Tercer parcial de estadística inferencial

En la siguiente tabla se muestra el numero de unidades producidas y costo por

unidad, datos observados por el director del departamento de producción de una
empresa durante 30 días. El director piensa que existe una relación entre
unidades y costos y que podría por medio de un modelo de regresión lineal simple
explicar el comportamiento de estas dos variables y usted ha sido contratado(a)
para realizar el estudio. Usted determino que necesita desarrollar los siguientes
pasos:
1. Definir cual de las dos variables es la independiente y la dependiente.
2. Hacer un diagrama de dispersión.
3. Determinar la recta de regresión lineal simple o modelo de regresión lineal y
dibujarla.
4. Hallar el coeficiente de correlación (r).
5. Realizar la prueba de hipótesis para la pendiente de regresión lineal
poblacional (B1)
6. Realizar la prueba de hipótesis para el coeficiente de correlación lineal (P).
7. Conclusiones y recomendaciones.

Costo por und N° de und

producida producidas
16 10
17 12
10 20
11 17
11 20
11 22
12 18
19 16
16 14
14 18
15 15
18 14
10 20
15 12
19 13
18 12
11 20
16 13
16 11
11 19
12 18
 13 18
14 17
9 24
11 24
9 23
10 19
7 26
8 25
10 23

1. Se define como variable independiente al número de unidades producidas

mientras que, como variable dependiente el costo por unidad, esto se debe
a que si se revisan los datos cuando hay una mayor producción los costos
son más bajos y viceversa, lo cual es muestra el numero de unidades
producidas controla el costo de producción.

2.

20

18

16
Costo por und producida

14

12

10

0
8 10 12 14 16 18 20 22 24 26 28

Numero de und producidas

3. Para determinar la recta de regresión lineal simple se calcula primeramente

la media de la variable independiente y dependiente, la cual resultaron ser
17.77 y 12.97 respectivamente. Luego de lo anterior por medio de una hoja
de cálculo de Microsoft de Excel se obtuvo la siguiente tabla.
 N° de und Costo por und
producidas (x) producida (y)
x−x́ ( x−x́ )2 y− ý ( y− ý )2 ( x− x́ )( y− ý ) ^y ( ^y − ý )2 ( y− ^y )2
10 16 -7.767 60.321 3.033 9.201 -23.559 18.171 27.083 4.713
12 17 -5.767 33.254 4.033 16.268 -23.259 16.831 14.931 0.029
20 10 2.233 4.988 -2.967 8.801 -6.626 11.470 2.239 2.161
17 11 -0.767 0.588 -1.967 3.868 1.508 13.480 0.264 6.152
20 11 2.233 4.988 -1.967 3.868 -4.392 11.470 2.239 0.221
22 11 4.233 17.921 -1.967 3.868 -8.326 10.130 8.046 0.757
18 12 0.233 0.054 -0.967 0.934 -0.226 12.810 0.024 0.657
16 19 -1.767 3.121 6.033 36.401 -10.659 14.150 1.401 23.518
14 16 -3.767 14.188 3.033 9.201 -11.426 15.491 6.370 0.260
18 14 0.233 0.054 1.033 1.068 0.241 12.810 0.024 1.415
15 15 -2.767 7.654 2.033 4.134 -5.626 14.821 3.437 0.032
14 18 -3.767 14.188 5.033 25.334 -18.959 15.491 6.370 6.297
20 10 2.233 4.988 -2.967 8.801 -6.626 11.470 2.239 2.161
12 15 -5.767 33.254 2.033 4.134 -11.726 16.831 14.931 3.351
13 19 -4.767 22.721 6.033 36.401 -28.759 16.161 10.201 8.062
12 18 -5.767 33.254 5.033 25.334 -29.026 16.831 14.931 1.367
20 11 2.233 4.988 -1.967 3.868 -4.392 11.470 2.239 0.221
13 16 -4.767 22.721 3.033 9.201 -14.459 16.161 10.201 0.026
11 16 -6.767 45.788 3.033 9.201 -20.526 17.501 20.558 2.252
19 11 1.233 1.521 -1.967 3.868 -2.426 12.140 0.683 1.300
18 12 0.233 0.054 -0.967 0.934 -0.226 12.810 0.024 0.657
18 13 0.233 0.054 0.033 0.001 0.008 12.810 0.024 0.036
17 14 -0.767 0.588 1.033 1.068 -0.792 13.480 0.264 0.270
24 9 6.233 38.854 -3.967 15.734 -24.726 8.790 17.445 0.044
24 11 6.233 38.854 -1.967 3.868 -12.259 8.790 17.445 4.884
23 9 5.233 27.388 -3.967 15.734 -20.759 9.460 12.297 0.212
19 10 1.233 1.521 -2.967 8.801 -3.659 12.140 0.683 4.581
26 7 8.233 67.788 -5.967 35.601 -49.126 7.450 30.436 0.202
25 8 7.233 52.321 -4.967 24.668 -35.926 8.120 23.491 0.014
23 10 5.233 27.388 -2.967 8.801 -15.526 9.460 12.297 0.292
Σ 585.367 338.967 -392.233 262.822 76.145
Con los datos anterior se calcula los coeficientes de la recta de regresión, la cual
tiene la forma
^y =β o + β 1 x

β 1=
∑ ( x− x́ )( y− ý ) = −392.233 =−0.67
∑ ( x−x́ )2 585.367

β 0= ý −b1 x́=12.97−(−0.67 ) (17.77 )=24.87

∴ ^y =24.87−0.67 x
La grafica de la anterior recta es la siguiente

20

18
f(x) = − 0.67 x + 24.87
16
Costo por und producida

14

12

10

0
8 10 12 14 16 18 20 22 24 26 28
Numero de und producidas

4. Para calcular el coeficiente de correlación primeramente se calcula el

coeficiente de determinación r^2, por medio de la siguiente ecuación y
usando los datos de la tabla presentada anteriormente.

r 2=
∑ ( ^y −ý )2 = 262.822 =0.775
∑ ( y −ý )2 338.967
Mientras que el coeficiente de correlación sería el siguiente

r =√ R 2=√ 0.775=0.88
 5. Para realizar la prueba a la pendiente de la regresión lineal simple se
plantea lo siguiente
H 0 : β1 =0

H1: β1 ≠ 0

Lo que nos lleva a calcular el siguiente estadístico para probar la hipótesis

β1 −0.67
t 0= = =−9.83
∑ ( y− ^y )2 76.14

√ ( n−2) ∑ ( x− x́ )
2 √ (30−2)(585.367)

Entonces H0 se rechaza si

|t 0|>t α / 2 ,n−2
En este caso tomaremos un nivel de significancia del 5% y tenemos que los
grados n – 2 = 30 – 2 = 28, y calculamos a t α / 2 ,n−2 por medio de la siguiente tabla.

Por tanto

|t 0|>t α / 2 ,n−2
|−9.83|>2.05
Por tanto, H0 se rechaza lo cual nos permite decir que el costo por unidad
producida si depende linealmente del número de unidades producidas con un 95%
de confiabilidad.

6. Para realizar la prueba al coeficiente de correlación lineal se plantea lo

siguiente
H 0 : ρ=0

H 1 : ρ≠ 0

Lo que nos lleva a calcular el siguiente estadístico para probar la hipótesis

t 0=r √ n−2 =0.88 √ 10−2 =9.83

√1−r 2 √ 1−0.775
Entonces H0 se rechaza si
t 0> t α /2 , n−2

En este caso tomaremos un nivel de significancia del 5% y tenemos que los

grados n – 2 = 30 – 2 = 28, y calculamos a t α / 2 ,n−2 por medio de la siguiente tabla.
Por tanto
t 0> t α /2 , n−2

9.83>2.05
Por tanto, H0 se rechaza lo cual nos permite decir que existe una correlación entre
el costo por unidad producida y número de unidades producidas con un 95% de
confiabilidad.

7. Conclusiones y recomendaciones
Por medio de un modelo de regresión lineal se logró demostrar el comportamiento
que existe entre las dos variables y las cuales poseen una buena correlación. Se
evidencio que el costo por unidad depende linealmente del número de unidades
producidas, esto se demostró por medio de las pruebas de hipótesis para la
pendiente de la recta de regresión lineal y para el coeficiente de correlación, en las
cuales se rechazaron las hipótesis nulas, por lo tanto el modelo es significativo y
será importante para predecir el costo por unidad del producto usando los datos
de unidades producidas.