Tipo de documento:

Formato para prácticas de laboratorio

Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

UNIVERSIDAD POLITECNICA DE
TLAXCALA REGIÓ N PONIENTE
HUEYOTLIPAN

ING. LOGISTICA Y TRANSPORTE

UNIDAD DE APRENDIZAJE: TI APLICADAS A LOS PRÓNOSTICOS EN

LA CADENA DE SUMINISTRO

TEMA: “PRACTICA SEGUNDO PARCIAL”

CATEDRATICO(A): MTRO, JUAN MANUEL GARCIA BARRIOS

ALUMNOS:
LUIS ALONSO TEXIS RAMIREZ
YAIR BRINDIS JUAREZ
LUIS PABLO MARQUEZ BARRERA
3º”A”
FECHA: 14/06/2021
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

1 INTRODUCCIÓN.
Regresión y Correlación lineal simple es el noveno fascículo, de una serie de guías
de estudio en las que se desarrollan los temas de los programas de las asignaturas
del área de Probabilidad y Estadística. Es común que las personas tomen
decisiones personales y profesionales basadas en predicciones de sucesos futuros.
Para hacer estos pronósticos, se basan en la relación intuitiva y calculada entre lo
que ya se sabe y lo que se debe estimar. Si los responsables de la toma de
decisiones pueden determinar cómo lo conocido se relaciona con un evento futuro,
pueden ayudar considerablemente al proceso de toma de decisiones. Cualquier
método estadístico que busque establecer una ecuación que permita estimar el
valor desconocido de una variable a partir del valor conocido de una o más
variables, se denomina análisis de regresión. Los análisis de regresión y correlación
mostrarán como determinar la naturaleza y la fuerza de una relación entre dos
variables.

2 ABSTRACT
Regression and Simple Linear Correlation is the ninth installment of a series of
study guides in which the topics of the programs of the courses in the Probability
and Statistics area are developed. It is common for people to make personal and
professional decisions based on predictions of future events. To make these
forecasts, they are based on the intuitive and calculated relationship between what
is already known and what must be estimated. If decision makers can determine
how the known relates to a future event, they can greatly assist the decision-
making process. Any statistical method that seeks to establish an equation that
allows estimating the unknown value of a variable from the known value of one or
more variables is called regression analysis. Regression and correlation analyzes
will show how to determine the nature and strength of a relationship between two
variables.
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

4 OBJETIVO (COMPETENCIA)
El alumno deberá aplicar el método de regresión lineal simple, aplicando todos los
temas vistos en este parcial.

5 FUNDAMENTO TEÓRICO
El término regresión fue utilizado por primera vez por el genetista y estadístico
inglés Francis Galton (1822-1911) en 1877 Galton efectúo un estudio que demostró
que la altura d los hijos de padres altos tendía a retroceder, o “regresar”, hacia la
talla media de la población. Regresión fue el nombre que le dio al proceso general
de predecir una variable, (la talla de los niños) a partir de otra (la talla de los
padres). Hoy en día, esta tendencia de miembros de cualquier población que están
en una posición extrema (arriba o debajo de la media poblacional) en un momento,
y luego en una posición menos extrema en otro momento, (ya sea por sí o por
medio de sus descendientes), se llama efecto de regresión.

El análisis de regresión se desarrolla una ecuación de estimación, es decir, una

fórmula matemática que relaciona las variables conocidas con las desconocidas.
Luego de obtener el patrón de dicha relación, se aplica el análisis de correlación
para determinar el grado de relación que hay entre las variables.

VARIABLE INDEPENDIENTE (X) En el análisis de regresión una variable cuyo

valor se suponga conocido y que se utilice para explicar o predecir el valor de otra
variable de interés se llama variable independiente; se simboliza con la letra X.
Otros nombres alternativos para la variable independiente (X), son variable
exploratoria, variable predictora y en ocasiones variable regresora. VARIABLE
DEPENDIENTE (Y) En el análisis de regresión una variable cuyo valor se suponga
desconocido y que se explique o prediga con ayuda de otra se llama variable
dependiente y se simboliza con la letra Y. La variable dependiente, al igual que la
variable independiente es llamada de diferentes maneras algunas de ellas son:
variable explicada o variable pronosticada.
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

Un diagrama de dispersión es una ilustración gráfica que se usa en el análisis de

regresión. Consta de una dispersión de puntos tal que cada punto representa un
valor de la variable independiente (medido a lo largo del eje horizontal), y un valor
asociado de la variable dependiente (medido a lo largo del eje vertical). El diagrama
de dispersión, también llamado nube de puntos, brinda dos tipos de información,
visualmente se pueden determinar los patrones que indican como las variables
están relacionadas (lineal o mediante una curva) y por otro lado si existe una
relación entre ellas visualizando la clase de línea o ecuación de estimación que
describe a dicha relación. El método que por lo común se utiliza para ajustar una
línea a los datos muestrales indicados en el diagrama de dispersión, se llama
método de mínimos cuadrados. La línea se deriva en forma tal que la suma de los
cuadrados de las desviaciones verticales entre la línea y los puntos individuales de
datos se reduce al mínimo.

El método de mínimos cuadrados sirve para determinar la recta que mejor se ajuste
a los datos muestrales, y los supuestos de este método son:  El error es cero. 
Los datos obtenidos de las muestra son estadísticamente independientes.  La
varianza del error es igual para todos los valores de X. Una línea de regresión
calculada a partir de los datos muestrales, por el método de mínimos cuadrados se
llama línea de regresión estimada o línea de regresión muestral. El error estándar
de estimación mide la variabilidad o dispersión de los valores observados alrededor
de la línea de regresión y se representa como Se.

5 PROCEDIMIENTO (DESCRIPCIÓN)
Seleccionar datos de base de datos INEGI
Elaborar tablas
Elaborar diagrama de dispercion
Hallar pendiente y ordenada
Hallar ecuación
Hallar coeficientes
Hallar intervalos
Interpretación
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

6 EQUIPO NECESARIO
Laptop
Internet
Base de datos
Formulas

7 DESARROLLO DE LA PRÁCTICA

Se seleccionaron los siguientes datos los cuales fueron tomados de la base de

datos del INEGI, en donde se analizó la relación de los ingresos de comercio al
por mayor y menor de los años 2019 y 2020, los cuales obtuvieron los siguientes
datos históricos, representados en la siguiente tabla.

Columna1 Columna2 Columna3

COMERCIO POR
MES COMERCIO POR MAYOR MENOR
2019/01 108.4 114.3
2019/02 108.2 115.8
2019/03 108.1 115.0
2019/04 108.1 115.6
2019/05 107.7 116.4
2019/06 108.2 116.1
2019/07 108.1 116.1
2019/08 107.6 116.2
2019/09 107.1 116.1
2019/10 105.9 114.8
2019/11 105.9 116.2
2019/12 105.5 115.3
2020/01 106.1 116.0
2020/02 105.2 114.3
2020/03 104.6 112.5
2020/04 85.6 88.2
2020/05 81.8 89.1
2020/06 91.2 96.0
2020/07 95.8 101.8
2020/08 97.4 104.5
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

2020/09 98.7 106.9

2020/10 100.2 106.7
2020/11 102.1 110.7
2020/12 103.2 108.1
Sumas 2460.7 2642.7
Fuente:

INEGI. Series calculadas por métodos econométricos a partir de la Encuesta Mensual Sobre Empresas
Comerciales.

Se procedió a elaborar la tabla de datos

comercio al comercio al
por mayor por menor
xy x^2 y^2
N (x) (y)
1 81.8 89.1 7288.38 6691.24 7938.81
2 85.6 88.2 7549.92 7327.36 7779.24
3 91.2 96.0 8755.2 8317.44 9216.00
4 95.8 101.8 9752.44 9177.64 10363.24
5 97.4 104.5 10178.3 9486.76 10920.25
6 98.7 106.9 10551.03 9741.69 11427.61
7 100.2 106.7 10691.34 10040.04 11384.89
8 102.1 110.7 11302.47 10424.41 12254.49
9 103.2 108.1 11155.92 10650.24 11685.61
10 104.6 112.5 11767.5 10941.16 12656.25
11 105.2 114.3 12024.36 11067.04 13064.49
12 105.5 115.3 12164.15 11130.25 13294.09
13 105.9 114.8 12157.32 11214.81 13179.04
14 105.9 116.2 12305.58 11214.81 13502.44
15 106.1 116.0 12307.6 11257.21 13456.00
16 107.1 116.1 12434.31 11470.41 13479.21
17 107.6 116.2 12503.12 11577.76 13502.44
18 107.7 116.4 12536.28 11599.29 13548.96
19 108.1 115.0 12431.5 11685.61 13225.00
20 108.1 115.6 12496.36 11685.61 13363.36
21 108.1 116.1 12550.41 11685.61 13479.21
22 108.2 115.8 12529.56 11707.24 13409.64
23 108.2 116.1 12562.02 11707.24 13479.21
24 108.4 114.3 12390.12 11750.56 13064.49
Suma 253551.4 292673.9
s 2460.7 2642.7 272385.2 3 7
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

1 DIAGRAMA DE DISPERCIÓN

Chart Title
COMERCIO AL POR MAYOR Y MENOR COMERCIO AL POR MAYOR Y MENOR
Linear (COMERCIO AL POR MAYOR Y MENOR)
140
120 f(x) = 1.9 x + 81.04
R² = 0.35
100
Axis Title

80
60
40
20
0
0.0 5.0 10.0 15.0 20.0 25.0 30.0
Axis Title

2 PENDIENTE Y ORDENADA

2460 . 7
de x = =102.53
24

2642.7
de y= =110.11
24

272385.19−24 ( 102.53 ) ( 110.11)

b= = 12,652.34
253551.43

a= 110.11-12,652.34(102.53) = 128,594.02
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

3 ECUACIÓN QUE MAYOR SE AJUSTA

y= a + bx y= 128,594.02+ 12,652.34x

5 ERROR ESTANDAR

292673.97−128594.02 ( 2642.7 )−12652.34( 272385.02)

se =
√ 24−2

Se= 5,700,815.175 de nivel de comercio al por mayor y menor

6 COEFICIENTE DE DETERMINACIÓN

292673.97 ( 2642.7 )+ ( 12652.34 )( 272385. 2 )−(24)(2642. 72)

r 2=
√ 292673.97−24(2642.72 )

r 2=5.12 = 51.2%
El 51.2% del total del comercio se debe a las ventas al por mayor y menor, el resto
se debe a otros factores

6COEFICIENTE DE CORRELACIÓN

r= √ r r= √ 5.12 r= 2.62 Correlación positiva perfecta

Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

8 HALLAMOS EL INTERVALO DE CONFIANZA

NIVEL DE CONFIANZA = 95% = 1-95

NIVEL DE SIGNIFICACIÓN= 5% = 0.05
HALLAR EN T Tα /2; n−2=T0, 025 ,8 = 2,306

y c =110 ± 2.306 ( 5,700,815.175

√2 4 )
y c =¿ 110±1,163,674.025

y c Esta entre 1163564.025 y 1163784.02

9 INTERVALO DE PREDICCÓN AL 95%

1 ( 9−2 )2
Yp=110± 2.306 ¿5,700,815.175)1+ +
24 253551.43−24 ¿ ¿

YP= 110±4,686,705.46 < YP< 110±6,714,924.90

Se puede asegurar con un nivel de confianza del 95% que en los próximos 2 años
el porcentaje del comercio al por mayor y menor estará en 4,686,705.46 y
6,714,924.90

9 RESULTADOS DEL APRENDIZAJE

Los alumnos aprendieron a utilizar los métodos de predicción utilizando la

correlación lineal simple. Y el uso de todas sus operaciones incluyendo los
intervalos de predicción y confianza.
Tipo de documento:
Formato para prácticas de laboratorio
Programa Educativo: Ingeniería en Logística y Transporte Profesor:
Nombre de la asignatura: Fecha:
Laboratorio de: Cuatrimestre:
Nombre de la Practica: Número:

10 REFERENCIAS BIBLIOGRAFICAS
Allen, L. (2000). Estadística aplicada a los negocios y la economía. México. Tercera edición. Editorial

Mc Graw Hill Bonini, C. (2000). Análisis Cuantitativo para los negocios. México. Novena edición.

Editorial Mc Graw Hill. Hanke, J. (2006). Pronóstico en los Negocios. México. Octava edición.

Editorial Pearson. Anderson, D. (2016). Métodos Cuantitativos para los Negocios. México. 13 ed.

Editorial Cengage Render, B. (2012). Métodos Cuantitativos para los Negocios. México 11 edición.
Editorial Pearson.