Escolar Documentos
Profissional Documentos
Cultura Documentos
f
i
c
o
S 15.8264
R-cuad. 98.0%
R-cuad.(ajustado) 96.7%
Grfica de lnea ajustada
Trfico = 432.6 + 37.43 Velocidad
- 0.3829 Velocidad**2
Anlisis de regresin polinomial: Trfico vs. Velocidad
La ecuacin de regresin es
Trfico = 432.6 + 37.43 Velocidad - 0.3829 Velocidad**2
S = 15.8264 R-cuad. = 98.0% R-cuad.(ajustado) = 96.7%
Anlisis de varianza
Fuente GL SC CM F P
Regresin 2 36643.4 18321.7 73.15 0.003
Error 3 751.4 250.5
Total 5 37394.8
Anlisis de varianza secuencial
Fuente GL SC F P
Lineal 1 33223.2 31.86 0.005
Cuadrtica 1 3420.2 13.65 0.034
Se puede observar que el ajuste obtenido es muy bueno (R
2
= 98%).
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 52
Velocidad Trfico RESID1 AJUSTES1
35 1256 -17.5714 1273.57
40 1329 11.8571 1317.14
30 1226 15.1429 1210.86
45 1335 -6.5714 1341.57
50 1349 2.1429 1346.86
25 1124 -5.0000 1129.00
Si se espera que la regresin sea de un tipo diferente a lineal o
polinomial, en el men Estadsticas, submen Regresin, opcin
Regresin no lineal. Al abrir esta ventana se elige Catlogo y
aparecen las funciones disponibles para realizar la regresin.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 53
5.2 Regresin mltiple
En esta situacin se desea determinar la relacin entre varias variables
regresivas x
1
, x
2
, , x
k
la cual es continua y controlable por el
experimentador, y una variable de respuesta y. El modelo para cada
observacin es:
0 1 1 2 2 k k
y x x x | | | | c = + + + + +
donde c es un error aleatorio con media cero y varianza o
2
.
Supngase que se tienen n pares de observaciones, por ejemplo (x
1
,y
1
),
(x
2
, y
2
), , (x
n
, y
n
). Estos datos pueden emplearse para estimar los
parmetros desconocidos |
0
y |
1
. El procedimiento se llama mtodo de
mnimos cuadrados.
La forma de la ecuacin para predecir el valor de y es:
0 1 1 2 2
k k
y x x x | | | | = + + + +
Para obtener la ecuacin de regresin mltiple, se entra al men
Estadsticas, submen Regresin, opcin Regresin.
Ejemplo:
En el bisbol, el xito de un equipo, la proporcin de partidos ganados,
se suele considerar en funcin del desempeo en bateo y en el
lanzamiento del equipo. Una medida del desempeo en el bateo es la
cantidad de cuadrangulares que conecta el equipo y una medida del
desempeo en lanzamiento es el promedio de carreras limpias. En
general, se cree que los equipos que anotan ms cuadrangulares (home
run) y tienen un promedio menor de carreras permitidas ganan un mayor
porcentaje de juegos. Los datos siguientes pertenecen a 16 equipos que
participaron en la temporada de 2003; se da la proporcin de ganados, la
cantidad de cuadrangulares del equipo y el promedio de carreras limpias.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 54
Equipo Proporcin
de ganados
HR ERA Equipo Proporcin
de
ganados
HR ERA
Arizona 0.519 152 3.857 Milwaukee 0.420 196 5.058
Atlanta 0.623 235 4.106 Montreal 0.512 144 4.027
Chicago 0.543 172 3.842 Nueva York 0.410 124 4.517
Cincinnati 0.426 182 5.127 Philadelphia 0.531 166 4.072
Colorado 0.457 198 5.269 San Diego 0.395 128 4.904
Florida 0.562 157 4.059 San
Francisco
0.621 180 3.734
Houston 0.537 191 3.880 St. Louis 0.525 196 4.642
Los
Angeles
0.525 124 3.162 Pittsburgh 0.463 163 4.664
Obtenga la ecuacin de regresin estimada para predecir la proporcin
de juegos ganados en funcin de la cantidad de cuadrangulares y del
promedio de carreras limpias permitidas.
Solucin:
Aunque se tienen 3 variables en total, se pueden realizar grficas de
dispersin. Una opcin consiste en graficar la respuesta (proporcin de
ganados) con respecto a cada una de las variables regresoras (HR y
carreras limpias). La otra alternativa es la grfica de dispersin
tridimensional*, que se obtiene usando el men Grfica, submen
Grfica de dispersin 3D, con la cual se mostrar lo siguiente:
*En caso de tenerse ms de 2 variables independientes, esta opcin
no es posible.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 55
La representacin tridimensional no es muy clara, pero existen
controles para girarla con respecto a cada uno de los ejes.
Para obtener los resultados del anlisis de regresin, se usa men
Estadsticas, submen Regresin, opcin Regresin.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 56
Las grficas de residuos son:
0.050 0.025 0.000 -0.025 -0.050
99
90
50
10
1
Residuo
P
o
r
c
e
n
t
a
j
e
0.60 0.55 0.50 0.45 0.40
0.050
0.025
0.000
-0.025
-0.050
Valor ajustado
R
e
s
i
d
u
o
0.04 0.02 0.00 -0.02 -0.04
4.8
3.6
2.4
1.2
0.0
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
0.050
0.025
0.000
-0.025
-0.050
Orden de observacin
R
e
s
i
d
u
o
Grfica de probabilidad normal vs. ajustes
Histograma vs. orden
Grficas de residuos para Ganados
Los resultados del anlisis son:
Anlisis de regresin: Ganados vs. HR, C Limpias
La ecuacin de regresin es
Ganados = 0.709 + 0.00140 HR - 0.103 C Limpias
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 57
Predictor Coef SE Coef T P
Constante 0.70919 0.06006 11.81 0.000
HR 0.0014006 0.0002453 5.71 0.000
C Limpias -0.10260 0.01276 -8.04 0.000
S = 0.0282980 R-cuad. = 85.8% R-cuad.(ajustado) = 83.7%
Anlisis de varianza
Fuente GL SC CM F P
Regresin 2 0.063059 0.031530 39.37 0.000
Error residual 13 0.010410 0.000801
Total 15 0.073469
Fuente GL SC Sec.
HR 1 0.011253
C Limpias 1 0.051806
EE de Residuo
Obs HR Ganados Ajuste ajuste Residuo estndar
1 152 0.51900 0.52637 0.00940 -0.00737 -0.28
2 235 0.62300 0.61708 0.01839 0.00592 0.28
3 172 0.54300 0.55592 0.00937 -0.01292 -0.48
4 182 0.42600 0.43809 0.01233 -0.01209 -0.47
5 198 0.45700 0.44593 0.01433 0.01107 0.45
6 157 0.56200 0.51265 0.00801 0.04935 1.82
7 191 0.53700 0.57864 0.01111 -0.04164 -1.60
8 124 0.52500 0.55846 0.01739 -0.03346 -1.50
9 196 0.42000 0.46478 0.01233 -0.04478 -1.76
10 144 0.51200 0.49772 0.00947 0.01428 0.54
11 124 0.41000 0.41944 0.01399 -0.00944 -0.38
12 166 0.53100 0.52392 0.00765 0.00708 0.26
13 128 0.39500 0.38534 0.01582 0.00966 0.41
14 180 0.62100 0.57821 0.01098 0.04279 1.64
15 196 0.52500 0.50746 0.00984 0.01754 0.66
16 163 0.46300 0.45898 0.00876 0.00402 0.15
En este caso el ajuste obtenido es bueno (R
2
= 85.8%).
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 58
6. ANLISIS DE VARIANZA
Los experimentos son una parte natural del proceso de toma de
decisiones de la ingeniera y la administracin. Suponga que un ingeniero
civil est investigando el efecto de mtodos de curado en la resistencia a
la compresin media del concreto. El experimento consistira en elaborar
varios especmenes de prueba del concreto empleando cada uno de los
mtodos de curado propuestos y luego probar la resistencia a la
compresin de cada espcimen. Los datos de este experimento se
utilizaran para determinar qu mtodo de curado debe utilizarse para
brindar la resistencia a la compresin mxima.
Si solo hay dos mtodos de curado, el experimento puede disearse y
analizarse usando un mtodo de prueba de hiptesis. Si son ms
mtodos, se utiliza un experimento de un solo factor.
6.1 Modelo de un factor
Un experimento de un solo factor completamente aleatorio utiliza
varios niveles del factor, tambin conocidos como tratamientos. Cada
tratamiento tiene diferentes observaciones o rplicas. Los datos se
obtienen en orden aleatorio.
El anlisis que se realiza sirve para probar las siguientes hiptesis:
H
0
:
1
=
2
=
3
==
k
H
1
: por lo menos alguna pareja de medias es diferente.
Adicionalmente, existen alternativas para realizar comparaciones de
pares de medias, tales como el mtodo de Fisher, de Tukey, de Dunett,
de Hsu.
El modelo estadstico lineal que se utiliza en este caso es:
1, 2, ,
1, 2, ,
ij i ij
i a
y
j n
t c
=
= + +
=
donde y
ij
es la observacin ij-sima, es un parmetro comn para todos
los tratamientos llamado media general, t
i
es un parmetro asociado con
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 59
el i-simo tratamiento denominado efecto del tratamiento, c
ij
es un
componente del error aleatorio.
Ejemplo:
En una auditora los auditores tienen que dar opiniones acerca de
diversos aspectos con base en sus propias experiencias directas,
indirectas o en una combinacin de ambas. En un estudio se pidi a
auditores que dieran su opinin acerca de la frecuencia con que se
presentan errores en una auditora. Suponga que se obtuvieron los
resultados que se presentan a continuacin; valores bajos indican
opiniones ms acertadas.
Directa Indirecta Combinacin
17.0 16.6 25.2
18.5 22.2 24.0
15.8 20.5 21.5
18.2 18.3 26.8
20.2 24.2 27.5
16.0 19.8 25.8
13.3 21.2 24.2
Use un nivel de significancia de 0.05 para determinar si el tipo de
experiencia en que se basa la opinin afecta la calidad de la misma.
Solucin:
Existen dos opciones para la captura de los datos:
a) Poner todos los nmeros en una columna, y en la otra columna
escribir Directa, Indirecta o Combinacin. En este caso, se utiliza el
men Estadsticas, submen ANOVA, opcin Un solo factor. El
factor es el mtodo.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 60
b) Poner los nmeros de Directa, Indirecta y Combinacin, en columnas
separadas. En este caso, se utiliza el men Estadsticas, submen
ANOVA, opcin Un solo factor desapilado.
Las comparaciones disponibles son:
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 61
Las grficas que se pueden mostrar son:
Los resultados del procesamiento son:
ANOVA unidireccional: Directa, Indirecta, Combinacin
Fuente GL SC CM F P
Factor 2 225.68 112.84 22.16 0.000
Error 18 91.66 5.09
Total 20 317.34
S = 2.257 R-cuad. = 71.12% R-cuad.(ajustado) = 67.91%
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 62
Como el valor de P es 0.000, se rechaza la hiptesis nula (igualdad de
las 3 medias). Para que se aceptara esa hiptesis, el valor de P debera ser
mayor a 0.05 (el nivel de significancia utilizado).
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Nivel N Media Desv.Est. ---------+---------+---------+---------+
Directa 7 17.000 2.238 (-----*-----)
Indirecta 7 20.400 2.501 (-----*-----)
Combinacin 7 25.000 2.002 (-----*-----)
---------+---------+---------+---------+
18.0 21.0 24.0 27.0
Desv.Est. agrupada = 2.257
Se eligi el mtodo de Tukey para realizar la comparacin de pares de
medias.
Agrupar informacin utilizando el mtodo de Tukey
N Media Agrupacin
Combinacin 7 25.000 A
Indirecta 7 20.400 B
Directa 7 17.000 C
Las medias que no comparten una letra son significativamente diferentes.
Se concluye que ninguna de las 3 combinaciones distintas de parejas
de medias son iguales.
Intervalos de confianza simultneos de Tukey del 95%
Todas las comparaciones en parejas
Nivel de confianza individual = 98.00%
Se rest Directa a:
Inferior Centro Superior
Indirecta 0.321 3.400 6.479
Combinacin 4.921 8.000 11.079
-----+---------+---------+---------+----
Indirecta (-----*-----)
Combinacin (-----*-----)
-----+---------+---------+---------+----
-5.0 0.0 5.0 10.0
Se rest Indirecta a:
Inferior Centro Superior
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 63
Combinacin 1.521 4.600 7.679
-----+---------+---------+---------+----
Combinacin (-----*-----)
-----+---------+---------+---------+----
-5.0 0.0 5.0 10.0
Estos ltimos resultados son los intervalos de confianza para la
diferencia de medias, donde se nota que no hay medias iguales porque
ninguno de los intervalos incluye al valor cero.
Se concluye que todas las parejas de medias son estadsticamente
diferentes y que el tipo de opinin afecta significativamente en la
frecuencia con que se presentan errores en una auditora.
6.2 Diseo de bloques aleatorizado
En muchos problemas experimentales es necesario disear el
experimento de manera que la variabilidad proveniente de variables
perjudiciales pueda controlarse. Como ejemplo, supongamos que
deseamos comparar el efecto de cuatro compuestos qumicos diferentes
sobre la resistencia de una fibra particular. Se sabe que el efecto de estos
compuestos vara de modo considerable de un espcimen de fibra a otro.
En este ejemplo, tenemos slo un factor, el tipo de qumico usado. Por
tanto, podramos seleccionar varios pedazos de fibra y comparar los
cuatro compuestos qumicos dentro de las condiciones relativamente
homogneas brindadas por cada pedazo de fibra. Esto eliminara
cualquier variacin debido a ella.
El procedimiento general para un diseo de bloque completamente
aleatorio consiste en seleccionar b bloques y en ejecutar una rplica
completa del experimento en cada bloque. Habr a observaciones (una
por cada nivel del factor) en cada bloque, y el orden en el cual se ejecutan
estas observaciones, se asigna al azar dentro del bloque.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 64
El modelo estadstico lineal que se utiliza en este caso es:
1, 2, ,
1, 2, ,
ij i j ij
i a
y
j b
t | c
=
= + + +
=
donde y
ij
es la observacin ij-sima, es un parmetro comn para todos
los tratamientos llamado media general, t
i
es un parmetro asociado con
el i-simo tratamiento denominado efecto del tratamiento, |
j
es un
parmetro asociado con el j-simo bloque denominado efecto del
bloque, c
ij
es un componente del error aleatorio.
El anlisis que se realiza sirve para probar las siguientes hiptesis:
H
0
:
1
=
2
=
3
==
k
H
1
: por lo menos alguna pareja de medias de tratamientos es diferente.
Ejemplo:
Un factor importante en la eleccin de un procesador de palabras o de
un sistema para la administracin de datos es el tiempo necesario para
aprender a usar el sistema. Para evaluar tres sistemas de administracin
de archivos, una empresa disea una prueba con cinco operadores. Como
se considera que la variabilidad entre los operadores es un factor
significativo, se capacita a cada uno de los 5 operadores en cada uno de
los 3 sistemas de administracin de archivos. A continuacin se presentan
los datos obtenidos.
Sistema
A B C
1 16 16 24
2 19 17 22
Operador 3 14 13 19
4 13 12 18
5 18 17 22
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 65
Use un nivel de significancia de 0.05 y realice una prueba para
determinar si existe diferencia significativa entre los tiempos (en horas)
necesarios para aprender a usar cada uno de los 3 sistemas.
Solucin:
Se introducen los datos como se muestra en la figura (obsrvese que la
columna 2 tiene una letra T que se gener al introducir datos no
numricos).
Se utiliza el men Estadsticas, submen ANOVA, opcin Dos
factores.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 66
Se seleccion la opcin grfica Cuatro en uno.
2 1 0 -1 -2
99
90
50
10
1
Residuo
P
o
r
c
e
n
t
a
j
e
24 21 18 15 12
2
1
0
-1
Valor ajustado
R
e
s
i
d
u
o
1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5
8
6
4
2
0
Residuo
F
r
e
c
u
e
n
c
i
a
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
2
1
0
-1
Orden de observacin
R
e
s
i
d
u
o
Grfica de probabilidad normal vs. ajustes
Histograma vs. orden
Grficas de residuos para Tiempo
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 67
Los resultados del procesamiento son:
ANOVA de dos factores: Tiempo vs. Operador, Sistema
Fuente GL SC CM F P
Operador 4 64.667 16.1667 17.64 0.000
Sistema 2 103.333 51.6667 56.36 0.000
Error 8 7.333 0.9167
Total 14 175.333
S = 0.9574 R-cuad. = 95.82% R-cuad.(ajustado) = 92.68%
Como el valor de P correspondiente a la fuente Sistema es 0.000, se
rechaza la hiptesis nula (igualdad de las 3 medias). Para que se aceptara
esa hiptesis, el valor de P debera ser mayor a 0.05 (el nivel de
significancia utilizado). Se concluye que s hay diferencias significativas
entre los tiempos medios para los sistemas.
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Operador Media -----+---------+---------+---------+----
1 18.6667 (-----*------)
2 19.3333 (------*-----)
3 15.3333 (------*-----)
4 14.3333 (------*-----)
5 19.0000 (-----*-----)
-----+---------+---------+---------+----
14.0 16.0 18.0 20.0
De esta grfica se concluye que las medias de los operadores 3 y 4 son
estadsticamente iguales, y tambin las de los operadores 1, 2 y 5.
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Sistema Media +---------+---------+---------+---------
A 16 (----*----)
B 15 (----*----)
C 21 (----*----)
+---------+---------+---------+---------
14.0 16.0 18.0 20.0
De esta grfica se concluye que las medias de los sistemas A y B son
estadsticamente iguales.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 68
Si ahora se utiliza el men Estadsticas, submen ANOVA, opcin
Grfica de efectos principales, se obtiene una grfica donde muestra el
comportamiento de las medias para cada sistema y para cada operador.
C B A
21
20
19
18
17
16
15
14
5 4 3 2 1
Sistema
M
e
d
i
a
Operador
Grfica de efectos principales para Tiempo
Medias de datos
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 69
6.3 Experimento factorial de dos factores
Cuando hay varios factores de inters en un experimento, debe
emplearse un diseo factorial. Estos son diseos en los que los factores
varan juntos. En cada ensayo o rplica completo del experimento se
investigan todas las combinaciones posibles de los niveles de los factores.
De tal modo, si hay dos factores A y B con a y b niveles,
respectivamente, entonces cada rplica contiene todas las ab
combinaciones de tratamiento.
El efecto de un factor se define como el cambio en la respuesta
producido por un cambio en el nivel del factor. Esto se denomina un
efecto principal porque se refiere a los factores principales en el estudio.
En algunos experimentos, la diferencia en la respuesta entre los niveles
de un factor no es la misma en todos los niveles de los otros factores.
Cuando esto ocurre, hay una interaccin entre ellos.
El tipo ms simple de experimento factorial involucra slo los factores
A y B. Hay a niveles del factor A y b niveles del factor B. Hay n
rplicas del experimento y cada una de ellas contiene todas las ab
combinaciones de tratamiento. Al colectar los datos, las observaciones
correran en orden aleatorio.
El modelo estadstico lineal que se utiliza en este caso es:
( )
1, 2, ,
1, 2, ,
1, 2, ,
ijk i j ijk
ij
i a
y j b
k n
t | t| c
=
= + + + + =
donde y
ijk
es la observacin ijk-sima, es un parmetro comn para
todos los tratamientos llamado media general, t
i
es el efecto del i-simo
nivel del factor A, |
j
es el efecto del j-simo nivel del factor B, (t|)
ij
es el
efecto de la interaccin entre el i-simo nivel del factor A y el j-simo
nivel del factor B, c
ijk
es un componente del error aleatorio.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 70
El anlisis que se realiza sirve para probar las siguientes hiptesis
relacionadas con la igualdad de las medias de los niveles del factor A, de
las medias del factor B y de las interacciones.
Ejemplo:
Se presentan los resultados de un experimento que involucra un
acumulador utilizado en el mecanismo de lanzamiento de un misil tierra-
aire disparado desde el hombro. Pueden emplearse tres tipos de
materiales para elaborar la placa de la batera. El objetivo es disear una
batera que relativamente no es afectada por la temperatura ambiente.
La respuesta de salida de la batera es el voltaje mximo. Se eligen tres
niveles de temperatura y se ejecuta un experimento factorial con cuatro
rplicas. Los datos se muestran a continuacin. Qu material de placa
recomendara usted?
Temperatura
Material Baja Media Alta
1 130 155
74 180
34 40
80 75
20 70
82 58
2 150 188
159 126
136 122
106 115
25 70
58 45
3 138 110
168 160
174 120
150 139
96 104
82 60
Solucin:
Se introducen todas las respuestas en una columna, los nmeros de
material en otra columna y las temperaturas en una columna aparte.
Se utiliza el men Estadsticas, submen ANOVA, opcin Dos
factores.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 71
Si en la pantalla anterior se hubiera seleccionado Ajustar el modelo
aditivo, no aparecera la interaccin como fuente en la tabla ANOVA
mostrada a continuacin.
ANOVA de dos factores: Resultado vs. Material, Temperatura
Fuente GL SC CM F P
Material 2 39118.7 19559.4 28.97 0.000
Temperatura 2 10683.7 5341.9 7.91 0.002
Interaccin 4 9613.8 2403.4 3.56 0.019
Error 27 18230.7 675.2
Total 35 77647.0
S = 25.98 R-cuad. = 76.52% R-cuad.(ajustado) = 69.56%
Se tomar nuevamente como referencia el valor de P=0.05 (nivel de
significancia utilizado).
Como el valor de P correspondiente a la fuente Material es 0.000, se
rechaza la hiptesis nula (igualdad de las 3 medias de los materiales). Se
concluye que s hay diferencias significativas en los resultados para los
diferentes materiales.
Como el valor de P correspondiente a la fuente Temperatura es
0.002, se rechaza la hiptesis nula (igualdad de las 3 medias de las
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 72
temperaturas). Se concluye que s hay diferencias significativas en los
resultados para las diferentes temperaturas.
Como el valor de P correspondiente a la fuente Interaccin es 0.019,
se concluye que s hay interacciones significativas.
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Material Media ----+---------+---------+---------+-----
1 144.833 (----*----)
2 107.583 (----*----)
3 64.167 (----*-----)
----+---------+---------+---------+-----
60 90 120 150
De aqu se concluye que ninguna de las 3 parejas de medias de
materiales es estadsticamente igual.
Se debe utilizar el material 1 para lograr el mayor resultado.
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Temperatura Media ------+---------+---------+---------+---
Alta 125.083 (-------*------)
Baja 83.167 (-------*------)
Media 108.333 (-------*-------)
------+---------+---------+---------+---
80 100 120 140
De aqu se concluye que solo la parejas de medias de temperatura baja
y temperatura media son estadsticamente iguales.
Si ahora se utiliza el men Estadsticas, submen ANOVA, opcin
Grfica de efectos principales, se obtiene una grfica donde muestra el
comportamiento de las medias para cada sistema y para cada operador.
De nuevo, usando el men Estadsticas, submen ANOVA, opcin
Grfica de efectos principales, se obtiene una grfica donde muestra el
comportamiento de las medias para cada material y para cada
temperatura.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 73
3 2 1
150
140
130
120
110
100
90
80
70
60
Media Baja Alta
Material
M
e
d
i
a
Temperatura
Grfica de efectos principales para Resultado
Medias de datos
Empleando el men Estadsticas, submen ANOVA, opcin
Grfica de interacciones, se obtiene la siguiente grfica.
Media Baja Alta
150
125
100
75
50
Temperatura
M
e
d
i
a
1
2
3
Material
Grfica de interaccin para Resultado
Medias de datos
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 74
7. PRONSTICOS
En la toma de decisiones se elaboran planes a futuro. Entonces, los
datos que describen la situacin de la decisin deben representar lo que
suceder en el futuro. Por ejemplo, en el control de inventarios, las
decisiones se basan en la naturaleza de la demanda del artculo
controlado durante determinado horizonte de planeacin. Tambin, en la
planeacin financiera, se necesita pronosticar la pauta del flujo de
efectivo a travs del tiempo.
7.1 Promedios mviles
En esta tcnica se supone que la serie de tiempo es estable en el
sentido que su valor y
t
para el periodo t sigue un proceso constante que
se describe con:
t t
y b c = +
En donde:
b = Parmetro constante desconocido, estimado a partir de datos
histricos,
c
t
= Componente aleatorio para el periodo t, con media cero y varianza
constante.
La tcnica supone que no estn correlacionados los datos para los
distintos periodos.
La tcnica del promedio mvil supone que las n observaciones ms
recientes tienen igual importancia para estimar el parmetro b. As, en
determinado periodo t, si los datos para los n periodos ms recientes son
y
t-n+1
, y
t-n+2
, , y
t
, entonces el valor estimado para el periodo t+1 se calcula
como:
* 1 2
1
t n t n t
t
y y y
y
n
+ +
+
+ + +
=
La longitud del promedio mvil, n, es una cantidad que no puede
determinarse por medio de ningn procedimiento, sino que se debe
realizar con ensayos de prueba y error, basndose en la minimizacin de
los indicadores de error de pronstico: MAPE (error porcentual absoluto
medio), MAD (desviacin media absoluta) y MSD (error cuadrtico
medio).
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 75
En trminos generales, se puede establecer que un valor de n pequeo
permite una mayor velocidad de reaccin ante los cambios de la serie
de tiempo, y un mayor valor de n promedia ms periodos, lo cual es
conveniente cuando la serie es muy estable.
Ejemplo:
La tabla siguiente contiene las ventas, en millones de pesos, de una
tienda departamental. De ser adecuado, aplique la tcnica del promedio
mvil.
Ao 1980 1981 1982 1983 1984
Ventas 21.0 23.2 23.2 24.0 24.9
Ao 1985 1986 1987 1988 1989
Ventas 25.6 26.6 27.4 28.5 29.6
Lo primero que debe hacerse es graficar la serie de tiempo. En el men
Estadsticas, submen Series de tiempo, opcin Grfica de serie de
tiempo.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 76
10 9 8 7 6 5 4 3 2 1
30
28
26
24
22
20
ndice
V
e
n
t
a
s
Grfica de series de tiempo de Ventas
En esta grfica se observa que los valores de la variable y que se
desea pronosticar: Ventas no es estable a lo largo del tiempo. Por tanto
no es conveniente aplicar la tcnica de promedios mviles.
Ejemplo:
Las ventas de aspiradoras industriales durante los ltimos 13 meses son
las siguientes:
Venta (miles) Mes Venta (miles) Mes
11 Enero 14 Agosto
14 Febrero 17 Septiembre
16 Marzo 12 Octubre
10 Abril 14 Noviembre
15 Mayo 16 Diciembre
17 Junio 11 Enero
11 Julio
Use promedios mviles con tres periodos.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 77
13 12 11 10 9 8 7 6 5 4 3 2 1
17
16
15
14
13
12
11
10
ndice
V
e
n
t
a
s
Grfica de series de tiempo de Ventas
La grfica de serie de tiempo muestra oscilaciones, pero ya no una
tendencia como en el ejemplo anterior. Ahora s se usar la tcnica de
promedios mviles (aunque no est en la condicin ideal).
Para realizar el pronstico, en el men Estadsticas, submen Series
de tiempo, opcin Promedio mvil.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 78
Se seleccion generar 2 pronsticos empezando en el periodo 12, para
que calcule el valor correspondiente al periodo 13.
14 13 12 11 10 9 8 7 6 5 4 3 2 1
18
16
14
12
10
ndice
V
e
n
t
a
s
Longitud 3
Promedio mvil
MAPE 17.1423
MAD 2.2000
MSD 6.1333
Medidas de exactitud
Actual
Ajustes
Pronsticos
IP de 95.0%
Variable
Grfica de promedio mvil de Ventas
La lnea roja representa los promedios mviles, a partir del periodo 4.
La lnea verde representa los pronsticos.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 79
La salida del programa es:
Promedio mvil de Ventas
Datos Ventas
Longitud 13
Nmero de valores faltantes 0
Promedio mvil
Longitud 3
Medidas de exactitud
MAPE 17.1423
MAD 2.2000
MSD 6.1333
Pronsticos
Perodo Pronstico Inferior Superior
13 13.6667 8.94042 18.3929
14 13.6667 8.94042 18.3929
7.2 Suavizacin exponencial
En esta tcnica se supone que el proceso es constante o que cambia
con lentitud al paso del tiempo; es la misma hiptesis que la que se usa
en el mtodo del promedio mvil. Sin embargo, la suavizacin
exponencial asigna un peso mayor a la observacin ms reciente.
Se define o (0 < o < 1) como constante de suavizacin y se supone que
los puntos de la serie de tiempo para los ltimos t periodos son y
1
, y
2
, ,
y
t
. Entonces
*
1 t
y
+
, el estimado para el periodo t+1, se calcula como:
( )
* *
1
1
t t t
y y y o o
+
= +
La seleccin de la constante de suavizacin o es bsica para estimar los
pronsticos de futuro. Un valor mayor de o implica que las observaciones
ms recientes tienen mayor peso. En la prctica, el valor de o varia de
0.01 a 0.30.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 80
Repitiendo el ejemplo de las aspiradoras industriales, se usa el men
Estadsticas, submen Series de tiempo, opcin Suavizacin
exponencial simple.
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
20
18
16
14
12
10
8
ndice
C
1
Alfa 0.2
Constante de suavizacin
MAPE 18.0731
MAD 2.3306
MSD 6.8324
Medidas de exactitud
Actual
Ajustes
Pronsticos
IP de 95.0%
Variable
Grfica de suavizacin para C1
Mtodo exponencial simple
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 81
Suavizacin exponencial simple para C1
Datos C1
Longitud 13
Constante de suavizacin
Alfa 0.2
Medidas de exactitud
MAPE 18.0731
MAD 2.3306
MSD 6.8324
Tiempo C1 Suavizar Predecir Error
1 11 13.2667 13.8333 -2.83333
2 14 13.4133 13.2667 0.73333
3 16 13.9307 13.4133 2.58667
4 10 13.1445 13.9307 -3.93067
5 15 13.5156 13.1445 1.85547
6 17 14.2125 13.5156 3.48437
7 11 13.5700 14.2125 -3.21250
8 14 13.6560 13.5700 0.43000
9 17 14.3248 13.6560 3.34400
10 12 13.8598 14.3248 -2.32480
11 14 13.8879 13.8598 0.14016
12 16 14.3103 13.8879 2.11213
13 11 13.6482 14.3103 -3.31030
Pronsticos
Perodo Pronstico Inferior Superior
11 13.8598 7.79984 19.9198
12 13.8598 7.79984 19.9198
13 13.8598 7.79984 19.9198
14 13.8598 7.79984 19.9198
15 13.8598 7.79984 19.9198
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 82
7.3 Tendencias
Esta tcnica ajusta una lnea de tendencia a una serie de datos
histricos y entonces proyecta la lnea hacia el futuro para pronsticos de
mediano o largo plazos. Existen varias ecuaciones matemticas de
tendencias que pueden desarrollarse, pero la ms comn es la tendencia
lineal. Una lnea de tendencia simplemente es una ecuacin de regresin
lineal en la cual la variable independiente (X) es el periodo considerado.
Su modelo es:
0 1
Y b b X = +
Donde
Y = valor pronosticado
b
0
= ordenada al origen
b
1
= pendiente de la lnea
X = periodo (1, 2, , n)
Ejemplo:
La tabla siguiente muestra la cantidad de individuos que llegan a un
centro turstico en automvil y en avin, durante un periodo de 10 aos.
Analice los datos desde el punto de vista del anlisis de tendencia.
Ao 1980 1981 1982 1983 1984
Auto 1042 1182 1224 1338 1455
Avin 500 522 540 612 715
Ao 1985 1986 1987 1988 1989
Auto 1613 1644 1699 1790 1885
Avin 790 840 900 935 980
Lo primero que debe hacerse es graficar la serie de tiempo.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 83
10 9 8 7 6 5 4 3 2 1
2000
1750
1500
1250
1000
750
500
ndice
D
a
t
o
s
Auto
Avin
Variable
Grfica de series de tiempo de Auto, Avin
Como en ambos casos, la grfica parece lineal, en el men Estadsticas,
submen Series de tiempo, opcin Anlisis de tendencia.
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 84
12 11 10 9 8 7 6 5 4 3 2 1
2200
2000
1800
1600
1400
1200
1000
ndice
A
u
t
o
MAPE 1.80
MAD 26.12
MSD 1031.82
Medidas de exactitud
Actual
Ajustes
Pronsticos
Variable
Grfica de anlisis de tendencia de Auto
Modelo de tendencia lineal
Yt = 977.4 + 92.7*t
Anlisis de tendencia para Auto
Datos Auto
Longitud 10
Nmero de valores faltantes 0
Ecuacin de tendencia ajustada
Yt = 977.4 + 92.7*t
Medidas de exactitud
MAPE 1.80
MAD 26.12
MSD 1031.82
Eliminar
Tiempo Auto Tendencia tendencia
1 1042 1070.09 -28.0909
2 1182 1162.78 19.2182
3 1224 1255.47 -31.4727
4 1338 1348.16 -10.1636
5 1455 1440.85 14.1455
6 1613 1533.55 79.4545
7 1644 1626.24 17.7636
8 1699 1718.93 -19.9273
9 1790 1811.62 -21.6182
10 1885 1904.31 -19.3091
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 85
Pronsticos
Perodo Pronstico
10 1914.5
11 2008.8
12 2103.1
12 11 10 9 8 7 6 5 4 3 2 1
1200
1100
1000
900
800
700
600
500
400
ndice
A
v
i
n
MAPE 3.293
MAD 21.521
MSD 617.119
Medidas de exactitud
Actual
Ajustes
Pronsticos
Variable
Grfica de anlisis de tendencia de Avin
Modelo de tendencia lineal
Yt = 407.7 + 59.2*t
Anlisis de tendencia para Avin
Datos Avin
Longitud 10
Nmero de valores faltantes 0
Ecuacin de tendencia ajustada
Yt = 407.7 + 59.2*t
Medidas de exactitud
MAPE 3.293
MAD 21.521
MSD 617.119
Curso de MINITAB
M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 86
Eliminar
Tiempo Avin Tendencia tendencia
1 500 466.945 33.0545
2 522 526.158 -4.1576
3 540 585.370 -45.3697
4 612 644.582 -32.5818
5 715 703.794 11.2061
6 790 763.006 26.9939
7 840 822.218 17.7818
8 900 881.430 18.5697
9 935 940.642 -5.6424
10 980 999.855 -19.8545
Pronsticos
Perodo Pronstico
10 1010.33
11 1071.20
12 1132.07