Documente Academic
Documente Profesional
Documente Cultură
En una etapa inicial del procesamiento mecnico de piezas de acero, se sabe que una
herramienta sufre un deterioro gradual que se refleja en cierto dimetro de las piezas
manufacturadas. Para predecir el tiempo de vida til de la herramienta se tomaron datos
de horas de uso y el dimetro promedio de cinco piezas producidas al final de la
jornada. Los datos obtenidos para una herramienta se muestran a continuacin:
Solucin
PLANTAMIENTO
a) Tenemos lo siguiente:
H O=0
HA0
H A : Por lo general plantea que la pendiente es significativamente diferente de cero
D).
Como R cuadrado =97.68% por lo tanto la calidad de modelo es buena, ya que est
dentro del rango entre 70 -100%, es decir cuanto menor sea la calidad de modelo
sea menor del 70%. Tenemos un 97% de validez.
e)
Dian = 24,5993 + 0,0490825*x hora de uso
Entonces Y DIAM. ES 45
45=24,5993 + 0,0490825*x hora de uso
X horas = 425,64 horas
Despejando la ecuacin para tiempo, para un valor de dimetro de 45 es: 425.64 horas
F)
Grfico del Modelo Ajustado
diamY = 24,5993 + 0,0490825*x hora de uso
a)
la variable dependiente en este caso es el rendimiento y la independiente es el
tiempo.
b)
En el grfico de dispersin se observa una dispersin puntos se enuentras
dispersas ya que los puntos en esta grafica tienen a alegarse del ajuste de la
lnea recta.
c)
Prueba de hiptesis: Grfico del Modelo Ajustado
R e n d im ie n t o
H 0 : 1=0 88
84
80
H A : 1 0 76
72
68
Condicin de rechazo: 64
8 10 12 14 16 18 20
Tiempo
valor p< ; Si =0.05
d) la calidad de ajuste es muy baja ya que a modelo lineal solo llega a 39,865 y a
Grfico del Modelo Ajustado
una mltiple llega 44 porciento.
rendimiento Y = 57,9578
e) la pendiente es de + 1,19492*tiempo
lo cual X
indica que, en promedio, a cada
incremento de una unidad en el tiempo (X) le corresponde un incremento
de 1,19492 de rendimiento (Y).
88
84
f) el rendimiento a un tiempo se tiene Y = 57,9578 + 1,19492*tiempo X
Y=57,95787+1,19492*25 MIN.
Y= 87.83 ES EL RENDIMIENTO.
Ejercicio 8 pagina 333: En cierta empresa es usual pagar horas extra para cumplir con
los tiempos de entrega. En este centro productivo un grupo de mejora de calidad trata de
reducir la proporcin de piezas malas, para ello deciden investigar la relacin entre la
cantidad de horas extra, X, y el porcentaje de artculos defectuosos, Y. En la siguiente
tabla se muestran los datos obtenidos.
Horas Defectos
Semana extra %
1 340 5
2 95 3
3 210 6
4 809 15
5 80 4
6 438 10
7 107 4
8 180 6
9 100 3
10 550 13
11 220 7
12 50 3
13 193 6
14 290 8
15 340 2
16 115 4
17 362 10
18 300 9
19 75 2
20 93 2
21 320 10
22 154 7
Grfico de Residuos
Grfico de Residuos
Residuo estudentizado
5,5
Residuo estudentizado
5,5
3,5
3,5
1,5 1,5
-0,5 -0,5
-2,5 -2,5
-4,5 -4,5
0 200 400 600 800 1000 0 4 8 12 16
horas extras % defectos predicho
R-cuadrado = 73%
No puede concluir con seguridad porque todas las causas que estn mencionas generan
causas mayores problema problemas en la calidad de pizas
Ejercicio09
a) se observa una relacin cuando mayor eficiente es menor piezas defectuosas
abra
Grfico de Residuos
piezas de defectosos = 48,6839 - 0,511902*eficiencia
10.2
9.2
vida 8.2
7.2
6.2
5.2
4.2
20 24 28 32 36 40
velocidad
La salida muestra los resultados de ajustar un modelo lineal para describir la relacin
entre vida y velocidad. La ecuacin del modelo ajustado es
b) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique
pruebas de hiptesis y verifique residuos).
Grfico de Residuos
vida = 13.693 - 0.221818*velocidad
3.1
Rediduo Estudentizado
2.1
1.1
0.1
-0.9
-1.9
-2.9
20 24 28 32 36 40
velocidad
Se rechaza la hiptesis nula y se acepta la hiptesis alternativa indicando que hay un
efecto de parmetros tanto el intercepto y ordenada. De la grfica de residuos podemos
concluir que los datos estn bien aleatorizados.
R-cuadrado = 75.02%
Ejercicio 12 pagina 334. Como parte del anlisis del problema de ausentismo, se
decide investigar la relacin entre edad del empleado y das que falt a laborar en
el ao. Los datos del ltimo ao se muestran en la siguiente tabla:
a) En este problema cul variable se puede ver como independiente y cul como
dependiente?
b) Mediante un diagrama de dispersin analice la relacin entre estas dos variables.
c) Qu tipo de relacin observa y cules son algunos hechos especiales?
d ) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique pruebas de
hiptesis y verifique residuales).
e) La calidad del ajuste es satisfactoria? Argumente.
Solucin:
a) En este problema cul variable se puede ver como independiente y cul como
dependiente?
El variable independiente es la edad del empleado(X), y el variable dependiente es los
das que falto a laborar en el ao (Y).
Grfico de Residuos
FALTAS = 10.3526 - 0.16185*EDAD
4
Rediduo Estudentizado
-2
-4
18 22 26 30 34 38 42
EDAD
d) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique
pruebas de hiptesis y verifique residuales.
Grfico del Modelo Ajustado
FALTAS = 10.3526 - 0.16185*EDAD
12
10
FALTAS 8
0
18 22 26 30 34 38 42
EDAD
H O=0 : R
HA0 : A
Coeficientes
Mnimos Estndar Estadstico
Cuadrados
Parmetro Estimado Error T Valor-P
El error estndar del estimado indica que la desviacin estndar de los residuos es 1.72286
significa que tiene mucho error cometido tanto en la edad del empleado y los das
que falto a laborar en el ao
14. en una empresa del rea electrnica se desea investigar la relacin entre la
cantidad de flux (ml/min) y la cantidad de cortos en las tarjetas. El resto de las
variables del proceso (soldadura de ola) se mantuvieron constantes, entre el
tiempo que opero el proceso en cada condicin. Los datos obtenidos se muestran a
continuacin.
flux 10 12 14 16 18 20 22 24 26 28 30 32 34 36
(ml/min)
Numero 6 5 4 5 4 4 2 3 2 2 1 0 0 1
de cortos
a) Qu tipo de relacin existe entre estas variables? Apoyase en diagrama de
dispersin y coeficiente de correlacin
b) Ajuste un modelo de regresin a los datos e interprete
c) Verifique los supuestos del modelo
Solucin:
a) Qu tipo de relacin existe entre estas variables? Apoyase en diagrama de
dispersin y coeficiente de correlacin
Grfico de Residuos
# de cortos = 7.81538 - 0.218681*flux (ml/min)
2.5
1.5
Rediduo Estudentizado
0.5
-0.5
-1.5
-2.5
10 15 20 25 30 35 40
flux (ml/min)
Puesto que el valor-P es menor que 0.05, existe una relacin estadsticamente
significativa entre # de cortos en las tarjetas y la cantidad de flux (ml/min) con un nivel
de confianza del 95.0%. El estadstico R-Cuadrada indica que el modelo ajustado
explica 89.992% de la variabilidad en # de cortos en las tarjetas. El coeficiente de
correlacin es igual a -0.948641, indicando una relacin relativamente fuerte entre las
variables. El error estndar del estimado indica que la desviacin estndar de los
residuos es 0.635056.
H O=0
HA0
Para p-valor menores que 0.05, se rechaza la hiptesis nula para ambos parmetros por
lo que se concluye que tanto las intersecciones son significativamente diferentes
Como R cuadrado = 89.992 porciento por lo tanto la calidad de modelo es buena, ya que
est dentro del rango entre 70 -100%, es decir cuanto menor sea la calidad de modelo
sea menor del 70%. Tenemos la validez en un 89.1581 %