DESCRIPCIÓN BREVE

En este documento solo estarán

plasmados los ejercicios resueltos
que pide el profesor para su
respectivas unidades

Morales Pluma Gerardo

Instituto Tecnológico de Tijuana

ESTADISTICA INFERENCIAL 1
Capítulo 10
INSTITUTO TECNOLOGICO DE TIJUANA
Ingeniería Industrial

Materia: Estadística Inferencial

Grupo: 3Z
Profesor: Juan Morales
Alumno: Morales Pluma Gerardo
No. Control: B09210262
Capitulo #10
Tarea #5
Resolver los ejercicios propuestos

Tijuana B.C a 13 de mayo del 2018

 Capítulo 10 Correlación y Regresión
(Páginas 515-582)

10-2 Correlación (Paginas 530-535)

Conocimientos estadísticos y pensamiento crítico

Ejercicio #1

Notación Para cada año de varios seleccionados al azar, se registra el número total de puntos anotados en el
juego de futbol del Súper Bowl y el número total de automóviles nuevos vendidos en Estados Unidos. Para
esta muestra de datos pareados, ¿qué representa r? ¿Qué representa 𝜌? Sin realizar investigación ni cálculos,
estime el valor de r.

R= r representa el valor del coeficiente de correlación lineal calculado utilizando datos muéstrales pareados.
𝜌 Representa el valor del coeficiente de correlación lineal que se calcularía utilizando todos los datos
pareados en la población. Se estima que el valor de r es 0 (porque no hay correlación entre los puntos
anotados en un juego de futbol y el número de automóviles nuevos vendidos).

Ejercicio #3

Causa del calentamiento global Si encontramos que existe una correlación lineal entre la concentración de
dióxido de carbono (CO2) en nuestra atmósfera y la temperatura que prevalece en el planeta, ¿eso indica
que los cambios en la concentración de dióxido de carbono provocan cambios en la temperatura del planeta?
¿Por qué?

R= No. A pesar que el CO2 es uno de los gases de efecto invernadero quizá existan otras variables que
provoquen el aumento de la temperatura. Debemos entender que la correlación no siempre indica una
causalidad hay ocasiones que una no depende de la otra

Interpretación de r. En los ejercicios 5 a 8, utilice un nivel de significancia de A = 0.05.

Ejercicio #7

7. Estatura y pulso Se miden las estaturas (en pulgadas) y el pulso (en latidos por minuto) en una muestra
de 40 mujeres. Al utilizar STATDISK con los datos pareados de la estatura y el pulso, se encuentra un
coeficiente de correlación lineal de 0.202 (según datos de la National Health Examination Survey). ¿Existe
evidencia suficiente para sustentar la afirmación de que existe una correlación lineal entre las estaturas y los
pulsos de las mujeres? Explique.

R= No. El valor de |0.202| es menor que el valor crítico de 0.312. No existe evidencia suficiente para sustentar
la afirmación de que existe una correlación lineal entre las estaturas y los pulsos de las mujeres

Prueba de una correlación lineal. En los ejercicios 13 a 28, construya un diagrama de dispersión,
calcule el valor del coeficiente de correlación lineal r, calcule los valores críticos de r a partir de la tabla
A-6 utilizando a 5 0.05, y determine si existe evidencia suficiente para sustentar la afirmación de que
existe una correlación lineal entre las dos variables. (Guarde su trabajo, ya que utilizaremos los mismos
conjuntos de datos en los ejercicios de la sección 10-3).
Ejercicio #21

21. Costos de reparación de automóviles A continuación se presentan los costos de reparación (en dólares)
para automóviles que participaron en pruebas de choques frontales a una velocidad de 6 mi/h y en pruebas de
choques traseros a una velocidad de 6 mi/h (según datos del Insurance Institute for Highway Safety). Los
automóviles son Toyota Camry, Mazda 6, Volvo S40, Saturn Aura, Subaru Legacy, Hyundai Sonata y Honda
Accord. ¿Hay evidencia suficiente para concluir que existe una correlación lineal entre los costos de reparación
de los choques frontales y de los choques traseros?

R= r = -0.283. Valores críticos: r =±0.754. Valor P = 0.539. No existe suficiente evidencia para sustentar la
afirmación de una correlación lineal entre los costos de reparación por choques frontales y choques traseros.

Ejercicio #23

3. Calentamiento global La preocupación por el calentamiento global ha conducido a la realización de

estudios de la relación entre la temperatura global y la concentración de dióxido de carbono (CO2). A
continuación se presentan las concentraciones (en partes por millón) de CO2 y las temperaturas (en °C) para
diferentes años (según datos del Earth Policy Institute). ¿Existe una correlación lineal entre la temperatura y
la concentración de CO2?

R= r = 0.892. Valores críticos: r =±0.632. Valor P = 0.001. Existe suficiente evidencia para sustentar la
afirmación de una correlación lineal entre la temperatura global y la concentración de CO2.

10-3 Regresión (Paginas 547-551)

Ejercicio #2

Recta con el mejor ajuste ¿En qué sentido la recta de regresión es la línea recta que se ajusta “mejor” a los
puntos en un diagrama de dispersión?

R= Cuando exista una correlación lineal entre los datos y si la suma de los minimos cuadrados de los
residuales es la menor suma posible.
Ejercicio #4

Notación ¿Qué diferencia hay entre la ecuación de regresión 𝑦 ̂=𝐵_0 + 𝐵_1 𝑥 y la ecuación de regresión
𝑦 ̂=𝑏_0 + 𝑏_1 𝑥?

̂ b0 y b1 son estadísticos muestréales utilizados para estimar los parámetros poblacionales

R= En la 𝒚
Bo y B1

Realización de predicciones. En los ejercicios 5 a 8, utilice los datos indicados para calcular el mejor
valor predicho de la variable dependiente. Asegúrese de seguir el procedimiento para predicciones
descrito en la figura 10-5

Ejercicio #8

Estaturas y pesos de supermodelos. Se obtienen las estaturas (en pulgadas) y los pesos (en libras) de
una muestra aleatoria de nueve supermodelos (Alves, Avermann, Hilton, Dyer, Turlington, Hall,
Campbell, Mazza y Hume). El coeficiente de correlación lineal es 0.360 y la ecuación de la recta de
regresión es 𝑦 ̂=31.8+1.23𝑥, donde x representa la estatura. La media de las nueve estaturas es 69.3
pulgadas, y la media de los nueve pesos es 117 libras. ¿Cuál es el mejor peso predicho de una
supermodelo que mide 72 pulgadas de estatura?

𝑦 ̂=31.8+1.23𝑥

𝑦 ̂=31.8+1.23(72)

𝑦 ̂=31.8+88.56

𝑦 ̂=120.36 𝑙𝑏𝑠

R= A pesar que se obtiene un resultado con la ecuación de la regresión lineal, la correlación que se
menciona nos permite saber que no existe un a correlación lineal entre los datos, por lo tanto no se
debe emplear la ecuación para hacer predicciones.

Ejercicio #12

Efectos de aglomerados Remítase al diagrama de dispersión generado por Minitab del ejercicio 12 de la
sección 10-2.

a) Utilice los pares de valores de los 8 puntos y calcule la ecuación de la recta de regresión.

a) Utilice los pares de valores de los 8 puntos y calcule la ecuación de la recta de regresión.

R= 𝑦=̂ 0.085 + 0.9846 x eso indica mi ecuación de la recta

b) Utilice únicamente los pares de valores de los cuatro puntos en la esquina inferior izquierda y calcule la
ecuación de la recta de regresión.

R= 𝑦 ̂= 1.50 + 0.000 x
c) Utilice únicamente los pares de valores de los cuatro puntos en la esquina superior derecha y calcule la
ecuación de la recta de regresión.

R= 𝑦 ̂= 9.50 + 0.000x
d) Compare los resultados de los incisos a), b) y c).

R= la ecuación del inciso a) puede ser útil para hacer una

predicción a partir de un punto x. Lo que no sucede con los

Incisos b) y c) ya que no tenemos la variable independiente x.

Determinación de la ecuación de la recta de regresión y predicciones. En los ejercicios 13 a 28, utilice

los mismos conjuntos de datos que en los ejercicios de la sección 10-2. En cada caso, determine la
ecuación de regresión, permitiendo que la primera variable sea la variable de predicción (x). Calcule
los valores predichos indicados siguiendo el procedimiento de predicción descrito en la figura 10-5.

Ejercicio #16

Estaturas de presidentes y finalistas Calcule la mejor estatura predicha de Goldwater, el candidato que
obtuvo el segundo lugar, si la estatura de Johnson, el candidato presidencial ganador, es de 75 pulgadas. ¿La
estatura predicha de Gold wáter se acerca a su estatura real de 72 pulgadas?

R=

𝑦 ̂= 95.4 - 0.321x con un valor critico de 0.707

𝑦 ̂= 95.4 - 0.321(72) =72.288

10-4 Variación e Intervalos de Predicción(Paginas 557-560)

Conocimientos estadísticos y pensamiento crítico

Ejercicio #1

Notación se Suponga que tiene valores pareados que consisten en las estaturas (en pulgadas) y los pesos
(en libras) de 40 hombres elegidos al azar (como en el conjunto de datos 1 del apéndice B), y que planea
utilizar una estatura de 70 pulgadas para predecir el peso. Describa con sus propias palabras lo que representa
se.

R= Es el error estándar de estimación, que es una medida de las diferencias entre los pesos observados y
los pesos predichos a partir de la ecuación de regresión.

Interpretación del coeficiente de determinación. En los ejercicios 5 a 8, utilice el valor del coeficiente
de correlación lineal r para calcular el coeficiente de determinación y el porcentaje de la variación total
que se explica por medio de la relación lineal entre las dos variables de los conjuntos de datos del
apéndice B.

Ejercicio #5

r= 0.873 (x=alquitrán en cigarrillos mentolados, y=nicotina en cigarrillos mentolados)

R= 0.762; 76.2%

Interpretación de resultados de un programa de cómputo. En los ejercicios 9 a 12, remítase a los

resultados de Minitab que se obtuvieron utilizando datos pareados de los pesos (en libras) de 32
automóviles y sus cantidades de consumo de combustible en carretera (en mi/gal), como se listan en
el conjunto de datos 16 del apéndice B. Además de los datos muestrales pareados, se dio la indicación
a Minitab de que usara un peso de un automóvil de 4000 libras para predecir la cantidad de combustible
consumido en carretera.

Ejercicio #9

Prueba de correlación Utilice la información de la pantalla para determinar el valor del coeficiente de
correlación lineal. (Advertencia: Tenga cuidado de identificar de manera correcta el signo del coeficiente de
correlación). Considerando que hay 32 pares de datos, ¿existe evidencia suficiente para sustentar la afirmación
de una correlación lineal entre los pesos de automóviles y las cantidades de combustible que consumen en
carretera?

R=r = -0.806 (r es negativa porque las cantidades de consumo de combustible en carretera disminuyen
conforme el peso del automóvil aumenta, como lo demuestra el hecho de que la pendiente de la recta de
regresión sea negativa). El valor crítico de r está entre 0.361 y 0.335 (suponiendo un nivel de significancia de
0.05). Valor P = 0.000. Existe suficiente evidencia para sustentar la afirmación de una correlación lineal entre
los pesos de los automóviles y sus cantidades de consumo de combustible en carretera

Ejercicio #11

Predicción del consumo de combustible en carretera Si un automóvil pesa 4000 libras, ¿cuál es el valor
que predice mejor el consumo de combustible en carretera? (Suponga que existe una correlación lineal entre
el peso y el consumo de combustible en carretera).

R= 27.028 mi gal

Cálculo de medidas de variación. En los ejercicios 13 a 16, calcule a) la variación explicada, b) la

variación no explicada, c) la variación total, d) el coeficiente de determinación y e) el error estándar de
la estimación se. En cada caso existe evidencia suficiente para sustentar una afirmación de una
correlación lineal, de manera que es razonable utilizar la ecuación de regresión para hacer
predicciones. (Los resultados se utilizan en los ejercicios 17 a 20).

Ejercicio #13

IPC y pizza A continuación se presentan los valores del Índice de precios al consumidor (IPC) y el precio de
una rebanada de pizza, incluidos en la tabla 10-1 del problema del capítulo.

R=

a) 2.64829
b) 0.0800433
c) 2.728333
d) 0.9706622
e) 0.1414596

10-5 Regresión Múltiple (Paginas 567-570)

Conocimientos estadísticos y pensamiento crítico

Ejercicio #2

Coeficiente ajustado de discriminación

a) Al comparar diferentes ecuaciones de regresión múltiple para predecir el precio de venta de un Corvette
1960, ¿por qué la R2 ajustada es una mejor medida que R2?

R= El coeficiente múltiple de determinación 𝑅^2 tiene una grave desventaja: a mayor número de
variables incluidas, se incrementa la 𝑅^2 . A causa de esta desventaja, la comparación de diferentes
ecuaciones de regresión múltiple se logra mejor con el coeficiente ajustado de determinación, que es
𝑅^2 ajustada para el numero de variables y el tamaño de la muestra.

b) Al utilizar los datos muestrales de la tabla 10-6, la variable única de predicción de la estatura de la madre
produce una R2 ajustada de 0.623, y las dos variables de predicción (la estatura de la madre y la estatura del
padre) dan como resultado una R2 ajustada de 0.637. Si el uso de las dos variables de predicción produce una
R2 ajustada mayor, ¿por qué es mejor la ecuación de regresión con una sola variable de predicción?

R= No necesariamente se deben incluir todas las variables de predicción disponibles. La determinación

de la mejor ecuación de regresión múltiple requiere de una buena dosis de juicio, y no existe un
procedimiento exacto y automático que se pueda utilizar para encontrar la mejor ecuación de regresión
múltiple. En caso, utilizar la estatura de la madre para predecir la estatura de la hija arrojaría una
ecuación de regresión más confiable.

Ejercicio #4

Respuesta y variables de predicción Se obtiene la ecuación de regresión 𝑦̂ = −3528 + 1.02𝑥1 −

1.94𝑥2 utilizando datos muestrales que consisten en los precios de venta de casas (según el conjunto de datos
23 del apéndice B). En esa ecuación, representa el precio de venta predicho, x1 representa el precio de lista y
x2 representa el impuesto anual. Identifique las variables de respuesta y las variables de predicción. En
general, ¿en qué difieren una variable de respuesta y una variable de predicción?

R= Variables de respuesta: y (precio de venta predicho) y variables de predicción: x (x1: precio de lista,
x2=impuesto anual).
Esto quiere decir que las variables de predicción son el precio de la lista y los impuestos anuales,
mientras que la variable de respuesta es el precio de venta. Cuando existe una correlación entre
variables, es posible hacer predicciones con variables que se saben o se tienen, que son las variables
de predicción. Mediante una ecuación de regresión Podemos obtener el valor de la variable de
respuesta.

Interpretación de resultados de programas de cómputo. En los ejercicios 5 a 8, remítase al resultado

de Minitab y responda las preguntas formuladas o identifique los elementos indicados. El resultado de
Minitab se basa en las cantidades medidas de alquitrán, monóxido de carbono (CO) y nicotina en una
muestra de 25 cigarrillos de tamaño grande, incluidas en el conjunto de datos 4 del apéndice B.

Ejercicio #6

Mediciones de cigarrillos Identifique lo siguiente:

a) El valor P correspondiente a la significancia general de la ecuación de regresión múltiple

R= p=0.317
b) El valor del coeficiente múltiple de determinación R2

R= 𝑅^2=0.091 o 9.91%
c) El valor ajustado de R2

R= 𝑅^2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑎=0.0172 o 1.7%

Ejercicio #8

Mediciones de cigarrillos Un cigarrillo tiene 26 mg de alquitrán y 15 mg de CO. Utilice la ecuación de

regresión múltiple para determinar la cantidad predicha de nicotina. ¿Es probable que el resultado sea un buen
valor de predicción? ¿Por qué?

R= Nicotina = 1.594 + 0.0231 Al. - 0.0525 CO

̂ 1.59+0.0231x_1−0.0525x_2
y=

y ̂=1.59+0.0231(25) −0.0525(15)

y ̂=1.38 𝑚𝑔

Precios de venta de casas: Cálculo de la mejor ecuación de regresión múltiple.

En los ejercicios 9 a 12, remítase a la siguiente tabla, que se obtuvo utilizando los datos de las casas
vendidas (del conjunto de datos 23 del apéndice B). La variable de respuesta (y) es el precio de venta
(en dólares) y las variables de predicción (x) son PL (precio de lista en dólares), AH (área habitable de
la casa, en pies cuadrados) y T (tamaño del terreno en acres).
Ejercicio #12

Una casa está en venta, con un precio de lista de $400,000; tiene un área habitacional de 3000 pies cuadrados
y está construida sobre un terreno de 2 acres. ¿Cuál es el mejor valor predicho del precio de venta? ¿Es
posible que ese precio de venta predicho constituya una buena estimación? ¿Es posible que ese precio de
venta predicho sea muy exacto?

R=

𝑦 ̂=1120+0.972𝑃𝐿+0.281𝐴𝐻+465𝑇

𝑦 ̂=1120+0.972(40000) +0.281(3000)+465(2)

𝑦 ̂=391 693

Es probable ya que su r ajustada tiende casi a 1

10-6 Elaboración de Modelos(Paginas 573-575)

Obtención del mejor modelo. En los ejercicios 5 a 16, construya un diagrama de dispersión e identifique
el modelo matemático que se ajusta mejor a los datos indicados. Suponga que el modelo se va a
emplear únicamente para el alcance que tienen los datos y considere solo los modelos lineal,
cuadrático, logarítmico, exponencial y potencia.

Ejercicio #5

La tabla lista las cantidades de los incrementos semanales de los salarios y (en dólares), especificadas en un
contrato laboral negociado con empleados de la corporación Telektronic.

R= Lineal: y = 8 + 2x

Ejercicio #7

La tabla lista la distancia d (en pies) por encima del suelo para el caso de un objeto que se deja caer en el
vacío desde una altura de 500 pies. El tiempo t (en segundos) es el tiempo que transcurre desde que se suelta
el objeto

R= Cuadrático: d = -16t2 + 500

Ejercicio #9

Precio del boleto del metro Utilice los datos del año y del precio del boleto del metro, incluidos en la tabla 10-
1 del problema del capítulo. Sea x el año, con 1960 codificado como 1, 1973 codificado como 14, y así
sucesivamente. Sea y el precio del boleto del metro. ¿Parece que el mejor modelo es un buen modelo? ¿Por
qué? Utilice el mejor modelo para efectuar una proyección del precio del boleto del metro para el año 2020.

R= Exponencial: y = 0.158270(1.05935x), donde 1960 se codifica como 1. Con el alto valor de R2 de 0.970,
parece que el modelo es bueno. El valor proyectado para 2020 es $5.33.

Ejercicio #11

Muertes de manatíes por barcos La siguiente tabla lista el número de muertes anuales de manatíes en
Florida por impactos con embarcaciones a partir de 1980 (según datos de Florida Fish and Wildlife
Conservation). ¿El mejor modelo es mucho mejor que los demás? Calcule el número proyectado de este tipo
de muertes para 2006. El número real de muertes en 2006 fue de 92. ¿Qué diferencia hay entre el número real
de muertes de manatíes y el número de muertes proyectadas?

16 24 20 15 34 33 33 39 43 50 47 53 38 35 49 42 60 54 67 82 78 81 95 73 69 80

R= Cuadrático: y = 0.00802808x2 + 2.45538x + 15.3223, donde 1980 se codifica como 1. El modelo cuadrático
no es mucho mejor que los modelos lineal, exponencial y de potencia. El número proyectado de 87 no se aleja
mucho del número real de 92.

Ejercicio #13

Experimento de física Un experimento para una clase de física implica dejar caer una pelota de golf y registrar
la distancia (en metros) que cae en diferentes tiempos (en segundos) después de ser soltada. Los datos se
incluyen en la siguiente tabla. Proyecte la distancia para un tiempo de 12 segundos, considerando que la pelota
de golf se dejó caer de un edificio con una altura de 50 m.

R=Cuadrático: y = 4.90x2 - 0.0286x + 0.00476. El modelo produce una distancia de 705 m, pero el edificio solo
mide 50 m de alto, de manera que la distancia no puede exceder los 50 m.