Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.277350098112614
Coeficiente de determinación R^2 0.076923076923077
R^2 ajustado 0.005917159763313
Error típico 15.191090506255
Observaciones 15

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 250
Residuos 13 3000
Total 14 3250

Coeficientes Error típico

Intercepción 40 6.20173672946042
Variable X 1 5 4.80384461415262
Promedio de los cuadrados F Valor crítico de F
250 1.0833333333 0.3169242602027
230.769230769231

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%

6.44980619863884 2.1671149E-05 26.60196235404 53.398037646 26.601962354
1.04083299973307 0.3169242602 -5.3780753349329 15.378075335 -5.3780753349
 Superior 95,0%
53.39803764596
15.37807533493
 1. Sobre un conjunto de conductores se ha
A partir de estos datos, se le pide que
realizado una encuesta para analizar su edad (Y) y
determine para esta distribución las
el número de accidentes que han sufrido (X). A
curvas de regresión de Y sobre X y de
partir de la misma, se obtuvieron los siguientes
X sobre Y.
resultados:

X/Y (20,30] (30,40] (40,50] (50,60] (60,70]

0 74 82 78 72 7
1 7 6 5 6 5
2 3 2 2 1 1

n X Y XY X^2 Y^2
1 0 20 0 0 400
2 1 25 25 1 625
3 2 30 60 4 900
4 0 30 0 0 900
5 1 35 35 1 1225
6 2 40 80 4 1600
7 0 40 0 0 1600
8 1 45 45 1 2025
9 2 50 100 4 2500
10 0 50 0 0 2500
11 1 55 55 1 3025
12 2 60 120 4 3600
13 0 60 0 0 3600
14 1 65 65 1 4225
15 2 70 140 4 4900
suma 15 675 725 25 33625
promedio 1 45
X^2 = 1

Chart Title
B1 = 5.0000 80
B0 = 40.0000 70

60
Y= 50.00 X2
Y= 85.00 X9 50
f(x) = 5 x + 40
Y= 65.00 X5 40 R² = 0.0769230769230769

30

20
raiz 180.2776
r= 0.2774 10
r^2= 0.0769 0
0 0.5 1 1.5
os datos, se le pide que
ra esta distribución las
esión de Y sobre X y de
X sobre Y.

(𝑋−𝑋 ̅) (𝑋−(𝑋 ) ̅)^2 (𝑌−(𝑌 ) ̅) (𝑌−(𝑌 ) ̅)^2 (𝑋−𝑋 ̅)*(Y- 𝑌 ̅)

-1 1 -25 625 25
0 0 -20 400 0
1 1 -15 225 -15
-1 1 -15 225 15
0 0 -10 100 0
1 1 -5 25 -5
-1 1 -5 25 5
0 0 0 0 0
1 1 5 25 5
-1 1 5 25 -5
0 0 10 100 0
1 1 15 225 15
-1 1 15 225 -15
0 0 20 400 0
1 1 25 625 25
14 10 0 3250 50

Coeficientes
Chart Title Intercepción 40 B0
Variable X 1 5 B1

1 1.5 2 2.5
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.99990024230205
Coeficiente de determinación R^2 0.999800494555699
R^2 ajustado 0.999767243648315
Error típico 0.77122189541556
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 17884.1600507282
Residuos 6 3.56869927181021
Total 7 17887.72875

Coeficientes Error típico

Intercepción -1.59725298400718 1.89903341656374
Variable X 1 0.683429371607743 0.0039412929498097
Promedio de los cuadrados F Valor crítico de F
17884.1600507282 30068.367249 2.4816856578E-12
0.594783211968369

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%

-0.841087350056946 0.432534832 -6.2440203567173 3.0495143887 -6.2440203567
173.402327690649 2.4816857E-12 0.67378537518 0.693073368 0.67378537518
 Superior 95,0%
3.049514388703
0.693073368035
 2. Para la economía de nuestra región, disponemos de los datos anuales
redondeados sobre consumo final de los hogares a precios corrientes (Y) y
renta nacional disponible neta (X), tomados de la base de datos 2014 del
Dane , para el período 2014-2021, ambos expresados en miles de millones
de pesos:

Año 2014 2015 2016 2017 2018 2019

Yt 258.6 273.6 289.7 308.9 331 355
Xt 381.7 402.2 426.5 454.3 486.5 520.2

n X Y XY X^2 Y^2
1 381.7 258.6 98707.62 145694.89 66873.96
2 402.2 273.6 110041.92 161764.84 74856.96
3 426.5 289.7 123557.05 181902.25 83926.09
4 454.3 308.9 140333.27 206388.49 95419.21
5 486.5 331.0 161031.5 236682.25 109561
6 520.2 355.0 184671 270608.04 126025
7 553.3 377.1 208649.43 306140.89 142204.41
8 590.0 400.4 236236 348100 160320.16
suma 3814.7 2594.3 1263228 1857281.65 859186.79
promedio 476.8375 324.2875
X^2 = 227374.001

Chart Title
B1 = 0.6834 450.0
B0 = -1.5973 400.0
f(x) = 0.683429371607743 x − 1.59725298400724
350.0 R² = 0.999800494555699
Y= -0.23 X2
300.0
Y= 4.55 X9
250.0
Y= 1.82 X5
200.0
150.0

raiz 26170.8745 100.0

r= 0.9999 50.0
r^2= 0.9998 0.0
350.0 400.0 450.0 500.0 550.0
 Considerando que el consumo se puede expresar como función lineal de la renta
(Yt=a+b·Xt), determine:
a) Los parámetros a y b de la recta de regresión.
b) La varianza de la variable consumo y su descomposición en varianza explicada y
no explicada por el modelo.
c) El coeficiente de determinación de dicha regresión.
d) La predicción del valor que tomará el consumo para una renta de 650.000
millones de euros.

2020 2021
377.1 400.4
553.3 590

(𝑋−𝑋 ̅) (𝑋−(𝑋 ) ̅)^2 (𝑌−(𝑌 ) ̅) (𝑌−(𝑌 ) ̅)^2 (𝑋−𝑋 ̅)*(Y- 𝑌 ̅)

-95.1375 9051.1439062 -65.6875 4314.84766 6249.34453125
-74.6375 5570.7564062 -50.6875 2569.22266 3783.18828125
-50.3375 2533.8639062 -34.5875 1196.29516 1741.04828125
-22.5375 507.93890625 -15.3875 236.775156 346.79578125
9.6625 93.36390625 6.7125 45.0576562 64.85953125
43.3625 1880.3064063 30.7125 943.257656 1331.77078125
76.4625 5846.5139062 52.8125 2789.16016 4038.17578125
113.1625 12805.751406 76.1125 5793.11266 8613.08078125
3337.8625 38289.63875 0.00 17887.7287 26168.26375

Chart Title Coeficientes

Intercepción -1.59725298 B0
Variable X 1 0.683429372 B1
71607743 x − 1.59725298400724
4555699

450.0 500.0 550.0 600.0 650.0

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.99377581719181
Coeficiente de determinación R^2 0.987590374835249
R^2 ajustado 0.983453833113666
Error típico 440.133901128156
Observaciones 5

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 46249717.2472331
Residuos 3 581153.552766869
Total 4 46830870.8

Coeficientes Error típico

Intercepción -22654.2928506947 2408.7012634305
Variable X 1 0.636865947117027 0.0412171831657085
Promedio de los cuadrados F Valor crítico de F
46249717.2472331 238.74783365 0.0005889134627
193717.85092229

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%

-9.40518992314977 0.0025466536 -30319.855287031 -14988.730414 -30319.855287
15.4514670387975 0.0005889135 0.5056944748371 0.7680374194 0.50569447484
 Superior 95,0%
-14988.7304144
0.768037419397
3. Se supone que se puede establecer cierta relación lineal entre las exportaciones de
un país y la producción interna de dicho país. En el caso de un país determinado,
tenemos los datos anuales (expresados en miles de millones) para tales variables
correspondientes al quinquenio 2017-2021 en la siguiente tabla:

Años Producción Exportaciones

2017 52,654 10,420
2018 53,972 11,841
2019 57,383 14,443
2020 61,829 16,732
2021 65,381 18,760

n X Y XY X^2
1 52654 10420 548654680 2772443716
2 53972 11841 639082452 2912976784
3 57383 14443 828782669 3292808689
4 61829 16732 1034522828 3822825241
5 65381 18760 1226547560 4274675161
suma 291219 72196 4277590189 17075729591
promedio 58243.8 14439.2
X^2 = 3392340238.44

Chart Title
B1 = 0.6369 20000
B0 = -22654.2929 18000 f(x) = 0.636865947117026 x − 22654.2928506947
R² = 0.98759037483525
16000
Y= -22653.02 X2 14000
Y= -22648.56 X9 12000
Y= -22651.11 X5 10000
8000
6000
raiz 73075640.3443 4000
r= 0.9938 2000
r^2= 0.9876 0
52000 54000 56000 58000 60000 620
 b) Si sabemos que las exportaciones p
2022 fueron de 69.045.704 millones
A partir de tal información, y
pesos, ¿cuál sería la producción inter
considerando como válida dicha relación
aproximada para ese año? ¿Qué gra
lineal, se pide:
de confianza daría usted a esta
a) Si la producción para el año 2022 fue
predicción?
de 2.210.6100 millones de pesos, ¿cuál
c) ¿Qué tanto por ciento de la varian
sería la predicción de las exportaciones
de las exportaciones no vienen
para este año? ¿Qué grado de precisión
explicadas por la producción interna,
tendría dicha predicción?
debe a otro tipo de variables?

Y^2 (𝑋−𝑋 ̅) (𝑋−(𝑋 ) ̅)^2 (𝑌−(𝑌 ) ̅) (𝑌−(𝑌 ) ̅)^2 (𝑋−𝑋 ̅)*(Y- 𝑌 ̅)
108576400 -5589.8 31245864.04 -4019.2 16153968.6 22466524.16
140209281 -4271.8 18248275.24 -2598.2 6750643.24 11098990.76
208600249 -860.8 740976.64 3.8 14.44 -3271.04
279959824 3585.2 12853659.04 2292.8 5256931.84 8220146.56
351937600 7137.2 50939623.84 4320.8 18669312.6 30838413.76
1089283354 232975.2 114028398.8 0.00 46830870.8 72620804.2

Chart Title
Intercepción
117026 x − 22654.2928506947 Variable X 1
3525

6000 58000 60000 62000 64000 66000 68000

 abemos que las exportaciones para
2 fueron de 69.045.704 millones de
s, ¿cuál sería la producción interna
oximada para ese año? ¿Qué grado
de confianza daría usted a esta
predicción?
Qué tanto por ciento de la varianza
de las exportaciones no vienen
adas por la producción interna, y se
debe a otro tipo de variables?

Coeficientes
-22654.2929 B0
0.636865947 B1
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.972336414464608
Coeficiente de determinación R^2 0.945438102893891
R^2 ajustado 0.934525723472669
Error típico 1.96940890334421
Observaciones 7

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 336.035714285714
Residuos 5 19.3928571428571
Total 6 355.428571428571

Coeficientes Error típico

Intercepción 35.5714285714286 1.66445431396158
Variable X 1 -0.346428571428572 0.0372183299146086
Promedio de los cuadrados F Valor crítico de F
336.035714285714 86.639042357 0.0002408564612
3.87857142857143

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%

21.3712255560592 4.15932E-06 31.292812545712 39.850044597 31.2928125457
-9.30800958085425 0.0002408565 -0.4421013342598 -0.2507558086 -0.4421013343
 Superior 95,0%
39.85004459714
-0.2507558086
4. En un nuevo proceso artesanal de fabricación de cierto artículo que está
implantado, se ha considerado que era interesante ir anotando
periódicamente el tiempo medio (medido en minutos) que se utiliza para
realizar una pieza (variable Y) y el número de días desde que empezó dicho
proceso de fabricación (variable X). Con ello, se pretende analizar cómo los
operarios van adaptándose al nuevo proceso, mejorando paulatinamente
su ritmo de producción conforme van adquiriendo más experiencia en él.
A partir de las cifras recogidas, que aparecen en la tabla adjunta, se decide
ajustar una función exponencial que explique el tiempo de fabricación en
función del número de días que se lleva trabajando con ese método.

X 10 20 30 40 50 60
Y 35 28 23 20 18 15

n X Y XY X^2 Y^2
1 10 35 350 100 1225
2 20 28 560 400 784
3 30 23 690 900 529
4 40 20 800 1600 400
5 50 18 900 2500 324
6 60 15 900 3600 225
7 70 13 910 4900 169
suma 280 152 5110 14000 3656
promedio 40 21.71
X^2 = 1600

Chart Title
B1 = -0.3464 40
B0 = 35.5714 35

30 f(x) = − 0.346428571428571 x + 35.5714285714286

Y= 34.88 X2 R² = 0.945438102893891
Y= 32.45 X9 25
Y= 33.84 X5 20

15

10
raiz 997.5971
r= -0.9723 5
r^2= 0.9454 0
0 10 20 30 40 50 60
 Desde el correspondiente ajuste propuesto, se pide que determine:
a) ¿Qué tiempo se predeciría para la fabricación del artículo cuando se lleven 100
días?
b) ¿Qué tiempo transcurriría hasta que el tiempo de fabricación que se prediga sea
de 10 minutos?
c) ¿Qué porcentaje de tiempo se reduce por cada día que pasa?

70
13

(𝑋−𝑋 ̅) (𝑋−(𝑋 ) ̅)^2 (𝑌−(𝑌 ) ̅) (𝑌−(𝑌 ) ̅)^2 (𝑋−𝑋 ̅)*(Y- 𝑌 ̅)

-30 900 13.29 176.51 -398.57
-20 400 6.29 39.51 -125.71
-10 100 1.29 1.65 -12.86
0 0 -1.71 2.94 0.00
10 100 -3.71 13.80 -37.14
20 400 -6.71 45.08 -134.29
30 900 -8.71 75.94 -261.43
240 2800 0.00 355.43 -970.00

Chart Title Coeficientes

Intercepción 35.57142857 B0
Variable X 1 -0.34642857 B1

571428571 x + 35.5714285714286
893891

30 40 50 60 70 80
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.801480777391054
Coeficiente de determinación R^2 0.642371436527368
R^2 ajustado 0.570845723832841
Error típico 5.74135311518289
Observaciones 7

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 296.041464891041
Residuos 5 164.815677966102
Total 6 460.857142857143

Coeficientes Error típico

Intercepción -34.7372881355932 18.1095351760301
Variable X 1 2.09533898305085 0.699185284287263
Promedio de los cuadrados F Valor crítico de F
296.041464891041 8.9809861703 0.0302091290661
32.9631355932203

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%

-1.91817668415763 0.1131929989 -81.289330310913 11.81475404 -81.289330311
2.99682935287575 0.0302091291 0.2980259915178 3.8926519746 0.29802599152
 Superior 95,0%
11.81475403973
3.892651974584
 5. La empresa XYZ S.A.S. ha trabajado hasta ahora con la hipótesis de que
las ventas de un período dependen linealmente de los gastos de publicidad
efectuados en el período anterior. En este momento, le solicitan a usted la
realización de un análisis que ponga de manifiesto si la hipótesis, hasta
ahora mantenida, se puede seguir sosteniendo en función de los datos que
le suministran.

AÑOS GASTOS VENTAS

2014 21 ...
2015 22 19
2016 25 20
2017 26 22
2018 27 23
2019 29 24
2020 30 26

n X Y XY X^2 Y^2
1 21 0 0 441 0
2 22 19 418 484 361
3 25 20 500 625 400
4 26 22 572 676 484
5 27 23 621 729 529
6 29 24 696 841 576
7 30 26 780 900 676
suma 180 134 3587 4696 3026
promedio 25.7142857 19.14
X^2 = 661.22449

Chart Title
B1 = 2.0953 30
B0 = -34.7373 f(x) = 2.09533898305085 x − 34.7372881355932
25 R² = 0.642371436527368

Y= -30.55 X2
20
Y= -15.88 X9
Y= -24.26 X5 15

10

raiz 176.2809
5
r= 0.8015
r^2= 0.6424 0
20 22 24 26 28
 En el informe final de su análisis, deberá responder a las siguientes preguntas:
a) ¿Se incrementarán las ventas del período siguiente al aumentar los gastos en
publicidad del período actual?
b) ¿Es adecuado suponer que el ajuste entre estas variables es efectivamente lineal
teniendo en cuenta los valores de las variables? Ajuste el modelo lineal e interprete
los coeficientes de este. ¿Qué porcentaje de la varianza de las ventas no son
explicadas por las variaciones de los gastos en publicidad?
c) ¿Cuál será la predicción de las ventas para 2021? ¿Qué precisión tendrá ese
pronóstico?
d) Si para el año 2021 se piensa incrementar los gastos de publicidad en un 10%,
¿qué incremento relativo cabría esperar para las ventas de 2020 con respecto a las
de 2021, según el modelo ajustado?

(𝑋−𝑋 ̅) (𝑋−(𝑋 ) ̅)^2 (𝑌−(𝑌 ) ̅) (𝑌−(𝑌 ) ̅)^2 (𝑋−𝑋 ̅)*(Y- 𝑌 ̅)

-4.71 22.22 -19.14 366.45 90.24
-3.71 13.80 -0.14 0.02 0.53
-0.71 0.51 0.86 0.73 -0.61
0.29 0.08 2.86 8.16 0.82
1.29 1.65 3.86 14.88 4.96
3.29 10.80 4.86 23.59 15.96
4.29 18.37 6.86 47.02 29.39
154.29 67.43 0.00 460.86 141.29

Chart Title Coeficientes

Intercepción -34.7372881 B0
085 x − 34.7372881355932 Variable X 1 2.095338983 B1
368

24 26 28 30 32