UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

UNIVERSIDAD NACIONAL DE SAN

CRISTOBAL DE HUAMANGA
FACULTAD DE INGENIERIA DE MINAS GEOLOGIA Y
CIVIL
E.F.P DE INGENIERIA CIVIL

EXAMEN FINAL (trabajo 04)

Profesor: Profesor: M. Sc. UNI, Ing. CIP Estadístico e
Informático UNALM. Guillermo B. TAPIA CALDERÓN.
Alumno: BERROCAL SACCATOMA, Julián
Curso: Estadística y Probabilidades (IC-241)
Código: 16125725
Clave: I-07
Correo: juliancivil12@gmail.com
Ayacucho-Perú
2013

1
UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

DEDICATORIA: El presente trabajo lo

dedico al Ing. Estadístico e informático
Tapia Calderón Guillermo, quien nos
imparte sus conocimientos académicos y
científicos en lo que es el curso de
Estadística, pues por tratarse de un curso
de suma importancia en la carrera de
Ingeniería civil

2
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

1. Una cía. Perforadora de petróleo debe decidir si taladra o no un

lugar determinado que la compañía tiene bajo contrata. Por
investigaciones geológicas practicadas se sabe que existe una
probabilidad de 0.45 que una formación de TIPO I se extienda
debajo del lugar prefijado para taladrar, 0.30 de probabilidad que
exista una formación de TIPO II y de 0.25 de TIPO III. Estudios
anteriores indican que el petróleo se encuentra en un 30% de las
veces en la formación de TIPO I, en un 40% en la formación de TIPO
II, en un 20% en la de TIPO III. Determinar la probabilidad que si
no se encontró petróleo, la perforación fue hecha en la formación de
TIPO I.

Solución:

Definamos los eventos:

𝐴 = {𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑇𝐼𝑃𝑂 𝐼}
𝐵 = {𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑇𝐼𝑃𝑂 𝐼𝐼}
𝐶 = {𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑇𝐼𝑃𝑂 𝐼𝐼𝐼}

El petróleo se encuentra:

𝑃(𝐸/𝐴) = 0.30
𝑃(𝐸/𝐵) = 0.40
𝑃(𝐸/𝐶) = 0.20

El petróleo no se encontró:

𝑃(𝑁/𝐴) = 0.70
𝑃(𝑁/𝐵) = 0.60
𝑃(𝑁/𝐶) = 0.80

3
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

𝑃(𝐴)𝑥𝑃(𝑁⁄𝐴)
𝑃(𝐴/𝑁) =
𝑃(𝐴 ∩ 𝑁) + 𝑃(𝐵 ∩ 𝑁) + 𝑃(𝐶 ∩ 𝑁)

0.45𝑥0.70 0.315 315 63

𝑃(𝐴/𝑁) = = = = = 0.453
0.45𝑥0.70 + 0.30𝑥0.60 + 0.25𝑥0.80 0.695 695 139

2. La urna I contiene (Z-1) bolas amarillas y (W+2) verdes. La urna II contiene (X+1)
bolas amarillas e (Y+3) verdes. La urna III "contiene (X+1) bolas amarillas e (Y-1)
verdes. Entonces, se escoge una esfera al azar de la urna I y se pone en la urna II.
Luego, se escoge una bola al azar de la urna II y se pone en la urna III. Finalmente, se
escoge una bola al azar de la urna III. ¿Cuál es la probabilidad de que esta última sea
verde?

a) Graficaremos el Diagrama del Árbol de la siguiente manera:

Del diagrama, obtenemos:

𝑷[𝒅𝒆 𝒒𝒖𝒆 𝒍𝒂 ú𝐥𝐭𝐢𝐦𝐚 𝐛𝐨𝐥𝐚 𝐬𝐞𝐚 𝐯𝐞𝐫𝐝𝐞] =

𝑾+𝟏 𝒀+𝟑 𝒀+𝟏 𝑾+𝟏 𝑿−𝟏 𝒀+𝟏
( × × )+( × × )+
𝑾+𝒁+𝟏 𝑿+𝒀+𝟐 𝑿+𝒀+𝟓 𝑾+𝒁+𝟏 𝑿+𝒀+𝟐 𝑿+𝒀+𝟓

4
UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

𝒁 𝒀+𝟐 𝒀+𝟐 𝒁 𝑿 𝒀+𝟏

( × × )+( × × )
𝑾+𝒁+𝟏 𝑿+𝒀+𝟐 𝑿+𝒀+𝟓 𝑾+𝒁+𝟏 𝑿+𝒀+𝟐 𝑿+𝒀+𝟓

3. En la figura nº 3.1 se supone que la probabilidad de que cada relé

este cerrado es “q” y que cada relé se abre o se cierra
independientemente de cualquier otro. Encontrar la probabilidad de
que la corriente pase de I a D.

Solución:
Sea E y F la corriente que pasa respectivamente, entonces:
E = (E1 UE4 ) ∩ E2
P(E) = P[(E1 UE4 ) ∩ E2 ]
P(E) = P(E1 UE4 ) ∗ P(E2 )
P(E) = [P(E1 ) + P(E4 )] ∗ P(E2)
P(E) = [q + q] ∗ q
P(E) = 2 q2
F = E5 ∪ [E6 ∩ E7 ]
P(F) = P[E5 ∪ [E6 ∩ E7 ]]
P(F) = P(E5 ) + P(E6 ∩ E7 )
P(F) = P(E5 ) + P(E6 ) ∗ P(E7 )
P(F) = q + q ∗ q
P(F) = q + q2
Sea ID la corriente que pasa de I a D:
ID = (EUF) ∩ E3
P(ID) = P[(EUF) ∩ E3 ]
P(ID) = P(EUF) ∗ P(E3 )
P(ID) = [𝑃(𝐸) + 𝑃(𝐹)] ∗ P(E3 )
P(ID) = [2 q2 + q + q2 ] ∗ q
P(ID) = 2 q3 + q2 + q3
P(ID) = 3q3 + q2

4. SEAN A y B EVENTOS O SUCESOS TALES QUE: P(A)=1/2; P(B)=1/3;

P(AnB)=1/5 HALLAR

4.1. 𝑷(𝑨/𝑩)

SOLUCION:
Para una probabilidad condicionada se tiene:
𝐴
𝑃 ( ) = 𝑃(𝐴𝑛𝐵)/𝑃(𝐵)
𝐵

5
UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

Remplazando obtenemos:
1
𝐴
𝑃 ( ) = 5 = 0.6
𝐵 1
3
4.2. 𝑷(𝑩/𝑨)

SOLUCION:

Para una probabilidad condicionada se tiene

𝑃(𝐵 ∩ 𝐴)
𝑃(𝐵/𝐴) =
𝑃(𝐴)
Remplazando obtenemos:

𝐵 1⁄
𝑃 ( ) = 5 = 0.4
𝐴 1⁄
2

4.3. 𝑷(𝑨 ∪ 𝑩)

SOLUCION:

Para una probabilidad se tiene

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

Remplazando obtenemos:

1 1 1
𝑃(𝐴 ∪ 𝐵) = + − = 0.5833334
2 3 4
4.4. 𝑷(𝑨𝑪 /𝑩𝑪 )

SOLUCION:

Para una probabilidad condicionada se tiene

̅̅̅̅̅̅̅
𝑃(𝐴𝐶 ∩ 𝐵 𝐶 ) 𝑃(𝐴 ∪ 𝐵 ) 1 − 𝑃(𝐴 ∪ 𝐵)
𝑃(𝐴𝐶 /𝐵 𝐶 ) = 𝐶
= =
𝑃(𝐵 ) 𝑃(𝐵 𝐶 ) 1 − 𝑃(𝐵)

Remplazando obtenemos:
1 − 7⁄12
𝐶 𝐶
𝑃(𝐴 /𝐵 ) = = 0.625
1 − 1⁄3
4.5. 𝑷(𝑩𝑪 /𝑨𝑪 )

SOLUCION:
6
UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

Para una probabilidad condicionada se tiene

̅̅̅̅̅̅̅̅
𝑃(𝐵 𝐶 ∩ 𝐴𝐶 ) 𝑃(𝐵 ∪ 𝐴) 1 − 𝑃(𝐵 ∪ 𝐴)
𝐶 𝐶
𝑃(𝐵 /𝐴 ) = = =
𝑃(𝐴𝐶 ) 𝑃(𝐴𝐶 ) 1 − 𝑃(𝐴)

Remplazando obtenemos:

𝐵𝐶 1 − 7⁄12
𝑃 ( 𝐶) = = 0.8333333334
𝐴 1 − 1⁄2

5. Dos máquinas A y B han producido respectivamente, 100 y 200

piezas. Si se sabe que A produce un 5% de piezas defectuosas y B
un 6%. Se toma una pieza, y se pide:
5.1. Probabilidad de que sea defectuosa.
5.2. Sabiendo que es defectuosa, probabilidad de que proceda de
la primera máquina.

Solución:

El total de piezas es 300 por lo cual cada máquina producirá

respectivamente:

𝟏𝟎𝟎 𝟏
𝐀= =
𝟑𝟎𝟎 𝟑
𝟐𝟎𝟎 𝟐
𝐁= =
𝟑𝟎𝟎 𝟑

Sean los sucesos:

N= {proceda de la primera máquina} P(N)=1/3

Q= {proceda de la segunda maquina} P (Q)=2/3

Y M= {sea defectuosa}

P (N M)=5% =0.05

P (Q M)=6%= 0.06

7
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

V-a) Probabilidad de que sea

defectuosa.

Por el teorema de la
probabilidad total tenemos:

P (M)= P(N) P (M|N) + P (Q)

P (M|Q)=
P (M) = 1/3*0.05+2/3*0.06

P (M) = 0.05666

I.E) La probabilidad de ocurrencia de que la pieza sea defectuosa

es 0.056666
V-b) Sabiendo que es defectuosa, probabilidad de que proceda de la
primera máquina.
Por el teorema de Bayes tenemos:

P(N)P(M|N)
P (N|M) =
P(N)P(M|N)+P(Q)P(M|Q)

1
3
𝑥0.05
P (N|M) =1 2 = 0.2941176471
3
𝑥0.05+3𝑥0.06

I.E) La probabilidad de ocurrencia de que la pieza proceda de la primera

máquina, sabiendo que es defectuosa es 0.2941176471.

VARIABLES ALEATORIAS UNIDIMENSIONALES:

6. DADA LA FUNCIÓN CUANTÍA F:

TABLA 02

X 0 1 2 3
f(X) 0.1 0.3 0.5 0.1

6.1. Calcular E(x), V(x), y el tercer momento central.

Solución

8
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

De la tabla tenemos:

𝑥 𝑓(𝑥) 𝑥 𝑓(𝑥) 𝑥 2 𝑓(𝑥) 𝑥 3 𝑓(𝑥) 𝑥 4 𝑓(𝑥)

0 0.1 0 0 0 0
1 0.3 0.3 0.3 0.3 0.3
2 0.5 1 2 4 8
3 0.1 0.3 0.9 2.7 8.1
∑ → 1.0 1.6 3.2 7 16.4

ESPERANZA MATEMATICA:

E[x] = 1.6 = µ

VARIANCIA O VARIANZA:

𝑉(𝑥) = ∑ 𝑥 2 . 𝑓(𝑥)
V(x) = 3.2

TERCER MOMENTO CENTRAL:

𝐸[(𝑥 − µ)3 ] = −0.609

6.2. MOMENTO CON CERO ALREDEDOR DEL ORIGEN (s0).

ADEMAS S1, S2, S3, S4

𝐸[𝑥 0 ] = 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 (𝑝𝑜𝑟 𝑞𝑢𝑒 𝑥 = 0)

𝐸[𝑥1 ] = 1.6
𝐸[𝑥 2 ] = 3.2
𝐸[𝑥 3 ] = 7
𝐸[𝑥 4 ] = 16.4

6.3. Momento con cero alrededor de la media (µ0 ). Además µ1 ; µ2 ; µ3 ; µ4 .

𝐸[(𝑥 − µ)0 ] = 1
𝐸[(𝑥 − µ)1 ] = 0
𝐸[(𝑥 − µ)2 ] = 1.16
𝐸[(𝑥 − µ)3 ] = −0.609
𝐸[(𝑥 − µ)4 ] = 2.7632

9
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

6.4. Momentos factoriales: m0, m1, m2, m3.

𝑚 = 𝐸[𝑥(𝑥 − 1)(𝑥 − 2) … (𝑥 − 𝑘 + 1)]

𝑚0 = 𝐸[0] = 0

𝑚1 = 𝐸[𝑥] = 1.6

𝑚2 = 𝐸[𝑥(𝑥 − 1)] = 𝐸(𝑥). 𝐸(𝑥 − 1) = 0.96

𝑚3 = 𝐸[𝑥(𝑥 − 1)(𝑥 − 2)] = 𝐸(𝑥). 𝐸(𝑥 − 1). 𝐸(𝑥 − 2) = −0.384

7. si la variable aleatoria continua X tiene la función de densidad f

expresada por:

𝒙
f(x) = 𝑲𝒆−𝟓 ; 𝒙 > 𝟎 ;𝒌 > 𝟎

𝟎 ; 𝒙≤𝟎

7.1. hallar K; tal que f(x) defina una función densidad especifica.

Solución:
Dado que es una función de densidad entonces:
∞
∫ 𝑓(𝑥)𝑑𝑥 = 1
−∞

0 ∞ 𝑥
−
∫−∞ 0𝑑𝑥 + ∫0 𝐾𝑒 5 𝑑𝑥 = 1
𝑥
𝑒 −5 ∞
0+𝑘( ){ = 1
1 0
−
5
0 + 𝑘(5) = 1
1
𝑘=
5

1 −𝑥
Por lo tanto: f(x) = 𝑒 5 ;𝑥 > 0 ;𝑘 > 0
5

0 ; 𝑥≤0

7.2. hallar la función de distribución acumulada F(X). Graficar f(x) y

F(X).

10
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

a) En el intervalo: x<0: 𝐹(𝑋) = ∫ 0 𝑑𝑥 = 0

𝑥 𝑥
1
b) En el intervalo: 𝑥 > 0 F(X) = 𝐹(𝑋) = ∫ 5 𝑒 −5 𝑑𝑥 = −𝑒 −5

7.3. sabiendo que: A = [3 ≤ x ≤ 5] ; B = [X=1]. Hallar la P(A), P (B).

5 5
1 −𝑥 −3
P(3 ≤ x ≤ 5) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑒 5 𝑑𝑥 = 𝑒 5 − 𝑒 −1
3 3 5
1 𝑥 𝑥 −1
𝑃(𝑥 = 1) = ∫ 𝑒 −5 𝑑𝑥 = −𝑒 −5 = −𝑒 5
5
7.4. la esperanza matemática E(x).
∞
𝐸(𝑥) = ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥
0 ∞
1 −𝑥
= ∫ 𝑥0𝑑𝑥 + ∫ 𝑒 5 ∗ 𝑥 𝑑𝑥
−∞ 0 5

= 0+5

= 1

7.5. la variancia o varianza de la v.a. X continua: V(x).

∞
𝑉(𝑥) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥
−∞
0 ∞
1 −𝑥
= ∫ 𝑥 2 0𝑑𝑥 + ∫ 𝑒 5 ∗ 𝑥 2 𝑑𝑥
−∞ 0 5

= 0 + 50

=50

7.6. si 𝑔(𝑥) = 𝑥 2 + 𝑥 − 1; encontrar E[g(x)].

∞
Como: 𝐸(𝑥) = ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥
∞ ∞
= ∫−∞ 𝑥(𝑥 2 + 𝑥 − 1)𝑑𝑥 = ∫−∞ 𝑥 3 + 𝑥 2 − 𝑥 𝑑𝑥

8. Si la variable aleatoria continua X tiene la función de distribución

acumulada F(x}

11
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

𝟎, 𝒙 < −𝟐
1
, −𝟐 ≤ 𝒙 < −𝟏
4
1
𝒇(𝒙) = ; −𝟏 ≤ 𝒙 < 𝟎
2
3
;𝟎 ≤ 𝒙 < 𝟏
4
{ 𝟏 ;𝒙 ≥ 𝟏

Hallar;
8.1. P(( 𝒙 < 𝟏) = 𝑷(−𝟏 < 𝒙 < 𝟏)
= 𝑭(𝟏) − 𝑭(−𝟏)
1 1
= 𝟏− =
2 2

8.2. 𝑷(𝒙 ≥ 𝟎. 𝟓) = 𝟏 − 𝑷(𝒙 < 𝟎. 𝟓)

= 𝟏 − 𝑭(𝟎. 𝟓)
3 1
=𝟏− =
4 4

𝑑𝐹(𝑥)
8.3. Su función de cuantía no es calcular f(0) y f(1)
𝑑𝑥
𝒑𝒐𝒓 𝒇(𝒙) = 𝑭(𝒙) − 𝑭(𝒙 − 𝟏)
i) 𝒇(𝟎) = 𝑭(𝟎) − 𝑭(−𝟏)
3 1 1
= 4−2=4

ii) 𝒇(𝟏) = 𝑭(𝟏) − 𝑭(𝟎)

3 1
=𝟏−4=4

8.4. La media teórica o la Esperanza matemática E(x)

𝑬(𝒙) = −𝟐𝒇(−𝟐) + (−𝟏)𝒇(−𝟏) + 𝟎𝒇(𝟎) + 𝟏𝒇(𝟏)
1 1 1
𝑬(𝒙) = −𝟐 ( ) − +0+
4 4 4
1
𝑬(𝒙) =
2
8.5. La desviación estándar o desviación típica ϐ
Primero halla la varianza V(x)

12
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

9 1 1 1 1 1 9 1
𝑉(𝑥) = ( ) ( ) + ( ) ( ) + ( ) ( ) + ( ) ( )
4 4 4 4 4 4 4 4
5
𝑉(𝑥) = 4
√5
𝚩 = √𝑉(𝑥) = 2

ESTADÍSTICA DESCRIPTIVA

9.
MEDIAS, VARIANCIAS, COEFICIENTE DE REGRESIÓN Y DE
CORRELACIÓN LINEAL SIMPLE:
DADA LA SIGUIENTE TABLA IX, CALCULAR LOS VALORES NUMÉRICOS DE LO
QUE SE PIDE:

Tabla IX: e. Desviación estándar de las X

f. Desviación estándar de las X
Xi Yi g. Hallar: β = Coeficiente de Regresión
8 10 Lineal Simple e interprete
10 12
15 ∑ 𝑥𝑦
𝛽̂ = ∑ 𝑥 2
10
15 20
20 22
Dónde: Xi = Xi – X; Yi = Yi - Y
h. Hallar la Intersección de la recta con
̅ promedio
a. Media muestral de X: 𝑋
el eje YY’ e interprete:
̅ promedio
b. Media muestral de Y: 𝑌
𝛼̂ = 𝑌̅ - 𝛽̂ 𝑋̅
c. SX2 (Variancia muestral de las X)
d. SY2 (Variancia muestral de las Y)
i. Escriba la recta estimada de la m. Calcule el coeficiente de Correlación
Regresión Lineal Simple (RLS) Lineal Simple e interprete
j. Si X = 25, ¿en cuánto se pronosticará estadísticamente
Y estimado? n. Calcule el coeficiente de
k. Si X = 17, ¿en cuánto se estimaría Determinación e interprete
Y? estadísticamente
l. Grafique el DISPERSOGRAMA y la o. Calcule el coeficiente de
recta estimada por la fórmula i. Alejamiento e interprete
estadísticamente

13
 UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA 2013

SOLUCIÓN:

i Xi Yi Xi= Xi - Yi= Yi - Y̅ Xi2 Yi2 Xi . Yi

X̅
1 8 10 -4.6 -5.8 21.16 33.64 26.68
2 10 12 -2.6 -3.8 6.76 14.44 9.88
3 10 15 -2.6 -0.8 6.76 0.64 2.08
4 15 20 2.4 4.2 5.76 17.64 10.08
5 20 22 7.4 6.2 54.76 38.44 45.88

∑5𝑖=1 𝑋𝑖 ∑5𝑖=1 𝑌𝑖 ∑5𝑖=1 𝑋𝑖 − ∑5𝑖=1 𝑌𝑖 − ∑5𝑖=1 𝑋𝑖 2 = ∑5𝑖=1 𝑌𝑖 2 = ∑5𝑖=1 𝑋𝑖. 𝑌𝑖

=63 =79 𝑋=0 𝑌=0 95.2 104.8 =94.6

̅=
𝑿 ̅=
𝒀
12.6 15.8

̅ promedio
a. Media muestral de X: 𝑋

∑5𝑖=1 𝑋𝑖 = 8+10+10+15+20
= 12.6
5 5

Interpretación Estadística:
Nos muestra el promedio de los valores de “x” que es 12.6

̅ promedio
b. Media muestral de Y: 𝑌

∑5𝑖=1 𝑌𝑖 = 10+12+15+20+22
= 15.8
5 5

Interpretación Estadística:
Nos muestra el promedio de los valores de “x” que es 15.8
c. SX2 (Variancia muestral de las X)
∑5𝑖=1 𝑋𝑖 2
SX2 =
5
95.2
SX2 =
5

14
UNSCH
SX2 = 19.04

Interpretación Estadística:
La varianza de 5 valores es igual a 19.04 que es la diferencia entre el promedio
del producto del cuadrado de los valores de “x” y el promedio de estos valores.

d. SY2 (Variancia muestral de las Y)

∑5𝑖=1 𝑌𝑖 2
SY2 =
5
104.8
SY2 =
5

SY2 = 20.96

Interpretación Estadística:
La varianza de 5 valores es igual a 20.96 que es la diferencia entre el promedio
del producto del cuadrado de los valores de “y” y el promedio de estos valores.

e. Desviación estándar de las X

SX = + √𝑆𝑥 2
SX = √19.04
SX = 4.363484846
f. Desviación estándar de las X

SY = + √𝑆𝑦 2
SY = √20.96
SY = 4.578209257
g. Hallar: β = Coeficiente de Regresión Lineal Simple e interprete
∑ 𝑥𝑦
𝛽̂ = ∑ 𝑥 2
dónde: Xi = Xi – X; Yi = Yi – Y
∑5𝑖=1 𝑋𝑖.𝑌𝑖 94.6
𝛽̂= ∑5𝑖=1 𝑋𝑖 2
= 95.2 = 0.993697479

Interpretación Estadística:

15
UNSCH
El β representa el coeficiente de regresión lineal simple que resulta ser igual a
0.993697479.
h. Hallar la Intersección de la recta con el eje YY’ e interprete:

𝛼̂ = 𝑌̅ - 𝛽̂ 𝑋̅
𝛼̂ = 15.8 – 0.993697479 (12.6)
𝛼̂ = 3.279411765

Interpretación Estadística:
El α representa el punto de intersección de la recta con el eje YY’.

i. Halle la ecuación de Regresión Lineal Simple (RLS) algebraicamente.

̂ ̂ + β̂x̅i
Yi = α
̂
Yi = 3.279411765 + (0.993697479)xXi

j. si X=25 ¿en cuánto se pronosticara Y estimado?

Xi = 25 → y =?
̂ ̂ + β̂Xi
Yi = α
̂i = 3.279411765 + (0.993697479)25
Y
̂
Yi = 28.12184874

y = 28.12184874
k. si X=17 ¿en cuánto se estimaria Y?

Xi = 25 → y =?
̂ + β̂Xi
̂i = α
Y
̂
Yi = 3.279411765 + (0.993697479)17
̂
Yi = 2017226891

y = 2017226891
l. Calcule el coeficiente de correlación lineal simple e interprételo
estadísticamente.

∑ni=1 xi yi
r̂ = ρ̂ =
∑ni=1 √xi2 √yi2
94.6
r=
√95.2√104.8

16
UNSCH
r = 0.9506958332
Interpretación: correlación con alto grado de asociación, ya que varía de -1 a 1 (alto
grado de relación con x e y).
m. Calcule el coeficiente de determinación e interprételo estadísticamente.

r 2 = 0.95069583322
r 2 = 0.9038225672
Interpretación: sabemos que el 95.4% de las variaciones de y están explicados por la
variable independiente x (es un porcentaje alto).
n. Calcule el coeficiente de alejamiento e interprételo estadísticamente.

Coef. alejamiento = 1 − r 2 = 1 − 0.9038225672

1 − r 2 = 0.9617743281
Interpretación: el alejamiento es mínimo, por lo que “y” depende en gran medida de
“x”.

17