EJERCICIO 1

El siguiente es un conjunto de datos experimentales codificados

acerca de la resistencia a la compresin de una aleacin especfica a
diferentes valores de concentracin de cierto aditivo(n=15)

Concentracin, Resistencia a la compresin, Y

X
10 25.2 27.3 28.7 27.07
15 29.8 31.1 27.8 27.43
20 31.2 32.6 29.7 31.17
25 31.7 30.1 32.3 31.37
30 29.4 30.8 32.8 31

a) Grafica los datos y obtenga el diagrama de dispersin

b) Estime la ecuacin de regresin mnimo cuadrtica
c) Pruebe la validez del modelo(=0.01)
d) Obtenga los intervalos de confianza del 99% para los
coeficientes de la regresin.
e) Obtenga intervalos de confianza para la resistencia a la
compresin y para la resistencia media a la compresin para un
valor de X=20
f) Grafique la recta en el diagrama de dispersin.

Correlaciones

concentracion_X resistencia_Y

Correlacin de Pearson 1 ,864

concentracion_X Sig. (bilateral) ,059

N 5 5

Correlacin de Pearson ,864 1

resistencia_Y Sig. (bilateral) ,059

N 5 5
En el resumen podemos notar el R, coeficiente de determinacin lo cual al multiplicarlo
por 100 nos da el porcentaje en que se afecta la variable independiente a la dependiente.
En el ejercicio nos dice que el 74.6% de la variacin de la resistencia a la comprensin
(Y) esta explicada por la concentracin(X).

Tambin nos muestra la significancia de la variable X en la ecuacin de regresin, el

cual de 0.059.
Teniendo en cuenta que el enunciado dice evaluar al 91%, a=0.01
0.059 > 0.01 Por lo tanto no se rechaza la primera hiptesis por eso decimos que no
existe relacin entre las dos variables.

EJERCICIO 2

Se presenta datos sobre el desgaste del acero dulce y la

viscosidad del aceite, con X = viscosidad del aceite, Y =
volumen de desgaste

y 240 181 193 155 172 110 113 75 94

x 1.6 9.4 15.5 20.2 22.0 35.5 43.0 40.5 33.0

a) Construya una grfica de dispersin de datos Parece

plausible el uso de un modelo de regresin simple?
b) Ajuste un modelo mnimo cuadrtico de regresin lineal
simple a los datos
c) Pruebe la significacin de la regresin
d) Elabore un intervalo de prediccin del 90% para el
volumen medio de desgaste cuando xo = 40.0 y un intervalo
de coeficiencia para el volumen de desgaste cuando xo = 35.
e) Estime el coeficiente de correlacin y obtenga un
intervalo de confianza del 95% para p

Si porque nos encontramos con un modelo

en el que el comportamiento de una
variable, Y, se puede explicar a travs de
una variable X.
 Correlaciones

volumen_desga viscosidad_des
ste_Y gaste_X

volumen_desgaste_Y 1,000 -,938

Correlacin de Pearson
viscosidad_desgaste_X -,938 1,000
volumen_desgaste_Y . ,000
Sig. (unilateral)
viscosidad_desgaste_X ,000 .
volumen_desgaste_Y 9 9
N
viscosidad_desgaste_X 9 9

En este ejercicio el Rcuadrado=88%. Eso nos dice que el 88% de la variacin del
volumen de desgaste (Y) esta explicada por la viscosidad(X).
La significancia es 0 y a=0.05 por lo que se rechaza H0 y se acepta H1: si hay relacin
entre las dos variables.

Para la ecuacin de regresin:

Y=234.220 3.511*X

Y el intervalo donde se encuentra el valor real para b (pendiente) est entre -4.671 y -
2.352. De lo cual se puede notar que en ningn punto va a ser cero.
Para el caso de la constante, su intervalo es de 201.745 266.695.
Cuando x=1.6 se espera que Y valga 228.60189.

Intervalos de confianza:

Valor Individual
X=40 Y=93.76130
51.47330 | = 40 136.04930

X=35 Y=111.31867
70.37608 | = 35 152.26126

Valor promedio
X=40 Y=93.76130
74.65990 | = 40 112.86270

X=35 Y=111.31867
95.41633 | = 35 127.22100

EJERCICIO 3

Una compaa desea modelar la relacin entre sus ventas y las ventas de la industria en
general

VENTAS DE LA CIA( Y) VENTAS DE LA

INDUSTRIA (X)
0,5 10
1,0 12
1,0 13
1,4 15
1,3 14
1,6 15

a. Encontrar una recta que se ajuste a los datos

b. parecen contribuir las rentas de la industria con alguna informacin a la prediccin de
las rentas de la Compaa? Probar en el nivel 1%
c. Si las ventas de la industria es 16, determinar intervalos de confianza del 95% para las
rentas individuales y para las ventas promedio de la compaa
d. Estimar el intervalo de confianza para la pendiente poblacional
e. Grafique la lnea de regresin estimada en el diagrama de dispersin

1. En el ejemplo 2 . Toma un valor moderado(es mximo 1) y 2 , nos

indica que es el 94.8% de la variacin de la cantidad de
Ventas de la cia esta explicada por las Rentas de la industria
Corregida es una correccin a la baja de 2 que se basa en el
nmero de casos y de variables independientes.
 El error tpico de estimacin es la desviacin tpica de los
residuos, es decir la desviacin tpica de las distancias entre
las puntuaciones en la variable independiente y los pronsticos
efectuados con la regresin. En general cuanto mejor es el
ajuste, ms pequeo es este error tpico.

Resumen ANOVA nos informa si existe o no relacin entre las

variables. El estadstico F permite contrastar la hiptesis nula
de la pendiente de la recta de regresin es cero. En el ejemplo
el valor P=0,001(p<0.05). Por lo que debemos rechazar la Ho y
aceptar 1 es decir 1 0 .
Conclusin El valor de F=0,948, tiene un valor de P=0, 001
(p<0.05) Lo cual prueba que 1 0 lo que indica que debemos
rechazar Ho y aceptar 1 lo que nos lleva a concluir que si
existe relacin entre (Y) y (X).
Resumen del modelob
Estadsticos de cambio
R Error tp.
R Cambio Sig. Durbin-
Modelo R cuadrado de la Cambio
cuadrado en R gl1 gl2 Cambio Watson
corregida estimacin en F
cuadrado en F
1 ,973a ,948 ,935 ,09933 ,948 72,347 1 4 ,001 1,781
a. Variables predictoras: (Constante), Rentas de la Industria
b. Variable dependiente: Ventas de la Cia

TABLA 04. ANOVAa

Modelo Suma de gl Media F Sig.
cuadrados cuadrtica
Regresi ,714 1 ,714 72,347 ,001b
n
1
Residual ,039 4 ,010
Total ,753 5
a. Variable dependiente: Ventas de la Cia
b. Variables predictoras: (Constante), Rentas de la Industria

Ecuacin de la regresin

Coeficientes: Muestra los coeficientes de la recta de regresin. El

coeficiente Constante(es el origen de la recta 0 ) y el Coeficiente
Ventas de Industria es dependiente de la recta de regresin ( 1 ).
Con los resultados de la Tabla construimos la ecuacin de
regresin:
i = 1,430 + 0,195Xi

Diagrama de dispersin con la lnea de regresin

Rentas de la industria=16

Cuando x=16 se espera que Y valga 1.68496, esto se

obtiene al reemplazar 16 en la ecuacin de regresin
hallada.

Intervalos:

Valor individual
1.33687 | = 16 2.03304

Valor promedio
1.47259 | = 16 1.89732
EJERCICIO 4

A) Calcular el coeficiente de correlacin de datos

B) Calcular el coeficiente de determinacin e intrprete
C) Hay evidencia suficiente para indicar que la correlaccin entre las ventas de la
Ca, y las ventas de la industria difieren de 0? Emplear a=0.05
D) Determine un intervalo de confianza para p
E) Grafique la banda de confianza para la verdadera linea de regresin.
Correlaciones

V. de Cia _ Y V. de Industria _
X

V. de Cia _ Y 1,000 ,973

Correlacin de Pearson
V. de Industria _ X ,973 1,000
V. de Cia _ Y . ,001
Sig. (unilateral)
V. de Industria _ X ,001 .
V. de Cia _ Y 6 6
N
V. de Industria _ X 6 6

El coeficiente de correlacin de Pearson nos muestra que tanta

correlacin existe entre las variables, cuanto ms se acerque a 1 ms
ser la correlacin.
En este caso es de 0.973 por lo que se deduce que la correlacin es muy
fuerte.

El coeficiente de determinacin es el R cuadrado, el cual tiene un valor

de 0.948. Esto quiere decir que el 94.8% de la variacion producida en
la variable Y se debe a la variable predictoria X.

Si hay pruebas suficientes para indicar que la correlaccin entre las

ventas de la Ca, y las ventas de la industria difieren de 0 puesto que
analizando el R cuadrado, correlacin de Pearson y la significancia
conclumos a que existe correlacin entre las variables.
EJERCICIO 5
El efecto de la temperatura en la absorcin de anhdrido carbnico en agua est dada en la
siguiente tabla.

temperatura coeficiente de absorcin

(X) relativa (Y)
10 5
15 8
20 7.5
30 12
25 13
40 22
50 46

a) Ajustar el modelo adecuado a los datos

b) Estimar Y, cuando X=25
c) Graficar la ecuacin estimada en el diagrama de dispersin

LINEAL
Resumen del modelo

R R cuadrado R cuadrado Error tpico de la

corregida estimacin

,916 ,839 ,807 6,255

La variable independiente esTemperatura_X.

LOGARITMICA
Resumen del modelo

R R cuadrado R cuadrado Error tpico de la

corregida estimacin

,817 ,668 ,601 8,997

La variable independiente esTemperatura_X.

CUADRTICO
Resumen del modelo

R R cuadrado R cuadrado Error tpico de la

corregida estimacin

,984 ,969 ,953 3,096

La variable independiente esTemperatura_X.
POTENCIA
Resumen del modelo

R R cuadrado R cuadrado Error tpico de la

corregida estimacin

,940 ,883 ,860 ,279

La variable independiente esTemperatura_X.

EXPONENCIAL
Resumen del modelo

R R cuadrado R cuadrado Error tpico de la

corregida estimacin

,979 ,959 ,951 ,165

La variable independiente esTemperatura_X.

Comparando en cada modelo el R cuadrado y el error tpico de la

estimacin, nos damos cuenta que el modelo que se ajusta ms a los
datos es el modelo Exponencial. Cuyo R cuadrado = 0.959 (95.9%) y su
error es 0.165 (bajo comparado con los otros).
 El Anova nos muestra la significancia el cual es 0 y es menor a 0.05 (alfa) por
lo cual se dice que si existe correlacin entre las variables.

ANOVA

Suma de gl Media F Sig.

cuadrados cuadrtica

Regresin 3,184 1 3,184 116,628 ,000

Residual ,136 5 ,027
Total 3,320 6

La variable independiente esTemperatura_X.

Como ya hemos elegido el modelo que ms se ajusta, ahora vamos a

encontrar la ecuacin de regresin y para ello analizaremos la tabla de
coeficientes.

Coeficientes

Coeficientes no estandarizados Coeficientes t Sig.

estandarizados

B Error tpico Beta

Temperatura_X ,052 ,005 ,979 10,799 ,000

(Constante) 3,073 ,443 6,941 ,001

La variable dependiente es ln(Coef_Absorc_Relat_Y).

Grfico de dispersin