Documentos de Académico
Documentos de Profesional
Documentos de Cultura
100105A_612
Entregado Por
Nombre tutor
Edgar Gabriel Diaz M
Julio 02 de 2019
Introducción
muy útil cuando se trata de relacionar 2 o más variables, relacionados entre sí, la
Justificación
El desarrollo de esta actividad tiene una finalidad muy clara que es la de puntualizar las
justificaciones que sirven para probar el análisis de la correlación y regresión a través de las
regresión.
Al trabajar con las dos variables cuantitativas nos percatamos de la relación que existen por
suministrados por medio de cada situación y al analizar y dar solución a cada problemática
Correlación positiva.
Es una relación entre dos variables que muestra que ambas aumentan o disminuyen
simultáneamente sea perfectamente lineal y directa, de tal manera que un cambio en una
variable permite predecir perfectamente el cambio de la otra. Las dos variables se mueven
en la misma dirección.
Correlación negativa.
X (sal) Y (Tensión)
1,6 98
2,3 102
3,3 109
4,2 113
4,6 115
5,0 120
120
100
Y (Tensión)
80
60 Y (Tensión)
Linear (Y (Tensión) )
40
20
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
X (Sal)
b. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la
otra. ¿Es confiable?
El modelo matemático que permite predecir el efecto de una variable sobre la otra es:
Y= aba
Y = 6.1062x + 88.128
R2 = 0.987
Para hallar el valor de la tensión arterial esperada para una dosis de sal de 5.6 debemos
reemplazar este valor en la formula hallada.
Y = ( 6.1062∗5.6 ) +88.128
Y =122.32
Según lo anterior para dicha dosis de sal la tensión arterial esperada es de 121.
1.2. Tema-Vapor. El número de libras de vapor (y) consumidas mensualmente por una
planta química, se relaciona con la temperatura ambiental promedio (en o F). Para el
año 2014, se registraron los siguientes valores de temperatura y consumo anual.
Ene. 21 185,79
Feb. 24 214,47
Mar. 32 288,03
Abr. 47 424,84
May. 50 455
Jun. 59 539
Jul. 68 621,55
Ago. 74 675,06
Sep. 62 562,03
Oct. 50 452,93
Nov. 41 369,95
Dic. 30 273,98
b. Ajuste un modelo matemático que permita predecir el efecto de una variable sobre la
otra. ¿Es confiable?
El modelo matemático el cual nos permite predecir una variable sobre la otra es la ecuación
de la tendencia de la línea, la cual, corresponde a:
Y =9.2087 x−6.3184
Según su coeficiente de determinación R2 = 0.9999 se analiza que por ser cercano a 1, se
afirma que el modelo matemático obtenido el cual relaciona las variables de porcentaje da
respuesta a que la temperatura y consumo a vapor es confiable.
R2 x 100% = 0.9999 x 100% está dado por la raíz cuadrada del coeficiente de
determinación, así: √R2 = √0.9999 = 0.9999499987, cuya representación porcentual seria:
0.9999 x 100% = 99.99%, lo cual señala que las dos variables de porcentaje de
temperatura y consumo a vapor, están relacionadas entre sí, con un 99.99%. Su relación
excelente.
d. ¿Cuál es el de consumo de vapor cuando la temperatura es de 70 o?
Y =9.2087 x−6.3184
Y =9.2087 ( 70 )−6.3184
Y =644.609−6.3184
Y =638.2906
Ventas de la
Año PIB Nación
compañía
2001 1,70 339,43
2002 2,50 363,02
2003 3,90 359,75
2004 5,30 336,90
2005 4,70 339,38
2006 6,70 348,40
2007 6,90 372,00
2008 3,50 358,79
2009 1,70 337,94
2010 4,00 357,32
2011 6,60 342,14
2012 4,00 327,84
2013 4,90 362,06
2014 4,40 348,80
2015 3,10 353,52
2016 2,00 355,40
2017 1,80 342,00
a. Ajuste un modelo matemático que permita predecir el efecto de una variable sobre la
otra. ¿Es confiable?
Teniendo en cuenta que si los valores están más o menos dispersos.
Covarianza
ρ=
σx∗σxy
Covarianza=∑ X 1∗Yi/n
23729.65
Covarianza= =1395.86
17
2
σx= √∑ ( Xi−ux ) /n
σx=9329.77
2
σy= √∑ ( Yi−uy ) /n
σy=80653.13
1395.86
ρ=
49329.77∗80653.13
ρ=3.5∗10−7
Como el coeficiente de variación tiene un grado de asociación menor a 0.09 su asociación
es nula, esto quiere decir que las variables no están asociadas.
Parámetro a:
a=n ∑ XiYi−
∑ Xi∗∑ Yi −( Xi)2
n ∑ Xi 2
∑
67.7∗5944.85
a=17∗23729.65− −(67.7)2
17∗317.95
a=1.15
Parámetro b:
b=μy−aμy
b=349.7−(1.15∗3.98)
b=345.12
Ecuación de regresión:
Y =1.1509 x +345.12
b. Determine el porcentaje de explicación del modelo y el grado de relación de las dos
variables.
El R2 afirma además que el modelo explica un porcentaje casi nulo de la información y
el valor de r coeficiente de correlación lineal es de 0.0288, un porcentaje específico de
2.88%. Por lo tanto, no existe correlación.
Observándolo desde el gráfico de dispersión se da a notar que no es para nada lineal.
380
370
360
Ventas de la compañía
350
340
330
Linear ()
320
310
300
1 2 3 4 5 6 7 8
PIB Nación
c. ¿Cuál podría ser la proyección de ventas para el año 2018 si se espera que el PIB
nacional sea del 3,1?
De acuerdo con la ecuación de regresión
Y =1.1509 (3.1)+345.12
Y =3.56779+ 345.12
Y =348.68
Actividad 4. Regresión y Correlación lineal a partir de la tabla de Excel
Identificar dos variables cuantitativas de la situación estudiada que puedan estar
relacionadas e identificar la variable dependiente e independiente.
Variables cuantitativas a usar: Estatura (m) y Peso (kg)
Datos:
Estatura Peso
(M) (kg)
1,32 33,2
1,22 25,0
1,26 26,2
1,39 34,1
1,25 23,2
1,43 39,5
1,45 47,9
1,34 30,2
1,20 23,1
1,40 36,2
1,26 26,4
1,25 24,0
1,42 39,4
1,27 25,6
1,35 34,1
1,35 36,5
1,42 33,5
1,20 22,6
1,41 39,2
1,26 25,0
1,25 24,9
1,40 39,2
1,31 30,2
1,32 30,4
1,32 30,6
1,39 34,9
1,24 23,9
1,45 39,2
1,26 24,9
1,26 25,0
1,35 30,1
1,27 26,3
1,45 39,8
1,38 35,2
1,33 30,1
1,20 22,1
1,50 48,0
1,21 19,9
1,22 20,2
1,30 27,2
1,23 22,9
1,37 35,2
1,45 40,1
1,35 32,5
1,20 24,1
1,38 35,2
1,27 27,2
1,26 24,9
1,37 34,2
1,32 30,2
1,37 35,1
1,32 31,0
1,36 34,2
1,30 29,5
1,38 35,0
1,25 26,0
1,24 23,5
1,24 24,5
1,25 25,8
1,38 37,0
1,27 26,3
1,37 35,2
1,39 36,8
1,40 38,3
1,26 26,1
1,35 33,6
1,36 32,1
1,26 27,2
1,32 30,5
1,33 30,1
1,35 34,0
1,27 25,8
1,45 39,5
1,26 26,1
1,20 23,5
1,30 30,1
1,21 25,0
1,32 30,5
1,38 35,4
1,45 40,2
1,25 26,3
1,37 35,2
1,40 35,2
1,45 39,2
1,35 33,9
1,33 30,8
1,33 30,6
1,42 39,7
1,37 35,2
1,31 29,6
1,30 29,0
1,28 28,5
1,31 30,5
1,32 30,6
1,32 31,2
1,36 35,2
1,43 40,1
1,45 40,7
1,33 30,2
1,33 31,2
1,26 27,0
1,32 31,0
1,42 40,2
1,27 25,2
1,34 32,0
50.0
40.0
Peso (Kg)
30.0
Peso (kg)
20.0 Linear (Peso (kg))
10.0
0.0
1.15 1.20 1.25 1.30 1.35 1.40 1.45 1.50 1.55
Estatura (m)
El modelo matemático que permite predecir el efecto de una variable sobre la otra es:
Y =a+bX
Y =78.7457 x +72.829
R2=0.9331
Teniendo en cuenta los resultados obtenidos y relacionados con el problema se puede decir
que la estatura en la mayoría de casos es directamente proporcional con el peso,
ciertamente en lo cotidiano influye mucho y tiene que ver con los intervalos necesarios para
el peso debido a la estatura prevista que tenga una persona, por lo tanto, el nivel de
confiabilidad en cuanto a lo matemático lo hace confiable por lo mismo, por su alta eficacia
en cuanto a mediciones.
Conclusiones
variables. la regresión lineal simple expresa la relación entre una variable dependiente Y y
Montero, J.M. (2007). Regresión y Correlación Simple. Madrid: Paraninfo. (pp 151 – 158).