Este documento presenta los resultados de un análisis de regresión y correlación lineal simple entre la temperatura (Y) y el tiempo (X). Se observa una alta correlación positiva entre las variables (ρ = 0.865) y que el 74.9% de la variación en Y se explica por X (R2 = 0.7489). La ecuación de regresión estimada es Y = 15.464X + 56.75.
0 calificaciones0% encontró este documento útil (0 votos)
8 vistas4 páginas
Este documento presenta los resultados de un análisis de regresión y correlación lineal simple entre la temperatura (Y) y el tiempo (X). Se observa una alta correlación positiva entre las variables (ρ = 0.865) y que el 74.9% de la variación en Y se explica por X (R2 = 0.7489). La ecuación de regresión estimada es Y = 15.464X + 56.75.
Este documento presenta los resultados de un análisis de regresión y correlación lineal simple entre la temperatura (Y) y el tiempo (X). Se observa una alta correlación positiva entre las variables (ρ = 0.865) y que el 74.9% de la variación en Y se explica por X (R2 = 0.7489). La ecuación de regresión estimada es Y = 15.464X + 56.75.
Este documento presenta los resultados de un análisis de regresión y correlación lineal simple entre la temperatura (Y) y el tiempo (X). Se observa una alta correlación positiva entre las variables (ρ = 0.865) y que el 74.9% de la variación en Y se explica por X (R2 = 0.7489). La ecuación de regresión estimada es Y = 15.464X + 56.75.
I-C.1 Graficar el disperso grama o nube de puntos en el plano cartesiano xy.
Valores Y 160
140
120
100
80
60
40
20
0 0 1 2 3 4 5 6 7
I-C.2 A partir de la Tabla N° 3- Presentación horizontal, construir una Tabla N° 3-
Presentación vertical, ampliada con varias columnas para utilizarla en los cálculos de los estimadores mínimo- cuadráticos de la Regresión Lineal Simple (α y ) y de Correlación Lineal Simple ρ (rho estimado). I-C.3 Determinar los estimadores mínimo- cuadráticos de la Regresión Lineal Simple (RLS), o sea Calcular estimadores de los parámetros de Alfa estimada α y Beta estimada
Hallando β
β= ∑ X i Y i → X = X −x ; Y =Y − y ∑ X i2 i i i i
β= ∑ ( X ¿¿ i−x)(Y i − y) ¿ ∑ ( X i −x)2 β : coeficiente de egresiónlineal simple
n X Y X.Y X^2 Y^2
1 0 60 0 0 3600 2 1 67 67 1 4489 3 2 82 164 4 6724 4 3 108 324 9 11664 5 4 126 504 16 15876 6 5 134 670 25 17956 7 6 145 870 36 21025 21 722 2599 91 81334 Remplazando en la formula que tenemos 21 x 722 2599− 7 β= 212 91− 7 433 β= 28 β=15.4642857 Hallando el ∝ ' ∝= y −β−x → interseccion de la recta con elY Y Remplazando la formula
α =103.142857143−15.4642857 (3) α =56.75
I-C.4 Hallar la ecuación estimada de “y estimada” ó Modelo de la Regresión Lineal Simple
(RLS).
Y = β . X +α Remplazando en la formula tenemos Y =15.4642857 X +56.75 I-C.5 Graficar la recta estimada en el plano cartesiano e interpretarla estadísticamente.
I-C.6 Calcular la temperatura para X=4,5 minutos; dentro del rango de datos originales (X,Y). x i= 4.5 y i = 𝐜𝐮𝐚𝐧𝐭𝐨 𝐯𝐚𝐥𝐞
Reemplazamos en la ecuación de la regresión lineal simple.
y i= 56.7508 + (15.464) × 4.5
y i= 𝟏𝟐𝟔. 𝟑𝟑𝟖𝟖
I-C.7 Pronosticar la temperatura para X=9 minutos; fuera del rango de datos originales (X,Y). x i= 9 y i= 𝐜𝐮𝐚𝐧𝐭𝐨 𝐯𝐚𝐥𝐞 Reemplazamos en la ecuación de la regresión lineal simple. y i=¿ 56.7508 + (15.464) × 9
y i= 𝟏𝟗𝟓𝟗𝟐𝟔𝟖
I-C.8 Hallar el Coeficiente de Regresión Lineal Simple ^β . Interpretarlo estadísticamente.
β= ∑ X i Y i → X = X −x ; Y =Y − y ∑ X i2 i i i i
𝜷̂ = 𝒄𝒐𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆 𝒅𝒆 𝒓𝒆𝒈𝒓𝒆𝒔𝒊𝒐𝒏 𝒍𝒊𝒏𝒆𝒂𝒍 𝒔𝒊𝒎𝒑𝒍𝒆.
β= ∑ ( X ¿¿ i−x)(Y i − y) ¿ ∑ ( X i −x)2 21 x 722 2599− 7 β= 2 21 91− 7 433 .0001 β= 28 β=15.464
I-C.9 Hallar el Coeficiente de Correlación Lineal Simple (rho, ρ). Interpretarlo
estadísticamente.
= 0.8653884642 : Correlación con alto grado de asociación, ya que varía de -1 a 1 (alto grado de relación con x e y).
I-C.10 Hallar el Coeficiente de Determinación (r 2 ): y el Coeficiente de Alejamiento: √1-r 2
Interpretarlos estadísticamente. = (0.748897194)100% = 74.8897194% y = 15.464x + 56.75 R² = 0.9754 : Sabemos que el 86.5% de las variaciones de y están explicados por la variable independiente x (es un porcentaje alto).
