Estadística aplicada y pronósticos

ROLANDO ZARATE OROZCO

1. ¿En la ecuación de la recta de la regresión lineal que representa βo?

Coeficiente constante “Intercepto”

2. ¿En la ecuación de la recta de la regresión lineal que representa β1?

Coeficiente constante “Pendiente”

3. Al realizar un ajuste de regresión lineal sobre un conjunto de datos ¿qué significa un coeficiente de
correlación negativo?
Significa que existe una asociación lineal perfecta negativa, es decir, el incremento de la variable
explicativa resultará una disminución en la variable respuesta.

4. ¿Qué significa colinealidad?

La  colinealidad  es un grave problema para el modelo multivariable, ya que las estimaciones obtenidas por el
mismo son muy inestables, al hacerse más difícil separar el efecto de cada variable predictora.

5. Obtener la ecuación de la recta de regresión lineal del siguiente conjunto de datos.

X (estatura en metros) Y (peso en kilogramos)

1.72 82
1.69 50
1.75 87
1.65 50
1.69 65
1.63 78
1.60 65
1.66 68
1.73 86
1.81 85

Completamos la tabla anterior.

Elevar al cuadrado el valor de “x”.
Multiplicar el valor de “x” por el valor de “y”.

1
 x y x^2 x*y
1.72 82 2.9584 141.04
1.69 50 2.8561 84.5
1.75 87 3.0625 152.25
1.65 50 2.7225 82.5
1.69 65 2.8561 109.85
1.63 78 2.6569 127.14
1.6 65 2.56 104
1.66 68 2.7556 112.88
1.73 86 2.9929 148.78
1.81 85 3.2761 153.85

Obtenemos la suma de cada columna.

x y x^2 x*y
1.72 82 2.9584 141.04
1.69 50 2.8561 84.5
1.75 87 3.0625 152.25
1.65 50 2.7225 82.5
1.69 65 2.8561 109.85
1.63 78 2.6569 127.14
1.6 65 2.56 104
1.66 68 2.7556 112.88
1.73 86 2.9929 148.78
1.81 85 3.2761 153.85
Σx= 16.93 Σy= 716 Σx^2 = 28.6971 Σx*y= 1216.79

Obtenemos el promedio de la primera y de la segunda columna.

x=
∑ x = 16.93 =1 .693
n 10

y=
∑ y = 716 =71.6
n 10

Ahora aplicamos las siguientes fórmulas con los datos obtenidos de la tabla.

2
 n ∑ x y−( ∑ x )( ∑ y )
β 1= 2 2
n ∑ x −( ∑ x )

( 10 )( 1216.79 ) −( 16.93 )( 716 )

β 1= =−0 .08576979112
( 10 )( 28.6971 )−( 2 8.6971 )2

β 0= y −β 1 x

β 0=71.6−(−0 .08576979112 )( 1 .693 )=71.74520826

Ecuación de la recta de regresión.

^y =β 0 + β 1 x

^y =71.74520826−0.0 8576979112 x

6. Determinar el coeficiente de correlación lineal del ejercicio anterior.

Obtenemos el promedio de la primera y de la segunda columna.

x=
∑ x = 16.93 =1.693
n 10

y=
∑ y = 716 =71.6
n 10

Ahora aplicamos la siguiente fórmula con los datos obtenidos de la tabla.

r=
∑ ( x−x )( y− y )
√ ∑ ( x−x )2 ∑ ( y− y )2
3
 −13.0052
r= =−0.06031295665
√ ( 25.739429 ) ( 1806.4 )

7. Obtener la ecuación de la recta de regresión lineal del siguiente conjunto de datos.

x 10 20 30 40 50 60 70 80
y 1.06 1.33 1.52 1.68 1.81 1.91 2.01 2.11

x y x^2 x*y
10 1.06 100 10.6
20 1.33 400 26.6
30 1.52 900 45.6
40 1.68 1600 67.2
50 1.81 2500 90.5
60 1.91 3600 114.6
70 2.01 4900 140.7
80 2.11 6400 168.8
Σx= 360 Σy= 13.43 Σx^2 = 20400 Σx*y= 664.6

Obtenemos el promedio de la primera y de la segunda columna.

x=
∑ x = 360 =45
n 8

y=
∑ y = 13.43 =1.67875
n 8

Ahora aplicamos las siguientes fórmulas con los datos obtenidos de la tabla.

n ∑ x y−( ∑ x )( ∑ y )
β 1= 2 2
n ∑ x −( ∑ x )

( 8 ) ( 664.6 )−( 360 ) ( 13.43 )

β 1= =−0. 0143452381
( 8 )( 20400 )− ( 360 )2

β 0= y −β 1 x

β 0=1.67875−(−0.0143452381 )( 45 )=2.324285715

Ecuación de la recta de regresión.

4
 ^y =β 0 + β 1 x

^y =2.324285715+ (−0.0143452381 ) x
8. Determinar el coeficiente de correlación lineal del ejercicio anterior.

Obtenemos el promedio de x y y .

x=
∑ x = 360 =45
n 8

y=
∑ y = 13.43 =1.67875
n 8

Ahora aplicamos la siguiente fórmula con los datos obtenidos de la tabla.

r=
∑ ( x−x )( y− y )
√ ∑ ( x−x )2 ∑ ( y− y )2
60.25
r= =0.9821033591
√ ( 4200 )( 0.8960875 )

5
9. Una empresa comercial desea conocer el pronóstico de la demanda para el mes de septiembre,
esto debido a que se desea contar con la mercancía necesaria, tomando como base ocho periodos
anteriores de ventas, se pide que el pronóstico se lleve a cabo a través de la técnica de Promedio
Móvil Simple (PM8).

No. Mes Ventas Pronostico

1 Enero 190  
2 Febrero 200 190
3 Marzo 210 195
4 Abril 200 200
5 Mayo 220 200
6 Junio 210 204
7 Julio 230 205
8 Agosto 220 208.5714286
9 Septiembre   210

6
10. Aplicando el método de promedios móviles simples, determinar el pronóstico del mes de enero del
año siguiente, si consideramos el promedio móvil a partir de las cinco observaciones más
recientes (PM5).

No. Mes Ventas Pronostico

1 Enero 10  
2 Febrero 12  
3 Marzo 13  
4 Abril 16  
5 Mayo 19  
6 Junio 23  
7 Julio 26  
8 Agosto 30  
9 Septiembre 28  
10 Octubre 18  
11 Noviembre 16  
12 Diciembre 14  
1 Enero   8.153846154

PRONOSTICO DE DEMANDA
250

200

150

100

50

0
1 2 3 4 5 6 7 8 7
VENTAS PRONOSTICO