Trabajo Analisis

Ejercicio 1
El siguiente es un conjunto de datos experimentales codificados acerca de la

resistencia a la compresin de una aleacin especfica a diferentes valores de
concentracin de cierto aditivo(n=15)
Concentraci
n
X
10
15
20
25
30
a)
b)
c)
d)
Resistencia a la compresin
Y1
Y2
Y3
25.2
27.3
28.7
29.8
31.1
27.8
31.2
32.6
29.7
31.7
30.1
32.3
29.4
30.8
32.8
Grafica los datos y obtenga el diagrama de dispersin

Estime la ecuacin de regresin mnimo cuadrtica
Pruebe la validez del modelo(=0.01)
Prueba la realidad de la regresin: Use(=0.01)
Resultados:
1. Muestra las medidas para las variables dependiente e independiente:
Estadsticos descriptivos
Media
Desviacin tpica
20,000
7,9057
Y1
29,460
2,5648
Y2
30,380
1,9486
Y3
30,260
2,2030
2. Muestra la correlacin entre las variables dependientes e independientes:

Correlaciones
X
Correlacin de Pearson
Sig. (unilateral)
Y1
Y2
Y3
1,000
,635
,487
,912
Y1
,635
1,000
,829
,409
Y2
,487
,829
1,000
,133
Y3
,912
,409
,133
1,000
,125
,203
,016
,041
,247
Y1
,125 .
Y2
,203
,041 .
Y3
,016
,247
Y1
Y2
Y3
,415
,415 .
R2 , nos indica que es el 97% de la variacin de la resistencia a la
3.
comprensin esta explicada por la concentracin.

Resumen del modelob
Durbin-
Error
R
cuadra
Modelo
,985
do
a
Estadsticos de cambio
tp. de la
cuadrado estimaci
Cambio en
Cambio
corregida
R cuadrado
en F
,970
,880
2,7370
,970
Watson
Sig. Cambio
gl1
gl2
10,791
en F
,219
2,870
4. P=0,219 (p>0.05). Por lo que debemos aceptarla Ho y rechazar
H 1 . El
a. Variables predictoras: (Constante), Y3, Y2, Y1

b. Variable dependiente: X
valor de F=10,791, tiene un valor de P=0, 219 (p>0.05). Se concluye que

no hay relacin entre Resistencia a la comprensin y concentracin.
ANOVAb
Suma de
Modelo
1
cuadrados
Regresin
gl
cuadrtica
242,509
80,836
7,491
7,491
250,000
Residual
Total
Media
Sig.
10,791
,219a
a. Variables predictoras: (Constante), Y3, Y2, Y1

b. Variable dependiente: X
5. Ecuacin de Regresin:
Coeficientesa
Modelo
1 (Constante
Coeficientes no
Coeficientes
Intervalo de confianza de
estandarizados
tipificados
95.0% para B
Error tp.
-124,179
30,440
Y1
-,368
1,134
Y2
1,892
Y3
3,224
Beta
Sig.
Lmite
Lmite
inferior
superior
-4,079
,153
-510,953
262,596
-,119
-,325
,800
-14,775
14,039
1,374
,466
1,377
,400
-15,565
19,348
,745
,898
4,330
,144
-6,236
12,684
a. Variable dependiente: X
^
X i=124,1790.368 y 1+1,892 y 2+ 3,224 y 3
A cada valor de Concentracin le corresponde un destino de Resistencia de

correlacin basado en la disminucin constante de -124,179 menos 0.368
veces el valor de la resistencia de correlacin 1, ms 1,892 veces el valor de la
resistencia de correlacin 2 y ms 3,224 veces el valor de la resistencia de
correlacin 3.
6. Diagrama de dispersin con la lnea de regresin :
^
X i=124,1790.368 y 1
^
X i=124,179+1,892 y 2
^
X i=124,179+3,224 y 3
7. Tablas Resumen:
Valores promedio, desviacin estndar, mnimo y mximo de
Concentracin y Correlacin a la comprensin 1, 2 y 3:
Variables
Media
Mxima
Mnima
X
Y1
Y2
Y3
20,000
29,460
30,380
30,260
30
31.7
32.6
32.8
10
25.2
27.3
27.8
Matriz de Correlacin:
Desviaci
n
Estndar
7,9057
2,5648
1,9486
2,2030
CV%
395.28
87.06
64.14
72.8
Variables
X
Y1
Y2
Y3
X
1
0.635
0.487
0.912
Y1
0.635
1
0.829
0.409
Y2
0.487
0.829
1
0.133
Y3
0.912
0.409
0.133
1
Interpretacin de los grficos anteriores y su ecuacin de lnea de
^
X i=124,1790.368 y 1
Nos indica que la relacin es negativa ya que a mayor
resistencia a la compresin, menor Concentracin.
^
X i=124,179+1,892 y 2
Nos indica que la relacin es positiva, ya que a mayor
regresin:
resistencia a la compresin, mayor Concentracin.
^
X i=124,179+3,224 y 3
Nos indica que la relacin es positiva, ya que a mayor
resistencia a la compresin, mayor Concentracin.
^
X i=124,179+3,224 y 3
PROBLEMA N3
Una compaa desea modelar la relacin entre sus ventas y las ventas de la
industria en general
VENTAS DE LA
CIA( Y)
0,5
1,0
1,0
1,4
1,3
1,6
VENTAS DE
LA
INDUSTRIA
(X)
10
12
13
15
14
15
a. Encontrar una recta que se ajuste a los datos

b. parecen contribuir las rentas de la industria con alguna informacin a la
prediccin de las rentas de la Compaa? Probar en el nivel 1%
c. Si las ventas de la industria es 16, determinar intervalos de confianza del
95% para las rentas individuales y para las ventas promedio de la
compaa
d. Estimar el intervalo de confianza para la pendiente poblacional
e. Grafique la lnea de regresin estimada en el diagrama de dispersin.
Resultados
Los siguientes resultados son las salidas del SPSS:
1. La tabla 1
Muestra las medidas para las variables dependiente e
independiente
Tabla 1.
Media
Desviacin
tpica
Ventas de la Cia
Rentas de la Industria
1,1333
,38816
13,1667
1,94079
2. La Tabla 2 muestra la correlacin entre las variables dependientes e

independientes
Nota: La correlacin entre las mismas variables siempre es 1
Tabla2.
Correlacin de
Pearson
Correlaciones
Ventas de la Cia
Rentas de la
Ventas de la
Rentas de la
Cia
Industria
1,000
,973
,973
1,000
,001
,001
Industria
Ventas de la Cia
Sig. (unilateral)
Rentas de la
Industria
Ventas de la Cia
Rentas de la
Industria
3. La tabla 3 muestra el Coeficiente de correlacin y su cuadro.
expresa la porcin de varianza de la variable Dependiente, que esta

explicada por la variable independiente. En el ejemplo
valor moderado(es mximo 1) y
R2 . Toma un
R2 , nos indica que es el 94.8% de la
variacin de la cantidad de Ventas de la compaa esta explicada por

las Rentas de la industria
R2
Corregida es una correccin a la baja de
R2
que se basa en el
nmero de casos y de variables independientes.

El error tpico de estimacin es la desviacin tpica de los residuos, es
decir la desviacin tpica de las distancias entre las puntuaciones en la
variable independiente y los pronsticos efectuados con la regresin. En
general cuanto mejor es el ajuste, ms pequeo es este error

tpico.
Tabla 3.
Modelo
R
R
cuadrado
cuadrado
corregida
1 ,973a
,948
Error tp.
de la
estimaci
n
,935
Resumen del modelob

DurbinWatson
Cambio
en R
cuadrado
,09933
Cambio
en F
,948
72,347
gl1
gl2
Sig. Cambio
en F
,001
1,781
a. Variables predictoras: (Constante), Rentas de la Industria

b. Variable dependiente: Ventas de la Cia
4. Tabla 4 Resumen ANOVA nos informa si existe o no relacin entre las

variables. El estadstico F permite contrastar la hiptesis nula de la pendiente
de la recta de regresin es cero. En el ejemplo el valor P=0,001(p<0.05). Por lo
H 1 es decir
que debemos rechazar la Ho y aceptar
1 0
Conclusin El valor de F=0,948, tiene un valor de P=0, 001 (p<0.05)

Lo cual prueba que
aceptar
1 0
lo que indica que debemos rechazar Ho y
H 1 lo que nos lleva a concluir que si existe relacin entre
Ventas de la Compaa (Y) y las Rentas de la Industria (X)
TABLA 04.
Modelo
Suma de
ANOVAa
gl
Media
cuadrados
Sig.
cuadrtica
Regresin
,714
,714
Residual
,039
,010
Total
,753
72,347
,001b
a. Variable dependiente: Ventas de la Cia

b. Variables predictoras: (Constante), Rentas de la Industria
4. Ecuacin de la regresin
La tabla 05 Muestra los coeficientes de la recta de regresin. La columna
denominada Coeficientes no estandarizados contiene los coeficientes de
regresin que definen la ecuacin de regresin en puntuaciones directas.
El coeficiente Constante(es el origen de la recta
) y el Coeficiente
Rentas de Industria es dependiente de la recta de regresin ( 1 ).

Los coeficientes Beta (coeficientes de regresin estandarizados) son los
coeficientes que definen la ecuacin de regresin cuando esta se obtiene
tras estandarizar las variables originales, es decir, tras convertir las
puntuaciones directas en tpicas.
En el anlisis de regresin lineal simple, el coeficiente de regresin

estandarizado corresponde a la nica variable independiente presente en
la ecuacin coincide exactamente con el coeficiente de correlacin de
Pearson. En el anlisis de Regresin mltiple, los coeficientes de
regresin estandarizados permiten valorar la importancia de cada
variable independiente dentro de una ecuacin.
a. Variable dependiente: Ventas de la Cia
Con los resultados de la Tabla 05 construimos la ecuacin de regresin:

i = 0,195Xi 1,430
Ventas de la Compaa = 0,195Xi 1,430 Rentas de la Industria

A cada valor de Rentas de la Industria le corresponde un pronstico de
Ventas de la Compaa basado en la disminucin constante de -1,430
ms 0,195 veces del valor de las Rentas de la Industria.
Diagrama de dispersin con la lnea de regresin
Forma de presentar los resultados en una

investigacin
Tabla 01 Resumen estadstico de valores promedio, desviacin
estndar, mnimo y mximo de las Ventas de la Industria y
Renta de la Compaa
Medi Mxi Mni
Desviacin
Variables
CV%
a
ma
ma
estndar
Ventas de
la Compaa
1,13
1,6
0,5
0,38
33.63
Renta de
la Industria
13,1
7
15
10
1.94
14.73
Tabla 02 Matriz de Correlacin de las Ventas de la compaa y

Rentas de la industria
Ventas
de
la
Compa
a
Renta de
la Industria
Ventas de
la Compaa
0,973
Renta de
la Industria
0,973
La correlacin de variables de inters del estudio muestra una relacin

positiva o directa entre las Ventas de la compaa y Rentas de la
industria.
FIGURA 01 DIAGRAMA DE DISPERSIN CON LA LNEA DE

REGRESIN.
La relacin existente entre las Ventas de la compaa y Rentas de la
industria se ilustra en la FIGURA 01, a mayor Renta de la industria
las Ventas de la compaa se ven aumentadas.
Modelo de regresin:
i = 0,195Xi 1,430
El valor positivo de la pendiente ( 1 ). Nos indica que la relacin es

directa o positiva, es decir a mayor Rentas de la industria(X) mayor
Ventas de la compaa (Y).
Ejercicio N 5
El efecto de la temperatura en la absorcin de anhdrido carbnico en
agua est dada en la siguiente tabla.
temperatura
(X)
10
15
20
30
25
40
50
coeficiente de absorcin relativa

(Y)
5
8
7.5
12
13
22
46
a) Ajustar el modelo adecuado a los datos
b) Estimar Y, cuando X=25

c) Graficar la ecuacin estimada en el diagrama de dispersin

1. La tabla I
independiente
Media
Desviacin tpica
coeficiente
25,8571
25,64780
temperatura
27,1429
14,09998
2. La Tabla 2 muestra la correlacin entre las variables dependientes

e independientes
Correlaciones
coeficiente
Sig. (unilateral)
coeficiente
temperatura
1,000
,287
,287
1,000
,266
,266
coeficiente
temperatura
temperatura
coeficiente
temperatura
expresa la porcin de varianza de la variable Dependiente, que

2
esta explicada por la variable independiente. En el ejemplo R .
Toma un valor moderado(es mximo 1) y
R2 , nos indica que es el
8.2% de la variacin de la cantidad de coeficiente_absorcion

esta explicada por las temperatura
R2 Corregida es una correccin a la baja de R2 que se basa
en el nmero de casos y de variables independientes.
Resumen del modelob
Modelo
R
cuadrad
R cuadrado Error tp. de

corregida
Durbin-
la estimacin
Watso
n
Cambio en R
Cambio
gl
gl
Sig.
cuadrado
en F
Cambio
en F
287
,082
-,101
26,91607
,082
,448
,533
2,531
a. Variables predictoras: (Constante), temperatura

b. Variable dependiente: coeficiente
El error tpico de estimacin es la desviacin tpica de los
residuos, es decir la desviacin tpica de las distancias entre las
puntuaciones en la variable independiente y los pronsticos
efectuados con la regresin. En general cuanto mejor es el
ajuste, ms pequeo es este error tpico.
4. Tabla 4 Resumen ANOVA nos informa si existe o no relacin
entre las variables. El estadstico F permite contrastar la hiptesis
nula de la pendiente de la recta de regresin es cero. En el ejemplo
el valor P=0.533(p>0.05). Por lo que debemos aceptar la Ho y
rechazar H 1 es decir 1=0
Conclusin El valor de F=0,448, tiene un valor de P=0, 533
(p>0.05) Lo cual prueba que 1=0 lo que indica que debemos
aceptar Ho y rechazar
H1
lo que nos lleva a concluir que no
existe relacin entre coeficiente de absorcin relativa (Y) y la

Temperatura C(X).
ANOVAa
5.Modelo
Suma de
gl
Media
cuadrados
Regresin
1
Sig.
cuadrtica
324,483
324,483
Residual
3622,374
724,475
Total
3946,857
,448
1. a. Variable dependiente: coeficiente
,533b
Ec
ua
ci
n
de
la
2. b. Variables predictoras: (Constante), temperatura
regresin
La tabla 05 Muestra los coeficientes de la recta de regresin. La

columna denominada Coeficientes no estandarizados contiene
los coeficientes de regresin que definen la ecuacin de regresin
en puntuaciones directas. El coeficiente Constante(es el origen de
la recta
) y el Coeficiente Rentas de Industria es dependiente
de la recta de regresin ( 1 ).
Los coeficientes Beta (coeficientes de regresin estandarizados)
son los coeficientes que definen la ecuacin de regresin cuando
esta se obtiene tras estandarizar las variables originales, es decir,
tras convertir las puntuaciones directas en tpicas.
En el anlisis de regresin lineal simple, el coeficiente de
regresin estandarizado corresponde a la nica variable
independiente presente en la ecuacin coincide exactamente con
el coeficiente de correlacin de Pearson. En el anlisis de
Regresin mltiple, los coeficientes de regresin estandarizados
permiten valorar la importancia de cada variable independiente
dentro de una ecuacin.
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
1
Error tp.
(Constante)
11,701
23,472
temperatura
,522
,779
Sig.
95,0% para B
Beta
,287
Intervalo de confianza de
Lmite inferior
Lmite superior
,498
,639
-48,637
72,038
,669
,533
-1,482
2,525
a. Variable dependiente: coeficiente

i = 11,701 + 0,522Xi
Ventas de la Compaa = 11,701 + 0.522 Rentas de la Industria
A cada valor de Coeficiente de absorcin relativa le corresponde un
pronstico de Temperatura basado en la disminucin constante de
11,701 ms 0.522 veces del valor de la Temperatura C
DIAGRAMA DE DISPERCION
Cuando x=25
i = 11,701 + 0,522Xi
i = 11,701 +
0,522(25)
i = 24,751
Resultados de la investigacin
estndar, mnimo y mximo de Coeficientes de absorcin
relativa y temperatura C
Medi Mxi Mni
Desviacin
Variables
CV%
a
ma
ma
estndar
Coeficientes de
absorcin relativa
temperatura C
25,85
71
46
25,64780
99,17
27,14
29
50
10
14,09998
51,94
Tabla 02 Matriz de Correlacin de Coeficientes de

absorcin relativa y temperatura C
Coeficientes de absorcin
relativa
temperatura C
Coeficie
ntes de
absorci
n
relativa
temperatura
C
0.287
0.287
La correlacin de variables de inters del estudio muestra una relacin

positiva o directa entre las Coeficientes de absorcin relativa y
temperatura C

REGRESIN.
La relacin existente entre las Coeficientes de absorcin relativa y
temperatura C se ilustra en la FIGURA 01, a mayor Temperatura
C los Coeficientes de absorcin relativa se ven aumentados
Modelo de regresin:
i = 11,701 + 0,522Xi

directa o positiva, es decir a mayor Temperatura C (X) mayor
Coeficientes de absorcin relativa (Y).
Ejercicio 8
Se desea purificar por destilacin a presin reducida Salicilato de metilo a una
presin de 15 mmHg considerando que la temperatura de ebullicin es una
funcin de la presin y a partir de los siguientes datos experimentales de
presin y temperatura de Salicilato de metilo.
P(mHg) -
T(C) - Y
1
5
10
20
40
60
100
200
400
760
54
81.6
95.3
110
126.2
136.7
150
172.6
197.5
223.2
a) Graficar un diagrama de dispersin.
Obtenga una ecuacin que mejor describa la relacin entre la

temperatura y la presin y determine si el modelo hallado es vlido.
Coeficientesa
Coeficientes
Coeficientes no
estandarizad
estandarizados
os
95.0% intervalo de confianza para B
Error
Modelo
1
(Constante)
Presion en
mHg
a.
Lmite
estndar
-378,972
119,634
3,998
,833
Beta
,862
Sig.
inferior
-3,168 ,013
-654,848
-103,096
4,802 ,001
2,078
5,918
Variable dependiente: Temperatura en C
Ecuacin de Regresin:
Lmite superior
i = -378.972 + 3.998 Xi
Resumen del modelob
DurbinEstadsticos de cambio
Error
R
estndar
Cambio en
cuadrado
de la
Cambio
cuadrado
ajustado
estimacin
cuadrado
en F
Model
o
,862a
,742
,710
131.68324
,742
Watson
Sig.
23,061
Cambio en
gl1
gl2
1
F
8
,001
a. Predictores: (Constante), Presin en mHg

b. Variable dependiente: Temperatura en C
P=0,001 (p<0.05). Por lo que debemos aceptarla H1 y rechazar H0. El valor de

F=23.061, tiene un valor de P=0, 001 (p<0.05). Se concluye que hay relacin
entre la temperatura de ebullicin y la presin.
b) Calcule la temperatura de ebullicin individual y media a 15 mmHg
del salicilato de metilo.
Para un valor medio.
S y =S e
p
1 ( x i xp )
+
n ( xi x )2
S y =54.85
p
^y p t (1 ) S y
2
( 2 )54.85
153 t 1
153 2.5854.85
11.487< y< 294.513
Para un valor individual
2
1 (x i x p)
S y =S e 1+ +
n ( xi x )2
p
S y =240.54
p
^y p t (1 ) S y
2
153 2,58240.54
467.5932< y <853.3152
,686
Ejercicio 9
Los datos de la tabla presentan las millas por galn que recorre un automvil
de prueba empleando gasolina de diversos niveles de octano.
a) Calcular r y r2
b) Dan los datos evidencia suficiente para indicar que existe correlacin
entre el rendimiento y el nmero de octano para el automvil de prueba?
-
Como r > 0 si se dice que existe un alta correlacin positiva entre

el Numero de Octano y el Rendimiento por galn.
c) Obtenga la ecuacin de regresin para los datos
Con la siguiente tabla obtenemos la lnea de regresin
^y i=230,839+3,464 x
d) Calcule un intervalo de confianza del 99% para , Bo y B1 e interprete
^ 1 t (1 ; n2)S
2
De la siguiente tabla obtenemos el valor de CME
S 2 =
1
Se
( x x )
Donde:
S e = CME
S e = 4403,628=66,35983
S 2 =
1
66.36
12.40
S =2.313
1
^ 1 t (1 ; n2)S
2
3,464 t 1 ; n2 2.313
2
3,464 t ( 0,995 ; 6 )2.313

3,464 2,9212.313
3,29< <10,22
e) Estime el rendimiento individual y medio cuando se emplea un nivel de
94 octanos
Para un valor medio.
S y =S e
p
1 ( x i xp )
+
n ( xi x )2
S y =66,36
p
1 2,625
+
8 12,40
S y =38,51
p
^y p t (1 ) S y
2
( 2 ) 38,51
94,78 t 1
94,78 2.5838,51
4.58< y <194.14
Para un valor individual
2
1 (x i x p)
S y =S e 1+ +
n ( xi x )2
p
1 6,89
S y =66,36 1+ +
8 12,40
p
S y =111,52
p
^y p t (1 ) S y
2
94,78 2,58111,52
192,56< y< 382,52
Ejercicio 10
Se llev a cabo un estudio para determinar si hay relacin lineal entre la
resistencia a la ruptura de vigas de madera y la densidad relativa x de la
madera. Se seleccionaron al azar diez vigas de las mismas dimensiones
transversales y se les aplicaron esfuerzos hasta que se rompieron. A
continuacin se muestran las resistencias a la ruptura y la densidad de madera
para cada una de las diez vigas.
Densida
d
relativa
X
Resisten
cia Y
0.49
9
0.55
8
0.60
4
0.44
1
0.55
0
0.52
8
0.41
8
0.48
0
0.40
6
0.46
7
11.1
4
12.7
4
13.1
3
11.5
1
12.3
8
12.6
0
11.1
3
11.7
0
11.0
2
11.4
1
a) Grafique los datos e indique la posible tendencia de los datos.

b) Ajustar el modelo a
RESULTADOS
Y = 0 + 1 x + e .
Los resultados siguientes son la salida del ejercicio realizado en el software

SPSS.
Se han generado los promedios y la desviacin estndar para ambas variables.
La segunda tabla muestra la correlacin entre las variables

dependientes e independientes
A continuacin est el Coeficiente de correlacin y su cuadro.
Expresa la porcin de varianza de la variable Dependiente, que esta
explicada por la variable independiente. En el ejemplo

moderado(es mximo 1) y
. Toma un valor
, nos indica que es el 84.1% de la variacin de
la Resistencia, explicada por la Densidad Relativa
Resumen ANOVA nos informa si existe o no relacin entre las variables. El

estadstico F permite contrastar la hiptesis nula de la pendiente de la recta de
regresin es cero.
Muestra los coeficientes de la recta de regresin. La columna denominada

Coeficientes no estandarizados contiene los coeficientes de regresin que
definen la ecuacin de regresin en puntuaciones directas. El coeficiente
Constante(es el origen de la recta
0 ) y el Coeficiente Rentas de Industria
es dependiente de la recta de regresin ( 1 ).

coeficientes que definen la ecuacin de regresin cuando esta se obtiene tras
estandarizar las variables originales, es decir, tras convertir las puntuaciones
directas en tpicas.
De tal forma, podemos generar la ecuacin de regresin como:
Y^ i=6.761+10.269 x
Resistencia = 6.761 + 10.269 Densidad_Relativa
DIAGRAMA DE DISPERSIN Y LNEA DE REGRESIN
En la opcin Analizar seleccionamos Regresin Estimacin

curvilnea, y colocamos las variables en el lugar que correspondan
(dependiente e independiente).
Pulsamos Aceptar para generar el grfico.
Y =6.761+10.269 X

estndar, mnimo y mximo de la Densidad Relativa y
Resistencia
Medi Mxi Mni
Desviacin
Variables
CV%
a
ma
ma
estndar
11.8
Resistencia
13.13 11.02
0.76813
6.4679
76
Densidad Relativa
0.49
0.604 0.406
81
0.068588
13.7699
Tabla 02 Matriz de Correlacin de la Densidad Relativa y la

Resistencia
Densida
d
Relativa
Resistencia
Densidad Relativa
0.917
Resistencia
0.917
La ecuacin de regresin
Y =6.761+10.269 X
, presenta pendiente positiva, lo
cual indica que hay una relacin directa entre La Densidad Relativa y la
Resistencia de las vigas.
Ejercicio 11
1. Tabla 1: Muestra las medidas para las variables dependientes e
independientes en este caso nos dice que la variable que la
variable dependiente instrumento nuevo tiene una media de
20,670 y una desviacin 2,8253 mientas que la variable
independiente mtodo normal tiene una media de 20,682 y una
desviacin de 3,2138
2. Tabla 2: Muestra la correlacin existente entre las variables

dependientes(instrumento nuevo) y las variable independiente( Mtodo
normal)
3. Tabla 3: Muestra el coeficiente de correlacin y su cuadrado,
R2
expresa la porcin de varianza de la variable Dependiente, que esta explicada

2
por la variable independiente. En el ejemplo R toma un valor moderado
(mximo 1) y
R2 nos indica 97,1% de la variacin de la cantidad de
Instrumentos nuevos esto esta explicada por el Mtodo normal.
R2 Corregida es una correccin a la baja que se basa en el nmero de casos

y de variables independientes.
El Error tpico De la estimacin es la desviacin tpica de los residuos, es decir
que la desviacin tpica de las distancias entre las puntuaciones en la variable
independiente y los pronsticos efectuados con la regresin.
En general cuanto mejor es el ajusto, ms pequeo es el error tpico, en este
caso es 0,5128.
4. Tabla 4: Esta tabla nos informa si existe relacin o no entre las variables, el
Estadstico F permite contrastar la hiptesis nula de la pendiente de la recta de
regresin es cero. En el ejemplo el valor P=0,00 p<0.05). Por lo que debemos
rechazar la Ho y rechazar
H 1 es decir
1=0
El valor de F=265,204 tiene un valor de P=0,00 (p<0,05) lo cual prueba que
1=0 lo que indica que debemos rechazar Ho y rechazar
H 1 lo que nos lleva
a concluir que no existe relacin entre el Instrumento nuevo (Y) esta explicada por
el Mtodo normal(X).
5. Tabla 5: Ecuacin de la regresin, muestra los coeficientes de la recta de

regresin. La columna denominada Coeficientes no estandarizados contiene
los coeficientes de regresin que definen la ecuacin de regresin en
puntuaciones directas. El coeficiente Constante(es el origen de la recta
y Mtodo normal es dependiente de la recta de regresin ( 1=0,866 ).

estandarizado corresponde a la nica variable independiente presente en la
ecuacin coincide exactamente con el coeficiente de correlacin de
regresin estandarizados permiten valorar la importancia de cada variable
independiente dentro de una ecuacin.
i = 2,758 + 0,866 Xi
Instrumento Nuevo= 2,758 + 0,866 Xi Mtodo Normal
A cada valor de Mtodo Normal le corresponde un pronstico de Instrumentos
Nuevo basado en la disminucin Constante de 2,758 ms de 0,866 veces del valor
de Mtodo Normal.
Resolucin de preguntas:
Graficar los datos en un diagrama de dispersin y seale el modelo probable de
ajuste a los datos.
Tabla 01: Resumen estadstico de valores promedio, desviacin

estndar, mnimo y mximo de las Ventas de la Industria y Renta de la
Compaa
Variables
Instrumento Nuevo
Medi
a
20,6
70
Mxi
ma
Mni
ma
Desviacin
estndar
CV%
2,8253
13,668%
Mtodo Normal
20,6
80
3,2138
15,54&
Tabla 02 Matriz de Correlacin de las Ventas de la

compaa y Rentas de la industria
Nmero
de
Consulta
s
Tiempo de
Capacitacin
Instrumento nuevo
0.985
Mtodo Normal
0.985
La correlacin de variables de inters del estudio muestra una

relacin positiva o directa entre las Instrumento Nuevo Mtodo
Normal.

REGRESIN.
Modelo de regresin: i = 2,758 + 0,866 Xi

directa o positiva, es decir a mayor Mtodo Normal(X) mayor Instrumento
nuevo.
Obtenga una ecuacin (modelo matemtico) que mejor relacione el nmero de

consultas (Y) y el tiempo de capacitacin(X).
i = 2,758 + 0,866 Xi
a. Grafique Los datos e indique la posible tendencia de datos
b. Calcular R y
R2
explicada por la variable independiente
Nos indica 97,1% de la variacin de la cantidad de Instrumentos nuevos
esto esta explicada por el Mtodo normal.

c. Pronosticar la presin media con el nuevo instrumento cuando el mtodo
normal da una lectura 20.0
i = 2,758 + 0,866 Xi
i = 2,758 + 0,866 (20)
i = 20,078
Ejercicio 12
Para investigar la relacin entre el consumo de gasolina en automviles (Y) y la
velocidad de manejo(X), se gui dos veces un automvil econmico pequeo en el
mismo tramo de una autopista interdepartamental, a seis velocidades distintas. A
continuacin se muestran los resultados en millas por galn determinados para

cada uno de los doce viajes.
Millas
por hora
X
Millas
por
galn(Y)
50
55
60
65
70
75
34.8,
33.6
34.6,
34.1
32.8,
31.9
32.6,
30.0
31.6,
31.8
30.9,
31.7
32.35
31.3
34.2
34.35
31.7
31.3
Solucin
Millas por hora(VAR0001)

Galones por hora(VAR0002)
1. Resumen del modelo muestra el Coeficiente de correlacin y

2
R
su cuadro.
expresa la porcin de varianza de la variable
Dependiente, que esta explicada por la variable independiente. En
2
2
el ejemplo R . Toma un valor moderado(es mximo 1) y R ,
nos indica que es el 80,1% de la variacin de la cantidad de
Millas por hora esta explicada por Galones por hora
R2
R2
que se basa

Millas por hora (VAR0001)

Galones por hora (VAR0002)
Coeficientes
Muestra
los coeficientes de la recta de regresin. La
columna denominada Coeficientes no estandarizados contiene los
coeficientes de regresin que definen la ecuacin de regresin en
puntuaciones directas. El coeficiente Constante(es el origen de la recta
0 ) y el Coeficiente Rentas de Industria es dependiente de la recta de
regresin ( 1 ).
regresin.

i = 256,477 5,956 Xi
Podemos ver un grado de dependencia relativamente alto
Ejercicio 14
Las cantidades de un compuesto qumico y que se disuelvan en 100

gramos de agua a diferentes temperaturas x se registraron como sigue.
Encuentre la ecuacin de regresin que mejor describa la relacin entre
las variables y pruebe la significacin del modelo y la significacin del
trmino cuadrtico
X C
0
15
30
45
60
75
Y(GRAMOS)
8
6
8
12
10
14
25
21
24
31
33
28
44
39
42
48
51
44
X C
0
15
30
45
60
75
Y(GRAMOS)
7.33
12
23.33
30.67
41.67
47.67
Solucin

1. La tabla I
independiente
Tabla 1. Estadsticos descriptivos
Media
Desviacin
N
tpica
Y
27.1117
16,00768
6
X C
37.50
28,062
6
La Tabla 2 muestra la correlacin entre las

variables dependientes e independientes.
Tabla2. Correlaciones
Ventas de la
compaa
Correlacin de Y
Pearson
X C
Y
Sig.
(unilateral)
X C
Y
N
X C
1,000
,995
.
,000
6
6
Rentas de
la
industria
,995
1,000
,000
.
6
6
R2

2
, nos indica que es el
99% de la variacin de la cantidad de gramo(Y) esta explicada

por los C X
2
2
R Corregida es una correccin a la baja de R que se basa
Tabla 3. Resumen del modelob
Model
R
R
R
Error
Durbin
o
cuadra cuadrad tp. de
do
o
la
Watso
corregid estimac
n
a
in
Cambio Cambi gl1 gl
Sig.
en R
o en F
2 Cambi
cuadrad
o en F
o
,
,990
,988 1,74466
,990 416,92
1 4
,000 3,005
1
a
995
5
a. Variables predictoras: (Constante), C
b. Variable dependiente: GRAMOS

entre las variables. El estadstico F permite contrastar la hiptesis
nula de la pendiente de la recta de regresin es cero. En el ejemplo

el valor P=0,990(p>0.05). Por lo que debemos aceptar la Ho y
rechazar H 1 es decir 1=0
Conclusin El valor de F=416.925 tiene un valor de P=0, 990
(p>0.05) Lo cual prueba que 1=0 lo que indica que debemos
aceptar
TABLA 04 ANOVAa
Modelo
Suma de
df
Media
F
cuadrados
cuadrtica
Regresi
1269,054
1 1269,054 416,92
n
5
1
Residual
12,175
4
3,044
Total
1281,230
5
Sig.
,000b
la recta 0 ) y el Coeficiente Rentas de Industria es dependiente
Tabla N 5 Coeficientesa
Modelo
Coeficientes no
estandarizados
Error
tp.
Coeficie
ntes
tipificad
os
Beta
Sig.
Intervalo de
confianza de
95,0% para B
Lmite Lmite
inferio superio
r
r
(Constante)
5.822
1,263
-4,611 ,010 2.317
9,328
1
,568
,028
,995 20,41 ,000
,491
,645
X C
9
a. Variable dependiente: Ventas de la compaa
i = 5,822+ 0,568 Xi
Gramos = 5,822 + 0,568 C
A cada valor de los C le corresponde un pronstico Gramos basado en la
disminucin constante de 5,822 ms 0,568 veces del valor de los
C.
Ejercicio 15:
Ocho personas que han sido capacitadas en un nuevo programa, se

escogen al azar, para utilizar adecuadamente dicho programa y dar
respuesta a las consultas hechas (Y) por los usuarios de una empresa,
despus del nuero indicado de das de capacitacin X, como se
representan en el cuadro adjunto. Los datos parecen sugerir que la
relacin entre X e Y puede describirse en forma curvilnea.
N de consultas Y
Tiempo de
capacitacin X
15
1
18
2
25
3
30
4
35
5
45
6
53
7
70
8
a) Graficar los datos en un diagrama de dispersin y seale el modelo

probable de ajuste a los datos.
b) Obtenga una ecuacin (modelo matemtico) que mejor relacione el
nmero de consultas (Y) y el tiempo de capacitacin(X).
c) Estime el nmero de consultas de promedio e individual realizadas
de usuarios con un tiempo de capacitacin de 5,5 das.
Anlisis de los Resultados del SPSS:
La tabla 1
Muestra las medidas para las variables dependiente e independiente
Media
Desviacin
tpica
N de consultas
Tiempo de Capacitacin
31,57
13,879
4,00
2,160
La Tabla 2 muestra la correlacin entre las variables dependientes e

independientes
Correlaciones
N de consultas
Tiempo de
Capacitacin
Sig. (unilateral)
N de consultas
1,000
,989
,989
1,000
,000
,000
N de consultas
N de consultas
La tabla 3: Muestra el Coeficiente de correlacin y su cuadro.
R2

2
explicada por la variable independiente. En el ejemplo R . Toma un
valor moderado(es mximo 1) y
R2 , nos indica que es el 97,9% de la
variacin de la cantidad de N de consultas esta explicada por las el

Tiempo de capacitacin.
R
que se basa en el
nmero de casos y de variables independientes.

El error tpico de estimacin es la desviacin tpica de los residuos, es
decir la desviacin tpica de las distancias entre las puntuaciones en la
variable independiente y los pronsticos efectuados con la regresin. En
general cuanto mejor es el ajuste, ms pequeo es este error tpico, en este caso
es de 2, 197.
Resumen del modelob

DurbinWatson
Modelo
R
cuadrado
R
Error tp.
cuadrado
de la
corregida estimacin
Cambio
en R
cuadrad
o
Cambio
en F
gl1
gl2
Sig.
Cambio
en F
0,979
234,349
,
1
989
0,979
0,975
2,197
1,298
a. Variables predictoras: (Constante), Tiempo de Capacitacin

b. Variable dependiente: N de consultas
Tabla 4: Nos informa si existe o no relacin entre las variables. El
estadstico F permite contrastar la hiptesis nula de la pendiente de la
recta de regresin es cero. En el ejemplo el valor P=0,000(p<0.05). Por lo
que debemos rechazar la Ho y rechazar H 1 es decir 1=0
Conclusin El valor de F=234,349, tiene un valor de P=0, 000 (p<0.05)
Lo cual prueba que 1=0 lo que indica que debemos rechazar Ho y
rechazar
H1
lo que nos lleva a concluir que no existe relacin entre el
N de consultas (Y) esta explicada por las el Tiempo de capacitacin(X).

ANOVAa
Modelo
Suma de
gl
Media
cuadrados
Regresin
1
Residual
Total
Sig.
cuadrtica
1131,571
1131,571
24,143
4,829
1155,714
234,349
,000b
a. Variable dependiente: N de consultas

b. Variables predictoras: (Constante), Tiempo de Capacitacin
La tabla 05: Ecuacin de la regresin, muestra los coeficientes de la

recta de regresin. La columna denominada Coeficientes no
estandarizados contiene los coeficientes de regresin que definen la
ecuacin de regresin en puntuaciones directas. El coeficiente
Constante(es el origen de la recta ) y el Coeficiente Tiempo de
Capacitacin es dependiente de la recta de regresin ( 1=6 , 357 ).


regresin estandarizados permiten valorar la importancia de cada
variable independiente dentro de una ecuacin.
Coeficientesa
Modelo
Coeficientes no
Coeficient
estandarizados
es
confianza de 95,0%
tipificados
para B
(Constante)
1
Error tp.
6,143
1,857
6,357
,415
Sig.
Beta
,989
Intervalo de
Lmite
Lmite
inferior
superior
3,308
,021
1,369
10,917
15,308
,000
5,290
7,425
a. Variable dependiente: N de consultas

i = 6,143 + 6,357 Xi
N de consultas= 6,143 + 6,357 Tiempo de capacitacin
A cada valor de Tiempo de capacitacin le corresponde un pronstico de N de
consultas basado en la disminucin constante de 6,143 ms 6,357 veces del valor
de las Tiempo de capacitacin.
Resultados en una investigacin:

Tabla 01: Resumen estadstico de valores promedio, desviacin
estndar, mnimo y mximo de las Ventas de la Industria y Renta de la
Compaa
Medi Mxi Mnim
Desviacin
Variables
CV%
a
ma
a
estndar
31,5
Nmero de Consultas
70
15
13,879
43,96
7
Tiempo de Capacitacin 4,00
2,160

54
Nmero
de
Consulta
s
Tiempo de
Capacitacin
Nmero de Consultas
0.989
0.989

relacin positiva o directa entre las Nmero de Consultas y
Tiempo de Capacitacin.

REGRESIN.
Modelo de regresin: i = 6, 143 + 6,357 Xi

directa o positiva, es decir a mayor Tiempo de Capacitacin(X) mayor N
de Consultas.
*Cuando x=5,5, se obtiene lo siguiente:
i = 6, 143 + 6,357 (5,5)

i = 41,1065
Ejercicio N16
Se desea saber la relacin que existe entre la demanda mxima de una planta
generadora de energa elctrica y la temperatura mxima diaria. Se dispone de
una muestra de 10 datos que se presentan a continuacin:
DEMANDA_MA TEMPERATURA_M
XIMA(Y)
AXIMA(X)
214
95
152
82
156
90
129
81
254
99
266
100
210
93
204
95
213
93
150
87
a) Graficar el diagrama de dispersin para los datos a indicar i estos se
relacionan en forma curvilnea.
b) Obtenga una ecuacin (modelo Matemtico) que mejor relacione la
demanda mxima (Y) y la temperatura mxima diaria(X).
c) Pruebe la significacin del modelo y estime la demanda mxima de la
planta para una temperatura de 98 F.
Resultados
6. La tabla I
independiente.
Tabla 1.Estadsticos descriptivos
Media
Desviacin
tpica
Demanda_maxima
Temperatura_maxima
194,8000
46,26446
10
91,5000
6,50214
10
7. La Tabla 2 muestra la correlacin entre las variables dependientes

e independientes
Tabla 2.Correlaciones
Sig. (unilateral)
Demanda_maxima
Demanda_ma
Temperatura_
xima
maxima
1,000
,944
,944
1,000
,000
,000
Demanda_maxima
10
10
Temperatura_maxima
10
10
Temperatura_maxima
Demanda_maxima
Temperatura_maxima
R2

2
R2 , nos indica que es el
89.1% de la variacin de la cantidad de la demanda mxima

esta explicada por la temperatura mxima del da
R
que se basa

Tabla 3.Resumen del modelob

Mod
R cuadrado
elo
R cuadrado
Error tp. de la
corregida
estimacin
DurbinWatson
Cambio
Cambio
en R
en F
gl1
gl2
Sig.
Cambio
cuadrad
en F
o
a
,944
,891
,878
16,17764
,891
65,605
,000
9. a. Variables predictoras: (Constante), Temperatura_maxima

10.
b. Variable dependiente: Demanda_maxima

entre las variables. El estadstico F permite contrastar la
hiptesis nula de la pendiente de la recta de regresin es cero.
En el ejemplo el valor P=0,000(p<0.05). Por lo que debemos
rechazar la Ho y aceptar H 1 es decir 1 0
Conclusin El valor de F=65,605, tiene un valor de P=0, 000
(p<0.05) Lo cual prueba que 1 0 lo que indica que debemos
rechazar Ho y aceptar
H1
lo que nos lleva a concluir que existe
relacin entre Demanda Mxima (Y) y la Temperatura Mxima del

Da (X).
Tabla 4. ANOVAa
Modelo
Suma de
gl
Media
cuadrados
1
Regresin
17169,871
Sig.
cuadrtica
1
17169,871
65,605
,000b
2,749
Residual
Total
2093,729
19263,600
261,716
a. Variable dependiente: Demanda_maxima

b. Variables predictoras: (Constante),
Temperatura_maxima
la recta 0 ) y el Coeficiente Rentas de Industria es dependiente
Tabla 5.Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
Error
Sig.
de 95,0% para B
Beta
tp.
(Constante)
1
Temperatura
-419,849 76,058
6,717
,829
,944
Intervalo de confianza
Lmite
Lmite
inferior
superior
-5,520
,001
-595,239
-244,460
8,100
,000
4,805
8,630
_maxima
Variable dependiente: Demanda_maxima

i = -419,849 + 6,717 Xi
Demanda Mxima = -419,849+ 6,717 Temperatura Mxima del da
A cada valor de la Temperatura Mxima del da le corresponde un

pronstico de Demanda Mxima basado en la disminucin constante de
-419,849 ms 6,717 veces del valor de la Temperatura Mxima del
da
Diagrama de dispersin con la lnea de regresin
i = -419,849 + 6,717 Xi
Nos piden la temperatura a
98 F
i = -419,849 +
6,717 (98)
i = 238.417
Forma de presentar los resultados en una investigacin

estndar, mnimo y mximo de la Temperatura Mxima del da y
Demanda Mxima
Mxi Mni
Desviacin
Variables
Media
CV%
ma
ma
estndar
Demanda Mxima
194,8
000
266
150
46,26446
23.74
Temperatura Mxima
Del Da
91,50
00
100
81
6,50214
7.1

Demand
a
Mxima
Temperatura
Mxima
Del Da
Demanda Mxima
0.944
Temperatura Mxima
Del Da
0.944

relacin positiva o directa entre la Demanda Mxima y
Temperatura Mxima Del Da

REGRESIN.
La relacin existente entre las Demanda Mxima y Temperatura
Mxima Del Da se ilustra en la FIGURA 01, a mayor Temperatura
Mxima Del Da la Demanda Mxima se ve aumentadas.
Modelo de regresin:
i = -419,849 + 6,717 Xi

directa o positiva, es decir a mayor Temperatura Mxima Del Da (X)
mayor Demanda Mxima (Y).

Trabajo Analisis

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Trabajo Analisis

Caricato da

Copyright:

Formati disponibili

Ejercicio 1

El siguiente es un conjunto de datos experimentales codificados acerca de la

Grafica los datos y obtenga el diagrama de dispersin

2. Muestra la correlacin entre las variables dependientes e independientes:

R2 , nos indica que es el 97% de la variacin de la resistencia a la

comprensin esta explicada por la concentracin.

4. P=0,219 (p>0.05). Por lo que debemos aceptarla Ho y rechazar

a. Variables predictoras: (Constante), Y3, Y2, Y1

valor de F=10,791, tiene un valor de P=0, 219 (p>0.05). Se concluye que

a. Variables predictoras: (Constante), Y3, Y2, Y1

A cada valor de Concentracin le corresponde un destino de Resistencia de

6. Diagrama de dispersin con la lnea de regresin :

Interpretacin de los grficos anteriores y su ecuacin de lnea de

a. Encontrar una recta que se ajuste a los datos

2. La Tabla 2 muestra la correlacin entre las variables dependientes e

3. La tabla 3 muestra el Coeficiente de correlacin y su cuadro.

expresa la porcin de varianza de la variable Dependiente, que esta

R2 , nos indica que es el 94.8% de la

variacin de la cantidad de Ventas de la compaa esta explicada por

Corregida es una correccin a la baja de

nmero de casos y de variables independientes.

general cuanto mejor es el ajuste, ms pequeo es este error

Resumen del modelob

a. Variables predictoras: (Constante), Rentas de la Industria

4. Tabla 4 Resumen ANOVA nos informa si existe o no relacin entre las

que debemos rechazar la Ho y aceptar

Conclusin El valor de F=0,948, tiene un valor de P=0, 001 (p<0.05)

lo que indica que debemos rechazar Ho y

H 1 lo que nos lleva a concluir que si existe relacin entre

Ventas de la Compaa (Y) y las Rentas de la Industria (X)

a. Variable dependiente: Ventas de la Cia

Rentas de Industria es dependiente de la recta de regresin ( 1 ).

En el anlisis de regresin lineal simple, el coeficiente de regresin

Con los resultados de la Tabla 05 construimos la ecuacin de regresin:

Ventas de la Compaa = 0,195Xi 1,430 Rentas de la Industria

Diagrama de dispersin con la lnea de regresin

Forma de presentar los resultados en una

Tabla 02 Matriz de Correlacin de las Ventas de la compaa y

La correlacin de variables de inters del estudio muestra una relacin

FIGURA 01 DIAGRAMA DE DISPERSIN CON LA LNEA DE

El valor positivo de la pendiente ( 1 ). Nos indica que la relacin es

coeficiente de absorcin relativa

a) Ajustar el modelo adecuado a los datos

b) Estimar Y, cuando X=25

Los siguientes resultados son las salidas del SPSS:

2. La Tabla 2 muestra la correlacin entre las variables dependientes

3. La tabla 3 muestra el Coeficiente de correlacin y su cuadro.

expresa la porcin de varianza de la variable Dependiente, que

R2 , nos indica que es el

8.2% de la variacin de la cantidad de coeficiente_absorcion

R cuadrado Error tp. de

a. Variables predictoras: (Constante), temperatura

lo que nos lleva a concluir que no

existe relacin entre coeficiente de absorcin relativa (Y) y la

1. a. Variable dependiente: coeficiente

2. b. Variables predictoras: (Constante), temperatura

La tabla 05 Muestra los coeficientes de la recta de regresin. La

) y el Coeficiente Rentas de Industria es dependiente

a. Variable dependiente: coeficiente

Con los resultados de la Tabla 05 construimos la ecuacin de regresin:

Tabla 02 Matriz de Correlacin de Coeficientes de

La correlacin de variables de inters del estudio muestra una relacin

FIGURA 01 DIAGRAMA DE DISPERSIN CON LA LNEA DE

El valor positivo de la pendiente ( 1 ). Nos indica que la relacin es