Академический Документы
Профессиональный Документы
Культура Документы
6
En una etapa inicial del procesamiento mecánico de piezas de acero
refleja en cierto diámetro de las piezas manufacturadas. Para prede
horas de uso y el diámetro promedio de cinco piezas producidas al fi
muestran a continuación:
Diagrama de dispersión
45
40
35
30
Diámetro (mm)
25
20
15
10
5
0
0 50 100 150 200 250
Uso (h)
Diagrama de dispersión
45
40
f(x) = 0.0464097744x + 24.8631578947
35 R² = 0.9767876061
30
Diámetro (mm)
25
20
15
10
5
0
0 50 100 150 200 250 300
Uso (h)
0
-0.5 0 50 100 150 200 250 300 350
-1
-1.5
Resumen
Estadísticas de la regresión
Coeficiente de correlación múlti 0.9883256579
Coeficiente de determinación R 0.9767876061
R^2 ajustado 0.9754980286
Error típico 0.695767128
Observaciones 20
Con base al análisis de varianza, se obtiene una F calculada (757.45) mayor a la F crítica de (3.66E-16) por lo que s
rechaza la hipótesis nula y se concluye que el modelo de regreción tiene significancia. En la gráfica de residuos se
observa una distribucion normal
Con base al análisis de varianza, se obtiene una F calculada (757.45) mayor a la F crítica de (3.66E-16) por lo que s
rechaza la hipótesis nula y se concluye que el modelo de regreción tiene significancia. En la gráfica de residuos se
observa una distribucion normal
d) El ajuste si es satisfactorio debido a que el valor del coeficiente de correlación (0.98) es cercano a 1.
Y=mx+b
x=(Y-b)/m
Si Y=45 x=(45-24.863)/0.0464
x= 433.9870689655
f) El valor de la pendiente de la recta es de 0.0464, esto quiere decir que por cada hora transcurrida el diámetro a
g) El error estándar de la regresión es de 0.69, siendo un valor bajo por lo que el modelo tiene un buen ajuste.
o de piezas de acero, se sabe que una herramienta sufre un deterioro gradual, que
cturadas. Para predecir el tiempo de vida útil de la herramienta se tomaron datos d
iezas producidas al final de la jornada. Los datos obtenido para una herramienta se
a) ¿En este problema cuál variable se puede ver como independiente y cuál c
dispersión
Respuesta
dispersión
Respuesta
Li near (Res puesta)
Residuos estándares
0.87755012
-0.9572668
-1.6107663
-0.1969603
-0.4074657
0.26801695
0.05751151
1.47131759
-0.2158347
1.64096544
0.83980126
-1.5856745
0.71411974
1.24193771
-0.4452146
-0.8033847
-1.0138901
1.28590404
-0.4012482
-0.7594184
b) En el diagrama de dispersión se observa un modelo lineal que no tiene significancia en el ajuste de los datos. Se
Diagrama de dispersión
90
80
70
Rendimiento (%)
60
50
Res puesta
40
30
20
10
0
6 8 10 12 14 16 18 20 22
Tiempo(min)
Diagrama de dispersión
90
80
f(x) = 1.194921875x + 57.9578125
70 R² = 0.4533185358
Rendimiento (%)
60
50 Res puesta
40 Li near (Res puesta )
30
90
80
f(x) = 1.194921875x + 57.9578125
70 R² = 0.4533185358
Rendimiento (%)
60
50 Res puesta
40 Li near (Res puesta )
30
20
10
0
6 8 10 12 14 16 18 20 22
Tiempo(min)
Resumen
d) El ajuste no es satisfactorio debido a que el valor del coeficiente de correlación (0.4533) es menor que 0.7; no s
e) El valor de la pendiente de la recta es de 1.1949, esto quiere decir que por cada minuto transcurrido el diámetr
modelo, los resultados no son confiables.
f) Si:
Y=mx+b Se estima un rendimiento de 87.830
Y=1.1949x + 57.958
Si X= 25 y=(1.1949)(25) + 57.958
x= 87.8305
Intérvalo de confianza:
2.23767827 = El intérvalo de confianza es de 85.59 a 90.07
87.8305-2.2376= 85.5928217292
87.8305+2.2376= 90.0681782708
y rendimiento. Los datos obtenidos se muestran en la tabla siguiente:
oblema cuál variable se puede ver como independiente y cuál como dependiente?
n diagrama de disperción analice la relación entre estas dos variables. ¿Qué tipo de relación observa y cuáles son
s especiales?
álisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de hipótesis, verifique residuos).
del ajuste es satisfactoria? Argumente.
lor de la pendiente de la recta e interpretelo en términos prácticos.
ndimiento que se espera a un tiempo de extracción de 25 minutos y obtenga un intervalo de confianza para esta predicción.
te es el porcentaje de rendimiento
0
-5 6 8 10 12 14 16 18 20 22
-10
Tiempo (min)
-5 6 8 10 12 14 16 18 20 22
Re
-10
Tiempo (min)
0 Linear (Pronóstico
para Y)
6 8 10 12 14 16 18 20 22
Tiempo (min)
ón (0.4533) es menor que 0.7; no se recomienda hacer una predicción con este modelo.
ada minuto transcurrido el diámetro variará 1.1949. Sin embargo, al no haber un correcto ajuste de los datos al
e estima un rendimiento de 87.8305% en 25 minutos de extracción
1478
Ejercicio 11.8
En cierta empresa es usual pagar horas extras para cumplir con los tiempos de entrega. En este centro productivo
piezas malas, con eeste propósito deciden investigar la relación entre la cantidad de horas extras, X, y el porcenta
datos obtenidos.
a) La variable dependiente es el diámetro de las piezas y la variable independiente son las horas de uso de la herr
b) Se observa una posible distribucion lineal entre los datos con ciertas irregularidades.
Diagrama de dipersión
16
14
12
defectos (%)
10
8 Res puesta
6
4
2
0
0 100 200 300 400 500 600 700 800 900
Horas extras
Variable
5
Residuos
0
-5 0 100 20
-10
Variable
c) Pruebas de hipotesis: Ho: β = 0 5
Ha: β ≠ 0
Residuos
0
-5 0 100 20
-10
Diagrama de dispersión
16
14 f(x) = 0.0170741494x + 2.1109561958
R² = 0.7367552521
12
defectos (%)
10
Res puesta Variable X
8
6 Li near (Res puesta) 20
4 f(x) = 0.0170
10
2 R² = 1
Y
0 0
0 100 200 300 400 500 600 700 800 900
0 100200300400
Horas extras Variab
Observación
Pronóstico para YResiduos
Residuos estándares
1 7.91616698 -2.916167 -1.5599728
2 3.73300039 -0.7330004 -0.3921108 Con base al análisis de varianza
3 5.69652756 0.30347244 0.16233939 (55.97) mayor a la F crítica de (3.2
hipótesis nula y se concluye que
4 15.923943 -0.923943 -0.4942536 significancia. En la gráfica de resid
5 3.47688814 0.52311186 0.27983318 distribucion
6 9.58943362 0.41056638 0.21962817
7 3.93789018 0.06210982 0.033225
8 5.18430308 0.81569692 0.43634848
9 3.81837113 -0.8183711 -0.437779
10 11.5017383 1.49826166 0.8014793
11 5.86726906 1.13273094 0.6059425
12 2.96466366 0.03533634 0.0189028
13 5.40626702 0.59373298 0.31761121
14 7.06245951 0.93754049 0.50152742
15 7.91616698 -5.916167 -3.1647913
16 4.07448337 -0.0744834 -0.0398441
17 8.29179826 1.70820174 0.91378454
18 7.233201 1.766799 0.94513053
19 3.3915174 -1.3915174 -0.7443776
20 3.69885209 -1.6988521 -0.908783
21 7.57468399 2.42531601 1.29739727
22 4.7403752 2.2596248 1.20876251
d) El ajuste es bajamente satisfactorio debido a que el valor del coeficiente de correlación (0.7368) es cercano a 0
e) Al realizar el análisis de los datos se observa una correlación baja entre las dos variables. Para poder atribuir a e
calentamiento de equipo, cansancio de obreros, etc. se necesita hacer un análisis más detallado como la superfici
ntrega. En este centro productivo, un grupo de mejora de calidad trata de reducir la proporción de
d de horas extras, X, y el porcentaje de artículos defectuosos, Y. En la tabla siguiente se muestran los
ariables estén relacionadas no necesariamente implica que haya una relación causa-efecto. Sin
sar de esto, ¿puede concluir con seguridad que cuando se trabaja tiempo extra se incrementa el
defectuosos, porque ocurren factores como calentamiento de equipo, cansancio de obreros, etc., todo
yores problemas en la calidad de las piezas?
0
-5 0 100 200 300 400 500 600 700 800 900
-10
Variable X 1 Gráfico de los residuales
5
Residuos
0
-5 0 100 200 300 400 500 600 700 800 900
-10
Variable X 1
F Valor crítico de F
55.9749251 3.2294E-07
SOLUCIÓN
a) Construya un diagrama de dispersión e interprételo.
200
180
Se observa que entre X y Y existe u
160 conforme aumenta el valor de
puede observar u
140
120
PRESIÓN
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80 90
Axi s Ti tl e
200
f(x) = 2.1471495561 exp( 0.0538050879 x ) 200
180 R² = 0.9799531596 R² = 0.9799531596
180
160
160
140
140
120 R² = 0.898068
120
Presión
100
PRESIÓN
100
80
80
60
60
40
40
20
140
140
120 R² = 0.898068
120
Presión
100
PRESIÓN
100
80
80
60
60
40
40
20
20
0
0 10 20 30 40 50 60 70 80 90 0
0 10 20 30 4
Temperatura
tEM
El valor de R2=0.98 corresponde a una linea de tendencia ajustada exponencial, en contraste con una linea ajustada
lineal para los mismos datos con una R2=0.89. Por lo cual se puede concluir que la linea ajustada exponencial es la
que mejor se ajusta al modelo
Resumen
Estadísticas de la regresión
Coeficiente d 0.94766477
Coeficiente 0.89806852
R^2 ajustado 0.8867428
Error típico 20.3997839
Observacione 11
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 32998.5448 32998.5448 79.2946077 9.3137E-06
Residuos 9 3745.36065 416.151183
Total 10 36743.9055
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Intercepción -47.935064 13.2168336 -3.626819 0.00551287 -77.833619 -18.036509 -77.833619
Variable X 1 2.21298899 0.24851776 8.90475198 9.3137E-06 1.65080277 2.77517522 1.65080277
Observación
Pronóstico para YResiduos
Residuos estándares
1 -19.166207 22.0662068 1.14019954
2 -4.7817784 9.88177837 0.51060879 Variable X 1 Gráfico de los resid
3 53.1985333 -22.698533 -1.172873 40
4 76.2136188 -24.813619 -1.2821631
20
Residuos
5 94.5814275 -20.081427 -1.0376425
0
6 110.07235 -9.8723505 -0.5101216
-20 0 10 20 30 40 50 60
7 130.21055 13.4894497 0.69702349
-40
8 141.718093 35.1819069 1.81791073
9 1.85718861 6.64281139 0.3432457 Variable X 1
10 12.2582369 -1.9582369 -0.1011855
11 22.4379863 -7.8379863 -0.4050025
f ) ¿Hay algún otro modelo que puede funcionar mejor? Proponga uno de los que se
explicaron al inicio del capítulo.
e observa que entre X y Y existe una correlación lineal positiva, debido a que
conforme aumenta el valor de X tambien se incrementa el valor de Y. Se
puede observar una tendencia exponencial.
200
R² = 0.9799531596
180
160
140
R² = 0.8980685205
120
100
80
60
40
140
R² = 0.8980685205
120
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80 90
tEMPERATURA
1471e0.0538x, debido a
es Log 0.0538
Superior 95.0%
-18.036509
2.77517522
0 30 40 50 60 70 80 90
Variable X 1
Y
29889947x - 47.9350637692
Pronóstico para Y
Linear (Pronóstico para Y)
50 60 70 80 90
e X1
Ejercicio 11.10
En un proceso de manufactura se utiliza una herramienta de corte y se quiere investigar la relación entre la veloci
herramienta. Los datos obtenidos para esta investigación se muestran a continuación:
Diagrama de dispersión
10
9
8
7
Promedio de vida
6
5 Res puesta
4
3
2
1
0
15 20 25 30 35 40 45
Velocidad
0
Diagrama de dispersión -0.5 15 20
10
-1
9 f(x) = - 0.2274x + 13.812
8 R² = 0.9470973934
7
dio de vida
6
5 Res puesta
Li nea r (Res puesta)
4
0
Resid
Diagrama de dispersión -0.5 15 20
10
-1
9
f(x) = - 0.2274x + 13.812
8 R² = 0.9470973934
7
Promedio de vida
6
5 Res puesta Variable X 1 Cur
Li nea r (Res puesta)
4 10
3 f(x) = - 0.227
2 5 R² = 1
Y
1
0 0
15 20 25 30 35 40 45
15 20 25 30 3
Velocidad
Variable X
Observación
Pronóstico para YResiduos
Residuos estándares
1 9.264 -0.164 -0.3859865
2 8.127 0.073 0.17181108
Con base al análisis de varianza, se obtiene una
3 6.99 -0.12 -0.2824292 (0.0052) por lo que se rechaza la hipótesis n
4 5.853 0.677 1.59337128 regreción tiene significancia. En la gráfica de re
5 4.716 -0.466 -1.0967666
c) El ajuste si es satisfactorio debido a que el valor del coeficiente de correlación (0.9471) es cercano a 1.
d) Si:
Y=mx+b Se estima un tiempo de vida de 6.99 minutos a
Y=-0.2274x + 13.812
Si X= 30 y=(-0.2274)(30) + 13.812
x= 6.99
Intérvalo de confianza:
0.18319875 = El intérvalo de confianza es de 86.8068 a 7.17332
6.99-0.1832 6.80680125
6.99+0.1832 7.17319875
e) El error estándar de la regresión es de 0.49, siendo un valor bajo por lo que el modelo tiene un buen ajuste.
a relación entre la velocidad de corte (metros por minutos) y el tiempo de vida (horas) de la
ión analice la relación entre estas dos variables. ¿Qué tipo de relación observa?
ste una línea recta a estos datos, aplique pruebas de hipótesis, verifique residuos).
oria? Argumente.
e opera a una velocidad de 30 metros por minuto, estime el tiempo medio de vida tanto de manera
0
-0.5 15 20 25 30 35 40 45
-1
Variable X 1
Resid 0
-0.5 15 20 25 30 35 40 45
-1
Variable X 1
Linear (Pronóstico
0 para Y)
15 20 25 30 35 40 45
Variable X 1
F Valor crítico de F
53.7079808 0.00524858
) es cercano a 1.
068 a 7.17332
Un proyecto de investigación realizado por Philips et. al. Estuvo motivado porque existe una gran variedad de man
por explicar esta variación, los investigadores utilizaron un microrreómetro esférico magnetoacústico, desarrollad
suspensiones de células en individuos con esta enfermedad. Correlacionaron sus resultados con eventos clínicos y
falciformes. La siguiente tabla muestra las calificaciones para cada una de las mediciones reológicas, módulos de
Las calificaciones de fallas terminales se hicieron con base en la presencia de nefropatía, necrosis avascular de hu
después de síndrome torácico agua, úlcera de miembros inferiores y priapismo con impotencia.
X Y
0.32 0 a) ¿En este problema cuál variable se puede ver como indepe
0.72 3 b) Mediante un diagrama de dispersión analice la relación en
0.38 1 algunos hechos especiales?
0.61 4 c) Haga un análisis de regresión (ajuste una línea recta a esto
0.48 3 d) ¿La calidad del ajuste es satisfactorio? Argumente.
0.48 1 e) Señale el valor de la pendiente de la recta e interpretelo e
0.7 3 f) Obtenga el error estándar de estimación y comente qué re
0.41 2
0.57 2
0.63 5
0.37 1
0.45 1
0.85 4
0.8 4
0.36 1
0.69 4
a) La variable dependiente es la falla terminal orgánica y la variable independiente son los modulos de viscosidad.
b) En el diagrama de dispersión se observa un modelo lineal que no tiene significancia en el ajuste de los datos. Se
Chart Title
6
5
Modulo de viscosidad
3 Col umn D
0
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Falla terminal orgánica
Variable
3
2
iduos
1
0
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Falla terminal orgánica
Variable
3
c) Pruebas de hipotesis: Ho: β = 0
2
Ha: β ≠ 0
Residuos
1
0
Chart Title -1 0.2 0.3
6 -2
5
Modulo de viscosidad
1 4 f(x) = 7.
R² = 1
2
Y
0
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
0
Falla terminal orgánica 0.2 0.3 0.4 0.
Vari
Observación
Pronóstico para YResiduos
Residuos estándares
1 0.7170808 -0.7170808 -0.857349
2 3.69294104 -0.692941 -0.8284873
3 1.16345984 -0.1634598 -0.1954342
4 2.87457947 1.12542053 1.34556411
5 1.9074249 1.0925751 1.30629379 Con base al análisis de varianza
6 1.9074249 -0.9074249 -1.0849263 (31.28) mayor a la F crítica de (6.
hipótesis nula y se concluye que
7 3.54414803 -0.544148 -0.6505889 significancia. En la gráfica de resid
8 1.38664935 0.61335065 0.73332821 no son de una distr
9 2.57699345 -0.5769934 -0.6898592
10 3.02337248 1.97662752 2.36327575
11 1.08906333 -0.0890633 -0.106485
12 1.68423538 -0.6842354 -0.8180787
13 4.66009561 -0.6600956 -0.789217
14 4.28811309 -0.2881131 -0.3444709
15 1.01466682 -0.0146668 -0.0175358
16 3.46975152 0.53024848 0.63397042
d) El ajuste no es satisfactorio debido a que el valor del coeficiente de correlación (0.6908) es menor que 0.7; no s
e) El valor de la pendiente de la recta es de 7.4397, esto quiere decir que por cada aunemto de 0.1 en la falla term
embargo, al no haber un correcto ajuste de los datos al modelo, los resultados no son confiables.
f) El error estándar de la regresión es de 0.8657, siendo un valor alto por lo que los datos no se hay un buen ajust
e existe una gran variedad de manifestaciones clínicas de anemia de células falciformes. En un esfuerzo
ico magnetoacústico, desarrollado en su laboratorio para medir algunos parámetros reológicos de
s resultados con eventos clínicos y fallas terminales orgánicas en los individuos con anemia de células
diciones reológicas, módulos de visvosidad (VI C) (X), y calificaciones de fallas terminales orgánicas (Y).
fropatía, necrosis avascular de hueso, ataques de aplopejía, retinopatía, de hipoxemia en reposo
on impotencia.
sión (ajuste una línea recta a estos datos, aplique pruebas de hipótesis, verifique residuos).
satisfactorio? Argumente.
diente de la recta e interpretelo en términos prácticos.
r de estimación y comente qué relación tiene éste con la calidad del ajuste.
1
Variable X 1 Gráfico de los residuales
3
2
Residuos
1
0
-1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
-2
Variable X 1
F Valor crítico de F
31.2788876 6.6312E-05
da aunemto de 0.1 en la falla terminal orgánical, el modulo de viscosidad aumentará 0.74397. Sin
o son confiables.
Habib y Luchen presentaron una técnica de diagnóstico que resulta ser muy interesante para médico especialistas
producidas por esta técnica, llamada AMDN; también se presentan las calificaciones (% de predicción) del volume
siete individuos eran sanos, del octavo al décimoséptimo individuo tenían asma, y el resto de individuos eran pac
Chart Title
120
100
80
Sanos
60
VEF1
As ma
FQ
40
20
0
1.2 1.4 1.6 1.8 2 2.2 2.4 2.6
AMDN
FQ
V
40
20
0
1.2 1.4 1.6 1.8 2 2.2 2.4 2.6
AMDN
Residuos
Respuesta 0
-20 1.2 1.4 1.6
120 -40
100 f(x) = - 63.2944126343x + 189.6375247932
R² = 0.7683803037
80
Res puesta
60 Variable X 1 Cu
VEF1
Y
0
1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 0
1.2 1.4 1.6 1.8 2 2
AMDN
Variable X 1
Observación
Pronóstico para YResiduos
Residuos estándares
1 103.557124 -1.5571236 -0.1317461
2 99.7594589 -7.7594589 -0.6565171
3 100.392403 10.607597 0.89749418
4 98.4935706 -4.4935706 -0.3801948 Con base al análisis de varianza
5 96.5947382 2.40526178 0.20350589 (66.35) mayor a la F crítica (8.18E
hipótesis nula y se concluye que
6 101.658291 -3.6582912 -0.309523 significancia. En la gráfica d
7 96.5947382 2.40526178 0.20350589 irregularid
8 76.3405262 3.65947382 0.30962304
9 81.4040792 5.59592081 0.47346316
10 98.4935706 1.5064294 0.12745692
11 86.4676322 -0.4676322 -0.0395657
12 83.3029116 18.6970884 1.58193492
13 78.8723027 2.12769732 0.18002154
14 66.2134202 -15.21342 -1.2871865
15 85.8346881 -7.8346881 -0.6628822
16 49.1239287 2.87607125 0.24334043
17 72.5428614 -29.542861 -2.4995808
18 47.8580405 11.1419595 0.94270586
19 30.7685491 -0.7685491 -0.0650259
20 50.389817 10.610183 0.89771298
21 50.389817 -21.389817 -1.809763
22 64.9475319 21.0524681 1.78122035
d) El ajuste no es satisfactorio debido a que el valor del coeficiente de correlación (0.7684) es cercano a 0.7.
e) El valor de la pendiente de la recta es de -63.294, esto quiere decir que por cada aumento de 1 en las calificacio
AMDN. Sin embargo, al no haber un correcto ajuste de los datos al modelo, los resultados no son confiables.
f) El error estándar de la regresión es de 12.11, siendo un valor alto por lo que no hay un buen ajuste de los datos
resante para médico especialistas en problemas respiratorios. Las siguientes calificaciones fueron
nes (% de predicción) del volumen espiratorio forzado (VEF1) registrado en 22 individuos. Los primeros
y el resto de individuos eran pacientes con fibrosis quística.
oblema cuál variable se puede ver como independiente y cuál como dependiente?
n diagrama de dispersión analice la relación entre estas dos variables. ¿Qué tipo de relación observa y cuáles son
s especiales?
álisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de hipótesis, verifique residuos).
del ajuste es satisfactorio? Argumente.
lor de la pendiente de la recta e interpretelo en términos prácticos.
error estándar de estimación y comente qué relación tiene éste con la calidad del ajuste.
e es el porcentaje de rendimiento
Variable X 1 Gráfico de los residuales
40
20
Residuos
0
-20 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6
-40
Variable X 1
F Valor crítico de F
66.3484424 8.8143E-08
X Y
78 114
77 68 a) Mediante un diagrama de dispersión analice la relación en
112 116 algunos hechos especiales?
114 123 b) Haga un análisis de regresión (ajuste una línea recta a esto
104 107 c) ¿La calidad del ajuste es satisfactorio? Argumente.
99 81 d) Obtenga el error estándar de estimación y comente qué re
92 76
80 90
113 91
99 95
97 106
80 99
84 82
89 77
100 81
111 111
75 80
94 98
67 82
46 56
106 117
99 98
102 89
127 113
113 112
91 103
91 93
96 90
100 102
97 104
82 92
43 43
77 100
109 90
99 100
99 103
100 103
56 67
56 67
67 67
71 66
66 63
78 76
95 86
38 64
Diagrama de dispersión
140
120
100
Hermano Y
80
Res puesta
60
40
20
0
20 40 60 80 100 120 140
Hermano X
Residuos
20
Diagrama de dispersión
0
140
20 40
120 -20
f(x) = 0.7259607878x + 25.7702585149
100 R² = 0.6408767972
Hermano Y
80
Res puesta
60 Li near (Res puesta)
Variable X
40 150
20 100 f(x) = 0.7
50 R² = 1
Y
0
20 40 60 80 100 120 140 0
20 40 60 8
Hermano X
Variab
Observación
Pronóstico para YResiduos
Residuos estándares
1 82.3952 31.6048 2.88073207
2 81.6692392 -13.669239 -1.2459315
3 107.077867 8.92213325 0.81323961
4 108.529788 14.4702117 1.31893898
5 101.27018 5.72981955 0.52226481
6 97.6403765 -16.640377 -1.5167464
7 92.558651 -16.558651 -1.5092972
8 83.8471215 6.15287846 0.56082602
9 107.803828 -16.803828 -1.5316447
10 97.6403765 -2.6403765 -0.2406665
11 96.1884549 9.81154507 0.89430822
12 83.8471215 15.1528785 1.38116308
13 86.7509647 -4.7509647 -0.4330436
14 90.3807686 -13.380769 -1.2196378
15 98.3663373 -17.366337 -1.5829167
16 106.351906 4.64809404 0.42366709
17 80.2173176 -0.2173176 -0.0198082
18 94.0105726 3.98942743 0.36363057
19 74.4096313 7.5903687 0.69185119
20 59.1644548 -3.1644548 -0.2884355
21 102.722102 14.277898 1.30140987
22 97.6403765 0.35962349 0.03277916
23 99.8182589 -10.818259 -0.9860687
24 117.967279 -4.9672786 -0.4527603
25 107.803828 4.19617246 0.38247508
26 91.8326902 11.1673098 1.01788423
27 91.8326902 1.16730979 0.10639861
28 95.4624941 -5.4624941 -0.4978985
29 98.3663373 3.6336627 0.33120313
30 96.1884549 7.81154507 0.7120111
31 85.2990431 6.70095688 0.61078258
32 56.9865724 -13.986572 -1.274856
33 81.6692392 18.3307608 1.67082249
34 104.899984 -14.899984 -1.3581121
35 97.6403765 2.35962349 0.21507629
36 97.6403765 5.35962349 0.48852197
37 98.3663373 4.6336627 0.42235169
38 66.4240626 0.57593737 0.05249586
39 66.4240626 0.57593737 0.05249586
40 74.4096313 -7.4096313 -0.6753772
41 77.3134744 -11.313474 -1.0312069
42 73.6836705 -10.683671 -0.9738012
43 82.3952 -6.3952 -0.5829133
44 94.7365334 -8.7365334 -0.7963225
45 53.3567685 10.6432315 0.97011525
c) El ajuste no es satisfactorio debido a que el valor del coeficiente de correlación (0.6908) es menor que 0.7; no s
d) El error estándar de la regresión es de 11.09, siendo un valor alto por lo que no hay un buen ajuste de los datos
partir de 45 pares de hermanos con distrofia muscular progresiva de Duchenne.
e dispersión analice la relación entre estas dos variables. ¿Qué tipo de relación observa y cuáles son
sión (ajuste una línea recta a estos datos, aplique pruebas de hipótesis, verifique residuos).
satisfactorio? Argumente.
r de estimación y comente qué relación tiene éste con la calidad del ajuste.
Variable X 1 Gráfico de los residuales
40
Residuos
20
0
20 40 60 80 100 120 140
-20
Variable X 1
F Valor crítico de F
76.7360674 4.0905E-11
Probabilidad Inferior 95% Superior 95%Inferior 95.0%
Superior 95.0%
0.00131037 10.6565837 40.8839334 10.6565837 40.8839334
4.0905E-11 0.55883133 0.89309025 0.55883133 0.89309025