7 - En un proceso de extraccin se estudia la relacin entre tiempo de extraccin y rendimiento.

Los datos obtenidos se encuentran en la siguiente tabla.

Tiempo (min) Rendimiento (%)

10 64
15 81.7
20 76.2
8 68.5
12 66.6
13 77.9
15 82.2
12 74.2
14 70
20 76
19 83.2
18 85.3

a) En este problema cual variable se considera independiente y cual independiente?

- Se debe considerar el tiempo de extraccin como variable independiente (x) y al
rendimiento como la variable dependiente (y), dado que el rendimiento siempre va a
variar conforme el tiempo y no viceversa.

b) Mediante un diagrama de dispersin analice la relacin entre estas dos variables. Qu

tipo de relacin observa y cuales son algunos hechos especiales?

Existe correlacin lineal positiva ya que conforme aumenta el tiempo de extraccin tambin
aumenta el rendimiento, es razonable suponer que la relacin entre estas variables la explique un
modelo de regresin lineal simple.
 c) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique pruebas de
hiptesis y verifique residuos)

Para ajustar la mejor recta que pasa ms cerca de todos los puntos y para calcular estimadores, se
usa mtodo de mnimos cuadrados, se resumen los clculos en la hoja de Excel:

X y X2 Y2 Xy Y e E2
estimado
Tiempo Rendimiento
(min) (%)
10 64 100 4096 640 69.93 -5.93 35.1649
15 81.7 225 6674.89 1225.5 75.88 5.82 33.8724
20 76.2 400 5806.44 1524 81.83 -5.63 31.6969
8 68.5 64 4692.25 548 67.55 0.95 0.9025
12 66.6 144 4435.56 799.2 72.31 -5.71 32.6041
13 77.9 169 6068.41 1012.7 73.5 4.4 19.36
15 82.2 225 6756.84 1233 75.88 6.32 39.9424
12 74.2 144 5505.64 890.4 72.31 1.89 3.5721
14 70 196 4900 980 74.69 -4.69 21.9961
20 76 400 5776 1520 81.83 -5.83 33.9889
19 83.2 361 6922.24 1580.8 80.64 2.56 6.5536
18 85.3 324 7276.09 1535.4 79.45 5.85 34.2225
Suma 176 905.8 2752 68910.36 13489 293.8764

Para ajustar la recta, se calcula:

( ) )

( )( )
[ ] = 13489 [(176) (905.8) /12] = 203.93

( )
[ ] = 2752 [(176)2/12] = 170.66

( )
[ ] = 68910.36 [(905.8)2/12] = 537.55

Para encontrar los estimadores:

= 203.93 / 170.66 = 1.19492187

= 75.48333333 - 1.19492187 (14.66666667) = 57.9578125

Por lo tanto, la lnea recta ajustada est dada por:

 Con esta ecuacin podemos graficar la recta de regresin lineal:

Por lo que se observa, se concluye que los errores estn distribuidos aleatoriamente, la
prueba de hiptesis de inters plantea que la pendiente es significativamente diferente
de 0.
Hiptesis a Establecer En ambos casos H0 se rechaza si
Anlisis de Regresin | |> t ( / 2 , n -2 )

Para 1
H0 1 = 0 Hiptesis a Establecer
HA 1 0 Anlisis de Varianza

t0 1 / H0 1 = 0
HA 1 0

Para 0
H0 0= 0 F0= CMR / CME
HA 0 0
H0 se rechaza si
| |> F( , n -2 )
t0 0 CME [ ]

Estadsticos obtenidos, Minitab: Con

5% de significancia para el anlisis de
regresin, es obvio que para los dos
estimadores el estadsticos son mayores
(9.22; 2.88) que el del criterio de rechazo
(2.2281)

Para el anlisis de Varianza es lo mismo

8.29 > 4.965

Por lo tanto se rechazan las hiptesis

nulas establecidas y se aceptan las
alternativas, las cuales indican que el
modelo es significativo
 d) La calidad del ajuste es satisfactoria? Argumente

Determinemos si el modelo permite hacer estimaciones con una precisin aceptable:

Coeficiente de determinacin

R2 = SCR / Syy = 243.68 / 537.55 = 0.4533

El 45 % de la variacin observada en el rendimiento es explicada por el modelo, la calidad de ajuste

no es satisfactorio, veamos su ajuste

Coeficiente de determinacin ajustado

R2 aj = CMtotal - CME / CMtotal =48.8681 29.38 / 48.8681 = 0.3987

Para fines de prediccin se recomienda un coeficiente de determinacin ajustado de 0.7 este es otro
indicador de que nuestro modelo no hace estimaciones con precisin.

Coeficiente de Correlacin

r = Sxy / SxxSyy = 203.93 / (170.66) (537.55) = 0.6732

Observemos las grficas 4 en uno del modelo de regresin:

Se observa que en la grfica de probabilidad normal la mayor parte de los puntos tienden a ajustarse
a la lnea recta pero en la de residuo contra valor ajustado hay cierto patrn, el modelo registra falla.

Se concluye que aunque el modelo es significativo, la intensidad de la relacin

lineal entre las variables no es muy fuerte
 e) Destaque el valor de la pendiente de la recta e interprtelo en trminos prcticos

El valor de la pendiente de la recta es: 1.1949, en trminos prcticos, tan solo es la cantidad que se
incrementa o disminuye la variable Y para cada unidad que se incrementa X.

f) Estime el rendimiento promedio que se espera a un tiempo de extraccin de 25 minutos y

obtenga un intervalo de confianza para esta estimacin.

El intervalo de confianza est dado por:

( ) ( )
Y 0 - t( / 2 , n -2 ) [ ] <= ( )<= Y0 +t( / 2 , n -2 ) [ ]

Con X0 = 25 ; Y0 = 57.95781 + 1.19492 (25) = 87.83

( )
87.83 2.2281 [ ]

87.83 2.2281 0

87.83 10.174

Por lo tanto el intervalo de confianza es:

77.65 <= ( )<= 98.004

22.-se realiz un experimento para estudiar el sabor del queso panela en funcin de la
cantidad del cuajo y la sal. La variable de respuesta observada es el sabor promedio
reportado por un grupo de 5 panelistas que probaron todos los quesos y los calificaron
con una escala hednica. Los datos obtenidos se muestran a continuacin:

Sal Cuajo sabor

6 0.3 5.67
5.5 0.387 7.44
4.5 0.387 7.33
4 0.3 6.33
4.5 0.213 7.11
5.5 0.213 7.22
5 0.3 6.33
5 0.3 6.66

a) ajuste el modelo
La ecuacin de regresin es
Y= 7.30 - 0.183 x1 + 1.26 x2

b) el modelo explica la variacin observada en el sabor? Argumente con base en la

significancia del modelo, los residuales y el coeficiente de determinacin

Para hablar de un modelo que tiene un ajuste satisfactorio es necesario que ambos coeficientes
tengan valores superiores a 0.7, y en este caso muestro coeficiente de determinacin presento un
valor muy bajo del 0.05 (5%) y un coeficiente de determinacin ajustado con valor negativo
interpretando esto como un 0%. Esto se debe a que en nuestro modelo hay trminos que no
contribuyen de manera significativa por lo tanto debemos depurar el modelo.

Anlisis de residuos.- en la grfica de probabilidad normal los puntos no se ajustan a la recta y

presentan un cierto nivel de simetra en el comportamiento de los mismos por lo tanto podemos
decir que el modelo no es aceptable. En la grfica de residuos vs predichos si el modelo es adecuado
se espera que en esta grafica los puntos no sigan ningn patrn y que, por lo tanto, estn
distribuidos ms o menos aleatoriamente a lo largo y ancho de la grfica. Cuando esto ocurre
significa que el modelo se ajusta de cualquier manera a lo largo de los modelos de Y.
En el caso de nuestra grafica se observa que los puntos estn distribuidos a lo largo del eje de las X
de forma constante. Y por ltimo en la grfica de residuos vs observamos que el comportamiento
de los residuos maneja un patrn, lo cual quiere decir que nuestro modelo no es adecuado.

c) Ajuste un modelo que incluya trminos cuadrticos y analice con detalle la calidad del
ajuste.

Y = 5.4 + 4.77 x1 - 70.4 x2 + 0.00 x1x2 - 0.495 x12 + 119 x22

Podemos prescindir del cuarto trmino de la ecuacin, ya que su coeficiente es cero,
quedando la ecuacin de la siguiente manera:

Y = 5.4 + 4.77 x1 - 70.4 x2 - 0.495 x12 + 119 x22

Se analiza la calidad del ajuste en la siguiente cuestin.

 d) Compare el error estndar de estimacin ( ) y los coeficientes de determinacin
( ) para ambos modelos

En nuestro primer modelo al calcular los coeficientes de determinacin y el ajustado del mismo,
nos pudimos dar cuenta de que el modelo no era adecuado para explicar la relacin de variables
debido a que el valor era demasiado bajo y por lo tanto no era un modelo confiable.
Al obtener nuestra ecuacin con trminos cuadrticos, nos dimos cuenta que este modelo si es
significativo debido a los valores que nos arroj el coeficiente de determinacin y su ajustado, al
ver una amplia mejora en los resultados.

Primer modelo Segundo modelo

R2=0.054 = 5% R2=0.923 = 93.2%
R2aj= -0.32 = 0% R2aj= 0.761 = 76.1%

Error estndar de estimacin

Primer modelo Segundo modelo

= 0.7127 = 0.3029

Es claro que la diferencia entre un modelo y otro es evidente.

e) Cul modelo prefiere para explicar el sabor?

El segundo modelo con trminos cuadrticos.