UNIVERSIDAD DE LAS FUERZAS ARMADAS

ESPE - LATACUNGA

INGENIERÍA MECATRÓNICA
Probabilidad y Estadística

NOMBRE:
Brayan Quinga

NIVEL:
Tercer Semestre

NRC:

3700

TEMA:

 Correlación y regresión lineal

En los ejercicios 1 a 4,
construya un diagrama de dispersión,
utilice los datos indicados para calcular la ecuación de la recta de regresión.
calcule el valor del coeficiente de correlación lineal r,
calcule el valor del coeficiente de determinación lineal r2
1. Pesos de automóviles y consumo de combustible. A continuación, se presentan los pesos
(en libras) y las cantidades de combustible consumidas en carretera (en mi/gal) de
automóviles elegidos al azar (Chysler, Sebring, Ford Mustang, BMW Series 3, Fond
Crown Vicetoria, Honda Civic, Mazda Protegé, Hyundai Accent). ¿Existe una
correlación lineal entre el peso y el consumo de combustible en carretera? ¿Qué sugiere
el resultado sobre un programa nacional para reducir el consumo de petróleo importado?

Peso 3175 3450 3225 3985 2440 2500 2290

Consumo 27 29 27 24 37 34 37
de
combustibl
e

EXCEL
DATOS:
x y
PESO (libras) CANTIDAD DE
COMBUSTIBLE (mi/gal)
3175 27
3450 29
3225 27
3985 24
2440 37
2500 34
2290 37
DIAGRAMA DE DISPERSIÓN:

CONCLUCIONES:
Modelo:
  Coeficie
ntes
Intercepc 54,69503
ión 77
PESO -
(libras) 0,007968
92

cantidad de combustible= A+ B ( peso )

cantidad de combustible=54,695+(−0,008 ( peso ) )
Conclusión:
−0,008 ∆ y
=
1 ∆x
 Si el peso aumenta 1 libra la cantidad de combustible disminuye -0.008 mi/gal.
 Relación indirecta por el signo negativo.
R ²=0 , 891
 El peso explica el 89% de la cantidad de combustible y un 11%% explica otras variables
que no están en el modelo.
PREDICCIÓN:
Si un auto tiene un peso de 4000 lb, ¿cuál será el consumo?
cantidad de combustible=54,695+(−0,008 ( peso ) )
cantidad de combustible=54,695+(−0,008 ( 4000 ))
cantidad de combustible=22.7
GEOGEBRA
DATOS:
x y
PESO (libras) CANTIDAD DE
COMBUSTIBLE (mi/gal)
3175 27
3450 29
3225 27
3985 24
2440 37
2500 34
2290 37
DIAGRAMA DE DISPERSIÓN:
CONCLUSIONES:

Ecuación:

−0,008 ∆ y
=
1 ∆x
 Si el peso aumenta 1 libra la cantidad de combustible disminuye -0.008 mi/gal.
  Relación indirecta por el signo negativo.
R ²=0 , 891
 El peso explica el 89% de la cantidad de combustible y un 11%% explica otras variables
que no están en el modelo.
PREDICCIÓN:
Si un auto tiene un peso de 4000 lb, ¿cuál será el consumo?

R ESTADITICA
DATOS:
x y
PESO (libras) CANTIDAD DE
COMBUSTIBLE (mi/gal)
3175 27
3450 29
3225 27
3985 24
2440 37
2500 34
2290 37
DIAGRAMA DE DISPERSIÓN:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 54.695038 3.819139 14.321 0.0000299 ***
PESO..libras. -0.007969 0.001247 -6.393 0.00139 **

Residual standard error: 1.899 on 5 degrees of freedom

Multiple R-squared: 0.891, Adjusted R-squared: 0.8692
CONCLUSIONES:
−0,008 ∆ y
=
1 ∆x
 Si el peso aumenta 1 libra la cantidad de combustible disminuye -0.008 mi/gal.
 Relación indirecta por el signo negativo.
R ²=0 , 891
 El peso explica el 89% de la cantidad de combustible y un 11%% explica otras variables
que no están en el modelo.

2. Tamaño del pecho y peso de osos. A continuación, se presenta el tamaño del pecho (en
pulgadas) y el peso (en libras) de osos elegidos al azar, que fueron anestesiados y
medidos (según datos de Gary Alt y Minitab, Inc.). Como es mucho más difícil pesar un
oso que medir el tamaño de su pecho, la presencia de una correlación podría conducir a
un método para estimar el peso a partir del tamaño del pecho. ¿Existe una correlación
lineal entre el tamaño del pecho y del peso?
tamaño 26 45 54 49 35 41 41 49 38 31
del pecho
peso 80 344 416 348 166 220 262 360 204 144
 EXCEL
DATOS:
X Y
TAMAÑO DEL PECHO PESO
(pulgadas) (libras)
26 80
45 344
54 416
49 348
35 166
41 220
41 262
49 360
38 204
31 144

DIAGRAMA DE DISPERSIÓN
CONCLUSIONES:
Modelo:
  Coeficient
es
Intercepción -
251,94786
9
TAMAÑO DEL 12,380143
PECHO (pulgadas) 5

peso=A + B (tamaño del pecho )

peso=−251.95+(1 2.38 ( tamaño del pecho ))
Conclusión:
12.38 ∆ y
=
1 ∆x
 Si el tamaño del pecho aumenta 1 pulgada el peso aumenta en 12.38 libras.
 Relación directa por el signo positivo.
R ²=0 , 9669
 El tamaño del pecho explica el 96% del peso y un 4%% explica otras variables que no
están en el modelo.
PREDICCIÓN:
Si el oso tiene 40 pulgadas de pecho, ¿Cuál sería su peso?
peso=−251.95+(1 2.38 ( tamaño del pecho ))
peso=−251.95+(1 2.38 ( 40 ))
peso=243,25

GEOGEBRA
DATOS:
X Y
TAMAÑO DEL PECHO PESO
(pulgadas) (libras)
26 80
45 344
54 416
49 348
 35 166
41 220
41 262
49 360
38 204
31 144

DIAGRAMA DE DISPERSIÓN:

CONCLUSIONES:
Ecuación:

12.38 ∆ y
=
1 ∆x
 Si el tamaño del pecho aumenta 1 pulgada el peso aumenta en 12.38 libras.
 Relación directa por el signo positivo.
R ²=0 , 9669
 El tamaño del pecho explica el 96% del peso y un 4%% explica otras variables que no
están en el modelo.

PREDICCIÓN:
Si el oso tiene 40 pulgadas de pecho, ¿Cuál sería su peso?

R ESTADISTICA
DATOS:
X Y
TAMAÑO DEL PECHO PESO
(pulgadas) (libras)
26 80
45 344
54 416
49 348
35 166
41 220
41 262
49 360
38 204
31 144
DIAGRAMA DE DISPERSIÓN:

Coefficients:
 Estimate Std. Error t value Pr(>|t|)
(Intercept) 20.773782 1.516790 13.7 0.00000261 ***
PESO..libras. 0.078648 0.005386 14.6 0.00000169 ***

Multiple R-squared: 0.9682, Adjusted R-squared: 0.9637

CONLUCIONES:

12.38 ∆ y
=
1 ∆x
 Si el tamaño del pecho aumenta 1 pulgada el peso aumenta en 12.38 libras.
 Relación directa por el signo positivo.
R ²=0 , 9669
 El tamaño del pecho explica el 96% del peso y un 4%% explica otras variables que no
están en el modelo.

3. Estaturas y pesos de supermodelos. Abajo se presentan las estaturas (en pulgadas) y los
peso (en libras) de la supermodelo Michelle Alves, Nadia Avemann, Paris Hilton, Kelly
 Dyer, Chirsty Turlington, Bridget Hall, Naomi Campbell, Valerie Mazza y Kristy Hume.
¿existe una correlación este la estatura y el peso? Si existe una correlación. ¿eso significa
que hay una correlación entre la estatura y el peso de todas las mujeres adultas?
estructura 70 70.5 68 65 70 70 70 70 71
(pulgadas)
peso (libras) 117 119 105 115 119 127 113 123 115

EXCEL
DATOS:
x y
ESTATURA PESO
(pulgadas) (libras)
70 117
70,5 119
68 105
65 115
70 119
70 127
70 113
70 123
71 115

DIAGRAMA DE DISPERSIÓN:

CONCLUSIONES:
Modelo:
  Coeficient
es
Intercepción 31,840909
1
ESTATURA 1,2272727
(pulgadas) 3

peso=A + B ( estatura )
peso=31,841+ 1,2273 ( estatura )
Conclusión:
1,2273 ∆ y
=
1 ∆x
 Si la estatura aumenta 1 pulgada el peso incrementa en 1.2273 libras.
 Relación directa por el signo positivo.
R ²=0,1298
 La estatura explica el 13% del peso y un 87% explica otras variables que no están en el
modelo.
PREDICCIÓN:
La estatura es de 75, ¿Cuál sería su peso?
peso=31,841+ 1,2273 ( estatura )
peso=31,841+ 1,2273 ( 75 )
peso=123.88

GEOGEBRA
DATOS:
x y
ESTATURA PESO
(pulgadas) (libras)
70 117
70,5 119
68 105
65 115
70 119
70 127
70 113
70 123
71 115
DIAGRA DE DISPERSIÓN:

CONCLUSIONES:
Ecuación:

1,2273 ∆ y
=
1 ∆x
 Si la estatura aumenta 1 pulgada el peso incrementa en 1.2273 libras.
 Relación directa por el signo positivo.
R ²=0,1298
 La estatura explica el 13% del peso y un 87% explica otras variables que no están en el
modelo.

PREDICCÓN:
La estatura es de 75, ¿Cuál sería su peso?

R ESTADÍSTICA
DATOS:
x y
ESTATURA PESO
(pulgadas) (libras)
70 117
70,5 119
68 105
65 115
70 119
70 127
70 113
70 123
71 115
DIAGRAMA DE DISPERSÓN:

CONCLUSIONES:

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 31.841 83.363 0.382 0.714
ESTATURA..pulgadas. 1.227 1.201 1.022 0.341
Multiple R-squared: 0.1298, Adjusted R-squared: 0.005495
1,2273 ∆ y
=
1 ∆x
 Si la estatura aumenta 1 pulgada el peso incrementa en 1.2273 libras.
 Relación directa por el signo positivo.
R ²=0,1298
 La estatura explica el 13% del peso y un 87% explica otras variables que no están en el
modelo.
 4. Mediciones de presión sanguínea. Catorce estudiantes de medicina del segundo año
midieron la presión sanguínea del mismo paciente; los resultados se presentan a
continuación (según datos del doctor Marc Triola). ¿existe una correlación entre los
valores sistólicos y diastólicos? Además de la correlación, ¿hay algún otro método que se
podría usar para estudiar un aspecto importante que sugiere os datos?

sistó 138 130 135 140 120 125 120 130 130 144 143 140 130 150
lica
diatò 82 91 100 100 80 90 80 80 80 98 105 85 70 100
lica

EXCEL
DATOS:
X Y
SISTÓLICA DIATÓLIC
A
138 82
130 91
135 100
140 100
120 80
125 90
120 80
130 80
130 80
144 98
143 105
140 85
130 70
150 100
DIAGRAMA DE DISPERSIÓN:

CONCLUSIONES:
Modelo:
  Coeficie
ntes
Intercepc -
ión 19,10746
36
138 0,810245
84

diatólica=A + B ( sistólica )
diatólica=−14,38+0,7692 ( sistílica )
Conclusión:
0.7692 ∆ y
=
1 ∆x
 Si los valores sistólicos aumentan 1 el valor diatólico incrementa en 0.7692.
 Relación directa por el signo positivo.
R ²=0 , 4328
 El valor sistólico explica el 43% y un 57% explica otras variables que no están en el
modelo.
PREDICCIÓN:
El valor sistólico es de 121. ¿Cuál sería el valor diastólico?
diatólica=−14,38+0,7692 ( sistílica )
diatólica=−14,38+0,7692 (121 )
diatólica=78.69
GEOGEBRA
DATOS:
X Y
SISTÓLICA DIATÓLIC
A
138 82
130 91
135 100
140 100
120 80
 125 90
120 80
130 80
130 80
144 98
143 105
140 85
130 70
150 100
DIAGRAMA DE DISPERSIÓN:

CONCLUSIONES:
Ecuación:

0.7692 ∆ y
=
1 ∆x
 Si los valores sistólicos aumentan 1 el valor diatólico incrementa en 0.7692.
 Relación directa por el signo positivo.
R ²=0 , 4328
 El valor sistólico explica el 43% y un 57% explica otras variables que no están en el
modelo.

PREDICCIÓN:
El valor sistólico es de 121. ¿Cuál sería el valor diastólico?
 R ESTADÍSTICA
DATOS:
X Y
SISTÓLICA DIATÓLIC
A
138 82
130 91
135 100
140 100
120 80
125 90
120 80
130 80
130 80
144 98
143 105
140 85
130 70
150 100

DIAGRAMA DE DISPERSIÓN:
CONCLUSIONES:

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -14.3798 34.1176 -0.421 0.6809
SISTÓLICA 0.7692 0.2542 3.026 0.0105 *

Multiple R-squared: 0.4328, Adjusted R-squared: 0.3855

0.7692 ∆ y
=
1 ∆x
 Si los valores sistólicos aumentan 1 el valor diatólico incrementa en 0.7692.
 Relación directa por el signo positivo.
R ²=0 , 4328
 El valor sistólico explica el 43% y un 57% explica otras variables que no están en el
modelo.