INTEGRANTES:

Aguirre Becerra Alondra Guadalupe “FS20110046”.

Apolinar Sánchez Kitzia Viridiana ¨FS20110624¨.

González Ibarra Carlos Esteban “FS20110815”.

Hernández Sainz Martha Isabel ¨FS20110668¨.

Huerta Caratachea Nefertari Concepción.“FS20110532”.

Huerta Ríos Nallely de la Luz ¨FS20110813¨.

Martínez Báez Hilda Monserrat. “FS20110486”

MATERIA:

Estadística inferencial
II 2ii 2 22 .

MAESTRO:
José Ramón Gómez Armenta.

PROYECTO PRIMER
PARCIAL

. SEMESTRE:
5° “C”.
INGENIERÍA:

Gestión Empresarial.

FECHA DE ENTREGA:
Lunes 26 de septiembre 2022.

1
INTRODUCCIÓN.
Los Modelos Lineales han sido usados durante décadas tanto intensiva como
extensivamente en aplicaciones Estadísticas.
Un Modelo Lineal se puede determinar de manera gráfica o bien, por medio de
una ecuación. Existen ocasiones en que en una de las variables se quiere que
cumpla varias condiciones a la vez, entonces surge un conjunto de ecuaciones
donde el punto de intersección de dichas ecuaciones representa la solución del
problema.
Se desarrollará la teoría de los Modelos de Regresión Lineal Simple, Estimación y
Prueba de Hipótesis, Validación del Modelo y Predicción, Modelos de Regresión
Lineal Múltiple, Pruebas de los Parámetros y Validación del Modelo de Regresión
Lineal Múltiple, Modelos de Regresión con Variables Cualitativas, otros Modelos y
Problemas,
En este proyecto se realizará procedimientos estadísticos por medio de las
variables que tomarán valor a partir de los datos otorgados en la información que
nos brindó la empresa "Little Kings" se obtuvo con la relación a los casos reales
que se presentan a continuación.
Se tomarán en cuenta los métodos de regresión lineal simple y regresión lineal
múltiple para otorgar la ecuación que logrará darnos un pronóstico de empresa.
Así obtener una conclusión de forma certera que nos resumirá los datos y
resultados
obtenidos para tener una mejor comprensión .

2
Contenido
INTRODUCCIÓN.................................................................................................................... 2
OBJETIVOS. .......................................................................................................................... 3
OBJETIVO GENERAL ....................................................................................................... 4
OBJETIVO ESPECÍFICOS. ............................................................................................... 4
EMPRESA “LITTLE KINGS”. ............................................................................................... 4
MARCO TEÓRICO................................................................................................................. 5
SIMPLE............................................................................................................................... 5
MULTIPLE. ......................................................................................................................... 6
DESARROLLO....................................................................................................................... 7
PROBLEMA 1..................................................................................................................... 7
PROBLEMA 2..................................................................................................................... 8
PROBLEMÁTICAS. ............................................................................................................. 10
CONCLUSIÓN GENERAL................................................................................................... 11
CONCLUSIONES PERSONALES....................................................................................... 12
Aguirre Becerra Alondra Guadalupe “FS20110046”. ................................................. 12
Apolinar Sánchez Kitzia Viridiana ¨FS20110624¨. ....................................................... 12
González Ibarra Carlos Esteban “FS20110815”. ......................................................... 12
Huerta Caratachea Nefertari Concepción. “FS20110532”. ........................................ 12
Huerta Ríos Nallely de la Luz ¨FS20110813¨. ............................................................... 13
BIBLIOGRAFÍAS ................................................................................................................. 14

OBJETIVOS.

3
OBJETIVO GENERAL

Realizar ejercicios del método lineal simple y del método lineal para que el alumno
sea capaz de representar el proceso de identificar cada una de las operaciones
que comprenden dichos temas

OBJETIVO ESPECÍFICOS.

• Realizar ejercicios de dichos temas propuestas por la empresa de Little

Kings.
• Dar al estudiante los conocimientos necesarios para elaborar métodos
lineales el cual será útil para representar procesos productivos de la
empresa.

EMPRESA “LITTLE KINGS”.

En este trayecto del primer parcial se tomó la iniciativa de dirigirnos a la empresa
de “Little Kings” para que nos dieran unos datos para realizar este proyecto.

4
La empresa “Little Kings” es una fábrica que se dedica a la elaboración de calzado
infantil de foquitos, la cual se encuentra ubicada en Mariano Matamoros #220 en
la Zona Centro de San Francisco del Rincón Guanajuato.

La empresa cuenta con 14 años de antigüedad y fue creada por Felipe Becerra
López, esta empresa se distribuye a nivel nacional y cada tiene pedidos en
Colombia y Estados Unidos.

MARCO TEÓRICO.
SIMPLE
Se define como un procedimiento mediante el cual se trata determinar si existe o
no la relación de dependencia entre dos o más variables. Es decir, conociendo los

5
valores de una variable independiente, aquí se trata de lograr que una dispersión
de las frecuencias sea ajustada a una línea recta o curva.
Tipos de regresión:
Lineal y Curvilínea o no lineal estos dos tipos de regresión pueden ser a su vez:
Regresión simple:
Este tipo se presenta cuando una variable independiente ejerce influencia
sobre otra variable dependiente.
Esta regresión se utiliza frecuentemente en las ciencias económicas y en
sus disciplinas tecnológicas. Cualquier función no lineal, es transformada en
lineal para estudios y efecto.
Objetivos:
Determina la relación de dependencia que tiene una variable respecto a
otra.
Se ajusta a la distribución más frecuente de una línea, es decir, determina
la forma de la línea regresión lineal de regresión.
Predecir un dato desconocido de una variable partiendo los datos
conocidos de otra variable.
Ejemplo:
En una empresa de servicios de la luz busca relacionar ganancias que se obtien e
de cada una de las casas con el número de usuarios que ingresan a dicho lu gar u
pues se representara
Y (ganancias s/) X (número de usuario).

MULTIPLE.
La regresión lineal múltiple trata de ajustar modelos lineales entre una variable
dependiente y más de unas variables independientes.
Objetivos:
Identificar que variables independientes (causas) explican una variable
dependiente (resultado).
Comparar y comprobar modelos explicativos.
Predecir valores de una variable, es decir, a partir de unas características
predecir de forma aproximada un comportamiento o estado.
Múltiples modelos lineales están equipados con los pasos siguientes:
Construya una matriz de diseño que contenga una fila por cada fila de datos y un a
columna por cada parámetro en el modelo de regresión. Las columnas
corresponden a los predictores o a las categorías de predictores.
Calcule los coeficientes de regresión.
Multiplique la matriz de diseño transpuesta consigo misma.
Multiplique la matriz de diseño transpuesta con el vector de valores de
destino.
Multiplique la inversa de la matriz del paso a por la matriz del paso b.

6
El valor F:
Se compara con una distribución de F teórica para determinar la
probabilidad de obtener el valor F por casualidad.
Este es el valor de significación.
Si el valor de significación es menor que el nivel de significación, los medios
son significativamente diferentes.
R2:
Se utiliza R2 ajustado para estimar la fuerza predictiva del modelo de regresión. El
nivel de significación se establece en 5 % y la potencia predictiva del modelo debe
ser mayor que 10 % para indicar una relación de predicción fiable entre el destino
y un campo de entrada.

DESARROLLO.
PROBLEMA 1

7
 La empresa ¨LITTLE KING¨ produce calzado para dama, cuenta con 9
diseños diferentes y quiere saber si es beneficiaria añadir un diseño mas GRAFICO DE DISPERSIÓN
por ello llearn un regstro de las ventas totales de cada uno de ellos. 100

MODELOS (X) VENTAS (Y) MODELOS (X) VENTAS (Y) PENDIENTE 90

23 35 1 -53.8885008 0.21404635 80
9 12 2 -54.1025471 0.21404635 70
y = -0.214x + 53.674
13 57 3 -54.3165935 0.21404635 60 R² = 0.1519
125 39 4 -54.5306398 0.21404635 50
10 73 5 -54.7446862 0.21404635 40
5 50 6 -54.9587325 0.21404635 30
8 91 7 -55.1727789 0.21404635 20
11 42 8 -55.3868252 0.21404635 10
100 19 9 -55.6008716 0
0 20 40 60 80 100 120 140

MODELOS(X) VENTAS (Y) xy

1 23 35 529 805 -10.7777778 -11.44444444 116.160494 130.975309 123.345679
2 9 12 81 108 -24.7777778 -34.44444444 613.938272 1186.41975 853.4567901
3 13 57 169 741 -20.7777778 10.55555556 431.716049 111.419753 -219.3209877
4 125 39 15625 4875 91.2222222 -7.444444444 8321.49383 55.4197531 -679.0987654
5 10 73 100 730 -23.7777778 26.55555556 565.382716 705.197531 -631.4320988
6 5 50 25 250 -28.7777778 3.555555556 828.160494 12.6419753 -102.3209877
7 8 91 64 728 -25.7777778 44.55555556 664.493827 1985.19753 -1148.54321
8 11 42 121 462 -22.7777778 -4.444444444 518.82716 19.7530864 101.2345679
9 100 19 10000 1900 66.2222222 -27.44444444 4385.38272 753.197531 -1817.432099
SUMA 304 418 26714 10599 0.00 0.00 16445.5556 4960.22222 -3520.111111
PROMEDIO 33.7777778 46.44444444

9 10599 - 304 418 = -31681 = -0.2140463

9 26714 - 92416 148010

b= 418 - -0.2140463 304 = 483.07009 = 53.6744544 b

9 9

r= -3520.11111 = -0.3897459 = 0.1519018

128.240226 70.4288451

Resumen

Estadísticas de la regresión
Coeficiente de 0.38974588
correlación múltiple
Coeficiente de 0.15190185
determinación R^2
R^2 ajustado 0.03074497
Error típico 24.5145883
Observaciones 9

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 753.4669287 753.466929 1.25376166 0.29977851
Residuos 7 4206.755294 600.965042
Total 8 4960.222222

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0%Superior 95.0%
Intercepción 53.6744544 10.41474249 5.15369962 0.0013186 29.0475018 78.30140711 29.0475018 78.3014071
Variable X 1 -0.21404635 0.191161456 -1.11971499 0.29977851 -0.66607136 0.237978667 -0.66607136 0.23797867

Conclusión del problema uno:

En el modelo lineal se tiene un ajuste negativo ya que se tiene una correlación
negativa moderada para el análisis de los Datos con una pendiente de -0.2140.
Y con un nivel de confianza del 95%.

PROBLEMA 2

8
 En la empresa de "Little Kings" les pedimos a 12 trabajadores sus datos del peso, edad, altura y cintura

(y-
(y testada- y
peso altura cintura edad x1^2 x2^2 x3^2 x1*x2 x1*x3 x2*x3 x1*y x2*y x3*y y^2 ypromedio)^ Modelo (y - y testada)^2
promedio)^2
2
1 45 155 55 22 2025 24025 3025 6975 2475 8525 990 3410 1210 484 831.361111 33.00464717 317.8620503 121.1022593 n x1 x2 x3 y
2 70 178 66 62 4900 31684 4356 12460 4620 11748 4340 11036 4092 3844 124.694444 46.35084375 20.09271283 244.8960912 x1 x1^2 x1*x2 x1*x3 x1*y
3 90 160 89 72 8100 25600 7921 14400 8010 14240 6480 11520 6408 5184 448.027778 66.8883402 257.7632455 26.1290659 x2 x1*x2 x2^2 x2*x3 x2*y
4 59 163 69 48 3481 26569 4761 9617 4071 11247 2832 7824 3312 2304 8.02777778 45.09080727 32.9766056 8.463402344 x3 x1*x3 x2*x3 x3^2 x3*y
5 63 170 68 63 3969 28900 4624 10710 4284 11560 3969 10710 4284 3969 148.027778 45.51490811 28.28564685 305.7284384
6 75 180 65 45 5625 32400 4225 13500 4875 11700 3375 8100 2925 2025 34.0277778 47.38853051 11.86666649 5.705077998 12 881 2046 855 610
7 87 185 83 50 7569 34225 6889 16095 7221 15355 4350 9250 4150 2500 0.69444444 61.17527294 106.9557147 124.8867252 881 66671 150649 63757 45984
8 87 173 68 56 7569 29929 4624 15051 5916 11764 4872 9688 3808 3136 26.6944444 53.51712053 7.20271374 6.164690442 2046 150649 349782 145895 104168
9 80 164 74 39 6400 26896 5476 13120 5920 12136 3120 6396 2886 1521 140.027778 54.95295373 16.97127218 254.4967326 855 63757 145895 61755 44255
10 68 180 70 35 4624 32400 4900 12240 4760 12600 2380 6300 2450 1225 250.694444 47.77809886 9.334457662 163.2798106
11 72 173 75 58 5184 29929 5625 12456 5400 12975 4176 10034 4350 3364 51.3611111 52.293171 2.131126013 32.56789724 39.4605322 0.08581289 -0.20187979 -0.15799005
12 85 165 73 60 7225 27225 5329 14025 6205 12045 5100 9900 4380 3600 84.0277778 56.04530592 27.1646583 15.63960523 0.08581289 0.00136727 -0.00044464 -0.00154923
881 2046 855 610 66671 349782 61755 150649 63757 145895 45984 104168 44255 33156 2147.66667 610 838.6068703 1309.059796 -0.20187979 -0.00044464 0.00122862 0.0003515
-0.15799005 -0.00154923 0.0003515 0.00297262
promedio de y50.8333333
-4.31902218 a
0.3402587 b1
-0.05466544 b2
0.55427585 b3
Anova
1 Planificar las hipótesis
para la ordenada para la pendiente

2 Estadístico de prueba
F=SCR/SCE F(k,n-k-1)
3 Analisis de datos
Resumen

Resumen

Estadísticas de la regresión
Coeficiente de correlación
0.62487877
múltiple
Coeficiente de determinación
0.39047348R^2
R^2 ajustado 0.16190103
Error típico 12.791891
Observaciones 12

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 3 838.60687 279.535623 1.70831386 0.24207689
Residuos 8 1309.0598 163.632475
Total 11 2147.66667

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%
Intercepción -4.31902218 80.355613 -0.05374885 0.95845324 -189.619398 180.981354 -189.619398 180.981354
Variable X 1 0.3402587 0.47300167 0.71936046 0.49239484 -0.75048511 1.43100251 -0.75048511 1.43100251
Variable X 2 -0.05466544 0.44837697 -0.12191849 0.90597047 -1.0886246 0.97929371 -1.0886246 0.97929371 1. SCR = Suma de cuadrados de la regresión.
Variable X 3 0.55427585 0.69743646 0.79473311 0.4497007 -1.05401552 2.16256721 -1.05401552 2.16256721 2. SCE = Suma de cuadrados de los residuos.
3. N = Número total de observaciones en la muestra.
4. K = Grados de libertad.

838.60687
3 279.535623
1309.0598 163.632475
8
1.708313855
Superior 95%Inferior 95.0%Superior 95.0%
F critico = INV.F= 4.06618055 180.981354 -189.619398 180.981354
1.43100251 -0.75048511 1.43100251
1-α= 0.95 0.97929371 -1.0886246 0.97929371
k= 3 2.16256721 -1.05401552 2.16256721
n= 12
n-k-1= 8

F cal F crit
como F cal= 1.70831386 4.06618055 entonces se rechaza H1

6 Conclusión Se rechaza Ho: si F cal> 1.70831386

Se puede observar que las evidencias muéstrales sugieren que si hay un efecto significativo lineal entre las variables Se acepta Ho si F cal < 1.70831386
que es el peso, la altura y la cintura es un efecto casual de la edad.
Por lo tanto aceptamos la hipotesis nula y rechazamos la hipotesis alternativa.

CONCLUSION:

Se puede observar que las evidencias muéstrales sugieren que si hay un efecto
significativo lineal entre las variables

9
PROBLEMÁTICAS.
Al realizar este trabajo no tuvimos problemáticas en el equipo ya que nos pudimos
organizar muy bien, pero, sin embargo, cabe de destacar que al buscar la
información nos dimos cuenta de que surgieron mucha información y otra que se
repetía constantemente.

En lo personal somos un buen equipo, pero siempre nos afecta el horario de

clases, las tareas de las otras materias y en que los integrantes somos de
diferentes localidades.

10
CONCLUSIÓN GENERAL.
Estos temas son de alto interés y concentración ya que te sirven mucho en la vida
cotidiana y tienes una noción por averiguar que tan productivo está haciendo las
cosas o que perdidas estas generando.

Cuando finalizamos el presente proyecto del primer hemos llegado a la conclusión

de que la estadística es una de las ciencias más importantes en nuestras vidas,
puesto que la utilizamos en cualquier asunto, trabajo o proyecto que tengamos
que realizar ya sea personal, laboral o estudiantil.
Hemos llegado a concluir que, en estadística 2, como en cualquier otra ciencia, lo
más importante son los conceptos, las fórmulas, símbolos, signos o formas de
resumir o expresar dichos conceptos pueden ser múltiples.
Por medio de la estadística se pueden realizar predicciones en el futuro. Esto se
logra a base del estudio que hace la estadística a regularidades de fenómenos con
lo que se logra una mejor descripción del suceso o fenómeno el cual permitirá
realizar predicciones en el futuro.

11
CONCLUSIONES PERSONALES.
Este primer parcial se me hizo muy estresante ya que no tenia computadora y no
hice varios ejercicios de los cuales me quedé atrás. En lo personal este parcial se
me hizo muy tedioso ya que tenia dudas y nunca se me aclararon, sentí mucha
indiferencia ya que me quedé atrás y el maestro nunca se esperaba. Considero
que la evaluación en la presentación fue muy injusta que ya que a nosotros se nos
exhibió de una manera muy humillante.
Aguirre Becerra Alondra Guadalupe “FS20110046”.

Yo si me atrasé en varias cosas por la laptop, pero lo que entendí es que podemos
sacar un pronóstico ya que son importantes para cualquier tipo de organización
independientemente de su actividad económica ya que estos ayudan a mejorar la
producción etc.
Y nos permite identificar la relación que existe entre las diferentes variables objeto
de estudio y como estas afectan el resultado de otra variable, es decir, permite
identificar cual es la variable que más causa efecto tiene respecto a la variable
independiente.
Apolinar Sánchez Kitzia Viridiana ¨FS20110624¨.

Los modelos de regresión lineal simple establecen una relación de dependencia

entre dos variables, donde la variable dependiente se encuentra en función de la
variable independiente, con el objetivo de calcular los coeficientes de los
parámetros de la constante o intercepto y de la pendiente, en este proyecto nos
dedicamos a una empresa en específico para aplicar lo aprendido del parcial,
lástima que no supimos implementar como el profesor lo deseaba, somos
estudiantes y es aquí donde tenemos que cometer los errores, para poder
remediarlos y el día de mañana
estar consciente de lo que se hace en la implementación de la carrera.
González Ibarra Carlos Esteban “FS20110815”.

La neta en este primer parcial me fue de la verga en su materia una va con toda la
actitud que no fue el demás semestre, pero he aprendido un poco de práctica de
teoría nada. Pero este el profe no explico bien se fue bien rápido y luego uno le
pregunto y lo ignora y no dejo agarrar señal y luego nos andaba dejando morir en
el temblor con que confianza va uno a clases, pero, mientras yo esté con dios
nadie contra mí.
Huerta Caratachea Nefertari Concepción. “FS20110532”.

12
Para finalizar con esto, pues se me hizo algo interesante puesto que son
herramientas las cuales se van a usar día a día, en cualquier momento dicha
actividad y llevarlo más que nada en cualquier tipo de empresa ya que esto nos
ayudará a sacar nuestros costos de venta del producto. Se dio a conocer cada
paso de ellos y si es muy interesante saber cómo se realizan cada uno de ellos.
Huerta Ríos Nallely de la Luz ¨FS20110813¨.

13
BIBLIOGRAFÍAS
¿Qué es la Regresión Lineal Múltiple? (2020, April 2). DATA SCIENCE.

Regresión Y Correlación Lineal Simple Usach. (n.d.). Idoc.Pub. Retrieved June 22,
2022, from

14