Estadística Inferencial 2 – Capitulo 11 – Ejercicio 06

a) En este problema ¿cuál variable se considera independiente y cuál dependiente?

X= Horas de uso
Y= Diámetro (mm)

b) Mediante un diagrama de dispersión analice la relación entre estas dos variables.

¿Qué tipo de relación observa y cuáles son algunos hechos especiales?

Gráfica de dispersión de Diámetro (mm) vs. Horas de uso

40.0

37.5

35.0
Diámetro (mm)

32.5

30.0

27.5

25.0
0 50 100 150 200 250 300 350
Horas de uso

c) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de
hipótesis y verifique residuos).

Ecuación de regresión
Diámetro = 24.863
(mm) + 0.04641 Horas de uso

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
 Regresión 1 366.674 366.674 757.45 0.000
Horas de 1 366.674 366.674 757.45 0.000
uso
Error 18 8.714 0.484
Total 19 375.388

Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV

Constante 24.863 0.323 76.93 0.000

Horas de uso 0.0464 0.00169 27.52 0.000 1.00
1

d) ¿La calidad del ajuste es satisfactoria? Argumente.

Resumen del modelo

R-cuad.
(ajustado R-cuad.
S R-cuad. ) (pred)

0.69576 97.68% 97.55% 97.15%

7

e) Si el diámetro máximo tolerado es de 45, ¿cuántas horas de uso estima que tiene esa
herramienta?

Configuración
Valor de
Variable configuración

Horas de uso 433.893

Predicción
EE de
Ajuste ajuste IC de 95% IP de 95%

45.0000 0.474598 (44.0029, (43.2306, 46.7695) X

45.9971)
X denota un punto poco común en relación con los niveles de predictor utilizados para ajustar
el modelo.

f) Señale el valor de la pendiente de la recta e interprételo en términos prácticos.

Ecuación de regresión
 Diámetro = 24.863 + 0.04641 Horas de uso
(mm)

Estadística Inferencial 2 – Capitulo 11 – Ejercicio 07

a) En este problema, ¿cuál variable se considera independiente y cuál dependiente?

X= Tiempo (minutos)
Y= Rendimiento (%)

b) Mediante un diagrama de dispersión analice la relación entre estas dos variables.

¿Qué tipo de relación observa y cuáles son algunos hechos especiales?

Gráfica de dispersión de Rendimiento (%) vs. Tiempo (minutos)

85

80
Rendimiento (%)

75

70

65

8 10 12 14 16 18 20
Tiempo (minutos)

c) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de
hipótesis y verifique residuos).
Análisis de Varianza
MC
Fuente GL SC Ajust. Ajust. Valor F Valor p

Regresión 1 243.68 243.684 8.29 0.016

Tiempo 1 243.68 243.684 8.29 0.016
(minutos)
Error 10 293.87 29.387
Falta de ajuste 7 264.85 37.835 3.91 0.145
Error puro 3 29.03 9.675
Total 11 537.56

d) ¿La calidad del ajuste es satisfactoria? Argumente.

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)

5.4210 45.33% 39.87% 22.19%

0

e) Destaque el valor de la pendiente de la recta e interprételo en términos prácticos.

Ecuación de regresión
Rendimiento (%) = 57.96 + 1.195 Tiempo (minutos)

f) Estime el rendimiento promedio que se espera a un tiempo de extracción de 25

minutos y obtenga un intervalo de confianza para esta estimación.

Configuración
Valor de
Variable configuración

Tiempo 25
(minutos)

Predicción
EE de
Ajuste ajuste IC de 95% IP de 95%

87.8309 4.56455 (77.6604, 98.0013) (72.0406, 103.621) X

X denota un punto poco común en relación con los niveles de predictor utilizados para ajustar
el modelo.
Estadística Inferencial 2 – Capitulo 11 – Ejercicio 08
a) De estas variables ¿cuál se puede suponer independiente y cuál dependiente?

X= Horas extra
Y= Defectos %

b) Obtenga el diagrama de dispersión para estas variables. ¿Qué relación observa?

Gráfica de dispersión de Defectos % vs. Horas extra

16

14

12

10
Defectos %

0
0 100 200 300 400 500 600 700 800 900
Horas extra

c) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de
hipótesis y verifique residuos).
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 1 205.387 205.387 55.97 0.000

Horas extra 1 205.387 205.387 55.97 0.000
Error 20 73.385 3.669
Falta de 19 68.885 3.626 0.81 0.721
ajuste
Error puro 1 4.500 4.500
Total 21 278.773
Ecuación de regresión
Defectos % = 2.111 + 0.01707 Horas extra

d ) ¿La calidad del ajuste es satisfactoria?

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)

1.9155 73.68% 72.36% 69.13%

3

e) El que dos variables estén relacionadas no necesariamente implica que haya una
relación causa-efecto. Sin embargo, a pesar de esto, ¿puede concluir con seguridad que
cuando se trabaja tiempo extra se incrementa el porcentaje de defectuosos, porque
ocurren factores como calentamiento de equipo, cansancio de obreros, etc., y todo esto
causa mayores problemas en la calidad de las piezas?

Estadística Inferencial 2 – Capitulo 11 – Ejercicio 09

a) ¿Qué tipo de relación existe entre estas variables? Apóyese en diagrama de dispersión
y coeficiente de correlación.

Gráfica de dispersión de Piezas defectuosas vs. Eficiencia

5000

4000
Piezas defectuosas

3000

2000

1000
86 87 88 89 90 91 92
Eficiencia

b) Ajuste un modelo de regresión a los datos e interprete.

Análisis de regresión: Piezas defectuosas vs. Eficiencia

Análisis de Varianza
Valor
Fuente GL SC Ajust. MC Ajust. F Valor p

Regresión 1 1273285 12732855 59.02 0.000

5
Eficiencia 1 1273285 12732855 59.02 0.000
5
Error 18 3883116 215729
Falta de 16 3652451 228278 1.98 0.387
ajuste
Error puro 2 230665 115333
Total 19 1661597
1
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)

464.46 76.63% 75.33% 71.86%

6

Coeficientes
EE
del
Término Coef coef. Valor T Valor p FIV

Constante 50726 6273 8.09 0.000

Eficiencia -534.9 69.6 -7.68 0.000 1.00

Ecuación de regresión
Piezas = 50726 - 534.9 Eficiencia
defectuosas

Ajustes y diagnósticos para observaciones poco comunes

Piezas Resi Resid
Obs defectuosas Ajuste d est.

1 2116 3071 -955 -2.13 R

15 4814 4354 460 1.19 X
Residuo grande R
X poco común X

c) Verifique los supuestos del modelo.

 Gráficas de residuos para Piezas defectuosas
Gráfica de probabilidad normal vs. ajustes
99
500
90
Porcentaje

Residuo
0
50

-500
10

1 -1000
-1000 -500 0 500 1000 2000 3000 4000
Residuo Valor ajustado

Histograma vs. orden

6.0
500
4.5
Frecuencia

Residuo
0
3.0

-500
1.5

0.0 -1000
-800 -400 0 400 2 4 6 8 10 12 14 16 18 20
Residuo Orden de observación

Estadística Inferencial 2 – Capitulo 11 – Ejercicio 10

a) Mediante un diagrama de dispersión analice la relación entre estas dos variables.

¿Qué tipo de relación observa?

Gráfica de dispersión de Vida vs. Velocidad

10

8
Vida

4
20 25 30 35 40
Velocidad
b) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de
hipótesis y verifique residuos).

Ecuación de regresión
Vida = 13.69
- 0.2218 Velocidad

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 1 27.062 27.0618 33.04 0.000

Velocidad 1 27.062 27.0618 33.04 0.000
Error 11 9.009 0.8190
Falta de 3 1.891 0.6302 0.71 0.574
ajuste
Error puro 8 7.118 0.8898
Total 12 36.071

c) ¿La calidad del ajuste es satisfactoria? Argumente.

Resumen del modelo

R-cuad.
(ajustado R-cuad.
S R-cuad. ) (pred)

0.90498 75.02% 72.75% 67.48%

4

d) Si normalmente la herramienta se opera a una velocidad de 30 metros por minuto,

estime el tiempo medio de vida tanto de manera puntual como por intervalo.

Configuración
Valor de
Variable configuración

Velocida 30
d

Predicción
Ajuste EE de ajuste IC de 95% IP de 95%

7.0384 0.250997 (6.48602, 7.59090) (4.97142, 9.10551)

6
e) Señale el valor de la pendiente de la recta e interprételo en términos prácticos.

Ecuación de regresión
Vid = 13.69 - 0.2218 Velocidad
a

f) Obtenga el error estándar de estimación y comente qué relación tiene con la calidad
del ajuste.

Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV

Constante 13.69 1.18 11.56 0.000

Velocidad -0.2218 0.0386 -5.75 0.000 1.00

Estadística Inferencial 2 – Capitulo 11 – Ejercicio 11

a) Realice los cálculos indicados en la tabla.

xi yi xy x2 y2
0 4 0 0 16
1 3 3 1 9
2 6 12 4 36
3 9 27 9 81
4 9 36 16 81
5 11 55 25 121
6 12 72 36 144
7 14 98 49 196
28 68 303 140 684

b) Con base en lo anterior, construya la tabla de análisis de regresión para la recta de

regresión (tabla 11.4) y el análisis de varianza (tabla 11.5).

Análisis de Varianza
Valor
Fuente GL SC Ajust. MC Ajust. F Valor p

Regresió 1 100.595 100.595 111.67 0.000

n
 xi 1 100.595 100.595 111.67 0.000
Error 6 5.405 0.901
Total 7 106.000

Resumen del modelo

R-cuad.
(ajustado R-cuad.
S R-cuad. ) (pred)

0.94910 94.90% 94.05% 90.44%

1

Coeficientes
EE
del Valor
Término Coef coef. T Valor p FIV

Constante 3.083 0.613 5.03 0.002

xi 1.548 0.146 10.57 0.000 1.00

Ecuación de regresión
y = 3.083 + 1.548 xi
i

c) A partir de lo anterior obtenga conclusiones.

d) Obtenga el coeficiente de determinación y valore la calidad del ajuste.

Estadística Inferencial 2 – Capitulo 11 – Ejercicio 14

a) ¿Qué tipo de relación existe entre estas variables? Apóyese en diagrama de dispersión
y coeficiente de correlación.
 Gráfica de dispersión de Número de cortos vs. Flux (ml/min)
6

5
Número de cortos

10 15 20 25 30 35
Flux (ml/min)

b) Ajuste un modelo de regresión a los datos e interprete.

Análisis de regresión: Número de cortos vs. Flux (ml/min)

Análisis de Varianza
MC
Fuente GL SC Ajust. Ajust. Valor F Valor p

Regresión 1 43.518 43.5176 107.90 0.000

Flux 1 43.518 43.5176 107.90 0.000
(ml/min)
Error 12 4.840 0.4033
Total 13 48.357

Resumen del modelo

R-cuad.
(ajustado R-cuad.
S R-cuad. ) (pred)

0.63505 89.99% 89.16% 85.68%

6
Coeficientes
Término Coef EE del Valor T Valor p FIV
 coef.

Constante 7.815 0.513 15.23 0.000

Flux (ml/min) -0.2187 0.021 -10.39 0.000 1.00
1

Ecuación de regresión
Número de = 7.815
cortos - 0.2187 Flux (ml/min)

c) Verifique los supuestos del modelo.

Gráficas de residuos para Número de cortos

Gráfica de probabilidad normal vs. ajustes
99
1.0
90
0.5
Porcentaje

Residuo
50 0.0

-0.5
10
-1.0
1
-1 0 1 0.0 1.5 3.0 4.5 6.0
Residuo Valor ajustado

Histograma vs. orden

3 1.0

0.5
Frecuencia

2
Residuo

0.0

1
-0.5

-1.0
0
-1.0 -0.5 0.0 0.5 1.0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Residuo Orden de observación
Estadística Inferencial 2 – Capitulo 11 – Ejercicio 15
a) ¿Qué tipo de relación existe entre estas variables? Apóyese en diagrama de dispersión
y coeficiente de correlación.

Gráfica de dispersión de Altura (milésimas de pul vs. Presión (kg)

12
Altura (milésimas de pulgada)

11

10

7
8 9 10 11 12 13 14 15 16 17
Presión (kg)

b) Ajuste un modelo de regresión a los datos e interprete.

Ecuación de regresión
Altura (milésimas de = 15.96
pulgada) - 0.5103 Presión (kg)

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 1 21.484 21.4838 30.09 0.001

Presión (kg) 1 21.484 21.4838 30.09 0.001
Error 8 5.712 0.7140
Total 9 27.196

Resumen del modelo

S R-cuad. R-cuad. R-cuad.
(ajustado (pred)
 )

0.84500 79.00% 76.37% 66.90%

3

Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV

Constante 15.96 1.19 13.37 0.000

Presión (kg) -0.5103 0.0930 -5.49 0.001 1.00

c) Verifique los supuestos del modelo.

Gráficas de residuos para Altura (milésimas de pulgada)

Gráfica de probabilidad normal vs. ajustes
99 1.0

90 0.5
Porcentaje

Residuo

0.0
50
-0.5
10 -1.0

1
-2 -1 0 1 2 8 10 12
Residuo Valor ajustado

Histograma vs. orden

4 1.0

0.5
3
Frecuencia

Residuo

0.0
2
-0.5
1
-1.0

0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1 2 3 4 5 6 7 8 9 10
Residuo Orden de observación

d) Considerando que la altura ideal de la pasta es ocho, de acuerdo con el modelo, ¿cuál
es la presión que deben tener las escobillas?

Configuración
Valor de
Variable configuración

Presión 15.5986
(kg)

Predicción
Ajuste EE de ajuste IC de 95% IP de 95%

7.9987 0.393067 (7.09236, 8.90519) (5.84969, 10.1479)

8