Tercer parcial de estadística inferencial

En la siguiente tabla se muestra el número de unidades producidas y costo por unidad,

datos observados por el director del departamento de producción de una empresa durante
30 días. El director piensa que existe una relación entre unidades y costos y que podría
por medio de un modelo de regresión lineal simple explicar el comportamiento de estas
dos variables y usted ha sido contratado(a) para realizar el estudio. Usted determino que
necesita desarrollar los siguientes pasos:
1. Definir cuál de las dos variables es la independiente y la dependiente.
2. Hacer un diagrama de dispersión.
3. Determinar la recta de regresión lineal simple o modelo de regresión lineal y
dibujarla.
4. Hallar el coeficiente de correlación (r).
5. Realizar la prueba de hipótesis para la pendiente de regresión lineal poblacional
(B1)
6. Realizar la prueba de hipótesis para el coeficiente de correlación lineal (P).
7. Conclusiones y recomendaciones.

Costo por N° de und

und producida
producida s
16 10
17 12
10 20
11 17
11 20
11 22
12 18
19 16
16 14
14 18
15 15
18 14
10 20
15 12
19 13
18 12
11 20
16 13
16 11
11 19
12 18
13 18
14 17
 9 24
11 24
9 23
10 19
7 26
8 25
10 23

1. Se define como variable independiente al número de unidades producidas

mientras que, como variable dependiente el costo por unidad, esto se debe a que
si se revisan los datos cuando hay una mayor producción los costos son más
bajos y viceversa, lo cual es muestra el numero de unidades producidas controla el
costo de producción.

2.

20

18

16
Costo por und producida

14

12

10

0
8 10 12 14 16 18 20 22 24 26 28

Número de und producidas

3. Para determinar la recta de regresión lineal simple se calcula primeramente la

media de la variable independiente y dependiente, la cual resultaron ser 17.77 y
12.97 respectivamente. Luego de lo anterior por medio de una hoja de cálculo de
Microsoft de Excel se obtuvo la siguiente tabla.
 Costo por
N° de und
und
producida
producida
x−x́ ( x−x́ )2 y− ý ( y− ý )2 ( x− x́ )( y− ý ) ^y ( ^y − ý )2 ( y− ^y )2
s (x)
(y)
18.17
10 16 -7.767 60.321 3.033 9.201 -23.559 27.083 4.713
1
16.83
12 17 -5.767 33.254 4.033 16.268 -23.259 14.931 0.029
1
11.47
20 10 2.233 4.988 -2.967 8.801 -6.626 2.239 2.161
0
13.48
17 11 -0.767 0.588 -1.967 3.868 1.508 0.264 6.152
0
11.47
20 11 2.233 4.988 -1.967 3.868 -4.392 2.239 0.221
0
10.13
22 11 4.233 17.921 -1.967 3.868 -8.326 8.046 0.757
0
12.81
18 12 0.233 0.054 -0.967 0.934 -0.226 0.024 0.657
0
14.15
16 19 -1.767 3.121 6.033 36.401 -10.659 1.401 23.518
0
15.49
14 16 -3.767 14.188 3.033 9.201 -11.426 6.370 0.260
1
12.81
18 14 0.233 0.054 1.033 1.068 0.241 0.024 1.415
0
14.82
15 15 -2.767 7.654 2.033 4.134 -5.626 3.437 0.032
1
15.49
14 18 -3.767 14.188 5.033 25.334 -18.959 6.370 6.297
1
11.47
20 10 2.233 4.988 -2.967 8.801 -6.626 2.239 2.161
0
16.83
12 15 -5.767 33.254 2.033 4.134 -11.726 14.931 3.351
1
16.16
13 19 -4.767 22.721 6.033 36.401 -28.759 10.201 8.062
1
16.83
12 18 -5.767 33.254 5.033 25.334 -29.026 14.931 1.367
1
11.47
20 11 2.233 4.988 -1.967 3.868 -4.392 2.239 0.221
0
16.16
13 16 -4.767 22.721 3.033 9.201 -14.459 10.201 0.026
1
17.50
11 16 -6.767 45.788 3.033 9.201 -20.526 20.558 2.252
1
12.14
19 11 1.233 1.521 -1.967 3.868 -2.426 0.683 1.300
0
12.81
18 12 0.233 0.054 -0.967 0.934 -0.226 0.024 0.657
0
12.81
18 13 0.233 0.054 0.033 0.001 0.008 0.024 0.036
0
13.48
17 14 -0.767 0.588 1.033 1.068 -0.792 0.264 0.270
0
24 9 6.233 38.854 -3.967 15.734 -24.726 8.790 17.445 0.044
24 11 6.233 38.854 -1.967 3.868 -12.259 8.790 17.445 4.884
23 9 5.233 27.388 -3.967 15.734 -20.759 9.460 12.297 0.212
12.14
19 10 1.233 1.521 -2.967 8.801 -3.659 0.683 4.581
0
26 7 8.233 67.788 -5.967 35.601 -49.126 7.450 30.436 0.202
25 8 7.233 52.321 -4.967 24.668 -35.926 8.120 23.491 0.014
23 10 5.233 27.388 -2.967 8.801 -15.526 9.460 12.297 0.292
Σ 585.367 338.967 -392.233 262.822 76.145
Con los datos anterior se calcula los coeficientes de la recta de regresión, la cual tiene la
forma
^y =β o + β 1 x

β 1=
∑ ( x− x́ )( y− ý ) = −392.233 =−0.67
∑ ( x−x́ )2 585.367

β 0= ý −b1 x́=12.97−(−0.67 ) (17.77 )=24.87

∴ ^y =24.87−0.67 x
La grafica de la anterior recta es la siguiente

20

18
f(x) = − 0.67 x + 24.87
16
Costo por und producida

14

12

10

0
8 10 12 14 16 18 20 22 24 26 28

Numero de und producidas

4. Para calcular el coeficiente de correlación primeramente se calcula el coeficiente

de determinación r^2, por medio de la siguiente ecuación y usando los datos de la
tabla presentada anteriormente.

∑
2 ( ^y −ý )2 262.822
r= = =0.775
∑ ( y −ý )2 338.967
Mientras que el coeficiente de correlación sería el siguiente

r =√ R 2=√ 0.775=0.88
 5. Para realizar la prueba a la pendiente de la regresión lineal simple se plantea lo
siguiente
H 0 : β1 =0

H1: β1 ≠ 0
Lo que nos lleva a calcular el siguiente estadístico para probar la hipótesis
β1 −0.67
t 0= = =−9.83
2
76.14

√ ∑ ( y− ^y )
( n−2) ∑ ( x− x́ )
2 √ (30−2)(585.367)

Entonces H0 se rechaza si

|t 0|>t α / 2 ,n−2
En este caso tomaremos un nivel de significancia del 5% y tenemos que los grados n – 2
= 30 – 2 = 28, y calculamos a t α / 2 ,n−2 por medio de la siguiente tabla.

Por tanto

|t 0|>t α / 2 ,n−2
|−9.83|>2.05
Por tanto, H0 se rechaza lo cual nos permite decir que el costo por unidad producida si
depende linealmente del número de unidades producidas con un 95% de confiabilidad.

6. Para realizar la prueba al coeficiente de correlación lineal se plantea lo siguiente

H 0 : ρ=0

H 1 : ρ≠ 0
Lo que nos lleva a calcular el siguiente estadístico para probar la hipótesis

t 0=r √ n−2 =0.88 √ 10−2 =9.83

√1−r 2 √ 1−0.775
Entonces H0 se rechaza si
t 0> t α /2 , n−2
En este caso tomaremos un nivel de significancia del 5% y tenemos que los grados n – 2
= 30 – 2 = 28, y calculamos a t α / 2 ,n−2 por medio de la siguiente tabla.

Por tanto
t 0> t α /2 , n−2

9.83>2.05
Por tanto, H0 se rechaza lo cual nos permite decir que existe una correlación entre el costo
por unidad producida y número de unidades producidas con un 95% de confiabilidad.

7. Conclusiones y recomendaciones
Por medio de un modelo de regresión lineal se logró demostrar el comportamiento que
existe entre las dos variables y las cuales poseen una buena correlación. Se evidencio
que el costo por unidad depende linealmente del número de unidades producidas, esto se
demostró por medio de las pruebas de hipótesis para la pendiente de la recta de regresión
lineal y para el coeficiente de correlación, en las cuales se rechazaron las hipótesis nulas,
por lo tanto, el modelo es significativo y será importante para predecir el costo por unidad
del producto usando los datos de unidades producidas.