Professional Documents
Culture Documents
1) Se desea establecer una ecuación que permita predecir la resistencia a la abrasión del
caucho en función de la cantidad de láminas de sílice 𝑋1 adheridas a él por un agente
amalgamante cuya cantidad 𝑋2 se mide en porcentaje respecto al total de la masa del
caucho.
Se realizaron seis mediciones obteniendo los siguientes resultados:
83 6 2
92 2 6
95 4 7
80 4 1
100 7 4
92 1 4
a) A través de una regresión, determine una ecuación lineal que permita predecir la
resistencia en función de las dos variables independientes.
Considere que:
1,94̅ −0, 2̅ −0, 2̅
′ −1
(𝑋 𝑋) = (−0, 2̅ 0,0425 0,0131)
−0, 2̅ 0,0131 0,0425
2) Un mineral metálico es extraído desde una mina de la región. Una vez extraído, se somete
a un proceso de depuración, luego es fusionado en un horno industrial y posteriormente
solidificado en planchas metálicas. Finalizado este proceso, se mide el porcentaje de
impurezas que tienen las planchas metálicas. Se sospecha que existe una relación entre la
temperatura a la que actuó el horno y el porcentaje de impurezas de la plancha metálica.
Para determinar una ecuación de regresión que relaciones ambas variables, se analizaron
15 planchas metálicas. Los resultados del análisis se presentan en la siguiente tabla:
Temperatura (℃) % impurezas
387 4,87
361 3,93
433 6,46
343 3,33
381 4,38
383 4,70
346 3,50
376 4,50
350 3,58
358 3,64
419 5,90
378 4,43
371 4,38
373 4,42
378 4,25
3) Diversos estudios han concluido que, en los días más calurosos, existe un consumo mayor
de energía, probablemente debido a la mayor utilización de ventiladores, aparatos de aire
acondicionado y artículos eléctricos de refrigeración.
El gerente de una planta generadora de electricidad busca un modelo que permita
predecir cuánta electricidad será consumida diariamente por la población de una ciudad
en función de la mínima y la máxima temperatura que tendrá ese día.
Para definir una ecuación de regresión, se observaron 10 días del último año
seleccionados al azar. La ecuación de regresión obtenida, parte de la matriz (𝑋 ′ 𝑋)−1 y
parte del análisis de varianza son mostrados a continuación
Error
Total 19263,6
a) ¿Parece haber una relación lineal útil entre el tiempo de reparación y los dos
predictores del modelo? Realice una prueba de las hipótesis apropiadas usando un
nivel de significación de 0,05.
b) Dado que el tiempo transcurrido desde el último servicio sigue en el modelo, ¿el tipo
de reparación da información útil acerca del tiempo de reparación? Exprese y pruebe
las hipótesis apropiadas usando un nivel de significación de 0,01.
c) Calcule e interprete un intervalo de confianza de 95% para 𝛽2 .
d) La desviación estándar estimada de una predicción para el tiempo de reparación,
cuando el tiempo transcurrido sea de 6 meses y la reparación es eléctrica, es de
0,192. Pronostique el tiempo de reparación bajo estas circunstancias al calcular un
intervalo de predicción de 99%. ¿El intervalo sugiere que el modelo estimado dará
una predicción precisa? ¿Por qué sí o por qué no?
𝑋 𝑇 ∗ 𝑋:
𝑋𝑇 ∗ 𝑌
38438
774525.34
900549.22
1510802.26
1928724.17
𝑌 𝑇 ∗ 𝑌 = 49939038
7) La estatura de un bebé al nacer (en cm.) y el período de embarazo (en días) son:
x 48 49 50 51 52
y 277,1 279,3 281,4 283,2 284,8
a) Ajustar una recta de regresión minimizando los desvíos cuadráticos entre los valores
de Y y su correspondiente estimación lineal.
b) Construir intervalos de confianza para sus coeficientes.
c) ¿Es la relación lineal?
Año 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2005 2010 2015
X 1.006 1.162 1.479 805 795 747 732 683 686 493 476 386 368
Y 5.5 4.8 7.8 8.2 8.6 9.7 9.6 8.9 11.4 10.6 12.7 11.5 11.4
Se pide construir una recta de regresión e interpretar los resultados.
9) Galton estudió en 1.877 la relación entre el diámetro de los guisantes y el diámetro medio
de sus descendientes con los resultados siguientes:
Diámetro 21 20 19 18 17 16 15
Padres
Diámetro medio 17.26 17.07 16.37 16.40 16.13 16.17 15.98
descendientes
a) Por medio de las ecuaciones normales (XTX)-1*(XTY) determine los estimadores de los
coeficientes βi . Calcular la recta de regresión. ¿Qué conclusiones puede extraerse?
b) Prever el diámetro medio en milímetros de los descendientes de guisantes con diámetro 5
milímetros.
2007 50 10
2008 100 15
2009 150 18
2010 200 20
2011 200 25
2012 300 35
2013 400 50
2014 500 55
2015 650 60
2016 700 65
a) Especifica y estima el modelo lineal que explique las ventas de la empresa en función de la
inversión publicitaria. Interpreta los parámetros estimados.
b) En el año 2017, la empresa va a invertir 450.000 euros en publicidad. Calcula el volumen
de ventas esperado.
c) Se plantea el modelo
Yi = βXi + εi i = 1, .....n
Edad 56 42 72 36 63 47 55 49 38 4
Presión 14,8 12,6 15,9 11,8 14,9 13,0 15,1 14,2 11,4 14,1
a) Determine las matrices X e Y y realice el proceso matricial necesario para conseguir los
estimadores de los coeficientes del modelo e interprete que indican
b) Calcular el coeficiente de correlación lineal entre las variables e interpretar qué indica.
c) Determinar la recta de regresión de Y sobre X, justificando el ajuste de un modelo lineal.
Interpretar los coeficientes del modelo.
d) Hacer las predicciones siguientes, considerando la que tenga sentido:
Presión sanguínea de una mujer de 51 años.
Presión sanguínea de una niña de 10 años.
Presión sanguínea de un hombre de 54 años.
13) A menudo se utiliza el tratamiento térmico para carburar partes metálicas como los
engranes. El espesor de la capa carburada se considera una característica importante de
engrane y contribuye a la confiabilidad general de la parte. Debido a la naturaleza crítica
de esta característica, se lleva a cabo una prueba de laboratorio en cada carga del horno.
La prueba es destructiva, donde una parte real se corta de forma transversal y se remoja
en un químico durante cierto tiempo. Esta prueba implica correr un análisis de carbón
sobre la superficie del paso de engranaje (parte superior de los dientes del engrane) y la
raíz del engrane (entre los dientes). Los siguientes datos son los resultados del análisis de
carbón del paso de engranaje para 19 partes.
T.Remojo 0,58 0,66 0,66 0,66 0,66 0,66 1,00 1,17 1,17 1,17
Engranaje 0,013 0,016 0,015 0,016 0,015 0,016 0,014 0,021 0,018 0,019
T.Remojo 1,17 1,17 1,17 1,20 2,00 2,00 2,20 2,20 2,20
Engranaje 0,021 0,019 0,021 0,025 0,025 0,026 0,024 0,025 0,024
a) Ajuste una regresión lineal simple que relacione el análisis de carbón en el paso de
engranaje y contra el tiempo de remojo. Pruebe la hipótesis H0: 1=0.
b) Si la hipótesis de la parte a) se rechaza, determine si el modelo lineal es adecuado.
14) Jay Footclamper es presidenta y oficial ejecutivo en jefe de la Fiber Shoes, Inc., una
compañía que fabrica suecos de madera para las competencias de danza con suecos. Jay
está preocupada por contratar mejor personal de ventas. Uno de los esfuerzos por
contratar mejores opciones de vendedores está basado en un análisis del desempeño de
la fuerza de ventas actual en cuatro pruebas de aptitud que estas personas hicieron
cuando fueron contratadas. Jay ha recabado datos sobre el crecimiento de ventas de 25
vendedores, junto con su resultado en las cuatro pruebas de aptitud (creatividad,
habilidad mecánica, pensamiento abstracto, y cálculos matemáticos). Hizo una regresión y
obtuvo el siguiente resultado.
VARIABLE_DEP. CRECIMIENTO
ANÁLISIS DE VARIANZA
FUENTE DF SUMA DE CUADRADOS CUADRADOS MEDIOS VALOR F PROB>F
MODELO 4 1050,697
ERROR
C TOTAL 24 1134,662
R CUADRADO 0,9261
VARIABLE DF ESTIMACIÓN DE PARAMETRO ERROR ESTANDAR t PROB>t
INTERSECCION 70,065659 2,130314
CREAT 0,421601 0,171915
MEC 0,271403 0,218402
ABSTR 0,745042 0,289818
MATE 0,419545 0,068712
Dé la ecuación de regresión para que Jay pueda predecir el crecimiento en ventas de un
vendedor
a) ¿Cuánto de la variación en el crecimiento de ventas es explicado por las cuatro pruebas de
aptitud?
b) A un nivel de significación de 0,05, ¿Cuáles de las pruebas de aptitud son variables
explicativas significativas del crecimiento en las ventas?
c) ¿Es el modelo completo significativo como un todo?
d) El vendedor Paul ha tenido el siguiente resultado en las cuatro pruebas: CREAT=12,
MEC=14, ABSTR=18 Y MATE=30. Dé un intervalo de confianza aproximado de 95% para el
crecimiento de ventas de Paul.
15) Los datos que se han reunido de 40 muestras, representan el empuje de un motor de
turbina (Y) y seis variables de regresión candidatas: X1 = velocidad de rotación primaria,
X2 = velocidad de rotación secundaria, X3 = rapidez de flujo de combustible, X4 = presión,
X5 = temperatura de escape y X6 = temperatura ambiente al momento de efectuar la
prueba
Los resultados obtenidos se han procesado obteniéndose la siguiente información:
(XTX)-1
287571830
3062352081
4631760166
27708929
259142680
15200200
Pregunta: Analice cada variable, indicando que variables son las que es aconsejable considerar
dentro del modelo de regresión lineal múltiple. Justifique sus respuestas
16) La distancia promedio Y requerida para detener un vehículo es una función de la velocidad
del vehículo. El conjunto de datos fue observado en 10 automóviles a diferentes
velocidades, cuyas observaciones han sido registradas y analizadas.
Modelo 1: Asuma que la distancia de detención promedio varía linealmente con la velocidad.
Esto es 𝑌 = 𝛽0 + 𝛽1 𝑥. Estime 𝛽0 , 𝛽1 y 𝑆𝜀 .
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.985355831
R Square 0.970926114
Adjusted R Square 0.967291879
Standard Error 6.496098168
Observations 10
ANOVA
df SS MS F Significance F
Regression 1 11274.00567 11274.00567 267.1610184 1.9769E-07
Residual 8 337.5943313 42.19929141
Total 9 11611.6
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept -9.758193091 4.151031901 -2.350787304 0.046623921 -19.33048982 -0.185896362 -19.33048982 -0.185896362
Velocidad (mph) 1.998582817 0.122274418 16.34506098 1.9769E-07 1.716617503 2.28054813 1.716617503 2.28054813
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.986228218
R Square 0.972646099
Adjusted R Square 0.964830699
Standard Error 6.736070903
Observations 10
ANOVA
df SS MS F Significance F
Regression 2 11293.97744 5646.988721 124.4524987 3.38507E-06
Residual 7 317.6225584 45.37465121
Total 9 11611.6
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept -6.043299815 7.062675737 -0.855667178 0.420502775 -22.74387415 10.65727451 -22.74387415 10.65727451
Velocidad (mph) 1.665766841 0.517427028 3.219327074 0.014667084 0.442246342 2.889287341 0.442246342 2.889287341
Velocidad^2 (mph^2) 0.005295599 0.007982032 0.66344001 0.528285139 -0.013578906 0.024170105 -0.013578906 0.024170105
Estadísticas de la regresión
Coef. correlación 0.94712238
Coef. determinación R^2 0.8970408
R^2 ajustado 0.87416098
Error típico
Observaciones 12
ANÁLISIS DE VARIANZA
G. de Lib. SC Cuad. Medios F
Regresión 2 39.2066346
Residuos 121.3404167 13.4822685
Total 11 1178.529167
Regression Statistics
Multiple R 0.844961111
R Square 0.713959279
Adjusted R Square 0.668192763
Standard Error
Observations 30
ANOVA
df SS MS F
Regression 15.60003578
Residual 26.60474667
Total 2325.258667