Gasto en Estudio
Mes Publicidad Ventas (Y) de caso
(X)
1
1 2.5 30 1) GRAFICO DE DISPERSION.
2 3 40
3 4.5 50 En el grafico de dispersión podemos observar que es directa, eso quie
4 5 63 que va aumentando los gastos en publicidad consigo las ventas tamb
5 5.5 78
6 6 85 2) Ecuación de la ínea de regresión
7 7 95
8 8 105 Coeficientes Y=Bo+B1*X
9 9 110 Intercepción 20.7084309 Y= 20,7084 + 9,9184 * X
10 10 130 Gasto en Publ 9.91838879
11 11 135
12 12 148 3) Interpretación de los coeficientes
13 13 157 La relación es directa porqur a más gastos en publicidad, más ventas
14 14 165 al signo positivo de B1 ( 9,9184)
15 15 170 4) Calcula e interpreta en función al problema el coeficiente de corre
16 16 184 Estadísticas de la regresión
17 17 190 Coeficiente de correlación múltiple 0.99821199
18 18 200 Coeficiente de determinación R^2 0.99642718
19 19 210
20 20 220 Coeficiente de correlación múltiple= la relación entre ventas y g
21 21 230 Como el coeficiente tiende a 1; la asociación lineal entre ventas
22 22 240
23 23 225 Coeficiente de determinación R*2= El 99% de la variabilidad de las ve
24 24 250
25 25 268 5) Predecir las ventas cuando el gasto en publicidad es de 15 mil dola
26 26 275
27 27 289 Y=Bo+B1*X
28 28 297 Y= 20,7084 + 9,9184 * 15
29 29 312 Y= 169,48
30 30 318
31 31 330 Las ventas se estiman que seran de 169 unidades cuando el gasto en
32 31 344
33 33 350 6) Predicción de ventas, si el gasto en publicidad es de 35 mil dolares
34 34 360 Y=Bo+B1*X
35 35 370 Y= 20,7084 + 9,9184 * 35
36 36 380 Y= 367,85
37 37 390 Las ventas se estiman que serian de 367 unidades cuando el gasto en
38 38 402
39 39 405 7) Calcular los residuos
40 40 423 Observación
Pronóstico Ventas (Y)
Residuos
41 41 435 1 45.5044029 -15.5044029
20
42 42 444 2 50.4635972 -10.4635972
43 43 450 3 65.3411804 -15.3411804 10
44 44 460 4 70.3003748 -7.30037483
0
0 100
-10
20
10
45 45 470 5 75.2595692 2.74043078 0
0 100
46 46 480 6 80.2187636 4.78123638
47 47 484 7 90.1371524 4.86284759 -10
48 48 490 8 100.055541 4.9444588
49 49 470 9 109.97393 0.02607002 -20
50 50 520 10 119.892319 10.1076812
-30
11 129.810708 5.18929244
12 139.729096 8.27090365
-40
13 149.647485 7.35251486
14 159.565874 5.43412607
15 169.484263 0.51573728
16 179.402652 4.59734849
17 189.32104 0.6789597
18 199.239429 0.76057091
19 209.157818 0.84218212
20 219.076207 0.92379333
21 228.994595 1.00540454
22 238.912984 1.08701575
23 248.831373 -23.831373
24 258.749762 -8.74976182
25 268.668151 -0.66815061
26 278.586539 -3.5865394
27 288.504928 0.49507181
28 298.423317 -1.42331698
29 308.341706 3.65829423
30 318.260095 -0.26009456
31 328.178483 1.82151665
32 328.178483 15.8215166
33 348.015261 1.98473907
34 357.93365 2.06635028
35 367.852039 2.14796149
36 377.770427 2.2295727
37 387.688816 2.31118391
38 397.607205 4.39279512
39 407.525594 -2.52559367
40 417.443982 5.55601755
41 427.362371 7.63762876
42 437.28076 6.71923997
43 447.199149 2.80085118
44 457.117538 2.88246239
45 467.035926 2.9640736
46 476.954315 3.04568481
47 486.872704 -2.87270398
48 496.791093 -6.79109277
49 506.709482 -36.7094816
50 516.62787 3.37212965
Ventas (Y)
600
500
rvar que es directa, eso quiere decir que a medida
dad consigo las ventas tambien.
400
300
200
= 20,7084 + 9,9184 * X
100
0
s en publicidad, más ventas mensuales. Esto se debe 0 10 20 30 40 50 60
ema el coeficiente de correlación y el de determinación.
a relación entre ventas y gastos en publicidades en los 50 meses estudioados es directa; a medida que aumentan los meses
ciación lineal entre ventas y meses es fuerte.
% de la variabilidad de las ventas es explicada por los meses transcurridos. El 1% restante es explicado por otras variables no incluidas e
publicidad es de 15 mil dolares
nidades cuando el gasto en publicidad sea de 15 mil dolares.
blicidad es de 35 mil dolares.
unidades cuando el gasto en publicidad sea de 35 mil dolares
Residuos
20
10
0
0 100 200 300 400 500 600
-10
20
10
0
0 100 200 300 400 500 600
-10
-20
-30
-40
En el grafico se puede observar picos de temporadas altas ( estacionales) como así también, el descenso frusco de ventas q
0 50 60
que aumentan los meses también aumentan las ventas. Como el coeficiente tiende a 1; la asociación lin
otras variables no incluidas en el modelo.
descenso frusco de ventas que se puede obsersar en el grafico
tiende a 1; la asociación lineal entre ventas y meses es fuerte.
Resumen
Estudio de caso 1
Estadísticas de la regresión
Coeficiente d 0.99821199
Coeficiente d 0.99642718
R^2 ajustado 0.99635274
Error típico 8.63874683
Observacione 50
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 999026.339 999026.339 13386.759 2.14821E-60
Residuos 48 3582.14144 74.6279468
Total 49 1002608.48
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 20.7084309 2.5109361 8.24729506 9.33824E-11 15.6598555 25.7570063 15.6598555
Gasto en Publ 9.91838879 0.08572419 115.701163 2.14821E-60 9.74602875 10.0907488 9.74602875
Análisis de los residuales
Observación
Pronóstico Ventas (Y)
Residuos
1 45.5044029 -15.5044029
2 50.4635972 -10.4635972
3 65.3411804 -15.3411804
4 70.3003748 -7.30037483
5 75.2595692 2.74043078
6 80.2187636 4.78123638
7 90.1371524 4.86284759
8 100.055541 4.9444588
9 109.97393 0.02607002
10 119.892319 10.1076812
11 129.810708 5.18929244
12 139.729096 8.27090365
13 149.647485 7.35251486
14 159.565874 5.43412607
15 169.484263 0.51573728
16 179.402652 4.59734849
17 189.32104 0.6789597
18 199.239429 0.76057091
19 209.157818 0.84218212
20 219.076207 0.92379333
21 228.994595 1.00540454
22 238.912984 1.08701575
23 248.831373 -23.831373
24 258.749762 -8.74976182
25 268.668151 -0.66815061
26 278.586539 -3.5865394
27 288.504928 0.49507181
28 298.423317 -1.42331698
29 308.341706 3.65829423
30 318.260095 -0.26009456
31 328.178483 1.82151665
32 328.178483 15.8215166
33 348.015261 1.98473907
34 357.93365 2.06635028
35 367.852039 2.14796149
36 377.770427 2.2295727
37 387.688816 2.31118391
38 397.607205 4.39279512
39 407.525594 -2.52559367
40 417.443982 5.55601755
41 427.362371 7.63762876
42 437.28076 6.71923997
43 447.199149 2.80085118
44 457.117538 2.88246239
45 467.035926 2.9640736
46 476.954315 3.04568481
47 486.872704 -2.87270398
48 496.791093 -6.79109277
49 506.709482 -36.7094816
50 516.62787 3.37212965
Gasto en Publicidad (X) Curva de
regresión ajustada
600
Ventas (Y)
Ventas (Y) 400
Pronóstico Ventas (Y)
200
0
0 10 20 30 40 50 60
Gasto en Publicidad (X)
Superior 95,0%
25.7570063
10.0907488
Mes Ventas (Y) Promedio Movil Estudio de caso 2
1 120 1) Gráfico de líneas
2 130 130 Estos datos están diseñados para demostrar una relación líneal positi
3 140 140 observar en el grafico. Así tambien podemos decir que tiene un
4 150 150 ascendente.
5 160 160 2) Promedio móvil de 3 meses
6 170 170 PM= (120+130+140)/3
7 180 180 PM= 130
8 190 190
9 200 200 3) Grafico de promedio moviles junto los datos originales de venta
10 210 210
11 220 220
12 230 230
Promedio Movil
13 240 240 700
14 250 250 600
15 260 260
16 270 270 500
17 280 280 400
18 290 290
300
19 300 300
20 310 310 200
21 320 320
100
22 330 330
23 340 340 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
24 350 350 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 5
25 360 360
26 370 370
27 380 380 No se observa ninguna diferencial, por ende podemos afirmar que el
28 390 390
29 400 400 4) No se observan patrones estacionales
30 410 410
31 420 420 5) Ecuación de la línea de tendencia
32 430 430
33 440 440 Y=Bo+B1*X
34 450 450 Y= 110 + 10 * X Intercepción
35 460 460 Mes
36 470 470
37 480 480
38 490 490 6) Predecir las ventas para los próximos 6 meses
39 500 500 Y=Bo+B1*X
40 510 510 Y= 110 + 10 * 6
41 520 520 Y= 170
42 530 530
43 540 540 Se esperan 170 unidades de Moda urbana para los próximos 6 meses
44 550 550
45 560 560
46 570 570
47 580 580
48 590
Chart Title
rar una relación líneal positivo como podemos
700
demos decir que tiene una tendencia
600
500
400
300
datos originales de venta 200
100
Movil 0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Mes Ventas (Y)
0 0 0 0 0 0 0 0 0 0 0
38 40 42 44 46 48 50 52 54 56 58
nde podemos afirmar que el promedio movil es igual a los datos originales
Coeficientes
110
10
a para los próximos 6 meses
1 43 45 47
Resumen
Estadísticas de la regresión
Coeficiente d 1
Coeficiente d 1
R^2 ajustado 1
Error típico 4.71324E-14
Observacione 48
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 921200 921200 4.1468E+32 0
Residuos 46 1.02187E-25 2.22147E-27
Total 47 921200
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 110 1.38214E-14 7.9587E+15 0 110 110 110
Mes 10 4.91069E-16 2.0364E+16 0 10 10 10
Análisis de los residuales
Observación
Pronóstico Ventas (Y)
Residuos
1 120 1.42109E-13
2 130 1.42109E-13
3 140 1.13687E-13
4 150 1.13687E-13
5 160 1.13687E-13
6 170 1.13687E-13
7 180 1.13687E-13
8 190 1.13687E-13
9 200 1.13687E-13
10 210 8.52651E-14
11 220 8.52651E-14
12 230 8.52651E-14
13 240 8.52651E-14
14 250 5.68434E-14
15 260 5.68434E-14
16 270 5.68434E-14
17 280 5.68434E-14
18 290 5.68434E-14
19 300 0
20 310 0
21 320 0
22 330 0
23 340 0
24 350 0
25 360 0
26 370 0
27 380 0
28 390 0
29 400 0
30 410 0
31 420 0
32 430 0
33 440 0
34 450 0
35 460 0
36 470 0
37 480 0
38 490 -1.1369E-13
39 500 -1.1369E-13
40 510 -1.1369E-13
41 520 -1.1369E-13
42 530 -1.1369E-13
43 540 -1.1369E-13
44 550 -1.1369E-13
45 560 -1.1369E-13
46 570 -1.1369E-13
47 580 -1.1369E-13
48 590 -1.1369E-13
Mes Curva de regresión ajustada
800
600
Ventas (Y)
400 Ventas (Y)
Pronóstico Ventas (Y)
200
0
0 10 20 30 40 50 60
Mes
Superior 95,0%
110
10
