Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Módulo: 2 Act
ividad:
Ejercicio 2
Bibliografía:
Parte 1
El análisis de regresión es un proceso estadístico que permite analizar la relación que existe entre
dos o más variables, siendo una de ellas dependiente al resto de variables que estemos
empleando en nuestro cálculo matemático. Dicho de otro modo, un análisis regresivo hace
posible comprender cómo las variables independientes afectan directamente a otra variable que
dependa de ellas.
c. Intervalo de confianza.
d. Coeficiente de regresión.
Los coeficientes de regresión representan el cambio medio en la variable de respuesta para una
unidad de cambio en la variable predictora mientras se mantienen constantes los otros
predictores presentes en el modelo. Este control estadístico que ofrece la regresión es
importante, porque aísla el rol de una variable del resto de las variables incluidas en el modelo.
La clave para entender los coeficientes es pensar en ellos como pendientes, y con frecuencia se les
llama coeficientes de pendiente. Ilustraré esto en la gráfica de línea ajustada de abajo, donde
usaré la estatura de una persona para modelar su peso.
e. Coeficiente de correlación.
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.
lOMoAR cP SD| 4041340
f. Coeficiente de determinación.
Cuanto más cerca de 1 se sitúe su valor, mayor será el ajuste del modelo a la variable que
estamos intentando explicar. De forma inversa, cuanto más cerca de cero, menos ajustado estará
el modelo y, por tanto, menos fiable será
ẋ= 29.42
lOMoAR cP SD| 4041340
ẏ=32.85
∑xy= 6848
∑X2= 6140
∑y2= 7654
b1= 1.022
b0= 2.77
B1=6848-7(29.4285)(32.8571)/6140−(7) (29.4285)2
=79.4538/77.7437
=1.0219
lOMoAR cP SD| 4041340
Sx= 3.5989
Sy= 4.0178
R2=0.8379
R=0.91
d. Elabora un intervalo de confianza del 90% para β1.
Ta/2n-
2=t0.05.5=2.015
6140-7(29.43)2
=11.11,13.15
Raíz 1.02+-2.015
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?
Se puede poner en práctica como análisis anticipado a la regresión final, si con esta se
demuestra que no hay una relación lineal se deberá descartar el modelode regresión
lOMoAR cP SD| 4041340
Se reduce el error por el simple hecho de utilizar el modelo lineal para sacar la variable
dependiente.
Parte 2
Realiza lo siguiente:
Y= 18.159
R2= 0.0108
Y= -0.0093x + 5.4073
R2= 0.002
b. Calcula las rectas de mínimos cuadrados para Y contra X.
valor
agrega xy x2 y2
tamañ
do
1 6.0 2 139. 529 36.9
8 3 84 6
2 5.4 1 75. 196 29.1
4 6 6
3 5.5 2 149. 739. 30.3
1 7 87 84 6
.2
lOMoAR cP SD| 4041340
b1= 0.2570
b0= -0.0540
lOMoAR cP SD| 4041340
d. 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.
FUENTE GL SC MC F P
REGRES
IO N
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.
Gramos Proporci
diarios de ó n de
alimento peso final
por al peso
kg de peso inicial
10 0.91
15 0.88
18 0.9
19 0.79
20 0.94
21 0.88
21 0.95
24 0.97
25 0.88
27 1.01
28 0.95
30 0.95
lOMoAR cP SD| 4041340
30 1.05
31 1.05
lOMoAR cP SD| 4041340
33 1.16
35 0.96
36 1.08
37 1.13
39 1
42 1.1
45 1.11
54 1.18
56 1.26
56 1.29
59 1.36
59 1.4
60 1.32
64 1.47
nt al
o por al
k pe
g so
d ini
e cia
p l
e
s
o
10 0.91 9.1 100 0.8281
15 0.88 13.2 225 0.7744
18 0.9 16.2 324 0.81
19 0.79 15.01 361 0.6241
20 0.94 18.8 400 0.8836
21 0.88 18.48 441 0.7744
lOMoAR cP SD| 4041340
54
ẋ= 35.5
ẏ=1.0689
∑xy= 1132.8
∑X2= 41902
∑y2= 32.8521
b1=0.010625
b0= 0.691737
S= 0.65715
Y= 0.6917 + 0.0106x
Sb1= 0.0008079
lOMoAR cP SD| 4041340
2. Estadística de prueba.
Sb1= 0.000807989
T calculada= 13.15004436
3. Regla de decisión.
En donde
obtiene de la tabla.
e. Calcula las predicciones Ŷ para los siguientes valores de X0: 0, 5, 15, 25,
30, 35.5,39, 45, 60, 70, 80, 90.
ẏ= b0 + b1X
X0 Y=0.692+0.0106X Predic
ciones
0 0.692
0.69+0.0106(0
)=0.
69
0.69+0.0106(5
5 )=0. 0.745
745
15 0.851
0.69+0.0106(15
)
lOMoAR cP SD| 4041340
25 0.957
0.69+0.0106(25
)
lOMoAR cP SD| 4041340
30 1.01
0.69+0.0106(
30
)
1.0683
35.5 0.69+0.0106(
35
.5)
39 1.1054
0.69+0.0106(
39
)
45 1.169
0.69+0.0106(
45
)
60 1.328
0.69+0.0106(
60
)
70 1.434
0.69+0.0106(
70
)
80 1.54
0.69+0.0106(
80
)
90 1.646
0.69+0.0106(
90
)
lOMoAR cP SD| 4041340
Raíz s2 Ey2-b0EY-b1Exy/n-2
Intervalo(0.4849,0.8991)
Ŷ=0.74
Intervalo (0.5422,0.9478)
Intervalo (0.6549,1.0471)
Intervalo (0.7651,1.1489)
X0=30
Ŷ=1.01
Intervalo (0.8192,1.2008)
X0=35.5
Ŷ=1.0683
Intervalo (1.2278,1.6402)
X0=80
Ŷ=1.54
Bibliografía: