Resumen

Estadísticas de la regresión
Coeficiente de correlación 0.8174603175
Coeficiente de determinaci 0.6682413706
R^2 ajustado 0.6129482657
Error típico 4.5717385808
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 1 252.5952380952
Residuos 6 125.4047619048
Total 7 378

Coeficientes Error típico

Intercepción 42.4642857143 3.5622700029
Variable X 1 2.4523809524 0.7054345782

Análisis de los residuales

Observación Pronóstico para Y Residuos

1 44.9166666667 -3.9166666667
2 47.369047619 -1.369047619
3 49.8214285714 7.1785714286
4 52.2738095238 -0.2738095238
5 54.7261904762 4.2738095238
6 57.1785714286 -6.1785714286
7 59.630952381 0.369047619
8 62.0833333333 -0.0833333333
Promedio de los cuadrados F Valor crítico de F
252.5952380952 12.0854376305 0.0132001331
20.9007936508

Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%

11.9205690977 2.1103272E-05 33.7477250272 51.1808464 33.747725
3.4764116026 0.0132001331 0.7262447229 4.17851718 0.72624472
Superior 95,0%
51.1808464
4.17851718
 12 La demanda de los cambios de aceite registrada en garcia garaje a sidol la siguiente

X Y P=y1(x)+y2
Pronostico de la
Mes Demanda Error
demanda
enero 1 41 44.9 3.9
febrero 2 46 47.3 1.3
marzo 3 57 49.8 -7.3
abril 4 52 52.2 0.2
mayo 5 59 54.7 -4.4
junio 6 51 57.1 6.1
julio 7 60 59.6 -0.5
agosto 8 62 62.0 0.0
Septiembre 9 64.5
Octubre 10 66.9
Noviembre 11 69.4

a. Aplique el analisis de regresión lineal simple y elabore un modelo

de pronostico mensual, en esta aplicación la variable dependiente
corresponde a la demanda mensual y la variable independiente x
representa el mes para enero sea x=1

B. utilice el modelo y haga un pronostico de la demanda para

septiembre, octubre y noviembre.
70

f(x) = 2.4523809524x + 42.4642857143

60

R² = 0.6682413706
50

40

30

20

10

0
0 1 2 3 4 5 6 7 8 9
En una fábrica procesadora de hidrocarburos, el control de procesos incluye el análisis periódico y la obtención de muestras para un parámetro determin
calidad del proceso. El procedimiento analítico que se aplica actualmente es costoso y requiere mucho tiempo. Se ha propuesto un procedimiento altern
rápido y económico. Sin embargo, las cifras obtenidas con el procedimiento alternativo para el parámetro de calidad son un tanto diferentes de las obten
el procedimiento actual, no a causa de errores intrínsecos, sino por cambios en carácter del análisis químico. La gerencia considera si resulta posible usar
obtenidas con el procedimiento, a fin de hacer un pronóstico fiable de las cifras correspondientes obtenidas con el procedimiento actual, la adopción de
procedimiento sería razonable y eficaz en términos de costos. Los siguientes datos referentes al parámetro de calidad se obtuvieron con el análisis de m
utilizando ambos procedimientos

A B
Actual Y Propuesto X1 Pronostico Y1 Actual Y Propuesto X Pronostico Y2
3 3.1 3.575 3.1 3.1 3.389
3.1 3.9 3.775 2.7 2.9 3.191
3 3.4 3.65 3.3 3.6 3.884 4.5
3.6 4 3.8 3.2 4.1 4.379 4
3.8 3.6 3.7 2.1 2.6 2.894
2.7 3.6 3.7 3 3.1 3.389
3.5 f(x
2.7 3.6 3.7 2.6 2.8 3.092 3 R²
2.5
2
a) Aplique la regresión lineal para encontrar una relación que permita pronosticar Y, es decir, el 1.5
parámetro de calidad correspondiente al procedimiento actual utilizando los valores obtenidos con el
procedimiento propuesto, X. 1
0.5
0
2.6 2

b) ¿Existe una relación fuerte entre los parámetros X? Explique su respuesta.

Rta: no existe una relación ya que el valor en A para R^2=0,12, en B para R^2=0,65,
4.5
4
3.5
f(x)
3
R² =
2.5
4.5
4
3.5
f(x)
3
R² =
2.5
2
1.5
1
0.5
0
2 2.
a un parámetro determinado de la
un procedimiento alternativo más
to diferentes de las obtenidas con
era si resulta posible usar las cifras
nto actual, la adopción del nuevo
eron con el análisis de muestras,

A
4.5
4
3.5 f(x) = 0.2513297872x + 2.8136968085
3 R² = 0.1256648936
2.5
2
1.5
1
0.5
0
2.6 2.8 3 3.2 3.4 3.6 3.8 4

B
4.5
4
3.5
f(x) = 0.9945945946x + 0.3297297297
3
R² = 0.6559333527
2.5
 B
4.5
4
3.5
f(x) = 0.9945945946x + 0.3297297297
3
R² = 0.6559333527
2.5
2
1.5
1
0.5
0
2 2.2 2.4 2.6 2.8 3 3.2 3.4
Ohio Swiss MIlk products fabrica y distribuye helados en Ohio, Kentucky y Virginia occidental. La compañía desea expandir sus operaciones, abriendo o
Ohio. El tamaño de la nueva planta se calculará en función de la demanda esperada de helado en el área atendida por dicha planta. Actualmente se
encuesta de mercado para determinar cuál será esa demanda. Ohios Swiss desea estimar la relación entre el costo por galón para el fabricante y e
vendidos en un año, a fin de determinar la demanda de helado y por consiguiente, el tamaño que deberá tener la nueva planta. Se han recopilado

Planta Costo por millar de galones,Y Miles de galones vendidos, X

1 1015 416.9
2 973 472.5
3 1046 250
4 1006 372.1
5 1058 238.1
6 1068 258.6
7 967 597
8 997 414
9 1044 263.2
10 1008 372
Total 10182 3654.4

a. Desarrolle una ecuación de regresión para pronosticar el costo por galón, en función del
número de galones producidos.

b. Calcule el coeficiente de correlación y el coeficiente de determinación. Comente su ecuación

de regresión a la luz de estas medidas.

c. Suponga que la encuesta de mercado revelara una demanda de 325000 galones en el área
de Bucyrus, Ohios. Estime el costo de fabricación por galón en una planta que produjera 325000
galones al año.
andir sus operaciones, abriendo otra planta en el norte de
por dicha planta. Actualmente se esta realizando una
o por galón para el fabricante y el número de galones
nueva planta. Se han recopilado los siguientes datos:
El director de una gran biblioteca pública tiene que programar las actividades de los empleados a cargo de colocar de nuevo en los
estantes los libros y las publicaciones periódicas que devuelven los usuarios a la institución. El número de elementos bibliográficos
que salen en calidad de préstamo determinará los requisitos de mano de obra. Los siguientes datos reflejan el número de dichos
elementos que han salido de la biblioteca en los últimos tres años

Mes Año 1 Año 2 Año 3

Enero 1847 2045 1986
Febrero 2669 2321 2564
Marzo 2467 2419 2635
Abril 2432 2088 2150
Mayo 2464 2667 2201
Junio 2378 2122 2663
Julio 2217 2206 2055
Agosto 2445 1869 1678
Septiembre 1894 2441 1845
Octubre 1922 2291 2065
Noviembre 2431 2364 2147
Diciembre 2274 2189 2451

El director necesita un método de series de tiempo para pronosticar el número de elementos que saldrán de la institución durante el
próximo mes. Encontrar el mejor pronóstico posible, con el método del promedio móvil simple. Definir lo que se entiende por “el
mejor” y justificar la decisión.
Usando los datos del problema 15, encontrar la mejor solución posible mediante la suavización
exponencial. Justifica tu elección.
 Usando los datos del problema 15, busca la mejor solución posible mediante la suavización exponencial ajustada a la
tendencia. Compara el rendimiento alcanzado por éste método con las mejores soluciones obtenidas con el método del
promedio móvil y la suavización exponencial. ¿Cuál de los tres métodos seleccionarías?
Especifique un intervalo de confianza de 95% para su pronostico del problema #17. Como la demanda real no coincidirá con su
pronóstico, especifique un rango (un límite superior y un límite inferior) para dicho pronóstico en el cual esté suficientemente
seguro de que estará contenida la demanda real (19 de cada 20 ocasiones que usted realizó.