LA UP DESEA AVERIGUAR SI HAY CORRELACION ENTRE LAS NOTAS OBTENIDAS POR SUS ALUMNOS AL INGRESAR

CON LA NOTA CUANDO EGRESAN (GPA MAXIMO DE 4).

SI HAY CORRELACION Y SE PUEDE PRONOSTICAR LA NOTA DE EGRESO EN BASE A LA NOTA DE INGRESO SE POD
DE LA EDUCACION DE ALUMNOS BUENOS CON POCOS RECURSOS.
SE TIENE LOS DATOS DE 8 ALUMNOS COMO UNA MUESTRA INICIAL.
1) OBTENER LA CORRELACION
NOTA DE NOTA DE
INGRESO EGRESO
Alum. Nota Max 100 GPA Max=4
1 74 2.6
2 69 2.2
3 85 3.4 4
4 63 2.3 3.5
5 82 3.1
6 60 2.1 3
7 79 3.2 2.5
8 91 3.8
2
1.5

Coeficiente Correlacion= 96.49% 1

0.5
0
50 55
LUMNOS AL INGRESAR (SOBRE 100 PUNTOS)

A DE INGRESO SE PODRIA BUSCAR FINANCIAMIENTO

GPA Max=4
4
3.5
3
2.5 GPA Max=4
Linear (GPA Max=4)
2
1.5
1
0.5
0
50 55 60 65 70 75 80 85 90 95
 NOTA DE NOTA DE
INGRESO EGRESO
Alum. Nota Max GPA
100 Max=4 GPA Max=4
1 74 2.6 4
2 69 2.2
3.5 f(x) = 0.05556228242772
3 85 3.4
4 63 2.3
3
5 82 3.1
6 60 2.1 2.5
7 79 3.2
8 91 3.8 2

1.5

0.5
Ecuacion de RL
a= -1.3505 0
50 55 60 65 70 75
b= 0.0556

si X= 95
Y est = 3.9315
GPA Max=4

f(x) = 0.055562282427728 x − 1.35050703799001

GPA Max=4
Linear (GPA Max=4)

5 60 65 70 75 80 85 90 95
 NOTA DE NOTA DE
INGRESO EGRESO
Alum. Nota 100 GPA A=4
1 74 2.6 Resumen
2 69 2.2
3 85 3.4 Estadísticas de la regresión
4 63 2.3 R 96.49% CORRELACION
5 82 3.1 R^2 93.09% COEF DE DETERMINACION
6 60 2.1 R^2 ajustado 91.94%
7 79 3.2 Error típico 0.1775 Se= Error de Estimacion
8 91 3.8 Observaciones 8

ANÁLISIS DE VARIANZA
GL SS
Regresión 1 2.5496
Residuos 6 0.1891
Total 7 2.7388

Coeficientes Error típico

Intercepción -1.3505 0.4699
Nota 100 0.0556 0.0062

Modelo de Estimacion nota GPA

a= -1.3505
b= 0.0556
Nota Ingreso= 95
GPA= 3.9279
CORRELACION
COEF DE DETERMINACION

e= Error de Estimacion

MS F Alfa Prob Fc
2.5496 80.88203 0.0001057 5.98738
0.0315

Estadístico t
-2.8741
8.9934
Ejemplo 2 :
Tenemos las Ventas y gastos de publicidad de nuestra empresa en los últimos 8 años.
Deseamos ver si existe alguna relación entre las variables y luego obtener una ecuación qu
Y=Ventas en MM de $ ,
X=Gasto en Publicidad en M $.

Año X Y
1 23 12
2 45 23
3 66 31
4 23 11
5 48 21
6 56 28
7 78 40
8 95 48

Estime sus ventas para un Gasto en Publicidad de 50 mil dólares, obtenga intervalo de con
Resumen

Estadísticas de la regresión
Coef de correlación múltiple 0.994116699
Coef determinación R^2 99%
R^2 ajustado 0.98631268
Error típico 1.50572467
Observaciones 8

ANÁLISIS DE VARIANZA
GL SS MSE F Valor crítico de F
Regresión 1 1145.896759 1145.896759 505.4222529 5.06856E-07
Residuos 6 13.60324069 2.267206781
Total 7 1159.5

Coeficientes Error típico Estadístico t

Intercepción -0.79925734 1.336053696 -0.59822247
X 0.507820412 0.02258827 22.4815981
timos 8 años.
r una ecuación que permita pronosticar las ventas en función al presupuesto de publicidad.

a intervalo de confianza para alfa 5 %

or crítico de F
esto de publicidad.
DATOS SUNAT ULTIMOS 10 MESES
LA SUNAT BUSCA UN MODELO PARA PRONOSTICAR EL MONTO DE IMPUESTOS A COBRAR
TIENE LOS DATOS DE HORAS DE AUDITORIA(TRABAJO DE CAMPO) Y HORAS DE PC (ANALISTAS) PRESU
ADEMAS DE LOS NUEVOS MONTOS DE IMPUESTOS OBTENIDOS. LOS DOS DATOS INICIALES EN HORAS

Horas Horas en PC Impuestos

auditoria obtenidos Resumen
X1 X2 Y (millones) Estadísticas de la regresión
4500 1600 29 Coeficiente R 85.38%
4200 1400 24 Coeficiente R^2 72.89%
4400 1500 27 R^2 ajustado 65.15%
4500 1300 25 Error típico 1.071
4300 1300 26 Observaciones 10
4600 1400 28
4400 1600 30 ANÁLISIS DE VARIANZA
4500 1600 28 GL
4400 1500 28 Regresión 2
4300 1500 27 Residuos 7
Total 9

Coeficient
Intercepción -13.81963
X1 0.00564
X2 0.01099

MODELO PARA ESTIMAR NUEVOS IMPUESTOS

A= -13.81963
B1= 0.00564
B2= 0.01099
X1= 5000
X2= 2000
IMPUESTOS= S/. 36.353

INTERVALO DE CONFIANZA
t (0.05, 7)= 2.364624252
Se= 1.071

NIVEL SUPERIOR S/. 38.88

NIVEL INFERIOR S/. 33.82

PRUEBAS DE HIPOTESIS 1. Prueba global

Fo= 9.411
Fc= 4.737
Fo > Fc entonces cae en region de rechazo = La ecuacion es
 2. Prueba individual
t critica= 2.365

Horas de Auditoria Variable X1 t obs= 1.85859 t c > t obs NO

Horas en PC Variable X2 t obs= 3.51112 t c < t obs Rechazo Ho , la va

SOLO DEBERIA TRABAJAR CON X2, SIN EMBAR

BUSCARE INCLUIR OTRA VARIABLE ANTES DE
 X1= 5000
A COBRAR X2= 2000
PC (ANALISTAS) PRESUPUESTADOS,
S INICIALES EN HORAS , LOS IMPUESTOS EN MILLONES DE SOLES

Se

SS MS F ALFA PR
21.576 10.788 9.411 0.010
8.024 1.146
29.600

Error típico Estadístico t

13.32330 -1.03725
0.00303 1.85859
0.00313 3.51112

MAR NUEVOS IMPUESTOS EN MILLONES

MILLONES

rechazo = La ecuacion es valida

c > t obs NO Rechazo Ho , la variable NO es valida
c < t obs Rechazo Ho , la variable SI es valida

AJAR CON X2, SIN EMBARGO DADO QUE EL R2 AJUSTADO ES MENOR QUE 70%
TRA VARIABLE ANTES DE TOMAR MI DECISION
DATOS SUNAT ULTIMOS 10 MESES
LA SUNAT DESEA MEJORAR SU MODELO POR LO CUAL INCLUYE UNA VARIABLE MAS PARA EL ANALISIS
ES EL MONTO PRESUPUESTADO PARA RECOMPENSAR A LOS INFORMANTES.
DESEAMOS VERIFICAR SI EL MODELO DE REGRESION Y PRONOSTICO MEJORA.

Resumen
Horas Horas en PC Recompensa Impuestos
auditoria por informes obtenidos
Estadísticas de la regresión
X1 X2 X3 Y (millones)
Coeficiente R
4,500 1,600 71,000 29 Coeficiente R^2
4,200 1,400 70,000 24 R^2 ajustado
4,400 1,500 72,000 27 Error típico
4,500 1,300 71,000 25 Observaciones
4,300 1,300 75,000 26
4,600 1,400 74,000 28 ANÁLISIS DE VARIANZA
4,400 1,600 76,000 30
4,500 1,600 69,000 28 Regresión
4,400 1,500 74,000 28 Residuos
4,300 1,500 73,000 27 Total

Intercepción
Horas auditoria X1
Horas en PC X2
Recompensa por informes X3

Y = -45.798+ 0.006 X1 + 0.012 X2 + 0.00041 X3

PRUEBAS DE HIPOTESIS 1. Prueba global

Fo= 118.517
Fc= 4.757
Fo > Fc entonces cae en region de rechazo = La ecuacion es

2. Prueba individual
t critica= 2.447

Horas de Auditoria Variable X1 t obs= 7.35873 t c < t obs Rechazo Ho , la variable S

Horas en PC Variable X2 t obs= 13.99761 t c < t obs Rechazo Ho , la variable S
RECOMPENSA Variable X3 t obs= 9.59210 t c < t obs Rechazo Ho , la variable S

TRABAJO MI ECUACION CON LAS 3 VARIABLES PUES SON VALIDAS.

MI R2 AJUSTADO ES > A 70 % (97,5%) LO CUAL REFUERZA LA VALIDEZ DE M
 DATOS
RA EL ANALISIS X1 5000
X2 2000
X3 75000

cas de la regresión

99.17%
98.34%
97.51%
0.286 Se
10

S DE VARIANZA
GL SS MS F Fcritico
3 29.109 9.703 118.517 0.000
6 0.491 0.082
9 29.600

Coeficientes Error típico Estadístico t

-45.79635 4.87765 -9.38902
0.00597 0.00081 7.35873
0.01177 0.00084 13.99761
0.00041 0.00004 9.59210

MODELO DE ESTIMACION DE IMPUESTOS

X1 5000
X2 2000
X3 75000
IMPUESTOS 37.972

echazo = La ecuacion es valida

Rechazo Ho , la variable SI es valida

Rechazo Ho , la variable SI es valida
Rechazo Ho , la variable SI es valida

UES SON VALIDAS.

FUERZA LA VALIDEZ DE MI ECUACION DE RM
GASOLINAS TRUJILLO es una empresa que abastece a los diferentes grifos del Norte del Peru.
Ellos manejan sus stocks en forma trimestral y por lo tanto desean obtener un pronostico de posibles
demandas de gasolina para los proximos 4 trimestres (el proximo año).
Tiene la informacion de sus ventas trimestrales en los ultimos 3 años.
El Gerente General sospecha que sus ventas tienen un elemento estacion y desea comprobarlo.
Le encarga a usted el determinar los indices estacionales, en caso los hubiera y obtener
un pronostico de demanda para el proximo año.
Serie de Tiempo de Venta de Gasolina
Venta miles de Ventas de Galone
Año Trimestre galones
1 1 14 30
2 18 25
3 16

Miles de Galones
4 20 20
2 1 18
15
2 19
3 17 10
4 21
3 1 20 5
2 25 0
3 22 0 2 4 6 8
4 27 Trimestre
Ventas de Galones en miles

Column C

4 6 8 10 12 14
Trimestre
 1 Trim
0.940
0.936
Indice Estacional 0.94
Indice Estacional Ajustado 0.94

Venta de Gasolina D11/F11

Miles de Galones Prom Movil Prom Movil Valor Estac Indice
Año Trimestre Ventas 4 Trimest Centrado Irregular Estacional
1-1 14 0.94
1-2 18 17.000 1.07
1
1-3 16 18.000 17.500 0.914 0.91
1-4 20 18.250 18.125 1.103 1.08
2-1 18 18.500 18.375 0.980 0.94
2-2 19 18.750 18.625 1.020 1.07
2
2-3 17 19.250 19.000 0.895 0.91
2-4 21 20.750 20.000 1.050 1.08
3-1 20 22.000 21.375 0.936 0.94
3-2 25 23.500 22.750 1.099 1.07
3
3-3 22 0.91
3-4 27 1.08

Ventas Desestacionalizadas

1 14.89
26
2 16.82
3 17.58 24
4 18.52 f(x) = 0.816176434513157 x + 14.416986306692
5 19.15 22 R² = 0.894657519333943
6 17.76
20
7 18.68
8 19.44 18
9 21.28
10 23.36 16
11 24.18
14
12 25.00
0 2 4 6 8 10 12 14 16

Luego Pronostico valores y Estacionalizo nuevamente

Pron Ventas
Trimestre Desestac
13 25.03
Ventas Pronosticadas sin Estacion
14 25.84 28.00
27.50
27.00
miles galones

26.50
26.00
25.50
 Ventas Pronosticadas sin Estacion
28.00
15 26.66 27.50
16 27.48 27.00

Ventas miles galones

26.50
26.00
25.50
25.00
24.50
24.00
23.50
12 12.5 13 13.5 14 14.5 15 15.5 16
Timestre

Aplicando correccion de Estacionalidad

Pronostico
Trimestre Ventas Pronostico de Ventas con Estacio
13 23.53
31.00
14 27.65
15 24.26 30.00
16 29.67 29.00
28.00
27.00
Axis Title 26.00
25.00
24.00
23.00
22.00
12 12.5 13 13.5 14 14.5 15 15.5 16
Axis Title
 2 Trim 3 Trim 4 Trim
1.020 0.914 1.103
1.099 0.895 1.050
1.06 0.90 1.08 0.99 Promedio Indices
1.07 0.91 1.08 1.00 Promedio Indices VALORES A USAR

Ventas Promedio Movil Centrado

Desestacion
24.000
14.89
16.82 22.000
17.58
18.52 Venta gasolina 20.000
19.15 18.000 Column F
17.76
18.68 16.000
19.44
14.000
21.28
23.36 12.000
24.18 0 1 2 3 4 5 6 7 8 9
25.00 Trimestres

Desestacionalizadas

4513157 x + 14.4169863066927
333943 Pron Ventas
Desestac
Linear (Pron
Ventas
Desestac )

8 10 12 14 16

a= 14.417
b= 0.8162

osticadas sin Estacionalidad

Column D
osticadas sin Estacionalidad

Column D

5 14 14.5 15 15.5 16 16.5

Timestre

e Ventas con Estacionalidad

Column D

13.5 14 14.5 15 15.5 16 16.5

Axis Title
ALORES A USAR

entrado

Column F

7 8 9