Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.92227354
Coeficiente de determinación R^2 0.85058849
R^2 ajustado 0.83191205
Error típico 9377.28396
Observaciones 10
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 4004788364 4004788364 45.5433985 0.00014526
Residuos 8 703467636 87933454.5
Total 9 4708256000
Coeficientes Error típico Estadístico t Probabilidad Inferior 95%
Intercepción 76900 6405.90447 12.0045499 2.1377E-06 62127.9578
Año 6967.27273 1032.40499 6.74858493 0.00014526 4586.54256
or crítico de F
Superior 95%Inferior 95.0%
Superior 95.0%
91672.0422 62127.9578 91672.0422
9348.00289 4586.54256 9348.00289
Problema 1: Regresión Lineal
SiderPerú S.A. produce fierro corrugado para la industria de la construcción. Durante más de un
plena capacidad. El gerente de planta, estima que el crecimiento en las ventas continuará y dese
usará para planear las necesidades de las instalaciones para los siguientes tres años. Se han to
los últimos diez años:
Ventas en miles de unidades
Año (x) Ventas (y) Año (x)
1 75,600 1
2 80,400 2
3 95,600 3
4 120,600 4
5 121,700 5
6 128,000 6
7 125,000 7
8 131,800 8
9 134,600 9
10 138,900 10
55
Se pide: (a). Realizar un pronóstico para los siguientes tres años; (b). Validar el modelo; (c). Esta
90% para cada pronòstico, use t (student) = 1.86
Solución:
Año (x) Ventas (y) x2 xy
1 75,600 1 75,600
2 80,400 4 160,800
3 95,600 9 286,800
4 120,600 16 482,400
5 121,700 25 608,500
6 128,000 36 768,000
7 125,000 49 875,000
8 131,800 64 1,054,400
9 134,600 81 1,211,400
10 138,900 100 1,389,000
55 1,152,200 385 6,911,900
a= 63442500 76900
825
b= 5748000 6967.272727
825
r= 5748000
38843112000000
6232424.2474337
0.9223
onstrucción. Durante más de un año, la planta de producción ha operado a casi
en las ventas continuará y desea desarrollar un pronóstico a largo plazo que se
siguientes tres años. Se han totalizado las cifras de ventas correspondientes a
Ventas (y) x2 xy y2
75,600 1 75,600 5,715,360,000
80,400 4 160,800 6,464,160,000
95,600 9 286,800 9,139,360,000
120,600 16 482,400 14,544,360,000
121,700 25 608,500 14,810,890,000
128,000 36 768,000 16,384,000,000
125,000 49 875,000 15,625,000,000
131,800 64 1,054,400 17,371,240,000
134,600 81 1,211,400 18,117,160,000
138,900 100 1,389,000 19,293,210,000
1,152,200 385 6,911,900 137,464,740,000
(b). Validar el modelo; (c). Establecer rangos para niveles de confianza del
y2 AÑO (X) VENTAS (Y)
5,715,360,000 11 153540
6,464,160,000 12 160507.272727273
9,139,360,000 13 167474.545454545
14,544,360,000
14,810,890,000
16,384,000,000
Chart Title
15,625,000,000
17,371,240,000 160,000
18,117,160,000 140,000
120,000
100,000
80,000
60,000
Chart Title
160,000
140,000
19,293,210,000
120,000
137,464,740,000
100,000
80,000
60,000
40,000
20,000
0
0 2 4 6 8 10 12
Año (x) Ventas (y) x2 xy y2
1 75,600 1 75,600 5,715,360,000
2 80,400 4 160,800 6,464,160,000
3 95,600 9 286,800 9,139,360,000
4 120,600 16 482,400 14,544,360,000
5 121,700 25 608,500 14,810,890,000
6 128,000 36 768,000 16,384,000,000
7 125,000 49 875,000 15,625,000,000
8 131,800 64 1,054,400 17,371,240,000
9 134,600 81 1,211,400 18,117,160,000
10 138,900 100 1,389,000 19,293,210,000
55 1,152,200 385 6,911,900 137,464,740,000
a=
Año (X) Ventas (Y) x2
1 75,600
2 80,400
3 95,600
4 120,600
5 121,700
6 128,000
7 125,000
8 131,800
9 134,600
10 138,900
8 10 12
xy y2
Año Ventas (und)
1 780
2 820
3 890
4 850
5 920
6 1,050
7 960
8 1,100
9 1,150
10 1,040
11 1,250
12 1,320
Año (X) Ventas (Y) x2 xy y2
1 780 1 780 608400
2 820 4 1640 672400
3 890 9 2670 792100
4 850 16 3400 722500
5 920 25 4600 846400
6 1,050 36 6300 1102500
7 960 49 6720 921600
8 1,100 64 8800 1210000
9 1,150 81 10350 1322500
10 1,040 100 10400 1081600
11 1,250 121 13750 1562500
12 1,320 144 15840 1742400
78 12,130 650 85250 12584900
Problema 2: Regresión Lineal
Autonorte Import S.A. distribuidora de autos desea conocer el nivel de demanda para los
próximos 5 años y asi poder planificar en el mediano plazo sus operaciones referente a
instalaciónes y distribución de planta. Para lo cual cuenta con la siguiente información histórica
de sus ventas:
Año (x) Ventas (y)
1 780
2 820 Chart Tit
3 890 1,400
4 850
5 920 1,200 f(x) = 44.7902097902098 x + 719.696969
6 1,050
7 960 1,000
8 1,100
800
9 1,150
10 1,040 600
11 1,250
12 1,320 400
a. Utilice la regresión lineal simple para pronosticar la cantidad anual200
unidades vendidas para cada uno de lo
b. Determine el coeficiente de correlación para los datos e interprete su 0
significado.
c. Calcule el error estándar del pronóstico. 0 2 4 6
d. Determine los límites de confianza superior e interior que se pueden estimar para el
pronóstico del año 13 si se utiliza un nivel de confianza del 90% (t de student = 1.86)
e. Grafique su modelo de pronóstico.
C
Año (X) Ventas (Y) x2 xy y2 1400
1 780 1 780 608400
2 820 4 1,640 672400 1200 f(x) = 44.7902097902098 x +
3 890 9 2,670 792100 R² = 0.886827461932436
4 850 16 3,400 722500 1000
5 920 25 4,600 846400
800
6 1,050 36 6,300 1102500
7 960 49 6,720 921600 600
8 1,100 64 8,800 1210000
9 1,150 81 10,350 1322500 400
10 1,040 100 10,400 1081600
11 1,250 121 13,750 1562500 200
12 1,320 144 15,840 1742400
suma 78 12130 650 85250 12584900 0
0 2 4
a= 719.70
b= 44.79
Y = 719.70+44.79(X)
a.
ventas
pronosticadas
(und)
13 1302
14 1347
15 1392
16 1436
17 1481
b. Determine el coeficiente de correlación
r= 0.9417
c. Determine el error estándar del pronostico
Sxy = 60.5065
d. Límite Superior = Yi + t Syx
Límite Inferior = Yi - t Syx
Donde:
Y: demanda pronosticada
i : período pronosticado
Syx : Desviación estándar
t : valor de la distribución de probabilidad t student
LS 1,414.54
LI 1,189.46
Chart Title
.7902097902098 x + 719.69696969697
idas para cada uno de los cinco años siguientes.
4 6 8 10 12 14
Chart Title
f(x) = 44.7902097902098 x + 719.69696969697
R² = 0.886827461932436
2 4 6 8 10 12 14
Año (x) Ventas (y)
1 780
2 820
3 890
4 850
5 920
6 1,050
7 960
8 1,100
9 1,150
10 1,040
11 1,250
12 1,320
13 #NAME?
14
15
