CAPITULO 17
17.1. Dado los datos:
8.8 9.5 9.8 9.4 10.0
9.4 10.1 9.2 11.3 9.4
10.0 10.4 7.9 10.4 9.8
9.8 9.5 8.9 8.8 10.6
10.1 9.5 9.6 10.2 8.9
Determine a) la media, b) la desviación estándar, c) la varianza, d) el coeficiente de variación
La media:
∑ Yi = 241.3 =9.652
N 25
Desviación estándar:
Sy=√ ¿ ¿ ¿
La varianza:
S y 2=¿ ¿
El coeficiente de Variación:
Sy 9.516671485
Cv= ∗100= ∗100=98.5979225 %
la media 9.652
17.2 Construya un histograma de los datos del problema 17.1. Use un rango de 7.5 a 11.5 con
intervalos de 0.5.
17.3 Dados los datos
28.65 26.55 26.65 27.65 27.35 28.35 26.85
28.65 29.65 27.85 27.05 28.25 28.35 26.75
27.65 28.45 28.65 28.45 31.65 26.35 27.75
29.25 27.65 28.65 27.65 28.55 27.55 27.25
Determine a) la media, b) la desviación estándar, c) la varianza, d) el coeficiente de
variación e ) Construya un histograma. Use un rango de 26 a 32 con incrementos de
0.5. g) Si se supone que la distribución es normal y que la estimación de la
desviación estándar es válida, calcule el rango (es decir, los valores inferior y
superior) que agrupa al 68% de los datos. Determine si esta es una estimación válida
para los datos del problema.
La media:
∑ Yi = 784.1 =28.00357143
N 28
Desviación estándar:
Sy=√ ¿ ¿ ¿
La varianza:
S y 2=¿ ¿
El coeficiente de Variación:
Sy 27.49656147
Cv= ∗100= ∗100=98.18948108 %
la media 28.00357143
17.4 Utilice la regresión por mínimos cuadrados para ajustar una línea recta a
Además de la pendiente y la intersección, calcule el error estándar de la estimación y
el coeficiente de correlación. Haga una gráfica de los datos y la línea de regresión.
¿Si otra persona hiciera una medición adicional de x = 10, y = 10, usted pensaría, con
base en una evaluación visual y el error estándar, que la medición era válida o
inválida? Justifique su conclusión.
y=mx+b
Pendiente:
∑ x∗∑ y
∑ xy− n
m=
∑ x 2−¿ ¿¿ ¿
Intersección:
∑ y −m ∑ x 82 95
b=
n ( )n
=
10 ( )
− ( 0.3524 )∗
10
=4. 8515
y=1.32977 x +4. 85
Error estándar de la estimación:
∑ y 2−b ∑ y−m ∑ xy =
Se=
√ n−2 √ 728−(−4.432815∗82 )−(1.32977∗911)
10−2
=11.01412803
Coeficiente de correlación
r =n ∑ xy−¿ ¿ ¿
Si otra persona hiciera una medición adicional de x = 10, y = 10
Y =1.32977∗10−4.432815=8.864885 (10 ; 8.864885 )
10=1.32977 x−4.432815(10.85362 ; 10)
17.5 Use la regresión por mínimos cuadrados para ajustar una línea recta a
Además de la pendiente y la intersección, calcule el error estándar de la estimación y
el coeficiente de correlación. Haga una gráfica de los datos y la línea de regresión.
¿Si otra persona hiciera una medición adicional de x = 10, y = 10, usted pensaría, con
base en una evaluación visual y el error estándar, que la medición era válida o
inválida? Justifique su conclusión.
Pendiente:
∑ x∗∑ y
∑ xy− n
m=
∑ x 2−¿ ¿¿ ¿
Intersección:
∑ y −m ∑ x 159 229
b=
n ( )n
=
11
( 0.306524783 )∗( )
11
=31.302
y=0.306524783 x +8.0732567
Error estándar de la estimación:
∑ y 2−b ∑ y−m ∑ xy =
Se=
√ n−2 √ 3261−( 8.0732567∗159 )−(0.306524783∗2315)
11−2
=11. 86847979
Coeficiente de correlación
r =n ∑ xy−¿ ¿ ¿
17.6 Con el mismo enfoque que se empleó para obtener las ecuaciones (17.15) y
(17.16), obtenga el ajuste por mínimos cuadrados del modelo siguiente:
y = a1x + e
Es decir, determine la pendiente que resulta en el ajuste por mínimos cuadrados
para una línea recta con intersección en el origen. Ajuste los datos siguientes con
dicho modelo e ilustre el resultado con una gráfica.
Pendiente:
∑ x∗∑ y
∑ xy− n
m=
∑ x 2−¿ ¿¿ ¿
Intersección:
∑ y −m ∑ x 159 229
b=
n ( )n
=
11 ( )
− ( 0.306524783 )∗
11
=8.0732567
y=0.306524783 x +8.0732567
Error en pendiente:
2
B²=∑ ( b+nx− y ) =1340.64
n
E=
√ n ∑ x 2−¿ ¿ ¿
¿
17.7 Emplee la regresión por mínimos cuadrados para ajustar una línea recta a
a) Además de la pendiente y la intersección, calcule el error estándar de la
estimación y el coeficiente de correlación. Grafique los datos y la línea recta. Evalúe
el ajuste. b) Vuelva a hacer el cálculo del inciso a), pero use regresión polinomial
para ajustar una parábola a los datos. Compare los resultados con los del inciso a).
Pendiente:
∑ x∗∑ y
∑ xy− n
m=
∑ x 2−¿ ¿¿ ¿
Intersección:
∑ y −m ∑ x 61 45
b=
n ( )n
=
9
− (1.458 )∗( )
9
=−2.02
y=1.458 x−2.02
Error estándar de la estimación:
∑ y 2−b ∑ y−m ∑ xy =
Se=
√ n−2 √ 613− (−2.02∗61 )−(1.458∗352)
9−2
=1.306
Coeficiente de correlación
r =n ∑ xy−¿ ¿ ¿
17.9 Ajuste los datos siguientes con el modelo de potencias ( y=a xb
. Use la ecuación de potencias resultante para hacer el pronóstico de y en x = 9.
17.10 Ajuste a un modelo exponencial a
Grafique los datos y la ecuación tanto en papel milimétrico comoen semilogarítmico.
17.11 En vez de usar el modelo exponencial de base e (ecuación 17.22), una alternativa común
consiste en utilizar un modelo de base 10.
y=α .5 1 0 B x
5
Cuando se usa para ajustar curvas, esta ecuación lleva a resultados idénticos que los de la versión
con base e, pero el valor del parámetro del exponente (b5) difiere del estimado con la ecuación
17.22 (b1).
Use la
versión con
base 10 para
resolver el
problema 17.10. Además, desarrolle una formulación para relacionar b1 con b5.
17.12 Además de los ejemplos de la figura 17.10, existen otros modelos que se pueden hacer
B x
lineales con el empleo de transformaciones. Por ejemplo, y=α .4 x e4
Haga lineal este modelo y úselo para estimar a4 y b4 con base en los datos siguientes. Elabore
una gráfica del ajuste junto con los datos
17.16 Utilice regresión lineal múltiple para ajustar Calcule los coeficientes, el error estándar de la
estimación y el coeficiente de correlación.
