DIRECCIÓN ACADÉMICA

Formato de entrega de evidencias

FO-205P11000-14

División: (1) Ingeniería en Gestión Empresarial Grupo: (2) 651-M

Asignatura: (3) Estadística Inferencial II Docente: (4) Pichardo Zamora Inocencio Gerardo
Nombre y número de control: (5) Diaz Rojas Luis Antonio 183137006
Fecha de entrega: (6) 26-08-2020
Evidencia de aprendizaje: (10) Ejercicios Regresión

1o Bach-CCSS Ejercicios: Regresión lineal

1. Un agrónomo ha analizado la relación entre la cantidad de agua aplicada (en m3) y el correspondiente rendimiento de cierta
cosecha (en toneladas por hectárea) obteniendo los siguientes datos

Agua, X 8 16 24 32 Rendimiento, Y 4.1 4.5 5.1 6.1 Utilizando regresión lineal, obtener el rendimiento que cabe esperar si la cantidad de
agua aplicada es de 12 m3. Sol: 4.29 ton/h

Explicación:
Regresión lineal simple:
Dadas dos variables debemos obtener una ecuación lineal para el
rendimiento:
x: la cantidad de agua aplicada en m³
y: rendimiento de cierta cosecha en toneladas por hectárea
x: y: xy: x²:
8 4.1 32.8 64
16 4.5 72 256
24 5.1 122.4 576
32 6.1 195.2 1.024
80 19.8 422.4 1920
Pendiente de la recta:
m =( n∑xy -∑x∑y) / n∑x² -(∑x)²
m =(4(422.4 – 80)19.8) / 4(1920 -(80)²)
m = 0.0825
b= μy -mμx
 Media de x:
μx = (80/4) = 20
Media de y:
μy = (19.8/4) = 4.95
b = 4.95 -0.0825(20)

b = 3.3
Ecuación lineal:
y = 3.3+0.0825x
Para x = 12m³
y = 3.3+0.0825(12)
y = 4.29

2. El número de horas dedicadas al estudio de una asignatura y la calificación obtenida en el examen correspondiente de cinco
personas, es:

Horas de estudio (X) 20 16 34 10 23 Calificación examen (Y) 6.5 6 8 4 7

 a) Calcular el coeficiente de correlación lineal e interpretar su valor. b) Calcular la recta de
regresión de Y sobre X. c) Calcular la calificación estimada para una persona que hubiese
estudiado 28 horas.
Sol: a) r = 0,9453; b) Y = 0,157 X + 3,0667 ; c) 7,46

Se pide:
1 Recta de regresión de Y sobre X.

X Y

20 6.5
16 6
34 8
10 4
23 7

Xi Yi Xi² Yi² Xi * Yi

20 6.5 400 42.25 130

16 6 256 36 96
34 8 1156 64 272
10 4 100 16 40
23 7 529 49 161
T=103 31.5 2441 207.25 699

x=103= 20.6
5
y=31.5= 6.3
5

2441 =488.2 – 20.6² = 63.84

5

xy = 699 - 20.6 * 6.3 = 10.02

5

y -6.3 =10.02 (x – 20.6)

63.84

y= 0.157x + 3.0067
 2 Calificación estimada para una persona que hubiese estudiado horas.

y = 0.157 *28 + 3.0067 = 7.4027

3. De un muelle cuelgan pesas, obteniéndose los siguientes alargamientos:

Masa de la pesa (gr.) 10 30 60 90 120 Alargamiento producido (cm) 0’5 1 3 5 6’5

a) Calcular e interpretar el coeficiente de correlación entre estas dos variables. b)

Estimar el alargamiento del muelle si se cuelga una pesa de 50 gramos.
Sol: a) r = 0.9951, b) 2.51 cm
xi yi x2i yi2 xi y i
10 0,5 100 0,25 5,0
30 1,0 900 1,00 30,0
60 3,0 3600 9,00 180,0
90 5,0 8100 25,00 450,0
120 6,5 14400 42,25 780,0
310 16 27100 77,50 1445.0

x = 310 / 5 = 62 y = 16 / 5 = 3.2

S x² = 27100 / 5 = x ² y= 16 / 5 = 3. 2

S y² = 77.50 / 5 = y ² S x = 39.70
 S xy 1445 / 5 = xy Sy = 2. 29

S xy 1445 / 5 = xy

r xy = S xy / Sx Sy = 90.6 / 39.7 * 2.29 = 0.995

4. Una persona se somete a una dieta de adelgazamiento durante 5 semanas. A continuación se detalla su peso al término de
cada una de esas semanas

= ∑ ix 420 = ∑ =∑
y 55 2 x
Al cabo de ... (semanas) X 1 2 3 4 5 15 i i Peso en Kg. Y 88 87 84 82 79 35334 2 =

1237 = ∑
yx
∑ iy ii

a) Calcular el coeficiente de correlación lineal e interpretarlo. b) ¿Qué peso es de esperar que

alcance esa persona si sigue la dieta 2 semanas más?
Sol: a) r = – 0,9898, b) 74,8 kg
Apartado
b): Resultaría muy aceptable utilizar la recta de regresión para hacer
predicciones de la evaluación del peso a medida que se prolonga la
dieta ya que el coeficiente de correlación lineal obtenido se aproxima
bastante al valor −1.

Apartado c): La recta de regresión de Y respecto a X viene dada por: y

= y + sXY s 2 X (x − x) ⇒ y = 84.2 − 2.35 (x − 3)

Apartado d): El peso de espera que alcance una persona que

mantenga la dieta dos semanas más, es decir, 7 semanas, es y = 84.2
− 2.35 (7 − 3) = 74.8 kg
Construccion de casa (miles) X Ventas de linea blanca (miles) Y x2 y2
2 5 4 25
2.5 5.5 6.25 30.25
3.2 6 10.24 36
3.6 7 12.96 49
3.3 7.2 10.89 51.84
4 7.7 16 59.29
4.2 8.4 17.64 70.56
4.6 9 21.16 81
4.8 9.7 23.04 94.09
5 10 25 100
3.72 7.55 147.18 597.03
75.5

b 1.72 y=a+bx
a 1.17 X
Se 0.37372 8

INTERVALO AL 90 %
Inferior Superior
14.519 15.266
 xy
10 Ventas de linea blanca (miles) Y
13.75 12
19.2 ˄ y = 1.7156x + 1.1681
25.2 10
23.76
8
30.8
35.28
6
41.4
46.56 4
50
295.95 2

0
0 1 2 3 4 5 6

y=1.17+1.72x
Y
14.89 Conclusión: Por cada casa construida las ventas en línea blanca
aumentan en 1.72 miles de unidades.

Y la venta de linea blanca varía según el estado del mercado de casas

ya construidas.
línea blanca

mercado de casas
 PRECIO DEL BOLETO (CENTAVOS) X PASAJEROS POR 100 MILLAS Y x2 y2
25 800 625 640000
30 780 900 608400
35 780 1225 608400
40 660 1600 435600
45 640 2025 409600
50 600 2500 360000
55 620 3025 384400
60 620 3600 384400
42.5 687.5 15500 3830800
5500

A):
B) Se
PASAJEROS POR 100 MILLAS Y b=
900 y = -6.2381x + 952.62 a=
R² = 0.8246 y=
800
700
600
500
400
300
200
C)
100
X
0 50
0 10 20 30 40 50 60 70
XY
20000
23400
27300
26400
28800
30000
34100
37200
227200

38.1
-6.238
952.619
952.619-6.238x

INTERVALO AL 95%
Y INFERIOR SUPERIOR
640.7142857 602.7 678.8
 INTERRUPCIONES X CALIFICACION Y x2 y2 xy
5 58 25 3364 290
10 41 100 1681 410
10 45 100 2025 450
15 27 225 729 405
15 26 225 676 390
20 12 400 144 240
20 16 400 256 320
25 3 625 9 75
15 28.5 2100 8884 2580
228

A)
CALIFICACION Y b=
B) a=
70
y = -2.8x + 70.5 y=
60 R² = 0.9858

50

40

30

20 C)
X
10
18
0
0 5 10 15 20 25 30
 -2.8
70.5
2.8+70.5x

Y
20.1
CALIF X UNIDADES Y x2 y2 xy
2.6 95 6.76 9025 247
3.7 140 13.69 19600 518 b=
2.4 85 5.76 7225 204 a=
4.5 180 20.25 32400 810 A) y=
2.6 100 6.76 10000 260 Se=
5 195 25 38025 975
2.8 115 7.84 13225 322
3 136 9 18496 408
4 175 16 30625 700 B) x
3.4 150 11.56 22500 510 3.6
3.4 137.1 122.62 201121 4954
1371

UNIDADES Y y = 41.681x - 4.6151 C)

R² = 0.927
250

200

150

100

50

0
0 1 2 3 4 5 6
 41.681
-4.6151
41.681x-4.651
10.96052714

y
145.44

: 41.681 (3.4)-4.651= 137.0644

C)
 Evaluaciom Salario
X Y
9 36
7 25
8 33
4 15
7 28
5 19
5 20
6 22
6.375 24.75
198

40

35 y=

30

25

20

15
10

0
0 1 2 3 4

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.985323951
Coeficiente de determinación R^2 0.970863288
R^2 ajustado 0.966007169
Error típico 1.328607979
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 6
Total 7

Coeficientes
Intercepción -2.113207547
X 4.213836478
 División: (1)
Asignatura: (3)
Nombre y numero de control(5)
Fecha de entrega: (6)

Indicador de alcance: (9)

Evidencia de aprendizaje: (10)

X2 Y2 XY
81 1296 324
49 625 175
64 1089 264
16 225 60
49 784 196
25 361 95
25 400 100
36 484 132
345 5264 1346

y = 4.2138x - 2.1132
R² = 0.9709
5 6 7 8 9

Suma de cuadradosPromedio de los cuadrados F

352.908805 352.908805 199.925772
10.59119497 1.765199161
363.5

Error típico Estadístico t Probabilidad

1.957076678 -1.079777594 0.321722235
0.298018543 14.13951102 7.81583E-06
 DIRECCIÓN ACADÉMICA
Formato de entrega de evidencias
FO-205P11000-14

INGENIERÍA EN GESTIÓN EMPRESARIAL

Estadistica inferencial ll Docente: (4)
DIAZ ROJAS LUIS ANTONIO
3 de septiembre del 20
Descripción: (8) Regresion lineal aplicando el s

PROBLEMAS DE APLICACIÓN

A)
b 4.2138
a -2.1132
Y=4.2138x-2.1132
B)
Se 1.3286

C)
Coeficiente de determinacion de la muestra
0.9709

r 0.9853
10

Valor crítico de F
7.81583E-06

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

-6.902001664 2.67558657 -6.902001664 2.67558657
3.484611373 4.943061583 3.484611373 4.943061583
 Grupo: (2) 651-M
Inocencio Gerardo Pichardo Zamora
S LUIS ANTONIO 183137006
e septiembre del 2020

neal aplicando el software de excel

 Cigueñas Bebes
X Y
27 35
38 46
13 19
24 32
6 15
19 31
15 20
20.29 28.29
198

50
45
y = 1.0167x + 7.6616
40 R² = 0.9581
35
30
25
20
15
10
5
0
0 5 10 15

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.978820334
Coeficiente de determinación R^2 0.958089246
R^2 ajustado 0.949707095
Error típico 2.441987215
Observaciones 7

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 5
Total 6

Coeficientes
Intercepción 7.661611785
X 1.016681109
 X2 Y2 XY
729 1225 945
1444 2116 1748
169 361 247 Y=1.017
576 1024 768
36 225 90
361 961 589
225 400 300
3540 6312 4687

20 25 30 35 40

Suma de cuadrados Promedio de los cuadrados F Valor crítico de F

681.6120636 681.6120636 114.30112 0.000123967
29.8165078 5.96330156
 711.4285714

Error típico Estadístico t Probabilidad Inferior 95%

2.138514094 3.582680052 0.01583 2.1643863
0.095095399 10.69117032 0.000124 0.772230603
b 1.017
a 7.662
Y=1.017x+7.662

Se 2.44199

0.9581

0.9788
Superior 95% Inferior 95.0% Superior 95.0%
13.158837 2.1643863 13.15883727
1.2611316 0.772230603 1.261131615
 Evaluaciom Salario
X Y
9 36
7 25
8 33
4 15
7 28
5 19
5 20
6 22
6.375 24.75
198

40

35 y = 4.2138x

30

25

20

15
10

0
0 1 2 3 4

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.985323951
Coeficiente de determinación R^2 0.970863288
R^2 ajustado 0.966007169
Error típico 1.328607979
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 6
Total 7

Coeficientes
Intercepción -2.113207547
X 4.213836478
 División: (1)
Asignatura: (3)
Nombre y numero de control(5)
Fecha de entrega: (6)

Indicador de alcance: (9)

Evidencia de aprendizaje: (10)

X2 Y2 XY
81 1296 324
49 625 175
64 1089 264
16 225 60
49 784 196
25 361 95
25 400 100
36 484 132
345 5264 1346

y = 4.2138x - 2.1132
R² = 0.9709
5 6 7 8 9

Suma de cuadradosPromedio de los cuadrados F

352.908805 352.908805 199.925772
10.59119497 1.765199161
363.5

Error típico Estadístico t Probabilidad

1.957076678 -1.079777594 0.321722235
0.298018543 14.13951102 7.81583E-06
 DIRECCIÓN ACADÉMICA
Formato de entrega de evidencias
FO-205P11000-14

INGENIERÍA EN GESTIÓN EMPRESARIAL

Estadistica inferencial ll Docente: (4)
DIAZ ROJAS LUIS ANTONIO
3 de septiembre del 20
Descripción: (8) Regresion lineal aplicando el s

PROBLEMAS DE APLICACIÓN

A)
b 4.2138
a -2.1132
Y=4.2138x-2.1132
B)
Se 1.3286

C)
Coeficiente de determinacion de la muestra
0.9709

r 0.9853
10

Valor crítico de F
7.81583E-06

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

-6.902001664 2.67558657 -6.902001664 2.67558657
3.484611373 4.943061583 3.484611373 4.943061583
 Grupo: (2) 651-M
Inocencio Gerardo Pichardo Zamora
S LUIS ANTONIO 183137006
e septiembre del 2020

neal aplicando el software de excel

 Cigueñas Bebes
X Y
27 35
38 46
13 19
24 32
6 15
19 31
15 20
20.29 28.29
198

50
45
y = 1.0167x + 7.6616
40 R² = 0.9581
35
30
25
20
15
10
5
0
0 5 10 15

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.978820334
Coeficiente de determinación R^2 0.958089246
R^2 ajustado 0.949707095
Error típico 2.441987215
Observaciones 7

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 5
Total 6

Coeficientes
Intercepción 7.661611785
X 1.016681109
 X2 Y2 XY
729 1225 945
1444 2116 1748
169 361 247 Y=1.017
576 1024 768
36 225 90
361 961 589
225 400 300
3540 6312 4687

20 25 30 35 40

Suma de cuadrados Promedio de los cuadrados F Valor crítico de F

681.6120636 681.6120636 114.30112 0.000123967
29.8165078 5.96330156
 711.4285714

Error típico Estadístico t Probabilidad Inferior 95%

2.138514094 3.582680052 0.01583 2.1643863
0.095095399 10.69117032 0.000124 0.772230603
b 1.017
a 7.662
Y=1.017x+7.662

Se 2.44199

0.9581

0.9788
Superior 95% Inferior 95.0% Superior 95.0%
13.158837 2.1643863 13.15883727
1.2611316 0.772230603 1.261131615
 DIRECCIÓN ACADÉMICA

Formato de entrega de evidencias

FO-205P11000-14

División: (1) INGENIERIA EN GESTION EMPRESARIAL Grupo: (2) 651-M

Asignatura: (3) ESTADISTICA INFERENCIAL II Docente: (4) PICHARDO ZAMORA INOCENCIO

Nombre y número de control: (5) DIAZ ROJAS LUIS ANTONIO 183137006

Fecha de entrega: (6) 09/SEP/2020

Competencia No.: (7) 1 Descripción: (8) ACTIVIDAD REGRESION LINEAL INFERENCIAS SOBRE LA
POBLACION
Indicador de alcance: (9) REGRESION LINEAL
Evidencia de aprendizaje: (10) EJERCICIOS

1.Los corredores de bienes raíces a menudo están interesados en ver cómo el avalúo de
una casa varía de acuerdo con su tamaño. A continuación se muestran algunos datos del
área (en miles de pies cuadrados) y el avalúo (en miles de dólares) para una muestra de
11 casas.

Área 1.1 1.5 1.6 1.6 1.4 1.3 1.1 1.7 1.9 1.5 1.3
Valor 75 95 110 102 95 87 82 115 122 98 90

a) Estime la regresión de mínimos cuadrados para predecir el valor según el avalúo a

partir del tamaño
b) Generalmente, los corredores de bienes raíces sienten que el valor de una casa sube
50,000 dólares por cada 1,000 pies cuadrados de área. Para esta muestra, ¿se cumple
esta relación? Utilice _ _ 0.10.

2.Un corredor de una empresa de inversión local ha estudiado la relación entre el

incremento en el precio del oro (X) y las peticiones de sus clientes de liquidar las
acciones (Y). Del conjunto de datos basado en 15 observaciones, se encontró que la
pendiente de la muestra era 2.9. Si el error estándar del coeficiente de la pendiente de
regresión es 0.18, ¿existe una razón para pensar (a 0.05 de nivel de significancia) que
la pendiente cambió de su valor anterior de 3.2?

3.Para una muestra de 25, se encontró que la pendiente era 1.685 y el error estándar del
coeficiente de regresión era 0.11. ¿Hay razones para creer que la pendiente ha cambiado
de su valor anterior de 1.50? Utilice el nivel de significancia de 0.05.
 X Y x2 y2 xy b= 0.5582
24.3 16.2 590.49 262.44 393.66 a= 1.7779
12.5 8.5 156.25 72.25 106.25 y= 17.1275941
31.2 15 973.44 225 468 x= 27.5
28 17 784 289 476 R2= 0.8447
35.1 24.2 1232.01 585.64 849.42 r= 0.91907562
10.5 11.2 110.25 125.44 117.6 Se= 2.25060752
23.2 15 538.24 225 348
10 7.1 100 50.41 71 y=a+bx y=1.7779+05582x
8.5 3.5 72.25 12.25 29.75 inferior Superior
15.9 11.5 252.81 132.25 182.85 -14.877 19.378
14.7 10.7 216.09 114.49 157.29
15 9.2 225 84.64 138
19.075 12.425 5250.83 2178.81 3337.82
149.1

Y
30

25

20

15

10

5 y = 0.5582x + 1.7779
R² = 0.8447
0
0 5 10 15 20 25 30 35 40
7779+05582x

Conclusiones
Por cada 1.77 unidades, aumentara la endiente 558 con
una correlación del 84 unidades de probabilidad.
Así que el pronostico se cumple, haciendo la posibilidad
alta
 X Y X2 Y2 XY b= -27.44
12.3 196 151.29 38416 2410.8 a= 520.04
10.5 285 110.25 81225 2992.5 y= 259.36
15.6 125 243.36 15625 1950 x= 9.5
9.5 225 90.25 50625 2137.5 R2= 0.7533
10.5 248 110.25 61504 2604 r= 0.86792857
9.3 303 86.49 91809 2817.9 Se= 41.7624168
8.7 265 75.69 70225 2305.5
14.2 102 201.64 10404 1448.4 y=a+bx y=520.4-27.44x
15.2 105 231.04 11025 1596 inferior Superior
12 114 144 12996 1368 -217.601 301.125
11.78 196.8 1444.26 443854 21630.6
1968

Y
350

300

250

200

150

100

50 y = -27.44x + 520.04
R² = 0.7533
0
0 2 4 6 8 10 12 14 16 18
 Conclusiones
Para cada cierto número de casas la pendiemte se caerá en -
27.4 así que podemos notar que en el coeficiente de correlación
que es 0.75% posibles unidades a vender cumplido el periodo
de los 10 meses
La posibilidad de que los creditos de la viviendacaiga en el paso
del tiempo tiene una alta probabilidad de que suceda

520.4-27.44x
 X Y X2 Y2 XY b= 0.1259
12.3 6.2 151.29 38.44 76.26 a= 3.7191
8.3 5.3 68.89 28.09 43.99 y= 98.13
6.5 4.1 42.25 16.81 26.65 x= 750
4.8 4.4 23.04 19.36 21.12 R2= 0.4594
14.6 5.2 213.16 27.04 75.92 r= 0.67779053
14.6 4.8 213.16 23.04 70.08 Se= 0.6172623
14.6 5.9 213.16 34.81 86.14
6.5 4.2 42.25 17.64 27.3 y=a+bx y=93.7191-0.1259x
10.275 5.0125 967.2 205.23 427.46 inferior Superior
40.1 -97.513 98.748

Chart Title
7

1 y = 0.1259x + 3.7191
R² = 0.4594
0
0 2 4 6 8 10 12 14 16
 Conclusiones
Los costos van de 3.71 miles de dólares la pendiente
mostrará un aumento de 0.1259 cientos de partes es decir
viendo el coeficiente des 45 mil dólares
Por lo que el suceso es poco probable

.7191-0.1259x