EJERCICIO NO.

Suponga que se tiene un proceso de producción de llenado de cajas de pasas del cual se supone que el
peso neto de las pasas en las cajas tiene una distribución aproximadamente normal, y que además proporciona u
peso neto promedio de pasas por caja de 15 onzas. Debido a que ha habido quejas de consumidores que dicen q
un peso neto menor que el anunciado por la etiqueta del producto, se tomó una muestra aleatoria de 20 cajas pa
obteniéndose un peso neto promedio de 13.5 onzas y una desviación estándar de 1 onza. Podemos decir a un niv
del 5% que el reclamo de los consumidores es justo.

Datos
μ: 15
n: 20
ẍ: 13.5
S: 1
α: 0.05 1 -0.95 0.025

Hipotesis nula y alternativa:

Ho:μ = 15
H1:μ ≠ 15

Nivel de significación 95% α: 0.05

Rechazar 𝐻0 𝑠𝑖 t 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 < −2.093 𝑜 𝑠𝑖 t 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 2.093

𝑡=
□(64&(𝑥−𝜇)/(𝑆/√𝑛)
)
-1.5 -6.7084
𝑡= □(64&(13.5−15)/
0.2236
(1/√20))

Como t calculado es mayor que t critico, es decir 6.7084 > 2.093 se rechaza H0. Los datos
tomados como muestra dan como resultado o evidencia para confirmar que existen diferencias
importantes en el peso de las cajas de pasas, lo cual si es verdadero el reclamo de los
consumidores.
 Como t calculado es mayor que t critico, es decir 6.7084 > 2.093 se rechaza H0. Los datos
tomados como muestra dan como resultado o evidencia para confirmar que existen diferencias
importantes en el peso de las cajas de pasas, lo cual si es verdadero el reclamo de los
consumidores.
l se supone que el
y que además proporciona un
e consumidores que dicen que las cajas contienen
estra aleatoria de 20 cajas para aclarar el asunto,
onza. Podemos decir a un nivel de significación
2) La experiencia de un comerciante en aparatos y accesorios mostró que el 10% de
clientes que compran a plazos liquidan sus cuentas antes del vencimiento de la
última mensualidad. Al sospechar un incremento en este porcentaje, el comerciante
muestreó 200 compradores a crédito para saber sus intenciones y 33 de ellos
afirmaron tener planeado pagar sus deudas antes de la última mensualidad. Son los
datos suficientes para indicar que el porcentaje de compradores a plazos que
pagarán sus deudas antes de la última mensualidad excede del 10%? Haga la
prueba con un nivel de significación del 2%.

P0=0.10
Ps=0.165
n=200
a=0.02

Ps= X 33 0.165
n 200

Paso 1: Formular la Hipotesis nula y la alternativa

P0= µ≤0.10
P1= µ>0.10

Paso 2: Establecer el nivel de significación:

a=0.02

Entonces Rechazar H0 si Z calculado < 2.05

Paso 4: Clacular el valor de estadistico.

Z Calculado= 0.165-0.10 0.065 3.06

√0.1(1-0.10) 0.0212132
200

Conclusion:

Como Z calculado es menor que Z critico, es decir, 3.06>2.05, se rechaza H0.

Los datos muestrales presentan evidencia suficiente para afirmar que el porcentaje
de compradores mensuales pagaran sus deudas antes que la ultima mensualidad
exceda el 10%
3) Un proceso industrial usado por una fábrica durante algunos años da una producción promedio de 100 unidades por hora c
Acaba de ponerse en el mercado una nueva máquina para producir el mismo producto. Aunque es muy costosa comp
si su producción promedio fuera mayor de 150 unidades por hora. La gerencia de la fábrica compra una de las nuevas máquin
encontrando una producción promedio de 160 unidades por hora. Suponiendo que la desviación estándar de la producción pa
¿deberá ser adquirida la nueva máquina a un nivel de significación del 1%?

1. Hipotesis 2. Nivel de Confianza o significacion El valor critico para 0.01 da un valor Zc= 2.5
Ho = 𝜇 150 99% 𝛼= 0.01 /2 0.005

H1= 𝜇≠ 150 𝜇=150

𝑛=35
𝑥=̅ 160
𝑆=8
𝛼=0.01

Z= 160-150 Z calculando= 10 7.3953

8 1.3522
√35
Como Z calculando es mayor que z critico, es decir 7.3953>2
promedia con la nueva maquinaria supera la produccion an
 de 100 unidades por hora con una desviación estándar de 8 unidades.
unque es muy costosa comparada con la que se usa actualmente, su adopción sería muy lucrativa,
a una de las nuevas máquinas como un experimento y la prueba durante 35 horas
estándar de la producción para la nueva máquina es idéntica a la de las antiguas,

para 0.01 da un valor Zc= 2.58

ue z critico, es decir 7.3953>2.58, se rechaza Ho. Los datos demuestran que la produccion
aria supera la produccion anterior.
Ejercicio 4

Una persona que planea abrir un restaurante cerca de una zona residencial de cierta ciudad,
informa al banco al que desea pedir el capital necesario, que por lo menos el 60% de los
residentes en ese distrito patrocinarán su restaurante esporádicamente cuando esté abierto.
Suponga que usted es el encargado de préstamos del banco y desea verificar si lo que dice la
persona no es cierto con un nivel de significación del 2%. Además, suponga que, de una muestra
aleatoria de 100 residentes de ese distrito, 45 manifestaron que no patrocinarían el restaurante.

Solución
Datos
Cálculo de Ps
P0 = 0.60
Ps = 0.45 Ps = x/n = 45/100 = 0.45
n= 100
α= 0.02

Paso 1: Formular la Hipótesis nula y la alternativa

P0 = μ ≥ 0.60
P1 = μ < 0.60

Paso 2: Establecer el nivel de significación:

α= 0.02

Paso 3: Determinar el Estadístico de Prueba y establecer los valores críticos.

Como el tamaño de la muestra es mayor que 30, el estadistico que se utiliza es Z

Entonces
Rechazar H0 Si Z calculado < -2.05

Paso 4 : Calcular el valor del estadístico

Zcalculado = 0.45 - 0.60 = -3.06

√(0. 60
(1−0.60))/100

Zcalculado = -3.06

Paso 5: Conclusión

Como Z Calculado es menor que Z crítico, es decir, - 3.06 < - 2.05, se rechaza H0

Los datos muestrales presentan evidencia suficientes para afirmar que por lo menos el 60% de
los residentes patrocinaran el restaurante cuando esté abierto
6) Un corredor de bolsa sostiene que puede predecir con un 85% de exactitud si una
acción del mercado bursátil cambiará de valor durante el próximo mes. A manera de
prueba predice el resultado de 60 acciones y acierta en 45 de sus pronósticos.
¿Ofrecen los datos evidencia concluyente, cuando el nivel de significación es del 1%
de que la exactitud de su predicción es significativamente diferente al 85% afirmado
por el corredor?

P0=0.85
Ps=0.75
n=60
a=0.01

Ps= X 45 0.75
n 60

Paso 1: Formular la Hipotesis nula y la alternativa

P0= µ=0.85
P1= µ≠0.85

Paso 2: Establecer el nivel de significacion

a/2=0.005

Paso 3: Determinar el estadistico de prueba y establecer los valores criticos

Entonces:
Rechazar H0 si Z calculado <-2.575 o si Z calculado > 2.575

Paso 4: Calcular el valor estadistico.

Z calculado= 0.75-0.85 -0.100 - 2.18

√0.85(1-0.85) 0.0458
60

Conclusion:

Como Z calculado (2.575) es menor que -2.18 y mayor que 2.18 es decir -2.18< Z > 2.18,
cae en la zona de no rechazo. Por lo tanto no se rechaza Ho. Los datos muestrales
no presentan evidencia suficiente para no aceptar la prediccion con un 85% de exactitud
de que una accion de mercado bursatil cambiara de valor el proximo mes cn un nivel de
significacion del 1%
±2.18
 EJERCICIO NO. 7

Un hipermercado ha decidido ampliar el negocio y decide estudiar de forma exhaustiva el número de cajas
registradoras que va a instalar, para evitar grandes colas. Para ello, se obtuvieron los siguientes datos procede
de otros establecimientos similares acerca del número de cajas registradoras(X) y el tiempo medio de espera (Y

X 10 12 14 16 18 20
Y 59 51 42 32 26 22

n: 6

a) Encuentre la recta de mejor ajuste a los datos.

Cajas Tiempo de
registradoras espera
Cant. De
cajas X Y X2 Y2 XY
1 10 59 100 3,481 590
2 12 51 144 2,601 612
3 14 42 196 1,764 588
4 16 32 256 1,024 512
5 18 26 324 676 468
6 20 22 400 484 440
* 90 232 1,420 10,030 3,210

𝒃𝟏= (∑▒ 〖𝑿𝒊𝒀𝒊 − (∑▒ 〖𝑿𝒊 ∑▒𝒀𝒊〗 )/

𝒏 〗 )/(∑▒ 〖𝑿 𝟐 /𝒊 〗− ((∑▒(𝑿𝒊)𝟐)/𝒏)

𝒃𝟏= (∑▒ 〖𝟑 ,𝟐𝟏𝟎 −

= 3210 - 3480 -270
(𝟗𝟎∗𝟐𝟑𝟐)/𝟔 〗 )/(𝟏,𝟒𝟐𝟎−((∑▒(𝟗𝟎)𝟐)/𝟔)
1420 - 1350 70

𝒃𝒐= (∑▒ 〖𝒀𝒊 −𝒃𝟏 ∑▒𝒙𝒊〗 )/𝒏

𝑏𝑜= (∑▒ 〖 232 −(−3.857) 90 〗 )/6 = 579.13

6
 Sustituyendo b0 y b1 obtenemos la Función de Regresión Muestral dada por:

𝑌 ̂=𝑏𝑜+𝑏1 𝑋

𝒀 ̂=𝟗𝟔.𝟓𝟐𝟐−𝟑.𝟖𝟓𝟕 𝑿

b) Utilice el modelo desarrollado en el inciso a) para predecir el tiempo medio de espera si se instalan 15 cajas

X: 15

𝑌 ̂=96.522−3.857 (15) = 38.667

El tiempo medio de espera si se instalan 15 cajas registradoras es
de 38.667 dias.

c) Encuentre el coeficiente de determinación r2.

𝑺𝑺𝑻= ∑▒ 〖〖𝒀𝒊〗 ^𝟐 − ((∑▒ 〖𝒀𝒊 ) 〗 ^𝟐 )/𝒏 〗

𝑆𝑆𝑇= ∑▒ 〖 10, 030− ((∑▒ 〖 232) 〗 ^2 )/6 〗 10,030 - 8,971 1,059

𝑆𝑆𝐸= ∑▒ 〖〖𝑌𝑖〗 ^2 −𝑏𝑜 ∑▒ 〖𝑌𝑖 −𝑏 1 ∑▒𝑋𝑖𝑌𝑖 〗〗

𝑆𝑆𝐸= ∑▒ 〖 10,030 −96.52 ∑▒ 〖 232 −(−3.86) ∑▒3,210 〗〗

10,030 96.52 232 - 3.86 3,210

10,030 22393.0267 -12381.43
18.40

𝑆𝑆𝑅=𝑆𝑆𝑇−𝑆𝑆𝐸

SSR 1,059 18.40 1,040.93

Sustituyendo en la fórmula del coeficiente de determinación obtenemos:

 0.98293673
𝑟^2= 𝑆𝑆𝑅/𝑆𝑆𝑇= (1040.93 98.29%
)/(1059 )=

𝑟= √(𝑟^2= ) √0.9829 = −0.9914

Como r esta proximo a -1, podemos afirmar que existe una fuerte relación
entre las variables del numero de las cajas que hay en uso y el tiempo que se
esta en espera.
 el número de cajas
guientes datos procedentes
mpo medio de espera (Y):

- 3.86

96.52
a si se instalan 15 cajas registradoras.
8)Una investigación del departamento de publicidad de una empresa en la que se buscaba la relación entre las ventas en unid
y el número de comerciales televisados (X) dio los siguientes resultados:

a) Suponiendo una relación lineal, use el método de mínimos cuadrados para encontrar los coeficientes de regresión bo y b1.

b1= xy - n 𝑥̅ y = 41,450-7 (48.5714)(107.28 = b1= 2.0005

x"-n x" 19,000-7 (48.5714)"

bo= y -b1 𝑥̅ bo= 107.2857-(2.0005)(48.5714) bo= 10.4186

b) Interprete el significado del intercepto bo y la pendiente b1

𝑌̂ = bo+B1x 10.143+2X

Cuando las ventas en unidades se incrementa tambien podemos decir que se incrementa el numero de comerciales televisado

c) Prediga el valor de las ventas si el número de comerciales televisados es 30

𝑌̂ = 10.143+2 (30) =70.143 ventas

d) Calcule el coeficiente de determinación y el coeficiente de correlación e intérprete sus significados.

90,571-(751) SST=9,999.4285
7

90,751-(10.143)(751)-(20)(41450) SSE= -745,866.39

9,999.4285-(-745,866.39) SSR= 755,865.8185

755,865.82 75.5908
 9,999.43

r: 8.6942 Como r esta lejo de 1 podemos decir que no existe una fuerta relacion
elación entre las ventas en unidades (Y)

eficientes de regresión bo y b1.

mero de comerciales televisados es de 2

ue no existe una fuerta relacion entre las ventas y los programas televisados
Ejercicio 9

Los siguientes datos representan las horas trabajadas en un taller (X), y las unidades
producidas (Y).

X 80 79 83 84 78 60 82
Y 300 302 315 330 300 250 300

a) Encuentre la recta de mejor ajuste a los datos.

Gráfi co de dispersión
NO
400 1
350 2
3
300
4
UNIDAES PRODUCIDAS (Y)

250 5
6
200
7
150 8
9
100
10
50 11
12
0
55 60 65 70 75 80 85 90 TOTALES
HORAS TRABAJADAS X

b1 = Σ Xi Yi -

Σ Xi2 -

b1 =
 b0 = Σ yi - b1 Σ Xi

b0 = 3632 - (3.473)

a) LINEA RECTA QUE M

ŷ =

ŷ =

b) Interprete la pend

Cuando las horas trab

aumentan en 3.473

c) Utilice el modelo d

ŷ =

d) Calcule el error est

e) Calcule el coeficien

SST =

SST =

SST =

SSE =

SSE =

SSR =

SSR =
r2 =

Interpretac

r = √(𝑟 2) =

Interpretac
 85 79 84 80 62
340 315 330 310 240

Horas
trabajadas Unidades
(X) Producidas (Y) X2 Y2 XY
80 300 6400 90000 24000
79 302 6241 91204 23858
83 315 6889 99225 26145
84 330 7056 108900 27720
78 300 6084 90000 23400
60 250 3600 62500 15000
82 300 6724 90000 24600
85 340 7225 115600 28900
79 315 6241 99225 24885
84 330 7056 108900 27720
80 310 6400 96100 24800
62 240 3844 57600 14880
936 3632 73760 1109254 285908

b1 = Σ X i Yi - Σ Xi Yi
n
Σ Xi2 - ( Σ Xi ) 2
n

285908 - ( 936)(3632) = 285908 - 283296 = 2612 3.473

12 73760 - 73008 752
73760 - (936) 2
12
 b0 = Σ yi - b1 Σ Xi
n

b0 = 3632 - (3.473) (936) = 3632 - 3251.11 = 380.894 = 31.741

12 12 12

a) LINEA RECTA QUE MEJOR SE AJUSTA A LOS DATOS ES:

b0 +b1 X

31.741 + 3.473 X

b) Interprete la pendiente.

Cuando las horas trabajadas se incrementan en un año, las unidades producidas

aumentan en 3.473

c) Utilice el modelo desarrollado en el inciso a) para predecir el número de unidades producidas cuando se trabajan 70 hora

31.741 + 3.473 (70)= 274.851 ≈ 275

El número de unidades producidas cuando se trabajan 70 horas son 275

d) Calcule el error estandar de la estimación

√1,109,254 - (31.741) (3632) -(3.473) (285,908)

12- 2
 √1,109,254 - (31.741) (3632) -(3.473) (285,908)
12- 2

√1,109,254 - 115,283 - 992,958

10

√1013 = √101.30 = 10.06

10

e) Calcule el coeficiente de determinación R2 e interprete el resultado

SST = ∑ yi
2
- (∑yi) 2

SST = 1,109,254 - (3632)

2

12

SST = 9,968.67

SSE = ∑ yi2 - bo ∑yi - b1 ∑ xi yi

1013

SST - SSE

9,968.67 - 1013 = 8955.67

 SSR 8955.67 = 0.8984
SST 9,968.67

Interpretación de r2 : El 89.84% de la variación en las

unidades producidas al año es
explicada por las horas trabajadas

√(𝑟 2) =√( 0.8984) = 0.9478

Como r está próximo a 1 podemos

Interpretación de r : afirmar que existe una fuerte relación
entre las variables horas trabajadas y
unidades producidas
 XY 285908
X 936
Y 3632
n 12
X2 73760

Σ Xi Yi = 3E+06 = 283296
n 12

( Σ Xi ) 2 = 9E+05 = 73008
n 12
 Y= 3632
X= 936
b1 = 3.473

b1 Σ Xi 3.473 936 3251.11

das cuando se trabajan 70 horas.

Y2= 1109254

b0= 31.741
xy= 285908
 A la gerente de operaciones de una compañía que se encarga de hacer investigaciones de mercado le gustaría desarrollar
número de entrevistas llevadas a cabo por sus encuestadores en un día dado. Tiene la creencia de que la experiencia del encu
de trabajo) es el principal determinante del número de entrevistas que puede llevar a cabo. Se seleccionó una muestra de 10
número de entrevistas llevadas a cabo junto con el número de semanas de experiencia, y se obtuvieron los sigui

Semanas de Experiencia 15 41 58 18 37 52

Número de Entrevistas hechas 4 9 12 6 8 10

A)Construya un diagrama de dispersión.

b) Encuentre la Función de Regresión Muestral e interprete la pendiente.

c) Prediga el número de entrevistas realizadas por un encuestador que tiene 30 semanas de experiencia.
d) Calcule el error estándar estimado de Y.
e) Calcule el coeficiente de determinación e interprete el resultado.

Número de 𝑏_1=(∑▒ 〖𝑋 _𝑖 𝑌_𝑖−(∑▒𝑋_

Semanas de ∑▒𝑌_𝑖 )/𝑛 〗 )/(∑▒ 〖𝑋 _𝑖^
Encuestados Experiencia (x) Entrevistas hechas X^2 Y^2 XY
(Y) 〖 (∑▒𝑋_𝑖 ) 〗 ^2/𝑛)
1 15.00 4.00 225.00 16.00 60.00
2 41.00 9.00 1,681.00 81.00 369.00 𝑏_1=(3018−((351)(77))/10)/(141
3 58.00 12.00 3,364.00 144.00 696.00 ^2/10)
4 18.00 6.00 324.00 36.00 108.00
5 37.00 8.00 1,369.00 64.00 296.00
6 52.00 10.00 2,704.00 100.00 520.00 𝑏_1=315.3/1820.9
7 28.00 6.00 784.00 36.00 168.00
8 24.00 5.00 576.00 25.00 120.00
9 45.00 10.00 2,025.00 100.00 450.00 𝑏_1=0.17
10 33.00 7.00 1,089.00 49.00 231.00
Total 351.00 77.00 14,141.00 651.00 3,018.00
35.10 7.70
B 𝑌=1.733+0.173𝑋
A Interpretación de b1: Cua
numero de entrevistas au
DIAGRAMA DE DISPERSIÓN
14
C Interpretación de X30: Cu
12 predecir que el numero d
NUMERO DE ENTREVISTAS

10
𝑌=1.733+0.17(30)
8

6
𝑌=6,92
4

0
10 20 30 40 50 60 70
SEMANAS DE EXPERIENCIA
NUMERO DE ENTR
8

0 D El error estimado de Y es d
10 20 30 40 50 60 70
SEMANAS DE EXPERIENCIA
𝜎_𝑦=√((∑▒ 〖𝑌 _𝑖^2−𝑏_
∑▒𝑋_𝑖 𝑌_𝑖 〗 )/(𝑛−2))

𝜎_𝑦=√(4.499/8)

𝜎_𝑦=0.75

E El 92.3% del numero de e

semana

𝑆𝑆𝐸=∑▒ 〖𝑌 _𝑖^2−𝑏_0 ∑▒𝑌_𝑖 −𝑏_1 ∑▒𝑋_𝑖

𝑌_𝑖 〗

𝑆𝑆𝐸=4.499

𝑆𝑆𝑇=59.1
ado le gustaría desarrollar un modelo para predecir el
que la experiencia del encuestador (medida en semanas
ccionó una muestra de 10 encuestadores y se registró el
a, y se obtuvieron los siguientes resultados:

28 24 45 33

6 5 10 7

ncia.

=(∑▒ 〖𝑋 _𝑖 𝑌_𝑖−(∑▒𝑋_𝑖
𝑏_0=(∑▒ 〖𝑌 _𝑖−𝑏_1
𝑌_𝑖 )/𝑛 〗 )/(∑▒ 〖𝑋 _𝑖^2− 〗
∑▒𝑋_𝑖 〗 )/𝑛 𝑏_1=(3018−10(35.1∗7.7))/(14141−10(3
(∑▒𝑋_𝑖 ) 〗 ^2/𝑛)

−((351)(77))/10)/(14141− 〖 (351) 〗𝑏_0=(77−0.17(351))/10

_1=315.3/1820.9 𝑏_0=17.33/10

𝑏_1=0.17 𝑏_0=1.733

𝑌=1.733+0.173𝑋
Interpretación de b1: Cuando experiencia del encuestador aumenta en una semana, el
numero de entrevistas aumenta en 0.173

Interpretación de X30: Cuando experiencia del encuestador sea de 30 semanas podemos

predecir que el numero de entrevistas sera de 7

0.17(30)
 El error estimado de Y es de 0.75 651
4.499
8
𝜎_𝑦=√((∑▒ 〖𝑌 _𝑖^2−𝑏_0 ∑▒𝑌_𝑖 −𝑏_1
∑▒𝑋_𝑖 𝑌_𝑖 〗 )/(𝑛−2))
0.562375

4.499/8) 0.750

El 92.3% del numero de entrevista esta determinado por la cantidad de experiencia por
semana

𝑟^2 "= 𝑆𝑆𝑅/𝑆𝑆𝑇"𝑟^2 "= 0.923"

▒𝑌_𝑖 −𝑏_1 ∑▒𝑋_𝑖 𝑆𝑆𝑇=∑▒ 〖𝑌 _𝑖^2− 〗 〖 (∑▒ 〖𝑌 _ 𝑆"𝑆𝑅 = 𝑆𝑆𝑇 − 𝑆𝑆𝐸"

𝐼) 〗〗 ^2/𝑛
𝑆"𝑆𝑅 = 59.1−4.499"
𝑆𝑆𝑇=652−77^2/10

𝑆"𝑆𝑅 =54.601"
𝑆𝑆𝑇=59.1
018−10(35.1∗7.7))/(14141−10(35.1)2)

- 249,702.00 3018 -2702.7 315.3 0.1731561

- 1,217,869.00 14141 12320.1 1820.9

0.21
 Los siguientes datos, representan los precios a los cuales se vende un producto “Z” y las cantidades vendidas de dicho
producto:

Muestra Precio (x) Cantidades (Y) X^2 Y^2 XY

1 225 10,000 50,625 100,000,000 2,250,000
2 500 5,000 250,000 25,000,000 2,500,000
3 485 5,500 235,225 30,250,000 2,667,500
4 250 8,500 62,500 72,250,000 2,125,000
5 275 8,000 75,625 64,000,000 2,200,000
6 465 5,700 216,225 32,490,000 2,650,500
7 415 5,900 172,225 34,810,000 2,448,500
8 300 7,200 90,000 51,840,000 2,160,000
9 375 6,800 140,625 46,240,000 2,550,000
10 400 6,500 160,000 42,250,000 2,600,000
3,690 69,100 1,453,050 499,130,000 24,151,500

𝑏_1=(∑▒ 〖𝑋 _𝑖 𝑌_𝑖−(∑▒𝑋_𝑖 𝑏_0=(∑▒ 〖𝑌 _𝑖−𝑏_1

∑▒𝑌_𝑖 )/𝑛 〗 )/(∑▒ 〖𝑋 _𝑖^2− 〗 ∑▒𝑋_𝑖 〗 )/𝑛
〖 (∑▒𝑋_𝑖 ) 〗 ^2/𝑛)
𝑌=12,341.68−1
𝑏_0=(69,100−(−14.72(3,690))/10
𝑏_1=(24,151,500−((3,690)(69,100))/10)/ 𝑌=7,189.68
(1,453,050− 〖 (3690) 〗 ^2/10)

𝑏_0=123,416.8/10

𝑏_1=(−1,346,400)/91,
440 𝜎_𝑦=√((∑▒ 〖𝑌
∑▒𝑋_𝑖 𝑌_𝑖 〗 )/
𝑏_0=12,341.68

𝑏_1=−14.72
𝜎_𝑦=√(1,829,992/8)

𝜎_𝑦=478.28

𝑆𝑆𝐸=∑▒ 〖𝑌 _𝑖^2−𝑏_0 ∑▒𝑌_𝑖 −𝑏_1 ∑▒

𝑌_𝑖 〗
𝑆𝑆𝐸=1,829,992
des vendidas de dicho

a) Encuentra el
b)Interprete la coeficiente
recta de mejor
de laajuste a los datos.
pendiente.
c) Utilice el modelo desarrollado en el inciso a, para predecir el número de cantidades vendidas, si el precio se establece en: 3

d) Calcule el error estándar de la estimación.

e) Calcule el coeficiente de correlación y el de determinación e interprete los resultados.

a 𝑌=12,341.68−14.72𝑋

b Se puede interpretar que por cada $ en que aumente el precio del producto Z la cantidad de unidades
vendidas disminuiran en un 14.72.

c Podemos predecir que el producto z al tener un valor de $350 vendera 7,189.68 unidades mientras que si
valor es de $450 vendera 5,717.68 unidades

𝑌=12,341.68−14.72(350) 𝑌=12,341.68−14.72(450)

𝑌=7,189.68 𝑌=5,717.68

d El error estandar es de 478.28

𝜎_𝑦=√((∑▒ 〖𝑌 _𝑖^2−𝑏_0 ∑▒𝑌_𝑖 −𝑏_1

∑▒𝑋_𝑖 𝑌_𝑖 〗 )/(𝑛−2)) 499,130,000.00
24,151,500.00
69,100.00
𝜎_𝑦=√(1,829,992/8)
1,829,992.00
228,749.00
478.28
𝜎_𝑦=478.28

e 1) Podemos concluir que el 91.5% de las ventas esta determinado por el valor (precio ) del producto Z
2) Dado r esta cercano a -1, podemos decir que existe una fuerte relación entre el precio y las ventas

𝑟^2 "= 0.915"

𝑟^2 "= 𝑆𝑆𝑅/𝑆𝑆𝑇" 𝑟"= " √(𝑟^2 ) 𝑟"= "−0.956

〖𝑌 _𝑖^2−𝑏_0 ∑▒𝑌_𝑖 −𝑏_1 ∑▒𝑋_𝑖 𝑆𝑆𝑇=∑▒ 〖𝑌 _𝑖^2− 〗 〖 (∑▒ 〖𝑌 _ 𝑆"𝑆𝑅 = 𝑆𝑆𝑇 − 𝑆𝑆𝐸"

𝐼) 〗〗 ^2/𝑛
𝑆"𝑆𝑅 = 21,649,000−1,829,992"
𝑆𝑆𝑇=499,130,000− 〖 69,100 〗 ^2/10
 𝑆"𝑆𝑅 = 21,649,000−1,829,992"
𝑆𝑆𝑇=499,130,000− 〖 69,100 〗 ^2/10
𝑆"𝑆𝑅 =19,819,008"

𝑆𝑆𝑇=21,649,000
l precio se establece en: 350 y 450.

ad de unidades

des mientras que si

ecio ) del producto Z

precio y las ventas