Informe de laboratorio Nro.

2
1.-
Regresión
Estadísticos descriptivos
Desv.
Media Desviació N
n
Gramos de sal por
2.000 .7906 5
cada 1000 galletas
166060 23208.14
Ingresos en soles 5
.00 5

Correlaciones
Gramos Ingresos en
de sal por soles
cada 1000
galletas
Correlación de gramos de sal por 1.000 .984
Pearson cada 1000 galletas
Ingresos en soles .984 1.000
Sig. (unilateral) gramos de sal por . .001
cada 1000 galletas
Ingresos en soles .001 .
N gramos de sal por 5 5
cada 1000 galletas
Ingresos en soles 5 5

Variables entradas/eliminadasa
Variables
Mod Variables Métod
eliminada
elo entradas o
s
Ingresos Introd
1 b .
en soles ucir
a. Variable dependiente: gramos de sal por
cada 1000 galletas
b. Todas las variables solicitadas
introducidas.
 Resumen del modelo
Mod R R R Error estándar
elo cuadrad cuadrado de la
o ajustado estimación
1 .984a .968 .957 .1638

a. Predictores: (Constante), Ingresos en soles

ANOVAa
Media
Suma de
Modelo gl cuadrátic F Sig.
cuadrados
a
Regres 90.21
2.420 1 2.420 .002b
ión 9
1 Residu
.080 3 .027
o
Total 2.500 4
a. Variable dependiente: gramos de sal por cada 1000 galletas
b. Predictores: (Constante), Ingresos en soles

Coeficientesa
Modelo Coeficientes no Coeficien T Sig.
estandarizados tes
estandariz
ados
B Desv. Beta
Error
1 (Constante) -3.565 .590 - .009
6.038
Ingresos en 3.351E-5 .000 .984 9.498 .002
soles

a. Variable dependiente: gramos de sal por cada 1000 galletas

Gráfico
A partir de tales cifras se quiere conocer
a) Plantee un modelo de regresión lineal para expresar la relación entre las variables.
Respuesta:
Y = -3.56 + 3.35E-5(X)
b) Si el propietario desea unos ingresos de 160000 soles. ¿Qué cantidad de sal debería
de aportar por cada mil galletas?
Respuesta:
La cantidad de sal que debería de aportar por cada mil galletas si desea unos
ingresos de 160000 es de 1.8 gr de sal.

2.-
Regresión

Estadísticos descriptivos
Desv.
Medi
Desviació N
a
n
Peso por
84.00 3.674 5
Semana
Número de
3.00 1.581 5
Semana
Correlaciones
Peso por Número
Semana de
Semana
 Correlación de Peso por 1.000 -.990
Pearson Semana
Número de -.990 1.000
Semana
Sig. (unilateral) Peso por . .001
Semana
Número de .001 .
Semana
N Peso por 5 5
Semana
Número de 5 5
Semana

Variables entradas/eliminadasa
Variables
Mod Variables Métod
eliminada
elo entradas o
s
Número
Introd
1 de .
ucir
Semanab

a. Variable dependiente: Peso por Semana

b. Todas las variables solicitadas
introducidas.

Resumen del modelo

Error
R R estándar
Mod
R cuadrad cuadrado de la
elo
o ajustado estimació
n
1 .990a .980 .973 .606

a. Predictores: (Constante), Número de Semana

ANOVAa
 Modelo Suma de gl Media F Sig.
cuadrados cuadrátic
a
1 Regres 52.900 1 52.900 144.2 .001b
ión 73
Residu 1.100 3 .367
o
Total 54.000 4

a. Variable dependiente: Peso por Semana

b. Predictores: (Constante), Número de Semana

Coeficientesa
Coeficien
Coeficientes no tes
estandarizados estandariz
Modelo T Sig.
ados
Desv.
B Beta
Error
143.1
(Constante) 90.900 .635 .000
30
1 -
Número de
-2.300 .191 -.990 12.01 .001
Semana
1

a. Variable dependiente: Peso por Semana

Gráfico
a) Calcular el coeficiente de correlación lineal e interpretarlo.
Respuesta:
El coeficiente de correlación tiene un valor de - 0.99, esto quiere decir que las variables
x,y presentan una variación en sentido contrario, la correlación lineal es decreciente o
negativa.
A medida que el número de semanas va en aumento, el peso de la persona va
disminuyendo.

b) ¿Qué peso es de esperar que alcance esa persona si sigue la dieta de 2 semanas más?
Respuesta:
El peso esperado con dos semanas de dieta es de 74.8 kg.

C) Escriba la ecuación de regresión lineal

Respuesta:
Y = 90.9 - 2.3(X)

3.-
Regresión
Estadísticos descriptivos
Desv.
Medi
Desviació N
a
n
Calificación
6.300 1.4832 5
Obtenida
Número de horas
20.60 8.933 5
dedicadas

Correlaciones
Calificaci Número
ón de horas
Obtenida dedicadas
Correlación de Calificación 1.000 .945
Pearson Obtenida
Número de horas .945 1.000
dedicadas
 Sig. (unilateral) Calificación . .008
Obtenida
Número de horas .008 .
dedicadas
N Calificación 5 5
Obtenida
Número de horas 5 5
dedicadas

Variables entradas/eliminadasa
Mod Variables Variables Métod
elo entradas eliminada o
s
1 Número . Introd
de horas ucir
dedicadas
b

a. Variable dependiente: Calificación

Obtenida
b. Todas las variables solicitadas
introducidas.

Resumen del modelo

Mod R R R Error
elo cuadrad cuadrado estándar
o ajustado de la
estimació
n
1 .945a .894 .858 .5587

a. Predictores: (Constante), Número de horas

dedicadas

ANOVAa
Modelo Suma de gl Media F Sig.
cuadrados cuadrátic
a
1 Regres 7.863 1 7.863 25.18 .015b
ión 8
 Residu .937 3 .312
o
Total 8.800 4

a. Variable dependiente: Calificación Obtenida

b. Predictores: (Constante), Número de horas dedicadas

Coeficientesa
Modelo Coeficientes no Coeficien T
estandarizados tes
estandariz
ados
B Desv. Beta
Error
1 (Constante) 3.067 .691 4.438
Número de horas .157 .031 .945 5.019
dedicadas

Coeficientesa
Modelo Sig.

1 (Constante) .021
Número de horas dedicadas .015

a. Variable dependiente: Calificación Obtenida

Gráfico
a) Calcular el coeficiente de correlación lineal e interpretar su valor.
Respuesta:
El coeficiente de correlación tiene un valor de 0.94, esto quiere decir que las variables
X,Y presentan una variación en el mismo sentido, la correlación lineal es creciente o
positiva.
A más horas de estudio, la calificación obtenida será mayor.

b) Calcular la recta de regresión de Y sobre X

Respuesta:
Y = 3.07 + 0.16(X)

c) Calcular la calificación estimada para una persona de hubiese estudiado 28 horas

Respuesta:
La calificación estimada es de 7.55
4.-
Análisis de mínimos cuadrados en dos fases
Descripción del modelo
Tipo de
variable
Precio dependiente
Ecuació
Produccion_de predictor e
n1
_Trigo instrumental

Resumen del modelo

Ecuació R múltiple .847
n1 R cuadrado .718
R cuadrado .682
ajustado
Error estándar de 5.098
la estimación

ANOVA
Suma de gl Media F Sig.
cuadrados cuadrátic
a
 Ecuaci Regres 528.475 1 528.475 20.333 .002
ón 1 ión
Residu 207.925 8 25.991
o
Total 736.400 9

Coeficientes
Coeficientes no Beta T Sig.
estandarizados
B Desv.
Error
Ecuaci (Constante) 74.115 8.736 8.484 .000
ón 1 Produccion_de -1.354 .300 -.847 - .002
_Trigo 4.509

Correlaciones de coeficiente
Producción
_de_Trigo
Ecuació Covaria Produccion_de .090
n1 nzas _Trigo

Gráfico
a) Ajustar la recta de regresión por el método de mínimos cuadrados
Respuesta:
Y = 74.12 - 1.75(X)

b) Calcular el coeficiente de correlación lineal e interpretar su valor

Respuesta:
El coeficiente de correlación tiene un valor de -0.84, esto quiere decir que las variables
X,Y presentan una variación en sentido contrario, la correlación lineal es decreciente o
negativa.
A mayor producción de trigo por toneladas le corresponde menor precio del kilo de
harina en soles.

c) Calcular el error estándar de la estimación

Respuesta:
El error es de 5.098
5.-
Regresión
Variables entradas/eliminadasa
Variables
Mod Variables Métod
eliminada
elo entradas o
s
Horas
Introd
1 Trabajada .
ucir
sb

a. Variable dependiente: Unidades

Producidas
b. Todas las variables solicitadas
introducidas.

Resumen del modelo

 Mod R R R Error
elo cuadrad cuadrado estándar
o ajustado de la
estimació
n
1 .954a .910 .901 9.466

a. Predictores: (Constante), Horas Trabajadas

ANOVAa
Modelo Suma de gl Media F Sig.
cuadrados cuadrátic
a
1 Regres 9072.532 1 9072.532 101.2 .000b
ión 41
Residu 896.135 10 89.613
o
Total 9968.667 11

a. Variable dependiente: Unidades Producidas

b. Predictores: (Constante), Horas Trabajadas

Coeficientesa
Modelo Coeficientes no Coeficien T Sig.
estandarizados tes
estandariz
ados
B Desv. Beta
Error
1 (Constante) 31.741 27.064 1.173 .268
Horas 3.473 .345 .954 10.06 .000
Trabajadas 2

a. Variable dependiente: Unidades Producidas

Gráfico
a) Determinar la recta de regresión de Y sobre X.
Y = 31.74 + 3.47(X)
Respuesta:

b) Determinar el coeficiente de correlación lineal e interpretarlo.

Respuesta:
El coeficiente de correlación tiene un valor de 0.95, esto quiere decir que las variables
X,Y presentan una variación en un mismo sentido , la correlación lineal es positiva o
creciente.
A más horas de trabajo, las unidades producidas serán mayor.
6.-
Regresión
Estadísticos descriptivos
Medi Desv. N
a Desviació
n
Dureza de los 1469. 801.517 36
árboles 47
Densidad 45.73 13.5801 36
3
 Correlaciones
Dureza de Densid
los ad
árboles
Correlación de Dureza de los 1.000 .974
Pearson árboles
Densidad .974 1.000
Sig. (unilateral) Dureza de los . .000
árboles
Densidad .000 .
N Dureza de los 36 36
árboles
Densidad 36 36

Variables entradas/eliminadasa
Mod Variables Variables Métod
elo entradas eliminada o
s
b
1 Densidad . Introd
ucir

a. Variable dependiente: Dureza de los

árboles
b. Todas las variables solicitadas
introducidas.

Resumen del modelo

Mod R R R Error
elo cuadrad cuadrado estándar
o ajustado de la
estimació
n
1 .974a .949 .948 183.059

a. Predictores: (Constante), Densidad

ANOVAa
Modelo Suma de gl Media F Sig.
cuadrados cuadrátic
a
 1 Regres 21345674 1 21345674 636.9 .000b
ión .496 .496 79
Residu 1139366. 34 33510.77
o 476 9
Total 22485040 35
.972

a. Variable dependiente: Dureza de los árboles

b. Predictores: (Constante), Densidad

Coeficientes
Modelo Coeficientes no Coeficien t Sig.
estandarizados tes
estandariz
ados
B Desv. Beta
Error
1 (Consta -1160.500 108.580 - .000
nte) 10.68
8
Densida 57.507 2.279 .974 25.23 .000
d 8

a. Variable dependiente: Dureza de los árboles

Gráfico
a) Estudiar el modelo de regresión lineal de Y respecto a X.
Y= 1.16E3 + 57.51(X)

b) Calcular el coeficiente de correlación lineal e interpretar su valor.

El coeficiente de correlación tiene un valor de 0.94, esto quiere decir que las variables
X,Y presentan una variación en un mismo sentido , la correlación lineal es positiva o
creciente.
Mientras mayor sea la densidad de un árbol, mayor será su dureza de los árboles.

7.-
----Peso frente a altura----

Regresión

Estadísticos descriptivos
Media Desv. N
Desviación
Peso(Kg 36.17 7.697 30
)
Altura(c 140.50 25.098 30
m)

Correlaciones
Peso(Kg) Altura(cm)
Peso(Kg) 1.000 .093
Correlación de Pearson
Altura(cm) .093 1.000
Peso(Kg) . .312
Sig. (unilateral)
Altura(cm) .312 .
Peso(Kg) 30 30
N
Altura(cm) 30 30

Variables entradas/eliminadasa
Mode Variables Variables Método
lo entradas eliminadas
b
1 Altura(cm) . Introdu
cir
a. Variable dependiente: Peso(Kg)
b. Todas las variables solicitadas introducidas.

Resumen del modelo

Mode R R R cuadrado Error
lo cuadrado ajustado estándar de
la
estimación
a
1 .093 .009 -.027 7.799
a. Predictores: (Constante), Altura(cm)

ANOVAa
Modelo Suma de gl Media F Sig.
cuadrados cuadrática
1 Regresió 14.945 1 14.945 .246 .624b
n
Residuo 1703.222 28 60.829
Total 1718.167 29
a. Variable dependiente: Peso(Kg)
b. Predictores: (Constante), Altura(cm)
 Coeficientesa
Modelo Coeficientes no Coeficiente t Sig.
estandarizados s
estandariza
dos
B Desv. Error Beta
1 (Constant 32.148 8.232 3.905 .001
e)
Altura(c .029 .058 .093 .496 .624
m)
a. Variable dependiente: Peso(Kg)

Gráfico

-----Altura frente al peso-----

Regresión

Estadísticos descriptivos
Media Desv. N
Desviación
Altura(c 140.50 25.098 30
m)
Peso(Kg 36.17 7.697 30
)

Correlaciones
Altura(c Peso(K
m) g)
Correlación de Altura(c 1.000 .093
Pearson m)
Peso(Kg .093 1.000
)
Sig. (unilateral) Altura(c . .312
m)
Peso(Kg .312 .
)
N Altura(c 30 30
m)
Peso(Kg 30 30
)

Variables entradas/eliminadasa
Mode Variables Variables Método
lo entradas eliminadas
b
1 Peso(Kg) . Introdu
cir
a. Variable dependiente: Altura(cm)
b. Todas las variables solicitadas introducidas.

Resumen del modelo

Mode R R R cuadrado Error
lo cuadrado ajustado estándar de
la
estimación
a
1 .093 .009 -.027 25.431
a. Predictores: (Constante), Peso(Kg)

ANOVAa
Modelo Suma de gl Media F Sig.
cuadrados cuadrática
1 Regresió 158.894 1 158.894 .246 .624b
n
Residuo 18108.606 28 646.736
Total 18267.500 29
 a. Variable dependiente: Altura(cm)
b. Predictores: (Constante), Peso(Kg)

Coeficientesa
Modelo Coeficientes no Coeficiente t Sig.
estandarizados s
estandariza
dos
B Desv. Error Beta
1 (Constant 129.502 22.670 5.713 .000
e)
Peso(Kg) .304 .614 .093 .496 .624
a. Variable dependiente: Altura(cm)
Gráfico

a) Dibujar la gráfica de estas observaciones y calcular la recta de regresión de peso frente

a altura y altura frente a peso
Respuesta:
Ecuación 1.- Y= 32.15 + 0.03(X)

Ecuación 2.- Y= 1.3E2 + 0.3(X)

b) Calcular el coeficiente de correlación lineal e interpretar su valor.

Respuesta:
El coeficiente de correlación es 0.09 en ambas gráficas, en ambos casos el coeficiente es
positivo, a mayor altura mayor peso y a mayor peso mayor altura.