UNIVERSIDAD NACIONAL DE CAJAMARCA

FACULTAD DE CIENCIAS ECONOMICAS, CONTABLES Y ADMINISTRATIVAS

ESCUELA ACADEMICO PROFESIONAL DE CONTABILIDAD

PROFESORA:

POEMAPE GRADOS ARACELI MARIBEL

CURSO:

ESTADISTICA

ALUMNOS:

ESTRADA MENDO, MARICIELO

ISPILCO JULCAMORO, HENRRY

MARCHENA CHAVEZ, ROSSMERY

PAISIG MALCA, DEISY MANUELA

RAMIREZ CAJA, RONALDO

TEMA:

REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE

CICLO:

TERCERO

CAJAMARCA – PERU

2020

REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE

Lea y conteste de forma detallada.

2
1.- R xy se puede interpretar como: (explique brevemente )
A) la medida de ajuste (exactitud) de las observaciones a la recta de regresión.
B) la medida de la variabilidad de las observaciones en torno a la recta de regresión; C) medida del grado de desigualdad entre las observaciones
JUSTIFIQUE SU RESPUESTA CORRECTA: Ya que el coeficiente de determinación nos permite escoger un modelo adecuado para el correcto
análisis de las variables ya que sabemos que este explica la variación de la variable dependiente Y, debido a la variación de la variable X,
entonces al tener un mayor valor hace posible que la recta de regresión nos sea más útil a la hora de hacer las predicciones.

1 de 4
2.- El objetivo principal del modelo de correlación lineal simple es:
A) averiguar la fuerza de la relación entre X e Y;
B) predecir los valores de Y (variable criterio) a partir de los valores de X (variable predictora);
C) valorar las diferencias entre variables que miden las mismas características.
JUSTIFIQUE SU RESPUESTA CORRECTA: Ya que nos permite encontrar una ecuación en donde vamos a tratar de explicar la relación que
existe entre una variable dependiente y un conjunto de variables independientes caso de no existir se dirá que no existe relación entre ambas
variables, es una técnica que mide la asociación entre dos variables.
3.- En el modelo de regresión lineal simple, donde Y es la variable criterio e X la predictora (con valores fijados por el investigador), el parámetro
beta (pendiente) indica:
A) el cambio en el valor esperado de Y por unidad de cambio en la variable X;
B) el cambio en el valor esperado de Y según la variación aleatoria de X;
C) el cambio en el valor esperado de X por unidad de cambio en la variable Y.
JUSTIFIQUE SU RESPUESTA CORRECTA: Ya que, al momento de incrementar la variable independiente, en consecuencia también lo hará la
variable dependiente, además esta indica también la pendiente de la gráfica que tendremos.
4.- Un investigador conoce por la literatura especializada que el rendimiento escolar se relaciona linealmente con la motivación al estudio. Su
interés es comprobar si esta cuestión es cierta en sus alumnos y, una vez verificada, poder conocer con un margen de error el rendimiento de un
alumno sabiendo su puntuación en motivación. A la vista de este planteamiento, ¿qué técnica estadística le permite resolver la cuestión?:
A) el análisis de regresión;
B) el análisis de varianza de un factor de medidas no repetidas;
C) el análisis de varianza de un factor de medidas repetidas
JUSTIFIQUE SU RESPUESTA CORRECTA:
El análisis de la regresión es un proceso estadístico para estimar las relaciones entre variables. Incluye muchas técnicas para el modelado y
análisis de diversas variables, cuando la atención se centra en la relación entre una variable dependiente y una o más variables independiente
5.- En las predicciones que realizamos mediante la recta de regresión hay que tener en cuenta que:
A) son siempre exactas, ya que la predicción no se puede ver afectada por la variabilidad;
B) no pueden ser exactas, entre otras razones debido a la variabilidad de las puntuaciones;
C) son siempre exactas, ya que se cumple el principio de homocedasticidad
JUSTIFIQUE SU RESPUESTA CORRECTA:
Porque en un proceso estadístico la variabilidad de las puntuaciones siempre hay errores de predicción mínimos.
6.- La expresión Y = α + β.X + E representa:
A) el modelo de análisis de varianza aditivo;
B) el modelo de regresión lineal simple;
C) el modelo de regresión lineal múltiple
JUSTIFIQUE SU RESPUESTA CORRECTA:
Porque se usa para predecir, el valor de la variable dependiente (Y) basado en la variable independiente (X)
7.- Cuando el investigador está interesado en realizar “predicciones”, las técnicas estadísticas apropiadas son:
A) pruebas de diferencia de medias para muestras relacionadas
B) técnicas de regresión
C) técnicas de Análisis de Varianza
JUSTIFIQUE SU RESPUESTA CORRECTA:
Técnica Regresión Lineal Simple: El objetivo de éste análisis es determinar la ecuación de regresión lo cual se usa para predecir, el valor de la
variable dependiente (y) basado en la variable independiente (x).
8.- Cuando llevamos a cabo un análisis de regresión, el método de estimación por mínimos cuadrados garantiza que:
A) las predicciones son exactas
B) la ordenada en el origen de la recta de regresión es nula
C) los errores de predicción son mínimos
JUSTIFIQUE SU RESPUESTA CORRECTA:
Muchos estudios de simulación han revelado que en diseños de muestras pequeñas donde se producen pocas fallas, el método de mínimos
cuadrados es mejor.
Los cálculos utilizan mayor cantidad de la información que contienen los datos, el método MLE utiliza la información de todo el conjunto de datos,
incluyendo los valores censurados.

9.- El análisis de regresión tiene:

A) sólo vertiente descriptiva

2 de 4
B) sólo vertiente inferencial
C) vertiente descriptiva e inferencial
JUSTIFIQUE SU RESPUESTA CORRECTA:
Una vertiente descriptiva generan explicaciones producidas en los entrecruces analíticos de datos cuantitativos y cualitativos.
Vertiente inferencial del análisis de los datos estadísticos que se obtienen por muestreo. Los datos muestrales constituyen estimaciones de la información
poblacional, esto es, se infiere una característica de toda la población a partir de una parte de la misma. En función del tamaño de esta muestra y de otras
características de los datos es posible establecer la significación de nuestra información y determinar el margen de error que estamos cometiendo en las
estimaciones. Todas las técnicas de análisis de datos basadas en muestras estadísticas necesitarán apoyarse en este tipo de razonamiento inferencial para
establecer la significación de los resultados.

10.- En la siguiente ecuación de una recta X = α + β.Y

A) alfa indica el valor de Y para X = 0;
B) alfa representa la pendiente;
C) ambas respuestas son incorrectas
JUSTIFIQUE SU RESPUESTA CORRECTA:
Ecuación de la recta conocida su pendiente e intercepto con el eje x: x =α + β.Y

(pendiente β y su intercepto α con el eje x).

11.- Cuando el coeficiente de determinación toma el valor cero:

A) el ajuste de la recta de regresión es perfecto;
B) la recta de regresión es horizontal;
C) ambas respuestas son incorrectas.
JUSTIFIQUE SU RESPUESTA CORRECTA:

El coeficiente de determinación es la proporción de la varianza total de la variable explicada por la regresión. Es también denominado R cuadrado
y sirve para reflejar la bondad del ajuste de un modelo a la variable que se pretende explicar. El coeficiente de determinación puede adquirir
resultados que oscilan entre 0 y 1. es decir, Puede tener valores entre 0, que implica que no hay ninguna relación lineal, y 1, que significa que se
trata de una relación lineal perfecta.

12.- El coeficiente de determinación es una medida de:

A) la proporción de varianza no explicada por la ecuación de regresión;
B) el grado de error cometido en la regresión;
C) la proporción de varianza explicada por la regresión
JUSTIFIQUE SU RESPUESTA CORRECTA:
El coeficiente de determinación ajustado (R cuadrado ajustado) es la medida que define el porcentaje explicado por la varianza de la regresión en
relación con la varianza de la variable explicada. Es decir, lo mismo que el R cuadrado, pero con una diferencia: El coeficiente de determinación
ajustado penaliza la inclusión de variable.
2
13.- r xy:
A) se suele utilizar como medida de la relación curvilínea entre dos variables, donde se sospecha la falta de linealidad de los datos;
B) sus valores oscilan entre 0 y 1;
C) es la razón de la correlación.
JUSTIFIQUE SU RESPUESTA CORRECTA: Digamos, en primera instancia, que sus valores absolutos oscilan entre 0 y 1. Esto es, si tenemos
2 2
dos variables X e Y, y definimos el coeficiente de correlación de Pearson entre estas dos variables como r xy 0 r
xy 1

Hemos especificado los términos "valores absolutos" ya que en realidad si se contempla el signo el
coeficiente de correlación de Pearson oscila entre –1 y +1. No obstante ha de indicarse que la
magnitud de la relación viene especificada por el valor numérico del coeficiente, reflejando el signo la
dirección de tal valor. En este sentido, tan fuerte es una relación de +1 como de -1. En el primer caso la
relación es perfecta positiva y en el segundo perfecta negativa.
14.- En la siguiente ecuación de una recta Y = α + β.X:
A)  es el punto de corte de la recta con el eje de ordenadas;
B)  representa el incremento de X por cada unidad que se incrementa Y;

3 de 4
C) ambas respuestas son incorrectas
JUSTIFIQUE SU RESPUESTA CORRECTA:
Y= a + bx
donde
Y:es la variable dependiente
a: es la intercepción en Y, o el valor estimado de Y cuando X 0
b:es la pendiente de la recta, o cambio promedio en Y por cada cambio
de una unidad en X
Donde
a y b, son los coeficientes del modelo de regresión
X: es la variable
se usa el método de mínimos cuadrados para obtener a y b
15.- Cuando el coeficiente de determinación toma el valor máximo 1:
A) la varianza explicada por la regresión es cero;
B) todos los puntos estarán sobre la recta de regresión:
C) ambas respuestas son incorrectas.
JUSTIFIQUE SU RESPUESTA CORRECTA: Cuanto mayor sea el valor del coeficiente de determinación mejor será el ajuste es decir será más
útil la recta de regresión como instrumento de predicción.

4 de 4