Escolar Documentos
Profissional Documentos
Cultura Documentos
Motor 2
2.48 1.35 0.65 2.6 1.5 0.08 1.17
1.64 2.16 0.93 2.67 1.28 0.58 1.11
0.98 0.5 1.17 1.43 0.53 1.48 3
1.74 1.97 1.6 1.45 0.67 1.23 1.06
1.8 1.27 1.97 0.89 0.43 0.34 2.01
0.35 0.61 1.88 2.07 0.66 1.45 1.16
1.19 1.61 0.73 0.99 0.73 1.38 1.77
1.7 2.36 2.47 0.36 1.65 3.01 2.07
a) Pruebe si la desviacin estndar del tiempo hasta falla del motor 1 puede declararse menor a 3 aos. Use =
Ho:
Ha:
X = (16-1)*2,02/9
X = 3.36666667
Valor crtico
X(15,0,01) = 30,578
n= 16
s = 2.02621486
o = 3*3=9
b) Determine si es vlido afirmar que ms del 80 % de los motores tipo 2 presentan un tiempo hasta falla supe
Resuelva esta prueba usando valor-P.
Ho: P
Ha: P
Z= (pp-po)/(po*(1-po)/n)
Z= (pp-po)/(po*(1-po)/n)
pp = 0.25 = 4/16
po = 0.8
1-po = 0.2
n= 16
c) Para el tiempo hasta falla del motor 2, determine si es vlido modelar la poblacin utilizando una distribuci
Son dos pruebas X; una ppara la distribucin uniforme y otra para la distribucin normal.
xp = 1.467375
s= 0.69097206
n= 80
Regla de rechazo
Dado que el X de la prueba es menor que el X de la tabla no se puede rechazar la hiptesis nula; se acepta que l
0.96
0.41
9
> 9
16-1)*2,02/9
pp-po)/(po*(1-po)/n)
pp-po)/(po*(1-po)/n)
a) Se puede declarar diferente el tiempo promedio que demora en terminar el desayuno y el que demora en el a
*Con = 0,01
Prueba t para dos muestras suponiendo varianzas desiguales
Desayuno Almuerzo
Media 506 1142.4
Varianza 1429.09091 3701.82857
Observaciones 12 15
Diferencia hipottica de las medias 0
Grados de libertad 24
Estadstico t -33.270639
P(T<=t) una cola 6.7898E-22
Valor crtico de t (una cola) 2.49215947
P(T<=t) dos colas 1.358E-21
Valor crtico de t (dos colas) 2.7969395
Ya que el valor t de la prueba es inferior a - 1,71 que sera el valor crtico de referencia se tiene que los promedios
b) Con un 99 % de confianza, bajo qu valor se encuentra la diferencia entre el tiempo promedio que tarda en
Donde
xp1= 506
xp2= 1142.4
t= 2.79
s = 1429.09091
s = 3701.82857
n1 = 12
n2 = 15
c) Es correcto afirmar que la desviacin estndar del tiempo que tarda en desayunar es menor a la del tiempo
Desayuno Almuerzo
Varianza 1429.09091 3701.82857
F= 1429,09090909091/3701,82857142857
F= 0.38605
Con = 0,05
Donde:
s = 1429.09091
s = 3701.82857
v1 = 11
v2 = 14
f(1-/2,v1,v2) = 2.1 *se dej un solo decimal para no interpolar
f(1-/2,v2,v1) = 2.2
mpo promedio que tarda en desayunar y el tiempo promedio requerido para almorzar?
ar es menor a la del tiempo que demora en almorzar?
9091/3701,82857142857
Observacin 1 2 3 4 5 6
Temperatura 273 283 293 303 313 323
Presin de v 4.6 9.2 17.5 31.8 55.3 92.5
a) Presente los datos en un diagrama de dispersin. Qu tipo de relacin parece apropiada para relacionar la
400
300
200
100
0
260 280 300 320 340 360 380
Temperatura
Por la tendencia, parece que un modelo de regresin exponencial es ms adecuado que una regresin lineal.
800
a estos datos.
sin de vapor (mmHg)
600
f(x) = 6.6855454545x - 1956.2584545455
400 R = 1
200
1000
800
ANLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crtico de F
Regresin 1 491661.698 491661.698 35.5695499 0.00021165
Residuos 9 124402.904 13822.5448
Total 10 616064.602
Observacin
Pronstico Presin de vaporResiduos
(mmHg)Residuos estndares
1 -131.10455 135.704545 1.21668775
2 -64.249091 73.4490909 0.65852333
3 2.60636364 14.8936364 0.13353204
4 69.4618182 -37.661818 -0.337665
5 136.317273 -81.017273 -0.7263775
6 203.172727 -110.67273 -0.9922597
7 270.028182 -120.62818 -1.0815174
8 336.883636 -103.18364 -0.9251147
9 403.739091 -48.639091 -0.436084
10 470.594545 55.2054545 0.49495616
11 537.45 222.55 1.99531901
Modelo de regresin
Presin = 6,69*temperatura-1956,26
Coeficiente d 0.89334675
Coeficiente 0.79806841
Con estos coeficientes se considera que la regresin refleja la dependencia de las variables y se considera estadsti
e) Determine segn el modelo entre qu valores se tiene un 99 % de confianza que se encontrar la presin de va
Modelo de regresin
Presin = 6,69*temperatura-1956,26
Presin = 6,69*360-1956,26
Presin = 452.14
L. inferior = 214.960914
L. superior = 689.319086
Observacin
Pronstico Presin de vaporResiduos
(mmHg)Residuos estndares
1 -131.10455 135.704545 1.21668775
2 -64.249091 73.4490909 0.65852333 Temperatura (K) Grfico d
3 2.60636364 14.8936364 0.13353204 300
4 69.4618182 -37.661818 -0.337665 200
5 136.317273 -81.017273 -0.7263775
Residuos
100
6 203.172727 -110.67273 -0.9922597 0
7 270.028182 -120.62818 -1.0815174 -100260 280 300 320
8 336.883636 -103.18364 -0.9251147 -200
9 403.739091 -48.639091 -0.436084 Temperatura
10 470.594545 55.2054545 0.49495616
11 537.45 222.55 1.99531901
Los residuos muestran una disminucin progresiva para luego empezar a crecer nuevamente; esto se debe a que
g) La ecuacin de Clausius-Clapeyron establece que el logaritmo natural de la presin de vapor es proporcional al
0
260 280 300 320 34
La ecuacin de Clausius tiene parmetros de exponencial; ajustando el modelo, tenemos la siguiente ecuacin:
y = 6*10^-6*e^(0,0507*x)
j) Determine segn el modelo entre qu valores se tiene un 99 % de confianza que se encontrar la presin de
y = 6*10^-6*e^(0,0507*x)
y = 6*10^-6*e^(0,0507*360)
y= 506.867137
237.179086
Es mejor el modelo de regresin exponencial ya que tiene un mejor coeficiente de determinacin para la regresi
7 8 9 10 11
333 343 353 363 373
149.4 233.7 355.1 525.8 760
atura (K)
Inferior 95,0%
Superior 95,0%
-2779.2482 -1133.2687
4.1497137 9.22137721
s variables y se considera estadsticamente significativa
n del modelo?
Temperatura (K)
nuevamente; esto se debe a que la tendencia del modelo es ms exponencial que lineal.
esin de vapor es proporcional al negativo del inverso de la temperatura. Ajuste el modelo de regresin
a) Entre los posibles regresores mostrados en la tabla, cules creen que tendrn mayor influencia sobre el con
El regresor que muestre mejor correlacin ser el que tenga mayor influencia en la variable dependiente consumo
Los regresores que muestran mejor correlacin con la variable consumo son la de cantidad de producto y la de n
An as; sus efectos de dependencia lineal sobre la variable consumo no son estadsticamente significativos.
b) Creen la matriz de diagramas de dispersin, o hagan un diagrama de dispersin del consumo mensual de
sugieren estos grficos respecto al modelado del consumo de agua
Temperatura Consumo
58.8 3067
65.2 2828 Consumo
70.9 2891 5000
77.4 2994 4500
79.3 3082 4000
81 3898 3500
3000 f(x) = 10.2863386022x + 2646.5029360
R = 0.0893359472
Consumo
2500
2000
1500
1000
5000
4500
4000
3500
3000 f(x) = 10.2863386022x + 2646.5029360
71.9 3502 R = 0.0893359472
Consumo
2500
63.9 3060 2000
54.5 3211 1500
39.5 3286 1000
44.5 3542 500
43.6 3125 0
35 40 45 50 55 60
56 3022
Temperatura
64.7 2922
73 3950
78.9 4488
Consumo
2500
13526 3060 2000
12656 3211 1500
14119 3286 1000
16691 3542 500
0
14571 3125 4000 6000 8000 10000 12000 1
13619 3022
Cantidad
14575 2922
14556 3950
18573 4488
#das Consumo
21 3067
22 2828 Consumo
22 2891 5000
20 2994 4500
25 3082 4000
23 3898 3500
3000 f(x) = - 27.2191528545x + 3887.76
20 3502
Consumo
R = 0.0078757371
2500
23 3060 2000
20 3211 1500
20 3286 1000
22 3542 500
0
19 3125
18 19 20 21 22
22 3022
nmero de das
22 2922
21 3950
21 4488
#personas Consumo
129 3067
141 2828 Consumo
153 2891 5000
166 2994 4500
193 3082 4000
3500
189 3898 f(x) = 8.8141012087x + 1711.6520878
3000 R = 0.1798165258
175 3502
Consumo
2500
186 3060 2000
190 3211 1500
187 3286 1000
195 3542 500
0
206 3125 120 130 140 150 160 170
198 3022
Nmero de person
192 2922
191 3950
200 4488
Se llega a la misma conclusin del punto anterior; los mejores regresores son cantidad de producto y
c) Propongan y ajusten tres modelos de regresin lineal simple que ustedes consideren que pueden funcionar
agua; al menos uno de los modelos debe utilizar una forma funcional no lineal. Prueben la significancia de cad
residuales de cada uno de los tres modelos ajustados. Cul de los modelos simples propuesto
En el punto anterior ya se ajustaron los modelos de regresin lineal simple para cada regresor.
Los mejores modelos se tienen con los regresores de cantidad de producto y nmero de personas
d) Ajusten un modelo de regresin lineal mltiple con seis regresores. Prueben la significancia de la regresin y
Resumen
Estadsticas de la regresin
Coeficiente d 0.898324417
Coeficiente 0.8069867581
R^2 ajustado 0.7368001247
Error tpico 236.6824912703
Observacione 16
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados
Regresin 4 2576346.38158711 644086.595396777
Residuos 11 616204.618412894 56018.6016738994
Total 15 3192551
El modelo de regresin con todos los regresores combinados muestra mejor correlacin que los modelos de regre
e) Con base en la informacin obtenida de las pruebas de significancia y del anlisis de residuales, propongan d
f) Suponga que la temperatura promedio en un mes fue de 80 F, que la planta fabric 16000 millones de libr
producto, y que la planta oper 25 das en el mes con una nmina de 185 personas. Cul es el consumo de a
mensual esperado segn cada uno de los seis modelos?
f) Suponga que la temperatura promedio en un mes fue de 80 F, que la planta fabric 16000 millones de libr
producto, y que la planta oper 25 das en el mes con una nmina de 185 personas. Cul es el consumo de a
mensual esperado segn cada uno de los seis modelos?
T= 80
cant prod= 16000
# das = 25
# personas= 185
Consumo = 3697.62
y = 10,286x + 2646,5
T= 80
Consumo = 3469.38
y = 0,0833x + 2243,8
cant prod= 16000
Consumo = 3576.6
y = -27,219x + 3887,8
# das = 25
Consumo = 3207.325
y = 8,8141x + 1711,7
# personas= 185
Consumo = 3342.3085
g) Cul de los seis modelos de regresin que crearon es mejor? Por qu?
El mejor modelo de regresin es el que contempla todos los regresores porque tiene el mejor coeficiente de dete
X4
Nmero de personas en la
nmina de la planta en el mes
#personas
129
141
153
166 #perso
193
1500
189 1000
175
Residuos
500
186 0
190 -500120 130
187 -1000
195
206 Cant. Pro
198
1000
192
500
191
Residuos
200 0
4000 60
-500
e tendrn mayor influencia sobre el consumo mensual de agua de la planta? Por qu? -1000
#das #personas
1
0.0123557638 1
de dispersin del consumo mensual de agua contra cada posible regresor. Qu les
ecto al modelado del consumo de agua?
Consumo
40 45 50 55 60 65 70 75 80 85
Temperatura
Consumo
Consumo
8 19 20 21 22 23 24 25 26
nmero de das
Consumo
20 130 140 150 160 170 180 190 200 210 220
Nmero de personas
Tempera
400
200
Residuos
0
-200 35 40
-400
-600
F Valor crtico de F
11.4977271148 0.000640033
Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Superior 95,0%
0.000530362 3313.7705274235 8869.76066 3313.77053 8869.76066
0.0092849678 4.8603882658 27.4668473 4.86038827 27.4668473
0.0005115376 0.1146899606 0.30534304 0.11468996 0.30534304
0.0159402116 -230.6347991437 -29.43356 -230.6348 -29.43356
0.0134494382 -35.8765780479 -5.1568254 -35.876578 -5.1568254
del anlisis de residuales, propongan dos modelos de regresin que esperan que funcionen mejor que el anterior que crearon (deben justi
la planta fabric 16000 millones de libras de
85 personas. Cul es el consumo de agua
eis modelos?
#das+-20,52*#personas
500 5000
0 4000
1303000
Consumo
-500120 140 150 160 170 180 190 200 210 Consumo 220
2000 Pronstico Consumo
-1000
1000
0 #personas
Cant. Producto Grfico de los residuales
120 130 140 150 160 170 180 190 200 210 220
1000 #personas
500
Cant. Producto Curva de regresin ajustada
Residuos
5000
0 4000
3000
4000 6000
2000 8000 10000 12000 14000 16000 18000 20000
-500
Consumo
1000 Consumo
-1000 0 Pronstico Consumo
0 0 0 0 0 0 0
0Cant.0Producto
0 0 0 0 0 0 0 0 0
40 60 8 0 10 0 12 0 14 0 1 6 0 1 8 0 2 0 0
Cant. Producto
Temperatura Grfico de los residuales
400
200 Cant. Producto Grfico de los residuales
Residuos
0 400
-200 35 40 20045 50 55 #das
60 Grfico
65 70 de los
75 80 residuales
85
Residuos
-400 0 400
-600 -2004000 6000 #personas Grfico de los residuales
200 8000 10000 12000 14000 16000 18000 20000
Residuos
-400 Temperatura
0 400
-600 -200 18 19200 20 21 22Temperatura Curva de25regresin
23 24 26 ajustada
Residuos
-400 Cant.
0 Producto
5000
-600 -200120 1304000 Cant. Producto Curva de regresin ajusta
140 150 160 170 180 190 200 210 220
3000
Consumo
Residu
-200 18 19200 20 21 22 23 24 25 26
Residuos
-400 0 5000
-600 -200120 1304000 Cant. Producto Curva de regresin ajusta
140 150 160 170 180 190 200 210 220
3000
Consumo
-400 #das 5000 Consumo
-600
2000
1000
4000
3000 #das Curva de regresin aju
Pronstico Consumo
2000
Consumo
0 1000#personas 5000 Consumo
0
35 40 45 50 55 604000 65 70 75 80 85 #personas Curva de rePronstico Co
00 00 3000 0 0 0 00 00 00 00
Consumo
Temperatura
40 60 82000 00 000 200 5000 0 0 0 0
1 1 14 1 6 1 8 2 0
1000 4000
3000
Consumo
Cant.
0 Producto
2000
18 19 20 21 22 23 24 25 26
1000
0 #das
120 130 140 150 160 170 180 190 2
#personas
que crearon (deben justificar por qu los proponen). Para cada modelo, hagan los anlisis de rigor (probar significancia del modelo y de ca
ales
esin ajustada
a de
00 210regresin
220 ajustada
Consumo
urva de regresin ajustada
Pronstico Consumo
Consumo
85 Pronstico Consumo
esin ajustada
a de
00 210regresin
220 ajustada
Consumo
urva de regresin
Pronstico Consumo ajustada
Consumo
personas
85 Curva de regresin ajustada
Pronstico Consumo
00 000 000 000
000 Consumo
16 18 20 Pronstico Consumo
00
o00 Consumo
00 Pronstico Consumo
20 21 22 23 24 25 26
00
0 #das
120 130 140 150 160 170 180 190 200 210 220
#personas