Trabajo Salud Mental

DEPARTAMENTO DE ESTUDIOS
GENERALES
2023 1
ESTADÍSTICA Y PROBABILIDADES
PRÁCTICA SEMANA 10 y SEMANA 11
INTEGRANTES:
 PALOMINO CONDORI JULIA

 SILVESTRE DANIEL
 LASTEROS RIVERA LESLIE
 SIFUENTES RAMÍREZ ZENA
 JESUS MEJIA ALLENDE
 YASHELL ARROYO RIVAS
 TÁMARA CARRERA YULI
DEPARTAMENTO DE ESTUDIOS
GENERALES
2023 1
ESTADÍSTICA Y PROBABILIDADES
PRÁCTICA SEMANA 10 y SEMANA 11

TEMA ESCUELA PROFESIONAL
Correlación Lineal y Regresión Lineal
1. Se tiene en la semana 9, el archivo "data_pacientes.xlsx" con el registro de un grupo de

pacientes clasificados por diferentes variables. Analice la relación existente entre:
- Talla (X) vs Peso (Y)
- Peso (X) vs IMC (Y)
Para cada uno de los casos anteriores:

a) Construya su gráfico de dispersión
Diagrama de dispersión Talla vs Peso

100
90
80
Peso (kg)
70
60
50
40
140 150 160 170 180 190 200
Talla (cm)
Diagrama de dispersión Peso vs IMC

38
36
34
32
30
IMC
28
26
24
22
20
18
40 50 60 70 80 90 100
Peso (kg)
Estadística 2023-1
b) Calcule la covarianza SXY
4170.48
sxy= 67
sxy = 62.25 Confirma que la relación es positiva entre las dos variables.
La relación es a mayor talla, mayor peso entre los
pacientes.
- Peso (X) vs IMC (Y)
2198.09
sxy= 67
sxy = 32.81
Confirma que la relación es positiva entre las dos variables.
La relación es a mayor Peso, mayor IMC entre los
pacientes.
c) Calcule el coeficiente de correlación rXY y de acuerdo al resultado que conclusiones daría
sobre la relación entre X e Y.
Paso 1: Calcular SXY
sxy = 62.25
Paso 2: Calcular Sx
1742738 − 67 𝑥 25924.22
=
67
86.79
Sx = 9.32
Paso 3: Calcular SY
= 337736.25 − 67 𝑥 4902.80
= 138.04
Sy = 11.75 67
Estadística 2023-1
Paso 4 : Calcular rXY
62.25
rxy= 9.32 𝑥 11.75
rxy = 0.57 Existe una moderada correlación entre ambas variables: Talla y Peso de los pacientes.
- Peso (X) vs IMC
(Y) Paso 1: Calcular SXY
sxy = 32.81
Paso 2: Calcular Sx
337736.25 − 67 𝑥 4902.8
=
67
138.04
Sx = 11.75
Paso 3: Calcular SY
49699.7302 − 67 𝑥 727.38
= 14.41
= 67
Sy = 3.8
Paso 4 : Calcular rXY
32.81
rxy= 11.75 𝑥 3.8
rxy = 0.74 Existe una relativamente alta correlación entre ambas variables: Talla y IMC de los pacientes.
2. Los estadounidenses conscientes de la salud consultan a menudo la información relacionada con los nutrientes que
aparecen en los envases de los alimentos con el fin de evitar los que contengan grandes cantidades de grasa, sodio
o colesterol. La siguiente información se tomó de ocho marcas distintas de queso americano en rebanadas:
Grasas Colesterol
Marca Grasa (g) Sodio (mg) Calorías
Saturadas (g) (mg)
Kraft Deluxe American 7 4.5 20 340 80
Kraft Velveeta Slices 5 3.5 15 300 70
Private Selection 8 5.0 25 520 100
Ralphs Singles 4 2.5 15 340 60
Kraft 2% Milk Singles 3 2.0 10 320 50
Estadística 2023-1
Kraft Singles American 5 3.5 15 290 70

Borden Singles 5 3.0 15 260 60
Lake to Lake American 5 3.5 15 330 70
a) ¿Qué pares de variables espera usted que estén fuertemente relacionadas?

De acuerdo al coeficiente de correlación las variables Grasa y Grasas Saturadas están fuertemente
relacionadas a comparación de las otras variables.
Grasas
Grasa (g)
saturadas (g)
X Y XY 2 2
X Y
7 4.5 31.5 49 20.25
5 3.5 17.5 25 12.25
8 5 40 64 25
4 2.5 10 16 6.25
r𝑥𝑦 = 1.52
3 2 6 9 4 1.58 𝑥 0.98
5 3.5 17.5 25 12.25
5 3 15 25 9 r𝑥𝑦 = 0.98 Correlación muy alta.
5 3.5 17.5 25 12.25
42 27.5 155 238 101.25
b) Trace un diagrama de dispersión para la grasa y la grasa saturada. Describa la relación.
Diagrama de dispersión Grasa (g) vs Grasas saturadas (g)

5
4.5 Es una Relación LINEAL

Grasas saturadas (g)
POSITIVA, es decir a medida

4
que aumentan los Grasas
3.5 también lo hacen las Grasas
3 Saturadas con un coeficiente
de correlación de 0.98
2.5
demostrando una relación
2 fuerte.
3 4 5 6 7
8
Grasa (g)
c) Elabore un diagrama de dispersión para grasas y calorías. Compare el patrón con el observado en el inciso
b).
Diagrama de dispersión Grasa (g) vs Calorias

100
90 Es una Relación LINEAL

POSITIVA, es decir a medida que
80
Calorías
aumentan las Grasas Saturadas

también lo hacen las calorías,
70
aunque no tan fuerte como el
diagrama b, ya que su
60
coeficiente es de 0.96.
50
3 4 5 6 7 8 9
Estadística 2023-1
Grasa (g)
Estadística 2023-1
d) Trace un diagrama de dispersión para la grasa y el sodio, y otro para colesterol y sodio.
Diagrama de dispersión Grasa (g) vs Sodio (mg)

550
500
450
Sodio (mg)
400
350
300
250
3 4 5 6 7 8
Grasa (g)
Diagrama de dispersión colesterol (mg) vs Sodio (mg)

550
500
450
Sodio (mg)
400
350
300
250
10 12 14 16 18 20 22 24 26
Colesterol (mg)
e) Calcule el coeficiente de correlación r para las variables de colesterol y sodio
Colesterol (mg)
Sodio (mg)
X Y XY 2 2
X Y
20 340 6800 400 115600
15 300 4500 225 90000
25 520 13000 625 270400
15 340 5100 225 115600
10 320 3200 100 102400
15 290 4350 225 84100
15 260 3900 225 67600
15 330 4950 225 108900
130 2700 45800 2250 954600
Estadística 2023-1
Paso 1: Calcular SXY
45800 − 8 𝑥 5484.38
=
SXY= 275 7
Paso 2: Calcular Sx
2250 − 8 𝑥 264.06
7
=
S2 X = 19.65
SX = 4.43
Paso 3: Calcular Sy
= 954600 − 8 𝑥 113906.25
7
S2 y= 6192.86
Sy= 78.69
Paso 4: Calcular rxy
275
=
4.43 𝑥 78.69
rxy= 0.79 Se encuentra en el rango de alta correlación.
3. PARA CADA UNA DE LOS SIGUIENTES CASOS RESUELVA LAS SIGUIENTES PREGUNTAS ASOCIADAS
AL CONJUNTO DE DATOS
a. Construya su gráfico de dispersión y determine la relación
b. Calcule la covarianza SXY
c. Calcule la Desviación estándar muestral de X
d. Calcule la Desviación estándar muestral de Y
e. Calcule el coeficiente de correlación rXY y que concluiría de acuerdo a los objetivos de la investigación
Caso A: El gerente de personal de la empresa P&C quiere estudiar la relación entre el ausentismo y la
edad de sus trabajadores. Tomo una muestra aleatoria de 10 trabajadores de la empresa y encontró los
siguientes datos.
Edad_(año) 25 46 58 37 55 32 41 50 23 60
Ausentismo_(días_por_año) 18 12 8 15 10 13 7 9 16 6
Estadística 2023-1
A.1. Use el método de mínimos cuadrados para estimar la ecuación de regresión lineal
que relacione los días de ausentismo de acuerdo a la edad de las personas
A.2. De acuerdo al coeficiente de Determinación (R2) que tan bien ajusta el modelo
la variabilidad de la variable dependiente.
A.3. ¿Cuál es número de días que se espera se ausente una persona al año si tiene 55 años?
Diagrama de dispersión Edad vs Ausentismo

Ausentismo (díasxaño)
Relación LINEAL NEGATIVA

A medida que aumentan la
edad de los trabajadores
disminuye los días de
ausentismo de estos.
20 30 40 50 60 70
Edad (año)
4452 − 10 x 486.78
=
9
SXY= −46.2
19833 − 10 x 1823.29
9
=
S2 X= 177.79
SX= 13.33
= 1448 − 10 x 129.96
9
S2y= 16.49
Sy= 4.06
Estadística 2023-1
e. Calcule el coeficiente de correlación rXY y que concluiría de acuerdo a los objetivos de

la investigación
−46.2
=
13.33 𝑥 4.06
rxy= −𝟎. 𝟖𝟓 Se encuentra en el rango de alta correlación negativa, los que demuestra que los
trabajadores de mayor edad se ausentan menos días que los trabajadores más
jóvenes.
A.1. Use el método de mínimos cuadrados para estimar la ecuación de regresión lineal
que relacione los días de ausentismo de acuerdo a la edad de las personas
Ecuación de regresión lineal

−46.2
=
177.79
= -0.26
= 11.4 - (-0.26 x 42.7)
= 22.50
Reemplazando los valores aˆ y bˆ en la ecuación:
yˆ = 22.496 - 0.2599 x
A.2. De acuerdo al coeficiente de Determinación (R2) que tan bien ajusta el modelo
la variabilidad de la variable dependiente.
2
= -0.85
Se puede afirmar que el 72.81% de la variabilidad de ausentismo
es explicado por los datos de la edad. El modelo explica se ajusta
R2 = 0.7281 = 72.81% bastante bien la variabilidad de los datos, existe una fuerte
dependencia lineal negativa entre las dos variables.
A.3. ¿Cuál es número de días que se espera se ausente una persona al año si tiene 55 años?
yˆ = 22.496 - 0.2599 x
= 22.496 – 0.2599 (55) = 8.2 Es decir que una persona con 55 años puede ausentarse 8 días al
año.
Estadística 2023-1
Caso B. Se viene investigando la relación entre la tasa de mortalidad de los niños menores de 5 años
con el avance del porcentaje de vacunados contra la DPT (difteria, tos convulsiva, tétano). Se tiene la
información de 20 países en los que se midieron ambas variables,
X : porcentaje de niños vacunados a la edad de un año en cada país,
Y : es la tasa de mortalidad infantil de niños menores de 5 años en cada país
País Porcentaje vacunado Tasa de mortalidad
Menor a 5 años
Bolivia 77.0 118.0
Brasil 69.0 65.0
Camboya 32.0 184.0
Canadá 85.0 8.0
China 94.0 43.0
República Checa 99.0 12.0
Egipto 89.0 55.0
Etiopía 13.0 208.0
Finlandia 95.0 7.0
Francia 95.0 9.0
Grecia 54.0 9.0
India 89.0 124.0
Italia 95.0 10.0
Japón 87.0 6.0
México 91.0 33.0
Polonia 98.0 16.0
Federación Rusa 73.0 32.0
Senegal 47.0 145.0
Turquía 76.0 87.0
Reino Unido 90.0 9.0
Diagrama de dispersión Porcentaje de niños vacunados vs

Tasa de mortalidad infantil
220
208
Tasa de mortalidad infantil
196
184
172
160
148 Relación LINEAL NEGATIVA
136
124 A medida que aumenta el
112
100 porcentaje de niños
88
76 vacunados disminuye la
64
52
40 tasa de mortalidad infantil.
28
16
4
10 30 50 70 90 110
Porcentaje de niños vacunados
68626 − 20 x 4566.6
=
19
Estadística 2023-1
SXY= −1195.05
19833 − 10 x 1823.29
19
=
S2 X= 559.52
SX= 23.65
147118 − 20 𝑥 3481
=
19
S2y= 4078.84
Sy= 63.87
la investigación
−1195.05
=
23.65 𝑥 63.87
rxy= −𝟎. 𝟕𝟗 Se encuentra en el rango de alta correlación negativa, los que

demuestra que a mayor porcentaje de niños vacunados
disminuye la tasa de mortalidad infantil
B.1. Estime el modelo de ecuación de regresión lineal para estimar la tasa de mortalidad en base
al porcentaje de vacunados.

−1195.05
=
559.52
= -2.1359
= 59 – (-2.1358 x 77.4)
= 224.3
Estadística 2023-1
yˆ = 224.32 - 2.1359 x
B.2. ¿Cuál es la tasa de mortalidad que se esperaría si se tuviera una población vacunada al
75%? yˆ = 224.32 - 2.1359 x
yˆ = 224.32 - 2.1359 (75%)
yˆ = 64.13% Es decir que una población vacunada al 75% tiene una tasa de
mortandad de 64.13%
B.3. Calcule el coeficiente de determinación R2 y determine que tan bien explica el modelo la
variabilidad del conjunto de datos.
2
= -0.79
Se puede afirmar que el 62.58% de la variabilidad de Tasa de
2
R = 0.6258= 62.58% mortalidad infantil es explicado por los datos del porcentaje de niños
vacunado. El modelo explica se ajusta bastante bien la variabilidad de
los datos, existe una fuerte dependencia lineal negativa entre las dos
variables.
Caso C: El gerente de ventas de una cadena de tiendas obtuvo información de los pedidos por internet (X)
y del número de ventas realizadas por esa modalidad (Y). Como parte de su presentación en la próxima
reunión de vendedores al gerente le gustaría dar información específica sobre la relación entre el
número de pedidos y el número de ventas realizadas.
TENDA 1 2 3 4 5 6 7 8 9 10
NÚMERO PEDIDOS (X) 50 56 60 68 65 50 79 35 42 15
NÚMERO_VENTAS (Y) 45 55 50 65 60 40 75 30 38 12
Diagrama de dispersión Número de Pedidos vs Número de Ventas

80
75
70
65
60
Relación LINEAL POSITIVA
Número de Ventas
55
50 MUY ALTA. A medida que
45 aumenta el número de
40
pedidos también aumenta
35
30 el número de ventas en las
25 tiendas.
20
15
10
5
15 25 35 45 55 65 75 85
Número de Pedidos
Estadística 2023-1
27401 − 10 X 2444
=
9
SXY= 329
30040 − 10 X 2704
=
2
9
S X= 333.33
SX= 18.26
25088 − 10 𝑥 2209
=
S2y= 333.11 9
Sy= 18.25
la investigación
329
=
18.26 𝑥 18.25
Se encuentra en el rango de alta correlación positivo, los que

rxy= 𝟎. 𝟗𝟖𝟕 demuestra que, a mayor número de pedidos, el número de
ventas aumentará en las tiendas.
C.1. Estime el modelo de ecuación de regresión lineal del número de ventas dado el número de
pedidos.
329
=
333.33
= 0.987
= 47 – (0.987 X 52)
Estadística 2023-1
= −4.324
yˆ = -4.324 + 0.987 x
C.2. ¿Cuántas ventas se pueden esperar si un día determinado se hacen 70 pedidos de acuerdo
al modelo de regresión estimado?
yˆ = -4.324 + 0.987 x
yˆ = -4.324 + 0.987 (70)
yˆ = 65 Es decir, se pueden esperar 65 ventas respecto a los 70 pedidos

realizado de acuerdo al modelo de regresión estimado.
C.3. Calcule el coeficiente de determinación R2 y determine que tan bien explica el modelo
la variabilidad del conjunto de datos.
2
= 0.987
R2 = 0.9748= 97.48% Este modelo explica el 97.48% de la variabilidad de los datos, existe
una muy alta relación entre el número de pedidos y número de ventas.
Caso D: En un estudio para determinar la relación entre edad (X) y presión sanguínea (Y) una muestra
aleatoria de 11 mujeres ha dado los siguientes resultados.
X 54 40 70 35 62 45 55 50 38 60 30
Y 148 123 155 115 150 126 152 144 114 158 112
Diagrama de dispersión Edad vs Presión Sanguínea

170
165
160
155
150
Presión Sanguínea
145 Relación LINEAL POSITIVA

135 aumenta la edad también
130
aumenta la presión
125
120 sanguínea en esta muestra
115 de mujeres.
110
105
100
30 35 40 45 50 55 60 65 70 75
Edad
Estadística 2023-1
75489 − 11 x 6668.45
=
10
SXY= 213.6
27979 − 11 x 2401
=
10
S2 X= 156.8
SX= 12.52
207003 − 11 𝑥 18520.74
=
S2y= 327.49 10
Sy= 18.1
la investigación
213.6
=
12.52 𝑥 18.1

rxy= 𝟎. 𝟗𝟒𝟑 demuestra que, a mayor edad en las mujeres aumenta la
presión sanguínea.
D.1. Estime el modelo de ecuación de regresión lineal de la presión sanguínea basado en la

edad de las personas
213.6
=
156.8
= 1.3622
= 136.09- (1.3622 x 49)

= 69.341
Estadística 2023-1
yˆ = 69.341 + 1.3622 x
D.2. Cuál sería la presión sanguínea esperada en una persona de 55 años.
yˆ = 69.341 + 1.3622 x
yˆ = 69.341 + 1.3622(55)
yˆ = 144.262 Es decir, en una persona de 55 años a presión sanguínea esperada

será de 144.262.
Caso D: Suponga que el gerente de una cadena de servicios de entrega de paquetería desea desarrollar un
modelo para predecir las ventas semanales (en miles de soles) para las tiendas individuales basado en el
número de clientes que realizan las compras. Se seleccionó una muestra aleatoria entre todas las tiendas
de la cadena con los siguientes resultados:
Tienda 1 2 3 4 5 6 7 8 9 10
Clientes (X) 907 926 506 741 789 889 874 510 529 420
Ventas (miles soles) (Y) 11.2 11.05 6.84 9.21 9.42 10.08 9.45 6.73 7.24 6.12
Tienda 11 12 13 14 15 16 17 18 19 20
101
Clientes (X) 679 872 924 607 452 729 794 844 0 621
11.7
Ventas (miles soles) (Y) 7.63 9.43 9.46 7.64 6.92 8.95 9.33 10.23 7 7.41
Diagrama de dispersión Clientes vs Ventas (miles de soles)

11.61
11
10.39
9.78
Ventas
9.17 Relación LINEAL POSITIVA

8.56
MUY ALTA. A medida que
7.95
aumenta el número de
7.34
6.73 lientes también aumenta
las ventas en las
respectivas
6.12
tiendas.
400 500 600 700 800 900 1000 1100
Clientes
134127.9 − 20 𝑥 6438.14
=
19
Estadística 2023-1
SXY= 282.37
11306209 − 20 𝑥 534580.32
=
19
S2 X= 32347.5
SX= 179.85
1602.0971 − 20 𝑥 77.54
=
19
S2y= 2.7
Sy= 1.64
la investigación
282.37
=
179.85 𝑥 1.64

rxy= 𝟎. 𝟗𝟓𝟒𝟗 demuestra que, a mayor número de clientes, el número de
ventas aumentará en las tiendas.
D.1. Estime el modelo de ecuación de regresión lineal para estimar las ventas, en base a la
cantidad de clientes
282.37
=
32347.5
= 0.0087
= 8.8055 - (0.0087 x 731.15)

= 2.423
yˆ = 2.423+ 0.0087X
D.2 Cuál sería el estimado de ventas en el caso una tienda tenga promedio de 800 clientes
yˆ = 2.423+ 0.0087x
yˆ = 2.423+ 0.0087 (800)
yˆ = 9.383 (miles de Es decir, para un promedio de 800 clientes se estima unas ventas
soles) de 9,383.00 soles.
Estadística 2023-1
Caso E: Se tiene información del coeficiente de inteligencia de un grupo de estudiantes y sus resultados
en su examen parcial:
Coeficiente IQ 140 130 125 120 110 100 95 115 135 100 150
Notas Examen Parcial 18 15 15 14 14 12 12 13 16 11 19
Diagrama de dispersión Coeficiente IQ vs Notas Examen

Parcial
19
18
Notas Examen Parcial
17
16
MUY ALTA. A medida que
15 aumenta el coeficiente
14 intelectual IQ, también
13 aumenta las notas del
12 examen Parcial del grupo
11 de estudiantes
95 105 115 125 135 145 155
Coeficiente IQ
19510 − 11 X 1734.55
=
10
SXY= 43
161600 − 11 X 14400
10
=
S2 X= 320
SX= 17.89
2361 − 11 𝑋 208.93
=
10
S2y= 6.27
Sy= 2.5
Estadística 2023-1

la investigación
43
=
17.89 𝑋 2.5

rxy= 𝟎. 𝟗𝟔 demuestra que, a mayor IQ en los estudiantes mayor será el
resultado en sus notas del examen parcial.
E.1. Estime el modelo de ecuación de regresión lineal de la nota del Examen Parcial basado en su IQ.
43
=
320
= 0.1344
= 14.45 - (0.1344 x 120)

= −1.6705
yˆ = -1.6705 + 0.1344X
E.2. Cuál sería la nota que alcance un estudiante cuyo IQ es igual 120
yˆ = -1.6705 + 0.1344 x
yˆ = -1.6705 + 0.1344 (120)
yˆ = 14.5 Es decir, para un estudiante cuyo IQ es 120 alcanzaría una nota de
14.5 en su examen Parcial.
E.3. Calcule el coeficiente de determinación R2 y determine que tan bien explica el modelo la
variabilidad del conjunto de datos.
2
= 0.961
R2 = 0.9212= 92.12% Se puede afirmar que el 92.12% de la variabilidad de las notas del
examen Parcial es explicado por los datos del coeficiente IQ. El modelo
explica se ajusta bastante bien la variabilidad de los datos, existe una
muy alta relación entre las dos variables.
Caso F: La calificación de un grupo de estudiantes en el examen parcial (X) y el examen final (Y) fueron las
siguientes:
X y x Y X y x y
12 15 18 20 15 17 13 14
8 10 12 14 12 15 10 13
Estadística 2023-1
10 12 10 12 11 12 12 15
13 14 12 10 12 13 13 14
9 12 14 16 11 12 12 13
14 15 9 11 10 13 16 18
11 16 10 13 14 12 15 17
Diagrama de dispersión Examen parcial vs Examen Final

19
18
17
Examen Final

14 aumenta las notas del
13 examen Parcial, también
12
aumenta las notas del
examen Final del grupo de
11
estudiantes.
10
8 9 10 11 12 13 14 15 16 17 18 19
Examen Parcial
4803 − 28 X 167.276
=
27
SXY= 4.42
4222 − 28 X 145.72
=
27
S2 X= 5.25
SX= 2.29
5528 − 28 𝑋 192.02
=
27
S2y= 5.61
Sy= 2.37
Estadística 2023-1

la investigación
4.42
=
2.29 𝑋 2.37

rxy= 𝟎. 𝟖𝟏𝟒 demuestra que, a mayor calificación en el Examen parcial, mayor
será el resultado en el examen Final.
F.1. Determinar la ecuación de regresión lineal de Y basado en X

4.42
=
5.25
= 0.8409
= 13.857 - (0.8409 x 12.07)

= 3.7064
yˆ = 3.7064+ 0.8409X
F.2. Que nota alcanzaría un estudiante en su examen final si tuvo 13 en su examen parcial.
yˆ = 3.7064+ 0.8409X
yˆ = 3.7064+ 0.8409(13)
yˆ = 14.6 Es decir, para un estudiante que sacó 13 en su examen Parcial, le
alcanzaría una nota de 14.6.
Caso G: Se han observado en un estudio de 10 personas el número de respuestas correctas hechos a un test de
20 preguntas y el tiempo demandado para su resolución
1 2 3 4 5 6 7 8 9 10
Preguntas 2 3 3 6 6 6 7 8 9 11
correctas
Tiempo (min) 4 6 6 8 8 10 10 12 15 19
Estadística 2023-1
Diagrama de dispersión N de respuestas correctas vs Tiempo

demandado (min)
19
18
17
16
15
14
Tiempo (min)

12
11 aumenta el número de
10
9
respuestas correctas,
8 también aumenta el tiempo
7
6 demandado para su
5
resolución.
4
2 3 4 5 6 7 8 9 10 11
N. de respuestas correctas
710 − 10 𝑥 59.78
=
9
SXY= 12.47
445 − 10 𝑥 37.21
=
2
9
S X= 8.1
SX= 2.85
1146 − 10 𝑥 96.04
=
S2y= 20.62 9
Sy= 4.54
la investigación
12.47
=
2.85 𝑥 4.54
Estadística 2023-1

rxy= 𝟎. 𝟗𝟔𝟒 demuestra que, a mayor número de respuesta correctas, mayor
será el tiempo demandado para el test de 20 preguntas.
G.1. Defina un modelo de ecuación de regresión lineal para estimar la variable tiempo de
acuerdo al número de respuestas correctas
12.47
=
8.1
= 1.5391
= 9.8 - (1.5391 x 6.1)

= 0.4115
yˆ = 1.5391+ 0.4115X
G.2. Qué tiempo demandaría resolver 15 respuestas correctas del test de 20
preguntas. yˆ = 1.5391+ 0.4115X
yˆ = 1.5391+ 0.4115(15)
yˆ = 23.50 Es decir, para un estudiante resolver 15 preguntas correctas le

demandaría 23 minutos con 30 segundos.
Caso H: Un gerente de ventas reunió los datos siguientes relacionados con las ventas anuales en miles
de soles (y) y los años de experiencia (x) de trece vendedores.
1 2 3 4 5 6 7 8 9 10 11 12 13
X 1 3 4 4 8 6 10 5 11 13 9 8 10
Y 80 97 92 95 111 103 119 90 117 136 115 102 123
Diagrama de dispersión Años de experiencia

vs Ventas anuales (mil. soles)
140
Ventas anuales en miles de soles

122
un vendedor aumenta los
116
110 años de experiencia,
104 también incrementa sus
98
ventas anuales en miles de
92
86
soles.
80
1 2 3 4 5 6 7 8 9 10 11
Años de experiencia
Estadística 2023-1
10401 − 13 𝑥 751.24
=
12
SXY= 52.9
802 − 13 𝑥 50.083
=
12
S2 X= 12.58
SX= 3.55
149432 − 13 𝑥 11268.639
=
S2y= 244.97 12
Sy= 15.65
la investigación
52.9
=
3.55 𝑥 15.65

rxy= 𝟎. 𝟗𝟓𝟑 demuestra que, a mayores años de experiencia, mayor serán las
ventas anuales de un vendedor.
H.1. Defina un modelo de ecuación de regresión lineal para estimar la variable ventas anuales
de acuerdo a los años de experiencia.
52.9
=
12.58
= 4.2064
= 106.1538462 - (4.2064 X 7.0769)

= 76.385
Estadística 2023-1
yˆ = 76.385+ 4.2064X
H.2. Estime las ventas anuales para un vendedor de 7 años
yˆ = 76.385+ 4.2064X
yˆ = 76.385+ 4.2064(7)
yˆ = 105,830.00 soles Es decir, que un vendedor de 7 años de experiencia puede hacer

una venta anual de 105,830.00 soles.
H.3. Calcule el coeficiente de Determinación R2 e interprete que tan bien explica el modelo
la variabilidad del conjunto de datos
2
= 0.952
R2 = 0.9084= 90.84% Se puede afirmar que el 90.84% de la variabilidad de las ventas

anuales de un vendedor es explicado por los datos de años de
experiencia del mismo vendedor. El modelo explica se ajusta bastante
bien la variabilidad de los datos, existe una muy alta relación entre las
dos variables.
Caso I: El jefe del departamento de aguas de una ciudad desea establecer una relación entre el consumo
mensual domiciliario de agua Y, y el tamaño de integrantes de las familias X, Dados los datos muestrales:
1 2 3 4 5 6 7 8 9 10 11 12
X 2 7 9 4 12 6 9 3 3 2 5 4
Y 430 1200 1300 650 1400 900 1800 640 793 480 550 750
Diagrama de dispersión Tamaño de integrantes de las

1800 familias VS Consumo mensual de agua
1750
1700
1650
1600
1550 y = 117.64x + 260.76
1500
R² = 0.7707
Consumo mensual de agua

1400
1350 ALTA. Es decir, a medida
1300
1250 que aumente los miembros
1200
1150 de una familia, del mismo
1100
1050 modo aumenta en consumo
1000
950 domiciliario de agua de una
900
850 ciudad.
800
750
700
650
600
550
500
450
400
2 3 4 5 6 7 8 9 10 11 12
Tamaño de integrantes de las familias
Estadística 2023-1
72969 − 12 𝑥 4992.625
=
11
SXY= 1187.05
474 − 12 𝑥 30.25
=
11
S2 X= 10.09
SX= 3.18
= 11881249 − 12 𝑥 824010.0625
S2y= 181193.48 11
Sy= 425.67
la investigación
1187.05
=
3.18 𝑥 425.67

rxy= 𝟎. 𝟖𝟕𝟕 demuestra que, a mayor número de miembros de una familia,
mayor será el consumo domiciliario de agua.
I.1. Calcular el coeficiente de la pendiente y el origen y construya el modelo de ecuación

de regresión lineal para estimar el consumo mensual de agua basado en el tamaño de
las familias

1187.05
=
10.09
= 117.64 (coeficiente de la pendiente)
= 907.75 - (117.64 x 5.5)

= 260.76
Estadística 2023-1
yˆ = 𝟐𝟔𝟎. 𝟕𝟔+ 117.64X
I.2 Calcule el coeficiente de determinación R2 y determine que tan bien explica el modelo
la variabilidad del conjunto de datos.
2
= 0.877
R2 = 0.7707= 77.07% Se puede afirmar que el 77% de la variabilidad del consumo

domiciliario de agua tamaño de integrantes de una familia es explicado
por los datos del consumo de agua. El modelo explica se ajusta
bastante bien la variabilidad de los datos, existe una muy alta relación
entre las dos variables.
I.3. Estime el consumo mensual de agua para una familia de 8 integrantes
yˆ = 260.76+ 117.64X
yˆ = 260.76+ 117.64(8)
yˆ = 1201.88 Es decir, que para una familia de 8 integrantes se estima un

consumo de agua de 1202 litros aproximadamente.
Caso J: Un especialista en educación desea evaluar si existe relación entre las horas que dedican
estudiantes a ver televisión a la semana (X) y su rendimiento académico (Y)
X 10 18 8 15 5 5 20 12 25 5 6 19 15 9 12 15 5 20 10 8
Y 14 8 16 10 18 17 8 14 5 18 15 5 8 14 12 7 17 6 16 16
Diagrama de dispersión Estudiantes ven tv a la semana

VS Rendimiento académico
18
17
16 Relación LINEAL NEGATIVA
15 ALTA, es decir qué medida
Rendimiento académico
14 que aumenta las horas que

13
un estudiante ve televisión
12
11
a la semana disminuye su
10 rendimiento académico.
9
8
7
6
5
5 6 7 8 9 10 11 12 13 14 15 16 17 18
Estudiantes ven tv a la semana
Estadística 2023-1
2453 − 20 𝑥 147.62
=
19
SXY= −26.28
3618 − 20 𝑥 146.41
=
19
S2 X= 36.31
SX= 6.03
3378 − 20 𝑥 148.84
=
19
S2y= 21.12
Sy= 4.6
la investigación
−26.28
=
6.03 𝑥 4.6
Se encuentra en el rango de alta correlación negativa, los que

rxy= −𝟎. 𝟗𝟒𝟗 demuestra que, a mayores horas que el estudiante se dedique a
ver televisión a la semana, menor será su rendimiento académico.
J.1. Obtener el modelo de regresión más apropiado.
−26.28
=
36.31
= -0.724
= 12.2 - (-0.724 X 12.1)

= 20.96
yˆ = 𝟐𝟎. 𝟗𝟔 - 0.724X
Estadística 2023-1
J.2. De acuerdo al modelo qué promedio espera que alcance un estudiante que mira televisión
10 horas
yˆ = 20.96 - 0.724X
yˆ = 20.96 - 0.724(10)
yˆ = 13.72 Es decir, que un estudiante que mira 10 horas de TV, espera sacar
un promedio de 13.72, es decir en promedio 14 puntos.
J.3. Calcular e interpretar el coeficiente de determinación
2
= -0.949
R2 = 0.9012= 90.12% Se puede afirmar que el 90% de la variabilidad del rendimiento

académico es explicado por los datos de las horas que un estudiante
ve televisión a la semana. El modelo explica se ajusta bastante bien la
variabilidad de los datos, existe una muy alta relación negativa entre
las dos variables.
F. El valor del coeficiente de correlación lineal entre las variables estatura en centímetros (X) y
peso en kilos (Y) es rXY=0.84. Se sabe que la media aritmética y la desviación típica de la
estatura son
𝑥̅=170 y SX=10 y la media aritmética y la desviación típica del peso son 𝑦̅=68 y SY = 5
respectivamente.
a) Calcular la covarianza de la distribución (SXY)
𝑆XY
0.84=
10 𝑥 5
𝑆XY = 42
b) Determine el modelo de regresión línea del peso en base a la estatura.

42
=
102
= 0.42
= 68 − 0.42 X 170
= −3.4
Reemplazando los valores aˆ y bˆ en la ecuación, Finalmente modelo de regresión:
yˆ = -3.4 + 0.42x
Estadística 2023-1
c) Calcular el peso de un individuo que mide 175 cm.
yˆ = -3.4 + 0.42x
= -3.4 + 0.42 (175)
= 70.1 Un individuo de 175 cm pesa 70.1 kilos.
d) Determine el coeficiente de determinación R2 e interprete.
2
= -0.84
Se puede afirmar que el 71% de la variabilidad del peso

R2 = 0.7056 = 70.56% es explicado por los datos de la estatura.

Trabajo Salud Mental

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Trabajo Salud Mental

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO DE ESTUDIOS

PRÁCTICA SEMANA 10 y SEMANA 11

 PALOMINO CONDORI JULIA

PRÁCTICA SEMANA 10 y SEMANA 11

1. Se tiene en la semana 9, el archivo "data_pacientes.xlsx" con el registro de un grupo de

Para cada uno de los casos anteriores:

Diagrama de dispersión Talla vs Peso

Diagrama de dispersión Peso vs IMC

b) Calcule la covarianza SXY

- Talla (X) vs Peso (Y)

- Peso (X) vs IMC (Y)

- Talla (X) vs Peso (Y)

Paso 1: Calcular SXY

Paso 4 : Calcular rXY

- Peso (X) vs IMC

(Y) Paso 1: Calcular SXY

Kraft Singles American 5 3.5 15 290 70

a) ¿Qué pares de variables espera usted que estén fuertemente relacionadas?

b) Trace un diagrama de dispersión para la grasa y la grasa saturada. Describa la relación.

Diagrama de dispersión Grasa (g) vs Grasas saturadas (g)

4.5 Es una Relación LINEAL

POSITIVA, es decir a medida

Diagrama de dispersión Grasa (g) vs Calorias

90 Es una Relación LINEAL

aumentan las Grasas Saturadas

Diagrama de dispersión Grasa (g) vs Sodio (mg)

Diagrama de dispersión colesterol (mg) vs Sodio (mg)

e) Calcule el coeficiente de correlación r para las variables de colesterol y sodio

Paso 1: Calcular SXY

rxy= 0.79 Se encuentra en el rango de alta correlación.

a. Construya su gráfico de dispersión y determine la relación

Diagrama de dispersión Edad vs Ausentismo

Relación LINEAL NEGATIVA

b. Calcule la covarianza SXY

d. Calcule la Desviación estándar muestral de Y

e. Calcule el coeficiente de correlación rXY y que concluiría de acuerdo a los objetivos de

Ecuación de regresión lineal

= 11.4 - (-0.26 x 42.7)

a. Construya su gráfico de dispersión y determine la relación

Diagrama de dispersión Porcentaje de niños vacunados vs

Porcentaje de niños vacunados

b. Calcule la covarianza SXY

d. Calcule la Desviación estándar muestral de Y

rxy= −𝟎. 𝟕𝟗 Se encuentra en el rango de alta correlación negativa, los que

Ecuación de regresión lineal

Reemplazando los valores aˆ y bˆ en la ecuación:

75%? yˆ = 224.32 - 2.1359 x

yˆ = 224.32 - 2.1359 (75%)

a. Construya su gráfico de dispersión y determine la relación

Diagrama de dispersión Número de Pedidos vs Número de Ventas

b. Calcule la covarianza SXY

d. Calcule la Desviación estándar muestral de Y

Se encuentra en el rango de alta correlación positivo, los que

yˆ = -4.324 + 0.987 (70)

yˆ = 65 Es decir, se pueden esperar 65 ventas respecto a los 70 pedidos

a. Construya su gráfico de dispersión y determine la relación

Diagrama de dispersión Edad vs Presión Sanguínea

145 Relación LINEAL POSITIVA

b. Calcule la covarianza SXY

d. Calcule la Desviación estándar muestral de Y

Se encuentra en el rango de alta correlación positivo, los que

D.1. Estime el modelo de ecuación de regresión lineal de la presión sanguínea basado en la

= 136.09- (1.3622 x 49)