Formulas:

𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑦 = 𝑚𝑥 + 𝑏
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
∑𝑦 − 𝑚 ∗ ∑𝑥
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
𝑛
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2
2
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝐷𝑒𝑡 = 𝑟 2 = ( )
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2

∑ 𝑦 2 − 𝑏 ∑ 𝑦 − 𝑚 ∑ 𝑥𝑦
𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 = 𝑆𝑥𝑦 = √
𝑛−2

S yx
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 = Yˆ  t
n

𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑦 = S 2

y 2
i  ny
y
n
1. El gerente de mercado de una industria de detergentes piensa que las ventas anuales
dependen de la cantidad que invierta en publicidad. El gerente general no está de
acuerdo con él y a perdido datos. A continuación, se presentan los datos
correspondientes a seis años:

Año Gasto Publicidad Ventas Anuales

1987 2 20
1988 3 25
1989 5 34
1990 4 30
1991 11 30
1992 5 31
a) ¿Qué porcentaje de la variabilidad de las ventas se explica por su relación lineal
con los montos destinados a la publicidad? R/ 0,2553
b) El gerente del mercadeo desea determinar una ecuación lineal, para predecir las
ventas anuales a partir de las cantidades destinadas a la publicidad. R/ y = 24,33 +
0,8x
Solución Ejercicio 1:

X Y
Año Gasto Publicidad Ventas Anuales X*Y X^2 Y^2
1987 2 20 40 4 400
1988 3 25 75 9 625
1989 5 34 170 25 1156
1990 4 30 120 16 900
1991 11 30 330 121 900
1992 5 31 155 25 961
TOTAL 30 170 890 200 4942

a) Variabilidad.
2
2
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝐷𝑒𝑡 = 𝑟 = ( )
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2

2
2
6(890) − 30 ∗ 170
𝐶𝑜𝑒𝑓. 𝐷𝑒𝑡 = 𝑟 = ( )
√6(200) − (30)2 ∗ √6 ∗ 4942 − (170)2

𝐶𝑜𝑒𝑓. 𝐷𝑒𝑡 = 𝑟 2 = 0.2553

La variabilidad de los datos presentado en la tabla, indican que la correlación no es
muy fuerte, debido a que es cercano a 0.
b) Pendiente:
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
6(890) − 30 ∗ 170
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
6(200) − (30)2
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 = 0.8

Cuando cambia cuando aumenta en un millón el gasto en publicidad, las ventas

aumentan 0.8 millones
∑𝑦 − 𝑚 ∗ ∑𝑥
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
𝑛
170 − 0.8 ∗ 30
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
6
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 = 24.33

Cuando no se invierte en publicidad, la empresa percibe ventas de 24.33 millones.

𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑦 = 0.8𝑥 + 24.33
 2. En la contabilidad de costos con frecuencia se trata de estimar los gastos indirectos
basándose en el número de unidades producidas. La gerencia de una empresa ha
reunido información sobre esos gastos y las unidades producidas en diferentes
plantas, con el fin de estimar una ecuación de regresión que le permita predecir los
gastos indirectos.
A continuación, se presenta esta información:

Gastos indirectos 191 170 272 155 280 173 234 116 153 178
Unidades 40 42 53 35 56 39 48 30 37 40
a) Determine el coeficiente de correlación e interprételo R/ 0,9835

Gastos
n Unidades (X) indirectos X*Y X^2 Y^2
(Y)
1 40 191 7640 1600 36481
2 42 170 7140 1764 28900
3 53 272 14416 2809 73984
4 35 155 5425 1225 24025
5 56 280 15680 3136 78400
6 39 173 6747 1521 29929
7 48 234 11232 2304 54756
8 30 116 3480 900 13456
9 37 153 5661 1369 23409
10 40 178 7120 1600 31684
TOTAL 420 1922 84541 18228 395024

𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2
10 ∗ 84541 − 420 ∗ 1922
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√10 ∗ 18228 − (420)2 ∗ √10 ∗ 395024 − (1922)2
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 = 0.9835
Como el coeficiente es 0.9835, cercano a 1, indica que existe una fuerte relación
entre las unidades producidas con el gasto indirecto.
 b) Calcule la ecuación de regresión R/ y = -80,44 + 6,49x
Pendiente:
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
10(84541) − 420 ∗ 1922
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
10(18228) − (420)2
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 = 6.4915

Cuando aumenta la producción en una unidad, el gasto indirecto aumenta en 6.4928

unidades monetarias.
Intersección
∑𝑦 − 𝑚 ∗ ∑𝑥
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
𝑛
1922 − 6.4915 ∗ 420
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
10
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 = −80.4428

Cuando no se produce ninguna unidad, la empresa tiene gastos indirectos de 80.448

unidades monetarias.
𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑦 = 6.4915𝑥 − 80.4428

c) Prediga el gasto indirecto cuando se producen 50 unidades. R/ 244,1

𝑦(50) = 6.4915 ∗ 50 − 80.4428
𝑦(50) = 244.13 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑚𝑜𝑛𝑒𝑡𝑎𝑟𝑖𝑎𝑠
d) Determine el error estándar de estimación R/ 10,2

∑ 𝑦 2 − 𝑏 ∑ 𝑦 − 𝑚 ∑ 𝑥𝑦
𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 = 𝑆𝑥𝑦 = √
𝑛−2

395024 − (−80.4428) ∗ 1922 − 6.49158 ∗ 84541

𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 = 𝑆𝑥𝑦 = √
10 − 2

𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 = 𝑆𝑥𝑦 = 10.2296

3. Los corredores de bienes raíces a menudo quieren saber cómo el avalúo de una casa cambia
según el tamaño de esta. Debido a la devaluación, los datos de avalúo se tradujeron a
dólares. A continuación, se incluyen algunos datos sobre la superficie (en cienes de metros
cuadrados) y sobre el avalúo (en miles de dólares) de una muestra de 11 casas.

AREA 1,0 1.4 1,5 1,5 1,3 1,2 1,0 1,6 1,8 1,4 1,2
VALOR 40 49 54 51 48 46 41 56 62 50 45
a) Estime la ecuación de regresión (mínimos cuadrados) para predecir el avalúo a partir
del tamaño de la casa R/ y = 14,17 + 25,91 x

VALOR
n AREA (x) X*Y X^2 Y^2
(y)
1 1 40 40 1 1600
2 1.4 49 68.6 1.96 2401
3 1.5 54 81 2.25 2916
4 1.5 51 76.5 2.25 2601
5 1.3 48 62.4 1.69 2304
6 1.2 46 55.2 1.44 2116
7 1 41 41 1 1681
8 1.6 56 89.6 2.56 3136
9 1.8 62 111.6 3.24 3844
10 1.4 50 70 1.96 2500
11 1.2 45 54 1.44 2025
TOTAL 14.9 542 749.9 20.79 27124

Pendiente:
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
11(749.9) − 14.9 ∗ 542
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
11(20.79) − (14.9)2
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 = 25.9131

Cuando aumenta el área en una unidad, el costo aumenta en 25.9131 unidades

monetarias.
Intersección
∑𝑦 − 𝑚 ∗ ∑𝑥
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
𝑛
542 − 25.9131 ∗ 14.9
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
11
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 = 14.1721

𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑦 = 25.9131𝑥 + 14.1721

 b) Interprete, en términos de problema, el coeficiente de regresión
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2
11(749.9) − 14.9 ∗ 542
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√11(20.79) − (14.9)2 ∗ √11(27124) − (542)2
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 = 0.9874
Como el coeficiente es 0.9874, cercano a 1, indica que existe una fuerte relación
entre el área de las viviendas y el valor monetario de éstas, por lo que se puede
predecir el costo de futuras casas de distintas áreas en función de la cantidad de
metros cuadrados de área que posean.

c) ¿Qué valor se espera para una casa de 140 metros cuadrados? R/ $ 50 450,68

𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑦(1.40) = 25.9131 ∗ (140) + 14.1721

𝑦(1.40) = 50.45044
El valor monetario de una casa de 140 metros cuadrados se espera que sea de
50.45044 miles de dólares.
4. A continuación, se presentan los gastos fijos mensuales (en colones) realizados por una
tienda durante los últimos 12 meses
MES GASTOS MES GASTOS MES GASTOS
1 40000 5 46000 9 55000
2 42000 6 47000 10 53000
3 43000 7 49000 11 56000
4 41000 8 52000 12 61000
a) Establezca un modelo de regresión lineal simple con los datos anteriores. R/ y = 37000 +1807,69x
n MES GASTOS X*Y X^2 Y^2
1 1 40000 40000 1 1600000000
2 2 42000 84000 4 1764000000
3 3 43000 129000 9 1849000000
4 4 41000 164000 16 1681000000
5 5 46000 230000 25 2116000000
6 6 47000 282000 36 2209000000
7 7 49000 343000 49 2401000000
8 8 52000 416000 64 2704000000
9 9 55000 495000 81 3025000000
10 10 53000 530000 100 2809000000
11 11 56000 616000 121 3136000000
12 12 61000 732000 144 3721000000
TOTAL 78 585000 4061000 650 29015000000
 Pendiente:
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
12(4061000) − 78 ∗ 585000
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
12(650) − (78)2
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 = 1807.6923

Cada vez que pasa un mes, el cambio en el gasto por la tienda aumenta en 1807.6923
unidades monetarias.
Intersección
∑𝑦 − 𝑚 ∗ ∑𝑥
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
𝑛
585000 − 1807.6923 ∗ 78
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
12
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 = 37000

𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑦 = 1807.6923𝑥 + 37000

b) Dibuje en el diagrama de dispersión, la recta de regresión.

c) Calcule e interprete el coeficiente de determinación. R/ 0,9416

2
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝐷𝑒𝑡 = 𝑟 2 = ( )
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2
 2
12(4061000) − 78 ∗ 585000
𝐶𝑜𝑒𝑓. 𝐷𝑒𝑡 = 𝑟 2 = ( )
√12(650) − (78)2 ∗ √12(29015000000) − (585000)2

𝐶𝑜𝑒𝑓. 𝐷𝑒𝑡 = 𝑟 2 = 0.9416

La variabilidad de los datos presentado en la tabla, indican que la correlación es
muy fuerte, debido a que es cercano a 1. Por lo que se puede asumir la función de
lineal, para la predicción de los gastos siguientes.

5. Un consultor quiere averiguar la exactitud con que nuevo índice de rendimiento en el

trabajo mide lo que es importante para una corporación. Una manera de verificar consiste
en examinar la relación entre dicho índice y el salario del empleado.
Se seleccionó una muestra de 8 empleados y se reunió información sobre el salario (en
miles) y el índice (1-10; donde 10 es óptimo).

Índice del desempeño en el trabajo (x) 9 7 8 4 7 5 5 6

Salario (¢ miles por semana) (y) 36 25 33 15 28 19 20 22

a) Calcule la ecuación de regresión R/ y = -2,11 + 4,21x

Salario (¢
Índice del desempeño
n miles por X*Y X^2 Y^2
en el trabajo (x)
semana) (y)
1 9 36 324 81 1296
2 7 25 175 49 625
3 8 33 264 64 1089
4 4 15 60 16 225
5 7 28 196 49 784
6 5 19 95 25 361
7 5 20 100 25 400
8 6 22 132 36 484
TOTAL 51 198 1346 345 5264
Pendiente:
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
8(1346) − 51 ∗ 198
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 =
8(345) − (51)2
𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 = 𝑚 = 4.2138
Cuando el Índice del desempeño en el trabajo aumenta en una unidad, el Salario (¢
miles por semana) aumenta en 4.2138 dólares
Intersección
∑𝑦 − 𝑚 ∗ ∑𝑥
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
𝑛
198 − 4.2138 ∗ 51
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 =
8
𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 = 𝑏 = −2.1132

𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 = 𝑦 = 4.2138𝑥 − 2.1132

b) Determine el error estándar de estimación R/ 1,3316

c) Calcule un intervalo de confianza para el salario promedio de los trabajadores
con un índice de 7,5. Utilice α = 0,05 R/ (28,07; 30,91)
S yx
Yˆ  t
n
T (0.05;7 grados de libertad) =2.3646

𝑦(7.5) = 4.2138 ∗ 7.5 − 2.1132

𝑦(7.5) = 29.4903
𝑆𝑦𝑥 𝑆𝑦𝑥
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝐶𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 (𝑌̂ − 𝑡 ; 𝑌̂ − 𝑡 )
√𝑛 √𝑛
1.3616 1.3616
29.4903 − 2.3646 ∗ ; 29.4903 + 2.3646 ∗
√8 √8
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝐶𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 (28.352; 30.6286)

d) Calcule un intervalo de confianza para el salario de un trabajador con un índice

de 5,8. Utilice α = 0,05. R/ (18,7; 25,8)
S yx
Yˆ  t
n
T (0.05;1 grados de libertad) =6.31375
𝑦(5.8) = 4.2138 ∗ 5.8 − 2.1132
𝑦(5.8) = 22.3268
𝑆𝑦𝑥 𝑆𝑦𝑥
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝐶𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 (𝑌̂ − 𝑡 ; 𝑌̂ − 𝑡 )
√𝑛 √𝑛
1.3616 1.3616
22.3268 − 6.31375 ∗ ; 22.3268 + 6.31375 ∗
√8 √8
𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝐶𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 (19.29; 25.366)
6. Con el fin de determinar la asociación entre el nivel de ventas, el precio y la
publicidad de cierto producto, se estudió la información correspondiente a 12
semanas obteniéndose los siguientes resultados:

VENTAS PUBLICIDAD PRECIO

1000 100 20
1200 200 22
1200 230 23
1400 250 25
1400 280 25
1300 270 24
2000 500 32
2000 600 32
1800 480 30
2000 500 34
2500 600 34
2600 700 36
Calcule e interprete el coeficiente de correlación parcial de:
a) Las ventas con la publicidad eliminando el efecto del precio R/ 0,45

Semana PUBLICIDAD VENTAS X*Y X^2 Y^2

1 100 1000 100000 10000 1000000
2 200 1200 240000 40000 1440000
3 230 1200 276000 52900 1440000
4 250 1400 350000 62500 1960000
5 280 1400 392000 78400 1960000
6 270 1300 351000 72900 1690000
7 500 2000 1000000 250000 4000000
8 600 2000 1200000 360000 4000000
9 480 1800 864000 230400 3240000
10 500 2000 1000000 250000 4000000
11 600 2500 1500000 360000 6250000
12 700 2600 1820000 490000 6760000
TOTAL 4710 20400 9093000 2257100 37740000
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2
12 ∗ 9093000 − 4710 ∗ 20400
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√12 ∗ 2257100 − (4710)2 ∗ √12 ∗ 37740000 − (20400)2
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 = 0.9714
 Como el coeficiente es 0.9714, cercano a 1, indica que existe una fuerte relación
entre la inversión en publicidad y las ventas, lo que indica que, a mayor inversión
en publicidad, mayor serán las ventas.

b) Las ventas con el precio eliminando el efecto de la publicidad. R/ 0,44

Semana PRECIO VENTAS X*Y X^2 Y^2

1 20 1000 20000 400 1000000
2 22 1200 26400 484 1440000
3 23 1200 27600 529 1440000
4 25 1400 35000 625 1960000
5 25 1400 35000 625 1960000
6 24 1300 31200 576 1690000
7 32 2000 64000 1024 4000000
8 32 2000 64000 1024 4000000
9 30 1800 54000 900 3240000
10 34 2000 68000 1156 4000000
11 34 2500 85000 1156 6250000
12 36 2600 93600 1296 6760000
TOTAL 337 20400 603800 9795 37740000
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ∗ √𝑛 ∑ 𝑦 2 − (∑ 𝑦)2
12 ∗ 603800 − 337 ∗ 20400
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 =
√12 ∗ 9795 − (337)2 ∗ √12 ∗ 37740000 − (20400)2
𝐶𝑜𝑒𝑓. 𝑅𝑒𝑔𝑟 = 𝑟 = 0.9710
Como el coeficiente es 0.9710, cercano a 1, indica que existe una fuerte relación
entre el precio del producto y las ventas, lo que indica que, a mayor precio, mayor
serán las ventas.