Sunteți pe pagina 1din 40

LABORATORIO DE PROCESOS AGROINDUSTRIALES

Programa de Ingeniera Industrial V Semestre

CONTROL DE PRODUCCION
EJERCICIOS DE REGRESION LINEAL SIMPLE Y MULTIPLE

Preparado por:
ARVEY MANCHOLA VARGAS
Cdigo: 4009018169
CARLOS ALBERTO FIAGA FIGUEROA
Cdigo: 4009018123
FABIO ANDRES SALAZAR DURAN
Cdigo: 4009017887
CLAUDIA MARCELA LOPEZ OSPINA
Cdigo: 4009018211

Presentado a:
MIGUEL ANGEL GONZALEZ URIBE
Ingeniero Industrial

CORPORACION UNIVERSITARIA DEL HUILA CORHUILA


PROGRAMA DE INGENIERIA INDUSTRIAL
SEPTIMO SEMESTRE
NEIVA (HUILA), MARZO 2012

CONTROL DE PRODUCCIN

CORPORACIN UNIVERSITARIA DEL HUILA CORHUILA


INGENIERA INDUSTRIAL

1. Sobre un conjunto de conductores se ha realizado una encuesta para analizar su


edad (Y) y el nmero de accidentes que han sufrido (X). A partir de la misma, se
obtuvieron los siguientes resultados:

X/Y
0
1
2

(20,30]
74
7
3

(30,40] (40,50]
82
78
6
5
2
2

(50,60]
72
6
1

(60,70]
7
5
1

A partir de estos datos, se le pide que determine para esta distribucin las curvas de
regresin de Y sobre X y de X sobre Y.

0
1
2

(20,30]
74
7
3
84

(30,40]
82
6
2
90

x= Nmero de Accidentes que han sufrido


y= Edad

Y
(40,50]
78
5
2
85

(50,60]
72
6
1
79

(60,70]
7
5
1
13

TOTAL
313
29
9
351

TALLER: EJERCICIOS DE REGRESIN

Solucin del ejercicio:

CONTROL DE PRODUCCIN

RESUMEN DE DATOS
CANTIDAD
PERSONAS
74
7
3
82
6
2
78
5
2
72
6
1
7
5
1

EDAD
PROMEDIO
25
25
25
35
35
35
45
45
45
55
55
55
65
65
65

No.
ACCIDENTES
0
1
2
0
1
2
0
1
2
0
1
2
0
1
2

Grficas
70

50
40
30
20
10
0
0

y = 1,105x + 40,493

0,5

1,5

No. de Accidentes que han sufrido

2,5

TALLER: EJERCICIOS DE REGRESIN

Cantidad de Personas

60

CONTROL DE PRODUCCIN

No. de Accidentes que han sufrido

2,5

1,5

0,5

0
0

10

y = 0,0013x + 0,0801

20

30

40

50

60

70

Cantidad de Personas

2. Para la economa espaola, disponemos de los datos anuales redondeados sobre


consumo final de los hogares a precios corrientes (Y) y renta nacional disponible
neta (X), tomados de la Contabilidad Nacional de Espaa base 1995 del INE, para el

Ao
Yt
Xt

1995
258'6
381 '7

1996
273'6
402'2

1997
289'7
426'5

1998
308'9
454'3

1999 2000
331 '0 355'0
486'5 520'2

2001
377'1
553'3

2002
400'4
590'0

Considerando que el consumo se puede expresar como funcin lineal de la renta


(Yt=a+bXt), determine:
a) Los parmetros a y b de la recta de regresin.

TALLER: EJERCICIOS DE REGRESIN

perodo 1995-2002, ambos expresados en miles de millones de euros:

CONTROL DE PRODUCCIN

b) El coeficiente de determinacin de dicha regresin.


c) La prediccin del valor que tomar el consumo para una renta de 650.000
millones de euros.
Solucin del ejercicio:

Ao
1995
1996
1997
1998
1999
2000
2001
2002

Xt
381,7
402,2
426,5
454,3
486,5
520,2
553,3
590,0

Yt
258,6
273,6
289,7
308,9
331,0
355,0
377,1
400,4

400,0
350,0
300,0
250,0
200,0
150,0
100,0
50,0
-

y = 0,6834x - 1,5973

100,0

200,0

300,0

400,0

Renta nacional disponible neta

500,0

600,0

700,0

TALLER: EJERCICIOS DE REGRESIN

Consumo final hogares a Precios Corrientes

450,0

CONTROL DE PRODUCCIN

a) Los parmetros a y b de la recta de regresin son:

Y
a
b

bX

1,5973
0,6834

b) El coeficiente de determinacin es igual a 0,9998, es decir, que la confiabilidad


que me brinda el pronstico es de 99,98 %.
c) La prediccin del valor del consumo para una renta de 650.000 millones de Euros
se calculara con la ecuacin y
millones el valor correspondiente (

0,6834

1,5973, expresando en miles de

650,1 .

Reemplazando en la frmula obtendremos,

0,6834

0,6834 650,1

1,5973

Por lo tanto la respuesta estar dada por 442.600 millones de Euros () en el


consumo final de los hogares a precios corrientes.

TALLER: EJERCICIOS DE REGRESIN

1,5973

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

CONTROL DE PRODUCCIN

Variable X 1 Grfico de los residuales


Residuos

2
1
0
-1

100,0

200,0

300,0

-2

400,0

500,0

600,0

700,0

Variable X 1

3. Se supone que se puede establecer cierta relacin lineal entre las exportaciones de
un pas y la produccin interna de dicho pas. En el caso de Espaa, tenemos los
datos anuales (expresados en miles de millones de pesetas) para tales variables

Aos

Produccin

Exportaciones

1992

52.654

10.420

1993

53.972

11.841

1994

57.383

14.443

1995

61.829

16.732

1996

65.381

18.760

A partir de tal informacin, y considerando como vlida dicha relacin lineal, se


pide:

TALLER: EJERCICIOS DE REGRESIN

correspondientes al quinquenio 1992-96 en la siguiente tabla:

CONTROL DE PRODUCCIN

a)

Si la produccin para el ao 1997 fue de 52.106.100 millones de pesetas, cul


sera la prediccin de las exportaciones para este ao? Qu grado de precisin
tendra dicha prediccin?

b) Si sabemos que las exportaciones para 1997 fueron de 69.045.704 millones de


pesetas, cul sera la produccin interna aproximada para ese ao? Qu
grado de confianza dara usted a esta prediccin?
Solucin del ejercicio:
Aos
1992
1993
1994
1995
1996

Produccin (x) Exportaciones (y)


52.654
10.420
53.972
11.841
57.383
14.443
61.289
16.732
65.381
18.760
Grfica

25.000

15.000

10.000

5.000

y = 0,6466x - 23154

10.000

20.000

30.000

40.000

Produccin

50.000

60.000

70.000

TALLER: EJERCICIOS DE REGRESIN

Exxportaciones

20.000

CONTROL DE PRODUCCIN

a) Produccin para el ao 1.997= 52.106.100 millones de pesetas, representados


en miles de millones obtendra,

52106,1 .

Reemplazamos en la ecuacin:

0,6466

23154

0,6466 52106,1

,!

23154

Es decir, que el valor de las exportaciones sera de 10.539.000 millones de


pesetas aproximadamente. En cuanto a la precisin de la prediccin,
consideramos que la precisin est relacionada con la menor cantidad de
residuos presentados en el modelo, por lo tanto si observamos la grfica de los
residuales observamos que es poco preciso.

Variable X 1 Grfico de los residuales


500
0
-500
-1000

10.000

20.000

30.000

40.000

Variable X 1

50.000

60.000

70.000

TALLER: EJERCICIOS DE REGRESIN

Residuos

1000

10

CONTROL DE PRODUCCIN

b) Exportaciones para el

ao 1997 = 69.045.704 millones

representadas en miles de millones obtendremos que, "

0,6466

69045,704

de Pesetas,

69045,704

23154
0,6466

23154

Despejamos x,

69045,704 23154
0,6466
# ,

Es decir, que el valor de la Produccin sera de 142.591.500 millones de


pesetas. En cuanto al grado de confianza, tendramos en cuenta el valor que nos
brinda el modelo de pronstico en el coeficiente de determinacin (R2), de
0,9856. Generndome un grado de confiabilidad de un 98,56%, y una viabilidad
de 0,99, muy cercano a 1, por lo que concluimos que el grado de confianza que
TALLER: EJERCICIOS DE REGRESIN

nos brinda el pronstico es bastante alto.

11

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

12

CONTROL DE PRODUCCIN

4. La empresa COLOBONA S. A .L. ha trabajado hasta ahora con la hiptesis de que


las ventas de un perodo dependen linealmente de los gastos de publicidad
efectuados en el perodo anterior. En este momento, le solicitan a usted la
realizacin de un anlisis que ponga de manifiesto si la hiptesis, hasta ahora
mantenida, se puede seguir sosteniendo en funcin de los datos que le suministran.

AOS

GASTOS

VENTAS

1987

21

1988

22

19

1989

25

20

1990

26

22

1991

27

23

1992

29

24

1993

30

26

En el informe final de su anlisis, deber responder a las siguientes preguntas:

a) Se incrementarn las ventas del perodo siguiente al aumentar los gastos en


publicidad del perodo actual?

teniendo en cuenta los valores de las variables?

c) Cul ser la prediccin de las ventas para 1994? Qu precisin tendr ese
pronstico?

TALLER: EJERCICIOS DE REGRESIN

b) Es adecuado suponer que el ajuste entre estas variables es efectivamente lineal

13

CONTROL DE PRODUCCIN

d) Si para el ao 1994 se piensa incrementar los gastos de publicidad en un 10%,


qu incremento relativo cabra esperar para las ventas de 1995 con respecto a
las de 1994, segn el modelo ajustado?

Solucin del Ejercicio:


El cuadro de datos que nos brinda el ejercicio refleja los gastos en Publicidad en
sus respectivos aos, sin embargo, dicha inversin no se ver reflejada sino en el
ao inmediatamente despus, es decir, los gastos de publicidad para el ao
1.987 fueron de 21, por lo tanto , para el ao 1.988 las ventas sern de 19. De
esta forma hemos optado por reajustar la informacin en el cuadro
correspondiente, obteniendo los datos que se observan a continuacin:

Gastos (x) Ventas (y)

1987

21

19

1988

22

20

1989

25

22

1990

26

23

1991

27

24

1992

29

26

1993

30

26,57

1994

33

29,11

TALLER: EJERCICIOS DE REGRESIN

Aos

14

CONTROL DE PRODUCCIN

Aos
Gastos
1987
1988
1989
1990
1991
1992
1993
1994

Gastos (x)
21
22
25
26
27
29
30
33

Aos
Ventas
1988
1989
1990
1991
1992
1993
1994
1995

Ventas (y)
19
20
22
23
24
26
26,57
29,11

Grfica
30

25

15

10

0
0

10

15

20
GASTOS

25

30

35

y = 0,8478x + 1,1377

TALLER: EJERCICIOS DE REGRESIN

VENTAS

20

15

CONTROL DE PRODUCCIN

a) Para determinar si las ventas se incrementarn en el perodo siguiente al


aumentar los gastos en publicidad del perodo actual, tomamos como referencia
el ao 1993, por lo que tendremos que calcular primero cual es el volumen de
ventas en ese perodo con respecto a los gastos en publicidad, cuyo valor es de
30.

Aplicamos la ecuacin obtenida en la grfica:

0,8478

0,8478 30

1,1377
1,1377

Para el periodo de 1.993 los gastos de publicidad poseen un valor de 30, por lo
que dicha inversin se ver reflejado en el ao inmediatamente siguiente, por lo
tanto las ventas para el perodo de 1.994 sern de 26,57.
Ahora incrementaremos en un 10% los gastos de Publicidad para el ao 1.994 y
determinar si efectivamente las ventas tambin aumentan.

Gastos 1.994 = 33

0,8478

0,8478 33

#,

1,1377
1,1377

TALLER: EJERCICIOS DE REGRESIN

Gastos 1.993 = 30 *10% = 33

16

CONTROL DE PRODUCCIN

Podemos observar que si incrementamos los gastos de publicidad para el perodo


actual

(1.994),

las

ventas

del

perodo siguiente (1.995)

efectivamente

aumentaran.

b) El ajuste entre estas variables es totalmente lineal, si observamos la lnea de


tendencia que nos muestra la grfica podemos apreciar que los valores de las
variables as lo indican.

c) La prediccin de las ventas para 1.994 es de 26,57. El modelo que nos presenta
el ejercicio ser bastante preciso ya que los residuos son casi nulos, los valores
oscilan o son muy cercanos a 0. Observar grfico de los residuales.

0,4
0,3
0,2
0,1
0
-0,1 0
-0,2
-0,3
-0,4

10

15

20

25

30

35

Variable X 1

d) Para el ao 1.994 se incremento en un 10% los gastos de Publicidad, por lo que


en el ao 1.995 de observaron unas ventas de 29,11. Es decir, 2,54 ms alta con
respecto a las ventas de 1.994 que fueron de 26,57.

TALLER: EJERCICIOS DE REGRESIN

Residuos

Variable X 1 Grfico de los residuales

17

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

18

CONTROL DE PRODUCCIN

Distribuciones tridimensionales:

5. No es algo desconocido el hecho de que las entradas de turistas extranjeros en


Espaa no han hecho sino crecer de forma continuada durante las ltimas dcadas,
coadyuvando a este hecho las peculiares caractersticas climatolgicas, econmicas
y culturales de nuestro pas. A partir de esta idea de principio, se ha querido ahondar
en el tema, analizando si la riqueza del turista y la distancia de su pas al nuestro son
factores vinculantes a la hora de tomar la decisin de visitarnos. Para ello, hemos
recogido en la siguiente tabla las entradas de turistas procedentes de 5 pases
diversos para un determinado ejercicio econmico, junto con su PIB per capita (en
miles de euros) y la distancia en kilmetros desde cada uno de los pases
considerados al nuestro:

Pas

N turistas entrados

PIB per cpita (103 )

Distancia (Kms.)

1800000

3'1

1500

2500000

4'2

1200

700000

2'7

3100

1200000

3'0

2500

1900000

4'0

1800

a) Determine la relacin lineal que explicara las entradas de turistas en funcin del
PIB per cpita y de la distancia.
b) Es dicho modelo suficientemente explicativo?

TALLER: EJERCICIOS DE REGRESIN

A partir de tal informacin, se le pide que:

19

CONTROL DE PRODUCCIN

c) Cul de las dos variables explicativas est ms correlacionada con la entrada de


turistas?
Solucin del ejercicio:
PIB per cpita (103 )

Distancia Kms.

N Turistas entrados

(X1)

(X2)

(Y)

3,1

1500

1800000

4,2

1200

2500000

2,7

3100

700000

3,0

2500

1200000

4,0

1800

1900000

Pas

a) En la grfica siguiente podemos observar que existe una relacin del PIB per
cpita que incide en la cantidad de turistas en Espaa, y precisamente es que a
mayor PIB per cpita, mayor ser la cantidad de turistas que ingresan a Espaa.
3000000
2500000

1500000
1000000
500000
0
0,0

1,0

2,0

3,0

PIB per cpita (103 )

4,0

5,0

TALLER: EJERCICIOS DE REGRESIN

No. Turistas

2000000

20

CONTROL DE PRODUCCIN

Por el contrario a la relacin existente entre la distancia en Kilmetros (Km), el cual


refleja que a mayor distancia, menor ser la cantidad de turistas que ingresan a
Espaa.
3000000

2500000

No. Turistas

2000000

1500000

1000000

500000

0
0

500

1000

1500

2000

2500

3000

3500

Distancia Km.

b) El modelo nos ofrece una viabilidad de 0.99, muy cercana a la ideal que es 1, y
un porcentaje de confiabilidad del 99.28%. Teniendo en cuenta est informacin

afectarn la entrada de turistas a Espaa, esto podra incidir considerablemente


en los resultados del modelo anteriormente expuesto.

TALLER: EJERCICIOS DE REGRESIN

podemos afirmar que en determinado caso si hubiesen otros factores que

21

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

22

CONTROL DE PRODUCCIN

c) Para determinar la correlacin de las dos variables explicativas, decidimos


implementar modelos de pronstico independientes para cada una (PIB per
cpita y distancia Kms.), para lograr obtener los datos correspondientes y
basados en el porcentaje de confiabilidad, asumimos que el mayor grado de
incidencia en la entrada de turistas lo tiene la distancia en Km, presentando un
94.22 % de confiabilidad, mientras que el PIB per cpita, nos arroja un 80,02 %,
muy por debajo del dato anterior.

Grfica de residuales (Modelo con las dos Variables Explicativas)

Variable X 1 Grfico de los residuales


100000

Residuos

50000
0
0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

4,5

-50000
-100000

Variable X 1

Variable X 2 Grfico de los residuales

Residuos

50000
0
0

500

1000

1500

2000

-50000
-100000

Variable X 2

2500

3000

3500

TALLER: EJERCICIOS DE REGRESIN

100000

23

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

24

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

25

CONTROL DE PRODUCCIN

Grfica de residuales (Modelo relacin PIB per cpita)

Variable X 1 Grfico de los residuales


600000

Residuos

400000
200000
0
0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

4,5

-200000
-400000

Variable X 1

Grfica de residuales (Modelo relacin Distancia Km)

Variable X 1 Grfico de los residuales


200000

0
0

500

1000

1500

2000

-100000
-200000
-300000

Variable X 1

2500

3000

3500

TALLER: EJERCICIOS DE REGRESIN

Residuos

100000

26

CONTROL DE PRODUCCIN

6. Porfirio Labrador es un joven agricultor de la provincia de Sevilla, que adquiri


conocimientos de estadstica en su formacin universitaria en esta escuela. Tiene
una finca de su propiedad, dedicada fundamentalmente a la produccin de trigo duro
especial para la fabricacin de pastas, dadas las importantes subvenciones que
recibe de la Comunidad Europea. Dada la influencia que supone que ejerce la
cantidad de lluvia cada sobre la produccin, utiliza un pluvimetro para medir sta,
mes a mes. En el cuadro adjunto aparece recogida la produccin de trigo duro en
Quintales mtricos por hectrea (X1) y la cantidad de lluvia cada en su finca, medida
en litros por metro cuadrado (X2), durante las cinco ltimas campaas:

CAMPAA
89/90

X1
80

X2
120

90/91

95

145

91/92

83

108

92/93

75

90

93/94

72

85

pertinaz sequa va a continuar para la prxima campaa 94/95, y que la cantidad de


lluvia para esa campaa va a ser la misma que la recogida en la campaa anterior.
Desde este supuesto, qu prediccin hara para la produccin de la campaa
venidera? Qu fiabilidad otorgara a tal prediccin? Si pensara que la cantidad de
lluvia recogida aumentase en un 1%, cul sera dicha prediccin?

TALLER: EJERCICIOS DE REGRESIN

Este agricultor, que es pesimista como la mayora de los de su sector, piensa que la

27

CONTROL DE PRODUCCIN

Solucin del ejercicio:


(Y)

(X)

CAMPAA

X1

X2

89/90

80

120

90/91

95

145

91/92

83

108

92/93

75

90

93/94

72

85

94/95

Grfica
100
90

70
60
50
40
30
20
10
0
0

20
y = 0,34x + 42,76

40

60

80
Cantidad de lluvia

100

120

140

160

TALLER: EJERCICIOS DE REGRESIN

Produccin de Trigo duro

80

28

CONTROL DE PRODUCCIN

Calculamos la produccin de la campaa venidera (94/95) utilizando la ecuacin dada


por el grfico, "

0,34

42,76, utilizando el valor de la misma cantidad de lluvia de la

campaa anterior (93/94), por lo tanto

85.

Reemplazamos en la frmula,
"

0,34

"

0,34 85

"

42,76
42,76

La prediccin de produccin de trigo duro para la campaa venidera si se conserva la

(Y)

(X)

CAMPAA

X1

X2

89/90

80

120

90/91

95

145

91/92

83

108

92/93

75

90

93/94

72

85

94/95

71,66

85

TALLER: EJERCICIOS DE REGRESIN

misma cantidad de lluvia de la campaa anterior es de 71,76.

29

CONTROL DE PRODUCCIN

La fiabilidad otorgada a la prediccin va directamente relacionada con el valor arrojado


por el modelo de pronstico elaborado, en donde el coeficiente de determinacin (R2)
es de 0.9007, es decir, la fiabilidad es de un 90,07%.

Calculamos ahora el valor de la produccin de trigo duro, si las lluvias aumentaran en


un 1%:
Cantidad de lluvia campaa 93/94 = 85*1% = 85,85 ,
"

0,34

"

0,34 85,85

42,76
42,76

,#

CAMPAA

(Y)
X1

(X)
X2

89/90

80

120

90/91

95

145

91/92

83

108

92/93

75

90

93/94

72

85

94/95

71,95

85,85

Por lo tanto, la prediccin de la produccin para la campaa 94/95, si las lluvias


aumentan un 1% es de 71,94.

TALLER: EJERCICIOS DE REGRESIN

"

85,85.

30

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

31

CONTROL DE PRODUCCIN

Variable X 1 Grfico de los residuales


4

Residuos

2
0
0

20

40

60

80

100

120

140

160

-2
-4
-6

Variable X 1

7. Una determinada cooperativa agrcola dedicada a la produccin y comercializacin


de fresas se plantea hacer un estudio para explicar el volumen de sus ventas (X1),
expresadas en millones de pesetas. Para ello, a partir de los datos semestrales
obtenidos desde la creacin de la cooperativa, se plantea un modelo lineal usando
como variables explicativas el gasto en publicidad (X2), expresado en millones de
pesetas, y el nmero de supermercados que comercializan sus productos (X3).

Semestre
2 de 1994
1 de 1995
2 de 1995
1 de 1996
2 de 1996
1 de 1997
2 de 1997
1 de 1998
2 de 1998
1 de 1999

X2
1'5
1'7
2
2'3
2'5
3
3'5
4
4'3
4'5

X3
15
17
19
20
23
25
26
29
31
34

X1
13
41
16
47
19
55
22
63
25
65

TALLER: EJERCICIOS DE REGRESIN

Seguidamente recogemos la informacin de la que dispone la empresa:

32

CONTROL DE PRODUCCIN

Desde tales cifras, responda a las siguientes cuestiones:

a) Determine el modelo de regresin planteado e intrprete sus coeficientes,


indicando a su vez cul es la capacidad explicativa del mismo.

b) A partir de los resultados obtenidos en el apartado anterior, sugerira usted que


pueden existir otras variables no tenidas en cuenta aqu y de importancia
relevante para la explicacin de las ventas?

Observando los datos, nos damos cuenta que las ventas correspondientes al primer
semestre son siempre mucho mayores que las del segundo semestre del mismo ao.
Para recoger este aspecto, se decidi introducir una nueva variable explicativa X4, cuyo
valor sera uno si el dato corresponde al primer semestre, y cero en caso contrario.
Utilizando esta variable adicional:

c) Determine el nuevo modelo de regresin planteado e intrprete sus coeficientes,


indicando la capacidad explicativa del mismo.

d) Bajo este modelo, en cunto se incrementaran las ventas en el segundo


semestre de 1999 (con respecto al segundo semestre de 1998) si los gastos en

supermercados comercialicen los productos de la cooperativa?

Solucin del ejercicio:

TALLER: EJERCICIOS DE REGRESIN

publicidad se incrementasen en 500000 pesetas y se espera que dos nuevos

33

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

34

CONTROL DE PRODUCCIN

Variable X 1 Grfico de los


residuales
Residuos

50
0
0,0

1,0

-50

2,0

3,0

4,0

5,0

Variable X 1

Residuos

Variable X 2 Grfico de los


residuales
50
0
-50

10

20
Variable X 2

30

40

Anlisis de los residuales

1
2
3
4
5
6
7
8
9
10

Pronstico para Y
20,29436094
25,51311685
29,4507941
29,49801475
38,60722726
39,98274721
37,46781055
42,73378711
46,67146436
55,78067688

Residuos
-7,294360938
15,48688315
-13,4507941
17,50198525
-19,60722726
15,01725279
-15,46781055
20,26621289
-21,67146436
9,219323123

a) Observando el coeficiente de correlacin mltiple podemos evidenciar que este


se encuentra con un valor de 0.52, y debemos saber que este me indica la
viabilidad del modelo que estoy utilizando, siendo el valor ideal 1, o en su defecto

TALLER: EJERCICIOS DE REGRESIN

Observacin

35

CONTROL DE PRODUCCIN

un valor que se acerque al mismo. Por lo tanto, concluimos que el valor reflejado
se encuentra en un rango muy por debajo del nivel ideal, por lo que sera poco
viable.
Por otra parte, el coeficiente de de determinacin (R2) me determina el nivel de
confiabilidad de dicho modelo, encontrndose ste en 0.2808, es decir un
28,08%. Muy por debajo del porcentaje ideal (100%). Por lo que concluimos que
es poco confiable.

b) A nuestro juicio podra existir la variable de demanda del sector, considerando


que es uno de los factores que incide considerablemente en las ventas de un

(Xa)

(Xb)

(Xc)

(Y)

Semestre

X2

X3

X4

X1

2 de 1994

1,5

15

13

1 de 1995

1,7

17

41

2 de 1995

2,0

19

16

1 de 1996

2,3

20

47

2 de 1996

2,5

23

19

1 de 1997

3,0

25

55

2 de 1997

3,5

26

22

1 de 1998

4,0

29

63

2 de 1998

4,3

31

25

1 de 1999

4,5

34

65

TALLER: EJERCICIOS DE REGRESIN

producto.

36

TALLER: EJERCICIOS DE REGRESIN

CONTROL DE PRODUCCIN

37

CONTROL DE PRODUCCIN

Residuos

Variable X 1 Grfico de los residuales


6
4
2
0
-2 0,0
-4
-6

1,0

2,0

3,0

4,0

5,0

Variable X 1

Variable X 2 Grfico de los residuales


6

Residuos

4
2
0
-2 0

10

15

20

25

30

35

40

-4
-6

Variable X 2

Variable X 3 Grfico de los residuales

Residuos

4
2
0
-2 0

0,2

0,4

0,6

-4
-6

Variable X 3

0,8

1,2

TALLER: EJERCICIOS DE REGRESIN

38

CONTROL DE PRODUCCIN

Anlisis de los residuales

Observacin

Pronstico para Y

1
2
3
4
5
6
7
8
9
10

10,14169515
44,95959979
14,47411363
48,53266798
18,8065321
54,05610918
22,95516355
59,10798174
28,62249557
64,34364131

Residuos
2,858304848
-3,95959979
1,525886374
-1,532667981
0,193467901
0,943890816
-0,955163552
3,892018264
-3,622495571
0,656358692

c) En el nuevo modelo de regresin se puede evidenciar que el coeficiente de


correlacin mltiple es 0.99, muy cercano al valor ideal (1), y el coeficiente de
determinacin (R2) es 0.9836, es decir, 98.36% de confiabilidad. Por lo tanto
podemos deducir que el nuevo modelo es bastante viable y tiene una gran
fiabilidad.

d) Calculamos ahora en cuanto incrementarn las ventas en el segundo semestre


de 1.999, sabiendo que los gastos de publicidad aumentaron 500.000 pesetas,

nos dara como resultado, 5.0, es decir


Mientras

que

para

los

supermercados

5,0.
que comercializan

aumentamos 2 unidades, es decir, que nuestro valor para

36.

el

producto

TALLER: EJERCICIOS DE REGRESIN

que expresados en miles son 0.5, y sumados con el valor del ao anterior (4.5)

39

CONTROL DE PRODUCCIN

Aplicamos la ecuacin mostrada por el modelo de regresin,


"

1,43

0,9

32,72

5,56

&

Reemplazamos los valores en la frmula,

"

1,43 5,0
"

0,9 36

7,15

32,72 0

32,4

"

5,56

5,56

, ##

Por lo tanto, las ventas del segundo semestre de 1.999 se incrementarn con

Semestre

(Xa)
X2

(Xb)
X3

(Xc)
X4

(Y)
X1

2 de 1994
1 de 1995
2 de 1995
1 de 1996
2 de 1996
1 de 1997
2 de 1997
1 de 1998
2 de 1998
1 de 1999
2 de 1999

1,5
1,7
2,0
2,3
2,5
3,0
3,5
4,0
4,3
4,5
5,0

15
17
19
20
23
25
26
29
31
34
36

0
1
0
1
0
1
0
1
0
1
0

13
41
16
47
19
55
22
63
25
65
33,99

TALLER: EJERCICIOS DE REGRESIN

respecto al segundo semestre de 1.998, de 25 a 34 millones de pesetas.

40