Escolar Documentos
Profissional Documentos
Cultura Documentos
Ral Jimne
z Gonzlez
o
s
Ventas
Estadstica Inferencial II
Instituto Tecnolgico de Ensenada
Agosto de 2012
A mi esposa
Leticia Flores Flores
2
CAPTULO 1
2.3.
2.4.
2.5.
2.6.
CAPTULO 1
CAPTULO 1
157
168
166
167
171
174
183
Es claro que la variable de respuesta o variable dependiente es la resistencia,
por
eso se denota con . Para tener una idea de la relacin que existe en
tre
y , los 14
pares de datos son graficados en un diagrama de dispersin de la figur
a 1.1.
De la
inspeccin de este diagrama de dispersin se ve que los puntos cercanos
siguen una
lnea recta, lo que indica que la suposicin de linealidad entre las dos
variables parece
ser razonable
El diagrama de dispersin es una grafica en la que cada punto trazado representa
un par de valores observados por las variables independiente y dependiente. El v
alor de
la variable independiente X, se traza en
relacin con el eje horizont
al y el valor de la
variable dependiente Y, en relacin con el eje vertical. La naturaleza de la relac
in entre
dos variables puede tomar muchas formas, que van desde algunas funcion
es
Regresin lineal simple
Plan A
Plan
Plan C
Relacin lineal negativa
Plan
Plan E
Plan F
Relacin curvilnea en forma de U
Rela
(1.1)
Regresin lineal simple
(1.2)
En donde
(1.3)
De esta forma, se quieren encontrar los valores de
que minimizan la
suma de los errores cuadrados. Es decir, se busca ajustar la recta de manera que
la suma
de las distancias en forma vertical de los puntos a la recta se minimice, como
se ilustra
en la figura 1.3.
El procedimiento matemtico para minimizar los errores de la ecuacin (1.3) y
as encontrar los estimadores de mnimos cuadrados de
, consiste en derivar a
con respecto a
,
se obtiene:
(1.4)
(1.5)
donde
8
CAPTULO 1
(1.6)
(1.7)
son las medias mustrales de las dos variables, es decir,
4
6
8
10
12
14
16
18
20
22
24
26
28
30
134
145
142
149
144
160
156
157
168
166
167
171
174
183
16
36
64
100
144
196
256
324
400
484
576
676
784
900
17 956
21 025
20 164
22 201
20 736
25 600
24 336
24 649
28 224
27 556
27 889
27 241
30 276
33 489
536
870
1 136
1 490
1 728
2 240
2 496
2 826
3 360
3 652
4 008
4 446
4 872
5 490
137,2
140,4
143,7
146,9
150,2
153,4
156,7
159,9
163,2
166,4
169,7
172,9
176,2
179,4
-3,2
4,6
-1,7
2,1
-6,2
6,6
-0,7
-2,9
4,8
-0,4
-2,7
-1,9
-2,2
3,6
10,24
21,16
2,89
4,41
38,44
43,56
0,49
8,41
23,04
0,16
7,29
3.61
4,84
12,96
= 4
956
= 353
342
= 39
150
2216.6
Resumen de Minitab
Anlisis de regresin: Resistencia vs. Porcentaje de fibra
La ecuacin de regresin es
Resistencia = 131 + 1,62 Porcentaje de fibra
Coef.
Predictor
Coef
de EE
T
P
Constante
130,675
2,418
54,05 0,000
Porcentaje de fibra 1,6242
0,1285 12,64 0,000
Resumen de Excel
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,964432318
Coeficiente de determinacin R^2 0,930129695
R^2 ajustado 0,92430717
Error tpico 3,876481166
Observaciones 14
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 1 2400,531868 2400,531868 159,7467824 2,70702E-08
Residuos 12 180,3252747 15,02710623
Total 13 2580,857143
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Intercepcin 130,6747253 2,417790201 54,047173 1,05975E-15 125,406813
Porcentaje de fibra 1,624175824 0,128504099 12,63909737 2,70702E-08 1,344189444
Anlisis de los residuales
Observacin Pronstico Resistencia Residuos
1 137,1714286 -3,171428571
2 140,4197802 4,58021978
3 143,6681319 -1,668131868
4 146,9164835 2,083516484
5 150,1648352 -6,164835165
6 153,4131868 6,586813187
7 156,6615385 -0,661538462
8 159,9098901 -2,90989011
9 163,1582418 4,841758242
10 166,4065934 -0,406593407
11 169,6549451 -2,654945055
12 172,9032967 -1,903296703
13 176,1516484 -2,151648352
14 179,4 3,6
10
CAPTULO 1
Regresin lineal simple y mltiple
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Anlisis de varianza
Fuente
GL
Regresin
1
Error residual 12
Total
13
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
SC
2400,5
180,3
2580,9
Porcentaje
de fibra Resistencia
4,0
134,00
6,0
145,00
8,0
142,00
10,0
149,00
12,0
144,00
14,0
160,00
16,0
156,00
18,0
157,00
20,0
168,00
22,0
166,00
24,0
167,00
26,0
171,00
28,0
174,00
30,0
183,00
MC
2400,5
15,0
Ajuste
137,17
140,42
143,67
146,92
150,16
153,41
156,66
159,91
163,16
166,41
169,65
172,90
176,15
179,40
F
159,75
Ajuste
SE
1,97
1,75
1,55
1,37
1,22
1,11
1,04
1,04
1,11
1,22
1,37
1,55
1,75
1,97
P
0,000
Residuo
-3,17
4,58
-1,67
2,08
-6,16
6,59
-0,66
-2,91
4,84
-0,41
-2,65
-1,90
-2,15
3,60
Residuo
estndar
-0,95
1,32
-0,47
0,57
-1,68
1,77
-0,18
-0,78
1,30
-0,11
-0,73
-0,54
-0,62
1,08
Sumatoria de XY
Sumatoria de XX
Variabilidad total
Media de X
Media de Y
11
Coeficiente de determinacin en r
egresin lineal simple
Estadstico
para prueba de hiptesis en regresin lineal simple
Ejemplo
Suponga que el gerente de una cadena de servicios de entrega de paqu
etera desea
desarrollar un modelo para predecir las ventas semanales (en miles de dlares) p
ara las
tiendas individuales basado en el nmero de clientes que realizan compra
s. Se
seleccion una muestra aleatoria entre todas las tiendas de la cadena con los s
iguientes
resultados.
Tienda Clientes Ventas ($000) Tienda Clientes Ventas ($000)
1
2
3
4
5
6
7
8
9
10
907
926
506
741
789
889
874
510
529
420
11,20
11,05
6,48
9,21
9,42
10,08
9,45
6,73
7,24
6,12
11
12
13
14
15
16
17
18
19
20
679
872
924
607
452
729
794
844
1010
621
7,63
9,43
9,46
7,64
6,92
8,95
9,33
10,23
11,77
7,41
(a)
(b)
ra
los
y
(c) Interprete el significado de la pendiente.
(d) Pronostique las ventas semanales (en miles de dlares) para las tiendas que t
ienen 600
clientes.
(e) Qu otros factores adems del nmero de clientes pueden afectar las ventas?
12
CAPTULO 1
s
Grfica de dispersin de Ventas vs. Clientes
b) Los coeficientes son
= 2,3086
= 0,0088
c) Por cada cliente ms, se espera un incremento en las ventas de 0,0088612 de m
iles
de dlares en promedio.
d)
e) Factores tan variados como, atencin al cliente, lejana, falta de estacionamien
to etc.,
etc.
Resumen de Excel
Coeficientes Error tpico Estadstico t Probabilidad
Intercepcin 2,308620077 0,486903934 4,741428269 0,000162977
Clientes 0,008861219 0,000647589 13,68338889 5,93374E-11
(1.9)
Prue
ba de hiptesis en regresin lineal simple
13
(1.10)
Si la hiptesis nula es verdadera l estadstico (1.10) tiene una distribuc
in Student con
grados de libertad. Se rechaza
si el valor absoluto de este
estadstico es mayor que el correspondiente valor crtico obtenido de tablas
, es decir,
se rechaza
si:
(1.11)
En caso contrario no se rechaza
. No rechazar que
, en el caso del
modelo de regresin lineal simple, implica que no existe una relacin lin
eal
significativa entre y ; por tanto, no existe relacin entre estas variables o sta
es de
otro tipo.
La suma de cuadrados de los residuos o suma de cuadrados del error
(
y se
utiliza para estimar la varianza del error de ajuste de un modelo, y est dada por
:
(1.13)
Por lo tanto, un estimador insesgado de
est dado por:
(1.15)
El estadstico de prueba es el siguiente:
se rechaza si:
; en
ese caso, en el numerador del estadstico de la expresin (1.16) se resta , es decir
, el
estadstico queda de la siguiente manera:
(1.17)
y el criterio de rechazo es el mismo.
En el caso de los datos de la tabla 1.1, datos de resistencia de l
a pulpa, el
planteamiento de hiptesis sera el siguiente:
Prue
ba de hiptesis en regresin lineal simple
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
15
La estimacin de los parmetros del modelo y las pruebas de hiptesis sobre los
mismos se sintetizan en la siguiente tabla:
Parmetro Estimacin Error estndar Estadstico Valor-p
Intercepcin
Pendiente
CAPTULO 1
amos
la hiptesis nula por lo tanto si existe una relacin entre ambas variables. 0 bien,
dado
que el valor-p es menor que el nivel de significancia, se rechaza la
hiptesis nula
valor-p .
Resumen de Excel
Coeficientes Error tpico Estadstico t Probabilidad
Intercepcin 2,308620077 0,486903934 4,741428269 0,000162977
Clientes 0,008861219 0,000647589 13,68338889 5,93374E-11
Ejercicios
1.- Cul es el propsito general del anlisis de regresin?
2.- En el anlisis de regresin intervienen dos tipos de variables: las
independientes y
las dependientes. Explique con sus palabras y a travs de ejemplos, las caractersti
cas de
estos dos tipos de variables.
3.- En el
a de la
superficie:
resistencia
compresin
.
,
= 23 530,
,
= 157,42, y
Ejercicios
17
,
= 143 215,8,
= 1 083,67.
promedio ().
b) Cul es la estimacin del consumo esperado de vapor cuando la temperat
ura
promedio es 55?
c) Qu cambio se espera en el consumo de vapor promedio cuando la temperatura
mensual promedio cambia 1?
d) Suponga que la temperatura mensual promedio es de 47. Calcule el
vapor
ajustado y el residual correspondiente.
18
CAPTULO 1
181
193
1,6
9,4
15,5
155
20,0
172
22,0
110
113
35,5
75
43,0
94
40,5
33,0
ual
correspondiente.
9.- Considrense los datos del ejercicio 4 para
al de una
carretera y = deflexin del pavimento.
= temperatura superfici
12
13
15
12
68,5
77,9
82,2
74,2
70
14
76
20
83,2
19
18
85,3
Ejercicios
9
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
a) En este problema cul variable se considera independiente y cul dependiente?
b) Mediante un diagrama de dispersin analice la relacin entre estas dos variables
.
c) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique
pruebas de hiptesis y verifique residuos).
d) La calidad del ajuste es satisfactoria? Argumente
e) Destaque el valor de la pendiente de la recta e interprtelo en trminos prcticos
.
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.
11.- Considere los datos del ejercicio 5 para = consumo de vapor y
= temperatura
promedio.
a) Pruebe la significacin de la regresin usando . Cul es el valor P para esta
prueba? Enuncie las conclusiones que resultan de esta prueba.
b) Estime
c) Estime los errores estndar de la pendiente y la ordenada al origen.
d) Pruebe la hiptesis
contra
usando
.
Encuentre el valor P para esta prueba.
e) Pruebe la hiptesis
contra
usando . Encuentre
el valor P para esta prueba y saque conclusiones.
12.- En el ejercicio 6 se presentan los datos
e cloruros en
corrientes superficiales y = rea de carretera.
a) Pruebe la hiptesis
para = concentracin d
contra
usando el procedimiento
indicado con un nivel de significancia del 0,01 (
(1.17)
Es claro que
. En general
se interpreta como la proporcin de la
variabilidad en los datos () que es explicada por el modelo. En el caso de los d
atos de
la resistencia de la pulpa (tabla 1.1) tenemos
20
CAPTULO 1
Regresin lineal simple y mltiple
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
= 2580,86
es descrita adecuadam
SC
2400,5
180,3
2580,9
R-cuad. = 93,0%
MC
2400,5
15,0
F
159,75
P
0,000
R-cuad.(ajustado) = 92,4%
(1.18)
Resumen de Excel
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,964432318
Coeficiente de determinacin R^2 0,930129695
R^2 ajustado 0,92430717
Error tpico 3,876481166
Observaciones 14
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 1 2400,531868 2400,531868 159,7467824 2,70702E-08
Residuos 12 180,3252747 15,02710623
Total 13 2580,857143
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Intercepcin 130,6747253 2,417790201 54,047173 1,05975E-15 125,406813
Porcentaje de fibra 1,624175824 0,128504099 12,63909737 2,70702E-08 1,344189444
Anlisis de los residuales
Observacin Pronstico Resistencia Residuos
1 137,1714286 -3,171428571
2 140,4197802 4,58021978
3 143,6681319 -1,668131868
4 146,9164835 2,083516484
5 150,1648352 -6,164835165
6 153,4131868 6,586813187
7 156,6615385 -0,661538462
8 159,9098901 -2,90989011
9 163,1582418 4,841758242
10 166,4065934 -0,406593407
11 169,6549451 -2,654945055
12 172,9032967 -1,903296703
13 176,1516484 -2,151648352
14 179,4 3,6
Resumen de Excel
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,964432318
Coeficiente de determinacin R^2 0,930129695
R^2 ajustado 0,92430717
Error tpico 3,876481166
Observaciones 14
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 1 2400,531868 2400,531868 159,7467824 2,70702E-08
Residuos 12 180,3252747 15,02710623
Total 13 2580,857143
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Intercepcin 130,6747253 2,417790201 54,047173 1,05975E-15 125,406813
Porcentaje de fibra 1,624175824 0,128504099 12,63909737 2,70702E-08 1,344189444
Anlisis de los residuales
Observacin Pronstico Resistencia Residuos
1 137,1714286 -3,171428571
2 140,4197802 4,58021978
3 143,6681319 -1,668131868
4 146,9164835 2,083516484
5 150,1648352 -6,164835165
6 153,4131868 6,586813187
7 156,6615385 -0,661538462
8 159,9098901 -2,90989011
9 163,1582418 4,841758242
10 166,4065934 -0,406593407
11 169,6549451 -2,654945055
12 172,9032967 -1,903296703
13 176,1516484 -2,151648352
14 179,4 3,6
Calidad de ajuste en regresin lineal simple
21
se prefiere en lugar de
, puesto que este ltimo es engaoso al
incrementarse en forma artificial con cada trmino que se agrega al modelo, aunque
sea
un trmino que no contribuya en nada a la explicacin de la respuesta.
En cambio, el
(1.19)
Se puede ver que
; si es prximo a , entonces tendremos
una relacin lineal negativa fuerte, y si es prximo a cero, entonces diremos que n
o
hay correlacin lineal, y finalmente se es prximo a , entonces tendremos
una
relacin lineal positiva fuerte. Por ejemplo, para los datos
de la re
sistencia de la
pulpa (tabla 1.1), el coeficiente de correlacin es;
CAPTULO 1
=
(1.20)
ser menor y en
consecuencia el error estndar de estimacin tambin ser menor.
Anlisis grfico de residuos.
Como complemento a lo que se ha discutido hasta aqu, un anlisis adecua
do de los
residuos proporciona informacin adicional sobre la calidad del ajuste de
l modelo de
regresin y de esa manera es posible verificar si el modelo es adecuad
o. Las grficas
que suelen hacerse para completar el diagnstico del modelo consisten en:
a) graficar los residuos en papel de probabilidad normal,
b) graficar los residuos contra los predichos.
Por ejemplo, para los datos de la resistencia de la pulpa (tabla 1.2), se const
ruye
la grfica de probabilidad normal que se muestra en la figura 1.4. En sta se apreci
a
que el supuesto de normalidad sobre los errores se cumple razonablemente bien,
ya
que los puntos en esta grfica tienden a ajustarse a la lnea recta.
10 5 0 -5 -10
99
95
90
80
70
60
50
40
30
20
10
5
1
Residuo
P
o
r
c
e
n
t
a
j
e
Grfica de probabilidad normal
(la respuesta es Resistencia)
Figura 1.4 Grfica de probabilidad normal para los residuos de la resistencia de l
a pulpa
A partir de la tabla 1.2 es fcil obtener la grfica de residuos contra
predichos
que se muestra en la figura 1.5. Si el modelo es adecuado se espera que en est
a grfica
los puntos no sigan ningn patrn y que, por lo tanto, estn distribuidos
ms o menos
23
(1.21)
A este intervalo se le conoce como intervalo para la recta de regresin. Not
e que su
amplitud depende del
y de la distancia entre
y
=
se hace ms grande.
Para ilustrar lo anterior consideremos el modelo ajustado a los datos del e
jemplo de
la resistencia de la pulpa (tabla 1.1), y obtenemos el intervalo de confianza pa
ra la
respuesta media en
= 12 (porcentaje de fibra)
Primeramente calculemos el estimador puntual para cuando
Adems
rigen,
(1.22)
(1.23)
En el caso del intervalo de confianza para la pendiente de los dat
os del
porcentaje de fibra (tabla 1.1) tenemos
Por lo que pendiente de forma puntual es 1,6242, y por intervalos con un 95% de
nivel de confianza tenemos que esta se encuentra entre 1,3442 y 1,9042
Ejercicios
1.- En un artculo se presentaron los datos de la concentracin del licor verde
(,
y la produccin de una mquina
a tabla
siguiente
25
observacin
Concentracin
Del licor verde
Produccin
(tons
1
2
3
4
5
6
7
8
9
10
11
12
13
40
42
49
46
44
48
46
43
53
52
54
57
58
825
830
890
895
890
910
915
960
990
1010
1012
1030
1050
a) Encuentre un intervalo de confianza de 99% para
b) La concentracin media de
cuando la produccin es
toneladas
cuando
2.para
toneladas
Remtase
a los datos
Anlisis de datos
CAPTULO 1
Regresin
complementos
27
ir
Anlisis de datos
CAPTULO 1
Regresin
Rango
de entrada
y para la(s)
Activamos
la casilla de rtulos,
por default est indicado en una hoj
a nueva,
seleccionamos adems cualquiera de las opciones de residuos, grafica de residua
les, y
curva de regresin ajustada y aceptar.
En Minitab
En Minitab la secuencia de captura para la regresin lineal simple o mltiple en la
hoja
de clculo una vez capturada las columnas de datos seleccionamos Estadsti
cas luego
Regresin seguida de Regresin nuevamente
29
30
CAPTULO 1
variab
(1.22)
Donde los
son los parmetros del modelo que se conocen como coeficientes
de regresin y es el error aleatorio, con media cero,
. Si en la
ecuacin (1.22)
La interpretacin
de stos es muy similar a lo ya explicado para el caso de regresin lineal simp
le:
es
la ordenada al origen, y
mide el cambio esperado en por cambio unitario en
cuando el resto de las variables regresoras se mantienen fijas o constantes.
Para encontrar los coeficientes de regresin mltiple por el mtodo de mnimos
cuadrados aplicamos el siguiente sistema de ecuaciones normales:
(1.23)
Estas ecuaciones se pueden resolver para
,
y
mediante cualquier
mtodo apropiado para resolver sistemas de ecuaciones lineales
Por ejemplo La siguiente tabla muestra los pesos Y a la libra ms c
ercana, las
estaturas X
1
a la pulgada ms cercana y las edades X
2
al ao ms cercano de 12
muchachos.
Regresin lineal mltiple
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Tabla 1.5 Peso, estatura y edad
Peso
Estatura
Edad
64
71
53
67
55
58
77
57
56
51
76
68
57
59
49
62
51
50
55
48
52
42
61
57
8
10
6
11
8
31
7
10
9
10
6
12
9
Para encontrar los coeficientes de regresin (
,
y
) mltiple mediante el
mtodo de mnimos cuadrados seria de la siguiente manera
Tabla 1.6 Procedimiento para realizar los clculos para la regresin mltiple
Y
1
X
2
X
2
Y
2
1
X
2
2
X
Y X
1
Y X
2
2 1
X X
64
71
53
67
55
58
77
57
56
51
76
68
57
59
49
62
51
50
55
48
52
42
61
57
8
10
6
11
8
7
10
9
10
6
12
9
4096
5041
2809
4489
3025
3364
5929
3249
3136
2601
5776
4624
3249
3481
2401
3844
2601
2500
3025
2304
2704
1764
3721
3249
64
100
36
121
64
49
100
81
100
36
144
81
3648
4189
2597
4154
2805
2900
4235
2736
2912
2142
4636
3876
512
710
318
737
440
406
770
513
560
306
912
612
456
590
294
682
408
350
550
432
520
252
732
513
= Ey
753
643
= E
2
x
106
= E
2
y
48,139
= E
2
1
x
34,843
= E
2
2
x
976
= E y x
1
40,830
= E y x
2
6,796
= E
2 1
x x
5,779
Al sustituir las sumatorias calculadas en las ecuaciones normales, se obtiene
= E
1
x
32
CAPTULO 1
,
y
por lo
tanto la ecuacin de regresin es
33
753
40,830
6,796
12
643
106
(2.56070963x10
10
643
106
753
643
34,843
5,779
40,830
34,843
5,779
976
6,796
5,779
643
34,843
5,779
106
5,779
976
12
643
106
643
34,843
5,779
+ 2.525323601x10
10
+ 2.501139642x10
10
) (2.510006097x10
10
+ 2.514782127x10
10
+ 2.562360144x10
10
)
( 408081216 + 393885082 + 393885082 ) ( 39
1495948 + 400762092 + 403526224 )
Predictor
Coef
Constante
3,65
Estatura 0,8546
Edad
1,506
S = 5,36321
R-cuad. = 70,9%
T
0,23
1,89
1,07
Anlisis de varianza
P
0,826
0,091
0,315
R-cuad.(ajustado) = 64,4%
Fuente
GL
Regresin
2
Error residual 9
Total
11
34
SC
629,37
258,88
888,25
CAPTULO 1
MC
F
P
314,69 10,94 0,004
28,76
.
La hiptesis global ms importante sobre un modelo de regresin mltiple
consiste en ver si la regresin es significativa. Esto se logra proband
o la siguiente
hiptesis:
Aceptar
significa que ningn trmino o variable en el modelo tiene una
contribucin significativa al explicar la variable de respuesta . Mientras que
rechazar
implica que por lo menos un trmino en el modelo contribuye de manera
significativa a explicar . El procedimiento para probar esta hiptesis
es una
generalizacin del procedimiento utilizado para probar la hiptesis equivale
nte en
regresin lineal simple.
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,841756673
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Intercepcin 3,651215805 16,16780562 0,22583249 0,82637676 -32,9229014
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125373
Edad 1,50633232 1,414265835 1,06509843 0,31457045 -1,692959262
Anlisis de los residuales
Observacin Pronstico Peso Residuos
1 64,41464032 -0,414640324
2 69,13652482 1,863475177
3 54,56509625 -1,565096251
4 73,20668693 -6,20668693
5 59,28698075 -4,28698075
6 56,9260385 1,073961499
7 65,71808511 11,28191489
8 58,22948328 -1,229483283
9 63,15425532 -7,154255319
10 48,58282675 2,417173252
11 73,85840932 2,141590679
12 65,92097264 2,079027356
Pruebas de hiptes
is en regresin lineal mltiple
35
(1.24)
que bajo
tiene una distribucin
. As, se rechaza
si
o tambin si
Ejemplo
Se probar la significacin de la regresin (con
los
pesos , estaturas y edades de la tabla 1.5
El valor de
10,94
En tanto que el valor de encontrado en tablas cuando tenemos un nive
l de
significancia de 0,05 y 2 grados de libertad en el numerador y 9 en
el denominador el
cual es igual a 4,26
=
=
libertad
Cuadrado
medio
Regresin
Error o residuo
Total
n-1
36
CAPTULO 1
SC
629,37
258,88
888,25
MC
F
P
314,69 10,94 0,004
28,76
Coeficiente de determinacin
El que un modelo sea significativo no necesariamente implica que sea
bueno en
trminos de que explique la variacin de los datos. Por ello es importan
te tener
mediciones adicionales de la calidad del ajuste del modelo, como las
grficas de
residuales y el coeficiente de determinacin. Con la informacin del anlisis de varia
nza
de la tabla 1.7 es muy sencillo calcular el coeficiente de determinac
in
, y el
coeficiente de determinacin ajustado
:
(1.25)
(1.26)
Ambos coeficientes se interpretan de forma similar al caso de regresin
lineal
simple, es decir, como el porcentaje de variabilidad de los datos que son explic
ados por
el modelo. Se cumple que
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,841756673
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Intercepcin 3,651215805 16,16780562 0,22583249 0,82637676 -32,9229014
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125373
Edad 1,50633232 1,414265835 1,06509843 0,31457045 -1,692959262
Anlisis de los residuales
Observacin Pronstico Peso Residuos
1 64,41464032 -0,414640324
2 69,13652482 1,863475177
3 54,56509625 -1,565096251
4 73,20668693 -6,20668693
5 59,28698075 -4,28698075
6 56,9260385 1,073961499
7 65,71808511 11,28191489
8 58,22948328 -1,229483283
9 63,15425532 -7,154255319
10 48,58282675 2,417173252
11 73,85840932 2,141590679
12 65,92097264 2,079027356
Pruebas de hiptesi
s en regresin lineal mltiple
37
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Coeficiente de correlacin mltiple
Es la raz cuadrada del coeficiente de determinacin
(1.27)
y es una medida de la intensidad de la relacin entre la variable dependiente, ,
y el
conjunto de variables o trminos en el modelo
(1.28)
En el caso del ejemplo de los pesos, estatura y edades tenemos
(1.29)
Tabla 1.8 Anlisis de regresin mltiple
Parmetro Estimacin Error estndar Estadstico
Intercepcin
Valor-p
.
.
.
.
.
.
38
CAPTULO 1
,
,
y
1,5
-8
-8
8
8
-8
-8
8
8
0
0
9
14
10
19
8
12
11
20
14
13
a) Cules son las variables independientes y cul la dependiente? Argumente
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,841756673
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Intercepcin 3,651215805 16,16780562 0,22583249 0,82637676 -32,9229014
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125373
Edad 1,50633232 1,414265835 1,06509843 0,31457045 -1,692959262
Anlisis de los residuales
Observacin Pronstico Peso Residuos
1 64,41464032 -0,414640324
2 69,13652482 1,863475177
3 54,56509625 -1,565096251
4 73,20668693 -6,20668693
5 59,28698075 -4,28698075
6 56,9260385 1,073961499
7 65,71808511 11,28191489
8 58,22948328 -1,229483283
9 63,15425532 -7,154255319
10 48,58282675 2,417173252
11 73,85840932 2,141590679
12 65,92097264 2,079027356
Intervalos de confianza y predicc
in en regresin mltiple
39
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
y anote la
ecuacin del modelo ajustado
c) A partir del modelo ajustado, cul es el espesor estimado cuando se
utiliza un
pH = 2 y una temperatura de 10 grados?
d) El modelo es adecuado? Argumente con base en graficas de residuos,
pruebas
de hiptesis y coeficientes de determinacin.
16.- Se realiz un experimento para estudiar el sabor del queso panela en funcin d
e la
cantidad del cuajo y la sal. La variable de respuesta observada es e
l sabor promedio
reportado por un grupo de cinco panelistas que probaron todos los que
sos y los
calificaron en una escala hednica. Los datos obtenidos se muestran a continuacin:
Sal Cuajo Sabor
6
5,5
4,5
4
4,5
5,5
5
5
0,3
0,387
0,387
0,3
0,213
0,213
0,3
0,3
5,67
7,44
7,33
6,33
7,11
7,22
6,33
6,66
a) Ajuste el modelo
240
236
290
274
301
316
300
296
267
276
288
261
25
31
45
60
65
72
80
84
75
60
50
38
24
21
24
25
25
26
25
25
24
25
25
23
91
90
88
87
91
94
87
86
88
91
90
89
100
95
110
88
94
99
97
96
110
105
100
98
a) Ajuste un modelo de regresin lineal mltiple a estos datos
40
CAPTULO 1
Regresin lineal simple y mltiple
Anlisis de datos
Regresin
41
Utilizando Minitab
En Minitab la secuencia de captura para la regresin lineal simple o mltiple en la
hoja
de clculo una vez capturada las columnas de datos seleccionamos Estadsti
cas luego
Regresin seguida de Regresin nuevamente
Estadsticas
Regresin
Regresin
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,841756673
Coeficiente de determinacin R^2 0,708554296
R^2 ajustado 0,643788584
Error tpico 5,363214691
Observaciones 12
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 2 629,3733536 314,6866768 10,9402688 0,003895018
Residuos 9 258,8766464 28,76407182
Total 11 888,25
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% Infer
ior 95,0% Superior 95,0%
Intercepcin 3,651215805 16,16780562 0,22583249 0,82637676 -32,92290147 40,2253330
8 -32,92290147 40,22533308
Estatura 0,854609929 0,451664156 1,892135824 0,0910251 -0,167125376 1,876345234
-0,167125376 1,876345234
Edad 1,50633232 1,414265835 1,06509843 0,31457045 -1,692959268 4,705623908 -1,69
2959268 4,705623908
42
CAPTULO 1
Regresin lineal simple y mltiple
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Nota: De la ventana de captura aparecen automticamente en el cuadro de
la izquierda
la informacin de la tabla, en respuesta , se indica con un clic del
ratn en peso y este
automticamente se manifiesta, en predictores de igual manera se da un clic a cada
uno
y estos se manifiestan en el recuadro.
Anlisis de regresin: Peso vs. Estatura; Edad
La ecuacin de regresin es
Peso = 3,7 + 0,855 Estatura + 1,51 Edad
Coef.
Predictor
Coef de EE
T
P
Constante
3,65 16,17 0,23 0,826
Estatura 0,8546 0,4517 1,89 0,091
Edad
1,506 1,414 1,07 0,315
S = 5,36321
R-cuad. = 70,9%
R-cuad.(ajustado) = 64,4%
Anlisis de varianza
Fuente
GL
SC
MC
F
P
Regresin
2 629,37 314,69 10,94 0,004
Error residual 9 258,88 28,76
Total
11 888,25
Fuente
GL SC sec.
Estatura 1 596,74
Edad
1
32,63
Observaciones poco comunes
Obs Estatura Peso Ajuste
7
55,0 77,00 65,72
Ajuste
Residuo
SE Residuo estndar
1,96
11,28
2,26R
Regresin no lineal
43
y Y
Parbola de Regresin
En muchos casos, es una funcin de segundo grado la que se ajusta lo
suficiente a la
situacin real dada.
La expresin general de un polinomio de 2 grado es:
44
CAPTULO 1
mnima la expresin a
a dichos parmetros a
forman dicho sist
caso de la regres
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
46
CAPTULO 2
(2.1)
Con la cual se quiere decidir si los tratamientos son iguales estadsticamente
en
cuanto a sus medias, frente a la alternativa de que al menos dos de ellos son di
ferentes.
La estrategia natural para resolver este problema es obtener una mue
stra
representativa de mediciones en cada uno de los tratamientos, y construir un est
adstico
de prueba para decidir el resultado de dicha comparacin
Se podra pensar que una forma de probar la hiptesis nula de la expresin (2.1)
es mediante la prueba T de Student aplicadas a todos los posibles pares de me
dias; sin
embargo, esta manera de proceder incrementara de manera considerable el error t
ipo I
(rechazar
siendo verdadera).
Experimentos con un solo factor
47
Un operador ms hbil puede ver a su mquina (aunque sta sea la peor) com
o la
que tiene el mejor desempeo, lo que impide una comparacin adecuada de
los equipos. Para evitar este sesgo habra dos maneras de anular el po
sible
efecto del factor operador:
- Utilizando el mismo operador en las cuatro mquinas. Esta estrategia
no es
aconsejable, ya que al utilizar el mismo operador, se elimina el efec
to
del factor operador, pero restringe la validez de la comparacin a dicho
operador, y es posible que el resultado no se mantenga al utilizar o
tros
operadores.
- Cada operador trabaje durante el experimento con cada una de las mq
uinas,
esta estrategia es ms recomendable, ya que al utilizar todos los operadores con
todas las mquinas permite tener resultados de la comparacin que son
vlidos para todos los operadores. Esta ltima de manera nulificar el efe
cto de
operadores, recibe el nombre de Bloqueo.
Factores de bloqueo.
Son factores adicionales al factor de inters que se incorporan de mane
ra explcita
en un experimento comparativo, para estudiar de manera ms adecuada y eficaz al
factor de inters.
Observacin. Cuando se comparan varias mquinas, manejadas por operadores
diferentes, es pertinente incluir explcitamente al factor operadores (bloques) pa
ra lograr
el propsito del estudio. Tambin se podran controlar el tipo de material, lotes,
tipo
de producto, da, turno, etc. Se controlan factores que por conocimiento
del
proceso o experiencia previa, se sabe que pueden afectar en forma sensible el re
sultado
de la comparacin
impacto sobre
una o ms caractersticas del producto final.
4. Encontrar las condiciones de operacin (temperatura, velocidad, humedad
, por
ejemplo) donde se reduzcan los defectos o se logre un mejor desempeo
del
proceso.
5. Reducir el tiempo de ciclo del proceso.
6. Hacer el proceso insensible o robusto a oscilaciones de variables ambientale
s.
7. Apoyar el diseo o rediseo de nuevos productos o procesos
8. Ayudar a conocer y caracterizar nuevos materiales.
En general, cuando se requiere mejorar un proceso existen dos maneras
bsicas
de obtener la informacin necesaria para ello:
- Observar o monitorear va herramientas estadsticas, hasta obtener seales
tiles que permitan mejorarlo; se dice que sta es una estrategia pasiva.
- La otra manera consiste en experimentar, es decir, hacer cambios
estratgicos y deliberados al proceso para provocar dichas seales tiles.
Al analizar los resultados del experimento se obtienen las pautas a s
eguir, que
muchas veces se concretan en mejoras sustanciales del proceso. En este
sentido,
experimentar es mejor que sentarse a esperar a que el proceso nos in
dique por s solo
cmo mejorarlo. El diseo de experimentos es un conjunto de tcnicas activa
s, en el
sentido de que no esperan que el proceso mande las seales tiles, sino
que ste se
manipulan para que proporcione la informacin que se requiere para su mejora.
El saber diseo de experimentos y otras tcnicas estadsticas, en combinacin
con conocimientos del proceso, sitan al responsable del mismo como un
observador
perceptivo y proactivo que es capaz de proponer mejoras y de observar algo inter
esante
(oportunidades de mejora) en el proceso y en los datos donde otra persona no ve
nada.
Nota. Comentarles la ancdota de las naranjas
Experimentos con un solo factor
49
Y es la variable de salida,
la media global,
50
CAPTULO 2
(2.2)
donde es el parmetro de escala comn a todos los tratamientos, llamado
media
global,
; es un parmetro que mide el efecto del tratamiento
es el error
atribuible a la medicin
. Este modelo implica que en el diseo completamente al
azar actuaran a lo ms dos fuentes de variabilidad: Los tratamientos y el error ale
atorio.
La media global de la variable de respuesta no se considera una fuente de varia
bilidad
por ser una constante comn a todos los tratamientos, que hace las vec
es de punto de
referencia con respecto al cual se comparan las respuestas medias de los tratami
entos.
Si la respuesta media de un tratamiento particular
es muy diferente de la
respuesta media global , es un sntoma de que existe un efecto de dicho tratamient
o, ya
que como se ver ms adelante,
51
Ejemplo 2
Comparacin de cuatro tipos de cuero. Un fabricante de calzado desea me
jorar la
calidad de las suelas, las cuales se pueden hacer con uno de los cuatro tipos de
cuero A,
B, C y D disponibles en el mercado. Para ello, prueba los cueros con una mquin
a que
hace pasar los zapatos por una superficie abrasiva; la suela de stos
se desgasta al
pasarla por dicha superficie. Como criterio de desgaste se usa la prdi
da de peso
despus de un nmero fijo de ciclos. Se prueban en orden aleatorio 24 zapatos, sei
s de
cada tipo de cuero. Al hacer las pruebas en orden completamente al a
zar se evitan
sesgos y las mediciones en un tipo de cuero resultan independientes de las
dems. Los
datos (en miligramos) sobre el desgaste de cada tipo de cuero se muestran en la
tabla 2.2
Tabla 2,2
entos)
Tipo de cuero Observaciones
A
B
C
D
264 260 258 241 262
208 220 216 200 213
220 263 219 225 230
217 226 215 227 220
256,7
209,8
230,8
220,7
255
206
228
222
52
CAPTULO 2
(2,3)
El cual se contrastara con el valor de encontrado en tablas en relac
in a los
grados de libertad del numerador entre grados de libertad del denomina
dor y con un
nivel de significancia () prefijado.
Se rechaza la
si
Se deduce que si
es grande, se contradice la hiptesis de que no hay efectos
de tratamientos; en cambio, si
es pequeo se confirma la validez de
Mtodo dentro
El mtodo dentro de estimacin de la varianza produce una estimacin vlida
sin
importar si la hiptesis nula de las medias poblacionales iguales es cierta. Esto
se debe a
que la variabilidad de los valores de la muestra se determina comparando cada el
emento
Diseos completamente al azar y ANOVA
Instituto Tecnolgico de Ensenada
53
donde:
(2,4)
= Estimacin de la varianza muestral con el mtodo entre.
= i-simo elemento de los datos de grupo j.
= media del grupo j
- C = nmero de grupos
- n = nmero de elementos de la muestra en cada grupo.
El nmero adecuado de grados de libertad para el mtodo dentro se calcula como
c(n-1) si el nmero de observaciones en cada grupo es igual. Como a cada elemento
del
grupo se le resta la media de ese grupo, slo (n-1) elementos de cada
grupo pueden
variar. Adems como se tienen c grupos, c se multiplica por (n-1) para
obtener los
grados de libertad para el mtodo dentro.
Grados de libertad para
gl
w
= C(n 1)
Mtodo entre
CAPTULO 2
donde:
(2,5)
= Estimacin del mtodo entre de la varianza poblacional comn.
= media del grupo j.
= media global (media de todos los valores), usada como estimacin de .
- C = nmero de grupos
- n = nmero de elementos de la muestra en cada grupo si el nmero de
observaciones en cada uno es el mismo.
Grados de libertad para
gl
b
= (C 1)
Tabla ANOVA
Los resultados del anlisis de varianza se presentan en una tabla ANOVA
que
resume los valores importantes de la prueba. Esta tabla tiene un form
ato estndar que
usan los libros y los problemas de computadora que ejecutan ANOVA. La
siguiente
tabla muestra la forma general de la tabla ANOVA.
En dicha tabla se resumen los clculos necesarios para la prueba de igualdad de
las
medias poblacionales usando anlisis de varianza. Primero se usa el mtodo dentro pa
ra
estimar o
2
. Cada valor de los datos se compara con su propia media, y la sum
a de las
diferencias al cuadrado se divide entre los grados de libertad c(n-1).
Fuf fFuente de
variacin
SC GL Estimacin de
o
2
Coeficiente F
Grupos Entre
2
c - 1
/ gl
b
S S
/
Grupos Dentro
2
c(n-1)
/ gl
b
Total ( x
ij
x )
2
donde:
=
- i =
- c =
- n =
Nmero
Nmero
Nmero
Nmero
de
de
de
de
la columna
la fila
columnas (grupos)
elementos en cada grupo (tamao de la muestra)
La tabla ANOVA contiene columnas con las fuentes de variacin, las suma
s de
cuadrados, los grados de libertad, las estimaciones de la varianza y
el valor F para el
procedimiento de anlisis de varianza.
55
A B C D
6
8
7
8
7
9
10
8
11
16
11
13
10
12
11
9
Media (
i
)
7,25
8,5
12,75
10,5
Media global :
= 9,73
C = 4,
= 4
n = 4
2
=
3
=
4
H
1
:
CAPTULO 2
.
.
.
.
Notacin de puntos
Sirve para presentar de manera abreviada cantidades numricas que se pueden calcul
ar a
partir de los datos experimentales donde
representa la
observacin en el
tratamiento , con
y
. Las cantidades de inters son las
siguientes:
-
(2.6)
donde
es el total de observaciones.
ANOVA
Como ya lo mencionamos el objetivo del anlisis de varianza en el DCA
es probar la
hiptesis de igualdad de los tratamientos con respecto a la media de c
orrespondiente
variable de respuesta.
Para probar la hiptesis dada por la relacin:
57
(2.7)
donde
es la suma de los
datos en el experimento.
La suma de cuadrados de tratamientos (
) sta dado por:
(2.8)
donde apreciamos que la
mide la variacin o diferencias entre tratamientos, ya
que si stos son muy diferentes entre s, entonces la diferencia
tender a ser
grande en valor absoluto, y con ello tambin ser grande la
(2.9)
donde la
mide la variacin dentro de tratamientos, ya que si hay mucha variacin
entre las observaciones de cada tratamiento entonces
(2.10)
La suma de cuadrados divididos entre sus respectivos grados de liber
tad se
llaman cuadrados medios. Los dos que ms interesan son el cuadrado medi
o de
tratamientos (
) y el cuadrado medio del error (
, que se denotan por:
(2.11)
(2.12)
Con base en este hecho se construye el estadstico de prueba como sigue: se sabe
que
y
son independientes, por lo que
son dos
variables son dos variables aleatorias independientes con distribucin jicuadrada con
y grados de libertad, respectivamente. Entonces, bajo el supuesto de que la
hiptesis
es verdadera, el estadstico
(2.13)
sigue una distribucin con ( grados de libertad en el numerador y (
)
grados de libertad en el denominador. De la ecuacin (2.13) se deduce
que si
es
grande, se contradice la hiptesis de que no hay efecto de tratamientos; en cambio
, si
58
CAPTULO 2
donde
es el percentil ( ) x 100 de
la distribucin . Tambin se rechaza
si el valor-p , donde el valor-p es el rea
bajo la distribucin
a la derecha del estadstico
, es decir, el
)
Error
Total
)
Anlisis del ejemplo 1 (comparacin de cuatro tipos de mtodos de ensamble)
.
La interrogante que se plante en el problema de la comparacin entre los cuatro
tipos
de mtodos de ensamble fue: existen diferencias entre el tiempo promedio
de los
diferentes mtodos de ensamble? La respuesta a esta pregunta es el resu
ltado de
contrastar las hiptesis:
Clculos manuales
Detalles de los clculos para el ANOVA en DCA para el tiempo de ensamble
Mtodos de ensamble Operaciones bsicas
Observaciones
A B
C
D
6 7 11 10
8 9 16 12
7 10 11 11
8
8 13
9
=
suma de los datos
total de mediciones
media global
Total por
Tratamiento (
29 34 51 42
Numero de datos
En cada tratamiento (
4
4
4
Media muestral por
Tratamiento (
7.25
8.50
12.75
10.50
Desviaciones respecto -2.50 -1.25 3.0 0.75
A la media global (
59
= 1620 -
entonces se rechaza
, con lo cual se concluye que s hay diferencias o efecto de los
mtodos de ensamble en cuanto a su tiempo promedio
Tabla ANOVA
Fuente de
variaciones
SC GL CM
Valor
crtico
para F
Tratamientos 69,5 3 23,17 9,42 3,49
Nivel
A
B
C
D
R-cuad. = 70,20%
N Media Desv.Est.
4 7,250
0,957
4 8,500
1,291
4 12,750
2,363
4 10,500
1,291
R-cuad.(ajustado) = 62,75%
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
--------+---------+---------+---------+(------*------)
(------*------)
(------*------)
(------*------)
--------+---------+---------+---------+7,5
10,0
12,5
15,0
61
Nivel
A
B
C
D
N
6
6
6
6
SC
MC
F
P
7019 2340 22,76 0,000
2057 103
9076
R-cuad. = 77,34%
Media
256,67
210,50
230,83
221,17
R-cuad.(ajustado) = 73,94%
) y aceptamos
la alterna (que no todas las medias son iguales) an no sabemos cules
de las medias
poblacionales son iguales y cules son diferentes.
Comparacin de parejas de medias de tratamientos.
Cuando no se rechaza la H
0
:
1
=
2
=
3
, el objetivo del experimento est cubierto y
la conclusin es que los tratamientos no son diferentes. Si por el con
trario se rechaza
H
0
, y por consiguiente se acepta la H
1
: No todas las poblaciones tienen la misma media,
es necesario investigar cules tratamientos resultaron diferentes, o cules
provocan la
diferencia.
Estas interrogantes se responden probando la igualdad de todos los p
osibles
pares de medias, para lo cual se han propuesto varios mtodos, conocido
s como
mtodos de comparaciones mltiples o pruebas de rango mltiple. La diferenci
a
primordial entre los mtodos radica en la potencia que tienen para dete
ctar las
diferencias entre las medias. Se dice que una prueba es ms potente si
es capaz de
detectar diferencias ms pequeas.
Hay varios mtodos estndar para realizar comparaciones pareadas que apoyen
la credibilidad de la tasa de error tipo I.
Mtodo de la diferencia mnima significativa de Fisher (mtodo LSD).
Una vez que se rechazo
en el ANOVA, el problema es probar la igualdad de todos
los posibles pares de medias con la hiptesis:
Compara
cin o pruebas de rangos mltiples
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
63
. Se rechaza la hiptesis
si ocurre que
(2.14)
donde el valor de
se lee en las tablas de la distribucin T de student con
grados de libertad que corresponde al error, el
es el cuadrado medio del
error y se obtiene de la tabla ANOVA,
y
(2.15)
En caso de rechazar
se acepta la hiptesis alternativa la cual nos dice que las
medias de los tratamientos
son diferentes. El mtodo LSD tiene una p
otencia
importante, por lo que en ocasiones declara significativas aun pequeas diferencia
s.
Ilustremos esta prueba continuando con el ejemplo 1, en el cual, con el ANOVA
se rechaz la hiptesis nula y se acept que al menos un par de medias de tratamien
tos
(mtodos de ensamble) son diferentes entre s. Para investigar cules pares
de medias
son estadsticamente diferentes se prueban los seis posibles pares de hiptesis:
(2.16)
Utilizando el mtodo de LSD. EN el ANOVA se observa que los grados de
libertad del error son
. Si
usamos una significacin predefinida de , de la tabla de la distribucin
T de
64
CAPTULO 2
Diseo de experimentos de un factor
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Student con 12 grados de libertad, se obtiene que
,
. Como
en cada tratamiento se hicieron
pruebas, entonces
mientras que
.
Tabla 2,5 Aplicacin de la prueba LSD a mtodos de ensamble
Diferencia
poblacional
Diferencia muestral
en valor absoluto
Decisin
intervalos de confianza pa
lo que debemos tomar el p
el valor del estadstico t d
corresponda
Compara
cin o pruebas de rangos mltiples
65
(2,17)
donde
(
/ gl
b
) = 2,45
4
4
12
0,05
66
Que al compararlo con las diferencias de medias muestrales, los resultados sobre
las hiptesis son:
Diferencia poblacional
Diferencia muestral
1,25
5,50
3,25
4,25
2,00
2,25
3,27
3,27
3,27
3,27
3,27
3,27
Decisin
No significativo
Significativo
No significativo
Significativo
No significativo
No significativo
De esta tabla se concluye que
.
Observe que esta prueba no encuentra diferencias entre los mtodos d ensamble A y
D,
la cual si se detecta por otros mtodos. Esto es congruente con el hecho de que la
prueba
de Tukey es menos potente que la prueba LSD (diferencia mnima significativa)
En el resultado de comparacin de parejas arrojado por minitab, por el
mtodo
de Tukey, observamos que este nos indica los intervalos de confianza
para las
comparaciones de cada par de muestras, por lo que debemos tomar el p
unto medio de
cada comparacin (centro) y contrastarlo con el valor del estadstico de
rango
estudentizado obtenido en tablas (4,20) y sustituyendo en la formula obteniendo
el valor
de
, el cual se contrasta con la diferencia de medias y se tomar la decisin
que corresponda
Intervalos de confianza simultneos de Tukey del 95%
Todas las comparaciones en parejas en Minitab
Se rest A a:
Inferior Centro Superior -----+---------+---------+---------+---B -2,043 1,250
4,543
(------*-----)
C
2,207 5,500
8,793
(------*------)
D -0,043 3,250
6,543
(------*-----)
-----+---------+---------+---------+----5,0
0,0
5,0
10,0
Se rest B a:
Inferior Centro Superior -----+---------+---------+---------+---C
0,957 4,250
7,543
(------*-----)
D -1,293 2,000
5,293
(------*------)
-----+---------+---------+---------+----5,0
0,0
5,0
10,0
Se rest C a:
Inferior Centro Superior -----+---------+---------+---------+---D -5,543 -2,250
1,043
(------*-----)
-----+---------+---------+---------+----5,0
0,0
5,0
10,0
Compara
cin o pruebas de rangos mltiples
67
(2,18)
Este procedimiento de Duncan tambin se llama prueba de rango mltiple de
Duncan. Este procedimiento tambin se basa en la notacin general del ran
go
studentizado. El rango de cualquier subconjunto de medias muestrales de
be exceder
cierto valor antes de que se encuentre que cualquiera de las medias es diferent
e. Este
valor se llama rango de menor significancia para las medias y se denota como
(2,19)
( = muestras)
Grados de libertad para el error que corresponden a (
=
)
=
/ gl
b
)
=
pares de medias
12
= 2,46
=
= 0,78
=
Estos valores se obtienen de la tabla correspondiente
= (3,08)(0,78)
= (3,23)(0,78)
= (3,33)(0,78)
Diferencia muestral
Comparada con su rango
Significativo
Significativo
No significativo
Significativo
No significativo
No significativo
Compara
69
, mientras que
con
si,
donde
70
CAPTULO 2
Catalizador 1
Catalizador 2
Catalizado
50,7
54,1
52,7
51,5
53,8
53,9
49,2
53,1
57,0
53,1
52,5
54,1
52,7
54,0
52,5
51,2
50,8
49,7
48,0
47,2
= 53,5
54,04
49,38
= 51,44
=
=
= 2,59
= grados de libertad del erros medio
, como es prueba bilateral
= 2,59
= 2,59(0,9593) = 2,48
RESUMEN
A) Normalidad
B) Varianza constante (igual varianza de los tratamientos)
C) Independencia
Esto es, la respuesta (Y) se debe distribuir de manera normal, con la misma vari
anza
en cada tratamiento y las mediciones deben ser independientes. Estos supuestos s
obre Y
se traducen en supuestos sobre el termino error () en el modelo
CAPTULO 2
donde
( = 1,2, , = 1,2,, ) Es el simo dato en el tratamiento
Es la media global
donde
Es la respuesta predicha
Es la media global estimada
.., el
modelo ajustado del DCA se puede escribir como:
Para comprobar cada supuesto existen pruebas analticas y grficas que veremos
), por lo general
c
i
a
Grfica de probabilidad normal vs. ajustes
Histograma
Grficas de residuos para A; B; C; D
40 20 0 -20
99
90
50
10
1
Residuo
P
o
r
c
e
n
t
a
j
e
250 240 230 220 210
30
20
10
0
-10
Valor ajustado
R
e
s
i
d
u
o
30 20 10 0 -10
8
6
4
2
0
Residuo
F
r
e
c
u
e
n
c
i
a
Grfica de probabilidad normal vs. ajustes
Histograma
Grficas de residuos para A; B; C; D
74
CAPTULO 2
Diseo de experimentos de un factor
Instituto Tecnolgico de Ensenada
75
= 4 mtodo
El valor de arrojado por esta frmula dar una idea del nmero de rplicas
por
tratamiento, de acuerdo con las consideraciones iniciales que se reflej
an a travs de
= 5,1
Por lo tanto
se debera utilizar como tamao de muestra (nmero de
pruebas por tratamiento).
Ejercicios.
Tienda 1
Tienda 2
Tienda 3
--------------------------------------------------------------------------12,05
15,17
9,48
23,94
18,52
6,92
14,63
19,57
10,47
25,78
21,40
7,63
17,52
13,59
11,90
18,45
20,57
5,92
3. Se hace un estudio sobre la efectividad de tres marcas de spray
para matar moscas.
Para ello, cada producto se aplica a un grupo de 100 moscas, y se cuentan el nmer
o de
moscas muertas expresando en porcentajes. Se hacen seis rplicas y los
resultados
obtenidos se muestran a continuacin
Nmero de replicas
Marca de spray 1 2 3 4 5 6
1
2
3
72
55
64
65
59
74
67
68
61
75
70
58
62
53
51
73
50
69
a) Formule la hiptesis adecuada y aplique el mtodo estadstico.
b) Existe diferencia entre la efectividad promedio de los productos en spray.
c) Hay algn spray mejor, Argumente su respuesta.
d) D un intervalo al 95% de confianza para la efectividad promedio (p
orcentaje)
de cada una de las marcas
e) De ser necesario, aplique los mtodos de comparacin o pruebas de ran
gos
mltiples.
4. Para estudiar la confiabilidad de ciertos tableros electrnicos para carros, se
someten
a un envejecimiento acelerado durante 100 horas a determinada temperatu
ra, y como
variables de inters se mide la intensidad de corriente que circula ent
re dos puntos,
cuyos valores aumentan con el deterioro. Se probaron 20 mdulos repartidos de mane
ra
equitativamente en cinco temperaturas y los resultados obtenidos fueron los sigu
ientes:
15
18
13
12
17
21
11
16
23
19
25
22
28
32
34
31
45
51
57
48
a) Formule la hiptesis y el modelo estadstico para el problema.
b) Realice el anlisis de varianza para estos datos, a fin de estudiar
si la
temperatura afecta la intensidad de corriente promedio.
Ejercicios
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
77
almidn Dureza
5,2
7,3
7,8
4,8
6,9
8,5
4,5
6,1
8,1
nta con el
tiempo.
Se utilizan cinco plantas en cada concentracin y se mide e
l crecimiento de
cada planta. Se toman los siguientes datos de crecimiento. Tambin se aplica un co
ntrol
(ningn qumico)
78
CAPTULO 2
0,71
1,02
1,40
1,99
80
75
74
67
62
60
83
75
73
72
62
61
83
79
76
74
67
64
85
79
77
74
69
66
79
14,8
15,0
11,6
14,4
14,7
14,9
12,4
14,4
14,8
14,8
12,7
12,2
14,9
14,7
12,1
11,7
Laboratorios
A
B
58,7
62,7
61,4
64,5
60,9
63,1
59,1
59,2
58,2
60,3
C
55,9
56.1
57,3
55,2
58,1
D
60,7
60,3
60,9
61,4
62,3
80
CAPTULO 2
81
Minitab
- En la hoja de clculo que despliega Minitab capturar nuestra tabla d
e datos
indicando sus correspondientes rtulos en la primer fila que no est numerada
- En el cintillo superior indicar con el mouse Estadsticas
- Del men desplegado seleccionar ANOVA, en el men desplegado seleccionar
Un solo factor (Desapilado) y dar clic con el mouse
en la parte supe
83
84
Captulo
Diseo de bloques
3.1.
3.2.
3.3.
3.4.
Diseos en bloques
Diseo en cuadrado
Diseo en cuadrado
Uso de un software
completos al azar.
latino.
grecolatino.
estadstico.
85
entes de
variabilidad:
- El factor de tratamientos
- El factor de bloque
- El error aleatorio
es decir, se tienen tres posibles culpables de la variabilidad presente
en los datos. La
palabra completo en el nombre del diseo se debe a que en cada bloque
se prueban
todos los tratamientos, o sea, los bloques estn completos. La aleatoriz
acin se hace
dentro de cada bloque; por lo tanto, no se realiza de manera total
como en el diseo
completamente al azar.
Los factores de bloqueo que aparecen en la prctica son: Turno, lote, da, tipo de
material, lnea de produccin, operador, maquina, mtodo, etc.
Supongamos una situacin experimental con k tratamientos y b bloques. El
aspecto de los datos para este caso se muestra en la
onsiderando una
repeticin en cada combinacin de tratamiento y bloque.
tabla 3,1. C
1
2
3
.
k
.
.
.
.
Modelo estadstico
Cuando se decide utilizar un DBCA, el experimentador piensa que cada
medicin ser
el resultado del efecto del tratamiento donde se encuentre, del efecto al que
pertenece y
de cierto error que se espera sea aleatorio. El modelo estadstico para
este diseo est
dado por:
donde
Es la medicin que corresponde al tratamiento y al bloque
Es la media global poblacional
Es el efecto debido al tratamiento
Es el efecto debido al bloque
Es el error aleatorio atribuible a la medicin
87
, entonces necesariamente
la respuesta media del tratamiento es igual a la media global (
).
Anlisis de varianza
La hiptesis dada se prueba con un anlisis de varianza con dos criterio
s de
clasificacin, porque se controlan dos fuentes de variacin: el factor de tratamient
os y el
factor de bloque. En la tabla 3.2 se muestra el aspecto del ANOVA para diseo DBC
A.
Tabla 3.2 ANOVA para un diseo en bloques completos al azar
Fuentes de
variabilidad
Suma de
cuadrados
Grado de
libertad
Cuadrado
medio
Valor-p
Tratamientos
Bloques
Error
Total
SC
TRAT
SC
B
SC
E
SC
T
K 1
b 1
(k 1)(b 1)
N - 1
CM
TRAT
CM
B
CM
E
88
CAPTULO 3
Diseo de bloques
Ejemplo
En el ejemplo donde se planteo la comparacin
de los cuatro mtodos de
ensamble,
ahora se va a controlar activamente en el experimento a los operadores que reali
zaran el
ensamble, lo que da lugar al siguiente diseo en bloques completamente al azar.
Mtodo Operador
1 2 3 4
A
B
C
D
6
7
10
10
9
10
16
13
7
11
11
11
8
8
14
9
Recordemos que la variable de respuesta son los minutos en que se
realiza el
ensamble. Para comparar los cuatro mtodos se plantea la hiptesis:
89
GL
SC
MC
F
61,5
20,5
10,25
3
28,5
9,5
4,75
9
18,0
2,0
15
108,0
S = 1,414
R-cuad. = 83,33%
R-cuad.(ajustado) = 72,22%
Bloque
P
0,003
0,030
Error
Total
90
CAPTULO 3
Diseo de bloques
5- Estadstico de prueba
Concentrado en tabla
ANOVA
Suma de
cuadrados
Grados de
libertad
Promedio de
los cuadrados F
Valor
crtico
para F
61,5 3 20,5 10,25
3,8625483
28,5 3
9,5
4,75
3,8625486
18 9 2
108 15
91
donde b es el nmero de bloques, que hace las veces de nmero de rplicas, y (k-1)(b-1
)
son los grados de libertad del
Diferencia muestral
-1,5
-5,25
-3,25
-3,75
-1,75
2,00
2,26
2,26
2,26
2,26
2,26
2,26
Decisin
No significativo
Significativo
Significativo
Significativo
No significativo
No significativo
Ejercicios
1.- En qu situaciones se aplica un diseo en bloques completos al azar?
En qu
diferentes los factores de tratamiento y de bloque?
2.- Se hace un estudio sobre la efectividad de tres marcas de atomiz
ador para matar
moscas. Para ello, cada producto se aplica a un grupo de 100 moscas,
y se cuenta el
nmero
de moscas muertas expresando en porcentajes. Se hicieron seis r
eplicas, pero
en das diferentes; por ello, se sospecha que puede haber algn efecto importante de
bido
a esta fuente de variacin. Los datos obtenidos se muestran a continuacin.
92
CAPTULO 3
Diseo de bloques
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Marca del atomizador Nmero de replicas (da)
A
B
C
72
55
64
65
59
74
67
68
61
75
70
58
62
53
51
73
50
69
a)
b)
c)
d)
GL
2
5
10
17
SC
296,33
281,33
514,33
1092,00
MC
148,167
56,267
51,433
F
2,88
1,09
P
0,103
0,421
a)
En el ANOVA para los diferentes das de los spray se acepta la hiptesis nula
de que no importa el da, es decir son iguales
3.- A continuacin se muestran los datos para un diseo en bloque al azar
Tratamiento Bloque
1 2 3 4
A
B
C
3
7
4
4
9
6
2
3
3
6
10
7
ANLISIS DE VARIANZA
Origen de las variaciones Suma de cuadrados Grados de libertad Promedio de los c
uadrados F Probabilidad Valor crtico para F
Filas 296,3333333 2 148,1666667 2,88075178 0,102804418 4,102821015
Columnas 281,3333333 5 56,26666667 1,09397278 0,420717751 3,325834529
Error 514,3333333 10 51,43333333
Total 1092 17
Diseo en bloques completos al azar
93
a) valor-p = 0,0057
, es decir existe
diferencia entre los tratamientos
valor-p = 0,0032
, el factor de bloque (tratamientos) tambin af
ecta, es
decir, existen diferencias entre el bloque, por lo que se rechaza la
b)
=
=
c)
Diferencia poblacional
Diferencia muestral
-3,5 1,65
-1,25 1,65
2,25 1,65
Decisin
Significativo
No Significativo
Significativo
5.- En una empresa lechera se tienen varios silos para almacenar leche (ciste
rnas de 60
000 L). Un aspecto crtico para que se conserve la leche es la temper
atura de
almacenamiento. Se sospecha que en algunos silos hay problemas, por el
lo, durante
cinco das se decide registrar la temperatura a cierta hora crtica. Obvi
amente la
1,7
4,4
0,5
0,4
0,6
2,0
1,2
2,0
1,5
4,1
1,1
1,8
1,3
3,4
a) Seale el nombre del diseo experimental utilizado
b) Formule la hiptesis que se quiere probar en este problema
c) Realice el anlisis estadstico ms apropiado para estos datos y obtenga
conclusiones.
Diseo en bloques completos al azar
95
Los tratamientos
El factor de bloque I (renglones)
El factor de bloque II (columnas)
El error aleatorio
3
.
.
k
A = Y
111
B = Y
221
C = Y
331
.
.
K = Y
kk1
B = Y
212
C = Y
322
D = Y
432
.
.
A = Y
1k2
C = Y
313
D = Y
423
E = Y
533
.
.
B = Y
2k3
K = Y
K1K
A = Y
12K
B = Y
23K
.
.
J = Y
JkK
Ahora se necesitan al menos tres subndices, por ejemplo, la respuesta
Y
313
se
gener en el tratamiento tres (C), en el primer nivel del factor rengln
y en el tercer
nivel del factor columna.
El modelo estadstico para describir el comportamiento de las observaciones est
dado por
donde
es la observacin del tratamiento , en el nivel , del factor rengln y
en el
nivel del factor columna;
es el error atribuible a dicha observacin. De acuerdo
con este modelo, la variabilidad total presente en los datos se puede descompone
r como
y del factor
96
CAPTULO 3
Diseo de bloques
Columnas
Error
Total
SC
TRAT
SC
B1
SC
B2
SC
E
SC
T
k 1
k 1
k 1
(k 2)(k 1)
k
2
- 1
CM
TRAT
CM
B1
CM
B2
CM
E
B
C
D
A
C
D
A
B
D
A
B
C
B
A
D
C
B
D
A
C
C
D
B
A
C
A
D
B
D
C
A
B
D
C
B
A
A
B
C
D
B
A
D
C
C
D
A
B
D
C
B
A
Diseo en cuadro latino
97
Ejemplo.
Comparacin de cuatro marcas de llantas. Una compaa de mensajera est
interesada en determinar cul marca de llantas tiene mayor duracin en trm
inos del
desgaste. Para ello se planea un experimento en cuadro latino, en el que se comp
aran las
cuatro marcas de llantas sometindolas a una prueba de 32 000 kilmetros de recorrid
o,
utilizando cuatro diferentes tipos de auto y las cuatro posiciones posibles de
las llantas
en el auto. As, el factor de inters es el tipo de llantas o marca,
y
se controlan dos
factores de bloque: el tipo de carro y la posicin de la llanta en el auto. Estos
factores de
bloque se controlan ya que, por experiencia, se sabe que el tipo de carro y l
a posicin
de la llanta tienen efecto en el desgaste de la misma.
La eleccin del cuadro latino a utilizar se hace antes de obtener los
datos. Para
ello, a partir de un cuadro latino
inicial se aleatorizan las colum
nas y los renglones;
despus, las diferentes marcas de llantas se asignan de manera aleatoria
a las letras
latinas que denotan los niveles del factor de inters
Posicin Carro
1 2 3 4
1
2
3
4
C = 12
B = 14
A = 17
D
D
C
B
A
A
D
C
B
B
A
D
C
=
=
=
=
=
=
=
=
=
=
=
=
=
13
11
12
14
14
13
11
10
13
8
3
9
9
CAPTULO 3
Diseo de bloques
4,76
0,023 4,76
Total 155,9375 15
Se observa que nuestro punto critico tanto para la posicin, el tipo
de carro y las
marcas es de 4,76. Concluimos que en las marcas y posicin no existe evidencia de
que
esta influya por lo que se acepta la hiptesis nula de que son iguale
s a un nivel de
significancia de = 0,05. En cuanto al tipo de carro observamos que este si inf
luye en
el desgaste de las llantas por lo que rechazamos la hiptesis nula
Resultado arrojado en Minitab
Modelo lineal general: Desgaste vs. Posicin, Carro, Marcas
Factor
Posicin
Carro
Marcas
Fuente
P
Posicin
,431
Carro
0,023
Marcas
0,775
Error
Total
Tipo
fijo
fijo
fijo
GL
Niveles
4
4
4
SC sec.
3
3
3
Valores
1, 2, 3, 4
1, 2, 3, 4
A, B, C, D
SC ajust.
16,188
16,187
103,688
103,688
5,687
6
15
30,375
155,938
MC ajust.
5,687
30,375
5,396
34,563
1,896
5,062
1,07
6,83
0,37
Bloque 1
(filas)
Bloque 2
(columnas)
Error
Total
99
=
=
=
=
12
14
17
13
D
C
B
A
=
=
=
=
11
12
14
14
A
D
C
B
=
=
=
=
13
11
10
13
B
A
D
C
=
=
=
=
8
3
9
9
suma
de los datos
total de medicin
media global
Suma total por Tratamiento (
Sumatoria de las letras A,B,C y D
correspondientes
47
49
43
44
Suma total por fila Bloque 1 (
44
Suma total por
40
50
columna Bloque II
49
(
56
51
47
29
4.- Cuadrados medios de tratamientos, del bloque 1, del bloque 2 y del error
100
CAPTULO 3
Diseo de bloques
5- Estadstico de prueba
101
d
u
o
1 0 -1 -2 -3
4
3
2
1
0
Residuo
F
r
e
c
u
e
n
c
i
a
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
1
0
-1
-2
-3
Orden de observacin
R
e
s
i
d
u
o
Grfica de probabilidad normal vs. ajustes
Histograma vs. orden
Grficas de residuos para Desgaste
Ejercicios
1.- Las letras A, B, C y D representan cuatro variedades de trigo;
los renglones
representan cuatro diferentes fertilizantes; y las columnas 4 anos dife
rentes. Los datos
de la siguiente tabla son los rendimientos para las cuatro variedades
de trigo, medidas
en kilogramos por parcela. Se supone que las diversas fuentes de vari
acin no
interactan. Utilice un nivel de significancia de 0.05 para probar la
; no hay
diferencia en los rendimientos promedio de las cuatro variedades de trigo
Rendimiento del trigo (kg por parcela)
Tipo
fijo
fijo
fijo
Niveles
4
4
4
Valores
1, 2, 3, 4
1, 2, 3, 4
A, B, C, D
Fuente
GL
SC sec.
SC ajust.
Fertilizantes 1981 1982
1983 1984
Fertilizante 1 A
70
B
75
C
68
D
81
Fertilizante 2 D
66
A
59
B
55
C
63
Fertilizante 3 C
59
D
66
A
39
B
42
Fertilizante 4 B
41
C
57
D
39
A
55
102
CAPTULO 3
Diseo de bloques
MC ajust.
demasiado grande para concluir que las variedades de trigo afectan de manera
significativa el rendimiento.
2.- El departamento de matemticas de una universidad desea evaluar las
capacidades
de enseanza de cuatro profesores. A fin de eliminar cualquier efecto d
ebido a los
diferentes cursos de matemticas y los diferentes horarios, se decide re
alizar un
experimento con el uso de un diseo de cuadros latinos en que las let
ras A, B, C y D
representan a los cuatro diferentes profesores. Cada profesor ensena una seccin d
e cada
de cuatro diferentes cursos programados en cada uno de los cuatro dif
erentes horarios
durante el da. Los datos muestran las calificaciones asignadas por estos profesor
es a 16
estudiantes de aproximadamente igual capacidad. Utilice un nivel de sig
nificancia de
0,05 para probar la hiptesis de que los diferentes profesores no tiene
n efecto en las
calificaciones.
Horario Curso
lgebra Geometra Estadstica Clculo
1
2
3
4
A 84
B 91
C 59
D 75
B 79
C 82
D 70
A 91
C 63
D 80
A 77
B 75
D 97
A 93
B 80
C 68
3.- Una empresa fabricante quiere investigar los efectos de cinco
lor en el
tiempo de fraguado de una mezcla de concreto nueva. Las
n el tiempo de
fraguado se pueden esperar de los cambios diarios en la
humedad y
tambin de los diferentes trabajadores que preparan los moldes de
minar
estas fuentes externas de variacin se utiliza un diseo
de 5 x 5 en el
que las letras A, B, C, D y E representan los cinco aditivos. Los
guado, en
aditivos de co
variaciones e
temperatura y
prueba. Para eli
de cuadro latino
tiempos de fra
103
3
4
5
A
C
B
D
E
B
E
A
C
D
D
A
C
E
B
C
D
E
B
A
E
B
D
A
C
8
11
4
6
4
7
2
9
8
2
1
7
10
6
3
7
3
1
6
8
3
8
5
10
8
104
CAPTULO 3
Diseo de bloques
donde
es la observacin o respuesta que se encuentra en el tratamiento (-sima
letra latina), en el rengln , en la columna y en la -sima letra griega;
es el efecto
del tratamiento ,
es el efecto del rengln ,
representa el efecto de la columna y
representa el efecto de la -sima letra griega, que son los niveles del tercer f
actor
de bloque; el trmino
representa el error aleatorio atribuible a la medicin
.
Es importante no confundir las letras griegas del modelo que represent
an efectos, con
las letras griegas en el diseo que simbolizan a los niveles del terce
r factor de bloque.
La variabilidad total presente en los datos se puede partir de la manera usual c
omo
105
k-1
k-1
k-1
k-1
(k-3)(k-1)
Ejemplo
En el caso del ejemplo donde se comparan los cuatro mtodos de ensamble y se tiene
el
factor de bloque operador, se podran tener dos factores de bloque adicionales:
- Orden en el que se hace el ensamble
- Lugar donde se hace
De acuerdo con esto, el diseo en cuadro grecolatino se observa en la
siguiente
tabla.
106
CAPTULO 3
Diseo de bloques
83,5
18,5
9,5
2,0
3,5
117,0
3
3
3
3
3
15
27,8333
6,16667
3,16667
0,666667
1,16667
23,86
5,29
2,71
0,57
0,0135
0,1024
0,2170
0,6714
9,28
Resultado arrojado en Minitab
Modelo lineal general: promedio vs. Mtodo; operador; orden; lugar
Factor
Mtodo
operador
orden
lugar
Fuente
GL SC sec. SC ajust.
Mtodo
3
9,500
9,500
operador 3 18,500
18,500
orden
3 83,500
83,500
lugar
3
2,000
2,000
Error
3
3,500
3,500
Total
15 117,000
S = 1,08012
R-cuad. = 97,01%
MC ajust. F
3,167 2,71
6,167 5,29
27,833 23,86
0,667 0,57
1,167
P
0,217
0,102
0,014
0,671
R-cuad.(ajustado) = 85,04%
rgo, en este
experimento fue imposible detectarlo. Si contrastamos con respecto a F critica
para los
cuatro casos F en tablas es F = 9,28,
por lo cual se rechaza la
hiptesis nula para
mtodo, en cuanto para operador, orden y lugar se acepta.
107
medias y
diagrama de dispersin.
d) Cul es la mejor ruta? Cul es la peor?
e) Hay diferencias significativas entre los choferes? Y entre el tipo o
marca de
unidad?
2.El rendimiento de un proceso qumico se midi utilizando cinco lote
s de materia
prima, cinco concentraciones del cido, cinco tiempos de procesamiento (A, B, C, D
y
E) y cinco concentraciones del catalizador ( , ). Se us el cuadrado grecolatino
siguiente. Analizar los datos de este experimento (utilizar
y sacar
conclusiones.
Concentracin de cido
Lote 1 2 3 4 5
1
2
3
4
5
A
26
B
18
C, 20
D
15
E,
10
B,
16
C
21
D, 12
E
15
A,
24
C,
19
D,
18
E
16
A
22
B,
17
D
16
E, 11
A,
25
B
14
C,
17
E,
13
A,
21
B
13
C
17
D,
14
108
CAPTULO 3
Diseo de bloques
= 0,05)
109
C, D, A, B, B, C, D, A, A, B, C, D, D, A, B, C
i) En la cuarta columna se anota los valores correspondientes a la respuesta, e
s
decir, el desgaste. 12, 11, 13, 8, 14, 12, 11, 3, 17, 14, 10, 9, 13, 14, 13, 9
j) Ahora en Estadsticas de Minitab, seleccionar ANOVA, luego
Modelo
linear general.
k) En respuesta seleccionar la columna cuatro (desgaste) dando dos clic con el
ratn, luego en Modelo, indicar con dos clic del ratn, carro, marca y
desgaste (recordar que esto se hace en el cuadro principal de la izq
uierda
quedando de manera continua sin comas, pero con su espacio de separacin)
l) En factores aleatorios se deja en blanco, y se indica aceptar, y obtendr
emos
el resultado
1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4
segunda columna se anota el operador (para el ejemplo de r
es
repeticin 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4
CAPTULO 3
Diseo de bloques
111
15/11/2011 11:26:49
SC sec.
9,500
18,500
83,500
2,000
3,500
117,000
S = 1,08012
R-cuad. = 97,01%
112
CAPTULO 4
SC ajust.
9,500
18,500
83,500
2,000
3,500
MC ajust.
3,167
6,167
27,833
0,667
1,167
P
0,217
0,102
0,014
0,671
R-cuad.(ajustado) = 85,04%
Diseos factoriales
F
2,71
5,29
23,86
0,57
4.1.
4.2.
4.3.
4.4.
4.5.
Diseos factoriales
113
tores sobre
una o varias respuestas o caractersticas de calidad y determinar una c
ombinacin de
niveles de los factores en la cual el desempeo del proceso sea mejor
que en las
condiciones de operacin actuales; es decir, encontrar nuevas condiciones de opera
cin
del proceso que eliminen o disminuyan ciertos problema de calidad en
la variable de
salida.
Los factores pueden ser de tipo cualitativo (mquinas, tipos de material
,
operador, la presencia o ausencia de una operacin previa, etc.), o de t
ipo cuantitativo
(temperatura, humedad, velocidad, presin, etc.). Para poder estudiar la m
anera en que
incluye cada factor sobre la variable respuesta, es necesario elegir al menos do
s niveles
de prueba para cada uno de ellos (tres mquinas, dos operadores, tres ve
locidades, dos
temperaturas, etc.). Con el diseo factorial completa se corren aleatoria
mente en el
proceso todas las posibles combinaciones que pueden formarse con los n
iveles
seleccionados.
Un diseo de experimentos factorial o arreglo factorial es el conjunto de puntos
experimentales o tratamientos que pueden formarse considerando todas las
posibles
combinaciones de los niveles de los factores. Por ejemplo, con k = 2
factores, ambos
con dos niveles de prueba, se forma el diseo factorial
, que consiste de
cuatro combinaciones o puntos experimentales.
Considerando otra vez k = 2 factores, pero ahora uno con tres niveles
y el otro
con dos niveles, se pueden construir 3 x 2 combinaciones que dan lug
ar al diseo
factorial 3 x 2. Observe que en el nombre del diseo factorial va implcita el nmero
de
tratamientos que lo componen. Para obtener el nmero de corridas experim
entales se
multiplica el nmero de tratamientos por el nmero de rplicas, donde una
rplica se
lleva a cabo cada vez que se repite el arreglo completo.
Ms en general, la familia de diseos factoriales
consiste de k factores, todos
con dos niveles de prueba; y la familia de diseos factoriales
consiste de k factores
114
CAPTULO 4
Diseos factoriales
no tienen
cantidad de
cribirse el
producto de
tro
niveles y
ial
la misma
niveles, entonces no se puede factorizar de esta forma, y debe es
manera ms explcita: por ejemplo con k = 3 factores, el primero con cua
los dos restantes con dos niveles, se tiene el diseo factor
28
41
63
45
Para los datos de la tabla 4.1, los efectos principales estn dados por
Diseos factoriales con dos factores
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Efecto A =
115
Efecto B =
El factor
ror
(
) seala que se necesitan al menos dos rplicas del experimento para cal
cular ese
componente y, por ende, para construir una tabla de ANOVA. Recordemos
que las
sumas de cuadrados divididas entre sus correspondientes grados de liber
tad se llama
cuadrados medios . Al dividir stos entre el cuadrado medio del error
se
obtienen estadsticos de prueba con distribucin F. Toda esta
se sintetiza
en la siguiente tabla:
ANOVA para el diseo factorial
FV SC GL CM
Valor-p
Efecto A
Efecto B
Efecto AB
Error
Total
informacin
117
y al final, al restar stas del total, se obtiene la suma de cuadrados del error c
omo:
Ejemplo
Consideremos un experimento en el que se quiere estudiar el efecto de
los factores A:
profundidad de corte sobre el acabado de un metal y B: velocidad de
alimentacin.
Aunque los factores son de naturaleza continua, en este proceso slo se
puede trabajar
en 4 y 3 niveles, respectivamente. Por ello, se decide correr un factorial compl
eto 4 x 3
con tres rplicas, que permitir obtener toda la informacin relevante en r
elacin al
efecto de esos factores sobre el acabado. Al aleatorizar las 36 prueb
as se obtienen los
datos de la siguiente tabla:
118
CAPTULO 4
Diseos factoriales
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
P
r
o
f
u
n
d
i
d
a
d
0,20 0,25 0,30 Total
0,15
64
60
92
86
88
99
98
102
763
0,18
68
73
98
104
88
104
99
95
808
0,21
88
92
99
108
95
108
110
99
74
198
266
299
79
220
290
298
82
262
302
317
881
0,24 99
104 299
96
104
110
99
114
111
107
313
332
944
Total
979 1 171 1 246
La suma de cuadrados totales y la suma de cuadrados del error estn dadas por
119
operacin o
tratamiento que convienen es profundidad y velocidad bajas (
).
El ANOVA de la tabla 5.2 se dice que no est desglosado, ya que cuando en un
experimento hay factores cuantitativos con ms de dos niveles, el ANOVA
se puede
desglosar para estudiar con mayor detalle en el efecto de tal factor.
Tabla 5.2 ANOVA para el ejemplo
FV SC GL CM
Valor-p
B: velocidad
A: profundidad
AB
Error
Total
3 160.5
2 125,10
557,07
689,33
6 532,0
2
3
6
24
35
1 580,25
708,37
92,84
28,72
55,02
24,66
3,23
0,0000
0,0000
0,0180
El planteamiento de hiptesis quedara de la siguiente manera:
Con su nivel de significancia como con sus grados de libertad respect
ivamente
tenemos que el valor de F crtica es:
y
Se concluye que
Se rechaza
Se rechaza
Se acepta
Rplicas:
3
Total de corridas: 36
Total de bloques:
1
Nmero de niveles: 4; 3
Modelo lineal general: RESPUESTA vs. PRFUNDIDAD; VELOCIDAD
Factor
Tipo
PRFUNDIDAD A fijo
VELOCIDAD B fijo
Niveles
4
3
Valores
0.15; 0.18; 0.21; 0.24
0.20; 0.25; 0.30
GL
3
2
6
24
35
4
F
24,66
55,02
3,23
P
0,000
0,000
0,018
Entonces es, los seis pares de hiptesis para comparar las medias del
factor A son:
Para probar estas hiptesis con el mtodo LSD habra que calcular las
diferencias muestrales en el valor absoluto y compararlas con la difer
encia mnima
significativa. Cabe aclarar que este anlisis es engaoso cuando el efecto de intera
ccin
es significativo. Por ello, y slo por ilustrar el mtodo, se prueban la
s hiptesis del
factor A ignorando por el momento la interaccin. La diferencia mnima si
gnificativa
para comparar los niveles
del factor A, est dada por:
Donde
es el punto porcentual 100(
de la distribucin T de
Student,
los grados de libertad del cuadrado medio del error,
y
son el
total de observaciones en los niveles
del factor A, que estn compara
ndo. De esta
manera, en el ejemplo, como es un diseo balanceado
=
= 9; entonces,
Comparacin de medias
121
4,5
4.9,
3.7,
4.9,
6.1,
5.0,
4.3
5.4
4.0
5.6
6.3
5.0
12.8
15.9
11.5
15.9
18.2
15.5
Resultado en Minitab
Rplicas:
3
Total de corridas: 18
Total de bloques:
1
Nmero de niveles: 3; 2
Modelo lineal general: Respuesta vs. Tapaporo; Adherencia
Factor
Tapaporo
122
R-cuad. = 90,79%
SC ajust. MC ajust.
4,5811
2,2906
4,9089
4,9089
0,2411
0,1206
0,9867
0,0822
F
P
27,86 0,000
59,70 0,000
1,47 0,269
R-cuad.(ajustado) = 86,96%
Dado que utilizamos un = 0.05 y puesto que el valor de tanto para el factor
A (tipo de pintura) como para el factor B(tipo de aplicacin), con su
nivel de
significancia como con sus grados de libertad respectivamente tenemos
y
. Se concluye que los efectos principales del tipo de pintura
tapaporo y del mtodo de aplicacin afectan la fuerza de adherencia. Adems
, puesto
que 1,5
, no hay indicios de interaccin entre estos factores. En la
ltima columna del ANOVA se muestra el valor P para cada cociente F. Obsrvese que
los valores P de los dos estadsticos de prueba para los efectos princ
ipales son
considerablemente menores que 0,05 mientras que el valor P para el es
tadstico de
prueba de la interaccin es mayor que 0,05.
Se rechaza
Se rechaza
Se acepta
110
160
174
150
120
139
96
82
104
60
a) Pruebe las hiptesis apropiadas y saque conclusiones utilizando el anlisis de
Ejercicios
123
CAPTULO 4
Diseos factoriales
arse
depende del nmero de niveles utilizando en cada factor. Por ejemplo, s
i un factor se
prueba en dos niveles, todo su efecto marginal (individual) es lineal, o sea que
su efecto
individual no se puede descomponer; pero, si tuviera tres niveles su efecto mar
ginal se
puede descomponer en una parte lineal y otra cuadrtica pura.
En resumen, se tienen siete efectos de inters sin considerar desglose, y con el
los
se pueden plantar las siete hiptesis nulas
cada una aparejada con su correspondiente hiptesis alternativa. El ANOVA para pro
bar
estas hiptesis se muestran en la siguiente tabla.
ANOVA para el diseo a x b x c
FV SC GL CM
Valor-p
Efecto A
Efecto B
Efecto C
Efecto AB
Efecto AC
Efecto BC
Efecto ABC
Error
Total
n subndice
adicional para el tercer factor, y comenzando otra vea, por la suma t
otal de cuadrados,
stas resultan ser:
125
Al restar stas del total, la suma de cuadrados del error resulta ser
60, 75, 75
86, 70, 70
67, 73, 73
67, 68, 68
62, 68, 65
76,
71,
72,
76,
70,
75,
75,
65,
80,
80,
71,
68,
75,
75,
65
80
80
75
73
75
77
55, 53, 53
55, 55, 55
52, 52, 57
52, 54, 54
44, 44, 45
48, 48, 45
60, 60, 60
67, 67, 65
52, 51, 50
52, 48, 54
56, 55, 57
59, 50, 55
Los niveles de prueba para cada factor, tanto en unidades originales
como en
unidades codificadas, se muestran en la siguiente tabla
126
CAPTULO 4
Diseos factoriales
40
0
60
30
-1
-1
-1
0
1
1
1
El anlisis de
tabla. De
aqu se concluye
su valor-p es
mayor que . Por
AB y en
menor medida BC.
Los efectos
que no influyeron
VA
simplificado, pero
en ambos ANOVAS es
prcticamente igual. En general se recomienda interpretar slo los efectos significa
tivos.
Diseo factorial de mltiples niveles
Factores:
3
Corridas base: 12
Bloques base:
1
Rplicas:
6
Total de corridas: 72
Total de bloques:
1
Nmero de niveles: 3; 2; 2
Modelo lineal general: Respuesta vs. Suspensin; Abertura de malla; ...
Factor
Tipo Niveles Valores
Suspensin
fijo
3 A1; A2; A3
Abertura de malla fijo
2 B1; B2
temperatura
fijo
2 C1; C2
Anlisis de varianza para Respuesta, utilizando SC ajustada para pruebas
Fuente
GL SC sec.
P
Suspensin
2
13,86
Abertura de malla
1 480,50
0
temperatura
1 6086,72
0
Suspensin*Abertura de malla
2 788,25
Suspensin*temperatura
2
40,86
Abertura de malla*temperatura 1
56,89
9
Suspensin*Abertura de malla* 2
31,03
temperatura
Error
60 841,67
Total
71 8339,78
S = 3,74537
R-cuad. = 89,91%
SC ajust. MC ajust.
13,86
480,50
6,93
480,50
6086,72
6086,72
788,25
40,86
56,89
394,13
20,43
56,89
28,10 0,000
1,46 0,241
4,06 0,04
31,03
15,51
1,11 0,338
841,67
14,03
R-cuad.(ajustado) = 88,06%
0,49 0,613
34,25 0,00
433,90 0,00
127
Se acepta
Se rechaza
Se rechaza
Se rechaza
Se acepta
Se rechaza
Ejercicios
1.- Se investigan el porcentaje de la concentracin de madera dura en la pulpa cru
da, la
libertad de orientacin de la fibra o lof, y el tiempo de coccin de la pulpa en
cuanto a
sus efectos sobre la resistencia del papel. En la siguiente tabla se muestran lo
s datos de
un experimento factorial con tres factores.
Porcentaje de la
tiempo de coccin
Concentracin de
Madera dura
350
500
10
350
500
650
650
96.6
97.9
99.4
2.0 horas de
98.4
99.6
1000.6
96.0
98.6
100.4
96.0
15
98.5
97.5
98.7
96.0
96.0
96.9
97.5
97.0
95.6
97.8
97.4
98.5
96.6
98.4
97.6
99.0
20
97.6
98.4
99.0
97.2
98.1
99.8
100.9
96.2
98.1
99.8
36
35
39
50
34
38
36
36
31
60
28
37
26
34
34
128
2
23
3
27
31
24
38
28
32
23
25
26
28
28
34
33
37
34
35
38
34
39
36
39
35
35
28
35
26
26
36
24
35
27
29
27
34
25
25
Diseos factoriales
24
36
CAPTULO 4
Oper
Rapidez de
alimentacin
Profundidad del corte
0.025 pulgada 0.04 pulgada
ngulo de la herramienta
15 25 15 25
30 pulg/min 9
7
11
10
9
11
10
8
30 pulg/min 10
12
10
13
12
15
16
14
a) Analice los datos usando el anlisis de varianza bajo el supuesto d
e que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a
4.3. Diseo factorial general
Lo que se ha dicho para los dos diseos factoriales con 2 y 3 factores puede exten
derse
fcilmente para cuando se tienen ms factores. Considerarse factores A, B,
C,, K
con niveles
respectivamente, donde la letra K denota al -simo o ltim
o
factor del conjunto a estudiar, no necesariamente el undcimo, que es e
l lugar de esta
letra
en el alfabeto. Con estos niveles y factores se puede construi
r el diseo factorial
general
que consiste de
tratamientos o puntos de prueba.
Con este diseo se pueden estudiar efectos principales,
interacciones
dobles,
interacciones triples, y as sucesivamente hasta la
nica interaccin de los factores (ABCK). El clculo del nmero de interaccion
es
129
se pueden
plantear
hiptesis que se prueban mediante el anlisis de varianza. Si se tienen
rplicas. Las primeras tres columnas de este ANOVA se muestran en la siguiente tab
la
ANOVA para el diseo factorial general
FV SC GL
Error
Total
130
CAPTULO 4
Diseos factoriales
cuando los niveles del factor mquinas son las cuatro mquinas existentes.
O bien,
cuando se comparan tres tipos de material porque son los que interesa comprar a
unque
existan otros materiales de ese tipo. Con factores fijos, las conclusiones obt
enidas slo
son validas para los niveles de prueba que se estudian en el experimento.
En ocasiones, los niveles de prueba son una muestra aleatoria de la poblacin de
niveles posibles. En este caso es ms apropiado utilizar un modelo de efectos o fa
ctores
aleatorios. Un ejemplo de esta situacin es cuando se prueban cinco ins
trumentos de
medicin, pero la poblacin de los mismos es de 100 instrumentos; obviame
nte, no es
posible experimentar con todos los equipos. Entonces se experimenta slo con cinco
de
ellos elegidos al azar, y las conclusiones obtenidas se infieren como
vlidas para la
poblacin entera de instrumentos.
La aplicacin de un modelo de efectos aleatorios conlleva la necesidad
de
considerar la incertidumbre asociada con la eleccin aleatoria de los niveles d
e prueba.
Es decir, ya no tiene sentido, para un factor A, preocuparse por el
efecto
del nivel
Modelo de efectos aleatorios
131
+
+
donde
,
,
son las contribuciones de cada efecto a la variacin total y se llaman
componentes de varianza;
es el componente de varianza debido al error aleatorio.
Las hiptesis de inters son
Los clculos necesarios para probar estas hiptesis involucran las mismas sumas
de cuadrados del modelo de efectos fijos (diseos factoriales con dos f
actores), de las
cuales se obtienen los correspondientes cuadrados medios. Para obtener los estads
ticos
de prueba
apropiados debe tomarse en cuenta que los valores esperados de los
cuadrados medios son
132
CAPTULO 4
Diseos factoriales
Ejemplo
En una compaa dedicada a la fabricacin de bombas y vlvulas, algunos componentes
crticos tienen tolerancias muy estrechas que son difciles de cumplir. De
aqu que sea
necesario estimar el error de medicin con el fin de ver la posibilidad de reducir
lo para
cumplir con las especificaciones. El ancho de una pieza particular es una cara
cterstica
de calidad crtica, cuyas especificaciones son 69 0,4mm. Se eligen dos i
nspectores al
azar y siete piezas para correr un experimento, a fin de estimar la
contribucin de los
inspectores, de las piezas y del error aleatorio (repetibilidad) en la
variabilidad total
observada. El experimento utilizado se muestra en la siguiente tabla:
133
Ntese que cada inspector mide dos veces cada pieza. Sean los inspect
ores el
factor A y las piezas el factor B, el primero con dos niveles y el
0,0052
0,0069
0,069
24,07
0,75
0,8043
0,0000
0,6169
Las tres primeras columnas se obtienen igual que el modelo de efectos
fijos,
pero las dos ltimas deben corregirse de acuerdo con el estadstico de prueba apropi
ado
para un modelo de efectos aleatorios (
).
Los valor-p indican que la variabilidad de las piezas es
estadsticamente diferente a cero, mientras que la variabilidad de los inspectores
y de la
interaccin inspector x pieza no es significativa (es igual a cero). De
sde el punto de
vista del objetivo del experimento, los resultados del ANOVA son los
deseados: la
reproducibilidad (
+
) es estadsticamente igual a cero, es decir, los inspectores no
afectan el proceso de medicin. La estimacin de los componentes de varianza, a part
ir
de los cuadros medios, queda como:
134
CAPTULO 4
Diseos factoriales
l y Crear
diseo factorial como se presenta en la siguiente Figura.
2.
Como consecuencia de la accin anterior le debe aparecer la siguie
nte pantalla
<<Crear diseo factorial>>. El
paso en esta pantalla ser seleccionar en
Tipo de
diseo la casilla de Diseo factorial completo general luego escoger el nm
ero de
factores considerados en el experimento (en nuestro ejemplo son dos factores:
A y B),
por tanto en la casilla <<Nmero de factores>> usted deber tener el nmero 2. Luego
Uso de software
135
4.
De vuelta en la pantalla <<Crear diseo factorial>>. Seleccionar fa
ctores y
aparecer una siguiente ventana.
136
CAPTULO 4
Diseos factoriales
Uso de software
137
138
CAPTULO 5
Series de tiempo
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
Anlisis de fluctuaciones
Anlisis de tendencia
Anlisis de variaciones cclicas
Medicin de variaciones estacionales e irregulares
Aplicacin de ajustes estacionales
Pronsticos basados en factores de tendencia y estacionales.
Series de tiempo
139
Desde luego que se deben considerar los datos reales de ventas del producto
en
periodos pasados. Con tales datos histricos podemos identificar el nivel
general de
ventas y cualquier tendencia, como aumento o disminucin en el volumen a
travs del
tiempo. Por ejemplo, un examen ms detallado de los datos puede revelar
un
comportamiento estacional, como el de los picos que se presentan en el tercer tr
imestre
de cada ao y los mnimos durante el primer trimestre. Al repasar los datos histricos
se
puede, con frecuencia, adquirir una mejor comprensin de la tendencia de las venta
s en
el pasado para poder pronosticar las ventas del producto en el futuro
de una mejor
manera.
Las ventas histricas forman una serie de tiempo que es un conjunto
de
observaciones de una variable medida en puntos o periodos sucesivos en el tiempo
.
En esencia, existen dos enfoques de pronsticos: cualitativo y cuantitativo.
Los mtodos de pronstico cualitativos son importantes en especial cuando no
se dispone de datos histricos, como sera el caso de un departamento de
finanzas que
desea pronosticar los ingresos de una compaa nueva. Los mtodos de pronsti
co
cualitativos se consideran altamente subjetivos o basados en la opinin.
Incluyen el
mtodo de elaboracin de escenarios, la opinin de expertos y la tcnica Delphi.
Mtodo Delphi. El mtodo dlfico, desarrollado en principio por un grupo de
investigacin de la Rand Corporation. Trata de determinar pronsticos media
nte
consenso de grupo. En forma normal, a los miembros de un equipo de expertos, todos
ellos separados fsicamente y desconocidos entre s, se les pide contestar
una serie de
cuestionarios. Se tabulan las respuestas del primer cuestionario y stas
se usan para
preparar un segundo cuestionario que contiene la informacin y las opiniones de to
do el
grupo. A continuacin se pide a cada encuestado reconsiderar y, posiblemente, corr
egir
sus respuestas anteriores a la vista de la informacin obtenida con el grupo.
T
140
CAPTULO 5 Series de tiempo
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Este proceso continua hasta que el coordinador siente que ha alcanza
do
cierto nivel de consenso. El objetivo del mtodo dlfico no es llegar al resultado d
e una
sola respuesta, sino producir un conjunto compacto de opiniones dentro del cual
est la
mayora de los expertos.
Series de tiempo
141
Mtodo de pronostico
Cuantitativos
Causales
Serie temporal
Suavizamiento
Proyeccin de tendencia
Proyeccin de tendencia ajustada por
influencia estacional
Cualitativos
142
CAPTULO 5 Series de tiempo
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Figura 5.2 Grfica de ingresos netos reales (en miles de millones de dlares) de Eas
tman Kodak Company
(1975-1998)
(5.1)
donde, en el ao i
143
Estacional
Cclico
Irregular
Sistemtico
Sistemtico
Sistemtico
No
sistemtico
Patrn de movimiento
global o persistente, a
largo plazo hacia
arriba o hacia abajo.
Fluctuacin ms o menos
regular que ocurre en
cada periodo de 12 meses
cada ao.
Oscilacin o movimiento
repetitivo arriba o abajo
en cuatro 4 etapas;
pico(prosperidad),
contraccin (recesin),
fondo (depresin) y
expansin (recuperacin)
Fluctuacin errtica o
residual en una serie que
est presente despus de
tomar en cuenta los
efectos sistemticos (de
tendencia, estacional y
cclica)
Cambios en tecnologa,
poblacin, riqueza,
Valores.
Condiciones de clima,
costumbres sociales y
religiosas.
Interaccin de
numerosas
combinaciones de
factores que influyen en
la economa
Variaciones aleatorias
en los datos o debidas a
eventos no previstos
como huelgas,
huracanes,
inundaciones,
asesinatos polticos, tec.
Varios aos
Dentro de 12
meses (o datos
menstruales o
trimestrales).
De 2 a 10 aos
con diferente
intensidad en el
ciclo completo
Corta duracin y
sin repeticin.
5.2. Anlisis de fluctuaciones
El primer paso en un anlisis de series de tiempo, consiste en grafica
r los datos y
observar sus tendencias en el tiempo. Primero debe determinarse si par
ece haber un
movimiento hacia arriba o hacia abajo a largo plazo en la serie (una
tendencia) o si la
serie parece oscilar alrededor de una recta horizontal en el tiempo.
En este caso (es
decir, no hay tendencia positiva o negativa a largo plazo), puede emplearse el mt
odo de
promedios mviles o el de suavizacin exponencial para emparejar la serie y
Modelo multiplicativo clsico de series de tiempo para datos con
Componente estacional
(5.2)
donde
144
CAPTULO 5
Series de tiempo
145
22,9
25,5
5
21,9
6
23,9
7
27,5
8
31,5
29,7
9
28,6
1
3
Este crecimiento anual de las ventas a travs del tiempo muestra una t
endencia
creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser
una buena
aproximacin a la tendencia de las ventas de bicicletas. Aunque esa tendencia pare
ce ser
lineal y aumentar con el tiempo a veces, en una serie de tiempo, la tendencia s
e puede
describir mejor mediante otros patrones.
Figura 5.4 Tendencia lineal de las ventas de bicicletas
0
5
10
15
20
25
30
35
0 2 4 6 8 10 12
V
e
n
t
a
(
m
i
l
e
s
)
Ao
Anlisis de tendencia
147
B
C
y arriba
de la lnea de tendencia. Toda secuencia
a lnea
de tendencia, que dura ms de un ao, se
a
serie. La figura 5.6 es la grfica
ponente cclico
obvio. Las observaciones se hicieron con
Figura 5.6 Componente de tendencia y cclico de una serie de tiempo con datos anua
les
o
l
u
m
e
n
Lne
a de tendencia
Ti
empo
Muchas series se tiempo presentan comportamiento cclico con tramos regulares
de observaciones abajo y arriba de la lnea de tendencia. En general,
este
comportamiento de la serie se debe a movimientos cclicos de la economa
a travs de
varios aos. Por ejemplo, los periodos de inflacin moderada seguidos de
periodos de
148
CAPTULO 5 Series de tiempo
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
inflacin rpida pueden determinar series de tiempo que se alternan abajo
y arriba de
una lnea de tendencia ascendente en general (como la serie de tiempo de los cos
tos de
vivienda). Diversas series de tiempo de principios de la dcada de los
ochenta
presentaron este comportamiento
5.5. Medicin de variaciones estacionales e irregulares
Mientras que la tendencia y los componentes cclicos de una serie de t
iempo se
identifican analizando los movimientos de datos histricos a travs de varios aos,
hay
muchas series de tiempo que muestran un patrn regular dentro de un pe
riodo de un
ao. Por ejemplo, un fabricante de albercas inflables espera poca activi
dad de ventas
durante los meses de otoo e invierno, y ventas mximas en los de primavera y verano
.
Los fabricantes de equipo para la nieve y de ropa de abrigo esperan un comportam
iento
anual opuesto al del fabricante de albercas. No es de sorprender que el componen
te de la
serie de tiempo que representa la variabilidad en los datos, debida a
influencias de las
estaciones, se llama componente estacional. Aunque uno suele imaginarse
que un
movimiento estacional de una serie de tiempo sucede dentro de un ao,
tambin se
puede usar para representar cualquier patrn regularmente repetitivo cuya duracin
sea
menor de un ao. Por ejemplo, los datos diarios de intensidad de trfico
muestran un
comportamiento estacional dentro del mismo da, as se tiene que el flujo mximo se
presenta durante las horas de aglomeracin, el moderado durante el resto
del da y al
caer la noche, y el mnimo a partir de la medianoche hasta temprano por la maana.
El componente irregular de la serie de tiempo es el factor residual, mil usos,
que explica las desviaciones de la serie de tiempo real respecto a l
os factores
determinados por los efectos de la tendencia y los componentes cclicos y estac
ionales.
Se debe a factores a corto plazo, imprevisibles y no recurrentes que afecta a
la serie de
tiempo. Como este componente explica la variabilidad aleatoria de la s
erie, es
impredecible; de esta manera, no se puede esperar predecir su impacto sobre la s
erie de
tiempo
5.6. Aplicacin de ajustes estacionales
Una aplicacin frecuente de ndices estacionales es la de ajustar datos de serie de
tiempo
observados para eliminar la influencia del componente estacional en ell
os; se llaman datos con
ajuste estacional. Los ajustes estacionales son particularmente pertinente
s cuando se desea
comparar datos de diferentes meses para determinar si ha tenido lugar
un incremento
(o decremento) en relacin con las expectativas estacionales. Los valores de serie
de tiempo
mensuales (o trimestrales) observados se ajustan respecto de la influen
cia estacional dividiendo
cada valor entre el ndice mensual (o trimestral) de ese mes. El resultado se mult
iplica luego
por 100 para mantener la posicin decimal de los datos originales. La serie que re
sultante se
llama ventas desestacionalizadas o ventas ajustadas estacionalmente.
Suavizacin
149
dimiento, los
totales trimestrales de ventas de la empresa
Tabla 5.2 Ajuste para datos trimestrales
Ao Trimestre Ventas ndice
estacional
Ventas
desestacionalizadas
1996 Invierno
Primavera
Verano
Otoo
6,7
4,6
10,0
12,7
0,765
0,575
1,141
1,519
8,76
8,00
8,76
8,36
1997 Invierno
Primavera
Verano
Otoo
6,5
4,6
9,8
13,6
0,765
0,575
1,141
1,519
8,50
8,00
8,59
8,95
1998 Invierno
Primavera
Verano
Otoo
6,9
5,0
10,4
14.1
0,765
0,575
1,141
1,519
9,02
8,70
9,11
9,28
1999 Invierno
Primavera
Verano
Otoo
7,0
5,5
10,8
15,0
0,765
0,575
1,141
1,519
9,15
9,57
9,46
9,88
2000 Invierno
Primavera
Verano
Otoo
7,1
5,7
11,1
14,5
0,765
0,575
1,141
1,519
9,28
9,92
9,72
9,55
2001 Invierno
Primavera
Verano
Otoo
8,0
6,2
11,4
14,9
0,765
0,575
1,141
1,519
10,46
10,79
9,99
9,81
A fin de eliminar el efecto de la variacin estacional, la cantidad es
tacional, la
cantidad de ventas para cada trimestre (que contiene efectos de tenden
cia, cclicos,
irregulares y estacinales) se divide entre el ndice estacional de ese t
rimestre; esto es,
TSCI/S.
Por ejemplo, las ventas reales para el primer trimestre de 1996 fuero
n 6.7
millones de dlares, el ndice estacional par el trimestre de invierno es
76.5 el ndice
76.5 indica que las ventas en el primer trimestre normalmente se encu
entran 23.5%
abajo del promedio de un trimestre normal. Dividiendo las ventas reale
s $6.7 millones
CAPTULO 5
Series de tiempo
isual de las
tendencias globales a largo plazo o movimientos de tendencia en la serie quedan
veladas
por la cantidad de variacin de un ao a otro. Entonces se vuelve difcil juzgar si en
esta
serie en realidad existe un efecto de tendencia positivo o negativo a largo plaz
o.
Tabla 5.3 Ventas de fbrica (en millones de unidades) Para la General Motors Co
rporation (1975-1998)
Ao
Ventas de fbrica
Ao
Ventas de fbrica
Ao
Ventas de fbr
ica
1975
1991
1976
1992
1983
7.8
8.6
1984
8.3
9.1
1985
9.3
9.5
1986
8.6
9.0
1987
7.8
7.1
1988
8.1
6.8
1989
7.9
6.2
1990
7.5
7.7
1977
1993
7.8
1978
1994
8.4
1979
1995
8.3
1980
1996
8.4
1981
1997
8.8
1982
1998
6.6
7.4
8.1
151
Promedios mviles
El mtodo de promedios mviles para suavizar una serie de tiempo es muy subjetivo
y
dependiente de L, la longitud del periodo seleccionado para calcular los promedi
os. Para
eliminar las fluctuaciones cclicas, el periodo elegido debe ser un valo
r entero que
corresponda a (o sea mltiplo de) la longitud promedio estimada de un
ciclo en una
+ + + +
El segundo promedio mvil de 5 aos se calcula con la suma de los valores de los aos
2 a 6 en la serie, dividida entre 5
PM (5) =
5
6 5 4 3 2
Y Y Y Y Y + + + +
Este proceso contina hasta calcular el ltimo promedio mvil de 5 aos con la suma de
los valores de los ltimos 5 aos en la serie (aos del 7 al 11), dividida entre 5.
PM (5) =
5
11 10 9 8 7
Y Y Y Y Y + + + +
Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegi
do
para construir los promedios mviles, debe ser un nmero de aos impar. Al seguir esta
regla se observa que no se pueden obtener promedios mviles para los p
rimeros (L
Ventas de fabrica para General Motors
0
2
4
6
8
10
1970 1980 1990 2000
Ao
U
n
i
d
a
d
e
s
(
m
i
l
l
o
n
e
s
)
152
CAPTULO 5
Series de tiempo
5.0
7.0
6.0
8.0
9.0
5.0
2.0
3.5
5.5
6.5
Calcule los promedios mviles de 5 aos para esta serie de tiempo anual.
Solucin
El primer promedio mvil de 5 aos es
PM (5) = 0 . 6
5
0 . 30
5
0 . 8 0 . 6 0 . 7 0 . 5 0 . 4
= =
+ + + +
Es decir, para calcular un promedio mvil de 5 aos, primero se obtiene la suma de l
os
cinco aos y se divide entre 5. Despus el promedio se centra en el va
lor medio, el
tercer ao de esta serie de tiempo. Los siguientes valores quedan de la siguiente
manera:
PM (5) = 0 . 7
5
0 . 35
5
0 . 9 0 . 8 0 . 6 0 . 7 0 . 5
= =
+ + + +
PM (5) = 0 . 7
5
0 . 35
5
0 . 5 0 . 9 0 . 8 0 . 6 0 . 7
= =
+ + + +
PM (5) = 0 . 6
5
0 . 30
5
0 . 2 0 . 5 0 . 9 0 . 8 0 . 6
= =
+ + + +
PM (5) = 5 . 5
5
5 . 27
5
5 . 3 0 . 2 0 . 5 0 . 9 0 . 8
= =
+ + + +
PM (5) = 0 . 5
5
0 . 25
5
5 . 5 5 . 3 0 . 2 0 . 5 0 . 9
= =
+ + + +
PM (5) = 5 . 4
5
5 . 22
5
5 . 6 5 . 5 5 . 3 0 . 2 0 . 5
= =
+ + + +
Estos promedios mviles se centran en sus respectivos valores medios, el quinto,
sexto
y sptimo aos de la serie de tiempo. Se observa que al obtener promedios mviles de 5
aos, no se pueden calcular los valores para los primeros dos y los ltimos dos v
alores
de la serie de tiempo.
Suavizacin
153
0
2
4
6
8
10
1
9
7
5
1
9
7
8
1
9
8
1
1
9
8
4
1
9
8
7
1
9
9
0
1
9
9
3
1
9
9
6
VENTAS
PM 3 aos
PM 7 aos
154
CAPTULO 5
Series de tiempo
1998
8,1
155
donde
E
I
= valor de la serie suavizada exponencialmente que se calcula en el periodo
E
I 1
= valor de la serie suavizada exponencialmente que se calcula en el periodo 1
Y
i
= valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavizacin (donde 0 < W < 1)
E
1
= Y
1
La eleccin del coeficiente de suavizacin o peso que se asigna a la
serie de
tiempo es crtica porque afectar en forma directa los resultados. Es desafortunad
o que
esta seleccin sea subjetiva. Si se desea slo suavizar una serie con la eliminacin d
e la
variacin cclica y la irregular, debe elegirse un valor pequeo para W (c
ercano a 0).
Por otro lado, si la meta es pronosticar, debe elegirse un valor gra
nde para W (ms
cercano a 1). En el primer caso, se podrn observar las tendencias globales a larg
o plazo
de la serie; en el ltimo caso, es posible predecir direcciones futuras
a corto plazo de
manera ms adecuada.
Los clculos de la suavizacin exponencial se ilustra para un coeficiente
de
+ =
i i i
E W Y W E
E
1976
= WY
1976
+ (1 W)E
1975
= (0.25)(8.6) + (0.75)(6.6) = 7.10 millones
E
1977
= WY
1977
+ (1 W)E
1976
= (0.25)(9.1) + (0.75)(7.1) = 7.6
E
1978
= WY
1978
+ (1 W)E
1977
= (0.25)(9.5) + (0.75)(7.6) = 8.08
156
CAPTULO 5
Series de tiempo
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
SE
(W=0.50)
6,6 6,6 6,6
8,6 7,1 7,6
9,1 7,6 8,35
9,5 8,075 8,925
9 8,30625 8,9625
7,1 8,0046875 8,03125
6,8 7,70351563 7,415625
6,2 7,32763672 6,8078125
7,8 7,44572754 7,30390625
8,3 7,65929565 7,80195313
9,3 8,06947174 8,55097656
8,6 8,20210381 8,57548828
7,8 8,10157785 8,18774414
8,1 8,10118339 8,14387207
7,9 8,05088754 8,02193604
7,5 7,91316566 7,76096802
7,4 7,78487424 7,58048401
7,7 7,76365568 7,640242
7,8 7,77274176 7,720121
8,4 7,92955632 8,0600605
8,3 8,02216724 8,18003025
8,4 8,11662543 8,29001513
8,8 8,28746907 8,54500756
8,1
Figura 5.10 Grfica de una serie suavizada exponencial
mente
(W = 0.50 y W = 0.25) para las ventas
de GM
Suavizacin
157
6,6
8,6
9,1
9,5
9,0
7,1
6,8
6,2
7,8
8,3
9,3
8,6
7,8
8,1
7,9
Ventas
6,60000
7,10000
7,60000
8,07500
8,30625
8,00469
7,70352
7,32764
7,44573
7,65930
8,06947
8,20210
8,10158
8,10118
8,05089
Suavizar 0,25
6,60000
7,60000
8,35000
8,92500
8,96250
8,03125
7,41563
6,80781
7,30391
7,80195
8,55098
8,57549
8,18774
8,14387
8,02194
Suavizar 0,50
1990
1991
1992
1993
1994
1995
1996
1997
1998
7,5
7,4
7,7
7,8
8,4
8,3
8,4
8,8
8,1
7,91317
7,78487
7,76366
7,77274
7,92956
8,02217
8,11663
8,28747
8,24060
7,76097
7,58048
7,64024
7,72012
8,06006
8,18003
8,29002
8,54501
8,32250
(W = 0.50 y W = 0.2
CAPTULO 5
Series de tiempo
32
30
28
26
24
22
Ao
v
e
n
t
a
s
Grfica de series de tiempo de ventas
Proyeccin de tendencias
159
MAD 1,32000
MSD 3,07000
Medidas de exactitud
Actual
Ajustes
Variable
Grfica de anlisis de tendencia de ventas
Modelo de tendencia lineal
Yt = 20,40 + 1,10*t
La ecuacin de regresin que describe una relacin lineal entre una varia
ble
independiente, , y una variable dependiente, , es
donde
= valor de la tendencia de la serie de tiempo en el periodo
= ordenada al origen e la lnea de tendencia
= pendiente de la lnea de tendencia
= tiempo
En esta ecuacin igualaremos = 1 para el tiempo en que se obtiene e
l primer
dato de la serie de tiempo, = 2 para el tiempo del segundo dato y as sucesivamen
te.
160
CAPTULO 5 Series de tiempo
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Observe que, para la serie de tiempo de ventas de bicicletas, = 1 cor
respondiente
al valor ms antiguo de esa serie y = 10 al ms reciente.
donde
= valor de la serie de tiempo en el periodo
= nmero de periodos
= valor promedio de la serie de tiempo,
= valor promedio de
Con las ecuaciones anteriores y los datos de las ventas de bicicletas de la ta
bla
5.8 podemos calcular
como sigue:
t
1
2
3
4
5
6
7
8
9
10
21,6
22,9
25,5
21,9
23,9
27,5
31,5
29,7
28,6
31,4
21,6
45,8
76,5
87,6
119,5
165,0
220,5
237,6
257,4
314,0
1
4
9
16
25
36
49
64
81
100
55 264,5 1545,5 385
Por consiguiente,
Proyeccin de tendencias
161
uno d
11
12
a) Use con
para calcular los valores de suavizamiento exponencial de
la
serie de tiempo
b) Use una constante de suavizamiento igual a 0,5 para calcular los
valores de
suavizamiento exponencial. Cul de las constantes 0,3 o 0,5, parece produ
cir
los mejores pronsticos
Resumen de Excel donde observamos los coeficientes
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,874526167
Coeficiente de determinacin R^2 0,764796016
R^2 ajustado 0,735395518
Error tpico 1,958953802
Observaciones 10
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crtico de
F
Regresin 1 99,825 99,825 26,0130293 0,000929509
Residuos 8 30,7 3,8375
Total 9 130,525
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Intercepcin 20,4 1,338220211 15,24412786 3,3999E-07 17,31405866
Ao 1,1 0,215673715 5,100296983 0,00092951 0,602655521
162
CAPTULO 5 Series de tiempo
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
3.- Los datos que siguen representan el nmero anual de empleados (en
miles) de una
compaa petrolera para los aos 1978 a 1997.
Nmero de empleados (en miles)
Ao
Nmero
1978
1.65
1979
1.73
1980
1.88
1981
2.00
1982
2.08
1983
1.88
Nmero
Ao
Nmero
Ao
1.45
1985
2.04
1992
1.55
1986
2.06
1993
1.61
1987
1.80
1994
1.60
1988
1.73
1995
1.74
1989
1.77
1996
1.92
1990
1.90
1997
1984
1.95
1991
1.82
Ventas
Ao
Ventas
Ao
Ventas
1990
1991
1992
1993
1994
1995
1996
1997
1972
36.4
1973
38.4
1974
42.6
1975
34.8
1976
28.4
1977
23.9
1978
27.8
1979
42.1
1980
41.6
1981
53.2
48.0
1982
53.3
51.7
1983
51.6
55.9
1984
49.0
51.8
1985
38.6
57.0
1986
37.3
64.4
1987
43.8
60.8
1988
41.7
56.3
1989
38.3
163
3
20,2
4
19,5
19,0
5
19,1
6
18,8
7,73
1996
1997
28,4
44,9
CAPTULO 5
Series de tiempo
por
qu.
c) Un pronstico de ventas desde enero hasta diciembre del cuarto ao.
d) Recomendaciones sobre cundo se debe actualizar el sistema que ha preparado,
para tomar en cuenta nuevos datos de ventas
e) Todos los clculos detallados de su anlisis aparecen en el apndice de
su
informe.
Suponga que las ventas en enero del cuarto ao fueron de 295 000 dlare
s. Cul
fue su error de pronstico? Si es grande, Karen se quedar confundida por la difere
ncia
entre su pronstico y el valor real de las ventas. Qu puede hacer para
resolver la
incertidumbre en el procedimiento de pronstico?
Caso a resolver 2 Pronstico de ventas perdidas
La tienda de departamentos Carlson sufri graves daos cuando pas un huracn
el 31
de agosto de 2000. Estuvo cerrada durante cuatro meses (de septiembre a diciembr
e de
2000), y ahora tiene una dificultad con su aseguradora acerca de la
cantidad de ventas
perdidas, mientras estuvo cerrada. Se deben resolver dos asuntos clave: 1) la ca
ntidad de
ventas de Carlson si no la hubiera daado el huracn, y 2) si Carlson tiene derecho
a una
compensacin por ventas adicionales a causa de mayor actividad despus de
la
tormenta. A su condado llegaron ms de 8000 millones de dlares en fondo
s federales
para desastres y seguros, lo cual ocasion un aumento en las ventas de
las tiendas de
departamento y de muchos otros negocios.
La siguiente tabla muestra los datos del departamento de comercio de
Estados
Unidos sobre las ventas totales durante los 48 meses anteriores a la
tormenta, en todas
las tiendas de departamentos en el condado, y tambin las ventas totale
s durante los
cuatro meses en que Carlson estuvo cerrada. Los administradores de Carlson le pi
dieron
Ejercicios
165
ones
por exceso sobre las ventas ordinarias.
Mes 1996 1997 1998 1999 2000
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
1,71
1,90
2,74
4,20
1,45
1,80
2,03
1,99
2,32
2,20
1,13
2,43
1,90
2,13
2,56
4,16
2,31
1,89
2,02
2,23
2,39
2,14
2,27
2,21
1,89
2,29
2,83
4,04
2,31
1,99
2,42
2,45
2,57
2,42
2,40
2,50
2,09
2,54
2,97
4,35
2,56
2,28
2,69
2,48
2,73
2,37
2,31
2,23
Prepare un informe a los gerentes de Carlson que resuma lo que encon
tr, sus
pronsticos y recomendaciones. ste debe incluir:
a) Un estimado de ventas si no hubiera habido huracn.
b) Un estimado de ventas en tiendas de departamentos de todo el condado, si no
c)
166
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Apndice
Tablas
167
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Distribucin T de Student
Grados de
libertad
0,25
0,01
1
2
3
4
5
6
7
8
9
10
11
12
0,2
0,005
0,15
0,1
0,05
0,025
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
1,000
63,656
0,816
9,925
0,765
5,841
0,741
4,604
0,727
4,032
0,718
3,707
0,711
3,499
0,706
3,355
0,703
3,250
0,700
3,169
0,697
3,106
0,695
3,055
0,694
3,012
0,692
2,977
0,691
2,947
0,690
2,921
0,689
2,898
0,688
2,878
0,688
2,861
0,687
2,845
0,686
2,831
1,376
1,061
1,963
1,386
3,078
1,886
6,314
2,920
12,706
4,303
31,821
6,965
0,978
1,250
1,638
2,353
3,182
4,541
0,941
1,190
1,533
2,132
2,776
3,747
0,920
1,156
1,476
2,015
2,571
3,365
0,906
1,134
1,440
1,943
2,447
3,143
0,896
1,119
1,415
1,895
2,365
2,998
0,889
1,108
1,397
1,860
2,306
2,896
0,883
1,100
1,383
1,833
2,262
2,821
0,879
1,093
1,372
1,812
2,228
2,764
0,876
1,088
1,363
1,796
2,201
2,718
0,873
1,083
1,356
1,782
2,179
2,681
0,870
1,079
1,350
1,771
2,160
2,650
0,868
1,076
1,345
1,761
2,145
2,624
0,866
1,074
1,341
1,753
2,131
2,602
0,865
1,071
1,337
1,746
2,120
2,583
0,863
1,069
1,333
1,740
2,110
2,567
0,862
1,067
1,330
1,734
2,101
2,552
0,861
1,066
1,328
1,729
2,093
2,539
0,860
1,064
1,325
1,725
2,086
2,528
0,859
1,063
1,323
1,721
2,080
2,518
0,686
2,819
0,685
2,807
0,685
2,797
0,684
2,787
0,684
2,779
0,684
2,771
0,683
2,763
0,683
2,756
0,683
2,750
0,858
1,061
1,321
1,717
2,074
2,508
0,858
1,060
1,319
1,714
2,069
2,500
0,857
1,059
1,318
1,711
2,064
2,492
0,856
1,058
1,316
1,708
2,060
2,485
0,856
1,058
1,315
1,706
2,056
2,479
0,855
1,057
1,314
1,703
2,052
2,473
0,855
1,056
1,313
1,701
2,048
2,467
0,854
1,055
1,311
1,699
2,045
2,462
0,854
1,055
1,310
1,697
2,042
2,457
168
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Distribucin normal estndar
0 Z
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
0.00
0.07
0.01
0.08
0.02
0.09
0.03
0.04
0.05
0.06
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
0.0000
0.0319
0.0398
0.0714
0.0793
0.1103
0.1179
0.1480
0.1915
0.2190
0.1915
0.2190
0.2257
0.2518
0.2580
0.2823
0.2881
0.3106
0.3159
0.3365
0.0040
0.0359
0.0438
0.0753
0.0832
0.1141
0.1217
0.1517
0.1850
0.2224
0.1950
0.2224
0.2291
0.2549
0.2612
0.2852
0.2910
0.3133
0.3186
0.3389
0.0080
0.0120
0.0160
0.0199
0.0239
0.0279
0.0478
0.0517
0.0557
0.0596
0.0636
0.0675
0.0871
0.0910
0.0948
0.0987
0.1026
0.1064
0.3413
0.3599
0.3643
0.3810
0.3849
0.3997
0.4032
0.4162
0.4192
0.4306
0.4332
0.4429
0.4452
0.4535
0.4554
0.4625
0.4641
0.4699
0.4713
0.4761
0.4772
0.4812
0.1255
0.1293
0.1331
0.1368
0.1406
0.1443
0.1985
0.2019
0.2054
0.2088
0.2123
0.2157
0.1985
0.2019
0.2054
0.2088
0.2123
0.2157
0.2324
0.2357
0.2389
0.2422
0.2454
0.2486
0.2642
0.2673
0.2704
0.2734
0.2764
0.2794
0.2939
0.2967
0.2995
0.3023
0.3051
0.3078
0.3212
0.3238
0.3264
0.3289
0.3315
0.3340
0.3438
0.3621
0.3665
0.3830
0.3869
0.4015
0.4049
0.4177
0.4207
0.4319
0.4345
0.4441
0.4463
0.4545
0.4564
0.4633
0.4649
0.4706
0.4719
0.4767
0.3461
0.3485
0.3508
0.3531
0.3554
0.3577
0.3686
0.3708
0.3729
0.3749
0.3770
0.3790
0.3888
0.3907
0.3925
0.3944
0.3962
3.3980
0.4066
0.4082
0.4099
0.4115
0.4131
0.4147
0.4222
0.4236
0.4251
0.4265
0.4279
0.4292
0.4357
0.4370
0.4382
0.4394
0.4406
0.4418
0.4474
0.4484
0.4495
0.4505
0.4515
0.4525
0.4573
0.4582
0.4591
0.4599
0.4608
0.4616
0.4656
0.4664
0.4671
0.4678
0.4686
0.4693
0.4726
0.4732
0.4738
0.4744
0.4750
0.4756
0.4778
0.4817
0.4783
0.4788
0.4793
0.4798
0.4803
0.4808
0.4821
0.4854
0.4861
0.4887
0.4893
0.4913
0.4918
0.4934
0.4938
0.4951
0.4953
0.4963
0.4956
0.4973
0.4974
0.4980
0.4981
0.4986
0.4826
0.4857
0.4864
0.4890
0.4896
0.4916
0.4920
0.4936
0.4940
0.4952
0.4955
0.4964
0.4966
0.4974
0.4975
0.4981
0.4982
0.4986
0.4830
0.4834
0.4838
0.4842
0.4846
0.4850
0.4868
0.4871
0.4875
0.4878
0.4881
0.4884
0.4898
0.4901
0.4904
0.4906
0.4909
0.4911
0.4922
0.4925
0.4927
0.4929
0.4931
0.4932
0.4941
0.4943
0.4945
0.4946
0.4948
0.4949
0.4956
0.4957
0.4959
0.4960
0.4961
0.4962
0.4967
0.4968
0.4969
0.4970
0.4971
0.4972
0.4976
0.4977
0.4977
0.4978
0.4979
0.4979
0.4982
0.4983
0.4984
0.4984
0.4985
0.4985
0.4986
0.4989
0.4990
0.4992
0.4993
0.4994
0.4995
0.4996
0.4996
0.4997
0.4997
0.4998
0.4998
0.4998
0.4998
0.4999
0.4999
0.4999
0.4999
0.4999
0.4986
0.4990
0.4990
0.4992
0.4993
0.4995
0.4995
0.4996
0.4996
0.4997
0.4997
0.4998
0.4998
0.4998
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4987
0.4987
0.4988
0.4988
0.4988
0.4989
0.4991
0.4991
0.4991
0.4991
0.4992
0.4992
0.4993
0.4993
0.4994
0.4994
0.4994
0.4994
0.4995
0.4995
0.4995
0.4996
0.4996
0.4996
0.4996
0.4997
0.4997
0.4997
0.4997
0.4997
0.4997
0.4997
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
169
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Distribucin normal para una cola
Z
0.0
0.1
0.2
0.3
0.4
0.00
0.07
0.01
0.08
0.02
0.09
0.03
0.04
0.05
0.06
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
0.5000
.5318
0.5398
.5714
0.5792
.6102
0.6179
.6480
0.6554
.6843
0.6914
.7190
0.7257
.7517
0.7580
.7823
0.7881
.8105
0.8159
.8364
0.8413
.8599
0.8643
.8810
0.8849
.8997
0.9032
.9162
0.9192
.9305
0.9331
.9429
0.9452
.9535
0.5039
0.5358
0.5437
0.5753
0.5831
0.6140
0.6217
0.6517
0.6590
0.6879
0.6949
0.7224
0.7290
0.7549
0.7611
0.7852
0.7910
0.8132
0.8185
0.8389
0.8437
0.8621
0.8665
0.8829
0.8868
0.9014
0.9049
0.9177
0.9207
0.9318
0.9344
0.9440
0.9463
0.9544
0.5079
0.5119
0.5159
0.5199
0.5239
0.5279
0.5477
0.5517
0.5556
0.5596
0.5635
0.5674
0.5870
0.5909
0.5948
0.5987
0.6025
0.6064
0.6255
0.6293
0.6330
0.6368
0.6405
0.6443
0.6627
0.6664
0.6700
0.6736
0.6772
0.6808
0.6984
0.7019
0.7054
0.7088
0.7122
0.7156
0.7323
0.7356
0.7389
0.7421
0.7453
0.7485
0.7642
0.7673
0.7703
0.7733
0.7763
0.7793
0.7938
0.7967
0.7995
0.8023
0.8051
0.8078
0.8212
0.8238
0.8263
0.8289
0.8314
0.8339
0.8461
0.8484
0.8508
0.8531
0.8554
0.8576
0.8686
0.8707
0.8728
0.8749
0.8769
0.8790
0.8887
0.8906
0.8925
0.8943
0.8961
0.8979
0.9065
0.9082
0.9098
0.9114
0.9130
0.9146
0.9221
0.9236
0.9250
0.9264
0.9278
0.9292
0.9357
0.9369
0.9382
0.9394
0.9406
0.9417
0.9473
0.9484
0.9494
0.9505
0.9515
0.9525
0.9554
.9624
0.9640
.9699
0.9712
.9761
0.9772
.9812
0.9821
.9853
0.9860
.9886
0.9892
.9913
0.9918
.9934
0.9937
.9950
0.9953
.9963
0.9965
.9972
0.9974
.9980
0.9981
.9985
0.9986
.9989
0.9563
0.9632
0.9648
0.9706
0.9719
0.9767
0.9777
0.9816
0.9825
0.9857
0.9864
0.9889
0.9895
0.9915
0.9920
0.9936
0.9939
0.9952
0.9954
0.9964
0.9966
0.9973
0.9975
0.9980
0.9981
0.9986
0.9986
0.9990
0.9572
0.9581
0.9590
0.9599
0.9607
0.9616
0.9656
0.9663
0.9671
0.9678
0.9685
0.9692
0.9725
0.9731
0.9738
0.9744
0.9750
0.9755
0.9783
0.9788
0.9793
0.9798
0.9803
0.9807
0.9829
0.9834
0.9838
0.9842
0.9846
0.9849
0.9867
0.9871
0.9874
0.9877
0.9880
0.9883
0.9898
0.9900
0.9903
0.9906
0.9908
0.9911
0.9922
0.9924
0.9926
0.9928
0.9930
0.9932
0.9941
0.9942
0.9944
0.9946
0.9947
0.9949
0.9956
0.9957
0.9958
0.9959
0.9960
0.9962
0.9967
0.9968
0.9969
0.9970
0.9971
0.9971
0.9975
0.9976
0.9977
0.9978
0.9978
0.9979
0.9982
0.9983
0.9983
0.9984
0.9984
0.9985
0.9987
0.9987
0.9988
0.9988
0.9988
0.9989
170
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Valores Crticos de la Distribucin Chi-Cuadrado.
FUNCION DE DISTRIBUCION
0.005
0.990
G
R
A
D
O
S
0.010
0.995
0.025
0.050
0.100
0.900
0.950
0.975
L
I
B
E
R
T
A
D
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0.000039 0.000157 0.000982 0.003932 0.0158
6.63
7.88
2.71
3.84
5.02
0.0100
0.0201
0.0506
9.21
10.60
0.0717 0.11
0.22
11.34
12.84
0.21
0.30
0.48
13.28
14.86
0.41
0.55
0.83
15.09
16.75
0.10
0.35
0.21
0.58
4.61
6.25
0.71
1.06
7.78
1.15
1.61
9.24
5.99
7.38
7.81
9.35
9.49
11.07
11.14
12.83
0.68
16.81
0.99
18.48
1.34
20.09
1.73
21.67
2.16
23.21
0.87
18.55
1.24
20.28
1.65
21.95
2.09
23.59
2.56
25.19
1.24
1.64
2.20
10.64
12.59
14.45
1.69
2.17
2.83
12.02
14.07
16.01
2.18
2.73
3.49
13.36
15.51
17.53
2.70
3.33
4.17
14.68
16.92
19.02
3.25
3.94
4.87
15.99
18.31
20.48
2.60
24.72
3.07
26.22
3.57
27.69
4.07
29.14
4.60
30.58
3.05
26.76
3.57
28.30
4.11
29.82
4.66
31.32
5.23
32.80
3.82
4.57
5.58
17.28
19.68
4.40
5.23
6.30
18.55
21.03
23.34
5.01
5.89
7.04
19.81
22.36
24.74
5.63
6.57
7.79
21.06
23.68
26.12
6.26
7.26
8.55
22.31
25.00
27.49
5.14
5.81
32.00
34.27
5.70
6.41
33.41
35.72
6.26
7.01
34.81
37.16
6.84
7.63
36.19
38.58
7.43
8.26
37.57
40.00
6.91
7.96
7.56
8.67
10.09
24.77
27.59
30.19
8.23
9.39
10.86
25.99
28.87
31.53
8.91
10.12
11.65
27.20
30.14
32.85
9.59
10.85
12.44
28.41
31.41
34.17
8.03
8.90
8.93
41.40
8.64
9.54
0.29
42.80
9.26
10.20
.64
44.18
9.89
10.86
.98
45.56
10.52 11.52
31
46.93
11.16 12.20
64
48.29
11.81 12.88
96
49.64
12.46 13.56
28
50.99
13.12 14.26
9.31
23.54
21.92
26.30
28.85
10.28
11.59
13.24
29.62
32.67
35.48
10.98
12.34
14.04
30.81
33.92
36.78
11.69
13.09
14.85
32.01
35.17
38.08
41
12.40
13.85
15.66
33.20
36.42
39.36
42
13.12
14.61
16.47
34.38
37.65
40.65
44.
13.84
15.38
17.29
35.56
38.89
41.92
45.
14.57
16.15
18.11
36.74
40.11
43.19
46.
15.31
16.93
18.94
37.92
41.34
44.46
48.
16.05
17.71
19.77
39.09
42.56
45.72
49.
59
52.34
13.79 14.95
89
53.67
16.79
18.49
20.60
40.26
43.77
46.98
50.
171
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Valores
21
22
23
24
25
A
D
O
R
26
27
28
29
30
40
60
90
120
39.86 49.50
8.53
9.00
9.39
5.54
5.46
5.23
4.54
4.32
3.92
4.06
3.78
3.30
60.19
9.38
5.39
5.34
5.31
5.28
5.27
5.25
5.24
4.19
4.11
4.05
4.01
3.98
3.95
3.94
3.62
3.52
3.45
3.40
3.37
3.34
3.32
3.78
2.94
3.59
2.70
3.46
2.54
3.36
2.42
3.29
2.32
3.46
3.29
3.18
3.11
3.05
3.01
2.98
2.96
3.26
3.07
2.96
2.88
2.83
2.78
2.75
2.72
3.11
2.92
2.81
2.73
2.67
2.62
2.59
2.56
3.01
2.81
2.69
2.61
2.55
2.51
2.47
2.44
2.92
2.73
2.61
2.52
2.46
2.41
2.38
2.35
3.23
2.25
3.18
2.19
3.14
2.14
3.10
2.10
3.07
2.06
2.86
2.66
2.54
2.45
2.39
2.34
2.30
2.27
2.81
2.61
2.48
2.39
2.33
2.28
2.24
2.21
2.76
2.56
2.43
2.35
2.28
2.23
2.20
2.16
2.73
2.52
2.39
2.31
2.24
2.19
2.15
2.12
2.70
2.49
2.36
2.27
2.21
2.16
2.12
2.09
3.05
2.03
3.03
2.00
3.01
1.98
2.99
1.96
2.97
1.94
2.67
2.46
2.33
2.24
2.18
2.13
2.09
2.64
2.44
2.31
2.22
2.15
2.10
2.06
2.03
2.62
2.42
2.29
2.20
2.13
2.08
2.04
2.00
2.61
2.40
2.27
2.18
2.11
2.06
2.02
1.98
2.59
2.38
2.25
2.16
2.09
2.04
2.00
1.96
2.96
1.92
2.95
1.90
2.94
1.89
2.93
2.57
2.36
2.23
2.14
2.08
2.02
1.98
1.95
2.56
2.35
2.22
2.13
2.06
2.01
1.97
1.93
2.55
2.34
2.21
2.11
2.05
1.99
1.95
1.92
1.98
1.94
1.91
2.54
2.33
2.19
2.10
2.04
2.06
1.88
2.92
1.87
2.91
1.86
2.90
1.85
2.89
1.84
2.89
1.83
2.88
1.82
2.84
1.76
2.79
1.71
2.76
1.67
2.75
1.65
2.53
2.32
2.18
2.09
2.02
1.97
1.93
1.89
2.52
2.31
2.17
2.08
2.01
1.96
1.92
1.88
2.51
2.30
2.17
2.07
2.00
1.95
1.91
1.87
2.50
2.29
2.16
2.06
2.00
1.94
1.90
1.87
2.50
2.28
2.15
2.06
1.99
1.93
1.89
1.86
2.49
2.28
2.14
2.05
1.98
1.93
1.88
1.85
2.44
2.23
2.09
2.00
1.93
1.87
1.83
1.79
2.39
2.18
2.04
1.95
1.87
1.82
1.77
1.74
2.36
2.15
2.01
1.91
1.84
1.78
1.74
1.70
2.35
2.13
1.99
1.90
1.82
1.77
1.72
1.68
172
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Valores Crticos de la Distribucin F - Funcin de Distribucin = 0.95.
GRADOS DE LIBERTAD DEL NUMERADOR
1
2
3
8
9
10
1
G
2
R
3
A
4
D
5
O
S
6
7
D
8
E
9
10
L
I
11
B
12
E
13
R
14
T
15
A
D
16
17
D
18
E
19
20
D
E
N
O
M
I
A
D
O
R
21
22
23
24
25
26
27
28
29
30
40
60
90
120
161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88
88
18.51
19.00
19.16
19.25
19.30
19.33
19.35
19.40
10.13
9.55
9.28
9.12
9.01
8.94
8.89
8.79
7.71
6.94
6.59
6.39
6.26
6.16
6.09
0
5.96
6.61
5.79
5.41
5.19
5.05
4.95
4.88
7
4.74
5.99
0
5.59
8
5.32
39
5.12
18
4.96
02
5.14
4.06
4.74
3.64
4.46
3.35
4.26
3.14
4.10
2.98
4.84
0
4.75
0
4.67
1
4.60
5
4.54
9
3.98
2.85
3.89
2.75
3.81
2.67
3.74
2.60
3.68
2.54
4.49
3.63
4.21
240.54
241.
19.37
19.38
8.85
8.81
6.04
6.0
4.82
4.7
4.15
4.1
4.76
4.53
4.39
4.28
4.35
4.12
3.97
3.87
3.79
3.73
3.6
4.07
3.84
3.69
3.58
3.50
3.44
3.
3.86
3.63
3.48
3.37
3.29
3.23
3.
3.71
3.48
3.33
3.22
3.14
3.07
3.
3.59
3.36
3.20
3.09
3.01
2.95
2.9
3.49
3.26
3.11
3.00
2.91
2.85
2.8
3.41
3.18
3.03
2.92
2.83
2.77
2.7
3.34
3.11
2.96
2.85
2.76
2.70
2.6
3.29
3.06
2.90
2.79
2.71
2.64
2.5
3.24
3.01
2.85
2.74
2.66
2.59
2.54
3.20
2.96
2.81
2.70
2.61
2.55
2.49
3.16
2.93
2.77
2.66
2.58
2.51
2.46
3.13
2.90
2.74
2.63
2.48
2.42
3.10
2.87
2.71
2.60
2.45
2.39
2.49
4.45
3.59
2.45
4.41
3.55
2.41
4.38
3.52
2.54
2.38
4.35
3.49
2.51
2.35
4.32
3.47
3.07
2.84
2.68
2.57
2.49
2.42
2.37
3.05
2.82
2.66
2.55
2.46
2.40
2.34
3.03
2.80
2.64
2.53
2.44
2.37
2.32
3.01
2.78
2.62
2.51
2.42
2.36
2.30
2.99
2.76
2.60
2.40
2.34
2.28
2.98
2.74
2.59
2.47
2.39
2.32
2.27
2.96
2.73
2.57
2.46
2.37
2.31
2.25
2.95
2.71
2.56
2.45
2.36
2.29
2.24
2.93
2.70
2.55
2.43
2.35
2.28
2.22
2.92
2.69
2.53
2.42
2.33
2.27
2.21
2.84
2.61
2.45
2.34
2.25
2.18
2.12
2.76
2.53
2.37
2.25
2.17
2.10
2.04
2.71
2.47
2.32
2.20
2.11
2.04
1.99
2.68
2.45
2.29
2.18
2.09
2.02
1.96
2.32
4.30
3.44
2.30
4.28
3.42
2.27
4.26
3.40
2.25
4.24
3.39
2.49
2.24
4.23
3.37
2.22
4.21
3.35
2.20
4.20
3.34
2.19
4.18
3.33
2.18
4.17
3.32
2.16
4.08
3.23
2.08
4.00
3.15
1.99
3.95
3.10
1.94
3.92
3.07
1.91
173
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Valores
L
I
B
E
R
T
A
D
D
E
L
D
E
N
O
M
I
A
D
O
R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
90
120
4052
98.50
5000 5403
5625
5764
5859
99.00 99.17 99.25 99.30 99.33
5928
99.36
5981
99.37
6022
99.39
6056
99.40
34.12
30.82
29.46
28.71
27.67
27.49
27.35
27.23
21.20
18.00
16.69
15.98 15.52
14.98
14.80
14.66
14.55
16.26
13.27
12.06
11.39
10.46
10.29
10.16
10.05
13.75
10.92
28.24
27.91
15.21
10.97
10.67
9.78
9.15
8.75
8.47
8.26
8.10
7.98
8.45
7.85
7.46
7.19
6.99
6.84
6.72
7.59
7.01
6.63
6.37
6.18
6.03
5.91
6.06
5.80
5.61
5.47
5.35
5.64
5.39
5.20
5.06
4.94
7.87
12.25
9.55
6.62
11.26
8.65
5.81
10.56
8.02
6.99
6.42
5.26
10.04
7.56
6.55
5.99
4.85
9.65
7.21
6.22
5.67
5.32
5.07
4.89
4.74
4.63
5.95
5.41
5.06
4.82
4.64
4.50
4.39
5.74
5.21
4.86
4.62
4.44
4.30
4.19
5.56
5.04
4.69
4.46
4.28
4.14
4.03
5.42
4.89
4.56
4.32
4.14
4.00
3.89
5.29
4.77
4.44
4.20
4.03
3.89
3.78
5.18
4.67
4.34
4.10
3.93
3.79
3.68
5.09
4.58
4.25
4.01
3.84
3.71
3.60
5.01
4.50
4.17
3.94
3.63
3.52
4.94
4.43
4.10
3.87
3.70
3.56
3.46
4.87
4.37
4.04
3.81
3.64
3.51
3.40
4.82
4.31
3.99
3.76
3.59
3.45
3.35
4.76
4.26
3.94
3.71
3.54
3.41
3.30
4.72
4.22
3.90
3.67
3.50
3.36
3.26
4.68
4.18
3.85
4.64
4.14
3.82
4.54
9.33
6.93
4.30
9.07
6.70
4.10
8.86
6.51
3.94
8.68
6.36
3.80
8.53
6.23
3.69
8.40
6.11
3.59
8.29
6.01
3.51
8.18
5.93
3.77
3.43
8.10
5.85
3.37
8.02
5.78
3.31
7.95
5.72
3.26
7.88
5.66
3.21
7.82
5.61
3.17
7.77
5.57
3.63
3.46
3.32
3.22
3.13
7.72
5.53
3.59
3.42
3.29
3.18
3.09
7.68
5.49
4.60
4.11
3.78
3.56
3.39
3.26
3.15
4.57
4.07
3.75
3.53
3.36
3.23
3.12
4.54
4.04
3.73
3.50
3.33
3.20
3.09
4.51
4.02
3.70
3.47
3.30
3.17
3.07
4.31
3.83
3.51
3.29
3.12
2.99
2.89
4.98
4.13
3.65
3.34
3.12
2.95
2.82
2.72
4.85
4.01
3.53
3.23
3.01
2.84
2.72
2.61
4.79
3.95
3.48
3.17
2.96
2.79
2.66
2.56
3.06
7.64
5.45
3.03
7.60
5.42
3.00
7.56
5.39
2.98
7.31
5.18
2.80
7.08
2.63
6.93
2.52
6.85
2.47
174
Instituto Tecnolgico de Ensenada
Biol. Ral Jimnez Gonzlez
Bibliografa
GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edicin. Anlisis y Diseo
de Experimentos. Mc Graw Hill.
MONTGOMERY, C.D.; G.C, RUNGER. 2010. Segunda edicin. Probabilidad y
Estadstica. LIMUSA WILEY
MONTGOMERY, C.D. Diseo y Anlisis de Experimentos. Segunda edicin.
LIMUSA WILEY
WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edicin. Probabilidad y
Estadstica Para Ingenieros. Pearson Education
ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A.2005. Octava edicin.
Estadstica para Administracin y Economa. MATH LEARNING
BERENSON, M.L.; LEVINE, D.M.; KREHBIEL, T.C. 2001. Segunda edicin.
Estadstica para Administracin. Prentice Hall.