UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

FACULTAD DE CIENCIAS ECONOMICAS

CURSO : PROYECTOS I FECHA: 27-05-2019
TEMA : CAPITULO 3 .Técnicas de predicción
ALUMNO: PAYAJO JARA, ROYER NELVER
AULA : A-45 ; TURNO: TARDE

PREGUNTAS Y PROBLEMAS

3.1 ¿Qué son los pronósticos y cómo se deben considerar?

Un pronóstico, en el plano empresarial, es la predicción de lo que sucederá con un elemento
determinado dentro del marco de un conjunto dado de condiciones. Se diferencia del presupuesto
porque este último es el resultado de decisiones encaminadas a generar las condiciones que
propiciarán un nivel deseado de dicho elemento.

Por qué se necesitan los pronósticos en la empresa

El objetivo básico de un pronóstico consiste en reducir el rango de incertidumbre dentro del cual se
toman las decisiones que afectan el futuro del negocio y con él a todas las partes involucradas. Aunque,
el pronóstico no sustituye el juicio administrativo en la toma de decisiones, simplemente es una ayuda
en ese proceso.

Los pronósticos se emplean en el proceso de establecimiento de objetivos tanto de largo como de

corto plazo, constituyéndose así en bases para el desarrollo de planes, a nivel general y en las
distintas áreas o unidades. Los planes basados en dichos pronósticos, no sólo atenderán a ellos sino
que establecerán estrategias y acciones que los puedan contrarrestar, corregir o impulsar.

3.2 ¿Qué comportamiento caracteriza a la demanda de productos innovativos?

El estudio del comportamiento histórico de la demanda que ha tenido la competencia ya establecida

es fundamental para elegir la técnica de pronóstico a emplear, la técnica de pronóstico a emplear,
tanto en lo que se refiere a su tendencia, estacionalidad, impacto de variables externas y
comportamiento frente a los cambios en los ciclos económicos como a sus reacciones (positivas y
negativas) a campañas promocionales, cambios de precios o readecuación de las características del
producto, etcétera. En proyectos innovativos se debe tener muy en cuenta el ciclo de vida de productos
similares. Es posible que en una etapa inicial de su desarrollo sea una función exponencial la que mejor
explique el comportamiento de la demanda en el periodo introductorio (crece muy lentamente al
principio mientras el producto se conoce, para luego aumentar fuertemente); que en una segunda
etapa, de crecimiento, sea una función lineal con tendencia positiva la que mejor explique el desarrollo
del mercado; y que, en la etapa madurez, se opte también por una función lineal creciente a tasas
sustancialmente menores. Incluso puede haber una etapa de saturación, donde la demanda llegue a
0, como por ejemplo los derivados de la obsolescencia por los continuos tecnológicos (regla de cálculo,
telégrafo y pronto, el fax). Ciclos de vida de un producto: introducción, crecimiento, madurez y
obsolescencia
3.3 ¿Cuáles son las categorías generales de técnicas de predicción y cuándo debe
usarse cada una de ellas?
Se clasifican en dos categorías: las cuantitativas y las cualitativas Cuando se dispone de datos históricos
suficientes, es posible utilizar los modelos cuantitativos de proyección. Dos grupos se identifican en
esta categoría: los modelos causales y los modelos de series de tiempo. Un tercero, el de datos de
panel, es solo una combinación de los dos anteriores. Si estos no existen o son insuficientes, lo mejor
es recurrir a los métodos cualitativos.

3.4 ¿En qué consisten los modelos causales de pronóstico?

Estos requieren que exista una relación entre los valores de ambas variables y que los de la variable
independiente sean conocidos o que su estimación otorgue una mayor confianza. La forma más
común de hacer proyección causal es el ajuste de curvas, el cual se puede realizar aplicando el
método de regresión, que predice el comportamiento de una variable dependiente a partir de una
línea recta, exponencial u otra formada por los datos de la variable independiente y regresión
múltiple a la que recurre a varias.

3.7 ¿Cómo se interpreta un coeficiente de determinación cercano a 1?

Si el coeficiente es positivo y elevado (muy cercano a 1), las variables x e y tienen comportamientos
altamente relacionados. Si el coeficiente es 1, no existe diferencia entre el valor estimado y los datos
observados.

3.8 ¿Cómo se interpreta un coeficiente de determinación cercano a -1?

Si el coeficiente muestra valores negativos, el comportamiento de las variables es opuesto, es decir,
mientras mayor sea el valor de x, menor será el de y. Si el coeficiente es 0, no existe correlación entre
las variables, y la ecuación obtenida no sirve para estimar el valor de Y

3.9 ¿Qué busca determinar una prueba de hipótesis?

Dado que estadísticamente los resultados varían según sea la composición de los datos, se hace
necesario determinar si los valores de a y b son o no válidos realizando una prueba de hipótesis, puesto
que las variaciones se pueden deber a las diferencias propias de los grupos (edad, sexo, etc.) o se
explican por el azar. Cuando las diferencias no se deben al azar, se clasifican como estadísticamente
significativas, aceptando que las diferencias se explican porque los grupos están compuestos por
individuos de diversas características.

3.10 ¿Para qué se utiliza el estadístico F?

Se utiliza para determinar si todas las variables de la función en su conjunto son o no significativas, y
se calcula dividiendo el promedio de los cuadrados de la regresión por el promedio de los cuadrados
de los residuos. Aunque para dos variables es suficiente el coeficiente R2 (o R cuadrado), se muestra
el cálculo del estadístico F para los datos del Excel que se observan en el cuadro de la pregunta 3,6. F
= 8522887,3 / 1256660,161 = 67,82174682 Este valor es el que aparece en la celda E12.

3.11 ¿A qué se denomina una relación espuria?

Cuando todos los indicadores se consideren como válidos, podría darse el caso de que dos variables
que no tengan ninguna relación entre sí sugieran la aceptación del modelo. Por ejemplo el
comportamiento observado en el consumo de cerdos con el crecimiento de los de los enfermos de
sida. Aunque ambas variables se muestren muy correlacionadas y aunque a y b sean muy significativas,
no cabe duda de que una no explica a la otra.
3.12 ¿Qué son los modelos de series de tiempo?
Los modelos de series de tiempo pronostican el valor futuro de la variable que se desea estimar,
extrapolando el comportamiento histórico de los valores observados para esa variable. Estos modelos
asumen que la variable que explica la demanda futura es el paso del tiempo.

3.13 ¿Cómo se pueden clasificar las fluctuaciones de las observaciones pasadas?

Las fluctuaciones observadas en el pasado pueden diferenciarse

en tres tipos: de tendencia, cíclica y estacional, cuyo comportamiento puede graficarse
como sigue.

3.14 ¿En qué consisten los métodos analógicos?

Cuando no existen datos en la zona geográfica donde se considera instalar el proyecto, es posible
recurrir al método analógico, el cual busca otro mercado que haya experimentado un desarrollo
conocido y asimilar, por sus características similares, su comportamiento al que tendrá el propio
mercado del proyecto. Para ello, se debe identificar el momento del tiempo en que el mercado
desarrollado se encontraba en un estado similar al que se encuentra el del proyecto y tomarlo como
punto de partida. Por ejemplo, cuando se introdujeron las zapatillas deportivas para uso diario en
Chile, se tomó como referencia la tasa de adopción observada en Brasil. Aunque muchos evaluadores
usan el método analógico como único predictor de la demanda para el proyecto, al considerar que las
condiciones futuras no serán iguales a las observadas en otros mercados, será imprescindible
incorporar los ajustes necesarios o realizar un análisis de escenarios.

3.15 ¿Cuáles son las técnicas cualitativas de predicción y cuándo se usan?

Las técnicas cuantitativas de estimación descritas anteriormente constituyen una fuente de
información fundamental para apoyar el proceso de toma de decisiones de inversión en cualquier
empresa. Sin embargo, como ya se mencionó, la esencia del proceso decisorio es la incertidumbre
respecto del comportamiento que asumirá en el futuro el valor de una determinada variable. Esto
explica la importancia que se otorga a las técnicas cualitativas de predicción como complemento de la
información que deberá estar disponible antes de aprobar o rechazar un proyecto.
Especial relevancia tienen estos modelos cuando no existen datos históricos, cuando es difícil
cuantificar las variables que explicarían la demanda o cuando los datos existentes no son confiables
para extrapolarlos si no es posible asimilar las características del proyecto con otras. Por ejemplo,
cuando se iniciaron los primeros proyectos inmobiliarios de una segunda vivienda para descanso a solo
una hora de las grandes urbes, ofreciendo al consumidor vincularse con la naturaleza todos los fines
de semana en vez de únicamente durante su periodo vacacional, no existían datos referenciales
históricos ni asimilables a otras experiencias.

Los principales métodos cualitativos se basan en opiniones de expertos que se obtienen de la

aplicación de una (o una combinación) de las técnicas conocidas como el método Delphi, la
investigación de mercados y la predicción tecnológica. En general, estas técnicas se fundamentan en
el valor que se otorga a las experiencias pasadas y a la capacidad de las personas para intuir
anticipadamente efectos sobre las variables más relevantes en la viabilidad de un proyecto, así como
el conocimiento especializado de éxitos, fracasos y estándares de desempeño en materias similares.

3.16 ¿En qué consiste el método Delphi?

Este método se desarrolla como respuesta a las debilidades del modelo de consenso de panel, que
busca la predicción de un grupo de expertos en una discusión abierta y que, por factores psicológicos,
de personalidad o de actitud, conducía al grupo a seguir la posición de quienes demostraban tener una
reputación, una habilidad para el debate o una personalidad dominante, capaz de imponerse a la
calidad de otros argumentos. El consenso de panel se sigue aplicando en proyectos que se evalúan
en empresas en funcionamiento, donde el personal interno demuestra experiencia y conocimiento del
mercado. Uno de los casos más comunes es el de los vendedores que, con el conocimiento adquirido
durante años en sus relaciones con los clientes, pueden opinar calificadamente sobre las reacciones y
los comportamientos que podrían resultar de la posible introducción o modificación de un producto
en el mercado; asimismo, el del personal de adquisiciones vinculado con los proveedores de insumos
de la empresa.

3.17 ¿Qué diferencia a los métodos Delphi y de consenso de panel?

El Delphi supera las dificultades del consenso de panel al constituir un grupo heterogéneo de expertos
en un proceso en el que todos proporcionan información de manera interactiva, la cual es tratada
sistemáticamente por un coordinador para concluir en una convergencia de la información colectiva;
de ella nace la predicción. Para eso, la participación de cada experto es anónima y se la proporciona al
coordinador, quien recopila, procesa y retroalimenta a todos los expertos con las opiniones del resto.
Mediante la reiteración del proceso en varias rondas, se tiende a una convergencia de opiniones que
resulta en una predicción ampliamente consensuada. Este método se fundamenta en que la suma de
las especialidades particulares de los integrantes del grupo cubre todo el ámbito de conocimiento que
se requiere para la predicción, y en que el conocimiento combinado supera las capacidades predictivas
de cada individuo.

3.18 Explique el concepto de análisis prospectivo.

Aunque muchos revisores de proyectos valoran sobremanera la entrega de un informe lleno de
cuadros estadísticos, no debe olvidarse que estos últimos constituyen solo información secundaria y,
por lo tanto, son utilizables en el nivel de prefactibilidad. Su complementación con los resultados de
las consultas directas y de la observación de las necesidades, motivaciones y otras variables, así como
del comportamiento de la competencia, proveedores e intermediarios, permite un mejor diagnóstico
del mercado. En este sentido, el método Delphi hace posible acopiar información de primera fuente
para entender el mercado y para hacer los análisis de prospectiva.
3.19 ¿En qué consiste la investigación de mercados?
Considera la opinión de los clientes como pertinente en la actividad predictiva. Para ello, recurre a
diversas formas de recopilación de sus opiniones, como por ejemplo la toma de encuestas a una
muestra representativa de la población, la realización de experimentos o la observación de los
consumidores potenciales en mercados de prueba, entre otras, buscando probar o refutar hipótesis
sobre un mercado específico, es decir, las características de algún producto o de los consumidores.

3.20 ¿Qué es un muestreo?

Para realizar un muestreo, se debe considerar el tipo de población que se busca estudiar, la que se
puede clasificar, según su tamaño, en finita o infinita. Normalmente, cualquier población por sobre
5.000 individuos, empresas o familia se considera infinita.

3.21 ¿Qué es un marco muestral?

Un marco muestral es una lista de elementos que componen el universo que queremos estudiar y de
la cuál se extrae la muestra. Estos elementos a investigar pueden ser individuos, pero también
pueden ser hogares, instituciones o cualquier otra cosa susceptible de ser investigada. Cada uno de
estos elementos presentes en el marco muestral se conoce como unidades muestrales.

Un marco muestral es una lista de elementos que componen el universo que queremos estudiar y de
la cuál se extrae la muestra. Estos elementos a investigar pueden ser individuos, pero también
pueden ser hogares, instituciones o cualquier otra cosa susceptible de ser investigada.

3.22 ¿Qué diferencia a un muestreo probabilístico de uno no probabilístico?

A) Muestreo probabilístico
1. Todos los elementos de la población tienen una probabilidad mayor a cero de ser seleccionados en
la muestra.
2. La probabilidad de inclusión de cada elemento en la muestra se conoce de forma precisa.
El cumplimiento de ambos criterios es el que hace posible obtener resultados no sesgados cuando se
estudia la muestra. En ocasiones, estos resultados no sesgados requieren usar técnicas de
ponderación (weighting), pero esta ponderación es posible precisamente porque se conoce la
probabilidad de que cada individuo sea seleccionado en la muestra. Las muestras generadas en estas
condiciones se conocen también como muestras probabilísticas.

La definición anterior nos lleva a concluir que sólo podemos hacer muestreo probabilístico si se
dispone de un marco muestral. El censo de un país, el conjunto de direcciones de hogares en una
población o la lista de clientes de una empresa, son ejemplos de marcos muestrales que hacen
posible un muestreo probabilístico. En cada uno de estos casos, el universo a estudiar es diferente:
habitantes de un país, hogares de una población y clientes de una empresa, respectivamente.

Una vez se tiene un marco muestral, la forma exacta que se utiliza para seleccionar la muestra define
las diferentes técnicas de muestreo probabilístico: Muestreo aleatorio simple, muestreo sistemático,
muestreo estratificado, muestreo por conglomerados, muestreo desproporcionado...

B) Muestreo no probabilístico
Sin embargo, no es sencillo cumplir con los requisitos impuestos por el muestreo probabilístico:
1. Disponer de un marco muestral es algo relativamente poco habitual en estudios de mercado.
2. Lograr que todos los individuos de la población tengan una probabilidad no nula de ser seleccionados
es un requisito igualmente exigente, más aún conocer la probabilidad de inclusión exacta de cada
unidad muestral. Todos los individuos que no pueden ser seleccionados en una muestra se suelen
referir como unidades fuera de cobertura.
Por todas estas razones, así como por razones de coste, los investigadores recurren con frecuencia a
otras técnicas de muestreo, agrupadas dentro de lo que se conoce como muestreo no probabilístico.
En estas técnicas alternativas, es habitual seleccionar elementos para la muestra basándose en
hipótesis relativas a la población de interés, lo que se conoce como criterios de selección. Por ejemplo,
seleccionar una muestra buscando individuos por la calle, tratando de que la mitad sean hombres y la
mitad mujeres (coincidiendo con la distribución que se supone en la población) sería un criterio de
muestreo no probabilísitico.

3.23 ¿Qué es un muestreo aleatorio simple?

El muestreo aleatorio simple extrae del marco muestral una muestra al azar. (En Excel, esta se puede
hacer mediante el comando Muestra). Rosillo2 aclara que, para productos de consumo regular, es
conveniente realizar una prueba piloto, ya que el comportamiento esperado de la población tiene la
forma de una distribución normal (se requiere un mínimo de 30 observaciones para considerarla
normal). Por ejemplo, si la prueba se hace sobre 50 individuos, es posible tomar aleatoriamente varias
muestras (por ejemplo, 30 muestras de 20 individuos cada una) y obtener la media y la varianza
muestral de cada grupo de 20 individuos. (En Excel se obtienen ambas mediciones con los comandos
PROMEDIO y VAR, respectivamente).

3.24 ¿Qué es un muestreo estratificado?

El muestreo estratificado se aplica cuando se observan subgrupos con características comunes entre
ellos, pero diferenciadas entre subgrupos. Por ejemplo, cuando por niveles de ingreso, edad u objetivo
de uso (turismo o negocios), los usuarios de un hotel manifiestan comportamientos diferentes.
En este caso, el tamaño de la muestra para toda la población estará determinado por:

3.25 Indique cómo se clasifican los tres grupos de preguntas básicas que debe contener
un cuestionario.

 El número de preguntas debe ser lo suficientemente reducido como para no crear

inconvenientes a quien deba responderlas.
 Las preguntas deben ser muy precisas y relacionadas exclusivamente con el diagnóstico que
se desea obtener (existe muchas veces la “tentación” de agregar otras preguntas para
“aprovechar” la encuesta, lo que puede fácilmente distraer el objetivo de esta).
 Es importante la estratificación previa de la población para determinar quiénes pueden tener
una opinión fundada sobre la materia en estudio.
Por ejemplo, recopilar información sobre preferencias de los automovilistas, es necesario
conocer primero quiénes tienen vehículo.
 Se debe comprobar la validez de la segmentación. Para ello, un primer grupo de preguntas
debe incluir algunas como rango de edad, número de trabajadores de una empresa, rango de
ingreso, sexo, posesión de un bien (vehículo), etcétera.
  De acuerdo con el objetivo de la encuesta, un segundo grupo de preguntas deben estar
referidas a identificar el consumo actual del individuo. Por ejemplo, la marca que usa, el rango
de precios que paga, el lugar donde compra, la frecuencia de compra y uso, y cualquier otra
que permita conocer su comportamiento de compra.
 Un tercer grupo de preguntas deben tratar de medir el grado de satisfacción del individuo con
la oferta actual; por ejemplo, con el precio que paga, la calidad que recibe, la presentación y
el tamaño del producto, el lugar donde compra, el servicio que recibe y cualquier otra que
permita conocer posibles factores de diferenciación que debería incorporar el proyecto. En
una encuesta, es frecuente combinar diversos tipos de preguntas, lo que hace necesario
recurrir a varias formas simultáneas de ordenamiento de las respuestas.

3.26 ¿Qué son las escalas de respuesta paramétricas de una encuesta?

En cuanto a las escalas de respuesta paramétricas, se recurre a ellas para medir cantidades continuas
y específicas, como por ejemplo unidades compradas mensualmente. Estas se clasifican en: intervales
y proporcionales.

3.27 ¿Qué son las escalas de respuesta no paramétricas de una encuesta?

Las escalas de respuesta no paramétricas se usan para medir cualidades, como por ejemplo preferencia
de tamaño, envase, prestigio de marcas, calidades, etcétera. Estas se clasifican, a su vez, en nominales
(producto que compra el usuario, marca de televisor que tiene) y ordinales (nivel educacional,
jerarquización de atributos o preferencias, nivel socioeconómico, satisfacción por el servicio de
posventa).

3.28 ¿Qué diferencia a las escalas nominales de las ordinales?

Las escalas nominales, al referirse a categorías no comparables, no permiten establecer posiciones
relativas ni hacer estadígrafos de los resultados de la encuesta. Dentro de esta categoría se pueden
recurrir a preguntas donde el encuestado debe jerarquizar (ordenar preferencias en una escala). Las
escalas ordinales permiten establecer posiciones relativas de las respuestas y, aunque tampoco hacen
posible el uso de estadígrafos, si posibilitan análisis estadísticos o paramétricos, como los análisis de
correlación.

3.29 ¿Qué diferencia a las escalas intervales de las proporcionales?

En cuanto a las escalas intervales se usan para determinar la frecuencia absoluta o relativa dentro de
intervalos definidos. Por ejemplo, número de veces que el individuo cena en un restaurante, número
de cigarrillos que fuma al día, número de integrantes del grupo familira o de trabajadores de una
empresa, entre otros.
3.30 Explique los conceptos de rango total, intervalos, amplitud del intervalo, valor del
intervalo y marcas de clase.

3.31 ¿En qué consisten y cuáles son las medidas de tendencia central?
Media aritmética simple: promedio de respuesta Media aritmética ponderada Media geométrica:
cuando los datos obtenidos corresponden a variaciones porcentuales Mediana Moda

3.32 ¿Qué es y cómo se calcula la media geométrica?

Cuando los datos obtenidos corresponden a variaciones porcentuales y se calcula: Investigar la fórmula
de la media geométrica.
3.33 ¿Cómo se clasifican y qué diferencia a los distintos tipos de clientes?
Cliente dominante: que sabe o cree saber lo que quiere e impone su opinión. Cliente influenciable: al
que le gusta que le recomienden y acepta gustoso que le explique o clarifiquen los atributos del
producto. Cliente analítico: que, además de informarse, compara entre distintos productos, marcas,
locales de venta, precios, etc., y después compra. Cliente emocional: que reacciona frente a estímulos
como la publicidad, un complemento promocional o un envase, entre muchas otras cosas

3.34 Explique el método de predicción tecnológica.

La predicción tecnológica es un método que incentiva la capacidad de anticipar el desarrollo de nuevas

tecnologías o productos y el impacto que podrían tener en el mercado específico de la empresa. Casos
típicos son la posibilidad de introducir el gas en sustitución del petróleo en diversos procesos
productivos, la comunicación inalámbrica o el desarrollo de nuevos insumos para la construcción. El
método trata de prever un ciclo de vida y anticipar una curva de sustitución para definir la oportunidad
del reemplazo de un mercado, un producto, insumo o tecnología, con la antelación suficiente para no
tener que enfrentar los costos de la improvisación o de la decisión reactiva a un hecho consumado.

3.35 En el estudio del mercado para introducir un nuevo detergente para lavavajillas
se requiere proyectar las ventas para 10 años a partir de 2012. Según estimación
de los vendedores, un 37% de los actuales consumidores estarían dispuestos a
comprar el nuevo detergente. Cada caja (1 litro) de detergente dura en promedio
dos meses y su precio de venta unitario será de $2.000. Las familias que tienen
lavavajillas han aumentado de la forma que se muestra en la siguiente tabla.
Año Lavavajillas
1994 18.408
1995 18.447
1996 20.667
1997 21.198
1998 22.778
1999 25.276
2000 30.045
2001 33.098
2002 39.848
2003 42.414
2004 47.851
2005 54.599
2006 58.349
2007 62.990
2008 69.344
2009 72.732

Estime los ingresos por venta de detergente a partir del año 2012, en un horizonte
de 10 años. (Se recomienda hacerlo por los tres métodos).
De forma lineal, se obtiene una gráfica de dispersión

Lavavajillas
80000

70000 y = 3905.8x + 6678.9

R² = 0.9612
60000

50000

40000

30000

20000

10000

0
0 2 4 6 8 10 12 14 16 18

Haciendo uso de la ecuación obtenida en el grafica se plantea las proyecciones,

incluyendo graficas de artículos vendidos, y el dinero generado

Año Periodo Lavavajillas

1994 1 18408
1995 2 18447
1996 3 20667
1997 4 21198
1998 5 22778
1999 6 25276
2000 7 30045
2001 8 33098
2002 9 39848
2003 10 42414
2004 11 47851
2005 12 54599
2006 13 58349
2007 14 62990
2008 15 69344 #Articulos Dinero
2009 16 72732 26910.84 322930080
2010 17 73077.5 27038.68 324464100
2011 18 76983.3 28483.82 341805852
2012 19 80889.1 29928.97 359147604
2013 20 84794.9 31374.11 376489356
2014 21 88700.7 32819.26 393831108
2015 22 92606.5 34264.41 411172860
2016 23 96512.3 35709.55 428514612
2017 24 100418.1 37154.7 445856364
2018 25 104323.9 38599.84 463198116
 2019 26 108229.7 40044.99 480539868
2020 27 112135.5 41490.14 497881620
2021 28 116041.3 42935.28 515223372
2022 29 119947.1 44380.43 532565124

3.36 Explique los resultados de la regresión del siguiente cuadro, si la variable x

corresponde al año (1995 a 2010, donde 1995 = 1) e Y corresponde a las ventas
en cantidades.

A B C D E F
1 Resumen
2
3 Estadísticas de la regresión

4 Coeficiente de corrección múltiple 0,980391207

5 Coeficiente de determinación R^2 0,961166919
6 R^2 ajustado 0,958393128
7 Error típico 3868,848521
8 Observaciones 16
9
10 ANALISIS DE VARIANZA
11 Grados libertad Suma cuadrados Promedio F Valor crítico de
cuadrados F
12 Regresión 1 5186668053 5186668053 346,5173642 2,83825E-11
13 Residuos 14 209551844,2 14967988,87
14 Total 15 5396219897
15
16 Coeficientes Error típico Estadístico t Probabilidad
17 Intercepción 6678,85 2028,84128 3,291925931 0,00534722
18 Variable X 1 3905,752941 209,8177702 18,61497688 2,83825E-11

Podemos observar que en la columna B17 y B18 corresponden a las variables de intercepción que es
el comportamiento no explicado por la variable x y la variable x1 corresponde a cuanto cambia Y por
cada X.
Si se relativizan los valores de regresión y residuos se tiene que:

Suma de cuadrados Porcentaje

Regresion 5186668053 0.96116692
Residuos 209551844.2 0.03883308
Total 5396219897 1

El valor relativo de Regresión (0.96116692) corresponde a el de B5 y corresponde al porcentaje de

variación que puede ser explicado por el comportamiento de la variable independiente, esto nos
demuestra que las variables de los años y de las ventas están enteramente relacionadas.
El valor F que se presenta en la celda E17 tiene a su vez un valor critico de F en la F17 que corresponde
a 2.83825 E-11 (es decir 0.0000000000283825 %) que corresponde un nivel de confianza altísimo de
99.9999999999716175 %

Por otra parte, el valor del estadística t nos muestra las probabilidad de que 0.5 % de que el valor de
intercesión es decir a sea el azar mientras que el factor es casi 0. De lo anterior se concluye que el valor
a no es estadísticamente significativo, pero se compensa por otros factores, logrando que la ecuación
pueda ser útil para una proyección

3.37 En una ciudad del norte del país, un estudiante recopiló información de la cantidad
de pacientes enfermos de sida, pensando que ello se explicaría por la cantidad de
personas que asisten al cine en la ciudad.
Los resultados se muestran en la tabla siguiente.

Año Enfermos de sida Entradas al cine

1986 2.150 303.710
1987 2.100 305.030
1988 2.200 398.760
1989 2.210 306.340
1990 2.220 318.230
1991 2.300 345.190
1992 2.590 390.370
1993 2.640 413.430
1994 2.660 404.600
1995 2.400 366.840
1996 2.010 312.580
1997 2.100 313.480
1998 2.030 281.710
1999 2.000 295.350
2000 2.110 298.160
2001 2.060 297.940
2002 2.140 304.840
2003 2.220 323.810
2004 2.360 339.260
2005 2.570 390.920
2006 2.730 428.780
2007 2.680 414.160
2008 2.360 373.220
2009 2.230 316.530
2010 2.120 307.500

Calcule los estadísticos correspondientes y explique su conclusión.

Los estadísticos fueron calculados en EXCEL:

RESUMEN

Estadisticas de la regresión
Coeficiente de correccion 0.9175915
multiple 55
Coeficiente de determinancion 0.8419742
R cuadrada 62
0.8351035
R cuadrada ajustada 78
18700.057
Error típico 79
Observaciones 25
ANALISIS DE VARIANZA
Grados Suma Promedio Valor critico
libertad cuadrados Cuadrados F de F
428533445 122.5459
Regresion 1 84 42853344584 113 1.0861E-10
804291971
Residuos 23 2 349692161.4
508962642
Total 24 96

Coeficiente Probabili
s Error típico Estadistico T dad
-
76236.656 37968.2584 0.056539
Intercepcion 22 6 -2.007905006 981
182.84064 16.5167018 1.0861E-
Variable X1 36 2 11.07004568 10

3.38 Para una población objetivo de 180.000 familias, una prueba piloto concluyó que el consumo
promedio de cajas de jugo era de 144 unidades anuales, con una varianza muestral de 310. Para un
error de 2% respecto de la media, calcule los tamaños de la muestra para los niveles de confianza de
95,44% y 99,74%.

𝑆 2 = 310
𝐸 = 2% 𝑑𝑒 144 = 2.88
𝑁 = 180,000
𝑍 = 2 𝑝𝑎𝑟𝑎 95.44%
𝑍 = 3 𝑝𝑎𝑟𝑎 99.74%
𝑃𝑎𝑟𝑎 𝑍 = 2
22 (310)(180,000)
𝑛= = 149.37 = 149
(2.882 )(180,000) + (310)(22 )
𝑃𝑎𝑟𝑎 𝑍 = 3
32 (310)(180,000)
𝑛= = 309.46 = 309
(2.882 )(180,000) + (310)(32 )
 3.39 Una prueba piloto para estimar el tamaño de la muestra arrojó los siguientes
resultados.
Grupo Desviación
Población
etario estándar
18-35 86.320 13.345
36-55 79.880 22.620
Más de 55 68.150 8.432

Para un error de 1.200 y un nivel de confianza de 95,44%, determine el tamaño de

la muestra total y por estrato.

Para un error de 1200 y un nivel de confianza de 95.44%, determine el tamaño de la muestra total
y por estrato.

∑(𝑁𝑒𝑆𝑒)2
Para calcula el tamaño total se utiliza la formula 𝑛 = 𝐵2
y se crea una
𝑁 2 ( 2 )+ ∑(𝑁𝑒)(𝑆𝑒)2
𝑍
nueva tabla donde tenemos los valores de 𝑁𝑆 𝑦 𝑁𝑆 2 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑒𝑠𝑡𝑟𝑎𝑐𝑡𝑜
Grupo Población Desviación NS (NS)^2 S^2 N(s^2)
etario (N) estándar (S)
18-35 86320 13345 1151940400 1.32697E+18 178089025 1.53726E+13
36-55 79880 22620 1806885600 3.26484E+18 511664400 4.08718E+13
Más de 68150 8432 574640800 3.30212E+17 71098624 4.84537E+12
55
TOTAL 234350 44397 3533466800 4.92201E+18 760852049 6.10898E+13

Entonces si B=1200 y z= 2

4.92201E + 18
𝑛= = 248.18 = 248
2 200002
(234350 ) ( ) + 6.10898E + 13
22

Y para cada estrato el tamaño será calculado con:

𝑁𝑒𝑆𝑒
𝑛𝑠 = 𝑛
∑(𝑁𝑒𝑆𝑒)
1151940400
𝑛1 = 248 ( ) = 80.85 = 81
3533466800
1806885600
𝑛2 = 248 ( ) = 126.81 = 127
3533466800
574640800
𝑛3 = 248 ( ) = 40.33 = 40
3533466800
3.40 Calcule el número de intervalos de clase para tabular el resultado de una encuesta
realizada a 52 individuos.

𝐼𝑐 = √52 = 7.211 = 7

3.41 Si el número de datos fuese 2.370, calcule el número de intervalos óptimo.

𝐼𝑐 = 1 + 3.322log(2370) = 12.210 = 12

3.42 Con la tasa de crecimiento de adultos mayores jubilados de los últimos años que
se muestra en la siguiente tabla, calcule la media geométrica.
Tasa anual de crecimiento
Año
(%)
1999 1,31
2000 1,27
2001 1,33
2002 1,34
2003 1,39
2004 1,10
2005 1,62
2006 1,78
2007 1,96
2008 1,92
2009 2,13
2010 2,27

Se calcula mediante la siguiente ecuación ̅̅̅

𝑋𝑔 = 𝑛√∏𝑛𝑖=1(1 + 𝑋𝑖 ) − 1
Donde ̅̅̅
𝑋𝑔 es la media geométrica; i, cada observación, y n, el número de
observaciones. Por lo tanto, tenemos que
12
̅̅̅
𝑋 𝑔 = √1.0131 ∗ 1.0127 ∗ 1.0133 ∗ 1.0134 ∗ 1.0139 ∗ 1.0110 ∗ 1.0162 ∗ 1.0178 ∗ 1.0196 ∗ 1.0192 ∗ 1.0213 ∗ 1.0227 − 1

̅̅̅
𝑋𝑔 = 0.01617 = 1.617 = 1.62%