Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Industrial
UAP
Inferencia Estadstica
REGRESIN Y CORRELACIN
Si a cada unidad estadstica se le observa simultneamente dos variables cuantitativas
entonces se obtiene dos series de datos emparejados. En este caso con frecuencia se desea
conocer si ambas variables estn relacionadas o si son independientes.
Unidad estadstica
Variable: X
Variable: Y
:
:
:
1
X1
2
X2
3
X3
Y1
Y2
Y3
............
............
n
Xn
Yn
( X i , Yi ) :
(Xn , Yn)
Diagrama de esparcimiento
Cada par de datos representa un punto en el sistema cartesiano.
272
UAP
Inferencia Estadstica
Regresin
Es un mtodo que se emplea para encontrar una funcin que se adapte o ajuste a un diagrama
de esparcimiento con la finalidad de poder obtener una prediccin aproximada de una de las
variables a partir de la otra.
El objetivo de un anlisis de regresin es investigar la relacin estadstica que existe entre
una variable dependiente Y y una o ms variables independientes X1 , X2 , ...... , X k . Para
poder realizar esta investigacin, se debe postular una relacin funcional entre las variables.
Debido a su simplicidad analtica, la forma funcional que ms se utiliza en la prctica es la
relacin lineal. Cuando solo existe una variable independiente, esto se reduce a una lnea
recta:
Y f (X)
Donde:
X : variable predictora (variable independiente o explicativa)
Y : variable predictando o variable respuesta (variable dependiente o explicada).
Al analizar los siguientes diagramas de dispersin:
La nube de puntos parece ajustarse bien
a una recta.
Correlacin
Es el mtodo empleado para determinar el grado de relacin entre las variables que se
estudian para as determinar en qu medida una relacin funcional describe o explica de una
forma adecuada la relacin entre estas variables. Explica el grado de la bondad del ajuste del
modelo de regresin.
273
UAP
Inferencia Estadstica
Coeficiente de Correlacin Lineal Simple:
r (Coeficiente de Pearson)
Indica si hay relacin lineal entre dos variables y el grado de esta relacin (alta, baja o nula).
Permite contestar qu tan estrecha es la relacin entre X e Y?
El signo de r tiene que ver slo con la direccin de la relacin entre dos variables, ya sea
directa o inversa y la magnitud del coeficiente tiene que ver con la intensidad o estrechez de
la relacin. El valor de r puede ser positivo, negativo o cero.
1 r 1
Una correlacin baja no siempre significa ausencia de relacin ya que puede existir
una correlacin curvilnea muy estrecha.
r 1
Existe una relacin lineal directa perfecta
(positiva) entre las dos variables. Es decir, las
puntuaciones bajas de X se asocian con las
puntuaciones bajas de Y, mientras las
puntuaciones altas de X se asocian con los
valores altos de la variable Y.
r 1
Existe una relacin lineal inversa perfecta
(negativa) entre las dos variables. Es decir, las
puntuaciones bajas en X se asocian con los
valores altos en Y, y las puntuaciones altas en
X se asocian con los valores bajos en Y.
r 0
No existe una relacin lineal entre las dos variables estudiadas.
274
UAP
Inferencia Estadstica
XY X Y
2
2
n
2
2
X X n Y Y
n
Forma de Regresin:
Conociendo a y b :
b . b
Y b XY n Y2
Y2 n Y2
Ejemplo:
Una encuesta entre vendedores de autos usados para determinar la relacin entre la cantidad
de anuncios clasificados y la venta de autos usados, dio los siguientes resultados del nmero
de avisos clasificados y el nmero de automviles usados vendidos para cada uno de los
negocios que no utilizaron ningn otro medio publicitario.
N Anuncios clasificados
N Autos vendidos
:
:
74
139
45
110
50
95
38
78
29
60
17
54
0.958
275
UAP
Inferencia Estadstica
r2
Coeficiente de Determinacin:
0 r2 1
Ejemplo:
r 0.958
El 92% de los cambios que se producen en el nmero de autos vendidos pueden ser atribuidos
a los cambios que se producen en el nmero de anuncios clasificados, mientras que el 8% de
dichos cambios se pueden atribuir a otros factores que no han sido tomados en cuenta en
este caso o a efectos aleatorios.
Covarianza:
S xy
SXY Cov ( X , Y )
XY X . Y
n
Una covarianza positiva significa que existe una relacin lineal positiva entre las dos variables,
cuando es negativa significa que existe una relacin lineal inversa (negativa) entre las dos
variables; cuando es cero se interpreta como la no existencia de una relacin lineal entre las
dos variables estudiadas.
Ejemplo.
Usando los datos de la encuesta entre vendedores de autos usados para determinar la relacin
entre la cantidad de anuncios clasificados y la venta de autos usados, se tiene:
SXY
25608
253
536
501 .11
6
6
6
Como la covarianza es positiva entonces podemos concluir que existe una relacin lineal
positiva entre el nmero de autos vendidos y el nmero de avisos clasificados.
Modelos de Regresin:
Estudian la relacin cuantitativa (estocstica) entre una variable de inters Y (respuesta o
dependiente), y un conjunto de variables explicativas ( x1 , x 2 , .... , x n ) (regresoras o
independientes)
276
UAP
Inferencia Estadstica
Yi X i e i
Donde y
son parmetros desconocidos, ( x1 , x 2 , .... , x n ) son valores fijos y
( e1 , e 2 , ... , e n ) son errores aleatorios.
Recta de Regresin de Y sobre X:
a bX
Y
Variable
Predictora
Error o residuo: e i
Es la distancia que hay del valor observado a la
recta de regresin. Puede ser positivo o negativo.
El error de cada dato se calcula mediante:
i
ei y i y
El promedio de los errores es igual a cero, al igual
que la suma.
a' b' X
X
= a + bY + ei
X
Variable
Predictora
ei : errores de estimacin.
277
UAP
Inferencia Estadstica
a a'
b b'
En este caso, las dos rectas de regresin son coincidentes, entonces los datos quedan
perfectamente descritos por una relacin lineal. La prediccin es perfecta.
Interpretacin de a y b
a:
b:
278
UAP
Inferencia Estadstica
Si la recta presenta pendiente positiva: b > 0
Ejemplo:
Si Y = 2 + 0.7 X
donde:
X : Horas de estudio
Y : N de respuestas correctas.
Horas de estudio
a =2
Cuando la alumna no estudia, se espera que obtenga 2 respuestas correctas.
b = 0.7
Por cada hora que se incremente en las horas de estudio, se espera que el nmero de
respuestas correctas se incremente en aproximadamente 1.
Si la recta presenta pendiente negativa: b < 0
Ejemplo:
Si Y = 19 2.2 X
donde:
X: Horas de estudio
Y : N de errores cometidos.
Horas de estudio
Profesora: Gladys Enrquez Mantilla
279
UAP
Inferencia Estadstica
a = 19
-2
Por cada hora que se incremente en las horas de estudio, se espera que el nmero de errores
disminuya en aproximadamente 2.
En algunas situaciones, a no tiene una interpretacin realista si el cero no es un punto del
rango de la X. Por ejemplo, al estudiar la relacin entre las variables peso y estatura de un
grupo de personas; no podra decirse que si la estatura de una persona es 0, se espera que
su peso sea tal.
b 0
Existe relacin lineal
directa
b0
Existe relacin lineal
Inversa
b 0
No existe
Relacin
Segn el signo de a y b, un modelo lineal puede presentar cualquiera de las siguientes formas:
a0
b0
a0
b0
a0
b0
a0
b0
280
UAP
Inferencia Estadstica
Si entre estas variables existiera una relacin lineal perfecta, entonces todos los puntos
caeran sobre la recta de regresin, que tambin ha sido trazada y que muestra la relacin
promedio que existe entre las dos variables.
En la prctica, se observa que la mayora de los puntos no caen directamente sobre la recta,
sino que estn dispersos en torno a ella. Esta dispersin representa la variacin en Y que
no puede atribuirse a la variacin en X.
Y abX
i )2
( Yi Y
d2i e2i
i )2
( Yi Y
a
a
a
( Yi a bX i )2 2
a
=
=
=
na
Xi
mnimo
S
0
b
( Y (a bX ) 0
i
( Yi a bX i )(1)
2 ( Yi a b Xi )
2 Yi 2 a 2 b Xi
Yi n a b Xi 0
Yi
281
UAP
Inferencia Estadstica
i )2
( Yi Y
b
b
( Yi a bX i )2
b
=
=
a
Xi
X2i
( Y
(a bX i ) )2 0
( Yi a bX i ) (Xi )
2 ( Xi Yi a Xi b X2i )
2 Xi Yi 2 a Xi 2 b X2i
X i Yi a X i b X2
i 0
2
=
Xi Yi
Xi
Xi
b X2
i
b
Yi
Xi Yi
X2 Y X XY
2
n X2 X
XY X Y
2
n X 2 X
X a b Y
a n b
a
Y b
Y
Y2
X
X Y
a'
Y2 X Y XY
2
n Y 2 Y
b'
XY Y X
2
n Y 2 Y
Forma matricial
Ecuacin de Regresin de Y sobre X:
a n
b
X
X Y
X2 XY
a n
b
Y
Y X
Y2 XY
282
UAP
Inferencia Estadstica
Ejemplo:
:
:
74
139
45
110
50
95
38
78
29
60
17
54
2. Graph Scatterplot
Clic en OK.
3. Ingresar las variables correspondientes.
Clic en OK
283
UAP
Inferencia Estadstica
AutosVend:Y
120
110
100
90
80
70
60
50
10
b)
20
30
40
50
Anuncios:X
70
80
a n bX Y
a X bX X Y
c)
60
6 a 253 b 536
a bX
Y
X2 Y X XY
2
n X2 X
XY X Y
2
n X 2 X
22.80 1.58 X
Y
22.80
1.58
Interpretando a y b:
a = 22,8 23 autos vendidos.
Cuando no se publican anuncios clasificados, se espera vender aproximadamente 23
autos.
b = 1,58 2 autos vendidos
Por cada anuncio clasificado que se incremente, se espera que el nmero de autos
vendidos se incremente en aproximadamente 2.
284
UAP
Inferencia Estadstica
Clic en OK
140
130
10,2770
91,8%
89,8%
AutosVend:Y
120
110
100
90
80
70
60
50
10
d)
20
30
40
50
Anuncios:X
60
70
80
139
110
95
78
60
54
Valores Estimados
22.8 1.6 X
Y
141.2
94.8
102.8
83.6
69.2
50.0
Residuos
ei Y Y
- 2.2
15.2
- 7.8
- 5.6
- 9.2
4.0
285
UAP
Inferencia Estadstica
Error Estndar de Estimacin (
SL )
S Y /X
n 2
XY
Ejemplo:
Continuando con el ejemplo de la cantidad de anuncios clasificados y el nmero de autos
vendidos:
N Anuncios clasificados
N Autos vendidos
SY/X
:
:
74
139
45
110
50
95
38
78
29
60
17
54
10.27
L
Li Y
s
a b x0 t0 SL
1
n ( x0 x )2
2
n
n X2 ( X )
t 0 t1 - /2 , n2
286
UAP
Inferencia Estadstica
Ejemplo:
N Anuncios clasificados
N Autos vendidos
:
:
74
139
45
110
50
95
38
78
29
60
17
54
Para 55 avisos clasificados, hallar un intervalo de pronstico del 95% para el nmero de autos
vendidos.
Solucin:
t o t1 - /2 , n 2 t 0.975 , 4 2.776
x 0 55
x 42.17
1
6 ( 55 42.17 )2
6
6 12575 253 2
141 .48
77 .65 Y
Con una confianza del 95%, para 55 avisos clasificados se espera que el nmero de autos
vendidos sea aproximadamente como mnimo 78 y como mximo 141.
3. Clic en Options.
287
UAP
Inferencia Estadstica
Intervalo de confianza para
Un intervalo de confianza del ( 1 )%
regresin es: L i L s
para la pendiente
de la verdadera recta de
Este intervalo est centrado en la estimacin puntual del parmetro y la cantidad que se
extiende a cada lado de la estimacin depende del nivel de confianza deseado y de la cantidad
de variabilidad del estimador.
SL
b to
t o t1 - /2 , n2
Ejemplo:
N Anuncios clasificados
N Autos vendidos
:
:
74
139
45
110
50
95
38
78
29
60
17
54
to t1 - /2 , n2 t0.975 , 4 2.776
1.5768 2.776
10.27
253 2
12575
6
0.92 2.23
Con una confianza del 95% se espera que el coeficiente de regresin est variando entre
0.92 y 2.23.
ANLISIS DE VARIANZA (ANOVA) DE REGRESIN
El anlisis de varianza consiste en descomponer la variabilidad de la variable predictando o
respuesta en variabilidad explicada por el modelo ms variabilidad no explicada o residual,
esto permitir contrastar si el modelo es significativo o no.
El ANOVA trata de responder a la siguiente pregunta: es mejor usar X para predecir la
variabilidad de Y, o por el contrario se puede conseguir la misma explicacin de Y sin tener
en cuenta los valores de X, simplemente usando el valor ms representativo de Y, esto es, su
media? Si sucediera esto ltimo, la recta del modelo tendra pendiente cero, por lo que las
hiptesis a verificar son:
H0 : 0
H1 : 0
Si se acepta
variables.
H0
288
UAP
Inferencia Estadstica
Donde:
SCR
SCE
:
:
modelo
Y X i ei
a bX
Y
2.
3.
Hiptesis:
H0 : 0
H1 : 0
F1 , 1 , n 2
Valor Crtico:
Estadstica de Prueba:
CMR
CME
Grados de
Libertad
Suma de
Cuadrados
Cuadrado
Medio
SCR
SCR
CMR
1
SCE
CME
n- 2
Error
n-2
SCE
Total
n-1
SCT
SCT
CMR
CME
Y )2
n
289
UAP
Inferencia Estadstica
(
X )2
2
2
SCR b
X
Decisin:
Si F pertenece a la regin de aceptacin, entonces aceptar H0
5.
Conclusin:
Ejemplo:
N Anuncios clasificados
N Autos vendidos
:
:
74
139
45
110
50
95
38
78
29
60
17
54
Hiptesis:
H0 : 0
H1 : 0
2.
Valor Crtico:
F1 , 1, n 2
F0.95 , 1 , 4 7.71
7.71
3.
CMR
F
44.90
CME
Estadstica de Prueba:
SCT
Grados de
Libertad
1
4
5
Suma de
Cuadrados
4740.96
422.37
5163.33
53046
Cuadrado
Medio
4740.96
105.59
F
44.90
536 2
5163 .33
6
290
UAP
Inferencia Estadstica
SCR b
1.5768 2
253 2
12575
4740 .96
6
Decisin:
F = 44.90 pertenece a la regin de rechazo, entonces rechazamos H0 y aceptamos H1
5.
Conclusin:
Con una confianza del 95% no se puede afirmar que las variaciones en el nmero de
autos vendidos se deben a fluctuaciones aleatorias independientes del nmero de
anuncios clasificados.
Clic en Options.
291
UAP
Inferencia Estadstica
a b X c X2
Y
Para hallar los valores de a, b y c se deben resolver las siguientes ecuaciones normales:
an
aX
b X c X2 Y
b X2 c X3 X Y
a X2 b X3 c X 4 X2 Y
Forma matricial
n
a
X
b
c
X2
X X2
X2 X3
X3 X4
XY
X2Y
Y b XY c X2 Y n Y
Y2 n Y2
SC
Y2
XY
n 3
X2 Y
292
UAP
Inferencia Estadstica
Ejemplo:
En la una fbrica se tienen los siguientes datos correspondientes a las horas trabajadas (en
miles) que producen cierto producto (en unidades).
Horas trabajadas
Produccin
: 1
: 25
2
15
4
10
5
10
7
15
a)
b)
8
10
8
20
9
20
10
35
12
45
205 10 a 66 b 548 c
1560 66 a 548 b 5022 c
14750 548 a 5022 b 48788 c
10
66
548
66 548
5022
548 5022 48788
205
66
548
a 1560
548
5022
14750 5022 48788
10
205
66 1560
548 14750
548
5022
48788
10
66
205
c 66 548 1560
548 5022 14750
1 337 672
40 072 580
29.957
1 337 672
10 578 600
7.908
1 337 672
1 043 220
0.780
1 337 672
293
UAP
Inferencia Estadstica
c)
r 0.95
e)
r2 0.952 90%
El 90% de las variaciones que se producen en la produccin se pueden atribuir a las
variaciones producidas en el nmero de horas trabajadas, el 10% restante de estas
variaciones son debidas a otros factores o a efectos aleatorios.
f)
SC
4.096
Clic en OK
294
UAP
Inferencia Estadstica
S
R-Sq
R-Sq(adj)
4,09621
90,4%
87,6%
Producc:Y
40
30
20
10
0
6
8
HorasTrabaj:X
10
12
Modelo Cuadrtico
Error estndar
de estimacin
b)
Coeficiente de
Determinacin
Errores de estimacin
295
UAP
Inferencia Estadstica
Al graficar los valores X e Y se obtiene una curva creciente o decreciente, es decir que la
variable predictora evoluciona en forma aritmtica y la variable predictando evoluciona en
forma geomtrica.
En la prctica son numerosas las variables que presentan un crecimiento geomtrico: la
poblacin, ventas, salarios, ingresos, etc.
a . bX
Y
Para facilitar la determinacin de las ecuaciones normales, la funcin anterior se linealiza
aplicando logaritmos:
Log Y = Log a + X log b
Ecuaciones normales:
log Y n log a
X log Y log a . X
X
log b . X 2
log b .
X log Y X . log Y
n X2 ( X )2 n ( log y )2 ( log Y )2
n
Ejemplo:
La demanda de televisores (miles de unidades) y los gastos de publicidad (cientos de dlares)
en un pas desde 2008 hasta 2012 fue:
Gastos de Publicidad
Demanda de TV
a)
:
:
2
3
4
6
5
12
7
24
12
45
296
UAP
Inferencia Estadstica
b)
log a
log b
5.37
30
38.96 208
290
5
5.37
30 38.96
290
5
30
290
30 238
109 .26
0.38
290
33.7
0.12
290
a 2.38
b 1.31
2.38 . 1.31X
Y
c)
d)
5 38.96 30 5.37
0.95 Es confiable.
a)
2. Graph Plot
Clic en Aceptar.
Profesora: Gladys Enrquez Mantilla
297
UAP
Inferencia Estadstica
Clic en Aceptar.
Se obtiene el siguiente diagrama de esparcimiento:
Grfica de dispersin de DemandaTV:Y vs. GastosPublic:X
50
DemandaTV:Y
40
30
20
10
0
2
6
8
GastosPublic:X
10
12
Entonces aparecer:
Clic en Aceptar.
Profesora: Gladys Enrquez Mantilla
298
UAP
Inferencia Estadstica
Stat Regression Regression
Clic en Aceptar.
2.37 1.31X
Y
Error estndar de
estimacin
c)
Coeficiente de
Determinacin
299
UAP
Inferencia Estadstica
Regresin Mltiple
En la regresin mltiple se trata de predecir una sola variable respuesta a partir de dos o ms
variables predictoras. Permite utilizar una mayor informacin disponible para estimar la
variable respuesta, de esta forma se trata de aumentar la precisin del estimado.
Variable
dependiente
f ( X1 , X 2 , .... , X p )
Variables
independientes
Y 0 1 X1 2 X 2 .... p X p e i
i mide el cambio esperado en la variable respuesta Y cuando X i aumenta en una unidad y
el resto de las variables predictoras permanecen constantes.
300
UAP
Inferencia Estadstica
Ecuacin de Regresin para tres variables:
Los estadsticos a travs de los cuales estimaremos los valores de 0 , 1 y 2 vienen dados
por las expresiones de b 0 , b1 y b 2
Y b0 b1 X1 b2X2
Y
X1 y X 2
b0
b1 y b 2
:
:
:
:
b 02. 1
:
:
:
El criterio de mnimos cuadrados localizar el plano que minimice la suma de los cuadrados
de los errores de estimacin, obtenindose las ecuaciones normales:
b0 n
b1 X1
b2 X 2
X1
b0 X 2
b1
b 2 X1 X 2
b0
X12
b1 X1 X 2 b 2 X 22
Y
X1 Y
X2 Y
b1 n
b 2 X1
b
3 X 2
X1
X12
X1 X 2
X 2
X1X 2
X 22
Y
X1 Y
X 2 Y
301
UAP
Inferencia Estadstica
i :1, 2 , .... , n
Homogeneidad
El valor esperado o promedio de lo errores de estimacin e i es cero:
E( ei ) 0 ,
i : 1, 2 , .... , n
Independencia
Los errores o residuos e i son variables aleatorias independientes. Es decir, una observacin
no debe dar informacin sobre las dems.
Normalidad
Los errores e i tienen distribucin normal: e i ~ N ( 0 , 2 ) .
Coeficientes de Correlacin Simple
Slo comparan dos variables, sin tener en cuenta la tercera. Miden la proporcin de la
varianza de Y explicada por X 1 y X 2 exclusivamente.
r01
r02
r12
X2
302
UAP
Inferencia Estadstica
Coeficiente de Determinacin Mltiple:
R 20. 12
Es una medida que representa la proporcin de la variacin total de Y que est explicada por
el plano de regresin es decir por la influencia conjunta de X 1 , X 2 y por el azar. Mide la
tasa porcentual de los cambios de Y que pueden ser explicados por X 1 y
X2
simultneamente.
0 R 20. 12 1
Cuanto ms se acerca a 1, tanto menor es la dispersin de los puntos alrededor del plano de
regresin y tanto mejor es el ajuste.
R 20 . 12
b0
b1 X1 Y b 2 X 2 Y n Y
Y2
nY
Interpretacin de R 20. 12 :
Si
X 1 : Gastos de publicidad
X 2 : Precio
R 20. 12 0.95
: Ventas
El 95% de las variaciones en las ventas han sido explicadas por las variaciones en los gastos
de publicidad y en el precio, quedando un 5% de la variacin de las ventas que slo puede ser
explicado por factores que no han sido tomados en consideracin en nuestro anlisis o por
aleatoriedad inherente.
Correlacin Mltiple
La correlacin mltiple indica qu tanto de la variacin total de la variable respuesta o
predictando puede explicarse por todas las variables predictoras actuando conjuntamente.
Coeficiente de Correlacin Mltiple:
R 0 . 12
Expresa el grado de relacin existente entre tres a ms variables. Si todos los valores de las
variables, varan en forma proporcional ya sea directa o inversamente, es decir satisfacen
exactamente una ecuacin, se dice que las variables estn correlacionadas perfectamente o
que existe una relacin perfecta entre ellas.
1 R 0 . 12 1
Error estndar de estimacin mltiple
La estimacin se hace ms precisa conforme el grado de dispersin alrededor del plano de
regresin se hace ms pequeo.
SM
( Yi
)2
Y
i
n p 1
303
UAP
Inferencia Estadstica
S Y , X1 , X2
b0 Y b1 X1 Y b2 X 2 Y
n3
CORRELACIN PARCIAL
Es la correlacin entre dos variables cualquiera cuando los efectos de las otras variables se
han controlado.
Coeficiente de Correlacin Parcial
Mide la correlacin entre la variable predictando y una variable predictora determinada,
cuando todas las dems variables predictoras permanecen constantes, es decir cuando se
elimina el efecto de las variables restantes.
Las correlaciones parciales son importantes para decidir si incluir o no ms variables
predictoras.
Coeficiente de Correlacin Parcial para tres variables
Y f ( X2 , X3 )
Frmula de primer orden parcial:
rij
rij rik r jk
2
(1 rik
) (1 r 2
jk )
Ejemplo:
r12 . 3
Y y
X 2 cuando X3 se
Y y
X3 cuando X 2 se
mantiene constante.
r13 . 2
r23 . 1
X2
X3 cuando Y se
mantiene constante.
304
UAP
Inferencia Estadstica
Y f ( X2 , X3 , X 4 )
Frmula de segundo orden parcial:
ri j . l rik . l r jk . l
ri j . k l
2
2
(1 rik
. l ) (1 r jk . l )
Ejemplo:
r12
34
r13 . 4 r23 . 4
r12 . 4
2
2
(1 r13
. 4 ) (1 r23
. 4)
X4 se mantienen constantes.
Coeficiente de Correlacin Parcial para cinco variables
Y f ( X2 , X3 , X4 , X5 )
Frmula de tercer orden parcial:
rij .
klm
rij .
kl
(1
rim .
2
rim
. kl
kl
) (1
r jm .
kl
r2
jm . kl )
Ejemplo:
La siguiente tabla muestra las ventas de un artculo (en cientos), los gastos de publicidad por
radio y los gastos de publicidad en peridicos (en miles de soles).
Gastos de publicidad en
radio (miles de soles)
X1
4
7
9
12
a)
Gastos de publicidad en
peridico (miles de soles)
X2
1
2
5
8
Ventas
(cientos)
Y
7
12
17
20
X1 32
X12 290
X1 Y 505
X 2 16
X22 94
X 2 Y 276
56
Y2 882
X1 X 2 159
b b X b X
Y
0
1 1
2 2
305
UAP
Inferencia Estadstica
4 b 0 32 b1 16 b 2
56
32 b 0 290 b1 159 b 2
505
16 b 0 159 b1 94 b 2
276
b 0 , b1 y b 2
4
32 16
32 290 159 236
16 159 94
b0
56 32 16
505 290 159
276 159 94
b1
b2
b)
c)
236
4 56 16
32 505 159
16 276 94
236
4 32
32 290
16 159
236
56
505
276
152
0.644
236
392
1.661
236
4
0.017
236
Interpretar : b 0 , b1 y b 2
b0 0.644 64 unid.
b2 0.017 2 unid.
R0 .12
R 0 .12 0.987
306
UAP
Inferencia Estadstica
d)
Alrededor del 98% de la variacin total de las ventas se explica por medio de la
ecuacin de regresin.
e)
r01
r02
r12
f)
4 505 56 32
( 4 882 56 2 ) ( 4 290 32 2 )
4 276 56 16
( 4 882 56 2 ) ( 4 94 16 2 )
4 159 32 16
( 4 290 32 2 ) ( 4 94 16 2 )
0.9875
0.959
0.9706
r01. 2
2
(1 r23
)
0.831
r02 .1
0.014
r12 . 0
0.528
Si las ventas fueran constantes, existira correlacin lineal baja entre los gastos de
publicidad en radio y los gastos de publicidad en peridico peridicos.
307
UAP
Inferencia Estadstica
3. Clic en Ok.
308
UAP
Inferencia Estadstica
EJERCICIOS PROPUESTOS
Regresin y Correlacin Lineal, No Lineal y Mltiple
1.-
:
:
1
0.22
2
0.59
3
1.01
4
1.36
5
1.42
Una compaa presenta los siguientes datos con respecto a las ventas de un producto
durante siete aos.
Aos
Ventas
a)
b)
c)
d)
e)
f)
3.-
:
:
2007
36
2008
28
2009
34
2010
52
2011
58
2012
62
2013
67
350
200
450
36
20
45
50
5
400
150
350
300
40
18
38
32
309
UAP
Inferencia Estadstica
4.-
5.-
a)
si
b)
interpretar:
r02 = 0,96
r12 = 0,97
a)
b)
c)
d)
e)
:
:
28
5
r01.2 = 0,83
r12. 0 = 0,53
b0
b1
b2
R20. 12 = 0,98
R0. 12 = 0,99
32
8
46
4
24
7
28
10
36
4
42
3
37
4
51
3
42
4
7.-
interpretar:
Un fabricante quiere establecer si hay una relacin parablica entre las ausencias al
trabajo. X: nmero de permisos al mes e Y: edad del trabajador. Para ello selecciona
una muestra aleatoria de 10 trabajadores, obteniendo la siguiente informacin:
Y
X
6.-
: rendimiento acadmico.
: horas de estudio.
: inasistencias.
:
:
:
5
7
3
2
14
1
9
6
5
6
7
3
7
5
3
3
8
1
4
10
2
8
4
4
310
UAP
Inferencia Estadstica
8.-
Una compaa recab los datos adjuntos para comparar el precio de venta de casas
nuevas con el tamao de la construccin en cientos de pies cuadrados.
Espacio construido
:
20
22
18
30
23
25
Precio de venta
:
116
118
91
145
105
121
a)
Podemos afirmar que a mayor espacio construido mayor precio de venta?
Justifique su respuesta.
b)
Hallar un intervalo altamente significativo para el coeficiente de regresin.
c)
Si el espacio construido es de 32 cul es el precio de venta mnimo y mximo
que se espera?
9.-
10.-
11.-
30
10
36
20
40
30
48
40
50
50
54
60
66
70
88
80
Los siguientes datos son las puntuaciones obtenidas por un grupo de alumnos en dos
tests, que se quieren utilizar como previsores de la calificacin media de los alumnos
en el rea de Lenguaje y las calificaciones medias reales obtenidas por dichos alumnos,
ms tarde, en su curso de lenguaje.
Calificac. : 8,8
5,5
8,7
6,8
6,5
8,7
8,4
9,7
5,8
Test 1
:
8,9
4,9
8,6
6,3
5,0
8,0
8,7
9,4
5,5
Test 2
:
9,2
5,6
9,0
6,7
6,2
8,5
9,0
9,9
6,0
a)
Calcular e interpretar:
b)
c)
0,9862
0,9920
Hallar el plano de regresin.
Se puede afirmar que un modelo de regresin mltiple explica la relacin entre
la variable predictando y las variables predictoras? Por qu?
r12
r13
r23
0,9664
12.-
:
:
:
:
65
68
63
66
64
68
68
69
62
66
a)
Podemos afirmar que existe una relacin inversa entre la estatura de los
padres y sus hijos? Por qu?
b)
:
:
2005
545
2006
755
2007
919
2008
1200
2009
1600
2010
2500
2011
4200
311
UAP
Inferencia Estadstica
13.-
14.-
15.-
:
:
:
A
12
7
B
6
5
C
9
10
D
15
14
E
11
12
F
15
9
G
8
6
Y :
X2 :
X3 :
29
45
16
24
42
14
27
44
15
25
45
13
26
43
13
28
46
14
30
44
16
28
45
16
28
44
15
27
43
15
a)
Se puede combinar esta informacin con los datos de horas de trabajo directas
y obtener una ecuacin de estimacin ms precisa para los gastos generales de
la fbrica?
b)
c)
d)
e)
Al hallar un modelo lineal, se puede decir que la relacin es directa? Por qu?
:
:
10
5
15
12
20
24
25
38
30
70
34
130
312
UAP
Inferencia Estadstica
16.-
Se desea hacer un estudio para examinar el papel que juega la televisin en la vida de
un grupo preseleccionado de personas de edades superiores a los 65 aos. El propsito
de dicho estudio es proporcionar informacin que permita hacer una programacin
adecuada a las necesidades de este grupo. Una muestra aleatoria de siete personas de
edades superiores a los 65 aos fue seleccionada y a cada persona le fue solicitada la
siguiente informacin:
N de horas TV
Edad
Escolaridad (aos)
a)
b)
d)
e)
f)
a)
b)
c)
0,9
69
10
1,6
81
12
2,8
71
12
3,0
75
6
3,3
79
6
:
:
20
18,3
30
18,8
40
19,1
50
19,3
60
19,5
70
19,7
80
19,8
Los siguientes datos indican las ventas mensuales (en miles de soles) y los aos de
experiencia en ventas de diez vendedores de una fbrica.
A.E.
Ventas
a)
b)
c)
19.-
0,8
65
10
Las pruebas acerca del consumo de combustible de un vehculo que viaja a diferentes
velocidades produjeron los siguientes resultados:
Velocidad
Consumo
18.-
0,5
73
14
c)
17.-
:
:
:
:
:
4
5
5
6
2
4
5
5
6
7
7
10
1
3
8
11
3
4
7
9
Los siguientes datos corresponden a las horas de estudio para una prueba y al nmero
de respuestas correctas obtenidas en dicha prueba por 17 alumnos.
Horas de estudio
Respuestas correctas
N de alumnos
a)
b)
c)
d)
e)
:
:
:
1
2
1
5
11
3
6
20
4
2
10
3
7
14
4
3
12
2
313
UAP
Inferencia Estadstica
20.-
El gerente de personal de una empresa considera que puede haber una relacin entre
el ausentismo (das) , Salario (en miles de soles) y la edad (aos). Selecciona una
muestra aleatoria de 8 empleados, con los resultados siguientes:
Das ausente
Edad
Salario
a)
b)
c)
d)
e)
f)
g)
21.-
6
61
16,4
10
37
14,3
18
23
8,0
9
46
14,7
7
58
14,0
14
29
11,2
11
36
15,3
a)
b)
c)
:
:
5
15
8
7
10
3
13
6
16
14
22
36
28
62
23.-
15
27
8,5
Ventas
Precio
22.-
:
:
:
:
:
:
9
8
3
6
12
2
8
16
3
14
20
4
16
24
5
Se puede afirmar que existe una relacin directa entre nmero de errores y
nmero de horas sin dormir? Por qu?
Los pronsticos que se realicen con un modelo lineal, sern acertados?
Al nivel del 1%, Qu podemos afirmar acerca del verdadero coeficiente de
regresin?
Influye la cantidad de horas sin dormir en el nmero de errores cometidos?
Si duerme todas sus horas, cuntos errores se espera que cometa?
:
:
8
7
10
10
12
8
16
9
14
6
18
5
22
5
23
6
19
8
26
7
314
UAP
Inferencia Estadstica
24.-
25.-
:
:
:
:
:
365
61
36
13
32
441
56
14
8
41
807
62
28
6
34
450
41
31
3
33
828
69
21
0
32
314
73
36
5
7
472
88
38
6
8
26.-
649
48
40
7
36
:
:
:
50
7
6
54
12
7
62
13
5
70
17
2
75
18
1
80
19
3
90
20
2
6
8
4
7
7
5
4
10
3
9
3
7
10
6
8
9
13
8
9
4
9
5
12
2
Calcular e interpretar:
r12
r13
r23
-0,256
0,8735
-0,2753
encontrar la ecuacin del plano de regresin de Y sobre X2 y X3
Estimar la satisfaccin de una persona que lleva 9 aos afiliada a su partido
poltico y tiene una motivacin de 7.
Si tuvieras que descartar una de las variables predictoras, cul sera?
Hallar un modelo lineal usando la mejor predictora.
Qu porcentaje de los cambio que se producen en Y, se pueden atribuir a
otros factores o al azar?
Al nivel del 1%, se puede concluir que los cambios que se producen en la
variable respuesta se deben a efectos aleatorios?
Calcular los valores estimados con el plano de regresin.
315
UAP
Inferencia Estadstica
27.-
35
12
33
9
44
16
28
10
20
6
29.-
25
7
El gerente concluye que el 95% de la variacin de las ventas son explicadas por
la variacin del nmero de vendedores, razn por la cual propone al Director,
contratar ms vendedores. Es vlida la conclusin del gerente? Explique por
qu.
Se afirma que por cada vendedor que se contrate, el nmero de unidades
vendidas se incrementar. Es correcta la afirmacin?
b)
28.-
:
:
9
10
8
11
10
12
10
18
15
14
15
17
18
20
23
16
16
21
19
22
26
24
20
35
Si tuviera que hallar un modelo slo con una variable predictora, a cul
elegiras? Por qu?
Hallar un modelo lineal adecuado usando la mejor variable predictora.
Se puede afirmar que tanto la variable predictando como la variable
predictora, varan en el mismo sentido? Explica.
Podemos afirmar que la variacin de Y se puede atribuir a la variacin de X,
o se debe a fluctuaciones aleatorias?
Podemos afirmar que a mayor seguridad en s mismo, se espera una mayor
iniciativa personal? Por qu?
Un investigador sostiene que utilizando la misma variable predictora de b), un
modelo exponencial permitira realizar pronsticos ms confiables, ests de
acuerdo? Explica.
Qu puntaje se esperara en Iniciativa Personal para un ingeniero que tiene
30 en seguridad en s mismo y 19 en Madurez Emocional?
:
:
77
82
50
66
71
78
72
34
81
47
94
85
96
99
Se puede concluir que existe una relacin directa entre las calificaciones de
medio ao y final de ao? Por qu?
Sern acertados los pronsticos que se realicen usando un modelo lineal?
Encuentre un modelo lineal.
Interpretar a y b.
Realizar un pronstico al nivel del 99%.
Cul ser el valor mximo esperado para el verdadero cambio de la variable
respuesta cada vez que la variable predictora se incrementa en un punto?
Las calificaciones de final de ao, se ven explicadas por las notas de medio ao?
Calcular los residuos del modelo lineal.
En cunto se aleja el diagrama de esparcimiento con respecto a la recta de
regresin?
316
UAP
Inferencia Estadstica
30.-
En una investigacin sobre la relacin que existe entre el nmero de veces que se
repite una tarea y los errores que se cometen se ha constatado la relacin curvilnea
existente entre ambas variables.
Veces repite
N errores
a)
b)
c)
d)
31.-
6
26
8
18
11
10
13
8
16
6
17
4
18
2
32.-
:
:
:
:
50
1,1
60
2,0
68
3,0
88
3,8
125
5,0
135
5,5
184
6,5
Una firma cree que sus ingresos anuales dependen de sus gastos por investigacin.
Se tiene la informacin de los ltimos seis aos (en miles de dlares).
Ingreso Anual
Gastos en Investigacin
:
:
31
5
40
11
30
4
34
5
25
3
20
2
34.-
:
:
:
70
110
120
60
90
92
80
100
104
95
140
135
90
120
118
:
:
550
2007
400
2008
250
2009
200
2010
100
2011
70
2012
90
2013
317
UAP
Inferencia Estadstica
35.-
36.-
5
9
6
7
6
12
7
8
9
6
9
9
10
7
12
5
a)
b)
c)
Una compaa desea encontrar un modelo que explique la relacin existente entre la
produccin (miles de unidades por ao) y el costo marginal de produccin (dlares por
unidad).
Produccin
Costo Marg.
a)
b)
c)
d)
38.-
4
13
Meses
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
37.-
: 2
: 12
:
:
5
20
7
60
9
60
9
100
11
120
12
120
12
180
14
240
16
280
Se tienen los datos correspondientes a las edades (aos), los ingresos (dlares) y el
nmero de aos desde que salieron de la universidad de un grupo ingenieros de
sistemas que trabajan para la misma institucin.
Edad
N de aos
Ingresos
a)
b)
c)
d)
e)
f)
g)
:
:
:
57
13
512
60
19
650
45
14
550
42
16
500
36
12
540
45
16
680
62
25
680
36
10
456
52
18
590
318
UAP
Inferencia Estadstica
39.-
Los siguientes datos son los ingresos por ventas mensuales, en centenas de $ que
obtuvo una compaa.
Mes
:
Ingresos :
a)
2
43
f)
g)
h)
4
85
5
118
6
164
7
228
8
316
9
444
10
611
41.-
3
61
b)
c)
d)
e)
40.-
1
31
:
:
120
50
180
60
135
65
147
72
185
84
Y :
X2 :
X3 :
36
84
7
28
74
5
39
89
8
30
78
7
X2 : Resultado de aptitud
X3 : Aos de experiencia.
45
22
92
70
10
3
Una compaa distribuye un test de aptitud entre todos sus nuevos representantes de
ventas. La direccin tiene inters en conocer la capacidad del test para predecir el
eventual xito de estos representantes. Los datos adjuntos recogen el valor (en miles
de soles) de las ventas semanales medias y las puntuaciones obtenidas en el test de
aptitud para una muestra aleatoria de ocho representantes.
Ventas semanales
Puntuacin Test
a)
b)
c)
d)
e)
:
:
10
55
12
60
28
85
24
75
18
80
16
85
15
65
12
60
319
UAP
Inferencia Estadstica
43.-
:
:
5
7
8
14
7
8
10
15
15
20
Una firma de renta de automviles recab los datos adjuntos sobre los costos de
mantenimiento (en dlares) y las millas recorridas (en miles) para siete de sus
automviles.
Automvil
Millas recorridas
Costo Mantenimiento
:
:
:
A
55
299
B
27
160
C
36
215
D
42
255
E
65
350
F
48
275
G
29
207
46.-
3
7.5
25
4
13.3
32
4
4.7
26
7
14.6
38
7
8.4
34
8
12.6
41
9
6.2
39
a)
b)
c)
Usando un modelo lineal con la mejor predictora y con un margen de error del
1%, qu valor se espera obtener en la variable respuesta partiendo de un valor
de 15 en la variable predictora?
34.84 ; 77.30
d)
Una tienda especialista en trajes para personas de negocios con xito intenta
determinar las variables que pueden explicar el nivel de compras de sus clientes. Se
recogieron datos de las compras por cada visita en dlares, los ingresos de los clientes
en miles y los aos de permanencia del cliente en su empleo. Se pensaba que la ltima
variable mide hasta dnde ha subido el cliente en la escala de puestos de la empresa
y, por tanto, refleja su necesidad de vestir con elegancia.
Compras
:
Ingresos
:
Aos Perm. :
630
107
12
550
95
12
320
54
6
820
141
16
450
76
10
755
130
15
750
127
14
330
55
9
950
174
22
655
110
13
320
UAP
Inferencia Estadstica
47.-
Se desea analizar el nmero de errores cometidos por una persona en relacin con las
horas que lleva desarrollando un trabajo.
Errores cometidos
Horas trabajadas
:
:
10
1
10
2
8
3
6
4
5
5
3
6
4
7
2
8
5
9
8
10
9
11
10
12
Podemos afirmar que el nmero de errores por hora disminuir si la persona se vuelve
ms eficiente en la tarea, pero despus aumentara debido a otros factores como por
ejemplo la fatiga y el aburrimiento?
48.-
49.-
8
12
10
10
16
9
14
8
18
7
22
5
23
6
19
8
26
5
28
3
27
4
Durante los ltimos cuatro aos, los gastos en publicidad y las ventas de una empresa
(en millones de pesetas) han sido:
Ventas
Gastos
a)
b)
c)
d)
e)
f)
50.-
12
9
:
:
100
1.0
126
1.3
180
1.7
210
2.0
65;1.93
75;1.97
85;2.00
95;2.01
105;2.01
321
UAP
Inferencia Estadstica
51.-
Estamos interesados en investigar cmo vara el peso (libras) con la altura (pulgadas)
y edad (aos) en los nios con una cierta deficiencia nutricional. Para tal efecto se
obtiene una muestra aleatoria de nios, obtenindose los siguientes resultados:
Peso
Altura
Edad
a)
b)
c)
d)
e)
52.-
64
57
8
71
59
10
53
49
6
67
62
11
55
51
8
58
50
7
77
55
10
57
48
9
56
42
10
51
42
6
76
61
12
68
57
9
Podemos afirmar que ambas variables son buenas predictoras? Por qu?
Hallar un modelo lineal o mltiple que permita realizar pronsticos que estn
muy cercanos a la realidad.
Qu tanto de los cambios de la variable predictando se ven explicados por el
modelo de regresin hallado?
En qu medida se alejan los valores observados con respecto al modelo de
regresin?
Realizar e interpretar un pronstico.
Una empresa que fabrica circuitos electrnicos aplica un riguroso control de calidad.
La produccin se lanza por lote de 100 circuitos y luego se prueba cada circuito. Los
circuitos defectuosos (por lote) son inmediatamente reparados por el servicio de
reparacin. Para poder planear adecuadamente la rotacin del personal obrero en el
servicio de reparacin, es importante poder predecir el tiempo (en minutos) requerido
en este servicio despus de la produccin de un lote. La empresa dispone de los datos
siguientes:
N defectuosos
Tiempo reparac.
1
23
2
29
3
49
4
64
4
74
5
87
6
96
6
97
7
109
8
119
a) Sera apropiado utilizar un modelo lineal para realizar pronsticos? Por qu?
b) Qu porcentaje de la variable predictando es explicado por un modelo de regresin
lineal?
c) Calcular e interpretar el error estndar de estimacin.
5.12
d) Con un margen de error del 5%, qu tiempo se utilizar en la reparacin cuando
se tienen 10 artculos defectuosos?
143.94 ; 164
e) Hallar un intervalo de confianza del 95% para la verdadera variacin que se
produce en el tiempo de reparacin por cada artculo defectuoso que se incremente.
12.90 ; 16.46
f) Con una confianza del 90%, se puede afirmar que los cambios que se producen
en la variable predictando se pueden atribuir a los cambios de la variable
predictora? Por qu?
53.-
Una empresa de desarrollo de software establece relacionar sus ventas en funcin del
nmero de pedidos de los tipos de software que desarrolla (Sistemas Educativos y
Automatizaciones Empresariales), para atender 10 proyectos en el presente ao. En la
siguiente tabla se muestra las ventas (en miles de soles), el nmero de pedidos de
sistemas, el nmero de pedidos de Aplicaciones Educativas y el nmero de pedidos de
Automatizaciones empresariales.
Ventas
N Pedid. Sistemas
N pedid. Aplic.Educat.
N pedid. Automat.Empres.
a)
b)
c)
d)
:
:
:
:
440
50
105
75
455
40
140
68
470
35
110
70
510
45
130
64
506
51
125
67
480
55
115
72
460
53
100
70
500
48
103
73
490
38
118
69
322
UAP
Inferencia Estadstica
54.-
En una empresa de servicio de Internet busca relacionar las ganancias que obtiene
cada computadora con el nmero de usuarios que ingresan a dicha cabina
diariamente. En la tabla representa las ganancias S/. y el nmero de usuarios.
Ganancia
N de usuarios
a)
b)
55.-
:
:
100
116
102
105
102
99
111
106
97
100
104
109
102
98
96
108
a)
b)
c)
d)
e)
f)
:
:
:
10
1
10
15
1
7
15
2
6
20
2
5
20
3
4
25
3
3
25
4
1
35
4
1
35
5
2
57.-
99
110
N lneas de cdigo
N errores encontrados
N de productos
56.-
98
96
:
:
1
0.60
2
0.9
3
1.40
4
1.80
5
2.50
6
3.2
7
3.4
8
4.5
Se est estudiando la relacin entre el nmero de aos que una persona est afiliada
al sindicato y el nivel de satisfaccin con la actuacin de dicho sindicato. Para ello se
toma aleatoriamente a un grupo de personas adscritas a sindicatos, obtenindose:
Aos
Satisfaccin
a)
b)
c)
:
:
8
7
7
5
10
8
3
5
6
9
13
9
4
3
323
UAP
Inferencia Estadstica
58.-
Supongamos que el Gerente de Ventas no est satisfecho con el modelo lineal con una
variable, y decide incorporar las calificaciones obtenidas en la fase 1 del programa
inicial de entrenamiento. Igualmente, decide incorporar ms datos correspondientes a
otros vendedores. De forma tal que nuestros datos son:
vendedor
1
2
3
4
5
6
7
8
9
10
11
12
Puntuacin de
la prueba
4
7
3
6
10
9
2
5
9
2
1
3
Calificacin de
desempeo
2
5
1
4
6
5
10
5
4
6
1
1
a)
b)
c)
d)
e)
f)
59.-
Ventas semanales
(en miles de soles)
5
12
4
8
11
4
30
14
6
14
4
5
a)
b)
c)
d)
e)
f)
g)
h)
:
:
26.2
110
33.0
89
28.5
102
35.5
85
38
73
30
90
25.25
98
20.3
110
31.9
98
21.1
122
22.7
119
22.1
120
324
UAP
Inferencia Estadstica
60.-
:
:
7
8
12
15
18
20
30
35
20
28
24
25
8
8
11
13
8
7
Un gerente de recursos humanos desea determinar el salario que debe pagar a cierta
categora de obreros. Para determinar dicho salario se realiza un estudio en el que
intervienen las variables Salario Mensual ($), Nivel de Produccin Anual en la Empresa
(en miles de dlares) y Nivel de Especializacin media del trabajador (de 0 a 10). El
gerente obtiene los siguientes resultados:
Salario ($)
Produccin
Especializacin
a)
b)
c)
d)
e)
f)
g)
62.-
:
:
:
123.4
300.5
4.3
135.7
325.9
5.5
115.9
298.6
7.8
100.6
200.9
4.9
98.7
300.4
4.3
150.4
359.8
8.5
124.6
279.6
6.4
110.0
215.6
5.6
Hallar la ecuacin del plano de regresin lineal mnimo cuadrtico que explica
el salario en funcin de la produccin y del nivel de especializacin.
Qu salario se debera pagar si el nivel de produccin fuese de 315 mil dlares
y el nivel medio de especializacin de 6.6?
Calcular los valores estimados usando el plano de regresin.
Hallar los residuos.
Hallar la ecuacin de la recta de regresin usando la mejor predictora.
Explica la mejor predictora a la variable predictando?
Qu tanto se alejan los puntos del dispersigrama con respecto a la recta de
regresin?
Una empresa fabricante de cereales para el desayuno desea conocer la ecuacin que
permita predecir las ventas (en miles de euros) en funcin de los gastos en publicidad
infantil en televisin (en miles de euros), el tiempo diario de aparicin en televisin (en
minutos) y los gastos en publicidad en los peridicos (en miles de euros). Se realiza un
estudio en el que se renen los datos mensuales correspondientes a los ltimos 20
meses. Estos datos aparecen en la siguiente tabla:
Ventas
Public. TV
Tiempo TV
Public.Per.
a)
b)
c)
d)
e)
f)
:
:
:
:
10
1.0
50
0.4
12
1.2
57
0.4
13
1.3
56
0.5
12
1.4
55
0.5
14
1.5
60
0.4
16
1.7
65
0.4
12
1.8
69
0.6
14
1.3
67
0.5
11
1.4
68
1.1
10
0.9
67
0.3
19
0.8
97
0.5
8
0.9
66
0.6
325
UAP
Inferencia Estadstica
63.-
64.-
P2
125
131
141
122
141
152
141
132
157
166
141
P3
59
31
80
75
49
49
60
41
50
32
54
P4
55
63
45
46
41
43
41
64
42
57
58
65.-
P1
69
57
77
81
0
53
77
76
65
97
76
:
:
:
466
6
6
418
6
4
434
6
2
487
6
0
516
8
6
462
8
4
475
8
2
501
8
0
594
12
6
553
12
4
551
12
2
589
12
0
:
:
:
5
8
9
10
8
20
15
8
30
20
8
39
25
12
50
5
12
10
10
12
19
15
12
30
20
20
40
25
20
50
5
20
11
10
25
21
15
25
31
20
25
42
25
25
51
326
UAP
Inferencia Estadstica
66.-
12
14
10
14
h)
i)
9
11
8
11
14
13
12
13
12
14
13
14
11
9
7
12
17
18
15
16
14
15
14
15
18
16
20
16
16
14
15
14
10
11
10
12
8
10
8
11
68.-
15
17
14
14
b)
c)
d)
e)
f)
g)
67.-
:
:
:
:
:
:
1
1
1
2
2
4
2
5
3
8
3
9
4
14
4
16
5
20
5
25
:
:
9
15
16
11
20
8
7
18
10
14
25
7
5
12
18
10
327