La compañıa Plastics, Inc.

International (PaII) fabrica tapas plasticas para botellas de agua de

1000 ml. Las tapas se fabrican en una inyectora automatica que produce 100 unidades cada 25
segundos, y en la que se controlan los parametros x1, x2, . . . , x5. La variable de interes es el
peso promedio por lote, en gramos. Posteriormente, PII empaca el lote y lo entrega a sus
clientes. Desde que la inyectora llego a PII, ´ esta ha operado con x1 = x2 = · · · = x5 = 0; el
intervalo de confianza del 95 % para el peso promedio de cada lote es 10 ± 0.2 gramos.
Incursionando en nuevo mercado, los ingenieros de I+D estan interesados en determinar (1)
como el cambio en los parametros de la inyectora afectan considerablemente el peso de los
lotes de tapas plasticas producidas; y (2) si es posible o no reparametrizar la inyectora para
producir lote con al menos dos veces el peso de los producidos actualmente, es decir, cual
serıan los valores de los parametros xj(i = 1, 2, . . . , 5) que garantizan dicho peso. PII opera 3
turnos de 7.5 horas cada uno durante 7 dıas a la semana. PII lo contrata a usted para que le
ayude a responder ambas preguntas. Los parametros del proceso solo pueden modificarse
bajo las siguientes consideraciones: xj < 0 corresponde a una disminucion de xj, xj = 0 es la
condicion de operacion actual y xj > 0 implica un aumento de xj
(Nota: −1 ≤ xj ≤ 1, donde −1 y +1 representan, respectivamente, los valores mınimo y
maximo posibles para xj).
Primer punto
Identifique la variable respuesta y los factores controlables y mencione al menos dos factores
incontrolables en el proceso de FII. Describa cómo recolectaría los datos necesarios para
responder al requerimiento de FII. Escriba el modelo teórico a utilizar de acuerdo con el
enunciado y explique cómo validaría los supuestos de dicho modelo.

La variable respuesta: El peso promedio del lote de tapas producidas (gramos).

Factores controlables: x1,x2,x3,x4,…,x10

• Alineación y ajuste del molde.

• Configuración del sistema de dosificación.
• Configuración del sistema de sujeción del molde.
• Temperatura del molde.
• Velocidad de inyección.
• Presión de inyección.
• Temperatura del material.
• Proporción del material.
• Viscosidad del material.
• Presión de retención del material.
Factores incontrolables:

• Fallas mecánicas o eléctricas en la inyectora automática que pueden causar

inconsistencias en el peso de los lotes producidos.
• Cambios en la habilidad o experiencia de los operadores de la maquinaria, ya que
pueden influir en la calidad y uniformidad de las tapas producidas.
• Temperatura de la planta de trabajo.
 • Humedad en el ambiente al momento del trabajo.
• Desgaste a lo largo del tiempo de la inyectora automática, lo que podría afectar los
parámetros controlados.
Recolección de datos:
Para recolectar datos sobre la fabricación de tapas plásticas para FII, implementaríamos un
enfoque sistemático. Primero, identificaríamos las variables a medir, como el peso promedio
por lote y los ajustes de la maquinaría. Luego, estableceríamos un plan para variar los ajustes
de la maquinaria de manera aleatoria y registraríamos los pesos de los lotes fabricados en
cada configuración, utilizando una báscula o balanza industrial. Durante este proceso,
también tomaríamos nota de cualquier factor externo que pueda influir en los resultados,
como condiciones ambientales. Los datos serían registrados y organizados en un programa
como Excel para su análisis posterior. Una vez recopilados los datos, procederíamos a
analizarlos para comprender cómo los ajustes de la maquinaria impactan en el peso de los
lotes y validar nuestras conclusiones.

Modelo teórico:

𝑦 = 𝐵𝑜 + 𝐵1𝑥1 + 𝐵2𝑥2 + 𝐵3𝑥3 + ⋯ + 𝐵10𝑥10 + 𝐸

Validación de supuestos:

Se usará un modelo de regresión múltiple y se deben validar los supuestos con diagnósticos
de normalidad, varianza constante (homocedasticidad), independencia de residuos y Media 0.
Todos estos se validarían con R estudio a excepción de la media 0.
• Normalidad: Lo validaría en R studio haciendo la prueba formal de Shairpo Wilk y
analizando el valor P obtenido. Si el valor es mayor al nivel de significancia, pasa la
prueba. En este caso el valor p>0,05.
• Independencia: Lo validaría en R studio haciendo la prueba formal de Durbin
Watson y analizando el valor P obtenido. Si el valor es mayor al nivel de
significancia, pasa la prueba. En este caso el valor p>0,05.
• Varianza constante: Lo validaría en R studio haciendo la prueba formal de
BreuschPagan y analizando el valor P obtenido. Si el valor es mayor al nivel de
significancia, pasa la prueba. En este caso el valor p>0,05.
• Media 0: Esta no sería necesaria validar porque la forma de construir el modelo ya
permite este supuesto.

Segundo punto
Ajuste el modelo de RLM usando RStudio. Escriba la ecuación del modelo ajustado e
interprete el valor de \(R^2_\text{adj}\). ¿Existen problemas de multicolinealidad? ¿Cuántos
lotes y tapas se inyectaron? ¿Es la influencia de cada factor controlable despreciable a nivel
poblacional? Recuerde interpretar los resultados en contexto.

Modelo ajustado:
Peso Promedio = 19.97501 + 3.04897X1 + 0.85418X2 + 4.98623X3 + 4.97033X4 + 2.99030X5
+ 4.03875X6 + 2.08153X7 + 0.89152X8 + 2.90108X9 + 2.89888X10 + ε

Interpretación R2adj:
La variabilidad total del peso promedio de los lotes de tapas producidas por FII se puede
explicar en un 97.53% por las diez variables medidas. En otras palabras, el valor de R2adj de
0.9753 es una medida de la proporción o la variabilidad en que se puede explicar la variable y
(peso promedio) en función de las variables independientes, es decir, indica que
aproximadamente el 97.53% de la variabilidad en el peso promedio por lote de tapas plásticas
es explicada por las variables incluidas en el modelo de regresión lineal múltiple, ajustado
por el número de predictores en el modelo y el tamaño de la muestra. Esto sugiere que las
variables controladas en la inyectora y otras variables consideradas tienen una influencia
significativa en el peso de los lotes de tapas producidas.
Problemas de colinealidad: No hay problemas de colinealidad porque al hacer la prueba de
illcondition number, el kappa fue menor a 30.

Así mismo, se realizaron otras pruebas:

## otras pruebas mctest(fit)$odiags

Según estos resultados, no se evidencia la presencia de multicolinealidad. Esta conclusión se

basa en la ausencia del número "1" en la columna de detección.
Cantidad de lotes y tapas inyectadas:
Por la cantidad de datos, asumimos que 100 lotes fueron producidos. Considerando que cada
lote es de 100 tapas, se inyectaron 10000 tapas.
¿Es la influencia de cada factor despreciable poblacionalmente?
No, porqué el valor p de cada variable es menor al nivel de significancia. Como la hipótesis
nula es que el coeficiente es 0 poblacionalmente, y el valor p fue menor a 0.05 en cada caso,
se tiene que cada variable afecta significativamente el peso promedio de los lotes de tapas
producidas.
Tercer punto
¿Es posible afirmar que los parámetros tienen el mismo efecto sobre el peso de los lotes
producidos? Calcule \(E[Y|x_1=1, x_2=1,\dots, x_{10} = 1]\). Si tuviera que intervenir el
proceso y modificar una variable a la vez, ¿cuál modificaría y por qué?
¿Tienen mismo efecto?
No, puesto que los coeficientes estimados de cada variable son diferentes en valores, lo que
implica que el incremento o reducción en uno de estos con las demás constantes tiene efectos
diferentes según el parámetro a cambiar. Es decir, los coeficientes estimados de cada variable
son distintos en magnitud, lo que sugiere que las variaciones en uno de estos parámetros,
manteniendo las demás constantes, tendrán impactos diferentes en el peso de los lotes
producidos. Por lo tanto, los parámetros no tienen el mismo efecto sobre el resultado, lo que
descarta la presencia de multicolinealidad.

Cálculo E(Y/xj=1):
Para este cálculo, reemplazaríamos en la modelo ajustada cada variable por el valor de 1. Esto
al realizarse en R studio nos da:

En condiciones de 1 para cadavariable, el peso esperado del lote de tapas es de 49.638

gramos.
¿Cuál variable modificaría?
Modificaría la variable 3, correspondiente a la configuración del sistema de sujeción del
molde utilizado por FII para la producción de las tapas.
¿Por qué?
Porque tiene el coeficiente más grande, lo que significa que su incremento afecta más
fuertemente en el peso promedio de los lotes de tapas. Esto también se refleja en su T-value,
que puede interpretarse como de los factores más relevantes (este valor sirve de referencia
por ser la división entre su coeficiente y su variabilidad).

Cuarto punto
Determine si el modelo es válido para pronosticar. Reporte los valores \(P\) de las pruebas de
Shapiro-Wilk, Durbin-Watson y Breusch-Pagan. Calcule un intervalo predicción del 95%
para el peso promedio cuando, en el proceso, se decide trabajar bajo las condiciones máximas
de operación. ¿Recomendaría trabajar bajo estas condiciones para responder a los
requerimientos del nuevo cliente?
Validez del modelo:
PSG: Fcal>>>1; si pasa la prueba.
PSM: todos los valores P de cada variable son menores al N.S. Pasa Normalidad:
Valor P shapiro-Wilk:

Hipótesis Nula (H0): Los residuos siguen una distribución normal

 Teniendo en cuenta que el valor P es de 0,7685027, H0 no es rechazado debido a que
el valor P es superior al nivel de significancia de 0,05, por lo que Los residuos siguen una
distribución normal Prueba de Homocedasticidad Pasa la prueba.

Independencia:
Valor P Durbin-Watson:

Hipótesis Nula (H0): los residuos son independientes

Teniendo en cuenta que el valor P es de 0,718, H0 no es rechazado debido a que su valor P es
superior al criterio de significancia de 0,05.
Pasa la prueba.
Varianza constante:
Valor P Breusch-Pagan:

Hipótesis Nula (H0): La varianza de los residuos es constante.

Teniendo en cuenta que el valor P es de 0,4210517, H0 no es rechazado debido a que
el valor P es mayor que el criterio de significancia de 0,05. No hay suficiente evidencia para
rechazar la hipótesis nula, lo que sugiere que la varianza de los residuos es constante.
Pasa la prueba.

Intervalo de predicción 95% en condiciones máximas (cada factor=1)

¿Recomendaría?
Si, porque cumple con el requerimiento de tener un peso promedio de los lotes tapas
producidas por lo menos dos veces el anterior (que era de 20 gramos); este intervalo siempre
es mayor de 40, el doble de 20, por lo que sí lo cumplirá. Quedaría pendiente ver su
factibilidad económica.
Quinto Punto

En la actualidad, lotes con un peso promedio 18.8 gramos se desechan y el costo de reproceso
asciende a USD$0.5/lote. Así mismo, cada lote con un peso promedio \(>21\) gramos
representan una pérdida de USD$0.8 para FII. Determine el costo esperado de reproceso y
pérdida para un mes de producción bajo las condiciones actuales de operación (Hint: Calcule
la probabilidad de que hoy un lote sea desechado y de que sea reprocesado. Tenga en cuenta
que \(Z=\frac{\bar{y}-\mu}{\hat{\sigma}_y/\sqrt{n}}\sim N(0,1)\)).
Costo esperado de reproceso y pérdida
El costo esperado de reproceso y pérdida bajo condiciones actuales del proceso para un mes
de producción de tapas por medio del proceso de inyección es 0. Es decir, no habrá lote que
deba desecharse o reprocesar. La empresa Fast Inyection Inc puede estar tranquila en ese
aspecto.
Una forma para saber esto es al normalizar los datos y hallar la probabilidad de que algún lote
deba ser desechado o reprocesado.
Del intervalo de confianza de las condiciones actuales se sabe que la media del proceso es de
20 gramos por lote de tapas, con límite inferior de 19.8 gramos y superior de 20.2 gramos.
Ahora bien, sabiendo que la distancia entre la media y sus límites es de 0.2 gramos, podemos
hallar el error estándar 8SE) del proceso actual. Como es un intervalo de confianza de 95%,
este valor debió ser el resultado de una multiplicación de 1.96 con el error estándar que
buscamos.

Un despeje simple nos hace hallar el valor del error como 0.1020. Ya con este, y los valores a
probar (X<18.8 para los reprocesados y X>21 para los que se pierden), podemos calcular las
probabilidades.

(el denominador es equivalente al SE)

𝑍= = −11
Cuya probabilidad es. 𝑃(𝑍 < −11) = 0
Análogamente para lotes que se consideran pérdida:

𝑍= = 9.83
Cuya probabilidad es 𝑃(𝑍 > 9.83) = 0
Esto es lógico al analizar la forma de la distribución normal:

Puesto que el 95% de datos se encuentran entre –1.96 y 1.96, valores mucho mayores o
menores tendrán probabilidades acumuladas (área bajo la curva) cada vez menores que
lógicamente, tenderán o serán 0.

Datos:
Probabilidad de que el queso cumpla con las especificaciones: 0.826 demanda
a cumplir: 10.000 unidades.

1. ¿Cuántos paquetes debo fabricar para cumplir con el pedido?

Sabiendo que haciendo las 10.000 demandadas tengo el
82,6% de la demanda cumplida
(las que si cumplirán); se realiza una regla de 3 para
hallar cuantas hacer para tener el 100% de la demanda
cumpliendo:
10000 → 82,6%

𝑥 → 100% 𝑥 =
12.106,53

2. ¿A cuánto asciende la perdida?

Unidades sobrantes: 2.107
Costo /unidad desperdiciada: $4.
Costo total por perdidas:
$8.849.400

3. Si X3 = {-1, 0, 1}, cuál sería su recomendación para X3 si X1 no puede superar a 3 y

X2 está fijo en 1, y queremos aumentar θ (theta gorro) hasta 95%?

- Utilizando la siguiente ecuación procedemos a

hallar los valores de θ (theta gorro)
𝜃
𝐿𝑜𝑔 () = 1,23 − 0,87𝑋1 + 1,2𝑋2 − 0,63𝑋3 1 − 𝜃

𝜃=

- Se tiene que el valor de theta gorro es de 0,826

- Para encontrar el valor de Euler utilizamos la siguiente ecuación:
𝑒−1,23+0,87𝑥1−1,2𝑥2+0,63𝑥3

𝑒−1,23+0,87(1)−1,2(1)+0,63(0)=0,2101

Para x3
= -1

𝑒−1,23+0,87(0,133)−1,2(1)+0,63(−1)=0,0526

𝜃= = 0,9499
 - Los valores de X3=-1, para lograr aumentar theta gorro
al 95% deben ser x3 = -1 y x1 = 0,133.

Para x3 = 0

𝑒−1,23+0,87(−0,591)−1,2(1)+0,63(0)=0,0526

𝜃= = 0,9499

- Los valores de X3=0, para lograr aumentar theta gorro

al 95% deben ser x3 = 0 y x1 = -0,591.

Para x3 = 1

𝑒−1,23+0,87(−1,315)−1,2(1)+0,63(1)=0,0526
 𝜃= = 0,9499

- Los valores de X3=1, para lograr aumentar theta gorro

al 95% deben ser x3 = 1 y x1 = -1,315.