Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DESCRIPCIÓN DE LA INFORMACION
PRESENTADO POR:
JOHAN STEFAN MARULANDA BERNAL
PRESENTADO A:
VANESSA VENTURA
Mediante el presente trabajo se desarrollan las actividades propuestas en la guía con objetivo de
aplica las medidas bivariantes (regresión lineal, coeficiente de determinación lineal, coeficiente de
correlación, análisis de correlación, regresión simple y diagramas de dispersión), en función de la
problemática de estudio, con el fin de desarrollar en la práctica los diversos conceptos propuestos
en la unidad 2, para el paso 4 y especificados en la guía.
Justificación
Este ejercicio se realiza teniendo en cuenta las medidas estadísticas bivariantes, la aplicación
mediante laboratorio de ejercicios de regresión y correlación lineal, así como el análisis de los
datos resultantes en el estudio, lo que nos lleva a identificar las medidas estadísticas bivariantes, a
través de la elaboración del mapa mental, el cual presenta relaciones significativas entre los
conceptos.
Objetivos
Objetivo general
Objetivos específicos
Comprender la forma de clasificar las variables de los problemas dados para el desarrollo
de la actividad.
DEFINICIÓN DE CONCEPTOS.
Diagrama de dispersión:
Se emplea cuando una o varias variables está bajo el control del experimentador. Si existe un
parámetro que se incrementa o disminuye de forma sistemática por el experimentador, se le
denomina parámetro de control o variable independiente y habitualmente se representa a lo largo
del eje horizontal (eje de las abscisas). La variable medida o dependiente usualmente se
representa a lo largo del eje vertical (eje de las ordenadas). Si no existe una variable dependiente,
cualquier variable se puede representar en cada eje y el diagrama de dispersión mostrará el grado
de correlación (no causalidad) entre las dos variables.
Consiste en expresar cuantitativamente el grado de relación que existe entre las variables de
estudio. Si entre dos variables cuantitativas existe una relación lineal, el análisis de correlación
lineal simple se usa para determinar la dirección y la magnitud de dicha relación. La dirección de la
relación se refiere a si ésta es positiva o negativa.
Una relación positiva entre las variables X y Y indica que existe una relación directa entre ellas, es
decir, los valores menores de X están asociados con los valores menores de Y y los valores
mayores de X están asociados con los valores mayores de Y.
Existe una relación positiva entre las variables X y Y si al aumentar los valores de X los valores de Y
tienden a aumentar.
Una relación negativa entre las variables X y Y indica que existe una relación inversa entre ellas, es
decir, los valores menores de X están asociados con los valores mayores de Y y los valores mayores
de X están asociados con los valores menores de Y.
Si existe una relación negativa entre las variables X y Y, entonces al aumentar los valores de X los
valores de Y tienden a disminuir y viceversa.
¿Qué es el coeficiente de correlación lineal y qué nos ayuda a medir?:
La correlación, también conocida como coeficiente de correlación lineal (de Pearson), es una
medida de regresión que pretende cuantificar el grado de variación conjunta entre dos variables.
Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos variables, es
decir, si se representan en un diagrama de dispersión los valores que toman dos variables, el
coeficiente de correlación lineal señalará lo bien o lo mal que el conjunto de puntos representados
se aproxima a una recta. La podemos definir como el número que mide el grado de intensidad y el
sentido de la relación entre dos variables.
Siendo:
ρ = 0 No existe correlación
1.1. CH-Pureza. El rendimiento del producto de un proceso químico está relacionado con la temperatura de
operación del proceso. Se desea establecer la relación que existe entre la pureza (y) del oxígeno producido y el
porcentaje de hidrocarburo (x) que está presente en el condensador principal en un proceso de destilación, de
acuerdo con los siguientes datos:
%HC VS Pureza
105
100
90
85
80
0.8 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6
% HC
b. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra.
¿Es confiable?
y=14,947X + 74,283
87.7% de confiabilidad
c. Determine el porcentaje de explicación del modelo y el grado de relación de las dos variables.
R= 0.9364%
y=14,947X + 74,283
Remplazamos
91.3=14.947X + 74.283
X= (91.3-74,283)/14.947
X= 1,138489329
1.1. X-Y. En un nuevo proceso artesanal de fabricación de cierto artículo que está implantado,
se ha considerado que era importante ir anotando periódicamente el tiempo medio (medido en
minutos) que se utiliza para realizar una pieza y el número de días desde que empezó dicho
proceso de fabricación. Con ello, se pretende analizar como los operarios van adaptándose al
nuevo proceso mejorando paulatinamente su proceso de producción.
X= número de días
Y= tiempo de fabricación
X vs Y
50
45
Tiempo de fabricación
40
35 f(x) = − 0.36 x + 42.57
30 R² = 0.8
25
20
15
10
5
0
0 10 20 30 40 50 60 70 80
Número de días
b. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la otra. ¿Es confiable?
y= -0,3566X +42,569
79,63% de confiabilidad
a. Ajuste un modelo matemático que permita predecir el efecto de una variable sobre la otra. ¿Es confiable?
b. Determine el porcentaje de explicación del modelo y el grado de relación de las dos variables.
c. ¿Cuál podria ser la proyección de ventas para el año 2018 si se espera que el PIB nacional sea del 3,1?
Y=1,1509X + 345,1
remplazamos
Y=1,1509(3,1) + 345,1
y= 348,66779
La proyección de ventas para el año 2018 si se espera que el PIB nacional sea del 3,1 sera 348,66779
ACTIVIDAD 4
R:
R:
Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la
otra. ¿Es confiable?
R: Y= -3,7381x + 2463,1
2,4% de confiabilidad
R: -0,154841818
No existe correlación entre estas variables
CONCLUSIONES
Montero, J.M. (2007). Regresión y Correlación Simple. Madrid: Paraninfo. (pp 151 – 158).
Recuperado de http://go.galegroup.com/ps/i.do?id=GALE
%7CCX4052100011&v=2.1&u=unad&it=r&p=GVRL&sw=w&asid=b82c81e98fcc1361e1929abe
203c8219
Churchill, G.A. (2009). Análisis de Correlación y de Regresión Simple. México City: Cengage
Learning. (pp 675–686). Recuperado de http://go.galegroup.com/ps/i.do?id=GALE
%7CCX4058900232&v=2.1&u=unad&it=r&p=GVRL&sw=w&asid=e558184ed89e57d11ede116
134cfce41