COMPENDIO OCHO

JENNY ROCIO URREA BUSTAMANTE

ROSA ELVIRA ARIZA

LIC. JORGE OBANDO

UNIVERSIDAD COOPERATIVA DE COLOMBIA

VILLAVICENCIO META
CONTADURIA PBLICA
ESTADISTICA DESCRIPTIVA
GRUPO 502
2015

Ejercicio 1
Para estudiar el efecto de las aguas residuales de las alcantarillas que afluyen a
un lago, se toman medidas de la concentracin de nitrato en el agua. Para
monitorizar la variable se ha utilizado un antiguo mtodo manual. Se idea un
nuevo mtodo automtico. Si se pone de manifiesto una alta correlacin positiva
entre las medidas tomadas empleando los dos mtodos, entonces se har uso
habitual del mtodo automtico. Los datos obtenidos son los siguientes:
Manual = X
Automtico = Y

25
30

40
80

120
150

75
80

150
200

300
350

270
240

400
320

450
470

575
583

Comprobar la idoneidad del modelo lineal de regresin. Si el modelo es apropiado,

hallar la recta de regresin de Y sobre X y utilizarla para predecir la lectura que se
obtendra empleando la tcnica automtica con una muestra de agua cuya lectura
manual es de 100. Realizar el ejercicio en R
EN R
>
datos=read.table("aguas.txt",header=
T)> attach(datos)
> datos

>regresion=lm(Automtico~Manual,d
ata=datos)
> summary(regresion)

DESARROLLO
X
1
25
2
40
3
120
4
75
5
150
6
300
7
270
8
400
9
450
10 575
Call:
lm(formula
datos)

Y
30
80
150
80
200
350
240
320
470
583
= Automtico ~ Manual, data =

Residuals:
Min
1Q Median
3Q Max
-78.98 -18.57 14.31 23.53 44.24
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 26.11496 21.20188 1.232

0.253
Manual
0.93216 0.07064 13.195 1.04e06 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1

ECUACION

Residual standard error: 40.11 on 8 degrees of

freedom
Multiple R-squared: 0.9561, Adjusted Rsquared: 0.9506
F-statistic: 174.1 on 1 and 8 DF, p-value:
1.036e-06
m= 0,93216
b= 26,11496
Y=0,93216x+26,11496
R= 0,9561
se acerca a 1 valor que garantiza en cierta
forma el uso del modelo lineal para el
problema
P-valor= 1.036e-06 = 0,00001036 <0.05
Indicando que si existe una relacin entre los

tcnica automtica con una muestra

de agua cuya lectura manual es de
100

dos mtodos, manuales y automticos.

Y=0,93216x+26,11496
Y=0,93216(100)+26,11496
Y= 119,33096

Ejercicio 2
Sobre una hoja de papel cuadriculado dibuje aproximadamente 5 cuadrados de
diversos tamaos.
a. Cuntos cuadritos encierra cada

uno de los cuadrados dibujados?

Represente esta variable mediante la letra N

b. Cunto mide el lado de cada cuadrado? Represente esta variable mediante la
letra L
c. Coleccione su informacin en una tabla de datos.

d. Existe alguna relacin entre una y otra variable? Detalle su respuesta.

Represente las parejas (L, N) en un plano cartesiano
e. Qu clase de curva obtiene?

Ejercicio 3
A partir de las siguientes observaciones para 5 aos de las variables X e Y,
ajstese el modelo de regresin de Y en funcin de X ms idneo. Donde:
Y: produccin nacional de un subsector industrial, en millones de toneladas.
X: tiempo

Ao
1995

X
1

Y
1,25

1996

1997

11,25

1998

20

1999

30,5

EN R
>
datos=read.table("aos.txt",header=T)>
attach(datos)
> datos
>regresion=lm(PRODUCCION~TIEMPO,d
ata=datos)
> summary(regresion)

DESARROLLO
X
Y
1
1
1.25
2
2
5.00
3
3
11.25
4
4
20.00
5
5
30.50
Call:
lm(formula = PRODUCCION ~ TIEMPO, data =
datos)
Residuals:
1
2
3
4
5
2.35 -1.25 -2.35 -0.95 2.20
Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) -8.4500
2.5939 -3.258 0.04722
*
TIEMPO
7.3500
0.7821 9.398 0.00255
**
--Signif. Codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1
Residual standard error: 2.473 on 3 degrees of
freedom
Multiple R-squared: 0.9671, Adjusted Rsquared: 0.9562
F-statistic: 88.32 on 1 and 3 DF, p-value:
0.002552
m= 7,3500
b= -8,4500

ECUACION

Y=7,3500x-8,4500
R= 0,9671
se acerca a 1 valor que garantiza en cierta
forma el uso del modelo lineal para el problema
P-valor= 0.002552 <0.05
Indicando que si existe una relacin entre los
aos y su potencial de produccin

Ejercicio 4
Cinco nias de 2,4, 6,7 y 8 aos pesan respectivamente 15, 19, 25, 38, y 34
kilogramos

respectivamente,

entonces

una

nia

aproximadamente:
A. 45
B. 55
C. 15
D. 51
E. 61
EDAD
2
4
6

PESO
15
19
25

de

12

aos

pesara

7
8

38
34
EN R

DESARROLLO

>
datos2=read.table("pesos.txt",header
=T)> attach(datos2)
> datos
>
regresion=lm(Peso~Edad,data=datos
2)
> summary(regresion)

X Y
1 2 15
2 4 19
3 6 25
4 7 38
5 8 34
Call:
lm(formula = Peso ~ Edad, data = datos2)
Residuals:
1
2
3
4
5
1.491 -1.974 -3.440 5.828 -1.905
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.0431
5.1936 1.164 0.329
Edad
3.7328
0.8933 4.178 0.025 *
--Signif. Codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1
Residual standard error: 4.303 on 3 degrees of
freedom
Multiple R-squared: 0.8534, Adjusted Rsquared: 0.8045
F-statistic: 17.46 on 1 and 3 DF, p-value:
0.02497
m= 3.7328
b= 6.043

ECUACION

Y=3.7328x+6.043
R= 0.8534
se acerca a 1 valor que garantiza en cierta
forma el uso del modelo lineal para el
problema
P-valor= 0.02497 <0.05
Indicando que si existe una relacin entre
nia

de

12

aproximadamente:

Ejercicio 5

aos

pesara

edad y peso.
Y=3.7328x+6.043
Y=3.7328(12)+6.043
Y= 50,8367

En el anlisis de Regresin lineal se puede afirmar todo lo siguiente excepto:

A. Ajusta los datos a una lnea recta
B. Predice valores de una variable si se conoce el valor de la otra
C. Establece una relacin cuantitativa entre dos variables relacionadas
D. El mtodo grfico para determinar la relacin entre dos variables es ms
concreto que el mtodo matemtico o de mnimos cuadrados
E. Una relacin lineal entre dos variables queda representada por una lnea
recta llamada ecuacin de regresin
Ejercicio 6
Dado Los siguientes datos expuestos en la tabla
Edad

Estatura

60

80 100 110

5
112

La frmula de regresin para los datos propuestos est dada por:

A. y = 11,5x + 67,5
B. y = 7,5x + 85,5
C. y = 13,4x + 52,2
D. y = 14,4x + 47
E. y = 14x + 48,8
EN R
>
datos=read.table("estatura.txt",header=
T)> attach(datos)
> datos

>
regresion=lm(Estatura~Edad,data=dato

RESULTADO
1
2
3
4
5

X
1
2
3
4
5

Y
60
80
100
110
112

Call:
lm(formula = Estatura ~ Edad, data = datos)

s)
> summary(regresion)

Residuals:
1 2 3 4 5
-5.6 1.0 7.6 4.2 -7.2
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 52.200
7.650 6.824 0.00644
**
Edad
13.400
2.307 5.810 0.01015 *
--Signif. Codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1

ECUACION

Residual standard error: 7.294 on 3 degrees of

freedom
Multiple R-squared: 0.9184, Adjusted Rsquared: 0.8912
F-statistic: 33.75 on 1 and 3 DF, p-value:
0.01015
m= 13.400
b= 52.200
Y=13.400x+52.200

Ejercicio 7

El
Grafico para los puntos dispersos est dado por:

Ejercicio 8
El diagrama de dispersin para la regresin lineal est dado por
C