INSTITUTO TECNOLÓGICO DE MÉRIDA

Departamento de ciencias económico

administrativas
INGENIERIA EN GESTIÓN EMPRESARIAL
ESTADISTICA INFERENCIAL II

5G2
UNIDAD I 1.- Regresión lineal simple y correlación

Tarea 1.2 Calculo de la tendencia de regresiones

Alumna: Silvia Ines Chan Sulub

Maestro: Raúl Alvar Rodríguez Sánchez

Mérida Yuc. a 01 de septiembre del 2021

 Tarea 1.2 calcula de la tendencia de regresiones

1. Se realizó un estudio en Virginia Tech para determinar si ciertas medidas de la

fuerza estática del brazo influyen en las características de “levantamiento
dinámico” de un individuo. Veinticinco individuos se sometieron a pruebas de
fuerza y luego se les pidió que hicieran una prueba de levantamiento de peso, en
el que el peso se elevaba en forma dinámica por encima de la cabeza. A
continuación, se presentan los datos.

Fu Fu
er er
za Levant za Levant
Indi de amient Indi de amient
vidu l o vidu l o
o Br Dinámi o Br Dinámi
az co, y az co, y
o, o,
x x
17 29
1 71.7 14 78.3
.3 .6
19 29
2 48.3 15 60.0
.3 .9
19 29
3 88.3 16 71.7
.5 .9
19 30
4 75.0 17 85.0
.7 .3
22 31
5 91.7 18 85.0
.9 .3
23 36
6 100.0 19 88.3
.1 .0
7 26 73.3 20 39 100.0
 .4 .5
26 40
8 65.0 21 100.0
.8 .4
27 44
9 75.0 22 100.0
.6 .3
28 44
10 88.3 23 91.7
.1 .6
28 50
11 68.3 24 100.0
.2 .4
28 55
12 96.7 25 71.7
.7 .9
29
13 76.7
.0

a) Calcule la ecuación (tendencia) de regresión lineal, emplea el método gráfico.

EJERCICIO I
120

100

f(x) = 0.560897792528416 x + 64.5291555583249

80
R² = 0.153426112875709
60

40

20

0
15 20 25 30 35 40 45 50 55 60

b) Calcule la ecuación (tendencia) de regresión lineal, emplea el método de Mínimos

cuadrados ordinarios.
 n ( Σ xy )−( Σ x ) (Σ y )
b 1= 2 2
n Σ x −(Σ x )

25 ( 65164.04 )−( 778.7 ) (2050)

b 1=
25 ( 26591.63 )−¿ ¿

b 1=¿ 0.560

Σ y−b1 (Σ x )
bo=
n
2050−0.560 (778.7)
bo=
25
bo=64.52

Conclusión: Analizando los resultados se puede concluir que el coeficiente de

correlación lineal es positivo pero débil, y lo pudimos verificar por ambos métodos
 aplicados, lo que significa que el estudio de levantamiento dinámica se realizó
correctamente y obtuvo resultados satisfactorios.

2. Se registraron las cantidades de un compuesto químico y que se disuelve en 100

gramos de agua a distintas temperaturas x:
x y x y
(°C) (gramos) (°C) (gramos)
c 8 45 31
0 6 45 33
0 8 45 28
15 12 60 44
15 10 60 39
15 14 60 42
30 25 75 48
30 21 75 51
30 24 75 44

a) Calcule la ecuación de la recta de regresión.

 n ( Σ xy )−( Σ x ) (Σ y )
b 1= 2 2
n Σ x −(Σ x )
18 ( 25005 )−( 675 ) (488)
b 1=
18 ( 37125 )−¿¿
b 1=0.567

Σ y−b1 (Σ x )
bo=
n

488−0.567(675)
bo=
18
bo=5.82

b) Grafique la recta en un diagrama de dispersión.

 Problema 2
30

25

f(x) = 0.533333333333333 x + 6.22222222222222

20 R² = 0.902349869451697

15

10

0
0 5 10 15 20 25 30 35

Conclusión: Se puede deducir en base a los resultados que el coeficiente de

relación lineal es positivo y de igual forma perfecto. Esto es real por el método
aplicado lo que quiere decir que la relación entre las temperaturas y los
compuestos químicos es más satisfactorio.

3. Se realizó un estudio sobre la cantidad de azúcar convertida en cierto proceso a

distintas temperaturas. Los datos se codificaron y registraron como sigue:
Temperatura, Azúcar convertida,
x y
1.0 8.1
1.1 7.8
1.2 8.5
1.3 9.8
1.4 9.5
1.5 8.9
1.6 8.6
1.7 10.2
1.8 9.3
 1.9 9.2
2.0 10.5

a) Estime la recta de regresión lineal.

Solución

X=
∑ X = 16.5 =11.5
N 11

Y=
∑ Y = 100.4 =9.127
N 11

√ ∑2
Sx=
(x−x)
=
N −1 √ 1.1
10
=0.3316

Sy=
√ ∑ 2 7.2018
√
( y− y)
= = 0.8486
N−1 10

Sxy= √
∑ (x−x )( y− y ) = 1.99 =0,199
N−1 10
Sxy 0.199
r= = =0,7071
SxSy (0.3316)(0.8486)

a) Ecuación de la regresión lineal

Y= a + bx
( Sy) (0.8486)
B=r =0.7071 =1.8095
( Sx) (0.3316)
A= Y-bx=9.127-18095(1.5) = 6.4127

b) Calcule la cantidad media de azúcar convertida que se produce cuando se

registra una temperatura codificada de 1.75.
? = 6.4065 + 1.8095
? = 6.4065 + 1.8090 (1.75)
? = 6.4065 + 3.16575
? = 9.59225
 Conclusión: Por los resultados dados se puede concluir que el coeficiente de
correlación lineal es positivo, y significativo y esto se analizó por medio de un
método aplicado, el cual como ya sabemos significa que la relación entre la
temperatura y el azúcar convertida es aprobable para nuestro estudio.

4. Al analizar un diagrama de causa-efecto se decidió estudiar si existe una relación

entre el grado de humedad de la piel al momento de coserse y la resistencia a la
ruptura, los datos codificados son los siguientes:

Grado de humedad 5 3 5 4 2 6 7 10 11
Resistencia 8 7 9 7 6 8 9 12 18

a) Dibuje un diagrama de dispersión de los datos y comente si de acuerdo a este

existe una relación entre las variables.

Después de haber realizado la creación de un diagrama de dispersión de los datos

y la relación entre los grados de humedad de la piel al momento de coserse y su
resistencia a la ruptura puedo observar gráficamente que dicha relación es
 existente debido a que los datos se encuentran cercanos entre si hablando de una
forma ascendente originando así una relación lineal positiva.

b) Encuentre el modelo de regresión lineal simple que se ajusta a los datos, y el

coeficiente de regresión.

2.284299+1.10213 X

Resistencia=2.84299 + 1.10213* grados de humedad

Este modelo de regresión lineal simple nos muestra que cuando la piel tenga 0°
grados de humedad al momento de coserse se tendrá una resistencia a la ruptura
de 2.84299, mientras que por cada grado que aumente la humedad de la piel
aumentara también su resistencia a la ruptura, en 1 .10213 indicándonos que
mientras mayor sea la humedad de la piel al momento de realizarse el proceso,
mayor será su resistencia la ruptura lo cual es favorable para el proceso y el
producto y sería recomendable mantener dicho alto grado de humedad en la piel

Coeficiente de determinación = R-cuadrada = 0.819797

 Un coeficiente de determinación ajustado a los datos analizados de 0.819797 se
estará indicando que existe una relación significativa entre los grados de humedad
de la piel al momento de coserse y su resistencia a la ruptura, esto debido a ser un
coeficiente de determinación alto y de esta forma podemos validar el modelo de
regresión lineal previamente obtenido ya que se tiene seguridad sobre la
existencia de dicha relación entre las variables.

c) Anota la conclusión inferida de la ecuación resultante

Para concluir, como pudimos observar este resultado nos ayuda a fijarnos que se
puede hacer valido el método y modelo de regresión lineal previamente resuelto
pues como se sabe es la proporción de la varianza total de la variable explicada
por la regresión que viene simbolizada por una R cuadrada y que nos servirá para
reflejar la bondad del ajuste de un modelo a la variable que se pretende explicar
cómo lo vimos en los ejercicios antes resueltos.