EJERCICIOS PROPUESTOS
Coeficiente de regresión y Regresión lineal
Sesión Nº 9
1) Las estaturas (X) y los pesos (Y) de 10 trabajadores de una empresa se muestran a
continuación:
X(cm 185 169 17 178 173 170 183 18 185 165
) 3 2
Y(kg) 83 60 70 70 72 65 82 80 79 60
a) Elaborar un diagrama de dispersión.
b) ¿Qué tipo de relación se aprecia? Interpretar
C) Calcular el coeficiente de correlación lineal e interpretar el resultado
INTERPRETACION: EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA
ENTRE LAS VARIABLES ESTATURAS Y PESOS.
Correlaciones
ESTATURAS PESOS
ESTATURAS Correlación de Pearson 1 ,951**
Sig. (bilateral) ,000
N 10 10
PESOS Correlación de Pearson ,951** 1
Sig. (bilateral) ,000
N 10 10
**. La correlación es significativa en el nivel 0,01 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES ESTATURAS Y PESOS.
2) El gerente de ventas de una compañía se está preparando para una reunión de ventas y le gustaría
mostrar al grupo de vendedores la forma como se relaciona el número de llamadas a clientes mensuales
con el valor de pedidos que se reciben. A continuación, se presenta la información muestral para el
último año.
Pedidos (miles de $) 9,0 8,0 12,3 13,7 15,7 5,4 7,3 7,0 6,0 6,7 6,9 7,5
Número de llamadas 5 4 6 7 8 1 3 4 1 3 2 4
a) Elaborar un diagrama de dispersión.
b) ¿Existe relación entre las variables? Comentar.
c) Determinar el coeficiente de correlación lineal e interpretar el resultado.
d) Construir el modelo de regresión lineal simple.
e) ¿Cuál será el consumo estimado de combustible, si se emplea una energía de 50.25 m 3?
INTERPRETACIÓN: SÍ EXISTE UNA RELACION ENTRE LAS VARIABLES.
EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA ENTRE LAS VARIABLES
LLAMADAS Y PEDIDOS.
Correlaciones
LLAMADAS PEDIDOS
LLAMADAS Correlación de Pearson 1 ,941**
Sig. (bilateral) ,000
N 12 12
**
PEDIDOS Correlación de Pearson ,941 1
Sig. (bilateral) ,000
N 12 12
**. La correlación es significativa en el nivel 0,01 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES LLAMADAS Y PEDIDOS.
Resumen del modelo
R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
a
1 ,941 ,886 ,875 1,16572
a. Predictores: (Constante), LLAMADAS
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 105,560 1 105,560 77,681 ,000b
Residuo 13,589 10 1,359
Total 119,149 11
a. Variable dependiente: PEDIDOS
b. Predictores: (Constante), LLAMADAS
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 3,199 ,718 4,454 ,001
LLAMADAS 1,398 ,159 ,941 8,814 ,000
a. Variable dependiente: PEDIDOS
MODELO DE REGRESION LINEAL: y=a+bx
Y= 3,199+1,398(50,25)
Y= 73,448
El consumo estimado de combustible, si se emplea una energía de 50.25 m 3 es 73,448.
3) Se quiere determinar si existe o no relación en los gastos en publicidad y los ingresos mensuales (en
miles de soles) de las mypes en Lima Norte según se aprecia en los datos de la siguiente tabla:
Ingresos 105 105 98 110 145 78 74 90 20 60 45 75 148 170
Gastos 15 12 10 12 15 12 9 12 4 8 8 10 15 20
a) Graficar un diagrama de dispersión.
b) ¿Existe relación entre las variables? Interprete.
c) Calcular el coeficiente de correlación lineal e interpretar el resultado.
d) Construir el modelo de regresión lineal simple. Trazar la recta de regresión.
e) Estimar el ingreso mensual de la empresa si esta dispuso en publicidad de un monto de 25000
soles.
INTERPRETACION: EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA
ENTRE LAS VARIABLES INGRESOS Y GASTOS.
Correlaciones
INGRESOS GASTOS
INGRESOS Correlación de Pearson 1 ,940**
Sig. (bilateral) ,000
N 14 14
**
GASTOS Correlación de Pearson ,940 1
Sig. (bilateral) ,000
N 14 14
**. La correlación es significativa en el nivel 0,01 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES INGRESOS Y GASTOS.
Resumen del modelo
R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
a
1 ,940 ,884 ,874 1,39733
a. Predictores: (Constante), INGRESOS
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 177,998 1 177,998 91,162 ,000b
Residuo 23,430 12 1,953
Total 201,429 13
a. Variable dependiente: GASTOS
b. Predictores: (Constante), INGRESOS
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 3,046 ,968 3,147 ,008
INGRESOS ,090 ,009 ,940 9,548 ,000
a. Variable dependiente: GASTOS
MODELO DE REGRESION LINEAL: y=a+bx
Y= 3,046+0,90(25000)
Y= 22503.046
El ingreso mensual de la empresa si esta dispuso en publicidad de un monto de 25000 soles es de
22503.046.
4) En una cadena de tiendas por departamento, se desea establecer la relación entre las ventas
mensuales (en unidades de artículo) y los años de experiencia de un vendedor. Para ello se selecciona
una muestra de 10 vendedores aleatoriamente, los datos se presentan en la tabla adjunta:
ventas 12 8 7 17 10 11 5 9 14 12
experienci 5 3 2 7 4 4 1 3 5 6
a
a) Diseñar un diagrama de dispersión. Interpretar.
b) Calcular el coeficiente de correlación lineal e interpretar el resultado.
c) Construir el modelo de regresión lineal simple. Graficar la recta de regresión.
d) Estimar las ventas del mes para un vendedor con 8 años de experiencia.
INTERPRETACION: EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA
ENTRE LAS VARIABLES EXPERIENCIA Y VENTAS.
Correlaciones
EXPERIENCIA VENTAS
EXPERIENCIA Correlación de Pearson 1 ,955**
Sig. (bilateral) ,000
N 10 10
**
VENTAS Correlación de Pearson ,955 1
Sig. (bilateral) ,000
N 10 10
**. La correlación es significativa en el nivel 0,01 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES EXPERIENCIA Y VENTAS.
Resumen del modelo
R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
a
1 ,955 ,913 ,902 1,09924
a. Predictores: (Constante), EXPERIENCIA
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 100,833 1 100,833 83,448 ,000b
Residuo 9,667 8 1,208
Total 110,500 9
a. Variable dependiente: VENTAS
b. Predictores: (Constante), EXPERIENCIA
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 3,167 ,875 3,620 ,007
EXPERIENCIA 1,833 ,201 ,955 9,135 ,000
a. Variable dependiente: VENTAS
MODELO DE REGRESION LINEAL: y=a+bx
Y= 3,16+1,83(8)
Y= 17,8
Las ventas del mes para un vendedor con 8 años de experiencia son de 17,8
5) La tabla siguiente muestra las notas obtenidas por 8 estudiantes en un examen parcial, las horas de
estudio dedicadas a su preparación previos al examen:
Nota 15 16 17 10 15 18 11 19
Horas de estudio 7 10 9 4 8 10 5 14
Con los datos del problema:
a) Representa gráficamente los diagramas correspondientes a Horas de estudio y Nota.
b) Halla el coeficiente de correlación. Interpretar.
c) Predecir la nota de un estudiante que dedicó a estudiar 12 horas previas al examen.
INTERPRETACION: EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA
ENTRE LAS VARIABLES HORAS DE ESTUDIO Y NOTA.
Correlaciones
HORAS DE
ESTUDIO NOTA
HORAS DE ESTUDIO Correlación de Pearson 1 ,933**
Sig. (bilateral) ,001
N 8 8
**
NOTA Correlación de Pearson ,933 1
Sig. (bilateral) ,001
N 8 8
**. La correlación es significativa en el nivel 0,01 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES HORAS DE ESTUDIO Y NOTA.
Coeficientes a
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 7,259 1,319 5,505 ,002
HORAS DE ESTUDIO ,939 ,148 ,933 6,326 ,001
a. Variable dependiente: NOTA
y=a+bx
Y= 7,259+0,939(12)
Y= 18,527
La nota de un estudiante que dedicó a estudiar 12 horas previas al examen es de 18,527.
6) Una empresa vendedora de libros desea realizar mejoras en sus procesos, tal como realizar con
tiempo sus pedidos, distribuir mejor su personal, ampliar su local, etc. Para tal efecto, lleva a cabo un
estudio en 6 semanas a fin de establecer la relación existente entre número de personas que solicitan
información de los libros en una semana (X) y el número de libros vendidos en la semana siguiente (Y).
Los resultados se muestran en la siguiente tabla:
X 20 8 10 12 30 25
Y 13 4 8 6 16 12
Se pide:
a) Graficar un diagrama de dispersión con los datos del caso, luego identifique el tipo de
relación que se observa.
b) Determinar el coeficiente de correlación lineal, luego interprete el resultado.
c) Construir el modelo de regresión lineal y trace la recta de ajuste.
d) Predecir el número de libros que venderá la empresa en una semana, si en la semana
anterior 8 personas solicitaron información.
INTERPRETACION: EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA
ENTRE LAS VARIABLES INFORMACION Y LIBROS VENDIDOS.
Correlaciones
LIBROS
INFORMACION VENDIDOS
INFORMACION Correlación de Pearson 1 ,940**
Sig. (bilateral) ,005
N 6 6
**
LIBROS VENDIDOS Correlación de Pearson ,940 1
Sig. (bilateral) ,005
N 6 6
**. La correlación es significativa en el nivel 0,01 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES INFORMACION Y LIBROS VENDIDOS.
Resumen del modelo
R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
1 ,940a ,884 ,856 1,73994
a. Predictores: (Constante), INFORMACION
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 92,724 1 92,724 30,628 ,005b
Residuo 12,110 4 3,027
Total 104,833 5
a. Variable dependiente: LIBROS VENDIDOS
b. Predictores: (Constante), INFORMACION
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 1,360 1,688 ,806 ,466
INFORMACION ,484 ,087 ,940 5,534 ,005
a. Variable dependiente: LIBROS VENDIDOS
MODELO DE REGRESION LINEAL: y=a+bx
Y= 1,360+0,484(8)
Y= 5,232
El número de libros que venderá la empresa en una semana, si en la semana anterior 8 personas
solicitaron información, es de 5 libros.
7) El gerente de ventas de una compañía se está preparando para una reunión de ventas y le gustaría
mostrar al grupo de vendedores la forma como se relaciona el número de llamadas a clientes mensuales
con el valor de pedidos que se reciben. A continuación se presenta la información muestral para el
último año.
Pedidos (miles de $) 9,0 8,0 12,3 13,7 15,7 5,4 7,3 7,0 6,0 6,7 6,9 7,5
Número de llamadas 5 4 6 7 8 1 3 4 1 3 2 4
a) Elaborar un diagrama de dispersión.
b) Determinar el coeficiente de correlación lineal e interpretar el resultado
c) Estime la recta de regresión lineal.
INTERPRETACIÓN: EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA
ENTRE LAS VARIABLES LLAMADAS Y PEDIDOS.
Correlaciones
LLAMADAS PEDIDOS
LLAMADAS Correlación de Pearson 1 ,941**
Sig. (bilateral) ,000
N 12 12
**
PEDIDOS Correlación de Pearson ,941 1
Sig. (bilateral) ,000
N 12 12
**. La correlación es significativa en el nivel 0,01 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES LLAMADAS Y PEDIDOS.
Resumen del modelo
R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
1 ,941a ,886 ,875 1,16572
a. Predictores: (Constante), LLAMADAS
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 105,560 1 105,560 77,681 ,000b
Residuo 13,589 10 1,359
Total 119,149 11
a. Variable dependiente: PEDIDOS
b. Predictores: (Constante), LLAMADAS
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 3,199 ,718 4,454 ,001
LLAMADAS 1,398 ,159 ,941 8,814 ,000
a. Variable dependiente: PEDIDOS
8) En un departamento de producción de la empresa LALUX se desea examinar la relación entre el
número de trabajadores que arman un subensamble, y la cantidad de subensambles producidos. Como
experimento, se asignaron dos empleados para armar el dispositivo electrónico. Produjeron 15 unidades
durante una hora. Después se asignaron cuatro obreros al mismo trabajo, y produjeron 25 durante
unidades en dicho periodo. A continuación, se presenta el conjunto completo de pares de observaciones.
Cantidad de Producción en una
empleados X hora (unidades) Y
2 15
4 25
1 10
5 40
3 30
a) Trace el diagrama de dispersión.
b) Con base en tal diagrama, ¿parece haber alguna relación entre el número de trabajadores y la
producción? Explique su respuesta.
c) Calcule el coeficiente de correlación.
d) Estime la recta de regresión lineal.
e) Cuanto es la producción cuando la cantidad de empleados es de 10
INTERPRETACIÓN: EXISTE UNA CORRELACION LINEAL POSITIVA DIRECTA
ENTRE LAS VARIABLES CANTIDAD DE EMPLEADOS Y PRODUCCION.
ES DIRECTAMENTE PROPORCIONAL YA QUE A MAYOR CANTIDAD DE
TRABAJADORES HABRÁ MAYOR CANTIDAD DE PRODUCCIÓN.
Correlaciones
CANTIDAD DE
PRODUCCION EMPLEADOS
PRODUCCION Correlación de Pearson 1 ,927*
Sig. (bilateral) ,023
N 5 5
*
CANTIDAD DE Correlación de Pearson ,927 1
EMPLEADOS Sig. (bilateral) ,023
N 5 5
*. La correlación es significativa en el nivel 0,05 (bilateral).
INTERPRETACIÓN: EXISTE UNA CORRELACION MUY ALTA POSITIVA ENTRE LAS
VARIABLES CANTIDAD DE EMPLEADOS Y PRODUCCION.
Resumen del modelo
R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
1 ,927a ,860 ,813 5,16398
a. Predictores: (Constante), CANTIDAD DE EMPLEADOS
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 490,000 1 490,000 18,375 ,023b
Residuo 80,000 3 26,667
Total 570,000 4
a. Variable dependiente: PRODUCCION
b. Predictores: (Constante), CANTIDAD DE EMPLEADOS
Coeficientesa
Modelo Coeficientes no estandarizados Coeficientes t Sig.
estandarizados
B Desv. Error Beta
1 (Constante) 3,000 5,416 ,554 ,618
CANTIDAD DE 7,000 1,633 ,927 4,287 ,023
EMPLEADOS
a. Variable dependiente: PRODUCCION
MODELO DE REGRESION LINEAL: y=a+bx
Y= 3,000+7,000(10)
Y= 73
La producción cuando la cantidad de empleados es de 10, es de 73.
9) El dueño de la agencia LALUX desea estudiar la relación entre la antigüedad de un automóvil y su
precio de venta. A continuación aparece la lista una muestra aleatoria de 12 autos usados vendidos en el
establecimiento durante el último año.
Antigüedad (años)X 9 7 11 12 8 7 8 11 10 12 6 6
Precio de ventas 8,1 6,0 3,6 4,0 5,0 10,0 7,6 8,0 8,0 6,0 8,6 8,0
(miles de dólares)Y
a) ¿Cuál es la variable dependiente?
La variable dependiente es el precio de ventas (miles de dólares).
b) ¿Cuál es la variable independiente?
La variable independiente es la antigüedad (años) del automóvil.
c) Tipo variable según su naturaleza
La variable es Cuantitativa Continua.
d) Cuanto es el tamaño de muestra
El tamaño de muestra es 12 auto
e) Quienes conforman la muestra
Los autos usados vendidos en el establecimiento durante los últimos años.
f) Tipo de correlación según signo
Correlación moderada negativa
Correlaciones
PRECIO DE
ANTIGUEDAD VENTA
ANTIGUEDAD Correlación de Pearson 1 -,544
Sig. (bilateral) ,068
N 12 12
PRECIO DE VENTA Correlación de Pearson -,544 1
Sig. (bilateral) ,068
N 12 12
