FACULTAD DE INGENIERÍA MECÁNICA

CARRERA PROFESIONAL DE INGENIERÍA MECÁNICA

CURSO

Estadística Inferencial

DOCENTE

Miguel Felix Alvino

TEMA

Pruebas Estadísticas

ALUMNO(A):

Yordan Hancco Tapia

2024
PERÚ
Pregunta 1:

El nivel de contaminación por emisiones vehiculares en una ciudad no está regulado. Las mediciones realizadas por el
gobierno local del cambio en el flujo de vehículos y el cambio en el nivel de contaminación del aire (ambas en porcentajes) en
10 días arrojaron los siguientes resultados:

Cambio en el flujo de vehículos (X) Cambio en el nivel de contaminación del aire (Y)
28 22
36 26
15 15
19 18
24 21
18 17
25 21
40 31
63 52
12 8

a. Identificación de variables:

• Variable independiente (X) : Cambio en el flujo de vehículos

• Variable dependiente (Y) : Cambio en el nivel de contaminación del aire

b. Estime la regresión lineal simple, interprete la pendiente e intercepto.

Cambio en el flujo de vehículos (X) Cambio en el nivel de contaminación del aire (Y) X2 X*Y
28 22 784 616
36 26 1296 936
15 15 225 225
19 18 361 342
24 21 576 504
18 17 324 306
25 21 625 525
40 31 1600 1240
63 52 3969 3276
12 8 144 96
280 231 9904 8066

𝑛 ∗ ∑ 𝑋 ∗ 𝑌 − ∑ 𝑋 ∗ ∑ 𝑌 10 ∗ 8066 − 280 ∗ 231 15980

𝛽1 = = = = 0.774224 … ≈ 0.77
𝑛 ∗ ∑ 𝑋 2 − (∑ 𝑋)2 10 ∗ 9904 − 2802 20640

15980
∑ 𝑌 − 𝑎 ∗ ∑ 𝑋 231 − 20640 ∗ 280 14.217054 …
𝛽0 = = = = 1.421705 … ≈ 1.42
𝑛 10 10
̂ = 𝟎. 𝟕𝟕𝑿 + 𝟏. 𝟒𝟐
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍: 𝒀

• Pendiente (β1) = Por cada incremento porcentual de un cambio en el flujo de vehículos, el cambio en el nivel de
contaminación del aire esperado (promedio) se incrementará en 0.77%.

• Intercepto (β0) = El cambio en el nivel de contaminación de aire esperado (promedio), cuando el cambio en el flujo
de vehículos toma el valor de cero, será de 1.42%.

c. Encuentre un intervalo de confianza del 99% para el cambio medio en el nivel de contaminación del aire cuando el cambio
en el flujo de vehículos es del 35%.

Para x0 = 35, el valor estimado del cambio en el nivel de contaminación del aire es:
 𝑌̂ = 0.77(35) + 1.42 = 26.95 + 1.42 = 28.37

(∑ 𝑋)2 (280)2
𝑆𝐶(𝑋) = ∑ 𝑋 2 − = 9904 − = 2064
𝑛 10

(∑ 𝑋)2 ∑𝑋 ∗ ∑𝑌 (280)2 280 ∗ 231

(∑ 𝑋 2 − 𝑛 ) − 𝛽1 ∗ (∑ 𝑋 ∗ 𝑌 − 𝑛 ) (9904 − 10 ) − 0.77 ∗ (8066 − 10 )
𝐶𝑀𝐸 = = ≈ 103.3486
𝑛−2 10 − 2

Intervalo de confianza:

𝑡(1−𝛼: 𝑛−2) = 𝑡 0.01 = 𝑡(0.995; 8) = 3.3554

2 (1− : 10−2)
2

280 2
1 (35 − 10 ) ) = (26.708 ; 30.032)
𝐼𝐶 (𝑌|𝑋 = 𝑥0 ) = 28.37 ± 3.3554 ∗ √103.3486 ∗ ( ∗
10 2064
Pregunta 2:

Se hicieron algunas mediciones de la fuerza electromotriz en lecturas del radiómetro (en volts) y el flujo de radiación (en
kilowatts por metro cuadrado). Los resultados (leídos de una gráfica) se presentan en la tabla siguiente:

Señal de salida (X) Flujo de calor (Y)

1.08 15
2.42 31
4.17 52
4.46 55
5.17 67
6.92 89
5.54 62
6.5 82
4.35 53
2.95 38

a. Identificación de variables:

• Variable independiente (X) : Señal de salida

• Variable dependiente (Y) : Flujo de calor

b. Determine e interprete el coeficiente de correlación.

Señal de salida (X) Flujo de calor (Y) X2 Y2 X*Y

1.08 15 1.1664 225 16.2
2.42 31 5.8564 961 75.02
4.17 52 17.3889 2704 216.84
4.46 55 19.8916 3025 245.3
5.17 67 26.7289 4489 346.39
6.92 89 47.8864 7921 615.88
5.54 62 30.6916 3844 343.48
6.5 82 42.25 6724 533
4.35 53 18.9225 2809 230.55
2.95 38 8.7025 1444 112.1
43.56 544 219.4852 34146 2734.76

𝑛 ∗ ∑𝑋 ∗ 𝑌 − ∑𝑋 ∗ ∑𝑌 10 ∗ 2734.76 − 43.56 ∗ 544

𝑟= =
√𝑛 ∗ ∑ 𝑋 2 − (∑ 𝑋)2 ∗ √𝑛 ∗ ∑ 𝑌 2 − (∑ 𝑌)2 √10 ∗ 219.4852 − 43.562 ∗ √10 ∗ 34146 − 5442

3650.96
𝑟= = 0.992275 … ≈ 0.99
√297.3784 ∗ √45524

Existe una correlación intensa entre la señal de salida (X) y el flujo de calor (Y) y la relación es de manera directa, es decir,
mientras más fuerte sea la señal de salida, mayor será el flujo de calor.

c. Determine e interprete el coeficiente de determinación:

𝑛 ∗ ∑ 𝑋 ∗ 𝑌 − ∑ 𝑋 ∗ ∑ 𝑌 10 ∗ 2734.76 − 43.56 ∗ 544 3650.96

𝛽1 = = = = 12.277152 … ≈ 12.28
𝑛 ∗ ∑ 𝑋 2 − (∑ 𝑋)2 10 ∗ 219.4852 − 43.562 297.3784

3650.96
∑ 𝑌 − 𝑎 ∗ ∑ 𝑋 544 − 297.384 ∗ 43.56 9.207232 …
𝛽0 = = = = 0.920723 … ≈ 0.92
𝑛 10 10

̂ = 𝟏𝟐. 𝟐𝟖𝑿 + 𝟎. 𝟗𝟐
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 𝒍𝒊𝒏𝒆𝒂𝒍: 𝒀
 Señal de salida (X) Flujo de calor (Y) Ŷ = 12.28X + 0.92 SCR SCE
1.08 15 14.1824 1617.46 0.67
2.42 31 30.6376 564.65 0.13
4.17 52 52.1276 5.16 0.02
4.46 55 55.6888 1.66 0.47
5.17 67 64.4076 100.15 6.72
6.92 89 85.8976 992.10 9.62
5.54 62 68.9512 211.74 48.32
6.5 82 80.74 693.80 1.59
4.35 53 54.338 0.00 1.79
2.95 38 37.146 297.70 0.73
43.56 544 4484.42 70.06

𝑆𝐶𝑅 4484.42 4484.42

𝑅2 = = = ≈ 0.98
𝑆𝐶𝑇 4484.42 + 70.06 4554.48

El 98% de la variabilidad de Y (Flujo de calor) es explicado por el modelo de regresión ajustado.

Pregunta 3: Un fabricante registró el número de piezas defectuosos (Y) producidas en un día determinado por cada uno de
10 operadores de máquinas y también registró la producción promedio por hora (X1) por cada operador y el tiempo en
semanas desde el último servicio a una máquina (X2).

Número de piezas defectuosas (Y) Producción por cada operador (X1) Tiempo de servicio de una máquina (X2)
13 20 3
11 23 1.5
4 10 4
20 30 1.2
15 21 3.5
27 38 1.8
8 18 2.5
26 24 5

a. Identificación de variables y relación entre ellos:

• Variables independientes (X) : Producción por cada operador y Tiempo de servicio a una máquina
• Variable dependiente (Y) : Número de piezas defectuosas
• Relación : El número de piezas defectuosas depende de la producción de cada operador y el
tiempo de servicio de la máquina.

b. Determine los coeficientes de la regresión lineal múltiple, indique la ecuación de regresión e interprete los coeficientes:

Número de piezas Producción por Tiempo de servicio

X1 * Y X2 * Y X1 * X 2 X12 X22 Y2
defectuosas (Y) cada operador (X1) de una máquina (X2)
13 20 3 260 39 60 400 9 169
11 23 1.5 253 16.5 34.5 529 2.25 121
4 10 4 40 16 40 100 16 16
20 30 1.2 600 24 36 900 1.44 400
15 21 3.5 315 52.5 73.5 441 12.25 225
27 38 1.8 1026 48.6 68.4 1444 3.24 729
8 18 2.5 144 20 45 324 6.25 64
26 24 5 624 130 120 576 25 676
124 184 22.5 3262 346.6 477.4 4714 75.43 2400

Sistema de ecuaciones:

8𝛽0 + 184𝛽1 + 22.5𝛽2 = 124

184𝛽0 + 4714𝛽1 + 477.4𝛽2 = 3262
22.5𝛽0 + 477.4𝛽1 + 75.43𝛽2 = 346.6

8 184 22.5
|𝐴| = | 184 4714 477.4| = 8 ∗ (127666.26) − 184 ∗ (3137.62) + 22.5 ∗ (−18223.4) = 33981.5
22.5 477.4 75.43
4714 477.4
𝑀11 = (−1)1+1 ∗ | | = 4714 ∗ 75.43 − 477.42 = 127666.26
477.4 75.43

184 477.4
𝑀12 = (−1)1+2 ∗ | | = −(184 ∗ 75.43 − 477.4 ∗ 22.5) = −3137.62
22.5 75.43
184 4714
𝑀13 = (−1)1+3 ∗ | | = 184 ∗ 477.4 − 4714 ∗ 22.5 = −18223.4
22.5 477.4

184 22.5
𝑀21 = (−1)2+1 ∗ | | = −(184 ∗ 75.43 − 477.4 ∗ 22.5) = −3137.62
477.4 75.43

8 22.5
𝑀22 = (−1)2+2 ∗ | | = 8 ∗ 75.43 − 22.52 = 97.19
22.5 75.43
 8 184
𝑀23 = (−1)2+3 ∗ | | = −(8 ∗ 477.4 − 184 ∗ 22.5) = 320.8
22.5 477.4

184 22.5
𝑀31 = (−1)3+1 ∗ | | = 184 ∗ 477.4 − 22.5 ∗ 4714 = −18223.4
4714 477.4

8 22.5
𝑀32 = (−1)3+2 ∗ | | = −(8 ∗ 477.4 − 22.5 ∗ 184) = 320.8
184 477.4

8 184
𝑀33 = (−1)3+3 ∗ | | = 8 ∗ 4714 − 1842 = 3856
184 4714

1 1 127666.26 −3137.62 −18223.4

𝐴−1 = ∗ 𝐴𝑑𝑗(𝐴𝑇 ) = ∗ [ −3137.62 97.19 320.8 ]
|𝐴| 33981.5
−18223.4 320.8 3856
𝛽0 127666.26 −3137.62 −18223.4 124 127666.26 ∗ 124 − 3137.62 ∗ 3262 − 18223.4 ∗ 346.6
1 1
𝛽 = [𝛽1 ] = 𝐴−1 ∗ 𝐺 = ∗ [ −3137.62 97.19 320.8 ] ∗ [ 3262 ] = ∗ [ −3137.62 ∗ 124 + 97.19 ∗ 3262 + 320.8 ∗ 346.6 ]
33981.5 33981.5
𝛽2 −18223.4 320.8 3856 346.6 −18223.4 ∗ 124 + 320.8 ∗ 3262 + 3856 ∗ 346.6

𝛽0 −21.204
𝛽 = [𝛽1 ] = [ 1.152 ]
𝛽2 3.627

̂ = −𝟐𝟏. 𝟐𝟎𝟒 + 𝟏. 𝟏𝟓𝟐𝑿𝟏 + 𝟑. 𝟔𝟐𝟕𝑿𝟐

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝑹𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒂: 𝒀

b) Interpretar cada uno de los coeficientes:

• β0: El número de piezas defectuosas esperadas (promedio), cuando la producción por cada operador y el tiempo de
servicio de una máquina toman el valor de cero será de -21.204.
• β1: Por cada incremento en la producción por cada operador, el número de piezas defectuosas esperadas (promedio)
incrementará en 1.152, manteniendo constante el tiempo de servicio de una máquina.
• β2: Por cada incremento en el tiempo de servicio de una máquina, el número de piezas defectuosas esperadas
(promedio) incrementará en 3.627, manteniendo constante la producción por cada operador.

c) Estime el número de piezas defectuosas, si la producción de cada operador es de 35 y el tiempo es 2:

𝑃𝑎𝑟𝑎 𝑋1 = 35 𝑦 𝑋2 = 2 → 𝑌̂ = −21.204 + 1.152(35) + 3.627(2) = 26.37

De acuerdo al modelo de regresión, se estima que el número de piezas defectuosas será 26.37 cuando la producción por cada
operador es 35 piezas por hora y el tiempo de servicios de una máquina es 2 semanas.
Pregunta 4:

Se produce un compuesto para un proceso de recubrimiento. Se agrega a una receta fija y se completa el proceso de
recubrimiento. Luego se mide la adherencia. Los siguientes datos se refieren a la cantidad de adhesión y su relación con la
cantidad de aditivo y la temperatura de una reacción:

Adhesión (Y) Aditivo (X1) Temperatura (X2)

10 5 100
48 72 120
41 35 140
40 6 180
39 70 180
44 75 140
24 8 140
33 35 100

a. Identificación de variables y relación entre ellos:

• Variables independientes (X) : Cantidad de aditivo y Temperatura de reacción

• Variable dependiente (Y) : Cantidad de adherencia
• Relación : La cantidad de adherencia depende de la cantidad de aditivo y la temperatura de
reacción.

b. Pruebe con un nivel de significancia del 1%, si existe relación lineal entre la cantidad de adhesión con la cantidad de aditivo
y la temperatura de reacción:

Hipótesis:

• H0: β1 = β2 = 0 (El modelo no es apropiado)

• H1: Al menos un β1 ≠ 0 (El modelo es apropiado)

Nivel de significancia: α = 0.01

Adhesión (Y) Aditivo (X1) Temperatura (X2) X1 * Y X2 * Y X1 * X2 X12 X22 Y2

10 5 100 50 1000 500 25 10000 100
48 72 120 3456 5760 8640 5184 14400 2304
41 35 140 1435 5740 4900 1225 19600 1681
40 6 180 240 7200 1080 36 32400 1600
39 70 180 2730 7020 12600 4900 32400 1521
44 75 140 3300 6160 10500 5625 19600 1936
24 8 140 192 3360 1120 64 19600 576
33 35 100 1155 3300 3500 1225 10000 1089
279 306 1100 12558 39540 42840 18284 158000 10807

Sistema de ecuaciones:

8𝛽0 + 306𝛽1 + 1100𝛽2 = 279

306𝛽0 + 18284𝛽1 + 42840𝛽2 = 12558
1100𝛽0 + 42840𝛽1 + 158000𝛽2 = 39540

8 306 1100
|𝐴| = | 306 18284 42840 | = 8(1053606400) − 306(1224000) + 1100(−7003360) = 1672339200
1100 42840 158000

18284 42840
𝑀11 = (−1)1+1 ∗ | | = 18284 ∗ 158000 − 428402 = 1053606400
42840 158000
 306 42840
𝑀12 = (−1)1+2 ∗ | | = −(306 ∗ 158000 − 42840 ∗ 1100) = −1224000
1100 158000

306 18284
𝑀13 = (−1)1+3 ∗ | | = 306 ∗ 42840 − 18284 ∗ 1100 = −7003360
1100 42840
306 1100
𝑀21 = (−1)2+1 ∗ | | = −(306 ∗ 158000 − 1100 ∗ 42840) = −1224000
42840 158000

8 1100
𝑀22 = (−1)2+2 ∗ | | = 8 ∗ 158000 − 11002 = 54000
1100 158000
8 306
𝑀23 = (−1)2+3 ∗ | | = −(8 ∗ 42840 − 306 ∗ 1100) = −6120
1100 42840
306 1100
𝑀31 = (−1)3+1 ∗ | | = 306 ∗ 42840 − 1100 ∗ 18284 = −7003360
18284 42840

8 1100
𝑀32 = (−1)3+2 ∗ | | = −(8 ∗ 42840 − 1100 ∗ 306) = −6120
306 42840
8 306
𝑀33 = (−1)3+3 ∗ | | = 8 ∗ 18284 − 3062 = 52636
306 18284

1 1 1053606400 −1224000 −7003360

𝐴−1 = ∗ 𝐴𝑑𝑗(𝐴𝑇 ) = ∗ [ −1224000 54000 −6120 ]
|𝐴| 1672339200
−7003360 −6120 52636
𝛽0 1 1053606400 −1224000 −7003360 279 1 1053606400 ∗ 279 − 1224000 ∗ 125558 − 7003360 ∗ 39540
𝛽 = [𝛽1 ] = 𝐴−1 ∗ 𝐺 = ∗ [ −1224000 54000 −6120 ] ∗ [125558] = ∗[ −1224000 ∗ 279 + 54000 ∗ 125558 − 6120 ∗ 39540 ]
1672339200 1672339200
𝛽2 −7003360 −6120 52636 39540 −7003360 ∗ 279 − 6120 ∗ 125558 + 52636 ∗ 39540

𝛽0 4.77
𝛽 = [𝛽1 ] = [ 0.27 ]
𝛽2 0.144

̂ = 𝟒. 𝟕𝟕 + 𝟎. 𝟐𝟕𝑿𝟏 + 𝟎. 𝟏𝟒𝟒𝑿𝟐
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝑹𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒂: 𝒀

Adhesión (Y) Aditivo (X1) Temperatura (X2) Ŷ = 4.77 + 0.27X1 + 0.144X2 SCR SCE
10 5 100 6.351 206.066025 110.6704
48 72 120 6.104 43.758225 42.3801
41 35 140 6.595 0.245025 43.8244
40 6 180 10.31 6.579225 59.1361
39 70 180 9.467 216.531225 112.1481
44 75 140 4.319 106.193025 1.3924
24 8 140 4.075 60.606225 9.5481
33 35 100 4.807 39.125025 19.1844
279 306 1100 679.104 398.284

𝑆𝐶𝑇 = 𝑆𝐶𝑅 + 𝑆𝐶𝐸 = 679.104 + 398.284 = 1077.388

𝐹𝑡𝑎𝑏 = 𝐹(0.99 ;2 ;5) = 10.97

Fuente de Variación GL SC CM Fc Ftab

Regresión 2 679.104 339.552 4.26 10.97
Residual (Error) 5 398.284 79.6568
Total 7 1077.388

Criterio de Decisión:

• Si Fc > Ftab = 10.97, se rechaza H0.

• Si Fc ≤ Ftab = 10.97, se acepta H0.
Dado que Fc = 4.26 ≤ Ftab = 10.97, entonces, se acepta H0.

Conclusión: Con un nivel de significancia del 1% se acepta H0. Por lo tanto, se concluye que no existe relación lineal de la
cantidad de adherencia con la cantidad de aditivo y la temperatura de reacción.