Ejercicios en clase

1. En una instalacin de produccin, es muy importante para la gerencia estimar con exactitud las
horas/hombre requeridas para llevar a cabo una tarea, a fin de tomar decisiones como el nmero
correcto de obreros que debe contratar, la fecha de entrega que debe proponer al cliente, o
decisiones de anlisis de costos relativos a los presupuestos. Un fabricante de tambores para
calderas quiere utilizar regresin para predecir el nmero de horas/hombre necesarias para erigir los
tambores en proyectos futuros. Con este fin, recab datos para 35 calderas. Adems de las
horas/hombre (y), las variables que se midieron fueras la capacidad de la caldera (x1, en lb/h), la
presin diseada de la caldera (x2, en libras por pulgada cuadrada o ps1), tipo de caldera (x3 =1 si
es para la industria, 0 si es para servicios) y tipo de tambos (x4=1 si es de vapor de agua, 0 si es de
lodo). Los datos se proporcionan en la siguiente tabla.

() = 0 + 1 1 + 2 2 + 3 3 + 4 4
Anlisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresin 4 230854854 57713714 72,11 0,000
Capacidad de la caldera 1 75050455 75050455 93,78 0,000
Precisin diseada 1 7053811 7053811 8,81 0,006
Tipo de Caldera 1 11421431 11421431 14,27 0,001
Tipo de Tambor 1 37544266 37544266 46,91 0,000
Error 31 24809761 800315
Falta de ajuste 18 22736118 1263118 7,92 0,000
Error puro 13 2073643 159511
Total 35 255664615

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
894,603 90,30% 89,04% 83,83%

Coeficientes

Trmino Coef EE del coef. Valor T Valor p FIV

Constante -3783 1205 -3,14 0,004
Capacidad de la caldera 0,008749 0,000903 9,68 0,000 2,83
Precisin diseada 1,926 0,649 2,97 0,006 5,66
Tipo de Caldera 3444 912 3,78 0,001 6,46
Tipo de Tambor 2093 306 6,85 0,000 1,04

Ecuacin de regresin

Horas/Hombre = -3783 + 0,008749 Capacidad de la caldera

+ 1,926 Precisin diseada
+ 3444 Tipo de Caldera + 2093 Tipo de Tambor

Ajustes y diagnsticos para observaciones poco comunes

Resid
Obs Horas/Hombre Ajuste Resid est.
19 14791 12022 2769 3,81 R

Residuo grande R
 a. Pruebe la hiptesis de que la capacidad de la caldera (x1) tiene una relacin lineal positiva
con las horas/hombres (y). Utilice = 0.05

Se debe analizar la correlacion

Correlacin de Pearson de Capacidad de la caldera y Horas/Hombre = 0,827
Valor p = 0,000

Minitab hace la prueba si la correlacin es igual a 0 o diferente de 0

b. Pruebe la hiptesis de que la precisin de la caldera (x2) tiene una relacin lineal positiva con
las horas/hombres (y). Utilice = 0.05

c. Establezca un intervalo de confianza de 95% para 3

Error
estndar
de la
N Media Desv.Est. media IC de 95% T P
36 3444 912 152 (3135. 3753) 22,66 0,000

d. En construccin de modelos (curso de Diseo de Experimentos) usted ver que 3

representa la diferencia entre el nmero medio de horas/hombre necesarias para erigir en el
campo calderas industriales y de servicios. Utilice esta informacin para interpretar el intervalo
de confianza del inciso c.
e. Establezca un intervalo de confianza de 95% para 4 e interprete el resultado. Sugerencia:
4 = , donde representa el nmero medio de horas/hombre requeridas
para erigir un tambor de tipo i.
f. Analice los residuales.
 Prueba de normalidad
Media -6,31594E-15
Desv.Est. 841,9
N 36
AD 0,363
Valor p 0,422
Prueba de media
Error
estndar
de la
Variable N Media Desv.Est. media IC de 95% Z P
RESID 36 -0 842 140 (-275. 275) -0,00 1,000
La varianza debe ser constante
Si no es constante el patrn la varianza
Ultimo supuesto determinar si los errores son independientes
Si son dependientes es decir estn correlacionados
El comportamiento de la ultima grafica debe ser random los residuos no deben
tener un comportamiento en particular
Los errores deben estar dentro de +- 3 desviaciones estndar

Horas/Hombre Capacidad de Precisin Tipo de Tipo de

la caldera diseada Caldera Tambor

3137 120000 375 Industrial Vapor

3590 65000 750 Industrial Vapor

4526 150000 500 Industrial Vapor

10825 1073877 2170 Servicios Vapor

4023 150000 325 Industrial Vapor

7606 610000 1500 Servicios Vapor

3748 88200 399 Industrial Vapor

2972 88200 399 Industrial Vapor

3163 88200 399 Industrial Vapor

4065 90000 1140 Industrial Vapor

2048 30000 325 Industrial Vapor

6500 441000 410 Industrial Vapor

5651 441000 410 Industrial Vapor

 6565 441000 410 Industrial Vapor

6387 441000 410 Industrial Vapor

6454 627000 1525 Servicios Vapor

6928 610000 1500 Servicios Vapor

4268 150000 500 Industrial Vapor

14791 1089490 2170 Servicios Vapor

2680 125000 750 Industrial Vapor

2974 120000 375 Industrial Lodo

1965 65000 750 Industrial Lodo

2566 150000 500 Industrial Lodo

1515 150000 250 Industrial Lodo

2000 150000 500 Industrial Lodo

2735 150000 325 Industrial Lodo

3698 610000 1500 Servicios Lodo

2635 90000 1140 Industrial Lodo

1206 30000 325 Industrial Lodo

3775 441000 410 Industrial Lodo

3120 441000 410 Industrial Lodo

4206 441000 410 Industrial Lodo

4006 441000 410 Industrial Lodo

3728 627000 1525 Servicios Lodo

3211 610000 1500 Servicios Lodo

1200 30000 325 Industrial Lodo

2 Ingeniero Qumicos de la Universidad Metropolitana de Tokio analizaron especmenes de aire urbano

para detectar la presencia de cidos dicarboxlicos de bajo peso molecular (Environmental Science &
Technology, octubre de 1993). Las concentraciones de cidos dicarboxlicos (como porcentaje del
carbono total) y de oxidantes para 19 especmenes de aire recolectados en el rea urbana de Tokio
ser listan en la tabla. Elabore un modelo de regresin lineal que relaciones el porcentaje de cidos
dicarboxlicos (y) con la concentracin de oxidantes (x). Realice un anlisis completo de los residuales.
 Oxidante
ppm
cido
dicarboxlico %
0,85 78
1,45 80
1,80 74
1,80 78
1,60 60
1,20 62
1,30 57
0,20 49
0,22 34
0,40 36
0,50 32
0,38 28
0,30 25
0,70 45
0,80 40
0,90 45
1,22 41
1,00 34
1,00 25
Fuente: Kawamura, K. e Ikushima, K., "Seasonal changes in the distribution of
dicarboxylic acids in the urban atmosphera", Environmental Science & Technology,
vol. 27, nm. 10, octubre de 1993, pg. 2232 (datos extrados de la figura 4)

3 Hamilton (1987) ilustr el problema de la multicolinealidad con un ejemplo en el que se utilizaron los
datos de la siguiente tabla. Los valores de x1, x2, y y en la tabla representa el valor estimado del
terreno, el valor estimado de las mejores y el precio de venta, respectivamente, de una propiedad
residencial escogida al azar.
X1 X2 y
 22.3 96.6 123.7

25.7 89.4 126.6

38.7 44.0 120.0

31.0 66.4 119.3

33.9 49.1 110.6

28.3 85.2 130.3

30.2 80.4 131.3

21.4 90.5 114.4

30.4 77.1 128.6

32.6 51.1 108.4

33.9 50.5 112.0

23.5 85.1 115.6

27.6 65.9 108.3

39.0 49.0 126.3

31.6 69.6 124.6

a. Calcule el coeficiente de correlacin entre y y x1. Hay pruebas de una relacin lineal entre el
precio de vente y el valor estimado del terreno?
b. Calcule el coeficiente de correlacin entre y y x2. Hay pruebas de una relacin lineal entre el
precio de vente y el valor estimado del terreno?
c. Con base en los resultados de los incisos anteriores, Cree usted que el modelo de () =
0 + 1 1 + 2 2 puede ser til para predecir el precio de vente?
d. Calcule el coeficiente de correlacin entre x1 y x2 Qu implica este resultado?

Si tengo una varianza donde la grafica sea multiplicativa se hace una tranformacion

Y* = ln(y)
Cuando es poisson

y*=

transformacin de la binomial

sin1
Donde y representa u8na proporcin

Modelo general de transformacin lineal (aplica a todos)

Para revisar si un modelo global es til se revisa la primera parte donde dice regresin

La prueba de hiptesis q se realiza es

Ho: b1=b2=b3..bn=0

Ha: existe algn bi diferente de cero

Se puede realizar una prueba f