Está en la página 1de 43

Motor 1

0.64 0.31 1.71 1.67 1.74 7.96 0.95


4.26 0.75 1.18 0.64 0.18 2.39 4.01

Motor 2
2.48 1.35 0.65 2.6 1.5 0.08 1.17
1.64 2.16 0.93 2.67 1.28 0.58 1.11
0.98 0.5 1.17 1.43 0.53 1.48 3
1.74 1.97 1.6 1.45 0.67 1.23 1.06
1.8 1.27 1.97 0.89 0.43 0.34 2.01
0.35 0.61 1.88 2.07 0.66 1.45 1.16
1.19 1.61 0.73 0.99 0.73 1.38 1.77
1.7 2.36 2.47 0.36 1.65 3.01 2.07

a) Pruebe si la desviacin estndar del tiempo hasta falla del motor 1 puede declararse menor a 3 aos. Use =

Se har la prueba con la varianza; que es el cuadrado de la desviacin.

Ho:
Ha:

X = (16-1)*2,02/9
X = 3.36666667
Valor crtico
X(15,0,01) = 30,578

No se puede rechazar Ho.

n= 16
s = 2.02621486
o = 3*3=9

b) Determine si es vlido afirmar que ms del 80 % de los motores tipo 2 presentan un tiempo hasta falla supe
Resuelva esta prueba usando valor-P.
Ho: P
Ha: P

Z= (pp-po)/(po*(1-po)/n)
Z= (pp-po)/(po*(1-po)/n)

pp = 0.25 = 4/16
po = 0.8
1-po = 0.2
n= 16

c) Para el tiempo hasta falla del motor 2, determine si es vlido modelar la poblacin utilizando una distribuci

Son dos pruebas X; una ppara la distribucin uniforme y otra para la distribucin normal.

Para distribucin normal

xp = 1.467375
s= 0.69097206
n= 80

% Z Tiempo Frec. Obs Frec. Esper (Obs-Esp)2


0.1 -1.2815516 0.58185867 9 8 1
0.2 -0.8416212 0.88583824 8 8 0
0.3 -0.5244005 1.1050289 8 8 0
0.4 -0.2533471 1.29231923 8 8 0
0.5 0 1.467375 8 8 0
0.6 0.2533471 1.64243077 7 8 1
0.7 0.52440051 1.8297211 6 8 4
0.8 0.84162123 2.04891176 9 8 1
0.9 1.28155157 2.35289133 8 8 0
0.999999 4.75342431 4.75185839 9 8 1
80 80 8
Estadstico de prueba
X = 8/80
X = 0.1
Valor crtico en tabla Chi cuadrada
X =
Entre 110 y 116; en tabla

Regla de rechazo

Dado que el X de la prueba es menor que el X de la tabla no se puede rechazar la hiptesis nula; se acepta que l
0.96
0.41

2.14 0.73 0.14


2.23 1.91 0.98
1.91 1.63 2.3
2.09 0.86 1.33
1.13 1.49 2.7
1.6 2.21 1.99
1.13 2.47 1.06
2.12 1.45 1.87

se menor a 3 aos. Use =0,01.

9
> 9

16-1)*2,02/9

un tiempo hasta falla superior a 2,0.


0.8
< 0.8

pp-po)/(po*(1-po)/n)
pp-po)/(po*(1-po)/n)

utilizando una distribucin continua uniforme, y una distribucin normal.


tesis nula; se acepta que la distribucin normal es buen ajuste de los datos.
1 0.08
2 0.14
3 0.34
4 0.35
5 0.36
6 0.43
7 0.5
8 0.53
9 0.58
10 0.61
11 0.65
12 0.66
13 0.67
14 0.73
15 0.73
16 0.73
17 0.86
18 0.89
19 0.93
20 0.98
21 0.98
22 0.99
23 1.06
24 1.06
25 1.11
26 1.13
27 1.13
28 1.16
29 1.17
30 1.17
31 1.19
32 1.23
33 1.27
34 1.28
35 1.33
36 1.35
37 1.38
38 1.43
39 1.45
40 1.45
41 1.45
42 1.48
43 1.49
44 1.5
45 1.6
46 1.6
47 1.61
48 1.63
49 1.64
50 1.65
51 1.7
52 1.74
53 1.77
54 1.8
55 1.87
56 1.88
57 1.91
58 1.91
59 1.97
60 1.97
61 1.99
62 2.01
63 2.07
64 2.07
65 2.09
66 2.12
67 2.14
68 2.16
69 2.21
70 2.23
71 2.3
72 2.36
73 2.47
74 2.47
75 2.48
76 2.6
77 2.67
78 2.7
79 3
80 3.01
1. Tome las muestras de tiempo que tarda en desayunar y en almorzar que recogi para la primera tarea. Supo

Dia Desayuno Almuerzo


1 480 1080
2 450 1092
3 462 1110
4 552 1104
5 570 1134
6 492 1152
7 504 1158
8 528 1170
9 546 1200
10 474 1212
11 492 1188
12 522 1254
13 1008
14 1116
15 1158

a) Se puede declarar diferente el tiempo promedio que demora en terminar el desayuno y el que demora en el a
*Con = 0,01
Prueba t para dos muestras suponiendo varianzas desiguales

Desayuno Almuerzo
Media 506 1142.4
Varianza 1429.09091 3701.82857
Observaciones 12 15
Diferencia hipottica de las medias 0
Grados de libertad 24
Estadstico t -33.270639
P(T<=t) una cola 6.7898E-22
Valor crtico de t (una cola) 2.49215947
P(T<=t) dos colas 1.358E-21
Valor crtico de t (dos colas) 2.7969395

Ya que el valor t de la prueba es inferior a - 1,71 que sera el valor crtico de referencia se tiene que los promedios

b) Con un 99 % de confianza, bajo qu valor se encuentra la diferencia entre el tiempo promedio que tarda en
Donde

xp1= 506
xp2= 1142.4
t= 2.79
s = 1429.09091
s = 3701.82857
n1 = 12
n2 = 15

Lm. Sup= -583.03295


Lm. Inf = -689.76705
Con un 99% de confianza; la diferencia estar entre 689 y 583

c) Es correcto afirmar que la desviacin estndar del tiempo que tarda en desayunar es menor a la del tiempo

Desayuno Almuerzo
Varianza 1429.09091 3701.82857

El estadstico de la prueba es:

F= 1429,09090909091/3701,82857142857
F= 0.38605

El valor crtico para F tiene 11 grados de libertad en el n

Con = 0,05

El valor estar entre 2,6 y 2,46. (ver tabla)

Dado que el valor F de la prueba es inferior al valor F cr


d) Halle un intervalo bilateral que compare las varianzas del tiempo que requiere para desayunar con la corresp

Donde:

s = 1429.09091
s = 3701.82857
v1 = 11
v2 = 14
f(1-/2,v1,v2) = 2.1 *se dej un solo decimal para no interpolar
f(1-/2,v2,v1) = 2.2

Lm. Sup = 0.84930999


Lm. Inf = 0.18383333
para la primera tarea. Suponiendo que dichas muestras son aleatorias y que provienen de poblaciones normales, resuelva lo siguiente:

uno y el que demora en el almuerzo? Resuelva usando valor-P.

se tiene que los promedios son estadsticamente distintos.

mpo promedio que tarda en desayunar y el tiempo promedio requerido para almorzar?
ar es menor a la del tiempo que demora en almorzar?

9091/3701,82857142857

11 grados de libertad en el numerador y 14 en el denominador

46. (ver tabla)

ueba es inferior al valor F crtico. No se rechaza la hiptesis nula


ara desayunar con la correspondiente al tiempo hasta almorzar.
ormales, resuelva lo siguiente:
1. La siguiente tabla presenta la presin de vapor del agua a diferentes temperaturas:

Observacin 1 2 3 4 5 6
Temperatura 273 283 293 303 313 323
Presin de v 4.6 9.2 17.5 31.8 55.3 92.5

Observacin Temperatura Presin de vapor (mmHg)


1 273 4.6
2 283 9.2
3 293 17.5
4 303 31.8
5 313 55.3
6 323 92.5
7 333 149.4
8 343 233.7
9 353 355.1
10 363 525.8
11 373 760

a) Presente los datos en un diagrama de dispersin. Qu tipo de relacin parece apropiada para relacionar la

Presin de vapor (mmHg)


800
700
600
500 f(x) = 6.6855454545x - 1956.2584545455
R = 0.7980684117
Presin

400
300
200
100
0
260 280 300 320 340 360 380
Temperatura

Por la tendencia, parece que un modelo de regresin exponencial es ms adecuado que una regresin lineal.

a) Ajuste el modelo Temperatura (K) Curva de regresi


1000

800
a estos datos.
sin de vapor (mmHg)

600
f(x) = 6.6855454545x - 1956.2584545455
400 R = 1

200
1000

800

Presin de vapor (mmHg)


600
Resumen
f(x) = 6.6855454545x - 1956.2584545455
400 R = 1
Estadsticas de la regresin
Coeficiente d 0.89334675 200
Coeficiente 0.79806841
0
R^2 ajustado 0.77563157 260 280 300 320 340 360 380
Error tpico 117.569319 -200
Observacione 11
Temperatura (K)

ANLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crtico de F
Regresin 1 491661.698 491661.698 35.5695499 0.00021165
Residuos 9 124402.904 13822.5448
Total 10 616064.602

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%


Intercepcin -1956.2585 363.807495 -5.3771802 0.00044614 -2779.2482 -1133.2687
Temperatura 6.68554545 1.12097948 5.96402129 0.00021165 4.1497137 9.22137721

Anlisis de los residuales

Observacin
Pronstico Presin de vaporResiduos
(mmHg)Residuos estndares
1 -131.10455 135.704545 1.21668775
2 -64.249091 73.4490909 0.65852333
3 2.60636364 14.8936364 0.13353204
4 69.4618182 -37.661818 -0.337665
5 136.317273 -81.017273 -0.7263775
6 203.172727 -110.67273 -0.9922597
7 270.028182 -120.62818 -1.0815174
8 336.883636 -103.18364 -0.9251147
9 403.739091 -48.639091 -0.436084
10 470.594545 55.2054545 0.49495616
11 537.45 222.55 1.99531901

Modelo de regresin

Presin = 6,69*temperatura-1956,26

c) Pruebe la significancia de la regresin.

Coeficiente d 0.89334675
Coeficiente 0.79806841
Con estos coeficientes se considera que la regresin refleja la dependencia de las variables y se considera estadsti

d) Halle un intervalo de confianza del 95 % sobre el valor de la pendiente del modelo.

Inferior 95,0% Superior 95,0%


Intercepcin -2779.2482 -1133.2687
Temperatura (K) 4.1497137 9.22137721

e) Determine segn el modelo entre qu valores se tiene un 99 % de confianza que se encontrar la presin de va

Modelo de regresin

Presin = 6,69*temperatura-1956,26
Presin = 6,69*360-1956,26
Presin = 452.14

El margen de error considerando una distribucin t

Mgen error= 237.179086

El intervalo queda definido por el pronstico puntual de la regresin margen de error

L. inferior = 214.960914
L. superior = 689.319086

f) Haga el anlisis de residuales. Qu puede concluir respecto a la adecuacin del modelo?

Anlisis de los residuales

Observacin
Pronstico Presin de vaporResiduos
(mmHg)Residuos estndares
1 -131.10455 135.704545 1.21668775
2 -64.249091 73.4490909 0.65852333 Temperatura (K) Grfico d
3 2.60636364 14.8936364 0.13353204 300
4 69.4618182 -37.661818 -0.337665 200
5 136.317273 -81.017273 -0.7263775
Residuos

100
6 203.172727 -110.67273 -0.9922597 0
7 270.028182 -120.62818 -1.0815174 -100260 280 300 320
8 336.883636 -103.18364 -0.9251147 -200
9 403.739091 -48.639091 -0.436084 Temperatura
10 470.594545 55.2054545 0.49495616
11 537.45 222.55 1.99531901

Los residuos muestran una disminucin progresiva para luego empezar a crecer nuevamente; esto se debe a que
g) La ecuacin de Clausius-Clapeyron establece que el logaritmo natural de la presin de vapor es proporcional al

Observacin Temperatura Presin de vapor (mmHg)


1 273 4.6 Presin de vapor (mmH
2 283 9.2 800
f(x) = 6.04523170023299E-06 exp( 0.05066615
3 293 17.5 700 R = 0.9902777104
4 303 31.8
600
5 313 55.3
6 323 92.5 500
7 333 149.4 400
8 343 233.7
300
9 353 355.1
10 363 525.8 200
11 373 760 100

0
260 280 300 320 34

La ecuacin de Clausius tiene parmetros de exponencial; ajustando el modelo, tenemos la siguiente ecuacin:

y = 6*10^-6*e^(0,0507*x)

h) Pruebe la significancia de la regresin.

El coeficiente de determinacin es muy bueno estadsticamente hablando.


R = 0,9903

i) Halle un intervalo de confianza del 95 % sobre el valor de la pendiente del modelo.

j) Determine segn el modelo entre qu valores se tiene un 99 % de confianza que se encontrar la presin de

El estimador puntual del modelo es:

y = 6*10^-6*e^(0,0507*x)
y = 6*10^-6*e^(0,0507*360)
y= 506.867137

Sobre este modelo calculamos el margen de error con 99% de confianza.

237.179086

El intervalo de confianza ser el pronstico Margen de error


Lm. Sup = 744.046223
Lm. Inf. = 269.688051

k) Haga el anlisis de residuales.


Observacin Temperatura Presin de v Pronstico Residuo
1 273 4.6 6.15551798 -1.555518
2 283 9.2 10.2200238 -1.0200238
3 293 17.5 16.9683342 0.53166583
4 303 31.8 28.1725729 3.62742713
5 313 55.3 46.7750018 8.52499817
6 323 92.5 77.6606669 14.8393331
7 333 149.4 128.940223 20.4597768
8 343 233.7 214.079815 19.6201853
9 353 355.1 355.437317 -0.3373174
10 363 525.8 590.133576 -64.333576
11 373 760 979.800433 -219.80043

l) Cul de los dos modelos es mejor?

Es mejor el modelo de regresin exponencial ya que tiene un mejor coeficiente de determinacin para la regresi
7 8 9 10 11
333 343 353 363 373
149.4 233.7 355.1 525.8 760

ece apropiada para relacionar la presin de vapor con la temperatura?

ado que una regresin lineal.

(K) Curva de regresin ajustada

Presin de vapor (mmHg)


Pronstico Presin de vapor
45x - 1956.2584545455 (mmHg)
Linear (Pronstico Presin de
vapor (mmHg))
Presin de vapor (mmHg)
Pronstico Presin de vapor
45x - 1956.2584545455 (mmHg)
Linear (Pronstico Presin de
vapor (mmHg))

320 340 360 380

atura (K)

Inferior 95,0%
Superior 95,0%
-2779.2482 -1133.2687
4.1497137 9.22137721
s variables y se considera estadsticamente significativa

ue se encontrar la presin de vapor del agua si la temperatura es de 360 K

n del modelo?

eratura (K) Grfico de los residuales

0 280 300 320 340 360 380

Temperatura (K)

nuevamente; esto se debe a que la tendencia del modelo es ms exponencial que lineal.
esin de vapor es proporcional al negativo del inverso de la temperatura. Ajuste el modelo de regresin

Presin de vapor (mmHg)


6.04523170023299E-06 exp( 0.0506661585 x )
9902777104

300 320 340 360 380

tenemos la siguiente ecuacin:

a que se encontrar la presin de vapor del agua si la temperatura es de 360 K.


de determinacin para la regresin
Y X1 X2 X3
Consumo Temperatura Cantidad de
mensual de mensual promedio producto [millones Nmero de das operativos de
agua la planta en el mes
[F] de libras]
[galones]
Consumo Temperatura Cant. Producto #das
3067 58.8 7107 21
2828 65.2 6373 22
2891 70.9 6796 22
2994 77.4 9208 20
3082 79.3 14792 25
3898 81 14564 23
3502 71.9 11964 20
3060 63.9 13526 23
3211 54.5 12656 20
3286 39.5 14119 20
3542 44.5 16691 22
3125 43.6 14571 19
3022 56 13619 22
2922 64.7 14575 22
3950 73 14556 21
4488 78.9 18573 21

a) Entre los posibles regresores mostrados en la tabla, cules creen que tendrn mayor influencia sobre el con

El regresor que muestre mejor correlacin ser el que tenga mayor influencia en la variable dependiente consumo

Consumo Temperatura Cant. Producto


Consumo 1
Temperatura 0.2988911963 1
Cant. Produc 0.644589757 -0.0841155965 1
#das -0.0887453499 0.4304562163 0.0893728022
#personas 0.4240477872 -0.1503654941 0.914983755

Los regresores que muestran mejor correlacin con la variable consumo son la de cantidad de producto y la de n
An as; sus efectos de dependencia lineal sobre la variable consumo no son estadsticamente significativos.

b) Creen la matriz de diagramas de dispersin, o hagan un diagrama de dispersin del consumo mensual de
sugieren estos grficos respecto al modelado del consumo de agua
Temperatura Consumo
58.8 3067
65.2 2828 Consumo
70.9 2891 5000
77.4 2994 4500
79.3 3082 4000
81 3898 3500
3000 f(x) = 10.2863386022x + 2646.5029360
R = 0.0893359472
Consumo

2500
2000
1500
1000
5000
4500
4000
3500
3000 f(x) = 10.2863386022x + 2646.5029360
71.9 3502 R = 0.0893359472

Consumo
2500
63.9 3060 2000
54.5 3211 1500
39.5 3286 1000
44.5 3542 500
43.6 3125 0
35 40 45 50 55 60
56 3022
Temperatura
64.7 2922
73 3950
78.9 4488

Cant. Producto Consumo


7107 3067
6373 2828 Consumo
6796 2891 5000
9208 2994 4500
14792 3082 4000
3500 f(x) = 0.0833005886x + 2243.7814
14564 3898 R = 0.4154959548
3000
11964 3502

Consumo
2500
13526 3060 2000
12656 3211 1500
14119 3286 1000
16691 3542 500
0
14571 3125 4000 6000 8000 10000 12000 1
13619 3022
Cantidad
14575 2922
14556 3950
18573 4488

#das Consumo
21 3067
22 2828 Consumo
22 2891 5000
20 2994 4500
25 3082 4000
23 3898 3500
3000 f(x) = - 27.2191528545x + 3887.76
20 3502
Consumo

R = 0.0078757371
2500
23 3060 2000
20 3211 1500
20 3286 1000
22 3542 500
0
19 3125
18 19 20 21 22
22 3022
nmero de das
22 2922
21 3950
21 4488

#personas Consumo
129 3067
141 2828 Consumo
153 2891 5000
166 2994 4500
193 3082 4000
3500
189 3898 f(x) = 8.8141012087x + 1711.6520878
3000 R = 0.1798165258
175 3502

Consumo
2500
186 3060 2000
190 3211 1500
187 3286 1000
195 3542 500
0
206 3125 120 130 140 150 160 170
198 3022
Nmero de person
192 2922
191 3950
200 4488

Se llega a la misma conclusin del punto anterior; los mejores regresores son cantidad de producto y

c) Propongan y ajusten tres modelos de regresin lineal simple que ustedes consideren que pueden funcionar
agua; al menos uno de los modelos debe utilizar una forma funcional no lineal. Prueben la significancia de cad
residuales de cada uno de los tres modelos ajustados. Cul de los modelos simples propuesto

En el punto anterior ya se ajustaron los modelos de regresin lineal simple para cada regresor.
Los mejores modelos se tienen con los regresores de cantidad de producto y nmero de personas

d) Ajusten un modelo de regresin lineal mltiple con seis regresores. Prueben la significancia de la regresin y

Resumen

Estadsticas de la regresin
Coeficiente d 0.898324417
Coeficiente 0.8069867581
R^2 ajustado 0.7368001247
Error tpico 236.6824912703
Observacione 16

ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados
Regresin 4 2576346.38158711 644086.595396777
Residuos 11 616204.618412894 56018.6016738994
Total 15 3192551

Coeficientes Error tpico Estadstico t


Intercepcin 6091.7655946848 1262.1598353465 4.826461296
Temperatura 16.1636177935 5.1355319121 3.147408695
Cant. Produc 0.2100165025 0.0433108517 4.8490503937
#das -130.0341795141 45.7070867417 -2.8449456919
#personas -20.5167017275 6.9786369299 -2.9399296644

Anlisis de los residuales

Observacin Pronstico Consumo Residuos Residuos estndares


1 3157.4013113501 -90.4013113501 -0.4460236479
2 2730.4617521707 97.5382478293 0.481235996
3 2665.230933408 225.769066592 1.1139035614
4 3270.2054895943 -276.2054895943 -1.3627477102
5 3269.5266689819 -187.5266689819 -0.9252225187
6 3591.256222606 306.743777394 1.5134180747
7 3575.4607569902 -73.4607569902 -0.3624420301
8 3158.4113339555 -98.4113339555 -0.4855436444
9 3131.7947011795 79.2052988205 0.390784556
10 3258.1446825735 27.8553174265 0.137433076
11 3454.9232430461 87.0767569539 0.4296209005
12 3159.5598213342 -34.5598213342 -0.1705118803
13 2934.0840469001 87.9159530999 0.4337613418
14 3398.5835084305 -476.5835084305 -2.3513764545
15 3679.3021038113 270.6978961887 1.3355742449
16 4433.6534236682 54.3465763318 0.268136135

El modelo de regresin con todos los regresores combinados muestra mejor correlacin que los modelos de regre

e) Con base en la informacin obtenida de las pruebas de significancia y del anlisis de residuales, propongan d

Los mejores modelos analizados recopilando la informacin anterior son:

Modelo con lineal con todos los regresores


Coeficiente d 0.898324417
Coeficiente 0.8069867581

Modelo de regresin lineal con cantidad de producto vs. Consumo.


Coeficiente d 0.644589757
Coeficiente 0.4154959548
Anlisis de los residuales para la regresin cantidad de producto vs. Consumo
Observacin Pronstico Consumo Residuos Residuos estndares
1 2835.7987273498 231.2012726502 0.6555007115
2 2774.6560953063 53.3439046937 0.1512403763
3 2809.8922442905 81.1077557095 0.2299563102
4 3010.81326403 -16.81326403 -0.0476688835
5 3475.9637508563 -393.9637508563 -1.1169640896
6 3456.9712166521 441.0287833479 1.2504026383
7 3240.389686253 261.610313747 0.7417162754
8 3370.5052056697 -310.5052056697 -0.8803428326
9 3298.0336935746 -87.0336935746 -0.2467575001
10 3419.9024547184 -133.9024547184 -0.3796395813
11 3634.1515686363 -92.1515686363 -0.2612676743
12 3457.5543207724 -332.5543207724 -0.9428563753
13 3378.2521604109 -356.2521604109 -1.0100443737
14 3457.8875231269 -535.8875231269 -1.5193456709
15 3456.3048119432 493.6951880568 1.39972217
16 3790.9232764098 697.0767235902 1.9763484996

Modelo de regresin lineal con cantidad de personas vs. Consumo.


Coeficiente 0.1798165258
R^2 ajustado 0.121231992
Anlisis de los residuales para regresin lineal cant. Personas vs. Consumo

Observacin Pronstico Consumo Residuos Residuos estndares


1 2848.6711437779 218.3288562221 0.5225554
2 2954.4403582817 -126.4403582817 -0.3026264743
3 3060.2095727855 -169.2095727855 -0.4049917062
4 3174.7928884979 -180.7928884979 -0.4327155915
5 3412.7736211315 -330.7736211315 -0.791684365
6 3377.5172162969 520.4827837031 1.2457404575
7 3254.1197993758 247.8802006242 0.5932845508
8 3351.074912671 -291.074912671 -0.6966681824
9 3386.3313175056 -175.3313175056 -0.4196436895
10 3359.8890138796 -73.8890138796 -0.1768483739
11 3430.4018235488 111.5981764512 0.2671027126
12 3527.356936844 -402.356936844 -0.9630142058
13 3456.8441271748 -434.8441271748 -1.040770106
14 3403.9595199229 -481.9595199229 -1.1535376225
15 3395.1454187142 554.8545812858 1.3280070381
16 3474.4723295921 1013.5276704079 2.4258101582

f) Suponga que la temperatura promedio en un mes fue de 80 F, que la planta fabric 16000 millones de libr
producto, y que la planta oper 25 das en el mes con una nmina de 185 personas. Cul es el consumo de a
mensual esperado segn cada uno de los seis modelos?
f) Suponga que la temperatura promedio en un mes fue de 80 F, que la planta fabric 16000 millones de libr
producto, y que la planta oper 25 das en el mes con una nmina de 185 personas. Cul es el consumo de a
mensual esperado segn cada uno de los seis modelos?

Modelo de regresin con seis factores

Consumo = 6091,77+16,16*Temperatura+0,21*Cant. Producto+-130,03*#das+-20,52*#personas

T= 80
cant prod= 16000
# das = 25
# personas= 185

Consumo = 3697.62

En los modelos lineales; solo tenemos un factor

temperatura vs. Consumo

y = 10,286x + 2646,5
T= 80
Consumo = 3469.38

cantidad de producto vs. Consump

y = 0,0833x + 2243,8
cant prod= 16000
Consumo = 3576.6

Nmero de das vs. Consumo

y = -27,219x + 3887,8
# das = 25
Consumo = 3207.325

Numero de personas vs. Consumo

y = 8,8141x + 1711,7
# personas= 185
Consumo = 3342.3085

g) Cul de los seis modelos de regresin que crearon es mejor? Por qu?

El mejor modelo de regresin es el que contempla todos los regresores porque tiene el mejor coeficiente de dete
X4
Nmero de personas en la
nmina de la planta en el mes
#personas
129
141
153
166 #perso
193
1500
189 1000
175

Residuos
500
186 0
190 -500120 130
187 -1000
195
206 Cant. Pro
198
1000
192
500
191

Residuos
200 0
4000 60
-500
e tendrn mayor influencia sobre el consumo mensual de agua de la planta? Por qu? -1000

cia en la variable dependiente consumo

#das #personas

1
0.0123557638 1

n la de cantidad de producto y la de nmero de personas.


on estadsticamente significativos.

de dispersin del consumo mensual de agua contra cada posible regresor. Qu les
ecto al modelado del consumo de agua?

Consumo

f(x) = 10.2863386022x + 2646.5029360065


R = 0.0893359472
f(x) = 10.2863386022x + 2646.5029360065
R = 0.0893359472

40 45 50 55 60 65 70 75 80 85
Temperatura

Consumo

f(x) = 0.0833005886x + 2243.7814440627


R = 0.4154959548

00 6000 8000 10000 12000 14000 16000 18000 20000


Cantidad

Consumo

f(x) = - 27.2191528545x + 3887.7605893186


R = 0.0078757371

8 19 20 21 22 23 24 25 26
nmero de das
Consumo

f(x) = 8.8141012087x + 1711.6520878619


R = 0.1798165258

20 130 140 150 160 170 180 190 200 210 220
Nmero de personas

regresores son cantidad de producto y nmero de personas

des consideren que pueden funcionar bien para modelar el consumo de


o lineal. Prueben la significancia de cada modelo. Hagan el anlisis de
Cul de los modelos simples propuestos es el mejor?

para cada regresor.


y nmero de personas

rueben la significancia de la regresin y la significancia de cada regresor, y analicen los residuales.

Tempera
400
200
Residuos

0
-200 35 40
-400
-600

F Valor crtico de F
11.4977271148 0.000640033
Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Superior 95,0%
0.000530362 3313.7705274235 8869.76066 3313.77053 8869.76066
0.0092849678 4.8603882658 27.4668473 4.86038827 27.4668473
0.0005115376 0.1146899606 0.30534304 0.11468996 0.30534304
0.0159402116 -230.6347991437 -29.43356 -230.6348 -29.43356
0.0134494382 -35.8765780479 -5.1568254 -35.876578 -5.1568254

or correlacin que los modelos de regresin lineal simple

del anlisis de residuales, propongan dos modelos de regresin que esperan que funcionen mejor que el anterior que crearon (deben justi
la planta fabric 16000 millones de libras de
85 personas. Cul es el consumo de agua
eis modelos?
#das+-20,52*#personas

rque tiene el mejor coeficiente de determinacin.


#personas Grfico de los residuales
1500
1000 #personas Curva de regresin ajustada
Residuos

500 5000
0 4000
1303000
Consumo

-500120 140 150 160 170 180 190 200 210 Consumo 220
2000 Pronstico Consumo
-1000
1000
0 #personas
Cant. Producto Grfico de los residuales
120 130 140 150 160 170 180 190 200 210 220
1000 #personas
500
Cant. Producto Curva de regresin ajustada
Residuos

5000
0 4000
3000
4000 6000
2000 8000 10000 12000 14000 16000 18000 20000
-500
Consumo

1000 Consumo
-1000 0 Pronstico Consumo
0 0 0 0 0 0 0
0Cant.0Producto
0 0 0 0 0 0 0 0 0
40 60 8 0 10 0 12 0 14 0 1 6 0 1 8 0 2 0 0

Cant. Producto
Temperatura Grfico de los residuales
400
200 Cant. Producto Grfico de los residuales
Residuos

0 400
-200 35 40 20045 50 55 #das
60 Grfico
65 70 de los
75 80 residuales
85
Residuos

-400 0 400
-600 -2004000 6000 #personas Grfico de los residuales
200 8000 10000 12000 14000 16000 18000 20000
Residuos

-400 Temperatura
0 400
-600 -200 18 19200 20 21 22Temperatura Curva de25regresin
23 24 26 ajustada
Residuos

-400 Cant.
0 Producto
5000
-600 -200120 1304000 Cant. Producto Curva de regresin ajusta
140 150 160 170 180 190 200 210 220
3000
Consumo

-400 #das 5000 Consumo


-600
2000
1000
4000
3000 #das Curva de regresin aju
Pronstico Consumo
2000
nsumo

0 1000#personas 5000 Consumo


0 55 604000
35 40 45 50 65 70 75 80 85 Pronstico Co
0 400
Temperatura Curva de regresin ajustada

Residu
-200 18 19200 20 21 22 23 24 25 26

Residuos
-400 0 5000
-600 -200120 1304000 Cant. Producto Curva de regresin ajusta
140 150 160 170 180 190 200 210 220
3000

Consumo
-400 #das 5000 Consumo
-600
2000
1000
4000
3000 #das Curva de regresin aju
Pronstico Consumo
2000

Consumo
0 1000#personas 5000 Consumo
0
35 40 45 50 55 604000 65 70 75 80 85 #personas Curva de rePronstico Co
00 00 3000 0 0 0 00 00 00 00

Consumo
Temperatura
40 60 82000 00 000 200 5000 0 0 0 0
1 1 14 1 6 1 8 2 0
1000 4000
3000

Consumo
Cant.
0 Producto
2000
18 19 20 21 22 23 24 25 26
1000
0 #das
120 130 140 150 160 170 180 190 2
#personas

que crearon (deben justificar por qu los proponen). Para cada modelo, hagan los anlisis de rigor (probar significancia del modelo y de ca
ales
esin ajustada
a de
00 210regresin
220 ajustada
Consumo
urva de regresin ajustada
Pronstico Consumo
Consumo
85 Pronstico Consumo
esin ajustada
a de
00 210regresin
220 ajustada
Consumo
urva de regresin
Pronstico Consumo ajustada
Consumo
personas
85 Curva de regresin ajustada
Pronstico Consumo
00 000 000 000
000 Consumo
16 18 20 Pronstico Consumo
00
o00 Consumo
00 Pronstico Consumo
20 21 22 23 24 25 26
00
0 #das
120 130 140 150 160 170 180 190 200 210 220
#personas

r significancia del modelo y de cada regresor, y analizar los residuales).