TAREA 4

Presentado por:

Tutor

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

UNAD
BIOMETRÍA Y DISEÑO EXPERIMENTAL
ABRIL
2020
 Cuestionario

1) ¿Cuál es el propósito del análisis de regresión y correlación?

El análisis de regresión se basa en usar métodos matemáticos que den la

mejor relación entre dos variables, que ya están relacionadas.

El análisis de correlación cosiste en determinar la fuerza de asociación

entre dos variables. Por ejemplo, cuando una variable aumenta, la otra
variable en qué grado aumenta o disminuye.

2) ¿Por qué se requiere la regresión lineal y múltiple? ¿En qué casos se

presenta?

La regresión lineal simple, como su nombre lo indica, se usa cuando existe

una relación lineal entre las variables dependiente e independiente. Su
modelización está dada por la fórmula de una recta:

Y =mX +b

Donde “X” es la variable independiente, “Y” es la variable dependiente, “m”

es la pendiente de la recta, el coeficiente de regresión y “b” es la
coordenada donde la línea intersecta a el eje y.

La regresión lineal múltiple, tiene la misma relación de variables que el

simple, sino que aquí hay varias independientes.

Y =m1 X 1 +m 2 X 2+ …+m n X n +b

Donde Xn representa las múltiples variables independientes que se pueden

evaluar.

3) ¿Qué tipos de correlación existe, cite un ejemplo para cada uno de los
casos?

 Correlación positiva: Es cuando la variable dependiente aumenta con

el aumento de la independiente. Ejemplo, entre más horas dedica al
estudio un estudiante, más conocimientos adquiere.
 Correlación negativa: Es cuando al aumento de la variable
independiente aumenta la dependiente, o viceversa. Ejemplo, a
medida que se invierten en mejoras del sistema de salud, menos
personas van a morir.
 Sin correlación: No hay relación directa entre las variables. Ejemplo:
la talla de las camisetas de una persona, con respecto a el color de
los ojos.
4) ¿Qué es coeficiente de correlación y cuál es su interpretación?

El coeficiente de correlación mide el grado de asociación lineal que hay

entre las variables. Viene dado por f :

S xy
f=
Sx S y

Donde S xy es la covarianza entre las variables “x” y “y”; S x es la varianza de

la variable “x” y S y la varianza de la variables “y”.
Este puede tomar valores entre -1 y 1: si es -1, tiene correlación perfecta
negativa, si es 1 tiene correlación perfecta positiva y si es cero no tiene
nada de correlación.

5) ¿Qué es coeficiente de determinación y cuál es su interpretación?

Este define el grado de ajuste del modelo hallado con los datos que se
tienen. Viene dado por R2:

2 Se
R =1−
S

Donde Se es la varianza de los residuos, es decir la variación de los puntos

alrededor de la recta (modelo propuesto); y S es la varianza normal de la
variable.

Este toma valores entre 0 y 1, donde 1 representa un ajuste perfecto y por

el contrario 0 que no hay nada de ajuste.
 Ejercicios

1. En un ensayo sobre trigo se quiere cuantificar la relación que hay entre la

disponibilidad de Nitrógeno en el suelo con la cantidad de Nitrógeno en la
planta. Se obtuvieron datos para doce parcelas en las que se registró el
contenido de nutrientes en el suelo (x) y los valores promedio de nitrógeno
por planta (y)

Para estos datos, realice:

a. ¿Cuál es la variable dependiente (y) respuesta y cuál es la variable

independiente (x) o predictora en este caso

X: Contenido de nutrientes en el suelo.

Y: Valores promedio de nitrógeno por planta.

b. Realice el diagrama de dispersión asignando la variable respuesta e

independiente según corresponda. ¿Qué sugiere la gráfica con respecto
al modelo?
 De la gráfica se observa que los datos tienden a un modelo lineal de
correlación positiva

c. Identifique el modelo

El modelo es de regresión lineal simple

d. Estime los parámetros del modelo e interprételos

Al hacer la regresión lineal, se obtiene la ecuación de la recta que se

acomoda a los datos:

Y =0.1585 X +0.0756
 Con lo que se tiene una pendiente positiva (0.1585), lo que muestra que
a medida que aumenta el número de nutrientes en el suelo, aumenta el
número de nitrógeno en las plantas.

e. Redacte las hipótesis que interesa contrastar en el análisis de varianza

f. Especifique matemáticamente el modelo y especifique cada término

g. Verifique los supuestos para realizar en ANOVA y determine las
hipótesis
h. ¿Es significativo el modelo?
i. Realice la regresión con fórmulas en archivo Excel y con la herramienta
“regresión de análisis de datos” de Excel.
j. Son significativos los coeficientes de regresión
k. Como se cuantifica si el modelo explica una parte significativa de la
variación de la variable respuesta
l. Redactar como si fuese para la sección de material y método y
resultados de un artículo científico