Taller Modelos de Regresión Probabilidad

EJERCICIO 1
El Ministerio de Comercio, Industria y Turismo de Colombia realizó un estudio en diferentes ciudades del país para dete
de habitantes de una ciudad y el promedio de ingresos mensuales de los habitantes. Los resultados obtenidos se mues
ACTIVIDAD
1. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadra
2. Escriba el modelo de regresión que determina la relación entre las variables
3. Indique el valor del coeficiente de correlación y mencione el tipo de relación que tienen las variables. Explique su res
4. Determine una predicción para la variable dependiente y una para la variable independiente con el modelo de regre
5. Determine el promedio, varianza y desviación de cada una de las variables
NÚMERO DE HABITANTES PROMEDIO DE INGRESO 1. Realice el diagrama de dispersión para l

N°
(MILES DE HABITANTES) MENSUAL
1 420 557,000
2 178 351,300 DIAGRAMA DE DISPERSION PARA L
3 4230 3,795,500
4 580 580,000
5 7200 5,350,000 NUMERO DE HABITANTE VS PROMEDIO
6 455 586,750 6000000
7 2310 2,163,500
5000000
8 795 825,750
9 487 550,000 4000000
NUMERODE HABITANTES
10 410 520,000
3000000
11 115 247,750
12 3200 2,870,000 2000000
13 654 705,900
14 945 1,000,000 1000000
15 740 810,000 0
16 465 545,250 0 1000 2000 3000 4000 5000 6000 7000
17 974 1,077,900 PROMEDIO DE INGRESO MENSUAL
18 325 526,250
19 2100 1,900,000 2. Escriba el modelo de regresión que dete
20 485 680,000
21 369 563,650 MODELO DE
22 5500 4,925,000
23 1058 1,149,300
24 770 890,000 NUMERO DE HABITANTE VS P
25 420 720,000 6000000
26 135 364,750 f(x) = 794.3450228187
27 3200 2,970,000 5000000 R² = 0.9872320611
NUMERO DE HABITANTES
28 457 638,450
4000000
29 178 450,000
30 875 1,100,000 3000000
31 450 632,500
2000000
1000000
0
NUMERO DE HABITANT
4000000
3000000
32 325 526,250 2000000
33 185 407,250
1000000
34 578 695,000
35 124 325,000 0
0 1000 2000 30
36 2310 2,078,500
PROMED
37 754 755,900
38 125 221,250
39 745 695,000 Podemos observar de los modelos de re
40 921 1,100,000
41 1050 1,082,500
42 235 389,750
43 469 588,650 3. Indique el valor del coeficiente
44 459 610,000
45 1300 1,100,000 MODELO REGRESION LINEAL
46 2050 1,932,500 y = 794,35x + 246762
47 345 483,250 R² = 0,9872
48 178 341,300 0.993
49 875 950,000
50 197 400,000 Si existe una relación entre las dos varia
51 257 408,450
52 489 605,650
53 625 721,250
54 432 570,000 4. Determine una predicción para la variab
55 689 780,000
56 3200 2,450,000
57 457 578,450
58 178 401,300
59 875 993,750 5. Determine el promedio, varianza y desv
60 450 650,000
61 325 500,000
62 185 407,250
63 578 741,300 # de datos
64 124 355,400 suma datos
65 465 680,000 Promedio
66 974 1,077,900 variancia
67 325 526,250 Desviacion
68 2100 2,035,000
69 485 662,250
70 369 563,650
71 5500 4,925,000
72 1058 985,000
73 770 654,000
74 420 607,000
75 325 526,250
76 185 407,250
77 578 741,300
78 124 355,400
79 1250 1,312,500
80 1800 1,780,000
diferentes ciudades del país para determinar un modelo y analizar la posible relación que existe entre el número
es. Los resultados obtenidos se muestran en la tabla.
modelo (Lineal, exponencial o cuadratico) es el más indicado
ue tienen las variables. Explique su respuesta

ndependiente con el modelo de regresión determinado
alice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadratico) es el más indicado
DIAGRAMA DE DISPERSION PARA LA VARIABLES

MODELO DE REGRESION LINEAL
NUMERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL NUMERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL
6000000 6000000
f(x) = 794.3450228187x + 246762.159069339
R² = 0.9872320611
5000000 5000000
4000000 4000000
NUMERODE HABITANTES
3000000 3000000
2000000 2000000
1000000 1000000
0 0
0 1000 2000 3000 4000 5000 6000 7000 8000 0 1000 2000 3000 4000 5000 6000 7000 8000
PROMEDIO DE INGRESO MENSUAL PROMEDIO DE INGRESO MENSUAL
riba el modelo de regresión que determina la relación entre las variables

MODELO REGRE
MERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL NUMERO DE HABITANTE VS PR

6000000 6000000
f(x) = 794.3450228187x + 246762.159069339 f(x) = 483034.015
5000000 R² = 0.9872320611 5000000 R² = 0.817463632
4000000 4000000
3000000 3000000
2000000 2000000
1000000 1000000
0 0
4000000 4000000
3000000 3000000
2000000 2000000
1000000 1000000
0 0
0 1000 2000 3000 4000 5000 6000 7000 8000 0 1000 2000 30
PROMEDIO DE INGRESO MENSUAL PROMEDIO
demos observar de los modelos de regresion para que el R^2 es mas que no da los resultados es el modelo cuadrático es el mayor y con es
evidenciar que es la que mejor explica los datos
3. Indique el valor del coeficiente de correlación y mencione el tipo de relación que tienen las variables. Explique su respuesta
MODELO REGRESION LINEAL MODELO REGRESION EXPONENCIAL

94,35x + 246762 y = 483034e0,0005x
0,9872 R² = 0,8175
0.904
existe una relación entre las dos variables y esta relación es que una de las variables depende de los datos de la otra variable
termine una predicción para la variable dependiente y una para la variable independiente con el modelo de regresión determinado
termine el promedio, varianza y desviación de cada una de las variables
NÚMERO DE PROMEDIO DE
HABITANTES INGRESO
(MILES DE MENSUAL
HABITANTES)
80 80
79297 65,657,000
991.2125 820712.5
1663287.142 20833429844
1289.6849 144337.9016
cial o cuadratico) es el más indicado
SION LINEAL MODELO DE REGRESION EXPONENCIAL MODELO DE REGRESION CU
PROMEDIO DE INGRESO MENSUAL NUMERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL NUMERO DE HABITANTE VS PRO
6000000 6000000
2.159069339 f(x) = 483034.015144848 exp( 0.000477907 x )
R² = 0.8174636327 f(x) = - 0.017421881x^2 + 892.1965553413x + 195
5000000 R²5000000
= 0.9891473221
4000000 4000000
NUMERODE HABITANTES
NUMERODE HABITANTES
3000000 3000000
2000000 2000000
1000000 1000000
0 0
00 6000 7000 8000 0 1000 2000 3000 4000 5000 6000 7000 8000 0 1000 2000 3000 4000 5000 60
ENSUAL PROMEDIO DE INGRESO MENSUAL PROMEDIO DE INGRESO MENSUA
MODELO REGRESION EXPONENCIAL MODELO REGRESION CUA
NUMERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL NUMERO DE HABITANTE VS PROMEDIO

6000000 6000000
f(x) = 483034.015144848 exp( 0.000477907 x )
R² = 0.8174636327 f(x) = - 0.017421881x^2 + 892.19655534
5000000
R² 5000000
= 0.9891473221
4000000 4000000
3000000 3000000
2000000 2000000
1000000 1000000
0 0
4000000 4000000
NUMERO DE HABITANTES 3000000 3000000
2000000 2000000
1000000 1000000
0 0
0 1000 2000 3000 4000 5000 6000 7000 8000 0 1000 2000 3000 4000
PROMEDIO DE INGRESO MENSUAL PROMEDIO DE INGRESO M
delo cuadrático es el mayor y con esto se puede
ables. Explique su respuesta
MODELO REGRESION CUADRATICA

y = -0,0174x2 + 892,2x + 195865
R² = 0,9891
0.994
tos de la otra variable
elo de regresión determinado

MODELO DE REGRESION CUADRATICO
NUMERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL

6000000
f(x) = - 0.017421881x^2 + 892.1965553413x + 195865.124398927
R²5000000
= 0.9891473221
4000000
NUMERODE HABITANTES
3000000
2000000
1000000
0
0 1000 2000 3000 4000 5000 6000 7000 8000
PROMEDIO DE INGRESO MENSUAL
E HABITANTE VS PROMEDIO DE INGRESO MENSUAL

0000
- 0.017421881x^2 + 892.1965553413x + 195865.124398927
0000
0.9891473221
0000
0000
0000
0000
0
0000
0000
0000
0000
0
0 1000 2000 3000 4000 5000 6000 7000 8000
PROMEDIO DE INGRESO MENSUAL
EJERCICIO 2
La Secretaría de movilidad de Bogotá realizo una investigación que quería determinar si había alguna relación entre el n
de los conductores y el número de infracciones de transito o multas que se les ha hecho en esa experiencia como condu
localidad de Suba y los resultados obtenidos fueron los siguientes:
ACTIVIDAD
1. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadrati
3. Indique el valor del coeficiente de correlación y mencione el tipo de relación que tienen las variables. Explique su resp
4. Determine una predicción para la variable dependiente y una para la variable independiente con el modelo de regres
Número de Años de
N° infracciones y experiencia como
multas de transito conductor
1 8 2 1. Realice el diagrama de dispersión para

2 4 1
3 52 20
4 14 4
5 8 2 DIAGRAMA DE DISPERSION PARA L
6 39 11 35
7 5 1
30
NUMERO DE INFRACCIONES
8 11 3
25
9 10 2
10 20 6 20
11 8 2 15
12 4 1
10
13 6 1
5
14 11 3
15 22 6 0
0 10 20 30 40 50 60
16 32 10
AÑOS DE EXPERIENCIA CONDU
17 66 21
18 80 30
19 11 3
20 14 4 2. Escriba el modelo de regresión que de
21 15 5
22 10 2 MODELO REGRESION CUADRAT
23 38 12
24 8 2 NUMERO DE INFRACCIONES VS AÑOS DE EXP
25 11 2 35
26 9 3 30 f(x) = 0.0001093245x^2 + 0.3419067996x
ERO DE INFRACCIONES
27 8 2
25 R² = 0.9811722428
28 10 2
20
15
10
35
30 f(x) = 0.0001093245x^2 + 0.3419067996x
25 R² = 0.9811722428
29 4 1 20
30 6 1 15
31 8 2 10
32 11 3
5
33 22 6
34 6 1 0
0 10 20 30 40 50 60
35 2 2
AÑOS DE EXPERIENCIA CONDU
36 10 3
37 14 4
38 48 17
39 10 2 3. Indique el valor del coeficiente de correlación y m
40 5 1 Explique su
41 7 1
42 11 3 Modelo de regresion cuadratica
43 20 6 y = 0,0001x2 + 0,3419x - 0,7402
44 32 10 R² = 0,9812
45 65 21 coeficiente correlacion
46 92 30
47 11 3 4. Determine una predicción para la variable dependie
48 14 4
49 17 5 # INFRACCIONES AÑOS DE EXPERENCIA
50 8 2 1 5.709483599
51 38 12 0.5 4.943275008
52 8 2 1.5 6.475692189
53 8 2
54 11 3
55 8 2 5. Determine el promedio, varianza y desvia
56 8 2
57 7 1 NÚMERO
INFRACCIONES
58 2 1
59 6 2 # de datos 70
60 11 3 suma datos 358
61 14 6 Promedio 5.114285714
62 17 5 variancia 40.2155102
63 6 2 Desviacion 6.341570011
64 28 12
65 8 2
66 10 2
67 14 3
68 10 2
69 8 2
70 6 1
había alguna relación entre el número de años de experiencia conduciendo
en esa experiencia como conductor. Se selecciono una muestra de conductores de la
ACTIVIDAD
o (Lineal, exponencial o cuadratico) es el más indicado
en las variables. Explique su respuesta

ndiente con el modelo de regresión determinado
ma de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o c
MA DE DISPERSION PARA LA VARIABLE NUMERO DE INFRACCIONES VS AÑOS DE EXPERENCIA

35
30
25
20
15
10
30 40 50 60 70 80 90 100 0
0 10 20 30 40 50 60 70 80
AÑOS DE EXPERIENCIA CONDUCTOR AÑOS DE EXPERIENCIA CONDUCTOR
odelo de regresión que determina la relación entre las variables
CIONES VS AÑOS DE EXPERENCIA CONDUCTOR

Para esta variable es modelo de
regresion cuadratica que nos aroja
093245x^2 + 0.3419067996x - 0.7401819429 los datos mejor que las otros
22428 modelos de regresion
Para esta variable es modelo de
regresion cuadratica que nos aroja
093245x^2 + 0.3419067996x - 0.7401819429 los datos mejor que las otros
22428 modelos de regresion
30 40 50 60 70 80 90 100
AÑOS DE EXPERIENCIA CONDUCTOR
oeficiente de correlación y mencione el tipo de relación que tienen las variables.

Explique su respuesta
dratica
,7402
0.9905554
ión para la variable dependiente y una para la variable independiente con el modelo de regresión determinado
medio, varianza y desviación de cada una de las variables
AÑOS DE
EXPERENCIA
70
841
12.0142857
193.471225
13.9093934
Lineal, exponencial o cuadratico) es el más indicado
DELO DE REGRESION LINEAL MODELO REGRESION CUADRATICA
ONES VS AÑOS DE EXPERENCIA CONDUCTOR NUMERO DE INFRACCIONES VS AÑOS DE EXPERENCIA CONDUCT

35
30
25
20
15
10
0
30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
AÑOS DE EXPERIENCIA CONDUCTOR AÑOS DE EXPERIENCIA CONDUCTOR

ón determinado
ON CUADRATICA MODELO REGRESION EXPONTENCIAL
OS DE EXPERENCIA CONDUCTOR NUMERO DE INFRACCIONES VS AÑOS DE EXPERENCIA CONDUCTOR

35
30
25
20
15
10
0
50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
ENCIA CONDUCTOR AÑOS DE EXPERIENCIA CONDUCTOR
CIAL
RENCIA CONDUCTOR
70 80 90 100
OR
EJERCICIO 3
Un medico deportologo quería hacer una comparación en el rendimiento de dos atletas que tiene bajo su asesoría a pa
midio el número de calorias gastadas y el número de metros recorridos en las diferentes pruebas. Los resultados se mu
ACTIVIDAD
Realice la comparación para los dos prototipos y determine cuál tiene mejor rendimiento a partir del analisis de regresi
3. Indique el valor del coeficiente de correlación y mencione el tipo de relación que tienen las variables
6. Según el análisis de regresión ¿cuál atleta tiene mejor rendimiento? Explique su respuesta
ATLETA 1 ATLETA 2
1. Realice el diagrama de dis
PB METROS CALORIAS PB METROS CALORIAS
1 100 2150 1 100 2000

2 200 5870 2 200 6110
DIAGRAMADE
3 110 4500 3 110 3980
4 400 7950 4 400 8100 14000
5 200 5400 5 200 4950 12000
6 110 3790 6 110 4000
10000
7 110 4250 7 110 3950
8 200 5200 8 200 5210 8000
METROS
9 100 2750 9 100 2550 6000
10 400 7700 10 400 7500 4000
11 400 7540 11 400 7800
2000
12 110 4710 12 110 4650
13 100 2450 13 100 2550 0
0 100 200
14 100 2250 14 100 2700
15 100 2170 15 100 1950
16 400 7250 16 400 6950
17 110 3980 17 110 4100
18 110 4115 18 110 4100
19 200 4980 19 200 5320 2. Escriba el modelo de
20 800 12340 20 800 11950
21 800 11980 21 800 12300 MODELO
22 200 5150 22 200 5400
23 110 4320 23 110 4500 M
24 100 2640 24 100 2120 14000
12000
f(x) = -
10000 R² = 0.92
8000
METROS
6000
4000
2000
0
0 100 200
f(x) = -
10000 R² = 0.92
8000
METROS
6000
4000
2000
0
0 100 200
3. Indique el valor del co
la variable dependiete de
y = -0,0073x2 + 19,063x + 1
R² = 0,9262
coeficiente de correlacion
5. Determine el promed
tiene bajo su asesoría a partir de una serie de pruebas fisicas. Para hacer esta comparación y establecer planes para mejorar los rendimien
ebas. Los resultados se muestran en las siguientes tablas.
partir del analisis de regresión

neal, exponencial o cuadratico) es el más indicado
nte con el modelo de regresión determinado
. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadratico) es el más indica
MODELO DE REGRESION
DIAGRAMADE DISPERSION PARA LAS VARIABLES METROS VS CALO

14000 14000
12000 12000 f(x) = 12.9586203645x + 2190.0

R² = 0.9132531189
10000 10000
8000 8000
METROS
METROS
6000 6000
4000 4000
2000 2000
0 0
0 100 200 300 400 500 600 700 800 900 0 100 200 300 400 50
CALORIAS CALORIAS
. Escriba el modelo de regresión que determina la relación entre las variables

Para las variables que determina metro
METROS VS CALORIAS calorias, con sus respectivo estudio el m
14000 adecuado es del modelo de regresion
12000
CUADRATICA, que nos muestra ques s
f(x) = - 0.0073277867x^2 + 19.0630085168x + 1464.7617094992 resulatados son fuertes
10000 R² = 0.9261687535
8000
METROS
6000
4000
2000
0
0 100 200 300 400 500 600 700 800 900
f(x) = - 0.0073277867x^2 + 19.0630085168x + 1464.7617094992
10000 R² = 0.9261687535
8000
METROS
6000
4000
2000
0
0 100 200 300 400 500 600 700 800 900
CALORIAS
. Indique el valor del coeficiente de correlación y mencione el tipo de relación que tienen las variables
la variable dependiete depende de los daros de la vaiable independiete

y = -0,0073x2 + 19,063x + 1464,8
R² = 0,9262
coeficiente de correlacion 0.96239285
. Determine el promedio, varianza y desviación de cada una de las variables

planes para mejorar los rendimientos
cial o cuadratico) es el más indicado
MODELO DE REGRESION LINEAL MODELO DE REGRESION EXPONENCIAL
METROS VS CALORIAS METROS VS CALORIAS

14000
f(x) = 2806.8509142357 exp( 0.002104175 x )
f(x) = 12.9586203645x + 2190.0201904158 12000 R² = 0.7013942293
R² = 0.9132531189
10000
8000
METROS
6000
4000
2000
0
100 200 300 400 500 600 700 800 900 0 100 200 300 400 500 600 70
CALORIAS CALORIAS
iables que determina metros vs

n sus respectivo estudio el mas
o es del modelo de regresion
CA, que nos muestra ques sus
sulatados son fuertes
n las variables
O DE REGRESION EXPONENCIAL MODELO DE REGRESION CUADRATICO
METROS VS CALORIAS METROS VS CALORIAS

14000
806.8509142357 exp( 0.002104175 x )
013942293 12000
f(x) = - 0.0073277867x^2 + 19.0630085168x + 1464.7617094992
10000 R² = 0.9261687535
8000
METROS
6000
4000
2000
0
0 300 400 500 600 700 800 900 0 100 200 300 400 500 600 700 800 9
CALORIAS CALORIAS
ION CUADRATICO
CALORIAS
^2 + 19.0630085168x + 1464.7617094992
0 500 600 700 800 900

LORIAS
EJERCICIO 4
En una fabrica se realizo un estudio para explicar las razones de las fallas o accidentes que se presentan en las maquinas
El número de empleados que manipulanaban las maquinas y la cantidad de fallas o accidentes que se presentaba con las
ACTIVIDAD
1. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadratic
3. Indique el valor del coeficiente de correlación y mencione el tipo de relación que tienen las variables. Explique su resp
4. Determine una predicción para la variable dependiente y una para la variable independiente con el modelo de regresi
Número de
Fallas o empleados
accidentes que
de las manipulan
maquinas la maquina
5 10 1. Realice el diagrama de dispersión para las variables estudiadas y

3 11
2 4
0 2 DIAGRAMA DISPERSION PARA LAS VARIABLES
2 5 25
FALLA O ACCIDENTES DE MAQUINAS
4 7
3 9 20
7 15
15
9 11
10 2
10
2 1
2 5 5
3 3
5 4 0
0 2 4 6 8 10 12
4 4
# EMPLEADOS MANIPULAN LA MAQUINA
1 2
0 3
0 5
5 5
7 7 2. Escriba el modelo de regresión que determina la relación en
9 10
2 20 MODELO DE REGRESION LINEAL
11 9
0 7 FALLAS DE LA MAQUINAS VS # EMPLEADOS QUE MANIPULAN LA MAQUINAS
2 8 25
3 9
ACCIDENTES DE MAQUINAS
20
2 6
1 2
15
10
5 f(x) = - 0.0863282697x + 6.7628751389

25

20
15
4 5
1 7 10
1 10
4 8 5 f(x) = - 0.0863282697x + 6.7628751389
5 8 R² = 0.0040003178
5 9 0
0 2 4 6 8 10 12
2 10
3 11
9 2
6 3
7 5 3. Indique el valor del coeficiente de correlación y mencione
8 4
2 2
1 5 y = -0,0863x + 6,7629
2 7 R² = 0,004
1 9 coeficiente de correlacion 0.0632455532
0 15
0 11 4. Determine una predicción para la variable dependiente y una p
5 2
7 1
9 15
2 11
11 2
0 1
2 5
2 3
0 4
2 4
4 2
3 3
7 4
9 4
3 2
9 3
6 5
7 5
8 7
2 10
1 20
2 9
1 5
3 4
7 6
5 7
4 8
presentan en las maquinas involucradas en la producción. Por esta razón se buscaba comprobar con el estudio si había una relación entre
s que se presentaba con las mismas. Los resultados se muestran en la tabla
eal, exponencial o cuadratico) es el más indicado
variables. Explique su respuesta

e con el modelo de regresión determinado
variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadratico) es el más indicado

A LAS VARIABLES
FALLAS DE LA MAQUINAS VS # EMPLEADOS QUE MANIPULAN LA MAQUINAS
25
20
15
10
5 f(x) = - 0.0863282697x + 6.7628751389

R² = 0.0040003178
8 10 12
0
MAQUINA 0 2 4 6 8 10 12
ermina la relación entre las variables
MANIPULAN LA MAQUINAS Se puede evidenciar y

analizando los modelo de
regresion aunque puede ser el
modelo lineal o cuadratico, se
evidencia los datos
analizando los modelo de
regresion aunque puede ser el
modelo lineal o cuadratico, se
evidencia los datos
10 12
orrelación y mencione el tipo de relación que tienen las variables. Explique su respuesta
e dependiente y una para la variable independiente con el modelo de regresión determinado

udio si había una relación entre
MODELO DE REGRESION EXPONENCIAL
FALLAS DE LA MAQUINAS VS # EMPLEADOS QUE MANIPULAN LA MAQUINAS FALLAS DE

25 25

20 20
15 15
10 10
5 5 f(x) = - 0.0001
f(x) = 5.3780659607 exp( - 0.0097285722 x ) R² = 0.0040003
R² = 0.0018056702
0 0
0 2 4 6 8 10 12 0 2
MODELO DE REGRESION CUADRATICA
FALLAS DE LA MAQUINAS VS # EMPLEADOS QUE MANIPULAN LA MAQUINAS

25
20
15
10
5 f(x) = - 0.0001249223x^2 - 0.0851068795x + 6.7611462837

R² = 0.0040003901
0
0 2 4 6 8 10 12
EJERCICIO 5
Un grupo de ingenieros civiles prueba diferentes tipos de hormigon para determinar nuevos compuestos que pueda
evidencien el rendimiento que tiene el mismo. Para eso se observan los centimetros de deformación que tiene el ho
ACTIVIDAD
1. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cua
4. Determine una predicción para la variable dependiente y una para la variable independiente con el modelo de re
DEFORMACION DE LA AÑOS
ESTRUCTURA (CM)
N°
1 0.280 1 1. Realice el diagrama de dispersión para las vari
2 0.080 2.5
3 0.031 3 DIAGRAMA PARA LAS VARIABLES
4 0.100 1.8
5 0.080 2.3 DEFORMACION ESTRUCTURA (CM) VS AÑ
6 0.110 2.1 4.5
DEFORMACION ESTRUCTURA CM
7 0.030 3.4 4
8 0.120 2.1 3.5
9 0.150 1.6 3
10 0.213 1.4 2.5
11 0.132 1.8 2
12 0.110 2.1 1.5
13 0.080 2.3 1
14 0.220 1.4 0.5
15 0.170 1.5 0
0.000 0.050 0.100 0.150 0.200 0.250
16 0.132 1.8
AÑOS
17 0.081 2.2
18 0.120 2.1
19 0.050 3.5 2. Escriba el modelo de regresión que determina
20 0.030 3.7
21 0.008 4.1 MODELO DE REGRESION CUADRATICO
22 0.080 2.3
23 0.060 3.4 DEFORMACION ESTRUCTURA (CM) VS AÑ
24 0.092 2.1 4.5
25 0.168 1.6 4
26 0.190 1.4 3.5 f(x) = 52.9295583323x^2 - 23.6963895907x + 3.983599
R² = 0.8900869852
27 0.150 1.8 3
28 0.130 2.1 2.5
29 0.180 1.4 2
30 0.170 1.5 1.5
31 0.150 1.8 1
32 0.081 2.2 0.5
33 0.092 2.1 0
0.000 0.050 0.100 0.150 0.200 0.250
AÑOS
1.5
DEFORMACI
1
0.5
0
0.000 0.050 0.100 0.150 0.200 0.250
34 0.050 3
AÑOS
35 0.132 1.8
36 0.080 2.3
37 0.110 2.1
38 0.019 3.4 3. Indique el valor del coeficiente de correlación y
39 0.092 2.1
40 0.190 1.6 y = 52,93x2 - 23,696x + 3,9836
41 0.213 1.4 R² = 0,8901
42 0.150 1.8 coeficiente correlacion 0.9434511
43 0.092 2.1
44 0.110 2.3 4. Determine una predicción para la variable depe
45 0.132 1.8
DEFORMACION DE LA
Año ESTRUCTURA (CM)
46 0.100 2.2
47 0.110 2.1 1 0.163269992
48 0.010 3.5 0.5 0.179469559
49 0.050 3.7 1.5 0.147070424
50 0.008 4.1
51 0.080 2.3 5. Determine el promedio, varianza y desviación d
52 0.019 3.4
AÑOS DEFORMACION DE LA
ESTRUCTURA (CM)
53 0.092 2.1
54 0.130 1.6 # de datos 80 80
55 0.200 1.4 suma datos 183.7 9.7
56 0.110 1.8 Promedio 2.29625 0.121272613
57 0.092 2.1 variancia 0.609360938 0.008384841
58 0.013 3.7 Desviacion 0.780615743 0.091568777
59 0.008 4.1
60 0.072 2.3
61 0.019 3.4
62 0.092 2.1
63 0.150 1.6
64 0.230 1.4
65 0.090 1.8
66 0.150 2.1
67 0.180 1.4
68 0.189 1.5
69 0.132 1.8
70 0.100 2.2
71 0.110 2.1
72 0.050 3
73 0.050 1.8
74 0.072 2.3
75 0.092 2.1
76 0.092 2.1
77 0.013 3.7
78 0.008 4.1
79 0.072 2.3
80 0.019 3.4
evos compuestos que puedan usar en sus construcciones. La compañía que suministra información sobre un tipo de hormigon experim
deformación que tiene el homigon al pasar diferentes lapsos de tiempo.
o (Lineal, exponencial o cuadratico) es el más indicado
en las variables
diente con el modelo de regresión determinado
dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadratico) es el más indi
ARA LAS VARIABLES MODELO DE REGRESION LINEAL
RUCTURA (CM) VS AÑOS DEFORMACION ESTRUCTURA (CM) VS AÑOS

4.5
4
3.5
3 f(x) = - 11.4967353236x + 3.480935611
R² = 0.7885857693
2.5
2
1.5
1
0.5
0
0.150 0.200 0.250 0.300 0.000 0.050 0.100 0.150 0.200 0.250 0.300
AÑOS AÑOS
gresión que determina la relación entre las variables
GRESION CUADRATICO
RUCTURA (CM) VS AÑOS
x^2 - 23.6963895907x + 3.9835990573
0.150 0.200 0.250 0.300

AÑOS
0.150 0.200 0.250 0.300
AÑOS
iciente de correlación y mencione el tipo de relación que tienen las variables
la relacion que se puede analizar es que los

modelos de regresion el mas adecuado para
trabajar es el cuadratico
n para la variable dependiente y una para la variable independiente con el modelo de regresión determinado
varianza y desviación de cada una de las variables
DEFORMACION DE LA
ESTRUCTURA (CM)
80
9.7
0.121272613
0.008384841
0.091568777
un tipo de hormigon experimental para que los ingenieros
uadratico) es el más indicado
MODELO DE REGRESION EXPONENCIAL MODELO DE REG
AÑOS DEFORMACION ESTRUCTURA (CM) VS AÑOS DEFORMACION ESTR

4.5 4.5
4 4
3.5 3.5 f(x) = 52.929558332
f(x) = 3.6340997015 exp( - 4.9704808236 x ) R² = 0.8900869852
3 R² = 0.8721450273 3
2.5 2.5
2 2
1.5 1.5
1 1
0.5 0.5
0 0
50 0.300 0.000 0.050 0.100 0.150 0.200 0.250 0.300 0.000 0.050 0.100
AÑOS
gresión determinado
DEFORMACION ESTRUCTURA (CM) VS AÑOS

4.5
4
3.5 f(x) = 52.9295583323x^2 - 23.6963895907x + 3.9835990573
R² = 0.8900869852
3
2.5
2
1.5
1
0.5
0
0.000 0.050 0.100 0.150 0.200 0.250 0.300
AÑOS
EJERCICIO 6
Una fabrica automotriz quiere establecer una comparación entre dos prototipos de automóviles que se van a lanzar al m
en los que se mede la cantidad de kilómetros recorridos y los galones de gasolina consumidos.
ACTIVIDAD
Realice la comparación para los dos prototipos y determine cuál tiene mejor rendimiento a partir del analisis de regresió
6. Según el análisis de regresión ¿cuál prototipo tiene mejor rendimiento? Explique su respuesta
Prototipo 1 Prototipo 2
PB Galones de Kilometros PB Galones de Kilometros
gasolina recorrido gasolina recorrido
1 7.5 100 1 7.9 100
2 6.9 83 2 6.2 83
GALON
3 12.3 250 3 13.5 250
4 6.1 70 4 5.9 70 500
450
5 11.6 210 5 12.1 210
400
GALONES DE GASOLINA
6 28.9 360 6 30.4 360
350
7 9.3 170 7 9.5 170 300
8 7.1 95 8 6.9 95 250
9 6.3 82 9 7.1 82 200
10 13.4 230 10 12.8 230 150
11 8.4 114 11 9.6 114 100
12 26.8 310 12 28.1 310 50
13 4.1 52 13 3.9 52 0
0
14 5.2 69 14 5.5 69
15 14.5 280 15 14.5 280
16 9.5 160 16 10.1 160
17 12.9 230 17 13.4 230
18 7.6 95 18 7.8 95
19 9.1 122 19 8.9 122
20 26.8 345 20 28.4 345
21 8.2 109 21 8.7 109
22 24.9 312 22 23.7 312 GALON
23 9.9 200 23 10.2 200 500
24 37.9 450 24 34.9 450 450
400
25 8.2 115 25 7.9 115
GALONES DE GASOLINA
350
26 7.2 97 26 7.5 97
300
250
200
150
100
50
0
0
GALONES DE GASOLIN
350
300
250
200
150
100
50
0
0
les que se van a lanzar al mercado para determinar cuál de los dos tiene un mejor desempeño. Para ello, se realizarán diferentes pruebas a
artir del analisis de regresión

eal, exponencial o cuadratico) es el más indicado
e con el modelo de regresión determinado
1. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, expone
DIAGRAMA DE DISPERSION PARA LAS VARIABLES

MODELO DE REGRE
GALONES DE GASOLINA VS KIMETROS RECORRIDO GALONES DE GASOLINA VS

500 500
450 450
400 400 f(x) = 11.9016730546
GALONES DE GASOLINA
GALONES DE GASOLINA
R² = 0.8979130171
350 350
300 300
250 250
200 200
150 150
100 100
50 50
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15
KILOMETRO RECORRIDO KILOMETRO

Entre las variables o medelos de
GALONES DE GASOLINA VS KIMETROS RECORRIDO mas eficiente para este proceso
500 cuadratico donde nos da mejor lo
450
400
GALONES DE GASOLINA
350 f(x) = - 0.340744328x^2 + 24.6406369604x - 55.6611868958

R² = 0.9338823118
300
250
200
150
100
50
0
0 5 10 15 20 25 30 35 40
GALONES DE GASOLIN
350 f(x) = - 0.340744328x^2 + 24.6406369604x - 55.6611868958
R² = 0.9338823118
300
250
200
150
100
50
0
0 5 10 15 20 25 30 35 40
KILOMETRO RECORRIDO
y = -0,3407x2 + 24,641x - 55,661 La variable dependiente

R² = 0,9339 necesita de los datos de
variable independiente
coeficiente correlacion 0.96638502
4. Determine una predicción para la variable dependiente y una para la variable independiente con el mod
Kilometros Galones de gasolina

recorrido
120 8.034559417
220 15.68873899
450 33.293352
Galones de
Kilometros recorrido gasolina
# de datos 26 26
suma datos 4710 330.6
Promedio 181.1538462 12.7153846
variancia 11271.43787 73.6036095
Desviacion 106.1670282 8.5792546
6. Según el análisis de regresión ¿cuál prototipo tiene mejor rendimiento? Explique su respuesta
El prototipo que mejor redimuento es prototipo 2

se realizarán diferentes pruebas a los autos
cuál modelo (Lineal, exponencial o cuadratico) es el más indicado
MODELO DE REGRESION LINEAL MODELO DE REGRESION EXPONENCIAL
GALONES DE GASOLINA VS KIMETROS RECORRIDO GALONES DE GASOLINA VS KIMETROS RECORR

500 500
f(x) = 69.5950934242 exp( 0.0608848295 x )
450 450 R² = 0.7619656924
400 f(x) = 11.9016730546x + 27.62226375 400
GALONES DE GASOLINA
GALONES DE GASOLINA
R² = 0.8979130171
350 350
300 300
250 250
200 200
150 150
100 100
50 50
0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35
KILOMETRO RECORRIDO KILOMETRO RECORRIDO
es
Entre las variables o medelos de regresion la

mas eficiente para este proceso fue el modelo
uadratico donde nos da mejor los resulatados
n que tienen las variables
ble independiente con el modelo de regresión determinado
plique su respuesta
EGRESION EXPONENCIAL MODELO DE REGRESION CUADRATICO
NA VS KIMETROS RECORRIDO GALONES DE GASOLINA VS KIMETROS RECORRIDO

500
50934242 exp( 0.0608848295 x )
656924 450
400
GALONES DE GASOLINA
350 f(x) = - 0.340744328x^2 + 24.6406369604x - 55.6611868958

R² = 0.9338823118
300
250
200
150
100
50
0
15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
LOMETRO RECORRIDO KILOMETRO RECORRIDO
CORRIDO
6611868958
35 40
EJERCICIO 7
El entrenador de un lanzador de bala analiza los resultados de su dirigido para generar estrategias que le permitan pre
de diferentes entrenamientos en los que se mide la longitud (En pies) a la que llega la bala y la altura que alcanza la mi
un modelo que le permita estimar las posibilidades que tiene su dirigido en las próximos juegos olímpicos.
ACTIVIDAD
1. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadra
4. Determine una predicción para la variable dependiente y una para la variable independiente con el modelo de regre
LONGITUD (Pies) ALTURA (Pies)

18 15.72 1. Realice el diagrama de dispersión para las variab
19.5 15.87
20.1 15.90 DIAGRAMA DISPERSION PARA LAS VARIABL
21.1 15.91 INDEPENDIENTE
19.7 15.89
18.5 15.79 LONGITUD (PIES) VS ALTURAS
17.9 15.71 15.95
21.2 15.91 15.90
19.6 15.88 15.85
18.7 15.81
LONGITUD (PIES)
15.80
17.9 15.71 15.75
19.8 15.89 15.70
17.9 15.71 15.65
19.8 15.89 15.60
19.1 15.84 15.55
19.5 15.87 15.50
17 18 19 20 21
18.8 15.82
17.8 15.70 ALTURAS(PIES)
19.6 15.88
20.1 15.90
21.2 15.91
21.3 15.91
21.9 15.89 2. Escriba el modelo de regresión que determina la
20.7 15.92
20.7 15.92 Podemos observar que el R^2 de el modelo cuadratico es =
21.2 15.91 ajuste perfecto
23.2 15.78 MODELO DE REGRESION CUADRAT
19.4 15.87
17.5 15.65 LONGITUD (PIES) VS ALTURAS
18.5 15.79 15.95
18.6 15.80 15.90 f(x) = - 0.024x^2 + 1x + 5.5
15.85 R² = 1
ITUD (PIES)
15.80
15.75
15.70
LONGITUD (PIES) VS ALTURAS
15.95
15.90 f(x) = - 0.024x^2 + 1x + 5.5
15.85 R² = 1
21.2 15.91
LONGITUD (PIES)
22.2 15.87 15.80
21.2 15.91 15.75
20.7 15.92 15.70
18.9 15.83 15.65
17.8 15.70 15.60
20.8 15.92 15.55
21.7 15.90 15.50
17 18 19 20 21
19.8 15.89
ALTURAS(PIES)
19.5 15.87
17.8 15.70
18.9 15.83
20.1 15.90 3. Indique el valor del coeficiente de correlación y m
21.2 15.91
21.3 15.91 y = -0,024x2 + 1x + 5,5
20.7 15.92 R² = 1
21.6 15.90 coeficiente correlacion
22.1 15.88
19.9 15.90
18.5 15.79 4. Determine una predicción para la variable depend
19.6 15.88
LONGITUD ALTURA (Pies)
17.8 15.70 (Pies)
19.6 15.88 1 15.03008402
20.1 15.90 2 15.07354391
21.2 15.91 3 15.1170038
21.1 15.91
20.7 15.92 5. Determine el promedio, varianza y desviación de cada
21.3 15.91
21.3 15.91 LONGITUD (Pies)
# de datos 60
suma datos 1197.4
Promedio 19.95666667
variancia 1.845122222
Desviacion 1.358352761
enerar estrategias que le permitan preparar de la mejor manera a los próximos olímpicos. Para ello utiliza los datos
ega la bala y la altura que alcanza la misma. Con estos datos el entrenador quiere hacer una aproximación y determinar
róximos juegos olímpicos.
l modelo (Lineal, exponencial o cuadratico) es el más indicado
que tienen las variables

independiente con el modelo de regresión determinado
ma de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadratico) es el más
SPERSION PARA LAS VARIABLES DEPENDIENTE Y

INDEPENDIENTE MODELO DE REGRESION LINEAL
ONGITUD (PIES) VS ALTURAS(PIES) LONGITUD (PIES) VS ALTURAS

15.95
f(x) = 0.04345989x + 14.9866241278
15.90 R² = 0.6078023408
15.85
LONGITUD (PIES)
15.80
15.75
15.70
15.65
15.60
15.55
15.50
17 18 19 20 21
18 19 20 21 22 23 24
ALTURAS(PIES) ALTURAS(PIES)
o de regresión que determina la relación entre las variables
ue el R^2 de el modelo cuadratico es =1 y pro consiguiente tiene un

ajuste perfecto
MODELO DE REGRESION CUADRATICo
ONGITUD (PIES) VS ALTURAS(PIES)
= - 0.024x^2 + 1x + 5.5
=1
ONGITUD (PIES) VS ALTURAS(PIES)
= - 0.024x^2 + 1x + 5.5
=1
18 19 20 21 22 23 24
ALTURAS(PIES)
el coeficiente de correlación y mencione el tipo de relación que tienen las variables
24x2 + 1x + 5,5 Podemos observar que el R^2 de el modelo

R² = 1 cuadratico es =1 y pro consiguiente tiene un ajuste
perfecto, que una variable dependiente depende
1 de los datos de la variable independiente
edicción para la variable dependiente y una para la variable independiente con el modelo de regresión determinado
edio, varianza y desviación de cada una de las variables
ALTURA (Pies)
60
951.24
15.85393867
0.005733767
0.07572164
o cuadratico) es el más indicado
DELO DE REGRESION LINEAL MODELO DE REGRESION EXPONENCIAL
D (PIES) VS ALTURAS(PIES) LONGITUD (PIES) VS ALTURAS(PIES)

15.95
4345989x + 14.9866241278 f(x) = 15.0075412441 exp( 0.0027486399 x )
78023408 15.90 R² = 0.6074952713
15.85
LONGITUD (PIES)
15.80
15.75
15.70
15.65
15.60
15.55
15.50
19 20 21 22 23 24 17 18 19 20 21 22 23
ALTURAS(PIES) ALTURAS(PIES)
e regresión determinado
ON EXPONENCIAL MODELO DE REGRESION CUADRATICA
S ALTURAS(PIES) LONGITUD (PIES) VS ALTURAS(PIES)

15.95
0.0027486399 x )
15.90 f(x) = - 0.024x^2 + 1x + 5.5
15.85 R² = 1
LONGITUD (PIES)
15.80
15.75
15.70
15.65
15.60
15.55
15.50
0 21 22 23 24 17 18 19 20 21 22 23 24
RAS(PIES) ALTURAS(PIES)
TICA
S(PIES)
22 23 24
EJERCICIO 8
Un grupo de ingenieros experimantaban en el prototipo de una nueva maquina. Dicha experimentación pretendía de
voltaje se obtenian los mejores rendimientos en el funcionamiento de la maquina. Para ello contrastaban la cantidad
entre mayor temperatura tenga la maquina mejor rendimiento tiene, por eso requieren de saber de un modelo que
ACTIVIDAD
1. Realice el diagrama de dispersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuad
4. Determine una predicción para la variable dependiente y una para la variable independiente con el modelo de reg
Temperatura
VOLTAJE (Grados
(Amperios) centigrados)
1. Realice el diagrama de dispersión para las variables
1.2 11.96
7.5 32.75
2.9 25.39
9.8 20.56
7.7 32.11 Diagrama de dispersion para las variables
2.5 22.75 45
9.4 23.44 40
3.2 27.16 35
voltaje (amperios)
8.5 28.75 30
9.4 23.44 25
3.2 27.16 20
5.5 34.75 15
4.6 33.04 10
4.7 33.31 5
5.2 34.36 0
0 2 4 6 8 1
8.6 28.24
Temperatura ( °C)
10.7 12.91 2. Escriba el modelo de regresión que determina la relación
10.6 13.84
3.2 24.67
5.4 33.93
6.5 36.46 2. Escriba el modelo de regresión que determina la relación
3.6 33.57
6.5 32.45 La variable pendiente depende los datos de la variable i
4.4 28.75
8.7 27.78 MODELO REGRESION CUADRATICo
9.5 22.64
10.7 13.12 VOLTAJE (AMPERIOS) VS TEMPERATURA (°C)
8.7 26.72 45
0.5 3.76 40
1.2 10.78 35
f(x) = - 1.0088455807x^2 + 12.0927761449x - 1.07002438
voltaje (amperios)
2.8 26.8 30
R² = 0.9785367585
25
10.8 11.52 20
15
10
5
35
f(x) = - 1.0088455807x^2 + 12.0927761449x - 1.07002438
voltaje (amperios)
30
R² = 0.9785367585
25
20
5.5 37.86 15
5.6 38.93 10
10.7 13.83 5
3.4 28.97 0
0 2 4 6 8 10
10.2 17.36
2.3 21.31 Temperatura ( °C)
1.9 18.19
1.5 14.75
11.1 8.99 3. Indique el valor del coeficiente de correlación y mencione
10.3 16.51
8.2 30.16 y = -1,0088x2 + 12,093x - 1,07
7.5 32.75 R² = 0,9785
7.5 32.75 coeficiente correlacion 0.98919159
6.4 34.84
5.8 34.96 4. Determine una predicción para la variable dependiente y
6.3 34.91
Temperatura
VOLTAJE (Grados
(Amperios)
3.9 30.59 centigrados)
3.6 29.24 1 25.76617314
10.2 17.36 2 25.60581914
10.1 18.19 3 25.44546514
4.9 33.79
3.5 28.75
4.7 33.31 5. Determine el promedio, varianza y desviación de cada un
8.9 26.59
7.6 32.44
VOLTAJE Temperatura (Grados
7.7 32.11 (Amperios) centigrados)
1.9 18.19 # de datos 72 72
0.5 4.75 suma datos 446.2 1,795.16
0.9 8.99 Promedio 6.197222222 24.93277778
1.1 10.99 variancia 10.10415895 82.17225062
10.9 10.99 Desviacion 3.178703973 9.064891098
3.6 33.57
6.5 32.45
4.4 28.75
8.7 27.78
11.1 8.99
10.3 16.51
8.2 30.16
7.5 32.75
3.6 31.98
icha experimentación pretendía determinar los picos de rendimiento del prototipo y observar para que cantidades
Para ello contrastaban la cantidad de voltaje y la temperatura que alcanzaba esta. Los ingenieros estiman que
ieren de saber de un modelo que les permita observar los voltajes que promueven el mejor rendimiento
modelo (Lineal, exponencial o cuadratico) es el más indicado
e tienen las variables

dependiente con el modelo de regresión determinado
spersión para las variables estudiadas y verifique cuál modelo (Lineal, exponencial o cuadratico) es el más
indicado
MODELO REGRESION LINEAL

spersion para las variables
VOLTAJE (AMPERIOS) VS TEMPERATURA (°C)
45
40
35
voltaje (amperios)
30
25
f(x) = - 0.160353998x + 25.9265271375
20
R² = 0.0031618013
15
10
5
6 8 10 12
0
Temperatura ( °C) 0 2 4 6 8 10 1
egresión que determina la relación entre las variables
Temperatura ( °C)
ión que determina la relación entre las variables
depende los datos de la variable independiente
SION CUADRATICo
VS TEMPERATURA (°C) Es el modelo cuadratico que me muestra con

mas presion los resultados de las variables para
determinar mejos datos significativos
x^2 + 12.0927761449x - 1.0700243882

x^2 + 12.0927761449x - 1.0700243882
6 8 10 12
mperatura ( °C)
nte de correlación y mencione el tipo de relación que tienen las variables
ara la variable dependiente y una para la variable independiente con el modelo de regresión determinado
anza y desviación de cada una de las variables
Temperatura (Grados
centigrados)
72
1,795.16
24.93277778
82.17225062
9.064891098
que cantidades
stiman que
ncial o cuadratico) es el más
GRESION LINEAL MODELO REGRESION EXPONENCIAL
) VS TEMPERATURA (°C) VOLTAJE (AMPERIOS) VS TEMPERATURA (°C)

45
40
35
voltaje (amperios)
30
25
8x + 25.9265271375
20 f(x) = 22.030469733 exp( 0.0043854733 x )
15 R² = 0.0008018242
10
5
0
6 8 10 12 0 2 4 6 8 10 12
mperatura ( °C) Temperatura ( °C)
regresión determinado
URA (°C) VOLTAJE (AMPERIOS) VS TEMPERATURA (°C)

45
40
35
f(x) = - 1.0088455807x^2 + 12.0927761449x - 1.0700243882
voltaje (amperios)
30
R² = 0.9785367585
25
x) 20
15
10
5
0
10 12 0 2 4 6 8 10 12
Temperatura ( °C)

Taller Modelos de Regresión Probabilidad

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Taller Modelos de Regresión Probabilidad

Diunggah oleh

Hak Cipta:

Format Tersedia

EJERCICIO 1

NÚMERO DE HABITANTES PROMEDIO DE INGRESO 1. Realice el diagrama de dispersión para l

32 325 526,250 2000000

modelo (Lineal, exponencial o cuadratico) es el más indicado

ue tienen las variables. Explique su respuesta

DIAGRAMA DE DISPERSION PARA LA VARIABLES

riba el modelo de regresión que determina la relación entre las variables

MODELO DE REGRESION LINEAL

MERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL NUMERO DE HABITANTE VS PR

MODELO REGRESION LINEAL MODELO REGRESION EXPONENCIAL

termine el promedio, varianza y desviación de cada una de las variables

SION LINEAL MODELO DE REGRESION EXPONENCIAL MODELO DE REGRESION CU

MODELO REGRESION EXPONENCIAL MODELO REGRESION CUA

NUMERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL NUMERO DE HABITANTE VS PROMEDIO

delo cuadrático es el mayor y con esto se puede

ables. Explique su respuesta

MODELO REGRESION CUADRATICA

tos de la otra variable

elo de regresión determinado

NUMERO DE HABITANTE VS PROMEDIO DE INGRESO MENSUAL

MODELO REGRESION CUADRATICA

E HABITANTE VS PROMEDIO DE INGRESO MENSUAL

1 8 2 1. Realice el diagrama de dispersión para

30 f(x) = 0.0001093245x^2 + 0.3419067996x

en las variables. Explique su respuesta

MA DE DISPERSION PARA LA VARIABLE NUMERO DE INFRACCIONES VS AÑOS DE EXPERENCIA

odelo de regresión que determina la relación entre las variables

MODELO REGRESION CUADRATICA

CIONES VS AÑOS DE EXPERENCIA CONDUCTOR

oeficiente de correlación y mencione el tipo de relación que tienen las variables.

medio, varianza y desviación de cada una de las variables

ONES VS AÑOS DE EXPERENCIA CONDUCTOR NUMERO DE INFRACCIONES VS AÑOS DE EXPERENCIA CONDUCT

AÑOS DE EXPERIENCIA CONDUCTOR AÑOS DE EXPERIENCIA CONDUCTOR

OS DE EXPERENCIA CONDUCTOR NUMERO DE INFRACCIONES VS AÑOS DE EXPERENCIA CONDUCTOR

1 100 2150 1 100 2000

3. Indique el valor del co

partir del analisis de regresión

nte con el modelo de regresión determinado

DIAGRAMADE DISPERSION PARA LAS VARIABLES METROS VS CALO

12000 12000 f(x) = 12.9586203645x + 2190.0

. Escriba el modelo de regresión que determina la relación entre las variables

MODELO DE REGRESION CUADRATICO

la variable dependiete depende de los daros de la vaiable independiete

. Determine el promedio, varianza y desviación de cada una de las variables

cial o cuadratico) es el más indicado

MODELO DE REGRESION LINEAL MODELO DE REGRESION EXPONENCIAL

METROS VS CALORIAS METROS VS CALORIAS

iables que determina metros vs

METROS VS CALORIAS METROS VS CALORIAS

0 500 600 700 800 900

5 10 1. Realice el diagrama de dispersión para las variables estudiadas y

5 f(x) = - 0.0863282697x + 6.7628751389

FALLA O ACCIDENTES DE MAQUINAS

eal, exponencial o cuadratico) es el más indicado

variables. Explique su respuesta

MODELO DE REGRESION LINEAL

5 f(x) = - 0.0863282697x + 6.7628751389

ermina la relación entre las variables

MANIPULAN LA MAQUINAS Se puede evidenciar y

e dependiente y una para la variable independiente con el modelo de regresión determinado

MODELO DE REGRESION EXPONENCIAL

FALLAS DE LA MAQUINAS VS # EMPLEADOS QUE MANIPULAN LA MAQUINAS FALLAS DE

FALLA O ACCIDENTES DE MAQUINAS

FALLAS DE LA MAQUINAS VS # EMPLEADOS QUE MANIPULAN LA MAQUINAS