La relación entre los años de experiencia de los vendedores y sus ventas mensuales puede explicarse mediante un modelo de regresión lineal. La ecuación estimada es Y= 3.5X + 11.5, lo que indica que las ventas aumentan en promedio 3.5 miles de soles por cada año adicional de experiencia. El modelo tiene un buen ajuste a los datos con un coeficiente de determinación de 0.71. Según el modelo, las ventas estimadas de un vendedor con 40 años de experiencia serían de aproximadamente 143.5 miles de soles.
CLASE 1 Conceptos de interpolación y ajuste de curvas METODO DE MINIMOS CUADR...JOSUEELIASLOPEZHERNA
Este documento resume conceptos clave sobre ajuste de curvas y regresión lineal. Existen dos métodos generales para ajustar curvas a datos: considerando o no el error en los datos. Si hay error significativo, se traza una curva que represente la tendencia general. Si no, se intersecan los puntos. La regresión por mínimos cuadrados construye una curva que siga la tendencia general de los puntos. Manualmente es subjetivo, mientras que los mínimos cuadrados producen resultados objetivos.
Regresión lineal,ajuste de curva,tipos de regresión linealmiguelescobarrivero
El documento describe la técnica de regresión lineal para identificar relaciones funcionales entre variables. Explica que la regresión lineal permite pronosticar valores promedios de una variable dependiente (Y) en términos de otra variable independiente (X). También cubre los tipos de modelos de regresión lineal simple y múltiple.
El documento trata sobre el análisis de correlación y regresión. Explica que el análisis de correlación mide el grado de asociación entre variables cuantitativas, mientras que el análisis de regresión determina la relación funcional entre dos variables para hacer predicciones. Además, describe cómo calcular el coeficiente de correlación de Pearson, la pendiente y el intercepto de la recta de regresión usando el método de mínimos cuadrados.
Regresión simple y correlación - EstadísticaalexySantana1
Este documento trata sobre conceptos de regresión lineal simple y correlación. Explica que la regresión lineal simple analiza la relación entre una variable dependiente y una independiente. Incluye fórmulas para calcular la pendiente, ordenada al origen, coeficiente de correlación y coeficiente de determinación. También presenta un ejemplo práctico para ilustrar cómo aplicar estos conceptos y calcular un modelo de regresión.
Este documento presenta conceptos estadísticos como el coeficiente de correlación de Pearson (r), el coeficiente de determinación (r2), la regresión lineal simple y su uso en la calculadora. Explica que r mide la relación lineal entre variables cuantitativas y que r2 indica el porcentaje de variabilidad de una variable explicada por la otra. También describe cómo la regresión lineal permite predecir valores de una variable en base a otra.
Este documento describe el modelo de regresión lineal, el cual modela la relación entre una variable dependiente y una o más variables independientes. Explica que la regresión lineal puede ser simple, con una sola variable independiente, o múltiple, con múltiples variables independientes. También cubre conceptos como los parámetros de regresión, las hipótesis del modelo de regresión lineal clásico, y los tipos de regresión lineal.
Este documento describe el análisis de regresión lineal simple, incluyendo cómo calcular la ecuación de la recta de regresión, el coeficiente de regresión y el coeficiente de determinación. También presenta un ejemplo para ilustrar cómo predecir valores utilizando un modelo de regresión lineal derivado de datos experimentales sobre el efecto de una droga en el ritmo cardiaco.
La relación entre los años de experiencia de los vendedores y sus ventas mensuales puede explicarse mediante un modelo de regresión lineal. La ecuación estimada es Y= 3.5X + 11.5, lo que indica que las ventas aumentan en promedio 3.5 miles de soles por cada año adicional de experiencia. El modelo tiene un buen ajuste a los datos con un coeficiente de determinación de 0.71. Según el modelo, las ventas estimadas de un vendedor con 40 años de experiencia serían de aproximadamente 143.5 miles de soles.
CLASE 1 Conceptos de interpolación y ajuste de curvas METODO DE MINIMOS CUADR...JOSUEELIASLOPEZHERNA
Este documento resume conceptos clave sobre ajuste de curvas y regresión lineal. Existen dos métodos generales para ajustar curvas a datos: considerando o no el error en los datos. Si hay error significativo, se traza una curva que represente la tendencia general. Si no, se intersecan los puntos. La regresión por mínimos cuadrados construye una curva que siga la tendencia general de los puntos. Manualmente es subjetivo, mientras que los mínimos cuadrados producen resultados objetivos.
Regresión lineal,ajuste de curva,tipos de regresión linealmiguelescobarrivero
El documento describe la técnica de regresión lineal para identificar relaciones funcionales entre variables. Explica que la regresión lineal permite pronosticar valores promedios de una variable dependiente (Y) en términos de otra variable independiente (X). También cubre los tipos de modelos de regresión lineal simple y múltiple.
El documento trata sobre el análisis de correlación y regresión. Explica que el análisis de correlación mide el grado de asociación entre variables cuantitativas, mientras que el análisis de regresión determina la relación funcional entre dos variables para hacer predicciones. Además, describe cómo calcular el coeficiente de correlación de Pearson, la pendiente y el intercepto de la recta de regresión usando el método de mínimos cuadrados.
Regresión simple y correlación - EstadísticaalexySantana1
Este documento trata sobre conceptos de regresión lineal simple y correlación. Explica que la regresión lineal simple analiza la relación entre una variable dependiente y una independiente. Incluye fórmulas para calcular la pendiente, ordenada al origen, coeficiente de correlación y coeficiente de determinación. También presenta un ejemplo práctico para ilustrar cómo aplicar estos conceptos y calcular un modelo de regresión.
Este documento presenta conceptos estadísticos como el coeficiente de correlación de Pearson (r), el coeficiente de determinación (r2), la regresión lineal simple y su uso en la calculadora. Explica que r mide la relación lineal entre variables cuantitativas y que r2 indica el porcentaje de variabilidad de una variable explicada por la otra. También describe cómo la regresión lineal permite predecir valores de una variable en base a otra.
Este documento describe el modelo de regresión lineal, el cual modela la relación entre una variable dependiente y una o más variables independientes. Explica que la regresión lineal puede ser simple, con una sola variable independiente, o múltiple, con múltiples variables independientes. También cubre conceptos como los parámetros de regresión, las hipótesis del modelo de regresión lineal clásico, y los tipos de regresión lineal.
Este documento describe el análisis de regresión lineal simple, incluyendo cómo calcular la ecuación de la recta de regresión, el coeficiente de regresión y el coeficiente de determinación. También presenta un ejemplo para ilustrar cómo predecir valores utilizando un modelo de regresión lineal derivado de datos experimentales sobre el efecto de una droga en el ritmo cardiaco.
Este documento introduce el concepto de regresión lineal simple, que estudia la asociación entre dos variables cuantitativas mediante el cálculo de una recta de ajuste. Explica que la regresión lineal determina la ecuación de una recta que mejor se ajusta a los valores de muestra para predecir una variable (dependiente) en función de otra (independiente). También define conceptos clave como covarianza, coeficiente de correlación, pendiente, punto de corte y error residual.
Este documento presenta los conceptos básicos de regresión lineal y correlación. Explica que la regresión lineal analiza la relación entre una variable dependiente y una independiente para estimar los valores de la variable dependiente en base a la independiente. También describe cómo calcular el coeficiente de correlación de Pearson para medir el grado de relación lineal entre dos variables, y cómo obtener la ecuación de regresión lineal que mejor se ajusta a los datos mediante el método de mínimos cuadrados. Finalmente, presenta un ejemplo práctico para ilustrar
El documento presenta los conceptos de correlación y regresión lineal. Explica que la correlación mide la relación entre dos variables mediante el coeficiente de correlación de Pearson (r) y que la regresión lineal busca predecir los valores de una variable en función de otra(s). Además, incluye un caso práctico donde se analiza la relación entre la estatura de los padres y sus hijos mediante un diagrama de dispersión, el cálculo de r y los parámetros de la recta de regresión.
clases de estadistica. Covarianza: Una medida del grado en que dos variables aleatorias se mueven en la misma dirección o en direcciones opuestas la una respecto a la otra.
Este documento presenta cuatro ejercicios sobre el cálculo y la interpretación del coeficiente de correlación de Pearson entre diferentes variables. En el primer ejercicio, se calcula la correlación entre el peso y las horas dedicadas al deporte, entre cigarrillos fumados y nota de acceso, y entre peso y altura. En el segundo y tercer ejercicio, se calcula la correlación entre peso y edad, y entre notas de matemáticas y lengua, respectivamente. En cada caso, se analiza si la correlación es significativa estadísticamente.
La Técnica de Análisis de Regresión permite determinar la relación de una o más variables independientes con una variable dependiente. Tiene dos objetivos principales, el primero, ver si hay relación entre las variables y el segundo, determinar el mejor modelo matemático que las relaciona.
Este documento explica los conceptos de regresión y correlación lineal simple. Define el coeficiente de correlación de Pearson (r) y cómo medir la fuerza de la relación entre dos variables cuantitativas. También cubre el análisis de regresión lineal, incluyendo cómo estimar los parámetros a y b de la ecuación de la recta de regresión y cómo predecir valores de la variable dependiente. Finalmente, presenta un ejemplo numérico para ilustrar cómo aplicar estos conceptos estadísticos.
Este documento presenta 6 ejercicios que calculan el coeficiente de correlación de Pearson entre diferentes variables para determinar si existe correlación. El primer ejercicio encuentra una correlación baja entre el peso y las horas de deporte. El segundo halla una alta correlación negativa entre cigarrillos y nota. El tercero muestra una alta correlación positiva entre peso y altura en una muestra limitada.
El documento presenta 6 ejercicios sobre el cálculo y análisis del coeficiente de correlación de Pearson entre diferentes variables. En el ejercicio 1 se encuentra una correlación baja y positiva entre el peso y las horas de deporte. En el ejercicio 2 hay una correlación alta y negativa entre el número de cigarrillos y la nota de acceso. En el ejercicio 3 la correlación entre el peso y la altura es alta. En el ejercicio 5 existe una correlación positiva casi perfecta y significativa entre la edad y el peso de los niños. Finalmente, en el
El documento describe el método de regresión lineal para estudiar la relación entre una variable independiente (X) y una variable dependiente (Y). Explica que la relación se puede modelar mediante una ecuación de regresión de la forma Y = β0 + β1X, donde β0 es la ordenada al origen y β1 es la pendiente. El método de los mínimos cuadrados se utiliza para estimar los coeficientes β0 y β1 que hacen que la suma de los cuadrados de los errores sea mínima.
Este documento presenta los conceptos básicos de regresión y correlación simple. Explica cómo utilizar diagramas de dispersión para visualizar la relación entre dos variables, e identificar si la relación es lineal, curvilínea, directa o inversa. También describe cómo utilizar la ecuación de regresión para predecir valores futuros y medir el grado de relación lineal entre dos variables mediante el análisis de correlación. Finalmente, detalla los pasos para realizar un análisis de regresión simple y calcula el error estándar de estimación.
El documento explica los conceptos básicos de la regresión lineal, incluyendo su definición como una técnica estadística para analizar la relación entre una variable dependiente y una o más variables independientes. Describe los diferentes tipos de regresión lineal como la regresión lineal simple y múltiple. También cubre el proceso de estimación de parámetros, las suposiciones de la regresión lineal y algunas aplicaciones comunes como líneas de tendencia y su uso en medicina e industria.
Este documento describe diferentes métodos para representar datos experimentales, incluyendo métodos gráficos, de promedios y mínimos cuadrados. Explica cómo usar el método gráfico para resolver sistemas de ecuaciones lineales representando las ecuaciones como rectas en un plano cartesiano. También describe cómo usar el método de promedios para encontrar raíces iterativamente dividiendo intervalos, y el método de mínimos cuadrados para determinar los parámetros de una recta de mejor ajuste a datos experimentales. Finalmente, discute funciones potenciales
Este documento presenta información sobre regresión y correlación lineal simple. Explica cómo calcular el coeficiente de correlación de Pearson r para determinar la fuerza y dirección de la relación entre dos variables, y realizar pruebas de hipótesis. También describe cómo estimar la ecuación de la recta de regresión para predecir los valores de una variable dependiendo de los cambios en la variable independiente. Finalmente, resume un ejemplo práctico sobre la relación entre la dosis de un agente hipnótico y el tiempo de sueño inducido.
Este documento describe el coeficiente de correlación de Pearson, que mide la relación lineal entre dos variables cuantitativas. Explica que el coeficiente no implica causalidad y solo mide relaciones lineales, no curvilíneas. También señala que para que la prueba de hipótesis sobre la correlación sea válida, al menos una de las variables debe seguir una distribución normal y la muestra debe ser aleatoria. A continuación, proporciona un ejemplo del cálculo del coeficiente de correlación entre el peso y la talla de 20 niños.
Presentación de Organización DE Datos, elaborado por el Bachiller Josè Carrasquero, titular de la C.I: 29.733.396, cursando actualmente el IV semestre de Ing Civil. En el Instituto Universitario Politécnico Santiago Mariño, Sede Barcelona, ubicado en el estado Anzoategui en Venezuela, espero que esta presentaciòn sea de su agrado y saludos cordiales
1. El documento presenta los resultados de un laboratorio de fisicoquímica sobre el tratamiento de datos experimentales para determinar la densidad de diferentes muestras.
2. Se calculan las medidas de tendencia central y dispersión de los datos como la media, varianza, desviación estándar e intervalo de confianza.
3. También se ajustan los datos experimentales a una recta por el método de mínimos cuadrados para establecer una relación entre las variables.
Este documento describe regresión y correlación. La regresión expresa la relación entre dos variables, con una variable como función de la otra. La correlación mide el grado en que dos variables varían juntas. La regresión lineal simple asume una relación lineal entre una variable independiente (X) y una dependiente (Y). El coeficiente de correlación mide la asociación lineal entre -1 y 1. El método de mínimos cuadrados estima los parámetros a y b para el modelo Y = a + bX.
Este documento describe los conceptos de regresión y correlación lineal. Explica que la regresión y correlación permiten analizar la relación entre dos variables continuas mediante el uso de diagramas de dispersión, el coeficiente de correlación de Pearson y regresión lineal simple. También define la correlación directa e inversa y cómo el coeficiente de correlación cuantifica el grado de asociación lineal entre las variables.
Este documento presenta los resultados de varios ejercicios sobre la correlación entre diferentes variables estadísticas. En el primer ejercicio, se encuentra una correlación moderada entre el peso y las horas dedicadas al deporte. En el segundo ejercicio, se encuentra una fuerte correlación negativa entre el número de cigarrillos fumados y la nota de acceso. En el tercer ejercicio, con una muestra limitada a 10 casos, se encuentra una correlación positiva entre el peso y la altura.
Control de la MOSCA DEL CUERNO Y PALETA con el uso de Neem en ganado de ordeñoDulceriDuran
Este documento evalúa el efecto del extracto de Neem (Azadirachta indica) y un producto químico comercial (cipermetrina) en el control de la mosca de cuerno y paleta (Haematobia irritans) en vacas lecheras. Los resultados mostraron que el extracto de Neem fue efectivo en un 96% para controlar las moscas, similar a la efectividad del 89% del producto químico, mientras que el grupo control solo fue 46% efectivo. Aunque estadísticamente no hubo diferencias significativas entre los
La unidad curricular de Epidemiología Veterinaria tiene como objetivo que los estudiantes del Grado en Veterinaria conozcan y entiendan los conceptos básicos, la terminología, las medidas y los métodos de la epidemiología para describir y analizar los fenómenos de salud y enfermedad en las poblaciones animales. El curso se impartirá de forma presencial y abarcará temas como la historia de la epidemiología, los conceptos básicos, la historia natural de las enfermedades, índices epidemiológicos y
Más contenido relacionado
Similar a clase 3. REGRESION lineal simple y correlacion.pptx
Este documento introduce el concepto de regresión lineal simple, que estudia la asociación entre dos variables cuantitativas mediante el cálculo de una recta de ajuste. Explica que la regresión lineal determina la ecuación de una recta que mejor se ajusta a los valores de muestra para predecir una variable (dependiente) en función de otra (independiente). También define conceptos clave como covarianza, coeficiente de correlación, pendiente, punto de corte y error residual.
Este documento presenta los conceptos básicos de regresión lineal y correlación. Explica que la regresión lineal analiza la relación entre una variable dependiente y una independiente para estimar los valores de la variable dependiente en base a la independiente. También describe cómo calcular el coeficiente de correlación de Pearson para medir el grado de relación lineal entre dos variables, y cómo obtener la ecuación de regresión lineal que mejor se ajusta a los datos mediante el método de mínimos cuadrados. Finalmente, presenta un ejemplo práctico para ilustrar
El documento presenta los conceptos de correlación y regresión lineal. Explica que la correlación mide la relación entre dos variables mediante el coeficiente de correlación de Pearson (r) y que la regresión lineal busca predecir los valores de una variable en función de otra(s). Además, incluye un caso práctico donde se analiza la relación entre la estatura de los padres y sus hijos mediante un diagrama de dispersión, el cálculo de r y los parámetros de la recta de regresión.
clases de estadistica. Covarianza: Una medida del grado en que dos variables aleatorias se mueven en la misma dirección o en direcciones opuestas la una respecto a la otra.
Este documento presenta cuatro ejercicios sobre el cálculo y la interpretación del coeficiente de correlación de Pearson entre diferentes variables. En el primer ejercicio, se calcula la correlación entre el peso y las horas dedicadas al deporte, entre cigarrillos fumados y nota de acceso, y entre peso y altura. En el segundo y tercer ejercicio, se calcula la correlación entre peso y edad, y entre notas de matemáticas y lengua, respectivamente. En cada caso, se analiza si la correlación es significativa estadísticamente.
La Técnica de Análisis de Regresión permite determinar la relación de una o más variables independientes con una variable dependiente. Tiene dos objetivos principales, el primero, ver si hay relación entre las variables y el segundo, determinar el mejor modelo matemático que las relaciona.
Este documento explica los conceptos de regresión y correlación lineal simple. Define el coeficiente de correlación de Pearson (r) y cómo medir la fuerza de la relación entre dos variables cuantitativas. También cubre el análisis de regresión lineal, incluyendo cómo estimar los parámetros a y b de la ecuación de la recta de regresión y cómo predecir valores de la variable dependiente. Finalmente, presenta un ejemplo numérico para ilustrar cómo aplicar estos conceptos estadísticos.
Este documento presenta 6 ejercicios que calculan el coeficiente de correlación de Pearson entre diferentes variables para determinar si existe correlación. El primer ejercicio encuentra una correlación baja entre el peso y las horas de deporte. El segundo halla una alta correlación negativa entre cigarrillos y nota. El tercero muestra una alta correlación positiva entre peso y altura en una muestra limitada.
El documento presenta 6 ejercicios sobre el cálculo y análisis del coeficiente de correlación de Pearson entre diferentes variables. En el ejercicio 1 se encuentra una correlación baja y positiva entre el peso y las horas de deporte. En el ejercicio 2 hay una correlación alta y negativa entre el número de cigarrillos y la nota de acceso. En el ejercicio 3 la correlación entre el peso y la altura es alta. En el ejercicio 5 existe una correlación positiva casi perfecta y significativa entre la edad y el peso de los niños. Finalmente, en el
El documento describe el método de regresión lineal para estudiar la relación entre una variable independiente (X) y una variable dependiente (Y). Explica que la relación se puede modelar mediante una ecuación de regresión de la forma Y = β0 + β1X, donde β0 es la ordenada al origen y β1 es la pendiente. El método de los mínimos cuadrados se utiliza para estimar los coeficientes β0 y β1 que hacen que la suma de los cuadrados de los errores sea mínima.
Este documento presenta los conceptos básicos de regresión y correlación simple. Explica cómo utilizar diagramas de dispersión para visualizar la relación entre dos variables, e identificar si la relación es lineal, curvilínea, directa o inversa. También describe cómo utilizar la ecuación de regresión para predecir valores futuros y medir el grado de relación lineal entre dos variables mediante el análisis de correlación. Finalmente, detalla los pasos para realizar un análisis de regresión simple y calcula el error estándar de estimación.
El documento explica los conceptos básicos de la regresión lineal, incluyendo su definición como una técnica estadística para analizar la relación entre una variable dependiente y una o más variables independientes. Describe los diferentes tipos de regresión lineal como la regresión lineal simple y múltiple. También cubre el proceso de estimación de parámetros, las suposiciones de la regresión lineal y algunas aplicaciones comunes como líneas de tendencia y su uso en medicina e industria.
Este documento describe diferentes métodos para representar datos experimentales, incluyendo métodos gráficos, de promedios y mínimos cuadrados. Explica cómo usar el método gráfico para resolver sistemas de ecuaciones lineales representando las ecuaciones como rectas en un plano cartesiano. También describe cómo usar el método de promedios para encontrar raíces iterativamente dividiendo intervalos, y el método de mínimos cuadrados para determinar los parámetros de una recta de mejor ajuste a datos experimentales. Finalmente, discute funciones potenciales
Este documento presenta información sobre regresión y correlación lineal simple. Explica cómo calcular el coeficiente de correlación de Pearson r para determinar la fuerza y dirección de la relación entre dos variables, y realizar pruebas de hipótesis. También describe cómo estimar la ecuación de la recta de regresión para predecir los valores de una variable dependiendo de los cambios en la variable independiente. Finalmente, resume un ejemplo práctico sobre la relación entre la dosis de un agente hipnótico y el tiempo de sueño inducido.
Este documento describe el coeficiente de correlación de Pearson, que mide la relación lineal entre dos variables cuantitativas. Explica que el coeficiente no implica causalidad y solo mide relaciones lineales, no curvilíneas. También señala que para que la prueba de hipótesis sobre la correlación sea válida, al menos una de las variables debe seguir una distribución normal y la muestra debe ser aleatoria. A continuación, proporciona un ejemplo del cálculo del coeficiente de correlación entre el peso y la talla de 20 niños.
Presentación de Organización DE Datos, elaborado por el Bachiller Josè Carrasquero, titular de la C.I: 29.733.396, cursando actualmente el IV semestre de Ing Civil. En el Instituto Universitario Politécnico Santiago Mariño, Sede Barcelona, ubicado en el estado Anzoategui en Venezuela, espero que esta presentaciòn sea de su agrado y saludos cordiales
1. El documento presenta los resultados de un laboratorio de fisicoquímica sobre el tratamiento de datos experimentales para determinar la densidad de diferentes muestras.
2. Se calculan las medidas de tendencia central y dispersión de los datos como la media, varianza, desviación estándar e intervalo de confianza.
3. También se ajustan los datos experimentales a una recta por el método de mínimos cuadrados para establecer una relación entre las variables.
Este documento describe regresión y correlación. La regresión expresa la relación entre dos variables, con una variable como función de la otra. La correlación mide el grado en que dos variables varían juntas. La regresión lineal simple asume una relación lineal entre una variable independiente (X) y una dependiente (Y). El coeficiente de correlación mide la asociación lineal entre -1 y 1. El método de mínimos cuadrados estima los parámetros a y b para el modelo Y = a + bX.
Este documento describe los conceptos de regresión y correlación lineal. Explica que la regresión y correlación permiten analizar la relación entre dos variables continuas mediante el uso de diagramas de dispersión, el coeficiente de correlación de Pearson y regresión lineal simple. También define la correlación directa e inversa y cómo el coeficiente de correlación cuantifica el grado de asociación lineal entre las variables.
Este documento presenta los resultados de varios ejercicios sobre la correlación entre diferentes variables estadísticas. En el primer ejercicio, se encuentra una correlación moderada entre el peso y las horas dedicadas al deporte. En el segundo ejercicio, se encuentra una fuerte correlación negativa entre el número de cigarrillos fumados y la nota de acceso. En el tercer ejercicio, con una muestra limitada a 10 casos, se encuentra una correlación positiva entre el peso y la altura.
Similar a clase 3. REGRESION lineal simple y correlacion.pptx (20)
Control de la MOSCA DEL CUERNO Y PALETA con el uso de Neem en ganado de ordeñoDulceriDuran
Este documento evalúa el efecto del extracto de Neem (Azadirachta indica) y un producto químico comercial (cipermetrina) en el control de la mosca de cuerno y paleta (Haematobia irritans) en vacas lecheras. Los resultados mostraron que el extracto de Neem fue efectivo en un 96% para controlar las moscas, similar a la efectividad del 89% del producto químico, mientras que el grupo control solo fue 46% efectivo. Aunque estadísticamente no hubo diferencias significativas entre los
La unidad curricular de Epidemiología Veterinaria tiene como objetivo que los estudiantes del Grado en Veterinaria conozcan y entiendan los conceptos básicos, la terminología, las medidas y los métodos de la epidemiología para describir y analizar los fenómenos de salud y enfermedad en las poblaciones animales. El curso se impartirá de forma presencial y abarcará temas como la historia de la epidemiología, los conceptos básicos, la historia natural de las enfermedades, índices epidemiológicos y
PARAMETROS PRODUCTIVOS Y REPRODUCTIVOS.pptxDulceriDuran
Este documento presenta varios parámetros productivos y reproductivos importantes para evaluar el desempeño de una unidad de producción lechera, incluyendo el porcentaje de preñez, el intervalo parto-concepción, la mortalidad general, el porcentaje de vacas en ordeño, la natalidad, el intervalo entre partos, el periodo de lactancia, la producción diaria promedio por vaca, los servicios por concepción, la producción anual de la hembra adulta, la ganancia diaria de peso, la producción anual estimada
El documento describe las características botánicas y taxonómicas del cacao (Theobroma cacao). Pertenece a la familia Malvaceae y crece de forma natural en bosques tropicales de América. Existen tres tipos genéticos principales: Criollo, Forastero y Trinitario. El cacao se puede propagar sexualmente a través de semillas o asexualmente mediante esquejes, acodos e injertos.
El documento describe el origen y la importancia histórica del cacao en Venezuela. Los indígenas ya cultivaban cacao en la época prehispánica, y los europeos observaban su uso para preparar una bebida caliente. El cacao se convirtió en un cultivo y exportación importante durante la colonia, liderando la economía venezolana en el siglo XVIII. Este cultivo impulsó la consolidación de una estratificación social con terratenientes, comerciantes y trabajadores. Las principales regiones productoras de cacao de alta calidad en
Este documento discute la fatiga laboral (burnout) en médicos veterinarios. Explica que la profesión veterinaria tiene altas tasas de suicidio debido al estrés crónico laboral. Los veterinarios están expuestos a múltiples factores de estrés como largas horas de trabajo, espacios reducidos y responsabilidades que pueden conducir a fatiga. La fatiga laboral en veterinarios tiene implicaciones para la salud animal y pública dado su rol en la salud animal y prevención de enfermedades zoonóticas.
Soluciones Examen de Selectividad. Geografía junio 2024 (Convocatoria Ordinar...Juan Martín Martín
Criterios de corrección y soluciones al examen de Geografía de Selectividad (EvAU) Junio de 2024 en Castilla La Mancha.
Soluciones al examen.
Convocatoria Ordinaria.
Examen resuelto de Geografía
conocer el examen de geografía de julio 2024 en:
https://blogdegeografiadejuan.blogspot.com/2024/06/soluciones-examen-de-selectividad.html
http://blogdegeografiadejuan.blogspot.com/
Business Plan -rAIces - Agro Business Techjohnyamg20
Innovación y transparencia se unen en un nuevo modelo de negocio para transformar la economia popular agraria en una agroindustria. Facilitamos el acceso a recursos crediticios, mejoramos la calidad de los productos y cultivamos un futuro agrícola eficiente y sostenible con tecnología inteligente.
DESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdf
clase 3. REGRESION lineal simple y correlacion.pptx
1. Unidad Curricular: ESTADISTICA
PNF en Agroalimentación
Trayecto III, Tramo I
Docente: Ing. Candy García
Modalidad de clases: presencial y virtual.
Medios para las clases virtuales:
https://classroom.google.com/c/NDMyNjIyNzA5ODUz?cjc=y7gww7c
Código de la clase y7gww7c
Grupo de telegram
https://t.me/joinchat/BeTZH2CMXcBmZDUx
UPT JFR EXTENSIÓN PEDRAZA
2. Propósito de la Unidad Curricular: Analizar los conceptos y técnicas de la estadística,
aplicados a la agroecología.
Contenido 3. Regresión y correlación: Conceptos básicos, implementación. Modelos.
Objetivo: Entender y evaluar las combinaciones de relaciones entre variables,
mediante la comprensión de los conceptos de: asociación, covarianza, correlación,
regresión, para analizar sus implicaciones entre ellas, con el fin de aportar mayor
información al análisis que se espera en un estudio estadístico.
3. Covarianza.
Es la medida aritmética de los productos de las desviaciones de cada una de las
variables respecto a sus medias. Mide la relación lineal entre dos variables. La
covarianza entre dos variables Sxy nos indica si la posible relación entre esas variables
es directa o inversa. Nos habla de la variabilidad conjunta de dos variables numéricas.
Si Sxy es mayor a cero (0) la correlación es directa, es positiva, es decir si x aumenta, y
aumenta (GUIDRY, 2002).
Si Sxy es menor a cero (0), la correlación es inversa, es negativa, si x aumenta, y
disminuye o viceversa. Si Sxy es igual a cero (0), no hay relación entre las variables.
Presenta como inconveniente que su valor depende de la escala elegida para los ejes,
es decir, variará si expresamos la altura en m o cm, o por ejemplo si una moneda se
expresa en Bs o $.
Su fórmula es Sxy =
(𝑋𝑖 − 𝑋). 𝑌𝑖 −𝑌
𝑛
donde Sxy =
(𝑋𝑖.𝑌𝑖)
𝑛
- 𝑋. 𝑌
Si tenemos los datos ordenados en una tabla de frecuencias, se utiliza la siguiente
ecuación:
Sxy =
(𝑓𝑖 .𝑋𝑖.𝑌𝑖)
𝑛
- 𝑋. 𝑌
4. 𝑋 = media de X (variable independiente).
𝑌 = media de Y (variable dependiente).
Por ejemplo en el siguiente enunciado: Evaluar el aumento de la producción de leche
en un rebaño de vacas doble propósito, suplementadas con ensilaje de pasto Cuba CT
115.
X= ensilaje de pasto Cuba CT 115 (suplemento en gramos o kg).
Y= producción de leche (aumento en litros o kg).
CORRELACIÓN.
Trata de establecer la relación o dependencia que existe entre las dos variables que
intervienen en una distribución bidimensional, es decir, determinar si los cambios en
una de las variables influye en los cambios de la otra. En caso de que suceda, se dice
que las variables están correlacionadas, es decir, si hay correlación.
TIPOS DE CORRELACIÓN.
Directa: cuando aumenta X, aumenta Y
5. TIPOS DE CORRELACIÓN.
Inversa: cuando aumenta Y, disminuye X
Nula: no hay relación o dependencia entre las variables.
PROPIEDADES.
- La correlación no varía al hacerlo la escala de medición, no importa si la altura se
expresa en metros o cm.
- La correlación es un número real comprendido entre -1 y 1.
- Si la correlación toma valores cercanos a -1 la correlación es fuerte es inversa. Si
toma valores cercanos a 1, la correlación es fuerte y directa. Si toma valores
cercanos a cero es débil, y si da igual a cero es nula.
6. La correlación también es conocida o denominada como el coeficiente de correlación
lineal de Pearson . Hay dos coeficientes de correlación que se usan frecuentemente: el
de Pearson para estadística paramétrica y el de Spearman para no paramétrica.
El de Pearson evalúa específicamente la adecuación a la recta lineal que define la
relación entre dos variables numéricas; y el de Spearman mide cualquier tipo de
asociación, no necesariamente lineal.
Su ecuación se define como la covarianza muestral entre X e Y, dividida por el producto
de las desviaciones estándar de cada variable.
r =
𝑆𝑥𝑦
𝑆𝑥.𝑆𝑦
donde Sxy es la covarianza
Sx y Sy son las desviación estándar.
Recordemos que la desviación se obtiene a partir de la siguiente ecuación:
7. Ejemplo práctico.
La siguiente tabla muestra las alturas redondeadas en cms y los pesos en kg de 12
estudiantes de trayecto III del PNF Agroalimentación de la U.C. estadística, UPTJFR
Pedraza. Calcular covarianza y correlación entre dichas variables.
Altura (cm) X
Peso (kg) Y
X 178 160 183 152 168 178 188 165 157 170 165 173
Y 69,8 67,5 81 60,8 70,2 75,6 80,1 72 59,4 65,3 62,6 68,4
Debemos calcular la media de cada una de las variables (x e y).
𝑥 = 𝛴
2037
12
= 179,75 cm
𝑦 = 𝛴
832,70
12
= 69,39 kg
Para facilitar y comprender mejor los cálculos, haremos una
tabla
8. Altura X Peso Y 𝒀𝒊 − 𝒚 𝑿𝒊 − 𝒙 𝒀𝒊 − 𝒚 𝟐
𝑿𝒊 − 𝒙 𝟐 (𝒀𝒊−𝒚 ). (𝑿𝒊 − 𝒙).
178 69,8 0,41 8,25 0,17 68,06 3,38
160 67,5 -1,89 -9,75 3,57 95,06 18,43
183 81 11,61 13,25 134,79 175,56 153,83
152 60,8 -8,59 -17,8 73,79 315,06 152,47
168 70,2 0,81 -1,75 0,66 3,06 -1,42
178 75,6 6,21 8,25 38,56 68,06 51,23
188 80,1 10,71 18,25 114,70 333,06 195,46
165 72 2,61 -4,75 6,81 22,56 -12,40
157 59,4 -9,99 -12,8 99,80 162,56 127,37
170 65,3 -4,09 0,25 16,73 0,06 -1,02
165 62,6 -6,79 -4,75 46,10 22,56 32,25
173 68,4 -0,99 3,25 0,98 10,56 -3,22
𝒙 = 179,75
𝒚= 69,39
𝛴= 716,38
𝛴= 536,67 𝛴= 1276,25
1) hallamos la covarianza
Sxy =
(𝑋𝑖 − 𝑋). 𝑌𝑖 −𝑌
𝑛
Sxy =
716,38
12
Sxy = 59,70
2) Hallamos la
correlación
r =
𝑆𝑥𝑦
𝑆𝑥.𝑆𝑦
Pero primero
debemos
conocer la
desviación de x
e y
3) Hallamos la desviación de x e y
Sx =
1276,25
12
Sx= 10,31
Sy =
536,67
12
Sy= 6,69
r =
59,70
(10,31).(6,69)
r =
59,70
68,97
r = 0,87
El coeficiente de correlación
de Pearson = 0,87
Es cercano a 1 por tanto la
correlación entre las
variables es fuerte y
directa.
9. Para establecer si existe relación lineal, debemos calcular el Coeficiente de
determinación, denominado 𝑅2
es un estadístico usado en el contexto de un modelo
estadístico, cuyo principal propósito es predecir futuros resultados o probar una
hipótesis. El 𝑅2
determina la calidad del modelo para replicar los resultados y la
proporción de variación de los resultados, que puede explicarse por el modelo. Se
obtiene elevando al cuadrado el coeficiente de correlación de Pearson, adquiere
valores entre 0 y 1 y se da en porcentaje (%). Entre más cercano a 1 es mejor la
relación, por encima de 85% indica que entre más aumenta una variable, también
aumenta la otra.
𝑅2
= 0,872
= 0,7569 = 75,69%
REGRESIÓN LINEAL.
Es una técnica estadística que establece una ecuación para estimar el valor
desconocido de una variable, a partir del valor conocido de otra variable. Por lo tanto
el análisis de regresión lineal, es el proceso general de predecir una variable (y) a partir
de otra (x). La relación puede ser directa o inversa.
10. Recta de Regresión por el método de Mínimos Cuadrados.
Es el método que por lo común se utiliza para ajustar una línea a los datos muestrales
indicados en el diagrama de dispersión. La recta de regresión calculada a partir de los
datos muestrales por el método de mínimos cuadrados, se llama recta de regresión
estimada o recta de regresión muestral.
Dicha recta es la que mejor se ajusta al conjunto de datos (x e y) y es aquella en que la
distancia que hay entre los puntos y la recta, es la menor posible. Se calcula mediante la
siguiente formula.
𝑌∗
= 𝑎 + 𝑏𝑥
Donde b es la pendiente de la recta (inclinación). Se calcula con la siguiente ecuación:
b=
𝑆𝑥𝑦
𝑆𝑥2
a es la ordenada al origen, punto donde la recta corta al eje de la y.
a = 𝒚 - b. 𝒙
a y b son constantes numéricas y son las que se calculan por el método de mínimos
cuadrados. Dichas ecuaciones son para calcular la recta de regresión de y sobre x y se
utiliza la misma para la recta de x sobre y (siendo x variable dependiente), solo que se
cambia, donde esta x se coloca y, y viceversa.
11. Retomamos el ejercicio anterior.
Hallar la recta de regresión de y sobre x.
Calculamos a b
b=
𝑆𝑥𝑦
𝑆𝑥2
b=
59,70
(10,31)2 = 0,56
Calculamos a
a = 𝒚 - b. 𝒙
a = 69,39 – 0,56. (169,75)
a = 69,39 – 95,06
a = - 25,67
𝑌∗
= 𝑎 + 𝑏𝑥
𝑌∗
= -25,67 + 0,56x
Recta de x sobre y
b=
59,70
(6,69)2 = 1,33
a = 169,75 – 1,33. (69,39)
a = 169,75 – 92,29
a = 77,46
𝑋∗
= 77,46 + 1,33y
¿Cual es el peso aproximado de un estudiante que
mide 169cm?
X= altura (169 cm)
Y= peso
𝑌∗
= -25,67 + 0,56x
𝑌∗
= -25,67 + 0,56 (169)
𝑌∗
= -25,67 + 94,64
𝑌∗
= 68,97 kg.
¿Cual es la altura aproximada de un estudiante que
pesa 77 kg?
Y= 77 kg
𝑋∗
= 77,46 + 1,33y
𝑋∗
= 77,46 + 1,33 (77)
𝑋∗
= 77,46 + 102,41
𝑋∗
= 179,87 cm
Esta es la utilidad de la regresión lineal, cuando se
obtiene el valor de sus rectas podemos predecir
valores de una variable, a partir de otra que ya existe.
12. ASIGNACIÓN INDIVIDUAL (REALIZAR Y ENVIAR FOTOS AL GRUPO DE
TELEGRAM).
Una cadena de pizzería toma una muestra de 10 de sus sucursales, para tratar
de encontrar un modelo matemático que le permita predecir sus ventas, los
datos son los siguientes: la población de personas en miles fue de 2, 6, 8, 8,
12, 16, 20, 20, 22, 26 y las ventas trimestrales en miles de pesos fue de 59,
105, 88, 118, 117, 137, 157, 169, 169, 149, 202.
Realice una regresión para estimar las ventas de dos sucursales que tienen
14mil y 30mil personas como potenciales clientes respectivamente.
13. REFERENCIAS BIBLIOGRÁFICAS CONSULTADAS.
Barnett, V. (1991). Sample Survey Principles and Methods. Londres:
Edward Arnold.
Batanero, C. (2001). Didáctica de la estadística. Granada, España: Grupo de
Educación Estadística de la Universidad de Granada (GEEUG). ISBN: 84-699-4295-6.
Canavos, G. C. (1988). Probabilidad y estadística. Aplicaciones y métodos.
México: Editorial McGRAWHILL. Obtenido de
https://estadisticaunicaes.files.wordpress.com/2012/05/george-c-canavos
probabilidad-y-estadc3adstica-aplicaciones-y-mc3a9todos.pdf
Depool, R., y Monasterio, D. (2013). Probabilidad y estadística. Aplicaciones a la
ingeniería. Barquisimeto, Venezuela: Universidad Nacional Experimental Politécnica
Antonio José de Sucre (Unexpo). Obtenido de
http://www.bqto.unexpo.edu.ve/avisos/PROBABILIDADYESTADISTICA(2-7-13).pdf
GUIDRY, JULIE ANNA (2002). Misinterpretations of Multiple Regression Results:
Why Interpreting Both Beta Weights and Structure Coefficients is Vital. Paper
presented at the annual meeting of the American Educational Research Association,
New Orleans, April 1, 2002.