cuestionario5

2023-12-27

Pregunta 1:
Indicad cada fórmula el resultado que produce
fracción numerador s subíndice x y fin subíndice entre denominador s subíndice x s subíndice y fin fracción
Respuesta 1 el coeficiente de correlación fracción s subíndice x y fin subíndice entre s subíndice x al cuadrado
Respuesta 2 la pendiente de la recta de regresión r al cuadrado
Respuesta 3 el coeficiente de determinación y con barra encima menos beta con circunflejo encima subíndice
1 x con barra encima
Respuesta 4 la ordenada en el origen

Pregunta 2:
En el modelo de regresión lineal y igual beta con circunflejo encima subíndice 0 más beta con circunflejo
encima subíndice 1 x tenemos que
beta con circunflejo encima subíndice 1 es
Respuesta 1 la pendiente de la recta de regresión y es
Respuesta 2 la variable dependiente y menos y con circunflejo encima es
Respuesta 3 el residuo x es
Respuesta 4 la variable independiente beta con circunflejo encima subíndice 0 es
Respuesta 5 la ordenada en el origen y con circunflejo encima es
Respuesta 6 el valor esperado de y segun la recta de regresión

Pregunta 4
Hemos obtenido el siguiente modelo de regresión por mínimos cuadrados y igual 0.1250 por x menos 75.0000
donde x representa el nivel de ingresos (en euros) y la variable y representa el nivel de gastos en cultura (en
euros). Si suponemos que el ajuste es bueno y que las siguientes frases son ciertas, calcula el valor de A, B,
C, D

a) Si aumentamos el nivel de ingresos en un euro, el nivel de gastos en cultura aumenta en A unidades

b) Si el nivel de ingresos fuese 0 euros, entonces el nivel de gastos en cultura sería B (hay que indicar el
valor predicho por la recta aunque no tenga sentido por el contexto)
c) Si el nivel de ingresos fuese 1250 euros, entonces el nivel de gastos en cultura sería C euros

1
 d) El residuo correspondiente al punto observado paréntesis izquierdo 2000 coma 250 paréntesis derecho
sería D

# Valores dados
A <- 0.1250
B <- -750000.0000
x_c <- 1250
x_d <- 2000
y_d_observed <- 250

# Calculando C
C <- A * x_c + B

# Calculando D (residuo)
y_d_predicted <- A * x_d + B
D <- y_d_observed - y_d_predicted

# Imprimiendo los resultados

print(paste("a) A =", A))

## [1] "a) A = 0.125"

print(paste("b) B =", B))

## [1] "b) B = -750000"

print(paste("c) C =", C))

## [1] "c) C = -749843.75"

print(paste("d) D =", D))

## [1] "d) D = 750000"

Corrección: En cada caso hay que interpretar los coeficientes de la recta, ver qué se puede predecir y como
calcular el residuo. Observad que en algunos casos la ordenada en el origen puede no tener interpretación
real.
En el caso del residuo hay que distinguir entre el valor observado 250 y el valor estimado por la recta de
regresión; estos dos valores os permitirán calcular el residuo.
La respuesta correcta es: 25 porcentaje paréntesis derecho espacio A igual 0.1250 25 porcentaje paréntesis
derecho espacio B igual menos 75 25 porcentaje paréntesis derecho espacio C igual 81.2500 25 porcentaje
paréntesis derecho espacio D igual 75.0000

Pregunta 5
Se quiere estudiar la relación entre la variable X y la variable Y y disponemos de los siguientes datos
correspondientes a 13 observaciones:

2
estilo en línea sumatorio desde i igual 1 hasta 13 de fin estilo x subíndice i igual 397 coma espacio espacio
estilo en línea sumatorio desde i igual 1 hasta 13 de fin estilo estilo en línea y fin estilo estilo en línea blanco
subíndice i fin estilo estilo en línea igual fin estilo 1184 coma espacio espacio estilo en línea sumatorio desde
i igual 1 hasta 13 de fin estilo x subíndice i al cuadrado estilo en línea igual fin estilo 12457 coma estilo en
línea sumatorio desde i igual 1 hasta 13 de fin estilo x subíndice i y subíndice i igual 36652,
Calculad la recta de regresión de Y sobre X en la forma y igual beta con circunflejo encima subíndice 0 más
beta con circunflejo encima subíndice 1 x.
Podéis escribir el resultado redondeando a tres decimales o bien con operaciones en forma de fracción en la
casilla que tiene la marca del editor Wiris; por ejemplo 12/(1+6). . . (21+3)/4 . . . Para acceder al editor
podéis hacer intro en la casilla mencionada. El separador decimal es el punto.

# Datos dados
n <- 13
sum_x <- 397
sum_y <- 1184
sum_x_squared <- 12457
sum_xy <- 36652

# Calculando medias
mean_x <- sum_x / n
mean_y <- sum_y / n

# Calculando coeficiente beta_1

beta_1 <- sum_xy / sum_x_squared

# Calculando coeficiente beta_0

beta_0 <- mean_y - beta_1 * mean_x

# Imprimiendo resultados redondeados a tres decimales

print(paste("beta_0:", round(beta_0, 3)))

## [1] "beta_0: 1.224"

print(paste("beta_1:", round(beta_1, 3)))

## [1] "beta_1: 2.942"

Corrección: Es importante ver la relación entre estos sumatorios y las medias, desviaciones típicas y covari-
anzas de las variables.
La respuesta correcta es: a paréntesis derecho espacio paréntesis izquierdo 50 porcentaje paréntesis dere-
cho espacio beta subíndice 0 igual 45.763 b paréntesis derecho espacio paréntesis izquierdo 50 porcentaje
paréntesis derecho espacio beta subíndice 1 igual 1.484

Pregunta 3
Se ha tomado una muestra de 20 empresas, de las que se ha obtenido el número de trabajadores (X) y el
gasto en formación continua Y (en euros). La siguiente tabla muestra las principales estadísticas obtenidas
de los datos:
Variable X Variable Y Media 36.100000 553.662250 Varianza 10.831579 41111.829857 Sabiendo además que
la covarianza de X e Y es menos 87.075237, calculad el coeficiente de correlación (r) y el coeficiente de

3
determinación (R al cuadrado). Dad los resultados redondeando a SEIS decimales (ja que pueden salir
valores muy pequeños) o usando el editor Wiris. Como siempre el separador decimal es el punto.

# Datos proporcionados
cov_XY <- -87.075237
var_X <- 10.831579
var_Y <- 41111.829857

# Calculando el coeficiente de correlación (r)

r <- cov_XY / sqrt(var_X * var_Y)

# Calculando el coeficiente de determinación (Rˆ2)

R_squared <- rˆ2

# Imprimiendo los resultados redondeados a seis decimales

print(paste("Coeficiente de correlación (r):", round(r, 6)))

## [1] "Coeficiente de correlación (r): -0.130486"

print(paste("Coeficiente de determinación (Rˆ2):", round(R_squared, 6)))

## [1] "Coeficiente de determinación (R^2): 0.017027"