3)

4)

6)

a) Para dibujar el gráfico de dispersión, debemos representar los datos en un

gráfico con el número de anuncios clasificados en el eje x y el número de autos
vendidos en el eje y. Cada punto en el gráfico corresponderá a una observación de
un negocio en particular.

Aquí están los puntos correspondientes a los datos proporcionados: (74, 139), (45,
110), (50, 95), (38, 78), (29, 60), (17, 54).

b) Para ajustar un modelo lineal a los datos, podemos utilizar la técnica de

regresión lineal. El modelo lineal tiene la forma: Y = b0 + b1*X.

Usando métodos de regresión lineal, podemos encontrar los valores de b0 y b1

que mejor se ajustan a los datos proporcionados.

c) Interpretación de b0 y b1:

 b0 es el valor de la intersección de la línea de regresión con el eje y. Si b0 es

positivo, significa que aún sin anuncios clasificados, se esperaría vender una cierta
cantidad de autos.
 b1 es la pendiente de la línea de regresión. Si b1 es positivo, significa que a medida
que aumenta el número de anuncios clasificados, se espera un aumento en el
número de autos vendidos.

d) Para calcular el coeficiente de correlación, utilizamos la fórmula del coeficiente

de correlación de Pearson:

r = (n * ΣXY - ΣX * ΣY) / sqrt((n * ΣX^2 - (ΣX)^2) * (n * ΣY^2 - (ΣY)^2))

Interpretación del coeficiente de correlación:

 El coeficiente de correlación r varía entre -1 y 1. Si r es cercano a 1, indica una

fuerte correlación positiva entre el número de anuncios clasificados y el número de
autos vendidos.
e) Para calcular el coeficiente de determinación (R^2), simplemente elevamos al
cuadrado el coeficiente de correlación:

R^2 = r^2

El coeficiente de determinación representa la proporción de la variabilidad en los

datos que puede ser explicada por el modelo lineal ajustado. Un valor cercano a 1
indica que el modelo explica la mayoría de la variabilidad en los datos.

7)

Para calcular el tamaño de muestra necesario con un nivel de confianza del 96% y un error
admisible del 35%, podemos utilizar la fórmula para calcular el tamaño de muestra en una
población finita: n = N * Z^2 * p * (1-p) / ((N-1) * e^2 + Z^2 * p * (1-p)) Donde: n =
tamaño de muestra necesario N = tamaño de la población (750 en este caso) Z = valor de
Z correspondiente al nivel de confianza deseado (para un nivel de confianza del 96%, Z es
aproximadamente 2.05) p = proporción estimada de profes e = error admisible (35%, que
es aproximadamente 0.35) Sustituyendo los valores en la fórmula, tenemos: n = 750 *
(2.05)^2 * 0.333 * (1-0.333) / ((750-1) * 0.35^2 + (2.05)^2 * 0.333 * (1-0.333)) Calculando
esto, obtenemos: n ≈ 750 * 4.2025 * 0.333 * 0.667 / (749 * 0.1225 + 4.2025 * 0.333 * 0.667)
≈ 1257.281625 / (91.435875 + 0.741444) Por lo tanto, el tamaño de muestra necesario es
aproximadamente 13.65. Dado que no podemos tener una fracción de persona en la
muestra, debemos redondear h Dado que no podemos tener una fracción de persona en la
muestra, debemos redondear hacia arriba. Por lo tanto, el tamaño de muestra necesario
sería 14 profesionales.