Anda di halaman 1dari 86

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 1



NDICE
1. Introduccin a Minitab 2
1.1 Qu es Minitab? 2
1.2 Pantalla principal 3
1.3 Comandos principales 4
2. Distribuciones de probabilidad 6
2.1 Distribuciones de probabilidad discretas 6
2.2 Distribuciones de probabilidad continuas 10
2.3 Grficas de distribuciones de probabilidad 15
3. Estadstica descriptiva 22
3.1 Clculo de estadsticas descriptivas 22
3.2 Correlacin 26
4 Estadstica inferencial 28
4.1 Media muestral, distribucin normal 28
4.2 Media muestral, distribucin t 30
4.3 Dos medias muestrales 31
4.4 Prueba de medias por pares 33
4.5 Prueba de una proporcin 35
4.6 Prueba de dos proporciones 36
4.7 Prueba de varianza 38
4.8 Prueba de igualdad de varianzas 39
5 Regresin 42
5.1 Regresin simple 42
5.2 Regresin mltiple 53
6 Anlisis de varianza 58
6.1 Modelo de un factor 58
6.2 Diseo de bloques aleatorizado 63
6.3 Experimento factorial de dos factores 69
7 Pronsticos 74
7.1 Promedios mviles 74
7.2 Suavizacin exponencial 79
7.3 Tendencias 82
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 2

MINITAB

1. INTRODUCCIN A MINITAB
1.1 Qu es Minitab?
Minitab es un software que permite resolver problemas diversos en
varias reas matemticas y de la ingeniera, como Estadistica,
Probabilidad, Algebra Matricial, Control de Calidad, Simulacin. Es muy
fcil de usar y cuenta con una ayuda muy completa. Los resultados
numricos y grficos se pueden exportar con facilidad a Word, Excel o
Power Point.
Para entrar, se debe presionar el icono correspondiente.



1.2 Pantalla principal
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 3

Una vez que acces al programa, se mostrar la pantalla principal de
Minitab.



En la ventana de sesin se van registrando los resultados de los
problemas que se resuelven.
En la hoja de trabajo se introducen los datos necesarios para el
procesamiento y tambin se pueden mostrar resultados, si as se
especifica.
Project Manager (inicialmente minimizado) contiene carpetas que
permiten navegar, ver y manipular diversas partes de su proyecto. Al
hacer clic con el botn derecho del ratn en las carpetas o en su
contenido, puede acceder a una variedad de mens que permite
administrar la salida de la ventana Sesin, las grficas, las hojas de
trabajo, el lenguaje de comando y las reas relacionadas del proyecto.
1.3 Comandos principales
Men principal
Ventana de
sesin
Hoja de trabajo
Project
Manager
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 4

Los comandos mostrados en el men principal son:
a) Archivo
b) Editar
c) Datos
d) Calc
e) Estadsticas
f) Grfica
g) Editor
h) Herramientas
i) Ventana
j) Ayuda
k) Asistente




Men Archivo Men Editar Men Datos

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 5


Men Calc Men Estadsticas Men Grfica



Men Editor Men Herramientas Men Ventana



Men Ayuda Men Asistente
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 6


2. DISTRIBUCIONES DE PROBABILIDAD
Minitab se puede utilizar para calcular valores de probabilidad
de variables aleatorias que siguen distribuciones discretas y continuas.
Las opciones disponibles se muestran en la siguiente pantalla.

2.1 Distribuciones de probabilidad discretas.
Usando Minitab se pueden calcular los valores de diferentes
distribuciones de probabilidad discretas, como: binomial, binomial
negativa, geomtrica, hipergeomtrica, discreta, entera y Poisson.
Para esta finalidad, en el men superior se selecciona Calc . De las
opciones desplegadas, elija Distribuciones de probabilidad y luego elija
una de las distribuciones mencionadas arriba.
Deber introducir los parmetros correspondientes a la distribucin
para obtener probabilidades de valores individuales o acumuladas.

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 7

Ejemplos:
a) Obtener las probabilidades desde 0 hasta 10 xitos para un
experimento de Bernoulli (distribucin binomial) con 15 ensayos y una
probabilidad de xito de 0.6.
Solucin:
Inicialmente hay que introducir en la columna C1 los valores de x para
los cuales se desean calcular las probabilidades. (Es preferible ponerle
el encabezado Valores de la variable aleatoria a la columna C1 y
Probabilidades a la columna donde se almacenen los resultados).
Despus, se siguen las instrucciones indicadas para obtener los valores
de la distribucin de probabilidad binomial. Entonces, aparecer la
siguiente pantalla:

Elegir Probabilidad, en la celda de nmero de ensayos escribir: 10,
probabilidad del evento (probabilidad de xito): 0.6, columna de entrada:
C1. Si se desea que los resultados aparezcan en la hoja de trabajo de
Minitab, en Almacenamiento opcional se debe elegir una columna, en
caso contrario, las probabilidades se mostrarn en la ventana de Sesin:


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 8

Funcin de densidad de probabilidad

Binomial con n = 15 y p = 0.6

x P( X = x )
0 0.000001
1 0.000024
2 0.000254
3 0.001649
4 0.007420
5 0.024486
6 0.061214
7 0.118056
8 0.177084
9 0.206598
10 0.185938


b) Obtener las probabilidades de obtener de 2 a 5 bolas blancas de una
muestra de 6 en un recipiente donde se realiza extraccin sin
reemplazo (hipergeomtrico) en el cual se tienen 20 bolas, 7 de ellas
blancas.
Solucin:
En la columna C1 se introducen los valores 2, 3, 4, 5. A continuacin se
siguen las instrucciones indicadas para obtener los valores de la
distribucin de probabilidad hipergeomtrica. Entonces, aparecer la
pantalla en la cual se elige Probabilidad, N=20 (nmero de bolas),
M=7 (cantidad de bolas blancas), n=6, y las columnas de donde se
toman los valores de la variable aleatoria y donde se mostrarn los
resultados.
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 9



El resultado solo se muestra en la hoja de trabajo, es:



c) Obtener las probabilidades acumuladas desde 0 a 8 sucesos en un
experimento de Poisson en el cual el promedio es de 5.
Solucin:
En la columna C1 se introducen los valores del 0 al 8. A continuacin
se siguen las instrucciones indicadas para obtener los valores de la
distribucin de probabilidad Poisson. Se realiza el llenado de la
ventana como se muestra a continuacin.
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 10


Los resultados son:


2.2 Distribuciones de probabilidad continuas.
Minitab calcula los valores de diferentes distribuciones de probabilidad
continuas: chi-cuadrada, F, t, uniforme, beta, Cauchy, exponencial,
gamma, Laplace, logstica, loglogstica, lognormal, triangular, Wiebull,
valor entero ms grande, valor entero ms pequeo.
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 11

Para esta finalidad, en el men superior se selecciona Calc . De las
opciones desplegadas, elija Distribuciones de probabilidad y luego elija
una de las distribuciones mencionadas arriba.
Deber introducir los parmetros correspondientes a la distribucin
para obtener probabilidades acumuladas o acumuladas inversas.

a) Distribucin normal.
Es la distribucin continua ms utilizada. Su ventana es la siguiente:











Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 12


Opcin Entrada Salida
Densidad de
probabilidad
Valores de la variable
aleatoria normal
Valores de la funcin
(alturas de la curva)
Probabilidad
acumulada
Valores de la variable
aleatoria normal
Probabilidad de que la
variable aleatoria sea
menor que el valor
indicado (reas bajo la
curva)
Probabilidad
acumulada inversa
Probabilidad de que la
variable aleatoria sea
menor que el valor
indicado (reas bajo la
curva)
Valores de la variable
aleatoria normal


Si se desea utilizar la distribucin normal estndar, el valor de la media
debe ser 1.0 y la desviacin estndar 0.0. En otro caso, modificar estos
valores segn se requiera.


b) Distribucin exponencial.
En esta distribucin la ventana es muy parecida a la correspondiente a
la normal, exceptuando Escala y Valor umbral, el cual es el mnimo
valor posible de la variable aleatoria.
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 13



c) Distribucin triangular.
Los parmetros de entrada de esta distribucin son: cota inferior, cota
superior y moda.


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 14

Se muestran los resultados correspondientes a un ejemplo de esta
distribucin.


A continuacin se muestran las otras distribuciones continuas y los
parmetros necesarios para los clculos correspondientes.

Distribuciones Parmetros
Uniforme Cota inferior, cota superior
Chi-cuadrada, t Grados de libertad
F Grados de libertad del numerador,
grados de libertad del denominador
Beta Primer parmetro de forma,
segundo parmetro de forma
Cauchy, Laplace, valores extremos
ms grandes, valores extremos ms
pequeos, logstica
Ubicacin, escala
Gamma, Weibull Parmetro de forma, parmetro de
escala, parmetro de umbral
Loglogstica, lognormal Ubicacin, escala, valor umbral





Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 15

2.3 Grficas de distribuciones de probabilidad.
Para graficar distribuciones de probabilidad, entrar al men Grfica,
seleccionar Grfica de distribuciones de probabilidad. Se mostrar la
siguiente ventana.



Al elegir Ver una se obtendr una sola grfica. Por ejemplo, para una
distribucin Poisson con una media de 4, la ventana ser:


La grfica correspondiente es:

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 16

12 10 8 6 4 2 0
0.20
0.15
0.10
0.05
0.00
X
P
r
o
b
a
b
i
l
i
d
a
d
Grfica de distribucin
Poisson, Media=4

Si se desea conocer la probabilidad de algn valor de la variable
aleatoria, debe ubicarse el cursor en la barra correspondiente.


Si se selecciona Variar parmetros se obtienen grficas
correspondientes a la misma distribucin. Esto es especialmente til con
distribuciones de probabilidad continuas.
Si se desean las grficas de distribucin normal con una media de 12 y
desviaciones estndar de 1.5 y 1.0, se tendr la ventana siguiente (los
valores diferentes se deben separar con un espacio).
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 17


Al oprimir Mltiples grficas se tienen 3 opciones para mostrar las
distribuciones.


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 18

16 14 12 10 8
0.4
0.3
0.2
0.1
0.0
X
D
e
n
s
i
d
a
d
1.5
1
Desv.Est.
Grfica de distribucin
Normal, Media=12

Si se selecciona Dos distribuciones se pueden obtener grficas
correspondientes a diferentes distribuciones de probabilidad o de la
misma distribucin, modificando ms de un parmetro.

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 19

Se obtienen la siguiente grfica.

4.0 3.5 3.0 2.5 2.0 1.5 1.0
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
X
D
e
n
s
i
d
a
d
Uniforme 1 4
Distribucin Inferior Superior
Triangular 1 3 4
Distribucin Inferior Moda Superior
Grfica de distribucin


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 20

Si se elije Ver probabilidad la ventana ser la siguiente:

Dando clic en rea sombreada se puede hacer lo siguiente:


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 21

Se obtendr la grfica de una distribucin normal, en cada extremo hay
un rea de 0.025 y se indican los valores de la variable aleatoria que
delimitan las regiones sombreadas.

0.4
0.3
0.2
0.1
0.0
X
D
e
n
s
i
d
a
d
-1.960
0.025
1.960
0.025
0
Grfica de distribucin
Normal, Media=0, Desv.Est.=1














Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 22


3. ESTADSTICA DESCRIPTIVA
3.1 Clculo de estadsticas descriptivas
Para el clculo de estadsticas descriptivas, en el men principal se
selecciona Estadsticas, luego Estadstica bsica y despus hay 3
opciones mostradas en la imagen.


Ejemplo 1: Calcular el promedio, desviacin estndar, mnimo y mximo
de los siguientes valores.

Solucin:
En este caso se seleccion Mostrar estadsticas descriptivas*.


* Si se hubiera seleccionado Almacenar estadsticas descriptivas,
estos resultados se mostrarn en la hoja de trabajo, uno por columna.
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 23



En la ventana anterior se hace clic en Estadsticas. Mostrndose la
siguiente pantalla, donde se eligen los parmetros deseados.


Los resultados estarn en la ventana de sesin y se muestran.


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 24


Estadsticas descriptivas: C1

Variable N Media Desv.Est. Mnimo Mximo
C1 10 40.30 18.52 17.00 73.00


Si en la ventana de mostrar estadsticas descriptivas se hace clic en
Grficas, aparecer la siguiente ventana con las grficas disponibles.




Ejemplo 2. Calcular las estadsticas bsicas para los siguientes valores:
0.85, 0.89, 0.76, 0.75, 0.82, 0.93, 0.82, 0.74, 0.88, 0.92, 0.85, 0.81, 0.79,
0.88, 0.76

Solucin:
Una vez introducidos los datos, en el submen Estadstica bsica se
elige Resumen grfico.

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 25



Una vez que se presiona Aceptar, aparecen los resultados.
0.90 0.85 0.80 0.75
Mediana
Media
0.88 0.84 0.80
1er cuartil 0.76000
Mediana 0.82000
3er cuartil 0.88000
Mximo 0.93000
0.79561 0.86439
0.77121 0.88000
0.04547 0.09795
A-cuadrado 0.28
V alor P 0.587
Media 0.83000
Desv .Est. 0.06211
V arianza 0.00386
Asimetra 0.07225
Kurtosis -1.19348
N 15
Mnimo 0.74000
Prueba de normalidad de A nderson-Darling
Interv alo de confianza de 95% para la media
Interv alo de confianza de 95% para la mediana
Interv alo de confianza de 95% para la desv iacin estndar
Intervalos de confianza de 95%
Resumen para paso


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 26

3.2 Correlacin
El coeficiente de correlacin es una medida de la asociacin lineal,
causal o incidental, entre dos variables.
Ejemplo: Se desea saber si el tiempo requerido para cargar y servir una
mquina se relaciona con el nmero de latas entregadas del producto.
Con tal fin, se obtuvieron los siguientes datos:

Latas Tiempo Latas Tiempo Latas Tiempo
2 9.95 8 27.50 10 34.93
8 24.45 4 17.08 15 46.59
11 31.75 11 37.00 15 44.88
10 35.00 12 41.95 16 54.10
8 25.92 2 11.66 17 56.63
4 16.86 4 21.65 6 22.13
2 14.38 4 17.89 5 21.15
2 9.60 20 69.00
9 24.35 1 10.30

En el men Estadsticas se entra al submen Estadstica bsica y
luego a Correlacin (se muestra la ventana)

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 27

Al oprimir Aceptar se obtienen los resultados en la ventana de
Sesin.



Como el coeficiente de correlacin es muy cercano a +1, se dice que las
variables Latas y Tiempo tienen una correlacin positiva muy fuerte.

Si en el men Estadsticas se entra al submen Estadstica bsica y
luego Covarianza, se obtienen las covarianzas de las variables consigo
mismas y entre s.


El coeficiente de correlacin se puede obtener dividiendo la covarianza
Latas-Tiempo entre la raz cuadrada del producto de las covarianzas
Latas-Latas y Tiempo-Tiempo.










Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 28


4. ESTADSTICA INFERENCIAL
La inferencia estadstica es el proceso mediante el cual se utiliza la
informacin de los datos de una muestra para extraer conclusiones
acerca de la poblacin de la que se seleccion la muestra. Las tcnicas de
la inferencia estadstica se dividen en dos reas principales: estimacin de
parmetros y prueba de hiptesis.
En la estimacin de parmetros se establece un intervalo, denominado
intervalo de confianza, en el cual se tiene un nivel de seguridad de
encontrar el parmetro poblacional (media, proporcin, varianza) que
interese.
Las pruebas de hiptesis pueden ser bilaterales (no igual) o unilaterales
(mayor que o menor que).

4.1 Una media muestral, distribucin normal
Cuando el tamao de la muestra es mayor o igual que 30 y/o se sabe la
poblacin de la cual se obtuvo sigue una distribucin normal, se puede
utilizar esta distribucin.
Ejemplo: En un estudio referente a la velocidad que alcanza un
automvil despus de cierto tiempo se desea saber si la media
poblacional es igual a 140, con un nivel de significancia de 0.05. Con tal
finalidad, se tom una muestra de 15 registros de velocidad, los cuales
son: 135.4, 134.7, 133.6, 134.8, 136.3, 135.9, 134.6, 135.8, 137.2, 138.4,
139.5, 140.2, 138.2, 135.7 y 136.8.
De acuerdo a la experiencia previa, se sabe que la velocidad se
distribuye normalmente con una media poblacional de 2.

En el men Estadsticas se entra al submen Estadstica bsica y
luego Z de 1 muestra.
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 29





Al presionar Aceptar, en la ventana de Sesin se mostrar:

Z de una muestra: Speed

Prueba de mu = 140 vs. no = 140
La desviacin estndar supuesta = 2


Error
estndar
de la
Variable N Media Desv.Est. media IC de 95% Z P
Speed 15 136.473 1.902 0.516 (135.461, 137.485) -6.83 0.000

Aqu se pueden
introducir la
media y tamao
de la muestra, en
lugar de tomar
datos de
columnas
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 30


El intervalo de confianza al 95% para la media muestral es:
135.461 137.485 < < .
La hiptesis nula H
0
: =140 se rechaza, porque el valor P debera estar
entre 0.025 y 0.975.


4.2 Una media muestral, distribucin t
Cuando el tamao de la muestra es menor que 30, se puede utilizar
esta distribucin.
Ejemplo: En un estudio referente a la resistencia al rompimiento de una
fibra textil, se seleccion una muestra aleatoria de 15 especmenes de
prueba y se determinan sus resistencias al rompimiento. La media y
desviacin estndar muestrales son 152.18 y 4.08, respectivamente. Con
un nivel de significancia de 0.05, pruebe que la resistencia no sea menor
de 150 psi.

En el men Estadsticas se entra al submen Estadstica bsica y
luego t de 1 muestra.



Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 31

Al presionar Aceptar, en la ventana de Sesin se mostrar:

T de una muestra

Prueba de mu = 150 vs. < 150


Error
estndar Lmite
de la superior
N Media Desv.Est. media 95% T P
15 152.18 4.08 1.05 154.04 2.07 0.971


Como la hiptesis alterna es menor que, la hiptesis nula se acepta si
el P-value es mayor que 0.05, como en este caso (0.971). Se concluye que
la resistencia al rompimiento no es menor que 150 psi.

4.3 Dos medias muestrales
Cuando se desean comparar pares de medias muestrales, se puede
utilizar Minitab. En el men Estadsticas se entra al submen
Estadstica bsica y luego t de 2 muestras.


Ejemplo: Un fabricante de unidades de pantallas de video prueba dos
diseos de microcircuitos para determinar si ellos producen flujos de
corriente equivalentes. La ingeniera de desarrollo ha obtenido los
siguientes datos:
Diseo 1
n1
= 15
1
24.2 x =
2
1
10 s =
Diseo 2 n
2
= 10
2
23.9 x =
2
2
10 s =

Se desea probar H
0
:
1
=
2
contra H
1
:
1
=
2

Suponiendo que ambas poblaciones son normales, pero considerando
que las varianzas poblacionales son desconocidas.

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 32





Prueba T de dos muestras e IC

Error
estndar
de la
Muestra N Media Desv.Est. media
1 15 24.20 3.16 0.82
2 10 23.90 4.47 1.4


Diferencia = mu (1) - mu (2)
Estimado de la diferencia: 0.30
IC de 95% para la diferencia: (-3.20, 3.80)
Prueba T de diferencia = 0 (vs. no =): Valor T = 0.18 Valor P = 0.857 GL = 14

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 33

El intervalo de confianza al 95% para la diferencia de las medias
muestrales es:
1 2
3.20 3.80 < < .
La hiptesis nula H
0
:
1
=
2
se acepta, porque el valor P est entre
0.025 y 0.975.


4.4 Prueba de medias por pares
Cuando las observaciones en las poblaciones de inters se recaban en
pares, en condiciones homogneas e interesa las diferencias entre esas
medias, se utiliza este tipo de prueba.

Ejemplo:
Un artculo en el Journal of Strain Analysis, compara varios mtodos para
predecir la resistencia al corte de vigas de placa de acero. Los datos para
dos de estos mtodos, los procedimientos de Karlsruhe y Lehigh, cuando
se aplican a 9 vigas especficas, se muestran en la siguiente tabla.
Deseamos determinar si, en promedio, hay alguna diferencia entre los
dos mtodos.
Viga S1/1 S2/1 S3/1 S4/1 S5/1
Mtodo de
Karlsruhe
1.186 1.151 1.322 1.339 1.200
Mtodo de
Lehigh
1.061 0.992 1.063 1.062 1.065
Diferencia 0.125 0.159 0.259 0.277 0.135

Viga S2/1 S2/2 S2/3 S2/4
Mtodo de
Karlsruhe
1.402 1.365 1.537 1.559
Mtodo de
Lehigh
1.178 1.037 1.086 1.052
Diferencia 0.224 0.328 0.451 0.507


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 34

En el men Estadsticas se entra al submen Estadstica bsica y
luego t pareada.




IC y Prueba T pareada: Karlsruhe, Lehigh

T pareada para Karlsruhe - Lehigh

Error
estndar
de la
N Media Desv.Est. media
Karlsruhe 9 1.3401 0.1460 0.0487
Lehigh 9 1.0662 0.0494 0.0165
Diferencia 9 0.2739 0.1351 0.0450


IC de 95% para la diferencia media:: (0.1700, 0.3777)
Prueba t de diferencia media = 0 (vs. no = 0): Valor T = 6.08 Valor P = 0.000
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 35

Los resultados anteriores indican que el intervalo de confianza al 95%
para la diferencia media es 0.1700 0.3777 D < < .

La hiptesis nula H
0
:
D
= 0 se rechaza, porque el valor P no est entre
0.025 y 0.975.

4.5 Prueba de una proporcin
Ejemplo:
De 1000 casos seleccionados al azar de cncer en el pulmn, 823
terminaron en muerte. Pruebe la hiptesis de que la tasa de mortalidad
de cncer del pulmn es del 70%. Use un nivel de significancia de 0.05.

En el men Estadsticas se entra al submen Estadstica bsica y
luego 1 proporcin.



Prueba e IC para una proporcin

Prueba de p = 0.7 vs. p no = 0.7

Valor P
Muestra X N Muestra p IC de 95% exacto
1 823 1000 0.823000 (0.797904, 0.846177) 0.000
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 36


El intervalo de confianza al 95% es 0.7979 0.8461 p < < .
La hiptesis nula H
0
: 0.7 p = se rechaza, porque el valor P no est
entre 0.025 y 0.975.

4.6 Prueba de dos proporciones
Ejemplo: Se est realizando un estudio para determinar la eficacia de
una vacuna contra el moquillo de cerdo. Se aplic la vacuna a una
muestra aleatoria de 3000 puercos, y de este grupo 130 contrajeron la
enfermedad. Un grupo de control de 2500 puercos seleccionados al azar
no fue vacunado, y de este grupo 170 contrajeron la enfermedad. Pruebe
la hiptesis de que la proporcin de puercos que contraen la enfermedad
en el grupo vacunado es menor que la proporcin de puercos que
contraen la enfermedad en el grupo no vacunado.



Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 37




Prueba e IC para dos proporciones

Muestra X N Muestra p
1 130 3000 0.043333
2 170 2500 0.068000


Diferencia = p (1) - p (2)
Estimado de la diferencia: -0.0246667
Lmite superior 95% de la diferencia: -0.0143723
Prueba para la diferencia = 0 vs. < 0: Z = -3.94 Valor P = 0.000



Como en este caso la prueba es unilateral (cola izquierda), no se
obtiene un intervalo de confianza para la diferencia de proporciones.
Las hiptesis correspondientes son:
H
0
:
1 2
p p =
H
1
:
1 2
p p <

Para que se acepte la hiptesis nula, el valor P debe ser mayor que
0.05. Como esto no se cumple, se rechaza H
0
y se puede concluir que la
proporcin de puercos que contraen la enfermedad es significativamente
menor en el grupo vacunado con respecto al grupo no vacunado.




Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 38


4.7 Prueba de varianza
Ejemplo: El fabricante de una fuente de poder est interesado en la
variabilidad del voltaje de salida. Ha probado 12 unidades, elegidas al
azar, con los siguientes resultados: 5.34, 5.00, 5.07, 5.25, 5.65, 5.55, 5.35,
5.35, 4.76, 5.54, 5.44, 4.61. Pruebe la hiptesis de que o
2
= 0.5 usando un
nivel de significancia de 0.05.








Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 39


Prueba e IC para una varianza: Output voltage

Mtodo

Hiptesis nula Sigma = 0.5
Hiptesis alterna Sigma no = 0.5

El mtodo de chi-cuadrada slo se utiliza para la distribucin normal.
El mtodo de Bonett se utiliza para cualquier distribucin continua.


Estadsticas

Variable N Desv.Est. Varianza
Output voltage 12 0.322 0.104


Intervalos de confianza de 95%

IC para IC para
Variable Mtodo Desv.Est. varianza
Output voltage Chi-cuadrada (0.228, 0.547) (0.052, 0.299)
Bonett (0.206, 0.603) (0.042, 0.364)


Pruebas

Estadstica
Variable Mtodo de prueba GL Valor P
Output voltage Chi-cuadrada 4.57 11 0.100
Bonett 0.150

En este caso la prueba es bilateral. El valor p debe estar entre 0.025 y
0.975 para que se acepte la hiptesis nula. Esta condicin se cumple, por
tanto se acepta H
0
: o
2
= 0.5


4.8 Prueba de relacin de varianzas
Ejemplo: Considere las dos muestras siguientes, extradas de dos
poblaciones normales.
Muestra 1 Muestra 2 Muestra 1 Muestra 2
4.34 1.87 6.37 2.28
5.00 2.00 5.55 2.07
4.97 2.00 3.76 1.76
4.25 1.85 1.91
5.55 2.11 2.00
6.55 2.31

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 40

Hay alguna evidencia para concluir que la varianza de la poblacin 1 es
mayor que la varianza de la poblacin 2?



Prueba e IC para dos varianzas: Muestra 1, Muestra 2

Mtodo

Hiptesis nula Sigma(Muestra 1) / Sigma(Muestra 2) = 1
Hiptesis alterna Sigma(Muestra 1) / Sigma(Muestra 2) > 1
Nivel de significancia Alfa = 0.05


Estadsticas

Variable N Desv.Est. Varianza
Muestra 1 9 0.950 0.903
Muestra 2 11 0.172 0.029

Relacin de deviaciones estndar = 5.539
Relacin de varianzas = 30.675


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 41

95% Intervalos de confianza unilaterales

Lmite inferior Lmite inferior
Distribucin para relacin para relacin
de los datos de Desv.Est. de varianza
Normal 3.160 9.987
Continuo 3.137 9.841


Pruebas

Estadstica
Mtodo GL1 GL2 de prueba Valor P
Prueba F (normal) 8 10 30.68 0.000
Prueba de Levene (cualquiera continua) 1 18 13.35 0.001


Como se mencion que las poblaciones son normales, la prueba F es la
que se tomar en cuenta. Como la hiptesis alterna es unilateral (cola
derecha), la hiptesis nula se acepta si el valor P es mayor que 0.025; al no
cumplirse esto, se rechaza la igualdad de varianzas y se concluye que si hay
evidencia para afirmar que la varianza de la poblacin 1 es mayor que la
varianza de la poblacin 2.




















Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 42


5. REGRESIN
El anlisis de regresin es una tcnica estadstica para modelar e
investigar la relacin entre dos o ms variables. Por ejemplo, en un
proceso qumico, supngase que el rendimiento del producto se
relaciona con la temperatura de operacin del proceso. El anlisis de
regresin puede emplearse para construir un modelo que exprese el
rendimiento como una funcin de la temperatura. Este modelo puede
utilizarse luego para predecir el rendimiento en un nivel determinado de
temperatura.
Supngase que hay una sola variable o respuesta y dependiente que
se relaciona con k variables independientes o regresivas, x
1
, x
2
, , x
k
. La
variable de respuesta y es una variable aleatoria, mientras que las
variables regresivas se miden con error despreciable, y en muchos casos
son controladas por el experimentador. La relacin entre estas variables
se caracteriza por medio de un modelo matemtico llamado ecuacin de
regresin.


5.1 Regresin simple
En esta situacin se desea determinar la relacin entre una sola
variable regresiva x, la cual es continua y controlable por el
experimentador, y una variable de respuesta y. El modelo para cada
observacin es:
0 1
y 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
y x | | = +
Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 43


Las observaciones se pueden representar en un plano cartesiano, a tal
presentacin se le denomina diagrama de dispersin. ste permite
observar si la relacin entre las variables es fuerte o dbil, positiva o
negativa.

Para obtener la grfica, se entra al men Grfica, luego Grfica de
dispersin. Se mostrar la siguiente pantalla.



Se tienen 6 opciones para la grfica, las preferibles son Simple y Con
regresin. Al elegir esta ltima, se solicita identificar las variables.

Ejemplo:
La resistencia del papel utilizado en la manufactura de cajas de cartn (y)
se relaciona con el porcentaje de la concentracin de madera dura en la
pulpa original (x). En condiciones controladas, una planta piloto
manufactura 16 muestras, cada una de diferentes lotes de pulpa, y se
mide la resistencia a la tensin. Los datos son los siguientes:

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 44


Y 101.4 117.4 117.1 106.2 131.9 146.9 146.8 133.9
X 1.0 1.5 1.5 1.5 2.0 2.0 2.2 2.4
Y 111.3 123.0 125.1 145.2 134.3 144.5 143.7 146.9
X 2.5 2.5 2.8 2.8 3.0 3.0 3.2 3.3

Ajuste un modelo de regresin lineal simple a los datos.


Una vez que se capturan los datos, para obtener la grfica, se entra al
men Grfica, luego Grfica de dispersin. Se mostrar la siguiente
pantalla.









Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 45


La grfica resultante es:
3.5 3.0 2.5 2.0 1.5 1.0
150
140
130
120
110
100
Concentracin
R
e
s
i
s
t
e
n
c
i
a
Grfica de dispersin de Resistencia vs. Concentracin

Donde se aprecia el tipo de relacin entre las variables.


Para obtener la ecuacin de regresin lineal, en el men Estadsticas,
submen Regresin, opcin Regresin, se tendr:

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 46


Al seleccionar opciones, se mostrar:







Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 47

Al regresar a la pantalla de regresin, si se selecciona
Almacenamiento se muestran medidas y caractersticas que MINITAB
puede proporcionar.


Al regresar a la pantalla de regresin, si se selecciona Resultados se
muestran alternativas de resultados que se presentarn.


Al regresar a la pantalla de regresin, si se selecciona Grficas se
muestran opciones disponibles para las grficas de los residuos
(diferencia entre valor real y valor de la prediccin).

Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 48



Al elegir Cuatro en uno, se obtiene:
20 10 0 -10 -20
99
90
50
10
1
Residuo
P
o
r
c
e
n
t
a
j
e
150 140 130 120 110
20
10
0
-10
-20
Valor ajustado
R
e
s
i
d
u
o
20 10 0 -10 -20
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
20
10
0
-10
-20
Orden de observacin
R
e
s
i
d
u
o
Grfica de probabilidad normal vs. ajustes
Histograma vs. orden
Grficas de residuos para Resistencia




Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 49


Los resultados del anlisis de regresin son:

La ecuacin de regresin es
Resistencia = 93.3 + 15.6 Concentracin


Predictor Coef SE Coef T P
Constante 93.34 10.51 8.88 0.000
Concentracin 15.649 4.345 3.60 0.003


S = 11.6344 R-cuad. = 48.1% R-cuad.(ajustado) = 44.4%


Anlisis de varianza

Fuente GL SC CM F P
Regresin 1 1755.8 1755.8 12.97 0.003
Error residual 14 1895.0 135.4
Total 15 3650.8


Obs Concentracin Resistencia Ajuste Residuo estndar
1 1.00 101.40 108.99 -7.59 -0.78
2 1.50 117.40 116.81 0.59 0.05
3 1.50 117.10 116.81 0.29 0.03
4 1.50 106.20 116.81 -10.61 -0.99
5 2.00 131.90 124.64 7.26 0.65
6 2.00 146.90 124.64 22.26 1.99
7 2.20 146.80 127.77 19.03 1.69
8 2.40 133.90 130.90 3.00 0.27
9 2.50 111.30 132.46 -21.16 -1.88
10 2.50 123.00 132.46 -9.46 -0.84
11 2.80 125.10 137.16 -12.06 -1.09
12 2.80 145.20 137.16 8.04 0.73
13 3.00 134.30 140.29 -5.99 -0.55
14 3.00 144.50 140.29 4.21 0.39
15 3.20 143.70 143.42 0.28 0.03
16 3.30 146.90 144.98 1.92 0.18



Cuando la relacin entre las dos variables no es lineal, existen otras
formas posibles para ajustar la relacin: polinomial, logartmica, exponencial,
logstica.


Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 50


Ejemplo:
En las autopistas se estudia la relacin entre flujo de trfico y
velocidad. Se considera que el modelo
2
0 1 2
y b b x b x = + + es adecuado,
donde y es el flujo de trfico en vehculos por hora y x es la velocidad de
los vehculos en millas por hora.
Los siguientes datos fueron recolectados durante horas pico en las
seis principales autopistas que salen de la ciudad.

Flujo de trfico (y) Velocidad de los vehculos (x)
1256 35
1329 40
1226 30
1335 45
1349 50
1124 25
Estime los parmetros de esta ecuacin de regresin.


Para obtener este tipo de modelo, se utiliza Men Estadsticas,
submen Regresin, opcin Grfica de lnea ajustada.



Curso de MINITAB

M. C. Eduardo Rodrguez Lpez (ITSJR) Pgina 51

50 45 40 35 30 25
1350
1300
1250
1200
1150
1100
Velocidad
T
r

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