Alumno:

Luis Eduardo del angel astorga

Matricula: 2983999
Docente:
Claudia Judith Cavazos Trejo

Materia:
Estadística y pronósticos para la toma de decisiones

Trabajo: ejercicio 2
Modulo: 2
Fecha de entrega:
jueves 12 de agosto de 2021
Bibliografía:
Parte 1

1. Define los siguientes términos:

Análisis de la regresión simple: Este modelo analiza la relación entre dos variables,
X y Y, ambas de carácter cuantitativo.

Estimadores de mínimos cuadrados: Se utiliza este método para dibujar la línea

que minimiza la suma de los cuadrados de los residuos entre los puntos y la línea.

Intervalo de confianza: Es un rango de valores, derivado de los estadísticos de la

muestra, posiblemente incluya el valor de un parámetro de población desconocido, por su
naturaleza aleatoria, es poco probable que dos muestras de una población en particular
produzcan intervalos de confianza idénticos.

Coeficiente de regresión: Son los valores constantes que representan el punto donde
la recta de regresión corta al eje de ordenadas y la pendiente de esta respecto al eje de
ordenadas. 

Coeficiente de correlación: Es una medida estadística que cuantifica la dependencia

lineal entre dos variables.

Coeficiente de determinación: Se utiliza a veces para juzgar la adecuación o ajuste

del modelo. R2 es simplemente el cuadrado del coeficiente de correlación entre X y Y. 

Archivo de Excel aquí.

2. Desarrolla los siguientes ejercicios y da respuesta a las preguntas

planteadas.
a. En una compañía fabricante de helados se sospecha que el
almacenar el helado a temperaturas bajas durante largos
periodos tiene un efecto lineal en la pérdida de peso del
producto. En la planta de almacenamiento de la compañía se
obtuvieron los siguientes datos:

Pérdida de peso (gr)

Y 28 37 36 30 28 36 35
Tiempo (semanas) X 26 32 35 27 25 31 30
Ajusta e interpreta un modelo de regresión lineal simple a los datos:

❑ ❑
Y=B +B X 
0 1
Y = 32.41+0.015x

Prueba la significancia de la pendiente β1:

b1 = 6848-79.42857143/6140-5262.857143 
b1 = 0.015092291

Calcula e interpreta R2:

Escriba aquí laecuación .

b. Elabora un intervalo de confianza del 90% para β1.

c. Pronostica la pérdida cuando el tiempo es de 33 semanas.

3. Con los conceptos vistos y puestos en práctica, da una respuesta

justificada a cada una de las siguientes cuestiones:

a. ¿Para qué utilizarías la regresión lineal simple en un problema

de tu especialidad?
b. ¿Qué relación tiene con la correlación?
c. ¿Cómo medirías el ajuste del modelo de regresión lineal
obtenido?
d. ¿Qué es el coeficiente de determinación?
e. ¿Por qué crees que se llama regresión lineal?
f. ¿Cuál es la relación de la prueba de hipótesis con el intervalo
de confianza en la regresión?

Parte 2
Realiza lo siguiente:
4. En un estudio de variables que afectan la productividad en el negocio de
abarrotes al menudeo, W. S. Good usa el valor agregado por hora de
trabajo para medir la productividad de tiendas de abarrotes al menudeo.
Él define el “valor agregado” como el “excedente [dinero generado por el
negocio] disponible para pagar mano de obra, muebles accesorios y
equipo”. Los datos de acuerdo con la relación del valor agregado por
hora de trabajo Y y el tamaño X de la tienda de abarrotes descrita en el
artículo de Good para diez tiendas de abarrotes ficticias se muestran
enseguida. Se establecerá un modelo para relacionar Y con X.

Datos en relación con el tamaño de tienda y el valor

agregado
Tienda Valor agregado Tamaño de la tienda
por hora de trabajo (miles de pies cuadrados)
Y X
1 6.08 23.0
2 5.40 14.0
3 5.51 27.2
4 5.09 12.4
5 4.92 33.9
6 3.94 9.8
7 6.11 22.6
8 5.16 17.5
9 5.75 27.0
10 5.60 21.1

a. Realiza un diagrama de dispersión de los datos para Y contra

X.
b. Calcula las rectas de mínimos cuadrados para Y contra X.
c. Obtén una gráfica de residuales contra el valor ajustado de Y,
ya sea por medio de Minitab. Observa la gráfica. ¿Qué patrón
parecen seguir los datos? Éste es un ejemplo de análisis de
residuales.

5. En un experimento con conejos se tomaron en cuenta las siguientes

variables:
 Y: Proporción del peso final al peso inicial.
X: Gramos diarios de alimento por kg de peso inicial.

Proporción de Gramos diarios   Proporción de peso Gramos diarios

peso final al de alimento por final al de alimento por
peso inicial kg de peso peso inicial kg de peso
inicial inicial
Y Y
X X
0.91 10   1.16 33
0.88 15   0.96 35
0.90 18   1.08 36
0.79 19   1.13 37
0.94 20   1.00 39
0.88 21   1.10 42
0.95 21   1.11 45
0.97 24   1.18 54
0.88 25   1.26 56
1.01 27   1.29 56
0.95 28   1.36 59
0.95 30   1.40 59
1.05 30   1.32 60
1.05 31   1.47 64

a. Realiza un diagrama de dispersión de los datos para Y contra

X.
b. Calcula las rectas de mínimos cuadrados para Y contra X.
c. Prueba la hipótesis de que la pendiente es cero. Realiza
todas las etapas de la prueba de hipótesis (α = 0.01).
d. Calcula las predicciones Ŷ para los siguientes valores de X0:
0, 5, 15, 25, 30, 35.5, 39, 45, 60, 70, 80, 90.
6. Calcula el intervalo de confianza de los valores particulares de Y para
los valores dados de X0 del inciso anterior.