UNIVERSIDAD TECNICA ESTATAL DE

QUEVEDO FACULTAD DE CIENCIAS DE

LA INGENIERIA
CARRERA DE ING. INDUSTRIAL – ESTADÍSTICA INFERENCIAL– EVALUACIÓN
FRECUENTE
APELLIDOS Y
NOMBRES:
Firma: CC No. Fecha: / /2020

Rúbrica para la Evaluación del Logro de las Competencias de la Asignatura:

Niveles de Punta
Criterio dominio je
s
Inici En desarrollo Desarrollado máxi
al mo
Presenta Presenta un Presenta un
escasamente adecuado excelente
una interpretación análisis o análisis e
Pregunt
o interpretación del interpretación del
as 10.0
análisis comportamiento de comportamiento de
prácticas 0
la(s) variable(s) pero la variable
 Atendiendo al orden establecido se solicita que se resuelvan los siguientes problemas de
manera ordenada explicando el respectivo proceso de cálculo y escribiendo la respuesta
con lapicero.
 Escanear el documento y subirlo al SGA en formato pdf en el plazo establecido en el
mismo.

1. Un comerciante al detalle realizó un estudio para determinar la relación que

hay entre los gastos de la publicidad semanal y las ventas. Registró los datos
siguientes:

x($ 44 22 28 22 33 55 44 22 55 44 28 55
)
y($ 42 44 43 40 52 48 53 46 61 57 52 56
) 4 0 5 2 3 4 9 2 6 8 8 1

a) Elabore un diagrama de dispersión.

b) Encuentre la ecuación de regresión para pronosticar las ventas semanales, a

partir de los gastos en publicidad.
c) Estime las ventas semanales cuando los costos de la publicidad sean de $60.
 d) Grafique los residuos contra los costos de publicidad. Haga comentarios.

GRAFICO DE DISPERSION
700
600
500 f(x) = 3.24 x + 377.31
R² = 0.4
400
Y($)

300
200
100
0
20 25 30 35 40 45 50 55 60
X($)

Estadísticas de la regresión
Coeficiente de 0,6362130
correlación múltiple 5
Coeficiente de 0,4047670
determinación R^2 4
R^2 ajustado -1,2
Error típico 55,094197
9
Observaciones 1

ANÁLISIS DE
VARIANZA
  Grados Suma de Promedio de F
de cuadrados los cuadrados
libertad
Regresió 12 20640,960 1720,08002 6,8001449
n 2 1
Residuos 10 30353,706 3035,37064
4
Total 22 50994,666    
7

  Coeficient Error Estadísti Probabilid Inferior Superior Inferior Superior

es típico co t ad 95% 95% 95,0% 95,0%
Intercepci 65535 65535
ón
Variable X 30353,70 30353,706
1 64 4
Variable X 20640,96 20640,960
2 02 2
Variable X 1,479E- 1,479E-
3 270 270
Variable X -1,686E- 1,686E-
4 306 306
Variable X 0 0
5
Variable X - 840,69038
6 840,6903 4
84
Variable X - 7,2184145
7 7,218414 8
58
Variable X 4,329E- 4,33E-304
8 304
Variable X 7,566E- 7,566E-
9 307 307
Variable X 0 0
10
Variable X 377,306102 49,42369 7,6341135 1,7701E-05 267,1832 487,4289 267,1832 487,42895
11 54 3 46 58 46 8
Variable X 3,23966102 1,242340 2,6077087 0,02614338 0,471554 6,007767 0,471554 6,0077671
12 05 5 88 15 88 5

Análisis de los residuales

Observació Pronóstic Residuo

n o para Y s
1 65535 65535

2. Se realizó un experimento para determinar si podía predecirse el peso de un

animal después de un periodo dado, sobre la base de su peso inicial y la
cantidad de alimento que había consumido. Se registraron los siguientes
datos, en kilogramos:
 PF(Y) 105 85 88 110 107 77 55 88 101 92
PI(X1) 46 36 36 50 43 40 35 45 44 42
PA(X2 299 249 285 321 342 201 190 260 253 259
)

a) Ajuste una ecuación de regresión múltiple de la forma

μY ∨x 1 x 2=β 0+ β 1 x+ β 2 x2

b) b) Pronostique el peso final de un animal que tenía un peso inicial de 48

kilogramos y consumió 270 kilogramos de alimento.

μY ∨x 1 x 2=−23,71+1,32 x 1+0,22 x 22

Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,9362194
Coeficiente de determinación R^2 0,8765067
7
R^2 ajustado 0,8412229
9
Error típico 6,5872599
5
Observaciones 10

ANÁLISIS DE VARIANZA
  Grados de Suma de Promedio de los F Valor crítico
 libertad cuadrados cuadrados de F
Regresión 2 2155,85604 1077,92802 24,8416339 0,00066184
Residuos 7 303,743956 43,3919936
Total 9 2459,6      
  Coeficiente Error Estadístic Probabilida Inferior Superior Inferior Superior
s típico ot d 95% 95% 95,0% 95,0%
tercepción -23,7128442 18,774738 - 0,24702434 - 20,682358 - 20,682358
6 1,26301861 68,1080465 1 68,1080465
(X1) 1,3254235 0,5517891 2,40204718 0,04732361 0,02064957 2,6301974 0,02064957 2,6301974
2 4
A(X2) 0,22280062 0,0565096 3,94270098 0,00558398 0,08917655 0,3564246 0,08917655 0,3564246
4 8

Análisis de los residuales

Observación Pronóstic Residuos
o PF(Y)
1 103,87402 1,1259785
1
2 79,479755 5,5202444
6 1
3 87,500577 0,4994221
8 9
4 114,07732 -
9 4,0773290
9
5 109,47817 -
8 2,4781775
2
6 74,08702 2,9129800
1
7 65,009095 -
7 10,009095
7
8 93,859373 -
9 5,8593739
2
9 90,974346 10,025653
1 9
10 89,660302 2,3396972
 8 1

3. Están en consideración seis máquinas diferentes para utilizarlas en la manufactura de

juntas
de caucho. Las máquinas se comparan con respecto de la resistencia a la tensión del
producto.
Se emplea una muestra aleatoria de 4 juntas procedentes de cada máquina, para
determinar
si la resistencia media a la tensión varía de una máquina a otra. Las siguientes son las
mediciones de esa resistencia en kilogramos por centímetro cuadrado x 10–1

MAQUINA 1 2 3 4 5 6
juntas
19,3 18 22,3 16,1 19,3 20,1
proc.
18,6 21,1 17,3 18,4 21,1 17,8
17,4 19,5 19,6 22,9 18,2 19,3
20,5 16,6 20,8 20,8 22,6 22,1 total
Tc 75,8 75,2 80 78,2 81,2 79,3 469,7
Media m 18,95 18,75 20,2 19,6 20,2 19,7 117,4

  1441,46 1425,02 1613,38 1554,82 1659,7 1581,75 9276,13

nc 4 4 4 4 4 4 24
  18,95 18,8 20 19,55 20,3 19,825 117,425

grupo cuenta suma media

1 4 75,8 18,95
2 4 75,2 18,75
3 4 80 20,2
4 4 78,2 19,6
5 4 81,2 20,2
6 4 79,3 19,7

SSE=∑ x 2 ∑ ¿ ¿
SST =∑ ¿ ¿)−¿
 SSE=9276,13−117,425 SST=117,425-¿

=9158,705 =-9074,995

Fuente de suma de grados de libertad cuadrado medio

variacion cuadrados
ENTRE LOS SST= 9074,995 K-1= 6-1=5 SST/K-1=MSTR 9074,995/6-1=1814,999
GRUPOS
EN LOS SSE=9158,705 N-K = 24-6= 18 SSE/N-K=MSE 9158,705/24-
GRUPOS 6=508,8169444

4. Una compañía grande armadora de automóviles trata de decidir si compra

llantas de la marca A o de la B para sus modelos nuevos. Para ayudar a tomar
una decisión, se realiza un experimento en donde se usan 18 llantas de cada
marca. Las llantas se utilizan hasta que se acaban. Los resultados son:

Marca A: x̅1̅ = 37900 kilómetros Marca B: x̅ 1̅ = 39800 km

S1 = 5100 kilómetros S2 = 5900 km
Pruebe la hipótesis de que no hay diferencia en el desgaste promedio de las 2
marcas de llantas. Suponga que las poblaciones se distribuyen de forma
aproximadamente normal con varianzas iguales. Use un valor

x a=37900 Sa =51000 na=18

x b=39800 Sb =5900 nb=18

x=0.05

( x a−x b )−(μa −μ b )
t=
H 0=μ a−μb =0 s a2 s b 2
√ +
n 1 n2

( 37900−39800 ) −0
t=
H a=μ a−μb ≠ 0 51002 59002
√ 18
+
18
t=−1.033633
Para los grados de libertad , suponemos T 1 ≠ T 2
2
S 12 S 2 2 51002 59002
2

v=
( ) (
+
n1 n2 ) =
18
+
18
=33.3028 ≈ 33
2 2 2 2
S12 S 22 51002 59002
( ) ( ) ( ) ( )
n1
+
n2 18
+
18
n1−1 n2−1 18−1 18−1

v=33−1.033633< 0 No cae en forma de aceptación

No existe diferencias entre las marcas de lasllantas
P=2 P(t ←1.033633) ≅ 0

6. Una máquina produce piezas metálicas de forma cilíndrica. Se toma una

muestra de las piezas y los diámetros son 1.11, 1.07, 1.13, 1.14, 1.09, 1.08, 1.09,
1.11 y 1.13 centímetros. Encuentre un intervalo de confianza de 99% para el
diámetro medio de las piezas de esta máquina. Suponga una distribución
aproximadamente normal.

Datos:

P: piezas metálicas de forma cilíndricas

X: diámetro de las piezas cilíndricas (en centímetros)

n: 9 piezas

intervalo de confianza: 99%

Media muestral

n
1.11+1.07+1.13+1.14 +1.09+1.08+1.09+1.11+1.13
x=∑ ¿ =1.1055
i=1 9

Desviación estándar muestral

n
s=∑ ¿ ¿ ¿
i=1

s=¿

¿¿¿

193
¿ =0.000603125
320000

100 γ %=100 ( 1−α ) %=99 %=¿ α=0.01=¿ α 2=0.005

t 8 , 0.005

Intervalo de confianza para la media poblacional con 99% de confianza

s s
X −t α 2 ≤ μ ≤ x+ t α 2
n n
0.025 0.025
1.105− (3.355 ) ≤ μ ≤1.105+(3.355)
9 9
1.0956 cm .≤ μ ≤1.1143 cm
Podemos afirmar con 99% de confianza que la media poblacional se encuentra entre
1.0956 y 1.1143 centímetros

7. Las siguientes mediciones se registraron para el tiempo de secado, en horas,

de cierta marca de pintura látex: (1p)
3,7 2,8 5,3 3,2 4.0
3,1 3,6 6,2 4,1 3,1
4,8 4,4 5,7 3,3 5,3

Suponiendo que las mediciones representan una muestra aleatoria de una

población normal,
encuentre los límites de tolerancia de 99% que contendrán 95% de los tiempos de
secado.

DATOS:
X = 0.2782    
σ = 0.97    
n= 15    
Zα/2, según la tabla de distribución Normal, que corresponde al porcentaje del
enunciado:1.96    

Solución:
La media muestral de los datos es:
 =i-1nxin
= 3.7+2.8+5.3+3.2+4.0+3.1+3.6+6.2+4.1+3.1+4.8+4.4+5.7+3.3+5.315=0.2782

Intervalo de confianza:          
(Xn)% = Xn +- Zα/2 * σ /√n      
(Xn)% = 0.2782 ± 1.96 * 0.250452923
(Xn)% = 0.2782 ± 0.490887729  

Análisis de varianza de dos factores con una sola muestra por grupo

RESUMEN Cuenta Suma Promedio Varianza

3,1 4 17 4,25 1,85666667
4,8 4 18,7 4,675 1,13583333

2,8 2 8 4 0,32
5,3 2 11,9 5,95 0,125
3,2 2 7,4 3,7 0,32
4.0 2 8,4 4,2 2,42
ANÁLISIS DE
VARIANZA
Origen de Suma de Grados Promedio F Probabilida Valor crítico
las cuadrados de de los d para F
variaciones libertad cuadrados
Filas 0,36125 1 0,36125 0,3837981 0,57944533 10,1279645
4
Columnas 6,15375 3 2,05125 2,1792828 0,26939294 9,27662815
7
Error 2,82375 3 0,94125

Total 9,33875 7