INSTITUTO TECNOLÓGICO SUPERIOR

DE MOTUL

INGENIERÍA INDUSTRIAL

ESTADISTICA INFERENCIAL II

PORTAFOLIO DE EVIDENCIA.

DOCENTE:
MTRO. GENER BASTO

GRADO Y GRUPO:
3B

NOMBRE DEL ALUMNO

KU CAMPOS JESUS ISAI

MOTUL, YUCATÁN, MÉXICO

FECHA DE ENTREGA:
12 DE MARZO DEL 2023
INSTITUTO TECNOLÓGICO SUPERIOR
DE MOTUL

INGENIERÍA INDUSTRIAL

ESTADISTICA INFERENCIAL II

UNIDAD I
“REGRESIÓN LINEAL MÚLTIPLE.”

DOCENTE:
MTRO. GENER BASTO

GRADO Y GRUPO:
3B

NOMBRE DEL ALUMNO

KU CAMPOS JESUS ISAI

MOTUL, YUCATÁN, MÉXICO

FECHA DE ENTREGA:
12 DE MARZO DEL 2023
 Estadística Inferencial II

Portafolio

Competencia general:

Identifica fuentes de variación aplicando el modelo estadístico más

adecuado para planear, ejecutar y desarrollar experimentación
orientado a la mejora de procesos logísticos, industriales, comerciales y
de servicios.

Competencias previas:

 Aplica los conceptos de la teoría de la probabilidad y estadística

para organizar, clasificar, analizar e interpretar datos para la
toma decisiones en aplicaciones de industrial y logística.

 Emplea los métodos de muestreo adecuados para la obtención de

la muestra experimental con fin de realizar inferencias sobre la
población y el desarrollo de pruebas estadísticas.

 Realiza diagramas para representar procesos.

 Resuelve sistemas de ecuaciones lineales y opera matrices para el

cálculo de procesos lineales.

Competencia especifica:

Aplica los conceptos básicos del modelo de regresión múltiple y no lineal

para predecir resultados de un proceso industrial, logístico, comercial o
de servicios.

Competencia genérica:

 Capacidad de abstracción, análisis y síntesis.

 Capacidad de aplicar los conocimientos en la práctica.

 Capacidad para identificar, plantear y resolver problemas.

1.1 Ejercicio: Modelo de Regresión Lineal Múltiple.

Unidad 1
CARRERA: Ingeniería Industrial
SEMESTRE: 4 GRUPO: B
ASIGNATURA: Estadística Inferencial II FECHA: 19/02/2023
NOMBRE: Ku Campos Jesús Isaí
MATRÍCULA: 21160036 VALOR: 50%.

1. El diseño eficiente de ciertos tipos de incineradores de desechos municipales

exige que se disponga de información. Acerca del contenido energético de los

desechos. Los autores del artículo “Modeling the Energy Content of

Municipal Solid Waste Using Multiple Regression Analysis” (J. of the Air and

Waste Mgmt. Assoc.,) bondadosamente nos proporcionaron la información

siguiente acerca del contenido energético (kcal/kg), las variables físicas de

composición x1 % de plástico por peso, x2 % de papel por peso y x3 % de

basura por peso, y la variable próxima de análisis x 4 % de humedad por peso

para especímenes de desechos de cierta región.

º Plástico Papel Basura Agua Contenido

energético

1 18.69 15.65 45.01 58.21 947

2 19.43 23.51 39.69 46.31 1407

3 19.24 24.23 43.16 46.63 1452

4 22.64 22.20 35.76 45.85 1553

5 16.54 23.56 41.20 55.14 989

6 21.44 23.65 35.56 54.24 1162

7 19.44 24.45 40.18 47.20 1466

8 23.97 19.39 44.11 43.82 1656

9 21.45 23.84 35.41 51.01 1254

10 20.34 26.50 34.21 49.06 1336

11 17.03 23.46 32.45 53.23 1097

12 21.03 26.99 38.19 51.78 1266

13 20.49 19.87 41.35 46.69 1401

14 20.45 23.03 43.59 53.57 1223

15 18.81 32.62 42.20 52.98 1216

16 18.28 21.87 41.50 47.44 1334

17 21.41 20.47 41.20 54.68 1155

18 25.11 22.59 37.02 48.74 1453

19 21.04 26.27 38.66 53.22 1278

20 17.99 28.22 44.18 53.37 1153

a) Ajustar un modelo de regresión lineal múltiple a los datos. (15 %)

Contenido energético = 2364.0645 + 27.8171 x (x1) + 5.6228 x (x2) + 4.2602 x (x3) +

38.2814 x (x4)

b) Calcular el intervalo de confianza de los coeficientes de la correlación. (10%)

  Coeficientes

Intercepción 2364.064498

Plástico (X1) 27.81713323

 Papel (X2) 5.622847688

Basura (X3) 4.260244092

Agua (x4) -38.28143763

c) Hallar el coeficiente de determinación. (10 %)

Coeficiente de determinación R^2 = 0.97456289 (97.45%)

d) Si la cantidad de plástico es de 21.59, el de papel 26.34, el de basura 40.32 y la

humedad del 51.35, ¿cuál sería la estimación del contenido energético? (15 %.)

Contenido energético = 2364.0645 + 27.8171 x (21.59) + 5.6228 x (26.34) + 4.2602 x

(40.32) + -38.2814 x (51.35)

Contenido energético = 1318.763432

e) Conclusión

El modelo de regresión múltiple tiene un coeficiente de determinación muy bueno

(97.45%), por lo que los resultados de la estimación del coeficiente de determinación

son muy buenos.

2. El artículo “The Influence of Temperature and Sunshine on the Alpha-Acid

Contents of Hops (Agricultural Meteorology,) informa de los siguientes datos

en la producción (y), temperatura media del periodo entre la fecha al recibir el

lúpulo y fecha de cosecharlo (x1), y porcentaje medio de luz solar durante el

mismo periodo (x2) para una variedad de lúpulo:

X1 16.7 17.4 18.4 16.8 18.9 17.1 17.3 18.2 21.3

X2 30 42 47 47 43 41 48 44 43

Y 210 110 103 103 91 76 73 70 68

a) Ajustar un modelo de regresión lineal múltiple a los datos. (15 %)

Producción = 526.2220 + 9.1249 x (x1) + 6.1113 x (x2)

b) Calcular el intervalo de confianza de los coeficientes de la correlación. (10%)

  Coeficientes

Intercepción 526.221972

X1 -9.124857808

X2 -6.111320254

c) Hallar el coeficiente de correlación determinación. (10 %)

Coeficiente de determinación R^2 = 0.73860977 (73.86%)

Formulario
Rubrica.

1.2 Ejercicio: Prueba de Hipótesis del Modelo de Regresión Lineal Múltiple y

Supuestos.

3. El diseño eficiente de ciertos tipos de incineradores de desechos municipales

exige que se disponga de información. Acerca del contenido energético de los
desechos. Los autores del artículo “Modeling the Energy Content of Municipal
Solid Waste Using Multiple Regression Analysis” (J. of the Air and Waste
Mgmt. Assoc.,) bondadosamente nos proporcionaron la información siguiente
acerca del contenido energético (kcal/kg), las variables físicas de composición
x1 % de plástico por peso, x2 % de papel por peso y x 3 % de basura por peso, y
la variable próxima de análisis x4 % de humedad por peso para especímenes de
desechos de cierta región.

Observación Plástico Papel Basura Agua Contenido

energético
1 18.69 15.65 45.01 58.21 947
2 19.43 23.51 39.69 46.31 1407
3 19.24 24.23 43.16 46.63 1452
4 22.64 22.20 35.76 45.85 1553
5 16.54 23.56 41.20 55.14 989
6 21.44 23.65 35.56 54.24 1162
7 19.44 24.45 40.18 47.20 1466
8 23.97 19.39 44.11 43.82 1656
9 21.45 23.84 35.41 51.01 1254
10 20.34 26.50 34.21 49.06 1336
11 17.03 23.46 32.45 53.23 1097
 12 21.03 26.99 38.19 51.78 1266
13 20.49 19.87 41.35 46.69 1401
14 20.45 23.03 43.59 53.57 1223
15 18.81 32.62 42.20 52.98 1216
16 18.28 21.87 41.50 47.44 1334
17 21.41 20.47 41.20 54.68 1155
18 25.11 22.59 37.02 48.74 1453
19 21.04 26.27 38.66 53.22 1278
20 17.99 28.22 44.18 53.37 1153

a) Calcular el ANOVA (10%)

Hipótesis Nula

Ho: B1 = B2 = …. = Bk = 0

Hipótesis Alternativa

H1: Bj ≠ 0 para al menos una j

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
  libertad cuadrados cuadrados F de F
Valor
Regresión 4 611863.5225 152965.881 143.6724072 9.13206E-12 de P
Residuos 15 15970.27748 1064.68517
Total 19 627833.8      

Se rechaza Ho (B1 = B2 = …. = Bk = 0) y se acepta H1 (Bj ≠ 0 para al menos una j)

con una p=0.0000. El modelo es significativo

b) Determinar las variables significativas del modelo. Utilice un α= 0.1

(15%)

  Probabilidad Resultado Alfa 0.1 Conclusión

Intercepción 7.08063E-09
Plástico 4.04354E-06 < 0.1 Significativo
Papel 0.022552668 < 0.1 Significativo
Basura 0.064451718 < 0.1 Significativo
Agua 1.08241E-11 < 0.1 Significativo

c) Determinar el modelo significativo de la regresión Lineal Múltiple. (10%)

Contenido energético= 2364.064498 + 27.817133 x Plástico + 5.622847 x Papel +
4.260244 x Basura + 38.281437 x Agua

Contenido energético= 2364.064498 + 27.817133 (0.01) + 5.622847(0.02) +

4.260244(0.03) + 38.281437(0.04)

Contenido energético= 2363.051676

d) Demostrar los supuestos. (15%)

a) Comprobar el cumplimiento el supuesto de homocedasticidad.
La grafica no denota ninguna forma de cono, mariposa o rombo, por lo que se
puede observar homocedasticidad de los residuos.

b) Comprobar el cumplimiento el supuesto de Normalidad.

La grafica denota que los puntos están muy alejados a la línea de tendencia por lo
que No hay Normalidad en los residuos.

c) Comprobar el cumplimiento el supuesto de independencia.

 La grafica no denota ninguna tendencia de un residuo con otro, por lo que se puede
observar independencia entre los residuos.

Conclusiones

De los resultados se puede concluir que se cumplen los supuestos de

Homocedasticidad, e Independencia. Pero no de Normalidad.

4. El artículo “The Influence of Temperature and Sunshine on the Alpha-Acid Contents of

Hops (Agricultural Meteorology,) informa de los siguientes datos en la producción (y),
temperatura media del periodo entre la fecha al recibir el lúpulo y fecha de cosecharlo
(x1), y porcentaje medio de luz solar durante el mismo periodo (x 2) para una variedad
de lúpulo:

X1 16.7 17.4 18.4 16.8 18.9 17.1 17.3 18.2 21.3

X2 30 42 47 47 43 41 48 44 43
Y 210 110 103 103 91 76 73 70 68

a) Calcular el ANOVA (10%)

Hipótesis Nula

Ho: B1 = B2 = …. = Bk = 0

hipótesis Alternativa

H1: Bj ≠ 0 para al menos una j

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico de
  libertad cuadrados cuadrados F F
Valor de
Regresión 2 11467.8194 5733.90971 8.47709308 0.017859449 P
Residuos 6 4058.4028 676.400466
Total 8 15526.2222      
Se rechaza Ho (B1 = B2 = …. = Bk = 0) y se acepta H1 (Bj ≠ 0 para al menos una j)
con una p=0.017859. El modelo es significativo

b) Determinar las variables significativas del modelo. Utilice un α= 0.1

(15%)

Intercepción 0.00575384 resultado alfa=0.1 conclusion

X1 0.2103362 > 0.1 no significativo
X2 0.01284496 < 0.1 significativo

Se elimina X1(se hace el cálculo de nuevo con X2)

  Probabilidad
Intercepción 0.00178878 resultado alfa=0.1 conclusión
X2 0.00841119 < 0.1 significativo

La X2 es variable

c) Determinar el modelo significativo de la regresión Lineal Múltiple. (10%)

Y= Bo + b1x1 + b2x2 + …. bnXn

Y= -0.001789 + 0.008411 X2

Y= 0.010199967

d) Demostrar los supuestos. (15%)

a) Comprobar el cumplimiento el supuesto de homocedasticidad.

La grafica no denota ninguna forma de cono, mariposa o rombo, por lo que se puede observar
homocedasticidad de los residuos.
 b) Comprobar el cumplimiento el supuesto de Normalidad.

La grafica denota que los puntos están muy próximo a la línea de tendencia por lo que si hay
Normalidad en los residuos.

c) Comprobar el cumplimiento el supuesto de independencia.

La grafica no denota ninguna tendencia de un residuo con otro, por lo que se puede observar
independencia entre los residuos.

Conclusiones

De los resultados se puede concluir que se cumplen los supuestos de Homocedasticidad,

Normalidad e Independencia.
Formulario

Rubrica
 Conclusiones de la Unidad.
En esta unidad comprendí que se puede calcular o pronosticar algo ya sea una línea de

producción o otra cosa. Siempre y cuando tengamos un margen o antecedentes. Para

ello la utilización de la herramienta Excel es primordial ya que ahí es mas practico y el

manejo de las cantidades se tornan de manera eficiente además con la ayuda del

apartado de análisis de datos nos ahorramos muchos pasos. Teniendo graficas que nos

indican el comportamiento de dichas tablas teniendo cuenta un modelo de regresión. Un

concepto que también y gracias al maestro Gener fue la de regresión lineal el cual ya

tomo en cuenta en diversas cosas de mi cotidianidad.

EI2_U1_Apellido_Paterno_Primer_Nombre.doc