INSTITITO TECNOLÓGICO SUPERIOR DE IRAPUATO

INGENIERÍA INDUSTRIAL
4to SEMESTRE
ENERO/JULIO

GRUPO
C
ESTADÍSTICA INFERENCIAL II
Esparza Madrid Pamela Ariadna
Martínez Negrete Karen Paola
Pérez Juárez Jesús Mauricio
Vázquez Vázquez Mónica Lisbeth

DOCENTE:
ELIZABETH RODRÍGUEZ BUSTOS
IRAPUATO, GTO. 23/01/2018
INTRODUCCIÓN
Elaboramos 3 ejercicios de regresión lineal simple, con el objetivo de comprender
y utilizar las fórmulas vistas en clase, y se utilizó el programa minitab para graficar.
EJERCICIO 2

El motor de un cohete se fabrica al unir dos tipos de propulsores: uno de encendido y un impulsor.
Se piensa que la resistencia al esfuerzo cortante de la junta es una función lineal de la edad (x)
del propulsor cuando se arma el motor.
En la tabla siguiente aparecen 20 observaciones. En base a estos datos, calcular:

No. Resistencia EDAD

OBSERVACIÓN PSI SEMANAS X^2 X*y
1 2158.7 15.5 240.25 33459.85
2 1678.15 23.75 564.0625 39856.0625
3 2316 8 64 18528
4 2061.3 17 289 35042.1
5 2207.5 5 25 11037.5
6 1708.3 19 361 32457.7
7 1784.7 24 576 42832.8
8 2575 2.5 6.25 6437.5
9 2357.9 7.5 56.25 17684.25
10 2277.7 11 121 25054.7
11 2165.2 13 169 28147.6
12 2399.55 3.75 14.0625 8998.3125
13 1779.8 25 625 44495
14 2336.75 9.75 95.0625 22783.3125
15 1765.3 22 484 38836.6
16 2053.5 18 324 36963
17 2414.4 6 36 14486.4
18 2200.5 12.5 156.25 27506.25
19 2654.2 2 4 5308.4
20 1753.7 21.5 462.25 37704.55
 a) Dibuje un diagrama de dispersión d los datos. (para ver si tiene una
correlación). Parece pausible (viable) utilizar como modelo de regresión un
modelo lineal.

Gráfica de dispersión de PSI vs. SEMANAS

2600

2400

2200
PSI

2000

1800

1600
0 5 10 15 20 25
SEMANAS

b) Encuentre las estimaciones, mínimos cuadrados para la pendiente y la

ordenada al origen del modelo de regresión lineal simple.

Análisis de regresión: PSI vs. SEMANAS

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Regresión 1 1522819 1522819 155.21 0.000
SEMANAS 1 1522819 1522819 155.21 0.000
Error 18 176602 9811
Total 19 1699421
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
99.0516 89.61% 89.03% 87.08%
Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV
Constante 2625.4 45.3 57.90 0.000
SEMANAS -36.96 2.97 -12.46 0.000 1.00
Ecuación de regresión
PSI = 2625.4 - 36.96 SEMANAS
Ajustes y diagnósticos para observaciones poco comunes
Resid
Obs PSI Ajuste Resid est.
5 2207.5 2440.6 -233.1 -2.50 R
6 1708.3 1923.1 -214.8 -2.26 R
Residuo grande R

C) Estime la resistencia al esfuerzo promedio de un motor construido con un propulsor, armado

hace 20 semanas.

Predicción para PSI

Ecuación de regresión
PSI = 2625.4 - 36.96 SEMANAS
Configuración
Valor de
Variable configuración
SEMANAS 20
Predicción
EE de
Ajuste ajuste IC de 95% IP de 95%
1886.15 29.6862 (1823.78, 1948.52) (1668.90, 2103.39)
c) Obtenga los valores ajustados ^yi que corresponde a cada valor estimado,
haga una gráfica de y^ contra yi, haga un comentario sobre la forma que
tendría esta gráfica sin la relación lineal entre la resistencia al esfuerzo y
la edad fuese perfectamente determinista (sin error). La gráfica indica que
la edad es un regresor razonable para este modelo.
 No. Resistencia EDAD
OBSERVACIÓN PSI SEMANAS X^2 X*y Y ESTIM EI

1 2158.7 15.5 240.25 33459.85 2052.4 106.4

2 1678.15 23.75 564.0625 39856.0625 1747.5 -69.3

3 2316 8 64 18528 2329.69 -13.6

4 2061.3 17 289 35042.1 1997.0 64.2

5 2207.5 5 25 11037.5 2440.5 -233.0

6 1708.3 19 361 32457.7 1923.1 -214.8

7 1784.7 24 576 42832.8 1738.30 46.3

8 2575 2.5 6.25 6437.5 2532.9 42

9 2357.9 7.5 56.25 17684.25 2348.1 9.7

10 2277.7 11 121 25054.7 2218.8 58.8

11 2165.2 13 169 28147.6 2144.8 20.3

12 2399.55 3.75 14.0625 8998.3125 2486.7 -87.2

13 1779.8 25 625 44495 1701.3 78.4

14 2336.75 9.75 95.0625 22783.3125 2265.0 71.7

15 1765.3 22 484 38836.6 1812.2 -46.9

16 2053.5 18 324 36963 1960.0 93.4

17 2414.4 6 36 14486.4 2403.6 10.7

18 2200.5 12.5 156.25 27506.25 2163.3 37.1

19 2654.2 2 4 5308.4 2551.4 102.7

20 1753.7 21.5 462.25 37704.55 1830.7 -77

 Gráfica de dispersión de YESTIMADA vs. SEMANAS
2600
2500

2400
2300
YESTIMADA

2200
2100
2000

1900
1800
1700
0 5 10 15 20 25
SEMANAS

Gráfica de línea ajustada

YESTIMADA = 2625 - 36.96 SEMANAS
2600 S 0.0297903
R-cuad. 100.0%
2500 R-cuad.(ajustado) 100.0%
2400
2300
YESTIMADA

2200
2100
2000
1900
1800
1700
0 5 10 15 20 25
SEMANAS
EJERCICIO 3
Problema 9-4

Montgomery y Peck (1992) presentan datos relacionados con el desempeño de

28 equipos de la Liga Nacional de fútbol americano en 1976. Los autores
sospechaban que el número de juegos ganados (y) estaba relacionado con el
número de yardas corridas por un oponente (x). Los datos aparecen en la
siguiente tabla:

YARDAS CORRIDAS POR EL OPONENTE (X) JUEGOS GANADOS (Y)

2205 10
2096 11
1847 11
1903 13
1457 10
1848 11
1564 10
1821 11
2577 4
2476 2
1984 7
1917 10
1761 9
1709 9
1901 6
2288 5
2072 5
2861 5
2411 6
2289 4
2203 3
2592 3
2053 4
1979 10
2048 6
1786 8
2876 2
2560 0
 a) Calcule las estimaciones de mínimos cuadrados de la
pendiente y la ordenada al origen. Haga una gráfica del
modelo de regresión.

Análisis de regresión: JUEGOS GANADOS (Y) vs. YARDAS

... PONENTE
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Regresión 1 178.1 178.092 31.10 0.000
YARDAS CORRIDAS POR EL OPONENTE 1 178.1 178.092 31.10 0.000
Error 26 148.9 5.726
Total 27 327.0
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
2.39287 54.47% 52.72% 47.81%
Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV
Constante 21.79 2.70 8.08 0.000
YARDAS CORRIDAS POR EL OPONENTE -0.00703 0.00126 -5.58 0.000 1.00
Ecuación de regresión
JUEGOS GANADOS (Y) = 21.79 - 0.00703 YARDAS CORRIDAS POR EL OPONENTE
Gráficas de residuos para JUEGOS GANADOS (Y)
 Gráfica de dispersión de JUEGOS GANADOS ( vs. YARDAS CORRIDAS
14

12

10
JUEGOS GANADOS (Y)

0
1500 1750 2000 2250 2500 2750 3000
YARDAS CORRIDAS POR EL OPONENTE

b) Encuentre una estimación del número promedio de juegos

ganados si el número de yardas corridas por los oponentes
está limitado a 1800.

Predicción para JUEGOS GANADOS (Y)

Ecuación de regresión
JUEGOS GANADOS (Y) = 21.79 - 0.00703 YARDAS CORRIDAS POR EL OPONENTE
Configuración
Valor de
Variable configuración
YARDAS CORRIDAS POR EL OPONENTE 1800
Predicción
Ajuste EE de ajuste IC de 95% IP de 95%
9.14307 0.597594 (7.91470, 10.3714) (4.07338, 14.2128)
Se estiman 9 juegos ganados.
c) ¿Qué cambio en el número esperado de juegos ganados está
asociado con una reducción de 100 yardas corridas por un
oponente?
Predicción para JUEGOS GANADOS (Y)
Ecuación de regresión
JUEGOS GANADOS (Y) = 21.79 - 0.00703 YARDAS CORRIDAS POR EL OPONENTE
Configuración
Valor de
Variable configuración
YARDAS CORRIDAS POR EL OPONENTE -100
Predicción
EE de
Ajuste ajuste IC de 95% IP de 95%
22.4908 2.82049 (16.6932, 28.2884) (14.8878, 30.0937) XX
XX denota un punto muy poco común en relación con los niveles de predictor utilizados para
ajustar el modelo.

d) Para aumentar en uno el número promedio de juegos

ganados, ¿cuál es la reducción en yardas corridas que debe
generar la defensa?

Yestimada=21.79-.000703 (x -100) = 21.8- (.00703)(x) + (100)(.00703)=

21.79 - .00703
X=.703
El número de juegos ganados aumenta .703

e) Dado que x= 1917 yardas (Cincinnati), encuentre el valor

ajustado de "y" y el residuo correspondiente.

Predicción para JUEGOS GANADOS (Y)

Ecuación de regresión
JUEGOS GANADOS (Y) = 21.79 - 0.00703 YARDAS CORRIDAS POR EL OPONENTE
Configuración
Valor de
Variable configuración
YARDAS CORRIDAS POR EL OPONENTE 1917
Predicción
 Ajuste EE de ajuste IC de 95% IP de 95%
8.32113 0.513503 (7.26561, 9.37665) (3.29053, 13.3517)
El residuo es de 1.6788

Gráfica de línea ajustada

JUEGOS GANADOS (Y) = 21.79 - 0.007025 YARDAS CORRIDAS POR EL OPONENTE
14 S 2.39287
R-cuad. 54.5%
12 R-cuad.(ajustado) 52.7%
JUEGOS GANADOS (Y)

10

0
1500 1750 2000 2250 2500 2750 3000
YARDAS CORRIDAS POR EL OPONENTE
EJERCICIO 4
Problema 9-5

Un artículo publicado en Tecnometrics, escrito por S. C. Narula y J.F. Wellington

("Prediction, Linear Regression, and Minimum Sum of Relative Errors", vol 19,
1977) presenta datos sobre el precio de venta y los impuestos anuales de 24
almacenes. Los datos aparecen en la tabla siguiente:

PRECIO DE VENTA/1000 IMPUESTOS (LOCA, ESCOLAR, CONDADO)/1000

X Y
25.9 4.9176
29.5 5.0208
27.9 4.5429
25.9 4.5573
29.9 5.0597
29.9 3.891
30.9 5.898
28.9 5.6039
35.9 5.8282
31.5 5.3003
31 6.2712
30.9 5.9592
30 5.05
36.9 8.2464
41.9 6.6969
40.5 7.7841
43.9 9.0384
37.5 5.9894
37.9 7.5422
44.5 8.7951
37.9 6.0831
38.9 8.3607
36.9 8.14
45.8 9.1416

a) Suponga que resulta apropiado el empleo de un modelo de regresión lineal

simple. Obtenga el ajuste de mínimos cuadrados que relaciona el precio de
venta con los impuestos pagados.
Análisis de regresión: PRECIO DE VENTA/1000 (y) vs. ... ,
ESCOLAR) (x)
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Regresión 1 636.2 636.156 72.56 0.000
IMPUESTOS (LOCA, ESCOLAR) (x) 1 636.2 636.156 72.56 0.000
Error 22 192.9 8.768
Total 23 829.0
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
2.96104 76.73% 75.68% 72.91%
Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV
Constante 13.32 2.57 5.18 0.000
IMPUESTOS (LOCA, ESCOLAR) (x) 3.324 0.390 8.52 0.000 1.00
Ecuación de regresión
PRECIO DE VENTA/1000 (y) = 13.32 + 3.324 IMPUESTOS (LOCA, ESCOLAR) (x)
Ajustes y diagnósticos para observaciones poco comunes
PRECIO DE
VENTA/1000 Resid
Obs (y) Ajuste Resid est.
15 41.900 35.583 6.317 2.18 R
Residuo grande R

Gráficas de residuos para PRECIO DE VENTA/1000 (y)

b) Encuentre el precio de venta promedio dado que los impuestos pagados son
x=7.5
Predicción para PRECIO DE VENTA/1000 (y)
Ecuación de regresión
PRECIO DE VENTA/1000 (y) = 13.32 + 3.324 IMPUESTOS (LOCA, ESCOLAR) (x)
Configuración
Valor de
Variable configuración
IMPUESTOS (LOCA, ESCOLAR) (x) 7.5
Predicción
Ajuste EE de ajuste IC de 95% IP de 95%
38.2530 0.740257 (36.7178, 39.7882) (31.9232, 44.5828)

d) Calcule el valor ajustado de "y" que corresponde a x=5.8980.

Encuentre el residuo correspondiente.
 IMPUESTOS (LOCA, ei
PRECIO DE
ESCOLAR, Yiestimada
VENTA/1000
CONDADO)/1000
X Y Y^ EI
25.9 4.9176 13.3 12.5
29.5 5.0208 30.03 -.5
27.9 4.5429 28.42 -.5
25.9 4.5573 28.47 -2.5
29.9 5.0597 30.14 -.2
29.9 3.891 26.25 3.6
30.9 5.898 32.92 -2
28.9 5.6039 31.94 -3.04
35.9 5.8282 28.3 -3.5

d) Calcule el valor ajustado "y^" para cada valor de x utilizado para ajustar el
modelo. A continuación, construya una gráfica de y^, contra el valor observado
correspondiente "y", y haga un comentario sobre lo que esta gráfica significaría si
la relación entre “x” y “y” fuese una línea recta determinista (sin error aleatorio).
¿La gráfica obtenida indica que los impuestos pagados constituyen un regresor
eficaz para predecir el precio de venta)?
La gráfica obtenida indica que los impuestos constituyen a una regresión lineal
positiva. Esto significa que al aumentar los impuestos, el precio de venta irá a la
par.

Conclusión

Comprendimos un poco, los conceptos básicos de programación lineal simple, al

realizar estos 3 ejemplos. Utilizando los mínimos cuadrados. Nos fue sencillo
identificar, las variables, y las fórmulas adecuadas a cada inciso de los problemas.

Fuentes de Información
“Tipos de análisis de regresión” Consultado en: https://support.minitab.com/es-
mx/minitab/18/help-and-how-to/modeling-statistics/regression/supporting-
topics/basics/types-of-regression-analyses/ el día 23/01/18.