P. 1
Ejercicios Propuestos de Regresion

Ejercicios Propuestos de Regresion

|Views: 4|Likes:
Publicado porIrving Barria

More info:

Published by: Irving Barria on Oct 29, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/21/2014

pdf

text

original

EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESIÓN SIMPLE 0.

El crecimiento de los niños desde la infancia a la adolescencia generalmente sigue un patrón lineal. Se calculó una recta de regresión mediante el método de mínimos cuadrados con datos de alturas de niñas norteamericanas de 4 a 9 años y el resultado fue: intercepto a=80 y pendiente b=6. La variable dependiente y es la altura en cm y x es la edad en años. ) Interprete los valores estimados del intercepto y de la pendiente. ) Cuál será la altura predicha de una niña de 8 años. ) Cuál será la altura predicha de una mujer de 25 años. Comente el resultado. En 1991 se publicó un trabajo “Diseñando plantas en climas difíciles” en la revista Field Crops Research, los datos usados en la investigación son: Duración Rendimiento 92 1,7 92 2,3 96 1,9 100 2,0 102 1,5 102 1,7 106 1,6 106 1,8 121 1,0 143 0,3

0.

Con x = la duración de la cosecha de porotos de soya en días, y = rendimiento de la cosecha en toneladas por hectárea. ) ) ) ) Estime la recta de regresión mediante el método de mínimos cuadrados. Interprete los estimadores en el contexto de la pregunta. ¿Existe una relación lineal significativa entre la duración y el rendimiento de la cosecha? Verifique los supuestos. Estime el rendimiento si la duración de la cosecha fue de 104 días.

Salida de SPSS para pregunta 2:
Estadísticos descriptivos Media 1.580 106.00 Desviación típ. .5633 15.470 N 10 10

Rendimiento DURACIÓN

Correlaciones Duración Correlación de Pearson Sig. (bilateral) N Correlación de Pearson Sig. (bilateral) N Duración Rendimiento 1 -.940** . .000 10 10 -.940** 1 .000 . 10 10

Rendimiento

**. La correlación es significativa al nivel 0,01 (bilateral).

Coeficientesa Coeficientes no estandarizados B Error típ. 5.207 .471 -.034 .004 Coeficientes estandarizad os Beta -.940

Modelo 1

(Constante) DURACIÓN

t 11.047 -7.768

Sig. .000 .000

a. Variable dependiente: Rendimiento

Instituto de Matemática y Física – Universidad de Talca estadistica@utalca.cl

929 Modelo 1 (Constante) nhermanos t 61.000 .000 15 15 nhermanos -. Verifique los supuestos de regresión.929 .000 . .2 Rendimiento .000 .3 0. Dé la ecuación de la recta de regresión.00 Desviación típ.0 .87 3.591 1. 119.929 1.000 -. depende del número de hermanos.016 -9.4 90 100 110 120 130 140 150 DURACIÓN DURACIÓN 0.143 .732 Sig.036 Sig. 15 15 Estadísticos descriptivos Media 103.2 2.0 -.2. medida a través del coeficiente intelectual (CI en puntos). 9.3 .1 1.955 -5. Toma una muestra aleatoria de 15 niños y ajusta una regresión lineal simple.000 a.0 90 -.cl . Un investigador cree que la inteligencia de los niños.295 1. Interprete los estimadores en el contexto de la pregunta.5 0. (unilateral) N 15 15 N CI nhermanos Coeficientesa Coeficientes no estandarizados B Error típ.5 .0 Unstandardized Residual 100 110 120 130 140 150 1. CI Hermanos ) ) ) ) 110 115 120 118 110 108 105 104 98 99 98 100 90 93 90 0 1 1 1 2 2 2 3 3 4 4 5 5 5 6 Encuentre e interprete el coeficiente de correlación r. . Variable dependiente: CI Instituto de Matemática y Física – Universidad de Talca estadistica@utalca.1 -.569 Coeficientes estandarizad os Beta -. ¿Existe una relación lineal significativa entre el número de hermanos y el coeficiente intelectual? Salida SPSS: Correlaciones Correlación de Pearson CI nhermanos CI nhermanos CI nhermanos CI 1. Los resultados aparecen en la salida adjunta.5 -.

0 16 1.00000 Se desea saber si existe alguna relación entre la ingestión y la absorción de grasas en lactantes desnutridos.00 6.4 2 1. Leaf 5 001344 000013 56 Each leaf: 1 case(s) 10.00 6.5 1.5 1.6 2.00 Stem width: 0.6 1. INGESTION Y ABSORCION DE GRASAS EN 20 LACTANTES DESNUTRIDOS. Se realizan 20 determinaciones de ingestión y absorción cuyos resultados se muestran en la tabla que sigue.8 1.6 13 1.1 1.130 8 6 120 4 110 2 Unstandardized Residual 0 1 2 3 4 5 6 7 100 0 -2 90 -4 CI 80 -6 0 1 2 3 4 5 6 7 nhermanos nhermanos Unstandardized Residual Stem-and-Leaf Plot Frequency 1.3 15 1.00 2.4 1.4 0. El gráfico de residuos se puede usar para verificar el supuesto de homocedasticidad.5 20 1.1 3 2.7 9 2.9 1.7 11 2. Caso Nº Ingestión Absorción Caso Nº Ingestión Absorción 1 1.9 1. .7 8 2.3 5 1.6 1.4 19 1.1 ) ) ) ) ) Estime a y b mediante el método de mínimos cuadrados.2 12 1.1 1. Stem -0 -0 0 0 & . . . ¿Existe una relación lineal significativa entre la ingestión y la absorción de grasas? Verifique los supuestos ¿Cuánto vale la suma de los residuos calculados para las 20 determinaciones? Conteste SI o NO a las siguientes preguntas: ) ) ) El gráfico de residuos muestra que la relación entre la ingestión y la absorción de grasas es lineal El gráfico de residuos se puede usar para determinar si los residuos están normalmente distribuidos. Instituto de Matemática y Física – Universidad de Talca estadistica@utalca.5 4 1.7 1.cl .0 1.6 1.8 1.6 1.5 6 2. Encuentre e interprete el coeficiente de correlación r.7 2.4 7 1.3 10 1.8 1.5 18 2.2 17 1.9 1. Interprete los coeficientes de regresión.1 14 1.

20 20 Estadísticos descriptivos Media 1.0 2.2 2. -. (unilateral) N 20 20 N Absorción Ingestión Coeficientesa Coeficientes no estandarizados B Error típ. .0 2. 2.cl .45) 2 27 13669 055788 03 058 Each leaf: 1 case(s) 1.6 2.6 1.4 1.00 1 .000 a.4 2.518 .00 -3 .8 2.0 -.353 Sig.Correlaciones Correlación de Pearson Absorción Ingestión Absorción Ingestión Absorción Ingestión Absorción 1.10000 Instituto de Matemática y Física – Universidad de Talca estadistica@utalca. .000 .5 -.000 .4 .4 1.8 Ingestión Ingestión Unstandardized Residual Stem-and-Leaf Plot Frequency Stem & Leaf (=<-.875 Desviación típ.6 1. 3. Variable dependiente: Absorción 2.000 20 20 Ingestión .5 . 2.8 2.4 2.143 .2 1.00 2 . Stem width: .3611 .217 .6 1.866 1.425 1.2 1.659 7.866 .2 2.2 2.000 .0 Unstandardized Residual 1.0 Absorción -.5 1.866 Modelo 1 (Constante) Ingestión t -.4 . 5.3740 Sig.00 Extremes 1.00 -2 .114 Coeficientes estandarizad os Beta .00 -0 .2 -. .00 -1 . .8 1. 6.00 0 .6 2.836 .

75 3. 179. (unilateral) N 8 8 N Y X Coeficientesa Coeficientes no estandarizados B Error típ. La tabla más abajo presenta los datos sobre el número de cambios de aceite al año (x) y el costo de la reparación (y. obtendrá la misma recta de regresión? Calcule el residuo para la primera observación (x=3. Salida SPSS: Correlaciones Correlación de Pearson Y X Y X Y X Y 1.604 Sig. Verifique los supuestos de la regresión lineal. Variable dependiente: Y 800 700 100 600 0 500 300 200 Unstandardized Residual 0 1 2 3 4 5 6 7 400 -100 100 Y 0 -200 0 1 2 3 4 5 6 7 X X Instituto de Matemática y Física – Universidad de Talca estadistica@utalca.907 Modelo 1 (Constante) X t 9.907 .907 1. Estima cuál será el costo de reparación de un auto que ha tenido 4 cambios de aceite. y=150).161 Coeficientes estandarizad os Beta -. # cambios aceite 3 5 2 3 1 4 6 4 costo en miles de peso 150 150 250 200 350 200 50 125 ) ) ) ) ) ) ) Haga un gráfico de dispersión con los datos. Encuentre la recta de regresión de mínimos cuadrados. verifique el supuesto de linealidad y valores extremos.291 Sig.001 . 723.611 72.002 a. en miles de pesos) de una muestra aleatoria de 10 autos de una cierta marca y modelo. . Si cambia x por y.5.964 -101. . Interprete los valores estimados del intercepto y de la pendiente.000 .917 -5.50 Desviación típ.389 19.cl . 8 8 Estadísticos descriptivos Media 368.000 -.160 1.000 .001 8 8 X -.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->