Documente Academic
Documente Profesional
Documente Cultură
X Y
Temperatura Venta diaria
diaria ( F ) (en miles de pesos)
61 162
56 154
78 170
60 158
77 171
69 169
170
166
Y1
162
158
154
150
56 60 64 68 72 76 80
X1
Se calculan los estadísticos básicos de las variables X e Y.
n 6, X Y = 66074, X
i i i
2
= 27231, Y i
2
= 161626
X Y i i n( X )(Y )
66074 6(66,8333)(164) 310,0328
̂1 i 1 0,7195
n
27231 6(66,8333) 2 430,86
X
i 1
i
2
n( X ) 2
La ecuación para la mejor línea recta que se ajusta a estos datos es:
X Y n( X )(Y )
i i
66074 6(66,8333)(164)
R i 1
n n
(27231 6(66,8333) 2 )(161626 6(164) 2 )
( X i2 n X )( Yi 2 nY )
2 2
i 1 i 1
310,0328
R 0,9446 . El coeficiente de correlación +0,9446 indica que
(430,86)( 250)
existe una asociación muy fuerte (directamente proporcional) entre las ventas
diarias y la temperatura ambiente durante la temporada de verano. Es decir, a
mayor temperatura ambiente ( F ), las ventas diarias se incrementaran
significativamente.
El modelo de regresión que ha sido ajustado a los datos puede utilizarse ahora
para predecir las ventas diarias. Por ejemplo, digamos que nos gustaría utilizar
el modelo para predecir las ventas en un día determinado con una temperatura
ambiente de 70 F . Podemos determinar el valor predicho si hacemos X = 70
en nuestra ecuación de regresión,
A continuación aparecen los resultados del análisis llevado a cabo con las
variables (Temperatura, Ventas) utilizando el programa STATGRAPHICS.
X Y
Precio de Venta Ventas totales
(En millones de pesos) (Unidades)
1,2 30
1,34 26
1,45 21
1,13 32
1,07 31
1,49 18
1,02 29
1,28 24
1,51 17
1,43 22
29
26
y
23
20
17
1 1,1 1,2 1,3 1,4 1,5 1,6
n 10 , X Y = 314.87, X
i i i
2
= 16.9838, Y
i
2
= 6516
X Y i i n( X )(Y )
314,87 10(1,292)( 25) 8,13
̂1 i 1
27,9228
n
16,9838 10(1,292) 2
X
0,29116
i
2
n( X ) 2
i 1
La pendiente ˆ1 es igual a -27,9228. Esto significa que para cada incremento
de una unidad en X se estima que el valor de Y disminuye en un promedio de
27,9228 unidades. Es decir, por cada aumento en el precio de venta de
$1.000.000 en cada televisor Sony de 29 pulg, el modelo ajustado predice una
estimación de una disminución de las ventas totales mensualmente de 28
televisores Sony de 29 pulg aproximadamente. Más claramente, por cada
aumento en el precio de venta de $100.000 en cada televisor Sony de 29 pulg,
el modelo ajustado predice una estimación de una disminución de las ventas
totales en el mes de 3 televisores Sony de 29 pulg aproximadamente. El
Marco Antonio Triana 4
Docente área Estadística UAO
Facultad de Ciencias Básicas – Departamento de Matemáticas – Área de Estadística
Análisis de Regresión Lineal Simple
X Y n( X )(Y )
i i
314,87 10(1,292)( 25)
R i 1
(16,9838 10(1,292) 2 )(6516 10(25) 2 )
n n
( X i2 n X )( Yi 2 nY )
2 2
i 1 i 1
8,13
R 0,9238 . El coeficiente de correlación -0,9238 indica
(0,29116)( 266)
que existe una asociación muy fuerte (inversamente proporcional) entre las
ventas totales y el precio de venta de los televisores Sony de 29 pulg en la
cadena de almacenes de la ciudad de Cali. Es decir, a mayor precio de venta,
las ventas totales disminuyen significativamente.
Este modelo de regresión se puede ajustar a los datos para predecir las ventas
totales mensuales. Por ejemplo, digamos que nos gustaría utilizar el modelo
para predecir las ventas totales en un almacén determinado cuando el precio
de venta de los televisores Sony de 29 pulg es de $1.231.000.