𝒀=𝒂+𝒃_𝟏 𝑿_𝟏+𝒃_𝟐 𝑿_𝟐

Empresas
Contratistas 𝒀=−𝟏𝟑𝟗.𝟒𝟖+𝟑𝟎.𝟒𝟕 𝑿𝟏+ 9.52Una
X2 cadena de taller de maquinados
taller ventas en miles
toma una muestra de diez de sus talleres, enco
1 2 55 Y1
matemático que le permita predecir su pronosti
2 6 105 los siguientes
Y2 datos: las empresas contratistas f
12, 16, 20, 20, 22, 26; y las ventas trimestrales e
3 8 88 Y3105, 88, 118, 117, 137, 157, 169, 169, 14
de: 58,
4 8 118 Y4 para estimar el pronostico de demand
regresión
5 12 117 talleres
Y5 que tienen 14,000 y 30,000 pedidos y so
respectivamente.
6 16 137 DatosY6n=10
7 20 169 Y7
X: Población de personas en miles
8 20 169 Y: Ventas
Y8 trimestrales en miles de pesos
9 22 149 Y9
10 26 202 Y10

𝑋_1 𝑋_2 𝑌 𝑋_1 𝑌 𝑋_2 𝑌 𝑋_1 𝑋_2

Tiempo
Tetramestre 1 1 2 55
Tetramestre 2 2 6 105
Tetramestre 3 3 8 88
Tetramestre 4 4 8 118
Tetramestre 5 5 12 117
Tetramestre 6 6 16 137
Tetramestre 7 7 20 169
Tetramestre 8 8 20 169
Tetramestre 9 9 22 149
Tetramestre 10 10 26 202
Total 45 140 1309

Implementando un sistema de ecuaciones lineales de con3 variables desconocidas distintas a, b1 y b2

𝑬𝒄.𝟑:∑▒𝑿_𝟐
+ 𝒃_𝟐 ∑▒ 〖𝒀=𝒂∑▒ 𝑿 _𝟐+
𝑿 _𝟏 𝑿_𝟐〖〗〗
𝑬𝒄.𝟏: ∑▒𝒀=𝒏𝒂+ 𝒃_𝟏 ∑▒ 𝑬𝒄.𝟐: _𝟏 〗 +𝒀=𝒂∑▒ 〖𝑿 _𝟏+ 〖 𝒃〗 _𝟏 ∑▒𝑿_𝟏^𝟐
〖𝒙∑▒𝑿_𝟏 𝒃_𝟐 ∑▒𝑿_𝟐^𝟐 〗〗
𝒃_𝟐 ∑▒𝒙_𝟐
Y a b1
Ec.1 1309 10 45
Ec.2 8304 450 2025
Ec.3 21274 1400 984

Tenemos ecuaciones lineales con 3 variables desconocidas , encontrar valores de a, b1 y b2

Eliminar variable a Y a b1
Ec 1 -58905 -450 -2025
Ec 2 8304 450 2025
Total -50601 0 0

Determinar variable a Y a b1
Ec 1 -183260.00 -1400.00 -6300
Ec.3 21274 1400 984
Total -161986.00 0.00 -5316

𝒀=𝒂+𝒃_𝟏 𝑿_𝟏+𝒃_𝟐 𝑿_𝟐

𝒀=−𝟏𝟑𝟗.𝟒𝟖+𝟑𝟎.𝟒𝟕 𝑿𝟏+ 9.52 X2

Pronostico de la demanda Relación talleres vs Ventas en mile

500.00 500.00

400.00 400.00

300.00 300.00

200.00 200.00

100.00
100.00

0.00
0.00 0 2 4 6 8
0 5 10 15 20 25 30

-100.00
-100.00

-200.00
-200.00
adena de taller de maquinados
una muestra de diez de sus talleres, encontrar un modelo
-89.97 su pronostico de la demanda y da
mático que le permita predecir
uientes datos: las empresas contratistas fueron 17 de 2, 6, 8, 8,
-21.43
, 20, 20, 22, 26; y las ventas trimestrales en miles de pesos fue
28.08169, 169, 149, 202. Realizar una
, 105, 88, 118, 117, 137, 157,
58.55 de demanda en ventas de dos
ión para estimar el pronostico
s que tienen 14,000 y 30,000
127.10pedidos y son potenciales clientes
tivamente.
n=10 195.64
blación de personas en264.19 miles
ntas trimestrales en miles de pesos
294.66
344.17
412.72
𝑋_1^2 𝑋_2^2 𝑌^2

55 110 2 1 4 3025
210 630 12 4 36 11025
264 704 24 9 64 7744
472 944 32 16 64 13924
585 1404 60 25 144 13689
822 2192 96 36 256 18769
1183 3380 140 49 400 28561
1352 3380 160 64 400 28561
1341 3278 198 81 484 22201
2020 5252 260 100 676 40804
8304 21274 984 385 2528 188303

das distintas a, b1 y b2
∑▒𝑿_𝟏^𝟐𝑬𝒄.𝟑:∑▒𝑿_𝟐
+ 𝒃_𝟐 ∑▒ 〖𝒀=𝒂∑▒ 𝑿 _𝟐+ 𝒃_𝟏 ∑▒ 〖𝑿 _𝟏 𝑿_𝟐+
𝑿 _𝟏 𝑿_𝟐〖〗〗
𝒃_𝟐 ∑▒𝑿_𝟐^𝟐 〗〗

b2
140
984 a -139.48
19600

ncontrar valores de a, b1 y b2

b2
-6300 b2= 9.52
984
-5316

b2
-19600.00 b1= 30.47
19600
 0.00

elación talleres vs Ventas en miles Empresas Contratistas vs Ventas en miles

500.00

400.00

300.00

200.00

100.00

4 6 8 10 12
0.00
0 5 10 15 20 25 30

-100.00

-200.00
APLICANDO SOLVER PARA GRAFICAR
1 2 55 Y1
2 6 105 Y2
3 8 88 Y3
4 8 118 Y4
5 12 117 Y5
6 16 137 Y6
7 20 169 Y7
8 20 169 Y8
9 22 149 Y9
10 26 202 Y10
miles

25 30
Resumen

Estadísticas de la regresión
Coeficiente d 0.933880118197634
Coeficiente d 0.872132075164827
R^2 ajustado 0.85614858456043
Error típico 16.4620316136401
Observacione 10

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F
Regresión 1 14786.9121212121 14786.9121212121 54.5645564383118
Residuos 8 2167.98787878788 270.998484848484
Total 9 16954.9

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 57.2666666666667 11.2457084968427 5.09231291943454 0.000938723698453
Variable X 1 13.3878787878788 1.81241003069823 7.38678254981909 7.71656457948947E-05

Análisis de los residuales

Variable X 1 Curva de re
250
Observación Pronóstico para Y Residuos 200
1 70.6545454545455 -15.6545454545455
150
2 84.0424242424243 20.9575757575757
Y

3 97.430303030303 -9.43030303030304 100

4 110.818181818182 7.18181818181817 50
5 124.206060606061 -7.20606060606062 0
6 137.593939393939 -0.59393939393939 0 2 4 6 8 10
7 150.981818181818 18.0181818181818 Variable X 1
8 164.369696969697 4.63030303030303
9 177.757575757576 -28.7575757575758
10 191.145454545455 10.8545454545454
 Valor crítico de F
7.71656457948945E-05

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

31.3340163696468 83.1993169636865 31.3340163696468 83.1993169636865
9.20845376240315 17.5673038133544 9.20845376240315 17.5673038133544

ble X 1 Curva de regresión ajustada

Y
Pronóstico para Y
Linear (Pronóstico para Y)

4 6 8 10 12
Variable X 1
Resumen

Estadísticas de la regresión
Coeficiente d 0.94996082
Coeficiente d 0.90242556
R^2 ajustado 0.89022876
Error típico 14.3803894
Observacione 10

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 15300.5352 15300.5352 73.9886889 2.58166E-05
Residuos 8 1654.36479 206.795599
Total 9 16954.9

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Intercepción 58.2380282 9.59367523 6.07046067 0.00029906 36.1149734 80.3610829 36.1149734
Variable X 1 5.19014085 0.60338773 8.6016678 2.58166E-05 3.79872623 6.58155546 3.79872623

Análisis de los residuales

Observación
Pronóstico para YResiduos
1 68.6183099 -13.6183099
2 89.3788732 15.6211268
3 99.7591549 -11.7591549
4 99.7591549 18.2408451
5 120.519718 -3.51971831
6 141.280282 -4.28028169
7 162.040845 6.95915493
8 162.040845 6.95915493
9 172.421127 -23.4211268
10 193.18169 8.81830986
 Variable X 1 Curva de regresión ajustada
250
200
150 Y
Y 100 Pronóstico para Y
50 Linear (Pronóstico para Y)
0
0 5 10 15 20 25 30
Variable X 1

Superior 95.0%
80.3610829
6.58155546