PROYECTO DE ESTADSTICA

INFERENCIAL II
ING. INDUSTRIAL : RAMN AGUSTN BOCOS PATRN

EQUIPO NUMERO: 4

INTEGRANTES:

ANGEL VIVEROS ERIC

LPEZ JIMNEZ JAVIER

PECH AKE JOSE ANGEL

UC CHAN RAFAEL
 INTRODUCCIN
EN LAS EMPRESAS CON MUCHA FRECUENCIA ES NECESARIO RESOLVER PROBLEMAS QUE IMPLICAN CONJUNTOS DE VARIABLES, CUANDO SE SABE QUE EXISTE
ALGUNA RELACIN INHERENTE ENTRE ELLAS. A PARTIR DE LO ANTERIOR, ES NECESARIO ESTABLECER MODELOS QUE EXPLIQUEN DICHA RELACIN.

CUANDO, SIMULTNEAMENTE, CONTEMPLAMOS DOS VARIABLES CONTINUAS, AUNQUE POR EXTENSIN SE PUEDEN EMPLEAR PARA VARIABLES DISCRETAS
CUANTITATIVAS, SURGEN PREGUNTAS Y PROBLEMAS ESPECFICOS. ESENCIALMENTE, SE EMPLEARN ESTADSTICOS DESCRIPTIVOS Y TCNICAS DE ESTIMACIN
PARA CONTESTAR ESAS PREGUNTAS, Y TCNICAS DE CONTRASTE E HIPTESIS ESPECFICOS PARA RESOLVER DICHOS PROBLEMAS. LA MAYORA DE ESTOS
MTODOS ESTN ENCUADRADOS EN LAS TCNICAS REGRESIN Y CORRELACIN.

EN FORMA MS ESPECIFICA EL ANLISIS DE CORRELACIN Y REGRESIN COMPRENDE EL A ANLISIS DE LOS DATOS MUSTRALES PARA SABER QUE ES Y COMO
SE RELACIONAN ENTRE SI DOS O MAS VARIABLES EN UNA POBLACIN. EL ANLISIS DE CORRELACIN PRODUCE UN NMERO QUE RESUME EL GRADO DE LA
FUERZA DE RELACIN ENTRE DOS VARIABLES; Y EL ANLISIS DE REGRESIN DA LUGAR A UNA ECUACIN MATEMTICA QUE DESCRIBE DICHA RELACIN.

LA TCNICA DE REGRESIN LINEAL SIMPLE EST INDICADA CUANDO SE PRETENDE EXPLICAR UNA VARIABLE RESPUESTA CUANTITATIVA EN FUNCIN DE UNA
VARIABLE EXPLICATIVA CUANTITATIVA TAMBIN LLAMADA VARIABLE INDEPENDIENTE, VARIABLE REGRESORA O VARIABLE PREDICTORA. POR EJEMPLO, SE PODRA
INTENTAR EXPLICAR EL PESO EN FUNCIN DE LA ALTURA. EL MODELO INTENTARA APROXIMAR LA VARIABLE RESPUESTA MEDIANTE UNA FUNCIN LINEAL DE LA
VARIABLE EXPLICATIVA.

A PARTIR DE ESTO ANALIZAREMOS 2 VARIABLES PARA DETERMINAR SI LA REGRESIN SIMPLE ES ADECUADAS PARA ELLOS MEDIANTE TABLAS Y GRAFICAS.
 REGRESIN LINEAL Y CORRELACIN

EL ANLISIS DE REGRESIN SE USA CON EL PROPSITO DE PREDICCIN. LA META DEL ANLISIS DE REGRESIN
ES DESARROLLAR UN MODELO ESTADSTICO QUE SE PUEDA USAR PARA PREDECIR LOS VALORES DE UNA
VARIABLE DEPENDIENTE O DE RESPUESTA BASADOS EN LOS VALORES DE AL MENOS UNA VARIABLE
INDEPENDIENTE O EXPLICATIVA. ESTE MODELO SE USA CON UNA VARIABLE INDEPENDIENTE X PARA PREDECIR LA
VARIABLE NUMRICA DEPENDIENTE Y.

EL COEFICIENTE DE CORRELACIN MUESTRAL O ANALTICO DE UNA MUESTRA ES DE HECHO UNA VARIABLE

ALEATORIA, ESO SIGNIFICA QUE SI REPETIMOS UN EXPERIMENTO O CONSIDERAMOS DIFERENTES MUESTRAS SE
OBTENDRN VALORES DIFERENTES Y POR TANTO EL COEFICIENTE DE CORRELACIN MUESTRAL CALCULADO A
PARTIR DE ELLAS TENDR VALORES LIGERAMENTE DIFERENTES.
EXPERIMENTO: ENSAMBLE DE AVIONCITOS DE PAPEL
 coeficiente
Mnimos Cuadrados Estndar Estadstico
Parmetro Estimado Error T Valor-P Mediante esta tablas podemos
Intercepto -0.0221436 0.288611 -0.0767248 0.9401
Pendiente 0.0513309 0.00331373 15.4904 0.0000 observar que si existe un relacin
Anlisis de varianza entre la cantidad de ensamble de
Fuente Suma de Cuadrados Gl Cuadrado Medio Razn-F Valor-P avioncitos y el tiempo que lleva su
Modelo 53.3328 1 53.3328 239.95 0.0000 elaboracin. Su nivel de confianza
Residuo 2.66718 12 0.222265 es de 95% y el modelo ajustado
Total (Corr.) 56.0 13
da 95.2372% de la variabilidad
en ensamble de avioncitos de
Coeficiente de Correlacin = 0.975895
R-cuadrada = 95.2372 porciento papel por lo cual procederemos a
R-cuadrado (ajustado para g.l.) = 94.8403 porciento graficar y poner de mas datos
Error estndar del est. = 0.47145
Error absoluto medio = 0.348317 para explicar esta relacin.
Estadstico Durbin-Watson = 1.46047 (P=0.2002)
Autocorrelacin de residuos en retraso 1 = 0.156571
El StatAdvisor
La salida muestra los resultados de ajustar un modelo lineal para describir la relacin entre Ensamble de avioncitos de papel y Tiempo en segundos. La ecuacin del modelo ajustado es

Ensamble de avioncitos de papel = -0.0221436 + 0.0513309*Tiempo en segundos

Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relacin estadsticamente significativa entre Ensamble de avioncitos de papel y Tiempo en segundos con un nivel de confianza
del 95.0%.

El estadstico R-Cuadrada indica que el modelo ajustado explica 95.2372% de la variabilidad en Ensamble de avioncitos de papel. El coeficiente de correlacin es igual a 0.975895, indicando una
relacin relativamente fuerte entre las variables. El error estndar del estimado indica que la desviacin estndar de los residuos es 0.47145. Este valor puede usarse para construir lmites de prediccin
para nuevas observaciones, seleccionando la opcin de Pronsticos del men de texto.
 Grfico del Modelo Ajustado
Ensamble de vioncitos de papel = -0.0221436 + 0.0513309*Tiempo en segundos

Ensamble de vioncitos de papel 6

0
0 30 60 90 120 150
Tiempo en segundos

Grfico de Ensamble de vioncitos de papel

observado
4

0
0 2 4 6 8
predicho
 Residuos Atpicos

Predicciones Residuos

Fila X Y Y Residuos Studentizados

2 121.0 7.0 6.1889 0.811103 2.14

9 115.0 5.0 5.88091 -0.880911 -2.37

El StatAdvisor
La tabla de residuos atpicos enlista todas las observaciones que tienen residuos Estudentizados mayores a 2, en valor absoluto. Los residuos
Estudentizados miden cuntas desviaciones estndar se desva cada valor observado de Ensamble de avioncitos de papel del modelo ajustado,
utilizando todos los datos excepto esa observacin. En este caso, hay 2 residuos Estudentizados mayores que 2, pero ninguno mayor que 3.
 Valores Predichos
95.00% 95.00%

Predicciones Lmite Prediccin Lmite Confianza

X Y Inferior Superior Inferior Superior

16.0 0.799151 -0.355497 1.9538 0.271832 1.32647

128.0 6.54821 5.42617 7.67026 6.09673 6.99969

El StatAdvisor
Esta tabla muestra los valores predichos para Ensamble de avioncitos de papel usando el modelo ajustado. Adems de las mejores predicciones, la tabla muestra:
(1) intervalos de previsin del 95.0% para las nuevas observaciones
(2) intervalos de confianza del 95.0% para la media de varias observaciones
Los intervalos de prediccin y de confianza corresponden a las cotas internas y externas en la grfica del modelo ajustado.
 Anlisis de Varianza con Carencia de Ajuste

Fuente Suma de Cuadrados Gl Cuadrado Medio Razn-F Valor-P

Modelo 53.3328 1 53.3328 239.95 0.0000

Residuo 2.66718 12 0.222265

Carencia de Ajuste 2.66718 11 0.242471

Error Puro 0 1 0

Total (Corr.) 56.0 13

El StatAdvisor
La prueba de Falta de Ajuste est diseada para determinar si el modelo seleccionado es adecuado para describir los datos observados, si se debera utilizar un modelo ms complicado. La
prueba se realiza comparando la variabilidad de los residuos del modelo actual con la variabilidad entre observaciones hechas en valores repetidos de la variable independiente X. Puesto
que el valor-P para la carencia de ajuste en la tabla ANOVA es menor que 0.05, existe una
 Grfico de Residuos
Ensamble de vioncitos de papel = -0.0221436 + 0.0513309*Tiempo en segundos

2.5

Rediduo Estudentizado 1.5

0.5

-0.5

-1.5

-2.5
0 30 60 90 120 150
Tiempo en segundos

Grfico de Residuos
Ensamble de vioncitos de papel = -0.0221436 + 0.0513309*Tiempo en segundos

2.5

Rediduo Estudentizado
1.5

0.5

-0.5

-1.5

-2.5
0 2 4 6 8
predicho Ensamble de vioncitos de papel
 REPORTE

Tomando en cuenta las tablas y graficas que obtuvimos con el programa stargraphic
podemos determinar que si existe una relacin entre el ensamble de avioncitos y el
tiempo que lleva su realizacin. El modelo se ajusta en un 95.23 lo que indica que el
modelo es el adecuado sin necesidad de considerar otro. Con esto terminamos el
proyecto teniendo un resultado muy positivo a la relacin de nuestras variables.