X a.

                   Realice el diagrama de dispersión y determine el tipo de asoc
(% Y
de Hidro (Pureza)
carburos)
0.99 90.01
1.02 89.05
1.15 91.43
1.29 93.74
1.46 96.73
1.36 94.45
0.87 87.59
1.23 91.77
1.55 99.42
1.4 93.65
1.19 93.54
1.15 92.52
0.98 90.56
1.01 89.54
1.11 89.85
1.2 90.39
1.26 93.25
1.32 93.41
1.43 94.98
0.95 87.33
1.196 92.1605 DIRECTA SI AUMENTA UNA MAGNITUD LA OTRA AUMENTA- SI DISMINUYE UNA M
INVERSA SI AUMENTA UNA MAGINTUD LA OTRA DISMINUYE Y VICEVERSA

b. Encuentre el modelo matemático que permite predecir el efecto

y = 14,947x + 74,283
R² = coeficiente de determ
R= 0.93 COEFICIENTE DE CORRELACIÓN

c . Determine el porcentaje de explicación del modelo y el grado de

R= Coeficiente de correlacióncorrelación
d. ¿Cuál es el porcentaje de hidrocarburo cuando la pureza del oxíge

y = 14,947x + 74,283

Y = 51,4

REEMPLAZAR EN LA ECUACIÓN

51,4= 14,94(x)+74,283

51,4-74,283=14,94 x

( - 22,883)/14,94= X

X= - 1,53
ión y determine el tipo de asociación entre las variables. 
y=14,947x+74,283
R²= 0,8774 87.74

Resumen

ERSIÓN Estadísticas de la regresión

Coeficiente de correlación múltiple 0.9379022882
Coeficiente de determinación R^2 0.8796607022
R^2 ajustado 0.87258192
Error típico 0.0671088352
Observaciones 19

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
1.3 1.4 1.5 1.6 Residuos 17
ROS Total 18

Coeficientes
Intercepción -4.1108664858

AUMENTA- SI DISMINUYE UNA MAGNITUD LA OTRA TAMBIEN DISMINUYE

DISMINUYE Y VICEVERSA

permite predecir el efecto de una variable sobre la otra. Es confiable?

87% 87.70%

RELACIÓN

del modelo y el grado de relación de las dos variables.

correlación
 y
x

cuando la pureza del oxígeno es igual a 51,4?

X: % Hidrocarburo
Y :Pureza
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
0.5596494 0.5596494 124.267236 3.0801E-09
0.07656113 0.0045036
0.63621053

Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%

Superior 95,0%
0.47727895 -8.6131317 1.3166E-07 -5.1178371 -3.1038959 -5.1178371 -3.1038959
confiabilidad
Superior 95,0%
-3.1038959
X  12 23 35 42 53

Y  45 30 27 25 23

Y X

a.    Identifique la variable dependiente (y) y la variable independiente (x), realice el diagram
determine el tipo de asociación entre las variables 

45 12
30 23
27 35
25 42 Relación Y VS X
23 53 80
21 65 70
20 70 60
f(x) = - 2.2328543436x + 103.7821685173
50 R² = 0.7962666987
40
Y

30
20
10
0
15 20 25 30 35 40 45
X

b.    Encuentre el modelo 
d.    ¿Qué tiempo 
matemático que permite 
deberá tardarse un 
predecir el efecto de una 
empleado cuando 
variable sobre la otra. ¿Es 
lleven 90 días? 
confiable? El 79.6% 
           Y= - 2,2329x+ 103,78  
             R²= 0,7963  Y= -0,3566x+42,569 
  X= 90 
90= - 0,3566(90) + 42,569 
90 – 42,569 = 0,3566 
(47,431) / 0,3566 = X 
X= 133,009 
 

 
 65 70 c. Determine el grado de correlación de las dos variables.

21 20

Estadísticas de la regresión

Coeficiente de correlación múltiple 0.8911981436

Coeficiente de determinación R^2 0.7942341312

diente (x), realice el diagrama de dispersión y 
tre las variables 

R^2 ajustado 0.5942341312

Error típico 12.2122521156
Observaciones 6

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 5
Total 6

Coeficientes
Intercepción 0
12 0.4315946156
35 40 45 50

Análisis de los residuales

Observación Pronóstico 45
1 9.9266761584
2 15.1058115454
3 18.1269738545
4 22.8745146259
5 28.0536500129
6 30.2116230909
 El   R²= permite afirmar que el modelo explica el 
79,6% que muestra la confiabilidad.
 
El R= Es el coeficiente de correlación lineal con un 
valor de 0,7963, el cual se concluye que está en una 
correlación regular. 
 

Suma de cuadrados Promedio de los cuadrados F

2878.304491328 2878.304491328 19.2994624338
745.695508672 149.1391017344
3624

Error típico Estadístico t Probabilidad

#N/A #N/A #N/A
0.0982434063 4.3931153449 0.0070672376

Residuos Residuos estándares

20.0733238416 1.8005871756
11.8941884546 1.0669146457
6.8730261455 0.6165138785
0.1254853741 0.0112561007
-7.0536500129 -0.6327159296
-10.2116230909 -0.9159876921
Valor crítico de F
0.0117540393

Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%

#N/A #N/A #N/A #N/A
0.1790519 0.6841373312 0.1790519 0.6841373312
 Variable X 1 Gráfico de los residuales
12
Variable X 2 Gráfico de los residuales
10
12
Variable X 2 Gráfico de los residuales
12
10
8
10Variable X 3 Gráfico de los residuales
Variable X 3 Gráfico de los residuales
Residuos

68 12
8
12
Residuos

6 10
4
ResiduosResiduos

6 10
4 8
2 8
4
6
2
Residuos

0 4
2 Variable X 4 Gráfico de los residuales
6

0 10 12 14 4 16 18Variable20 X224 Gráfico

24 de los residuales
15
20 2
25
0 30 35 X 1 Variable
Variable 40 X
45 5 Gráfico
50 de los residuales
15
0 20
102
25 30 35 Variable X 5 Gráfico
40 45 50 de los residuales
Residuos

Variable X15
2
2 Variable X 6 Gráfico de los residuales
30 35 5 40 10
45 50 55 60 65 70
Residuos

0 Variable X15
30 35 105 40 45 50 Variable
55 60 X 65 6 Gráfico70 de los res
Residuos

0 Variable X15
3
40 5
10
Variable 75X 780Gráfico de los res
Residuos

35 0 45 50 55Variable
60 X 3 65 70 85
15
10
40 5 45Variable Variable 75X 780Gráfico d
Residuos

0 35 50 X 4 55
15
60 65 70 85
80 XVariable X1001 Curva 110 de r
5 10
Residuos

50 60
0 70 Variable 4 90
15
105 Variable X100 1 Cu
Residuos

0 50 60 70
Variable X 5 80 90
50
45 Variable XVariable X 2120Cu
10
70 5
Residuos

60 0 80 90 100
5 110
50
0 60 70 5 80 X 645 90
40 Variable 100 11
50
60 35
70 0 80 90 100 110
3060 45 Variable X 6
40
70 35 80 90
40 Variable X 7 10
25 30
35 Variabl
Y

20 25
15 30
Y

20
25
10 15
Y

5 20
10
15
0 5
10 12 10
014 16 18 2
5
0 10 Variable
12 X 141 1
20 25 30Var
Var
 ales

ales
s residuales
s residuales
fico de los residuales
fico de los residuales
X 65
6 Gráfico 70 de los residuales
X 780Gráfico 85 de los residuales
Variable
5 70 75X 780Gráfico 85 de los residuales
riable
90 X1001 Curva 110 de regresión ajustada
80 Variable90 X100
1 Curva 110 de regresión ajustada
90 Variable
Variable X100
5
50
110 X 2 120Curva 130 de regresión ajustada
80 X 645 90
Variable
50
Variable
100 110 X 2 120Curva
130 de regresión ajustada

45 Variable XVariable
80 90
40 100 6 110 120X 3130 Curva
140 de regresión ajustada
50
60 70 35 80 90
40 Variable X 745
50
100 Variable XY 3130
110 120 Curva 140 de regresión ajustada

45 Variable XVariable XPronóstico

4 Curva paraY Yde regresión ajustada
30
35 40 7
25 50
30 35
40 Variable XPronóstico
Y 4 Curva para Yde regresión ajustada
Y

20
25 45
50
15 30
35 40 Variable XPronóstico
5 CurvaparaY Yde regresión ajustada
Y

20 25 45 50
10
15 30 35
40 Variable XPronóstico
Y 5 Curva
para Yde regresión ajustada
Y

5 20
25 45
50
30
10 12 1014 16 15 18 20 35 22 24 40 Pronóstico paraY Y
Y

0
5 20 25 45 50
10 30 35
0 10 Variable 15
12 X 14 16 2018 20 40 22 24 Pronóstico
Y para Y
Y

1 25 45
5
10 30
35
20 25 0 30Variable 3515
X 1 40 45 50 40 Pronóstico paraY Y
Y

20 25
5 10 30 35
25 15 Pronóstico
Y para Y
0 20 Variable X52 30 3520
25 40 45 50
Y Y

30 35 40
10
0 45 5015
Variable Variable X 6 Curva de regresión ajustada
30
X 2 55 60 2565 70
20 Pronóstico paraY Y
5
35 15
10 Variable X 6 Curva de regresión ajustad Pronóstico para Y
Y

0 30 Variable 40
X53 45 5020 50 55 60 65 70
10
35 40 45 0 50 Variable
5
55 6040 15 Variable X 7 Curva de regresión ajustad
X 365 70 7550 80 85
40 4530
0 35 Variable
10
X5450 55 6040 Variable X 7 Curva de regresión
50 65 1270 75 80 85 Y
20 8030 Pronóstico paraY Y
Y

50 60 0 70Variable X 4 90
40 10050 110
10 10
20
60 30 Pronóstico
Y

0 50 Variable X 5 70
10
8040 90 100 110 Y
20 8 30 Pronóstico
Y

60 70 080 Variable90 100X 5 110 120 130

10 20
Y

6 70 X 80
0 60 Variable 6 90 100 110 120 130
10
60 70 80 0 90 100X 6110 120 130 140
Variable
4
5
40 Variable X 7 Curva de regresión ajustad
50
0
10
30
5 50 12
40 Variable X 7 Curva de regresión Y
20 30 Pronóstico paraY Y

Y
50 60 0 70 8040 90 10050 110
10 10
20
60 30 Pronóstico

Y
0 50 Variable X 5 70
10
8040 90 100 110 Y
20 8 30 Pronóstico

Y
60 70 080 Variable90 100X 5 110 120 130
10 20

Y
6 70 X 80
0 60 Variable 6 90 100 110 120 130
10
60 70 80 0 90 100X 6110 120 130 140
Variable
4
60 Variable
70 80 X 7 90 100 110 120 130 140
2
Variable X 7
0
0 2 4 6 8
ustada
ustada
esión ajustada

onóstico para Y
esión ajustada
onóstico paraY Y
de regresión ajustada
Pronóstico para Y
de regresión ajustada
7 CurvaY de regresión ajustada
Pronóstico paraY Y
110 Pronóstico
Y para Y
0 130 Pronóstico paraY Y
00 110 120 130 Pronóstico para Y

6110 120 130 140

de regresión ajustada
7 CurvaY de regresión ajustada
Pronóstico paraY Y
110 Pronóstico
Y para Y
0 130 Pronóstico paraY Y
00 110 120 130 Pronóstico para Y

6110 120 130 140

07 90 100 110 120 130 140
Variable X 7

4 6 8 10 12
 Año PIB Nación
2001 1.7
2002 2.5
2003 3.9
2004 5.3
2005 4.7
2006 6.7
2007 6.9
2008 3.5
2009 1.7
2010 4
2011 6.6
2012 4
2013 4.9
2014 4.4
2015 3.1
2016 2
2017 1.8

Asociación PIB VS Ventas

380
370
y - Venta de la compañia

360
350 f(x) = 1.150928382x + 345.1042440318
R² = 0.0287535577
340
330
320
310
300
1 2 3 4 5 6 7 8
X- PIB Nación

a.     Ajuste un modelo 
matemático que permita 
predecir el efecto de una 
variable sobre la otra. ¿Es 
confiable? 0,002% El 
modelo matemático es el 
siguiente: 
Y= 1,1509x +345,1
El   R²= 0,0288
a.     Determine el porcentaje 
de explicación del modelo y 
el grado de relación de las 
dos variables. 

b. El   R²= 0,0288% permite 
establecer la confiabilidad 
del ejercicio y la relación el 
producto interno bruto y las 
ventas de la compañía. 

El R= Es el coeficiente de 
correlación lineal con un 
valor de 0,0288 el cual se 
concluye que no existe una 
correlación entre PBI 
NACIÓN y las ventas de la 
compañía en las últimas dos 
décadas. 

 
 Ventas de la compañía
339.43 Resumen
363.02
359.75 Estadísticas de la regresión
336.9 Coeficiente de correlación múltiple
339.38 Coeficiente de determinación R^2
348.4 R^2 ajustado
372 Error típico
358.79 Observaciones
337.94
357.32 ANÁLISIS DE VARIANZA

342.14
327.84 Regresión
362.06 Residuos
348.8 Total
353.52
355.4
342 Intercepción
339.43

B VS Ventas

Análisis de los residuales

Observación
1
2
3
4
5
5 6 7 8 6
B Nación 7
8
9

10
11
12
 13
14

15

16

c.     ¿Cuál podria ser la proyección de 
ventas para el año 2018 si se espera 
que el PIB nacional sea del 3,1? 

Y= -0.1049x+560.48 
X= 3,1 
3,1= -0.1049 (3.1) + 560.48 
3,1- 0.32519= -0.1049 
(2.77481) / -0.1049 = X 
X= - 26.45 
Respuesta: La proyección de ventas 
para el año 2018 esperando que el 
producto interno bruto nacional sea 
de 3,1, será de -26.45. 
de la regresión
0.9303171275
0.8654899578
0.7988232911
1.6808476811
16

Promedio de los
Grados de libertad Suma de cuadrados cuadrados F Valor crítico de F
1 272.6812660926 272.6812660926 96.5158374085 1.16306083E-07
15 42.3787339074 2.8252489272
16 315.06

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

0 #N/A #N/A #N/A #N/A
0.0117776348 0.0011988333 9.824247422 6.30662582E-08 0.0092223822

Pronóstico 1,7 Residuos Residuos estándares

4.2755169911 -1.7755169911 -1.0909650433
4.2370041252 -0.3370041252 -0.2070719244
3.9678851697 1.3321148303 0.8185169283
3.997093704 0.702906296 0.4319002305
4.10332797 2.59667203 1.5955231225
4.3812801517 2.5187198483 1.5476254647
4.2256975958 -0.7256975958 -0.445904327
3.9801339099 -2.2801339099 -1.4010265192
4.2083844726 -0.2083844726 -0.1280416782

4.0295999761 2.5704000239 1.5793803087

3.8611797982 0.1388202018 0.0852979657
4.2642104616 0.6357895384 0.3906603906
 4.108039024 0.291960976 0.1793951961
4.1636294603 -1.0636294603 -0.6535463001

4.1857714138 -2.1857714138 -1.3430455564

4.0279511072 -2.2279511072 -1.3689628364

Superior 95% Inferior 95,0% Superior 95,0%
#N/A #N/A #N/A
0.0143328875 0.0092223822 0.0143328875