Tarea 6.1 Analisis de Regresion

Tarea 6.
1 Análisis de Regresión 1
Tarea 6.1 Análisis de Regresión
Luisa M. Fernández García
Est #. 2205082304
Departamento de Administración de Empresas y Tecnología,
NUC University Río Grande
STAT 5210- Estadísticas
Programa Graduado
Prof. David X. Ruíz
12 de abril de 2023
Tarea 6.1 Análisis de Regresión 2
Ejercicios prácticos para el Capítulo 9

1. ¿Qué representa la regresión lineal simple?
La regresión lineal simple representa la relación entre las dos variables.
2. ¿Para qué sirve el coeficiente de correlación de Pearson?
El coeficiente de correlación de Pearson sirve para determinar qué tan fuerte es la
relación de los datos entre las dos variables de la línea de regresión.
3. ¿Cuál es la utilidad del coeficiente de correlación de Pearson?
La utilidad del coeficiente de correlación de Pearson es verificar si el valor r es 1, está
perfectamente correlacionado con una pendiente positiva. Si es -1, está perfectamente
correlacionado con una pendiente negativa. Cuando los puntos están bien dispersos no
se pueden relacionar las dos variables por medio de una ecuación. Por lo tanto, el valor
de la correlación es de cero.
4. Utiliza los siguientes datos para relacionar las unidades defectuosas de un
medicamento con los miligramos del activo:
Miligramos 3 2 5 4 6
Defectos 8 7 9 10 11
Utilizando las fórmulas del método del mínimo cuadrado:

Miligramo Defecto
s s
3 8
2 7
5 9
4 10
6 11
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.9
R Square 0.81
Adjusted R Square 0.746666667
Standard Error 0.795822426

Observations 5
ANOVA
df SS MS F Significance F
Regression 1 8.1 8.1 12.78947 0.037386073
Residual 3 1.9 0.633333
Total 4 10
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept 5.4 1.067707825 5.057563 0.014916 2.002077177 8.797922823 2.002077177 8.797922823
X Variable 1 0.9 0.251661148 3.576237 0.037386 0.09910191 1.70089809 0.09910191 1.70089809
a. Determina la pendiente
b (intercepto x) = 0.9
b. Determina el intercepto en y
y=5.4
c. Determina la ecuación de la línea de regresión
y=a+bX
Y=0.9+5.4X
d. Determina la correlación
Correlación = 0.9
e. Calcula el coeficiente de determinación
Coeficiente de determinación = 0.81
f. Explica por qué la ecuación es útil o no para relacionar los defectos con los
miligramos de reactivo.
El P value es menor de 0.05 por tanto es útil para relacionar los defectos con los
miligramos de reactivo.
Relación entre los defectos vs. miligramos de

reactivo
12
10
8
Defectos
0
1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
Miligramos
6. En la siguiente tabla se relacionan el índice de precios de los pasados 10 meses con

las ventas de un producto.
Ventas
Índice de Precios
X Y
110 150
112 180
98 130
100 90
95 100
90 40
93 50
87 30
89 30
80 10
SUMMARY
OUTPUT
Regression Statistics
Multiple R 0.948995
R Square 0.900591
Adjusted R
Square 0.888165
Standard Error 19.40066
Observations 10
ANOVA
df SS MS F Significance F
Regression 1 27278.91604 27278.91604 72.476 2.78354E-05
Residual 8 3011.083963 376.3854953
Total 9 30290
Standard Upper
Coefficients Error t StatP-value Lower 95% 95% Lower 95.0% Upper 95.0%
9.57E-
Intercept -444.103 61.98474294 -7.164708604 05 -587.0396946 -301.166 -587.0396946 -301.1655475
2.78E-
X Variable 1 5.50422 0.646544909 8.513283875 05 4.013285113 6.995156 4.013285113 6.99515558
b (intercepto x) =5.50422
intercepto en y = -444.103
a. Haga el diagrama de dispersión.
Relación de ventas vs. índice de precios

180
150
120
Ventas
90
60
30
0
0 20 40 60 80 100
Indice de Precios
b. Determine la línea de regresión con los datos del ejercicio 6.

y= a+bX
y= -444.103 +5.50422X
c. Utilizando los datos del ejercicio 6 determine el coeficiente de correlación de
Pearson. Indique si es o no útil la línea de regresión.
Coeficiente de correlación = 0.948995
P value = 2.78E-05 es menor de 0.05 por tanto es útil para relacionar las ventas con los
índices de precios.
d. Utilizando los datos del ejercicio 6 determine el coeficiente de determinación.
Coeficiente de determinación = 0.900591
8. ¿Qué es la regresión múltiple?
La regresión múltiple es donde se relacionan tres o más variables. La comparación
intenta establecer cómo dos o más variables independientes pueden predecir el
comportamiento de una variable dependiente.

Tarea 6.1 Analisis de Regresion

Cargado por

Copyright:

Formatos disponibles

Tarea 6.1 Analisis de Regresion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tarea 6.1 Analisis de Regresion

Cargado por

Copyright:

Formatos disponibles

Tarea 6.

Tarea 6.1 Análisis de Regresión

Luisa M. Fernández García

Departamento de Administración de Empresas y Tecnología,

NUC University Río Grande

STAT 5210- Estadísticas

Prof. David X. Ruíz

Ejercicios prácticos para el Capítulo 9

Utilizando las fórmulas del método del mínimo cuadrado:

Standard Error 0.795822426

Relación entre los defectos vs. miligramos de

6. En la siguiente tabla se relacionan el índice de precios de los pasados 10 meses con

Relación de ventas vs. índice de precios

b. Determine la línea de regresión con los datos del ejercicio 6.

También podría gustarte