ESTUDIANTE: ALEXANDRA PAOLA VALENCIA CUBAS

La altura, en cm, de 8 padres y del mayor de sus hijos varones, son:

Padre 170 173 178 167 171 169 184 175

Hijo 172 177 175 170 178 169 180 187

Una vez obtenida la recta de regresión de manera manual que permita estimar la altura de los hijos dependiendo de la del
realizada el grafico de dispersión

Y (Hijo) X (Padre) 𝑋^2 𝑌^2 XY 𝑌 ̂ SCR SCE DATOS:

172 170 28900 29584 29240 173.901 4.40 3.62
∑▒𝑌=1408
177 173 29929 31329 30621 175.767 0.05 1.52
175 178 31684 30625 31150 178.876 8.27 15.02 ∑▒𝑋=1387
170 167 27889 28900 28390 172.036 15.71 4.15 ∑▒𝑌^2 =248052
178 171 29241 31684 30438 174.523 2.18 12.09
∑▒𝑋^2 =240685
169 169 28561 28561 28561 173.28 7.40 18.31
180 184 33856 32400 33120 182.607 43.65 6.79 ∑▒𝑋𝑌=244245
187 175 30625 34969 32725 177.01 1.02 99.79
1408 1387 240685 248052 244245 1408 82.69 161.29
176
𝛽1=(8∗244245−1408∗1387)/(8∗240685− 〖 1387 〗 ^2 )
𝛽1= 0.6218

𝛽0=(1408−0.6218∗1387)/8 𝛽0= 68.1954

𝑌=68.195+0.6218𝑋

Coeficiente de Correlación Coeficiente de

0.58221 58.2%
(r)= Determinación (R2)=
SCT= 243.98

a) ¿Qué altura cabría esperar para un hijo si su padre mide 174? ¿Y para un padre, si su hijo mide 190 cm? (3 puntos)

PADRE: 174 HIJO: 176.388

𝑌=68.195+0.6218(174)
𝑌=176.3882

PADRE: 195.89 HIJO: 190

190=68.195+0.6218𝑋
𝑋=195.89

b) Interprete el coeficiente de correlación

La correlación (R) es directa intensa entre la altura del padre (x) y la del hijo (y), mientras más alto es el
padre más altura tendrá el hijo.
os dependiendo de la del padre y

Regresión Lineal
190

185

180
Altura Hijo

175

170

165

160
166 168 170 172 174 176 178 180 182 184 186
Altura Padre

34%

190 cm? (3 puntos)

 El número de bacterias por unidad de volumen, presentes en un cultivo después de un cierto número de horas, viene
expresado en la siguiente tabla:

X: Nº de horas 0 1 2 3 4 5
Y: Nº de bacterias 12 19 23 34 56 62

Halle el coeficiente de regresión y el coeficiente de determinación

Y (Bacterias) X (Horas) 𝑋^2 𝑌^2 XY 𝑌 ̂ SCR SCE DATOS:

12 0 0 144 0 7.76 706.04 17.96 ∑▒𝑌=206
19 1 1 361 19 18.39 254.17 0.37
23 2 4 529 46 29.02 28.24 36.23 ∑▒𝑋=15
34 3 9 1156 102 39.65 28.24 31.89 ∑▒𝑌^2 =9170
56 4 16 3136 224 50.28 254.17 32.76
∑▒𝑋^2 =55
62 5 25 3844 310 60.90 706.03 1.20
206 15 55 9170 701 206 1976.89 120.419 ∑▒𝑋𝑌=701
34.33

𝛽1=(6∗701−15∗206)/(6∗55− 〖 15 〗 ^2 ) 𝛽1= 10.6285

𝛽0=(206−10.6285∗15)/6 𝛽0= 7.762

𝑌=7.762+10.629𝑋

Coeficiente de Correlación
(r)= 0.97087 97.1%

SCT= 2097.31
Coeficiente de
94.3%
Determinación (R2)=
mero de horas, viene

Regresión Lineal
∑▒𝑌=206
70
∑▒𝑋=15
60
∑▒𝑌^2 =9170 50
N° BACTERIAS

∑▒𝑋^2 =55 40
∑▒𝑋𝑌=701 30

20
10

0
0 1 2 3 4 5 6
N° HORAS
Para una empresa Grande los gastos de investigación y dólares para un quinquenio se muestra a continuación.
desarrollo con las ganancias en millones de

Y (Ganancia 𝑋^2 𝑌^2 𝑌 ̂

Año X (Gastos) XY SCR SCE
anual)
1995 31 170 28900 961 5270 29.582 0.17 2.01
1994 40 173 29929 1600 6920 30.5228 0.27 89.82
1993 30 178 31684 900 5340 32.0908 4.37 4.37
1992 34 167 27889 1156 5678 28.6412 1.85 28.72 ∑▒𝑌^2 =5642
1991 25 171 29241 625 4275 29.8956 0.01 23.97
∑▒𝑋^2 =176204
1990 20 169 28561 400 3380 29.2684 0.54 85.90
180 1028 176204 5642 30863 180.001 7.21 234.79
30
𝛽1=(6∗30863−1028∗180)/(6∗176204− 〖 1028 〗 ^2 )
𝛽1=

𝛽0=(180−0.3136∗1028)/6 𝛽0=

𝑌=−23.73+0.3136𝑋

Coeficiente de Correlación Coeficiente de

0.17265 17.3%
(r)= Determinación (R2)=
SCT= 242.00

La relación es directa débil, esto quiere decir que si la El 3% de la variabilidad de la ganancia

aumentan los gastos no necesariamente aumentaran las es explicado por el modelo de
ganancias. regresión lineal
stra a continuación.

DATOS:
Regresión Lineal
∑▒𝑌=180 45

∑▒𝑋=1028 40
∑▒𝑌^2 =5642
35
GANANCIA ANUAL

∑▒𝑋^2 =176204
∑▒𝑋𝑌=30863 30

25

0.3136
20

-23.73 15
165 167 169 171 173 175 177 179
GASTOS

Coeficiente de
3%
erminación (R2)=

e la variabilidad de la ganancia
xplicado por el modelo de
regresión lineal
 En los baños de un Centro comercial la cantidad de agua que se gasta depende de la afluencia de los usuarios a dicho cent
desea realizar cobros por el uso de estos servicios sanitarios debido a que existe muchas personas que acuden sin ser un u
agua consumida (m3) en función a la cantidad de personas (ciento de personas) se muestra a continuación.

X (personas) 1 3 3 3 4 2 5 2
Y (m3 agua) 1 2 4 2 5 1 6 3

Halle el coeficiente de regresión y el coeficiente de determinación

Y (m3 agua) X (personas) 𝑋^2 𝑌^2 XY 𝑌 ̂ SCR SCE

1 1 1 1 1 0.59 5.82 0.17
2 3 9 4 6 3.16 0.03 1.35
4 3 9 16 12 3.16 0.03 0.70
2 3 9 4 6 3.16 0.03 1.35 ∑▒𝑌^2 =96
5 4 16 25 20 4.45 2.10 0.30
∑▒𝑋^2 =77
1 2 4 1 2 1.87 1.27 0.76
6 5 25 36 30 5.74 7.48 0.07
3 2 4 9 6 1.87 1.27 1.27
24 23 77 96 83 24.001 18.013013 5.97701
3.00

𝛽1=(8∗83−23∗24)/(8∗77− 〖 23 〗 ^2 ) 𝛽1= 1.287

𝛽0=(24−1.287∗23)/8 𝛽0= -0.7

𝑌=−0.7+1.287𝑋

Coeficiente de Correlación
(r)= 0.86658 86.7%
SCT= 23.99
Coeficiente de
75.1%
Determinación (R2)=

a) Hallar el modelo de regresión lineal simple.

b) Realizar un pronóstico de agua consumida cuando acuden 400 personas.

Personas= 400 Agua= 514.1
𝑌=−0.7+1.287(400)
c) Calcule e interprete el coeficiente de correlación
El coeficiente de correlación indica una relación directa intensa, es decir si aumenta la
cantidad de personas también aumentará la cantidad de agua consumida.
ncia de los usuarios a dicho centro comercial. La gerencia del establecimiento
ersonas que acuden sin ser un usuario del centro comercial. La cantidad de
a a continuación.

DATOS:
Regresión Lineal
∑▒𝑌=24
7
∑▒𝑋=23
6
∑▒𝑌^2 =96 5
∑▒𝑋^2 =77 4
M3 AGUA

∑▒𝑋𝑌=83 3
2

1
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
PERSONAS
Los alumnos de la Facultad de Comunicaciones estudian con mucha Tesón durante la última semana de clases
para su examen final de estadística, en la siguiente tabla se muestra las horas de estudio de una muestra de 6
alumnos y su respectiva nota obtenida.

X (Horas de 𝑋^2 𝑌^2 𝑌 ̂

Y (Nota) XY SCR SCE DATOS:
estudio)
8 1 1 64 8 7.1428 28.70 0.73
∑▒𝑌=75
9 2 4 81 18 9.2856 10.33 0.08
11 3 9 121 33 11.4284 1.15 0.18 ∑▒𝑋=21
12 4 16 144 48 13.5712 1.15 2.47 ∑▒𝑌^2 =1023
17 5 25 289 85 15.714 10.33 1.65
∑▒𝑋^2 =91
18 6 36 324 108 17.8568 28.70 0.02
75 21 91 1023 300 74.9988 80.35 5.14 ∑▒𝑋𝑌=300
12.5
𝛽1=(6∗300−21∗75)/(6∗91− 〖 21 〗 ^2 )
𝛽1=

𝛽0=(75−2.1428∗21)/6 𝛽0=

𝑌=5+2.1428𝑋

Coeficiente de Correlación 0.96946 Coeficiente de

96.9%
(r)= Determinación (R2)=
SCT= 85.50

El 94% de la variabilidad de la
La relación es directa intensa, esto quiere decir que si la
ganancia es explicado por el model
aumentan las horas de estudio tambien aumenta la nota
de regresión lineal
El
9+O1
% de
la
variabi
lidad
de la
ganan
cia es
explica
do por
el
model
o de
regresi
ón
lineal
emana de clases
na muestra de 6

REGRESIÓN LINEAL
20
∑▒𝑌^2 =1023
18
16
∑▒𝑋𝑌=300 14
12
NOTA

10
2.1428 8
6
5
4
0.5 1.5 2.5 3.5 4.5 5.5 6.5
HORAS DE ESTUDIO

Coeficiente de
94%
erminación (R2)=

4% de la variabilidad de la
ia es explicado por el modelo
de regresión lineal