Ejem. 1.

Se realiza un estudio de mercado de un nuevo producto, de acuerdo a las encuestas realizadas

se obtienen los siguientes datos sobre la curva de demanda en relación a la inversión en publicidad.

Gastos de Ventas ó ECUACIONES DEL MODELO DE REGRESIÓN

Publicidad demanda
Xi
50
Yi
110 b
 (X  X )( Y  Y )   X Y
i i i i  n X Y
52 115  (X  X) i X
2 2
i X
2

54 120
56 125 a  Yb X
58 129 
60 135 Yab X
62 136
64 139
66 141
68 147
70 160

a) Gráfica de correlación
b) Analice la correlación (¿es lineal/exponencial/polinomial?)
c) Obtenga la mejor recta que se ajuste a los datos
d) Obtenga el valor de R2
e) Utilizar hoja de calculo Excel

RESPUESTAS
a) Gráfica de correlación

Yi
180
160
140 f(x) = 2.16363636363636 x + 2.63636363636364
R² = 0.963989108236896
120
100
80
60
40
20
0
45 50 55 60 65 70 75

b) Analice la correlación (¿es lineal/exponencial/polinomial?)

A simple vista el conjunto de datos sigue una línea recta

c) Obtenga la mejor recta que se ajuste a los datos Donde: a Yb X


Y  a b X b
 ( X  X )( Y  Y )   X Y
i i i i  n X Y
 (X  X) i X
2 2
i X
2
 Publicidad Ventas Componentes de coeficiente b
i Xi Yi (Xi-X)(Yi-Y) (xi-X) (Yi - Y)2
1 50 110 224.545454545455 100 504.2066116
2 52 115 139.636363636364 64 304.661157
3 54 120 74.7272727272728 36 155.1157025
4 56 125 29.8181818181819 16 55.57024793
5 58 129 6.90909090909093 4 11.9338843
6 60 135 0 0 6.479338843
7 62 136 7.09090909090907 4 12.57024793
8 64 139 26.1818181818181 16 42.84297521
9 66 141 51.2727272727272 36 73.02479339
10 68 147 116.363636363636 64 211.5702479
11 70 160 275.454545454545 100 758.7520661
PROMEDIO 60 132
952 440 2136.727273
SUMA

b= 2.16363636363636
a= 2.6363636363637

La ecuación de la recta de mayor ajuste es:

Y= 2.163636363636 + 2.6363636363637 X

d) Obtenga el valor de R2 (Coeficiente de correlación de Pearson)

r2=

R= 0.9818294700389
R2= 0.9639891082369

PRONOSTICOS DE VENTAS
MESES VENTAS(Y) ORDENADA AL PENDIENTE (bx)
2014 ORIGEN (a) coef b PUBLICIDAD
1 162.7454545455 74
2 167.0727272727 76
3 169.2363636364 2.6363636363637 2.1636363636364 77
4 173.5636363636 79
5 180.0545454545 82
Ejemplo 2.Las materias primas que se utilizaron en la producción de una fibra sintética se
almacenan en un sitio sin control de la humedad.
En 12 días, las mediciones de la humedad relativa del lugar de almacenamiento y el contenido de humedad
de una muestra de la materia prima,(en porcentaje ambas) producen los siguientes resultados.
Observacion Humedad Humedad en
(mes) Ambienta% materia prima% ECUACIONES DEL MODELO DE REGRESIÓN
Xi Yi
1
2
46
53
12
14 b

( X i  X )( Yi  Y )


X i Yi  n X Y
3 37 11 
(X i  X) 2 X i2  X
2

4 42 13
5 34 10 a  Yb X
6 29 8
7 60 17 
8 44 12 Yab X
9 41 10
10 48 15
11 33 9
12 40 13

a) Gráfica de correlación
b) Analice la correlación (¿es lineal/exponencial/polinomial?)
c) Obtenga la mejor recta que se ajuste a los datos
d) Obtenga el valor de R2
e) Utilizar hoja de calculo Excel

RESPUESTAS
a) Gráfica de correlación
70

60

50

40 f(x) = − 0.395104895104895 x + 44.8181818181818

R² = 0.026441725286854
30

20

10 f(x) = − 0.020979020979021 x + 12.1363636363636

R² = 0.000850500850501
0
0 2 4 6 8 10 12 14

Ambienta% Linear (Ambienta%)

materia prima% Linear (materia prima%)

b) Analice la correlación (¿es lineal/exponencial/polinomial?)

A simple vista se da cuenta que los daros proporcionados hacen una correlación Polinomial.
 c) Obtenga la mejor recta que se ajuste a los datos
Donde: a Yb X

Y ab X
b
 ( X  X )(Y  Y )   X Y
i i i i  n X Y
 (X  X) i X
2 2
i X
2

H. Medio Amb H. Mat. Prima Componentes de coeficiente b

i Xi Yi (Xi-X)(Yi-Y) (Xi-X)2 (Yi - Y)2
1 46 12 0 14 0
2 53 14 21.5 116 4
3 37 11 5.25 28 1
4 42 13 -0.25 0 1
5 34 10 16.5 68 4
6 29 8 53 176 16
7 60 17 88.75 315 25
8 44 12 0 3 0
9 41 10 2.5 2 4
10 48 15 17.25 33 9
11 33 9 27.75 86 9
12 40 13 -2.25 5 1
PROMEDIO 42 12
230 844 74
SUMA

b= 0.272431151909979
a= 0.4897838318034

La ecuación de la recta de mayor ajuste es:

Y= 0.27243115 + 0.4897838318034 X

d) Obtenga el valor de R2 (Coeficiente de correlación de Pearson)

r2=

R= 0.92018774
R2= 0.84674547
Resumen

Estadísticas de la regresión
Coeficiente d 0.99617817
Coeficiente d 0.99237095
R^2 ajustado 0.99046368
Error típico 1.42746299
Observacione 11

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 2120.42607 1060.21303 520.311503 3.38752E-09
Residuos 8 16.3012046 2.03765058
Total 10 2136.72727

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 96.0%
Intercepción 183.620285 33.4280274 5.49300392 0.0005785 106.535116 260.705455 101.755548
Variable X 1 -11.1033081 2.03527188 -5.4554422 0.00060479 -15.7966534 -6.40996271 -16.0876584
Variable X 2 0.76562894 0.26514113 2.88762797 0.02027281 0.1542124 1.37704548 0.11630229

Análisis de los residuales

Observación
Pronóstico para YResiduos
1 110.868651 -0.8686514
2 114.620571 0.37942911
3 119.482821 0.51717881
4 126.565733 -1.5657331
5 129.207322 -0.20732179
6 132.959241 2.04075872
7 134.490499 1.50950085
8 138.242419 0.75758136
9 143.104669 -2.10466894
10 147.966919 -0.96691924
11 159.491154 0.50884562
Superior 96.0%
265.485023
-6.1189578
1.41495558
EJERCICIO 2 DE
REGRESION MULTIPLE: Jenny Rubí Aguilar Guardado

La empresa de lacteos LALA necesita saber las razones del comportamiento de las ventas de su producto leche en litro para
implementar estrategias de mejora y realizar sus pronosticos de crecimiento en los proximo meses del año.

precio por unidad gastos de publicidad ventas o demanda

X1 X2 Yi
10 50 110
9.8 52 115
9.5 54 120
9 56 125
8.9 58 129
8.7 60 135
8.7 62 136
8.5 64 139
8.2 66 141
7.9 68 147
7 70 160

a) Correr la regresion multiple

b) Obtener la mejor recta que se ajuste a los datos
c) Interpretar los coeficientes de correlacion y de terminacion
d) Realizar sus propios pronosticos de venta con la ecuacion resultante

Respuestas al Ejercicio
a) Correr la regresion multiple

Resumen

Estadísticas de la regresión
Coeficiente de correlaci 0.996178170542238
Coeficiente de determi 0.992370947464881
R^2 ajustado 0.990463684331101
Error típico 1.42746298624771
Observaciones 11

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 2 2120.42606811041
Residuos 8 16.3012046168579
Total 10 2136.72727272727

Coeficientes Error típico

Intercepción 183.620285277465 33.4280273614836
Variable X 1 -11.1033080761412 2.03527187648128
Variable X 2 0.765628937685857 0.265141128233458

Análisis de los residuales

Observación Pronóstico para Y Residuos

1 110.868651400346 -0.868651400346124

2 114.620570890946 0.379429109053916

3 119.48282118916 0.517178810839838
4 126.565733102602 -1.56573310260246
5 129.207321785588 -0.207321785588306
6 132.959241276188 2.04075872381173
7 134.49049915156 1.50950084844001
8 138.24241864216 0.757581357840081
9 143.104668940374 -2.10466894037401
10 147.966919238588 -0.966919238588076
11 159.491154382487 0.508845617513117
 ventas de su producto leche en litro para Variable X 1 Curva de regresión a
nto en los proximo meses del año.
Y Pronóstico para Y Linear (Pro
200
150 f(x) = − 16.7835402970539 x + 279.234234234235
100 R² = 0.991987112294124

Y
50
0
6.5 7 7.5 8 8.5
Precio pot unidad

180
160
140 f(x) = 2.16363636363638 x + 2.63636363636261
120 R² = 0.971399969637878
100
80
60
40
20
0
45 50 55 60

Y Pronóstico para Y
esultante

Y= A0X0+A1X1+A2X2

Y= 183.620285277 X0 + -11.103308076

R2 ajustado= 0.9904636843311

Promedio de los cuadrados F Valor crítico de F

1060.21303405521 520.31150284871 3.387524322698E-09
2.03765057710724

Estadístico t Probabilidad Inferior 95% Superior 95%

5.49300391829391 0.000578500966433 106.535115950166 260.705454604764
-5.45544219641917 0.000604789456728 -15.7966534395718 -6.40996271271062
2.88762796925159 0.020272805001311 0.154212399566804 1.37704547580491

PR

Y=
PERIODO DEL VENTAS O
PRONÓSTICO DEMANDA (Y)
DE VENTAS
PROYECTADO

MESES Y=
1 367.00698912989
2 375.6211589187
3 378.11029720603
4 391.31824062096
5 404.52618403589
urva de regresión ajustada
tico para Y Linear (Pronóstico para Y)

9.234234234235

8.5 9 9.5 10 10.5

Precio pot unidad

38 x + 2.63636363636261
78

60 65 70 75

Pronóstico para Y Linear (Pronóstico para Y)

A2X2

X1 + 0.7656289376859 X2

Inferior 96.0% Superior 96.0%

101.755548035891 265.48502251904
-16.0876583514819 -6.11895780080052
 0.116302294505697 1.41495558086602

PRONOSTICOS DE VENTAS
a0 - a1 X1 + a2 X2
PENDIENTE (a1x1) PENDIENTE (a2x2)
ORDENADA AL ORIGEN GASTO DE
(a0) coef a1 PRECIO POR coef a2 PUBLICIDA
LITRO X1 D X2

X1 X2
11 80
183.6202853 -11.103308 11.5 0.765628938 84
12 80
12.5 90
13 100