7 - En un proceso de extraccin se estudia la relacin entre tiempo de extraccin y rendimiento. Los datos obtenidos se encuentran en la siguiente tabla.

Tiempo (min) 10 15 20 8 12 13 15 12 14 20 19 18 Rendimiento (%) 64 81.7 76.2 68.5 66.6 77.9 82.2 74.2 70 76 83.2 85.3

a) En este problema cual variable se considera independiente y cual independiente? - Se debe considerar el tiempo de extraccin como variable independiente (x) y al rendimiento como la variable dependiente (y), dado que el rendimiento siempre va a variar conforme el tiempo y no viceversa. b) Mediante un diagrama de dispersin analice la relacin entre estas dos variables. Qu tipo de relacin observa y cuales son algunos hechos especiales?

Existe correlacin lineal positiva ya que conforme aumenta el tiempo de extraccin tambin aumenta el rendimiento, es razonable suponer que la relacin entre estas variables la explique un modelo de regresin lineal simple.

c) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique pruebas de hiptesis y verifique residuos) Para ajustar la mejor recta que pasa ms cerca de todos los puntos y para calcular estimadores, se usa mtodo de mnimos cuadrados, se resumen los clculos en la hoja de Excel: X Tiempo (min) 10 15 20 8 12 13 15 12 14 20 19 18 176 y Rendimiento (%) 64 81.7 76.2 68.5 66.6 77.9 82.2 74.2 70 76 83.2 85.3 905.8 100 4096 225 6674.89 400 5806.44 64 4692.25 144 4435.56 169 6068.41 225 6756.84 144 5505.64 196 4900 400 5776 361 6922.24 324 7276.09 2752 68910.36 640 1225.5 1524 548 799.2 1012.7 1233 890.4 980 1520 1580.8 1535.4 13489 69.93 75.88 81.83 67.55 72.31 73.5 75.88 72.31 74.69 81.83 80.64 79.45 -5.93 5.82 -5.63 0.95 -5.71 4.4 6.32 1.89 -4.69 -5.83 2.56 5.85 35.1649 33.8724 31.6969 0.9025 32.6041 19.36 39.9424 3.5721 21.9961 33.9889 6.5536 34.2225 293.8764 X2 Y2 Xy Y estimado e E2

Suma

Para ajustar la recta, se calcula:

) [ [

)
( )( )

] = 13489 [(176) (905.8) /12] = 203.93

] = 2752 [(176)2/12] = 170.66 ] = 68910.36 [(905.8)2/12] = 537.55

Para encontrar los estimadores:

= 203.93 / 170.66 = 1.19492187 = 75.48333333 - 1.19492187 (14.66666667) = 57.9578125

Por lo tanto, la lnea recta ajustada est dada por:

Con esta ecuacin podemos graficar la recta de regresin lineal:

Por lo que se observa, se concluye que los errores estn distribuidos aleatoriamente, la prueba de hiptesis de inters plantea que la pendiente es significativamente diferente de 0.
Hiptesis a Establecer Anlisis de Regresin Para 1 H0 1 = 0 HA 1 0 t0 1 / Para 0 H0 0= 0 HA 0 0 t0 0 CME [

En ambos casos H0 se rechaza si | |> t ( / 2 , n -2 ) Hiptesis a Establecer Anlisis de Varianza H0 1 = 0 HA 1 0

F0= CMR / CME |

H0 se rechaza si |> F( , n -2 )

Estadsticos obtenidos, Minitab: Con 5% de significancia para el anlisis de regresin, es obvio que para los dos estimadores el estadsticos son mayores (9.22; 2.88) que el del criterio de rechazo (2.2281) Para el anlisis de Varianza es lo mismo 8.29 > 4.965 Por lo tanto se rechazan las hiptesis nulas establecidas y se aceptan las alternativas, las cuales indican que el modelo es significativo

d) La calidad del ajuste es satisfactoria? Argumente Determinemos si el modelo permite hacer estimaciones con una precisin aceptable: Coeficiente de determinacin R2 = SCR / Syy = 243.68 / 537.55 = 0.4533 El 45 % de la variacin observada en el rendimiento es explicada por el modelo, la calidad de ajuste no es satisfactorio, veamos su ajuste Coeficiente de determinacin ajustado R2 aj = CMtotal - CME / CMtotal =48.8681 29.38 / 48.8681 = 0.3987 Para fines de prediccin se recomienda un coeficiente de determinacin ajustado de 0.7 este es otro indicador de que nuestro modelo no hace estimaciones con precisin. Coeficiente de Correlacin r = Sxy / SxxSyy = 203.93 / (170.66) (537.55) = 0.6732 Observemos las grficas 4 en uno del modelo de regresin:

Se observa que en la grfica de probabilidad normal la mayor parte de los puntos tienden a ajustarse a la lnea recta pero en la de residuo contra valor ajustado hay cierto patrn, el modelo registra falla.

Se concluye que aunque el modelo es significativo, la intensidad de la relacin lineal entre las variables no es muy fuerte

e) Destaque el valor de la pendiente de la recta e interprtelo en trminos prcticos El valor de la pendiente de la recta es: 1.1949, en trminos prcticos, tan solo es la cantidad que se incrementa o disminuye la variable Y para cada unidad que se incrementa X.

f) Estime el rendimiento promedio que se espera a un tiempo de extraccin de 25 minutos y obtenga un intervalo de confianza para esta estimacin. El intervalo de confianza est dado por:

Y 0 - t(

/ 2 , n -2 )

] <= (

)<= Y0 +t( / 2 , n -2 )

Con X0 = 25 ; Y0 = 57.95781 + 1.19492 (25) = 87.83 87.83 2.2281

[
( )

87.83 2.2281 0 87.83 10.174

Por lo tanto el intervalo de confianza es:

77.65 <= (

)<= 98.004

22.-se realiz un experimento para estudiar el sabor del queso panela en funcin de la cantidad del cuajo y la sal. La variable de respuesta observada es el sabor promedio reportado por un grupo de 5 panelistas que probaron todos los quesos y los calificaron con una escala hednica. Los datos obtenidos se muestran a continuacin:
Sal 6 5.5 4.5 4 4.5 5.5 5 5 a) ajuste el modelo Cuajo 0.3 0.387 0.387 0.3 0.213 0.213 0.3 0.3 sabor 5.67 7.44 7.33 6.33 7.11 7.22 6.33 6.66

La ecuacin de regresin es Y= 7.30 - 0.183 x1 + 1.26 x2

b) el modelo explica la variacin observada en el sabor? Argumente con base en la significancia del modelo, los residuales y el coeficiente de determinacin Para hablar de un modelo que tiene un ajuste satisfactorio es necesario que ambos coeficientes tengan valores superiores a 0.7, y en este caso muestro coeficiente de determinacin presento un valor muy bajo del 0.05 (5%) y un coeficiente de determinacin ajustado con valor negativo interpretando esto como un 0%. Esto se debe a que en nuestro modelo hay trminos que no contribuyen de manera significativa por lo tanto debemos depurar el modelo. Anlisis de residuos.- en la grfica de probabilidad normal los puntos no se ajustan a la recta y presentan un cierto nivel de simetra en el comportamiento de los mismos por lo tanto podemos decir que el modelo no es aceptable. En la grfica de residuos vs predichos si el modelo es adecuado se espera que en esta grafica los puntos no sigan ningn patrn y que, por lo tanto, estn distribuidos ms o menos aleatoriamente a lo largo y ancho de la grfica. Cuando esto ocurre significa que el modelo se ajusta de cualquier manera a lo largo de los modelos de Y. En el caso de nuestra grafica se observa que los puntos estn distribuidos a lo largo del eje de las X de forma constante. Y por ltimo en la grfica de residuos vs observamos que el comportamiento de los residuos maneja un patrn, lo cual quiere decir que nuestro modelo no es adecuado.

c) Ajuste un modelo que incluya trminos cuadrticos y analice con detalle la calidad del ajuste.

Y = 5.4 + 4.77 x1 - 70.4 x2 + 0.00 x1x2 - 0.495 x12 + 119 x22 Podemos prescindir del cuarto trmino de la ecuacin, ya que su coeficiente es cero, quedando la ecuacin de la siguiente manera: Y = 5.4 + 4.77 x1 - 70.4 x2 - 0.495 x12 + 119 x22 Se analiza la calidad del ajuste en la siguiente cuestin.

d) Compare el error estndar de estimacin ( ( ) para ambos modelos

) y los coeficientes de determinacin

En nuestro primer modelo al calcular los coeficientes de determinacin y el ajustado del mismo, nos pudimos dar cuenta de que el modelo no era adecuado para explicar la relacin de variables debido a que el valor era demasiado bajo y por lo tanto no era un modelo confiable. Al obtener nuestra ecuacin con trminos cuadrticos, nos dimos cuenta que este modelo si es significativo debido a los valores que nos arroj el coeficiente de determinacin y su ajustado, al ver una amplia mejora en los resultados.

Primer modelo R2=0.054 = 5% R2aj= -0.32 = 0%

Error estndar de estimacin

Segundo modelo R2=0.923 = 93.2% R2aj= 0.761 = 76.1%

Primer modelo
= 0.7127

Segundo modelo
= 0.3029

Es claro que la diferencia entre un modelo y otro es evidente. e) Cul modelo prefiere para explicar el sabor? El segundo modelo con trminos cuadrticos.