Anda di halaman 1dari 233

MII. ING.

EDGAR JAVIER SILVA


http://mateburricas.blogspot.com/
edgarjavier.silva@gmail.com
Todo lo escrito aqu es tomado de
diferentes libros, que estn puestos en la
bibliografa, la forma como se organizo la
informacin para que tu le entendieras
mejor, esa si la hice yo tu servilleta Edgar
Silva

Examen escrito: 40%


Practicas ,tareas, participacin y evaluacin
continua: 30%
Asistencia 5%
Puntualidad 5%

Trabajo en equipo 20%

Probabilidad y Estadstica Douglas C. Montgomery Mc Graw Hill


Probabilidad y Estadstica para Ingeniera y Ciencias Mendenhall
Prentice Hall
Diseo de Experimentos, Douglas C. Montgomery
http://mathworld.wolfram.com/classroom/classes/Probabilityand
Statistics.html
http://www.statsoft.com/textbook/Stathome.html
Quality & Technology. Department of Food Science
http://www.models.kvl.dk/courses/DOE/index.asp

Regresin lineal simple.


Prueba de hiptesis en la regresin lineal simple.
Calidad del ajuste en regresin lineal simple.
Estimacin y prediccin por intervalo en
regresin lineal simple.
Regresin lineal mltiple.
Pruebas de hiptesis en regresin lineal mltiple.
Intervalos de confianza y prediccin en regresin
mltiple.

Existe alguna relacin entre el desgaste de la


herramienta de un torno y la velocidad del
torno?
Existe alguna relacin entre la cantidad de
dinero invertido en publicidad y el nivel de
ventas?

Tarea: Investigar en esta pagina:

http://www.statsoft.com/textbook/Stathome.html
Lo referente a regresin lineal simple

De tarea para la prxima semana:


Entregarlo en formato electrnico.
Qu es la regresin lineal simple?
En que se diferencia de la regresin lineal mltiple?
Tarea:
Realizar un glosario de trminos, para el final del primer parcial,
este se entregar en formato electrnico a mas tardar el da del
examen parcial, cada parcial se deber entregar un glosario con
los trminos nuevos que vas aprendiendo, tipo diccionario, donde
pondrs el nombre del termino nuevo y su explicacin.

Para investigar la correlacin entre dos


variables, en estadstica se han creado los
coeficientes de correlacin que permiten
expresar cuantitativamente el grado de
relacin que existe entre las dos variables.

Cantidad de dinero invertido


en publicidad $.
2

Nivel de ventas $$$

15

20

25

30

34

10

10

N automoviles robados

40
35

7; 35

30

6; 30

25

5; 25

20

4; 20

15

Serie1

3; 15

10

2; 10

5
0
0

Operativos

Correlacin Negativa

-1

+1

Correlacin Positiva

No hay

11

18
16
14
12
10

Serie1

8
6
4
2
0
0

r=
+0.8

12

18
16
14
12
10

Serie1

8
6
4

r = -0.7

2
0
0

13

40
35
30
25
20

Serie1

15
10
5
0
0

r=0
14

CORRELACIN

VALOR O RANGO

Perfecta

|R| = 1

Excelente

0.9 <= |R| < 1

Buena

0.8 <= |R| < 0.9

Regular

0.5 <= |R| <0.8

Mala

|R|< 0.5

15

XY ) ( X )( Y )
n( X ) ( X ) n(Y ) ( Y )
n(
2

n nmerode pares de observaciones


X suma de valoresde la variable x
Y suma de valoresde la varible y
Nota: Para el smbolo de potencia, usar
alt 94, esto pondr este smbolo ^

16

10

15

20

25

30

34

X2

XY

Y2

27
17

18

19

Numero de
anuncios por
hora
X

Ventas
semanales

12

10

11

X2

XY

Y2

20

21

22

Coeficiente de determinacin: es la proporcin de


la variacin total en la variable dependiente Y que
se explica por, o se debe a, la variacin en la
variable independiente X

r2 = coeficiente de determinacin

23

24

Tarea:
Investigar, acerca de las operaciones con matrices:
1.-Adicin y sustraccin de matrices.
2.-Multiplicacin de matrices.
3.-Multiplicar un escalar por una matriz
4.-Resolver un sistema de ecuaciones por Gauss-Jordan
5.-Obtener la inversa de una matriz.
Anexar una definicin y un ejemplo, para cada una de ellas.

Traerlo la prxima semana, en formato electrnico.

25

Realiza las siguientes operaciones

1 / 2 1 / 3 1 / 6 2
2 3 1 / 5 5

2 1 6 2 3
5 1 2 0

3
2 1
1 2 0

1 0 3 2 1 2 3 1

7
1 1
4
0
0

1
0
2
3
4

0
1
2

3
2

26

Dibuja la siguiente
ecuacin.
Y =2X +3

-2

-1
0

Damos valores
X para
encontrar los
correspondient
es de Y

1
2
3
27

28

Y = 3X + 5
-2
-1

m=
b=

0
1
2
29

30

Numero de
anuncios por
hora
X

Ventas
semanales

12

10

11

30

40

X2

XY

Y2

210

274

370

31

Cul es la diferencia entre un grafico de


dispersin y la ecuacin de regresin?

32

m = pendiente de la recta
m

n(

XY ) ( X )(Y )
n( X ) ( X )
2

b=
b(

ordenada al origen

Y / n) m( X / n)

33

34

1.

2.

3.

4.

Se tiene inters en examinar la


tasa de matrimonios y de
divorcios
por
millar
de
habitantes en Tijuana para aos
seleccionados. Las tasas para 8
aos, segn el encargado de los
municipios son:
Trace un diagrama de dispersin
localizando
la
tasa
de
matrimonios en el eje x , y la
tasa de divorcios en el eje y.
Si se desea predecir la tasa de
divorcios con base en la tasa de
matrimonios,Cul es la variable
independiente?
Con base en el diagrama de
dispersin ,parece existir alguna
relacin entre la tasa de
matrimonios y la tasa de
divorcios?.
Determine
la
ecuacin
de
regresin con la formula y
despus con el programa Excel.

Ao

Tasa de
matrimonios

Tasa de
divorcios

1905

10.0

0.8

1925

10.3

1.5

1935

10.4

1.7

1945

12.2

3.5

1955

9.3

2.3

1965

9.3

2.5

1975

10.1

4.9

1985

10.2

5.0

35

x
Ao

Grado de
responsabilidad

Tasa de
divorcios

1905

10.0

0.8

1925

10.3

1.5

1935

10.4

1.7

1945

12.2

3.5

1955

9.3

2.3

1965

9.3

2.5

1975

10.1

4.9

1985

10.2

5.0

x2

xy

y2

36

37

38

39

40

Resultados de las autoridades en el combate a la


delincuencia. Se han presentado cifras oficiales y
no oficiales que confirman el importante
incremento de la actividad delictiva en nuestro
pas. Dado que el problema de inseguridad en
Mxico est adquiriendo una dimensin cada vez
mayor, imponindole un importante costo a la
sociedad, la inseguridad se ha convertido para
muchos mexicanos en el principal reto del pas. Por
ello es necesario evaluar si los esfuerzos realizados
en los ltimos aos por las autoridades
responsables han tenido algn efecto en el control
y combate de la delincuencia o se hace necesario
un cambio en las estrategias hasta ahora
utilizadas.
41

Recursos
invertidos en
MMP =
X

ndice de
Criminalidad
(presuntos
delincuentes
por cada
100000 hab.)
=Y

2000

159

4000

160

6000

158

8000

160

10000

160

20000

160

X2

Y2

XY

42

43

Encuentra la ecuacin de regresin para los


siguientes datos:
Mes

Temperatura promedio mes

Numero de violaciones

Enero

14

Febrero

16

15

Marzo

22

21

Abril

25

20

Mayo

32

45

Junio

31

42

Julio

26

37

Agosto

28

40

Septiembre

25

31

Octubre

21

18

Noviembre

15

12

Diciembre

12

44

45

46

La recta de regresin representa nuestra mejor


estimacin de los datos Y a partir de los valores de
X correspondientes. Sin embargo, a menos que la
relacin entre X y Y sea perfecta, la mayor parte de
los reales de Y no estarn sobre la lnea de
regresin.
As pues, cuando la relacin es imperfecta,
necesariamente habr errores, en la prediccin y
ser til conocer la magnitud de stos.

47

La medicin de los errores de prediccin


requiere el calculo del error estndar de la
estimacin. Este error es similar a la
desviacin estndar.

Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones

0.85558115
0.7320191
0.70522101
0.43380824
12
48

Error estndar de la estimacin al predecir Y dado X

Sy / x

b(

Y ) m( XY )
n2

m= es la pendiente de la recta de regresin


b= es la ordenada al origen
n= nmero de datos

49

Aplicacin
Para el siguiente ejercicio encontrar (tabla anexa en la siguiente
diapositiva)
1. Coeficiente de correlacin
2. Realiza la interpretacin del coeficiente de correlacin, es
buena, excelente , regular o mala.
3. Coeficiente de determinacin
4. m= pendiente
5. b= ordenada al origen
6. Ecuacin de regresin y=m x +b
7. Grafico de dispersin.
8. Error estndar de estimacin
9. Si un alumno tiene un coeficiente intelectual de 141, cual ser la
calificacin estimada de acuerdo a la formula de regresin.
10.Grafica la ecuacin de regresin, toma los valores de x de la
tabla y para los de y toma los que salen de aplicar la formula
de regresin.
2
Y
b( Y ) m( XY )

Sy / x
n2

50

10.- Completa la columna de y, de la tabla anterior, usando la


ecuacin de regresin, que ya encontraste.
11.- Si un alumno tiene un coeficiente intelectual de 129, usando la
ecuacin de regresin, pronostica el valor de sus calificaciones:

51

Estudiante N

CI coeficiente
intelectual=x

Promedio
calificaciones=y

110

1.0

112

1.6

118

1.2

119

2.1

122

2.6

125

1.8

127

2.6

130

2.0

132

3.2

10

134

2.6

11

136

3.0

12

138

3.6

Y de acuerdo a la
ecuacin de
regresin
y=m x + b

52

Coeficiente correlacin= 0.85


Coeficiente de determinacin=0.7320
Pendiente=0.074
Ordenada=-7.0058
Error tpico=0.43
Cuando x=141, y es igual a = 3.42
Para el inciso 9.Ya que tienes la pendiente y la ordenada al origen,
encuentras la ecuacin de regresin:
Y= mx + b
Y= 0.074x + (-7.0058)
Sustituyes la x=141
Y= 0.074*141 + (-7.0058)

53

54

El error estndar de estimacin es una medida vlida para utilizarla


al fijar intervalos de confianza cuando el tamao de la muestra es
grande, y en alguna forma la dispersin con respecto a la recta de
regresin est distribuida de manera normal.
Cuando el tamao muestral es muy pequeo, debe introducirse un
factor de correccin para una muestra pequea.
Un intervalo de confianza se determinar para:
El valor medio de Y para un valor dado de X
Un valor individual de Y para un valor dado de X
Para el primer caso:

1
( x )2
Y t ( Sy.x)

n ( x )2
55

En donde:
Y es el valor pronosticado para cualquier valor X seleccionado.
X es cualquier valor seleccionado de X
es la media de las x
n es el nmero de observaciones
Sy.x es el error estndar de la estimacin (error tpico)
t es el valor t tomado de la tabla t student, para n-2 grados de
libertad.

1
( x )2
Y t ( Sy.x)

n ( x )2
56

Si prueba es de dos
colas, el valor de
alfa que te dan lo
divides entre dos.

Probabilidad de una sola cola.


Valores t de Student y probabilidad P asociada
en funcin de los grados de libertad gl.

57

Para el siguiente problema, determinar:


1.-El error estndar de estimacin (error tpico).
2.-Pronosticar los valores de Y' en base a la ecuacin de
regresin(encontrar primero m= b= )
3.-Limites de confianza para un valor de x=6 y una Y pronosticada
de 8 con un 95% de confianza.
vendedor

Puntuacin
de prueba
x

Real
Y

Arturo

Jorge

12

Sal

Marco

Gonzalo

10

11

Total

30

40

Pronosticada
Y=mx+b

(x-)2

Limite
inferior

Limite
superior

(x-)2 =

Puedes usar Excel para determinar la


ecuacin de regresin y el error
estndar de estimacin

58

vendedor

Puntuacin
de prueba
x

Real
Y

Pronosticada
Y=mx+b

(x-)2

Limite
inferior

Limite
superior

Arturo

5.73

(4-6)2

2.14

9.32

Jorge

12

Sal

Marco

Gonzalo

10

11

Total

30

40

1
(x )2
Y t ( Sy / x)

n
(x )2

(x-)2 =30

=(4+7+3+6+10)/5=6
Media de las x
t= el valor de t lo buscas en la tabla,
95%, 0.05/2=0.025
n-2, grados libertad

59

1
(x )2
Y t ( Sy / x)

n
(x )2

Y= 8
t=

60

1
(x )2
Y t ( Sy / x)

n
(x )2

61

Respuesta: los limites de confianza de 95% para el


valor de Y de 8 son 5.9 y 10.05
Interpretacin: para una x=6, existe una probabilidad de 0.95
de que sus ventas promedio semanales estn en el intervalo
entre $5.9 y $10.05

62

MATRICES ORIGEN Y USOS


La teora de matrices, introducida en 1858, tiene hoy aplicaciones en campos diversos
como el control de inventarios en las fabricas; teora cuntica, en fsica; anlisis de
costos en transportes y de otras industrias; problemas de estrategias en las
operaciones militares y anlisis de datos, as como en la sociologa.

MATRICES
Una matriz es una tabla ordenada de escalares ai

La matriz anterior se denota tambin por (ai

=1, ..., m, j =1, ..., n, o simplemente

por (ai

j ), i

de la forma

j ).

Los trminos horizontales son las filas de la matriz y los verticales son sus columnas.
Una matriz con m filas y n columnas se denomina matriz m por n, o matriz m n.
63

Ejemplo:

donde sus filas son (1, -3, 4) y (0, 5, -2) y sus

64

CLASES DE MATRICES
Segn el aspecto de las matrices, stas pueden clasificarse en:
Matrices cuadradas
Una matriz cuadrada es la que tiene el mismo nmero de filas que de columnas. Se
dice que una matriz cuadrada n n es de orden n y se denomina matriz n-cuadrada.
Ejemplo: Sean las matrices

65

Matriz identidad
Sea A = (ai

j ) una matriz n-cuadrada. La diagonal (o diagonal principal) de A consiste


en los elementos a11, a22, ..., ann. La traza de A, escrito tr A, es la suma de los
elementos diagonales.
La matriz n-cuadrada con unos en la diagonal principal y ceros en cualquier otra
posicin, denotada por I, se conoce como matriz identidad (o unidad). Para cualquier
matriz A,
A I = I A = A.

Matrices triangulares
Una matriz cuadrada A = (ai

j ) es una matriz triangular superior o simplemente una

matriz triangular, si todas las entradas bajo la diagonal principal son iguales a cero. As
pues, las matrices

66

Esta pagina les puede ayudar en la comprensin del tema de


matrices, el link de la pagina que trae ejercicios, que les ayudara a
reafirmar los temas vistos en clase.
http://matwww.ee.tut.fi/Kost/MatrixAlgebra-toc.html

67

Matrices diagonales
Una matriz cuadrada es diagonal, si todas sus entradas no diagonales son cero o nulas.
Se denota por D = diag (d11, d22, ..., dnn ). Por ejemplo,

son matrices diagonales que pueden representarse, respectivamente, por


diag(3,-1,7) diag(4,-3) y diag(2,6,0,-1).
68

OPERACIONES CON MATRICES


Suma y resta de matrices
Para poder sumar o restar matrices, stas deben tener el mismo nmero de filas y de
columnas. Es decir, si una matriz es de orden 3 2 y otra de 3 3, no se pueden sumar
ni restar. Esto es as ya que, tanto para la suma como para la resta, se suman o se
restan los trminos que ocupan el mismo lugar en las matrices.
Ejemplo:

69

Producto de matrices
Para poder multiplicar dos matrices, la primera debe tener el mismo nmero de
columnas que filas la segunda. La matriz resultante del producto quedar con el mismo
nmero de filas de la primera y con el mismo nmero de columnas de la segunda.
Es decir, si tenemos una matriz 2 3 y la multiplicamos por otra de orden 3 5, la
matriz resultante ser de orden 2 5.
(2 3) (3 5) = (2 5)

1.

2.

70

Producto por un escalar


El producto de un escalar k por la matriz A, escrito kA o simplemente kA, es la matriz
obtenida multiplicando cada entrada de A por k:

Ejemplo:

Entonces:

71

Divisin de matrices
La divisin de matrices se define como el producto del numerador multiplicado por la
matriz inversa del denominador. Es decir, sean las matrices A y B tal que A/B = AB-1:
Si una matriz est dividida entre un escalar, todos los trminos de la matriz quedarn
divididos por ese escalar.
Ejemplo:

72

MATRICES INVERTIBLES
Se dice que una matriz cuadrada A es invertible, si existe una matriz B con la propiedad
de que
AB = BA = I
siendo I la matriz identidad. Denominamos a la matriz B la inversa de A y la denotamos
por A-1.
Ejemplo:

Puesto que AB = BA = I, A y B son invertibles, siendo cada una la inversa de la otra.

73

Ejercicios de repaso:
Dadas las siguientes matrices:
a. Encuentra el orden de las matrices
A, B, C y D
b. Cul es el orden del producto AD?
c. Multiplica A por D
d. Multiplica B por C
e. Cul es el orden del producto BC?
f. Encuentra AT
g. Encuentra x, y, z, w

1 1 x
2 4 z

1 3
A

4
5

B 1 8
1
C
2
3 2
D

0
1

y 1 0

w 0 1

74

Operaciones con Matrices en Excel

Dadas las siguientes matrices, contesta las preguntas y encuentra lo


que se te pide:

1
1

Y 2

2
4

1
1

X 1

1
1

1
2
3

4
5

1.2.3.4.5.6.7.8.9.-

El orden de la matriz Y es?


El orden de la matriz X, es?
El orden de la matriz XT, es?
El orden de la matriz XT X ?
Encuentra la inversa de la matriz X
Encuentra XT
Multiplica estas dos matrices XT X
Multiplica la transpuesta de X por Y
Encuentra la inversa XT X

75

Ejercicio 3
Realiza las siguientes operaciones
1.
2.
3.
4.
5.

AB
AT
AAT
A-1
(AAT)-1

1 1
1 2

A 1 3

1 0
1 0
2 3
0 0

B 7 2

6 0
0 1

0
0
0

5
1
0

1
1

0
2

0
3
4
2
0

1
1
1

1
1

76

El anlisis de regresin mltiple estudia la relacin de una variable


dependiente con dos o ms variables independientes.
El modelo de regresin mltiple toma la forma siguiente:

y 0 1 x1 2 x2 ... p x p
ECUACIN DE REGRESIN MLTIPLE ESTIMADA

y b b x b x ... b x
0
1 1
2 2
p p
y gorrito, indica el valor estimado de
y , variable dependiente.

77

Punto de
datos

Valor de y

x1

x2

xk

Error
aleatorio
no
observable

y1

X11

X12

X1k

y2

X21

X22

X2k

yn

xn1

xn2

xnk

El modelo lineal general se puede expresar en


forma de matriz como:
Y=X +

78

y1
y 2

Y y 3

...
yn
0

1
2

...

k

1
1

X 1

...
1

x12 ... x1k


x 21 x 22 ... x 2k
x31 x32 ... x3k

...
... ... ...
xn1 xn2 ... xnk
x11

1

2
3

...
n

El modelo lineal
general se puede
expresar en forma
de matriz como
Y=X +

79

Ecuacin de matrices de mnimos cuadrados (Ecuacin de


regresin)
Ecuacin de regresin aplicando matrices:

X X X Y
T

Solucin de mnimos cuadrados:


Esta solucin te da los valores de la pendiente y la
ordenada al origen en el caso mas sencillo, en los
dems casos te da los valores de

X X
T

X Y

80

81

82

De acuerdo a la ecuacin de regresin mltiple, pronosticar el


valor de las ventas, cuando la actitud es 7 y la experiencia es 9.

83

Resultado= 22.5

84

Realiza el ejercicio anterior en Statgraphics

85

Aplicacin 2
Encuentre la lnea de mnimos cuadrados para los datos de
compresin de aislante que se dan en la tabla.
Muestra

Presin

Compresin

86

1
1

Y 2

2
4

1
1

X 1

1
1

2
3

4
5

Ecuacin de regresin

Y=0.7x -0.1

Pronosticar el valor de la compresin, cuando la presin es


de 3.7

87

88

y 0 1 x 2 x

Aplicacin 3

Una compaa de electricidad quiere predecir el consumo


mensual de energa elctrica de un hogar en funcin del
tamao x de la casa y con base en el modelo: Encuentra la
ecuacin de regresin.
Tamao de la casa

Consumo mensual

X, Pies cuadrados

Y , kilowatts hora

1,290

1,182

1,350

1,172

1,470

1,264

1,600

1,493

1,710

1,571

1,840

1,711

1,980

1,804

2,230

1,840

2,400

1,956

2,930

1,954
89

1,182
1,172

1,264

1
,
493

1,571
Y

1,711
1,804

1,840
1,956

1,954

1 1,290 (1,290) 2

1 1,350 1822500

Completa esta
matriz, no
esta
completa.

Ecuacin de regresin
Y=-1216+2.39893x-0.00045x2
90

Y=-1216+2.39893x-0.00045x2
91

a.- Encuentra la ecuacin de regresin


b.- La ecuacin de regresin te permite pronosticar, el consumo
mensual en base al tamao de la casa, pronostica el consumo
mensual de una casa cuyo tamao es 2000 pies cuadrados.

92

93

Aplicacin: (Tarea)

Utilice el mtodo de mnimos cuadrados para ajustar el modelo


E(y)=0 + 1x , a los seis puntos de datos que se indican en la
tabla.
x

a. Construya la matriz Y y X (son verticales y


no se te olvide de agregar los unos cuando
formes la matriz x)
b. Calcule XTX y XTY (aqu lo que se te pide
es que hagas la multiplicacin, usa la
funcin MMULT de Excel.
c. Utilice Excel para verificar que:

13
15
1
T
X X
7

35

7
35
2

35
94

d. Obtenga la matriz (la matriz gorrito, la matriz


solucin del sistema)
e. Escribe la ecuacin de prediccin (ecuacin de
regresin)
E(y)=0 + 1x
f. La ecuacin de regresin te ayuda a pronosticar
valores de y, por ejemplo cuando la x es igual a 8,
Cul es el valor de la y?

95

96

Ecuacin de regresin:
Y= -2.22E-15 + 0.8571X

97

Tarea:
Crear un video, con alguno de los temas visto en clase, donde se
explique el tema, este tema ira dirigido a los alumnos, para explicar
el tema seleccionado, desde la parte bsica, teora, que utilidad
tiene el tema, como lo aplico, con preguntas y respuestas, ejercicio
de aplicacin(2), conclusiones.
Esta tarea se har en equipos de mximo 4 personas y tendr valor
dentro del rubro de tareas.
El video deber subirse a la pagina de youtube, con el nombre del
tema.
Fecha limite para subirlo: una semana antes del segundo parcial

98

Estimacin de la varianza 2 de (error) en un


modelo de regresin mltiple.
Puesto que la varianza casi nunca se conoce por adelantado,
debemos utilizar los datos muestra para estimar su valor.
s2 = (SSE)/(n Nmero de parmetros en el modelo)
Donde:

SSE Y T Y T X T Y

Por ejemplo para


anterior, n=6
y
calcular solamente
entonces el nmero
de beta es 2

la diapositiva
como vas ha
0
y
1 ,
de parmetros

99

Recordando
Encuentre la lnea de mnimos cuadrados para los datos de
compresin de aislante que se dan en la tabla. Despus que
ya la encontraste, encuentra el valor de la varianza s2 y de la
desviacin estndar.
Muestra

Presin

Compresin

4
Y=0.7x -0.1
s2 = 0.367
10
0

10
1

i t / 2 (error estimado estndar i )

i t / 2 s cii
Donde t/2 se basa en el nmero de grados de
libertad asociados a s.
Para nuestro ejemplo anterior n=5 y los grados de
libertad son n-2.
Cuando nos dicen 95% de confianza, buscamos un
5% en la tabla (t student) dividido entre dos
0.05/2=0.025
10
2

Qu es cii ?
Por ejemplo, de la matriz

X X
T

1.1 3

0
.
3
0
.
1

C00 =1.1 C11 =0.1

Qu es s ? Es la desviacin estndar
Respuesta:
Intervalo de confianza para o
LS=1.92
LI=-2.12
Intervalo de confianza para 1
LS=1.30
LI=0.09
10
3

10
4

Aplicacin
En una instalacin de produccin, es muy importante para la
gerencia estimar con exactitud las horas/hombre requeridas para
llevar a cabo una tarea, a fin de tomar decisiones como el nmero
correcto de obreros que debe contratar, la fecha de entrega que debe
proponer al cliente, o decisiones de anlisis de costos relativas a los
presupuestos. Un fabricante de tambores para calderas quiere
utilizar regresin para predecir el nmero de horas/hombre
necesarias para erigir los tambores en proyectos futuros. Con este
fin, recabo datos para 35 calderas. Adems de las horas/hombre (y),
las variables que se midieron fueron la capacidad de la caldera (X1,
en lb/h), la presin diseada la caldera (X2, en libras por pulgada
cuadrada)

10
5

Tipo de caldera (X3=1 si es para la industria, 0 si es para


servicios) y tipo de tambor (X4=1 si es vapor de agua, 0 si es
de lodo). Los datos se proporcionan en la siguiente tabla
(consulta el archivo de Excel)
a. Encuentre la ecuacin de regresin para este modelo con 4
variables
b. En base a la ecuacin anterior , predice , cuantas horas
hombre le llevara producir una caldera de 130,000 lb/hr,
presin de 375 libras por pulgada cuadrada, Industrial,
para uso Vapor.
c. Encuentra la desviacin estndar para 0
d. Establece un intervalo de confianza de 95% para 0

Realiza lo anterior, en una hoja de


Excel, grbalo y envalo como
tarea.
10
6

10
7

10
8

10
9

Si prueba es de dos
colas, el valor de
alfa que te dan lo
divides entre dos.

Probabilidad de una sola cola.


Valores t de Student y probabilidad P asociada
en funcin de los grados de libertad gl.

11
0

El error estndar de la estimacin en el anlisis de regresin


mltiple mide el error para valores de Y con respecto al plano
de regresin, si intervienen dos variables independientes.

( Sy.12)

(Y Y)

n k 1

n= nmero de datos

k= nmero de parmetros de los cuales depende y


O sea, de cuantos valores depende Y, puede ser que Y dependa solo de
X1, pero tambin puede depender de X1, X2
11
1

Clculos necesarios para obtener el error


estndar mltiple de la estimacin.
Vendedor

Puntuacin
de prueba
X1

Calificacin
de
desempeo
X2

Ventas
semanales
Y

Ventas
semanales
Pronosticad
as
Y

Arturo

5.35

Arnulfo

12

Sal

Marco

Gonzalo

10

11

n=5
k=2
Y-Y

(Y-Y)2

11
2.65

Completar la tabla y encontrar el


error estndar de estimacin.
Sy.12= 1.151

11
2

Familia de diseos para comparar


tratamientos.
Diseo complementario al azar y ANOVA.
Comparaciones o pruebas de rangos
mltiples.
Verificacin de los supuestos del modelo.
Eleccin del tamao de muestra.

11
3

ANOVA

114

115

Suponga que renuncio el gerente de la sucursal


oeste de una empresa dedicada a comercializar
artculos de limpieza y se considera que tres
vendedores pueden ocupar ese puesto. Los tres
tienen la misma antigedad, educacin, etc. Para
tomar una decisin, se sugiri examinar los
registros de ventas mensuales de cada uno, en la
siguiente tabla se muestran sus registros.

11
6

Qu prueba la ANOVA
La prueba se basa en la idea de que si las muestras
provienen de la misma poblacin, la varianza de la muestra
combinada deber ser igual a las varianzas de las muestras
individuales, dado que el nivel y la dispersin sern
homogneos.
En cambio, si las poblaciones de las que vienen la muestras
son diferentes (y tienen niveles diferentes), la varianza de la
combinacin ser mayor que las varianzas individuales.
La prueba ANOVA usa las varianzas para evaluar la
significacin separando, por un lado, la varianza entre
muestras y por otro lado, la varianza al interior de las
muestras.

11
7

Media
muestral

Sra.
Lourdes
15
10
9
5
16

Sr.
Gabriel
15
10
12
11
12

Sr.
Manuel
19
12
16
16
17

11

12

16
11
8

x1

x 12

x2

x 22

x3

15

15

19

10

10

12

12

16

11

16

16

12

17

Tc

nc

x2

195
5

734

x 32

1306 2727

11
9

x1

x 12

x2

x 22

x3

x 32

15

225

15

225

19

361

10

100

10

100

12

144

81

12

144

16

256

25

11

121

16

256

16

256

12

144

17

289

Tc

55

60

80

195

nc

15

x2

687

734

1306 2727

12
0

SST = [ Tc2 / nc ] ( x)2 / N

12
1

SST =

[ Tc2 / nc ]

( x)2 / N

= [ (55)2 /5 +(60)2/5+ (80)2/5 ] (195)2 /15


= 2605

2535
= 70

122

SSE = (x2) - [ Tc2 / nc ]

12
3

SSE = (x2) - [ Tc2 / nc ]


= (15)2 + (10)2 ++(17)2 -

[ (55)2/5 + (60)2/5 + (80)2/5 ]

2727

= 2727 2605
= 122

12
4

SST = 70
SSE = 122
K = Numero de tratamientos (vendedores) = 3
N = Numero total de observaciones=15

12
5

Paso 1:
Hiptesis nula: Ho expresa que no hay
diferencia significativa entre las ventas
medias de los tres vendedores.
1 = 2 = 3

12
6

Paso 2: Elegir el nivel de significacin:


para este ejemplo se eligi el nivel 0.05

12
7

Fuente de
variacin

Suma de
cuadrados

Grados Cuadrado
de
medio
libertad

Entre
SST
tratamientos

K-1

SST/ K-1 = MSTR

En los
SSE
tratamientos

N-K

SSE/ N-K = MSE

Total

Total SS

F = MSTR / MSE
3.44
12
8

Escribe la hiptesis
aqu

Conclusin de acuerdo
al p-value
Si el p-value es menor
a 0.05 se rechaza la
hiptesis nula.

Hiptesis nula: Ho
Hiptesis alterna: Ha

129

La regla de decisin indica que si el valor


calculado de F es menor que o igual al valor
critico de 3.89, la hiptesis nula se acepta.
Nota: el valor critico lo obtienes de la tabla F,
consultar el archivo adjunto de la tabla de
Fisher.

Regin de rechazo

13
0

Cmo lo hago en el Statgraphics.?


Primero captura tus datos en columnas, cada
categora en una columna.

1.
2.
3.
4.
5.

Compare
Multiple Samples
Multiple-sample Comparison
OK
Seleccionas tus tres variables a
comparar
6. Luego le das clic en el :
7. OK

13
1

ANOVA EN STATGRAPHICS

13
2

ANOVA EN MINITAB

13
3

13
4

ANOVA, Comparacin de varias muestras


Statgraphics, Centurin.

13
5

ANOVA, Comparacin de varias muestras


Statgraphics, Centurin.
PASO 2

136

ANOVA, Comparacin de varias muestras


Statgraphics, Centurin.
PASO 3

13
7

En el desarrollo de un nuevo producto alimenticio se


desea comparar el efecto del tipo de envase y
proceso de envasado (asociado al tipo de envase)
sobre la vida de anaquel del producto. Existen tres
tipos de envases. Surgen algunas preguntas.

138

Cuntos artculos envasados con cada tipo de envase


comparar?
Cmo seleccionar los envases?
Existe diferencia estadstica entre los das de duracin,
usando los diferentes tipos de envase?
Nota: No es lo mismo decir que las medias de las muestras
son diferentes a decir que existe evidencia estadstica de que
las medias de las muestras son diferentes.

13
9

Aplicacin

A continuacin se muestra un ejemplo, donde se muestrean tres


tipos de envases y se determinan los das de duracin.
Los datos obtenidos se muestran en la tabla siguiente
Factor: Tipo de
envase y envasado

Respuesta: Daz de duracin

Media

23, 28, 21, 27, 35, 41, 37, 30, 32, 36

31

35, 36, 29, 40, 43, 49, 51, 28, 50, 52

41.3

50, 43, 36, 34, 45, 52, 52, 43, 44, 34

43.3

140

Plantea la hiptesis nula y la hiptesis alternativa.


Ho:
Ha:
Realiza la ANOVA, utilizando el statgraphics. ( Pega aqu la ANOVA)
Estadsticamente hay diferencia entre los tipos de envase ? Cul es el
valor de p-value?
Si estadsticamente hay diferencia entre las medias de los das de
duracin cuando se usan los diferentes tipos de envase, entonces
ahora se utiliza otro tipo de prueba estadstica para conocer cual de
ellos es el mejor o si no hay diferencia entre ellos.
Esta prueba estadstica se llama Mnima diferencia significativa LSD

14
1

14
2

Para usar el procedimiento de la LSD, simplemente se


comparan las diferencias observadas entre cada par de
promedios (medias) con el valor correspondiente de la
LSD.
Si
/ Xi - Xj / > LSD , se concluye que las medias
poblacionales i y j son diferentes.

Qu es Xi , Xj ?
Son las medias del tiempo de duracin para cada uno de
los tratamientos (Tipo de envase y envasado)

LDS t / 2, N a

1
1
SME (
)
ni n j

Qu son cada una de estas variables?


14
3

LSD = Esta es la constante que vas ha calcular y que se va


ha servir como parmetro de comparacin.
t/2 , N-a = Valor que se obtiene de la tabla de la
distribucin t
= Nivel de Significancia
N = Total de datos
a = Numero de Tratamientos.
SME = Cuadrado Medio de error en los tratamientos ( esta
informacin se obtiene con la ANOVA)
ni , nj = Numero de datos en cada tratamiento
144

Cmo obtener el valor de la t student, con Excel?

t=2.052
145

PRIMERO: Calculas la media de cada uno de los tratamientos


Cul es la media para el tratamiento A? ________
Cul es la media para el tratamiento B? ________
Cul es la media para el tratamiento C? ________

SEGUNDO: Encuentras el valor absoluto de la diferencia de cada


par de medias
Para este caso A-B, A-C, B-C

Ya no te acuerdas que es el valor absoluto!


A que brbaro!
A - B = / 31 41.3 / = 10.3
B -C=
A- C=
146

TERCERO: Encuentras la t de student para t/2


30- 3= 27 utiliza las tablas de la distribucin t.

alfa = 0.05 y

N-a =

CUARTO: Encuentras SME que es el cuadrado medio de error en los


tratamientos (esta informacin la tienes en tu ANOVA)

QUINTO: Encuentras el LSD.

CONCLUSIONES E INTERPRETACION

Para tus conclusiones apyate en esto:

/ Xi - Xj / > LSD , se concluye que las medias poblacionales i y j


son diferentes.

14
7

AHORA UTILIZA EL STATGRAPHICS, PARA REALIZAR ESTE


PROCEDIMIENTO:
1.
2.
3.

4.
5.

COMPARE
MULTIPLE SAMPLES
MULTIPLE SAMPLE COMPARISON
TABULAR OPTION (BOTON AMARILLO LADO
IZQUIERDO)
SELECCIONA LA ANOVA Y LA PRUEBA MULTIPLE RANGE
TESTS

Guarda tus resultados en una hoja de Word y envala


como tarea, correspondiente a este tema.

148

149

15
0

Una prueba es de una cola cuando la hiptesis alterna, H1,


establece una direccin, como:
H0 : el ingreso medio de las mujeres es menor o igual al
ingreso medio de los hombres.
H1 : el ingreso medio de las mujeres es mayor que el de los
hombres.
Distribucin de muestreo para el valor estadstico z, prueba
de una cola, nivel de significancia de .05

15
1

Una prueba es de dos colas cuando no se establece una


direccin especfica de la hiptesis alterna H1, como:
H0 : el ingreso medio de las mujeres es igual al ingreso medio
de
los
hombres.
H1 : el ingreso medio de las mujeres no es igual al ingreso
medio de los hombres.
Distribucin de muestreo para el valor estadstico z, prueba
de dos colas, nivel de significancia de 0.05

Dos regiones de 0.025

15
2

15
3

Pasos para realizar la prueba LDS, en Minitab 15


1.- Entrar al men Estadsticas, ANOVA, Un solo factor
(Desapilado)

15
4

2.- Seleccionas los factores a


comparaciones.
3.- Haces click en el botn de
Comparaciones y seleccionas De
Fisher si tu nivel de confianza es 95%
, le pones 5 en el recuadro anexo.

15
5

Para este ejemplo, A se compara


con B, y su diferencia es 10.3 y
esta diferencia tiene un intervalo
de confianza de 3.374
a
17.226, como este intervalo no
pasa por cero esto quiere decir
que
existe
una
diferencia
significativa entre A y B

156

LDS=6.92

157

158

Tarea repaso para el examen: realizar ANOVA y prueba LDS,


tanto en Excel como en Statgraphics y Minitab.

159

160

Proyecto de Comparacin de Pilas:

Material Necesario:
10 pilas de 3 tres marcas diferentes, 10 de cada marca de pilas.
Voltmetro
De este proyecto debern realizar
Anova de comparacin
1. Plantear la hiptesis nula y alterna
2. Escribir la conclusin.
LDS, diferencia mnima significativa
1. Escribir la conclusin, a la que se llega con esta prueba, Cul marca
es la que indica, menos desgaste, en el periodo de prueba.

16
1

Practica: (Diseo Factorial)


Disear un generador elico
Ver video, entregado en clase
Necesariamente se debe de construir el rotor, con los imanes y las
espiras.
Necesariamente se deben de construir las aspas.
No se vale utilizar un motor ya hecho o comprado
No se vale usar las aspas de un ventilador
Todo debe de ser construido.
Este trabajo deber ser entregado en clase, funcionando, 2 semanas
antes del tercer parcial.
El da de la entrega, traer un multimetro.
Quien entregue su trabajo despus de la fecha sern dos puntos
menos por cada clase que pase.
Si el generador no funciona, se asignara una calificacin de cero.
El trabajo ser en equipos de mximo 3 personas.

162

Diseos

en bloques completos al azar.


Diseo de cuadro latino.
Diseo de cuadro grecolatino

163

En cualquier experimento, la variabilidad que


surge de un factor perturbador puede afectar los
resultados. En general, un factor perturbador
puede definirse como un factor del diseo que
probablemente tenga un efecto sobre la
respuesta, pero en el que no existe un inters
especifico. En ocasiones un factor perturbador es
desconocido y no controlable; es decir se
desconoce la existencia de ese factor e incluso
puede tener niveles variables mientras se est
realizando el experimento.

164

La aleatorizacin es la tcnica de diseo que se


utiliza para protegerse contra estos factores
perturbadores que siempre estn amenazando
nuestros experimentos. En otros casos, el factor
perturbador es conocido pero no controlable.
Cuando la fuente de variabilidad perturbadora es
conocida y controlable, puede usarse una tcnica
de diseo llamada formacin de bloques para
eliminar de manera sistemtica su efecto sobre
las comparaciones estadsticas entre los
tratamientos.

165

La formacin de bloques es una tcnica de diseo en


extremo importante que se utiliza ampliamente en la
experimentacin industrial.
En muchos experimentos adems de que me interesa
investigar la influencia de un factor controlado sobre la
variable de respuesta, existe una fuente de variacin
adicional (bloque) que puede y debe ser sistematizada y
controlada durante el experimento, con el propsito de
disminuir el error experimental y obtener mejores
conclusiones sobre el factor controlado.
De esta manera el error experimental se reducir, y la
precisin del diseo aumentar.

166

Anlisis de Varianza de un diseo de bloques completos


aleatorizado
Fuente de
Variacin

Tratamientos

Suma de
Grados de
Cuadrados
libertad

Cuadrado medio

SSTratamientos a-1

MST =SSTratamientos/ a-1

SSBloques

b-1

SSBloques/ b-1

SSE

(a-1)(b-1)

MSE =SSE / (a -1)(b 1)

SST

N-1

MST/ MSE

Bloques
(factor
perturbador)

Error
Total

167

16
8

a = Numero de tratamientos
b = Numero de bloques
N = Total de datos muestreados = a b
b
a
SCT =
Yij2 - Y2../N
j =1 i =1
SCTRAT = Yi2/b - Y2../N
SCBLOQUE = Yj2/a - Y2../N
SCERROR = SCT - SCTRAT - SCBLOQUE

16
9

Ejemplo, diseo bloques aleatorizado:


Considere el experimento de la prueba de la dureza.
Hay cuatro puntas y cuatro operadores de prueba .
Cada punta se prueba una vez con cada operador,
resultando un diseo de bloques completos
aleatorizados. Los datos obtenidos se repiten por
conveniencia en la siguiente tabla. Recuerda que el
orden en que se probaron las puntas en un ejemplar
particular se determino al azar.(o sea que el orden en
que se realizaron las pruebas fue aleatorio).

170

Tipo de
punta

Operador.1

9.3

9.4

9.6

10

Operador.2

9.4

9.3

9.8

9.9

Operador.3

9.2

9.4

9.5

9.7

Operador.4

9.7

9.6

10

10.2

Tratamiento: tipo de punta


Bloque: Operario

171

Escribe aqu la hiptesis nula y Escribe aqu la conclusin, de


la alterna.
acuerdo con p value.
Si el p-valor es menor a 0.05
se rechaza la hiptesis nula.
Ho1:
Ha1:
Ho2:
Ha2:

Qu le escribimos aqu Maestro?


Aqu escribe si se acepta o se
rechaza la hiptesis, dependiendo
del p- valor

172

Statgraphics: (Pasos para realizar , el anlisis , con


software) Diseo Bloques
1. COMPARE
2. ANLYSIS OF VARIANCE
3. MULTIFACTOR ANOVA

Forma de capturar los


datos

17
3

17
4

17
5

17
6

Ruta: MiniTab15 (Diseo Bloques)


Sigue estos pasos
Estadsticas
Anova
Dos factores
Forma de capturar
los datos:

17
7

Diseo Bloques, ruta

178

Diseo Bloques, Statgraphics Centurin

17
9

Diseo Bloques, Statgraphics,


Centurin

180

Diseo Bloques Statgraphics,


Centurin

18
1

18
2

Conceptos bsicos en diseos factoriales.


Diseos factoriales con dos factores.
Diseos factoriales con tres factores.
Diseo factorial general
Modelos de efectos aleatorios.

18
3

18
4

Un ingeniero est diseando una batera que se


usar en un dispositivo que se someter a
variaciones de temperatura extremas. El nico
parmetro del diseo que puede seleccionar en
este punto es el material de la placa o nodo de
la batera, y tiene tres elecciones posibles.
Cuando el dispositivo est fabricado y se envi al
campo, el ingeniero no tendr control sobre las
temperaturas extremas en las que operar el
dispositivo.

185

El ingeniero decide probar tres materiales de la


placa con tres niveles de temperatura que son
consistentes con el medio ambiente donde se
usar finalmente el producto. Se prueban cuatro
bateras con cada combinacin del material de la
placa y la temperatura, y las 36 pruebas se corren
de manera aleatoria.

18
6

Cules son los factores?


Cada factor cuantos niveles maneja?
Menciona las diferentes combinaciones o
tratamientos.
Qu haras para correr este experimento
en orden aleatorio?
Cuntas replicas se hicieron?

187

En muchos experimentos interviene el


estudio de los efectos de dos o ms
factores. En general, los diseos factoriales
son los mas eficientes para este tipo de
experimentos. Por diseo factorial se
entiende que en cada ensayo o rplica
completa del experimento se investigan
todas las combinaciones posibles de los
niveles de los factores.

18
8

Por ejemplo, si el factor A tiene a niveles y


el factor B tiene b niveles, cada replica
contiene todas las ab combinaciones de los
tratamientos. Cuando los factores estan
incluidos en un diseo factorial, es comn
decir que estn cruzados.

18
9

El efecto de un factor se define como el


cambio en la respuesta producido por un
cambio en el nivel del factor. Con
frecuencia se le llama efecto principal
porque se refiere a los factores de inters
primario en el experimento.

19
0

TIPO DE
MATERIAL
1
2
3
Yj

TEMPERATURA (F)
15
130
74
150
159
138
168

70
155
180
188
126
110
160

1738

539
623
576

34
80
136
106
174
150

125
40
75
122
115
120
139

1291

229
479
583

20
82
25
58
96
82

Yi
70
58
70
45
104
60

770

230

998

198

1300

342

1501
3799

191

Modelo General del Diseo Factorial

yijk i j ( ) ij ijk
i 1,2,..., a
j 1,2,...,b
k 1,2,..., n
promedio global
i efecto del nivel i esimo, del factor A
j efecto del nivel j esimo, del factor B
( ) ij efecto de la int eraccin
i 1,2,..., a
j 1,2,..., b
k 1,2,..., n
19
2

Para el diseo factorial, las hiptesis se plantean de la


siguiente manera.
Ho: El factor A, no afecta a la variable de respuesta
Ha: El factor A, si afecta a la variable de respuesta
Ho: El factor B, no afecta a la variable de respuesta
Ha: El factor B, si afecta a la variable de respuesta.
Ho: La interaccin entre los factores A y B, no afecta a la variable
de respuesta.
Ha: La interaccin entre los factores A y B, si afecta a la variable de
respuesta.

19
3

19
4

TIPO DE
MATERIAL
1
2
3
Yj

TEMPERATURA (F)
15
130
74
150
159
138
168

70
155
180
188
126
110
160

1738

539
623
576

34
80
136
106
174
150

125
40
75
122
115
120
139

1291

229
479
583

20
82
25
58
96
82

Yi
70
58
70
45
104
60

770

230

998

198

1300

342

1501
3799

195

TIPO DE
MATERIAL
1
2
3
Yj

TEMPERATURA (F)
15
130
74
150
159
138
168

70
155
180
188
126
110
160

1738

539
623
576

34
80
136
106
174
150

125
40
75
122
115
120
139

1291

229
479
583

20
82
25
58
96
82

Yi
70
58
70
45
104
60

770

230

998

198

1300

342

1501
3799

19
6

TIPO DE
MATERIAL
1
2
3
Yj

TEMPERATURA (F)
15
130
74
150
159
138
168

70
155
180
188
126
110
160

1738

539
623
576

34
80
136
106
174
150

125
40
75
122
115
120
139

1291

229
479
583

20
82
25
58
96
82

Yi
70
58
70
45
104
60

770

230

998

198

1300

342

1501
3799

19
7

TIPO DE
MATERIAL
1
2
3
Yj

TEMPERATURA (F)
15
130
74
150
159
138
168

70
155
180
188
126
110
160

1738

539
623
576

34
80
136
106
174
150

125
40
75
122
115
120
139

1291

229
479
583

20
82
25
58
96
82

Yi
70
58
70
45
104
60

770

230

998

198

1300

342

1501
3799

198

ANOVA, Diseo Factorial , 2 factores

Fuentes de Suma de Grados de


variacion. cuadrados libertad
Tipos de
2
material 10683.7222
Temperatura
39118.7222
2
Interaccion 9613.77778
4
Error
18230.75
27
Total
77646.9722
35

Cuadrado
medio

F0

Valor P

5341.86111 7.91137227

0.002

19559.3611 28.9676919
2403.44444 3.5595354
675.212963

0.0001
0.0186

199

200

Ejercicio:
Realizar en Excel, Statgraphics y MiniTab la tabla de ANOVA, para
el ejemplo de la batera.

20
1

Statgraphics
Versin 5

202

203

20
4

Diseo Factorial con


Statgraphics Centurin

205

Diseo Factorial
Con MiniTab-15

206

20
7

Diseo Factorial
Mas de dos factores
Minitab-15
Minitab-16

Para este diseo en Minitab, primero se crea el


diseo y luego se capturan los datos(resultados
del experimento) despus hay que ir al men de
Anlisis del Diseo

208

20
9

21
0

21
1

Practica Diseo Factorial


Objetivo: aplicar los conocimientos vistos en clase, a travs de una practica real
en el diseo de aviones de papel, en el cual debern de identificar la variable de
respuesta y elegir los factores a estudiar as como sus niveles en los cuales se
trabajaran.
Materiales:
10 hojas de papel bond tamao carta

Procedimiento:
1. Determinar cual ser la variable de respuesta?
2. Haz una lista con las posibles variables de respuesta y escoge una
3. Haz una lista con los posibles factores a trabajar
4. Determinar Cules sern los factores?
5. Cada factor en cuantos niveles se trabajarn?
6. Realiza todas las combinaciones para todos tus factores y sus
niveles.(Realzalo directamente en el Statgraphics)
7. Ya que tienes todas las combinaciones, empieza la construccin de tus
aviones de acuerdo a lo anteriormente diseado, en cada avin que
construyas antale que combinacin es.
8. Ya que tienes los aviones, debes de empezar a correr el experimento en
forma aleatoria, no se te olvide aleatorizar tus corridas.
9. Para la prxima clase hay que entregar un reporte de practica que contenga
lo siguiente:

REPORTE DE PRACTICA
1. Nombre de la practica
2. Integrantes
3. Objetivo
4. Variable de respuesta
5. Factores
6. Niveles
7. Forma en que se realizo el experimento
8. Plantear las hiptesis nulas
9. Plantear las hiptesis alternas.
10.ANOVA
11.LSD
12.Graficas de Medias
13.Graficas de Interacciones
14.Conclusiones.

21
5

21
6

21
7

21
8

21
9

Tarea:
Revisar esta liga:
Quality & Technology. Department of Food Science
http://www.models.kvl.dk/courses/DOE/index.asp

Realizar un mapa conceptual , revisa este material y de los


temas que correspondan a los vistos en clase, realiza el mapa
conceptual.

22
0

221

22
2

22
3

Trabajo en equipo: practica del helicptero:


Mximo 3 personas por equipo
Traer material para ________________
1.
2.
3.
4.

5 hojas recicladas
5 clips
Una tijera
Una regla de 30 centmetros (que tenga tambin medidas en
pulgadas)
5. Un helicptero hecho a mano, de acuerdo al video
proporcionado.

224

Tiempo
estimado=
2 hrs.

A
2 (-1 Nivel bajo)
3 (+1 Nivel alto)

1 centro

Cortar
Doblar _ _ _ _

B
6 (-1 Nivel bajo)
7 (+1 Nivel alto)

22
5

Todas las combinaciones son:


B
A

6 (nivel bajo)

2 (nivel bajo)
7 (nivel alto)

6 (nivel bajo)

3 (nivel alto)
7 (nivel alto)

22
6

Estos son los 4 tipos de helicpteros que debes de fabricar y cada


uno de ellos lo debes de probar 4 veces en orden aleatorio, debes
de registrar el tiempo de vuelo.

227

22
8

Practica Diseo Factorial


Objetivo: aplicar los conocimientos vistos en clase, a travs de una practica real
en el diseo de helicpteros de papel, en el cual debern de identificar la
variable de respuesta y elegir los factores a estudiar as como sus niveles en los
cuales se trabajaran.
Materiales:
10 hojas de papel bond tamao carta

Procedimiento:
1. Determinar cual ser la variable de respuesta?
2. Haz una lista con las posibles variables de respuesta y escoge una
3. Haz una lista con los posibles factores a trabajar
4. Determinar Cules sern los factores?
5. Cada factor en cuantos niveles se trabajarn?
6. Realiza todas las combinaciones para todos tus factores y sus
niveles.(Realzalo directamente en el Statgraphics)
7. Ya que tienes todas las combinaciones, empieza la construccin de tus
helicpteros de acuerdo a lo anteriormente diseado, en cada helicptero
que construyas antale que combinacin es.
8. Ya que tienes los aviones, debes de empezar a correr el experimento en
forma aleatoria, no se te olvide aleatorizar tus corridas.
9. Para la prxima clase hay que entregar un reporte de practica que contenga
lo siguiente:

1.
2.
3.
4.
5.
6.
7.

Nombre de la practica
Integrantes
Objetivo
Variable de respuesta
Factores
Niveles
Forma en que se realizo el experimento (anexar, fotos y
video)
8. Plantear las hiptesis nulas
9. Plantear las hiptesis alternas.
10.ANOVA (Statgraphics o Minitab) de preferencia en los
dos programas
11.LSD
12.Graficas de Medias
13.Graficas de Interacciones
14.Conclusiones.

Trabajo en equipo: Practica de la Aspirina:


Mximo 3 personas por equipo
Traer material para ________________
1.
2.
3.
4.
5.
6.
7.

8 aspirinas
4 vasos desechables
2 botellas de agua mineral
2 botellas de agua natural
Una cucharita de plstico.
Kg de azcar
Reloj con cronometro o celular.

231

23
2

Unidad 5
Series de Tiempo:
Modelo clsico de series de tiempo
Anlisis de fluctuaciones
Anlisis de tendencia
Anlisis de variaciones cclicas
Medicin de variaciones estacionales e
irregulares
Aplicacin de ajustes estacionales
Pronsticos basados en factores de tendencia y
estacionales.

233