ESTADISTICA DESCRIPTIVA

CÓDIGO: 100105A

Unidad 2: Paso 4 Descripción de la información

Presentado a la tutora:
GLORIA PAULINA CASTELLANOS

Entregado por los estudiantes:

LUIS FREDY TIMANA MORA

Código: 18127987

ROLANDO HERMIDA MANJARRÉS

Código: 17657700

GLORIA MERCEDES CARO MARTÍNEZ

Código: 52309151

SANDRA PATRICIA CAÑAS MELO

Código: 28205959

Grupo: 100105_70

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
28-11-2018
BOGOTÁ

1
 INTRODUCCIÓN
La regresión lineal es una técnica que permite cuantificar la relación que puede ser observada
cuando se grafica un diagrama de puntos dispersos correspondientes a dos variables, cuya
tendencia general es rectilínea; relación que cabe compendiar mediante una ecuación “del mejor
ajuste” de la forma:
y = a + bx
En esta ecuación, “y” representa los valores de la coordenada a lo largo del eje vertical en el
gráfico (ordenada); en tanto que “x” indica la magnitud de la coordenada sobre el eje horizontal
(abscisa). El valor de “a” (que puede ser negativo, positivo o igual a cero) es llamado el
intercepto; en tanto que el valor de “b” (el cual puede ser negativo o positivo) se denomina la
pendiente o coeficiente de regresión.
El análisis de correlación se encuentra estrechamente vinculado con el análisis de regresión y
ambos pueden ser considerados de hecho como dos aspectos de un mismo problema.
La correlación entre dos variables el grado de asociación entre las mismas. Este es expresado por
un único valor llamado coeficiente de correlación (r), el cual puede tener valores que oscilan
entre -1 y +1. Cuando “r” es negativo, ello significa que una variable (ya sea “x” o “y”) tiende a
decrecer cuando la otra aumenta (se trata entonces de una “correlación negativa”,
correspondiente a un valor negativo de “b” en el análisis de regresión). Cuando “r” es positivo,
en cambio, esto significa que una variable se incrementa al hacerse mayor la otra (lo cual
corresponde a un valor positivo de “b” en el análisis de regresión).
En el presente trabajo se pretende interpretar la problemática que nos presentan del servicio de
urgencias del hospital Federico Lleras de Ibagué mediante la identificación de las variables
cuantitativas de la situación estudiada que puedan estar relacionadas, para a partir de esto realizar
la descripción de la información suministrada de la base de datos “calidad en el servicio de
Urgencias 2018-16-4”.

2
 JUSTIFICACIÓN

Por medio del presente trabajo se pretende realizar un análisis y descripción de la información
suministrada en la base de datos “calidad en el servicio de Urgencias 2018-16-4”, mediante la
utilización de la regresión y correlación lineal simple de las variables cuantitativas. Se pretende
mediante la realización de los gráficos de dispersión determinar el tipo de asociación de las
variables cuantitativas, así como encontrar el modelo matemático que nos permite predecir el
efecto de una variable sobre la otra, saber si es confiable el modelo, determinando el porcentaje
de explicación del modelo y el grado de relación de las variables.

3
 OBJETIVOS

 Definir brevemente los conceptos básicos asociados a Regresión y Correlación.

 Realizar el laboratorio de regresión y correlación lineal para aprender a realizar los

gráficos de dispersión.

 A partir de la base de datos “calidad en el servicio de Urgencias 2018-16-4” identificar

las variables cuantitativas de la situación estudiada que puedan estar relacionadas y
realizar el diagrama de dispersión de dichas variables y determinar el tipo de asociación
entre las variables encontrando el modelo matemático que permite predecir el efecto de
una variable sobre la otra.

4
 REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE

CONSOLIDACIÓN DE CONCEPTOS ASOCIADOS AL PASO

Diagrama de dispersión:
El diagrama de dispersión permite estudiar las relaciones entre dos conjuntos asociados de datos
que aparecen en pares (por ejemplo, (x,y), uno de cada conjunto). El diagrama muestra estos
pares como una nube de puntos y nos permite estudiar a relación entre:

 Dos factores o causas relacionadas con la calidad.

 Dos problemas de calidad.
 Un problema de calidad y su posible causa

Correlación lineal simple:

Si entre dos variables cuantitativas existe una relación lineal, el análisis de correlación lineal
simple se usa para determinar la relación y la magnitud de dicha relación, la dirección se refiere a
si esta positiva o negativa, la magnitud de la relación o grado de relación entre las variables se
refiere a la fuerza de la relación que existe entre las variables, se trata de expresar
cuantitativamente el grado de relación que existe entre las variables de estudio.

Coeficiente de determinación R2:

El coeficiente determinación R2 es el porcentaje de variación de la variable de respuesta que
explica su relación con una o más variables predictoras. Por lo general, mientras mayor sea el
R2, mejor será el ajuste del modelo a sus datos. El R2 siempre se encuentra entre 0 y 100%. El
R-cuadrado también se conoce como el coeficiente de determinación o determinación múltiple
(en la regresión lineal múltiple).

Correlación positiva y correlación negativa:

Correlación Positiva: Ocurre cuando al crecer (o decrecer) una de las variables, la otra también
crece (o decrece). Por ejemplo: a medida que se eleva el nivel de vida de una población, tiende a
aumentar el consumo de artículos que no son de primera necesidad.
Correlación Negativa. Ocurre cuando al crecer alguna de las variables, la otra decrece o
viceversa. Por ejemplo: a medida que se amplían los sistemas de salud y medicina preventiva,
decrece el índice de mortalidad por causa de las enfermedades infectocontagiosas.

¿Qué es el coeficiente de correlación lineal y qué nos ayuda a medir?

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.

5
ESTUDIANTE 1: Luis Fredy Timana

Variable Y: Edad (Años)

Variable X: Peso (Kg)

Diagrama de dispersión:

Tipo de asociación de las variables Lineal

Modelo matemático Y=0,6x-35,54
R2 0.3749
R 0.612
Confiabilidad No es confiable
% de explicación 37.49%
Grado de relación 61.2%

Análisis e interpretación de resultados

Debido a que el coeficiente de correlación está por debajo de 0.80 su correlación no es buena. Con
respecto al servicio de urgencias podemos afirmar que la relación edad - estatura de los
encuestados no es proporcional y existe una relación baja por la baja confiabilidad de sus
relaciones.

6
ESTUDIANTE 2: Rolando Hermida Manjarrés

Variable Y: Altura (M)

Variable X: Peso (Kg)

Diagrama de dispersión:

y = 0.0136x + 0.7524
Gráfico de Dispersión R² = 0.8645
2
1.8
Estatura (M)

1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00 80.00 90.00 100.00

Peso (Kg)

Tipo de asociación de las variables Lineal

Modelo matemático y = 0.0136x + 0.7524
R2 0.8645
R 0.93
Confiabilidad Si es confiable
% de explicación 86.45%
Grado de relación 93%

Análisis e interpretación de resultados

Debido a que el coeficiente de correlación está por encima de 0.80 su correlación es buena. Con
respecto al servicio de urgencias podemos afirmar que la relación peso- estatura de los encuestados
es proporcional y existe una relación alta por la alta confiabilidad de sus relaciones.

7
ESTUDIANTE 3: Sandra Patricia Cañas

Variable X: Peso (Kg)

Variable Y: Estatura (cm)

Diagrama de dispersión:

Diagrama de Dispersión y = 0,0084x + 1,2276

2.5 R² = 0,3417

2
ESTATURA

1.5

0.5

0
0 10 20 30 40 50 60 70 80 90 100
PESO

Tipo de asociación de las variables Lineal

Modelo matemático y = 0.0084x + 1,2276
R2 0,3417
R 0.58
Confiabilidad No es confiable
% de explicación 34.17%
Grado de relación 58%

Análisis e interpretación de resultados

Se determina que como el coeficiente de correlación está por debajo de 0.80, su correlación no es
buena. En cuanto al servicio de urgencias, evidenciamos que la relación entre el peso y la estatura
no es proporcional por lo tanto no es confiable.

8
 CONCLUSIONES

Por medio de esta actividad pudimos identificar que, para manejar los diferentes tipos de
variables, es necesario realizar un diagrama de dispersión, el cual nos permitió aplicar los
conceptos vistos como fórmulas de relación y correlación. La herramienta Excel nos suministró
las ecuaciones y datos para obtener un resultado.

Estos ejercicios nos mostraron los tipos de asociación ente variables y el grado de correlación
entre las mismas.

9
 REFERENCIAS BIBLIOGRÁFICAS

Ortegón, P. M. (2016).[OVA]. Regresión y Correlación lineal.

Churchill, G.A.(2009).Análisis de Correlación y de Regresión Simple. México City: Cengage

Learning.

Montero, J.M. (2007).Regresión y Correlación Múltiple. Madrid: Paraninfo.

http://www.fao.org/docrep/003/X6845S/X6845S02.htm

http://estadisticadescriptivaunad100105.blogspot.com.co/

10
 ANEXO: LABORATORIO REGRESIÓN Y CORRELACIÓN LINEAL.

ESTUDIANTE 1: Luis Fredy Timana

1.1. Sal-Tensión. Se quiere estudiar la asociación entre consumo de sal y tensión

arterial. A una serie de voluntarios se les administra distintas dosis de sal en su
dieta y se mide su tensión arterial un tiempo después.

X (sal) Y (Tensión)
1,6 98
2,3 102
3,3 109
4,2 113

4,6 115
5,0 120

a. Realice el diagrama de dispersión y determine el tipo de asociación entre las

variables

Se observa que entre mayor sal(x), la tensión(y) sube muy levemente

11
b. Encuentre el modelo matemático que permite predecir el efecto de una variable
sobre la otra. ¿Es confiable?
se determina que es confiable porque están unidos tanto x como y, y además
con base a su resultado, 𝑅 2 es uno(1)
por lo cual se tiene un grado de alta confiabilidad, tiene un grado de correlacion
excelente
y=6,1062x+88,128 &
2
𝑅 = 0,9877

c. Determine el grado de relación de las dos variables.

Podemos determinar que
R² * 100 %
1 * 100% = 100%. El grado de relación de las dos variables esta dado por la raíz
cuadrada del coeficiente de determinación así
√(R²)
= √(1)
= 1 este porcentaje sería de
1 * 100 %
= 100%, lo cual nos indica están relacionadas entre sí en un 100%. su correlación
es buena porque está por encima de un 80%.
d. Si a un paciente se le administra una dosis de sal de 5,6. ¿Cuál es la tensión arterial
esperada?
Entonces seria así:
Reemplazamos en la formula
=6,1*(5,6)+88,12
=122,28 valor de la tensión arterial

1.2. Temp-Vapor. El número de libras de vapor (y) consumidas mensualmente por

una planta química, se relaciona con la temperatura ambiental promedio (en o
F). Para el año 2014, se registraron los siguientes valores de temperatura y
consumo anual.

12
2014 registros de temperatura y consumos de vapor.

Consumo de vapor
Mes Temperatura (F)
(Lb)

Ene. 21 185,79
Feb. 24 214,47
Mar. 32 288,03
Abr. 47 424,84
May. 50 455
Jun. 59 539
Jul. 68 621,55
Ago. 74 675,06
Sep. 62 562,03
Oct. 50 452,93
Nov. 41 369,95
Dic. 30 273,98

13
a. Realice el diagrama de dispersión y determine el tipo de asociación entre las
variables.

Se determina que a mayor temperatura su consumo de vapor aumenta

considerablemente
b. Ajuste un modelo matemático que permita predecir el efecto de una variable sobre
la otra. ¿Es confiable?

se determina que no es confiable, están unidos tanto x como y, y además con

base a su resultado, 𝑅 2 es menor a uno(1)
por lo cual se tiene un grado de menor confiabilidad, no hay correlación
y=17,396x+292,92 &
2
𝑅 = 0,1508

14
 c. Determine el porcentaje de explicación del modelo y el grado de relación de las dos
variables.
El porcentaje de explicación del modelo esta dado por la representación porcentual del
coeficiente de determinación.

R² * 100 %

= 0.1508 * 100%

= 15.08%. El grado de relación de las dos variables esta dado por la raíz cuadrada del
coeficiente de determinación así

√(R²) = √(0.1508)

= 0,38 cuya representación porcentual sería de

0,38 * 100 % = 38%, lo cual nos indica están relacionadas entre sí en un 38%. Debido
a que el coeficiente de correlación está por debajo de de 0.80 su correlación no es buena.

d. ¿Cuál es el de consumo de vapor cuando la temperatura es de 70 oF?

Entonces seria asi:
Reemplazamos en la formula
=17,396(70)+292,92
=1510,64 es el consumo de vapor

1.3. PIB-Ventas. Una compañía multinacional del servicio de telecomunicaciones en

Colombia, como medio de planeación estratégica para la toma de decisiones,
solicita a su departamento financiero, hacer predicciones económicas del valor
anual de sus ventas totales, versus el PIB nacional de las últimas dos décadas,
para la toma de decisiones para la apertura de nuevos mercados.

15
Año PIB Nación Ventas de la compañía
2001 1,70 339,43
2002 2,50 363,02
2003 3,90 359,75
2004 5,30 336,90
2005 4,70 339,38
2006 6,70 348,40
2007 6,90 372,00
2008 3,50 358,79
2009 1,70 337,94
2010 4,00 357,32
2011 6,60 342,14
2012 4,00 327,84
2013 4,90 362,06
2014 4,40 348,80
2015 3,10 353,52
2016 2,00 355,40
2017 1,80 342,00

16
Realice el diagrama de dispersión y determine el tipo de asociación entre las variables.

a. Ajuste un modelo matemático que permita predecir el efecto de una variable sobre la
otra. ¿Es confiable?

se determina que es confiable, están dispersos tanto x como y, y además con

base a su resultado, 𝑅 2 es menor a uno(1)
por lo cual no hay correlación
y=0,0547x-230,67 &
2
𝑅 = 0,0191
17
b. Determine el porcentaje de explicación del modelo y el grado de relación de las dos
variables.
El porcentaje de explicación del modelo esta dado por la representación porcentual del
coeficiente de determinación. R² * 100 % = 0.0191 * 100% = 1,91%.
c. ¿Cuál podria ser la proyección de ventas para el año 2018 si se espera que el PIB
nacional sea del 3,1?
Entonces seria asi:
Reemplazamos en la formula
y=0,0547(3,1)+230,67
=230,83

ESTUDIANTE 2: Rolando Hermida Manjarrés

1.3. Peso-Altura. Un colegio del distrito de Bogotá desea realizar un estudio de

crecimiento dentro de su población estudiantil, para lo que se ha construido desde una
muestra la siguiente de información del peso (en kg.) y la altura (en cm.) de 20 jóvenes:

Altura
N° Peso (kg)
(cm)
1 150 61
2 143 63
3 146 60
4 160 74
5 143 58
6 145 63
7 149 64
8 158 74
9 150 74
10 150 66
11 153 63
12 151 61
13 151 64
14 147 69
15 142 64
16 164 77
17 162 76
18 163 80
19 152 79
20 144 68
18
a) Realice el diagrama de dispersión y determine el tipo de asociación entre las variables.

el tipo de asociación es lineal.

b) Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la
otra. ¿Es confiable? El modelo matemático que nos permite predecir una variable sobre la
otra es y = 0.746x - 44.863 R² = 0.5583, como R² está alejado de 1 no es confiable ya que
los datos de y son dispersos con respecto a x.

c) Determine el porcentaje de explicación del modelo y el grado de relación de las dos

variables. El porcentaje de explicación del modelo esta dado por la representación porcentual
del coeficiente de determinación. R² * 100 % = 0.5583 * 100% = 55.83%. El grado de
relación de las dos variables esta dado por la raíz cuadrada del coeficiente de determinación
así √(R²) = √(0.5583) = 0.75 cuya representación porcentual sería de 0.75 * 100 % = 75%,
lo cual nos indica están relacionadas entre sí en un 75%. Debido a que el coeficiente de
correlación está por debajo de 0.80 su correlación no es buena.

19
d) ¿Cuál es el peso esperado de un estudiante que mide 172 cm? y = 0.746(172)- 44.863 =
49.408 - 22.751 = 83.449 Kg.

1.6. Estatura-Peso. Una Nutricionista de un hogar infantil desea encontrar un modelo

matemático que permita determinar la relación entre el peso y la estatura de sus
estudiantes. Para ello selecciona 10 niños y realiza las mediciones respectivas.

A continuación, se presentan los resultados:

Estatura
Peso (Kg)
(cm)
120 24
124 23
107 19
118 24
112 21
110 19
115 22
104 16
110 20
116 23

a. Identifique la variable dependiente (y) y la variable independiente (x), realice el

diagrama de dispersión y determine el tipo de asociación entre las variables.
y = 0.386x - 22.751
Gráfico de Dispersión R² = 0.8329

30
Peso (Kg)

25

20

15

10
90 95 100 105 110 115 120 125 130

Estatura (cm)
La variable independiente (x) es la estatura (cm) y la dependiente (y) es el peso (Kg),
el tipo de asociación es lineal.

20
b. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la
otra. ¿Es confiable? El modelo matemático que permite predecir el efecto de una variable
sobre la otra es Y=a + bX; y = 0.386x - 22.751, R² = 0.8329.

c. Determine el grado de correlación de las dos variables. La correlación lineal es aceptable

porque el R² = 0.8329 se acerca al 1.

d. ¿Cuál es el peso que debería tener un estudiante que mida 128 cm? y = 0.386(128)- 22.751
= 49.408 - 22.751 = 26.657 Kg.

1.8. %-Umbral. Los investigadores están estudiando la correlación entre la obesidad y

la respuesta individual al dolor. La obesidad se mide como porcentaje sobre el peso
ideal (x). La respuesta al dolor se mide utilizando el umbral de reflejo de reflexión
nociceptiva (y) que es una medida de sensación de punzada. Obsérvese que ambas, X e
Y, son variables aleatorias

y (umbral de reflejo
% Sobrepeso de flexión
nociceptiva)
89 2.00
90 3.00
75 4.00
30 4.50
51 5.50
75 7.00
62 9.00
45 13.00
90 15.00
20 14.00

21
 y = -0.0629x + 11.642
Gráfico de Dispersión R² = 0.1115
16.00
umbral de reflejo de flexión

14.00

12.00
nociceptiva

10.00

8.00

6.00

4.00

2.00

0.00
0 20 40 60 80 100

% Sobrepeso
a) Realice el diagrama de dispersión y determine el tipo de asociación entre las variables. el
tipo de asociación es lineal.

b. Encuentre el modelo matemático que permite predecir el efecto de una variable sobre la
otra. ¿Es confiable? El modelo matemático que permite predecir el efecto de una variable
sobre la otra es Y=a + bX; y = -0.0629x + 11.642, R² = 0.1115. como R² está muy alejado
de 1 no es confiable ya que los datos de y son dispersos con respecto a x.

c) Determine el porcentaje de explicación del modelo y el grado de relación de las dos

variables. El porcentaje de explicación del modelo esta dado por la representación
porcentual del coeficiente de determinación. R² * 100 % = 0.11153 * 100% = 11.15%.

El grado de relación de las dos variables esta dado por la raíz cuadrada del coeficiente de
determinación así √(R²) = √(0.1115) = 0.33 cuya representación porcentual sería de 0.33 *
100 % = 33%, lo cual nos indica están relacionadas entre sí en un 33%. Debido a que el
coeficiente de correlación está por debajo de 0.40 su correlación no es buena.

22
d. ¿Cuál es el umbral de reflejo de flexión nociceptiva, cuando hay un porcentaje de
sobrepeso, de 40? y = -0.0629(40) + 11.642 = -2.516 + 11.642 = 9.126 %

ESTUDIANTE 5: Sandra Patricia Cañas Melo

1.2. CH-Pureza. El rendimiento del producto de un proceso químico está relacionado

con la temperatura de operación del proceso. Se desea establecer la relación que existe
entre la pureza (y) del oxígeno producido y el porcentaje de hidrocarburo (x) que está
presente en el condensador principal en un proceso de destilación, de acuerdo con los
siguientes datos:

X
Hidrocarbur Y
os Pureza
0,99 90,01
1,02 89,05
1,15 91,43
1,29 93,74
1,46 96,73
1,36 94,45
0,87 87,59
1,23 91,77
1,55 99,42
1,4 93,65
1,19 93,54
1,15 92,52
0,98 90,56
1,01 89,54
1,11 89,85
1,2 90,39
1,26 93,25
1,32 93,41
1,43 94,98
0,95 87,33

23
 a. Realice el diagrama de dispersión y determine el tipo de asociación entre las variables.

El tipo de asociación entre las variables es "Lineal directa"

DIAGRAMA DE DISPERSIÓN y = 14.947x + 74.283

102
R² = 0.8774

100

98

96
PUREZA

94

92

90

88

86
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
HIDROCARBUROS

b. Encuentre el modelo matemático que permite predecir el efecto de una

variable sobre la otra. ¿Es confiable?
El modelo matemático es: y=ax+b, reemplazando los términos nos queda: y = 14,947x
+ 74,28; R² = 0,8774

c. Determine el porcentaje de explicación del modelo y el grado de relación de

las dos variables.
Por medio de esta ecuación se realiza una buena estimación entre las dos variables ya
que el coeficiente de determinación R2 explica el 87.74% de la información y el valor
del coeficiente de correlación R confirma que el grado de relación de las variables es
del 93.67%.

24
d. ¿Cuál es el porcentaje de hidrocarburo cuando la pureza del oxígeno es
igual a 91,3?
y = 14,947x + 74,283
x = (y - 74,283) / 14,947
x = (91,3 - 74,283) / 14,947
x = 1,14 (Porcentaje de hidrocarburo)

1.5. Tem-Vapor. El número de libras de vapor (y) consumidas mensualmente por una
planta química, se relaciona con la temperatura ambiental promedio (en o F). Para el
año 2014, se registraron los siguientes valores de temperatura y consumo anual.

Consumo
Temperatu
Mes de vapor
ra (F)
(Lb)
Ene 21 185,79
Feb 24 214,47
Mar 32 288,03
Abr 47 424,84
May 50 455
Jun 59 539
Jul 68 621,55
Ago 74 675,06
Sep 62 562,03
Oct 50 452,93
Nov 41 369,95
Dic 30 273,98

a. Realice el diagrama de dispersión y determine el tipo de asociación entre las

variables.
Se evidencia que el tipo de asociación es "Perfecta y directa"

25
 y = 9.2087x - 6.3184
DIAGRAMA DE DISPERSIÓN
R² = 0.9999
800
700
CONSUMO DE VAPOR

600
500
400
300
200
100
0
0 10 20 30 40 50 60 70 80
TEMPERATURA

b. Ajuste un modelo matemático que permita predecir el efecto de una

variable sobre la otra. ¿Es confiable?
y= ax-b, reemplazando los términos queda y= 9,2087x - 6,3184; R²=0,9999. Por esta
razón determinamos que el modelo es confiable ya que su coeficiente R² se aproxima a
1.
c. Determine el porcentaje de explicación del modelo y el grado de relación de
las dos variables.
Por medio de la ecuación una buena estimación entre las variables debido a que el
coeficiente de determinación R2 explica el 99.99% de la información y el valor del
coeficiente de correlación R confirma el grado de relación de las variables, que es el
99.99%
d. ¿Cuál es el de consumo de vapor cuando la temperatura es de 70 °F?
y = 9,2087 * 70 - 6,3184
y = 638,29% (porcentaje de vapor)

26
1.8. %-Umbral. Los investigadores están estudiando la correlación entre la obesidad y
la respuesta individual al dolor. La obesidad se mide como porcentaje sobre el peso
ideal (x). La respuesta al dolor se mide utilizando el umbral de reflejo de reflexión
nociceptiva (y) que es una medida de sensación de punzada. Obsérvese que ambas, X
e Y, son variables aleatorias

umbral de
%
reflejo de
Sobrepes
flexión
o
nociceptiva
89 2,00
90 3,00
75 4,00
30 4,50
51 5,50
75 7,00
62 9,00
45 13,00
90 15,00
20 14,00

a) Realice el diagrama de dispersión y determine el tipo de asociación entre las

variables
Para este caso se evidencia que el tipo de asociación es "lineal inversa"

27
 y = -0.0629x + 11.642
DIAGRAMA DE DISPERSIÓN R² = 0.1115
16.00
UMBRAL DE REFLEJO DE FLEXIÓN

14.00
12.00
10.00
NOCICEPTIVA

8.00
6.00
4.00
2.00
0.00
0 20 40 60 80 100
% SOBREPESO

b. Encuentre el modelo matemático que permite predecir el efecto de una

variable sobre la otra. ¿Es confiable?
El modelo matemático que predice el efecto de una variable sobre la otra es
y=ax+ b, que al reemplazar los términos queda y = -0.0629x + 11.642, R² =
0.1115. Evidenciamos que R² se encuentra alejado de (1), por lo tanto no es
confiable ya que los datos de (y) son dispersos con respecto a (x)
c) Determine el porcentaje de explicación del modelo y el grado de relación
de las dos variables.
Teniendo en cuenta que el coeficiente de correlación está por debajo de 0.40, su
correlación no es buena, además la ecuación no hace una buena estimación
entre las variables, debido a que el coeficiente de determinación R² explica el
11.15% de la información.
d. ¿Cuál es el umbral de reflejo de flexión nociceptiva, cuando hay un porcentaje
de sobrepeso, de 40?
y = -0,0629 * 40 + 11,642
y= -2,516 + 11,642
y = 9,126 % (Porcentaje de sobrepeso).

28