Unidad 2 – paso 4

Descripción de la información

Presentado por:
Jose francisco bettin estrada

Código:
1045751241

Tutor(a):
Jhanna Patrick Brieva

grupo:
184

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

(UNAD)
ECBTI
INGENIERIA DE SISTEMAS
CCAV SAHAGUN
 Introducción:

La investigación estadística es una actividad que apela a diversas técnicas

con el propósito de llegar a la esencia de la realidad. La regresión lineal
simple y la regresión lineal múltiple son técnicas de análisis de las
variables de una investigación estadística, en este caso desde la encuesta
realizada. Si bien es cierto estas técnicas mencionadas se pueden utilizar
para solucionar problemas comunes en los negocios o para evaluar el
comportamiento de su economía y en general se utiliza con mayor
frecuencia en las ciencias económicas, también es cierto que en muchos
casos se requiere conocer más que el comportamiento de una sola variable
para entender una investigación cualquiera sea su especia. Entonces, sin
importar la situación presentada se hace necesario que practiquemos estas
técnicas de regresión por medio de ejercicios salientes de la cotidianidad, a
continuación, veremos pues los resultados de dicha práctica.

La realización de este trabajo es dar a conocer y poner en práctica la

regresión y correlación y medias de dispersión y estadísticas bivariantes
sobre la unidad 2 de este curso, además de los comportamientos que se dan
en el plano cartesiano tanto en las variables, como los grados y resultados
que se manejan para los ejemplos que se plantean en el laboratorio
propuesto, que es de vital importancia reconocer y manejar las fórmulas
que se obtienen de la herramienta de Excel.
 justificacion

en primer lugar aplicaremos el proceso de regresión lineal simple para

determinar tanto la naturaleza como la fuerza de una relación entre dos
variables y segundo lugar la regresión lineal múltiple con la cual
describiremos la relación entre dos o más variables independientes y una
variable dependiente utilizando la ecuación de regresión múltiple; estas
ecuaciones de estimaciones nos permitirá realizar una interpretación de
correlación de la investigación realizada en estas instituciones educativas.
El trabajo de laboratorio constituye una de las mejores metodologías para la
aplicación de modelos estadísticos a las variables de los hechos, es por eso
que se trabaja en este sentido y no otro para la práctica de la unidad 3 de
regresión y determinación
 OBJETIVOS

Objetivos Generales
1. Potencializar en el estudiante habilidades y destrezas para
caracterizar una situación mediante el análisis de las medidas
estadísticas bivariantes.
2. Calcular e interpretar adecuadamente las medidas estadísticas
bivariantes, asociadas a una situación específica.
3. Determinar la relación entre dos o más variables inscritas en una
situación específica a partir del análisis de regresión lineal simple y
múltiple.

Objetivos Específicos
1. Interpretar correctamente los datos de cada tabla propuestos en cada
uno de los ejercicios.
2. Realizar diagramas de dispersión en los ejercicios de laboratorio y
actividades colaborativas que permitan determinar el tipo de
asociación entre las variables escogidas en cada ejercicio.
3. En los ejercicios propuestos de laboratorio y de regresión y
correlación lineal simple crear modelos matemáticos que permita
predecir el efecto de una variable sobre la otra para determinar su
fiabilidad.
4. Determinar porcentajes que permitan una explicación de modelo y
grado de relación de dos variables de los ejercicios de laboratorio y
de regresión y correlación lineal simple.
5. En la práctica de regresión y correlación lineal múltiple identificar
una variable cuantitativa dependiente y varias variables
independientes del estudio de investigación, diagramarlas y calcular
la recta de regresión y el coeficiente de correlación para probar
estadísticamente su relación.
6. Relacionar o analizar la información obtenida en cada problema
planteado en los ejercicios de laboratorio y colaborativo.
  Actividad 2. Definición de Conceptos.

 Diagrama de dispersión.
Un diagrama de dispersión o también llamada gráfica de dispersión, es un
tipo de diagrama matemático que utiliza las coordenadas cartesianas para
mostrar los valores de dos variables para un conjunto de datos, también
puede sugerir varios tipos de correlaciones entre las variables, con un
intervalo de confianza determinado. La correlación puede ser positiva
(aumento), negativa (descenso), o nula (las variables no están
correlacionadas). Se puede dibujar una línea de ajuste (llamada también
"línea de tendencia") con el fin de estudiar la correlación entre las
variables. Una ecuación para la correlación entre las variables puede ser
determinada por procedimientos de ajuste. Para una correlación lineal, el
procedimiento de ajuste es conocido como regresión lineal y garantiza una
solución correcta en un tiempo finito.

 Correlación lineal simple.

Se refiere al grado de variaciones conjuntas que existen entre dos o más

variables, en este caso nos centraremos en estudiar un tipo particular de
relación llamada lineal, y nos limitar a considerar únicamente dos variables
simple, X e Y, que indican el valor de las variables que varían dependiendo
el valor que le asigna uno.

 Coeficiente de determinación R2:

En estadística, el coeficiente de determinación, denominado R² y
pronunciado R cuadrado, es un estadístico usado en el contexto de un
modelo estadístico cuyo principal propósito es predecir futuros resultados o
probar una hipótesis. El coeficiente determina la calidad del modelo para
replicar los resultados, y la proporción de variación de los resultados que
puede explicarse por el model0.

 Correlación positiva y correlación negativa:

Si r > 0 Hay correlación positiva: las dos variables se correlacionan en
sentido directo. A valores altos de una le corresponden valores altos de la
otra e igualmente con los valores bajos. Cuánto más próximo a +1 esté el
coeficiente de correlación más patente será esta covariación. Si r = 1
hablaremos de correlación positiva perfecta lo que supone una
determinación absoluta entre las dos variables (en sentido directo): Existe
una relación lineal perfecta (con pendiente positiva).

Si r < 0 Hay correlación negativa: las dos variables se correlacionan en

sentido inverso. A valores altos de una de ellas le suelen corresponder valor
bajos de la otra y viceversa. Cuánto más próximo a -1 esté el coeficiente de
correlación más patente será esta covariación extrema. Si r= -1 hablaremos
de correlación negativa perfecta lo que supone una determinación absoluta
entre las dos variables (en sentido inverso): Existe una relación funcional
perfecta entre ambas (una relación lineal de pendiente negativa).

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

medir?
Esta es una medida lineal entre 2 variables al azar estas vendrían siendo las
variables cualitativas, distintas de la covarianza.
Donde la correlación es independiente de la escala de medida de las
variables, esto se utiliza para medir el grado de relación de dos variables
siempre y cuando ambas sean cuantitativas y continuas.
1) número sin dimensiones entre -1 y 1.

2) si las variables son independientes r=0. La inversa no es necesariamente

cierta, aunque si las variables son normales bivariantes sí.

3) si las variables estuvieran relacionadas linealmente r=1

Un contraste que interesa realizar en un modelo II es H0: r=0.

 Actividad 3. Realizar el laboratorio de regresión y correlación

lineal

 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

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

una variable sobre la otra. ¿Es confiable?

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

d. Si a un paciente se le administra una dosis de sal de 5,6. ¿Cuál es la

tensión arterial esperada?

a) El tipo de asociación que hay entre las variables es lineal

 Chart Title
140
120
100
( tension ) x

80
60
40
20
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
( sal ) x

b) El modelo matemático que permite predecir el efecto de una variable

sobre la otra es: Y= a+ b x

y = 6,1062x + 88,128
R² = 0,987
analizando el resultado se puede decir que tiene una confiabilidad
excelente ya que el valor de R tiene un valor de 0,987 que podríamos
redondear a 1.

c) R= Cof. De correlación
R= √ 0,987 = 99%
R= 99% la correlación es excelente

d) y= 6,1062(5,6) + 88,128
y= 34,19472 + 88,128
y= 122,3
Según esto, la tensión arterial esperada es de 122,3.

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.

2014 Registros de temperatura y

Mes consumos de vapor.
Temperatura Consumo de
Ene. (F)
21 vapor (Lb)
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.

800
700
600
consumo de vapor (LB)

500
400
300
200
100
0
10 20 30 40 50 60 70 80
temperatura (F)

Y = 9.2087 * - 6.3184

El tipo de relación entre la temperatura es directamente

proporcional al consumo de vapor, ósea que a mayor temperatura
 mayor va a ser el consumo de vapor y llevan consigo una
asociación fuerte porque en este caso una variable depende de la
otra lo cual podemos observar con el coeficiente R2 que es 99.9%

b. Ajuste un modelo matemático que permita predecir el efecto

de una variable sobre la otra. ¿Es confiable?

El modelo matemático que mejor describe el problema es la

función lineal

Y=9.2087 – 6.3184

Es confiable porque el coeficiente R2 redondeado es aproximado a

1.

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

de relación de las dos variables.

Con la realización de esta ecuación podemos ver que se hace

una buena estimación entre ambas variables todo esto se debe
a que el coeficiente R2 explica el 99.99% de la información y el
valor del coeficiente de correlación R confirma el grado de
relación que hay entre ambas variables, que es el 99.99%.

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

70 oF?

y = 9.2087 * - 6.3184

y=638.29lb

Cuando la temperatura sea 70 ºF, el consumo de vapor será

638.29 (LB).
Actividad 4. Regresión y correlación Lineal.

A partir de la base de datos suministrada “Encuesta_ Instituciones_

Educativas 2019 (16-1)”, cada estudiante, deberá:
-Identificar dos variables cuantitativas de la situación estudiada que puedan
estar relacionadas e identificar la variable dependiente e independiente.

- Realizar el diagrama de dispersión de dichas variables y determinar el

tipo de relación entre las variables.

- Encuentre el modelo matemático que permite predecir el efecto de una

variable sobre la otra. ¿Es confiable?
- Determine el grado de correlación de las dos variables.
- Relacionar la información obtenida con el problema.

Analizando el caso propuesto se llega a la deducción que Las variables son

edad y estatura.

Edad Estatura
(años) (M)

9 1,32
7 1,22
8 1,26
10 1,39
8 1,25
11 1,43
11 1,45
9 1,34
7 1,20
11 1,40
8 1,26
8 1,25
11 1,42
8 1,27
10 1,35
10 1,35
11 1,42
7 1,20
11 1,41
8 1,26
8 1,25
11 1,40
9 1,31
 9 1,32
9 1,32
10 1,39
8 1,24
11 1,45
8 1,26
8 1,26
9 1,35
8 1,27
11 1,45
10 1,38
9 1,33
8 1,20
11 1,50
8 1,21
8 1,22
10 1,30
8 1,23
10 1,37
11 1,45
9 1,35
7 1,20
10 1,38
8 1,27
8 1,26
10 1,37
9 1,32
9 1,37
9 1,32
9 1,36
7 1,30
10 1,38
8 1,25
8 1,24
8 1,24
8 1,25
9 1,38
9 1,27
10 1,37
10 1,39
10 1,40
8 1,26
9 1,35
10 1,36
8 1,26
10 1,32
10 1,33
10 1,35
8 1,27
11 1,45
8 1,26
7 1,20
9 1,30
7 1,21
9 1,32
10 1,38
11 1,45
8 1,25
10 1,37
10 1,40
11 1,45
10 1,35
9 1,33
9 1,33
11 1,42
10 1,37
9 1,31
9 1,30
9 1,28
9 1,31
9 1,32
9 1,32
10 1,36
11 1,43
11 1,45
9 1,33
9 1,33
8 1,26
8 1,32
10 1,42
9 1,27
10 1,34
10 1,40
10 1,38
9 1,31
10 1,42
8 1,26
Esta variable es de tipo lineal

Estatura (M)
1.6
1.4
1.2
estatura (M)

1
0.8 y = 0,0575x + 0,8004
0.6 R² = 0,8671
0.4
0.2
0
6.5 7 7.5 8 8.5 9 9.5 10 10.5 11 11.5

edad (años)

 En este caso el modelo matemático mas acorde que nos permita

predecir el efecto de una variable sobre otra es
y = 0,0575x + 0,8004
R² = 0,8671

Con esto podemos deducir que es confiable ya que R es cercano a 1.

 R= Cof. De correlación
R= √0,8671 = 93%

R = 93%

la correlación en este caso es buena

 CONCLUSIONES

Se pudo evidenciar que para manejar cualquier tipo de variables se necesita

realizar un diagrama de dispersión y aplicar conceptos, fórmulas de
relación y correlación que permita el despeje de las ecuaciones y datos para
obtener un resultado.
Los ejemplos nos muestran que son acordes a un tipo de forma lineal y la
correlación es confiable para los tipos de datos.

Hallamos los comportamientos que tienen tendencia lineal y determinamos

el grado de correlación entre las variables.

REFERENCIAS BIBLIOGRAFICAS

Pava, M. (2017). ESTADÍSTICA DESCRIPTIVA.

[online] Estadisticadescriptivaunad100105.blogspot.com.co.

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

 [Accessed 22 jun. 2017].

Robles Fabián, D. (2017). Regresión múltiple - Monografias.com.

[online] Monografias.com.

Available

at:http://www.monografias.com/trabajos30/regresion-multiple/regresion-

multiple.shtml

[Accessed 22 jun. 2017].

http://www.unadzsurlab.com/ovas_ibague/regresion/pagina5.htm

http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/EItema2.pdf

https://www.youtube.com/watch?v=WYew3o3il4k