ESTADÍSTICA

INFERENCIAL
II
 TABLA DE CONTENIDO

UNIDAD 1: REGRESIÓN LINEAL SIMPLE Y CORRELACIÓN

1.1.- MODELO DE REGRESIÓN SIMPLE.

1.2.- DETERMINACIÓN DE LA ECUACIÓN DE REGRESIÓN.

1.3.- MEDIDAS DE VARIACIÓN.

1.4.- CALCULO DE LOS COEFICIENTES DE CORRELACIÓN Y DETERMINACIÓN.

1
 1.1.- MODELO DE REGRSIÓN SIMPLE.

La regresión lineal simple consiste en generar un modelo de regresión (ecuación de una

recta) que permita explicar la relación lineal que existe entre dos variables. A la variable
dependiente o respuesta se le identifica como Y y a la variable predictora o
independiente como X.

El modelo de regresión lineal simple se describe de acuerdo a la ecuación:

̂ = 𝒂 + 𝒃𝒙
𝒚

Donde:

𝑦̂ = 𝑉𝑎𝑙𝑜𝑟 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑝𝑟𝑒𝑑𝑒𝑐𝑖𝑟𝑠𝑒, 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒.

𝑎 = 𝑂𝑟𝑑𝑒𝑛𝑎𝑑𝑎, 𝑖𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛 𝑐𝑜𝑛 𝑒𝑙 𝑒𝑗𝑒 𝑦.

𝑏 = 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑐𝑡𝑎 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛.

𝑥 = 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒.

Los estadísticos han desarrollado ecuaciones que se utilizan para encontrar los valores de
a y b para cualquier recta de regresión. La pendiente b se encuentra mediante:

∑ 𝑥𝑦 − 𝑛 𝑥̅ ̅𝑦
𝑏=
∑ 𝑥 2 − 𝑛 𝑥̅ 2

2
 Donde:

𝑏 = 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑐𝑡𝑎 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛.

𝑥 = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒.

𝑦 = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒.

𝑥̅ = 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑥.

𝑦̅ = 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑦.

𝑛 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠.

La intersección con el eje y, a puede calcularse como sigue:

̅ − 𝒃𝒙
𝒂= 𝒚 ̅

3
 1.2.- DETERMINACIÓN DE LA ECUACIÓN DE REGRESIÓN.

En la tabla siguiente se muestra la demanda de energía eléctrica en N. Y. Edison durante

el periodo 2001 a 2007, en megawatts. La empresa quiere pronosticar la demanda para
2008.

Año 2001 2002 2003 2004 2005 2006 2007

Demanda 74 79 80 90 105 142 122

Solución.

VENTAS
4
3.5
3
2.5
2
VENTAS
1.5
1
0.5
0
0 2 4 6 8

4
 Año Periodo (x) Demanda (y) xy x²
2001 1 74 74 1
2002 2 79 158 4
2003 3 80 240 9
2004 4 90 360 16
2005 5 105 525 25
2006 6 142 852 36
2007 7 122 854 49
Sumatorias 28 692 3, 063 140

n=7

28
𝑥̅ = =4
7

692
𝑦̅ = = 98.86
7
∑ 𝑥𝑦−𝑛 𝑥̅ ̅𝑦 3,063−(7∗4∗98.86)
𝑏= ∑ 𝑥 2 −𝑛 𝑥̅ 2
= = 10.54
140−7(4 2 )

𝑎 = 𝑦̅ − 𝑏𝑥̅ = 98.86 − 10.54(4) = 56.7

Por tanto la ecuación de regresión queda de la siguiente manera:

̂ = 𝟓𝟔. 𝟕 + 𝟏𝟎. 𝟓𝟒𝒙

𝒚

La demanda pronosticada para el 2008 (x=8) es:

̂ = 𝟓𝟔. 𝟕 + 𝟏𝟎. 𝟓𝟒(𝟖) = 𝟏𝟒𝟏. 𝟎𝟐 𝒎𝒆𝒈𝒂𝒘𝒂𝒕𝒕𝒔

𝒚

5
 Ejemplo 1:

Cierta compañía remodela casas viejas, con el tiempo se ha percatado de que su volumen
de dólares por trabajos de renovación depende de la nómina local. A continuación, se
muestran los ingresos de la compañía y el monto de dinero percibido por los
trabajadores de la nómina local durante los últimos 6 años.

Si la cámara de comercio predice que la nómina local será de 600 millones para el
próximo año ¿Cuáles serán las ventas de la compañía?

Ventas ($ 000,000) Nómina local ($ 000´000,000)

2.0 1
3.0 3
2.5 4
2.0 2
2.0 1
3.5 7

Solución:

VENTAS
4
3.5
3
2.5
2
VENTAS
1.5
1
0.5
0
0 2 4 6 8

6
 Datos Nómina (x) Ventas (y) xy x²
1 1 2.0 2 1
2 3 3.0 9 9
3 4 2.5 10 16
4 2 2.0 4 4
5 1 2.0 2 1
6 7 3.5 24.5 49
Sumatorias 18 15 51.5 80

n=6

18
𝑥̅ = =3
6

15
𝑦̅ = = 2.5
6
∑ 𝑥𝑦−𝑛 𝑥̅ ̅𝑦 51.5−(6∗3∗2.5)
𝑏= ∑ 𝑥 2 −𝑛 𝑥̅ 2
= = 0.25
80−6(32 )

𝑎 = 𝑦̅ − 𝑏𝑥̅ = 2.5 − 0.25(3) = 1.75

Por tanto la ecuación de regresión queda de la siguiente manera:

̂ = 𝟏. 𝟕𝟓 + 𝟎. 𝟐𝟓𝒙
𝒚

Las ventas pronosticadas para la compañía cuando la nomina local es de 6 es::

̂ = 𝟏. 𝟕𝟓 + 𝟎. 𝟐𝟓(𝟔) = 𝟑. 𝟐𝟓
𝒚

7
 1.3.- MEDIDAS DE VARIACIÓN.

Error estándar de estimación.

Para medir la exactitud de las estimaciones de regresión, debemos calcular el error

estándar de la estimación, 𝑆𝑦𝑥 . Este cálculo se llama desviación estándar de la regresión,
y mide el error desde la variable dependiente, y, hasta la recta de regresión, en lugar de
hasta la media.

̂ )𝟐
∑(𝒚 − 𝒚 ∑ 𝒚𝟐 − 𝒂 ∑ 𝒚 − 𝒃 ∑ 𝒙𝒚
𝑺𝒚𝒙 = √ 𝑺𝒚𝒙 = √
𝒏−𝟐 𝒏−𝟐

En donde:

𝑦 = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑦 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑑𝑎𝑡𝑜 𝑝𝑢𝑛𝑡𝑢𝑎𝑙.

𝑦̂ = 𝑣𝑎𝑙𝑜𝑟 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒, 𝑎 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛.

𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑝𝑢𝑛𝑡𝑢𝑎𝑙𝑒𝑠.

Directrices de decisión:

Si 𝑆𝑦𝑥 , es pequeño, significa que los datos están relativamente cercanos a la recta
de regresión, y la ecuación de regresión sirve para predecir y con poco error.

Si 𝑆𝑦𝑥 , es grande, significa que los datos están muy dispersos respecto a la recta
de regresión, y la ecuación de regresión no proporcionará una estimación precisa
de y.

8
 Intervalo de confianza.

Es el valor medio de y para un valor de x dado.

𝟏 ̅) 𝟐
(𝒙 − 𝒙
̂ ± 𝒕(𝑺𝒚𝒙 )√ +
𝒚
𝒏 ∑(𝒙 − 𝒙̅) 𝟐

En donde:

𝑦̂ = 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑎𝑑𝑜 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑣𝑎𝑙𝑜𝑟 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜 𝑑𝑒 𝑥.

𝑥̅ = 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑥.

𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠.

𝑆𝑦𝑥 = 𝑒𝑟𝑟𝑜𝑟 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 𝑑𝑒 𝑒𝑠𝑡𝑖𝑚𝑎𝑐𝑖ó𝑛.

𝑡 = 𝑣𝑎𝑙𝑜𝑟 𝑡 𝑐𝑜𝑛 𝑛 − 2 𝑔. 𝑙.

Ejemplo 1 (continuación):

Cierta compañía remodela casas viejas, con el tiempo se ha percatado de que su volumen
de dólares por trabajos de renovación depende de la nómina local. A continuación, se
muestran los ingresos de la compañía y el monto de dinero percibido por los
trabajadores de la nómina local durante los últimos 6 años.

Se pide:

a) Análisis de regresión.
b) Si la cámara de comercio predice que la nómina local será de 600 millones para el
próximo año ¿Cuáles serán las ventas de la compañía?
c) Calcule el error estándar de estimación.
d) Calcule el intervalo de confianza del 95%, cuando la nómina local es de 600
millones.

9
 Solución:

Datos x y xy x² ̂
𝒚 ̂ )𝟐
(𝒚 − 𝒚 ̅) 𝟐
(𝒙 − 𝒙
1 1 2.0 2 1 2 0 4
2 3 3.0 9 9 2.5 0.25 0
3 4 2.5 10 16 2.75 0.0625 1
4 2 2.0 4 4 2.25 0.0625 1
5 1 2.0 2 1 2 0 4
6 7 3.5 24.5 49 3.5 0 16
Sumas 18 15 51.5 80 0.375 26

a) Análisis de regresión.

̂ = 𝟏. 𝟕𝟓 + 𝟎. 𝟐𝟓𝒙
𝒚

b) Si la cámara de comercio predice que la nómina local será de 600 millones para el
próximo año ¿Cuáles serán las ventas de la compañía?

̂ = 𝟏. 𝟕𝟓 + 𝟎. 𝟐𝟓(𝟔) = 𝟑. 𝟐𝟓
𝒚

c) Calcule el error estándar de estimación.

̂ )𝟐
∑(𝒚 − 𝒚 𝟎. 𝟑𝟕𝟓
𝑺𝒚𝒙 = √ =√ = 𝟎. 𝟑𝟎𝟔𝟏
𝒏−𝟐 𝟔−𝟐

El 𝑆𝑦𝑥 , es pequeño, por lo tanto significa que los datos están relativamente cercanos a la
recta de regresión, y la ecuación de regresión sirve para predecir y con poco error.

10
 d) Calcule el intervalo de confianza del 95%, cuando la nómina local es de 600
millones.

𝑡0.05,4 = 2.132

1 (𝑥 − 𝑥̅ )2
𝑦̂ ± 𝑡(𝑆𝑦𝑥 )√ +
𝑛 ∑(𝑥 − 𝑥̅ )2

1 (6 − 3)2
3.25 ± 2.132(0.3061)√ +
6 26

𝟑. 𝟐𝟓 ± 𝟎. 𝟒𝟔𝟕𝟑

11
 1.4.- CALCULO DE LOS COEFICIENTES DE CORRELACIÓN Y
DETERMINACIÓN.

Coeficiente de correlación.

La ecuación de regresión es una forma de expresar la naturaleza de la relación que hay

entre dos variables. Las rectas de regresión no son relaciones de “causa y efecto”.
Simplemente describen relaciones entre las variables. La ecuación de regresión muestra
la forma en que una variable se relaciona con el valor y los cambios de otra variable.

Otra forma de evaluar la relación entre dos variables consiste en calcular el coeficiente de
correlación. Esta medida expresa el grado o la fuerza de la relación lineal. Usualmente
identificado como r, el coeficiente de correlación puede ser cualquier número entre +1 y
–1.

✓ Un valor cercano a 0 indica que hay poca asociación entre las variables.
✓ Un valor cercano a 1 indica una asociación directa o positiva entre las variables.
✓ Un valor cercano a -1 indica una asociación inversa o negativa entre las variables.

𝒏 ∑ 𝒙𝒚 − ∑ 𝒙 ∑ 𝒚
𝒓=
√[𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐 ][𝒏 ∑ 𝒚𝟐 − (∑ 𝒚)𝟐 ]

Coeficiente de determinación.

Se llama coeficiente de determinación y es simplemente el cuadrado del coeficiente de

correlación a saber, 𝑟 2 . El valor de 𝑟 2 siempre será un número positivo en el intervalo de
0 ≤ 𝑟 2 ≤ 1. El coeficiente de determinación es el porcentaje de variación presente en la
variable dependiente (y) explicada por la ecuación de regresión.

12
 Ejemplo 1 (continuación):

Cierta compañía remodela casas viejas, con el tiempo se ha percatado de que su volumen
de dólares por trabajos de renovación depende de la nómina local. A continuación se
muestran los ingresos de la compañía y el monto de dinero percibido por los
trabajadores de la nómina local durante los últimos 6 años.

Se pide:

e) Calcular el coeficiente de correlación.

f) Calcular el coeficiente de determinación.

Solución:

Datos x y xy x² ̂
𝒚 ̂ )𝟐
(𝒚 − 𝒚 ̅) 𝟐
(𝒙 − 𝒙 𝒚𝟐
1 1 2.0 2 1 2 0 4 4
2 3 3.0 9 9 2.5 0.25 0 9
3 4 2.5 10 16 2.75 0.0625 1 6.25
4 2 2.0 4 4 2.25 0.0625 1 4
5 1 2.0 2 1 2 0 4 4
6 7 3.5 24.5 49 3.5 0 16 12.25
Sumas 18 15 51.5 80 0.375 26 39.5

e) Calcular el coeficiente de correlación.

𝒏 ∑ 𝒙𝒚 − ∑ 𝒙 ∑ 𝒚 𝟔(𝟓𝟏. 𝟓) − (𝟏𝟖 ∗ 𝟏𝟓)

𝒓= = = 𝟎. 𝟗𝟎𝟏𝟑
√[𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐 ][𝒏 ∑ 𝒚𝟐 − (∑ 𝒚)𝟐 ] √[𝟔(𝟖𝟎) − (𝟏𝟖)𝟐 ][𝟔(𝟑𝟗. 𝟓) − (𝟏𝟓)𝟐 ]

f) Calcular el coeficiente de determinación.

El valor de 𝑟 2 = 90.13%, lo cual significa que un 90% de la variación total se explica

mediante la ecuación de regresión.

13
 Ejemplo 1:

Se realizó un estudio sobre la cantidad de azúcar convertida, en cierto proceso, a

distintas temperaturas. Los datos se codificaron y registraron como sigue:

Se pide:

1) Estime la recta de regresión lineal.

2) Calcule la cantidad media de azúcar convertida que se produce cuando la
temperatura registrada es 1.75.
3) Calcule el error estándar de estimación.
4) Calcule el intervalo de confianza del 95% cuando la temperatura registrada es de
1.75.
5) Determine el coeficiente de correlación.
6) Determine el coeficiente de determinación.

14
 X Y XY X² ̂
𝒀 ̂ )𝟐
(𝒀 − 𝒀 Y² ̅ )𝟐
(𝑿 − 𝑿
1.0 8.1 8.1 1 7.99 0.0121 65.61 0.25
1.1 7.8 8.58 1.21 8.21 0.1681 60.84 0.16
1.2 8.5 10.2 1.44 8.43 0.0049 72.25 0.09
1.3 9.8 12.74 1.69 8.66 1.2996 96.04 0.04
1.4 9.5 13.3 1.96 8.88 0.3844 90.25 0.01
1.5 8.9 13.35 2.25 9.1 0.04 79.21 0
1.6 8.6 13.76 2.56 9.32 0.5184 73.96 0.01
1.7 10.2 17.34 2.89 9.54 0.4356 104.04 0.04
1.8 9.3 16.74 3.24 9.77 0.2209 86.49 0.09
1.9 9.2 17.48 3.61 9.99 0.6241 84.64 0.16
2.0 10.5 21 4 10.21 0.0841 110.25 0.25
16.5 100.4 152.59 25.85 3.7922 923.58 1.1

𝑛 = 11

∑ 𝑥 16.5
𝑥̅ = = = 1.5
𝑛 11

∑ 𝑦 100.4
𝑦̅ = = = 9.1
𝑛 11

Estime la recta de regresión lineal.

𝑦̂ = 𝑎 + 𝑏𝑥 = 5.77 + 2.22𝑥

∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅ 152.59 − (11 × 1.5 × 9.1)

𝑏= = = 2.22
∑ 𝑥 2 − 𝑛𝑥̅ 2 25.85 − 11(1.52 )

𝑎 = 𝑦̅ − 𝑏𝑥̅ = 9.1 − 2.22(1.5) = 5.77

15
 Calcule la cantidad media de azúcar convertida que se produce cuando la
temperatura registrada es 1.75.

𝑦̂ = 5.77 + 2.22𝑥 = 5.77 + 2.22(1.75) = 9.65

La cantidad media de azúcar que se produce con una temperatura de 1.75 es de 9.65

Calcule el error estándar de estimación.

̂ )𝟐
∑(𝒚 − 𝒚 ∑ 𝒚𝟐 − 𝒂 ∑ 𝒚 − 𝒃 ∑ 𝒙𝒚
𝑺𝒚𝒙 = √ 𝑺𝒚𝒙 = √
𝒏−𝟐 𝒏−𝟐

3.7922
𝑆𝑦𝑥 = √ = 0.65
11 − 2

923.58 − (5.77 × 100.4) − (2.22 × 152.59)

𝑆𝑦𝑥 = √ = 0.78
11 − 2

De acuerdo al valor del error estándar la ecuación de regresión predice con poco error.

Calcule el intervalo de confianza del 95% cuando la temperatura registrada es de

1.75.

𝑡𝛼,𝑛−2 = 𝑡0.05,9 = 1.833

1 (𝑥 − 𝑥̅ )2
𝑦̂ ± 𝑡(𝑆𝑦𝑥 )√ +
𝑛 ∑(𝑥 − 𝑥̅ )2

16
 1 (1.75 − 1.5)2
9.65 ± (1.833)(0.65)√ +
11 1.1

9.65 ± 0.46

El I.C. del 95% cuando se tiene una temperatura registrada de 1.75 va de 9.19 a 10.11

Determine el coeficiente de correlación.

𝒏 ∑ 𝒙𝒚 − ∑ 𝒙 ∑ 𝒚
𝒓=
√[𝒏 ∑ 𝒙𝟐 − (∑ 𝒙)𝟐 ][𝒏 ∑ 𝒚𝟐 − (∑ 𝒚)𝟐 ]
(11 × 152.59) − (16.5 × 100.4)
= = 0.71
√[(11 × 25.85) − 16.52 ][(11 × 923.58) − 100.42 ]

De acuerdo al resultado del coeficiente de correlación se indica que hay una asociación
directa o positiva entre las variables.

Determine el coeficiente de determinación.

El valor de r²=71%, lo cual significa que un 71% de la variación total se explica mediante
la ecuación de regresión.

17
 Ejemplo 2:

Un estudio sobre la cantidad de lluvia y la de contaminación removida del aire produjo

los siguientes datos:

Se pide:

1) Obtenga la ecuación de la recta de regresión para pronosticar las partículas

removidas, a partir de la cantidad de lluvia diaria.
2) Estime la cantidad de partículas removidas cuando la lluvia diaria es x = 4.8
unidades.
3) Calcule el error estándar de estimación.
4) Calcule el intervalo de confianza del 98% cuando la lluvia diaria es de 4.8
unidades.
5) Determine el coeficiente de correlación.
6) Determine el coeficiente de determinación.

18
 X Y XY X² ̂
𝒀 (𝒀 − 𝒀̂ )𝟐 Y² ̅ )𝟐
(𝑿 − 𝑿
4.3 126 541.8 18.49 19.8025 15876 0.49
4.5 121 544.5 20.25 0.3025 14641 0.25
5.9 116 684.4 34.81 30.8025 13456 0.81
5.6 118 660.8 31.36 12.6025 13924 0.36
6.1 114 695.4 37.21 57.0025 12996 1.21
5.2 118 613.6 27.04 12.6025 13924 0.04
3.8 132 501.6 14.44 109.2025 17424 1.44
2.1 141 296.1 4.41 378.3025 19881 8.41
7.5 108 810 56.25 183.6025 11664 6.25
45 1094 5348.2 244.26 804.2225 133786 19.26

𝑛=9

𝑥̅ = 5

𝑦̅ = 121.55

1) Obtenga la ecuación de la recta de regresión para pronosticar las partículas

removidas, a partir de la cantidad de lluvia diaria.

5348.2 − (9 × 5 × 121.55)
𝑏= = −6.31
244.26 − 9(52 )
𝑎 = 121.55 + 6.31(5) = 153.1

𝑦̂ = 153.1 − 6.31 𝑥

2) Estime la cantidad de partículas removidas cuando la lluvia diaria es x = 4.8

unidades.

𝑦̂ = 153.1 − 6.31 (4.8) = 122.81

19
 3) Calcule el error estándar de estimación.

133786 − (153.1 × 1094) + (6.31 × 5348.2)

𝑆𝑦𝑥 = √ = 2.44
9−2

4) Calcule el intervalo de confianza del 98% cuando la lluvia diaria es de 4.8

unidades.
𝑡𝛼,𝑛−2 = 𝑡0.02,7 = 2.517

1 (4.8 − 5)2
122.81 ± (2.517)(2.44)√ +
9 19.26

122.81 ± 0.3364

5) Determine el coeficiente de correlación.

(9 × 5348.2) − (45 × 1094) −1096.2

𝑟= = = −0.9786
√[(9 × 244.26) − (452 )][(9 × 133786) − (10942 )] 1120.10

6) Determine el coeficiente de determinación.

El valor de r²=97%, lo cual significa que un 97% de la variación total no se explica

mediante la ecuación de regresión.

20