2.

16

En que se diferencian los modelos causales y las series de tiempo para pronosticar comport
futuros de una variable relevante para evaluar un proyecto?

En las series de tiempo se considera que el valor que asume la variable dependiente se explica por el
mientras en los modelos causales se confia en la posibilidad de que el comportamiento de la variable
podr explicar los valores de la variable dependiente.

2.17
Comente la siguiente afirmacion: "Un criterio adecuado para lograr un buen ajuste de curva
minimizacion de las desviaciones totales observados".

Si, esto se hace por el metodo de los minimos cuadrados, mediante la linea de ajuste, se supera los er
se eliminan los errores muy grandes.

2.18
X Y
a. 480 362 Grfico de di
880 750
1200
110 143
320 410
1000
960 758
950 1002
800
240 320
510 365 600
750 618
400

200

0
0 200 400 600 800

b.

Curva de regresi
1200

1000

800
 Curva de regresi
1200

1000

800

600

Y
400

200

0
0 200 400 600 800 1000 1

c.
ECUACION Y=63,35+0,79x
El valor de la variable dependiente cuando la dependiente es 640, es: 568.95

d.
intervalo de confianza, con un nivel de confianza del 95%

desv estand 289.62

media 551.56
n 18
confianza 95%

t 2.11
lim inf 407.52 El intervalo es 407,52<u<695,59
lim sup 695.59

2.19
x y
100 200
210 166
290 458
405 400
515 506
585 442
714 622

Curva de regresin ajustada lineal

1200
1000
800 Y
600 Pronstico para Y
Y

400 Linear (Pronstico para Y)

200
0
0 200 400 600 800 1000 1200
 Curva de regresin ajustada lineal
1200
1000
800 Y
600 Pronstico para Y

Y
400 Linear (Pronstico para Y)
200
0
0 200 400 600 800 1000 1200
Variable X 1
mpo para pronosticar comportamientos

ble dependiente se explica por el paso del tiempo

el comportamiento de la variable independiente

ograr un buen ajuste de curva es la

a linea de ajuste, se supera los errores de signo y

Grfico de dispersin

400 600 800 1000 1200

rva de regresin ajustada

Y
Pronstico para Y
rva de regresin ajustada

Y
Pronstico para Y
Linear (Pronstico para Y)

0 400 600 800 1000 1200

Diagrama de dispersin
700
600
500
400
300
200
100
0
0 100 200 300 400 500 600 700 800

Curva de regresin ajustada polinmica

1200
1000
800 Y
ara Y 600 Pronstico para Y
Polynomial (Pronstico para
Y

stico para Y) 400

200 Y)
0
0 200 400 600 800 1000 1200
 Curva de regresin ajustada polinmica
1200
1000
800 Y
ara Y 600 Pronstico para Y
Polynomial (Pronstico para

Y
stico para Y) 400
200 Y)
0
0 200 400 600 800 1000 1200
Variable X 1
Resumen

Estadsticas de la regresin
Coeficiente d 0.93863652
Coeficiente 0.88103852
R^2 ajustado 0.86404402
Error tpico 100.509239
Observacione 9

ANLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crtico de F
Regresin 1 523719.25 523719.25 51.8425756 0.00017743
Residuos 7 70714.7496 10102.1071
Total 8 594434

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%

Intercepcin 63.3493571 72.3831977 0.87519423 0.41049048 -107.80971 234.508422
Variable X 1 0.79958765 0.11105108 7.20017886 0.00017743 0.53699357 1.06218173

Y=63,35+0,79x

Anlisis de los residuales

Observacin
Pronstico para YResiduos
1 447.15143 -85.15143
2 766.98649 -16.98649
3 151.303999 -8.3039987
4 319.217405 90.7825945
5 830.953502 -72.953502
6 822.957626 179.042374
7 255.250393 64.7496066
8 471.139059 -106.13906
9 663.040095 -45.040095
 Variable X 1 Curva de regresin ajustada
1200

1000

800
Y
600 Pronstico para Y

Y
Linear (Pronstico pa
400

200

0
Inferior 95,0%
Superior 95,0% 0 200 400 600 800 1000 1200
-107.80971 234.508422 Variable X 1
0.53699357 1.06218173
gresin ajustada

Y
Pronstico para Y
Linear (Pronstico para Y)

1200
Resumen

Estadsticas de la regresin
Coeficiente d 0.9386365207
Coeficiente 0.881038518
R^2 ajustado 0.8640440205
Error tpico 100.509238812
Observacione 9

ANLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crtico de F
Regresin 1 523719.25 523719.25 51.842575603 0.0001774286
Residuos 7 70714.7496 10102.1071
Total 8 594434

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

Intercepcin 63.3493570615 72.3831977 0.87519423 0.4104904776 -107.809707631
Variable X 1 0.7995876512 0.11105108 7.20017886 0.0001774286 0.5369935701

Anlisis de los residuales

ObservacinPronstico para Y Residuos

1 447.151429657 -85.15143
2 766.986490152 -16.98649
3 151.303998698 -8.3039987
4 319.217405458 90.7825945
5 830.953502252 -72.953502
6 822.957625739 179.042374
7 255.250393359 64.7496066
8 471.139059194 -106.13906
9 663.040095491 -45.040095
 Curva de regresin
1200
1000
800
600

Y
400
200
0
0 200 400 600 800 1000 120
Variable X 1

Superior 95%Inferior 95,0%Superior 95,0% Curva de regresin a

234.508422 -107.80971 234.508421754 1200
1.06218173 0.53699357 1.0621817324 1000
800
600

Y
400
200
0
0 200 400 600 800 1000 1200
Variable X 1
Curva de regresin ajustada

Y
Pronstico para Y
Linear (Pronstico para Y)

400 600 800 1000 1200

Variable X 1

rva de regresin ajustada

Y
Pronstico para Y
Polynomial (Pronstico para
Y)

00 600 800 1000 1200

Variable X 1
 a2 0.2329
a1 0.3836
a0 0.3836
Sum coefic pond 1.0000

Mes Ventas Reales Prom Mov 3m Error Obs

1 104
2 126
, 3 155
4 132 132.000 0.000
5 144 139.425 4.575
6 168 141.959 26.041
7 157 150.411 6.589
8 183 158.192 24.808
9 191 169.534 21.466
10 178 180.014 2.014
11 202 184.151 17.849
12 188 190.233 2.233
Suma: 105.58
Promedio: 11.73

13 191.041

El nivel de ventas para el ao 13 ser de 191.041

Existe un promedio de errores de 11,73.