CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

PRCTICA DE LABORATORIO
ACADEMIA
CARRERA
MATERIA
UNIDAD 3
ESTUDIANTE

NMERO:1

MTODOS ESTADSTICOS AVANZADOS NIVEL B

INGENIERIO INDUSTRIAL ESTADISTICO
ESTADISTICA NO PARAMETRICA
MEDIDAS DE ASOCIACIN, PREDICCIN Y BONDAD DE AJUSTE
Rafael Vargas Martnez
FECHA: 2/12/15

NOMBRE DE LA PRCTICA
Coeficientes de asociacin y Regresin logstica
1
OBJETIVO
Calcular e interpretar los coeficientes de asociacin entre variables, mediante el
coeficiente de correlacin de Pearson, Spearman y Kendall. Obtener el modelo de
regresin logstica.
2
INTRODUCCIN
Ver presentaciones de los temas
Coeficiente de correlacin de Pearson y de Spearman
Coeficiente de Kendall
Regresin Logstica
3

PLANTEAMIENTO

1. Un gran nmero de productos, estn expuestos a factores que pueden afectar su

calidad. Se lleva a cabo un estudio para investigar si dicha exposicin se relaciona con
la condicin del producto (defectuoso o no defectuoso). Los datos obtenidos son:

a) Identifique la variable respuesta y explicativa, as como el xito y fracaso de

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

cada variable.
Como variable respuesta tenemos el nmero de defectuosos siendo xito el que no
sean defectuosos(no=1) y el fracaso el que sean defectuosos(si=0).

Como variable independiente tenemos el factor si es expuesto o no, como xito

tenemos el que sea expuesto(si=1) y como fracaso tenemos el que no sea
expuesto(no=0)

b) Calcule los coeficientes de asociacin de Pearson, Spearman y Kendall.

Al hacer los calculos en R, tenemos un coeficiente de asociacin de Pearson igual a
0.113842, lo cual significa que tenemos una correlacin positvia dbiel entre los
defectos y el factor exposicin del producto.
Tenemos un coeficiente de asociacin de Spearman igual a 0.113842, lo cual significa
que tenemos una correlacin positvia dbiel entre los defectos y el factor exposicin del
producto
Y finalmente tenemos un coeficiente de asocian de kendall igual a 0.113842, lo cual
significa que tenemos una correlacin positvia dbiel entre los defectos y el factor
exposicin del producto.

c) Realice las pruebas de hiptesis correspondientes para cada uno de los

coeficientes, con un nivel de significancia de 5%. (utilice los paquetes Spearman
y Kendall)
H0: r=0 vs H1: r<>0
RD: rechazar H0 si p<alfa
Como 0.004538<0.05 se rechaza H0, es decir que hay relacin o asociacin entre el
defecto y la exposicin del producto.
H0: rho=0 vs H1: rho<>0
RD: rechazar H0 si p<alfa

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

Como 0.004538<0.05 se rechaza H0, es decir que hay relacin o asociacin entre el
defecto y la exposicin del producto.
H0: tau=0 vs H1: tau<>0
RD: rechazar H0 si p<alfa
Como 0.004621<0.05 se rechaza H0, es decir que hay relacin o asociacin entre el
defecto y la exposicin del producto.

d) Calcule e intrprete el ODDS-RATIO.

oddsratio<-oddsx1/oddsx0;oddsratio
(Intercept)
1.789474
Si en una inspeccin del producto se tiene en cuenta el unico factor de que fue
expuesto, tenemos que la ventaja de ser defectuoso es de 1.789474 que si el producto
no sea expuesto.
e) Calcule e interprete el riesgo relativo.
riesgo.rel<-px1/px0;riesgo.rel
[1] 1.789474
Si en una inspeccin del producto se tiene en cuenta el unico factor de que fue
expuesto, una probabilidad de que sea defectuoso de 178.94% ms que si el producto
no sea expuesto.
0 + 1 X

f) Represente grficamente el modelo

e
p=
+ X
1+e
0

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

0.0

0.2

0.4

p.est

0.6

0.8

1.0

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

-10

-5

10

cx

Se verifica que existe una correlacin positiva entre el defecto y la exposicin del
producto.
Entre ms expuesto este el producto, la probabilidad de estar defectuoso es mayor

g) Interprete

En R obtenemos que el modelo resultante es:

Coefficients:
(Intercept)
-1.7346

x
0.5819

beta 1= 0.5819, es el incremento que existe en la probabilidad obtener un defecto por

cada unidad de exposicin del producto aumente.
h) Si se indica que la probabilidad mxima permitida de defectuosos es 0.25, cul
es el nmero mximo de productos expuestos permitidos?

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

p.est

0.0

0.2

0.4

0.6

0.8

1.0

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

-10

-5

10

cx

Para obtener como mximo el 25% de los productos con defectos, debemos tener
como mximo
1.092 productos expuestos.

2.La buja tiene dos funciones primarias: Quemar la mezcla aire/combustible. Disipar
la Temperatura dentro de la cmara de combustin hacia el sistema de enfriamiento del
motor (Rango Trmico).
Las bujas transmiten energa elctrica que convierten al combustible en un sistema de
energa. Una cantidad suficiente de voltaje se debe de proveer al sistema de ignicin
para que pueda generar la chispa a travs de la calibracin de la buja. Este fenmeno
es llamado Desempeo Elctrico.
La temperatura de la punta de encendido de la buja debe de encontrarse lo
suficientemente baja como para prevenir la pre-ignicin, pero lo suficientemente alta
como para prevenir la carbonizacin. Esto es llamado Desempeo Termal, y es
determinado por el rango trmico seleccionado.
Es importante recordar que las bujas no crean calor, slo pueden remover
temperatura. La buja trabaja como un intercambiador de calor sacando energa
Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

trmica de la cmara de combustin, y transfiriendo el calor fuera de la cmara de

combustin hacia el sistema de enfriamiento del motor. El rango trmico est definido
como la habilidad de una buja para disipar el calor.
Las principales causas que originan un mal funcionamiento en las bujas tanto en
motos como en coches en un 98% de las veces son ajenas a las bujas. Y son
principalmente 4 las fallas ms comunes en la buja.
1. Carbonizacin
2. Sobrecalentamiento
3. Falta de voltaje
4. Aplicacin incorrecta.
Con la finalidad de hacer un anlisis estadstico que permita sustentar en parte lo antes
dicho, se realiz un experimento de laboratorio en el que se sometieron a 23 bujas a
diferentes temperaturas y se observ si stas presentaban una falla o no. Los datos
son los siguientes:
Buja
Temperatura
Falla (1=si,
0=no)
1.

1
6
6

2
7
0

3
6
9

4
6
8

5
6
7

6
7
2

7
7
3

8
7
0

9
5
7

1
1
0 11 2
6 7 7
3 0 8

1
3
6
7

1
4
5
3

1
5
6
7

1
6
7
5

1
7
7
0

1
8
8
1

1
9
7
6

Identifique la variable respuesta y explicativa, as como el xito y fracaso de

cada variable.

Tenemos que la variable respuesta se refiere a la falla o no en las bujas, representada

como falla el numero 1 y como nmero 0 su no falla.
Siendo la variable explicativa la temperatura, y en el grfico vemos que ms de 65
grados empezamos a obtener fallas. Por lo tanto mayor a 65 grados igual a 1 y 0 en
caso contrario.
2.

Represente grficamente los datos.

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

0.0

0.2

0.4

0.6

0.8

1.0

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

55

60

65

70

75

80

Podemos de 65 grados, empezamos a obtener un mayor nmero de fallas, el

aumento en el nmero de fallas es muy notorio.
3. Calcule los coeficientes de asociacin de Pearson, Spearman y Kendall.
Al hacer los calculos en R tenemos los siguientes resultados:

El coeficiente de Pearson es igual a 0.5607143, por lo cual tenemos una correlacin

positiva mediana
El coeficiente de Spearman es igual a 0.450504 por lo cual tenemos una correlacin
positiva mediana
El coeficiente de kendall es de 0.3826695 por lo cual tenemos una correlacin positiva
dbil
4.

Realice las pruebas de hiptesis correspondientes para cada uno de los

coeficientes, con un nivel de significancia de 5%. (utilice los paquetes Spearman
y Kendall)

Ho: r=0 Vs. H1: r<>0

R.D. rechazar Ho si p<alfa, como el valor p es igual a 0.005383, como es menor al alfa
de 0.05 rechazamos Ho; es decir hay relacin o asociacin entre x y y (la temperatura
y las fallas en la buja)

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

Ho: rho=0 Vs. H1:rho<>0

R.D. rechazar Ho si p<alfa, como el valor p es igual a 0.03098, como es menor al alfa
de 0.05 rechazamos Ho; es decir hay relacin o asociacin entre la temperatura y la
falla de la buja.
Ho: tau=0 Vs. H1:tau<>0
R.D. rechazar Ho si p<alfa, como el valor p es igual a 0.0346, como es menor al alfa de
0.05 rechazamos Ho; es decir hay relacin o asociacin entre la temperatura y la falla
de la buja.
Construya el modelo de regresin logstica.
Coefficients:
(Intercept)
x
-15.0429
0.2322
5.

El modelo es igual a Y=-15.049+0.2322x

beta 1= 0.2322, es el incremento que existe en la probabilidad de aumentar la falla por
cada unidad de temperatura que se aumente.
6. Calcule e intrprete el ODDS-RATIO.
1.261325
oddsratio<-oddsx1/oddsx0;oddsratio
(Intercept)
1.261325

Si se tiene como unico factor una temperatura alta , la ventaje de que falle es de
1.261325 veces que si fuera una temperatura baja.
7.

Calcule e interprete el riesgo relativo.

La probabilidad de encontrar una falla dado que tenemos una temperatura alta es de
126% mayor que la probabilidad de encontrar una falla al tener una temperatura baja.

8.

Represente grficamente el modelo

p=

e + X
+ X
1+e
0

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

0.0

0.2

0.4

p.est

0.6

0.8

1.0

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

20

40

60

80

100

cx

Podemos ver una correlacin positiva lo que significa que entre mayor temperatura
tengamos la probabilidad de falla aumenta; y vemos como a partir de un valor para la
tempertatura igual a 60 la probabilidad de falla aumenta.
Interprete 1
Beta 1= 0.2322, es el incremento que existe en la probabilidad de aumentar la falla por
cada unidad de temperatura que se aumente.
9.

10.

A qu temperatura, la probabilidad de falla es 0.5?

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

0.0

0.2

0.4

p.est

0.6

0.8

1.0

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

20

40

60

80

100

cx

Se espera que para una temperatura de 64.79 grados la probabilidad de falla sea de
50%
Si la especificacin permitida por el fabricante, indica que la probabilidad
mxima permitida de falla es 0.25, cul es la temperatura mxima permitida?

0.6
0.4
0.0

0.2

p.est

0.8

1.0

11.

20

40

60

80

100

cx

Para tener una probabilidad maxima de falla de 0.25 o de 25% tenemos que
tener una temperatura mxima de 60.06 gradas.

Vo. Bo.
4

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

ANEXOS

###1er Ejercicio
a)
x<-c(rep(0,320),rep(1,300))
y<-c(rep(0,272),rep(1,48),rep(0,228),rep(1,72))
b y c)
cor.test(x,y,method="pearson",alternative="two.sided")
cor.test(x,y,method="spearman",alternative="two.sided")
cor.test(x,y,method="kendall",alternative="two.sided")
d)Calcule e interprete el odds ratio
tabla<-table(x,y)
modelo<-glm(y~x,family="binomial");modelo
betas<-coefficients(modelo)
beta0<-betas[1]
beta1<-betas[2]
oddsx0<-exp(beta0)
oddsx1<-exp(beta0+beta1)
odds.ratio<-exp(beta1);odds.ratio
oddsratio<-oddsx1/oddsx0;oddsratio

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

e)riesgo relativo
px0<-tabla[1,2]/tabla[1,1]
px1<-tabla[2,2]/tabla[2,1]
riesgo.rel<-px1/px0;riesgo.rel
f)
cx<-seq(-10,10,1)
y.est<-beta0+beta1*cx
p.est<-exp(y.est)/(1+exp(y.est))
logit.p.est<-log(p.est/1-p.est)
plot(cx,p.est,col=2,type="l",lwd=2)
g)
modelo<-glm(y~x,family="binomial");modelo
e)

p<-0.25
x<-(log(p/(1-p))-betas[1])/betas[2];x
plot(cx,p.est,col=2,type="l",lwd=2)
abline(v=x)
abline(h=p)

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

###2do Ejercicio
1.x<c(66,70,69,68,67,72,73,70,57,63,70,78,67,53,67,75,70,81
,76,79,75,76,58)
y<-c(1,0,1,1,1,1,1,1,0,0,0,1,1,0,1,1,1,1,1,1,0,1,0)
2.
length(y)
plot(x,y)
3. y 4.
cor.test(x,y,method="pearson",alternative="two.sided")
cor.test(x,y,method="spearman",alternative="two.sided")
cor.test(x,y,method="kendall",alternative="two.sided")
5. y 9.
tabla<-table(x,y)
modelo<-glm(y~x,family="binomial");modelo

6.Calcule e interprete el odds ratio

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008

CENTRO DE CIENCIAS BSICAS

DEPARTAMENTO DE ESTADSTICA

betas<-coefficients(modelo)
beta0<-betas[1]
beta1<-betas[2]
oddsx0<-exp(beta0)
oddsx1<-exp(beta0+beta1)
odds.ratio<-exp(beta1);odds.ratio
oddsratio<-oddsx1/oddsx0;oddsratio
8.
cx<-seq(0,100,1)
y.est<-beta0+beta1*cx
p.est<-exp(y.est)/(1+exp(y.est))
logit.p.est<-log(p.est/1-p.est))
plot(cx,p.est,col=2,type="l",lwd=2)
10.
p<-0.5
x<-(log(p/(1-p))-betas[1])/betas[2];x
plot(cx,p.est,col=2,type="l",lwd=2)
abline(v=x)
abline(h=p)
11.
p<-.25
x<-(log(p/(1-p))-betas[1])/betas[2];x
plot(cx,p.est,col=2,type="l",lwd=2)
abline(v=x)
abline(h=p)

Cdigo: FO-120200-02
Revisin: 00
Emisin: 20/10/2008