Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Un profesor de mercadotecnia de una universidad desea saber cuál es la relación entre las horas de estudio y la calificación en un curso. A
continuación se presentan los datos obtenidos de 10 estudiantes que tomaron el curso el trimestre pasado.
Obtenga la ecuación de regresión estimada que indica la relación entre calificación y horas de estudio.
Empleando α = 0.05 pruebe la significancia del modelo.
Pronostique la calificación que obtendrá Mark Sweeney. Él estudió 95 horas.
Calcule un intervalo de predicción de 95% para la calificación de Mark Sweeney.
Fuente: Estadística para administración y Economía – 10Ed. Anderson, Sweeney y Williams – Página 612.
SSxy SSxx SSyy
X Y X- Y- (X-)(Y-) (X-)^2 Y-^2 Yestimado (Yest-)^2 (-Yest)^2
Horas de Estudio Calificación
1 45 40 -24.5 -23.5 575.75 600.25 552.25 43.1762837 413.053442 10.0887784479
2 30 35 -39.5 -28.5 1125.75 1560.25 812.25 30.7331922 1073.6637 18.20564909939
3 90 75 20.5 11.5 235.75 420.25 132.25 80.5055585 289.18902 30.31117435903
4 60 65 -9.5 1.5 -14.25 90.25 2.25 55.6193753 62.1042452 87.99611918322
5 105 90 35.5 26.5 940.75 1260.25 702.25 92.9486501 867.222991 8.694537290787
6 65 50 -4.5 -13.5 60.75 20.25 182.25 59.7670725 13.9347475 95.39570571145
7 90 90 20.5 26.5 543.25 420.25 702.25 80.5055585 289.18902 90.14441946226
8 80 80 10.5 16.5 173.25 110.25 272.25 72.2101641 75.8669588 60.68154322439
9 55 45 -14.5 -18.5 268.25 210.25 342.25 51.4716781 144.680527 41.88261790349
10 75 65 5.5 1.5 8.25 30.25 2.25 68.0624669 20.8161043 9.378703597574
∑SSxy ∑SSxx VarTotal∑SSyy VarExp VarInex
69.5 63.5 3917.5 4722.5 3702.5 3249.72075 452.7792482795
r r^2 s
β0 β1 0.93686170733 0.87770986 7.52312475
5.84700899947062 0.829539438856538
X0 ValorDist Yesti Intervalo de Predicción T(11,0.05) 1.795884818704
95 0.2376919 84.6532557 [ ]
95% 69.6224238115 99.6840876
REGRESIÓN LINEAL
100
90
f(x) = 0.829539438856538 x + 5.84700899947062
80
R² = 0.877709858668599
70
60
50
40
30
20
10
0
20 30 40 50 60 70 80 90 100 110
REGRESIÓN CUADRATICA
100
90 f(x) = 0.00110161306309061 x² + 0.680390127606808 x + 10.3715828642889
R² = 0.878532640013428
80
70
60
50
40
30
20
10
0
20 30 40 50 60 70 80 90 100 110
Harry Daniels es un ingeniero de control de calidad para la Specific Electric Corporation, empresa que fabrica motores eléctr
de fabricación implica el uso de una máquina fresadora automática para hacer las aberturas en los ejes de los motores. Cad
descartan todos los ejes que no cumplan con las dimensiones requeridas. Antes de fabricar un nuevo lote, la máquina fresa
cabeza cortadora se desagasta ligeramente durante la producción. A Harry se le ordenó pronostciar cómo afecta el tamaño
defectuosos en cada conjunto, a fin de que pueda seleccionar el mejor tamaño de lote.
Grafique los datos en un diagrama de dispersión.
Ajuste un modelo de regresión lineal simple. Luego a un modelo de regresión polinómica de segundo grado.
Pronostique el número de defectuosos para un lote de 350 ejes.
a de segundo grado.
Lineal Cuadrático
X= 300 46
Y= 75.927 5.6833
Y/X 0.25309 0.12355
120
60
40
20
0
0 50 100 150 200 250 300 350
f(x)/x 0.0009X+0.0408+1.9021/X
Dx( f(x)/x ) 0.0009-1.9021/X^2
X' = 45.9722138
2097902
2307692
0 350
Para este ejemplo se debe ajustar a una función y determinar su fórmula.
La compañía desea mejorar la cantidad de kilómetros recorridos por galón de gasolina en los automóviles que usan este com
especialistas en química de la compañía recomiendan un aditivo para mejorar el rendimiento de la gasolina.
Objetivo
Determinar la cantidad de unidades de aditivo que se debe mezclar con la gasolina para maximizar las millas recorridas. A la
gustaría predecir la cantidad máxima de kilómetros recorridos por galón que se puede alcanzar utilizando el aditivo.