UNIVERSIDAD NACIONAL SAN

ANTONIO ABAD DEL CUSCO

FACULTAD DE INGENIERIA CIVIL

ESCUELA PROFESIONAL DE INGENIERIA CIVIL

ASIGNATURA: ESTADISTICA Y PROBABILIDADES

DOCENTE: KARLA ZELMIRA APARICIO ARENAS
PLAN DE PRACTICAS

INTEGRANTES: CODIGO:
• Ccalloquispe Merma Flor Olinda 182728
• Huaman Condori Patricia 215925
• Vilca Condori Hayro Jerry 220745

Cusco – Perú
2023
En una encuesta realizada en la escuela profesional de Ingeniería Civil a los
estudiantes de estadística y probabilidades sobre las especialidades de la
carrera: Estructural (E), Geotecnia (G), Hidráulica(H), Ambiental(A),
Carreteras(C), Puentes (P); las respuestas fueron:
Frecuencias
Estadísticos

ESPECIALIDADES

Válidos 31
N
Perdidos 9

a) Construya la distribución de frecuencias:

ESPECIALIDADES

Frecuencia Porcentaje

Estructuras 3 7,5

Geotecnia 5 12,5

Hidraulica 4 10,0
Válidos
Ambiental 7 17,5

Puentes 12 30,0

Total 31 77,5

Perdidos Sistema 9 22,5

Total 40 100,0

b) Dibuje un gráfico para estos datos:

Elabora un diagrama de dispersión e indica la tendencia:
 Interpretación:
A través de este diagrama de dispersión podemos visualizar la tendencia y relación
lineal positiva entre el consumo de mercurio metil y el mercurio en la sangre y se
ajusta mejor a una recta.

a) Determine el coeficiente de correlación de la muestra. Interprete:

Resumen del modelo

Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación

1 0,940a 0,883 0,871 46,36807

a. Variables predictoras: (Constante), CONSUMODEMERCURIODEMETIL

Interpretación:

Como 𝑹 ≅ 𝟏 entonces se puede ver que hay una relación lineal positiva entre el
consumo de mercurio de metil con el mercurio en toda la sangre.

b) Encuentre la ecuación de regresión que describa la relación lineal entre las

dos variables:

ANOVAa

Modelo Suma de gl Media F Sig.

cuadrados cuadrática

Regresión 162391,687 1 162391,687 75,531 0,000b

1 Residual 21499,980 10 2149,998

Total 183891,667 11

a. Variable dependiente: MERCURIOENTODALASANGRE

b. Variables predictoras: (Constante), CONSUMODEMERCURIODEMETIL

Diagnósticos de colinealidada

Modelo Dimensión Autovalores Índice de Proporciones de la varianza

condición (Constante) CONSUMODE
MERCURIODE
METIL

1 1,900 1,000 0,05 0,05

1
2 0,100 4,352 0,95 0,95

a. Variable dependiente: MERCURIOENTODALASANGRE

 Coeficientesa

Modelo Coeficientes no Coeficientes t Sig. Estadísticos de colinealidad

estandarizados tipificados

B Error típ. Beta Tolerancia FIV

(Constante) -20,579 30,662 -0,671 0,517

CONSUMOD 0,641 0,074 0,940 8,691 0,000 1,000 1,000

1
EMERCURI
ODEMETIL

a. Variable dependiente: MERCURIOENTODALASANGRE

Reemplazando los parámetros en la ecuación lineal obtenemos:

Y=0.641X-20.579

Sig es ≤ a 0.05 acepta la hipótesis alterna por lo tanto es posible construir

modelo de regresión lineal con estas dos variables según la relación
analizada.

a. Trazar el diagrama de dispersión, e indicar la tendencia.

 Prueba

Interpretación:
A través de este diagrama de dispersión podemos visualizar la tendencia y relación
lineal positiva entre la habilidad mental y el examen de admisión y se ajusta mejor a
una recta.
 b. Calcular la regresión de mínimos cuadrados
Estimación curvilínea

Descripción del modelo

Nombre del modelo MOD_1

Variable dependiente 1 examen

Ecuación 1 Lineal

Variable independiente prueba

Constante Incluidos

Variable cuyos valores etiquetan las observaciones en Sin especificar

los gráficos

Resumen del procesamiento de los

casos

Total de casos 9

Casos excluidosa 0

Casos pronosticados 0

Casos creados nuevos 0

a. Los casos con un valor perdido en

cualquier variable se excluyen del
análisis.

Resumen del procesamiento de las variables

Variables

Dependiente Independiente

examen prueba

Número de valores positivos 9 9

Número de ceros 0 0

Número de valores negativos 0 0

Perdidos definidos por el 0 0

Número de valores usuario
perdidos
Perdidos del sistema 0 0
Resumen del modelo y estimaciones de los parámetros

Variable dependiente: examen

Ecuación Resumen del modelo Estimaciones de los parámetros

R cuadrado F gl1 gl2 Sig. Constante b1

Lineal 0,683 15,074 1 7 0,006 -2,132 4,365

La variable independiente es prueba.

Reemplazando los parámetros en la ecuación lineal obtenemos:

Y=4.365X-2.278

Sig es ≤ a 0.05 acepta la hipótesis alterna por lo tanto es posible construir

modelo de regresión lineal con estas dos variables según la relación analizada.

c.- Calcular los coeficientes de correlación.

Correlaciones

prueba examen

Correlación de Pearson 1 0,826**

prueba Sig. (bilateral) 0,006

N 9 9

Correlación de Pearson 0,826** 1

examen Sig. (bilateral) 0,006

N 9 9

**. La correlación es significativa al nivel 0,01 (bilateral).

Interpretación:

Como 𝑹 ≅ 𝟏 entonces se puede ver que hay una relación lineal positiva entre la
prueba de habilidad mental con el examen de admisión.
 4) Se muestra las correspondientes alturas en centímetros de un grupo de padres y de
sus hijos primogénitos:

Altura Padre 164 181 173 164 180 190 164 166 182
Altura Hijo 166 175 179 153 181 183 167 167 176
a) Elabora un diagrama de dispersión e indica la tendencia

Interpretación:
A través de este diagrama de dispersión podemos visualizar la tendencia y relación
lineal positiva entre la altura padre y la altura hijo y se ajusta mejor a una recta.

b) Determine el coeficiente de correlación de la muestra. Interprete.

Resumen del modelo

Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación

1 0,826 0,682 0,636 5,73411

 El coeficiente de correlación de la muestra es R=0,826 y representa una
relación lineal positiva.

Interpretación:

Como 𝑹 ≅ 𝟏 entonces se puede ver que hay una relación lineal positiva entre la
altura padre con la altura hijo

c) Encuentre la ecuación de regresión que describa la relación lineal entre las

dos variables.

Coeficientesa

Modelo Coeficientes no estandarizados Coeficientes t Sig.

tipificados

B Error típ. Beta

(Constante) 32,837 35,971 0,913 0,392

1
Altura_Padre 0,800 0,207 0,826 3,871 0,006

a. Variable dependiente: Altura_Hijo

Reemplazando los parámetros en la ecuación lineal obtenemos:

Y=0.8X+32.837

Sig es ≤ a 0.05 acepta la hipótesis alterna por lo tanto es posible construir

modelo de regresión lineal con estas dos variables según la relación analizada.