Ejercicios de Estadstica Descriptiva Bidimensional

1. Construimos un modelo de regresin lineal simple para explicar la variabilidad en el tiempo de reaccin
(TR) ante cierto estmulo, medido en segundos, a partir de la edad del paciente, empleando una muestra
formada por 20 individuos afectados por cierta dolencia, obteniendo: Y = 0,35 + 0,01X. Indica cul de las
siguientes conclusiones se puede alcanzar a partir del enunciado:
a. El coeficiente de correlacin lineal entre la edad y el TR es negativo.
b. El modelo explica el 35% de la variabilidad en el TR para los 20 individuos incluidos en la muestra.
c. El tiempo medio de reaccin se incrementa 0,01 segundos por cada ao adicional del paciente.
d. Si un individuo tiene una edad de 30 aos, su TR es igual a 0,65.
e. El modelo explica el 10% de la variabilidad en el TR para los 20 individuos incluidos en la muestra.
a es falsa, ya que el coeficiente de correlacin lineal tiene el mismo signo que la pendiente, que es
b=0,01>0.
b es falsa, ya que no conocemos el valor del coeficiente de determinacin lineal R2 y en b afirma que es
0,35.
d es falsa, ya que lo que sabemos es que para los individuos de 30 aos TR vale, en promedio 0,65.
e es falsa por el mismo motivo que lo era b.
2.

Se ha realiza un estudio de regresin lineal simple para establecer una ecuacin mediante la cual se
pueda utilizar la concentracin de estrona en saliva para predecir la concentracin del esteroide en
plasma libre. Se extrajeron los siguientes datos de 14 varones sanos:
X
Y

1,4 7,5 8,5 9,0 9,0 11,0 13,0 14,0 14,5 16,0 17,0 18,0 20,0 23,0
30,0 25,0 31,5 27,5 39,5 38,0 43,0 49,0 55,0 48,5 51,0 64,5 63,0 68,0

El modelo de regresin lineal simple resultante es Y = 15,85 + 2,26X, con R2 = 83,56%.

Cul de las siguientes afirmaciones es una interpretacin correcta del enunciado?
a.
b.
c.
d.
e.

Por cada unidad que aumenta la concentracin del esteroide en plasma libre la concentracin de
estrona en saliva aumenta, en promedio, 2,26 unidades.
Para los individuos con una concentracin de estrona en saliva de 0 unidades el promedio de la
concentracin del esteroide en plasma libre es igual a 2,26 unidades.
El 83,56% de los individuos tendrn una concentracin del esteroide en plasma libre correcta, segn
el modelo.
Por cada unidad que aumenta la concentracin de estrona en saliva la concentracin del
esteroide en plasma libre aumenta, en promedio, 2,26 unidades.
La relacin entre la concentracin de estrona en saliva y la concentracin del esteroide en plasma
libre es inversa, es decir, cuando una de ellas aumenta la otra tiende a disminuir.

El modelo es una lnea recta en la que Y es la concentracin de estrona en plasma libre (variable
respuesta) y X es la concentracin de estrona en saliva (variable explicativa). 2,26 es la pendiente de la
recta, es decir, lo que vara Y, en promedio, por cada unidad que aumenta X; en nuestro caso, por cada
unidad que aumenta la concentracin de estrona en saliva, la concentracin de estrona en plasma
aumenta, en promedio, 2,26 unidades, con lo que la respuesta correcta es la d.
a es falsa porque intercambia los papeles de ambas variables.
b es la interpretacin de la ordenada en el origen, pero en el modelo el valor es 15,85 y pone 2,26.
c es una interpretacin incorrecta del coeficiente de determinacin lineal R2. Debera ser: el modelo
explica el 83,56% de la variabilidad de la concentracin de estrona en plasma libre, para las 14
observaciones empleadas para estimarlo.
e es incorrecta, ya que el coeficiente de correlacin lineal tiene el mismo signo que la pendiente, que
es positiva (2,26), con lo que la relacin es directa, no inversa.

Ejercicios de Estadstica Descriptiva Bidimensional

3.

En el estudio de una reaccin qumica se sospecha que la temperatura con que entra uno de los reactivos
puede afectar al tiempo necesario para completar la reaccin. Para comprobar el efecto de la
temperatura del reactivo (en C) sobre el tiempo necesario para completar la reaccin (en minutos) se ha
recogido datos correspondientes a 20 realizaciones de la reaccin, segn se muestra en la siguiente
figura, en la que tambin se muestra el modelo de regresin lineal y el coeficiente de determinacin
lineal:
70

60
50
40
30

y = 50,37 - 2,01x
R = 0,64

20
10
0

-8

-6

-4

-2

10

12

3.a La variable respuesta es: Tiempo necesario para completar la reaccin, en minutos.
3.b La variable explicativa es: Temperatura con que entra el reactivo, en C.
3.c Qu podemos decir del tiempo de reaccin para los casos en que la temperatura con la que entra
el reactivo es igual a 2C?

E( y | x = 2) = 50,37 2,01 2 = 46,35 C

3.d

3.e

3.f

3.g

Cuando la temperatura con que entra el reactivo es de 2C, el tiempo de reaccin es, en promedio,
de 46,35 minutos.
Interpreta el valor 50,37 que aparece en la expresin del modelo:
Cuando la temperatura con que entra el reactivo es de 0C, el tiempo de reaccin es, en promedio,
de 50,37 minutos.
Interpreta el valor 2,01 que aparece en la expresin del modelo.
Por cada C que aumenta la temperatura con que entra el reactivo, el tiempo de reaccin
disminuye, en promedio, 2,01 minutos.
Interpreta el valor del coeficiente de determinacin lineal R2 = 0,64.
El modelo explica el 64% de la variabilidad en el tiempo de reaccin para las 20 realizaciones de
la reaccin incluidas en la muestra.
El coeficiente de correlacin lineal es igual a:

r = 0,64 = 0,8 . En este caso es r = 0,8, ya que un aumento en la variable explicativa se asocia
con un descenso en el valor medio de la variable respuesta (relacin lineal inversa).
4. Se ha tomado una muestra de 100 trabajadores de una cierta categora laboral, para tratar de relacionar el
sueldo bruto anual de los mismos con la antigedad en la empresa en la que trabajan. Para alcanzar el
objetivo descrito se ha construido un modelo de regresin lineal simple a partir del cual se ha estimado
que los trabajadores nuevos (sin antigedad) que se incorporan a la empresa en dicha categora, ganan, en
promedio, 22.000 brutos al ao y que, cada ao de antigedad supone, en promedio, un incremento de
800 en el sueldo anual. El modelo resultante explica el 49% de la varianza del sueldo anual de dichos
trabajadores a partir de la antigedad de los mismos, para los 100 trabajadores incluidos en la muestra.
4.a Escribe la expresin del modelo de regresin lineal simple, si la antigedad se expresa en aos y el
sueldo bruto anual en miles de euros: ! !"#$%& = 22.000 + 800 !"#$%&'()(
4.b Calcula el sueldo medio de los trabajadores de dicha categora con una antigedad en la empresa
igual a 10 aos: ! !"#$%&|!"#$%&'()( = 10 = 22.000 + 800 10 = 30.000
4.c Cunto vale el coeficiente de correlacin lineal entre ambas variables? ! = ! ! = 0,49 = 0,7

Ejercicios de Estadstica Descriptiva Bidimensional

5. Si el coeficiente de correlacin lineal entre dos variables es 0,8 podemos decir:
a.
b.
c.
d.
e.

El 64% de las predicciones son correctas.

El modelo explica el 80% de la variabilidad de Y.
Hay poca relacin lineal entre las variables.
La relacin entre las variables es directa.
La covarianza es negativa.

Si el coeficiente de correlacin lineal es negativo

y cercano a 1 hay una relacin lineal fuerte e
inversa. En este caso la respuesta correcta es la
e, ya que la covarianza tiene el mismo signo que
el coeficiente de correlacin lineal.

6. Se observa que al aumentar la dosis de cierta medicacin, disminuye el tiempo que hay que tomar el
medicamento. Al construir un modelo de regresin entre ambas variables, ste explica el 36% de la
variabilidad en el tiempo que hay que tomar el medicamento. Cul de entre las siguientes afirmaciones
es compatible con el enunciado?:
2

a.
b.
c.
d.
e.

El 36% de las predicciones del modelo son correctas. Segn2 el enunciado R = 0,36 y al ser r la raz
de R , ser r = 0,60. El signo negativo se
r = +0,60
debe a que al aumentar el valor de una de las
r = 0,60
variables (la dosis) el valor de la otra
r = +0,36
disminuye (el tiempo). La respuesta correcta
Por cada 1% que se incrementa la dosis el tiempo es la c.
baja un 36%.
7. Hemos elaborado un modelo de regresin lineal simple para explicar la variabilidad en el grado de
satisfaccin que manifiestan los pacientes tratados de cierta enfermedad (medido mediante un ndice que
toma valores entre 0 y 10) a partir de la duracin del tratamiento (medida en nmero total de sesiones).
Para elaborar el modelo hemos recurrido a una muestra formada por 200 pacientes y el modelo resultante
es: y = 2,8 + 0,25 x , con un coeficiente de determinacin lineal R2 = 0,67.
7.a

Indica cul es la variable explicativa y cul es la variable respuesta.

La variable respuesta es el grado de satisfaccin y la variable explicativa es el nmero de
sesiones.
7.b Interpreta el valor 0,25 que aparece en el modelo.
Por cada sesin adicional el grado de satisfaccin aumenta, en promedio, 0,25 unidades.
7.c Qu signo tiene la covarianza entre la variable explicativa y la variable respuesta?. Qu implica
este signo?
La covarianza ser positiva, indicando que un incremento en el nmero de sesiones conlleva, en
promedio, un incremento en el grado de satisfaccin.
7.d Interpreta el valor del coeficiente de determinacin lineal R2.
El modelo explica el 67% de la variabilidad en el grado de satisfaccin, a partir de la variabilidad
en el nmero de sesiones, para los 200 pacientes incluidos en la muestra.
7.e Qu podemos decir de un paciente cuyo tratamiento ha durado 10 sesiones.
Para los pacientes cuyo tratamiento dura 10 sesiones, el grado de satisfaccin valdr, en
promedio, 5,3 unidades (2,8+0,2510).
8. Se ha realizado un estudio de regresin para tratar de explicar el ngulo mximo de apertura de cierta
articulacin, expresado en grados, a partir de la estatura del individuo que realiza la prueba, expresada
como exceso sobre 150 cm (para un individuo de 150 cm se considera una estatura igual a 150150 = 0,
para uno de 175 cm la estatura es 175150 = 25, para un individuo de 190 cm la estatura es 190150 =
40).
8.a
8.b

8.c

Indica cul es la variable explicativa y cul la variable respuesta.

La variable respuesta es el ngulo mximo de apertura y la variable explicativa es la estatura.
El coeficiente de determinacin lineal del modelo ha resultado R 2 = 0,56 . Interpreta con
claridad, dicho valor.
El modelo explica el 56% de la variabilidad en el ngulo mximo de apertura, a partir de la
estatura, para los n individuos incluidos en la muestra.
Al estimar el modelo de regresin lineal simple obtenemos: y = 90 0,1x . Interpreta el significado
de los nmeros 90 y 0,1 del modelo.
Interpretacin de a=90: Para los individuos cuya estatura es igual a 150 cm, el ngulo mximo de
apertura vale, en promedio, 90.
Interpretacin de b=-0,1: Por cada cm que aumenta la estatura de los individuos, el ngulo
mximo de apertura se reduce, en promedio, 0,1.

Ejercicios de Estadstica Descriptiva Bidimensional

9. En una fbrica estn interesados en relacionar el tiempo que se tarda en montar un determinado tipo de
piezas Y, medido en minutos, con el peso de sus componentes X, medido en kilogramos. En la siguiente
tabla se muestran parcialmente los datos correspondientes a 20 piezas para las que se ha medido ambas
variables:
70
2

1
2
3

19
20

X
Y
X
9,1
57,8
82,81
7,6
51,8
57,76
7,9
46,2
62,41

9,9
60
98,01
10,4
52,8
108,16
192,70 1.066,90 1.908,31
9,6350 53,3450 95,4155

XY
Y
3.340,84
525,98
2.683,24
393,68
2.134,44
364,98

3.600,00
594
2.787,84
549,12
57.814,13 10.458,90
2.890,7065 522,9450

60

50

40
7

9.a

10

11

12

13

14

Construye un modelo de regresin lineal adecuado para estimar el tiempo de montaje a partir del
peso de la pieza, representa el modelo junto a la nube de puntos del grfico de arriba.
!!! = ! ! ! ! = 95,4155 9,635! = 2,5823 !! = 2,5823 = 1,607
!!! = ! ! ! ! = 2890,7065 53,345! = 45,0175 !! = 45,0175 = 6,7095
!!" = !" ! ! = 522,945 9,635 53,345 = 8,9659
!!" 8,9659
!= ! =
= 3,4721
2,5823
!!
! = ! !! = 53,345 3,4721 9,635 = 19,8913
El modelo es: ! = 19,89 + 3,47!

9.b

Cunto vara, en promedio, el tiempo necesario para montar una pieza, por cada Kg que aumenta
su peso?
Por cada Kg que aumenta el peso de una pieza, el tiempo de montaje de la misma aumenta, en
promedio, 3,47 minutos.

9.c

Calcula el coeficiente de determinacin lineal R2 correspondiente al modelo de regresin e

interpreta claramente su significado.
!!"
8,9659
=
= 0,8077
!! !! 1,607 6,9075
! ! = ! ! = 0,8077! = 0,6524
El modelo explica el 65,24% de la variabilidad en el tiempo de montaje de las piezas, a partir de la
variabilidad en su peso, para las 20 piezas incluidas en la muestra.
!=