PRACTICA Grupal RLS, NP

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

ESCUELA PROFESIONAL DE CIENCIAS CONTABLES Y FINANCIERAS
UNIVERSIDAD NACIONAL JORGE BASADRE

GROHMANN
FACULTAD DE CIENCIAS JURÍDICAS Y EMPRESARIALES
Asignatura: Estadística descriptiva
REGRESION LINEAL SIMPLE Y PRUEBAS NO PARAMETRICAS

Presentado por:
Grupo 1
2019-116015 AJAHUANA CHOQUE, DANIELA DALMA
2021-102044 MAMANI PARI, YAMILEY GUADALUPE
2021-102042 JUAN LUIS ABRAHAN CCOPA SAMILLAN
Tacna – Perú
2022
DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

1. Suponga que un analista toma una muestra aleatoria de 10 embarques recientemente

enviados por camión de una compañía y registra la distancia en kilómetros y el tiempo de
entrega, al mediodía más cercano, y a partir del momento en que el embarque estuvo listo
para su transportación. Construya la gráfica de dispersión para los datos de la tabla,
realice el análisis de regresión adecuado y pruebe los supuestos del modelo.
DISTANCIA 825 215 1070 550 480 920 1350 325 670 1215
TIEMPO 3.5 1 4 2 1 3 4.5 1.5 3 5
Solución:
Diagrama de dispersión:

DISTANCI
A TIEMPO e
Yi - Y
x y XiYi X^2 Y^2 estimado e^2
825 3.5 2887.5 680625 12.25 0.42413666 0.1798919
215 1 215 46225 1 0.11106745 0.01233598
1070 4 4280 1144900 16 0.04577921 0.00209574
550 2 1100 302500 4 -0.08995192 0.00809135
480 1 480 230400 1 -0.83899265 0.70390867
920 3 2760 846400 9 -0.41645093 0.17343137
1350 4.5 6075 1822500 20.25 -0.45805788 0.20981702
325 1.5 487.5 105625 2.25 0.21670288 0.04696014
670 3 2010 448900 9 0.47983219 0.23023893
1215 5 6075 1476225 25 0.525935 0.27660762
7620 28.5 26370 7104300 99.75 0 1.84337872
Promedio X =762
Promedio Y = 2.85
Sx = 379.7455288
Sy = 1.434689281
n = 10
Modelo de regresión lineal simple:
Y estimado = Bo+B1xi
Cálculo de B1:
∑ Y i∗∑ X i
∑ ( Y 1∗X 1 )−¿ n
B1= ¿
∑ X i−¿ ¿ ¿ ¿

28.5∗7620
26370−
10 S(x , y )
B1= =
58064400 Sxx
7104300−
10
4653.00 S(x , y)
B1= =
1297860.00 Sxx
B1=0.003585132
Cálculo de Bo:
Bo = Y promedio – B1 * X promedio
Bo=2 8 .5−0.003585132∗7620=0.1181
 Modelo de regresión lineal simple:

Y = Bo + B1 * Xi
Y = 0.1181 + 0.003585132*X
Interpretación:
De acuerdo con el modelo de regresión lineal simple, cualquier valor X

(DISTANCIA), el tiempo aumenta . Por ejemplo , x=1500 , Y = 0.1181 +
0.003585132*1500 , entonces Y pronosticada es 5.4958

TABLA ANOVA:
FUENTE DE SUMA DE GRADOS DE

VARIACION CUADRADOS LIBERTAD CUADRADO MEDIO F
REGRESIO MSR/
N SSR = B1 * Sxy 1 MSR = SSR/1 MSRES
RESIDUOS SSRES = e^2 n-2 MSRES = SSRES/n-2
TOTAL SST = SSR + SSRES 1
GRADOS
FUENTE DE DE CUADRADO
VARIACION SUMA DE CUADRADOS LIBERTAD MEDIO F
REGRESION 16.68162128 1 16.6816213 72.3958507
RESIDUOS 1.843378716 8 0.23042234
TOTAL 18.525 1
Cálculo de la F de tabla:
F 0.05,1,8=5.3176
Comparación:
72.395 > 5.3176
Conclusión:
Se rechaza Ho.

2. En la tabla se presentan datos muestrales sobre el número de horas de estudio invertidas

por los estudiantes fuera de clase, durante un periodo de tres semanas, para un curso de
estadística en comunicaciones, junto con las calificaciones que obtuvieron en un examen
aplicado al final de ese periodo. Prepare un diagrama de dispersión para estos datos, y
pruebe si existe o no relación o dependencia entre ambas variables.
HORAS 20 16 34 23 27 32 18 22
CALIFICACION 64 61 84 70 88 92 72 77
3. En la tabla se presentan datos que relacionan el número de semanas de experiencia en un

trabajo de instalación de cables de componentes electrónicos en miniatura, y el número
de componentes que se rechazaron la semana anterior, para 12 trabajadores

seleccionados al azar. Trace estos datos muestrales en un diagrama de dispersión y realice

el anova correspondiente, a la vez pruebe los supuestos del modelo.
semanas (x) 7 9 6 14 8 12 10 4 2 11 1 8
rechazos (y) 26 20 28 16 23 18 24 26 38 22 32 25
Resumen del modelob

R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación Durbin-Watson
1 ,908 a
,825 ,808 2,636 2,852
a. Predictores: (Constante), Semana
b. Variable dependiente: Rechazo
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 328,190 1 328,190 47,238 ,000b
Residuo 69,477 10 6,948
Total 397,667 11
a. Variable dependiente: Rechazo
b. Predictores: (Constante), Semana
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Desv. Error Beta t Sig.
1 (Constante) 35,465 1,724 20,573 ,000
Semana -1,387 ,202 -,908 -6,873 ,000
Estadísticas de residuosa
Desv.
Mínimo Máximo Media Desviación N

Valor pronosticado 16,05 34,08 24,83 5,462 12

Residuo -3,918 5,309 ,000 2,513 12
Desv. Valor pronosticado -1,608 1,693 ,000 1,000 12
Desv. Residuo -1,486 2,014 ,000 ,953 12
Diagrama Lineal
40
35
f(x) = − 1.38671875 x + 35.46484375
30 R² = 0.825289448868399
Rechazos y
25
20
15
0 2 4 6 8 10 12 14 16
Semas X
4. El centro de ubicación laboral en State University desea determinar si los promedios

puntuales en notas de los estudiantes (GPAs) puede explicar el número de ofertas
laborales que ellos reciben después de graduarse. Los datos siguientes corresponden a los
10 recién graduados. Realizar un diagrama de dispersión, calcule e interprete el modelo de
regresión y realizar la tabla ANOVA.
GPAs 3.25 2.35 1.02 0.36 3.69 2.65 2.15 1.25 3.88 3.37
OFERTAS 3 3 1 0 5 4 2 2 6 2
Solución:
Diagrama de dispersión:

Diagrama de dispersión
7
5
Ofertas laborales
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
GPAs
GPAS OFERTAS e
Yi - Y
X Y XiYi X^2 Y^2 estimado e^2
3.25 3 9.75 10.5625 9 -0.88468836 0.7826735
2.35 3 7.05 5.5225 9 0.25976595 0.06747835
1.02 1 1.02 1.0404 1 -0.04898491 0.00239952
0.36 0 0 0.1296 0 -0.20971842 0.04398181
3.69 5 18.45 13.6161 25 0.55580064 0.30891436
2.65 4 10.6 7.0225 16 0.87828118 0.77137783
2.15 2 4.3 4.6225 4 -0.48591087 0.23610938
1.25 2 2.5 1.5625 4 0.65854343 0.43367945
3.88 6 23.28 15.0544 36 1.31419362 1.72710488
3.37 2 6.74 11.3569 4 -2.03728227 4.15051904
23.97 28 83.69 70.4899 108 0 8.52423812
Promedio X = 2.397
Promedio Y = 2.8
Sx = 1.2034
Sy = 1.8135
n = 10

Modelo de regresión lineal simple:
Y estimado = Bo+B1xi
Cálculo de B1:
∑ Y i∗∑ X i
∑ ( Y 1∗X 1 )−¿ n
B1= ¿
∑ X i−¿ ¿ ¿ ¿
23.97∗28
83.69−
10 S (x , y )
B1= =
574.5609 Sxx
70.4899−
10
16.574 S(x , y)
B1= =
13.0338 Sxx
B1=1.2716
Cálculo de Bo:
Bo = Y promedio – B1 * X promedio
Bo=2.8−1.2716∗2.397=−0.2481
 Modelo de regresión lineal simple:

Y = Bo + B1 * Xi
Y = -0.2481 + 1.2716*X
Interpretación:
De acuerdo con el modelo de regresión lineal simple, por cada promedio (GPAs)
adicional, el número de ofertas laborales aumenta en 1.2716.
TABLA ANOVA:

REGRESIO MSR/
N SSR = B1 * Sxy 1 MSR = SSR/1 MSRES
RESIDUOS SSRES = e^2 n-2 MSRES = SSRES/n-2

TOTAL SST = SSR + SSRES 1

REGRESION 21.07576188 1 21.0757619 19.7796088
RESIDUOS 8.524238116 8 1.06552976
TOTAL 29.6 1
Cálculo de la F de tabla:
F 0.05,1,8=5.3176
Comparación:
19.7796 > 5.3176
Conclusión:
Se rechaza Ho.

5. El profesor Mundane ha notado que muchos de sus estudiantes se han ausentado de clase
este semestre. Considera que puede explicar esta falta de asistencia por las distancias a las
que sus estudiantes viven del campus. Se practica una encuesta a once estudiantes sobre
cuántas millas deben viajar para asistir a clase y el número de clases a las que han faltado.
Realizar un análisis de regresión completo.
Millas 5 6 2 0 9 12 16 5 7 8
Ausencias 2 2 4 5 4 2 5 2 3 1
Solución de diagrama de dispersión
Diagrama de dispersión
6
4
AUSENCIAS
3
f(x) = − 0.00046641791044776 x + 3.09421641791045
R² = 2.2423938002003E-06
2
0
0 2 4 6 8 10 12 14 16 18
MILLAS

X Y

Alumnos MILLAS AUSENCIAS xy x^2 y^2 Yî E

1 5 2 10 25 4 3.09188433 -1.091884
2 6 2 12 36 4 3.09141791 -1.091418
3 2 4 8 4 16 3.09328358 0.9067164
4 0 5 0 0 25 3.09421642 1.9057836
5 9 4 36 81 16 3.09001866 0.9099813
6 12 2 24 144 4 3.0886194 -1.088619
7 16 5 80 256 25 3.08675373 1.9132463
8 5 2 10 25 4 3.09188433 -1.091884
9 7 3 21 49 9 3.09095149 -0.090951
10 8 1 8 64 1 3.09048507 -2.090485
11 8 4 32 64 16 3.09048507 0.9095149
Sumatoria 78 34 241 748 124 34 0
Promedio 7.09 3.09
B^1= 241 - 2652 241.090909

11
748 - 6084 553.090909
11
B^1= -0.09
194.91
B^1= -0.0004664

BÔ= 3.09 - -0.0004664 * 7.09

3.094216
BÔ= 4
ANOVA
FV SC GL CM FO
REGRESION 4.24E-05 1 4.24016E-05 2.0182E-05
RESIDUOS 18.909049 9 2.1010054
TOTAL 18.909091 10
F(alfa,1,9) = 5.11
Calculo de la F de la tabla:
F 0.05,1,9=5.117 F
COMPARACION: 5.11 > 2.018

CONCLUSION: Se acepta Ho porque Fo es menor que F

6. Para evaluar y comparar dos métodos de capacitación industrial, un director de

capacitación asigna a 15 entrenandos elegidos al azar a cada uno de dos métodos. Debido
a la deserción normal, 14 aprendices terminan el curso mediante el método 1, y 12 lo
terminan llevando el método 2. A los dos grupos de entrenandos se les aplica el mismo
examen para evaluar el aprendizaje, según se reporta en la tabla siguiente. Pruebe la
hipótesis nula de que el nivel mediano de desempeño en la prueba no difiere en los dos
métodos de capacitación, utilizando un nivel de significancia del 5%.
HIPOTESIS
HO : EL NIVEL MEDIANO DE DESEMPEÑO EN LA PRUEBA NO DIFIERE EN LOS DOS

METODOS DE CAPACITACION ( MED.1=MED 2)
H1 : EL NIVEL MEDIANO DE DESEMPEÑO EN LA PRUEBA SI DIFIERE EN LOS DOS METODOS
DE CAPACITACION. ( MED.1 NO ES IGUAL MED. 2)
Método
η₁: mediana de METODO 1
η₂: mediana de METODO 2
Diferencia: η₁ - η₂
Estadísticas descriptivas
Muestra N Mediana
METODO 1 14 81.5
METODO 2 12 85.5

Estimación de la diferencia
IC para la Confianza
Diferencia diferencia lograda
-5 (-12; 2) 95.23%
Prueba
Hipótesis nula H₀: η₁ - η₂ = 0
Hipótesis alterna H₁: η₁ - η₂ ≠ 0
Método Valor W Valor p

No ajustado para empates 161.00 0.157
Ajustado para empates 161.00 0.157
Conclusión
El nivel de significancia es el 0.05 y valor p es 0.157. Siendo 0.157 > 0.05 , se acepta la
hipótesis nula que dice “HO :EL NIVEL MEDIANO DE DESEMPEÑO EN LA PRUEBA NO
DIFIERE EN LOS DOS METODOS DE CAPACITACION ( MED.1=MED 2)” , es decir : es posible
que sean iguales.
7. Se afirma que las unidades ensambladas en un sistema rediseñado de ensamble de

productos serán mayores que con el sistema antiguo, cuya mediana poblacional es de 80
unidades por turno. No otorgando el beneficio de la duda al sistema rediseñado, plantee
la hipótesis nula y pruébela a un nivel de significancia del 5%. Los datos muestrales se
reportan en la primera parte de la Tabla. Utilizar la prueba de signo

8. Con objeto de determinar su efecto en el rendimiento de la gasolina en millas por galón en

los automóviles de pasajeros, se prueban dos aditivos para gasolina. A continuación,
aparecen los resultados de esta prueba en 12 automóviles; en cada automóvil se probaron
los dos aditivos. Use α = 0.05 y la prueba de los rangos con signo de Wilcoxon para
determinar si existe una diferencia significativa entre estos dos aditivos.
Ho: el rendimiento de la gasolina en millas por galon usando el aditivo 1 es IGUAL a el

rendimiento de la gasolina en millas por galon usando el aditivo 2
H1: el rendimiento de la gasolina en millas por galon usando el aditivo 1 es DIFERENTE a el
rendimiento de la gasolina en millas por galon usando el aditivo 2

Aditivo
Automovil 1 Xi 2 Yi Di = Xi - Yi Rango
1 20,12 18,05 2,07 9
2 23,56 21,77 1,79 7
3 22,03 22,57 -0,54 3
4 19,15 17,06 2,09 10
5 21,23 21,22 0,01 1
6 24,77 23,8 0,97 4
7 16,16 17,2 -1,04 5
8 18,55 14,98 3,57 12
9 21,87 20,03 1,84 8
10 24,23 21,15 3,08 11
11 23,21 22,78 0,43 2
12 25,02 23,7 1,32 6
N° Di (ordenado) RANGO O POSICION
1 0,01 1
2 0,43 2
3 0,54 3
4 0,97 4
5 1,04 5
6 1,32 6
7 1,79 7
8 1,84 8
9 2,07 9
10 2,09 10
11 3,08 11
12 3,57 12
n=12
Suma+= 70
Suma- = 8
Se usa el menor entonces tomamos el valor de 8
Valor de tabla con un nivel de significancia del 95% seria 0.05 con 12= 13
13>8 Por tanto rechzamos la Ho
9. Para probar el efecto de dos aditivos sobre el rendimiento de la gasolina, siete

automóviles usan el aditivo 1 y nueve automóviles el aditivo 2. En los datos siguientes se

presenta el rendimiento en millas por galón obtenido con cada uno de los dos aditivos.
Use α= 0.05 y la prueba de MWW para determinar si existe una diferencia significativa en
el efecto que tienen los dos aditivos sobre el rendimiento
Hipótesis:
Ho = No hay diferencia significativa
H1 = Sí hay diferencia significativa
Orden de los datos de menor a mayor:
NRO ORDEN RANGO

1 16.7 1
2 17.3 2
3 17.5 3
4 17.8 4
5 18.2 5
6 18.4 6
7 18.6 7
8 18.7 8.5
9 18.7 8.5
10 19.1 10
11 19.8 11
12 20.2 12
13 20.7 13
14 21 14
15 21.3 15
16 22.1 16

Cálculo de la sumatoria de rangos:
ADITIVO 1 RANGO 1 ADITIVO 2 RANGO 2

17.3 2 18.7 8.5
18.4 6 17.8 4
19.1 10 21.3 15
16.7 1 21 14
18.2 5 22.1 16
18.6 7 18.7 8.5
17.5 3 19.8 11
20.7 13
20.2 12
n=7 34 n=9 102
 R1 < R2, por lo tanto, utilizamos la fórmula (1):
7 ( 7+ 1 )
U =7∗9+ −34=57
2
Cálculo del estadístico de prueba (z de tabla)
alfa = 0.05
Z1−0,05 /2 =1.96
Comparación
57 > 1.96
Conclusión

Se rechaza Ho, por lo tanto, sí existe diferencia significativa en el efecto que tienen los dos
aditivos sobre el rendimiento.
10. Las calificaciones dadas a tres productos por un panel de 15 consumidores son las
siguientes. Use la prueba de Kruskal-Wallis y α = 0.05 para determinar si existe una
diferencia significativa entre las calificaciones dadas a los tres productos.
HO: Si existe una diferencia significativa entre las calificaciones

H1: No existe una diferencia significativa entre las calificaciones
Orden de los Datos de menor a Mayor
N° DATOS RANGOS
1 30 1
2 45 2
3 48 3
4 50 4
5 57 5
6 58 6
7 60 7
8 62 8
9 65 9

10 75 10
11 80 11
12 87 12
13 90 13
14 95 14
15 98 15
Calculo de la sumatoria de Rangos
A R1 B R2 C R3
50 4 80 11 60 7
62 8 95 14 45 2
75 10 98 15 30 1
48 3 87 12 58 6
65 9 90 13 57 5
Sumas 34 65 21
n1 5 n2 5 n3 5
n = 15
H=
12
[
342 652 212
15(15+1) 5
+
5
+
5 ]
−3 (15+1)= 10.22
Calculo de Chi-cuadrado
Alfa = 5%
K-1=3-1=2
2
x =( 1−alfa ,k −1 )=¿ (0.95,2) = 5.99

Comparación:
5.99<10.22
Conclusión:
Se acepta Ho, por tanto, si existe una diferencia significativa entre las calificaciones
dadas a los tres productos.

PRACTICA Grupal RLS, NP

Cargado por

Copyright:

Formatos disponibles

PRACTICA Grupal RLS, NP

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PRACTICA Grupal RLS, NP

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

UNIVERSIDAD NACIONAL JORGE BASADRE

FACULTAD DE CIENCIAS JURÍDICAS Y EMPRESARIALES

ESCUELA PROFESIONAL DE CIENCIAS CONTABLES Y FINANCIERAS

Asignatura: Estadística descriptiva

REGRESION LINEAL SIMPLE Y PRUEBAS NO PARAMETRICAS

2019-116015 AJAHUANA CHOQUE, DANIELA DALMA

2021-102044 MAMANI PARI, YAMILEY GUADALUPE

2021-102042 JUAN LUIS ABRAHAN CCOPA SAMILLAN

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

1. Suponga que un analista toma una muestra aleatoria de 10 embarques recientemente

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

Modelo de regresión lineal simple:

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

 Modelo de regresión lineal simple:

De acuerdo con el modelo de regresión lineal simple, cualquier valor X

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

FUENTE DE SUMA DE GRADOS DE

72.395 > 5.3176

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

2. En la tabla se presentan datos muestrales sobre el número de horas de estudio invertidas

3. En la tabla se presentan datos que relacionan el número de semanas de experiencia en un

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

seleccionados al azar. Trace estos datos muestrales en un diagrama de dispersión y realice

Resumen del modelob

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

Valor pronosticado 16,05 34,08 24,83 5,462 12

4. El centro de ubicación laboral en State University desea determinar si los promedios

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

Modelo de regresión lineal simple:

 Modelo de regresión lineal simple:

FUENTE DE SUMA DE GRADOS DE

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

TOTAL SST = SSR + SSRES 1

FUENTE DE SUMA DE GRADOS DE

19.7796 > 5.3176

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

Solución de diagrama de dispersión

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

Alumnos MILLAS AUSENCIAS xy x^2 y^2 Y^i E

B^1= 241 - 2652 241.090909

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

B^O= 3.09 - -0.0004664 * 7.09

COMPARACION: 5.11 > 2.018

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

6. Para evaluar y comparar dos métodos de capacitación industrial, un director de

HO : EL NIVEL MEDIANO DE DESEMPEÑO EN LA PRUEBA NO DIFIERE EN LOS DOS

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

Hipótesis alterna H₁: η₁ - η₂ ≠ 0

Método Valor W Valor p

7. Se afirma que las unidades ensambladas en un sistema rediseñado de ensamble de

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

8. Con objeto de determinar su efecto en el rendimiento de la gasolina en millas por galón en

Ho: el rendimiento de la gasolina en millas por galon usando el aditivo 1 es IGUAL a el

DOCENTE Mgr. VICTOR HUGO GUEVARA AGUILAR

9. Para probar el efecto de dos aditivos sobre el rendimiento de la gasolina, siete