 8.1
7.8
.72 7.76 7.92
7.66

993 1994 1995 1996 1997 1998

Calcule la suavización de una serie de tiempos anual de las ventas mundiales de una
fábrica (en millones de unidades) de automóviles, camiones y autobuses hechos por
General Motors Corporation (GM). Para un periodo de 24 años, de 1975 al 1998.
Calcule:
a) Obtenga el promedio móvil de 5 años (longitud).
b) Obtenga el error pronóstico.
c) Obtenga el error de pronóstico al cuadrado.
d) Calcule el CME de este promedio móvil de cinco años.
e) Grafique el resultado y explique cada uno de los componentes de la serie de tiempo.

Año Ventas de fábrica (y) Promedio móvil (y) Error pronóstico

1975 6.6
1976 8.6
1977 9.1
1978 9.5
1979 9
1980 7.1 8.56 -1.46
1981 6.8 8.66 -1.86
1982 6.2 8.3 -2.1
1983 7.8 7.72 0.08
1984 8.3 7.38 0.92
1985 9.3 7.24 2.06
1986 8.6 7.68 0.92
1987 7.8 8.04 -0.24
1988 8.1 8.36 -0.26
1989 7.9 8.42 -0.52
1990 7.5 8.34 -0.84
1991 7.4 7.98 -0.58
1992 7.7 7.74 -0.04
1993 7.8 7.72 0.08
1994 8.4 7.66 0.74
1995 8.3 7.76 0.54
1996 8.4 7.92 0.48
1997 8.8 8.12 0.68
1998 8.1 8.34 -0.24
-1.64
CME

Ventas de

9.5
9.1 9
8.6 8.56 8.66
8.3 8.3
7.8
7.72
7.38
7.1
6.8
 9.5
9.1 9
8.6 8.56 8.66
8.3 8.3
7.8
7.72
7.38
7.1
6.6 6.8
6.2

Ventas

1975 1976 1977 1978 1979 1980 1981 1982 1983 1984

Ventas de fábrica (y) Linear (Ventas de fáb

diales de una e) De acuerdo a lo observado en la gráfica podemos ver que las expansiones
s hechos por también hubo varias recesiones y por lo tanto valles.

serie de tiempo.

Error pronóstico al cuadrado PRONOSTICO ERROR ABS Columna1 Columna2

1 0.2
2 0.2
3 0.1
4 0.1
5 0.4
2.1316 15.58 1.86 1
3.4596 15.71 2.1
4.41 15.85 0.079999999999999
0.0064 14.97 0.920000000000001
0.846400000000001 13.52 2.06
4.2436 13.14 0.919999999999998
0.846399999999997 13.09 0.240000000000001
0.057600000000001 14.44 0.26
0.0676 14.97 0.52
0.2704 16.04 0.84
0.7056 15.41 0.579999999999999
0.336399999999999 14.32 0.039999999999999
0.0016 14.36 0.079999999999999
0.0064 14.29 0.740000000000001
0.547600000000002 13.91 0.54
0.2916 14.01 0.479999999999999
0.230399999999999 14.32 0.68
0.4624 14.57 0.24
0.0576 15.35 1.64
18.9792 15.14
0.998905263157895 11.95 0

Ventas de GM (1975-1998)

9.3
.56 8.66 8.6
8.3 8.3 8.36 8.42 8.34 8.4 8.3
8.04 8.1 7.9 7.98
7.8
7.72 7.68 7.8 7.74
7.7 7.8
7.72 7.66 7.76
7.38 7.5 7.4
7.1 7.24
6.8
 9.3
.56 8.66 8.6
8.3 8.3 8.36 8.42 8.34 8.4 8.3
8.04 8.1 7.9 7.98
7.8
7.72 7.68 7.8 7.74
7.7 7.8
7.72 7.66 7.76
7.38 7.5 7.4
7.1 7.24
6.8
6.2

980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995

Años

Ventas de fábrica (y) Linear (Ventas de fábrica (y)) Promedio móvil (y) Linear (Promedio móvil (y))
a podemos ver que las expansiones comenzaron muy bien, sin embargo,
o tanto valles.

ME -0.08631579
MAE 0.78
CME 0.14155789

ME:ERROR MEDIO
ME: PROMEDIO EL ERROR DEL PRONOSTICO
MAE: ERROR MEDIO ABSOLUTO (ABS)= PROMEDIO DEL VALOR ABS
CME CUADRADO MEDIO DEBIDO AL ERROR = sumatoria (E) del error pronostico ^2/
numero de pronosticos

El total debe dar 0 (cero)

Para calcular el error de pronositco al cadrado el error de pronostico : 4^2=16;
-3^2=9; -4^2=16; n^2

Para fijar se utiliza el signo de pesos

8.8
8.4 8.3 8.4 8.34
7.92 8.12 8.1
7.74
7.7 7.8
7.72 7.66 7.76
 8.8
8.4 8.3 8.4 8.34
8.12 8.1
7.74 7.8
7.72 7.76 7.92
7.7 7.66

1992 1993 1994 1995 1996 1997 1998

Tiempo Ventas Pronostico Error Pronostico
1 1.25
2 1.15
3 0.97
4 1.1 1.0073345188 0.09266548123432
5 1.17 1.1066668784 0.063333121648986
6 1.08 1.1433324866 -0.063332486595942
7 1.12 1.0826667513 0.037333248659595
8 1.23 1.1266668784 0.103333121648986
9 1.21 1.2099993649 6.35053043485101E-07
10 1.05 1.197999619 -0.147999618968174
11 1.03 1.0740007621 -0.044000762063651
12 0.99 1.0540007621 -0.064000762063652
13 1.16 0.998000254 0.161999745978783
14 1.2 1.1426661163 0.057333883712638
15 1.18 1.1719991109 0.008000889074261
16 1.26 1.1773332487 0.082666751340406
17 1.23 1.251999746 -0.021999745978782
18 1.19 1.2233331216 -0.033333121648985
19 1.1993336297

ME:ERROR MEDIO
ME 0.0154666921 ME: PROMEDIO EL ERROR DEL PRONOSTICO
MAE 0.065422225 MAE: ERROR MEDIO ABSOLUTO (ABS)= PROMEDIO DEL VALOR ABS
CME CUADRADO MEDIO DEBIDO AL ERROR = sumatoria (E) del erro
CME 0.006309368 numero de pronosticos

El total debe dar 0 (cero)

Para calcular el error de pronositco al cadrado el error de pronostico
-4^2=16; n^2

Para fijar se utiliza el signo de pesos

 Error absoluto pronostico (ABS) Error pronostico ^2 Tiempo Ponderacion
1 0.1333375670203
2 0
3 0.8666624329797
0.09266548123432 0.008586891412388 Total 1
0.063333121648986 0.004011084297805
0.063332486595942 0.004011003858425 Chart Title
0.037333248659595 0.001393771455479
1.4
0.103333121648986 0.010677734029724
6.35053043485101E-07 4.03292368039689E-13 1.2
0.147999618968174 0.021903887214725
0.044000762063651 0.001936067062182 1

0.064000762063652 0.004096097544728
0.8
0.161999745978783 0.02624391769719
0.057333883712638 0.003287174221574 0.6
0.008000889074261 6.40142259786272E-05
0.082666751340406 0.006833791777177 0.4
0.021999745978782 0.000483988823131
0.2
0.033333121648985 0.001111096998866
0
1 2 3 4 5 6 7 8 9 10 11 12

Column B Column

ROR MEDIO
ROMEDIO EL ERROR DEL PRONOSTICO
ERROR MEDIO ABSOLUTO (ABS)= PROMEDIO DEL VALOR ABS
UADRADO MEDIO DEBIDO AL ERROR = sumatoria (E) del error pronostico ^2/
o de pronosticos

l debe dar 0 (cero)

alcular el error de pronositco al cadrado el error de pronostico : 4^2=16; -3^2=9;
16; n^2

jar se utiliza el signo de pesos

 Chart Title

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Column B Column C
 Tienda
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Ventas semanales con 600 clientes

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.955141726246962
Coeficiente de determinación R^2 0.912295717218026
R^2 ajustado 0.907423257063472
Error típico 54.7231800589325
Observaciones 20

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 18
Total 19

Coeficientes
Intercepción -173.556118549059
Variable X 1 102.953754600177
Análisis de los residuales

Observación Pronóstico para Y

1 979.525932972928
2 964.082869782902
3 493.584211260091
4 774.647961318575
5 796.268249784612
6 864.217727820729
7 799.356862422617
8 519.322649910135
9 571.829064756225
10 456.520859604027
11 611.981029050295
12 797.297787330614
13 800.386399968619
14 613.010566596296
15 538.883863284169
16 747.879985122529
17 787.002411870596
18 879.660791010756
19 1038.20957309503
20 589.331203038256
Clientes Ventas $
907 11.2 Ventas semanales (en miles de dolare
926 11.05
14
506 6.48
741 9.21
789 9.42 12
889 10.08
874 9.45 f(x) = 0.008861218522442 x + 2.30862007731664
R² = 0.912295717218026
510 6.73 10
529 7.24
420 6.12
8
679 7.63
872 9.43
924 9.46 6
607 7.64
452 6.92
4
729 8.95
794 9.33
844 10.23 2
1010 11.77
621 7.41
0
3 00 400 5 00 600 700 800 900
12.327924
Gráfico de probabilidad no
1500

1000
Y

500

0
0 20 40 60 80
Muestra percentil

Suma de cuadradosPromedio de los cuadrados F Valor crítico de F

560699.274156278 560699.27416 187.23513139 5.933744E-11
53903.2758437223 2994.6264358
614602.55

Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%
67.2398948853654 -2.581147975 0.0188303614 -314.8218957 -32.2903414 -314.821896
7.52399536860928 13.683388885 5.933744E-11 87.1464269 118.7610823 87.1464269
 Resultados de datos de probabilidad

Residuos Residuos estándares Percentil Y

-72.5259329729279 -1.361640766 2.5 420
-38.0828697829015 -0.714988223 7.5 452
12.4157887399093 0.2331006772 12.5 506
-33.647961318575 -0.631724873 17.5 510
-7.26824978461218 -0.13645802 22.5 529
24.7822721792706 0.4652756701 27.5 607
74.6431375773826 1.4013903006 32.5 621
-9.32264991013506 -0.17502843 37.5 679
-42.8290647562254 -0.804095834 42.5 729
-36.5208596040268 -0.685662207 47.5 741
67.0189709497054 1.258250107 52.5 789
74.7022126693861 1.402499408 57.5 794
123.613600031381 2.3207880286 62.5 844
-6.01056659629637 -0.112845601 67.5 872
-86.8838632841687 -1.63120425 72.5 874
-18.8799851225288 -0.354462967 77.5 889
6.99758812940377 0.1313764728 82.5 907
-35.6607910107559 -0.669514818 87.5 924
-28.2095730950291 -0.529621656 92.5 926
31.6687969617444 0.5945669801 97.5 1010
es (en miles de dolares)

+ 2.30862007731664

700 800 900 1000 1 10 0

o de probabilidad normal

40 60 80 100 120
Muestra percentil

Superior 95,0%
-32.2903414
118.761082
 Año (t) Ventas (en miles) (Yt) Pronostico Error pronostico
1 21.6
2 22.9 22.25 0.65
3 25.5 24.2 1.3
4 21.9 23.7 -1.8
5 23.9 22.9 1
6 27.5 25.7 1.8
7 31.5 29.5 2
8 29.7 30.6 -0.9
9 28.6 29.15 -0.55
10 31.4 30 1.4
11 15.7 -15.7

35

30

25

20

15

10

0
1 2 3 4 5
5

0
1 2 3 4 5
Error Absoluto Pronostico Error pronostico ^2

0.649999999999999 0.422499999999998 CME CUADRADO MEDIO DEBIDO AL ERROR = sum

1.3 1.69
1.8 3.24
1 1
1.8 3.24
2 4
0.900000000000002 0.810000000000004
0.549999999999997 0.302499999999997
1.4 1.96
15.7

30.858025

Chart Title

4 5 6 7 8

Column C Column D
4 5 6 7 8

Column C Column D
DO MEDIO DEBIDO AL ERROR = sumatoria (E) del error pronostico ^2/ numero de pronosticos

8 9 10 11
8 9 10 11