Académique Documents
Professionnel Documents
Culture Documents
Facultad de Ingeniera
Alumnos: Aguilar Hernndez, Kevin Rodolfo AH120463 Carrillo Caldern, Vladimir Arturo. CC121955 Maltez Hernndez, Diana Abigail MH120437 Lara Sosa, Alejandro Jess LS120399
Morales Pineda, Christian Alexander MP121117
Asignatura Estadstica I
Correlacin:
En probabilidad y estadstica, la correlacin indica la fuerza y la direccin de una relacin lineal y proporcionalidad entre dos variables estadsticas. Se considera que dos variables cuantitativas estn correlacionadas cuando los valores de una de ellas varan sistemticamente con respecto a los valores homnimos de la otra: si tenemos dos variables (A y B) existe correlacin si al aumentar los valores de A lo hacen tambin los de B y viceversa. La correlacin entre dos variables no implica, por s misma, ninguna relacin de causalidad
xy=ax2 + bx
Las constantes quedan fijadas al resolver simultneamente las ecuaciones anteriormente encontradas, es decir, al resolver el anterior sistema de ecuaciones. Que se llaman las ecuaciones normales para la recta de mnimos cuadrados.
Solucin: MES ENERO FEBRERO MARZO ABRIL MAYO JUNIO TOTAL HORAS (X) 10.00 12.50 17.50 20.00 50.00 30.00 140.00 COSTO (Y) 400 500 500 600 1,500 900 4,400 (X)(Y) 4000 6250 8750 12000 75000 27000 133,000 X2 100 156 306 400 2,500 900 4,363
1. 2.
( )
Con esta ecuacin de mnimos cuadrados se pueden predecir los costos totales aproximados de acuerdo a las horas laboradas. Los costos en una jornada de trabajo de 40 horas son: R/ 2) Los siguientes dados relacionan la cantidad diaria de accidentes de trnsito en las rutas de acceso de un centro comercial de San Salvador con la cantidad de gente que llega diariamente al centro comercial. -Si las visitas fueran fueran de 4 miles de personas. Cuntos accidentes de trnsito se esperan? X Visitas diarias al centro comercial (en miles) 2 3 2.5 3.1 Solucin: X 2 3 2.5 3.1 10.5 Y 3 4 3 6 16 XY 6 12 7.5 18.6 44.1 X2 4 9 6.25 9.61 28.86 Y Cantidad de accidentes automovilsticos diarios 3 4 3 6
Total:
1. 2.
( )
( )
4. ESCRIBE TRES TIPOS DE CURVAS REDUCIBLES A LA FORMA LINEA. FUNCIN EXPONENCIAL, POTENCIAL Y LOGARTMICA
El problema de ajustar un modelo potencial, de la forma Y=AX+ b y uno Exponencial Y=AB^ X se reduce al de la funcin lineal, con solo tomar logaritmos.
Modelo potencial:
Si tomamos logaritmos en la expresin de la funcin potencial, obtendremos: Log Y = log A +b log X Como vemos es la ecuacin de una recta: Y=a+bX, donde ahora a = log A. De modo que el problema es sencillo, basta con transformar Y en log Y y X en log X y ajustar una recta a los valores transformados. El parmetro b del modelo potencial coincide con el coeficiente de regresin de la recta ajustada a los datos transformados, y A lo obtenemos mediante el antilog(a).
Modelo exponencial:
Tomando logaritmos en la expresin de la funcin exponencial, obtendremos: logY = logA + logB X Tambin se trata de la ecuacin de una recta Y=a+bX, pero ahora ajustndola a logY y a X; de modo que, para obtener el parmetro A del modelo exponencial, basta con hacer antilog(a), y el parmetro B se obtiene tomando antilog (b).
Modelo logartmico:
La curva logartmica Y = a + b logX es tambin una recta, pero en lugar de estar referida a las variables originales X e Y, est referida a logX y a Y.
Hemos visto, cmo, a pesar de ser inicialmente modelos mucho ms complejos que el de una recta, estos tres ltimos se reducen al modelo lineal sin ms que transformar adecuadamente los datos de partida. Ejemplo: Las cifras siguientes son datos sobre el porcentaje de llantas radiales producidas por cierto fabricante que an pueden usarse despus de recorrer cierto nmero de millas: Miles de Millas recorridas (X) Porcentaje til (Y) 1 99 2 95 5 85 15 55 25 30 30 24 35 20 40 15
a) Ajustar los datos a una curva exponencial usando el mtodo de mnimos cuadrados Se llena la siguiente tabla: X 1 2 5 15 25 30 35 40 X= 153 Y 99 95 85 55 30 24 20 15 Log Y 1996 1978 1929 1740 1477 1380 1301 1176 logY=1297759 X^2 1 4 25 225 625 900 1225 1600 X^2= 4605 X log Y 1996 3955 9647 26105 36928 41406 45536 47044 XlogY=21261769
( ) ( ) ( )
( (
) )
Utilizando una herramienta para resolver el sistema de ecuaciones as como en clase obtenemos que:
Log = 2.02749722 = Log = -0.02119205 = 0.9523749198 Por otra parte se sabe que: Log Y= Log +X Log Y= Entonces Log Y= 2.02749722 0.02119205X ( )( )
Ao
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
Poblacin 4.52 5.18 6.25 7.42 8.16 9.12 10.92 11.62 12.68 13.12 13.97 (millones) a) Ajustar los datos a una parbola de mnimos cuadrados b) Estimar la poblacin para los aos
2015
2020
SOLUCIONES: a) Ajustar los datos a una parbola de mnimos cuadrados Realizamos la siguiente tabla AO 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 = X -5 -4 -3 -2 -1 0 1 2 3 4 5 0 Y 4.52 5.18 6.25 7.42 8.16 9.12 10.92 11.62 12.68 13.12 13.97 102.96 XY -22.6 -20.72 -39.47 -14.84 -8.16 0 10.92 23.24 38.04 52.48 69.85 109.46 X^2 25 16 9 4 1 0 1 4 9 16 25 110 X^3 -125 -64 -27 -8 -1 0 1 8 27 64 125 0 X^4 625 256 81 16 1 0 1 16 81 256 625 1958 (X^2)Y 113 82.88 56.25 29.68 8.16 0 10.92 46.48 114.12 209.92 349.25 1020.66
Con estos datos y por medio de las ecuaciones que formamos podemos realizar la parbola de mnimos cuadrados as:
102.96= a(11)+ b(0) + c(110) 109.46= a (0) + b(110) +c(0) 1020.66=a(110)+ b(0)+c(1958)
Usando una herramienta para resolver el sistema de ecuaciones as como en clase obtenemos las constantes a, b y c que tiene el siguiente valor:
b) Estimar la poblacin para los aos 2015 y 2020 Para el ao de 2015 se tiene un X=6, entonces la poblacin es:
( )
( )
( )
( )
Variacin total.
Vase la siguiente grafica que representa el diagrama de la variacin total.
En la grafica se ha trazado, entre los puntos (x,y) que constituyen el diagrama de dispersin, la lnea terica media aritmtica de la ecuacin de regresin y la lnea que representa la
X, por ejemplo en X1, la desviacin total de Y con respecto a su media , queda dividida en dos variaciones: variacin no explicada y la variacin explicada es decir:
Variacin explicada:
Es la variacin en con respecto a su media , y se le llama variacin explicada.
Variacin no explicada:
Se refiere a otros factores que pueden influir en el comportamiento de la variable dependiente; por ejemplo, en el caso de probar un abono qumico en la fertilizacin de una determinada parcela cultivada de caf, donde X son las distintas aplicaciones de abono y Y la produccin; las variaciones en la produccin Y tambin pueden deberse a otras variables como el tipo de suelo, el clima, etc. Entonces, como estas variables no entran en el anlisis del comportamiento de la produccin, a (Yvariacin no explicada. )2 se le llama
Coeficiente de determinacin r2
Al cuadrado de r se le llama coeficiente de determinacin o sea:
Coeficiente de correlacin r
Ya hemos dicho anteriormente, que la correlacin mide la intensidad o fuerza con que estn relacionadas las variables, y ser medida por el coeficiente r de relacin. Tipos de correlacin: Atendiendo a la relacin de las variables: a) Correlacin directa o positiva: cuando por aumentos en la variable independiente ocurren tambin aumentos en la variable dependiente; o, si disminuye la variable independiente, ocurren disminuciones en la variable dependiente.
b) Correlacin inversa o negativa: cuando por aumentos en la variable independiente ocurren disminuciones en la variable dependiente; o, si disminuye la variable independiente, ocurren aumentos en la variable dependiente. El coeficiente r de correlacin toma valores entre 0 y 1 para la positiva; y para la correlacin inversa o negativa el valor de r oscilara entre 0 y -1. Un valor de r=1 r=-1 se interpreta diciendo que existe correlacin perfecta entre las variables. En forma positiva o negativa respectivamente. Un valor de r=0, significa que no existe ninguna relacin entre las variables; por ejemplo si quisiramos relacionar las variables inteligencia y estatura; es obvio que el valor dar sera cero, o un valor acercndose a cero. De lo dicho anteriormente se concluye que entre ms se acerca el valor de ra 1 ms asociacin existe entre las variables, y entre ms se acerque a cero menos relacin hay entre las variables
Bibliografa
http://www.monografias.com/trabajos16/metodos-lineales/metodos-lineales.shtml
Estadstica: Elementos de estadstica descriptiva y probabilidad, Gildaberto Bonilla, 2da edicin San Salvador, El Salvador UCA Editores, 1993 (impresin de 2012). Estadstica Elemental, Robert Johnson, Grupo editorial Iberoamrica 1990, Impreso en Mxico, D.F. Enero, 1991. Estadstica para ciencias e ingeniera, John B Kennedy and Adam M. Neville, segunda edicin, 1982, HARLA, S.A de C.V