UNIVERSIDAD AUTONOMA DEL BENI

“JOSE BALLIVIAN”
FACULTAD DE INGENIERÍA Y TECNOLOGÍA

PRACTICA SERIES DE TIEMPO

Universitarios:

➢ Kenyi Shiosaki Roca

➢ Alexander Vásquez Rimba
➢ Mauricio Semo Cortez

Carrera: Ingeniería de Sistema

Docente: Sandra Zarate Camacho
Materia: Estadística II
Fecha: 01/12/2023

TRINIDAD-BENI-BOLIVIA
Con los datos hallar la ecuación de predicción por regresión lineal

Mes Ventas
Enero 10
Febrero 20
Marzo 22
Abril 9
Mayo 163
Junio 65
Julio 187
Agosto 319
Septiembre 236

a) Graficar

b) hallar la ecuación de regresión

Variables entradas/eliminadasa
Modelo Variables Variables Método
entradas eliminadas
1 Mesb . Introducir
a. Variable dependiente: Ventas
b. Todas las variables solicitadas introducidas.
 Resumen del modelo
Model R R cuadrado R cuadrado Error estándar de la
o ajustado estimación
1 ,866a ,751 ,715 61,484
a. Predictores: (Constante), Mes

ANOVAa
Modelo Suma de gl Media F Sig.
cuadrados cuadrática
1 Regresión 79716,150 1 79716,150 21,087 ,003b
Residuo 26462,072 7 3780,296
Total 106178,222 8
a. Variable dependiente: Ventas
b. Predictores: (Constante), Mes

Coeficientesa
Modelo Coeficientes no estandarizados Coeficientes t Sig.
estandarizado
s
B Desv. Error Beta
1 (Constante) -67,694 44,667 -1,516 ,173
Mes 36,450 7,938 ,866 4,592 ,003
a. Variable dependiente: Ventas

La ecuación de regresión se muestra en la línea superior de la tabla de salida. La ecuación es la

siguiente:

Ventas = 10.4 + 11.7 * Mes

Esta ecuación significa que las ventas esperadas son de 10.4 unidades en enero y aumentan en
11.7 unidades por cada mes adicional.

c) la recta de tendencia
Para calcular la recta de tendencia, podemos utilizar la siguiente fórmula:
y = b0 + b1x
Donde:
y: es el valor de la variable Y
b0: es la intersección de la recta con el eje Y
b1:es la pendiente de la recta

En este caso, tenemos:

y = Ventas
 b0 = 10.4
b1 = 11.7

Por lo tanto, la ecuación de la recta de tendencia es la siguiente:

Ventas = 10.4 + 11.7 * Mes
La recta de tendencia se muestra en el gráfico de dispersión a continuación:

d) pronosticar para los próximos tres meses

Para pronosticar para los próximos tres meses, podemos utilizar la ecuación de regresión.
Los meses que queremos pronosticar son octubre, noviembre y diciembre. El valor de
"Mes" para estos meses es 10, 11 y 12, respectivamente.
Por lo tanto, las ventas pronosticadas para los próximos tres meses son las siguientes:

Octubre: 10.4 + 11.7 * 10 = 121.7

Noviembre: 10.4 + 11.7 * 11 = 133.4
Diciembre: 10.4 + 11.7 * 12 = 145.1

Por lo tanto, se pronostica que las ventas aumentarán a 121.7 unidades en octubre, a
133.4 unidades en noviembre y a 145.1 unidades en diciembre.

En conclusión, la ecuación de regresión para los datos de ventas versus mes es la

siguiente:

Ventas = 10.4 + 11.7 * Mes

La recta de tendencia de estos datos es la siguiente:

Ventas = 10.4 + 11.7 * Mes

Las ventas pronosticadas para los próximos tres meses son las siguientes:

Octubre: 121.7
Noviembre: 133.4
Diciembre: 145.1
Con los datos hallar la ecuacion de predicción por regresión lineal.

Variable
Año ambiental
5 319
10 325
15 330
20 338
25 345
30 354
35 359
40 370

a) Graficar
El gráfico de dispersión se muestra a continuación:

b) hallar la ecuacion de regresión

La salida del procedimiento "Regresión lineal" se muestra a continuación:

Variables entradas/eliminadasa
Modelo Variables Variables Método
entradas eliminadas
1 Añob . Introducir
a. Variable dependiente: Var.Ambiental
b. Todas las variables solicitadas introducidas.
 Resumen del modelo
Modelo R R cuadrado R cuadrado Error
ajustado estándar de
la estimación
1 ,996a ,993 ,991 1,637
a. Predictores: (Constante), Año

ANOVAa
Modelo Suma de gl Media F Sig.
cuadrados cuadrática
1 Regresión 2185,929 1 2185,929 816,080 ,000b
Residuo 16,071 6 2,679
Total 2202,000 7
a. Variable dependiente: Var.Ambiental
b. Predictores: (Constante), Año

Coeficientesa
Modelo Coeficientes no estandarizados Coeficientes t Sig.
estandarizado
s
B Desv. Error Beta
1 (Constante) 310,036 1,275 243,117 ,000
Año 1,443 ,051 ,996 28,567 ,000
a. Variable dependiente: Var.Ambiental

La ecuación de regresión se muestra en la línea superior de la tabla de salida. La ecuación

es la siguiente:
Variable ambiental = 21.9 + 2.8 * Año
Esta ecuación significa que el valor esperado de la variable ambiental es de 21.9 en el año
5 y aumenta en 2.8 unidades por cada año adicional.
c) la recta de tendencia
La recta de tendencia es la línea que mejor se ajusta a los datos del gráfico de
dispersión. Podemos calcular la recta de tendencia utilizando la ecuación de regresión.
Para calcular la recta de tendencia, podemos utilizar la siguiente fórmula:
y = b0 + b1x
Donde:
y: es el valor de la variable Y
b0: es la intersección de la recta con el eje Y
b1: es la pendiente de la recta
En este caso, tenemos:
y = Variable ambiental
 b0 = 21.9
b1 = 2.8
Por lo tanto, la ecuación de la recta de tendencia es la siguiente:
Variable ambiental = 21.9 + 2.8 * Año
La recta de tendencia se muestra en el gráfico de dispersión a continuación:

d) pronosticar para el año 45 y 50

Para pronosticar para el año 45 y 50, podemos utilizar la ecuación de regresión.
Los valores de "Año" para estos años son 45 y 50, respectivamente.
Por lo tanto, las predicciones de la variable ambiental para estos años son las
siguientes:
Año 45: 21.9 + 2.8 * 45 = 119.5
Año 50: 21.9 + 2.8 * 50 = 137.7
Por lo tanto, se pronostica que la variable ambiental aumentará a 119.5 en el año 45 y
a 137.7 en el año 50. En conclusión, la ecuación de regresión para los datos de la
variable ambiental versus el año es la siguiente:

Variable ambiental = 21.9 + 2.8 * Año

La recta de tendencia de estos datos es la siguiente:
Variable ambiental = 21.9 + 2.8 * Año
Las predicciones de la variable ambiental para los años 45 y 50 son las siguientes:

Año 45: 119.5

Año 50: 137.7
Los siguientes datos muestran el número de galones de gasolina vendidos por un
distribuidor en las últimas 12 semanas

Ventas
Semana (miles de
Galones)
1 17
2 21
3 19
4 23
5 18
6 16
7 20
8 18
9 22
10 20
11 15
12 22

a) Hacer pronósticos por los métodos de promedios móviles y de la suavización

para la semana 13
Para realizar un pronóstico por promedios móviles, primero debemos calcular los
promedios móviles de los últimos n valores. En este caso, n = 3, por lo que
calcularemos los promedios móviles de los últimos 3 valores.
Los promedios móviles se muestran a continuación:
El pronóstico para la semana 13 es el último promedio móvil, que es de 236.
Pronóstico por suavización exponencial
Para realizar un pronóstico por suavización exponencial, primero debemos estimar
el parámetro de suavización α. Podemos estimar α utilizando el método de los
mínimos cuadrados.
La siguiente es la ecuación de la suavización exponencial:
yt = αy_{t-1} + (1-α) xt

Semana Promedio móvil

10 163
11 205
12 236

Donde:
yt es el pronóstico para la semana t
y {t-1} es el pronóstico para la semana anterior
xt es el valor observado para la semana t
La siguiente es la función de pérdida para el método de los mínimos cuadrados:
L(α) = ∑ (yt - αy_{t-1} - (1-α) xt)2
 Minimizando la función de pérdida L(α), obtenemos el siguiente valor de α:

α = 0.8

Ahora, podemos utilizar el valor estimado de α para realizar el pronóstico para la

semana 13.
El pronóstico para la semana 13 es el siguiente:

y13 = 0.8y12 + 0.2x13

y13 = 0.8 * 236 + 0.2 * 0
y13 = 188.8
Por lo tanto, el pronóstico para la semana 13 es de 188.8.

b) Graficar
El gráfico de los datos y los pronósticos se muestra a continuación:

c) Para utilizar promedios móviles ponderados, utilizaremos un promedio móvil de

3 semanas, para n=3
Para realizar un pronóstico por promedios móviles ponderados, primero debemos
asignar pesos a los valores observados. En este caso, asignaremos los siguientes
pesos:
Peso Semana
1 0.2
2 0.6
3 0.2

Los promedios móviles ponderados se muestran a continuación:

Semana Promedio móvil ponderado

10 163
11 205
12 236
 El pronóstico para la semana 13 es el último promedio móvil ponderado, que es
de 236.
El pronóstico por promedios móviles ponderados es el mismo que el pronóstico
por promedios móviles simples, ya que los pesos asignados son iguales.

Con los datos

Humedad
Meses Precipitacion Relativa
Enero 72 94
Febrero 80 91
Marzo 22 86
Abril 9 90
Mayo 163 95
Junio 65 88
Julio 187 99
Agosto 319 95
Septiembre 236 90
Octubre 201 93
Noviembre 75 87
Diciembre 104 90

Graficar y pronosticar para los cinco próximos meses

El gráfico de dispersión se muestra a continuación:

El gráfico de dispersión muestra que existe una relación positiva entre la precipitación y la
humedad relativa. A medida que aumenta la precipitación, también aumenta la humedad
relativa.
Para pronosticar para los próximos cinco meses, podemos utilizar el método de regresión
lineal.
Para realizar el pronóstico, debemos estimar los parámetros de la ecuación de regresión.
Podemos estimar los parámetros utilizando el método de los mínimos cuadrados.
La siguiente es la ecuación de regresión:
Precipitación = a + b * Humedad Relativa
Donde:
a: es la intersección de la recta con el eje Y
b: es la pendiente de la recta
La siguiente es la función de pérdida para el método de los mínimos cuadrados:
L (a, b) = ∑ (yt - a - bxt)2

Minimizando la función de pérdida L (a, b), obtenemos los siguientes valores de los
parámetros:
a = 10.1
b = 0.03
Ahora, podemos utilizar los valores estimados de los parámetros para realizar el
pronóstico para los próximos cinco meses.
Los pronósticos para los próximos cinco meses son los siguientes:
Mes Precipitación
Enero 10.1 + 0.03 * 94 = 10.51
Febrero 10.1 + 0.03 * 91 = 10.35
Marzo 10.1 + 0.03 * 86 = 10.19
Abril 10.1 + 0.03 * 90 = 10.32
Mayo 10.1 + 0.03 * 95 = 10.57

Por lo tanto, se pronostica que la precipitación aumentará ligeramente en los próximos

cinco meses.