Trabajo de Estadistica

ESTADISTICA APLICADA
INTRODUCCION.
Todos los días Administradores, ingenieros toman decisiones personales y
profesionales basadas en predicciones de sucesos futuros. Para hacer estas
predicciones, se basan en la relación (intuitiva y calculada) entre lo que ya se sabe
y lo que se debe estimar .Si los responsables de la toma de decisiones pueden
determinar cómo lo conocido se relaciona con el evento futuro, pueden ayudar
considerablemente al proceso de la toma de decisiones Este es el objetivo de
30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

este estudio De Los Modelos De Regresión. Como determinar la relación entre
variables.
En el análisis de regresión desarrollaremos una ecuación de estimación esto es
una formula matemática que relaciona variables conocidas con la variable
desconocida.
El objetivo es explicar el comportamiento de una variable Y, que denominaremos
variable explicada (dependiente o endógena), a partir de otra variable X, que
llamaremos variable explicativa (o independiente o exógena).
Por esta razón, es importante que consideremos qué las relaciones encontradas
por la regresión como relaciones de asociación pero no necesariamente de causa
y efecto, a menos que tenga razones especificas para creer que los valores de la
variable dependiente son ocasionados por los valores de las variables
independientes, no infiera causalidad de las relaciones que encuentra mediante la
regresión. Así mismo se estudia los Diagramas de dispersión y curvas de

regresión A partir de un conjunto de observaciones de dos variables X e Y sobre
una muestra de individuos, el primer paso en un análisis de regresión es
representar estos datos sobre unos ejes coordenados x-y. Esta representación es
el llamado diagrama de dispersión. Nos puede ayudar mucho en la búsqueda de
un modelo que describa la relación entre las dos variables.
Estos modelos fueron utilizados por Laplace y Gauss en sus trabajos de
astronomía y física desarrollados durante el siglo XVIII, pero el nombre de
modelos de regresión tiene su origen en los trabajos de Galton en biología de
finales del siglo XIX. La expresión de Galton:“regresión towards mediocrity”dio

nombre a la regresión.
MODELO DE REGRESION SIMPLE.

En la regresión lineal simple hemos considerado que nuestras observaciones
sobre dos variables X e Y son una muestra aleatoria de una población y que las
utilizamos para extraer algunas conclusiones del comportamiento de las variables
sobre la población. El análisis de regresión determina la relación entre una
variable dependiente (ejemplo: la demanda de un articulo) y una variable
independiente (ejemplo: tiempo).La formula general de regresión entre la variable
independiente X y la variable dependiente Y es:
Y = b0 + b1

Intersección Y = b0 = media Y –b1 media X
Media de los valore de la variable dependiente=media de Y
Media de los valore de la variable dependiente=media de X
Pendiente de la línea de estimación de mejor ajuste
b1 =∑ 𝑥𝑦 − 𝑋𝑌/ ∑ 𝑋2-nx2
Ejemplo 001: El departamento de personal de una empresa informática dedicada
a la introducción de datos ha llevado a cabo un programa de formación inicial del
personal. La tabla siguiente indica el progreso en pulsaciones por minuto (p.p.m.)
obtenido en mecanografía de ocho estudiantes que siguieron el programa y el
número de semanas que hace que lo siguen:

Número de Ganancia de
Observaciones
semanas velocidad
1 3 87
2 5 119
3 2 47
4 8 195

5 6 162
6 9 234
7 3 72
8 4 110
Ganancia de velocidad
250
200
150
100
50
0
0 2 4 6 8 10
El diagrama de dispersión nos muestra que la relación entre las dos variables es

lineal con pendiente positiva, de manera que cuantas más semanas pasan, mayor
es la ganancia de velocidad. Por tanto, tiene sentido buscar la recta de regresión.
A partir de la tabla de cálculos siguiente:
(media X-
(media X (Media Y (media X-
Observaciones Xi Yi X)(media
–X) –Y) X)2
Y-Y)
1 3 87 2 41.25 4 82.5
2 5 119 0 9.25 0 0
3 2 47 3 81.25 9 243.75
4 8 195 -3 -66.75 9 200.25
5 6 162 -1 -33.75 1 33.75
6 9 234 -4 -105.75 16 423
7 3 72 2 56.25 4 112.5
8 4 110 1 18.25 1 18.25
Sumatoria Sumatoria Sumatoria Sumatoria
40 1026 44 1114
TOTALES
5 128.25
Medias muéstrales X= 40/8 = 5 media de Y =1206/8 = 128.25
Varianza Muestral Sx2 =∑(𝑋i – media X)2/n-1 = 44/ 8-1 = 44/7 =6.2857
Covarianza Muestral Sxy =∑(𝑋i – media X)(Yi-media Y)/n-1 = 1114/8-1 =159.1428
B1= Sxy / Sx2 = 159.1428 / 6.2857 = 25.31823027
B0 = media Y –b1 media X = 128.250 -25.31823027 (5) =1.65884865
La recta de regresión obtenida es :
Y* = B0 + b1 X = 1.65884865+25.31823027 X

En este caso la ordenada en el origen no tiene ninguna interpretación con sentido,
ya que correspondería a la ganancia de velocidad por cero semanas de clases.
Evidentemente, no tiene sentido pensar que sin hacer clases se tiene una
ganancia de velocidad de 1,65884865 p.p.m. La pendiente de la recta sí que nos
da unan información útil: por cada semana de clase se tiene una ganancia de
velocidad de aproximadamente 25 .31823027 p.p.m. Para una persona que hace
siete semanas que va a clase, podemos calcular la ganancia de velocidad a partir
de la recta de regresión, considerando x = 7
Y* = B0 + b1 X = 1.65884865+25.31823027 X
Reemplazando X=7 en Y* = B0 + b1 X = 1.65884865+25.31823027 X
Y* = B0 + b1 X = 1.65884865+25.31823027 (7) = 178.8864605
Es decir, aproximadamente una ganancia de 178.8864605 pulsaciones por
minuto.
Ejemplo 002:
Demanda (en cantidad de unidades) en artículo en inventario durante los últimos

24 meses se resume en la siguiente tabla.
Mes Xi Demanda Yi X*Y X2 Y2
1 46 46 1 2116
2 56 112 4 3136
3 54 162 9 2916
4 43 172 16 1849

5 57 285 25 3249
6 56 336 36 3136
7 67 469 49 4489
8 62 496 64 3844
9 50 450 81 2500
10 56 560 100 3136
11 47 517 121 2209
12 56 672 144 3136
13 54 702 169 2916
14 42 588 196 1764
15 64 960 225 4096

16 60 960 256 3600
17 70 1190 289 4900
18 66 1188 324 4356
19 57 1083 361 3249
20 55 1100 400 3025
21 52 1092 441 2704
22 62 1364 484 3844

23 70 1610 529 4900
24 72 1728 576 5184
Sumatoria X Sumatoria
17842 4900 80254
= 300 de Y = 1374
Promedio X Promedio Y
Sumatoria Sumatoria Sumatoria
X*y de X2 de Y2
12.5 57.25
Demanda Y y = 0.58x + 50
R² = 0.2429
80
70
60
50
40
30
20
10
0
0 5 10 15 20 25 30

B0 = 17.842- 24(57.25)(12.5)/ 4900-24(12.5)2= 0.58
B1 = 57.25-0.58 (12.5)=50
Ŷ =50+0.58 X, Si pronosticamos X=25 tendríamos
Ŷ =50+0.58 (25)=64.5 unidades

MODELO DE REGRESION MULTIPLE.

Al estudiar el modelo de regresión simple en el ejemplo anterior se analizo
principalmente un modelo en el cual se usaba una variable independiente
explicatoria X para predecir el valor de una variable dependiente o de respuesta
Y. Es decir, se desarrollo un modelo de regresión simple con el fin de predecir. En
este tema de regresión múltiple se ampliara el estudio en los que se pueden usar
distintas variables explicatorias para predecir el valor de una variable dependiente.
Ejemplo 001: Consumo de petróleo para calefacción, temperatura ambiente y

cantidad de aislamiento en el ático para una muestra aleatoria de 15 casas
unifamiliares

Consumo mensual de Temperatura de Cantidad de
Observación petróleo para ambiente aislamiento en le ático
calefacción (Galones) (diaria promedio) (pulgadas)
Fº
1 275.3 40 3
2 363.8 27 3
3 164.3 40 10
4 40.8 73 6
5 94.3 64 6
6 230.9 34 6
7 366.7 9 6
8 300.6 8 10
9 237.6 23 10
10 121.4 63 3
11 31.4 65 10
12 203.5 41 6
13 441.1 21 3
14 323.0 38 3
15 52.5 58 10
Obs. Y X1i X2i Y2 X2 X2 2 X1*Y X2*Y X1*X2

1 275.3 40 3 75790.09 1600 9 11012 825.9 120
2 363.8 27 3 132350.44 729 9 9822.6 1091.4 81
3 164.3 40 10 26994.49 1600 100 6572 1643 400
4 40.8 73 6 1664.64 5329 36 2978.4 244.8 438
5 94.3 64 6 8892.49 4096 36 6035.2 565.8 384
6 230.9 34 6 53314.81 1156 36 7850.6 1385.4 204
7 366.7 9 6 134468.89 81 36 3300.3 2200.2 54
8 300.6 8 10 90360.36 64 100 2404.8 3006 80
9 237.6 23 10 56548.84 529 100 5469.4 2378 230
10 121.4 63 3 14737.96 3969 9 7648.2 364.2 189
11 31.4 65 10 985.96 4225 100 2041 314 650
12 203.5 41 6

41412.25 1681 36 8343.5 1221 246
13 441.1 21 3 194569.21 441 9 9263.1 1323.3 63
14 323.0 38 3 104329 1444 9 12274 969 114
15 52.5 58 10 2756.25 3364 100 3045 525 580
Solución:
Yi: Consumo de petróleo para calefacción.
X1.i: Temperatura ambiente.
X2i: cantidad de aislamiento en el ático.
∑ 𝑦 = 3247.4 ∑ X22= 725 ∑ x ∗ y = 98060.1 ∑ 𝑋2 ∗ 𝑌 = 18057.0
∑ 𝑋1 ∗ 𝑋2 = 3833 ∑ X12= 30308 ∑ YI2= 939175.68 ∑ X1I = 604

∑ X2I= 95
Por consiguiente, para estos datos las tres ecuaciones normales son.
I. 3247.4 = 15 b0 +604b1+95b2
II. 98060.1=604b0 +30308b1+3833b2
III. 18057.0=95b0 +3833b1+725b2

Los valores de las tres coeficientes de regresión de muestra se pueden obtener
solucionando este grupo de ecuaciones simultaneas .Los valores calculados de
los coeficientes de regresión fueron calculados con el paquete estadístico spss
versión 17. Los valores calculados de los coeficientes de regresión son los
siguientes.
b0 = 562.151 b1= -5. 43658 b2= -20.0123
Por lo tanto la ecuación de regresión múltiple se puede expresar como
Y = 562.151-5.43658X1i-20.0123X2i

Donde Yi= Cantidad Predicha (en galones) de petróleo consumido
X1i =Temperatura ambiente diaria de promedio (ºF) durante enero para la
observación i
X2i =Cantidad de aislamiento del ático (en pulgadas) para la observación i.
La interpretación de los coeficientes de regresión es análoga a la del modelo de
regresión simple. La ordenada del origen b0, calculada como 562.151, representa
el número de galones de petróleo que consumirían en enero cuando la
temperatura ambiente diaria promedio de 0ºF para un hogar sin aislamiento. La
pendiente de la temperatura ambiente diaria promedio con consumo de petróleo
(b1, calculado como -5.43658) significa que para un hogar con determinado
número de pulgadas de aislamiento en le ático, el consumo de petróleo para la
calefacción disminuirá en 5.43658 galones por mes por cada ºF de aumento en la
temperatura ambiente diaria promedio. Asimismo, la pendiente de la cantidad de

aislamiento en el ático con consumo de petróleo (b2 , calculado como -20.0123)
significa que para un mes con una determinada temperatura ambiente diaria
promedio, el consumo de petróleo disminuirá en 20.0123 galones por cada
pulgada adicional de aislamiento en el ático

REGRESIÓN CUADRÁTICA O DE
SEGUNDO GRADO
Ŷi =b0+b1Xi+b11Xi2
b0: ordenada de Origen estimada
b1: efecto lineal estimado sobre Y
b11: efecto curvilíneo estimado sobre Y
Los coeficientes de la muestra b0, b1 y b11: tendría ecuaciones normales
siguientes.
∑ 𝑦 = 𝑛b0 + b1∑ 𝑋i+b11∑ 𝑋i2

∑ 𝑥𝑦 = b0∑ 𝑋i+b1∑ 𝑋i2+b11∑ 𝑋i3
∑ 𝑋i2Yi = b0∑ 𝑋i2+b1∑ 𝑋i3+b11∑ 𝑋i4
Ejemplo 001: Pagos anuales sobre préstamos y documentos de primas a

Una compañía de seguros (1994-2003).
Pago
Año :x (millones de X1 X1 2 X1*Y X1 3 X1 4 X12*y
soles) : Y
1994 10.1 0 0 0 0 0 0
1995 11.3 1 1 11.3 1 1 11.3
1996 13.8 2 4 27.6 8 16 55.2
1997 16.1 3 9 48.3 27 81 144.9
1998 17.1 4 16 68.4 64 256 273.6
1999 18.0 5 25 90 125 625 450

2000 20.2 6 36 121.2 216 1296 727.2
2001 22.9 7 49 160.3 343 2401 1122.1
2002 24.5 8 64 196 512 4096 1568
2003 25.9 9 81 233.1 729 6561 2097.9
2004 27.6 10 100 276 1000 10000 2760
2005 30.1 11 121 331.1 1331 14641 3642.1
2006 34.8 12 144 417.6 1728 20736 5011.2
2007 41.5 13 169 539.5 2197 28561 7013.5
n=14 313.9 819 2520.4 8281 89271 24877.0

∑ 𝑋 = 91 ∑ 𝑦 = 313.9 ∑ 𝑋𝑌 = 2520.4 n=14 ∑ Xi2= 819 ∑ Xi3= 8281
∑ Xi4= 89271
∑ Xi2Y= 24877.0
Las tres ecuaciones normales serian.
I. 313.9 =14b0 +91b1+819b11
II. 3520.4 = 91b0 +819b1+8281b11
III. 3520.4 = 819b0 +8281b1+89271b11
Los valores de los coeficientes de b0, b1 y b11 se pueden obtener solucionando las
ecuaciones simultáneamente en este caso empleamos un el spss versión 17.0 y
los valore calculados para estos datos son los siguientes.
b0 = 11.1 b1= 0.089 b2= 0.094

Puesto que le primer valor observado en el ejemplo se obtuvo para el año 1994, la
ecuación cuadrática ajustada se puede expresar como:
Ŷi =11.1+0.89Xi+0.094Xi2
Donde el origen es 1994 y X unidades = 1año
pago y = 0.094x2 + 0.89x + 11.1

R² = 0.977
45
40
35
30
25

20
15
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Para usar la fórmula del modelo cuadrático para fines de elaboración de
presupuestos se sustituyen los valores codificados apropiados de X en la
ecuación. Queremos predecir la tendencia en los pagos para el año 2010 se tiene
reemplazando los valores en la ecuación cuadrática:
Ŷi =11.1+0.89Xi+0.094Xi2
2010 ……… Ŷ18 = 11.1+ (0.89) (17)+ (0.094) (172) =53.4 millones de soles
REGRESIÓN EXPONENCIAL.
Cuando una serie parece aumentar a una tasa creciente, de modo que la
diferencia porcentual de una observación a otra sea constante, se puede
ajustar a un modelo exponencial de la forma.
Ŷi =b0b1X
Donde:
b0: Ordenada al origen estimado
EJEMPLO 001: Tomando los datos del ejemplo anterior (Ej.002)

Pago(millones
Año X1 Log Y XlogY X2
de soles):Y
1994 10.1 0 1.00432137 0 0
1995 11.3 1 1.05307844 1.05308 1
1996 13.8 2 1.13987909 2.27976 4
1997 16.1 3 1.20682588 3.62049 9
1998 17.1 4 1.23299611 4.932 16
1999 18 5 1.25527251 6.27635 25
2000 20.2 6 1.30535137 7.8321 36
2001 22.9 7 1.35983548 9.51888 49
2002 24.5 8 1.38916608 11.11336 64
2003 25.9 9 1.41329976 12.7197 81
2004 27.6 10 1.44090908 14.4091 100
2005 30.1 11 1.4785665 16.24427 121
2006 34.8 12 1.54157924 18.49896 144
2007 41.5 13 1.6180481 21.03465 169
n=14 313.9 91 18.439129 129.5327 819
En la tabla se presentan los cálculos necesarios para los datos sobre los
pagos a la compañía de seguros de vida, por conceptos de intereses sobre
préstamos y primas fraccionadas.
Logb1=∑(𝑋I logYi)-(∑ 𝑋) (∑ 𝑙𝑜𝑔𝑌) /n = 129.55270-(91)(18.43915)/14

=0.042696
∑ 𝑥i2-(∑ 𝑋i) 2/n 819 – (91)2/14
Media de X = 91/14 =6.5

Entonces
𝑦 18.43915
Log b0 =∑ log 𝑛 − 𝑋𝑙𝑜𝑔𝑏1 = − (6.5)(0.0426296) = 1.03999
14
La ecuación se puede expresar

Log Ŷi = 1.03999+0.0426296Xi
Sin embrago los valores para b0 b1 se pueden obtener con facilidad tomando los
antilogaritmos de los coeficientes en esta ecuación.
b0= antilog1.03999 = 11.0

b1 = antilog0.042696=1.1031
Por consiguiente la ecuación del modelo exponencial se puede expresar como
Ŷ= 11.0 (1.1031)X donde el origen es el año 1994 y X unidades =1año.

La ordenada al origen b0=11.0 es el valor de tendencia que representa los pagos
(en millones de soles) durante el año base 1994.(El valor b1-1)*100=10.31% es la
tasa de crecimiento compuesta anual en los pagos a la compañía de
seguros de vida.
Para pronosticar se pueden sustituir los valores codificados
apropiados de X en cualquiera de las dos ecuaciones.
Log Ŷ18=1.03999+0.0426296 (17)=1.7646932
Ŷ18= antilog1.7646932=58.2millones de soles
Ŷ18=11.0 (1.1031)17=58.3 millones de soles
Ejemplo 002: Propagación De Un Virus Informático
La tabla registra el número de días que han transcurrido desde que se ha

detectado un nuevo virus informático y el número de ordenadores infectados en un
país.
Numero de ordenadores Transformación de y

Nº de días
infectados lnY
1 255 5.5413
2 1.500 7.3132
4 2.105 7.6521
5 5.050 8.5271
8 16.300 9.6989
10 45.320 10.7215

11 58.570 10.9780
14 375.800 12.8368
16 1525.640 14.237
20 2577.00 14.7621
Calculando la recta de regresión de ln Y sobre X : ln y = b0+b1X Reemplazando
tenemos
Ln Y = 5.84+0.482X de manera siguiente si queremos estimar el numero de
ordenadores infectados al cabo de 12 días tendremos.: Ln Y = 5.84+0.482X = Ln
Y = 5.84+0.482(12)=11.624 posteriormente tenemos: Ŷi=expo (11.624)=11175.82.
Por lo tanto al cabo de 12 días el número estimado de ordenadores infectados ha
sido de 11175.82 unidades

Numero de ordenadores infectados

3000
2500
2000
1500
1000
500
0
0 5 10 15 20 25

tranformacion de Y en lnY
9
8
7
6
5
4 tranformacion de Y en lnY
3
2
1
0
0 1000 2000 3000
MODELO DE REGRESION LOGARITMICA.
En esta opción se obtiene la regresión logarítmica. El modelo es el siguiente:
Y = a + b ln(X)
Nota: Para este modelo se obtiene el

logaritmo natural de cada dato X, por lo
tanto hay que tener cuidado de que los
datos en X sean mayores a 0.
Ejemplo 001: ANÁLISIS DE MERCADO PARA EL ARROZ EN PERU

La Producción de Arroz, las importaciones y exportaciones han seguido el siguiente
comportamiento histórico en Perú.
PRODUCCIÓN DE ARROZ EN PERU

EN TONELADAS MÉTRICAS (TM)
Producción Precio
Año Nacional Importación Exportación Promedio
Neta Bs/Kg
1989 5270 1215 280 3.27
1990 5995 1188 314 3.29
1991 4294 473 289 4.36
1992 3989 970 360 4.19
1993 5052 3037 600 4.37
1994 4877 2634 320 4.59
Fuente: Ministerio de la Producción
a) Proyectar la oferta de Arroz en Perú hasta el año 2000.
Para obtener los coeficientes utilizamos el paquete estadístico spss versión 17 y

obtenemos la función logarítmica en función del año y precio promedio. Los
coeficientes son los siguientes
a B
Logarítmica 3.14 0.79
Lineal 0.276 3.04
El modelo logarítmico es el siguiente: Y = 3.14 + 0.79 Ln x

Ejemplo 002: Proyectar la Oferta de un cierto producto farmacéutico
tomando en cuenta los datos obtenidos en el estudio de mercado, ver cuál
de los métodos o curvas de proyección se ajusta mejor a la nube de puntos
y determinar la Oferta para los próximos diez años.
Se usara la regresión con la ecuación Y = Antilog (a + b(X))
Año x y Log Y X2 Log Y2 XlogY
1992 1.2 240 2.3802 1.44 5.665 2.856
1993 2.0 280 2.4471 4.00 5.9883 4.8942
1994 2.5 380 2.5798 6.25 6.6554 6.4495
1995 3.0 500 2.6989 9.00 7.2840 8.0967
1996 3.6 700 2.8450 12.96 8.0940 10.2420
1997 4.0 700 2.8450 16.00 8.0940 11.3800
1998 4.2 900 2.9542 17.64 8.7273 12.4076
Total 20.5 18.7502 67.29 50.5083 56.3262

Aplicando la formula de regresión lineal (mínimos cuadrados)
a=(∑ 𝑌)(∑ 𝑋2)- (∑ 𝑋)(∑ 𝑋𝑌)/n(∑ 𝑋2)- (∑ 𝑋)2
a=18.7502(67.29)-20.5(56.3262)/7(67.29)-(420.25)= 2.1074
b=7(56.3262)-(20.5)(18.7502)/7(67.29)-(420.25)=0.1950
Reemplazando los valores en la ecuación general se tiene:
Ye = Antilog (2.1074 +0.1950X)
Si se pretende conocer la demanda que existirá en el año 1999, suponiendo que el

precio del producto se incrementara en 5% con relación al año anterior, entonces
para hallar el nuevo precio tenemos:

P = Pi (1+r)t
Donde:
P: precio estimado del producto
Pi: precio anterior o inicial, 4.2 unidades monetarias al año 1998
r: tasa de crecimiento del precio, 5% = 0.05
t: periodo o intervalo
P = 4.2 (1+0.05)1 = 4.41 u.m.
El resultado se reemplaza en la ecuación de mejor ajuste:
Ye = Antilog (2.1074 + 0.1950 (4.41))

Ye = Antilog (2.9673)
Ye = 927 unidades monetarias
A medida que se incrementa el ingreso, la demanda del bien, en valores

monetarios, también aumenta. El resultado nos enseña que ante un incremento
del precio, la demanda del producto también aumenta.
LINKOGRAFIA
- http://www.monografias.com/trabajos27/regresion-simple/regresion-simple.shtml
- http://es.wikipedia.org/wiki/Regresi%C3%B3n_lineal
- http://www.jorgegalbiati.cl/enero_07/Regresion.pdf
- http://html.rincondelvago.com/regresion-lineal-simple.html
- http://www.monografias.com/trabajos30/regresion-multiple/regresion-multiple.shtml
- http://www.bioestadistica.uma.es/baron/apuntes/ficheros/cap06.pdf
- http://www.hrc.es/bioest/Reglin_9.html
- http://es.wikipedia.org/wiki/Modelos_de_regresi%C3%B3n_m%C3%BAltiple_postulados_y_n
o_postulados
- http://www.fisterra.com/mbe/investiga/regre_lineal_multi/regre_lineal_multi.asp
- http://www.scribd.com/doc/16077094/Regresion-Lineal-y-Cuadratica
- http://www.arquimedex.com/index.php?accion=1&id=83

- http://www.monografias.com/trabajos26/estadistica-inferencial/estadistica-inferencial.shtml
- http://tutorials-search-engine.com/regresion-cuadratica.html
- http://www.zweigmedia.com/MundoReal/calctopic1/regression.html
- http://www.todoexpertos.com/categorias/ciencias-e-
ingenieria/matematicas/respuestas/526741/regresion-exponencial
- http://www.uv.es/ceaces/base/regresion/exponenci.htm
- http://www.usersmanualguide.com/manuals/casio/FX-7700GB-
2%20CASTELLANO%20PARTE%202.pdf
- http://www.mitecnologico.com/mecatronica/Main/ModeloDeRegresionLogaritmica
- http://www.monografias.com/trabajos14/estadistica/estadistica.shtml
- http://office.microsoft.com/es-es/excel/HP052091593082.aspx

Trabajo de Estadistica

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Trabajo de Estadistica

Transféré par

Droits d'auteur :

Formats disponibles

ESTADISTICA APLICADA

Todos los días Administradores, ingenieros toman decisiones personales y

profesionales basadas en predicciones de sucesos futuros. Para hacer estas

predicciones, se basan en la relación (intuitiva y calculada) entre lo que ya se sabe

y lo que se debe estimar .Si los responsables de la toma de decisiones pueden

determinar cómo lo conocido se relaciona con el evento futuro, pueden ayudar

considerablemente al proceso de la toma de decisiones Este es el objetivo de

30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

En el análisis de regresión desarrollaremos una ecuación de estimación esto es

una formula matemática que relaciona variables conocidas con la variable

El objetivo es explicar el comportamiento de una variable Y, que denominaremos

variable explicada (dependiente o endógena), a partir de otra variable X, que

llamaremos variable explicativa (o independiente o exógena).

por la regresión como relaciones de asociación pero no necesariamente de causa

variable dependiente son ocasionados por los valores de las variables

independientes, no infiera causalidad de las relaciones que encuentra mediante la

regresión. Así mismo se estudia los Diagramas de dispersión y curvas de

regresión A partir de un conjunto de observaciones de dos variables X e Y sobre

una muestra de individuos, el primer paso en un análisis de regresión es

el llamado diagrama de dispersión. Nos puede ayudar mucho en la búsqueda de

un modelo que describa la relación entre las dos variables.

Estos modelos fueron utilizados por Laplace y Gauss en sus trabajos de

astronomía y física desarrollados durante el siglo XVIII, pero el nombre de

modelos de regresión tiene su origen en los trabajos de Galton en biología de

finales del siglo XIX. La expresión de Galton:“regresión towards mediocrity”dio

30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

MODELO DE REGRESION SIMPLE.

utilizamos para extraer algunas conclusiones del comportamiento de las variables

sobre la población. El análisis de regresión determina la relación entre una

variable dependiente (ejemplo: la demanda de un articulo) y una variable

independiente (ejemplo: tiempo).La formula general de regresión entre la variable

independiente X y la variable dependiente Y es:

30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

Media de los valore de la variable dependiente=media de Y

Media de los valore de la variable dependiente=media de X

Pendiente de la línea de estimación de mejor ajuste

Ejemplo 001: El departamento de personal de una empresa informática dedicada

a la introducción de datos ha llevado a cabo un programa de formación inicial del

personal. La tabla siguiente indica el progreso en pulsaciones por minuto (p.p.m.)

obtenido en mecanografía de ocho estudiantes que siguieron el programa y el

número de semanas que hace que lo siguen:

30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

Medias muéstrales X= 40/8 = 5 media de Y =1206/8 = 128.25

Covarianza Muestral Sxy =∑(𝑋i – media X)(Yi-media Y)/n-1 = 1114/8-1 =159.1428

B1= Sxy / Sx2 = 159.1428 / 6.2857 = 25.31823027

B0 = media Y –b1 media X = 128.250 -25.31823027 (5) =1.65884865

La recta de regresión obtenida es :

30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

ya que correspondería a la ganancia de velocidad por cero semanas de clases.

ganancia de velocidad de 1,65884865 p.p.m. La pendiente de la recta sí que nos

velocidad de aproximadamente 25 .31823027 p.p.m. Para una persona que hace

siete semanas que va a clase, podemos calcular la ganancia de velocidad a partir

de la recta de regresión, considerando x = 7

Reemplazando X=7 en Y* = B0 + b1 X = 1.65884865+25.31823027 X

Y* = B0 + b1 X = 1.65884865+25.31823027 (7) = 178.8864605

Es decir, aproximadamente una ganancia de 178.8864605 pulsaciones por

Demanda (en cantidad de unidades) en artículo en inventario durante los últimos

Mes Xi Demanda Yi X*Y X2 Y2

30 de abril de 2010- ESTADISTICA APLICADA-FIIS-UDCH

10 56 560 100 3136

11 47 517 121 2209

Obs. Y X1i X2i Y2 X2 X2 2 X1Y X2Y X1*X2