Estad

stica II
Ejercicios Tema 4
Curso 2012/13 Soluciones Respuestas
1. Los siguientes datos muestran la estatura (en cm.) y el peso (en Kg.) para una muestra de cinco
alumnos de una clase:
estatura (cm.) peso (Kg.)
154 60
158 62
162 61
171 66
176 84
a) Calcula e interpreta los coecientes de covarianza y de correlacion lineal muestrales entre la
estatura y el peso.
b) Calcula estimadores puntuales para los parametros (pendiente y constante) de la recta de
regresion del peso en funcion de la estatura, as como para la varianza del error de la respuesta.
En cuantos Kg. aumenta el peso, en promedio, por cada 10 cm. adicionales de estatura?
c) Calcula estimadores por intervalos al 10 % de conanza para los parametros (pendiente y
constante) de la recta de regresi on del peso en funcion de la estatura, as como para la varianza
del error de la respuesta.
d) Aportan los datos evidencia signicativa al 10 % para concluir que el peso depende linealmente
de la estatura? Plantea y resuelve el contraste de hipotesis correspondiente, y acota su p-valor.
Para que niveles de signicacion puedes asegurar que el peso depende de la estatura?
e) Supongamos que un alumno mide 174 cm. A partir de los datos dados, cual es el peso medio
estimado de los alumnos que miden 174 cm? Da un intervalo de conanza al 95 % para el peso
medio de los alumnos que miden 174 cm. Supongamos que cierto alumno de la clase mide 174
cm. Calcula un intervalo de prediccion al 95 % de conanza para su peso.
Solucion.
a) Tomamos como variable independiente x = estatura (en cm.), y como variable dependiente o
respuesta y = peso (en Kg.). Nos dan una muestra de tama no n = 5. A partir de los datos
disponibles, obtenemos que:
x = 164,20, y = 66,60,
n

i=1
x
2
i
= 135141,
n

i=1
y
2
i
= 22577,
n

i=1
x
i
y
i
= 54988.
Ademas,
s
2
x
=
1
n 1
_
n

i=1
x
2
i
n x
2
_
= 83,20, s
2
y
=
1
n 1
_
n

i=1
y
2
i
n y
2
_
= 99,80.
Los coecientes de covarianza y de correlacion toman los valores
cov(x, y) =
1
n 1
_
n

i=1
x
i
y
i
n x y
_
= 77,35,
y
cor(x, y) =
cov(x, y)
s
x
s
y
= 0,85.
Los valores de ambos coecientes son indicativos de una relacion lineal positiva entre ambas
variables. El valor del coeciente de correlacion proximo a 1 indica que la recta de regresion
proporcionara un buen ajuste a los datos observados.
1
b) Las estimaciones puntuales de la pendiente y la constante del modelo de regresion lineal simple
de y sobre x son:

1
=
cov(x, y)
s
2
x
= 0,930,

0
= y

1
x = 86,055.
En promedio, podemos estimar un aumento de peso de 9.3 Kg. por cada 10 cm. adicionales de
estatura.
Para estimar la varianza del error de la respuesta,
2
, tenemos que calcular la suma de cua-
drados de los residuos e
i
= y
i
y
i
= y
i
(

0
+

1
x
i
). Haciendo los calculos, obtenemos que

n
i=1
e
2
i
= 111,555. Por tanto, la estimacion puntual de la varianza del error esta dada por el
valor de la varianza residual:
s
2
R
=

n
i=1
e
2
i
n 2
= 37,18.
c) El intervalo de conanza a nivel 1 para la pendiente de la recta de regresion esta dado por
IC
1
(
1
) :

1
t
n2;/2

s
2
R
(n 1)s
2
x
.
Tomando = 0,10, y aplicando que t
3;0,05
= 2,353, obtenemos el IC para
1
dado por 0,930
0,787, es decir, de 0,143 a 1,716.
El intervalo de conanza a nivel 1 para la constante de la recta de regresion esta dado por
IC
1
(
0
) :

0
t
n2;/2

s
2
R
_
1
n
+
x
2
(n 1)s
2
x
_
.
Tomando = 0,10, obtenemos el IC 86,055 129,327, es decir, de 215,38 a 43,27.
El intervalo de conanza a nivel 1 para
2
esta dado por
IC
1
(
2
) :
(n 2)s
2
R

n2;/2

2

(n 2)s
2
R

n2;1/2
.
Tomando = 0,10, y aplicando que
3;0,05
= 7,815 y
3;0,95
= 0,352, obtenemos el IC de 14,27
a 317,06.
d) El contraste de hipotesis relevante es H
0
:
1
= 0 vs. H
1
:
1
= 0. El estadstico del contraste
es
T =

1
_
s
2
R
(n1)s
2
x
.
Bajo H
0
, T t
n2
. El contraste rechazara H
0
con un nivel de signicacion = 0,1 si |T| >
t
n2;/2
. Como T = 2,781 es mayor que t
3;0,05
= 2,353, rechazamos la hipotesis nula H
0
para
= 0,1 y concluimos que disponemos de suciente evidencia de la existencia de una relacion
lineal entre altura y peso. Ademas, como t
3;0,05
< |T|, se sigue que 0,05 < p-valor < 0,10.
Podemos asegurar que rechazaremos H
0
para niveles de signicacion 0,10.
e) y
0
=

0
+

1
x
0
= 86,055 + 0,930 174 = 75,71 Kg.
El IC a nivel 1 para el peso promedio de los alumnos que miden 174 cm. es:
y
0
t
n2;/2

s
2
R
_
1
n
+
(x
0
x)
2
(n 1)s
2
x
_
.
Sustituyendo, obtenemos el intervalo 75,71 10,03, es decir, de 65,68 a 85,74 Kg.
El IC a nivel 1 para la prediccion del peso de un alumno determinado que mide 174 cm.
es:
y
0
t
n2;/2

s
2
R
_
1 +
1
n
+
(x
0
x)
2
(n 1)s
2
x
_
.
Sustituyendo, obtenemos el intervalo 75,71 17,51, es decir, de 58,20 a 93,22 Kg.
2
Respuestas.
a) cov(x, y) = 77,35 y cor(x, y) = 0,85
b)

1
= 0,930,

0
= 86,055. El peso aumenta en promedio 9.3 Kg. por cada 10 cm. adicionales
de estatura.
s
2
R
= 37,18
c)
IC
1
(
1
) = [0,143; 1,716]
IC
1
(
0
) = [215,38; 43,27]
IC
1
(
2
) = [14,27; 317,06]
d) H
0
:
1
= 0 vs. H
1
:
1
= 0. 0,05 < p-valor < 0,10
e) y
0
= 75,71 Kg.
IC al 95 % para el peso promedio: [65,68; 85,74]
IC al 95 % para la prediccion: [58,20; 93,22]
2. La siguiente tabla muestra informacion sobre la venta en 1998 de prensa diaria escrita en ejemplares
diarios vendidos por cada mil habitantes para 8 comunidades autonomas espa nolas, relacionandola
con su produccion economica basada en el Producto Interior Bruto (PIB) por habitante en miles
de euros (Fuente: INE. Anuario Estadstico).
PIB 8,3 9,7 10,7 11,7 12,4 15,4 16,3 17,2
Ejemplares 57,4 106,8 104,4 131,9 144,6 146,4 177,4 186,9
a) Estimar por Mnimos Cuadrados un modelo de regresion simple para explicar el n umero de
ejemplares vendidos en terminos del PIB.
b) Construir un intervalo de conanza al 95 % para la pendiente de la recta de regresion y con-
trastar la hipotesis de que dicho parametro toma valor cero. Puede armarse que el n umero
de ejemplares vendidos depende linealmente del PIB?
c) Cual sera la venta de prensa que se podra predecir para una comunidad cuyo PIB por
habitante fuese de 15000 euros?
d) Si para una region cualquiera el valor del PIB aumentase en 2500 euros, como cabra esperar
que variase la venta de prensa diaria?
Solucion
a) Consideramos las variables:
X = PIB por habitante
Y = N
o
ejemplares diarios vendidos por cada mil habitantes
Estimamos un modelo de regresion simple:
y
i
=
0
+
1
x
i
+ u
i
,
donde y
i
es el n umero de ejemplares en la comunidad i-esima y x
i
es el PIB de dicha comunidad.
Estimamos los coecientes
0
y
1
:

1
=
cov(x, y)
var(x)
=
8

i=1
x
i
y
i
8 x y
8

i=1
x
2
i
8 x
2
=
14327 8 12,71 131,97
1366,8 8 12,71
2
=
904,73
73,95
= 12,23

0
= y

1
x = 131,97 12,23 12,71 = 23,55
El modelo estimado quedara:
y
i
= 23,55 + 12,23x
i
3
b) El intervalo de conanza para
1
tiene la forma,

1
t
n2;/2

s
2
R
(n 1)s
2
X

1

1
+ t
n2;/2

s
2
R
(n 1)s
2
X
Calculamos primero la varianza residual, s
2
R
. Para ello, obtenemos el valor de los residuos:
x
i
8.3 9.7 10.7 11.7 12.4 15.4 16.3 17.2
y
i
57.4 106.8 104.4 131.9 144.6 146.4 177.4 186.9
y
i
77.99 95.12 107.35 119.59 128.15 164.85 175.86 86.87
e
i
-20.58 11.68 -2.95 12.31 16.44 -18.45 1.53 0.022
La varianza residual es:
s
2
R
=

8
i=1
e
2
i
n 2
=
1334,2
6
= 222,37
Como t
n2;/2
= t
6;0,025
= 2,447, el intervalo de conanza para
1
al 95 % es:

1
t
n2;/2

s
2
R
(n 1)s
2
X
= 12,23 2,447
_
222,37
7 10,56
= [7,985; 16,474]
Como el valor cero no esta dentro del intervalo, podemos armar que la pendiente de la recta

1
es distinta de cero con un nivel de signicacion del 5 % y por tanto, concluimos que el
n umero de ejemplares vendidos depende linealmente del PIB.
c) La prediccion del n umero de ejemplares vendidos para una comunidad cuyo PIB por habitante
fuese de 15000 euros es de
y
0
= 23,55 + 12,23 15 = 159,9
ejemplares por cada 1000 habitantes.
d) La pendiente de la recta de regresion,

1
, nos dice que si para una region cualquiera el valor
del PIB por habitante aumenta en mil euros, la venta de prensa diaria aumentara en 12,23
ejemplares por cada mil habitantes. Por tanto, si el valor del PIB por habitante aumenta en
2500 euros, la venta de prensa diaria aumentara en 12,23 2,5 = 30,575 ejemplares por cada
mil habitantes.
Respuestas.
a) y
i
= 23,55 + 12,23x
i
b) IC
0,95
(
1
) = [7,985; 16,474]
El modelo es signicativo para un nivel de signicacion del 5 %
c) y
0
= 159,9
d) La venta de prensa aumentara en 30,575 ejemplares por cada mil habitantes.
3. Se pretende estimar la relacion entre el n umero de habitantes (x) de cada ciudad de Espa na (medidos
en millones) y el n umero de ventas de ejemplares (y) de un cierto libro (medidos en miles de
unidades) en dicha ciudad. Una muestra tomada sobre cinco ciudades arroja los siguientes datos:
x = 1, y = 22,
5

i=1
x
2
i
= 5,98,
5

i=1
y
2
i
= 3118,
5

i=1
x
i
y
i
= 136.
a) Construye un modelo de regresion lineal simple que modele las ventas del libro en funcion del
n umero de habitantes de cada ciudad. Interpreta los coecientes del modelo desde un punto
de vista economico.
b) Si la poblacion de Bilbao es aproximadamente de 350.000 habitantes, efect ua una prediccion
de cuantos libros se venderan en 2011 en dicha ciudad. Es razonable, a un 95 % de conanza,
suponer que se venderan 12.000 libros? Puede utilizarse que

5
i=1
e
2
i
= 8,204, donde los e
i
son
los residuos de la regresion.
4
c) Contrasta mediante el p-valor si los habitantes producen un efecto lineal signicativo en las
ventas. Interpreta los resultados.
d) Como cambiara el modelo de regresion si decidimos medir las ventas de libros en unidades y
el n umero de habitantes en miles?
Solucion
a) La estimacion mnimo cuadratica habitual proporciona la recta de regresion y = 4,5306 +
26,5306x. El coeciente de regresion nos dice que que por cada millon de habitantes extra se
venden 26,53 miles de libros mas, mientras que el intercepto

0
no tiene en este caso sentido
desde el punto de vista economico.
b) La recta de regresion anterior predice unas ventas para Bilbao de 4,755 ejemplares. El inter-
valo de conanza para la prediccion puntual es [1,9653; 11,4755], luego no es razonable la
prediccion anterior para ese nivel de conanza.
c) El efecto lineal de la variable x en la variable y es medido por el contraste de regresion, cuyas
hipotesis son H
0
:
1
= 0, H
1
:
1
= 0. El estadstico de contraste es

1
_
s
2
R
(n1)s
2
x
,
que en presencia de la hipotesis nula sigue una distribucion t-Student con n 2 grados de
libertad (3 en este caso). El valor del estadstico de contraste en estos datos es de 15,882,
que implica un p-valor muy proximo a cero. Podemos concluir que se rechaza H
0
, y que para
todos los niveles habituales de signicacion existe un relacion lineal fuerte entre las ventas y el
n umero de habitantes, y que por cada aumento de un millon de habitantes en la ciudad debe
esperarse un aumento de 26,53 miles de ejemplares en la venta.
d) Si denotamos por x

a la variable n umero de habitantes en miles e y

a la variable n umero
de ejemplares de libros, es claro que x

= 1000 x e y

= 1000 y. Una simple sustitucion nos

permite obtener el nuevo modelo y

= 4530,6 + 26,3506 x

.
Respuestas.
a) y = 4,5306 + 26,5306x
b) IC
0,95
( y
0
) = [1,9653; 11,4755]
c) t = 15,882 y p-valor 0.
d) y

= 4530,6 + 26,3506 x

4. Uno de los administradores de una empresa argumenta que el uso de Internet es la principal causa
del gasto en la factura telefonica. Para corroborar esta armacion, se toman datos en distintos
departamentos del gasto telefonico mensual en euros y los tiempos de conexion en minutos.
Cuanta de la factura telefonica 55 100 118 120 142
Tiempo de conexion 200 500 700 800 1000
(a) Calcular el coeciente de correlacion entre ambas variables, existe una relacion de tipo lineal
entre ellas?
(b) Estimar un modelo de regresion lineal que permita estimar la cuanta mensual de la factura
telefonica en terminos del tiempo de conexion.
(c) De acuerdo a esta relacion lineal, cual sera la cuanta de la factura telefonica de un departa-
mento que no se conectase a Internet? Calcular un intervalo de conanza al 95 % para dicha
estimacion.
(d) Cual sera el gasto telefonico estimado seg un esta relacion lineal si el tiempo de conexion a
Internet de un departamento fuera de 2000 minutos? Le parece aceptable tal prediccion?
Solucion.
5
(a) Consideramos las variables:
X = Tiempo de conexion en minutos
Y = Cuanta de la factura telefonica en euros
El coeciente de correlacion entre las variables es:
r
(x,y)
=
cov(x, y)
s
X
s
Y
=
5

i=1
x
i
y
i
5 x y

_
5

i=1
x
2
i
5 x
2

_
5

i=1
y
2
i
5 y
2
=
39200
609,92 65,33
= 0,9838
Como el coeciente de correlacion es tan cercano a uno aparentemente existe una fuerte relacion
de tipo lineal (positiva), que podemos observar claramente si dibujamos el graco de dispersion.
Cuanto mayor es el tiempo de conexion a internet, mayor es el coste de la factura telefonica.
(b) Estimamos un modelo de regresi on simple:
y
i
=
0
+
1
x
i
+ u
i
,
donde las y
i
son las cuantas de las facturas telefonicas en los distintos departamentos y las x
i
son los respectivos tiempos de conexion a internet. Estimamos los coecientes
0
y
1
:

1
=
cov(x, y)
s
2
x
=
5

i=1
x
i
y
i
5 x y
5

i=1
x
2
i
5 x
2
=
39200
372000
= 0,1054

0
= y

1
x = 107 0,1054 640 = 39,559
El modelo estimado quedara:
y
i
= 39,559 + 0,1054x
i
.
(c) La estimacion de la cuanta de la factura telefonica de un departamento que no se conectase a
Internet es:
y
0
=

0
+

1
0 =

0
= 39,559 euros
El intervalo de conanza al nivel para
0
es:

0
t
n2;/2
_
s
2
R
_
1
n
+
x
2
(n1)s
2
x
_
Calculamos primero la varianza residual a partir de los residuos:
x
i
200 500 700 800 1000
y
i
55 100 118 120 142
y
i
60,63 92,24 113,32 123,86 144,93
e
i
5,63 7,75 4,67 3,86 2,93
La varianza residual es:
s
2
R
=
5

i=1
e
2
i
n 2
=
137,24
3
= 45,749
Como t
n2,/2
= t
3;0,025
= 3,182, el intervalo de conanza para
0
al 95 % es:

0
t
n2;/2
_
s
2
R
_
1
n
+
x
2
(n1)s
2
x
_
= 39,559 3,182

45,749
_
1
5
+
640
2
4 93000
_
= [15,010; 64,108]
6
(d) Seg un esta relacion lineal, si el tiempo de conexion a Internet de un departamento fuera de
2000 minutos el gasto telefonico estimado sera de:
y
0
=

0
+

1
2000
= 39,559 + 0,1054 2000 = 250,36 euros
Sin embargo, esta prediccion puede no ser valida ya que el valor del tiempo de conexion, 2000
minutos, esta muy alejado del rango de valores observados x
i
que se encuentran entre 200 y
1000 minutos.
Respuestas.
a) r
(x,y)
= 0,9838
b) y
i
= 39,559 + 0,1054x
i
c) IC
0,95
( y
0
) = [15,010; 64,108].
d) y
0
= 250,36, pero x
0
esta muy lejos del rango de valores observados.
5. Con el objetivo de estudiar la relacion lineal entre el precio de los automoviles y el n umero de
unidades vendidas, se procedio a recoger datos sobre tales magnitudes durante el pasado mes en
una determinada region. Los resultados obtenidos fueron los siguientes:
Precio (miles de euros) Cantidad vendida (unidades mensuales)
7,5 450
9 425
10,5 400
12 350
14 325
16 300
18 290
20,5 280
23,5 260
27 200
(a) Calcular e interpretar el coeciente de correlacion lineal entre ambas variables.
(b) Una empresa radicada en la region tiene previsto para el mes proximo aumentar el precio de
su modelo mas vendido en 500 euros. Si suponemos como valida la relacion lineal entre las dos
variables analizadas para los datos del pasado mes, como afectara este hecho a las ventas de
dicho modelo?
(c) Si expresamos el precio en euros y las cantidades vendidas en 10
2
unidades, cual sera el modelo
lineal que explica las ventas en funcion del precio? Y el coeciente de correlacion?
Solucion.
(a) Consideramos las variables:
X = Precio en miles de euros
Y = Unidades mensuales vendidas
El coeciente de correlacion entre las variables es:
r
(x,y)
=
cov(x, y)
s
X
s
Y
=
10

i=1
x
i
y
i
10 x y

_
10

i=1
x
2
i
10 x
2

_
10

i=1
y
2
i
10 y
2
=
4404
19,30 235,60
= 0,9683
Como el coeciente de correlacion es tan cercano a 1 aparentemente existe una fuerte re-
lacion de tipo lineal (negativa), que podemos observar claramente si representamos el graco
de dispersion. Cuanto mayor es el precio de los automoviles, menor es el n umero de unidades
vendidas.
7
(b) Para poder hacer predicciones, tenemos que obtener primero la ecuacion de la recta de regresion.
Estimamos los coecientes
0
y
1
:

1
=
cov(x, y)
s
2
x
=
10

i=1
x
i
y
i
10 x y
10

i=1
x
2
i
10 x
2
=
4404
372,60
= 11,819

0
= y

1
x = 328 + 11,819 15,8 = 514,75
El modelo estimado quedara:
y
i
= 514,75 11,819x
i
El modelo mas vendido es el que cuesta 7500 euros, de modo que la estimacion del n umero de
automoviles vendidos de este modelo tras aumentar 500 euros es la prediccion que se obtiene
para un precio de 8000 euros:
y
0
=

0
+

1
8
= 514,75 11,819 8 = 420,20 unidades
(c) Observamos que si multiplicamos las observaciones de la variable independiente por una cons-
tante, x

i
= ax
i
, y las observaciones de la variable dependiente por otra constante, y

i
= by
i
, los
coecientes de la recta de regresion que se obtienen son:

1
=
cov(x

, y

)
s
2
x

=
cov(ax, by)
s
2
ax
=
ab cov(x, y)
a
2
s
2
x
=
b
a

0
= y

1
x

= b y
b
a

1
a x = b y b

1
x = b

0
Si expresamos el precio en euros y las cantidades vendidas en 10
2
unidades, tenemos:
x

i
= 1000x
i
y

i
=
y
i
100
luego, la ecuacion de la recta de regresion es:
y
i
=
514,75
100

11,819
100 1000
x
i
= 5,147 1,181 10
4
x
i
En cambio, sabemos que el coeciente de correlacion es invariante ante transformaciones lineales
y por tanto sigue siendo igual a 0,9683.
Respuestas.
a) r
(x,y)
= 0,9683
b) y
i
= 514,75 11,819x
i
; y
0
= 420,20
c) y
i
= 5,147 1,181 10
4
x
i
.
6. Una gasolinera ha recogido informaci on acerca de su recaudacion diaria durante una semana, as co-
mo del n umero de clientes que acudieron a la misma en cada da:
Recaudacion (10
3
euros) 1.5 10 8 3 5 15 2
N umero de clientes (10
2
) 3 6 5 3,5 4 8 3,2
a) Realizar un ajuste lineal que exprese la recaudacion en funcion del n umero de clientes.
b) Determinar cual sera la recaudacion media prevista para aquellos das en los que lleguen a la
gasolinera 720 clientes. Obtener un intervalo de conanza al 95 % para dicha prediccion.
c) Determinar cual sera la recaudacion prevista para un da en el que lleguen a la gasolinera 720
clientes. Obtener un intervalo de conanza al 95 % para dicha prediccion.
8
d) Obtener la recta de regresion si expresasemos la recaudacion en euros y el n umero de clientes
en unidades.
Solucion.
a) Consideramos las variables:
X = N umero de clientes (10
2
)
Y = Recaudacion (10
3
euros)
Estimamos los coecientes
0
y
1
:

1
=
cov(x, y)
s
2
x
=
7

i=1
x
i
y
i
7 x y
7

i=1
x
2
i
7 x
2
=
53,5214
19,7343
= 2,7121

0
= y

1
x = 6,3571 2,7121 4,6714 = 6,312
El modelo estimado quedara:
y
i
= 6,312 + 2,7121x
i
b) La estimacion de la recaudacion media prevista para aquellos das en los que lleguen a la
gasolinera 720 clientes sera:
y
0
= 6,312 + 2,7121 7,2 = 13,215 mil euros
El intervalo de nivel para dicha recaudacion media viene dado por:
y
0
t
n2;/2

_
s
2
R
_
1
n
+
(x
0
x)
2
(n 1)s
2
X
_
Calculamos primero la varianza residual a partir de los residuos:
x
i
3 6 5 3,5 4 8 3,2
y
i
1,5 10 8 3 5 15 2
y
i
1,8241 9,9604 7,2483 3,1801 4,5362 15,3846 2,3665
e
i
0,324 0,0396 0,7517 0,1801 0,4638 0,3846 0,3665
La varianza residual es:
s
2
R
=
7

i=1
e
2
i
n 2
=
1,2015
5
= 0,2403
Como t
n2;/2
= t
5;0,025
= 2,571, el intervalo de conanza al 95 % para la recaudacion media
es:
y
0
t
n2;/2

_
s
2
R
_
1
n
+
(x
0
x)
2
(n 1)s
2
X
_
= 13,215 2,571

_
0,2403
_
1
7
+
(7,2 4,6714)
2
6 3,2890
_
= [12,354; 14,076]
c) La estimacion de la recaudacion para un da en el que lleguen a la gasolinera 720 clientes
sera tambien:
y
0
= 6,312 + 2,7121 7,2 = 13,215 mil euros
Pero ahora, el intervalo de nivel para dicha recaudacion prevista viene dado por:
y
0
t
n2;/2

_
s
2
R
_
1 +
1
n
+
(x
0
x)
2
(n 1)s
2
X
_
= 13,215 2,571

_
0,2403
_
1 +
1
7
+
(7,2 4,6714)
2
6 3,2890
_
= [11,689; 14,741]
9
d) Si expresamos la recaudacion en euros y el n umero de clientes en unidades, tenemos:
x

i
= 100x
i
y

i
= 1000y
i
luego la ecuacion de la recta de regresion es:
y
i
= 1000 (6,312) + 1000
2,7121
100
x
i
= 6312 + 27,121x
i
Respuestas.
a) y
i
= 6,312 + 2,712x
i
b) y
0
= 13,215. IC
0,95
( y
0
) = [12,354; 14,076]
c) IC
0,95
( y
0
) = [11,689; 14,741]
d) y
i
= 6312 + 27,121x
i
7. Un distribuidor de productos de droguera y limpieza reparte sus productos entre los comercios del
sector de todos los pueblos de una comarca. Entre los artculos que distribuye, ha seleccionado una
muestra de 6 de ellos, que son los que considera mas importantes, debido a su demanda por parte
de los comerciantes y del p ublico en general. De esos 6 artculos se tienen los datos correspondientes
al ultimo mes de Abril correspondientes al precio unitario del artculo en euros y al volumen de
ventas correspondientes a dicho artculo en miles de euros, que son los siguientes:
Precio Volumen
Leja 0.65 2.50
Amonaco perfumado 0.85 1.68
Estropajo bra verde 1.25 4.23
Detergente concentrado 2.6 5.69
Suavizante 2.1 5.17
Detergente lavavajillas 2.5 5.50
(a) Construir la recta de regresion del volumen de ventas con respecto al precio unitario para el
mes de Abril.
(b) Contrastar la hipotesis de que el volumen de ventas depende linealmente del precio de los
artculos.
(c) Suponiendo que los precios durante el mes de Mayo no varen con respecto al mes anterior,
obtener una prediccion para el volumen de ventas en el mes de Mayo de un artculo cuyo precio
unitario es de 1 euro. Dar una medida de la abilidad de dicha prediccion mediante un intervalo
de conanza al 95 %.
(d) El distribuidor esta convencido de que el volumen de ventas sera el mismo si en el mes de Mayo
se sube en 5 centimos el precio de cada artculo. Obtener la ecuacion de la recta de regresion
en este caso y una prediccion para las ventas en el mes de Mayo de un artculo cuyo precio
unitario sea de 1 euro (incluyendo la subida de 5 centimos).
Solucion.
a) Consideramos las variables:
X = Precio en euros
Y = Volumen de ventas en miles de euros
Estimamos los coecientes
0
y
1
:

1
=
cov(x, y)
s
2
x
=
6

i=1
x
i
y
i
6 x y
6

i=1
x
2
i
6 x
2
=
6,6646
3,6271
= 1,8374

0
= y

1
x = 4,1283 1,8374 1,6583 = 1,0813
10
El modelo estimado quedara:
y
i
= 1,0813 + 1,8374x
i
b) Queremos realizar el siguiente contraste:
H
0
:
1
= 0
H
1
:
1
= 0
La region de rechazo de la hipotesis nula es:

s
2
R
(n 1)s
2
X

> t
n2;/2
Calculamos primero la varianza residual a partir de los residuos:
x
i
0,65 0,85 1,25 2,60 2,10 2,50
y
i
2,50 1,68 4,23 5,69 5,17 5,50
y
i
2,2756 2,6431 3,3780 5,8586 4,9399 5,6749
e
i
0,2244 0,9631 0,8520 0,1686 0,2301 0,1749
La varianza residual es:
s
2
R
=
6

i=1
e
2
i
n 2
=
1,8156
4
= 0,4539
El valor del estadstico es:

s
2
R
(n 1)s
2
X
=
1,8374
_
0,4539
50,7254
= 5,1939
Como t
n2;/2
= t
4;0,025
= 2,776 < 5,1939, se rechaza la hipotesis de que
1
= 0 para = 0,05.
Ademas, usando las tablas, sabemos que el p-valor esta en el intervalo (0,0005; 0,005) , de modo
que rechazaremos la hipotesis nula para todo > 0,005. Concluimos por tanto que el volumen
de ventas depende linealmente del precio de los artculos.
c) La prediccion para el volumen de ventas en el mes de Mayo de un artculo cuyo precio unitario
es de 1 euro es de:
y
0
= 1,0813 + 1,8374 1 = 2,9187 mil euros
Como se trata de la prediccion de una nueva respuesta, el intervalo de conanza al 95 % viene
dado por:
y
0
t
n2;/2

_
s
2
R
_
1 +
1
n
+
(x
0
x)
2
(n 1)s
2
X
_
= 2,9187 + 2,776

_
0,4539
_
1 +
1
6
+
(1 1,6583)
2
5 0,7254
_
= [0,7977; 5,0397]
d) Observamos que si se a nade una constante, k, a todas las observaciones de la variable inde-
pendiente, x

i
= x
i
+ k los coecientes de la recta de regresion que se obtienen son:

1
=
cov(x + k, y)
s
2
x+k
=
cov(x, y)
s
2
x
=

0
= y

1
( x + k) =

1
k
Luego, la ecuacion de la recta de regresion si se a naden 0,05 euros a todos los valores de x
i
es:
y
i
= (1,0813 1,8374 0,05) + 1,8374x
i
= 0,98943 + 1,8374x
i
11
La prediccion de las ventas de un artculo con precio unitario igual a 1 (x
0
= 1) sera
y
0
=

0
+

1
1 = 0,98943 + 1,8374 = 2,82683
que es el mismo valor estimado por el modelo anterior para x
0
= 0,95.
Respuestas.
a) y
i
= 1,0813 + 1,8374x
i
b) t
4;0,025
= 2,776 < 5,1939 = t. Se rechaza H
0
.
c) IC
0,95
( y
0
) = [0,7977; 5,0397]
d) y
i
= 0,98943 + 1,8374x
i
; y
0
= 2,8268
8. Una aplicacion importante del analisis de regresion en contabilidad es para estimar costos en funcion
del volumen de ventas. A partir de una muestra de 8 pares de datos sobre volumen de ventas y
costos, se obtiene mediante el metodo de mnimos cuadrados la recta de regresion de los costos con
respecto al volumen de ventas, obteniendose los siguientes residuos:
e
1
e
2
e
3
e
4
e
5
e
6
e
7
e
8
10 3 2 1 1 1 2
a) Calcular el residuo n umero 8
b) Calcular la varianza residual.
c) Calcular un intervalo de conanza al 95 % para la varianza de los errores.
d) Si el modelo de regresion lineal construido es y = 2 + 5x y la varianza de las observaciones de
la variable independiente es s
2
X
= 100, analizar si es signicativa la relacion lineal entre ambas
variables.
e) Cual es la media de las observaciones de la variable dependiente, y, si la media de las obser-
vaciones de la variable independiente es x = 3.
Solucion.
a) Como la suma de los residuos tiene que ser cero, el valor del octavo residuo es:
e
8
= (10 3 + 2 + 1 + 1 1 2) = 8
b) La varianza residual es:
s
2
R
=
8

i=1
e
2
i
n 2
=
10
2
+ 3
2
+ 2
2
+ 1
2
+ 1
2
+ 1
2
+ 2
2
+ 8
2
6
=
184
6
= 30,667
c) El intervalo de conanza al nivel para
2
es:
(n 2)s
2
R

2
n2;/2

2

(n 2)s
2
R

2
n2;1/2
Para = 0,05, tenemos que
2
6;0,025
= 14,45 y
2
6;0,975
= 1,237, por tanto,
184
14,45

2

184
1,237
12,734
2
148,75
d) Queremos realizar el siguiente contraste:
H
0
:
1
= 0
H
1
:
1
= 0
12
La region de rechazo de la hipotesis nula es:

s
2
R
(n 1)s
2
X

> t
n2;/2
El valor del estadstico es:

s
2
R
(n 1)s
2
X
=
5
_
30,667
7 100
= 23,888
El p-valor del contraste es:
p-valor = 2 Pr (t
6
> 23,888) 3,473 10
6
.
Luego, la hipotesis de que
1
= 0 se rechazara para cualquier > 4 10
6
y por tanto, conclui-
mos que existe una dependencia lineal signicativa entre ambas variables.
e) Sabemos que la recta de regresion pasa por el punto ( x, y) ya que,
y
i
=

0
+

1
x
i
= y +

1
(x
i
x)
por tanto, si x = 3, entonces,
y = 2 + 5 3 = 17
Respuestas.
a) e
8
= 8
b) s
2
R
= 30,667
c) IC
0,95
(
2
) = [12,734; 148,75]
d) p-valor = 3,473 10
6
. Existe dependencia lineal signicativa.
e) y = 17
9. Se desea realizar un estudio entre el personal administrativo de una empresa que permita estimar
el n umero de errores diarios cometidos por cada trabajador (variable Y ) en funcion del n umero
de a nos contratados en la empresa (variable X). Con esta nalidad se controlo el trabajo de 10
empleados seleccionados al azar obteniendose la siguiente informacion:
10

i=1
x
2
i
= 296;
10

i=1
x
i
= 50;
10

i=1
y
2
i
= 1036;
10

i=1
y
i
= 86;
10

i=1
x
i
y
i
= 331
a) Calcular e interpretar el coeciente de correlacion lineal entre ambas variables.
b) Estimar la recta de regresion correspondiente indicando el signicado de cada coeciente.
c) Estimar la cantidad promedio de errores que cometera un trabajador que lleve cuatro a nos
trabajando en la empresa.
Solucion.
a) Consideramos las variables:
X = N
o
de a nos de contrato
Y = N
o
de errores diarios
13
El coeciente de correlacion entre las variables es:
r
(x,y)
=
cov(x, y)
s
X
s
Y
=
10

i=1
x
i
y
i
10 x y

_
10

i=1
x
2
i
10 x
2

_
10

i=1
y
2
i
10 y
2
=
331 10 5 8,6

296 10 5
2
_
1036 10 8,6
2
= 0,8478
Como el coeciente de correlacion es cercano a -1 aparentemente existe una relacion de tipo
lineal (negativa). Cuanto mayor es el n umero de a nos de contrato menor es el n umero de
errores diarios cometidos.
b) Estimamos los coecientes
0
y
1
de la recta de regresion:

1
=
cov(x, y)
s
2
x
=
10

i=1
x
i
y
i
10 x y
10

i=1
x
2
i
10 x
2
=
331 10 5 8,6
296 10 5
2
= 2,152

0
= y

1
x = 8,6 + 2,152 5 = 19,36
El modelo estimado quedara:
y
i
= 19,36 2,152x
i
La interpretacion de los coecientes de la recta de regresion es la siguiente:
La pendiente negativa,

1
=-2.152, indica que cuando aumenta en uno el n umero de a nos
contratados en la empresa, el n umero de errores diarios disminuye en 2.152 unidades.
El intercepto

0
=19.36 indicara el n umero de errores que comete un trabajador que no
lleva ning un a no contratado en la empresa.
c) La estimacion del promedio de errores que cometera un trabajador que lleve cuatro a nos
trabajando en la empresa es:
y
0
= 19,36 2,152 4 = 10,752 errores
Respuestas.
a) r
(x,y)
= 0, 8478
b) y
i
= 19,36 2,152x
i
c) y
0
= 10,752
10. Una empresa desea investigar la relacion entre el n umero de das que faltan sin permiso los empleados
por a no (variable Y ) y la distancia en kilometros desde su hogar a su trabajo (variable X). Al
analizar una muestra de empleados se obtuvieron los siguientes resultados:
cov(x, y) = 5,4; cor(x, y) = 0,7838; x = 25; s
2
x
= 12
Ademas, para una distancia de 20 kilometros del hogar al trabajo, se ha estimado que el n umero
medio de das que faltan sin permiso es de 4.
a) Estimar un modelo de regresion lineal.
b) En termino medio, cual sera el n umero de das sin permiso que faltara un trabajador que viva
a 18 kilometros del lugar de trabajo?
c) Responder a los apartados anteriores expresando la distancia en metros.
Solucion.
14
(a) La pendiente de la recta de regresion es:

1
=
cov(x, y)
s
2
x
=
5,4
12
= 0,45
Para calcular el intercepto nos basamos en el resultado de que la estimacion de la respuesta
promedio y
0
para un valor x = x
0
satisface y
0
=

0
+

0
x
0
. Por tanto, para x
0
= 20 e y
0
= 4
tenemos:
4 =

0
+ 0,45 20 =

0
= 4 0,45 20 = 5
El modelo estimado quedara:
y
i
= 5 + 0,45x
i
(b) En termino medio, el n umero de das sin permiso que faltara un trabajador que viva a 18
kil ometros del lugar de trabajo sera:
y
0
= 5 + 0,45 18 = 3,1
(c) Despues de cambiar la variable x a x

= 1000x, la recta de regresion quedara como:

y
i
= 5 +
0,45
1000
x

i
= 5 + 0,00045x

i
y la prediccion del n umero de das sin permiso que faltara para un trabajador que viva a 18000
metros del lugar de trabajo sera:
y
0
= 5 + 0,00045 18000 = 3,1
el mismo valor que antes.
Respuestas.
a) y
i
= 5 + 0,45x
i
b) y
0
= 3,1
c) y
0
= 3,1
11. A partir de una muestra de pares de datos, {(x
1
, y
1
) , . . . , (x
n
, y
n
)}, se han obtenido los siguientes
resultados:
cor(x, y) = 0,9; x = 5; s
2
x
= 1,44; y = 10; s
2
y
= 4,41
a) Determinar la recta de regresion de Y sobre X.
b) Cual sera la recta de regresion si cor(x, y) = 0?
c) Responder a los apartados anteriores si el valor de cada una de las observaciones de la variable
respuesta, y
i
, aumenta en 2 unidades.
Solucion.
a) Obtenemos primero el valor de la covarianza entre las variables a partir de su coeciente de
correlacion, como:
cor(x, y) =
cov(x, y)
s
x
s
y
0,9 =
cov(x, y)

1,44

4,41
=cov(x, y) = 0,9
_
1,44
_
4,41 = 2,268
Luego la estimacion de los coecientes
0
y
1
de la recta de regresion es:

1
=
cov(x, y)
s
2
x
=
2,268
1,44
= 1,575

0
= y

1
x = 10 1,575 5 = 2,125
El modelo estimado quedara:
y
i
= 2,125 + 1,575x
i
15
b) Si cor(x, y) = 0, entonces cov(x, y) = 0 y por tanto,

1
= 0 y

0
= y. La ecuacion de la recta
de regresion es en este caso y
i
= y = 10.
c) Si se a nade una constante, c, a todas las observaciones de la variable repuesta, y

i
= y
i
+c los
coecientes de la recta de regresion que se obtienen para la variable transformada son:

1
=
cov(x, y + c)
s
2
x
=
cov(x, y)
s
2
x
=

0
= y + c

1
x =

0
+ c
Luego la ecuacion de la recta de regresion para el caso correspondiente al primer apartado,
donde cor(x, y) = 0,9, es:
y

i
= 4,125 + 1,575x
i
y para el caso del segundo apartado, en el que cor(x, y) = 0, la recta de regresion es:
y
i
= 12
Respuestas.
a) y
i
= 2,125 + 1,575x
i
b) y
i
= 10
c) y
i
= 12
12. Los siguientes datos corresponden a una muestra de 10 alumnos universitarios seleccionados al azar
donde la variable X representa el n umero medio de hijos de sus abuelos y la variable Y el n umero
de hijos de sus padres:
X : 6 4 3 4 6,5 2 4,5 3 5 1
Y : 4 3 4 4 8 1 4 5 4 2
Se pide:
a) Calcular el coeciente de correlacion entre las dos variables. Interpretar el resultado.
b) Construir la recta de regresion que explique la variable Y en funcion de los valores de X e
interpretar su signicado. Cuales son los valores de los parametros del modelo de regresion
lineal simple? ?Cual es el signicado de la estimacion del coeciente de regresion (coeciente
de X)?
c) Hacer un contraste a un nivel de signicacion del 1 % para ver si la relacion entre las dos
variables es signicativa.
Solucion.
a) Para estimar los valores pedidos comenzamos por obtener estimaciones de las medias de las
dos variables, de la covarianza entre las variables y de la varianza de la variable independiente,
como:
x =
10

i=1
x
i
10
= 3,9
y =
10

i=1
y
i
10
= 3,9
cov(x, y) =
10

i=1
x
i
y
i
10 x y
9
= 2,322
s
2
X
=
10

i=1
x
2
i
10 x
2
9
= 2,933
16
El valor del coeciente de correlacion es cor(x, y) = cov(x, y)/(s
x
s
y
) = 2,322/

2,933 3,433 =
0,732. Este valor es razonablemente proximo a uno, y podemos pensar en la existencia de una
relacion lineal positiva entre las dos variables.
b) La recta de regresion pedida tendra la forma
Y =
0
+
1
X + u.
La estimacion de los coecientes
0
y
1
de la recta de regresion vendra dada por:

1
=
cov(x, y)
s
2
x
=
2,322
2,933
= 0,7917

0
= y

1
x = 3,9 0,7917 3,9 = 0,8125
El modelo estimado quedara:
y
i
= 0,8125 + 0,7917x
i
Este modelo nos indica cual es el n umero de hijos de una pareja en funcion de los hijos
que tuviesen sus padres. La relacion es positiva, y por cada hijo adicional que tuviesen los
progenitores cabe esperar un aumento promedio de 0,7917 hijos en la pareja.
c) Nos piden que realicemos un contraste de la forma
H
0
:
1
= 0
H
1
:
1
= 0
La region de rechazo de la hipotesis nula es:
R =
_

s
2
R
(n 1)s
2
X

> t
n2;/2
_

_
Calculamos primero la varianza residual a partir de los residuos:
x
i
6 4 3 4 6,5 2 4,5 3 5 1
y
i
4 3 4 4 8 1 4 5 4 2
y
i
5,563 3,979 3,188 3,979 5,958 2,396 4,375 3,188 4,771 1,604
e
i
1, 563 0,979 0,813 0,021 2,042 1,396 0,375 1,813 0,771 0,396
De estos valores la varianza residual es:
s
2
R
=
n

i=1
e
2
i
n 2
=
14,354
8
= 1,794
El valor del estadstico es:
t =

s
2
R
(n 1)s
2
X
=
0,7917
_
1,794
92,933
= 3,0367
Como t
n2;/2
= t
8;0,005
= 3,355 > 3,0367, no rechazamos la hipotesis de que
1
= 0 para
= 0,01. Para la evidencia disponible y el nivel de signicacion dado, no podemos concluir
que el n umero de hijos de una pareja esta relacionado linealmente con el n umero de hijos de
sus padres.
Respuestas.
a) cor
(x,y)
= 0,732
b) y
i
= 0,8125 + 0,7917x
i
17
c) t
8;0,005
= 3,355 > 3,0367 = t. No rechazamos H
0
.
13. Los medicos estan interesados en estudiar la relacion entre la dosis de un medicamento y el tiempo
que necesita un paciente para recuperarse.
La siguiente tabla muestra, para una muestra de 5 pacientes, las dosis administradas (en gramos), x,
y los tiempos de recuperacion (en horas), y. Estos pacientes tenan caractersticas similares excepto
por la dosis del medicamento que se les administro:
Dosis (gr) 1,2 1,0 1,5 1,2 1,4
Tiempo de recuperacion (horas) 25 40 10 27 16
Datos de interes:
5

i=1
x
i
= 6,3,
5

i=1
x
2
i
= 8,09,
5

i=1
x
i
y
i
= 139,8
5

i=1
y
i
= 118,
5

i=1
y
2
i
= 3310,
5

i=1
e
2
i
= 6,42105
a) Calcular e interpretar el coeciente de correlacion lineal entre ambas variables.
b) Realizar un ajuste lineal que exprese el tiempo de recuperacion en funcion de la dosis admi-
nistrada.
c) Contrastar la hipotesis de que el tiempo de recuperacion depende linealmente de la dosis
suministrada.
d) Determinar cual sera el tiempo medio de recuperacion previsto para aquellos pacientes similares
a los que se les administren 135 centigramos de medicamento. Obtener un intervalo de conanza
al 95 % para dicha prediccion.
e) Determinar cual sera el tiempo de recuperacion para un paciente al que se le administren 135
centigramos de medicamento. Obtener un intervalo de conanza al 95 % para dicha prediccion.
f ) Obtener la ecuacion de la recta de regresion si expresasemos la dosis en centigramos y el tiempo
de recuperacion en minutos.
g) Despues de responder a los apartados anteriores, completa la tabla que se obtendra como
resultado de llevar a cabo este analisis utilizando un software estadstico (completa los valores
indicados con una interrogacion):
Regression Analysis - Linear model: Y = a + b*X
--------------------------------------------------------------------------------------
Dependent variable: T_Recuperacion
Independent variable: Dosis
--------------------------------------------------------------------------------------
Standard T
Parameter Estimate Error Statistic P-Value
--------------------------------------------------------------------------------------
Intercept ? 4,7732 20,3659 0,0003
Slope ? ? ? ?
--------------------------------------------------------------------------------------
Solucion.
a) Consideramos las variables: X = Dosis, Y = Tiempo de recuperacion. Con los datos suminis-
trados calculamos:
x =
6,3
5
= 1,26, s
2
x
=
8,09 5 1,26
2
4
= 0,038, s
x
=
_
0,038 = 0,195
y =
118
5
= 23,6, s
2
y
=
3310 5 23,6
2
4
= 131,1, s
y
=
_
131,1 = 11,459
cov(x, y) =
139,8 5 1,26 23,6
4
= 2,22
18
Luego el coeciente de correlaci on sera:
r
(x,y)
=
cov(x, y)
s
x
s
y
=
2,22
0,195 11,459
= 0,994
Como el coeciente de correlacion es tan cercano a 1, aparentemente existe una fuerte re-
lacion de tipo lineal (negativa), que podemos observar claramente si representamos el graco
de dispersion. Cuanto mayor es la dosis administrada, menor es tiempo de recuperacion del
paciente.
b) Estimamos los coecientes
0
y
1
:

1
=
cov(x, y)
s
2
x
=
2,22
0,038
= 58,421,

0
= y

1
x = 23,6 (58,421)1,26 = 97,211
El modelo estimado quedara:
y = 97,211 58,421x
c) Queremos realizar el siguiente contraste:
H
0
:
1
= 0
H
1
:
1
= 0
La region de rechazo de la hipotesis nula es:
RC =
_

s
2
R
(n 1)s
2
X

> t
n2,/2
_

_
La varianza residual es:
s
2
R
=
n

i=1
e
2
i
n 2
=
6,42105
3
= 2,14035
El valor del estadstico es:
t =

s
2
R
(n 1)s
2
X
=
58,421
_
2,14035/(4 0,038)
= 15,569
El p-valor del contraste es:
p-valor = 2Prob(t
3
< 15,569) = 2 0,00029 = 0,00058
Luego rechazaremos la hipotesis nula para cualquier > 0,00058 y por tanto concluimos que
existe una dependencia lineal signicativa entre ambas variables.
d) La estimacion del tiempo medio de recuperacion previsto para aquellos pacientes a los que se
les administren 135 centigramos de medicamento sera:
y
0
= 97,211 58,421 1,35 = 18,343 horas
El intervalo de nivel para dicho tiempo medio viene dado por:
y
0
t
n2,/2

_
s
2
R
_
1
n
+
(x
0
x)
2
(n 1)s
2
X
_
Como t
n2;/2
= t
3;0,025
= 3,182, el intervalo de conanza al 95 % para el tiempo medio es:
18,343 3,182

_
2,14
_
1
5
+
(1,35 1,26)
2
4 0,038
_
= 18,343 2,342 = [16,001; 20,685]
19
e) La estimacion del tiempo de recuperacion para un paciente al que se le administren 135 cen-
tigramos de medicamento sera tambien:
y
0
= 97,211 58,421 1,35 = 18,343 horas
El intervalo de conanza es ahora
y
0
t
n2;/2

_
s
2
R
_
1 +
1
n
+
(x
0
x)
2
(n 1)s
2
X
_
.
Sustituyendo los valores de la muestra obtenemos:
18,343 3,182

_
2,14
_
1 +
1
5
+
(1,35 1,26)
2
4 0,038
_
= 18,343 5,212 = [13,131; 23,555]
f ) Si expresamos la dosis en centigramos y el tiempo en minutos tenemos:
x

= ax = 100x, y

= by = 60y,
y teniendo en cuenta que

1
= b

1
/a y

0
= b

0
, la ecuacion de la recta de regresion
pedida es:
y

= 60 97,211
60
100
58,421x

= 5832,66 35,0516x

g) La tabla pedida es la siguiente:

Regression Analysis - Linear model: Y = a + b*X
--------------------------------------------------------------------------------------
Dependent variable: T_Recuperacion
Independent variable: Dosis
--------------------------------------------------------------------------------------
Standard T
Parameter Estimate Error Statistic P-Value
--------------------------------------------------------------------------------------
Intercept 97,211 4,7732 20,3659 0,0003
Slope -58,421 3,7525 -15,5686 <0,001
--------------------------------------------------------------------------------------
Respuestas.
a) r
(x,y)
= 0,994
b) y
i
= 97,211 58,421x
i
c) p-valor = 0,00058. Existe dependencia lineal signicativa.
d) IC
0,95
( y
0
) = [16,001; 20,685]
e) IC
0,95
( y
0
) = [13,131; 23,555]
f ) y

i
= 5832,66 35,0516x
i
20