PASO 4 - FASE INTERMEDIA (TRABAJO COLABORATIVO 3)

ESTADISTICA DESCRIPTIVA
100105_60

Presentado por:

TUTOR
YUNEIDYS MARIET OTAE

ADMINISTRACION DE EMPRESAS
UNIVERSIDAD NACIONAL ABIENTA Y A DISTANCIA
BOGOTA - NOVIEMBRE 2016

INTRODUCCIN

En la industria con mucha frecuencia es necesario resolver problemas que implican

conjuntos de variables, cuando se sabe que existe alguna relacin inherente entre ellas. A partir
de lo anterior, es necesario establecer modelos que expliquen dicha relacin. Cuando,
simultneamente, contemplamos dos variables continuas, aunque por extensin se pueden
emplear para variables discretas cuantitativas, surgen preguntas y problemas especficos.
Esencialmente, se emplearn estadsticos descriptivos y tcnicas de estimacin para contestar
esas preguntas, y tcnicas de contraste de hiptesis especficos para resolver dichos problemas.
La mayora de estos mtodos estn encuadrados en las tcnicas regresin y correlacin. En forma
ms especifica el anlisis de correlacin y regresin comprende el anlisis de los datos
mustrales para saber qu es y cmo se relacionan entre si dos o ms variables en una poblacin.
El anlisis de correlacin produce un nmero que resume el grado de la fuerza de relacin entre
dos variables; y el anlisis de regresin da lugar a una ecuacin matemtica que describe dicha
relacin. La tcnica de egresin lineal simple est indicada cuando se pretende explicar una
variable respuesta cuantitativa en funcin de una variable explicativa cuantitativa tambin
llamada variable independiente, variable regresora o variable predictora. Por ejemplo, se podra
intentar explicar el peso en funcin de la altura. El modelo intentara aproximar la variable
respuesta mediante una funcin lineal de la variable explicativa. A partir de la presente
investigacin, se pretende mostrar la aplicacin prctica de la regresin y correlacin lineal
simple y mltiple en la industria. Ya que la aplicacin de las tcnicas estadsticas contribuyen a la
optimizacin de los procesos.

JUSTIFICACION

Con los siguientes anlisis vamos a corroborar que los mtodos estadsticos
tradicionalmente son de gran utilidad para casos de la visa real, como es el caso en ejemplo que
hemos venido desarrollando accidentes de trnsito y que poniendo en prctica dicho estudio de
esos diferentes tipos de representacin estadstica, lograremos gran parte de la utilidad que tiene
la Estadstica Descriptiva; es decir, nos va a proporcionar un medio para informar basado en los
datos recopilados, y a su vez se ver reflejada la eficacia con que se pueda realizar tal proceso
de informacin dependiendo de la presentacin de dichos datos, especficamente siendo la forma
grfica una de las formas ms rpidas y eficientes de analizar unos resultados.

OBJETIVOS

Aprender a calcular la correlacin entre dos variables

Saber dibujar un diagrama de dispersin
Representar la recta que define la relacin lineal entre dos variables
Saber estimar la recta de regresin por el mtodo de mnimos cuadrados e

interpretar su ajuste.

Realizar inferencia sobre los parmetros de la recta de regresin

Construir e interpretar intervalos de confianza e intervalos de prediccin

para la variable dependiente

Realizar una prueba de hiptesis para determinar si el coeficiente de

correlacin es distinto

DESARROLLO TRABAJO COLABORATIVO

Anlisis de correlacin lineal simple de las dos variables cuantitativas

seleccionadas.

Ejercicio 1: Regresin y Correlacin lineal Simple

- Identificar dos (2) variables cuantitativas de la situacin estudiada que puedan

estar relacionadas.

Variables cuantitativas
Discretas
Continuas
Nmero
de Edad (puede tomar valores decimales)
heridos
Grados de alcohol del conductor
Nmero
de Hora
muertos
Costo estimado del siniestro
Velocidad

Las 2 variables cuantitativas que pueden estar relacionadas son las siguientes:
Nmero de muertos y Grados de Alcohol del conductor.

- Realizar el diagrama de dispersin de dichas variables y determinar el tipo de

asociacin entre las variables.

El nmero de muertos depende de los grados de alcohol del conductor; ya que esto nos
indica que entre mayor sea el nmero de muertos, mayor son los grados de alcohol de los
conductores. La asociacin de las variables es fuerte porque una depende de la otra, para este
ejemplo el nmero de muertos depende del grado de alcohol del conductor, esto lo observamos
con el coeficiente de determinacin R2 que es 99.54%.

- Encuentre el modelo matemtico que permite predecir el efecto de una variable

sobre la otra. Es confiable?.
El modelo que describe el sistema es lineal
y = 0.1038x 0.0333
El modelo es confiable porque el coeficiente de determinacin R2 es aproximadamente 1.

- Determine el porcentaje de explicacin del modelo y el grado de relacin de las dos

variables.
Esta ecuacin da buena valoracin entre las variables por que el coeficiente de
determinacin R2 explica el 99.54% de la informacin y el valor del coeficiente de correlacin R
confirma el grado de relacin de la variables, que es el 99.54%.
- Relacionar la informacin obtenida con el problema.
Podemos decir que el nmero de muertos por accidentalidad bajo el consumo de bebidas
alcohlicas aumenta segn los grados de alcohol con los que dicha persona se encuentre
conduciendo, entre ms grados de alcohol ms alto ser el riesgo de accidente y de mortandad.

Anlisis de correlacin mltiple de las variables cuantitativas

seleccionadas.

Ejercicio 2: Regresin y Correlacin Lineal Mltiple:

-

Identificar una (1) variable cuantitativa dependiente y dos

dependientes del estudio de investigacin.

Escogemos independiente Y (grado de alcohol), y dependientes X1 (# de
muertos ) y X2(velocidad)

Realizar el diagrama de dispersin de dichas variables.

- Calcular la recta de regresin y el coeficiente de correlacin para

probar estadsticamente su relacin.
Las rectas de regresin estn dadas por:

Para Y vs X1
Y= 3,035x-0,4235 donde Y es el grado de alcohol y X1 es el Nmero de muertos en el
accidente, con un coeficiente de correlacin de 0,929
Para Y vs X2
Y=16,488x + 44,684
Donde Y es el grado de alcohol y X2 es la velocidad del vehculo, con un coeficiente de
correlacin de 0,859
Para el modelo de correlacin mltiple tenemos

De donde obtenemos la recta de regresin:

Y=0,201+0,023X1+0,0080X2

Con un coeficiente de correlacin de 0,9318 y por ser cercano a 1 el modelo matemtico

obtenido es muy confiable y un coeficiente de determinacin R^2=0,8682 o %R^2=93,18% por
lo que el modelo explica con un 93,18 % de confiabilidad lo que nos lleva a decir que
estadsticamente la correlacin entre las variables es excelente y comprueba la correlacin entre
las tres variables.
-

Relacionar la informacin obtenida con el problema.

Los resultados anteriores indican que las variables Y (grado de alcohol), y dependientes
X1 (# de muertos ) y X2(velocidad) se encuentran relacionadas a travs del modelo matemtico
de regresin mltiple donde Y=0,201+0,023X1+0,0080X2, y este modelo explica el 93,18 % de
confiabilidad ya que las variables se encuentran relacionadas muy excelentemente con un valor
de 0,9318

Anlisis y conclusiones, a partir de los resultados obtenidos y

aplicados al problema o situacin estudiada.
Se puede decir que gracias al primer y segundo ejercicio y segn las variables escogidas
para cada una de estos, comprobamos que el nmero de muertos por accidentalidad
desafortunadamente aumenta, dependiendo de los grados de alcohol que puede tener el
conductor, es decir que entre ms altos sean los grados de alcohol mucho ms altos sern los
riesgos de accidente y de mortalidad;

CONCLUSIONES

El anlisis de regresin y correlacin lineal constituyen mtodos que se emplean para

conocer las relaciones y significacin entre series de datos. Lo anterior, es de suma importancia
para la industria ya que es aqu en donde se presentan variables de respuesta e independientes las
cuales interactan para originar las caractersticas de un proceso en particular y por ende;
analizar, predecir valores de la variable dependiente y examinar el grado de fuerza con que se
relacionan dichas variables. La regresin lineal simple y la regresin mltiple, analiza la relacin
de dos o ms variables continuas, cuando analiza dos variables a esta se le conoce como variable
bivariantes que pueden corresponder a variables cualitativas. La finalidad de una ecuacin de
regresin es la de estimar los valores de una variable con base en los valores conocidos de la
otra. Del mismo modo, una ecuacin de regresin explica los valores de una variable en trminos
de otra. Es decir, se puede intuir una relacin de causa y efecto entre dos o ms variables. El
anlisis de regresin nicamente indica qu relacin matemtica podra haber, de existir una. Por
otro lado, Al ajustar un modelo de regresin simple o mltiple a una nube de observaciones es
importante disponer de alguna medida que permita medir la bondad del ajuste. Esto se consigue
con los coeficientes de correlacin. Si el modelo que se ajusta es un modelo de regresin lineal, a
R se le denomina coeficiente de correlacin y representa el porcentaje de variabilidad de la Y que
explica el modelo de regresin. Estas tcnicas estadsticas constituyen una herramienta til para
el anlisis de las variables de un proceso ya que a travs de la aplicacin de stas, es posible
conocer el modelo que siguen y la fuerza con que se encuentran relacionadas. Asimismo, es
posible explicar la relacin que guardan dos o ms causas de un posible defecto.

REFERENCIAS BIBLIOGRAFICAS

1. Ronald E. Walpole y Raymond H Myers. PROBABILIDAD Y ESTADSTICA,

Sexta Edicin. 1998.
2. William Mendenhall y Dennos D. Wackerly. ESTADSTICA MATEMTICA
CON.
http://www.vitutor.com/estadistica/bi/correlacion.html

ANEXOS
LABORATORIO DE REGRESIN Y CORRELACIN LINEAL
EJERCICIOS:
1.

El rendimiento del producto de un proceso qumico est relacionado con la

temperatura de operacin del proceso. Se desea establecer la relacin que existe entre la
pureza (y) del oxgeno producido y el porcentaje de hidrocarburo (x) que est presente en
el condensador principal en un proceso de destilacin, de acuerdo con los siguientes
datos:

a.

Realice el diagrama de dispersin y determine el tipo de asociacin

entre las variables.

b.

El porcentaje de hidrocarburos es directamente proporcional a la pureza, esto nos indica

que entre mayor es el porcentaje de hidrocarburos mayor va a ser la pureza. La asociacin entre
las variables es fuerte porque una depende de la otra, para este ejemplo la pureza depende del
porcentaje de hidrocarburos, esto lo observamos con el coeficiente de determinacin R2 que es
87.74%.
c.

Encuentre el modelo matemtico que permite predecir el efecto de una

variable sobre la otra. Es confiable?

Modelo lineal que predice el efecto de una variable sobre la otra:
y = 14.947x + 74.283
El modelo es confiable porque el coeficiente de determinacin R2 es cercano a 1.
d.

Determine el porcentaje de explicacin del modelo y el grado de

relacin de las dos variables.

La ecuacin da buena valoracin entre las variables por que el coeficiente de

determinacin R2 explica el 87.74% de la informacin mientras que el valor del
coeficiente de correlacin R nos confirma el grado de relacin de las variables, que es
93.67%.
d. Cul es el porcentaje de hidrocarburo cuando la pureza del oxgeno es
igual a 51,4?
y = 14.947x + 74.283
x=(y-74.283)/14.947
x=(51.4-74.283)/14.947
x= - 1.53

Cuando la pureza del oxgeno sea 51.4, el porcentaje de hidrocarburos ser -1.53.

2.

El nmero de libras de vapor (y) consumidas mensualmente por una planta

qumica, se relaciona con la temperatura ambiental promedio (en o F). Para el ao 2015,
se registraron los siguientes valores de temperatura y consumo anual.

a.

Realice el diagrama de dispersin y determine el tipo de asociacin

entre las variables.

La temperatura es directamente proporcional al consumo de vapor, esto nos

indica que entre mayor es la temperatura mayor va a ser el consumo de vapor. La
asociacin de las variables es fuerte porque una depende de la otra, para este ejemplo

el consumo de vapor depende de la temperatura, esto lo observamos con el coeficiente

de determinacin R2 que es 99.99%.
b.

Encuentre el modelo matemtico que permite predecir el efecto de una

variable sobre la otra. Es confiable?

Modelo que describe el sistema es la funcin lineal

y = 9.2087x - 6.3184

El modelo es confiable porque el coeficiente de determinacin R2 es

aproximadamente 1.
c.

Determine el porcentaje de explicacin del modelo y el grado de

relacin de las dos variables.

Esta ecuacin da buena valoracin entre las variables por que el coeficiente de
determinacin R2 explica el 99.99% de la informacin y el valor del coeficiente de
correlacin R confirma el grado de relacin de la variables, que es el 99.99%.

3.

Los investigadores estn estudiando la correlacin entre la obesidad y la

respuesta individual al dolor. La obesidad se mide como porcentaje sobre el peso ideal
(x). La respuesta al dolor se mide utilizando el umbral de reflejo de reflexin nociceptiva
(y) que es una medida de sensacin de punzada. Obsrvese que ambas, X e Y, son
variables aleatorias

a. Realice el diagrama de dispersin y determine el tipo de asociacin entre

las variables.

La asociacin de las variables no existe, esto lo podemos observar con el

coeficiente de determinacin R2 que es 11.15%.

b.

Ajuste un modelo matemtico que permita predecir el efecto de una

variable sobre la otra. Es confiable?

El modelo lineal que predice el efecto de una variable sobre la otra es
y = -0.0629x + 11.642
El modelo no es confiable porque el coeficiente de determinacin R2 est muy
lejos de 1.
c.

Determine el porcentaje de explicacin del modelo y el grado de

relacin de las dos variables.

Esta ecuacin no da una buena valoracin entre las variables por que el
coeficiente de determinacin R2 explica el 11.15% de la informacin y el valor del
coeficiente de correlacin R confirma el grado de relacin de la variables, que es el
33.39%.
d.

Cul es el umbral de reflejo de flexin nociceptiva, cuando hay un

porcentaje de sobrepeso, de 50?

y = -0.0629*50 + 11.642
y = 8.49
Cuando el porcentaje de sobrepeso sea 50, el umbral de reflejo de flexin
nociceptiva ser 8.49.