Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NRC: 16719
ACTIVIDAD # 7 EVALUATIVA
Presentado por:
Docente:
Ejercicio 1. Una determinada empresa de productos básicos muestra los datos del último
año de ventas (en millones de pesos) y al gasto en publicidad (en millones de pesos). La
tabla siguientes muestra estas dos variables X e Y.
X Y
181 16
176 17
174 15
196 21
200 19
188 17
184 18
193 20
190 21
199 22
170 15
184 17
Ejercicio 2.
Para una muestra de 10 personas disponemos de información respecto a su grado de
extroversión, y se desea evaluar su posible relación lineal con la dimensión de personalidad
estabilidad emocional. Ambas variables se han medido con un test y se han obtenido las
puntuaciones para cada sujeto en una escala de 0 a 10. Los valores obtenidos se presentan
en la siguiente tabla:
Documento de
socialización sobre
regresión y
correlación lineal:En
este tema se presentan
elEn este tema se
presentan el
coeficiente de
correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadascoeficiente
de correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadas
para investigar la
relación entre dos
varpara investigar la
relación entre dos
variables continuas X
e Y. Gráficamente el
diagrama de
dispersióniables
continuas X e Y.
Gráficamente el
diagrama de
dispersión
o nube de puntos
permite obtener
información sobre el
tipo de relación
existente entre X e Y,
además deo nube de
puntos permite
obtener información
sobre el tipo de
relación existente
entre X e Y, además
de
ayudarnos a detectar
posibles valores
atípicos o extremos.
En el diagrama de
dispersión de la figura
4.1ayudarnos a
detectar posibles
valores atípicos o
extremos. En el
diagrama de
dispersión de la figura
4.1
tenemos representadas
las alturas y los pesos
de 30 individuos.
Vemos como a
medida que aumenta
latenemos
representadas las
alturas y los pesos de
30 individuos. Vemos
como a medida que
aumenta la
variable X=”altura” va
aumentando la variable
Y=”peso”.variable
X=”altura” va aumentando
la variable Y=”peso”.
CORRELACIÓNCO
RRELACIÓNLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociaciónLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociación
entre dos variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, alentre dos
variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, al
aumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar
laaumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar la
asociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama
deasociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama de
dispersión.dispersión.
Hay dos coeficientes
de correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el
deHay dos
coeficientes de
correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el de
Spearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplenSpearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplen
criterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de
Pearsoncriterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de Pearson
evalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variablesevalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variables
cuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación,
nocuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación, no
necesariamente
lineal.necesariamente
lineal.
Coeficiente de
Correlación lineal
de Coeficiente de
Correlación lineal
de
Pearson:Pearson:
El estimador muestral
más utilizado para
evaluar la asociación
lineal entre dos
variables X e Y es
elEl estimador
muestral más utilizado
para evaluar la
asociación lineal entre
dos variables X e Y es
el
coeficiente de
correlación de Pearson
(r). Se trata de un
índice que mide si los
puntos tienen
tendencia acoeficiente
de correlación de
Pearson (r). Se trata
de un índice que mide
si los puntos tienen
tendencia a
disponerse en una
línea recta. Puede
tomar valores entre -1
y +1. Es un método
estadístico
paramétrico,disponers
e en una línea recta.
Puede tomar valores
entre -1 y +1. Es un
método estadístico
paramétrico,
ya que utiliza la media, ya
que utiliza la media, la
varianza,…y por tanto,
requiere criterios de
normalidad para las la
varianza,…y por tanto,
requiere criterios de
normalidad para las
variablesvariables
analizadas.analizadas.
Se define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicasSe
define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicas
de cada variable: La
expresión matemática
para el coeficiente de
correlación de Pearson
parecede cada
variable: La expresión
matemática para el
coeficiente de
correlación de Pearson
parece
compleja, pero esconde un
planteamiento que en el
fondo, es sencillo: “r”
estará próximo a 1 (en
valorcompleja, pero
esconde un planteamiento
que en el fondo, es
sencillo: “r” estará
próximo a 1 (en valor
absoluto) cuando las
dos variables X e Y
estén intensamente
relacionadas, es decir,
al aumentar
unaabsoluto) cuando
las dos variables X e
Y estén intensamente
relacionadas, es decir,
al aumentar una
aumenta otra y
viceversa. A este
concepto de variación
al unísono se le llama
covarianza.aumenta
otra y viceversa. A
este concepto de
variación al unísono
se le llama covarianza.
Covarianza:Covarianz
a:El numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,El
numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,
que nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que
nosque nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que nos
habla de la
variabilidad conjunta
de dos variables
cuantitativas.habla de
la variabilidad
conjunta de dos
variables cuantitativ
Documento de
socialización sobre
regresión y
correlación lineal:En
este tema se presentan
elEn este tema se
presentan el
coeficiente de
correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadascoeficiente
de correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadas
para investigar la
relación entre dos
varpara investigar la
relación entre dos
variables continuas X
e Y. Gráficamente el
diagrama de
dispersióniables
continuas X e Y.
Gráficamente el
diagrama de
dispersión
o nube de puntos
permite obtener
información sobre el
tipo de relación
existente entre X e Y,
además deo nube de
puntos permite
obtener información
sobre el tipo de
relación existente
entre X e Y, además
de
ayudarnos a detectar
posibles valores
atípicos o extremos.
En el diagrama de
dispersión de la figura
4.1ayudarnos a
detectar posibles
valores atípicos o
extremos. En el
diagrama de
dispersión de la figura
4.1
tenemos representadas
las alturas y los pesos
de 30 individuos.
Vemos como a
medida que aumenta
latenemos
representadas las
alturas y los pesos de
30 individuos. Vemos
como a medida que
aumenta la
variable X=”altura” va
aumentando la variable
Y=”peso”.variable
X=”altura” va aumentando
la variable Y=”peso”.
CORRELACIÓNCO
RRELACIÓNLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociaciónLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociación
entre dos variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, alentre dos
variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, al
aumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar
laaumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar la
asociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama
deasociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama de
dispersión.dispersión.
Hay dos coeficientes
de correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el
deHay dos
coeficientes de
correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el de
Spearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplenSpearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplen
criterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de
Pearsoncriterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de Pearson
evalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variablesevalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variables
cuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación,
nocuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación, no
necesariamente
lineal.necesariamente
lineal.
Coeficiente de
Correlación lineal
de Coeficiente de
Correlación lineal
de
Pearson:Pearson:
El estimador muestral
más utilizado para
evaluar la asociación
lineal entre dos
variables X e Y es
elEl estimador
muestral más utilizado
para evaluar la
asociación lineal entre
dos variables X e Y es
el
coeficiente de
correlación de Pearson
(r). Se trata de un
índice que mide si los
puntos tienen
tendencia acoeficiente
de correlación de
Pearson (r). Se trata
de un índice que mide
si los puntos tienen
tendencia a
disponerse en una
línea recta. Puede
tomar valores entre -1
y +1. Es un método
estadístico
paramétrico,disponers
e en una línea recta.
Puede tomar valores
entre -1 y +1. Es un
método estadístico
paramétrico,
ya que utiliza la media, ya
que utiliza la media, la
varianza,…y por tanto,
requiere criterios de
normalidad para las la
varianza,…y por tanto,
requiere criterios de
normalidad para las
variablesvariables
analizadas.analizadas.
Se define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicasSe
define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicas
de cada variable: La
expresión matemática
para el coeficiente de
correlación de Pearson
parecede cada
variable: La expresión
matemática para el
coeficiente de
correlación de Pearson
parece
compleja, pero esconde un
planteamiento que en el
fondo, es sencillo: “r”
estará próximo a 1 (en
valorcompleja, pero
esconde un planteamiento
que en el fondo, es
sencillo: “r” estará
próximo a 1 (en valor
absoluto) cuando las
dos variables X e Y
estén intensamente
relacionadas, es decir,
al aumentar
unaabsoluto) cuando
las dos variables X e
Y estén intensamente
relacionadas, es decir,
al aumentar una
aumenta otra y
viceversa. A este
concepto de variación
al unísono se le llama
covarianza.aumenta
otra y viceversa. A
este concepto de
variación al unísono
se le llama covarianza.
Covarianza:Covarianz
a:El numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,El
numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,
que nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que
nosque nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que nos
habla de la
variabilidad conjunta
de dos variables
cuantitativas.habla de
la variabilidad
conjunta de dos
variables cuantitativ
ocumento de
socialización sobre
regresión y
correlación lineal:En
este tema se presentan
elEn este tema se
presentan el
coeficiente de
correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadascoeficiente
de correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadas
para investigar la
relación entre dos
varpara investigar la
relación entre dos
variables continuas X
e Y. Gráficamente el
diagrama de
dispersióniables
continuas X e Y.
Gráficamente el
diagrama de
dispersión
o nube de puntos
permite obtener
información sobre el
tipo de relación
existente entre X e Y,
además deo nube de
puntos permite
obtener información
sobre el tipo de
relación existente
entre X e Y, además
de
ayudarnos a detectar
posibles valores
atípicos o extremos.
En el diagrama de
dispersión de la figura
4.1ayudarnos a
detectar posibles
valores atípicos o
extremos. En el
diagrama de
dispersión de la figura
4.1
tenemos representadas
las alturas y los pesos
de 30 individuos.
Vemos como a
medida que aumenta
latenemos
representadas las
alturas y los pesos de
30 individuos. Vemos
como a medida que
aumenta la
variable X=”altura” va
aumentando la variable
Y=”peso”.variable
X=”altura” va aumentando
la variable Y=”peso”.
CORRELACIÓNCO
RRELACIÓNLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociaciónLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociación
entre dos variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, alentre dos
variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, al
aumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar
laaumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar la
asociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama
deasociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama de
dispersión.dispersión.
Hay dos coeficientes
de correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el
deHay dos
coeficientes de
correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el de
Spearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplenSpearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplen
criterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de
Pearsoncriterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de Pearson
evalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variablesevalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variables
cuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación,
nocuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación, no
necesariamente
lineal.necesariamente
lineal.
Coeficiente de
Correlación lineal
de Coeficiente de
Correlación lineal
de
Pearson:Pearson:
El estimador muestral
más utilizado para
evaluar la asociación
lineal entre dos
variables X e Y es
elEl estimador
muestral más utilizado
para evaluar la
asociación lineal entre
dos variables X e Y es
el
coeficiente de
correlación de Pearson
(r). Se trata de un
índice que mide si los
puntos tienen
tendencia acoeficiente
de correlación de
Pearson (r). Se trata
de un índice que mide
si los puntos tienen
tendencia a
disponerse en una
línea recta. Puede
tomar valores entre -1
y +1. Es un método
estadístico
paramétrico,disponers
e en una línea recta.
Puede tomar valores
entre -1 y +1. Es un
método estadístico
paramétrico,
ya que utiliza la media, ya
que utiliza la media, la
varianza,…y por tanto,
requiere criterios de
normalidad para las la
varianza,…y por tanto,
requiere criterios de
normalidad para las
variablesvariables
analizadas.analizadas.
Se define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicasSe
define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicas
de cada variable: La
expresión matemática
para el coeficiente de
correlación de Pearson
parecede cada
variable: La expresión
matemática para el
coeficiente de
correlación de Pearson
parece
compleja, pero esconde un
planteamiento que en el
fondo, es sencillo: “r”
estará próximo a 1 (en
valorcompleja, pero
esconde un planteamiento
que en el fondo, es
sencillo: “r” estará
próximo a 1 (en valor
absoluto) cuando las
dos variables X e Y
estén intensamente
relacionadas, es decir,
al aumentar
unaabsoluto) cuando
las dos variables X e
Y estén intensamente
relacionadas, es decir,
al aumentar una
aumenta otra y
viceversa. A este
concepto de variación
al unísono se le llama
covarianza.aumenta
otra y viceversa. A
este concepto de
variación al unísono
se le llama covarianza.
Covarianza:Covarianz
a:El numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,El
numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,
que nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que
nosque nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que nos
habla de la
variabilidad conjunta
de dos variables
cuantitativas.habla de
la variabilidad
conjunta de dos
variables
cuantitativas.
ocumento de
socialización sobre
regresión y
correlación lineal:En
este tema se presentan
elEn este tema se
presentan el
coeficiente de
correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadascoeficiente
de correlación y la
regresión lineal simple
como las dos técnicas
estadísticas más
utilizadas
para investigar la
relación entre dos
varpara investigar la
relación entre dos
variables continuas X
e Y. Gráficamente el
diagrama de
dispersióniables
continuas X e Y.
Gráficamente el
diagrama de
dispersión
o nube de puntos
permite obtener
información sobre el
tipo de relación
existente entre X e Y,
además deo nube de
puntos permite
obtener información
sobre el tipo de
relación existente
entre X e Y, además
de
ayudarnos a detectar
posibles valores
atípicos o extremos.
En el diagrama de
dispersión de la figura
4.1ayudarnos a
detectar posibles
valores atípicos o
extremos. En el
diagrama de
dispersión de la figura
4.1
tenemos representadas
las alturas y los pesos
de 30 individuos.
Vemos como a
medida que aumenta
latenemos
representadas las
alturas y los pesos de
30 individuos. Vemos
como a medida que
aumenta la
variable X=”altura” va
aumentando la variable
Y=”peso”.variable
X=”altura” va aumentando
la variable Y=”peso”.
CORRELACIÓNCO
RRELACIÓNLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociaciónLa
finalidad de la
correlación es
examinar la dirección
y la fuerza de la
asociación
entre dos variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, alentre dos
variables
cuantitativas. Así
conoceremos la
intensidad de la
relación entre ellas y
si, al
aumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar
laaumentar el valor de
una variable, aumenta
o disminuye el valor
de la otra variable.
Para valorar la
asociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama
deasociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama de
dispersión.dispersión.
Hay dos coeficientes
de correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el
deHay dos
coeficientes de
correlación que se
usan frecuentemente:
el de Pearson
(paramétrico) y el de
Spearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplenSpearman (no
paramétrico, se utiliza
en aquellos casos
donde las variables
examinadas no
cumplen
criterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de
Pearsoncriterios de
normalidad o cuando
las variables son
ordinales). El
coeficiente de
correlación de Pearson
evalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variablesevalúa
específicamente la
adecuación a la recta
lineal que defina la
relación entre dos
variables
cuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación,
nocuantitativas. El
coeficiente no
paramétrico de
Spearman mide
cualquier tipo de
asociación, no
necesariamente
lineal.necesariamente
lineal.
Coeficiente de
Correlación lineal
de Coeficiente de
Correlación lineal
de
Pearson:Pearson:
El estimador muestral
más utilizado para
evaluar la asociación
lineal entre dos
variables X e Y es
elEl estimador
muestral más utilizado
para evaluar la
asociación lineal entre
dos variables X e Y es
el
coeficiente de
correlación de Pearson
(r). Se trata de un
índice que mide si los
puntos tienen
tendencia acoeficiente
de correlación de
Pearson (r). Se trata
de un índice que mide
si los puntos tienen
tendencia a
disponerse en una
línea recta. Puede
tomar valores entre -1
y +1. Es un método
estadístico
paramétrico,disponers
e en una línea recta.
Puede tomar valores
entre -1 y +1. Es un
método estadístico
paramétrico,
ya que utiliza la media, ya
que utiliza la media, la
varianza,…y por tanto,
requiere criterios de
normalidad para las la
varianza,…y por tanto,
requiere criterios de
normalidad para las
variablesvariables
analizadas.analizadas.
Se define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicasSe
define como la
covarianza muestral
entre X e Y dividida
por el producto de las
desviaciones típicas
de cada variable: La
expresión matemática
para el coeficiente de
correlación de Pearson
parecede cada
variable: La expresión
matemática para el
coeficiente de
correlación de Pearson
parece
compleja, pero esconde un
planteamiento que en el
fondo, es sencillo: “r”
estará próximo a 1 (en
valorcompleja, pero
esconde un planteamiento
que en el fondo, es
sencillo: “r” estará
próximo a 1 (en valor
absoluto) cuando las
dos variables X e Y
estén intensamente
relacionadas, es decir,
al aumentar
unaabsoluto) cuando
las dos variables X e
Y estén intensamente
relacionadas, es decir,
al aumentar una
aumenta otra y
viceversa. A este
concepto de variación
al unísono se le llama
covarianza.aumenta
otra y viceversa. A
este concepto de
variación al unísono
se le llama covarianza.
Covarianza:Covarianz
a:El numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,El
numerador del
coeficiente de
correlación es la
covarianza muestral
SXY entre X e Y,
que nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que
nosque nos indica si la
posible relación entre
dos variables es
directa o inversa. Es
una medida que nos
habla de la
variabilidad conjunta
de dos variables
cuantitativas.habla de
la variabilidad
conjunta de dos
variables
cuantitativas.
Documento de socialización sobre regresión y correlación lineal: En este tema se
presentan el coeficiente de correlación y la regresión lineal simple como las dos técnicas
estadísticas más utilizadas para investigar la relación entre dos var para investigar la
relación entre dos variables continuas X e Y. Gráficamente el diagrama de dispersión o
nube de puntos permite obtener información sobre el tipo de relación existente entre X e Y,
además de ayudarnos a detectar posibles valores atípicos o extremos. En el diagrama de
dispersión de la figura 4.1 tenemos representadas las alturas y los pesos de 30 individuos.
Vemos como a medida que aumenta la variable X=” altura” va aumentando la variable Y=”
peso”.
Así, si valores altos (o bajos) de X tienden a asociarse con valores altos (o bajos) de Y, el
producto de las desviaciones tenderá a ser positivo y la covarianza será positiva. Por el
contrario, si valores altos de una variable se relacionan con valores bajos de la otra variable,
el producto de las desviaciones tenderá a ser negativo y la covarianza será negativa.
REGRESIÓN LINEAL SIMPLE
El modelo de regresión lineal simple El atender problemas relacionados con los sistemas de
representación funcional y el comportamiento de las variables demanda el estar
familiarizado con cada uno de los casos que se señalan en la figura 1 y que apropiadamente
se explican para orientar al lector en el proceso del cálculo de la línea de regresión,
precisándose en primera instancia revisar el concepto de función lineal, para luego abordar
con propiedad el modelo de regresión lineal simple, debiéndose considerar la ecuación
estimada y el método de los mínimos cuadrados.
En esta figura, el segmento (e) ilustra una relación lineal inversa con un patrón de puntos
ampliamente
El patrón de puntos señalado en el segmento (f) de la misma figura parece indicar que no
existe relación entre las dos variables, por tanto, conocer el pasado referente a una variable
no nos permitirá pronosticar ocurrencias futuras de la otra.
La ecuación de la recta La ecuación para una línea recta donde la variable dependiente Y
está determinada por la variable independiente X es: Y = a + bX (1)
Tanto a como b son constantes numéricas porque para cualquier línea recta dada sus valores
no cambian. Ejemplo 1 Sean a = 4 y b = 2. Determinemos cuál sería Y para X igual a 5. Al
sustituir los valores de a, b y X en la ecuación (1), encontramos que b y X en la ecuación
(1), encontramos que el valor el valor correspondiente de Y es: Y = a + bX Y = 4
correspondiente de Y es: Y = a + bX Y = 4 + 2(5) = 4 + 10 = 14
Estrategia didáctica
Básicamente la estrategia consiste en escoger un grupo de estudiantes para que por medio
de una actividad al azar a cada estudiante le saldrá una pregunta con respecto a los temas o
tema visto en clase, en dicha estrategia se utilizara recurso como las respuestas orales o
también escritas, intercambio de ideas de los demás estudiantes con el profesor para así
poder tener una mejor comprensión del tema. Esta estrategia de aprendizaje es una forma
más didáctica para el aprendizaje.
Solución taller
EJERCICIO 1
A PARTIR DE ESTOS DATOS SE HACE EL GRAFICO CORRESPONDIENTE:
X Y X.Y X2 Y2 X-X (X-X)2 Y-Y (Y-Y)2 (X-8)(Y-9)
170 15 2550 28.900 225 -16.25 264.06 -3.16 9.98 51.35
174 15 2610 30276 225 -12.25 150.06 -3.16 9.98 38.71
176 17 2992 30976 289 -10.25 105.06 -1-16 134 11.89
181 16 2896 32761 256 -5.25 27.56 -2.16 4.66 11.34
184 18 3312 33856 324 -2.25 5.06 -2.16 0.02 0.36
184 17 3128 33856 289 2.25 5.06 -0.16 1.34 2.61
188 17 3196 35344 289 1.75 3.06 -1-16 1.34 -2.03
190 21 3990 36100 441 3.75 14.06 2.84 8.06 10.65
193 20 3860 37249 400 6.75 45.56 1.84 3.38 12.42
196 21 4116 38416 441 9.75 95.06 2.84 8.06 27.69
199 22 4378 39416 484 12.75 927.56 3.84 14.74 48.96
200 19 3800 40000 171 13.75 189.06 0.84 0.70 14.59
2.235 218 40.828 417.334 3.434 0 183.122 0.08 63.6 228.54