TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Comitancillo

INGENIERIA EN GESTIÒN EMPRESARIAL

MATERIA: ESTADISTICA INFERENCIAL II.

DOCENTE: ING.FELIPE SALINAS VELAZQUEZ.

ALUMNA: FRANCISCA ALONSO RODRÌGUEZ.

SEMESTRE: 5 °.

GRUPO: “U “

SAN PEDRO COMITANCILLO, OAX. SEPTIEMBRE 2018.

INDICE
 PAG.

INTRODUCCION......................................................………. 3

PROBLEMA I……………………………………………........... 4

PROBLEMA II…………………………………………………... 7

CONCLUSION………………………………………………….. 11

BIBLIOGRAFIA…………………………………………………. 12

INTRODUCCION
En estos temas siguientes (Covarianza, correlación y el
coeficiente de determinación), resolveremos, analizaremos e
interpretaremos los resultados obtenidos y como cada uno de
ellos nos lleva a un mismo resultado para poder tomar
decisiones o ver el comportamiento de algún producto, por ello
es muy importante aprender correctamente sobre estos temas
del cual resolveremos unos ejemplos prácticos para su mejor
comprensión.
 PROBLEMA I
Resuelva en el siguiente ejercicio determinando la covarianza, la correlación y el
coeficiente de determinación e interprete los resultados. Temas 1.4 y 1.5

Los datos que se encuentran registrados en la siguiente tabla representan la altura

de las plantas de maíz forrajero, en estado masoso lechoso, y a su peso en verde.

Se puede asumir que el peso de la planta (Y) depende de la altura (X) de la

misma. Los datos se muestran a continuación:

X Y XY 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅)

247 1235 222.73 20.7 4610.5

250 1250 225.73 35.7 8058.5

235 1175 210.73 -39.3 -8281.7

242 1210 217.73 -4.3 -936.2

227 1135 202.73 -79.3 -16076.5

236 1178 211.73 -36.3 -7685.8

261 1316 236.73 101.7 24075.4

270 1356 245.73 141.7 34819.9

234 1168 209.73 -46.3 -9710.5

225 1120 200.73 -94.3 -18928.8

𝚺2427 𝚺 12143 2957.05 9945

𝑋̅ = 24.27 𝑌̅ = 1214.3

1 (∑𝑛 𝑛
𝑖=1 𝑥1 )(∑𝑖=1 𝑦𝑖 )
𝑆𝑋𝑌 = [∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ]
𝑛−1 𝑛

𝑥𝑖 𝑦𝑖 =2957.05 ∑𝑛𝑖=1 𝑥1 = 2427 ∑𝑛

𝑖=1 𝑦𝑖 = 12143 n= 10

1 (2427)(12143)
𝑆𝑋𝑌 = [2957.05 − ]=
10−1 10
 1 (2947.5)
𝑆𝑋𝑌 = [2957.05 − ]=
10−1 10
1
𝑆𝑋𝑌 = [2957.05 − 2947.10]= 9.95
10−1
1
𝑆𝑋𝑌 = [9.95]= 1105
10−1

COVARIANZA CALCULADA DE OTRA MANERA.

1 1
𝑆𝑋𝑌 = ∑(𝑋𝑖 − 𝑋̅ )(𝑌𝑖 − 𝑌̅)= (9945)=1105
𝑛−1 9

COEFICIENTE DE CORRELACIÓN. (𝑟𝑥𝑦 )

𝑆𝑋𝑌 1105 1105

𝑟𝑥𝑦 = = = = 0.9995
𝑆𝑋 𝑆𝑌 14.499𝑋 76.252 1105.57

𝑆𝑋 = 14.499 𝑆𝑌 = 76.252

𝑆𝑃𝑋𝑌
𝑟𝑥𝑦 =
√(𝑆𝑃𝑋𝑋 )(𝑆𝑃𝑌𝑌 )

2 (∑ 𝑥)2 2 (∑ 𝑦)2
𝑆𝑋𝑋 = ∑ 𝑥 - 𝑆𝑌𝑌 = ∑ 𝑦 -
𝑛 𝑛

∑ 𝑥 = 2427 ∑ 𝑦=12143 ∑ 𝑥 2 =590925 (∑ 𝑥)2 = 5890.32

∑ 𝑦 2= 14797.57 (∑ 𝑦)2= 147452.44 𝑆𝑋𝑌 = 9945

5890.32
𝑆𝑃𝑋𝑋 = 590925 - = 590335.9
10

147452.44
𝑆𝑃𝑌𝑌 = 14797.57 - = 52.326
10

∑ 𝑋𝑖 ∑ 𝑌𝑖 2427 𝑥 12143
𝑆𝑃𝑋𝑌 = ∑ 𝑋𝑖 𝑌𝑖 - = 2957.05 – = 2957.05 – 2947.10 = 9.95
𝑛 10
 9.95
𝑟𝑥𝑦 = = 0.0180
√(590335.9)(52.326)

COEFICIENTE DE DETERMINACION

̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 𝜷

𝜷 ̂𝟏 [𝒏 ∑ 𝒙𝒚−(∑ 𝒙)(∑ 𝒚)]
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= =
𝑛 ∑ 𝑦 2 − (∑ 𝑦)2

X Y XY 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅) (𝑦 − 𝑌̅ )2

247 1235 222.73 20.7 4610.6 428.47

250 1250 225.73 35.7 8058.6 1274.49

235 1175 210.73 -39.3 -8281.7 1544.49

242 1210 217.73 -4.3 -936.3 18.49

227 1135 202.73 -79.3 -16076.5 6288.49

236 1178 211.73 -36.3 -7685.8 1317.69

261 1316 236.73 101.7 24075.5 10342.89

270 1356 245.73 141.7 34820 20078.89

234 1168 209.73 -46.3 -9710.5 2143.69

225 1120 200.73 -94.3 -18928.9 8892.49

𝚺2427 𝚺 12143 2957.05 9945 52330.06

𝑋̅ = 24.27 𝑌̅ = 1214.3

̂1 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 5.256(9945) 52270.92

𝛽
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= = = 0.9988
52330.06 52330.06

̂1= 5.256
𝛽

𝛽̂1 [𝒏 ∑ 𝒙𝒚−(∑ 𝒙)(∑ 𝒚)] 5.256 [10( 2957.05−(2427)(12143)] −154744.47

2
𝑟𝑥𝑦 = 2 = =
𝑛 ∑ 𝑦2 − (∑ 𝑦) 10(14797.57)−(147452.44) 523.26
= -295.731
= 87.457

PROBLEMA II

Los siguientes datos en miles de pesos representan los ingresos por ventas contra
los gastos de promoción de un producto.

X Y XY 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅)

0.5 3.5 -1.25 -2.91 3.6375

1.0 4.1 -0.75 -2.31 1.7325

1.5 5.5 -0.25 -0.91 0.2275

2.0 7.2 0.25 0.79 0.1975

2.5 8.7 0.75 2.29 1.7175

3.0 9.5 1.25 3.09 3.8625

𝚺 10.5 𝚺 38.5 𝚺 78.75 𝚺 0.04 𝚺 11.38

𝑋̅ = 1.75 𝑌̅ = 6.41
 1 (∑𝑛 𝑛
𝑖=1 𝑥1 )(∑𝑖=1 𝑦𝑖 )
𝑆𝑋𝑌 = [∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ]
𝑛−1 𝑛

𝑥𝑖 𝑦𝑖 = 78.75 ∑𝑛𝑖=1 𝑥1 = 10.5 ∑𝑛

𝑖=1 𝑦𝑖 = 38.5 n= 6

1 (10.5)(38.5)
𝑆𝑋𝑌 = [78.75 − ]=
6−1 6

1 (404.25)
𝑆𝑋𝑌 = [78.75 − ]=
10−1 6

1
𝑆𝑋𝑌 = [78.75 − 67.37]= 11.38
6−1

1
𝑆𝑋𝑌 = [11.38]= 2.276
6−1

COVARIANZA CALCULADA DE OTRA MANERA.

1 1
𝑆𝑋𝑌 = ∑(𝑋𝑖 − 𝑋̅ )(𝑌𝑖 − 𝑌̅)= (11.38) = 2.276 Las variables
𝑛−1 5
tienen relación directa por ser el resultado positivo

COEFICIENTE DE CORRELACIÓN. (𝑟𝑥𝑦 )

 𝑆𝑋𝑌 2.276 2.276
𝑟𝑥𝑦 = = = = 0.9924
𝑆𝑋 𝑆𝑌 0.9354𝑋 2.4517 2.2933

𝑆𝑋 = 0.9354 𝑆𝑌 = 2.4514

(∑ 𝑥)2 (∑ 𝑦)2
𝑆𝑋𝑋 = ∑ 𝑥 2 - 𝑆𝑌𝑌 = ∑ 𝑦 2 -
𝑛 𝑛

∑ 𝑥 = 10.5 ∑ 𝑦=38.5 ∑ 𝑥 2 = 22.75 (∑ 𝑥)2 = 110.25 ∑ 𝑦 2 = 277.09

(∑ 𝑦)2= 1482.25 𝑆𝑋𝑌 = 2.276

110.25
𝑆𝑃𝑋𝑋 = 22.75 - = 4.375
6

1482.25
𝑆𝑃𝑌𝑌 = 277.09 - = 30.049
6

∑ 𝑋𝑖 ∑ 𝑌𝑖 10.5 𝑥 38.5
𝑆𝑃𝑋𝑌 = ∑ 𝑋𝑖 𝑌𝑖 - = 78.75 – = 78.75 – 67.375 = 11.375
𝑛 6

𝑆𝑃𝑋𝑌
𝑟𝑥𝑦 =
√(𝑆𝑃𝑋𝑋 )(𝑆𝑃𝑌𝑌 )

11.378
𝑟𝑥𝑦 = = 0.9920 la correlación es positiva.
√(4.375)(30.049)

COEFICIENTE DE DETERMINACION
 X Y XY 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅) (𝑦 − 𝑌̅ )2

0.5 3.5 -1.25 -2.91 3.6375 8.4681

1.0 4.1 -0.75 -2.31 1.7325 5.3361

1.5 5.5 -0.25 -0.91 0.2275 0.8281

2.0 7.2 0.25 0.79 0.1975 0.6241

2.5 8.7 0.75 2.29 1.7175 5.2441

3.0 9.5 1.25 3.09 3.8625 9.5481

𝚺 10.5 𝚺 38.5 𝚺 78.75 𝚺 0.04 𝚺 11.38 𝚺 30.0486

𝑋̅ = 1.75 𝑌̅ = 6.41

̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 𝜷

𝜷 ̂𝟏 [𝒏 ∑ 𝒙𝒚−(∑ 𝒙)(∑ 𝒚)]
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= =
𝑛 ∑ 𝑦 2 − (∑ 𝑦)2

̂1= 2.6
𝛽

̂1 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 2.6(11.38) 29.588

𝛽
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= = = 0.9730
30.4086 30.4086
 𝛽̂1 [𝒏 ∑ 𝒙𝒚−(∑ 𝒙)(∑ 𝒚)] 2.6 [6( 11.38−(10.5)(38.5)] −6128.772
2
𝑟𝑥𝑦 = 2 = = = -33.99
𝑛 ∑ 𝑦2 − (∑ 𝑦) 6(277.09)−(1482.25) 180.29
=1155.32

CONCLUSION

En este punto podemos concluir que a partir de ejemplos numéricos se logró el

objetivo de la comprensión y la relación entre estas tres medidas de como
obteniendo resultados numéricos sacamos conclusiones del comportamiento de los
sujetos en estudio.
 BIBLIOGRAFIA

Salinas, F. (2018, septiembre 03). 1.4 Medidas de variación. Medidas de

variación, 1, 4
INSTITUTO TECNOLOGICO
DE COMITANCILLO

INGENIERÍA EN GESTIÓN EMPRESARIAL

GRUPO 5 “U”

ESTADISTICA INFERENCIA II
TRABAJO NÚMERO 2

MARIA REYES CASTILLO JIMENEZ

ING. FELIPE SALINAS VELAZQUEZ

SAN PEDRO COMITANCILLO, OAXACA.

INDICE
INTRODUCCIÓN…………………………………….2

PROBLEMA 1………………………………………..3

PROBLEMA 2…………………………………….…5

CONCLUSIÓN………………………………………6
 INTRODUCCIÓN

En probabilidad y estadística, la covarianza es un valor que indica el grado de

variación conjunta de dos variables aleatorias respecto a sus medias.

Coeficiente de correlación es una medida de la relación lineal entre dos variables

aleatorias cuantitativas. A diferencia de la covarianza, la correlación de Pearson es
independiente de la escala de medida de las variables

Coeficiente de determinación denominado R² y pronunciado R cuadrado, es un

estadístico usado en el contexto de un modelo estadístico cuyo principal propósito
es predecir futuros resultados o probar una hipótesis.
 1. PLANTEAMIENTO DEL PROBLEMA.

Resuelva en el siguiente ejercicio determinando la covarianza, la correlación y el

coeficiente de determinación e interprete los resultados.

Los datos que se encuentran registrados en la siguiente tabla representan la altura

de las plantas de maíz forrajero, en estado masoso lechoso, y a su peso en verde.

Se puede asumir que el peso de la planta (Y) depende de la altura (X) de la misma.
Los datos se muestran a continuación:
X Y ̅
𝒙𝒊 − 𝑿 ̅
𝒚𝒊 − 𝒀 ̅ )(𝒚𝒊 − 𝒀
(𝒙𝒊 − 𝑿 ̅) ̅ )𝟐
(𝒚 − 𝒀
EST
Altura Peso
247 1235
1 4.3 20.7 89.01 428.49
250 1250
2 7.3 35.7 260.61 1274.49
235 1175
3 -7.7 -39.3 302.61 1544.49
242 1210
4 -0.7 -4.3 3.01 18.49
227 1135
5 -15.7 -79.3 1245.01 6288.49
236 1178
6 -6.7 -36.3 243.21 1317.69
261 1316
7 18.3 101.17 1851.41 10342.89
270 1356
8 27.3 141.7 3868.41 20078.89
234 1168
9 -8.7 -46.3 402.81 2143.69
 10 225 1120 -17.7 -94.3 1669.11 8892.49

∑X=2427 ∑Y=12143 ∑=9935.201 ∑=52330.1

N=10 𝑋̅ = 242.7 𝑌̅ = 1214.3

COVARIANZA 𝑺𝑿𝒀 =

1 (∑𝑛 𝑛
𝑖=1 𝑥1 )(∑𝑖=1 𝑦𝑖 )
𝑆𝑋𝑌 = [∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ]
𝑛−1 𝑛

𝑥𝑖 𝑦𝑖 =2957051 ∑𝑛𝑖=1 𝑥1 = 2427 ∑𝑛

𝑖=1 𝑦𝑖 = 12143 n= 10

1 (2427)(12143)
𝑆𝑋𝑌 = [2957051 − ]=
10−1 10

1 ( 29471061 )
𝑆𝑋𝑌 = [2957051 − ]=
10−1 10
1
𝑆𝑋𝑌 = [2957051 − 2947106.1]=
10−1
1
𝑆𝑋𝑌 = [9944.9]= 1104.988
10−1

COEFICIENTE DE CORRELACIÓN (𝒓𝒙𝒚 ):

𝑆𝑋𝑌 1104.988889 1104.98

𝑟𝑥𝑦 = = = = 0.99946
𝑆𝑋 𝑆𝑌 14.49 𝑋 76.25 1105.61

𝑆𝑋 = 14.499 𝑆𝑌 = 76.252

COEFICIENTE DE DETERMINACIÓN:

̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 5.256(9935.2) 52219.41

𝜷
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= = =0.9978=0.10
52330.1 52330.1
 ̂𝟏 = 5.256
𝜷

INTERPRETACIÓN:

Debido a que el resultado fue positivo podemos determinar que el peso de la planta
va aumentado conjuntamente en proporciones iguales a la altura.

PROBLEMA 2:

Los siguientes datos en miles de pesos representan los ingresos por ventas contra
los gastos de promoción de un producto.

EST
X Y 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅) (𝑦 − 𝑌̅ )2
Ingresos Gastos
1 0.5 3.5 -1.25 -2.91 3.63 8.47
1.0 4.1 1.73
2 -0.75 -2.31 5.34

3 1.5 5.5 -0.25 -0.91 0.23 0.83

4 2.0 7.2 0.25 0.79 0.20 0.62

5 2.5 8.7 0.75 2.29 1.72 5.24

6 3.0 9.5 1.25 3.09 3.86 9.55

∑X=10.5 ∑Y=38.5 ∑=11.37 ∑=30.05

N=6 𝑋̅ = 1.75 𝑌̅ = 6.41

COVARIANZA 𝑺𝑿𝒀 =

1 (∑𝑛 𝑛
𝑖=1 𝑥1 )(∑𝑖=1 𝑦𝑖 )
𝑆𝑋𝑌 = [∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ]
𝑛−1 𝑛
 𝑥𝑖 𝑦𝑖 = 78.75 ∑𝑛𝑖=1 𝑥1 = 10.5 ∑𝑛
𝑖=1 𝑦𝑖 = 38.5 n= 6

1 (10.5)(38.5)
𝑆𝑋𝑌 = [78.75 − ]=
6−1 6

1 ( 404.25 )
𝑆𝑋𝑌 = [78.75 − ]=
6−1 6
1
𝑆𝑋𝑌 = [78.75 − 67.375]=
6−1
1
𝑆𝑋𝑌 = [11.375]= 2.275
6−1

COEFICIENTE DE CORRELACIÓN (𝒓𝒙𝒚 ):

𝑆𝑋𝑌 2.275 2.275

𝑟𝑥𝑦 = = = = 0.99301
𝑆𝑋 𝑆𝑌 0.935 𝑋 2.451 2.291

𝑆𝑋 = 0.935 𝑆𝑌 = 2.451

COEFICIENTE DE DETERMINACIÓN:

̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 2.6(11.37) 29.562

𝜷
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= = =0.9837=0.99
30.05 30.05

̂𝟏 = 2.6
𝜷

INTERPRETACIÓN:

Debido a que el resultado fue positivo podemos determinar que el ingreso de las
ventas van de la mano con los gastos de la promoción del producto.

CONCLUSIÓN.
Un modelo estadístico se construye para explicar una variable aleatoria que
llamaremos dependiente a través de otras variables aleatorias a las que llamaremos
factores.

Cuando los valores altos de una de las variables suelen mayoritariamente

corresponderse con los valores altos de la otra, y lo mismo se verifica para los
pequeños valores de una con los de la otra, se corrobora que tienden a mostrar
comportamiento similar lo que se refleja en un valor positivo de la covarianza1
Por el contrario, cuando a los mayores valores de una variable suelen corresponder
en general los menores de la otra, expresando un comportamiento opuesto,
la covarianza es negativa.
 INSTITUTO TECNOLÓGICO DE
COMITANCILLO

INGENIERÍA EN GESTIÓN EMPRESARIAL

MARIANO ANTONIO SÁNCHEZ

GRUPO 5 “U”

NUMERO DE CONTROL: A16710280

ESTADISTICA INFERENCIAL II

UNIDAD I-TRABAJO NO.2

ING. FELIPE SALINAS

SAN PEDRO COMITANCILLO, OAXACA.

 INTRODUCCIÓN.

Cuando se estudian dos características, una pregunta que surge con frecuencia es
si existe alguna relación entre ellas. Como ejemplo podemos mencionar el peso y
la estatura de un grupo de personas, el ingreso y el consumo por familia, las ventas
en una empresa y el número de empleados.

La covarianza es una medida de asociación entre dos características que

llamaremos X e Y, su valor depende de las unidades en que se miden las variables
de interés.

El coeficiente de correlación (𝑟𝑥𝑦 ). Es una medida de asociación en donde una

variable llamada independiente(x) influye o impacta sobre otra variable llamada

independiente (y).

Coeficiente de determinación. Es una medida de bondad de ajuste de los datos de

la recta y al calcularlo define con mayor claridad sobre la relación entre las dos
variables de estudio. (Infante, G.S. Y Zarate de Lara, G.P. 1990).
 1. PLANTEAMIENTO DEL PROBLEMA.

Resuelva en el siguiente ejercicio determinando la covarianza, la correlación y el

coeficiente de determinación e interprete los resultados.

Los datos que se encuentran registrados en la siguiente tabla representan la altura

de las plantas de maíz forrajero, en estado masoso lechoso, y a su peso en verde.

Se puede asumir que el peso de la planta (Y) depende de la altura (X) de la misma.
Los datos se muestran a continuación:
X Y
EST ∑XY 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅) (𝑦 − 𝑌̅ )2
Altura Peso
1 247 1235 305045 4.3 20.7 89.01 428.49

2 250 1250 312500 7.3 35.7 260.61 1274.49

3 235 1175 276125 -7.7 -39.3 302.61 1544.49

4 242 1210 292820 -0.7 -4.3 3.01 18.49

5 227 1135 257645 -15.7 -79.3 1245.01 6288.49

6 236 1178 278008 -6.7 -36.3 243.21 1317.69

7 261 1316 353916 18.3 101.17 1851.411 10342.89

8 270 1356 366120 27.3 141.7 3868.41 20078.89

9 234 1168 273312 -8.7 -46.3 402.81 2143.69

10 225 1120 252000 -17.7 -94.3 1669.11 8892.49

∑X=2427 ∑Y=12143 ∑XY=2957051 ∑= 9935.201 ∑=52330.1

𝑋̅ = 242.7 𝑌̅ = 1214.3
COVARIANZA 𝑺𝑿𝒀 =
1 (∑𝑛 𝑛
𝑖=1 𝑥1 )(∑𝑖=1 𝑦𝑖 )
𝑆𝑋𝑌 = [∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ]
𝑛−1 𝑛

𝑥𝑖 𝑦𝑖 =2957051 ∑𝑛𝑖=1 𝑥1 = 2427 ∑𝑛

𝑖=1 𝑦𝑖 = 12143 n= 10
1 (2427)(12143)
𝑆𝑋𝑌 = [2957051 − ]=
10−1 10
1 ( 29471061 )
𝑆𝑋𝑌 = [2957051 − ]=
10−1 10
1
𝑆𝑋𝑌 = [2957051 − 2947106.1]=
10−1
1
𝑆𝑋𝑌 = [9944.9]= 1104.988889
10−1

COEFICIENTE DE CORRELACIÓN (𝒓𝒙𝒚 ):

𝑆𝑋𝑌 1104.988889 1104.98

𝑟𝑥𝑦 = = = = 0.999430491
𝑆𝑋 𝑆𝑌 14.49 𝑋 76.25 1105.61

𝑆𝑋 = 14.49942528 𝑆𝑌 = 76.25257737

COEFICIENTE DE DETERMINACIÓN:

2
𝑟𝑥𝑦 =
̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 5.2560(9935.201) 52219.41646
𝜷
∑(𝑦−𝑌̅ )2
= = =0.997884897
52330.1 52330.1
̂𝟏 = 5.2560
𝜷

Se puede determinar que la altura y el peso de la planta van creciendo

simultanéame.
 2. PLANTEAMIENTO DEL PROBLEMA.

Los siguientes datos en miles de pesos representan los ingresos por ventas contra
los gastos de promoción de un producto.

Y
X
EST Gastos de ∑XY 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅) (𝑦 − 𝑌̅ )2
Ventas
Promoción
1 0.5 3.5 1.75 -1.25 -2.916 3.645 8.5065

2 1.0 4.1 4.1 -0.75 -2.316 1.737 5.3666

3 1.5 5.5 8,25 -0.25 -0.916 0.229 0.8401

4 2.0 7.2 14.4 0.25 0.7834 0.1958 0.6137

5 2.5 8.7 21.75 0.75 2.283 1.71225 5.2139

6 3.0 9.5 28.5 1.25 3.083 3.8537 9.5073

∑X=10.5 ∑Y=38.5 ∑XY= 78.75 ∑= 11.37275 ∑=30.0481

𝑋̅ = 1.75 𝑌̅ = 6.4166

COVARIANZA 𝑺𝑿𝒀 =

1 (∑𝑛 𝑛
𝑖=1 𝑥1 )(∑𝑖=1 𝑦𝑖 )
𝑆𝑋𝑌 = [∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ]
𝑛−1 𝑛

𝑥𝑖 𝑦𝑖 =78.75 ∑𝑛𝑖=1 𝑥1 = 10.5 ∑𝑛

𝑖=1 𝑦𝑖 = 38.5 n= 6
1 (10.5)(38.5)
𝑆𝑋𝑌 = [78.75 − ]=
10−1 6
1 ( 404.25 )
𝑆𝑋𝑌 = [78.75 − ]=
10−1 6
1
𝑆𝑋𝑌 = [78.75 − 67.375]=
10−1
 1
𝑆𝑋𝑌 = [11.375]= 2.275
6−1

COEFICIENTE DE CORRELACIÓN (𝒓𝒙𝒚 ):

𝑆𝑋𝑌 2.275 2.275

𝑟𝑥𝑦 = = = = 0.992092537
𝑆𝑋 𝑆𝑌 0.9354 𝑋 2.4514 2.2931

𝑆𝑋 = 0.935414346 𝑆𝑌 = 2.451462149

COEFICIENTE DE DETERMINACIÓN:

2
𝑟𝑥𝑦 =
̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 2.6(11.37275) 29.56915
𝜷
∑(𝑦−𝑌̅ )2
= = =0.984060556
30.0481 30.0481
̂𝟏 = 2.6
𝜷

Los gastos invertidos en la promoción del producto van aumentando

simultáneamente con las ventas generadas.

CONCLUSIÓN.

Los estadísticos de tendencia central o posición nos indican donde se sitúa un

grupo de puntuaciones. Los de variabilidad o dispersión nos indican si esas
puntuaciones o valores están próximas entre sí o sí por el contrario están o muy
dispersas.
PROBLEMA

TECNOLOGICO NACIONAL DE MEXICO.

CAMPUS: COMITANCILLO.

MATERIA: ESTADISTICA INFERENCIAL II

TITULAR: ING. FELIPE SALINAS VELAZQUEZ

TEMA: 1.4 Y 1.5 MEDIDAS DE VARIACION

ALUMNA: FABIOLA SOLORZANO CRUZ

NC. A16710165

V SEMESTRE GRUPO U

ING. EN GESTION EMPRESARIAL

SAN PEDRO COMITANCILLO, SEPTIEMBRE 2018

PROBLEMA 1

Resuelva en el siguiente ejercicio determinando la covarianza, la correlación y el

coeficiente de determinación e interprete los resultados. Temas 1.4 y 1.5

Los datos que se encuentran registrados en la siguiente tabla representan la altura

de las plantas de maíz forrajero, en estado masoso lechoso, y a su peso en verde.

Se puede asumir que el peso de la planta (Y) depende de la altura (X) de la

misma. Los datos se muestran a continuación:

X Y 𝑥𝑖 𝑦𝑖 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − (𝑦 − 𝑌̅ )2
𝑌̅)

247 1235 305,045 4.3 20.7 89.01 428.49

250 1250 312,500 7.3 35.7 260.61 1274.49

235 1175 276,125 -7.7 -39.3 302.61 1544.49

242 1210 292,820 -0.7 -4.3 3.01 18.49

227 1135 257,645 -15.7 -79.3 1245.01 6288

236 1178 278,008 -6.7 -36.3 243.21 1317.69

261 1316 343,476 18.3 101.7 1861.11 10342.89

270 1356 366,120 27.3 141.7 3868.41 20078.89

234 1168 273,312 -8.7 -46.3 402.81 2143.69

225 1120 252,000 -17.7 -94.3 1669.11 8,892.49

𝚺= 2427 𝚺=12,143 2957,051 9944.9 52330.10

𝑋̅=242.7 𝑌̅=1214.3

COVARIANZA
1 1
𝑆𝑋𝑌 = 𝑛−1 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅)=9 (9944.9)= 1104.99
COEFICIENTE DE CORRELACIÓN. (𝑟𝑥𝑦 )
𝑆 1104.99 1104.99
𝑟𝑥𝑦 = 𝑆 𝑋𝑌 =14.499 𝑋 76.252 = 1105.57 = 0.9994
𝑆
𝑋 𝑌

𝑆𝑋 = 14.499 𝑆𝑌 = 76.252

COEFICIENTE DE DETERMINACION
̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 5.2560(9944.9) 52270.39
𝜷
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= 52330.10 =52330.10=0.9988

INTERPRETACION:

Esto significa que el 99% de la variabilidad total del peso de la planta está en
función de la altura de la misma, por lo tanto, la línea estimada se ajusta muy bien
a los datos.

PROBLEMA 2

Los siguientes datos en miles de pesos representan los ingresos por ventas contra
los gastos de promoción de un producto.

X Y 𝑥𝑖 𝑦𝑖 𝑥𝑖 − 𝑋̅ 𝑦𝑖 − 𝑌̅ (𝑥𝑖 − 𝑋̅)(𝑦𝑖 − (𝑦 − 𝑌̅ )2
𝑌̅)

0.5 3.5 1.75 -1.25 -2.916 3.645 8.5030

1.0 4.1 4.1 -0.75 -2.316 1.737 5.3638

1.5 5.5 8.25 -0.25 -0.916 0.229 0.8390

2.0 7.2 14.4 0.25 0.784 0.196 0.6146

2.5 8.7 21.75 0.75 2.284 1.713 5.2166

 3.0 9.5 28.5 1.25 3.084 3.855 9.5110

𝚺=10.5 𝚺=38.5 78.75 11.375 30048

𝑋̅=1.75 𝑌̅=6.416

COVARIANZA
1 1
𝑆𝑋𝑌 = 𝑛−1 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅)=5 (11.375)= 2.275

COEFICIENTE DE CORRELACIÓN. (𝑟𝑥𝑦 )

𝑆 2.275 2.275
𝑟𝑥𝑦 = 𝑆 𝑋𝑌 =0.9354 𝑋 2.451 = 2.292 = 0.9925
𝑆
𝑋 𝑌

𝑆𝑋 = 0.9354 𝑆𝑌 = 2.451

COEFICIENTE DE DETERMINACION
̂𝟏 ∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅) 2.6(11.375) 29.497
𝜷
2
𝑟𝑥𝑦 = ∑(𝑦−𝑌̅ )2
= 30048 =30.048= 0.9842

INTERPRETACION

Esto significa que el 98% de la variabilidad total de los ingresos por ventas está en
función de gastos de promoción que se le haga al producto, por lo tanto, la línea
estimada se ajusta muy bien a los datos.
 INSTITUTO TECNOLÓGICO DE COMITANCILLO

MATERIA:
ESTADISTICA INFERENCIA II

DOCENTE:

ING. FELIPE SALINAS VELASQUEZ

INTEGRANTES:

YENIZHA CASIQUE MILLAN A16710167

CARRERA:

INGENIERIA EN GESTION EMPRESARIAL

TEMA:

1.4. MEDIDADES DE VARIACION

1.5. CALCULO DE LOS COEFICIENTES DE CORRELACION Y DE

DETERMINACION.
SEMESTRE Y GRUPO: “5” & “U”

SAN PEDRO COMITANCILLO, OAX. A SEPTIEMBRE DEL 2018

INTRODUCCION
MEDIDAS DE VARIACIÓN, CALCULO DE LOS COEFICIENTES DE
CORRELACION Y DETERMINACION.

Cuando se estudian dos características, una pregunta que surge con frecuencia es
si existe alguna relación entre ellas. Como ejemplo podemos mencionar el peso y
la estatura de un grupo de personas, el ingreso y el consumo por familia, las ventas
en una empresa y el número de empleados.

La covarianza es una medida de asociación entre dos características que

llamaremos X e Y, su valor depende de las unidades en que se miden las variables
de interés.

El coeficiente de correlación (𝑟𝑥𝑦 ). Es una medida de asociación en donde una

variable llamada independiente(x) influye o impacta sobre otra variable llamada
independiente (y).

La medición utilizada en las variables.

Si son valores positivos el coeficiente de correlación indica que las variables tienden
a crecer o decrecer simultáneamente.

Si son valores negativos el coeficiente de variación indica que cuando una variable
aumenta la otra disminuye.
La covarianza es positiva si existe una relación (lineal) creciente y negativa si existe
una relación decreciente.

X Y

247 1235

250 1250

235 1175

242 1210

227 1135

236 1178

261 1316

270 1356

234 1168

225 1120

𝚺 𝚺

2427 12143
 𝒙𝒊 𝒚𝒊 𝒙 𝒊 . 𝒚𝒊

247 1235 305,045

250 1250 312,500

235 1175 276,125

242 1210 292,820

227 1135 257,645

236 1178 278,008

261 1316 343,476

270 1356 366,120

234 1168 273,312

225 1120 252000

𝚺 𝚺 𝚺

2427 12143 2957051

𝟏 (∑𝒏 𝒏
𝒊=𝟏 𝒙𝟏 )(∑𝒊=𝟏 𝒚𝒊 )
𝑺𝑿𝒀 = 𝒏−𝟏 [∑𝒏𝒊=𝟏 𝒙𝒊 𝒚𝒊 − ]
𝒏

𝒙𝒊 𝒚𝒊 =2957051 ∑𝒏𝒊=𝟏 𝒙𝟏 =2427 ∑𝒏𝒊=𝟏 𝒚𝒊 =12143 n= 10

𝟏 (𝟐𝟒𝟐𝟕)(𝟏𝟐𝟏𝟒𝟑)
𝑺𝑿𝒀 = 𝟏𝟎−𝟏 [𝟐𝟗𝟓𝟕𝟎𝟓𝟏 − 𝟏𝟎
]=

𝟏 ( 𝟐𝟗𝟒𝟕𝟏𝟎𝟔𝟏 )
𝑺𝑿𝒀 = 𝟏𝟎−𝟏 [𝟐𝟗𝟓𝟕𝟎𝟓𝟏 − ]=
𝟏𝟎

𝟏
𝑺𝑿𝒀 = 𝟏𝟎−𝟏 [𝟐𝟗𝟓𝟕𝟎𝟓𝟏 − 𝟐𝟗𝟒𝟕𝟏𝟎𝟔. 𝟏]=

𝟏
𝑺𝑿𝒀 = 𝟏𝟎−𝟏 [𝟗𝟗𝟒𝟒. 𝟗]= 1104.98

Coeficiente de correlación.
 𝒙𝒊 𝒚𝒊 𝒙 𝒊 . 𝒚𝒊 𝒙𝒊 ² 𝒚𝒊 ²

247 1235 305,045 61009 1525225

250 1250 312,500 62500 1562500

235 1175 276,125 55225 1380625

242 1210 292,820 58564 1464100

227 1135 257,645 51529 1288225

236 1178 278,008 55696 1387684

261 1316 343,476 68121 1731856

270 1356 366,120 72900 1838736

234 1168 273,312 54756 1364224

225 1120 252000 50625 1254400

𝚺 𝚺 𝚺 𝚺 𝚺

2427 12143 2957051 590925 14797575

𝑺𝑷𝑿𝒀
𝒓𝒙𝒚 =
√(𝑺𝑷𝑿𝑿 )(𝑺𝑷𝒀𝒀 )

(∑ 𝒙)𝟐 (∑ 𝒚)𝟐
𝑺𝑿𝑿 = ∑ 𝒙𝟐 - 𝑺𝒀𝒀 = ∑ 𝒚𝟐 -
𝒏 𝒏

∑ 𝒙 = 2,427 ∑ 𝒚= 12,143 ∑ 𝒙𝟐 =590,925 (∑ 𝒙)𝟐 = 5,890,329

∑ 𝒚𝟐 = 14797575 (∑ 𝒚)𝟐 = 147,452, 449 𝑺𝑿𝒀 =1104.988

𝟓𝟖𝟗𝟎𝟑𝟐𝟗
𝑺𝑷𝑿𝑿 = 590925 - = 590925-589032.9 =1892.1
𝟏𝟎
 𝟏𝟒𝟕,𝟒𝟓𝟐,𝟒𝟒𝟗
𝑺𝑷𝒀𝒀 = 14797575 - = 14797575-14745244.9 = 52330.1
𝟏𝟎

∑ 𝑿𝒊 ∑ 𝒀𝒊 𝟐𝟒𝟐𝟕 𝒙 𝟏𝟐𝟏𝟒𝟑
𝑺𝑷𝑿𝒀 = ∑ 𝑿𝒊 𝒀𝒊 - = 2957051 – = 2957051-2947106.1=9944.9
𝒏 𝟏𝟎

𝑺𝑷𝑿𝒀
𝒓𝒙𝒚 =
√(𝑺𝑷𝑿𝑿 )(𝑺𝑷𝒀𝒀 )

𝟗𝟗𝟒𝟒.𝟗 𝟗𝟗𝟒𝟒.𝟗
𝒓𝒙𝒚 = = 𝟗𝟗𝟓𝟎.𝟓𝟔𝟔𝟗= 0.9994
√(𝟏𝟖𝟗𝟐.𝟏)(𝟓𝟐𝟑𝟑𝟎.𝟏)
 ̅
𝒙𝒊 − 𝑿 ̅
𝒚𝒊 − 𝒀 ̅ )(𝒚𝒊 − 𝒀
(𝒙𝒊 − 𝑿 ̅) ̅ )𝟐
(𝒚 − 𝒀

4.3 20.7 89.01 428.49

7.3 35.7 260.61 1274.49

-7.7 -39.3 302.61 1544.49

-0.7 -4.3 3.01 18.49

-15.7 -79.3 1245.01 6288.49

-6.7 -36.3 243.21 1317.69

18.3 101.7 1861.11 10342.89

27.3 141.7 3868.41 20078.89

-8.7 -46.3 402.81 2143.69

-17.7 -94.3 1669.11 8892.49

𝚺 𝚺 𝚺 𝚺

9944.9 52330.1

̂𝟏 ∑(𝑿𝒊 − 𝑿
𝜷 ̅ )(𝒀𝒊 − 𝒀
̅ ) 𝟓.𝟐𝟓(𝟗𝟗𝟒𝟒.𝟗) 𝟓𝟐𝟐𝟏𝟎.𝟕𝟐𝟓
𝒓𝟐𝒙𝒚 = ∑(𝒚−𝒀 ̅ )𝟐
= 𝟓𝟐𝟑𝟑𝟎.𝟏 = 𝟓𝟐𝟑𝟑𝟎.𝟏 = 0.9977

̂𝟏 = 5.25
𝜷
̂𝟏 [𝒏 ∑ 𝒙𝒚−(∑ 𝒙)(∑ 𝒚)] 𝟓.𝟐𝟓[𝟏𝟎(𝟐𝟗𝟓𝟕𝟎𝟓𝟏)−(𝟐𝟒𝟐𝟕)(𝟏𝟐𝟏𝟒𝟑)]
𝜷 𝟓.𝟐𝟓[𝟏𝟎(𝟐𝟗𝟓𝟕𝟎𝟓𝟏)−𝟐𝟗𝟒𝟕𝟏𝟎𝟔𝟏]
𝒓𝟐𝒙𝒚 = = = =
𝒏 ∑ 𝒚𝟐 − (∑ 𝒚)𝟐 𝟏𝟎(𝟏𝟒𝟕𝟗𝟕𝟓𝟕𝟓)−(𝟏𝟐𝟏𝟒𝟑)² 𝟏𝟒𝟕𝟗𝟕𝟓𝟕𝟓𝟎−𝟏𝟒𝟕𝟒𝟓𝟐𝟒𝟒𝟗
𝟓.𝟐𝟓[𝟐𝟗𝟓𝟕𝟎𝟓𝟏𝟎−𝟐𝟗𝟒𝟕𝟏𝟎𝟔𝟏] 𝟓𝟐𝟐,𝟏𝟎𝟕.𝟐𝟓
=
𝟓𝟐𝟑𝟑𝟎𝟏 𝟓𝟐𝟑𝟑𝟎𝟏

=0.9977
Planteamiento del problema.

Resuelva en el siguiente ejercicio determinando la covarianza, la correlación y el

coeficiente de determinación e interprete los resultados.

Los siguientes datos en miles de pesos representan los ingresos por ventas contra
los gastos de promoción de un producto.

X Y

0.5 3.5

1.0 4.1

1.5 5.5

2.0 7.2

2.5 8.7

3.0 9.5
 𝒙𝒊 𝒚𝒊 𝒙 𝒊 . 𝒚𝒊

0.5 3.5 1.75

1.0 4.1 4.1

1.5 5.5 8.25

2.0 7.2 14.4

2.5 8.7 21.75

Covarianza.
3.0 9.5 28.5
𝟏
𝑺𝑿𝒀 = [∑𝒏𝒊=𝟏 𝒙𝒊 𝒚𝒊 −
𝒏−𝟏 𝚺 𝚺 𝚺
(∑𝒏 𝒏
𝒊=𝟏 𝒙𝟏 )(∑𝒊=𝟏 𝒚𝒊 )
]
𝒏 38.5 78.75
10.5
∑𝒏𝒊=𝟏 𝒙𝒊 𝒚𝒊 = 𝟕𝟖. 𝟕𝟓
∑𝒏𝒊=𝟏 𝒙𝟏 =10.5 ∑𝒏𝒊=𝟏 𝒚𝒊 =38.5 n= 6
𝟏 (𝟏𝟎.𝟓)(𝟑𝟖.𝟓)
𝑺𝑿𝒀 = 𝟔−𝟏 [𝟕𝟖. 𝟕𝟓 − ]=
𝟔

𝟏 ( 𝟒𝟎𝟒.𝟐𝟓 )
𝑺𝑿𝒀 = 𝟔−𝟏 [𝟕𝟖. 𝟕𝟓 − ]=
𝟔

𝟏
𝑺𝑿𝒀 = 𝟔−𝟏 [𝟕𝟖. 𝟕𝟓 − 𝟔𝟕. 𝟑𝟕𝟓]=

𝟏
𝑺𝑿𝒀 = 𝟔−𝟏 [𝟏𝟏. 𝟑𝟕𝟓]= 2.275

𝒙𝒊 𝒚𝒊 𝒙 𝒊 . 𝒚𝒊 𝒙𝒊 ² 𝒚𝒊 ²

0.5 3.5 1.75 0.25 12.25

1.0 4.1 4.1 1.0 16.81

1.5 5.5 8.25 2.25 30.25

2.0 7.2 14.4 4.0 51.84

2.5 8.7 21.75 6.25 75.69

 3.0 9.5 28.5 9.0 90.25

𝚺 𝚺 𝚺 𝚺 𝚺

10.5 38.5 78.75 22.75 277.09

𝑺𝑷𝑿𝒀
𝒓𝒙𝒚 =
√(𝑺𝑷𝑿𝑿 )(𝑺𝑷𝒀𝒀 )

(∑ 𝒙)𝟐 (∑ 𝒚)𝟐
𝑺𝑿𝑿 = ∑ 𝒙𝟐 - 𝑺𝒀𝒀 = ∑ 𝒚𝟐 -
𝒏 𝒏

∑ 𝒙 = 10.5 ∑ 𝒚= 38.5 ∑ 𝒙𝟐 =22.75 (∑ 𝒙)𝟐 = 110.25

∑ 𝒚𝟐 = 277.09 (∑ 𝒚)𝟐 = 1482.25 𝑺𝑿𝒀 =2.275

𝟏𝟏𝟎.𝟐𝟓
𝑺𝑷𝑿𝑿 = 22.75 - = 22.75-18.375=4.375
𝟔

𝟏𝟒𝟖𝟐.𝟐𝟓
𝑺𝑷𝒀𝒀 = 277.09 - = 277.09-247.0416 = 30.0484
𝟔

∑ 𝑿𝒊 ∑ 𝒀𝒊 (𝟏𝟎.𝟓)(𝟑𝟖.𝟓)
𝑺𝑷𝑿𝒀 = ∑ 𝑿𝒊 𝒀𝒊 - = 78.75 – = 78.75-67.375=11.375
𝒏 𝟔

𝑺𝑷𝑿𝒀
𝒓𝒙𝒚 =
√(𝑺𝑷𝑿𝑿 )(𝑺𝑷𝒀𝒀 )
 𝟏𝟏.𝟑𝟕𝟓 𝟏𝟏.𝟑𝟕𝟓
𝒓𝒙𝒚 = = 𝟏𝟏.𝟒𝟔𝟓𝟔𝟕𝟕𝟎𝟒= 0.9920
√(𝟒.𝟑𝟕𝟓)(𝟑𝟎.𝟎𝟒𝟖𝟒)

̅
𝒙𝒊 − 𝑿 ̅
𝒚𝒊 − 𝒀 ̅ )(𝒚𝒊 − 𝒀
(𝒙𝒊 − 𝑿 ̅) ̅ )𝟐
(𝒚 − 𝒀

-1.25 -2.9 3.625 8.41

-0.75 -2.3 1.725 5.29

-0.25 -0.9 0.225 0.81

0.25 0.8 0.2 0.64

0.75 2.3 1.725 5.29

1.25 3.1 3.875 9.61

𝚺 𝚺 𝚺 𝚺

11.375 30.05

̂𝟏 ∑(𝑿𝒊 − 𝑿
𝜷 ̅ )(𝒀𝒊 − 𝒀
̅ ) 𝟐.𝟔(𝟏𝟏.𝟑𝟕𝟓) 𝟐𝟗.𝟓𝟕𝟓
𝒓𝟐𝒙𝒚 = ∑(𝒚−𝒀 ̅ )𝟐
= 𝟑𝟎.𝟎𝟓 = 𝟑𝟎.𝟎𝟓 = 0.9841

̂𝟏 = 2.6
𝜷
̂𝟏 [𝒏 ∑ 𝒙𝒚−(∑ 𝒙)(∑ 𝒚)] 𝟐.𝟔[𝟔(𝟕𝟖.𝟕𝟓)−(𝟏𝟎.𝟓)(𝟑𝟖.𝟓)]
𝜷
𝒓𝟐𝒙𝒚 = = =
𝒏 ∑ 𝒚𝟐 − (∑ 𝒚)𝟐 𝟔(𝟐𝟕𝟕.𝟎𝟗)−(𝟑𝟖.𝟓)²

𝟐.𝟔[𝟔(𝟕𝟖.𝟕𝟓)−𝟒𝟎𝟒.𝟐𝟓] 𝟐.𝟔[𝟒𝟕𝟐.𝟓−𝟒𝟎𝟒.𝟐𝟓] 𝟏𝟕𝟕.𝟒𝟓

= =𝟏𝟖𝟎.𝟐𝟗
𝟏𝟔𝟔𝟐.𝟓𝟒−𝟏𝟒𝟖𝟐.𝟐𝟓 𝟏𝟖𝟎.𝟐𝟗

=0.9842
 CONCLUSION

En conclusión las medidas de variabilidad, muestran la variabilidad de distribución,

indicando pon medio de un número, las diferentes puntuaciones de una variable
están muy alejadas de la mediana media. Cuando mayor sea ese valor, mayor será
la variabilidad, cuando menor sea, más homogénea será a la mediana media. Así
se sabe si todos los casos son parecidos o varían mucho entre ellos.

Y la correlación es la medida de asociación entre variables. En la probabilidad y

estadística, la correlación indica la fuerza y la dirección de una relación lineal entre
dos variables aleatorias. Se considera que dos variables cuantitativas están
correlacionadas cuando los valore de una d ellas varían sistemáticamente con
respecto a los valores homónimos de la otra.
 BIBLIOGRAFIA

http://colegiocci.edu.mx/claroline/claroline/document/document.php?cidreset=true&
cidreq=gec0914 (apuntes proporcionados por el ingeniero Felipe Salinas
Velásquez).