NOMBRES: Yeferson En cierta empresa es usual pagar horas extra p

Valle deciden investigar la relación ent

Henrry Castillo Construya el diagrama de dispersión para el eje

Variables x y
Semana Horas Extras % Sxx
1 240 6.23 977.98347107
2 95 4.64 12933.892562
3 210 7.02 1.6198347107
4 80 16.74 16570.710744
5 80 5.01 16570.710744
6 438 11.2 52565.983471
7 107 5.41 10348.438017
8 180 7.45 825.25619835
9 100 4.17 11821.619835
10 550 14.92 116467.07438
11 220 8.86 127.07438017
12 50 4.45 25194.347107
13 193 7.35 247.34710744
14 290 9.49 6605.2561983
15 340 3.19 17232.528926
16 115 5.35 8784.8016529
17 362 11.4 23492.528926
18 300 10.49 8330.7107438
19 75 3.25 17882.983471
20 93 3.97 13392.801653
21 320 11.4 12381.619835
22 154 8.48 2995.0743802
Promedio 208.73 7.75 SUMAS 375750.36

Y= mx + b
Pendiente Sxy/Sxx 0.0157
Intersección 4.47132

Y = mx + b
Y = 0,0157*x + 4,471
r horas extra para cumplir con los tiempos de entrega. En este centro productivo un
la relación entre la cantidad de horas extra, X, y el porcentaje de artículos defectuo
sión para el ejercicio, realice un análisis de regresión a partir de los datos suministra
determinación).

Sxy Syy
HORAS EXTRAS VS PORCENTAJE
-47.49190083 2.306256405
353.53673554 9.6636200413
-0.927355372 0.5309109504 18

-1157.433719 80.844620041
16
352.53719008 7.5001291322
791.30355372 11.91191095 14

237.90309917 5.4692200413 12
f(x) = 0.015701413462613 x + 4.47132315362182
R² = 0.315490192430998
8.5790082645 0.0891836777
PORCENTAJE

389.0953719 12.806638223 10

2447.3908264 51.428456405 8
12.528099174 1.2351291322
6
523.58355372 10.88100186
6.2694628099 0.1589109504 4
141.5253719 3.032347314
2
-598.4246281 20.781165496
224.81764463 5.753456405 0
0 100 200 300 400
559.65446281 13.332456405 HORAS EXTRA
250.21173554 7.5150745868
601.5903719 20.237729132
437.29128099 14.278092769
406.29719008 13.332456405 CONCLUSION
-40.02553719 0.5348927686
5899.81 293.62
Teniendo en cuenta que cuando el valor de
menos ajustado es el modelo a la variable
Concluimos que éste modelo no es confiab
0,31 (CALIDAD INSATISFACTORIA). Ademas
anova, la prueba se rechaza.
Concluimos que éste modelo no es confiab
0,31 (CALIDAD INSATISFACTORIA). Ademas
anova, la prueba se rechaza.
 entro productivo un grupo de calidad trata de reducir la proporción de piezas mala
e artículos defectuosos, Y. En la siguiente tabla se muestran los datos obtenidos.
los datos suministrados y determine si la calidad del ajuste es satisfactoria (R 2 – Co
nación).

AS VS PORCENTAJE
Fuente de Suma Grados de
variación Cuadrados libertad
Regresion 92.635 1
Error 200.988 20
Total 293.624 21

7132315362182 α 0.05
F(α) 4.351244
Prueba Rechaza

300 400 500 600

HORAS EXTRA

CONCLUSION:

e cuando el valor de R esta mas cerca de cero,

modelo a la variable que queremos explicar;
modelo no es confiable, pues nos dió un valor de
FACTORIA). Ademas de eso, usando la plantilla
haza.
modelo no es confiable, pues nos dió un valor de
FACTORIA). Ademas de eso, usando la plantilla
haza.
porción de piezas malas, para ello
los datos obtenidos.
es satisfactoria (R 2 – Coeficiente de

Cuadrados medios F

92.6353847088847 9.21798895917777
10.0494137191012

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.561685136380693
Coeficiente de determinación R^2 0.315490192430998
R^2 ajustado 0.281264702052548
Error típico 3.17008102721385
Observaciones 22

ANÁLISIS DE VARIANZA
 Grados de libertad
Regresión 1
Residuos 20
Total 21

Coeficientes
Intercepción 4.47132315362182
Variable X 1 0.015701413462613
Suma de cuadrados Promedio de los cuadrados F
92.6353847088846 92.6353847088846 9.21798895918
200.988274382024 10.0494137191012
293.623659090909

Error típico Estadístico t Probabilidad

1.27357351057104 3.51084811085383 0.00219917809
0.005171549169077 3.03611412156687 0.0065227059
 Valor crítico de F
0.00652270589685

Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%

1.81469536316456 7.12795094408 1.814695363165 7.12795094407907
0.00491375093018 0.026489076 0.00491375093 0.026489075995047
 En una industria se desea investigar cómo influye la tempe
Construya el diagrama de dispersión para el ejercicio, realice un anális

Variable X Y
Temperatura Presión Sxx Sxy
13 4.17 1217.3755 1865.5535
19.5 6.82 806.04372 1442.7744
45.7 32.02 4.8000826 56.127107
65.1 52.67 296.15281 -85.497893
64.4 75.95 272.55008 302.31147
71.4 101.34 552.67736 1027.39
80.5 144.86 1063.3528 2844.2242
85.7 178.12 1429.5274 4555.308
22.5 10.35 644.69826 1200.6899
27.2 11.97 428.11372 944.9162
31.8 15.75 258.91736 674.01893
Promedios 47.891 57.638 Sumas 6974.2091 14827.816

Y= mx + b CONCLUSION:
Pendiente 2.1260928120882
Intersección -44.18233576437 A partir de los datos obtenidos tenemos que el
valor de R es considerado de calidad satisfactoria
porque esta por encima del 80% sin embargo en
la plantilla de ANOVA la prueba de rechaza.
Y= mx + b
y = 2,126*x -44,182
cómo influye la temperatura (°C) en la presión del vapor de B- trimetilboro, los datos obtenidos para tal pro
rcicio, realice un análisis de regresión a partir de los datos suministrados y determine si la calidad del ajuste

Syy Fuente de Suma Grados de Cuadrados

variación Cuadrados libertad medios F
2858.8465
2582.4876 Regresion 31525.313 1 31525.313 56.272246
656.29124 Error 5042.056 9 560.22844
24.682831 Total 36567.369 10
335.32269
1909.8489 α 0.05
7607.6456 F(α) 5.117355
14515.869 Prueba Rechaza
2236.1721
2085.5828
1754.6198
36567.369
TEMPERATURA VS PRESION
200

180

160
os tenemos que el
calidad satisfactoria 140
80% sin embargo en f(x) = 2.12609281208817 x − 44.1823357643682
eba de rechaza. 120
R² = 0.862115975754224
PRESION

100

80

60

40

20

0
0 10 20 30 40 50 60 70 80 90

TEMPERATURA
obtenidos para tal propósito se muestran en la siguiente tabla.
i la calidad del ajuste es satisfactoria (R 2 – Coeficiente de determinación).

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.928502006327517
Coeficiente de determinación R^2 0.862115975754224
R^2 ajustado 0.846795528615804
Error típico 23.6691452543242
ON Observaciones 11

ANÁLISIS DE VARIANZA
Grados de libertad
Regresión 1
Residuos 9
Total 10

Coeficientes
Intercepción -44.1823357643682
Variable X 1 2.12609281208817

70 80 90
).

Suma de cuadrados Promedio de los cuadrados F Valor crítico de F

31525.3126300037 31525.3126300037 56.272246362 3.68700055296E-05
5042.05593363267 560.228437070296
36567.3685636364

Error típico Estadístico t Probabilidad Inferior 95%

15.335144072928 -2.8811164443095 0.0181449788 -78.8728417714846
0.283423001545061 7.50148294421387 3.6870006E-05 1.48494543904125
 Superior 95% Inferior 95,0% Superior 95,0%
-9.491829757252 -78.872841771 -9.49182975725
2.7672401851351 1.48494543904 2.767240185135
 En un proceso de manufactura se utiliza una herramienta de corte y se quiere investig
herramienta. Los datos obtenidos para
Construya el diagrama
Realice un análisis de regresió
Determine si la calidad del ajuste es sa
Si normalmente la herramienta se opera a una velocidad de

Variable x y
Velocidad Vida Sxx Sxy Syy
30 10.66 100 -19.7538462 3.90214438
30 10.74 100 -20.5538462 4.22460592
35 10.12 25 -7.17692308 2.06032899
35 9.05 25 -1.82692308 0.13350592
35 10.03 25 -6.72692308 1.81005976
40 9.83 0 0 1.31190592
40 7.22 0 0 2.14509822
40 8.87 0 0 0.03436746
45 9.12 25 2.17692308 0.18955976
45 7.24 25 -7.22307692 2.08691361
45 8 25 -3.42307692 0.46869822
50 6.02 100 -26.6461538 7.10017515
50 6 100 -26.8461538 7.20715976
Promedios 40 8.68461538 Sumas 550 -118 32.6745231

Si normalmente la herramienta se opera a una

Y= mx + b velocidad de 30 metros por minuto estime
Pendiente -0.21454545 vida esperado para esta herramienta.
Interseccion 17.2664336

Y= mx + b 30 m/min
Y = -0,214*x + 17,266 1800 m/hora
y (m/min) 10.8300699

CONCLUSION:
Podemos concluir que este modelo no es
considerado de una calidad satisfactoria. El valor
par a R es del 77% y la prueba es Rechazada.
e y se quiere investigar la relación entre la velocidad de corte (metros por minuto) y el tiempo de vida (hora
atos obtenidos para esta investigación se muestran a continuación:
onstruya el diagrama de dispersión para el ejercicio.
n análisis de regresión a partir de los datos suministrados.
idad del ajuste es satisfactoria (R2 – Coeficiente de determinación).
a a una velocidad de 30 metros por minuto estime vida esperado para esta herramienta.

Fuente de Suma Grados de Cuadrados F

variación Cuadrados libertad medios
Regresion 25.316 1 25.316364 37.846421
Error 7.358 11 0.6689236
Total 32.675 12

α 0.05
F(α) 4.8443357
Prueba Rechaza

VELOCIDAD VS VIDA
12

f(x) = − 0.214545454545455 x + 17.2664335664336

10 R² = 0.774804381283953
pera a una
estime
a. 8
VIDA

0
25 30 35 40 45 50 55

VELOCIDAD
s
. El valor
ada.
 y el tiempo de vida (horas) de la

mienta.

50 55
 En la tabla anterior se muestran los datos históricos de las ventas d
Determine la ecuación lineal que mejor se adapte al compo
¿En qué medida la ecuación lineal obtenida en el punto anterior es capa

Haga un pronóstico de un año para el comp

Variable x y
t Ventas Sxx Sxy Syy
1 178.18 20.25 595.539 17514.405
2 92.23 12.25 764.022 47651.3973
3 306.88 6.25 9.105 13.264164
4 209.61 2.25 151.368 10183.2317
5 225.06 0.25 42.731 7303.75344
6 283.57 0.25 -13.476 726.410304
7 271.59 2.25 -58.398 1515.70062
8 508.74 6.25 495.545 39290.3755
9 455.9 12.25 508.823 21134.7629
10 573.46 20.25 1183.221 69136.3918
Promedios 5.5 310.522 Sumas 82.5 3678.48 214469.693

Y = mx + b
Pendiente 44.5876364 TIEMPO VS VENTAS
Interseccion 65.29
700

Y = mx + b 600
Y = 44,58 * x + 65,29
500
f(x) = 44.5876363636364 x + 65.29
R² = 0.764745482218077
400
VENTAS

300

200

100

0
0 2 4 6 8 10
TIEMPO

PRONOSTICO DEL MES 11 AL 22

11 12 13 14 15 16 17
555.754 600.341636 644.929273 689.516909 734.104545 778.692182 823.279818
 tóricos de las ventas de un producto a lo largo de 10 meses. A partir de la información sumini
or se adapte al comportamiento descrito entre las dos variables relacionadas (tiempo/ventas).
unto anterior es capaz de predecir o explicar el comportamiento de las ventas del producto en
tiempo?
e un año para el comportamiento de la demanda analizada (meses 11 a el 22).

Fuente de Suma Grados de Cuadrados

F
variación Cuadrados libertad medios
Regresion 164014.729 1 164014.729 26.0057231
Error 50454.964 8 6306.87052
Total 214469.693 9

α 0.05
F(α) 5.31765507
Prueba Rechaza

CONCLUSION:

De este ejercicio podemos concluir, que el

modelo usado no es de calidad satisfactoria
ENTAS (76%) ademas en la prueba se rechaza.

¿En qué medida la ecuación lineal obtenida en el punto anterior es capaz

comportamiento de las ventas del producto en función del tiempo?
R/ La medida que permite predecir es R^2 (Coeficiente de determinación)
0,8 entonces el metodo que utilizamos es bueno.

8 10 12

EL MES 11 AL 22
18 19 20 21 22
867.867455 912.455091 957.042727273 1001.63036 1046.218
 nformación suministrada:
as (tiempo/ventas).
ntas del producto en función del

22).

unto anterior es capaz de predecir o explicar el

ción del tiempo?
nte de determinación). Si R cuadrado es mayor a