Professional Documents
Culture Documents
CAPÍTULO 4
9,5
Conceptos básicos en diseños factoriales
Competencias
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 lugar al diseño
factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita el número de
tratamientos que lo componen. Para obtener el número de corridas experimentales se
multiplica el número de tratamientos por el número de réplicas, donde una réplica se
lleva a cabo cada vez que se repite el arreglo completo.
cada uno con tres niveles de prueba. Es claro que si los k factores no tienen la misma
cantidad de niveles, entonces no se puede factorizar de esta forma, y debe escribirse el
producto de manera más explícita: por ejemplo con k = 3 factores, el primero con cuatro
niveles y los dos restantes con dos niveles, se tiene el diseño factorial
, que consiste de 16 combinaciones de niveles diferentes.
Ejemplo
Diseño factorial . Suponga que en un proceso de fermentación tequilera, se tienen
dos factores A: tipo de levadura y B: temperatura, cada uno con dos niveles denotados por
respectivamente. La respuesta de interés es el
rendimiento del proceso de fermentación. En la tabla 4.1 se muestran los cuatro
tratamientos o puntos del diseño factorial , y entre paréntesis se ha indicado cada
nivel con los códigos (1, -1). En el experimento original cada tratamiento se corrió tres
veces (tres réplicas), lo cual da un total de 12 corridas del proceso pero, por simplicidad,
en la última columna de la tabla 4.1 sólo se anotaron los resultados de la primera
réplica.
Para los datos de la tabla 4.1, los efectos principales están dados por
115 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 115
115
115
Efecto A =
Efecto B =
por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte, se
dice que dos factores interactúan entre sí o tienen un efecto de interacción sobre la
variable de respuesta, cuando el efecto de un factor depende del nivel en que se
encuentra el otro. Por ejemplo, los factores A y B interactúan si el efecto de A es muy
diferente en cada nivel de B, o viceversa. Ahora veamos esto con los datos de la tabla
4.1: el efecto de A cuando B es baja está determinado por
Como estos dos efectos de A en función del nivel de B son muy diferentes,
entonces es evidencia de que la elección más conveniente del nivel de A depende del
nivel en que esté B, y viceversa. Es decir, eso es evidencia de que los factores de A y B
interactúan sobre Y. En la práctica, el cálculo del efecto A en cada nivel de B no se
hace, y más bien se calcula el efecto global de la interacción de los dos factores, que se
denotan por AB y se calculan como la diferencia entre la respuesta media cuando ambos
factores se encuentran en el m ismo nivel: (-1, -1); (1, 1), y la respuesta media cuando
los factores se encuentran en niveles opuestos: (-1, 1) (1, -1). Para el ejemplo, el efecto
de interacción levadura x temperatura está dado por
Los valores absolutos (sin importar el signo) de los efectos principales y del
efecto de interacción son una medida de importancia de su efecto sobre la variable de
respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si los
efectos son estadísticamente significativos (diferentes de coro) se requiere el análisis de
varianza (ANOVA).
Modelo estadístico
Con un diseño factorial se pueden estudiar los dos efectos individuales y el efecto
de interacción de ambos factores. En términos estadísticos, lo que se afirma es que el
comportamiento de la respuesta Y en el experimento con k réplicas se podría describir
mediante el modelo de efectos:
combinación es el error aleatorio que supone sigue una distribución con media
cero y varianza constante y son independientes entre sí. Para que la
estimación de los parámetros en este modelo sea única, se introducen las restricciones:
y al final, al restar éstas del total, se obtiene la suma de cuadrados del error como:
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 alimentación.
Aunque los factores son de naturaleza continua, en este proceso sólo se puede trabajar
en 4 y 3 niveles, respectivamente. Por ello, se decide correr un factorial completo 4 x 3
con tres réplicas, que permitirá obtener toda la información relevante en relación al
efecto de esos factores sobre el acabado. Al aleatorizar las 36 pruebas se obtienen los
datos de la siguiente tabla:
118 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 118
118
118
La suma de cuadrados totales y la suma de cuadrados del error están dadas por
Se rechaza
Se rechaza
Se acepta
Factores: 2 Réplicas: 3
Corridas base: 12 Total de corridas: 36
Bloques base: 1 Total de bloques: 1
Número de niveles: 4; 3
Comparación de medias
Para probar estas hipótesis con el método LSD habría que calcular las
diferencias muestrales en el valor absoluto y compararlas con la diferencia mínima
significativa. Cabe aclarar que este análisis es engañoso cuando el efecto de interacción
es significativo. Por ello, y sólo por ilustrar el método, se prueban las hipótesis del
factor A ignorando por el momento la interacción. La diferencia mínima significativa
para comparar los niveles del factor A, está dada por:
Ejercicios
Resultado en Minitab
Diseño factorial de múltiples niveles
Factores: 2 Réplicas: 3
Corridas base: 6 Total de corridas: 18
Bloques base: 1 Total de bloques: 1
Número de niveles: 3; 2
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 aplicación), 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 método de aplicación afectan la fuerza de adherencia. Además, puesto
que 1,5 , no hay indicios de interacción entre estos factores. En la
última columna del ANOVA se muestra el valor P para cada cociente F. Obsérvese que
los valores P de los dos estadísticos de prueba para los efectos principales son
considerablemente menores que 0,05 mientras que el valor P para el estadístico de
prueba de la interacción es mayor que 0,05.
Se rechaza
Se rechaza
Se acepta
Material Temperatura (
Baja Media Alta
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
Posición Temperatura ( )
800 825 850
1 570 1 063 565
565 1 080 510
583 1 043 590
2 528 988 526
547 1 026 538
521 1 004 532
Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o más
variables de respuesta, y el número de niveles de prueba en cada uno de los factores es
a, b y c, respectivamente, se puede construir el arreglo factorial , que consiste
de tratamientos o puntos experimentales. Entre los arreglos de este tipo que se
utilizan con frecuencia en aplicaciones diversas se encuentran: el factorial , el
124 CAPÍTULO 4 Diseños factoriales Ejercicios 123
factorial y los factoriales mixtos con no más de cuatro niveles en dos de los factores,
por ejemplo, el factorial 4 x 3 x 2 y el factorial 4 x 4 x 2, por mencionar dos de ellos.
Hipótesis de interés
El estudio factorial de tres factores (A, B y C) permite investigar los efectos: A, B, C,
AB, AC, BC y ABC, donde el nivel de desglose o detalle con el que pueden estudiarse
depende del número de niveles utilizando en cada factor. Por ejemplo, si 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 marginal se
puede descomponer en una parte lineal y otra cuadrática pura.
En resumen, se tienen siete efectos de interés sin considerar desglose, y con ellos
se pueden plantar las siete hipótesis nulas
cada una aparejada con su correspondiente hipótesis alternativa. El ANOVA para probar
estas hipótesis se muestran en la siguiente tabla.
Al efecto cuyo valor-p sea menor al valor especificado para alfa, se declara
estadísticamente significativo o se dice que está activo. Las sumas de cuadrados son
muy similares a las obtenidas para dos factores; habrá que considerar un subíndice
adicional para el tercer factor, y comenzando otra vea, por la suma total de cuadrados,
éstas resultan ser:
de efectos son:
Al restar éstas del total, la suma de cuadrados del error resulta ser
cuyos respectivos grados de libertad se dan en la tabla anterior. Una vez hecho el
ANOVA, se procede a interpretar los efectos activos, y luego (aunque no
necesariamente después) a diagnosticar la calidad del modelo.
Ejemplo
El experimento. Se desea investigar el efecto del tipo de suspensión (A), abertura de
malla (B) y temperatura de ciclaje (C) en el volumen de sedimentación Y(%) de una
suspensión. Para ello se decide correr un experimento factorial 3 x 2 x 2 con seis
réplicas, y las observaciones obtenidas en las 72 corridas experimentales se muestran en
la siguiente tabla:
60, 75, 75 67, 73, 73 62, 68, 65 71, 80, 80 76, 71, 75 75, 75, 75
86, 70, 70 67, 68, 68 76, 65, 65 72, 80, 80 70, 68, 73 75, 75, 77
55, 53, 53 52, 52, 57 44, 44, 45 60, 60, 60 52, 51, 50 56, 55, 57
55, 55, 55 52, 54, 54 48, 48, 45 67, 67, 65 52, 48, 54 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 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 126
126
126
Factores: 3 Réplicas: 6
Corridas base: 12 Total de corridas: 72
Bloques base: 1 Total de bloques: 1
Número de niveles: 3; 2; 2
Residuo
Obs Respuesta Ajuste Ajuste SE Residuo estándar
23 60,0000 72,6667 1,5290 -12,6667 -3,70 R
36 76,0000 66,8333 1,5290 9,1667 2,68 R
52 86,0000 72,6667 1,5290 13,3333 3,90 R
Ejercicios
1.- Se investigan el porcentaje de la concentración de madera dura en la pulpa cruda, la
libertad de orientación de la fibra o lof, y el tiempo de cocción de la pulpa en cuanto a
sus efectos sobre la resistencia del papel. En la siguiente tabla se muestran los datos de
un experimento factorial con tres factores.
a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a
2.- El departamento de control de calidad de una planta de acabados textiles estudia los
efectos de varios factores sobre el teñido de una tela combinada de algodón y fibra
sintética que se usa para hacer camisas. Se seleccionan tres operadores, tres duraciones
del ciclo y dos temperaturas, y tres ejemplares de prueba pequeños de tela se tiñeron
bajo cada conjunto de condiciones. La tela terminada se comparó con un patrón y se
asigno una puntuación numérica. Los resultados se presentan en la tabla siguiente
Temperatura
300 350
Operador Operador
Duración del ciclo 1 2 3 1 2 3
40 23 27 31 24 38 34
24 28 32 23 36 36
25 26 28 28 35 39
50 36 34 33 37 34 34
35 38 34 39 38 36
36 39 35 35 36 31
60 28 35 26 26 36 28
24 35 27 29 37 26
27 34 25 25 34 34
128 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 128
128
128
a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a
Lo que se ha dicho para los dos diseños factoriales con 2 y 3 factores puede extenderse
fácilmente para cuando se tienen más factores. Considerarse factores A, B, C,…, K
con niveles respectivamente, donde la letra K denota al -ésimo o último
factor del conjunto a estudiar, no necesariamente el undécimo, que es el lugar de esta
letra en el alfabeto. Con estos niveles y factores se puede construir el diseño factorial
general que consiste de tratamientos o puntos de prueba.
Con este diseño se pueden estudiar efectos principales, interacciones
dobles, interacciones triples, y así sucesivamente hasta la
única interacción de los factores (ABC…K). El cálculo del número de interacciones
de cierta cantidad de factores se hace mediante la operación ¨combinaciones de en
¨ que cuenta el número de diferentes maneras de seleccionar
factores de los , donde =
FV SC GL
Error
Total
Hasta aquí los modelos de efectos que se han utilizado son modelos de efectos o
factores fijos, lo cual significa que todos los niveles de prueba en cada factor son todos
los disponibles para ese factor, o bien, se estudian todos los niveles de interés en ese
factor; es en este sentido que los niveles están fijos. Éste es el caso, por ejemplo, cuando
en el factor operador se toman los tres únicos operadores como los niveles de prueba, o
cuando los niveles del factor máquinas son las cuatro máquinas existentes. O bien,
cuando se comparan tres tipos de material porque son los que interesa comprar aunque
existan otros materiales de ese tipo. Con factores fijos, las conclusiones obtenida s sólo
son validas para los niveles de prueba que se estudian en el experimento.
como en efectos fijos. Lo que ahora (con efectos aleatorios) tiene sentido es hablar de la
varianza con la que el factor aleatorio contribuye a la variación total; es decir, es preciso
estimar dicha varianza y probar si su contribución a la variabilidad total es significativa.
+ + +
Los cálculos necesarios para probar estas hipótesis involucran las mismas sumas
de cuadrados del modelo de efectos fijos (diseños factoriales con dos factores), de las
cuales se obtienen los correspondientes cuadrados medios. Para obtener los estadísticos
de prueba apropiados debe tomarse en cuenta que los valores esperados de los
cuadrados medios son
132 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 132
132
132
de tal forma que para probar la hipótesis mencionadas, los estadísticos de prueba
apropiados en el ANOVA son
Al resolver las ecuaciones dadas por los valores esperados de cuadrados medios
para los componentes de varianza, se obtienen estimadores de éstos en función de los
cuadrados medios del error, esto es,
Ejemplo
En una compañía dedicada a la fabricación de bombas y válvulas, algunos componentes
críticos tienen tolerancias muy estrechas que son difíciles de cumplir. De aquí que sea
necesario estimar el error de medición con el fin de ver la posibilidad de reducirlo para
cumplir con las especificaciones. El ancho de una pieza particular es una característica
de calidad crítica, cuyas especificaciones son 69 0,4mm. Se eligen dos inspectores al
azar y siete piezas para correr un experimento, a fin de estimar la contribución 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 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 133
133
133
Nótese que cada inspector mide dos veces cada pieza. Sean los inspectores el
factor A y las piezas el factor B, el primero con dos niveles y el segundo con siete
niveles, en ambos casos seleccionados al azar. El modelo de componentes de varianza
propuesto para describir estos datos es donde es el componente de varianza de los
inspectores, es el componente debido a las piezas, es el componente de
interacción de ambos factores y es el componente aleatorio.
Interesa probar las hipótesis:
FV SC GL CM Valor-p
A: Insp. 0,00036 1 0,00036 0,069 0,8043
B: Pieza 0,7516 6 0,1252 24,07 0,0000
AB 0,0313 6 0,0052 0,75 0,6169
Error 0,097 14 0,0069
Total 0,8803 27
Las tres primeras columnas se obtienen igual que el modelo de efectos fijos,
pero las dos últimas deben corregirse de acuerdo con el estadístico de prueba apropiado
para un modelo de efectos aleatorios ( y
). Los valor-p indican que la variabilidad de las piezas es
estadísticamente diferente a cero, mientras que la variabilidad de los inspectores y de la
interacción inspector x pieza no es significativa (es igual a cero). Desde el punto de
vista del objetivo del experimento, los resultados del ANOVA son los deseados: la
reproducibilidad ( + ) es estadísticamente igual a cero, es decir, los inspectores no
afectan el proceso de medición. La estimación de los componentes de varianza, a partir
de los cuadros medios, queda como:
134 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 134
134
134
Utilizando Minitab
debe oprimir el botón de la opción <<Diseños>> para poder escoger su diseño, número
de repeticiones y otras opciones.
6. Una vez capturados los datos (estos datos deberán corresponder al factor A con
respecto a factor B de acuerdo a la tabla original) en su correspondiente renglón. El
siguiente paso es regresar al paso 1.
CAPÍTULO 5
Series de tiempo
Series de tiempo
Toda institución, ya sea la familia, la empresa o el gobierno, tienen que hacer planes
para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones
requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.
Desde luego que se deben considerar los datos reales de ventas del producto en
periodos pasados. Con tales datos históricos podemos identificar el nivel general de
ventas y cualquier tendencia, como aumento o disminución en el volumen a través del
tiempo. Por ejemplo, un examen más detallado de los datos puede revelar un
comportamiento estacional, como el de los picos que se presentan en el tercer trimestre
de cada año y los mínimos durante el primer trimestre. Al repasar los datos históricos se
puede, con frecuencia, adquirir una mejor comprensión de la tendencia de las ventas en
el pasado para poder pronosticar las ventas del producto en el futuro de una mejor
manera.
Las ventas históricas forman una serie de tiempo que es un conjunto de
observaciones de una variable medida en puntos o periodos sucesivos en el tiempo.
Por otro lado, los métodos de pronóstico cuantitativo utilizan los datos
históricos. La meta es estudiar lo que ocurrió en el pasado para entender mejor la
estructura fundamental de los datos y proporcionar los medios necesarios para predecir
los sucesos futuros.
Los métodos de pronóstico cuantitativos se dividen en dos tipos: series de
tiempo y causales.
Método de pronostico
Cuantitativo s Cualitativos
Suavizamiento
Proyección de tendencia
La suposición fundamental del análisis de series de tiempo es que los factores que han
influido en los patrones de actividad en el pasado y el presente tendrán más o menos la
misma influencia en lo futuro. Entonces la meta principal del análisis de series de
tiempo es: identificar y aislar estos factores de influencia con el fin de realizar
predicciones (pronosticar), así como fines administrativos de planeación y control.
Figura 5.2 Gráfica de ingresos netos reales (en miles de millones de dólares) de Eastman Kodak Company
(1975-1998)
Los tres o cuatro componentes que influyen en una serie de tiempo económica o
de negocios se resumen en la tabla 5.1. El modelo multiplicativo clásico de series de
tiempo establece que todo valor observado en una serie de tiempo es el producto de
estos factores de influencia; es decir, cuando los datos se obtienen cada año, una
observación registrada en el año se puede expresar por la ecuación (5.1)
Cuando los datos se obtienen por trimestre o por mes, una observación
registrada en el periodo puede estar dada por la ecuación (5.2)
proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una
tendencia, se pueden aplicar varios métodos de pronóstico de series de tiempo al
manejar datos anuales, y otro método para los datos de series de tiempo mensual o
trimestral.
Un modelo clásico para una serie de tiempo, supone que una serie x(1), ..., x(n)
puede ser expresada como suma o producto de tres componentes: tendencia,
estacionalidad y un término de error aleatorio.
Una suposición usual es que A(t) sea una componente aleatoria o ruido blanco
con media cero y varianza constante.
En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día,
semana, mes o año o en cualquier otro intervalo regular periódico. Aunque los datos de
serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede
mostrar también desplazamientos o movimientos graduales hacia valores relativamente
mayores o menores a lo largo de un lapso importante de tiempo. El desplazamiento
gradual de la serie de tiempo se llama tendencia de esa serie; este desplazamiento o
tendencia es, por lo común, el resultado de factores a largo plazo, como cambios en la
población, características demográficas de la misma, la tecnología y/o las preferencias
del consumidor.
Por ejemplo, un fabricante de bicicletas podría detectar cierta variabilidad, de
año a año, en la cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas
durante los últimos 10 años, puede encontrar que hay un aumento gradual en el volumen
anual de ventas. Suponga que sus ventas fueron:
Año 1 2 3 4 5 6 7 8 9 10
Ventas (miles) 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4
Este crecimiento anual de las ventas a través del tiempo muestra una tendencia
creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser una buena
aproximación a la tendencia de las ventas de bicicletas. Aunque esa tendencia parece ser
lineal y aumentar con el tiempo a veces, en una serie de tiempo, la tendencia se puede
describir mejor mediante otros patrones.
35
30
25
Venta (miles)
20
15
10
5
0
0 2 4 6 8 10 12
Año
Esa tendencia podría ser una buena aproximación de las ventas de un producto,
desde su introducción, pasando por un periodo de crecimiento y llegando a una etapa de
saturación del mercado. La tendencia lineal decreciente en la sección B se aplica a una
serie de tiempo que tenga una disminución continua a través del tiempo. La recta
horizontal de la sección C representa una serie de tiempo que no tiene aumento o
disminución consistentes a través del tiempo y que, en consecuencia, no tiene tendencia.
A B C
Aunque una serie de tiempo puede presentar una tendencia a través de periodos grandes,
sus valores no caerán con exactitud sobre la línea de tendencia. De hecho, con
frecuencia estas series temporales presentan secuencias alternas de puntos abajo y arriba
de la línea de tendencia. Toda secuencia recurrente de puntos arriba y debajo de la línea
de tendencia, que dura más de un año, se puede atribuir a un componente cíclico de la
serie. La figura 5.6 es la gráfica de una serie de tiempo con un componente cíclico
obvio. Las observaciones se hicieron con intervalos de un año.
Figura 5.6 Componente de tendencia y cíclico de una serie de tiempo con datos anuales
inflación rápida pueden determinar series de tiempo que se alternan abajo y arriba de
una línea de tendencia ascendente en general (como la serie de tiempo de los costos de
vivienda). Diversas series de tiempo de principios de la década de los ochenta
presentaron este comportamiento
Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7
millones de dólares, el índice estacional par el trimestre de invierno es 76.5 el índice
76.5 indica que las ventas en el primer trimestre normalmente se encuentran 23.5%
abajo del promedio de un trimestre normal. Dividiendo las ventas reales $6.7 millones
entre 76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas
desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se obtuvo
de ($6700000/76.5)100.
Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y
los resultados se dan en millones de dólares. Puesto que la componente estacionalizadas
contiene solo las componentes de tendencia (T), ciclo © e irregular (I). Al revisar las
ventas desestacionalizadas. Es claro que la eliminación del factor estacional permite
considerar la tendencia general a largo plazo de las ventas. También se podrá determinar
la ecuación de regresión de los datos de tendencia y usarla para pronosticar ventas
futuras.
150 CAPÍTULO 5 Series de tiempo Suavización 150
150
150
Los métodos que pueden emplearse para suavizar nuestros datos usualmente son:
La tabla 5.3 presenta las ventas mundiales de una fábrica (en millones de unidades) de
automóviles, camiones y autobuses hechos por General Motors Corporation (GM). Para
un periodo de 24 años, de 1975 a 1998, y la figura 5.7 es una gráfica de serie de tiempo
de estos datos. Al examinar este tipo de datos anuales, la impresión visual de las
tendencias globales a largo plazo o movimientos de tendencia en la serie quedan veladas
por la cantidad de variación de un año a otro. Entonces se vuelve difícil juzgar si en esta
serie en realidad existe un efecto de tendencia positivo o negativo a largo plazo .
Tabla 5.3 Ventas de fábrica (en millones de unidades) Para la General Motors Corporation (1975-1998)
10
Unidades (millones)
6
4
0
1970 1980 1990 2000
Año
Promedios móviles
El método de promedios móviles para suavizar una serie de tiempo es muy subjetivo y
dependiente de L, la longitud del periodo seleccionado para calcular los promedios. Para
eliminar las fluctuaciones cíclicas, el periodo elegido debe ser un valor entero que
corresponda a (o sea múltiplo de) la longitud promedio estimada de un ciclo en una
serie. Los promedios móviles para un promedio determinado de longitud L consiste en
una serie de promedios aritméticos en el tiempo tales que cada uno se calcula a partir de
una secuencia de L valores observados. Estos promedios móviles se representan por el
símbolo PM (L)
El segundo promedio móvil de 5 años se calcula con la suma de los valores de los años
2 a 6 en la serie, dividida entre 5
Y Y Y Y Y
PM (5) = 2 3 4 5 6
5
Este proceso continúa hasta calcular el último promedio móvil de 5 años con la suma de
los valores de los últimos 5 años en la serie (años del 7 al 11), dividida entre 5.
Y7 Y8 Y9 Y10 Y11
PM (5) =
5
Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido
para construir los promedios móviles, debe ser un número de años impar. Al seguir esta
regla se observa que no se pueden obtener promedios móviles para los primeros (L –
152 CAPÍTULO 5 Series de tiempo Suavización 152
152
152
1)/2 años o los últimos (L -1)/2 años en la serie. Entonces, para un promedio móvil de 5
años, no es posible hacer cálculos para los primeros 2 años o los últimos 2 años de la
serie.
Al graficar los promedios móviles, cada valor calculado se coloca en el año a la
mitad de la secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer
promedio móvil se centra en el tercer año, el segundo promedio móvil se centra en el
cuarto año y el último en el noveno año. Esto se ilustra en el siguiente ejemplo :
Suponga que los siguientes datos representan los ingresos totales (en millones de
dólares constantes de 1995) de una agencia donde se rentan automóviles, en un intervalo
de 11 años de 1987 a 1997:
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5
Calcule los promedios móviles de 5 años para esta serie de tiempo anual.
Solución
El primer promedio móvil de 5 años es
4.0 5.0 7.0 6.0 8.0 30.0
PM (5) = 6.0
5 5
Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma de los
cinco años y se divide entre 5. Después el promedio se centra en el valor medio, el
tercer año de esta serie de tiempo. Los siguientes valores quedan de la siguiente manera:
5.0 7.0 6.0 8.0 9.0 35.0
PM (5) = 7.0
5 5
Estos promedios móviles se centran en sus respectivos valores medios, el quinto, sexto
y séptimo años de la serie de tiempo. Se observa que al obtener promedios móviles de 5
años, no se pueden calcular los valores para los primeros dos y los últimos dos valores
de la serie de tiempo.
153 CAPÍTULO 5 Series de tiempo Suavización 153
153
153
Se observa en la tabla 5.4 que al obtener los promedios móviles de 3 años, no se pueden
calcular valores para el primero o el último valor en la serie de tiempo.
10
8
6
4 VENTAS
2 PM 3 años
PM 7 años
0
8,5
Datos Y
8,0
7,5
7,0
6,5
6,0
1975 1980 1985 1990 1995 2000
A ño
Suavización exponencial
La suavización exponencial es otra técnica que se usa para alisar una serie de tiempo y
proporcionar una visualización global de los movimientos a largo plazo de los datos.
Además, se puede usar el método de suavización exponencial para obtener pronósticos a
corto plazo (un periodo futuro) para series de tiempo.
El método de suavización exponencial obtiene su nombre del hecho de que
proporciona un promedio móvil con ponderación exponencial a través de la serie de
tiempo. En toda la serie, cada cálculo de suavización o pronóstico depende de todos los
valores observados anteriores. Ésta es otra ventaja respecto al método de pronósticos
móviles, que no toma en cuenta todos los valores observados de esta manera. Con la
155 CAPÍTULO 5 Series de tiempo Suavización 155
155
155
donde
EI = valor de la serie suavizada exponencialmente que se calcula en el periodo
EI – 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo – 1
Yi = valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavización (donde 0 < W < 1)
E1 = Y1
E i W Yi (1W )Ei 1
SE SE
Año Ventas (W=0.25) (W=0.50)
1975 6,6 6,6 6,6
1976 8,6 7,1 7,6
1977 9,1 7,6 8,35
1978 9,5 8,075 8,925
1979 9 8,30625 8,9625
1980 7,1 8,0046875 8,03125
1981 6,8 7,70351563 7,415625
1982 6,2 7,32763672 6,8078125
1983 7,8 7,44572754 7,30390625
1984 8,3 7,65929565 7,80195313
1985 9,3 8,06947174 8,55097656
1986 8,6 8,20210381 8,57548828
1987 7,8 8,10157785 8,18774414
1988 8,1 8,10118339 8,14387207
1989 7,9 8,05088754 8,02193604
1990 7,5 7,91316566 7,76096802
1991 7,4 7,78487424 7,58048401
1992 7,7 7,76365568 7,640242
1993 7,8 7,77274176 7,720121
1994 8,4 7,92955632 8,0600605
1995 8,3 8,02216724 8,18003025
1996 8,4 8,11662543 8,29001513
1997 8,8 8,28746907 8,54500756
1998 8,1
Figura 5.11 Gráfica de una serie suavizada exponencialmente (W = 0.50 y W = 0.25) para las ventas de
GM en Minitab
Gr áfi ca de di spersi ón de Ventas; Suavi zar 0,25; Suavi zar 0,50 vs. Año
Variab le
9,5
Ventas
Suav izar 0,25
9,0 Suav izar 0,50
8,5
Datos Y
8,0
7,5
7,0
6,5
6,0
1975 1980 1985 1990 1995 2000
A ño
Proyección de tendencias
Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo plazo. El tipo
de serie de tiempo para el cual se aplica el método de proyección de tendencias presenta
un aumento o disminución consistentes a través del tiempo; y no es estable como para
aplicar los métodos de suavizamiento analizados en la sección anterior.
158 CAPÍTULO 5 Series de tiempo Suavización 158
158
158
30
28
ventas
26
24
22
1 2 3 4 5 6 7 8 9 10
A ño
Vamos a emplear los datos de ventas de bicicletas para ilustrar los cálculos del
análisis de regresión, a fin de identificar una tendencia lineal. Recuerde que en la
descripción de la regresión lineal simple, describimos cómo se aplica el método de
mínimos cuadrados para determinar la mejor relación lineal entre dos variables; tal
metodología es la que usaremos para definir la línea de tendencia para la serie de tiempo
de ventas de bicicletas. En forma específica, aplicaremos el análisis de regresión para
estimar la relación entre el tiempo y el volumen de ventas.
Figura 5.13 Tendencias de las ventas de bicicletas, representada por una función lineal
Gráfica de análisis de tendencia de ventas
Modelo de tendencia lineal
Yt = 20,40 + 1,10* t
32 Variable
A ctual
A justes
30
Medidas de exactitud
MA PE 5,06814
28 MA D 1,32000
MSD 3,07000
ventas
26
24
22
20
1 2 3 4 5 6 7 8 9 10
A ño
La ecuación de regresión que describe una relación lineal entre una variable
independiente, , y una variable dependiente, , es
donde
= valor de la tendencia de la serie de tiempo en el periodo
= ordenada al origen e la línea de tendencia
= pendiente de la línea de tendencia
= tiempo
donde
= valor de la serie de tiempo en el periodo
= número 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 tabla
5.8 podemos calcular como sigue:
t
1 21,6 21,6 1
2 22,9 45,8 4
3 25,5 76,5 9
4 21,9 87,6 16
5 23,9 119,5 25
6 27,5 165,0 36
7 31,5 220,5 49
8 29,7 237,6 64
9 28,6 257,4 81
10 31,4 314,0 100
55 264,5 1545,5 385
Por consiguiente,
161 CAPÍTULO 5 Series de tiempo Proyección de tendencias 161
161
161
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,874526167
Coeficiente de determinación R^2 0,764796016
R^2 ajustado 0,735395518
Error típico 1,958953802
Observaciones 10
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 99,825 99,825 26,0130293 0,000929509
Residuos 8 30,7 3,8375
Total 9 130,525
Ejercicios
1.- En la compañía Pérez, los porcentajes mensuales de los embarques recibidos durante
los últimos 12 meses fueron
80, 82, 84, 83, 83, 84, 85, 84, 82, 83, 84 y 83
a) Compare el pronóstico con promedios móviles de tres meses con uno de
suavizamiento exponencial con ¿Con cuál se obtienen mejores
pronósticos?
2.- La siguiente serie de tiempo representa las ventas de un producto durante los últimos
12 meses.
Mes 1 2 3 4 5 6 7 8 9 10 11 12
Ventas 10535 120 105 90 120 145 140 100 80 100 110
3.- Los datos que siguen representan el número anual de empleados (en miles) de una
compañía petrolera para los años 1978 a 1997.
4.- Los siguientes datos representan las ventas anuales (en millones de dólares) de una
compañía que procesa alimentos para los años 1972 a 1997
5.- Los datos de inscripciones, en miles, en una universidad estatal durante los últimos
seis años son los siguientes:
Año 1 2 3 4 5 6
Inscripción 20,5 20,2 19,5 19,0 19,1 18,8
6.- Al final de la década de los noventa, muchas empresas trataron de reducir su tamaño
para disminuir sus costos. Uno de los resultados de esas medidas de recorte de costos
fue una disminución en el porcentaje de empleos gerenciales en la industria privada. Los
siguientes datos corresponden al porcentaje de mujeres gerentes, de 1990 1 1995
7.- ACT Networks. Inc., desarrolla, fabrica y vende productos para acceso a redes de
banda ancha. Los siguientes datos son las ventas anuales de 1992 a 1997
El restaurante Vintage está en la isla Captiva, lugar de descanso cerca de Fort Myers,
Florida. El restaurante, cuya dueña y operadora es Karen Payne, acaba de completar su
tercer año de funcionamiento. Karen, durante ese lapso, ha tratado de ganarse una
reputación como establecimiento de alta calidad que se especializa en mariscos. Sus
esfuerzos han tenido éxito y su restaurante ha llegado a ser uno de los mejores y de
mayor crecimiento en la isla.
Analice los datos de ventas del restaurant. Prepare un informe a Karen que contenga
lo que encontró, sus pronósticos y recomendaciones. Dicho informe debe incluir:
Suponga que las ventas en enero del cuarto año fueron de 295 000 dólares. ¿Cuál
fue su error de pronóstico? Si es grande, Karen se quedará confundida por la diferencia
entre su pronóstico y el valor real de las ventas. ¿Qué puede hacer para resolver la
incertidumbre en el procedimiento de pronóstico?
analizar estos datos y preparar estimados de las ventas perdidas en sus almacenes
durante los meses de septiembre a diciembre de 2000. También le pidieron determinar si
es posible alegar exceso de ventas relacionado con el huracán, durante el mismo
periodo. Si se puede presentar ese argumento. Carlson tiene derecho a compensaciones
por exceso sobre las ventas ordinarias.
Prepare un informe a los gerentes de Carlson que resuma lo que encontró, sus
pronósticos y recomendaciones. Éste debe incluir:
a) Un estimado de ventas si no hubiera habido huracán.
b) Un estimado de ventas en tiendas de departamentos de todo el condado, si no
hubiera habido huracán
c) Un estimado de ventas perdidas de Carlson, de septiembre a diciembre de 200
166 166
166
166
Apéndice
Tablas
167 167
167
167
Distribución T de Student
0 Z
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1915 0.1850 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2518 0.2549
0.7 0.2580 0.2612 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 3.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4956 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4986 0.4986 0.4987 0.4987 0.4988 0.4988 0.4988 0.4989 0.4989 0.4990
3.1 0.4990 0.4990 0.4991 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992
3.2 0.4993 0.4993 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995
3.3 0.4995 0.4995 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996
3.4 0.4996 0.4996 0.4996 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997
3.5 0.4997 0.4997 0.4997 0.4997 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.7 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
169 169
169
169
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5039 0.5079 0.5119 0.5159 0.5199 0.5239 0.5279 0.5318 0.5358
0.1 0.5398 0.5437 0.5477 0.5517 0.5556 0.5596 0.5635 0.5674 0.5714 0.5753
0.2 0.5792 0.5831 0.5870 0.5909 0.5948 0.5987 0.6025 0.6064 0.6102 0.6140
0.3 0.6179 0.6217 0.6255 0.6293 0.6330 0.6368 0.6405 0.6443 0.6480 0.6517
0.4 0.6554 0.6590 0.6627 0.6664 0.6700 0.6736 0.6772 0.6808 0.6843 0.6879
0.5 0.6914 0.6949 0.6984 0.7019 0.7054 0.7088 0.7122 0.7156 0.7190 0.7224
0.6 0.7257 0.7290 0.7323 0.7356 0.7389 0.7421 0.7453 0.7485 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7733 0.7763 0.7793 0.7823 0.7852
0.8 0.7881 0.7910 0.7938 0.7967 0.7995 0.8023 0.8051 0.8078 0.8105 0.8132
0.9 0.8159 0.8185 0.8212 0.8238 0.8263 0.8289 0.8314 0.8339 0.8364 0.8389
1.0 0.8413 0.8437 0.8461 0.8484 0.8508 0.8531 0.8554 0.8576 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8707 0.8728 0.8749 0.8769 0.8790 0.8810 0.8829
1.2 0.8849 0.8868 0.8887 0.8906 0.8925 0.8943 0.8961 0.8979 0.8997 0.9014
1.3 0.9032 0.9049 0.9065 0.9082 0.9098 0.9114 0.9130 0.9146 0.9162 0.9177
1.4 0.9192 0.9207 0.9221 0.9236 0.9250 0.9264 0.9278 0.9292 0.9305 0.9318
1.5 0.9331 0.9344 0.9357 0.9369 0.9382 0.9394 0.9406 0.9417 0.9429 0.9440
1.6 0.9452 0.9463 0.9473 0.9484 0.9494 0.9505 0.9515 0.9525 0.9535 0.9544
1.7 0.9554 0.9563 0.9572 0.9581 0.9590 0.9599 0.9607 0.9616 0.9624 0.9632
1.8 0.9640 0.9648 0.9656 0.9663 0.9671 0.9678 0.9685 0.9692 0.9699 0.9706
1.9 0.9712 0.9719 0.9725 0.9731 0.9738 0.9744 0.9750 0.9755 0.9761 0.9767
2.0 0.9772 0.9777 0.9783 0.9788 0.9793 0.9798 0.9803 0.9807 0.9812 0.9816
2.1 0.9821 0.9825 0.9829 0.9834 0.9838 0.9842 0.9846 0.9849 0.9853 0.9857
2.2 0.9860 0.9864 0.9867 0.9871 0.9874 0.9877 0.9880 0.9883 0.9886 0.9889
2.3 0.9892 0.9895 0.9898 0.9900 0.9903 0.9906 0.9908 0.9911 0.9913 0.9915
2.4 0.9918 0.9920 0.9922 0.9924 0.9926 0.9928 0.9930 0.9932 0.9934 0.9936
2.5 0.9937 0.9939 0.9941 0.9942 0.9944 0.9946 0.9947 0.9949 0.9950 0.9952
2.6 0.9953 0.9954 0.9956 0.9957 0.9958 0.9959 0.9960 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9971 0.9972 0.9973
2.8 0.9974 0.9975 0.9975 0.9976 0.9977 0.9978 0.9978 0.9979 0.9980 0.9980
2.9 0.9981 0.9981 0.9982 0.9983 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986
3.0 0.9986 0.9986 0.9987 0.9987 0.9988 0.9988 0.9988 0.9989 0.9989 0.9990
170 170
170
170
FUNCION DE DISTRIBUCION
0.005 0.010 0.025 0.050 0.100 0.900 0.950 0.975 0.990 0.995
1 0.000039 0.000157 0.000982 0.003932 0.01582.71 3.84 5.02 6.63 7.88
2 0.0100 0.0201 0.0506 0.10 0.21 4.61 5.99 7.38 9.21 10.60
3 0.0717 0.11 0.22 0.35 0.58 6.25 7.81 9.35 11.34 12.84
4 0.21 0.30 0.48 0.71 1.06 7.78 9.49 11.14 13.28 14.86
5 0.41 0.55 0.83 1.15 1.61 9.24 11.07 12.83 15.09 16.75
6 0.68 0.87 1.24 1.64 2.20 10.64 12.59 14.45 16.81 18.55
7 0.99 1.24 1.69 2.17 2.83 12.02 14.07 16.01 18.48 20.28
8 1.34 1.65 2.18 2.73 3.49 13.36 15.51 17.53 20.09 21.95
9 1.73 2.09 2.70 3.33 4.17 14.68 16.92 19.02 21.67 23.59
10 2.16 2.56 3.25 3.94 4.87 15.99 18.31 20.48 23.21 25.19
GRADOS DE LIBERTAD
11 2.60 3.05 3.82 4.57 5.58 17.28 19.68 21.92 24.72 26.76
12 3.07 3.57 4.40 5.23 6.30 18.55 21.03 23.34 26.22 28.30
13 3.57 4.11 5.01 5.89 7.04 19.81 22.36 24.74 27.69 29.82
14 4.07 4.66 5.63 6.57 7.79 21.06 23.68 26.12 29.14 31.32
15 4.60 5.23 6.26 7.26 8.55 22.31 25.00 27.49 30.58 32.80
16 5.14 5.81 6.91 7.96 9.31 23.54 26.30 28.85 32.00 34.27
17 5.70 6.41 7.56 8.67 10.09 24.77 27.59 30.19 33.41 35.72
18 6.26 7.01 8.23 9.39 10.86 25.99 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 10.12 11.65 27.20 30.14 32.85 36.19 38.58
20 7.43 8.26 9.59 10.85 12.44 28.41 31.41 34.17 37.57 40.00
21 8.03 8.90 10.28 11.59 13.24 29.62 32.67 35.48 38.93 41.40
22 8.64 9.54 10.98 12.34 14.04 30.81 33.92 36.78 40.29 42.80
23 9.26 10.20 11.69 13.09 14.85 32.01 35.17 38.08 41.64 44.18
24 9.89 10.86 12.40 13.85 15.66 33.20 36.42 39.36 42.98 45.56
25 10.52 11.52 13.12 14.61 16.47 34.38 37.65 40.65 44.31 46.93
26 11.16 12.20 13.84 15.38 17.29 35.56 38.89 41.92 45.64 48.29
27 11.81 12.88 14.57 16.15 18.11 36.74 40.11 43.19 46.96 49.64
28 12.46 13.56 15.31 16.93 18.94 37.92 41.34 44.46 48.28 50.99
29 13.12 14.26 16.05 17.71 19.77 39.09 42.56 45.72 49.59 52.34
30 13.79 14.95 16.79 18.49 20.60 40.26 43.77 46.98 50.89 53.67
171 171
171
171
D 21 2.96 2.57 2.36 2.23 2.14 2.08 2.02 1.98 1.95 1.92
E 22 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93 1.90
N 23 2.94 2.55 2.34 2.21 2.11 2.05 1.99 1.95 1.92 1.89
O 24 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91 1.88
M 25 2.92 2.53 2.32 2.18 2.09 2.02 1.97 1.93 1.89 1.87
I
A 26 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 1.88 1.86
D 27 2.90 2.51 2.30 2.17 2.07 2.00 1.95 1.91 1.87 1.85
O 28 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87 1.84
R 29 2.89 2.50 2.28 2.15 2.06 1.99 1.93 1.89 1.86 1.83
30 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85 1.82
40 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79 1.76
60 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74 1.71
90 2.76 2.36 2.15 2.01 1.91 1.84 1.78 1.74 1.70 1.67
120 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65
172 172
172
172
D 21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
E 22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
N 23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
O 24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
M 25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
I
A 26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
D 27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20
O 28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
R 29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04 1.99 1.94
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91
173 173
173
173
D 21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31
E 22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26
N 23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21
O 24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17
M 25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13
I
A 26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09
D 27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06
O 28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03
R 29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63
90 6.93 4.85 4.01 3.53 3.23 3.01 2.84 2.72 2.61 2.52
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47
174 174
174
174
Bibliografía
GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edición. Análisis y Diseño
de Experimentos. Mc Graw Hill.
WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edición. Probabilidad y
Estadística Para Ingenieros. Pearson Education