Académique Documents
Professionnel Documents
Culture Documents
Curso:
Estadstica Aplicada II
Ttulo:
Anlisis estadstico de las Industrias Mecnicas Fema S.L
Seccin:
IG41
Profesor:
LIMA, PER
2014
NDICE
Introduccin:
Desde el origen del ser humano, este ha tenido la necesidad de
transformar los elementos de la naturaleza para poder aprovecharse de
ellos, en sentido estricto ya exista la industria, pero es hacia finales del
siglo XVIII, y durante el siglo XIX, cuando el proceso de transformacin
de los Recursos de la naturaleza sufre un cambio radical, que se conoce
como revolucin industrial.
En el siglo XXI, en el Per, las empresas dedicadas a la produccin de
piezas metlicas para el ensamblaje de mecanismos industriales han ido
en aumento en los ltimos aos. Esto se debe a que es indispensable
su
profesionalidad,
pueden
realizar
el
diseo,
fabricacin
MARCO TERICO
Los siguientes conceptos se utilizarn a lo largo del anlisis del caso de
la empresa la por lo cual es necesario definirlos para poder disponer de
su uso en el presente documento:
Poblacin: Es el conjunto de todos los elementos que tienen una o ms
caractersticas comunes entre s. En el trabajo la poblacin son todas las
fallas presentadas durante el primer semestre del 2014 en las seis
plantas de procesos de manufactura.
Muestra: Es el subconjunto de elementos extrados de la poblacin en
cuestin. En el trabajo la muestra son las 600 muestras falladas
registradas durante los momentos del control de calidad de los equipos
de mejora continua.
Elemento: Es la unidad sobre la cual se recopila informacin. En el
trabajo la unidad elemental es una muestra fallada en el proceso de
manufactura de las piezas mecnicas en el primer semestre del ao
2014.
Muestreo: Es el procedimiento mediante el cual se extrae la muestra
respectiva de la poblacin.
Variables: Son las caractersticas que se desean medir y analizar en la
poblacin. Cabe mencionar que las variables pueden ser cuantitativas,
basadas en una cantidad numrica, o cualitativas, basadas en una
cualidad descriptiva. Dentro de las cuantitativas tenemos dos escalas:
De intervalo, donde el cero es relativo, y de razn, donde el cero es
absoluto. A su vez, las variables cualitativas tienen dos escalas: nominal,
si hay categoras distintas en las que no se diferencia ningn orden, y
ordinal, si hay categoras distintas dentro de las cuales se establece un
orden.
Figura 1
3)
Deformacin elastoplstica:
La conformacin por deformacin igual a la modificacin permanente de
la forma de un slido aplicando tensiones superiores al lmite elstico del
material, a temperaturas inferiores a la de fusin.
4 Recuperacin
elstica:
En la prctica siempre existe
una vez desaparece la carga,
un rgimen elstico que har
que la pieza recupere algo de
su forma.
5 Laminacin:
Consiste en dar sucesivas pasadas al material entre unos rodillos, a
partir de lingotes hasta obtener la chapa del espesor o el perfil de la
forma requerida.
ANLISIS DE LA SITUACIN:
Planteamiento del Problemas
Cul es el origen de las fallas en el proceso de manufactura de las
piezas mecnicas de la empresa INDUSTRIAS MECNICAS FEMA S.L.?
Objetivo General
Determinar los principales factores que ocasionan las posibles fallas
dentro del proceso de manufactura de la empresa INDUSTRIAS
MECNICAS FEMA S.L.
VARIABLES DE ESTUDIO Y SUS RESPECTIVAS CLASIFICACIONES
Poblacin: fallas presentadas durante el primer semestre del
2014 en las seis plantas de procesos de manufactura.
Muestra: 600 muestras falladas registradas durante los
momentos del control de calidad de los equipos de mejora
continua.
Unidad elemental: Una muestra fallada en el proceso de
manufactura de las piezas mecnicas en el primer semestre del
ao 2014.
Objetivos Especficos
Determinar que turno tiene mayor proporcin de fallas durante el
proceso de manufactura.
Determinar si el tiempo de paro de las maquinas es en promedio
menor a 90 horas. Con un nivel de significancia del 5%
Determinar si el costo de reparacin es en promedio menor a 30$.
Con un nivel de significancia del 5%
Determinar si la proporcin de fallas graves en el proceso es
menor que la proporcin de fallas leves. Con un nivel de
significancia del 5%
Determinar si el tiempo de paro en promedio de la falla en la
depalizadora es menor al tiempo de paro en promedio de la falla
en la coronadora. Con un nivel de significancia del 5%
Determinar si el costo de reparacin
promedio de la falla
electrnica es menor que el costo de reparacin promedio de la
falla mecnica. Con un nivel de significancia del 5%
Determinar si las horas por trabajador en la reparacin promedio
en la planta 2 es menor a las horas por trabajador en la reparacin
promedio en la planta 5. Con un nivel de significancia del 5%
Determinar si el promedio de los costos en reparaciones anteriores
acumuladas es menor a 10 dorales. Con un nivel de significancia
del 5%
Determinar si la proporcin de fallas mecnicas en el turno
maana dentro del proceso de manufactura es mayor a la
proporcin de fallas elctricas en el mismo turno. Con un nivel de
significancia del 5%
Comprobar si el promedio de costo de reparacin es menor a 37
dlares. Con un nivel de significancia de un 5%.
Comprobar si el promedio del costo de reparacin adicional es
mayor a 100 dlares. Con un nivel de significancia de un 5%.
Comprobar si el tiempo de paro de una maquina es mayor que la
cantidad de horas laboradas por un operario. Con un nivel de
significancia de un 5%.
Determinar si los meses de experiencia del operador encargado
de la maquina son en promedio menor o igual a 6 meses. Con un
nivel de significancia del 5%
Determinar si la edad del operador encargado de la maquina son
en promedio mayor a 30 aos en todas las plantas de procesos de
manufactura. Con un nivel de significancia del 5%
VARIABLE
variable
que
se
CLASIFICACION
cambia
ESCALA
Nmero de fallas
Cuantitativa
Discreta
Industria mecnica
Cuantitativa
Discreta
Cualitativa
Continua
Da de las semanas
Cualitativa
Nominal
Cualitativa
Nominal
Cualitativa
Nominal
Tipo de fallas
Cualitativa
Nominal
Cuantitativa
Continua
Costo de reparacin
Cuantitativa
Discreta
Cuantitativa
Discreta
Continua
Continua
Discreta
Cuantitativa
Continua
Cualitativa
Nominal
Cualitativa
Nominal
Edad del
mquina
operador
encargado
de
la
=0.05
n=600
x=25.068
S=8.610
3
t=
x
s
n
Variable
Q3
CostoReparacin
N*
Media
Error
estndar
de la
media
600
25.068
0.351
Desv.Est.
Mnimo
Q1
Mediana
8.610
10.000
18.000
24.500
Variable
CostoReparacin
N
600
Media
25.068
Desv.Est.
8.610
Error
estndar
de la
media
0.351
Lmite
superior
de 95%
25.647
T
0.19
P
0.577
Objetivos:
=0.05
n=600
x=12.423
S=4.486
3
t=
x
s
n
Variable
Mediana
CostoReparacinAdicional
13.000
N*
Media
Error
estndar
de la
media
600
12.423
0.183
Desv.Est.
Mnimo
Q1
4.486
5.000
8.000
Variable
CostoReparacinAdicional
N
600
Media
12.423
Desv.Est.
4.486
Error
estndar
de la
media
0.183
Lmite
inferior
de 95%
12.122
T
2.31
P
0.011
=0.05
3
F=
S1
S2
Estadstica
GL1 GL2
de prueba
599 599
6.49
Valor p
0.000
3 Pvalor=0< =0.05
4 RH0,con un nivel de significacin del 0.05 , existe evidencia necesaria para afirmar
que no hay homegeneidad de varianzas.
1 H0 : u<=u2
H1 : u1>u2 (El tiempo de paro es mayor que la cantidad de horas del operario)
=0.05
3
t=
x 1x 2
S 1 2 S 22
+
n1 n2
TiempoParoEnHoras
Horashombretotales
N
600
600
Media
57.2
19.6
Desv.Est.
31.0
12.2
Error
estndar
de la
media
1.3
0.50
4 Pvalor=0< =0.05
GL = 779
5 RH0, con un nivel de significacin del 0.05 existe evidencia necesaria para afirmar
que el tiempo de paro es mayor que la cantidad de horas del operario laboradas.
Objetivos:
Tener una prueba estadstica que nos pueda afirmar si el tiempo de paro es mayor o
menor que la cantidad de horas que labora un operario al da.
Saber si las variancias poblacionales son homogneas o heterogneas.
Con los resultados obtenidos, tener una nocin sobre qu problemas puede tener la
empresa estudiada.
CostoReparacinAdicional
Costoreparacionesanteriores
Todo
27
10
25
22
10
20
7
12
17
9
19
6
103
46
77
42
45
100
137
68
119
73
74
126
15041
7454
48263
70758
Todo
5 RH0,con un
=0.05
Experienciaoperador
1
2
3
3
1
2
Edadoperador
2
15
5
1
18
1
Todo
20
23
28
24
27
24
23
40
36
28
46
27
Todo
1212
5730
17496 24438
Chi-cuadrada de Pearson = 1767.169, GL = 1198, Valor p = 0.000
Chi-cuadrada de la tasa de verosimilitud = 1933.534, DF = 1198, Valor p = 0.000
12 8 11 17 20 19
HOMOGENEIDAD DE VARIANZAS:
1 Ho: Las varianzas del tiempo de los trabajadores por reparacin son
homogneas.
H1: Las varianzas del tiempo de los trabajadores por reparacin no son
homogneas.
Prueba de Levene
impacto
Valor p 0.400
5.0
7.5
10.0
12.5
15.0
Mtodo
Estadstico de prueba
Valor-p
mltiples
0.493
Levene
0.97
0.400
Comparaciones
No se rechaza Ho.
Media -2.36848E-15
Desv.Est.
3.600
N
18
KS
0.093
Valor p
>0.150
95
90
Porcentaje
80
70
60
50
40
30
20
10
5
-10
-5
10
RESID1
SALIDA DE MINITAB
Anlisis de Varianza
Fuente
industria 5
305.3
61.07
impacto
3482.3
1741.17
Error
10
220.3
Total
17
4008.0
2.77
0.080
79.02
0.000
22.03
Media Agrupacin
6 47.6667 A
6 37.8333
6 14.5000
B
C
53
37
23
48
80
58
54
64
126 27
21
HOMOGENEIDAD DE VARIANZAS:
Estadstico de
Mtodo
prueba
Valor-p
s mltiples
0.168
Levene
1.16
0.382
Comparacione
0.168
Prueba de Levene
Valor p 0.382
causa
1000
2000
3000
4000
5000
6000
7000
8000
9000
No se rechaza Ho.
Media -3.26850E-13
Desv.Est.
467.6
N
12
KS
0.166
Valor p
>0.150
95
90
Porcentaje
80
70
60
50
40
30
20
10
5
-1000
-500
500
1000
RESID1
causa
Media
Agrupacin
2050.00
1344.33
938.33
681.00
Objetivos:
Supuesto de normalidad
1
Media 5.852504E-14
Desv.Est.
31.00
N
600
KS
0.073
Valor p
<0.010
99
Porcentaje
95
80
50
20
5
1
0.01
-100
-50
50
100
RESID1
pvalor<0.01 y =0.05
RH0,con un nivel de significacin del 0.05, existe evidencia necesaria para afirmar
que los errores no tienen una distribucin normal.
GL
1
1
598
5
593
599
SC Ajust.
37
37
575791
2212
573579
575828
MC Ajust.
36.62
36.62
962.86
442.38
967.25
Valor F
0.04
0.04
Valor p
0.845
0.845
0.46
0.808
R-cuad.
0.01%
R-cuad.
(ajustado)
0.00%
R-cuad.
(pred)
0.00%
Coeficientes
Trmino
Constante
Trabajadoresrequeridos(x)
Coef
57.67
-0.173
EE del
coef.
2.86
0.888
Valor T
20.16
-0.20
Valor p
0.000
0.845
VIF
1.00
Ecuacin de regresin
TiempoParoEnHoras(y) = 57.67 - 0.173 Trabajadoresrequeridos(x)
Estadstico de Durbin-Watson =
2.0237
Ho: B1=0
H1: B10
II.
III.
P valor= 0.845
IV.
Como el p valor del B1 = 0.845 > alfa (0.05); NRho. Con un nivel de
significacin del 5%. El modelo no es vlido.
Conclusin: El Minitab nos arroja una ecuacin de regresin que responde a lo esperado: A
mayor nmero de trabajadores requeridos, el tiempo de paro en horas ser menor. Debemos
destacar, no obstante que el elevado valor de p no permite mucha confiabilidad al modelo
de regresin lineal.
Prediccin: Si empleamos diez trabajadores, el tiempo de paro ser de 40,3 horas
Variable
Trabajadoresrequeridos(x)
Ajuste
55.9391
EE de
ajuste
6.43981
Valor de
configuracin
10
IC de 95%
(43.2917, 68.5864)
IP de 95%
(-6.30054, 118.179)
Con un nivel de confianza 95%, se estima que el tiempo de paro en horas cuando se
emplean 10 trabajadores se encuentra en el intervalo (-6.30054, 118.179)
d) Intervalo de confianza del 95% para un valor promedio x=10
IC= (43.2917, 68.5864)
Con un nivel de confianza 95%, se estima que el tiempo promedio de paro en horas cuando
se emplean 10 trabajadores se encuentra en el intervalo (43.2917, 68.5864)
e) Explicacin de la variabilidad
Rcuadrado = 0.01%
El 0.01% de la variabilidad de la cantidad de tiempo de paro es explicada por el modelo de
regresin estimada
II.
III.
Tcal = 0.2446
Tcritico
1.964
IV.
Como el Tcal < Tcritico; NRho, con un nivel de significacin del 5% no
existe evidencia necesaria para afirmar que hay relacin entre la experiencia
del trabajador y la edad de este.Por lo tanto, hay relacin entre el tiempo de
paro en horas y la cantidad de trabajadores requeridos.
Objetivos:
Estimar un intervalo del tiempo promedio de paro en horas cuando
se emplean 10 trabajadores.
Explicar la variabilidad que existe de cantidad de tiempo de paro con
el uso de regresin estimada.
Afirmar si hay alguna relacin entre el tiempo de paro en horas y la
cantidad de trabajadores requeridos.
ANALISIS DE REGRESION NO LINEAL
Se desea determinar si existe alguna relacin entra el tiempo de paro que tiene el operador
de la compaa respecto a la cantidad de trabajadores requeridos. Para ello se escoger el
mejor modelo no lineal.
Modelos
y = 2.6493e-3E-05x
R = 5E-06
Exponen
cial
y = -2E-05x2 + 0.0023x +
2.8564
R = 0.0003
Cuadrtic
o
y = 2.5783x0.0067
R = 0.0002
Potencial
Determine y valide el mejor modelo de regresin con un nivel de significacin del 0.05.
Como se puede evidenciar en los resultados obtenidos, el modelo cuadrtico presenta el
mayor coeficiente de determinacin que los dems modelos.
a) Validacin del modelo cuadrtico
1 Ho: B2=0
El modelo no es valido
H1: B20
El modelo es valido
SALIDA DELMINITAB
Anlisis de regresin: TiempoParoEnHoras(y) vs.
Trabajadoresrequeridos(x), x2
Anlisis de Varianza
Fuente
Regresin
Trabajadoresrequeridos(x)
x2
Error
Falta de ajuste
Error puro
Total
GL
2
1
1
597
4
593
599
SC Ajust.
512
374
475
575316
1737
573579
575828
R-cuad.
0.09%
Coeficientes
R-cuad.
(ajustado)
0.00%
R-cuad.
(pred)
0.00%
MC Ajust.
256.0
374.1
475.3
963.7
434.1
967.2
Valor F
0.27
0.39
0.49
Valor p
0.767
0.533
0.483
0.45
0.773
Trmino
Constante
Trabajadoresrequeridos(x)
x2
Coef
53.86
2.04
-0.248
EE del
coef.
6.14
3.27
0.353
Valor T
8.78
0.62
-0.70
Valor p
0.000
0.533
0.483
VIF
13.57
13.57
Ecuacin de regresin
TiempoParoEnHoras(y) = 53.86 + 2.04 Trabajadoresrequeridos(x) - 0.248 x2
2 =0.05
3 Pvalor= 0.483>0.05=
4. NRH0, con un =0.05 , no existe evidencia necesaria para afirmar que el
modelo es vlido. Se concluye que el modelo cuadrtico no es vlido.
b) Validacin del modelo potencial
1 Ho: B2=0
El modelo no es valido
H1: B20
El modelo es valido
GL
1
1
598
5
593
599
SC Ajust.
0.060
0.060
351.433
1.658
349.775
351.494
MC Ajust.
0.06041
0.06041
0.58768
0.33170
0.58984
Valor F
0.10
0.10
Valor p
0.0749
0.0749
0.56
0.0729
R-cuad.
0.02%
R-cuad.
(ajustado)
0.00%
R-cuad.
(pred)
0.00%
Coeficientes
Trmino
Constante
Coef
3.7974
EE del
coef.
0.0839
Valor T
45.26
Valor p
0.000
VIF
lnx
0.0257
0.0800
0.32
0.0449
1.00
Ecuacin de regresin
lny = 3.7974 + 0.0257 lnx
2 =0.05
3 Pvalor = 0.0449 < =0.05
4 RH0, con un =0.05 , existe evidencia necesaria para afirmar que el modelo
es vlido.
c) Intervalo de confianza individual, estime el costo de operacin si el tiempo de
paro de un operario es de 10 . intervalo de prediccin del 95%.
Prediccin para lny
Ecuacin de regresin
lny = 3.7974 + 0.0257 lnx
Variable
lnx
Ajuste
4.05405
Valor de
configuracin
10
EE de ajuste
0.723174
IC de 95%
(2.63378, 5.47432)
Intervalo de prediccin:
(1.98429, 6.12380)
IP de 95%
(1.98429, 6.12380)
6.12380
e
)=(7.27389 ; 456.59647)
Con un nivel de confianza del 95%, se puede asegurar que el tiempo de paro cuando el
nmero de trabajadores requeridos es 10, se encontrar entre (7.27389 ; 456.59647)
Objetivos:
REGRESION MULTILINEAL
Se desea desarrollar un modelo de regresin para estimar el costo de
reparacin como una funcin del nmero de trabajadores requeridos
para las horas por trabajador en la reparacin y las horas hombre
empleadas en la reparacin. Los datos son los siguientes:
Y:
Costo de
Reparacin
10
12
15
20
23
11
30
28
14
35
22
29
13
40
36
18
26
31
X1:
Horas por
trabajador
5
19
13
16
7
3
11
18
6
12
15
4
2
14
17
8
20
9
X2:
N de
trabajadores
9
1
5
3
8
2
7
2
0
6
4
1
5
2
8
9
6
3
X3:
Horas
hombre
10
25
50
5
36
69
54
32
27
24
17
6
19
45
63
58
44
15
Y
X1
X1
X2
0.375
0.125
X2
X3
0.046
-0.051
0.856
0.842
0.107
0.106
0.293
0.672
0.676
0.239
Variables
predictoras
Correlaciones
entre Xi y Xj
Correlaciones de Y
con cada Xi
Anlisis
RX1X2=0.051
RYX1=0.375
RYX2=0.046
Existe
multicolinealidad
X1 Vs. X3
RX1X3=0.106
RYX1=0.375
RYX3=0.107
No existe
multicolinealidad
X2 Vs X3
RX2X3=0.293
RYX2=0.046
RYX3=0.107
Existe
multicolinealidad
X1 Vs. X2
Anlisis de Varianza
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
220.73
73.577
0.81
0.511
X1
203.10
203.103
2.22
0.158
X2
3.31
3.310
0.04
0.852
X3
3.87
3.867
0.04
0.840
Error
14
1278.21
91.301
Total
17
1498.94
Regresin
R-cuad.
R-cuad.
R-cuad.
(ajustado)
(pred)
9.55515
14.73%
0.00%
0.00%
Coeficientes
EE del
Trmino
Coef
coef.
Valor T
Valor p
Constante
14.73
6.69
2.20
0.045
X1
0.603
0.404
1.49
0.158
1.02
X2
0.159
0.834
0.19
0.852
1.10
X3
0.025
0.122
0.21
0.840
1.11
Ecuacin de regresin
Estadstico de Durbin-Watson
Estadstico de Durbin-Watson =
1.69375
VIF
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
216.86
108.432
1.27
0.310
X1
213.66
213.664
2.50
0.135
X2
6.38
6.378
0.07
0.788
Error
15
1282.08
85.472
Total
17
1498.94
Regresin
R-cuad.
R-cuad.
R-cuad.
(ajustado)
(pred)
9.24511
14.47%
3.06%
0.00%
Coeficientes
EE del
Trmino
Coef
coef.
Valor T
Valor p
Constante
15.21
6.06
2.51
0.024
X1
0.614
0.388
1.58
0.135
1.00
X2
0.210
0.770
0.27
0.788
1.00
Ecuacin de regresin
VIF
Estadstico de Durbin-Watson
Estadstico de Durbin-Watson =
1.65750
Anlisis de Varianza
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
217.42
108.711
1.27
0.309
X1
200.15
200.152
2.34
0.147
X3
6.94
6.936
0.08
0.780
Error
15
1281.52
85.435
Total
17
1498.94
Regresin
R-cuad.
R-cuad.
R-cuad.
(ajustado)
(pred)
9.24310
14.50%
3.11%
0.00%
Coeficientes
EE del
Trmino
Coef
coef.
Valor T
Valor p
VIF
Constante
15.28
5.82
2.62
0.019
X1
0.596
0.390
1.53
0.147
1.01
X3
0.032
0.113
0.28
0.780
1.01
Ecuacin de regresin
Estadstico de Durbin-Watson
Estadstico de Durbin-Watson =
1.73259
Anlisis de Varianza
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
17.63
8.8141
0.09
0.915
X2
0.36
0.3588
0.00
0.953
X3
14.43
14.4293
0.15
0.708
Error
15
1481.32
98.7544
Total
17
1498.94
Regresin
R-cuad.
R-cuad.
R-cuad.
(ajustado)
(pred)
9.93753
1.18%
0.00%
0.00%
Coeficientes
EE del
Trmino
Coef
coef.
Valor T
Valor p
Constante
21.11
5.35
3.95
0.001
X2
0.052
0.865
0.06
0.953
1.09
X3
0.048
0.126
0.38
0.708
1.09
Ecuacin de regresin
Estadstico de Durbin-Watson
Estadstico de Durbin-Watson =
1.93871
VIF
Anlisis de Varianza
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
210.5
210.49
2.61
0.125
X1
210.5
210.49
2.61
0.125
Error
16
1288.5
80.53
Total
17
1498.9
Regresin
R-cuad.
R-cuad.
R-cuad.
(ajustado)
(pred)
8.97378
14.04%
8.67%
0.00%
Coeficientes
EE del
Trmino
Coef
coef.
Valor T
Valor p
Constante
16.22
4.67
3.48
0.003
X1
0.608
0.376
1.62
0.125
Ecuacin de regresin
VIF
1.00
Y = 16.22 + 0.608 X1
Estadstico de Durbin-Watson
Estadstico de Durbin-Watson =
1.69725
Anlisis de Varianza
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
3.20
3.199
0.03
0.856
X2
3.20
3.199
0.03
0.856
Error
16
1495.75
93.484
Falta de ajuste
707.08
88.385
0.90
0.559
Error puro
788.67
98.583
17
1498.94
Regresin
Total
R-cuad.
R-cuad.
R-cuad.
(ajustado)
(pred)
9.66872
0.21%
0.00%
0.00%
Coeficientes
EE del
Trmino
Coef
coef.
Valor T
Valor p
Constante
22.27
4.28
5.21
0.000
X2
0.149
0.804
0.18
0.856
VIF
1.00
Ecuacin de regresin
Y = 22.27 + 0.149 X2
Estadstico de Durbin-Watson
Estadstico de Durbin-Watson =
1.87146
Anlisis de Varianza
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
17.27
17.27
0.19
0.672
X3
17.27
17.27
0.19
0.672
Error
16
1481.68
92.60
Total
17
1498.94
Regresin
R-cuad.
R-cuad.
R-cuad.
(ajustado)
(pred)
9.62313
1.15%
0.00%
0.00%
Coeficientes
EE del
Trmino
Coef
coef.
Valor T
Valor p
Constante
21.27
4.49
4.74
0.000
X3
0.050
0.116
0.43
0.672
VIF
1.00
Ecuacin de regresin
Y = 21.27 + 0.050 X3
Estadstico de Durbin-Watson
Estadstico de Durbin-Watson =
1.94676
Prioridad
Modelo
R2 Corregido
Y Vs. X1
0.0867
Y Vs. X1,X3
0.0311
Y Vs. X1,X2
0.0306
Y Vs. X3
0.000
PRUEBA CONJUNTA
PRUEBA INDIVIDUAL
Ho: B1=0
Ho: B1= 0
H1: Al menos un Bi 0
H1: B1 0
Se rechaza Ho
Se rechaza Ho
El modelo es vlido
Modelo YX1
Ecuacin de regresin
Interpretacin:
B1= 0.608
Si el tiempo aumentara en una hora, el costo de reparacin aumentara 0.608 dlares.
Media
3.947460E-16
Desv.Est.
8.706
N
18
KS
0.163
Valor p
>0.150
95
90
Porcentaje
80
70
60
50
40
30
20
10
5
-20
-10
10
20
RESID1
No Rechazar Ho.
Supuesto de NO AUTOCORRELACION:
ajuste
31.4260
5.65650
IC de 95%
(19.4348, 43.4173)
IP de 95%
(8.93857, 53.9135)
f.
ajuste
31.4260
5.65650
IC de 95%
(19.4348, 43.4173)
IP de 95%
(8.93857, 53.9135)
Objetivos:
CONCLUSIONES
Se puede afirmar que si existe alguna relacin entre el nmero de falla y el costo de
reparacin.
Con el uso de un instrumento estadstico se puede corroborar que al menos una de
las fallas que presentes en Industrias Mecnicas tiene como una causa el
rendimiento del operario.
RECOMENDACIONES