REPBLICA DE COLOMBIA
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA U.N.A.D
CURSO: 100105_808: ESTADISTICA DESCRIPTIVA
LEONARDO DAVID BRITO NIEVES
Cdigo: 84.103.756
TUTOR: DIEGO ALBERTO GOMEZ
SAN JUAN DEL CESAR - LA GUAJIRA, NOVIEMBRE, 2.014
4, Ingresar al blog de Estadstica Descriptiva que se encuentra en la pgina
principal del curso en el TOPICO DE CONTENIDOS, posteriormente buscar
el LABORATORIO (REGRESIN Y CORRELACIN LINEAL EXCELL) y
realizar los ejercicios 2 y 3 que se encuentra al final del laboratorio.
A) En un nuevo proceso artesanal de fabricacin de cierto artculo que est
implantando, se ha considerado que era importante ir anotando
peridicamente el tiempo medio (medido en minutos) que se utiliza para
realizar una pieza (variable Y) y el nmero de das desde que empez
dicho proceso de fabricacin (variable X). Con ello, se pretende analizar
como los operarios van adaptndose al nuevo proceso mejorando
paulatinamente su proceso de produccin.
Los siguientes datos representan dicha situacin:
X 10 20 30 40 50 60 70
Y 35 28 23 20 18 15 13
a) Realice el diagrama de dispersin y determine el tipo de asociacin
entre las variables.
Existe una correlacin fuerte, Negativa: El valor de Y
disminuye claramente cuando X aumente. El valor de r
coeficiente de correlacin lineal.
Es una relacin inversa.
b) Encuentre el modelo matemtico que permite predecir el efecto de una variable sobre la otra. Es confiable?.
Estadsticas de la regresin
Coeficiente de correlacin
mltiple 0,972336414
Coeficiente de
determinacin R^2 0,945438103
R^2 ajustado 0,934525723
Error tpico 1,969408903
Observaciones 7
ANLISIS DE VARIANZA
Grados de Promedio de los Valor crtico
libertad Suma de cuadrados cuadrados F de F
Regresin 1 336,0357143 336,0357143 86,63904236 0,000240856
Residuos 5 19,39285714 3,878571429
Total 6 355,4285714
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepcin 35,571 1,664454314 21,37122556 4,15932E-06 31,29281255 39,8500446 31,29281255 39,8500446
Variable X 1 -0,346 0,03721833 -9,308009581 0,000240856 -0,442101334 -0,250755809 -0,442101334 -0,250755809
El modelo es confiable para pronosticar datos teniendo en cuenta el rango de la muestra (10 - 70) das.
c) Determine el porcentaje de explicacin del modelo y el grado de
relacin de las dos variables.
El coeficiente de correlacin lineal r, es tambin conocido como
coeficiente de Pearson. Ya se mencionaba que el coeficiente de
correlacin lineal oscila entre +1 y -1, se puede entonces interpretar el
grado de correlacin partiendo de los siguientes lmites de referencia:
Interpretacin Valores de r (+) Valores de r (-)
Correlacin perfecta =1 = -1
Correlacin excelente 0,90 < r < 1 -1 < r < -0.90
Correlacin aceptable 0,80 < r < 0,90 -0.90 < r < -0.80
Correlacin regular 0,60 < r < 0,80 -0.80 < r < -0.60
Correlacin mnima 0,30 < r < 0,60 -0.60 < r < -0.30
No hay correlacin 0 < r < 0,30 -0.30 < r < 0
Tomado de Estadstica Bsica Aplicada; Ciro Martnez Bencardino
Dnde:
R2: Coeficiente de determinacin, 0 <= R2 <= 1.
Se2: Varianza del error estimado.
Sy2: Varianza de la variable dependiente Y.
3.656,00 (35,571)(152,00) (-0,346)(5.110,00)
= 1,969
7-2
Desviacin para datos no agrupados.
3.656,00
- 21,714 = 7,126
7
R2 = 1 - 3,879 / 50,776 = 0,924
r = 0,961
Segn los resultados obtenidos podemos decir que el grado de
correlacin es EXCELENTE.
d) Que tiempo deber tardarse un empleado cuando se lleven 100 das?.
Ord Das (X) Tiempo (Y) (X * Y) (X * X)
1 10 35 350,00 100,00
2 20 28 560,00 400,00
3 30 23 690,00 900,00
4 40 20 800,00 1600,00
5 50 18 900,00 2500,00
6 60 15 900,00 3600,00
7 70 13 910,00 4900,00
TOTAL: 280,00 152,00 5.110,00 14.000,00
Y = a + bX
Dnde:
Y: Variable dependiente (la que se va a predecir).
A: Intercepto de la variable Y.
X: Variable independiente.
B: Pendiente de la recta.
n: 7
b: - 0,346
Dnde: a: 35,571
b: Pendiente de la recta X: 100
a: Intercepto de la variable Y Y: 0,929
X : Valores de la variable independiente
Y : Valores de la variable dependiente
n: Tamao de la muestra
Por lo que la ecuacin de regresin lineal sera:
Y= a + bX
Y = 35,571 + (-0,346)(X)
Respondiendo a la pregunta con X = 100 das.
Y= 35,571 0,346 * 100
Y= 35,571 34,6
Y= 0,929
Entonces al tiempo de fabricacin de 100 das, el tiempo estimado sera
de aproximadamente de 1 minuto (0,929 min).
B) Una nutricionista de un hogar infantil desea encontrar un modelo
matemtico que permita determinar la relacin entre peso y la estatura de
sus estudiantes.
Para ello selecciona 10 nios y realiza las medicines respectivas.
A continuacin se presentan los resultados:
Estatura (cm) 121 123 108 118 111 109 114 103 110 115
Peso (kg) 25 22 19 24 19 18 20 15 20 21
a) Realice el diagrama de dispersin y determine el tipo de asociacin
entre las variables.
Existe una correlacin fuerte, Positiva: al aumentar o disminuir
los valores de la variable independiente aumentan o disminuyen
los de la variable dependiente. El valor de r coeficiente de
correlacin lineal.
Es una relacin directa.
b) Encuentre el modelo matemtico que permite predecir el efecto de una variable sobre la otra. Es confiable?.
Estadsticas de la regresin
Coeficiente de
correlacin mltiple 0,90013752
Coeficiente de
determinacin R^2 0,810247554
R^2 ajustado 0,786528499
Error tpico 1,343510379
Observaciones 10
ANLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crtico
libertad cuadrados cuadrados F de F
Regresin 1 61,6598389 61,6598389 34,16019445 0,000385097
Residuos 8 14,4401611 1,805020138
Total 9 76,1
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepcin -27,377 8,168377614 -3,351567626 0,010056862 -46,21318252 -8,54055741 -46,2131825 -8,54055741
Variable X 1 0,421 0,072061142 5,844672313 0,000385097 0,255000471 0,58734705 0,25500047 0,58734705
El modelo es confiable para pronosticar datos teniendo en cuenta el rango de la muestra (103 - 123) cm.
c) Determine el grado de relacin de las dos variables.
El coeficiente de correlacin lineal r, es tambin conocido como
coeficiente de Pearson. Ya se mencionaba que el coeficiente de
correlacin lineal oscila entre +1 y -1, se puede entonces interpretar el
grado de correlacin partiendo de los siguientes lmites de referencia:
Interpretacin Valores de r (+) Valores de r (-)
Correlacin perfecta =1 = -1
Correlacin excelente 0,90 < r < 1 -1 < r < -0.90
Correlacin aceptable 0,80 < r < 0,90 -0.90 < r < -0.80
Correlacin regular 0,60 < r < 0,80 -0.80 < r < -0.60
Correlacin mnima 0,30 < r < 0,60 -0.60 < r < -0.30
No hay correlacin 0 < r < 0,30 -0.30 < r < 0
Tomado de Estadstica Bsica Aplicada; Ciro Martnez Bencardino
Dnde:
R2: Coeficiente de determinacin, 0 <= R2 <= 1.
Se2: Varianza del error estimado.
2
Sy : Varianza de la variable dependiente Y.
4.197,00 (-27,377)(203,00) (0,421)(23.126,00)
= 1,344
10 - 2
Desviacin para datos no agrupados.
4.197,00
- 412,09 = 2,759
10
R2 = 1 - 1,805 / 7,610 = 0,763
r = 0,873
Segn los resultados obtenidos podemos decir que el grado de
correlacin es ACEPTABLE.
d) Cul es el peso que debera tener un estudiante que mide 130 cm?.
Ord Estatura (X) Peso (Y) (X * Y) (X * X)
1 121 25 3.025,00 14.641,00
2 123 22 2.706,00 15.129,00
3 108 19 2.052,00 11.664,00
4 118 24 2.832,00 13.924,00
5 111 19 2.109,00 12.321,00
6 109 18 1.962,00 11.881,00
7 114 20 2.280,00 12.996,00
8 103 15 1.545,00 10.609,00
9 110 20 2.200,00 12.100,00
10 115 21 2.415,00 13.225,00
TOTAL: 1.132,00 203,00 23.126,00 128.490,00
Y = a + bX
Dnde:
Y: Variable dependiente (la que se va a predecir).
A: Intercepto de la variable Y.
X: Variable independiente.
B: Pendiente de la recta.
Dnde: n: 10
b: Pendiente de la recta b: 0,421
a: Intercepto de la variable Y a: -27,377
X : Valores de la variable independiente X: 130
Y : Valores de la variable dependiente Y: 27,376
n: Tamao de la muestra
Por lo que la ecuacin de regresin lineal sera:
Y= a + bX
Y = -27,377 + 0,421(X)
Respondiendo a la pregunta con X = 130 cm.
Y= -27,377 + 0,421*130
Y= -27,377 + 54,76
Y= 27,376
Entonces el peso que debera tener un estudiante que mida 130 cm son
27,376 kg.