Esta Di Stica

1. Las siguientes observaciones muestrales se seleccionaron al azar.
a) Determine la ecuación de
regresión. b) Calcule el coeficiente de correlación. c) Calcule el coeficiente de determinación.
x y x^2 y^2 x*y

1 4 4 16 16 16
2 5 6 25 36 30
3 3 5 9 25 15
4 6 7 36 49 42
5 10 7 100 49 70
Total 28 29 186 175 173
1)SCx= 29.2
2)SCy= 6.8
3)Scxy= 10.6
4)b= 0.3630137
5)a= 3.7671233
5.6 ӯ= 5.8
6)r= � =0.7522462
7)r^2= 0.5658743
Gráfico
8
7 f(x) = 0.3630136986x + 3.7671232877
6 R² = 0.5658742949
5
4
y
3
2
1
0
2 3 4 5 6 7 8 9 10 11
x
Resumen
Estadísticas de la regresión
Coeficiente d 0.8278374
Coeficiente 0.6853147
R^2 ajustado 0.527972
Error típico 0.6577935
Observacione 4
ANÁLISIS DE VARIANZA
Grados de libertad
Suma dePromedio
cuadrados
de los cuadrados
F Valor crítico de F
Regresión 1 1.884615 1.8846154 4.35555556 0.17216
Residuos 2 0.865385 0.4326923
Total 3 2.75
Coeficiente Error Estadístico Probabilida Inferior Superior Inferior Superior

s típico t d 95% 95% 95.0% 95.0%
Intercepción 4.6346154 0.841003 5.5108212 0.03138616 1.01607 8.25315785 1.016073 8.2531578
4 0.2692308 0.129004 2.0869968 0.17216265 -0.28583 0.82428985 -0.28583 0.8242898
Resultados de datos de probabilidad
Percentil 4
12.5 5 Gráfico de probabilidad normal
37.5 6
62.5 7 8
6 f(x) = 0.028x + 4.85
87.5 7 R² = 0.8909090909
4
y
2
0
0 10 20 30 40 50 60 70 80 90 100
x
2. Las siguientes observaciones muestrales se seleccionaron al azar. a) Determine la
ecuación de regresión. b) Calcule el coeficiente de correlación. c) Calcule el coeficiente de
determinación. b) Encuentre el valor de Y cuando X es 7.
x y x^2 y^2 x*y

1 5 13 25 169 65
2 3 15 9 225 45
3 6 7 36 49 42
4 3 12 9 144 36
5 4 13 16 169 52
6 4 11 16 121 44
7 6 9 36 81 54
8 8 5 64 25 40
Total 39 85 211 983 378
1)SCx= 20.875
2)SCy= 79.875
3)Scxy= -36.375
4)b= -1.742515
5)a= 19.1197605
� = 4.875 ӯ= 10.625
6)r= -0.8908084
7)r^2= 0.79353968
Gráfico
16
14
12 f(x) = - 1.7425149701x + 19.119760479
R² = 0.7935396812
10
8
y
6
4
2
0
2 3 4 5 6 7 8 9
x
Resumen
Observacione 7
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 64.6272016 64.6272016 36.7142857 0.001767
Residuos 5 8.80136986 1.76027397
Total 6 73.4285714
Coeficiente Probabilida Inferior Superior Inferior Superior

s Error típico Estadístico t d 95% 95% 95.0% 95.0%
Intercepción 18.835616 1.49751154 12.5779441 5.6401E-05 14.98614 22.68509 14.98614 22.68509
5 -1.760274 0.2905111 -6.0592314 0.00176666 -2.50706 -1.01349 -2.507057 -1.01349
Percentil 13
Gráfico de probabilidad normal
7.14285714 5
21.4285714 7 20
35.7142857 9 15
f(x) = 0.1125x + 4.6607142857
50 11 10 R² = 0.984922179
y
64.2857143 12 5
78.5714286 13 0
0 10 20 30 40 50 60 70 80 90 100
92.8571429 15
x
3. Suponga que se tiene interés en la relación entre los años de trabajo, y la producción
semanal. Los datos muestrales revelaron la siguiente información:
a) Trace un diagrama de dispersión.

b) Calcule el coeficiente de correlación.
c) Calcule el coeficiente de determinación.
d) Interprete sus resultados en los incisos b) y c)
e) Determine la ecuación de regresión.
f) Encuentre el valor de la producción semanal cuando algún trabajador tenga 8 años de
experiencia.
Años en el Producción x^2 y^2 x*y
trabajo x semanal y
1 Gordon 14 6 196 36 84
2 James 7 5 49 25 35
3 Ford 3 3 9 9 9
4 Salter 15 9 225 81 135
5 Artes 11 7 121 49 77
Total 50 30 600 200 340
1)SCx= 100
2)SCy= 20
3)Scxy= 40 8 años 5.2
4)b= 0.4
5)a= 2
� = 10 ӯ= 6
6)r= 0.89442719
7)r^2= 0.80
R1: La relación entre los años en el trabajo y la producción semanal es muy alta
R2: Una variación en la variable producción semanal estaría explicada por un cambio en los
años en el trabajo enn un 80% la diferencia 20% por otros factores
R3: Cuando un trabajador tenga 8 años de trabajo su producción semanal será de 5.2
Gráfico
10
9
Producción semanal
8
7 f(x) = 0.4x + 2
6 R² = 0.8
5
4
3
2
1
0
2 4 6 8 10 12 14 16
Años en el trabajo
Resumen
Coeficiente d 1
Coeficiente 1
R^2 ajustado 1
Error típico 0
Observacione 4
Grados de libertad
Suma dePromedio
cuadradosde los cuadradosF Valor crítico de F
Regresión 1 20 20 #NUM! #NUM!
Residuos 2 0 0
Total 3 20
Coeficient Error Probabilida Inferior Superior Inferior Superior

es típico Estadístico t d 95% 95% 95.0% 95.0%
Intercepción 1.5 0 65535 #NUM! 1.5 1.5 1.5 1.5
14 0.5 0 65535 #NUM! 0.5 0.5 0.5 0.5
Percentil 6
12.5 3
37.5 5
62.5 7
87.5 9

10
8 f(x) = 0.08x + 2
6 R² = 1
4
6
2
0
0 10 20 30 40 50 60 70 80 90 100
Muestra percentil
4. Haverty’s Furniture Company estudió la relación entre las ventas y la cantidad gastada
en publicidad. La información de las ventas de los cuatro últimos meses se repite a
continuación.
c) Calcule el coeficiente de determinación
d) Interprete sus resultados en los incisos b) y c).
c) Estime las ventas cuando se gastan $3 millones en publicidad.
Gastos en Ganancias x^2 y^2 x*y

MES publicidad por ventas
1 Jul 2 7 4 49 14
2 Agos 1 3 1 9 3
3 Sept 3 8 9 64 24
4 Oct 4 10 16 100 40
Total 10 28 30 222 81
1)SCx= 5
2)SCy= 26 y=2.2x+1.5
3)Scxy= 11 8.1
4)b= 2.2
5)a= 1.5
� = 2.5 ӯ= 7
6)r= 0.96476382
7)r^2= 0.93
R1: La relación entre el gasto en publicidad y las ganancias en ventas es muy alta
R2: Una variación en la variable de ventas estaría explicada por un cambio en los gastos de
publicidad en un 93% la diferencia 7% por otros factores
R3: Cuando el gasto en publicidad sea de 3 milones las ventas serán de 8.1 millones
Chart Title
12
10
f(x) = 2.2x + 1.5
R² = 0.9307692308
8
Ventas
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
Publicidad
Resumen
Observacione 3
Grados de libertad
Suma dePromedio
cuadrados
de los cuadrados
Regresión 1 25.928571 25.928571 363 0.033383
Residuos 1 0.0714286 0.0714286
Total 2 26

s típico t d 95% 95% 95.0% 95.0%
Intercepción 0.7142857 0.3642157 1.9611614 0.30019026 -3.913513 5.3420847 -3.913513 5.3420847
2 2.3571429 0.1237179 19.052559 0.03338324 0.785158 3.929128 0.7851577 3.929128
Percentil 7
16.6666667 3
50 8
83.3333333 10

15
10
f(x) = 0.105x + 1.75
5 R² = 0.9423076923
7
0
10 20 30 40 50 60 70 80 90
Muestra percentil
5. La Bradford Electric Illuminating Company estudia la relación entre kilowatts-hora (miles)
usados y el número de habitaciones en una residencia privada familiar. Una muestra
aleatoria de 10 casas reveló lo siguiente
a) Determine la ecuación de regresión.
Kw por hora x^2 y^2 x*y

N° habi x y
1 12 9 144 81 108
2 9 7 81 49 63
3 14 10 196 100 140
4 6 5 36 25 30
5 10 8 100 64 80
6 8 6 64 36 48
7 10 8 100 64 80
8 10 10 100 100 100
9 4 4 16 16 16
10 7 7 49 49 49
Total 90 74 886 584 714
1)SCx= 76
2)SCy= 36.4 y=2.2x+1.5
3)Scxy= 48 8.1
4)b= 0.63157895
5)a= 1.71578947
� = 9 ӯ= 7.4
6)r= 0.9126069
7)r^2= 0.83
Chart Title
12
10 f(x) = 0.6315789474x + 1.7157894737
8 R² = 0.8328513592
Kw por hora
6
4
2
0
2 4 6 8 10 12 14 16
N° habitaciones
Resumen
Observacione 9
Grados deSuma
libertad
de
Promedio
cuadrados
de los cuadrados
Regresión 1 27.58249 27.58249 32.32469 0.0007465
Residuos 7 5.973064 0.853295
Total 8 33.55556
Coeficient Error Estadístic Probabilid Inferior Superior Inferior Superior

es típico ot ad 95% 95% 95.0% 95.0%
Intercepción 1.619529 1.032424 1.568665 0.1607141 -0.821767 4.0608246 -0.821767 4.0608246
12 0.646465 0.113704 5.685481 0.0007465 0.3775963 0.915333 0.3775963 0.915333
Percentil 9
5.55555556 4
16.6666667 5
27.7777778 6
38.8888889 7
50 7
61.1111111 8
72.2222222 8
83.3333333 10
94.4444444 10

15
10
f(x) = 0.066x + 3.9222222222
5 R² = 0.961589404
9
0
0 10 20 30 40 50 60 70 80 90 100
Axis Title
6. El senor James McWhinney, presidente de Daniel-James Financial Services, considera que hay una
relación entre el número de contactos con sus clientes y la cantidad de ventas en dólares. Para
documentar esta afirmación, el senor McWhinney reunió la siguiente información muestral. La
columna X indica el número de contactos con sus clientes el mes anterior, y la columna Y muestra el
valor de las ventas (miles de $) el mismo mes por cada cliente muestreado. a) Determine la
ecuación de regresión. b) Encuentre las ventas estimadas si se hicieron 40 contactos.
N° x^2 y^2 x*y

contactos x Ventas
1 14 24 196 576 336
2 12 14 144 196 168
3 20 28 400 784 560
4 16 30 256 900 480
5 46 80 2116 6400 3680
6 23 30 529 900 690
7 48 90 2304 8100 4320
8 50 85 2500 7225 4250
9 55 120 3025 14400 6600
10 50 110 2500 12100 5500
Total 334 611 13970 51581 26584
1)SCx= 2814.4
2)SCy= 14248.9 y=2.2x+1.5
3)Scxy= 6176.6 8.1
4)b= 2.19464184
5)a= -12.201038
� = 33.4 ӯ= 61.1
6)r= 0.97536215
7)r^2= 0.95
Chart Title
140
120
100 f(x) = 2.194641842x - 12.2010375213
80 R² = 0.9513313169
Ventas
60
40
20
0
0 10 20 30 40 50 60
N° contactos
Resumen
Observacione 9
Grados de libertad
Suma dePromedio
cuadrados
de los cuadrados
Regresión 1 12065.21 12065.214 129.07099 9.17E-06
Residuos 7 654.3415 93.477352
Total 8 12719.56

s típico t d 95% 95% 95.0% 95.0%
Intercepción -14.560976 7.726778 -1.884482 0.1014952 -32.8319 3.7099512 -32.8319 3.70995124
14 2.2439024 0.19751 11.360941 9.1723E-06 1.776865 2.71094 1.776865 2.71093998
Percentil 24
16.6666667 28
150
27.7777778 30
38.8888889 30 100 f(x) = 1.2675x + 1.8472222222
R² = 0.9356000384
24
50 80 50
61.1111111 85 0
72.2222222 90 0 10 20 30 40 50 60 70 80 90 100
83.3333333 110 Muestra percentil
94.4444444 120
7. En un artículo reciente en BusinessWeek se listan las “Best Small Companies”. Nos interesan los
e) Determine la ecuación de regresión

f ) Estime los ingresos de una compañía pequeña con ventas por $50.0 millones.
Compañía ventas (Miles de Ingresos(miles de

dolares) dolares ) �^� �^� �.�
Papa Jhon's International $ 89.20 $ 4.90 24.01 7956.64 437.08
Applied Innovation 18.6 4.4 19.36 345.96 81.84
Integracare 18.2 1.3 1.69 331.24 23.66
Wall Data 71.7 8 64 5140.89 573.6
Dacidson & associates 58.6 6.6 43.56 3433.96 386.76
Chico's FAS 46.8 4.1 16.81 2190.24 191.88
Checkmate Electronics 17.5 2.6 6.76 306.25 45.5
Royal Grip 11.9 1.7 2.89 141.61 20.23
M-Wave 19.6 3.5 12.25 384.16 68.6
Serving N-Slide 51.2 8.2 67.24 2621.44 419.84
Daig 28.6 6 36 817.96 171.6
Cobra Golf 69.2 12.8 163.84 4788.64 885.76
∑ $ 501.10 $ 64.10 $ 458.41 $ 28,458.99 $ 3,306.35
a=aun que no se realizaran incremento en ventas , los ingresos serian un promedio de

12,77
b=por cada venta adicional , la empresas tendran un ingreso de 41,16 dólares màs
r=la relaciòn entre las ventas y los ingresos es alta
Scx 116.0091666667
Scy 7533.8891666667 una variacion entre las ventas y los
Scxy 629.6408333333 ingresos es de un 45%
pendiente 5.4275093204 y la diferencia es decir el 55% estara
X $ 5.34 explicado en otros factores
Y $ 41.76
f ) Estime los ingresos de una compañía pequeña
a $ 12.77 con ventas por $50.0 millones.
Coeficiente correlacion 0.6734992525 �=0,0836(50,0)+1,8517" " 6.0317
Coeficiente de determinaci 0.4536012431
Chart Title
$ 14.00
$ 12.00
$ 10.00
$ 8.00 f(x) = 0.0835744752x + 1.851735873
$ 6.00 R² = 0.4536012431
$ 4.00
Venta s
$ 2.00
$ 0.00
00 .0
0
.0
0
.0
0
.0
0
.0
0
.0
0
.0
0
.0
0
.0
0 00
0. 10 20 30 40 50 60 70 80 90 00.
$ $ $ $ $ $ $ $ $ $ 1
$
Ingresos
$ 2.00
$ 0.00
V
00 .0
0
.0
0
.0
0
.0
0
.0
0
.0
0
.0
0
.0
0
.0
0 00
0. 10 20 30 40 50 60 70 80 90 00.
$ $ $ $ $ $ $ $ $ $ 1
$
Ingresos
Resumen
Observacione 11
Grados deSuma
libertad
de
Promedio
cuadrados
de los cuadrados
Regresión 1 83.8337 83.8337 23.6057661 0.000898
Residuos 9 31.96267 3.551408
Total 10 115.7964
Coeficient Error Estadístic Probabilida Inferior Superior Inferior Superior

es típico ot d 95% 95% 95.0% 95.0%
Intercepción 0.570791 1.141656 0.499968 0.62909311 -2.01181 3.1533955 -2.011813 3.1533955
89.2 0.128481 0.026444 4.858577 0.0008976 0.06866 0.1883018 0.0686601 0.1883018
Percentil 4.9
4.54545455 1.3
13.6363636 1.7 Gráfico de probabilidad normal
22.7272727 2.6 15
31.8181818 3.5 10
40.9090909 4.1 f(x) = 0.1078x - 0.0081818182
4.9
5 R² = 0.9123257129
50 4.4
59.0909091 6 0
68.1818182 6.6 0 20 40 60 80 100 120
86.3636364 8.2
95.4545455 12.8
8. Se realiza un estudio de fondos mutualistas para fines de inversión en varios fondos. Para este
¿es posible determinar la tasa de rendimiento a cinco años con base en los activos del fondo? Se
seleccionaron nueve fondos mutualistas al azar, y sus activos y tasas de recuperación se muestran a
continuación.
e) Determine la ecuación de regresión. Utilice los activos como variable independiente.
f ) Para un fondo con $400.0 millones en ventas, determine la tasa de rendimiento a cinco años (en
porcentaje).
Fondo Rendimiento
Activos x % �^� �^�
�^� �.�
AARP High Quality bond $ 622.20 10.8 116.64 387132.84 $ 6,719.76
Badson Bond L 160.4 11.3 127.69 25728.16 1812.52
Compass capital Fixed In 275.7 11.4 129.96 76010.49 3142.98
Galaxy Bond Retail 433.2 9.1 82.81 187662.24 3942.12
Keystone Custiodian B-1 437.9 9.2 84.64 191756.41 4028.68
MFS Bond A 945.5 11.6 134.56 893970.25 10967.8
Nichols Income 158.3 9.5 90.25 25058.89 1503.85
T. Rowe Price 681 8.2 67.24 463761 5584.2
Short-Term 0 0 0 0 0
Thompson Incime B 241.3 6.8 46.24 58225.69 1640.84
∑ $ 3,955.50 $ 87.90 $ 880.03 $ 2,309,305.97 $ 39,342.75
Scx 107.389
aunque el activo sea 0 , el rendimiento sera un
Scy 744707.945 promedio del 21,17
Scxy 4573.905
si se tuviera un activo adicional , el rendimiento seria
pendiente 42.59193213 del 395,55
X $ 8.79
Y $ 395.55 la relaciòn entre el activo y elremdimiento es bajo
a $ 21.17
una variacion entre el activo y el rendimiento es de un
Coeficiente correlacion 0.51146303 26% .
Coeficiente de determi0.261594431
y la diferencia es decir el 74 % estara explicado en
otros factores de la mutualista
�=0,0061(400,0)+6,3606 8.8006
Chart Title
15
10 f(x) = 0.0061418775x + 6.3605803397

R² = 0.2615944313
Activos
0
$ 0.00 $ 200.00 $ 400.00 $ 600.00 $ 800.00 $ 1,000.00
Rendimiento
R² = 0.2615944313
Activo
5
0
$ 0.00 $ 200.00 $ 400.00 $ 600.00 $ 800.00 $ 1,000.00
Rendimiento
Resumen
Coeficiente de 0.511463
Observacione 10
Grados deSuma
libertad
Promedio
de cuadrados
de los cuadrados
Regresión 1 194811 194811 2.8341545 0.1307765
Residuos 8 549896 68737.1
Total 9 744708
Coeficient Error Estadísti Probabilida Inferior Superior Inferior Superior

es típico co t d 95% 95% 95,0% 95,0%
Intercepción 21.16692 237.336 0.08919 0.931127 -526.1318 568.4656 -526.1318 568.4656
Variable X 1 42.59193 25.2997 1.68349 0.1307765 -15.74931 100.9332 -15.74931 100.93317
Análisis de los residuales
Observación
Pronóstico para
Residuos
Y
1 481.1598 141.04
2 502.4557 -342.06
3 506.7149 -231.01
4 408.7535 24.4465
5 413.0127 24.8873
6 515.2333 430.267
7 425.7903 -267.49
8 370.4208 310.579
9 21.16692 -21.167
10 310.7921 -69.492
Variable X 1 Curva de regresión ajustada

1000
800
600
400 f(x) = 42.5919321346x + 21.1669165371
Y
200 R² = 1
0
0 2 4 6 8 10 12 14
Variable X 1
Y Pronóstico para Y
Li near (Pronóstico para Y)
Variable X 1
Y Pronóstico para Y
Li near (Pronóstico para Y)
9. Un ejecutivo de una compañía telefónica estudia la relación entre el número de llamadas telefónicas
por semana en una vivienda y el número de personas en dicha vivienda, para lo cual obtiene una muestra
de 12 familias. Trace la información en un diagrama de dispersión. Calcule e interprete el modelo de
regresión lineal. Calcule el coeficiente de correlación y determinación. ¿Es directa o inversa, fuerte o débil
la relación?
n Llamadas Familia
�^� �^�
y x �.�
1 22 4 16 484 88
2 15 5 25 225 75
3 20 4 16 400 80
4 31 3 9 961 93
5 75 7 49 5625 525
6 26 5 25 676 130
7 20 6 36 400 120
8 28 5 25 784 140
9 26 5 25 676 130
10 59 7 49 3481 413
11 23 2 4 529 46
12 33 5 25 1089 165
378 58 304 15330 2005
1)SCx= 23.66666667
2)SCy= 3423
3)Scxy= 178
4)b= 7.521126761
5)a= -11.0187793
� = 4.833333333 ӯ= 25.33333333
6)r= 0.625385785
7)r^2= 0.39
Chart Title
8
7
f(x) = 0.0520011686x + 3.1952965235
6 R² = 0.3911073805
5
Llamadas
4
3
2
1
0
10 20 30 40 50 60 70 80
Familia
Resumen
R^2 ajustad 0.3302181
Observacion 12
Grados deSuma
libertad
de
Promedio
cuadrados
de los cuadrados
Regresión 1 1338.76 1338.7606 6.42325704 0.0296457
Residuos 10 2084.24 208.42394
Total 11 3423

s típico t d 95% 95% 95,0% 95,0%
Intercepción-4.8521127 14.9366 -0.324847 0.7519903 -38.13291 28.42868 -38.1329 28.428681
Variable X 1 7.5211268 2.9676 2.5344145 0.02964569 0.9089035 14.13335 0.908904 14.13335
Observación
Pronóstico paraResiduos
Y
1 25.232394 -3.23239
2 32.753521 -17.7535
80
3 25.232394 -5.23239
4 17.711268 13.2887 60
5 47.795775 27.2042
40 f(x) = 7.5211267606x - 4.8521126761
6 32.753521 -6.75352
Y
R² = 0.3911073805
7 40.274648 -20.2746 20
8 32.753521 -4.75352 0
9 32.753521 -6.75352 1 2 3 4 5 6 7 8
10 47.795775 11.2042 Variable X 1
11 10.190141 12.8099
12 32.753521 0.24648
10. El director del Zoológico de Tampa estudia la relación entre el número de visitantes, en miles, y la
temperatura alta, en grados Fahrenheit. Selecciona una muestra de 15 días y la información muestral
recopilada se tabula a continuación. Elabore un diagrama de dispersión con la información. Calcule e
interprete el modelo de regresión lineal. Calcule el coeficiente de correlación y determinación. ¿Es directa
o inversa la relación? .Consideraría la asociación fuerte o débil?
n Visitantes x Temp y �^� �^� �.�

1 2 86 4 7396 172
2 0.6 71 0.36 5041 42.6
3 2 89 4 7921 178
4 2.1 73 4.41 5329 153.3
5 2.2 76 4.84 5776 167.2
6 2.1 75 4.41 5625 157.5
7 0.5 68 0.25 4624 34
8 0.3 72 0.09 5184 21.6
9 2.2 84 4.84 7056 184.8
10 2.5 66 6.25 4356 165
11 1.3 76 1.69 5776 98.8
12 3.6 84 12.96 7056 302.4
13 1 75 1 5625 75
14 1.8 72 3.24 5184 129.6
15 2.1 76 4.41 5776 159.6
26.3 1143 56.75 87725 2041.4
1)SCx= 10.6373333
2)SCy= 628.4
3)Scxy= 37.34
4)b= 3.51027827
5)a= 70.0453121
� = 1.75333333 ӯ= 76.2
6)r= 0.45670929
7)r^2= 0.21
Chart Title
100
80
f(x) = 3.5102782652x + 70.0453121083
Temperatura
60 R² = 0.2085833711
40
20
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Visitantes
Tem
20
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Visitantes
Resumen
Coeficiente de0.456709
Observacione 15
Grados de Suma
libertad
de Promedio
cuadradosde los cuadradosF Valor crítico de F
Regresión 1 2.2187708 2.21877085 3.42624065 0.0870156
Residuos 13 8.4185625 0.64758173
Total 14 10.637333
Coeficien Probabilida Inferior Superior Inferior Superior

tes Error típico Estadístico t d 95% 95% 95,0% 95,0%
Intercepción -2.77453 2.4549648 -1.13017015 0.27882585 -8.078157 2.529101 -8.078157 2.529101
Variable X 1 0.059421 0.0321018 1.85101071 0.08701562 -0.009931 0.1287724 -0.009931 0.128772

Observación
Y
1 2.335657 -0.3356567
2 1.444345 -0.8443454 Variable X 1 Curva de regresión ajustada
3 2.513919 -0.5139189 4
4 1.563187 0.5368131
3
5 1.741449 0.4585508
6 1.682028 0.4179716 2 f(x) = 0.0594207511x - 2.7745279015
R² = 0.2085833711
Y
7 1.266083 -0.7660832 1
8 1.503766 -1.2037662
9 2.216815 -0.0168152 0
60 65 70 75 80 85 90 95
10 1.147242 1.3527583
11 1.741449 -0.4414492 Variable X 1
12 2.216815 1.3831848
13 1.682028 -0.6820284
14 1.503766 0.2962338
15 1.741449 0.3585508
11. Bi-Io Appliance Super-Store tiene tiendas en varias áreas metropolitanas de Nueva
Inglaterra. El gerente general de ventas planea transmitir un comercial para una cámara
digital en estaciones de televisión locales antes de una venta que empezara el sábado y
terminara el domingo. Planea obtener la información para las ventas de la cámara digital
durante el sábado y el domingo en las diversas tiendas y compararlas con el número de
veces que se transmitió el anuncio en las estaciones de televisión. El propósito es
determinar si hay alguna relación entre el número de veces que se transmitió el anuncio y
las ventas de cámaras digitales.
a) ¿Cuál es la variable dependiente?
b) Trace un diagrama de dispersión.
c) Determine el coeficiente de correlación.
d) Establezca el coeficiente de determinación.
e) Interprete estas medidas estadísticas.
Ubicació Numero
n de la de
estacion transmisio Ventas de sabados
x² y² xy
de TV nes a domingo
Providence 4 15 16 225 60
Springfield 2 8 4 64 16
New Have 5 21 25 441 105
Boston 6 24 36 576 144
Hartford 3 17 9 289 51
sumas 20 85 90 1595 376
Scx 10.00
Scy 150.00
Scxy 36.00
b 3.60
X 4.00
Y 17.00
a 2.60
Coeficiente 0.93
Coeficient 0.86
a) ¿Cuál es la variable dependiente?

x= Numeor de transmiciones
e) Interprete estas medidas estadísticas.
R= 0.93 relacion entre variables
R^2= 0.86 Relacion media alta entre variables
a= 2.6 numero minimo de ventas de sabados a domingos
b= 3.6 numero de ventas que se aunemtan por una transmicion de televicion
Chart Title
Numero de transmisiones
30
25
20 f(x) = 3.6x + 2.6
R² = 0.864
15
10
5
0
1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
Ventas de sabados a domingo (miles de dolares)
10
Numero de
5
0
1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
Ventas de sabados a domingo (miles de dolares)
Resumen
Coeficiente d 0.864
Observacione 5
Grados deSuma
libertad
dePromedio
cuadrados
de los cuadrados
Regresión 1 129.6 129.6 19.0588235 0.0222241
Residuos 3 20.4 6.8
Total 4 150
Coeficien Estadístico Probabilida Inferior Superior Inferior Superior

tes Error típico t d 95% 95% 95,0% 95,0%
Intercepción 2.6 3.4985711 0.7431605 0.51129021 -8.534015 13.734015 -8.534015 13.73401
Variable X 1 3.6 0.8246211 4.3656413 0.02222409 0.9756875 6.2243125 0.975688 6.224312
Observación
Y
1 17 -2
2 9.8 -1.8
3 20.6 0.4
4 24.2 -0.2
5 13.4 3.6

30
20 f(x) = 3.6x + 2.6

R² = 1
10
Y
0
1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
Variable X 1
12. El departamento de producción de Celltronics International desea explorar la relación entre
el número de empleados que trabajan en una línea de ensamble parcial y el número de
unidades producido. Como experimento, se asignó a dos empleados al ensamble parcial. Su
desempeño fue de 15 productos durante un período de una hora. Después, cuatro empleados
hicieron los ensambles y su número fue de 25 durante un periodo de una hora. El conjunto
completo de observaciones pareadas se muestra a continuación. La variable dependiente es la
producción; es decir, se supone que el nivel de producción depende del número de empleados.
b) Con base en el diagrama de dispersión, ¿parece haber alguna relación entre el número de
ensambladores y la producción? Explique.
c) Calcule el coeficiente de correlación.
d) Evalúe la fuerza de la relación calculando el coeficiente de determinación.
Número de Produccion
Ensamblador en una hora x² y² xy
Nº es (unidades)
1 2 15 4 225 30
2 4 25 16 625 100
3 1 10 1 100 10
4 5 40 25 1600 200
5 3 30 9 900 90
sumas 15 120 55 3450 430
Scx 10.00 b) Con base en el diagrama de dispersión, ¿parece haber

Scy 570.00 alguna relación entre el número de ensambladores y la
Scxy 70.00 producción? Explique.
b 7.00
X 3.00 r^2= 0.86 la relacion entre variables es muy alta
Y 24.00
a 3.00 d) Evalúe la fuerza de la relación calculando el coeficiente de
Coeficien 0.93 determinación.
Coeficien 0.86 R= 0.93
R^2= 0.86
Chart Title
Numero de ensambladoras
45
40
35 f(x) = 7x + 3
30 R² = 0.8596491228
25
20
15
10
5
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Produccion en una hora (unidades)
5
Numer
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Produccion en una hora (unidades)
Resumen
Coeficiente d0.917346
R^2 ajustado0.762286
Observacione 4
Grados deSuma
libertad
dePromedio
cuadrados
de los cuadrados
Regresión 1 394.4643 394.46429 10.62019 0.08265
Residuos 2 74.28571 37.142857
Total 3 468.75
Coeficien Error Estadístico Probabilid Inferior Superior Inferior Superior

tes típico t ad 95% 95% 95.0% 95.0%
Intercepción 4.428571 7.356796 0.6019701 0.608347 -27.2252 36.08231 -27.22517 36.08231
2 6.714286 2.060315 3.2588637 0.082654 -2.15053 15.57911 -2.150534 15.57911
Percentil 15
12.5 10
37.5 25
62.5 30
87.5 40

50
40
30 f(x) = 0.38x + 7.25
20 R² = 0.9626666667
15
10
0
0 10 20 30 40 50 60 70 80 90 100
Muestra percentil
13. Copier Sales of America vende copiadoras a empresas de todos tamaños en Estados Unidos y Canada.
Hace poco ascendieron a la señora Marcy Bancer al puesto de gerente nacional de ventas. A la siguiente
junta de ventas asistirán los representantes de ventas de todo el país. Ella desea destacar la importancia
de hacer una última llamada de ventas adicional cada día, y decide reunir información sobre la relación
entre el número de llamadas de ventas y el número de copiadoras vendidas. Así selecciona una muestra
aleatoria de 10 representantes de ventas y determina el número de llamadas que hicieron el mes pasado
y el número de copiadoras que vendieron. La información muestral se reporta en la tabla siguiente tabla
¿Que observaciones cabe hacer respecto de la relación entre el número de llamadas de ventas y el
número de copiadoras vendidas?
a) Elabore un diagrama de dispersión para representar la información.
d) Interprete sus resultados en los incisos b) y c).
f) Estime el número de copiadoras vendidas, para un vendedor que realice 50 llamadas
Numero
Numero de
de copiador
Representacion llamadas as x² y² xy
de ventas de ventas vendidas
Tom Keller 20 30 400 900 600
Jeff Hall 40 60 1600 3600 2400
Brian Virost 20 40 400 1600 800
Greg Fish 30 60 900 3600 1800
Susan Welch 10 30 100 900 300
Carlos Ramirez 10 40 100 1600 400
Rich Niles 20 40 400 1600 800
Mike Kiel 20 50 400 2500 1000
Mark Reynolds 20 30 400 900 600
Soni Jones 30 70 900 4900 2100
sumas 220 450 5600 22100 10800
Scx 760.000 b= 0.759 se refiere al relacion que se tienen las variables

Scy 1850.000 c= 0.576 la relacionentre variables es medianamente
Scxy 900.000 y = 1,1842x + 18,947
b 1.184 y=1,1842(50)+18,947
X 22.000 y= 78.158 copiadoras vendidas
Y 45.000
a 18.947
Coeficiente correl 0.759
Coeficiente de de 0.576
Chart Title
Copiadoras vendidas
80
60 f(x) = 1.1842105263x + 18.9473684211
40 R² = 0.5761024182
20
0
5 10 15 20 25 30 35 40 45
Llamadas de ventas
20
Copiad
0
5 10 15 20 25 30 35 40 45
Llamadas de ventas
Resumen
Observacione 10
Grados de
Suma
libertad
de
Promedio
cuadrados
de los cuadrados
Regresión 1 1065.789 1065.7895 10.872483 0.01090193
Residuos 8 784.2105 98.026316
Total 9 1850
Coeficie Error Estadístic Probabilida Superior Inferior Superior

ntes típico ot d Inferior 95% 95% 95,0% 95,0%
Intercepción 18.9474 8.498819 2.229412 0.0563486 -0.6509423 38.54568 -0.65094 38.545679
Variable X 1 1.18421 0.359141 3.2973449 0.0109019 0.35603074 2.01239 0.356031 2.0123903
Observación
Pronóstico para
Residuos
Y
1 42.6316 -12.6316
2 66.3158 -6.31579
3 42.6316 -2.63158
4 54.4737 5.526316
5 30.7895 -0.78947
6 30.7895 9.210526
7 42.6316 -2.63158
8 42.6316 7.368421
9 42.6316 -12.6316
10 54.4737 15.52632

80
70
60 f(x) = 1.1842105263x + 18.9473684211
50 R² = 1 Y
40 Pronóstico para Y
Y
30 Linear (Pronóstico para Y)

20
10
0
5 10 15 20 25 30 35 40 45
Variable X 1
14. Las ventas de Sunflowers, una cadena de tiendas de ropa para dama, se han incrementado
durante los últimos 12 años conforme la cadena ha expandido el número de tiendas abiertas.
Hasta ahora, los gerentes de Sunflowers seleccionaban las locaciones de las tiendas con base en
factores subjetivos como una Renta accesible o la percepción de que la ubicación parecía ideal
para una tienda de ropa. Como nuevo director de planeación, usted necesita desarrollar un
enfoque sistemático para seleccionar nuevas locaciones que permitan que Sunflowers tome
decisiones mejor informadas para abrir otras tiendas. Este plan deberá permitirle predecir las
ventas anuales de todas las tiendas potenciales que esté considerando. Usted cree que el
tamaño de la tienda contribuye en forma significativa a su éxito y desea considerar esta relación
en el proceso de decisión.
a. Construya un diagrama de dispersión.
b. Utilice el método de mínimos cuadrados para encontrar los coeficientes de regresión
c. Interprete el significado de a y b en este problema.
Ventas
anuales
Pies ( en
cuadrados millones de x² y² xy
Tienda (000) dolares)
1 1.7 3.7 2.89 13.69 6.29
2 1.6 3.9 2.56 15.21 6.24
3 2.8 6.7 7.84 44.89 18.76
4 5.6 9.5 31.36 90.25 53.2
5 1.3 3.4 1.69 11.56 4.42
6 2.2 5.6 4.84 31.36 12.32
7 1.3 3.7 1.69 13.69 4.81
8 1.1 2.7 1.21 7.29 2.97
9 3.2 5.5 10.24 30.25 17.6
10 1.5 2.9 2.25 8.41 4.35
11 5.2 10.7 27.04 114.49 55.64
12 4.6 7.6 21.16 57.76 34.96
13 5.8 11.8 33.64 139.24 68.44
14 3 4.1 9 16.81 12.3
Suma 40.9 81.8 157.41 594.9 302.3
Scx 37.924 a= minimo que pueden tener las ventas

Scy 116.954 cuando el valor es 0
Scxy 63.327
b 1.670 b= el numero de veces que pueden crecer las ventas
X 2.921 cuando crece en 1 pie
Y 5.843
a 0.964
Ve n ta s a n u a l e s ( e n m i l l o n e s )
Coeficiente 0.951
Coeficiente 0.904
Chart Title
15
10
f(x) = 1.6698623171x + 0.9644736594
5 R² = 0.9041790034
0
0 1 2 3 4 5 6 7
Pi e cuadrado en mi l es
Chart Title
Ve n ta
15
10
f(x) = 1.6698623171x + 0.9644736594
5 R² = 0.9041790034
0
0 1 2 3 4 5 6 7
Pi e cuadrado en mi l es
Resumen
Coeficient 0.95088328
Coeficient 0.904179
R^2 ajust 0.89619392
Error típic 0.96637968
Observaci 14
Grados deSuma
libertad
de
Promedio
cuadrados
de los cuadrados
Regresión 1 105.748 105.74761 113.2335 1.8227E-07
Residuos 12 11.2067 0.93388968
Total 13 116.954
Error Probabili Superior Inferior Superior

Coeficientes típico Estadístico t dad Inferior 95% 95% 95,0% 95,0%
Intercepci 0.96447366 0.52619 1.83292652 0.091727 -0.1820031 2.11095 -0.182 2.1109504
Variable X 1.66986232 0.15693 10.6411237 1.82E-07 1.3279513 2.011773 1.32795 2.0117733
Observación
Y
1 3.8032396 -0.10324
2 3.63625337 0.26375
3 5.64008815 1.05991
4 10.3157026 -0.8157
5 3.13529467 0.26471
6 4.63817076 0.96183
7 3.13529467 0.56471
8 2.80132221 -0.10132
9 6.30803307 -0.80803
10 3.46926714 -0.56927
11 9.64775771 1.05224
12 8.64584032 -1.04584
13 10.6496751 1.15032
14 5.97406061 -1.87406

14
12
10
f(x) = 1.6698623171x + 0.9644736594
8 R² = 1
6
Y
4
2
0
0 1 2 3 4 5 6 7
Variable X 1
2
0
0 1 2 3 4 5 6 7
Variable X 1
Una industria galletera desea establecer la relación entre el precio del quintal de harina
y el precio que adoptaría el kilo de galleta. Según datos históricos se han tomado 13
datos anteriores.
a) Haga un diagrama de dispersión para los datos.
b) Calcule e interprete el modelo de regresión (Intercepto y pendiente de la ecuación de
la recta)
c) Calcule e interprete los coeficientes de correlación y determinación.
d) Si el precio del quintal de harina asciende a $50. ¿A cuánto debería vender el
kilogramo de galleta?
Nº Precio Precio
x² y² xy
Harina Galletas
1 40 10.5 1600 110.25 420
2 42 10 1764 100 420
3 45 10.5 2025 110.25 472.5
4 41 11.4 1681 129.96 467.4
5 40 10.7 1600 114.49 428
6 40 10.5 1600 110.25 420
7 40 10.4 1600 108.16 416
8 44 10.5 1936 110.25 462
9 48 11 2304 121 528
10 49 11.7 2401 136.89 573.3
11 40 12 1600 144 480
12 48 12.1 2304 146.41 580.8
13 44 11.8 1936 139.24 519.2
sumas 561 143.1 24351 1581.15 6187.2
Scx 141.692 d) Si el precio del quintal de harina asciende a $50. ¿A cuánto

Scy 5.949 debería vender el kilogramo de galleta?
Scxy 11.885 y = 0,0839x + 7,3881
b 0.084 y=0,0839(50)+7,3881
X 43.154 Respuesta = 11.58
Y 11.008
a 7.388
Coefic 0.409
Coefi 0.168
0.409337551
Chart Title
14
12
f(x) = 0.0838762215x + 7.3881107492
Precio Galletas
10
R² = 0.1675572307
8
6
4
2
0
38 40 42 44 46 48 50
Precio harina
Resumen
Coeficiente de co 0.40933755
Coeficiente de d 0.16755723
R^2 ajustado 0.09188062
Observaciones 13
Grados de libertad
Suma dePromedio
cuadrados
de los cuadrados
Regresión 1 0.9968366 0.9968366 2.2141216 0.16485
Residuos 11 4.9523941 0.4502176
Total 12 5.9492308
Error Estadístico Probabilid Inferior Superior Inferior Superior

Coeficientes
típico t ad 95% 95% 95,0% 95,0%
Intercepción 7.38811075 2.4396349 3.0283673 0.0114828 2.01851 12.757711 2.0185104 12.7577111
Variable X 1 0.08387622 0.0563687 1.4879925 0.1648493 -0.0402 0.2079429 -0.0401905 0.20794292
ObservaciónPronóstico para Y
Residuos
1 10.7431596 -0.24316
2 10.9109121 -0.910912
3 11.1625407 -0.662541
4 10.8270358 0.5729642
5 10.7431596 -0.04316
6 10.7431596 -0.24316
7 10.7431596 -0.34316
8 11.0786645 -0.578664
9 11.4141694 -0.414169
10 11.4980456 0.2019544
11 10.7431596 1.2568404
12 11.4141694 0.6858306
13 11.0786645 0.7213355

15
10 f(x) = 0.0838762215x + 7.3881107492

R² = 1
Y
0
38 40 42 44 46 48 50
Variable X 1
16. Una empresa fabrica cajas de cartón para pizzas. El departamento de
planeación sabe que un pronóstico adecuado y preciso de cajas para pizza de un
cliente está en relación estrecha con los gastos de promoción de éste, el cual se
puede obtener por adelantado antes de realizar el gasto. El departamento de
planeación de operaciones está interesado en establecer la relación entre la
promoción de la empresa de pizzas y las ventas. Una vez que eso haya
establecido, las órdenes de compra de las cajas para pizzas, en dólares, pueden
expresarse como porcentaje fijo de las ventas.
a) Calcule e interprete el modelo de regresión (Intercepto y pendiente de la
ecuación de la recta) y los coeficientes de correlación y determinación.
b) Si se invierte $2’000.000 en publicidad. ¿A cuánto ascenderían las ventas?
Timestres Publicidad Ventas x^ y^ x*y

(100.000) (millones)
1 4 1 16 1 4
2 10 4 100 16 40
3 15 5 225 25 75
4 12 4 144 16 48
5 8 3 64 9 24
6 16 4 256 16 64
7 5 2 25 4 10
8 7 1 49 1 7
9 9 4 81 16 36
10 10 2 100 4 20
96 30 1060 108 328
Scx 138.4
Scy 18
Scxy 40
pendiente 0.289017341
X 9.6
Y 3
a 0.225433526
Coeficiente c 0.8014117281
B) Y= 0,298x + 0,2254
596000.225 Sus ventas aumenaran: 596000.23
5
f(x) = 0.289017341x + 0.225433526
4 R² = 0.6422607579
3
Ventas
0
2 4 6 8 10
Publicidad 12 14 16 18
Resumen
Coeficiente de corr 0.801412
Coeficiente de det 0.642261
Observaciones 10
Grados deSuma
libertad
dePromedio
cuadrados
de los cuadrados
Regresión 1 11.560694 11.5606936 14.362657 0.0053133
Residuos 8 6.4393064 0.80491329
Total 9 18
Coeficient Error Estadístico Probabilid Inferior Superior Inferior Superior

es típico t ad 95% 95% 95,0% 95,0%
Intercepción 0.225434 0.7851623 0.2871171 0.781319 -1.585154 2.036021 -1.58515 2.036021
Variable X 1 0.289017 0.0762617 3.78980964 0.0053133 0.1131575 0.464877 0.113158 0.464877
ObservaciónPronóstico paraResiduos
Y
1 1.381503 -0.381503
2 3.115607 0.8843931
3 4.560694 0.4393064
4 3.693642 0.3063584
5 2.537572 0.4624277
6 4.849711 -0.849711
7 1.67052 0.3294798
8 2.248555 -1.248555
9 2.82659 1.1734104
10 3.115607 -1.115607

6
5
4 f(x) = 0.289017341x + 0.225433526
R² = 1
3
Y
2
1
0
2 4 6 8 10 12 14 16 18
Variable X 1
Un gerente de operaciones está interesado en el pronóstico para saber de antemano en
qué forma el entrenamiento influirá en la eficiencia de los obreros de producción. Se
ofrecieron cinco diferentes tipos de capacitación que variaron desde medio día hasta
cuatro. Algunos obreros tomaron cada uno de los diferentes niveles de capacitación y en
promedio obtuvieron para cada día las eficiencias que presenta la tabla. Siendo 100 la
norma o el resultado esperado, y sabiendo que para ese nivel cada obrero produce 200
artículos. ¿Cuántos artículos producirá a los cinco días de entrenamiento?
Dias de
Timestres Capacitación Eficiencia x^ y^ x*y
1 0.5 95 0.25 9025 47.5
2 1 96 1 9216 96
3 2 98 4 9604 196
4 3 103 9 10609 309
5 4 107 16 11449 428
10.5 499 30.25 49903 1076.5
Scx 19.225
Scy 25002.9
Scxy 552.55
X 1.05
Y 49.9
a 19.721716515
Coeficiente corr 0.9850596948
R= 3,4878x + 92,476
109.915
Con 5 días de Capacitación la

eficiencia será de 109915
Chart Title
108
106
f(x) = 3.487804878x + 92.4756097561
104 R² = 0.9703426023
102
100
Eficiencia
98
96
94
92
90
88
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Días de Capacitación
Resumen
Observacione 4
Grados de Suma
libertad
dePromedio
cuadrados
de los cuadradosF Valor crítico de F
Regresión 1 72.2 72.2 80.2222222 0.012237
Residuos 2 1.8 0.9
Total 3 74

Intercepción 91.5 1.161895 78.7506614 0.00016121 86.500769 96.49923 86.500769 96.499231
0.5 3.8 0.424264 8.9566859 0.01223703 1.974539 5.625461 1.974539 5.625461
Percentil 95
12.5 96
37.5 98
62.5 103
87.5 107

110
105 f(x) = 0.152x + 93.4
100 R² = 0.9756756757
95
95
90
0 10 20 30 40 50 60 70 80 90 100
Muestra percentil
La siguiente es una tabla que representa la demanda mensual de cereal en lotes de 24 cajas.
Mes Demanda x^ y^ x*y

1 22 1 484 22
2 40 4 1600 80
3 32 9 1024 96
4 55 16 3025 220
5 67 25 4489 335
6 53 36 2809 318
7 90 49 8100 630
8 62 64 3844 496
9 57 81 3249 513
10 55 100 3025 550
11 65 121 4225 715
12 73 144 5329 876
13 90 169 8100 1170
14 81 196 6561 1134
15 93 225 8649 1395
120 935 1240 64513 8550
Scx -200
Scy -22909.5
Scxy -2670
pendiente 13.35
X 12
Y 93.5
a -66.7
Coeficiente co 0.8100545583
E) 3,8214x+31,762
92.9044
Chart Title
100
90
80 f(x) = 3.8214285714x + 31.7619047619
R² = 0.6561883874
70
60
Demanda
50
40
30
20
10
0
0 2 4 6 8 10 12 14 16
Meses
Resumen
Coeficiente d0.7595283
R^2 ajustad 0.5416236
Observacion 14
Grados deSuma
libertad
dePromedio
cuadrados
Regresión 1 2589.26 2589.25824 16.3609693 0.0016252
Residuos 12 1899.1 158.258242
Total 13 4488.36

Intercepción36.538462 7.84629 4.65678464 0.00055394 19.442874 53.63405 19.442874 53.634049
1 3.3736264 0.83405 4.04486951 0.00162522 1.5563859 5.190867 1.5563859 5.1908668
Percentil 22
3.57142857 32
17.8571429 53 100
25 55 80 f(x) = 0.6095384615x + 34.7373626374
60 R² = 0.9608158349
32.1428571 55
40
22
39.2857143 57 20
46.4285714 62 0
53.5714286 65 0 20 40 60 80 100 120
67.8571429 73
75 81
82.1428571 90
89.2857143 90
96.4285714 93
saber la demanda del próximo mes. Si usted es el gerente con los datos anteriores que se
dispone,diseñe un modelo de regresión lineal que le permita pronosticar sus ventas para enero del
2016.Realice el diagrama de dispersión y trace la recta que corresponda al modelo. Calcule los
coeficientes de correlación y determinación.
Mes Demanda x^ y^ x*y

1 60 1 3600 60
2 70 4 4900 140
3 65 9 4225 195
4 70 16 4900 280
5 75 25 5625 375
6 90 36 8100 540
7 95 49 9025 665
8 100 64 10000 800
9 115 81 13225 1035
10 115 100 13225 1150
55 855 385 76825 5240
Scx 82.5
Scy 3722.5
Scxy 537.5
X 5.5
Y 85.5
a 49.66666667
Coeficiente correlac0.969916039
Coeficiente de dete 0.940737123
Jan-16 6,5152x+49,667
121.3342
140
120
f(x) = 6.5151515152x + 49.6666666667
100 R² = 0.9407371227
80
Demanda
60
40
20
0
0 2 4 6 8 10 12
Meses
Resumen
R^2 ajustad 0.924444
Observacion 9
Grados deSuma
libertad
dePromedio
cuadrados
Regresión 1 2801.667 2801.66667 98.8823529 2.22E-05
Residuos 7 198.3333 28.3333333
Total 8 3000

Intercepción 47.33333 4.488669 10.5450713 1.5062E-05 36.719318 57.947349 36.719318 57.9473486
1 6.833333 0.687184 9.94396063 2.2201E-05 5.2084007 8.4582659 5.2084007 8.45826593
Percentil 60
5.55555556 65
16.6666667 70
27.7777778 70
38.8888889 75
50 90
61.1111111 95
72.2222222 100
83.3333333 115
94.4444444 115

150
100 f(x) = 0.6225x + 57.2083333333
R² = 0.9568055556
60
50
0
0 10 20 30 40 50 60 70 80 90 100
Muestra percentil
las ventas que realizarían. En esta empresa en particular se presenta en la siguiente tabla las
ventas en miles de dólares del año anterior. a) Realice el diagrama de dispersión para los datos.
b) Determine la ecuación de la recta.
c) Trace la recta que represente al modelo en el diagrama de dispersión.
d) Calcule los coeficientes de correlación y determinación.
e) Para enero del próximo año según el modelo de regresión lineal a ¿cuánto ascenderían las
ventas?
Timestres Mes Ventas (millones) x^ y^ x*y

1 1 1212 1 1468944 1212
2 2 1321 4 1745041 2642
3 3 1278 9 1633284 3834
4 4 1341 16 1798281 5364
5 5 1257 25 1580049 6285
6 6 1287 36 1656369 7722
7 7 1189 49 1413721 8323
8 8 1111 64 1234321 8888
9 9 1145 81 1311025 10305
10 10 1150 100 1322500 11500
11 11 1298 121 1684804 14278
12 12 1331 144 1771561 15972
78 14920 650 18619900 96325
Scx 41.6
Scy -3640740
Scxy -20051
pendiente -481.9951923077
X 7.8
Y 1492
a 5251.5625
C. correlacion 0.9842717896
C.de determinacion 0.9687909557
E) (-4,5804x + 1272,10)
1212.5548 Asciende
1600
1400
1200 f(x) = - 4.5804195804x + 1273.1060606061

R² = 0.0432509586
1000
800
600
400
200
0
0 2 4 6 8 10 12 14
400
200
0
0 2 4 6 8 10 12 14
Resumen
R^2 ajustado -0.052424
Observacione 12
Grados de Suma
libertad
dePromedio
cuadrados
de los cuadrados
Regresión 1 3000.1748 3000.1748 0.45206169 0.5165911
Residuos 10 66366.492 6636.6492
Total 11 69366.667
Coeficient Estadístico Probabilida Inferior Superior Inferior Superior

es Error típico t d 95% 95% 95,0% 95,0%
Intercepción 1273.106 50.13863 25.39172 2.0585E-10 1161.3902 1384.822 1161.39 1384.822
Variable X 1 -4.58042 6.8124984 -0.6723553 0.51659108 -19.759612 10.59877 -19.7596 10.59877
Observación
Y
1 1268.526 -56.525641
2 1263.945 57.054779
3 1259.365 18.635198
4 1254.784 86.215618
5 1250.204 6.7960373
6 1245.624 41.376457
7 1241.043 -52.043124
8 1236.463 -125.4627
9 1231.882 -86.882284
10 1227.302 -77.301865
11 1222.721 75.278555
12 1218.141 112.85897

1600
1400
1200 f(x) = - 4.5804195804x + 1273.1060606061
1000 R² = 1
800
Ventas
600
400
200
0
0 2 4 6 8 10 12 14
MES
0
0 2 4 6 8 10 12 14
MES

Esta Di Stica

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Esta Di Stica

Încărcat de

Drepturi de autor:

Formate disponibile

1. Las siguientes observaciones muestrales se seleccionaron al azar.

x y x^2 y^2 x*y

Coeficiente Error Estadístico Probabilida Inferior Superior Inferior Superior

Resultados de datos de probabilidad

x y x^2 y^2 x*y

Coeficiente Probabilida Inferior Superior Inferior Superior

Resultados de datos de probabilidad

a) Trace un diagrama de dispersión.

Coeficient Error Probabilida Inferior Superior Inferior Superior

Resultados de datos de probabilidad

Gráfico de probabilidad normal

Gastos en Ganancias x^2 y^2 x*y

Coeficiente Error Estadístico Probabilida Inferior Superior Inferior Superior

Resultados de datos de probabilidad

Gráfico de probabilidad normal

Kw por hora x^2 y^2 x*y

Coeficient Error Estadístic Probabilid Inferior Superior Inferior Superior

Resultados de datos de probabilidad

Gráfico de probabilidad normal

N° x^2 y^2 x*y

Coeficiente Error Estadístico Probabilida Inferior Superior Inferior Superior

Resultados de datos de probabilidad

e) Determine la ecuación de regresión

Compañía ventas (Miles de Ingresos(miles de

a=aun que no se realizaran incremento en ventas , los ingresos serian un promedio de

Coeficient Error Estadístic Probabilida Inferior Superior Inferior Superior

Resultados de datos de probabilidad

10 f(x) = 0.0061418775x + 6.3605803397

Coeficient Error Estadísti Probabilida Inferior Superior Inferior Superior

Análisis de los residuales

Variable X 1 Curva de regresión ajustada

Coeficiente Error Estadístico Probabilida Inferior Superior Inferior Superior

Análisis de los residuales

n Visitantes x Temp y �^� �^� �.�

Coeficien Probabilida Inferior Superior Inferior Superior

Análisis de los residuales

a) ¿Cuál es la variable dependiente?

Coeficien Estadístico Probabilida Inferior Superior Inferior Superior

Análisis de los residuales

Variable X 1 Curva de regresión ajustada

20 f(x) = 3.6x + 2.6

Scx 10.00 b) Con base en el diagrama de dispersión, ¿parece haber

Coeficien Error Estadístico Probabilid Inferior Superior Inferior Superior

Resultados de datos de probabilidad

Gráfico de probabilidad normal

Scx 760.000 b= 0.759 se refiere al relacion que se tienen las variables

Coeficie Error Estadístic Probabilida Superior Inferior Superior

Análisis de los residuales

Variable X 1 Curva de regresión ajustada

30 Linear (Pronóstico para Y)

Scx 37.924 a= minimo que pueden tener las ventas

Error Probabili Superior Inferior Superior

Análisis de los residuales

Variable X 1 Curva de regresión ajustada

Scx 141.692 d) Si el precio del quintal de harina asciende a $50. ¿A cuánto

Error Estadístico Probabilid Inferior Superior Inferior Superior

Análisis de los residuales

Variable X 1 Curva de regresión ajustada

10 f(x) = 0.0838762215x + 7.3881107492

Timestres Publicidad Ventas x^ y^ x*y

Coeficient Error Estadístico Probabilid Inferior Superior Inferior Superior

Análisis de los residuales

Variable X 1 Curva de regresión ajustada