Resumen

Estadísticas de la regresión
Coeficiente d 0.92455094
Coeficiente 0.85479445
R^2 ajustado 0.84027389
Error típico 15.2104471
Observacione 12

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 13619.5397 13619.5397 58.86789 1.6948E-05
Residuos 10 2313.57701 231.357701
Total 11 15933.1167

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Intercepción 25.8863924 10.1991523 2.53809255 0.02945934 3.161265 48.6115199 3.161265
Variable X 1 0.07607332 0.00991501 7.6725413 1.6948E-05 0.0539813 0.09816534 0.0539813
Superior 95.0%
48.6115199
0.09816534
La empresa EL TATA MOVIL SAC. ha trabajado hasta ahora con la hipótesis de que las ventas de un período
dependen linealmente de los gastos de publicidad efectuados en el período anterior. En este momento, le
solicitan a usted la realización de un análisis que ponga de manifiesto si la hipótesis, hasta ahora mantenida, se
puede seguir sosteniendo en función de los datos que le suministran.

En el informe final de su análisis, deberá responder a las siguientes preguntas:

a) ¿Se incrementarán las ventas del período siguiente al aumentar los gastos en publicidad del período actual?
b) ¿Es adecuado suponer que el ajuste entre estas variables es efectivamente lineal teniendo en cuenta los
valores de las variables? Ajuste el modelo lineal e interprete los coeficientes del mismo. ¿Qué porcentaje de la
varianza de las ventas no son explicadas por las variaciones de los gastos en publicidad?
c) ¿Cuál será la predicción de las ventas para 13? ¿Qué precisión tendrá ese pronóstico?
d) Si para el año 13 se piensa incrementar el modelo ajustado? los gastos de publicidad en un 10%, ¿qué
incremento relativo cabría esperar para las ventas de 14 con respecto a las de 13, según el modelo ajustado?

313
VENTAS PUBLICIDAD
i Yi Xi-1 YiXi-1 X2i-1
∑▒�=
1 64.1 887.8 56908.0 788188.8 1139.0
2 94.3 982.1 92612.0 964520.4
∑▒�=
3 67.4 610.1 41120.7 372222.0 11052.1
4 105.4 806.0 84952.4 649636.0
∑▒� �=
5 135.7 1072.6 145551.8 1150470.8 1223617.6
6 148.7 1603.3 238410.7 2570570.9
∑▒�^𝟐
7 90.3 979.6 88457.9 959616.2 = 12494688.7
8 95.7 994.5 95173.7 989030.3
9 66.9 600.2 40153.4 360240.0 ��𝟑�.�=�𝟐 〖 �〗 _�+ 〖���
10 163.8 1861.2 304864.6 3464065.4 �� .� � 〗 _�
11 56.5 404.2 22837.3 163377.6 �𝟐𝟐𝟑𝟔��.𝟔=���𝟓𝟐.� �_�+�𝟐𝟒�𝟒𝟔𝟖𝟖.� �_�
12 50.2 250.5 12575.1 62750.3
1139.0 11052.1 1223617.6 12494688.7

1.- IDENTIFICACION DE VARIABLES INDEPENDIENTE Y DEPENDIENTE.

V. DEPENDIENTE: Ventas (Y) V. INDEPENDIENTE: Publicidad (X)

2.- DIAGRAMA DE DISPERSION.

DIAGRAMA DE DISPERSION
180.0
160.0
f(x) = 0.0753964919x + 25.4758693026
140.0 R² = 0.854753262
120.0
100.0
80.0
60.0
40.0
 160.0
f(x) = 0.0753964919x + 25.4758693026
140.0 R² = 0.854753262
120.0
100.0
80.0
60.0
40.0
20.0
0.0
0.0 200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0

3.- CALCULO DE LOS COEFICIENTES DE REGRESION. �_𝐢=𝟐𝟓.𝟒𝟖+�.��𝟓�_𝐢+�

b0 = 25.476
b1 = 0.075 �  ̂_ 𝐢=𝟐𝟓.𝟒�𝟔+�.��𝟓�_𝐢

4.- CALCULO DEL COEFICIENTE DE DETERMINACION.

VENTAS PUBLICIDAD
i Yi Xi-1 Yi*Xi-1 X2i-1 � (�_𝐢 (�_𝐢
 ̂_ 〖−� 〖− ¯� LI
1 64.1 887.8 56908.0 788188.8 𝐢 92.41  ̂ 〗 _𝐢
801.62
) 〗 _𝐢949.67
) 47.54
2 94.3 982.1 92612.0 964520.4 99.52 ^𝟐 27.28 ^𝟐 0.38 54.65
3 67.4 610.1 41120.7 372222.0 71.48 16.61 757.17 26.61
4 105.4 806.0 84952.4 649636.0 86.25 366.90 109.90 41.38
5 135.7 1072.6 145551.8 1150470.8 106.35 861.65 1663.28 61.48
6 148.7 1603.3 238410.7 2570570.9 146.36 5.48 2892.65 101.49
7 90.3 979.6 88457.9 959616.2 99.33 81.62 21.31 54.47
8 95.7 994.5 95173.7 989030.3 100.46 22.64 0.61 55.59
9 66.9 600.2 40153.4 360240.0 70.73 14.66 784.93 25.86
10 163.8 1861.2 304864.6 3464065.4 165.80 4.02 4744.91 120.94
11 56.5 404.2 22837.3 163377.6 55.95 0.30 1475.84 11.08
12 50.2 250.5 12575.1 62750.3 44.36 34.07 1999.58 -0.51
1139.0 11052.1 1223617.6 12494688.7 2236.83 15400.24
94.92
250.00

R2 = 85.48% 0.85475326
200.00
�_�^𝟐=( ∑▒�_
5.- VARIANZA DE LOS ERRORES ( �_�^
). 𝐢^𝟐 )/(𝒏−�)
𝟐
150.00
�_�^𝟐=(𝟐𝟐𝟑𝟔.𝟖𝟑)/
( �𝟐 −𝟐)=𝟐𝟐𝟑.𝟔𝟖 223.683414
100.00
�_�=�𝟒.�𝟔 14.9560494

50.00

0.00
0.0 200.0 400.0 60

-50.00
 0.00
0.0 200.0 400.0 60

-50.00

Gráfica de línea ajustada

Y = 25.48 + 0.07540 X

200 Regresión
IC de 90%
IP de 90%

S 14.9560
150 R-cuad. 85.5%
R-cuad.(ajustado) 84.0%

100
Y

50

0
500 1000 1500 2000
X

6.- CONSTRUIR EL MODELO DE REGRESION LINEAL SIMPLE.

�_𝐢=𝐁_�+𝐁_� �_𝐢+� �_𝐢=𝟐𝟓.𝟒�𝟔+�.��𝟓�_𝐢+�

b0 = 25.476
b1 = 0.075

7.- CALCULAR LAS DESVIACIONES ESTANDAR DE b0 Y b1.

∑▒(�_𝐢−¯�)^𝟐
�_�^𝟐=(𝟐𝟐𝟑𝟔.𝟖𝟑)/ 223.68 =𝟐𝟑�𝟓𝟔�𝟐.𝟒�
(�𝟐−𝟐)=𝟐𝟐𝟑.𝟔𝟖
∑▒�^𝟐 =�𝟐𝟒�𝟒𝟔𝟖𝟖.�
�_�=�  ̂_ �=�𝟒.� 14.96
𝟔
�_(�_� �_(�_�)^𝟐=(𝟐𝟐𝟑.𝟔𝟖(�𝟐𝟒�𝟒𝟔𝟖𝟖.�))/�𝟐
b0 = 25.476 10.029 (𝟐𝟑�𝟓𝟔�𝟐.𝟒�) =���.𝟓𝟖
)=
b1 = �_(�_�
0.075 )= 0.0098
�_(�_�)^𝟐=(𝟐𝟐𝟑.𝟔𝟖)/
(𝟐𝟑�𝟓𝟔�𝟐.𝟒�)=�.�����𝟔𝟔

8.- PRUEBA DE HIPOTESIS DEL COEFICIENTE DE REGRESION B1.

〖� _� : 𝐁〗 1.6972E-05
_�=�
〖� _𝐚 : 𝐁〗
_�≠�
α= 0.05
tc = 7.67
tT = -2.228

(�_𝐢 〖 − (�_𝐢−¯�) (�_𝐢−¯�)

�  ̂ 〗 _𝐢 ) ^𝟐 ^𝟐
^𝟐
 (�_𝐢 〖 − (�_𝐢−¯�) (�_𝐢−¯�)
�  ̂ (�_𝐢−� _ ̂
i Yi Xi Yi Xi X2i 𝐢) �  ̂ 〗 _𝐢 ) ^𝟐 ^𝟐
_𝐢
^𝟐
1 64.1 887.8 56908.0 788188.8 92.41 -28.31 801.62 1102.79
2 94.3 982.1 92612.0 964520.4 99.52 -5.22 27.28 3732.19
3 67.4 610.1 41120.7 372222.0 71.48 -4.08 16.61 96663.99
4 105.4 806.0 84952.4 649636.0 86.25 19.15 366.90 13226.92
5 135.7 1072.6 145551.8 1150470.8 106.35 29.35 861.65 22980.03
6 148.7 1603.3 238410.7 2570570.9 146.36 2.34 5.48 465521.92
7 90.3 979.6 88457.9 959616.2 99.33 -9.03 81.62 3432.98
8 95.7 994.5 95173.7 989030.3 100.46 -4.76 22.64 5401.03
9 66.9 600.2 40153.4 360240.0 70.73 -3.83 14.66 102917.99
10 163.8 1861.2 304864.6 3464065.4 165.80 -2.00 4.02 883960.37
11 56.5 404.2 22837.3 163377.6 55.95 0.55 0.30 267090.85
12 50.2 250.5 12575.1 62750.3 44.36 5.84 34.07 449581.43
TOTAL 1139.0 11052.1 1223617.6 12494688.7 0.0 2236.8 2315612.5
MEDIA 94.9 921.0 223.7

9.- CALCULAR LA DESVIACION ESTANDAR DE Y PARA UN X FIJO Y DEPENDIENDO DE LA MEDIA Y.

14.96

Ejemplo: Estimar o pronosticar la venta en forma puntual e intervalica para un X = 1603.3, si el nivel de
confianza es del 99% y una desviacion estandar con respecto al promedio de Y.

a) ESTIMACION PUNTUAL: 146.36 �  ̂_ 𝐢=𝟐𝟓.𝟒�𝟔+�.��𝟓(�𝟔�𝟑.𝟑)=�𝟒𝟔.𝟑𝟔

b) ESTIMACION INTERVALICA PARA UN NC = 95 %

146.36
-3.17
3.17
7.98
121.08
171.64

Ejemplo: Estimar o pronosticar la venta en forma puntual e intervalica para un X = 2000, si el nivel de
confianza es del 95% y una desviacion estandar con respecto al promedio de Y; asi como la estimacion con una
desviacion estandar respecto a Y estimado.
a) ESTIMACION PUNTUAL: 176.27 �  ̂_ 𝐢=𝟐𝟓.𝟒�𝟔+�.��𝟓(𝟐���)=��𝟔.𝟐�

b) ESTIMACION INTERVALICA PARA UN NC = �_(¯�_�

95 % )=�𝟒.�𝟔√(�/�𝟐+(𝟐���−�𝟐�)^𝟐/
(𝟐𝟑�𝟓𝟔�𝟐.𝟓))=��.𝟒𝟓
176.27
5.00%
-2.2281 〖��〗 _𝟖=��𝟔.𝟐�−𝟐.𝟐𝟑(��.𝟒𝟓)=�𝟓�.�
2.2281 𝟔
14.96 〖��〗 _𝟖=��𝟔.𝟐�+𝟐.𝟐𝟑(��.𝟒𝟓)=𝟐��.�𝟖
 〖��〗 _𝟖=��𝟔.𝟐�+𝟐.𝟐𝟑(��.𝟒𝟓)=𝟐��.�𝟖
11.45
150.76 �(�𝟓�.�𝟔<�<𝟐��.�𝟖)=�.�𝟓
201.78

a) ESTIMACION PUNTUAL: 176.27 �  ̂_ 𝐢=𝟐𝟓.𝟒�𝟔+�.��𝟓(𝟐���)=��𝟔.𝟐�

b) ESTIMACION INTERVALICA PARA UN NC = �_(𝒀

95 %  ̂_ � )
=�𝟒.�𝟔√(�+�/�𝟐+(𝟐���−�𝟐�)^𝟐/
176.27 (𝟐𝟑�𝟓𝟔�𝟐.𝟓))=�𝟖.𝟖𝟒
5.00%
-2.228 〖��〗 _𝟖=��𝟔.𝟐�−𝟐.𝟐𝟑(�𝟖.𝟖𝟒)=�𝟑𝟒.𝟑
2.228 �
14.96 〖��〗 _𝟖=��𝟔.𝟐�+𝟐.𝟐𝟑(�𝟖.𝟖𝟓)=𝟐�𝟖.𝟐𝟒
18.84
134.30 �(�𝟑𝟒.𝟑�<�<𝟐�𝟖.𝟐𝟒)=�.�𝟓
218.24

314

La empresa EL TATA MOVIL SAC. ha trabajado hasta ahora con la hipótesis de que las ventas de un período
dependen linealmente de los gastos de publicidad efectuados en el período anterior. En este momento, le
solicitan a usted la realización de un análisis que ponga de manifiesto si la hipótesis, hasta ahora mantenida, se
puede seguir sosteniendo en función de los datos que le suministran.

VENTAS PUBLICIDAD
DIAGRAMA DE DISPERSION
180.0

160.0
 i Yi Xi DIAGRAMA DE DISPERSION
1 65.2 895.0 180.0
2 95.9 990.0 160.0
3 68.5 615.0
140.0
4 107.2 812.5
5 138.0 1081.3 120.0
6 151.2 1616.3 100.0
7 91.8 987.5 80.0
8 97.3 1002.5
60.0
9 68.0 605.0
10 166.6 1876.3 40.0
11 57.5 407.5 20.0
12 51.0 252.5 0.0
0.0 200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0
1.- IDENTIFICACION DE VARIABLES INDEPENDIENTE Y DEPENDIENTE.

V. DEPENDIENTE: Ventas (Y) V. INDEPENDIENTE: Publicidad (X)

2.- DIAGRAMA DE DISPERSION.

3.- CALCULAR LOS COEFICIENTES DE REGRESION. �  ̂_

𝐢
i Yi Xi YiXi X2i YC e2 LI LS
1 65.2 895.0 58354.0 801025.0 93.97 827.83 48.34 139.60
2 95.9 990.0 94941.0 980100.0 101.20 28.08 55.57 146.83
3 68.5 615.0 42127.5 378225.0 72.67 17.40 27.04 118.30
4 107.2 812.5 87100.0 660156.3 87.70 380.41 42.06 133.33
5 138.0 1081.3 149219.4 1169209.7 108.14 891.35 62.51 153.78
6 151.2 1616.3 244384.6 2612425.7 148.84 5.55 103.21 194.48
7 91.8 987.5 90652.5 975156.3 101.01 84.80 55.38 146.64
8 97.3 1002.5 97543.3 1005006.3 102.15 23.52 56.52 147.78
9 68.0 605.0 41140.0 366025.0 71.91 15.29 26.28 117.54
10 166.6 1876.3 312591.6 3520501.7 168.62 4.09 122.99 214.25
11 57.5 407.5 23431.3 166056.3 56.89 0.38 11.25 102.52
12 51.0 252.5 12877.5 63756.3 45.09 34.87 -0.54 90.73
1158.2 11141.4 1254362.5 12697643.3 2313.58

��𝟓𝟖.𝟐=�𝟐 〖 �〗 _�+ 〖��� �  ̂_ 𝐢=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔�_𝐢

�� .𝟒 � 〗 _�
�𝟐𝟓𝟒𝟑𝟔𝟐.𝟓=���𝟒�.𝟒 �_�+�𝟐𝟔��𝟔𝟒𝟑.𝟑 �_�

4.- PRONOSTICAR Y PARA CADA VALOR DE X. �  ̂_ 𝐢=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔�_𝐢

5.- CALCULAR LA VARIANZA DE LOS ERRORES. �

_
�_�^𝟐=(𝟐𝟑�𝟑.𝟓𝟖)/ �
(�𝟐−𝟐)=𝟐𝟑�.𝟑𝟔 ^
DIAGRAMA DE DISPERSION Y RRLSM
𝟐
180.0

160.0
 �
_
�_�^𝟐=(𝟐𝟑�𝟑.𝟓𝟖)/ �
(�𝟐−𝟐)=𝟐𝟑�.𝟑𝟔 ^
DIAGRAMA DE DISPERSION Y RRLSM
𝟐
180.0
231.36
�_�=√((𝟐𝟑�𝟑.𝟓𝟖)/
160.0 f(x) = 0.0760733203x + 25.8863924354
(�𝟐−𝟐))=�𝟓.𝟐� 140.0

120.0
15.21
100.0

80.0

60.0

40.0

20.0

0.0
0.0 200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0
(�_𝐢 〖 − (�_𝐢−¯�) (�_𝐢−¯�)
Yi Xi Yi Xi X2i �  ̂ (�_𝐢−� _ ̂
i _𝐢 𝐢) �  ̂ 〗 _𝐢 ) ^𝟐 ^𝟐
^𝟐
1 65.2 895.0 58354.0 801025.0 93.97 -28.77 827.83 1118.90
2 95.9 990.0 94941.0 980100.0 101.20 -5.30 28.08 3788.40
3 68.5 615.0 42127.5 378225.0 72.67 -4.17 17.40 98250.90
4 107.2 812.5 87100.0 660156.3 87.70 19.50 380.41 13444.40
5 138 1081.3 149219.4 1169209.7 108.14 29.86 891.35 23363.12
6 151.2 1616.3 244384.6 2612425.7 148.84 2.36 5.55 473137.62
7 91.8 987.5 90652.5 975156.3 101.01 -9.21 84.80 3486.90
8 97.3 1002.5 97543.3 1005006.3 102.15 -4.85 23.52 5483.40
9 68 605.0 41140.0 366025.0 71.91 -3.91 15.29 104619.90
10 166.6 1876.3 312591.6 3520501.7 168.62 -2.02 4.09 898419.62
11 57.5 407.5 23431.3 166056.3 56.89 0.61 0.38 271388.90
12 51 252.5 12877.5 63756.3 45.09 5.91 34.87 456908.40
TOTAL 1158.2 11141.4 1254362.5 12697643.3 0.0 2313.6 2353410.5
MEDIA 96.5 928.5 231.4

b0 = 25.89 b1 = 0.0761

6.- CALCULAR LA DESVIACION ESTANDAR DE Y PARA UN X FIJO Y DEPENDIENDO DE LA MEDIA Y.

�_�=√((𝟐𝟑�𝟑.𝟓𝟖)/ �_(¯�_� )
(�𝟐−𝟐))=�𝟓.𝟐� =�𝟓.𝟐�√(�/�𝟐+(𝟓𝟒𝟖𝟑.𝟒�)/
15.21 (𝟐𝟑𝟓𝟑𝟒��.𝟓))=𝟒.𝟒𝟓

Ejemplo: Estimar o pronosticar la venta en forma puntual e intervalica para un X = 1002.5, si el nivel de
confianza es del 95% y una desviacion estandar con rspecto al promedio de Y.

a) ESTIMACION PUNTUAL: �  ̂_ 𝟖=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔(���𝟐.𝟓)=��𝟐.�𝟓

b) ESTIMACION INTERVALICA PARA UN NC = 95 %

�  ̂_ 𝟖=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔(���𝟐.𝟓)=��𝟐.�𝟓 �(�𝟐.𝟐𝟑<�_𝟖<��𝟐.��)=�.�𝟓
 �  ̂_ 𝟖=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔(���𝟐.𝟓)=��𝟐.�𝟓
102.15 �(�𝟐.𝟐𝟑<�_𝟖<��𝟐.��)=�.�𝟓
�_(�.�𝟐𝟓, ��
-2.23 𝒈�)=−𝟐.𝟐𝟑 DISTRIBUCION Normal( 102.15, 4.45 )
2.23 �_(�.��𝟓, ��

Density
𝒈�)=𝟐.𝟐𝟑 0.09

4.45 0.08

0.07

92.23 0.06

112.07 )
�_(¯�_�
0.05

0.04
=�𝟓.𝟐�√(�/�𝟐+(𝟓𝟒𝟖𝟑.𝟒�)/ 0.95
0.03
(𝟐𝟑𝟓𝟑𝟒��.𝟓))=𝟒.𝟒𝟓 0.02

0.01
0.025 0.025
〖��〗 _𝟖=��𝟐.�𝟓−𝟐.𝟐𝟑(𝟒.𝟒𝟓)=� 0.00
93.43 102.2 110.9 Y8
𝟐.𝟐𝟑
〖��〗 _𝟖=��𝟐.�𝟓+𝟐.𝟐𝟑(𝟒.𝟒𝟓)=��
𝟐.��

Ejemplo: Estimar o pronosticar la venta en forma puntual e intervalica para un X = 2050, si el nivel de
confianza es del 95% y una desviacion estandar con respecto al promedio de Y; asi como la estimacion con una
desviacion estandar respecto a Y estimado.
a) ESTIMACION PUNTUAL: 181.84 �  ̂_ 𝟐�𝟓�=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔(𝟐�𝟓�.�)=�𝟖�.𝟖𝟒

b) ESTIMACION INTERVALICA PARA UN NC = 95 %

181.84 �  ̂_ 𝟐�𝟓�=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔(𝟐�𝟓�.�)=�𝟖�.𝟖𝟒
-2.23 �_(�.�𝟐𝟓, ��
𝒈�)=−𝟐.𝟐𝟑
�_(�.��𝟓, �� �_�=√((𝟐𝟑�𝟑.𝟓𝟖)/
2.23 𝒈�)=𝟐.𝟐𝟑 (�𝟐−𝟐))=�𝟓.𝟐�
15.21
�_(¯�_� )
11.96 =�𝟓.𝟐�√(�/�𝟐+(𝟐�𝟓�−�𝟐𝟖.𝟓)^𝟐/
(𝟐𝟑𝟓𝟑𝟒��.𝟓))=��.�𝟔
155.20
208.47 〖��〗 _𝟐�𝟓�=�𝟖�.𝟖𝟒−𝟐.𝟐𝟑(��.�𝟔)=�𝟓𝟓.
𝟐�
〖��〗 _𝟐��𝟓�=�𝟖�.𝟖𝟒+𝟐.𝟐𝟑(��.�𝟔)=𝟐�𝟖.
𝟒�
a) ESTIMACION PUNTUAL: 181.84 �  ̂_ 𝟐�𝟓�=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔(𝟐�𝟓�.�)=�𝟖�.𝟖𝟒

b) ESTIMACION INTERVALICA PARA UN NC = 95 %

181.84 �  ̂_ 𝟐�𝟓�=𝟐𝟓.𝟖𝟖𝟔+�.��𝟔(𝟐�𝟓�.�)=�𝟖�.𝟖𝟒
-2.23 �_(�.�𝟐𝟓, ��
𝒈�)=−𝟐.𝟐𝟑
2.23 �_(�.��𝟓, �� �_�=√((𝟐𝟑�𝟑.𝟓𝟖)/
𝒈�)=𝟐.𝟐𝟑 (�𝟐−𝟐))=�𝟓.𝟐�
15.21
�_(�  ̂_ � )=�𝟓.𝟐�√(�+�/�𝟐+(𝟐�𝟓�−�𝟐𝟖.𝟓)^𝟐/
19.35 (𝟐𝟑𝟓𝟑𝟒��.𝟓))=��.𝟑𝟓
138.73
224.94 〖��〗 _𝟐�𝟓�=�𝟖�.𝟖𝟒−𝟐.𝟐𝟑(��.𝟑𝟓)=�𝟑𝟖.
�𝟑
〖��〗 _𝟐�𝟓�=�𝟖�.𝟖𝟒+𝟐.𝟐𝟑(��.𝟑𝟓)=𝟐𝟐𝟒.�
𝟒

7.-desvicion estandar de los coeficientes de regresion

los
errore 231.4
s
 12697643.3
2353410.5
n 12
s2 b0= 104.02

s2 b1= 9.83E-05 0.00991501

8.-prueba de hipotesis del coeficiente de regresion

α= 0.05
tc= 7.673
tt= ±2.23

decision:rechazamos la H nula.

9.-prueba de hipotesis del modelo gl sc cm

regresion 1 13619.5397 13619.5
fc residuos 10 2313.6 231.358
ft total 11 15933.1167

tc=
tt= 4.96
 312

La empresa EL TATA MOVIL SAC. ha trabajado hasta ahora con la hipótesis de que las ventas de un período
dependen linealmente de los gastos de publicidad efectuados en el período anterior. En este momento, le
solicitan a usted la realización de un análisis que ponga de manifiesto si la hipótesis, hasta ahora mantenida, se
puede seguir sosteniendo en función de los datos que le suministran.

VENTAS PUBLICIDAD 1.- IDENTIFICACION DE VARIABLES INDEPENDIENTE Y DEPENDIENTE.

i Yi Xi V. DEPENDIENTE: Ventas (Y) V. INDEPENDIENTE: Publicidad (X)
1 62.4 844.9
2 91.9 934.6 2.- DIAGRAMA DE DISPERSION.
3 65.7 580.6
4 102.7 767.0 DIAGRAMA DE DISPERSION
5 132.3 1020.7 180.0
6 144.9 1525.7
160.0
7 88.0 932.2
140.0
8 93.3 946.4
9 65.2 571.1 120.0

10 159.6 1771.2 100.0

11 55.1 384.7 80.0
12 48.9 238.4 60.0
40.0
20.0
0.0
0.0 200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0

3.- CALCULO DE LOS COEFICIENTES DXE REGRESION. b0, b1

i Yi Xi YiX i X2i ∑▒�= 1110.0

1 62.4 844.9 52721.76 713856.0
2 91.9 934.6 85889.74 873477.2 ∑▒�= 10517.5
3 65.7 580.6 38145.42 337096.4
4 102.7 767.0 78770.9 588289.0 ∑▒� �= 1134747.1
5 132.3 1020.7 135038.61 1041828.5
∑▒�^𝟐
6 144.9 1525.7 221073.93 2327760.5 = 11315110.6
7 88.0 932.2 82033.6 868996.8
8 93.3 946.4 88299.12 895673.0 �= 12
9 65.2 571.1 37235.72 326155.2
10 159.6 1771.2 282683.52 3137149.4 ����.�=�𝟐 〖 �〗 _�+ 〖�����
11 55.1 384.7 21196.97 147994.1 .𝟓 � 〗 _�
��𝟑𝟒�𝟒�.�=��𝟓��.𝟓 �_�+��𝟑�𝟓���.𝟔
�_�
12 48.9 238.4 11657.76 56834.6
TOTAL 1110.0 10517.5 1134747.1 11315110.6 b0 = 24.84 b1 = 0.077

4.- CONSTRUIR LA RECTA DE REGRESION LINEAL SIMPLE MUESTRAL.

 �  ̂_ 𝐢=𝟐𝟒.𝟖𝟒+�.����_𝐢 �_𝐢=𝟐𝟒.𝟖𝟒+�.����_𝐢+�

Ejemplo: Estimar o pronosticar la venta para una publicidad de 180.5

�_𝐢 180.5 �  ̂_ 𝐢 38.74 �  ̂_ 𝐢=𝟐𝟒.𝟖𝟒+�.���(�𝟖�.𝟓)=𝟑𝟖.��
= =
5.- PRONOSTICAR LAS VENTAS PARA CADA X ASI COMO EL ERROR.

Yi Xi YiXi X2i �  ̂
i _𝐢 e e2
1 62.4 844.9 52721.76 713856.0 89.90 -27.50 756.10
2 91.9 934.6 85889.74 873477.2 96.80 -4.90 24.05
3 65.7 580.6 38145.42 337096.4 69.55 -3.85 14.79
4 102.7 767.0 78770.9 588289.0 83.90 18.80 353.48
5 132.3 1020.7 135038.61 1041828.5 103.43 28.87 833.25
6 144.9 1525.7 221073.93 2327760.5 142.32 2.58 6.66
7 88.0 932.2 82033.6 868996.8 96.62 -8.62 74.29
8 93.3 946.4 88299.12 895673.0 97.71 -4.41 19.47
9 65.2 571.1 37235.72 326155.2 68.81 -3.61 13.07
10 159.6 1771.2 282683.52 3137149.4 161.22 -1.62 2.63
11 55.1 384.7 21196.97 147994.1 54.46 0.64 0.41
12 48.9 238.4 11657.76 56834.6 43.20 5.70 32.53
TOTAL 1110.0 10517.5 1134747.1 11315110.6 2.07 2130.74

6.- CALCULAR LA VARIANZA DE LOS ERROES.

�_�^𝟐=(𝟐�𝟑�.�𝟒)/
DIAGRAMA DE DISPERSION Y RRLSM (�𝟐−𝟐)=𝟐�𝟑.��𝟒
180.0
�_�=√(𝟐�𝟑.��)=�𝟒.𝟓�
160.0 𝟔
f(x) = 0.0771966528x + 24.8403503224
140.0
14.596
120.0

100.0

80.0 b0 = 24.84
60.0
b1 = 0.08
40.0

20.0

0.0
0.0 200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0

(�_𝐢 〖 − (�_𝐢−¯�) (�_𝐢−¯�)

Yi Xi Yi Xi X2i �  ̂ (�_𝐢−�  ̂_ 𝐢 )
i _𝐢 =� �  ̂ 〗 _𝐢 ) ^𝟐 ^𝟐
^𝟐
 (�_𝐢 〖 −
�  ̂ 〗 _𝐢 )
^𝟐
1 62.4 844.9 52721.8 713856.0 90.06 -27.66 765.29 995.93
2 91.9 934.6 85889.7 873477.2 96.99 -5.09 25.89 3380.45
3 65.7 580.6 38145.4 337096.4 69.66 -3.96 15.69 87532.15
4 102.7 767.0 78770.9 588289.0 84.05 18.65 347.82 11981.13
5 132.3 1020.7 135038.6 1041828.5 103.63 28.67 821.68 20805.66
6 144.9 1525.7 221073.9 2327760.5 142.62 2.28 5.20 421514.74
7 88 932.2 82033.6 868996.8 96.80 -8.80 77.49 3107.13
8 93.3 946.4 88299.1 895673.0 97.90 -4.60 21.15 4891.84
9 65.2 571.1 37235.7 326155.2 68.93 -3.73 13.89 93243.71
10 159.6 1771.2 282683.5 3137149.4 161.57 -1.97 3.89 800562.65
11 55.1 384.7 21197.0 147994.1 54.54 0.56 0.32 241826.26
12 48.9 238.4 11657.8 56834.6 43.24 5.66 31.99 407118.44
TOTAL 1110.0 10517.5 1134747.1 11315110.6 0.0 2130.3 2096960.1
MEDIA 92.5 876.5 213.0

7.- CALCULAR EL ERRROR ESTANDAR DE Y PARA UN X FIUJO RESPECTO AL LA MEDIA DE Y.

�_(¯�_� ) b0 = 24.84
=�𝟒.𝟓�√(�/�𝟐+(��𝟐�.�−𝟖�𝟔.𝟒𝟔)^𝟐/
(𝟐��𝟔�𝟔�.�))=𝟒.𝟒𝟔 4.46 b1 = 0.0772

Ejemplo: Estimar o pronosticar la venta en forma puntual e intervalica para un X = 1020.7, si el nivel de
confianza es del 90% y una desviacion estandar con respecto al promedio de Y.

a) ESTIMACION PUNTUAL �  ̂_ 𝟓=𝟐𝟒.𝟖𝟒+�.���𝟐(��𝟐�.�)=��𝟑.𝟔𝟒

b) ESTIMACION INTERVALICA PARA UN NC = 90 %

103.63 �  ̂_ 𝟓=𝟐𝟒.𝟖𝟒+�.���𝟐(��𝟐�.�)=��𝟑.𝟔𝟑 �(�𝟓.𝟓𝟔<�_𝟓<���.��)=�.��
-1.81 �_(𝟓%, �� 𝒈�)=−�.𝟖�
1.81 �_(�𝟓%, �� 𝒈�)=�.𝟖� DISTRIBUCION Normal(103.63, 4.46)
Density

0.09
4.46 0.08

95.56 0.07

0.06
111.71
�_(¯�_� ) 0.05

=�𝟒.𝟓�√(�/�𝟐+(��𝟐�.�−𝟖�𝟔.𝟒𝟔)^𝟐/ 0.04
0.90
(𝟐��𝟔�𝟔�.�))=𝟒.𝟒𝟔 0.03

0.02

〖��〗 _𝟓=��𝟑.𝟔𝟒−�.𝟖�(𝟒.𝟒𝟔)=� 0.01 0.05 0.05

𝟓.𝟓𝟔 0.00
96.29 103.6 111.0 Y5
〖��〗 _𝟓=��𝟑.𝟔𝟒+�.𝟖�(𝟒.𝟒𝟔)=��
�.��
Gráfica de línea ajustada
y = 24.84 + 0.07720 x
200 Regresión
IC de 90%
IP de 90%

S 14.5955
150 R-cuad. 85.4%
R-cuad.(ajustado) 84.0%

100
y

50

0
 S 14.5955
150 R-cuad. 85.4%
R-cuad.(ajustado) 84.0%

100

y
50

0
500 1000 1500 2000
x

8.- PRUEBA DE HIPOTESIS DEL COEFICIENTE DE REGRESION. 2.22813885

9.- PRUEBA DE HIPOTESIS DEL MODELO.

ventas de un período
En este momento, le
a ahora mantenida, se

del período actual?

niendo en cuenta los
¿Qué porcentaje de la

dad en un 10%, ¿qué

modelo ajustado?

𝟒�𝟒𝟔𝟖𝟖.� �_�
600.0 1800.0 2000.0

(�_𝐢−¯�)
LS ^𝟐
137.28 1102.79
144.39 3732.19
116.34 96663.99
131.11 13226.92
151.21 22980.03
191.23 465521.92
144.20 3432.98
145.33 5401.03
115.60 102917.99
210.67 883960.37
100.82 267090.85
89.23 449581.43
2315612.49

200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0
 200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0

Gráfica de línea ajustada

Y = 25.48 + 0.07540 X
Regresión
200 IC de 95%
IP de 95%

S 14.9560
R-cuad. 85.5%
150 R-cuad.(ajustado) 84.0%

Y
100

50

0
500 1000 1500 2000
X

2315612.49

12494688.7

𝟔𝟖𝟖.�))/�𝟐

100.58
9.6598E-05

〖 〖 〖
� � �
(�_𝐢−¯�) (�  ̂_ 𝐢−¯� �_( �_(
^𝟐 )^𝟐 ¯�_ � _ ̂ � � � �
�) ) 〗 〗 〗
_¯ _¯ _
� � �  ̂
 〖 〖 〖
� � �
(�_𝐢−¯�) (�  ̂_ 𝐢−¯� �_( �_(
^𝟐 )^𝟐 ¯�_ � _ ̂ � � � �
�) ) 〗 〗 〗
949.67 6.27 4.33 15.57 _¯ 78.69 _¯
106.14 _ 43.06
� � �  ̂
0.38 21.22 4.36 15.58 85.70 113.34 50.14
757.17 549.50 5.29 15.86 54.71 88.24 21.19
109.90 75.19 4.46 15.61 72.10 100.39 36.77
1663.28 130.63 4.57 15.64 91.87 120.82 56.77
2892.65 2646.32 7.98 16.95 121.08 171.64 92.63
21.31 19.52 4.36 15.58 85.53 113.14 49.95
0.61 30.70 4.38 15.58 86.58 114.33 51.06
784.93 585.05 5.35 15.88 53.78 87.68 20.38
4744.91 5024.99 10.20 18.10 133.47 198.14 108.42
1475.84 1518.31 6.67 16.37 34.82 77.08 4.04
1999.58 2555.70 7.88 16.90 19.39 69.34 -9.22
15400.2 13163.4

〖 〖 〖
Gráfica de línea ajustada � � �
�  ̂ Y = 25.48 + 0.07540 X � � �
250 _� 〗 Regresión 〗 〗
1 92.41 _¯ 82.77
IC de 99%
IP de 99%
_¯102.06 _ 57.72
� � �  ̂
200
2 99.52 89.81
S 109.24
14.9560 64.81
R-cuad. 85.5%

1603.3, si el nivel de 150

3 71.48 59.69
R-cuad.(ajustado) 83.26
84.0% 36.13
4 86.25 76.30 96.19 51.47
Y

1005 106.35 96.17 116.52 71.50

𝟔.𝟑𝟔 6 146.36 128.59 164.13 108.59
50
7 99.33 89.63 109.04 64.63
08 100.46 90.70 110.21 65.74
9 500 1000 70.73
1500 2000 58.82 82.64 35.34
X
10 165.80 143.08 188.53 125.47
11 55.95 41.10 70.80 19.47
12 44.36 26.81 61.92 6.70

= 2000, si el nivel de
a estimacion con una

.𝟐�
ventas de un período
En este momento, le
a ahora mantenida, se
0 1800.0 2000.0

∑▒�=
1158.2

∑▒�=
11141.4

∑▒� �=
1254362.5

∑▒�^𝟐 =
12697643.3

b0 = 25.886
b1 = 0.076

�𝟔�_𝐢 250.00

200.00

150.00

100.00

LSM
50.00

0.00
 150.00

100.00

LSM
50.00

924354 0.00
0.0 200.0 400.0 600.0 800.0 1000.0 1200.0 1400.0 1600.0 1800.0 2000.0

600.0 1800.0 2000.0 〖 〖 〖

� � �
(�_𝐢−¯�) (�  ̂_ 𝐢−¯� �_( �_(
^𝟐 )^𝟐 ¯�_ � _ ̂ � � � �
�) ) 〗 〗 〗
980.733611 6.4752566714 4.40 15.83 _¯ 84.15 103.79
_¯ _ 58.66
� � �  ̂
0.38027778 21.92405376 4.43 15.84 91.31 111.08 65.87
784.933611 568.59271642 5.38 16.13 60.68 84.67 36.69
114.133611 77.804774752 4.54 15.87 77.57 97.82 52.30
1720.86694 135.20589581 4.64 15.90 97.79 118.50 72.68
2990.26694 2738.118421 8.11 17.24 130.76 166.93 110.40
22.2469444 20.179228016 4.43 15.84 91.13 110.89 65.68
0.61361111 31.733273114 4.45 15.85 92.22 112.08 66.81
813.200278 605.45107516 5.44 16.15 59.79 84.04 35.89
4911.67361 5199.2891734 10.37 18.41 145.49 191.75 127.57
1522.30028 1570.5683037 6.78 16.65 41.77 72.00 19.75
2071.76694 2644.1974895 8.01 17.19 27.23 62.96 6.76
15933.1167 13619.539661

〖 〖 〖
� � �
G r á f i c a d�
e l ̂ í n e a a ju s ta d a � � �
Y = 2 5_�
.8 9 + 0 .0 7 6 0 7 X
〗 〗 〗
R e g_¯ _¯103.78 _ 58.69
1 93.97 I C d�
84.16
r e sió n
200 e 95% � �  ̂
2 101.20 91.32
I P d e 95%
111.08 65.90
S 1 5.2104
3 72.67R - c u a d . 60.6985.5% 84.66 36.72
150 R - c u a d .(a ju sta d o ) 84.0%
4 87.70 77.58 97.81 52.33
5 108.14 97.79 118.49 72.71
Y

100
1002.5, si el nivel de 6 148.84 130.77 166.92 110.43
7 101.01 91.14 110.88 65.71
50
8 102.15 92.23 112.07 66.84
9 71.91 59.80 84.03 35.92
0
5 0 010 1000 1500 168.62
2000 145.51 191.74 127.60
X
11 56.89 41.78 71.99 19.78
��)=�.�𝟓
 0
500 1000 1500 2000
X

��)=�.�𝟓 12 45.09 27.24 62.95 6.79

5, 4.45 )

0.025

110.9 Y8

= 2050, si el nivel de
a estimacion con una
 f p
58.9 0.00001695 0.00001695
ventas de un período
En este momento, le
a ahora mantenida, se

EPENDIENTE.
ENTE: Publicidad (X)

1800.0 2000.0
.�𝟒)/
��𝟒

�)=�𝟒.𝟓�

〖 〖 〖
� � �
(�_𝐢−¯�) (�  ̂_ 𝐢−¯� �_( �_(
^𝟐 )^𝟐 ¯�_ � _ ̂ � � � �
�) ) 〗 〗 〗
_¯ _¯ _
� � �  ̂
 〖 〖 〖
� � �
�_( �_(
¯�_ � _ ̂ � � � �
�) ) 〗 〗 〗
4.23 _¯ 82.42 _¯97.71 _
� � �  ̂
4.25 89.29 104.69
5.16 60.32 79.00
4.36 76.17 91.93
4.46 95.57 111.70
7.78 128.53 156.71
4.25 89.11 104.50
4.27 90.17 105.63
5.22 59.48 78.37
9.95 143.55 179.59
6.51 42.76 66.31
7.69 29.33 57.16

〖 〖 〖
� � �
�  ̂ � � �
_�
〗 〗 〗
1 90.06 _¯ 82.41 _¯97.72 _ 62.52
2 96.99 � 89.28 �
104.70 � 69.43
 ̂
1020.7, si el nivel de
3 69.66 60.31 79.02 41.60
4 84.05 76.16 91.94 56.44
5 103.63 95.56 111.71 75.98
6 142.62 128.51 156.73 112.64
7 96.80 89.10 104.51 69.25
8 97.90 90.16 105.64 70.34
9 68.93 59.47 78.38 40.83
63, 4.46)
10 161.57 143.53 179.61 129.55
11 54.54 42.75 66.33 25.58
12 43.24 29.31 57.18 13.34

0.05

111.0 Y5
〖
�
�
〗
_
�  ̂
〖
�
�
〗
_141.77
�  ̂
148.91
121.76
135.72
155.92
200.09
148.71
149.86
121.08
223.19
107.86
97.95

〖
�
�
〗
_127.11
�  ̂
134.23
106.82
121.02
141.19
184.13
134.04
135.18
106.12
206.14
92.44
82.03
0 1800.0 2000.0

〖
�
�
〗
_129.28
�  ̂
136.53
108.65
123.09
143.61
187.28
136.34
137.49
107.93
209.68
94.02
83.43

〖
�
�
〗
_129.25
�  ̂
136.50
108.62
123.06
143.58
187.25
136.31
137.46
107.90
209.64
93.99
83.40
〖
�
�
〗
_
�  ̂
〖
�
�
〗
_
�  ̂

〖
�
�
〗
_117.60
�124.54
 ̂
97.72
111.66
131.29
172.60
124.36
125.46
97.02
193.59
83.50
73.14
RGRESION NO LINEAL

Y= aebx
ln= lna+bxlne
y,= b0 + b1X

Yi Xi �  ̂ (�_𝐢−� _ ̂
i Ln XY¡ X2 _𝐢 𝐢)
1 65.2 895.0 4.2 3738.8 801025.0 93.97 -28.77
2 95.9 990.0 4.6 4517.7 980100.0 101.20 -5.30
3 68.5 615.0 4.2 2599.5 378225.0 72.67 -4.17
4 107.2 812.5 4.7 3798.2 660156.3 87.70 19.50
5 138 1081.3 4.9 5327.8 1169209.7 108.14 29.86
6 151.2 1616.3 5.0 8111.6 2612425.7 148.84 2.36
7 91.8 987.5 4.5 4463.1 975156.3 101.01 -9.21
8 97.3 1002.5 4.6 4589.2 1005006.3 102.15 -4.85
9 68 605.0 4.2 2552.8 366025.0 71.91 -3.91
10 166.6 1876.3 5.1 9598.4 3520501.7 168.62 -2.02
11 57.5 407.5 4.1 1651.1 166056.3 56.89 0.61
12 51 252.5 3.9 992.8 63756.3 45.09 5.91
TOTAL 1158.2 11141.4 54.0 51941.0 12697643.3 1158.20 0.00
MEDIA 96.5 928.5

b1= -0.4348539
 〖 〖
(�_𝐢 〖 − �_( �_( � �
(�_𝐢−¯�) (�_𝐢−¯�) (�  ̂_ 𝐢−¯�
�  ̂ 〗 _𝐢 ) ^𝟐 ^𝟐 ¯�_ � _ ̂ � � �
)^𝟐 �) )
^𝟐 〗 〗
827.83 1118.90 980.73 6.48 4.40 15.83 _¯84.15 _ 58.66
28.08 3788.40 0.38 21.92 4.43 15.84 � 91.31 �65.87
 ̂

17.40 98250.90 784.93 568.59 5.38 16.13 60.68 36.69

380.41 13444.40 114.13 77.80 4.54 15.87 77.57 52.30
891.35 23363.12 1720.87 135.21 4.64 15.90 97.79 72.68
5.55 473137.62 2990.27 2738.12 8.11 17.24 130.76 110.40
84.80 3486.90 22.25 20.18 4.43 15.84 91.13 65.68
23.52 5483.40 0.61 31.73 4.45 15.85 92.22 66.81
15.29 104619.90 813.20 605.45 5.44 16.15 59.79 35.89
4.09 898419.62 4911.67 5199.29 10.37 18.41 145.49 127.57
0.38 271388.90 1522.30 1570.57 6.78 16.65 41.77 19.75
34.87 456908.40 2071.77 2644.20 8.01 17.19 27.23 6.76
2313.6 2353410.5 15933.12 13619.54 70.99 196.92 999.89 719.07
231.4
 〖
�
�
〗
129.28
_
�  ̂
136.53
108.65
123.09
143.61
187.28
136.34
137.49
107.93
209.68
94.02
83.43
1597.33
Resumen

Estadísticas de la regresión
Coeficiente d 0.9243139
Coeficiente 0.85435619
R^2 ajustado 0.83979181
Error típico 14.5955372
Observacione 12

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 12496.4629 12496.4629 58.6606585 1.7209E-05
Residuos 10 2130.29707 213.029707
Total 11 14626.76

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Intercepción 24.8403503 9.78731986 2.53801354 0.02946333 3.03284268 46.647858 3.03284268
Variable X 1 0.07719665 0.01007918 7.65902465 1.7209E-05 0.05473885 0.09965446 0.05473885
Superior 95.0%
46.647858
0.09965446