Vous êtes sur la page 1sur 93

Autor: Oscar Ospino Ayala. Universidad Del Magdanalena.

pescaderia
primero: organizamos los datos
MES
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
diciembre
alfa=
n=

ao1

ao2
362
381
317
297
399
402
375
349
386
328
389
343

mes
276
334
394
334
384
314
344
337
345
362
314
365

0.05
24

Tercero: Hacemos el modelo de regresin, para obtener ms


calculos
Resumen
Estadsticas de la regresin
Coeficiente de correlacin
0.17932747
mltiple
Coeficiente de determinacin
0.03215834
R^2
R^2 ajustado
-0.01183446

periodo
Jan-01
Feb-01
Mar-01
Apr-01
May-01
Jun-01
Jul-01
Aug-01
Sep-01
Oct-01
Nov-01
Dec-01
Jan-02
Feb-02
Mar-02
Apr-02
May-02
Jun-02
Jul-02
Aug-02
Sep-02
Oct-02
Nov-02
Dec-02

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Error tpico
Observaciones

34.0245319
24

Ho: B1=0
H1: B1 es diferente de 0
ANLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados
Regresin
1 846.2454348
846.2454348
Residuos
22 25468.7129
1157.668768
Total
23 26314.95833

F
Valor crtico de F
0.730990986
0.401777454

Conclusin: Cmo P-valor es mayor que el nivel de significancia ALFA, entonces podemos decir que no se encontrpo suf
estadistica que B1 es diferente e cero, por lo que no se rechaza la Ho, y se concluye que mi modelo no resulto significati

De los datos, el analisis de la grafica y de la concluciones anteriores, podemos decir que que no existe tendencia lineal en
serie de tiempo en 24 periodos, esto tambien lo podemos sabes por medo de la grafica que nos muestra una ligra declinaci
sin embargo es despreciable.

cuarto: Modelo de tendecia polinomial.


TRt= Bo
TRt=

351.2916667

El valor de la constante describe que no hay tedencia lineal que indicque un aumento en la caputa de
valor indica que la prediccion puntual yt para la captura de peces en los aos futuros es d

Quinto, inervalo de prediccion:

tenemos que las prediccin de las toneladas de bacalao en cualquien periodo futuro
es de 351,2917.Por lo que ahora concierne a determinar el invervalo de prediccion.

mes

periodo
Jan-01
Feb-01
Mar-01
Apr-01
May-01
Jun-01
Jul-01
Aug-01
Sep-01
Oct-01
Nov-01
Dec-01
Jan-02
Feb-02
Mar-02
Apr-02
May-02
Jun-02
Jul-02
Aug-02
Sep-02
Oct-02
Nov-02
Dec-02

resultado
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

362
381
317
297
399
402
375
349
386
328
389
343
276
334
394
334
384
314
344
337
345
362
314
365

Yt- prom y
(Yt- prom y)^2
n-1
10.70833333
114.6684028
29.70833333
882.5850694
-34.29166667
1175.918403
-54.29166667
2947.585069
47.70833333
2276.085069
50.70833333
2571.335069
23.70833333
562.0850694
-2.291666667
5.251736111
34.70833333
1204.668403
-23.29166667
542.5017361
37.70833333
1421.918403
-8.291666667
68.75173611
-75.29166667
5668.835069
-17.29166667
299.0017361
42.70833333
1824.001736
-17.29166667
299.0017361
32.70833333
1069.835069
-37.29166667
1390.668403
-7.291666667
53.16840278
-14.29166667
204.2517361
-6.291666667
39.58506944
10.70833333
114.6684028
-37.29166667
1390.668403
13.70833333
187.9184028
total
26314.95833

23

La prueba de autocorrelacin por metodo grafico y por Durbin-Watson.

periodo

resultado
1
2
3
4

e
362
381
317
297

et-e(t-1)
10.70833333
29.70833333
-34.29166667
-54.29166667

(et-e(t-1))^2
19
-64
-20

361
4096
400

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

399
402
375
349
386
328
389
343
276
334
394
334
384
314
344
337
345
362
314
365

47.70833333
50.70833333
23.70833333
-2.291666667
34.70833333
-23.29166667
37.70833333
-8.291666667
-75.29166667
-17.29166667
42.70833333
-17.29166667
32.70833333
-37.29166667
-7.291666667
-14.29166667
-6.291666667
10.70833333
-37.29166667
13.70833333
total

102
3
-27
-26
37
-58
61
-46
-67
58
60
-60
50
-70
30
-7
8
17
-48
51

10404
9
729
676
1369
3364
3721
2116
4489
3364
3600
3600
2500
4900
900
49
64
289
2304
2601
55905

Grafico del periodo Vs terminos del error.

periodo

e
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

10.70833333
29.70833333
-34.29166667
-54.29166667
47.70833333
50.70833333
23.70833333
-2.291666667
34.70833333
-23.29166667
37.70833333
-8.291666667
-75.29166667
-17.29166667
42.70833333
-17.29166667
32.70833333
-37.29166667
-7.291666667

60
40
20
0
-20

-40
-60
-80
-100

Conclusin: Gracias a la grafica


entonces podemos concluir que los

20
21
22
23
24

-14.29166667
-6.291666667
10.70833333
-37.29166667
13.70833333

Conclusin: Gracias a la grafica


entonces podemos concluir que los

ejercicio 2

mes
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
diciembre
alfa=
n=

ao 1

ao 2
197
211
203
247
239
269
308
262
258
256
261
288

Primero: Organizamos los datos


296
276
305
308
356
393
363
386
443
308
358
384

mes

0.05
24

Tercero: Regresin, ANOVA y prueba t-student

periodo
Jan-01
Feb-01
Mar-01
Apr-01
May-01
Jun-01
Jul-01
Aug-01
Sep-01
Oct-01
Nov-01
Dec-01
Jan-02
Feb-02
Mar-02
Apr-02
May-02
Jun-02
Jul-02
Aug-02
Sep-02
Oct-02
Nov-02
Dec-02

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

Resumen
Estadsticas de la regresin
Coeficiente de correlacin
0.878979681
mltiple
Coeficiente de determinacin
0.77260528 R^2
R^2 ajustado 0.762269156
Error tpico
31.67060696
Observaciones
24

Ho: B1=0
H1: B1 DIFERENTE DE 0

ANLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados
F
Regresin
1
74974.35674
74974.35674
74.74806853
Residuos
22
22066.60159
1003.027345
Total
23
97040.95833

Conclusin: Como p-valor no es mayor que alfa entonces podemos decir que se encontr suficiente
evidnecia estadstica que el coeficiente de regresin B1 es diferente de cero, por lo que no se rechaza
Ho. Y se concluye que mi modelo result significativo como un todo.

Luego obtenes que el modelo de regresin es:


TRt= 198,03 + (8,07434)t
cuarto: Determinamos las predicciones para los prximos 2 aos

mes

periodo
Jan-03
Feb-03
Mar-03
Apr-03
May-03
Jun-03
Jul-03
Aug-03
Sep-03
Oct-03
Nov-03

25
26
27
28
29
30
31
32
33
34
35

prediccin
(t-ptomt)^2
(t-promt)^2
s
399.887685
156.25
132.25
31.67060696
407.9620328
182.25
110.25
416.0363806
210.25
90.25
424.1107284
240.25
72.25
432.1850762
272.25
56.25
440.259424
306.25
42.25
448.3337718
342.25
30.25
456.4081196
380.25
20.25
464.4824674
420.25
12.25
472.5568152
462.25
6.25
480.631163
506.25
2.25

Dec-03
Jan-04
Feb-04
Mar-04
Apr-04
May-04
Jun-04
Jul-04
Aug-04
Sep-04
Oct-04
Nov-04
Dec-04

36
37
38
39
40
41
42
43
44
45
46
47
48

488.7055108
496.7798586
504.8542064
512.9285542
521.002902
529.0772498
537.1515976
545.2259454
553.3002932
561.374641
569.4489888
577.5233366
585.5976844
total

552.25
600.25
650.25
702.25
756.25
812.25
870.25
930.25
992.25
1056.25
1122.25
1190.25
1260.25

0.25
0.25
2.25
6.25
12.25
20.25
30.25
42.25
56.25
72.25
90.25
110.25
132.25
1150

quinto: hacemos la prueba para la autocorrelacin:

mes

periodo
Jan-01
Feb-01
Mar-01
Apr-01
May-01
Jun-01
Jul-01
Aug-01
Sep-01
Oct-01
Nov-01
Dec-01
Jan-02
Feb-02
Mar-02
Apr-02
May-02
Jun-02
Jul-02
Aug-02
Sep-02
Oct-02
Nov-02
Dec-02

ventas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

197
211
203
247
239
269
308
262
258
256
261
288
296
276
305
308
356
393
363
386
443
308
358
384

precciones
e
206.1033378
214.1776856
222.2520334
230.3263812
238.400729
246.4750768
254.5494246
262.6237724
270.6981202
278.772468
286.8468158
294.9211636
302.9955114
311.0698592
319.144207
327.2185548
335.2929026
343.3672504
351.4415982
359.515946
367.5902938
375.6646416
383.7389894
391.8133372
total

Prueba autocorrelacin positiva

-9.1033378
-3.1776856
-19.2520334
16.6736188
0.599271
22.5249232
53.4505754
-0.6237724
-12.6981202
-22.772468
-25.8468158
-6.9211636
-6.9955114
-35.0698592
-14.144207
-19.2185548
20.7070974
49.6327496
11.5584018
26.484054
75.4097062
-67.6646416
-25.7389894
-7.8133372

et^2
82.8707591
10.09768577
370.64079
278.0095639
0.359125731
507.3721652
2856.964011
0.389092007
161.2422566
518.5852988
668.057887
47.90250558
48.93717975
1229.895024
200.0585917
369.3528486
428.7838827
2463.409833
133.5966522
701.4051163
5686.623789
4578.503723
662.4955753
61.0482382
22066.60159

Ho: Los termionos del error no estan autocorrelacionados

H1: Los terminos del error no estan autorrelacioandos positivamente

d=

1.68202978

dL,a=
dU,a=

1.27
1.45

Conclusiones: Cmo d>dL,a y d>dU,a , entonces podemos decir que que no se econtr
suficiente evidencia estaditica que los terminos del error se autocorrelacionen
positivamente, por lo que no se rechaza la Ho.

Conclusin general: Gracias a la grafia anteriori de inde


Watson para autocorrelacin positiva y negativa, po
suficiente eviencia estadistica de que los terminos del e
que no se rechaza la Ho y se concluye que es

Ejercicio BOWERMAN.
periodo t
1
2
3
4
5
6
7
8
9
10
11
12
13

resultados
35404
36762
32901
38902
37515
37462
36742
36356
37858
38629
32901
33385
37166

resultados
45000
40000
35000
30000
25000
20000
15000
10000
5000
0
0

10

15

20

25

14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
alfa=
n=

32926
32019
33178
34171
35733
35697
35710
34449
36124
35791
34548
36693
38044
38658
34592
32087
37153
0.05
30

10

15

20

25

a)

En la grafica podemos notar un creciemiento de la produccin de maner


muy ligero, por loque resulta combeniente decir que estos resultados no
creciente, adems gracias a los analisis de regresin podemos dar ms a
nos muestran que el cueficiente de regresin B1 que simboliza el incre
significativo, por lo que no se el modelo Yt= Bo Et, si es apropiad

b)

Se tiene que el modelo de regresin sin tende


bo=
y(t))=

35651.86667
35651.86667

Ya que no existe tendencia linela creciente o declinate, p


se obtendran para cualquien mes futuro sobre la produ
pie tabl

ahora hallamos la prediccin:

periodo t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

resultados
35404
36762
32901
38902
37515
37462
36742
36356
37858
38629
32901
33385
37166
32926
32019

(y-promy)^2 e
et-e(t-1)
61437.88444
-247.8666667
1232396.018
1110.133333
7567267.418
-2750.866667
10563366.68
3250.133333
3471265.818
1863.133333
3276582.684
1810.133333
1188390.684
1090.133333
495803.7511
704.1333333
4867024.284
2206.133333
8863322.884
2977.133333
7567267.418
-2750.866667
5138684.484
-2266.866667
2292599.751
1514.133333
7430349.084
-2725.866667
13197720.22
-3632.866667

(et-e(t-1))^2
1358
-3861
6001
-1387
-53
-720
-386
1502
771
-5728
484
3781
-4240
-907

1844164
14907321
36012001
1923769
2809
518400
148996
2256004
594441
32809984
234256
14295961
17977600
822649

16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

33178
34171
35733
35697
35710
34449
36124
35791
34548
36693
38044
38658
34592
32087
37153
suma

6120016.284
2192966.084
6582.617778
2037.017778
3379.484444
1446888.218
222909.8844
19358.08444
1218521.618
1083958.618
5722301.884
9036837.618
1123317.351
12708274.35
2253401.284
120374229.5

-2473.866667
-1480.866667
81.13333333
45.13333333
58.13333333
-1202.866667
472.1333333
139.1333333
-1103.866667
1041.133333
2392.133333
3006.133333
-1059.866667
-3564.866667
1501.133333

1159
993
1562
-36
13
-1261
1675
-333
-1243
2145
1351
614
-4066
-2505
5066

1343281
986049
2439844
1296
169
1590121
2805625
110889
1545049
4601025
1825201
376996
16532356
6275025
25664356
190445637

Ho: Los terminos del error no estan autocorrelacionados


H1: Los terminos del error estan autocorrelacionados positivamente

d=
dl,a
du,a

1.582113031
1.35
1.49

Conclusin: Cmo d> dl,a y d>du,a . Entonces podemos decir que no se encontr suficnete evidencia
estadstica que los terminos del error estan autocorrelacionados positivamente por lo que no se rechaza
Ho. Y se concluye que los residuos no estan autocorrelacionados positivamente

EJERCICIO BOWERMAN.

MES

VENTAS
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

298
302
301
351
336
361
407
351
357
346
356
371
399
392
425
411
455
457
465
481

alfa=
n=

Ho: B1=0
H1: B1 es diferente de 0

ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresin
1
49960.44511
Residuos
18
8585.354887
Total
19
58545.8

b) Conclusin: P-valo < alfa, entonces se rechaza podemos decir que se


coeficiente de regresin B1 es diferente de cero, por lo que se rechaza la
como un todo. Por otra parte gracias a la prueba t, y a que el valor tb
coeficiente de regresin b1 y el parametro que va a la ordnada Bo, son sig
ltimo todos los anteriores datos dan a entender que existe un

0.05
20

VENTAS
600

y = 8.6677x + 290.09
R = 0.8534

500
400
VENTAS

300

Linear (VENTAS)

200
100
0
0

MES

VENTAS

10

yt

15

20

(t-prom t)^2

25

(1+(1/20)+((t1prom t)^2)/(suma tprom t)^2


s

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

298
302
301
351
336
361
407
351
357
346
356
371
399
392
425
411
455
457
465
481

298.667
307.334
316.001
324.668
333.335
342.002
350.669
359.336
368.003
376.67
385.337
394.004
402.671
411.338
420.005
428.672
437.339
446.006
454.673
463.34

90.25
72.25
56.25
42.25
30.25
20.25
12.25
6.25
2.25
0.25
0.25
2.25
6.25
12.25
20.25
30.25
42.25
56.25
72.25
90.25
110.25
132.25
156.25
665

total

d)

1.102628439
1.117529499
1.133561823

21.83950916

Esta la ecuacin de prediccin para los aos futuros referente a las ventas d
yt= 8,667t + 290

e)
MES

VENTAS
1
2
3
4
5
6
7
8
9
10
11
12
13
14

yt
298
302
301
351
336
361
407
351
357
346
356
371
399
392

e
298.667
307.334
316.001
324.668
333.335
342.002
350.669
359.336
368.003
376.67
385.337
394.004
402.671
411.338

(et-e(t-1))^2
-0.667
-5.334
-15.001
26.332
2.665
18.998
56.331
-8.336
-11.003
-30.67
-29.337
-23.004
-3.671
-19.338

21.780889
93.450889
1708.416889
560.126889
266.766889
1393.752889
4181.820889
7.112889
386.790889
1.776889
40.106889
373.764889
245.454889

e^2
0.444889
28.451556
225.030001
693.374224
7.102225
360.924004
3173.181561
69.488896
121.066009
940.6489
860.659569
529.184016
13.476241
373.958244

15
16
17
18
19
20

425
411
455
457
465
481

420.005
428.672
437.339
446.006
454.673
463.34

total

t (trimestre)

ventas
1
2
3
4
5
6
7
8
9
10
11
12

yt
293
392
221
147
388
512
287
184
479
640
347
223

4.995
-17.672
17.661
10.994
10.327
17.66

592.094889
513.792889
1248.420889
44.448889
0.444889
53.772889
11734.09889

24.950025
312.299584
311.910921
120.868036
106.646929
311.8756
8585.54143

ANLISIS DE VARIANZA
382.8125
382.8125
382.8125
382.8125
382.8125
382.8125
382.8125
382.8125
382.8125
382.8125
382.8125
382.8125

Regresin
Residuos
Total

Intercepcin
Variable X 1
t(a/2),(n-(k+1))=

13
14
15
16
17
18

581
755
410
266

382.8125
382.8125
382.8125
382.8125
382.8125
382.8125

Conclusin: Cmo P-valor > alfa, en


de regresin B1 es diferente de 0,
Por otra parte como el valor de tb1
mi modelo de regresin, pero tam
este coeficiente se resulta signifi
existe tedencia linea

Por lo

ventas
800

y = 13.21x + 270.53
R = 0.1319

700
600
500
400

ventas

300

Linear (ventas)

200
100
0
0

10

15

20

Gracias al anterior analicis se puede observar que las predicciones calculadas no


satisfacen o tienen un acercamiento muy proximo a los resultados reales, por lo que el
modelo no es suficientemente bueno para ello. Ademas como este percibe un factor
estacional creciente, se espera que para el trimestre 18el valor de las ventas sea
mayor, pero en el modelo se obtiene algo diferente, por l oque se realizara el metodo
de descomposicin multiplicativa para ayudar a tener predicciones ms cecanas a las
reales.

t (trimestre)

Promedio
mvil.

ventas
1
2

293
392

CMA= trt*clt

yt/(trt*clt)=snt*irt snt
1.191411919
1.521231021

3
4
5
6
7
8
9
10
11
12
13
14
15
16

t
1
2
3
4

221
147
388
512
287
184
479
640
347
223
581
755
410
266

ao1
1.19948387
1.51720673
0.80327124
0.48675497

263.25
287
317
333.5
342.75
365.5
397.5
412.5
422.25
447.75
476.5
492.25
503

275.125
302
325.25
338.125
354.125
381.5
405
417.375
435
462.125
484.375
497.625

ao2
ao3
prome snt*irt
1.192928517
1.182716049
1.191709479
1.514232902
1.533393232
1.521610955
0.810448288
0.797701149
0.803806893
0.482306684
0.482553422
0.483871691

L/(suma prome snt)=

t
a)

1
2
3
4

0.803606188
0.483750872
1.191411919
1.521231021
0.803606188
0.483750872
1.191411919
1.521231021
0.803606188
0.483750872
1.191411919
1.521231021
0.803606188
0.483750872

snt=(0,9997503
)promsnt
1.191411919
1.521231021
0.803606188
0.483750872

0.999750308

snt
1.191411919
1.521231021
0.803606188
0.483750872

En la tabulacin que se encuentra a la izquiera, podemo


del snt para los trimestres 1,2,3 y4. Estos corrsponde
estacional para los 4 trimestre del aos, que pueden se

b)

La ecuacion tendencia que se calculo con los datos compensados respe

trt= 19,95t+220,5

c)

0.80327124
0.486754967
1.192928517
1.514232902
0.810448288
0.482306684
1.182716049
1.533393232
0.797701149
0.482553422
1.199483871
1.517206732

yt= trt*snt

trt
snt
yt
17 559.687187
1.191411919
18 579.6370842
1.521231021
19 599.5869815
0.803606188
20 619.5368787
0.483750872

666.8179852
881.7619135
481.8318088
299.7015053

d)
t

trt
17 559.687187
18 579.6370842
19 599.5869815
20 619.5368787

snt

trt*snt
1.191411919
1.521231021
0.803606188
0.483750872

clt
666.8179852
881.7619135
481.8318088
299.7015053

1.004028312
0.99741466
0.995158896
1.000694234

e)
Puesto que solo hay 3 aos de datos y como los valores de clt son cercanos a 1,
entonces podemos decir que los factores ciclicos no determinan un cicli muy bien
definido.

el Magdanalena.

ganizamos los datos

segundo: La grafica

resultado
362
381
317
297
399
402
375
349
386
328
389
343
276
334
394
334
384
314
344
337
345
362
314
365

resultado
450
400
350
300
250
200
150
100
50
0
0

10

15

20

25

Conclusin: En la anterior grafica podemos observar una ligera declinacin en la p


en los ltimos 2 aos, sin embargo esta declinacin es ligera. Los que nos da a en
estudio no posee tendecia. Adems este modelo lineal solo explica el 3,2% de
variacin de la pesca de bacalao en los ltimo 2 aos.

Intercepcin
Variable X 1

Coeficientes Error tpico Estadstico t


362.014493
14.336253 25.2516813
-0.85782609 1.00332871 -0.85498011
t(a/2),(n-(K+1))=

2.07387307

crtico de F

decir que no se encontrpo suficiente evidencia


mi modelo no resulto significativo como un todo.

e no existe tendencia lineal en la


nos muestra una ligra declinacin,

ue un aumento en la caputa de pesas en los aos futuros o. Este


peces en los aos futuros es de 351,2917 toneladas.

Conclusin: Cmo el valor critico de t-student es mayot que tb1, e


coeficietne de regresin B1 no aporta de manera significativo e
podemos notar que Bo posee un tbo> tcritico, por lo que el coefic
aporta a mi modelo ms que el coeficiente de

(1+(1/n))^(1/2)
s
1.020620726

intervalo de prediccion
t(a/2),(N-k)
prediccin
inferior
superior
33.82497041
2.06865761 351.291667 279.876505 422.706828

Conclucin: Por lo que la captura de BACALAO en los periodos futuros con un nivel de confianza del 95%
estara entre (279,88-422,71) toneladas.

Ho: Los terminos del error no estan autorelacionados


H1: Los terminos del error estan autorelacionados positivamente
e^2
114.6684028
882.5850694
1175.918403
2947.585069

d=
dl,a=
du,a=

2.1244571
1.27
1.45

2276.085069
2571.335069
562.0850694
5.251736111
1204.668403
542.5017361
1421.918403
68.75173611
5668.835069
299.0017361
1824.001736
299.0017361
1069.835069
1390.668403
53.16840278
204.2517361
39.58506944
114.6684028
1390.668403
187.9184028
26314.95833

Conclusin: Cmo d no es menor que dl,a pero si es mayor que du,a entonces pod
que no se encontr suficiente evidencia estaditica que que los terminos de
autocrrelacionan positivamente, por lo que no se rechaza la Ho.

Ho: Los terminos del error no estan autorelacionados


H1: Los terminos del error estan autorelacionados positivamente

d=

2.1244571

4-d=

1.8755429

dl,a=
du,a=

Conclusin: Cmo cmo 4-d, no es men


podemos decir que no se encotr sufi
del error se autocorrelacionan nega

1.27
1.45

10

15

20

25

30

Conclusin: Gracias a la grafica y a las prueba de Durbin-Watson para autocorrelacin positiva y negativa,
nces podemos concluir que los residuos de comportan de manera independiente. Por lo que no se rechaza la
Ho.

Conclusin: Gracias a la grafica y a las prueba de Durbin-Watson para autocorrelacin positiva y negativa,
nces podemos concluir que los residuos de comportan de manera independiente. Por lo que no se rechaza la
Ho.

ganizamos los datos

segundo: Grficamos.

ventas
197
211
203
247
239
269
308
262
258
256
261
288
296
276
305
308
356
393
363
386
443
308
358
384

ventas
500
450
y = 8.0743x + 198.03
R = 0.7726

400
350
300
250
200
150
100
50
0
0

10

15

20

Conclusin: Gracias al grafico anteriori del periodo Vs ventas, podemos saber


tendencia lineal creciente en las ventas en los ultimos dos aos a medida que aum
sin embargo realizamos ms calculos, para asegurar la veracidad de esta co

Intercepcin
Variable X 1

Coeficientes Error tpico Estadstico t


198.028986 13.3444256 14.8398283
8.07434783 0.93391525 8.64569653

t(a/2),(n-(k+1))=

2.07387307

Ya que tb1 y tbo son mayores que que t(a/2),(n-(k+1) entonces podemos decir que
la ordenada que va al origen Bo, son significativas a mi modelo, es decir aportan
sacar de este.

Valor crtico de F
1.58934E-08

Conclucin general: Todos estos calculos y an la grafica nos muestra que existe un
las ventas de los ltimos 2 aos, por lo que se procede a analizar y realiz

cir que se encontr suficiente


cero, por lo que no se rechaza la
como un todo.

ximos 2 aos

prom t

factor
12.5
0.135869565
0.158478261
0.182826087
0.208913043
0.23673913
0.266304348
0.297608696
0.330652174
0.365434783
0.401956522
0.440217391

(1+(1/n)+fact
invertalo de prediccin
or)^(1/2) t(a/2),(N-k) inferior
superior
1.085143415 2.07387307 328.614577 471.160793
1.095511263
336.007956
479.91611
1.106568007
343.356088 488.716673
1.118293213
350.660314 497.561142
1.130666086
357.922002 506.448151
1.143665604
365.142531 515.376317
1.157270652
372.323288 524.344256
1.171460132
379.465659
533.35058
1.186213071
386.571022 542.393913
1.201508713
393.640739 551.472891
1.217326603
400.676155 560.586171

0.480217391
0.521956522
0.565434783
0.610652174
0.657608696
0.706304348
0.75673913
0.808913043
0.862826087
0.918478261
0.975869565
1.035
1.095869565

1.23364665
1.250449195
1.267715051
1.285425548
1.303562566
1.322108549
1.341046531
1.36036014
1.380033606
1.400051759
1.420400025
1.441064421
1.462031543

(et-e(t-1))^2
35.113354
258.3846572
1290.652486
258.3846572
480.7342244
956.395964
2924.03509
145.7898748
101.4924836
9.451614395
358.1803112
0.005527595
788.1690044
437.88292
25.7490056
1594.057704
836.6933552
1449.65596
222.7750936
2393.719443
20470.269
1757.760312
321.3290068
37116.68105
Prueba autocorrelacin negativa

407.678589
414.649332
421.589644
428.500752
435.383845
442.240078
449.070563
455.876378
462.658556
469.418095
476.155952
482.873045
489.570256

569.732433
578.910386
588.118769
597.356357
606.621959
615.914422
625.232632
634.575513
643.94203
653.331187
662.742026
672.173628
681.625113

Ho: Los termionos del error no estan autocorrelacionados

H1: Los terminos del error no estan autorrelacioandos negativamente.

d=

1.682029781

4-d=

2.317970219

dL,a=
dU,a=

1.27
1.45

Conclusiones: Cmo 4-d>dL,a y 4-d>dU,a , entonces podemos decir que que no se


econtr suficiente evidencia estaditica que los terminos del error se
autocorrelacionen negativemente, por lo que no se rechaza la Ho.

ias a la grafia anteriori de independencia y a la prueba de Durbinelacin positiva y negativa, podemos decir que no se encontr
stica de que los terminos del error estn autorelacionados, por lo
haza la Ho y se concluye que estos estn aleatorizados.

H1: B1 e

ultados

resultados

25

30

35

ANLISIS DE VARIANZA
Grados de libertad
Regresin
Residuos
Total

Conclusin: Cmo el P-valor>alfa, en


suficiente evidencia estadistica que e
cero, por lo que no de rechzala la H
sugnificati

25

30

Conclusin: Cmo el P-valor>alfa, en


suficiente evidencia estadistica que e
cero, por lo que no de rechzala la H
sugnificati

35

Intercepcin
Variable X 1
t(a/2),(n-(k+1))=

nto de la produccin de manera en los 30 aos estudiados que es


decir que estos resultados no experimentan una tendencia lineal
regresin podemos dar ms avidencia de esto, pues estos datos
esin B1 que simboliza el incremento o decremento no resulta
odelo Yt= Bo Et, si es apropiado para describir el modelo.

Conclucin general: Cmo el valor de


significativo en mi modelo de regresin
madera en los ltimos 30 aos no p
presenta un valot tbo>tc, por lo que

l modelo de regresin sin tendencia es:

a linela creciente o declinate, podemos decir que las predicciones puntuales que
uien mes futuro sobre la produccin de madera ser de 35651,87 (millones por
pie tabln).

mos la prediccin:

e^2
61437.88444
1232396.018
7567267.418
10563366.68
3471265.818
3276582.684
1188390.684
495803.7511
4867024.284
8863322.884
7567267.418
5138684.484
2292599.751
7430349.084
13197720.22

intervalo de prediccin
s
limite inferior limite superiort(a/2),(n-1)
2037.359934 31416.1192 39887.6141 2.04522964

6120016.284
2192966.084
6582.617778
2037.017778
3379.484444
1446888.218
222909.8844
19358.08444
1218521.618
1083958.618
5722301.884
9036837.618
1123317.351
12708274.35
2253401.284
120374229.5

cionados

Ho: Los terminos del error no estan autocorrelaciona

positivamente

H1: Los terminos del error estan autocorrelacionado

d=
dl,a
du,a

e encontr suficnete evidencia


mente por lo que no se rechaza la
ados positivamente

1.58211303
1.35
1.49

Conclusiones: Cmo 4-d > dl,a y d>du,a. Entonces podemos decir qu


suficiente evidencia estadtica que que los terminos del err
autocorrelacionados negativamente por lo que no se rechaza la Ho.
los reciduos nos estan relacionados negativamente

conclucin general: Se puede concluir gracias a la grafica anterior y a la prueba de


Durbin- Watson para autorrelacin positiva y negativa que los reciduos no estan
autocorrelacionados positivas y negativamente, por lo que se cumple el supuesto
de independencia.

Resumen

Ho: B1=0

Estadsticas de la regresin
Coeficiente de correlacin
0.92377303mltiple
Coeficiente de determinacin
0.8533566 R^2
R^2 ajustado 0.84520975
Error tpico
21.8395092
Observaciones
20

H1: B1 es diferente de 0

Promedio de los cuadrados


F
Valor crtico de F
49960.44511
104.7467488 6.24324E-09
476.9641604

Coeficientes
Intercepcin 290.089474
Variable X 1
8.66766917
t(a/2),(n-(k+1))=

rechaza podemos decir que se encontr suficiente evidencia estaditica que el


e cero, por lo que se rechaza la Ho, y se concluye que mi modelo es significativo
la prueba t, y a que el valor tb1>tc y tbo>tc, entonces podemos decir que el
que va a la ordnada Bo, son significativos y no los puedo sacar de mi modelo. Por
s dan a entender que existe una tedencia lineal creciente pues B1>0.

a) .En la grafica que muestra una tendecia lineal creciente de las ventas del reloj JMP IN en los
20 aos estudiados, por lo que el modelo Yt= Bo + B1t + et, es razonalbe para determinar las
ventas de este reloj en los proximos aos.

t(a/2),(n-(k+1))

prom t

2.093024054

10.5

c)

yt

t
472.007
480.674
489.341

intervalo
inferior
superior
21 421.6051726 522.408827
22
429.591036 531.756964
23 437.5251885 541.156811

Lo anterior son las predicciones y los intervalos de prediccion para


los aos 21,22 y 23.

futuros referente a las ventas de reloj:

Ho: Los terminos del error no estn autocorrelacionados.


H1: Los terminos del error se autocorrelacionan positivamente

d=
dl,a=
du,a=

1.366727886
1.2
1.41

Conclusin: Cmo d>dl,a pero d<du,l. entonces podemos dcir que la


prueba no es concluyente, por lo que no se puede decir nada al respecto.

Conclusin: Cmo d>dl,a pero d<du,l. entonces podemos dcir que la


prueba no es concluyente, por lo que no se puede decir nada al respecto.

e
70
60
50
40
30
20
10
0
-10 0
-20
-30
-40

10

15

20

25

Conclusiones: Los reciduos no se autocorrelacionan.

Ho: B1=0
H1: B1 es diferente de 0

LISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Promedio de los cuadrados F
Valor crtico de F
1
59334.03603 59334.03603 2.12755906 0.16673991
14
390436.4015 27888.31439
15
449770.4375

Coeficientes
270.525
13.21029412
t(a/2),(n-(k+1))=

Error tpico
Estadstico t Probabilidad Inferior 95% Superior 95%
87.57446236 3.089085479 0.00800403 82.6964595
458.35354
9.056735289 1.458615461 0.16673991 -6.21447111 32.6350593
2.144786688

clusin: Cmo P-valor > alfa, entonces podemos decir que se no encontr suficiente evidencia estadtica que el coeficiente
egresin B1 es diferente de 0, por lo que no se rechaza la Ho, y se afirma que mi modelo no es significativo como un todo.
otra parte como el valor de tb1<tc, entonces conocemos que el coeficiente de regrecin B1 no influye significativamente en
modelo de regresin, pero tambin se sabe que la ordenada que va al origen Bo posee tb0>tc, lo cual da a entender que
te coeficiente se resulta significativo en mi modelo, por lo que no lo puedo sacar. De lo anterio se puede concluir que no
existe tedencia linea creciente o decreciente, entre las ventas de tractor en los 4 aos anterioires.

Por lo que el modelo de regresin sin tedencia lineas o cuadratica es:


Yt=
Yt=

Bo
382.8125

d=yt/snt
245.9266988
257.6860415

trt=
19,95t+220,5 yt= trt*snt
clt*irt
clt
irt
240.488831 286.5212595 1.02261173
260.4387282 396.1874724 0.98943058 0.99762024
0.9917908

275.0103262
303.8754212
325.6640243
336.5695236
357.1401069
380.3610715
402.0439888
420.7119045
431.8035438
460.9810812
487.6566962
496.3085748
510.2001527
549.8698099

280.3886255
300.3385227
320.28842
340.2383172
360.1882145
380.1381117
400.088009
420.0379062
439.9878035
459.9377007
479.887598
499.8374952
519.7873925
539.7372897

225.3220346
145.2890223
381.5954409
517.5810827
289.4494781
183.892143
476.6696224
638.974693
353.5769217
222.4952638
571.7438038
760.3683032
417.7043653
261.0983846

ncuentra a la izquiera, podemos encontrar el vator


res 1,2,3 y4. Estos corrsponde al valor del factor
mestre del aos, que pueden ser pasado y futuro.

n los datos compensados respecto a la varianza estacional es:

0.98081841
1.01177637
1.01678364
0.98921699
0.99153746
1.00058652
1.00488887
1.00160461
0.98139889
1.00226853
1.01618941
0.99293986
0.98155546
1.01877306

0.99400845
1.00312614
1.00592567
0.99917936
0.99378032
0.99900429
1.00236
0.99596413
0.99509068
0.99995228
1.00379927
0.99689491
0.99775613

0.98673045
1.00862328
1.01079401
0.99002945
0.9977431
1.00158381
1.00252292
1.00566334
0.98624067
1.00231636
1.01234325
0.99603263
0.9837629
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de libertad
Regresin
Residuos
Total

Intercepcin
Variable X 1

irt

yt
1.008553392
0.995879056
0.988619279
1.004174483

675.2306673
875.8579619
474.042164
301.1615358

y = -0.8578x + 362.01
R = 0.0322

resultado
Linear (resultado)

30

bservar una ligera declinacin en la pesca de bacalao


inacin es ligera. Los que nos da a entender que este
modelo lineal solo explica el 3,2% de el total de la
de bacalao en los ltimo 2 aos.

Probabilidad Inferior 95% Superior 95% Inferior 95,0%Superior 95,0%


9.6997E-18 332.2829238 391.746062 332.282924 391.746062
0.40177745 -2.938602461 1.22295029 -2.93860246 1.22295029

itico de t-student es mayot que tb1, entones podemos decir que el


B1 no aporta de manera significativo en mi modelo. Sin embargo
e un tbo> tcritico, por lo que el coeficiente que va a la ordenada si
mi modelo ms que el coeficiente de regresin.

de confianza del 95%

estan autorelacionados

utorelacionados positivamente

ro si es mayor que du,a entonces podemos decir que


cia estaditica que que los terminos del error se
ente, por lo que no se rechaza la Ho.

estan autorelacionados

utorelacionados positivamente

onclusin: Cmo cmo 4-d, no es menor que dl,pero si es mayor que du,a entonces
podemos decir que no se encotr suficiente evidnecia estadistica que los terminos
del error se autocorrelacionan negativamente, por lo que no se rechaza la Ho.

ventas

y = 8.0743x + 198.03
R = 0.7726

ventas
Linear (ventas)

20

25

30

el periodo Vs ventas, podemos saber que existe un


os ultimos dos aos a medida que aumenta el tiempo,
para asegurar la veracidad de esta conclucin.

Probabilidad Inferior 95% Superior 95% Inferior 95,0%Superior 95,0%


6.0955E-13 170.3543407
225.70363 170.354341
225.70363
1.5893E-08 6.137526153 10.0111695 6.13752615 10.0111695

n-(k+1) entonces podemos decir que el coeficietne de regresin B1 y


ativas a mi modelo, es decir aportan a l por los que nos los puedo
sacar de este.

n la grafica nos muestra que existe una tendencia lineal creciente en


or lo que se procede a analizar y realizar los otros calculos.

Ho: Los reciduos de comportan de manera independiente.


H1: Los reciduos no se comportan de manera independiente.

e
100
80
60
40
20

0
-20 0
-40
-60
-80

10

15

20

25

30

Ho: B1=0
H1: B1 es diferente de 0

NLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F
Valor crtico de F
1 1534270.649 1534270.65 0.36149102 0.55251625
28 118839958.8 4244284.24
29 120374229.5

Conclusin: Cmo el P-valor>alfa, entonces podemos decir que no se encontr


suficiente evidencia estadistica que el coeficiente de regresin B1 es diferente de
cero, por lo que no de rechzala la Ho y se concluye que mi modelo no result
sugnificativo como un todo.

Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones

Conclusin: Cmo el P-valor>alfa, entonces podemos decir que no se encontr


suficiente evidencia estadistica que el coeficiente de regresin B1 es diferente de
cero, por lo que no de rechzala la Ho y se concluye que mi modelo no result
sugnificativo como un todo.
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%
36056.846
771.476177 46.7374717 4.0664E-28 34476.5487 37637.1433 34476.5487
-26.1276974 43.45626338 -0.60124123 0.55251625 -115.143817 62.8884216 -115.143817
t(a/2),(n-(k+1))=

2.048407142

Conclucin general: Cmo el valor de tb1< tc y como P-valor > alfa, podemos decir que el coeficiente de regresin B1 no es
gnificativo en mi modelo de regresin, por lo que resulta conveniente sacarlo y se concluye que los datos de la produccin de
madera en los ltimos 30 aos no presenta una tendencia. Sin embago el valor del parametro que va a la ordenada Bo,
presenta un valot tbo>tc, por lo que da ms evidencia que se tiene un modelo sin tendencia lineal creciente, decreciente o
cuadratico.

(1+(1/30))^(1/2)
1.01653005

Ho: Los terminos del error no estan autocorrelacionados


H1: Los terminos del error estan autocorrelacionados

e
4000
3000
2000

2000
1000
0
-1000

10

15

20

25

30

35

-2000
-3000
-4000

Gracias a la grafica anterior podemos decir, que no se encontr suficiente evidencia


estaditica que los residuos estudietan autocorrelacionados por lo que no se rechaza
la Ho. Y se concluye que se cumple el supuesto de independencia.

s del error no estan autocorrelacionados

os del error estan autocorrelacionados negativamente

4-d=

2.41788697

y d>du,a. Entonces podemos decir que no se encontr


estadtica que que los terminos del error estan
mente por lo que no se rechaza la Ho. Y se concluye que
os estan relacionados negativamente.

Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%Superior 95,0%
10.145139 28.59393784 1.8704E-16 268.775328
311.40362 268.775328
311.40362
0.84689984 10.23458591 6.2432E-09 6.88839864 10.4469397 6.88839864 10.4469397
t(a/2),(n-(k+1))=

2.10092204

cionados.

Ho: Los terminos del error no estn autocorrelacionados.

ositivamente

H1: Los terminos del error se autocorrelacionan negativamente


d=
4-d=

dl,a=
du,a=

1.36672789
2.63327211

1.2
1.41

conclusin: Cmo 4-d >dl,a y 4-d > dl,u. Entonces podemos decir que
no se encontr suficiente evidencia estadtica que los terminos del
error se autocorrelacional negativamente, por lo que no se rechaza la

conclusin: Cmo 4-d >dl,a y 4-d > dl,u. Entonces podemos decir que
no se encontr suficiente evidencia estadtica que los terminos del
error se autocorrelacional negativamente, por lo que no se rechaza la
Ho.

e
25

cionan.

Inferior 95,0% Superior 95,0%


82.6964595 458.3535405
-6.21447111 32.63505934

adtica que el coeficiente


nificativo como un todo.
uye significativamente en
cual da a entender que
puede concluir que no
nterioires.

d=yt/snt
600

y = 19.95x + 220.54
R = 0.9965

R = 0.9965
500
400
d=yt/snt
300

Linear (d=yt/snt)

200

Linear (d=yt/snt)

100
0
0

10

15

20

tadsticas de la regresin
0.99826778
0.99653856
0.99629131
5.79425492
16

NLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F
Valor crtico de F
1 135319.4561 135319.456 4030.55681 1.2491E-18
14 470.0274614 33.5733901
15 135789.4836
Coeficientes Error tpico
Estadstico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%
220.538934 3.038532915 72.5807289 1.9274E-19 214.021929 227.055939 214.021929
19.9498973 0.314237593 63.4866664 1.2491E-18 19.2759246 20.6238699 19.2759246

tadsticas de la regresin
0.11289747
0.01274584
-0.02251324
2060.16607
30

Superior 95,0%
37637.1433
62.8884216

e de regresin B1 no es
datos de la produccin de
va a la ordenada Bo,
reciente, decreciente o

perior 95,0%

elacionados.

cionan negativamente

9.95x + 220.54

inear (d=yt/snt)

inear (d=yt/snt)

Superior 95,0%
227.055939
20.6238699