X1

El operario (X1

X2

Tiempo que tard

problema de mu

X3

El tiempo de v
multioclieanli

X4

La maquina
 R2 0.12 VIF= 1.1363636 < 5 X5 R2

El operario (X1) no presenta problema de multicolinealidad Los años de experiencia

problema de multicolin

R2 0.36 VIF= 1.5625 < 5 Y R2

Tiempo que tarda en la fabricacion del articulo (X2) no presenta En este caso si tenemos
problema de multicolinealidad mayor a 5, pero como e
estudio es lo que esper
coeficiente de determin
operario, el tiempo que
R2 0.93 VIF= 14.285714 > 5 tiempo de vida, la maq
explicando en un 96% d
El tiempo de vida (X3) si presenta problema de devueltos por falla (Y),
multioclieanlidad analisis, pero de igual m
problema de multicolin
del modeo para un ana
R2 0.07 VIF= 1.0752688 < 5

La maquinaria (X4) no presenta problema de multicolinealidad

 0.03 VIF= 1.0309278 < 5

Los años de experiencia del operario (X5) no presentan

problema de multicolinealidad

0.906 *VIF= 10.638298 > 5

En este caso si tenemos que el factor de inflacion de varianza es

mayor a 5, pero como es nuestra variable dependiente en
estudio es lo que esperamos, y el hecho de que tenga un
coeficiente de determinacino de 0,96 quiere decir que el
operario, el tiempo que tarda en la fabriacion del articulo, el
tiempo de vida, la maquinaria y los años de experiencia estan
explicando en un 96% de la variabilidad de los productos
devueltos por falla (Y), lo que es muy positivo para nuestro
analisis, pero de igual manera como sabemos que X3 presenta
problema de multicolinealidad, se sugiere eliminar la variable
del modeo para un analisis mas acertado.
Primero modelo
i) El operario, el tiempo que tarda en la fabriacion del articulo, la ma
positiva alta con respecto a los productos devueltos por falla, cuyo c
R 0.894
R 2
0.803 ii) El operario, el tiempo que tarda en la fabriacion del articulo, la m
80,3% de la variabilidad de los productos devueltos por falla.
R2 ajustado 0.78
CME 24.045 iii) 𝐻_0: 𝛽_1= 𝛽_2= 𝛽_4= 𝛽_5=0
𝐻_1: 𝛽_𝑖≠ 𝛽_𝑗≠0 ∀ 𝑖 ≠𝑗
( considerando α = 0,01) tenemos que α > valor p, entonces se recha
Es decir que al menos una de las variables independientes es signfgi
En base a esto, aun no trabajaria con este modelo hasta comprobar
en caso de haber alguna que no lo fuera, construiría un nuevo mode

iv)
El operario, el tiempo que tarda en la fabriacion del articulo, la maquinaria y los años de experencia poseen una asociacion
ositiva alta con respecto a los productos devueltos por falla, cuyo coeficiente de correlacion es del 89,4%

El operario, el tiempo que tarda en la fabriacion del articulo, la maquinaria y los años de experencia estan explicando en un
0,3% de la variabilidad de los productos devueltos por falla.

𝐻_0: 𝛽_1= 𝛽_2= 𝛽_4= 𝛽_5=0

𝐻_1: 𝛽_𝑖≠ 𝛽_𝑗≠0 ∀ 𝑖 ≠𝑗
onsiderando α = 0,01) tenemos que α > valor p, entonces se rechaza 𝐻_0, por lo que al menos uno de los coeficientes 𝛽_𝑖 ≠ 0.
decir que al menos una de las variables independientes es signfgicativa para estimar los productos devueltos por falla.
n base a esto, aun no trabajaria con este modelo hasta comprobar una por una que todas las variables sean significativas, que
n caso de haber alguna que no lo fuera, construiría un nuevo modelo con las variables correspondientes.

Variables valor p Decision

Operario (X1) 0.0041 Significativa α = 0,01
Tiempo que tarda la fabricacion del articulo (X2) 0.0006 Significativa
Ahora que sabemos que los años de
Maquinaria (X4) 0.008 Significativa del operario no son significativos pa
Años de experiencia del operario (X5) 0.015 No significativa los productos devueltos por falla, e
variable para realizar un nuevo mod
sociacion

ando en un

ntes 𝛽_𝑖 ≠ 0.
falla.
cativas, que

sabemos que los años de experiencia

io no son significativos para estimar
tos devueltos por falla, eliminamos la
ara realizar un nuevo modelo reducido.
Las variables cualitativas son:
- Operario (X1)
- Tipo de maquinaria (X4)

- En X1 fue creada 1 variable dummy, donde "Perez" toma el

valor de 0 y "Gutierrez" el valor de 1 o viceversa
- En X4 fue creada 1 variable dummy , donde "Manual" toma el
valor de 0 y "Automática" toma el valor de 1 o viceversa

Considerando que solo existe 1 devolucion al mes y que existen

2 operarios y 2 tipos de maquinaria, es evidente que estas
variables son significativas y lo podemos evidenciar debido a
que numericamente hay una correlacion alta con respecto a la
cantidad de devoluciones. En conclusion, la culpa de las
devoluciones por fallo reacaerá si o si o en un operario o en un
tipo de maquinaria.
Devoluciones por falla (Y)
1
1
1
1
1
1
1
1
1
1
1
1
Primero modelo
i) 𝐻_0: 𝛽_1= 𝛽_2= 𝛽_4=0
R 0.88 𝐻_1: 𝛽_𝑖≠ 𝛽_𝑗≠0 ∀ 𝑖 ≠𝑗
(Considerando α = 0,01) tenemos que α > valor p entonces se
R2 0.83 que al menos una de las variables independientes es signfgica
R2 ajustado 0.8 trabajaria con este modelo hasta comprobar una por una que
lo fuera, construiría otro modelo reducido con las variables co
CME 44.136

ii)
 _0: 𝛽_1= 𝛽_2= 𝛽_4=0
𝐻_1: 𝛽_𝑖≠ 𝛽_𝑗≠0 ∀ 𝑖 ≠𝑗
nsiderando α = 0,01) tenemos que α > valor p entonces se rechaza 𝐻_0, por lo que al menos uno de los coeficientes 𝛽_𝑖 ≠ 0. Es decir
al menos una de las variables independientes es signfgicativa para estimar los productos devueltos por falla. En base a esto, aun no
bajaria con este modelo hasta comprobar una por una que todas las variables sean significativas, que en caso de haber alguna que no
uera, construiría otro modelo reducido con las variables correspondientes.

Variables valor p Decision α = 0,01

Operario (X1) 0.004 Significativa
Tiempo que tarda la fabricacion del articulo (X2) 0.001 Significativa Como sabemos que todas las varia
Maquinaria (X4) 0.0007 Significativa modeo son significativas, no se pue
mas, por lo que posteriormente pr
elegir el modelo mas optimo para
productos devueltos por falla.
cientes 𝛽_𝑖 ≠ 0. Es decir
En base a esto, aun no
de haber alguna que no

o sabemos que todas las variables en este

eo son significativas, no se puede reducir
por lo que posteriormente procederia a
r el modelo mas optimo para estimar los
uctos devueltos por falla.
 Primer Modelo Segundo modelo
R 2
0.803 0.83
R Ajustado
2
0.78 0.80
Variabilidad de los errores (CME) 24.045 44.136

El mejor modelo para estimar la cantidad de devoluciones por fallo es el Segndo modelo, pues Su R 2 Ajustado
mas bajo entre los modelos, por lo tanto nos guiamos del 2do criterio el que nos dice que el mejor modelo
Coeficiente de Determinación.
𝐷𝑒𝑣𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑜𝑟 𝑓𝑎𝑙𝑙𝑜= 𝛽_0+ 𝛽_1∗𝑂𝑝𝑒𝑟𝑎𝑟𝑖𝑜+𝛽_2∗𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑓𝑎𝑏𝑟𝑖𝑐𝑎𝑐𝑖ó𝑛+ 𝛽_4∗𝑇𝑖𝑝𝑜 𝑑𝑒 𝑚𝑎𝑞𝑢𝑖𝑛𝑎𝑟𝑖𝑎
modelo, pues Su R 2 Ajustado es el mayor, pero no tiene el CME
s dice que el mejor modelo es aque que tenga el mayor

𝑛+ 𝛽_4∗𝑇𝑖𝑝𝑜 𝑑𝑒 𝑚𝑎𝑞𝑢𝑖𝑛𝑎𝑟𝑖𝑎