Documente Academic
Documente Profesional
Documente Cultură
- La siguiente informacin corresponde a una muestra de 20 estudiantes en un curso de Estadistica Aplicada donde X= Calificaciones del Examn I e Y= Calificaciones del Examn final Estudiante 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Examen I (X) 84 70 87 68 81 96 90 82 89 70 88 65 87 89 69 80 75 84 76 74 Examn Final (Y) 66 77 84 56 86 81 79 82 81 84 81 74 74 74 74 71 94 83 68 69
Se pide : a) El modelo terico de regresin lineal simple b) El modelo estimado de regresin c) El coeficiente de correlacin d) El coeficiente de determinacin e) Realizar la prueba de significancia estadistica individual y conjunta f) Si la calificacin de las personas 21 y 22 son respectivamente 95 y 102 Cules son las calificaciones finales? 2.- Ciertos investigadores mostrarn una correlacin de r= -0.52 entre el salario promedio de los maestros (X) y la proporcin de estudiantes que abandonaran la escuela antes de graduarse (Y) en 120 escuelas en un departamento. Concluyern que incrementar los salarios de los maestros reducira la tasa de desertacin . Comente esas coclusiones 3.- Se seleciono una muetra aleatoria de seis estudiantes para hacer un estudio piloto a fin de investigar la relacion entre velocidad de lectura y redaccin (X) medida en minuto requisitos para leer la composicin y recordar en detalle el contenido (Y) medido por un examen sobre el material presentado en la composicin. Calcular la r de Pearsn basada en los datos registrados a continuacin
1.1
d 12 16
e 14 15
f 16 12
4.- Suponga que por observaciones solamente , estim las estaturas (X) y pesos (Y) de cada uno de sus sompaeros de clase y calcul el coeficiente de correlacin (r1) entre estas observaciones. Cmo se comparara este coeficiente con el coeficiente (r2) usando datos de una bscula y una cinta de mtica para determinar X y Y Por qu? 5.- En un estudio sobre gastos (Y)e ingresos(X)mensuales, una muestra de 10 familias dio los siguientes datos ( en nuevos soles) Y X 500 560 400 500 640 700 740 800 800 900 800 1000 900 1000 600 700 1100 1400 1200 1600 a) Trazar el diagrama de dipersin e indicar la tendencia b) Esimar la linea de regrein muestral c) Interpretar el valor de los parametros d) Predecir el gasto que correspondera a un ingreso de S / 1800 6.- Por qu son iguales los signos del coeficiente de correlacin y de la pendiente de la recta de regresin? 7.- El promotor de un CEP encarg un estudio para determinar la relacin entre los gastos de publicidad mensual por radio y los ingresos por pensiones de enseanza de sus estudiantes. En el estudio se obtuviern los siguientes resultados: Gastos de publicida (S/) 3000 2000 4000 3000 5000 7000 6000 8000 7000 8000 8500 Gastos por pension(S/) 30000 25000 40000 32000 75000 63000 93000 70000 84000 90000
1.3
Semana 1 2 3 4 5 6 7 8 9 10 11
En el quintomes por diversos motivos no se pudo hacer el estudio a) Deterninar la ecuacin de regresin del pago de pesiones de endeanza sobre gastos de publicidad b) En cuanto estimaria el pago de penciones del quinto mes? c) Hacer un analisis de la bondad del ajuste de la ecuacin de regresin lineal utilizando el coeficiente de determinacin d) A partir del analisis ralizado en c qu puede Ud. concluir acerca de la correlacin entre pago de pensiones de enseanza y gatos de publicidad? e) Determine los pagos de pensiones de enseasnza para los meses 12 y 13, para el efecto proyecte los gastos de publicidad 8.- El numero de horas de un studiante invertidas y las calificacioes finales esn un concurso de Matemticas de una muestra de 8 alumnos ha dado los dsiguientes resultados Horas de Calificacin estudio A1 14 12 A2 16 13 A3 22 15 A4 20 15 A5 18 17 A6 16 11 A7 18 14 A8 22 16 a) Determinar la recta de la calificacion sobre el numero de hora de estudio invertidos b) Calcular el grado de asociacin y determine si es significativo al nivel del 5% mediante la significacion de la pendiente de regresin 9.- En un estudio para determinar la relacion entre la edad (X) y la presin sangunea (Y) en una muestra aleatoria de 9 mujeres ha dado los siguientes resultados: 1.3.1 X 54 40 70 35 62 45 55 50 38 1.3.2 Y 148 123 155 115 150 126 152 144 114 a) Encuentre la ecuacion de regresion estimada de Y en X y estime la presin sangunea parauna mujer de 75 aos b) Utilice un procedimiento de analisis para probar de que no hay asociacin lineal entre X e Y 10.- La funcin de inversin neta total para la infraestructura de CEP se supone presenta la forma Y = AX En donde Y equivale a la inversin neta (en miles de dolares), X a la tasas de interes, y A,B son constantes desconocidas. Se tiene la siguiente muestra 1.3.3 X Y 12 80 8 100 10 120 7 140 6 160 5 180 5 200 Alumno
a) Determine la ecuacion de regresin estimada b) Predecir lads inversiones cuando la tasa de inters sea d 7.5 11.- Ajustar los siguientes datos a una curva de la forma
Y = Ae X
1.3.3.1 X Y
12 80
8 100
10 120
7 140
6 160
5 180
5 200
12.- Se realiza un estudio de asociacin entre las siguientes variables: Y: gastos mensuales expresados en cientos de dolares X1: ingreso mensual familiar en miles de dolares X2: tamao de la familia En una muestra de 10 familias escogidas al azas se han encontrado los datos que se presentan en lo la tabla que sigue: Y X1 X2 45 10 8 40 9 8 38 8 6 35 7 6 32 7 5 30 6 4 28 6 3 27 4 2 25 3 2 22 2 1 a) Determinar la ecuacin de regresion muestral de los datos mensuales con respecto a las dos variables: Ingres mensual y numero de hijos b) Interpretar los coeficiente de la regresin c) Estrimar el gasto mensual para una familia de 8 hijos y cuyo ingreso mensual es $7000 13.- Se realizo un estudio de las relaciones entre las notas obtenidas en 4 materias por 10 estudiantes de ingenieria de sistemas seleccionados aleatoriamente.Las 3 variables independientes X1,X2,X3 y la variable dependiente Y son: Y: nota en Esadistica Aplicada X1: nota en Matemtica Bsica X2: nota en Logica X3: nota en Economia General Los datos son los siguientes: Y X1 X2 X3 13 12 10 18 15 14 12 15 17 16 10 18 16 15 11 20 13 11 13 15 17 15 16 18 19 16 10 19 14 14 14 16 18 17 13 15 11 11 13 a) Estimar el modelo de regresin b) Probar la significancin del modelo de regresin 14.- Ajustar los pares de datos(x,y) que se indican en la siguiente tabla a un polinomio de forma Y = a + bX + eX 2
1 2 3 4 5
X 1 2 3 4 5
Y 8 4 1 5 7
Prob 01.-
REGRESIN
b Variable s introducidas/e liminadas
Modelo 1
Variables eliminadas .
Mtodo Introducir
a. Todas las variables solicitadas introducidas b. Variable dependiente: Calificaciones del examen final
Re sume n del modelo Modelo 1 R R cuadrado .290 a .084 R cuadrado corregida .033 Error tp. de la estimacin 8.319
Modelo 1
gl 1 18 19
F 1.649
Sig. .215 a
a. Variables predictoras: (Constante), Calificaciones del examen I b. Variable dependiente: Calificaciones del examen final
a Coe ficie nte s
Modelo 1
t 3.137 1.284
Correlacione s Calificaciones del examen I Correlacin de Pearson 1 Sig. (bilateral) . N 20 Correlacin de Pearson .290 Sig. (bilateral) .215 N 20 Calificaciones del examen final .290 .215 20 1 . 20
a.
b. c. Hallando el valor de I tenemos : 0.29 d. R2 = 0.084 Este valor indina que no se puede realizar pronosticos e. p < 0.01 alta significancia entre las variables
o = p = 0.06 entonces 0 es altamente significativo 1 = 0.215 entonces 1 no es estadisticamnete siginicativo , no es til para realizar pronosticos conjunta f. Remplazando los valores 95 y 102 en la ecuacin
Examen I (x) 84 76 74 95 102 Examen final (Y) 83 68 69 . . Valor hallado 77.92 75.71 75.15 80.97 82.91
Prob 02.- El indicador r= - 0.52 indica que la correlacin es negativa y que no hay muy buena correlacin lineal ya que r < 0.7
deducir
que
se
trata
de
una
relacin
Corre lacione s VELOCIDAD DE LECTURA 1 . 6 -.928** .008 6 RETENCION DEL CONTENIDO -.928** .008 6 1 . 6
= Sxy / S x S y
que nos
Prob 05 .a.1400
GRFICO 01
1200
1000
GASTOS
800
600
400
INGRESOS
o Modelo torico : Yi = o + 1 X i + i b.- Modelo estimado : Yi = 127.622 + 0.699 * X i + ei c. o = 127.622 1 = 0.699 Mide la velocidad de cambio del gasto respecto al ingreso . Representa la tasa de gasto de cambio respecto al ingreso si el ingreso se incrementa ,los gastos tambien se incrementa an un 0.7 aprox.
Y 600 1100 1200 . X 700 1400 1600 1800 Valor estimado 616.92 1106.22 1246.02 1385.82
d.-
6.- El coeficiente de correlacin y la pendiente de la recta de regresion son directamente proporcionales el cual indica que tengan el mismo signo, adems Sxy tiene la misma orientacin que r
7.a:
Yi = o + 1 X i + i
Yi = 766 + 8.816 * 10 2 + ei
REGRESIN
b Variable s introducidas/eliminadas
Modelo 1
Variables eliminadas .
Mtodo Introducir
a. Todas las variables solicitadas introducidas b. Variable dependiente: GASTE Resumen del mode lo Modelo 1 R R cuadrado 1.000 a 1.000 R cuadrado corregida 1.000 Error tp. de la estimacin .00000
Modelo 1
gl 1 11 12
F .
Sig. .a
Modelo 1
Coeficientes no estandarizados B Error tp. (Constante) 766.001 .000 GPENSIN 8.816E-02 .000
t . .
Sig. . .
b.-
Yi = o + 1 X i + i ;
Yi =1690 .9 + 650 * X
............. reemplazando el
valor 5 en temos el valor esperado 4940.91 Semanas Valor estimado 1 2340.91 2 2990.91 3 3640.91
4 5
4290.91 4940.91
REGRESIN
b Variable s introducidas/eliminadas
Modelo 1
Variables eliminadas .
Mtodo Introducir
Re sumen de l modelo Modelo 1 R .933a R cuadrado .870 R cuadrado corregida .856 Error tp. de la estimacin 877.755
Modelo 1
gl 1 9 10
Sig. .000 a
Modelo 1
(Constante) weekend
t 2.979 7.767
r = ajuste R2
de bondad 2
d.-
Del
Gastos en publicidad S/
R 2 = 1 (Se / S y )
R = 0.8702 0 2 4 6 8 10 12
weekend
realizado en c podemos afirmar que la correlacion entre el pagp de pensiones y gastos de publicidad tiene un 87% de relacion directamente proporcional. Adems del grafico adjunto obserbamos que la nube de puntos esta casi distribuida en ambas mitades. e.- hallando las pensiones 12 y 13 Semana 1 2 3 4 5 6 7 8 9 10 11 12 13 Prob 08.a.REGRESIN
b Variable s introducidas/e liminadas
Gastos publicos 2340.91 2990.91 3640.91 4290.91 4940.91 5590.91 6240.91 6890.91 7540.91 8190.91 8840.91 9490.91 10740.91
Gastos pensin 17863.64 25236.36 32609.09 39981.82 47354.54 54727.27 62100.00 69472.73 76845.45 84218.18 91590.91 98963.63 106336.4
Modelo 1
Variables eliminadas .
Mtodo Introducir
Modelo 1
gl 1 6 7
F 6.375
Sig. .045a
a Coeficie ntes
Modelo 1
t 1.368 2.525
o Yi = o + 1 X i + i ; Yi = 5 + 0.50 * X + ei
b.- CORRELACIONES
Estadsticos descriptiv os Media 18.25 14.13 Desviacin tpica 2.915 2.031 N 8 8
horas de estudio
Calificacin
9.a.1.-
REGRESIN
b Variables introducidas/e liminadas
Modelo 1
Variables eliminadas .
Mtodo Introducir
b ANOVA
Modelo 1
gl 1 7 8
F 43.903
Sig. .000a
Modelo 1
t 6.82 6.63
Yi = o + 1 X i + i
a.2
De la ecuacin adjunta hallamos el valor para 75 aos X 55 50 38 75 Y 152 144 114 . Valor hallado 143.13 136.48 120.52 169.74
b.GRFICO
160
150
PRESION SANGUINEA
140
130
120
110 30 40 50 60 70 80
R = 0.8625
EDAD MUJER
Prob 10.a.- ESTIMACIN CURVILNEA MODEL: MOD_1. Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: DF 1 5 Sum of Squares .56132769 .08340947 Signif F = Mean Square .56132769 .01668189 .0021 .93308 .87063 .84476 .12916
Method.. POWER
Regression Residuals F =
33.64892
-------------------- VARIABLES IN THE EQUATION -------------------Variable X (Constant) B -.908614 805.816345 SE B .156637 252.343236 Beta -.933076 T -5.801 3.193 Sig T .0021 .0242
TASA DE INTERES
220 200 180
INVERSION NETA
TASA DE CRECIMIENTO
b.- reemplazando7.5 en tenemos: X 12.0 8.0 10.0 7.0 6.0 5.0 5.0 7.5 Prob 11.ESTIMACIN CURVILNEA MODEL: MOD_9. Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: DF Regression Residuals F = 1 4 .96251 .92642 .90803 .09038 Mean Square .41138910 .00816824 .0021 Y 80 100 120 140 160 180 200 . VALOR CALCULADO 84.27 121.81 99.45 137.52 158.20 186.70 186.70 129.16
Method.. EXPONENT
50.36448
-------------------- VARIABLES IN THE EQUATION -------------------Variable T X .0021 (Constant) .0003 B .153323 2.290285 SE B .021605 .192699 Beta .962508 T 7.097 11.885 Sig
Hallando la ecuacion :
Y = Ae X
Y = 2.29e 0.1513 x
GRAFICO 01 6.0 5.5 V A 5.0 R . 4.5 D E P 4.0 E N D I 3.5 E N T 3.0 E 2.5 2.0 0 1 2 3 4 5 6 7 Observada Exponencial
VAR.INDEPENDIENTE
12.-
Modelo 1
Variables eliminadas .
Mtodo Introducir
Modelo 1
gl 1 8 9
F 104.836
Sig. .000a
Coeficientes a Coeficientes no estandarizados Error B tp. 15.389 1.765 2.711 .265 Coeficientes estandarizados Beta .964 t 8.721 10.24 Sig. .000 .000
Modelo 1
a.2.-
Modelo 1
Variables eliminadas .
Mtodo Introducir
Modelo 1
gl 1 8 9
F 148.232
Sig. .000a
Modelo 1
t 16.608 12.175
b.-
o Para
c.-
es
Valores Valores de de 37.08 37.08 31.65 31.65 28.94 26.23 23.52 20.81 20.81 18.10 37.08 47.68 44.86 42.05 39.23 39.23 36.42 36.42 30.79 27.98 25.16 39.23
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient 1.022664 .004632 .177808 -2.030804 -11.473810
Log-likelihood Function =
Source variable..
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient 1.014478 .006589 .166998 -1.764875 -11.395978 POWER value = -1.000
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient 1.006127 .008514 .156323 -1.499708 -11.327787 POWER value = -.500
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .997576 .010389 .145787 -1.234686 -11.269593 POWER value = .000
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .988794 .012199 .135390 -.969220
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .979755 .013930 .125131 -.702748 -11.183995 POWER value = 1.000
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .970433 .015570 .115006 -.434733 -11.156658 POWER value = 1.500
Dependent variable.. Y --------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .960809 .017108 .105007 -.164663 -11.139432 POWER value = 2.000
Dependent variable.. Y
--------------- Variables in the Equation --------------Variable X1 X2 X3 (Constant) Regression Coefficient .950865 .018535 .095126 .107949 -11.131992 Dependent variable.. Y = = = = = = = = = -11.473810 -11.395978 -11.327787 -11.269593 -11.221628 -11.183995 -11.156658 -11.139432 -11.131992 POWER POWER POWER POWER POWER POWER POWER POWER POWER value value value value value value value value value = -2.000 = -1.500 = -1.000 = -.500 = .000 = .500 = 1.000 = 1.500 = 2.000 2.000 2.000
Log-likelihood Function = Source variable.. Y Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Log-likelihood Function Function Function Function Function Function Function Function Function
The Value of POWER Maximizing Log-likelihood Function = Source variable.. Y POWER value =
Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: DF Regression Residuals F = 3 5 9.91505 Sum of Squares .13170705 .02213924 Signif F = Mean Square .04390235 .00442785 .0152 .92525 .85610 .76975 .06654
------------------ VARIABLES IN THE EQUATION -----------------Variable X1 X2 X3 (Constant) B .950865 .018535 .095126 .107949 SE B .190914 .202813 .229026 5.304227 Beta .897237 .017469 .083265 T 4.981 .091 .415 .020 Sig T .0042 .9307 .6951 .9846
Log-likelihood Function =
-11.131992
The following new variables are being created: Name WGT_1 14.ESTIMACIN CURVILNEA MODEL: MOD_7. Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error Analysis of Variance: Regression Residuals F = DF 2 2 6.29167 Sum of Squares 25.885714 4.114286 Signif F = Mean Square 12.942857 2.057143 .1371 .92890 .86286 .72571 1.43427 Label Weight for Y from WLS, MOD_3 Y** -2.000
Method.. QUADRATI
-------------------- VARIABLES IN THE EQUATION -------------------Variable X X**2 (Constant) B -8.242857 1.357143 14.800000 SE B 2.344250 .383326 3.076176 Beta -4.759016 4.791823 T -3.516 3.540 4.811 Sig T .0722 .0713 .0406
Y = a + bX + cX 2
10
V a r . D e p e n d i e n t e
2 Observada 0 0 1 2 3 4 5 6 Cuadrtico
Var. independiente