Regresión lineal simple

Fernando Madera Martı́nez

Departamento de Matemáticas y Estadı́sticas
Universidad de Córdoba

1 de octubre de 2020

([email protected]) Regresión lineal simple 1 / 56

Tabla de contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 2 / 56

 Introducción

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 3 / 56

 Introducción

Introducción

El análisis de regresión es un conjunto de técnicas estadı́sticas que

son usadas para establecer una relación entre una variable cuantitativa
llamada variable dependiente y una o más variables independientes
llamadas variables predictoras.

([email protected]) Regresión lineal simple 4 / 56

 Introducción

Introducción

La ecuación que representa la relación es llamada el modelo de re-

gresión. Algunos ejemplos de modelos de regresión son:
a) La variable de respuesta puede ser la tasa de divorcio en tanto
que una variable predictora puede ser el nivel de ingreso familiar.
b) El precio de una casa puede ser la variable dependiente mientras
que el área, el número de cuartos, el número de baños, o los
años de antiguedad de la casa pueden ser usadas como variables
predictoras.

([email protected]) Regresión lineal simple 5 / 56

 Introducción

Usos del análisis de regresión

Predicción
El objetivo aquı́ es pronosticar valores de la variable de respuesta
para valores futuros de la variables predictoras, es decir para va-
lores más allá de rango de valores de las variables predictoras en
la muestra de entrenamiento.
Descripción
La idea es establecer una ecuación lineal que describa la relación
entre la variable dependiente y las variables predictoras.
Control
Se busca controlar el comportamiento o variación de la variable
de respuesta de acuerdo a los valores que asumen las variables
predictoras. Por ejemplo, cuántas horas deberı́a estudiar como
mı́nimo para sacar 90 puntos o más en un examen.
([email protected]) Regresión lineal simple 6 / 56
 Modelo de regresión Generalidades

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 7 / 56

 Modelo de regresión Generalidades

El modelo de Regresión Lineal simple

Para ilustrar el concepto, considére los datos de la siguiente tabla, que consisten
en un proceso de control de calidad donde se obtiene una muestra aleatoria de 8
frascos de un reactivo (en mg) (X) y su correspondiente grado de pureza (Y ).

xi yi
85 2.3
65 1.2
73 1.5
90 1.9
82 1.8
80 2.0
68 1.3
88 2.1

El modelo de regresión lineal supone que la variable aleatoria Y se relaciona con

X por la siguiente relación lineal

yi = αxi + β

A la pendiente (α) y a la ordenada (β) se les llama los coeficientes de regresión

([email protected]) Regresión lineal simple 8 / 56

 Modelo de regresión Generalidades

El modelo de Regresión Lineal simple

Lo anterior se puede generalizar mediante un modelo lineal el cuál

supone que el valor promedio de Y es función lineal de X, pero que
el valor real de Y para un valor fijo de X se determina mediante la
función de valor medio (el modelo lineal) más un término de error
aleatorio representado por ε.

Y = αx + β + ε

El componente aleatorio ε determina las propiedades de la variable

aleatoria Y , y se supone que su distribución es tal que ε̄ = 0 y Sε2 = σ 2

([email protected]) Regresión lineal simple 9 / 56

 Modelo de regresión Generalidades

El modelo de Regresión Lineal simple

Propiedades

El promedio y lavarianza de Y son µY = αx + β y σY2 = σ 2

El verdadero modelo de regresión poblacional µY |x = β + αx , que

generalmente es desconocido, es una recta de valores medios, es decir,
la altura de la recta de regresión en cualquier valor de x es el valor
esperado de Y para dicho valor de x.

([email protected]) Regresión lineal simple 10 / 56

 Modelo de regresión Generalidades

El modelo de Regresión Lineal simple

Propiedades
La pendiente α representa el cambio en la respuesta promedio de Y para un
cambió unitario en x.
La ordenada β representa la respuesta promedio de Y cuando el valor de x
es igual a cero.
La variabilidad de Y en el valor particular de x está determinada por la
varianza del error σ 2 .
Existe una distribución de valores de Y para cada x.
La varianza de la distribución es la misma en cada x.

([email protected]) Regresión lineal simple 11 / 56

 Modelo de regresión Generalidades

El modelo de Regresión Lineal simple

([email protected]) Regresión lineal simple 12 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 13 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Estimación por mı́nimos cuadrados

Suponga que se tienen n pares de observaciones (x1 , y1 ) , (x2 , y2 ) , . . . , (xn , yn ).
La siguiente figura muestra el gráfico de dispersión para los datos de cantidad de
reactivo - Grado de pureza, y una posible recta de regresión estimada.

Figura: Desviaciones de los datos del modelo de regresión estimado.

([email protected]) Regresión lineal simple 14 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Estimación por mı́nimos cuadrados

Las estimaciones de β y α deberán de alguna manera dar como re-

sultado la recta de “mejor ajuste” para los datos. Karl Gauss propuso
estimar los parámetros β y α mediante la minimización de la suma
de cuadrados de las desviaciones (εi ) del modelo; a este método se le
conoce como el método de mı́nimos cuadrados.

Usando la ecuación del modelo lineal, las n observaciones de la muestra

pueden expresarse como

yi = β + αxi + εi , i = 1, 2, . . . , n

([email protected]) Regresión lineal simple 15 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Estimación por mı́nimos cuadrados

La suma de cuadrados de las desviaciones de las observaciones a la
recta de regresión es
n
X n
X n
X
2
L= ε2i = [yi − µYi ] = (yi − β − αxi )2
i=1 i=1 i=1

Los estimadores de mı́nimos cuadrados de β y α, denotados por βb y α

b
deben satisfacer

n
∂L X 
= −2 yi − βb − α
b xi = 0
∂β i=1
n 
∂L X 
= −2 yi − β − α
b b x i xi = 0
∂α i=1
([email protected]) Regresión lineal simple 16 / 56
 Modelo de regresión Estimación por mı́nimos cuadrados

Estimación por mı́nimos cuadrados

Al simplificar las dos ecuaciones se obtiene

n
X n
X
nβb + α
b xi = yi
i=1 i=1
n
X Xn Xn
βb xi + α
b x2i = xi y i
i=1 i=1 i=1

A estas ecuaciones se les llama ecuaciones normales de mı́nimos

cuadrados. Al resolverlas se obtienen los estimadores mı́nimos cua-
drados βb y α
b.

([email protected]) Regresión lineal simple 17 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Estimación por mı́nimos cuadrados

Definición
Los estimadores mı́nimos cuadrados de la ordenada al origen y
lapendiente del modelo de regresión lineal simple son

βb = ȳ − αbx̄
( ni=1 xi ) ( ni=1 yi )
P P
Pn
i=1 xi yi −
Pn
n xi yi − nx̄ȳ Sxy
α
b= Pn 2 = Pi=1
n 2 2
=
Pn 2 ( i=1 xi ) i=1 xi − nx̄ Sxx
x
i=1 i −
n
Pn Pn
yi xi
donde ȳ = i=1 y x̄ = i=1
n n

([email protected]) Regresión lineal simple 18 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Estimación por mı́nimos cuadrados

De acuerdo con lo anterior, la recta de regresión ajustada es

ybi = βb + α
b xi

Note que cualquier par de observaciones satisface la relación

yi = βb + α
bxi + ei , i = 1, 2, . . . , n

donde a ei = yi − ybi se le llama residual y describe el error del ajuste

en el modelo para la observación i.

([email protected]) Regresión lineal simple 19 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

Ejemplo 1
Considere los datos de la cantidad de reactivo y el nivel de pureza en
la página 8. Se estimará el modelo de regresión para estos datos.

De la siguiente tabla de tienes los siguientes cálculos:

8
X 8
X
n=8 xi = 631 yi = 14,1 x̄ = 78,875 ȳ = 1,7625
i=1 i=1
8
X 8
X 8
X
x2i = 50371 yi2 = 25,93 xi yi = 1134,8
i=1 i=1 i=1

([email protected]) Regresión lineal simple 20 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

Observación Cantidad de Grado de pu-

reactivo reza x2 y2 xy
i x y
1 85 2,3 7225 5,29 195,5
2 65 1,2 4225 1,44 78
3 73 1,5 5329 2,25 109,5
4 90 1,9 8100 3,61 171
5 82 1,8 6724 3,24 147,6
6 80 2 6400 4 160
7 68 1,3 4624 1,69 88,4
8 88 2,1 7744 4,41 184,8
Total 631 14.1 50371 25.93 1134.8

([email protected]) Regresión lineal simple 21 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

n
X
Sxy = xi yi − nx̄ȳ = 1134,8 − 8 (78,875) (1,7625) = 22,6625
i=1
n
X
Sxx = x2i − nx̄2 = 50371 − 8 (78,875)2 = 600,875
i=1

Con los cáculos anteriores, las estimaciones de mı́nimos cuadrados de la

pendiente y la ordenada al origen son
Sxy 22,6625
α
b= = = 0,0377
Sxx 600,875
y
βb = ȳ − α
bx̄ = 1,7625 − 0,0377 (78,875) = −1,2111

([email protected]) Regresión lineal simple 22 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

El modelo de regresión lineal simple ajustado es

ybi = −1,2111 + 0,0377xi

G.de pureza = −1,2111 + 0,0377 (C.Reactivo)

Figura: Recta de regresión ajustada

([email protected]) Regresión lineal simple 23 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

Interpretación
El valor 0,0377 de la pendiente indica que si la candidad de reac-
tivo se incrementa en una unidad, se consigue un incremento del
grado de pureza en 0,0377 unidades.
El valor -1,2111 de la ordenada indica que cuando la cantidad de
reactivo es nula, se estima que el grado de pureza del frasco es
de -1.2111. Este valor puede o no tener sentido dependiento de
la situación.
Para un contenido de reactivo de 75 mg, el grado de pureza de
frasco se estima en 1,6164. Este valor puede interpretarse como
la verdadera pureza promedio cuando x = 75 mg.

([email protected]) Regresión lineal simple 24 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Ejemplo 2
En un artı́culo de Concrete Research (“Caracterı́sticas del concreto cerca de la
superficie: Permeabilidad intrı́nseca” Vol 41), se presentaron los datos sobre la
resistencia a la compresión x y la permeabilidad intrı́nseca y de varias mezclas y
curados de concreto. Las cantidades resumidas son:
yi2 = 23530 x2i = 157,42
P P P P P
n = 14 yi = 572 xi = 43 xi yi = 1697,80

a) Calcule las estimaciones de mı́nimos cuadrados de la pendiente y la ordenada

al origen.
b) Use la ecuación de la recta ajustada para estimar la permeabilidad que se
observarı́a cuando la resistencia a la compresión es x = 4,3
c) Dé una estimación puntual de la permeabilidad media cuando la resistencia
a la compresión es x = 3,7
d) Suponga que el valor observado de la permeabilidad para x = 3,7 es y = 46,1.
Calcule el valor del residuo correspondiente.

([email protected]) Regresión lineal simple 25 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

Solución
43 572
x̄ = = 3,07 y ȳ =
= 40,86
14 14
n
( ni=1 xi ) ( ni=1 yi )
P P
X (43) (572)
Sxy = x i yi − = 1697,80 − = −59,06
n 14
i=1

n
( ni=1 xi )2 432
X P
Sxx = x2i − = 29,29 − = 25,35
n 14
i=1

([email protected]) Regresión lineal simple 26 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

a) Los estimadores de mı́nimos cuadrados para α

b y βb son

Sxy −59,06
α
b= = = −2,33
Sxx 25,35
y
βb = ȳ − α
bx̄ = 40,86 − (−2,33) (3,07) = 48,01
El modelo estimado es

ybi = 48,01 − 2,33xi

([email protected]) Regresión lineal simple 27 / 56

 Modelo de regresión Estimación por mı́nimos cuadrados

Regresión lineal simple

b) La estimación de la permeabilidad para x = 4,3 es

yb = 48,01 − 2,33 (4,3) = 37,99

c) Para una resistencia a la compresión de x = 3,7, la

permeabilidad media estimada es de 39.39

yb = 48,01 − 2,33 (3,7) = 39,39

d) Suponiendo que el valor observado es y = 46,1, el valor del

residual serı́a

e = y − yb = 46,1 − 39,39 = 6,71

([email protected]) Regresión lineal simple 28 / 56

 Coeficiente de determinación R2

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 29 / 56

 Coeficiente de determinación R2

Coeficiente de determinación R2

2
Sxy
R2 =
Sxx Syy

Caracterı́sticas y propiedades
Se usa para juzgar la adecuación de un modelo de regresión.
0 ≤ R2 ≤ 1
El valor de R2 indica la proporción de variabilidad de los datos que está
explicada o que es considerada por el modelo de regresión.

([email protected]) Regresión lineal simple 30 / 56

 Coeficiente de determinación R2

Coeficiente de determinación R2

Ejemplo 12
Para el ejemplo de la cantidad de ractivo
Sxy = 22,6625, Sxx = 600,875 y Syy = 1,07875
2
Sxy 22,66252
R2 = = = 0,7923
Sxx Syy 600,875 × 1,07875
es decir que el modelo de regresión ajustado, explica el 79,23 % de la
variabilidad de los datos.

([email protected]) Regresión lineal simple 31 / 56

 Coeficiente de determinación R2

Coeficiente de determinación R2

Ejemplo 13
Para los datos del ejemplo 2, se tiene que Sxy = −59,06, Sxx = 25,35
y Syy = 159,7143
2
Sxy (−59,06)2
R2 = = = 0,8615
Sxx Syy 25,35 × 159,7143
es decir que el modelo de regresión ajustado, explica el 86,15 % de la
variabilidad de los datos.

([email protected]) Regresión lineal simple 32 / 56

 Correlación

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 33 / 56

 Correlación Coeficiente de correlación de Pearson

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 34 / 56

 Correlación Coeficiente de correlación de Pearson

Coeficiente de correlación de Pearson

Una cantidad estrechamente relacionada con R2 pero conceptualmente

muy diferente es el coeficiente de correlación, el cual es una medida
del grado de asociación entre dos variables. Se calcula a partir de
n
P
xi yi − nx̄ȳ
i=1 Sxy
rxy =rn rn =√ p
P 2 P 2 Sxx Syy
xi − nx̄2 yi − nȳ 2
i=1 i=1

que se conoce como coeficiente de correlación muestral.

Note además que
R2 = rxy
2

([email protected]) Regresión lineal simple 35 / 56

 Correlación Coeficiente de correlación de Pearson

Coeficiente de correlación de Pearson

Puede tener signo positivo o negativo, según el signo del término

en el numerador, el cual mide la covarianza muestral de dos
variables.
Cae entre los lı́mites de −1 y 1; es decir, −1 ≤ rxy ≤ 1.
Es simétrico por naturaleza; es decir, rxy = ryx
Si X y Y son estadı́sticamente independientes, el coeficiente de
correlación entre ellas es cero; pero si rxy = 0, esto no significa
que las dos variables sean independientes. En otras palabras, una
correlación igual a cero no necesariamente implica
independencia. Ver figura h)

([email protected]) Regresión lineal simple 36 / 56

 Correlación Coeficiente de correlación de Pearson

Coeficiente de correlación de Pearson

Es una medida de asociación lineal o dependencia lineal
solamente; su uso en la descripción de relaciones no lineales no
tiene significado. Ası́, en la figura h), Y = X 2 es una relación
exacta y a pesar de ello rxy es cero.

Patrones de correlación

([email protected]) Regresión lineal simple 37 / 56

 Correlación Coeficiente de correlación de Pearson

Patrones de correlación

([email protected]) Regresión lineal simple 38 / 56

 Correlación Coeficiente de correlación de Pearson

Coeficiente de correlación de Pearson

Ejemplo
Para los datos del ejemplo 2, se tiene que
Sxy = −59,06, Sxx = 25,35 y Syy = 159,7143
Sxy −59,06
rxy = √ p =√ √ = −0,9282
Sxx Syy 25,35 159,7143
Note que
2
rxy = (−0,9282)2 = 0,8615 = R2

([email protected]) Regresión lineal simple 39 / 56

 Correlación Coeficiente de correlación de Spearman

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 40 / 56

 Correlación Coeficiente de correlación de Spearman

Coeficiente de correlación de Spearman

Este es un coeficiente que se basa en el rango de los datos y es de

mucha utilidad al momento de evaluar la relación entre dos variables
continuas u ordinales. El signo del coeficiente indica la dirección de
la relación y el valor absoluto del coeficiente de correlación indica la
fuerza de la relación entre las variables. Se calcula como
n
d2i
P
6
i=1
rs = 1 − , −1 ≤ rs ≤ 1
n (n2 − 1)
donde di es la diferencia entre el orden obtenido en el caso i − ésimo
en ambas series.

([email protected]) Regresión lineal simple 41 / 56

 Correlación Coeficiente de correlación de Spearman

Coeficiente de correlación de Spearman

Al observar el número de sucursales (X) y los costos mensuales (Y )
en comunicación telefónica con la casa central, en millones de $ para
10 empresas se encontró:

x y
Número de Costos de
sucursales comunicación
3 2
5 3
3 5
2 4
4 6
1 2
5 5
2 1
6 3
3 5

Calcularemos el coeficiente de correlación de Spearman para los datos

anteriores.
([email protected])
Regresión lineal simple 42 / 56
 Correlación Coeficiente de correlación de Spearman

Coeficiente de correlación de Spearman

Datos ordenados de menor a mayor
x 1 2 2 3 3 3 4 5 5 6
y 1 2 2 3 3 4 5 5 5 6

x y Rango de x Rango de y Diferencia (di ) d2i

3 2 5,0 2,5 2,5 6,25
5 3 8,5 4,5 4,0 16,00
3 5 5,0 8,0 -3,0 9,00
2 4 2,5 6,0 -3,5 12,25
4 6 7,0 10,0 -3,0 9,00
1 2 1,0 2,5 -1,5 2,25
5 5 8,5 8,0 0,5 0,25
2 1 2,5 1,0 1,5 2,25
6 3 10,0 4,5 5,5 30,25
3 5 5,0 8,0 -3,0 9,00
96,50
([email protected]) Regresión lineal simple 43 / 56
 Correlación Coeficiente de correlación de Spearman

Coeficiente de correlación de Pearson

n
d2i
P
6
i=1 6(96, 50)
rs = 1 − =1− = 0,4152
n (n2 − 1) 10(102 − 1)
rs = 0,4152

([email protected]) Regresión lineal simple 44 / 56

 Ejercicios

Tabla de Contenido

1 Modelo de regresión
Generalidades
Estimación por mı́nimos cuadrados

2 Coeficiente de determinación R2

3 Correlación

4 Ejercicios

([email protected]) Regresión lineal simple 45 / 56

 Ejercicios

Ejercicios

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

2) En el análisis de regresión intervienen dos tipos de variables: las
independientes y las dependientes. Explique con sus palabras y a través de
ejemplos, las caracterı́sticas de estos dos tipos de variables.

([email protected]) Regresión lineal simple 46 / 56

 Ejercicios

Ejercicios

4) Considere el modelo de regresión lineal simple, yi = β + αxi + ei ; con

i = 1, 2, . . . , n, y suponiendo que para estimar los parámetros se utilizaron
un total de 10 observaciones, es decir, n = 10, conteste las siguientes
preguntas:
a) Suponga que hay una buena relación lineal entre las variables X y Y ;
construya un diagrama de dispersión hipotético que refleje esta relación.
b) Sobre el diagrama de dispersión anterior, ajuste al ”ojo´´ la mejor lı́nea
recta que describa la relación observada.
c) Explique el significado de los dos parámetros del modelo (β y α).
d) Escriba las expresiones que estiman a los dos parámetros del modelo.

([email protected]) Regresión lineal simple 47 / 56

 Ejercicios

Ejercicios
5) En un proceso de extracción se estudia la relación entre tiempo de
extracción y rendimiento. Los datos obtenidos se muestran en la siguiente
tabla.
Tiempo (minutos) 10 15 20 8 12 13 15 12 14 20 19 18
Rendimiento ( %) 64 81.7 76.2 68.5 66.6 77.9 82.2 74.2 70 76 83.2 85.3

a) ¿En este problema cuál variable se considera independiente y cuál de-

pendiente?.
b) Mediante un diagrama de dispersión analice la relación entre estas dos
variables. ¿Qué tipo de relación observa y cuáles son algunos hechos
especiales?.
c) Haga un análisis de regresión (ajuste una lı́nea recta a estos datos).
d) ¿La calidad del ajuste es satisfactoria? Argumente.
e) Destaque el valor de la pendiente de la recta e interprételo en términos
prácticos.
f) Estime el rendimiento promedio que se espera a un tiempo de extracción
de 25 minutos.
([email protected]) Regresión lineal simple 48 / 56
 Ejercicios

Ejercicios

6) En un artı́culo de Wear se presentaron los datos del desgaste por rosamiento

del acero dulce y la viscosidad del aceite. Los datos representativos con x =
viscosidad del aceite y y = volumen del desgaste 10−4 mm , son:

y 240 181 193 155 172 110 113 75 94

x 1,6 9,4 15,5 20,0 22,0 35,5 43,0 40,5 33,0

a) Construya un diagrama de dispersión de los datos. ¿Parece plau-

sible un modelo de regresión lineal simple?
b) Ajuste el modelo de regresión lineal simple usando mı́nimos cua-
drados.
c) Prediga el desgaste por rozamiento cuando la viscosidad es x =
30.
d) Obtenga el valor ajustado de y cuando x = 22,0 y calccule el
residual correspondiente.

([email protected]) Regresión lineal simple 49 / 56

 Ejercicios

Ejercicios
7) Al observar el número de sucursales (X) y los costos mensuales (Y ) en
comunicación telefónica con la casa central, en millones de $ para 10
empresas se encontró:
x y
Número de Costos de
sucursales comunicación
3 2
5 3
3 5
2 4
4 6
1 2
5 5
2 1
6 3
3 5

Apoyándose en la información anterior, ajuste la resta que muestre la

relación de los costos en función del número de sucursales y estime los
costos de una empresa con 10 sucursales.
([email protected]) Regresión lineal simple 50 / 56
 Ejercicios

Ejercicios

8) En una industria se desea investigar cómo influye la temperatura (◦ C) en la

presión del vapor de B-trimetilboro, los datos obtenidos para tal propósito
se muestran en la siguiente tabla.

a) Construya un diagrama de dispersión e interprételo.

b) Ajuste una lı́nea recta y observe la calidad de ajuste.
c) Interpréte el valor de la pendiente en términos prácticos.

([email protected]) Regresión lineal simple 51 / 56

 Ejercicios

Ejercicios

9) Un investigador en psicologı́a experimental lleva a cabo un experimento con

10 animales de laboratorio (de la misma edad y peso). Les administra un
fármaco, midiendo el tiempo en horas (X) y la concentración del fármaco
en mg (Y ). Se obtienen los siguientes datos:

Aplicar lo visto en el capı́tulo

([email protected]) Regresión lineal simple 52 / 56

 Ejercicios

Ejercicios

10) En un proceso de control de calidad, se obtiene una muestra aleatoria de 8

frascos de un reactivo (en mg) y su correspondiente grado de pureza.

Aplicar lo visto en el capı́tulo

([email protected]) Regresión lineal simple 53 / 56

 Ejercicios

Ejercicios

11) Se realiza un experimento para determinar la concentración de una droga

determinada (X) en una solución, y se lee la fluorescencia producida (Y ) al
agregar ácido bórico. Se obtienen los siguientes resultados:

Aplicar lo visto en el capı́tulo

([email protected]) Regresión lineal simple 54 / 56

 Ejercicios

Ejercicios

12) A 10 candidatos a ingresar en un programa de doctorado, se les aplica en la

Facultad de Psicologı́a una prueba de personalidad (X) y un examen
general de conocimientos (Y ), con las siguientes puntuaciones:

Aplicar lo visto en el capı́tulo

([email protected]) Regresión lineal simple 55 / 56

 Bibliografı́a

Bibliografı́a

1 Webster, A. (2000). Estadı́stica aplicada a los negocios y la

economı́a. Bradley University.
2 MONTGOMERY, Douglas C.; RUNGER, George C.; MEDAL,
Edmundo G. Urbina. Probabilidad y estadı́stica aplicadas a la
ingenierı́a. McGraw Hill, 1996.
3 RONALD E. WALPOLE, R. (Novena edición, 2012).
Probabilidad y estadı́stica para ingenierı́a y ciencias. PEARSON
EDUCACIÓN, México.

([email protected]) Regresión lineal simple 56 / 56