ANALISIS DEL MERCADO PARA LA VENTA DE MAQUINARIA DE TORTILLERIAS EN CERRO AZUL

EQUIPO 3
CRUZ CARRASCO ILEANA A10500434 PEREZ REYES LESLY VERONICA A1150596 CODALLOS MERINOS DANIEL A11500545

TAPSA
CERRO AZUL VER. 25/05/2013

ESTADISTICA INFERENCIAL II
INDICE Introduccin..pag. Marco teoricopag. Hiptesis...pag. Objetivo de anlisis del proyecto..pag. Justificaccionpag. Marco de referencias..pag. Elaboracin de hiptesispag. Identificacin de las variables...pag. Metodologa.pag. Guia de trabajo de campo.pag. Encuesta..pag. Graficaspag. Unidad 1 Analisis de regresin lineal simple y mltiple...pag. Unidad 2 Diseo de experimentos de un factorpag. Unidad 3 Diseo de bloquespag. Unidad 4 Conceptos bsicos en diseos factorialespag. Unidad 5 Series de tiempopag. Bibliografapag.

INTRODUCCION En este proyecto hablaremos sobre las fallas que se encuentran en las maquinarias de produccin de tortilla, fallas que se encuentran
Pgina 1 de 42

ESTADISTICA INFERENCIAL II
conforme se va utilizando la maquinaria, estas fallas surgen por diferentes factores, operario, diseo, mala calidad, desgaste, corrosin, mala ubicacin, etc. En base a las necesidades del trabajador la maquinaria de produccin ha venido evolucionando para minimizar el tiempo y acelerar la produccin de tortilla. La aplicacin de estadstica inferencial en nuestro proyecto nos ha ayudado a calcular con exactitud las necesidades de los trabajadores para la produccin y distribucin de tortilla, realizamos una encuesta con el fin de averiguar qu tipo de maquinaria utilizan en su establecimiento, la marca ms recomendada en la zona, el costo de esta y la forma en que se consigue la maquinaria conforme a las posibilidades del trabajador.

MARCO TEORICO ANALISIS DEL MERCADO PARA LA VENTA DE MAQUINARIA DE TORTILLERIAS EN CERRO AZUL

ES UN PROBLEMA NUEVO Y YA EXISTEN EMPRESAS QUE SE DEDICAN A LO MISMO?

Pgina 2 de 42

ESTADISTICA INFERENCIAL II
No este problema ya es existente desde hace varios aos. Si existen empresas que se dedican a lo mismo pero la empresa TAPSA ofrece grandes beneficios que la competencia no ofrece. LAS SOLUCIONES SON PERTINENTES? Si ya que con la experiencia de ventas y anlisis de competencia se han arrojado datos que nos brinda un gran porcentaje de que si es pertinente realizar el anlisis para poder llevar acabo en futuro no muy lejano el proyecto.

HIPOTESIS
CUAL ES LA HIPOTESIS QUE SE PRETENDE CONFIRMAR? Se pretende confirmar que tenemos una gran ventaja de la competencia ya que la calidad de nuestros productos nos avala para
Pgina 3 de 42

ESTADISTICA INFERENCIAL II
poder expandir y tratar de cubrir en mayor porcentaje de ventas de este tipo de maquinaria en la localidad de Cerro Azul.

VALE LA PENA EMPLEAR TIEMPO Y ESFUERZO EN UNA SOLUCION, AUNQUE ESTA SEA PROVICIONAL? Si ya que si este anlisis nos arroga datos satisfactorios y demuestra que el proyecto seria rentable estaramos hablando de excelentes ganancias para nuestra empresa

OBJETIVO DEL ANALISIS DEL PROYECTO

Pgina 4 de 42

ESTADISTICA INFERENCIAL II
El objetivo que pretende alcanzar la empresa TAPSA con este anlisis es ser el proveedor mayorista de la maquinaria para la produccin de tortillas en la localidad de cerro azul. Y con este anlisis se busca poder tener la certeza de que podra llegar a ser un excelente proyecto.

JUSTIFICACION

Pgina 5 de 42

ESTADISTICA INFERENCIAL II
LIMITACIONES: es pertinente dar al anlisis una formulacin lgica, adecuada para poder precisar sus alcances para ello es necesario tener en cuenta los siguientes factores. viabilidad: conseguir datos confiables atreves de encuestas o utilizando el mtodo mas factible. Lugar o espacio: el anlisis se llevara acabo en la localidad de Cerro Azul. Tiempo: este anlisis se pretende terminar en un mes y medio. Financiacin: afortunadamente la empresa TAPSA si cuenta con los recursos suficientes para poder hacer las inversin necesaria. MARCO DE REFERENCIAS Aqu se encuentra recopilada todo lo pertinente de literatura que se a obtenido asta el momento sobre el anlisis. Para que todos los empleados autorizados de la empresa TAPSA puedan si es necesario dar pauta en algn momento del anlisis. Es por ello que se deja nombre del siguiente libro: ESTADISTICA INFERENCIAL II ELABORACION DE HIPOTESIS En este anlisis se plantea una hiptesis de segundo grado por que establece una relacin de causa y efecto. Ya que la empresa TAPSA tiene la hiptesis de que puede si ofrece productos de buena calidad brindndole al cliente mayores facilidades que la competencia puede llegar a ser el provedor mayorista de la maquinaria principal para la produccin de torillas como lo son la tortilladora y molino para hacer masa.

IDENTIFICACION DE LAS VARIABLES

Pgina 6 de 42

ESTADISTICA INFERENCIAL II
Variable independiente: el valor de la verdad que se la da a una hiptesis con relacin con la causa. El anlisis demuestra que contamos con variables independientes ya que depende de las causas por las cuales el cliente no esta satisfecho en su totalidad con la competencia, por ende esas causas son las que a la empresa TAPSA le brinda las herramientas necesarias para poder hacer esas mejores y poderle cubrir las necesidades satisfactoriamente del cliente . Ejemplo: un mayor precio, falta de garanta, maquinaria defectuosa, falta de capacitaciones para el uso de la maquina, etc. METODOLOGIA En el anlisis utilizaremos para el diseo y recoleccin de informacin datos estadsticos con la ayuda de encuestas, graficas y otros mtodos estadsticos que se le aplicaran a los dueos de 10 diferentes establecimientos de produccin de tortilla. POBLACION Y MUESTRA En esta parte del anlisis se a aclara que solo se va a extraer una muestra simple al azar de 10 establecimientos de la localidad de Tamihua para poder obtener datos necesarios para realizar las operaciones estadsticas que nos sern de gran utilidad y parte fundamental de nuestro anlisis. GUIA DE TRABAJO DE CAMPO Es necesario seguir los siguientes pasos para nuestro anlisis. Estudio previo Diseo del material de la muestra Preparacin de los materiales de recoleccin de datos. Equipo de trabajo necesario. Seleccin y entrenamiento del personal.
Pgina 7 de 42

ESTADISTICA INFERENCIAL II
Recoleccin de datos Elaboracin del informe del trabajo de campo. Estimacin del personal y costos.

ENCUESTA REALIZADA EN 10 ESTABLECIMIENTOS DE LA CIUDAD DE CERRO AZUL

Pgina 8 de 42

ESTADISTICA INFERENCIAL II
ENCUESTA REALIZADA A TORTILLERIAS CON EXPERIENCIA EN LA ZONA
1) Qu maquinas utiliza en su establecimiento? Tortilladora, molino de masa Qu marcas maneja en sus mquinas de produccin de tortilla? Tapsa, Lenin, torrey Compro su mquina tortilla dora nueva o usada? Nueva, usada En caso de haber contestado el entrevistado que la tortilladora era usada favor de responder las preguntas a partir del 3.1 de lo contrario pasar a la pregunta nm. 4

2)

3)

3.1 costo aproximado de la tortilla dora usada? Torrey 10000 pesos, Lenin 30000 pesos 3.2 a pagar en cunto tiempo? Un ao 3.3 de cunto fueron sus mensualidades? Y cunto de inters le cobraron? 833.33 pesos, ms el inters de 166.67 pesos 3.4 antigedad aproximada que tena la tortilla dora cuando la compro? 5 aos 3.5 le dieron garanta? Cuanto y tiempo? No 3.6 En qu condiciones compro la tortilla dora? En buen estado 3.7 necesito alguna reparacin? no solo una revisin por si acaso 3.7.1 de cunto fue el gasto aproximadamente de reparacin? Ninguno, ya que solo fue una revisin la cual costo 500 pesos 3.7.2 cunto tiempo llevo la reparacin? Cuanto tiempo llevo la revisin? 3 horas 3.8 Cuantas veces ha fallado la totilladora en el ao? Unas 3 veces cada 3 meses esto fue = a 12 veces al ao costo aprox. = Cst minimo de la pieza X Vcs al ao = 3600 + HRS desperdiciadas = 4050 3.9 falla ms frecuente de la tortilladora? Balero 3 veces cada 3 meses = 12 veces al ao, banda 2 veces cada 4 meses = 6 veces al ao 3.10 costo aproximado de reparacin? 300 Y 500 costo aprox. Calculado Cst de la pieza + cara X Vcs al ao = 3000 + HRS desperdiciadas = 3900 Cst minimo de la pieza X Vcs al ao =

4)

Costo de la tortilladora nueva? Torrey 30000, Lenin 50000 Tiempo aproximado de antigedad de su tortilladora? 3 aos Cuantas veces falla la totilladora al ao? Ninguna solo mantenimiento En caso de haber contestado el entrevistado que la tortilladora si fallaba la tortilladora favor de contestar las preguntas a partir del 6.1 y de lo contrario pasar a la pregunta nm. 7 6.1 falla ms frecuente de la tortilladora? Balero, banda, piedras 6.2 costo aproximado de reparacin? 150, 250, 300 pesos gasto = Costo de la pieza X Vcs al mes X Vcs al ao = 5400 gasto d la pieza + cara = 10800 6.3 tiempo aproximado de reparacin? Media hora o ms dependiendo de la pieza, gasto= 15prsns X 15psos = 225pesos , gasto mayor = 30prsns X 15psos = 450pesos 7) Quedo satisfecho con su compra? Si Recomendara comprar una tortilla dora? Claro que si, por supuesto por qu? Los gastos adicionales que tuve fueron cubiertos por las ganancias que me genero comprar una maquina nueva y adems el dinero sobrante fue utilizado para otro tipo de gastos o inversiones.

5)

6)

8)

9)

Pgina 9 de 42

ESTADISTICA INFERENCIAL II
3600 + HRS desperdiciadas = 4050 3.11 tiempo aproximado de reparacin? 1 hora o ms dependiendo la pieza 30persnsx15psos = 450pesos calculo dl tiempo Max = 60persns X 15psos = 900pesos 3.12 quedo satisfecho con su compra? No Por qu? Al final el gasto fue muy elevado tanto o ms, como si hubiera sido nueva 3.13 recomendara comprar una tortilladora usada? Pues x una parte no y por otra parte si 3.14 por qu? NO Los gastos en reparaciones, y en tiempo perdido fueron altos 3.15 Por qu? SI Pude hacerme de mi propia tortilladora para abrir mi negocio lo ms pronto posible. 10 Compro su mquina molino nuevo o usado? Nuevo, Usado 11 Qu marca maneja en su establecimiento? Tapsa, Lenin, torrey En caso de haber contestado el entrevistado que su molino era usada responder las preguntas a partir del 10.1 y de lo contrario pasar a la pregunta nm. 12 10.1 costo aproximado de su molino ya usado? Torrey 5000 pesos, Lenin 7000 pesos 10.2 a pagar en cunto tiempo? 1 ao 10.3 de cunto fueron sus mensualidades? De 416.66 con un inters de 83.34 pesos 10.4 antigedad aproximada que tena su molino cuando lo compro? 3 aos 10.5 En qu condiciones compro el molino? Buen estado 10.6 le dieron garanta? Cunto tiempo? No 10.7 necesito alguna reparacin? si 10.7.1 de cunto fue el gasto aproximadamente de reparacin? 500 pesos 10.7.2 cunto tiempo llevo la reparacin? Media hora 12) Costo del molino nuevo? Torrey 10000pesos, Lenin 15000 pesos 13) Tiempo aproximado de antigedad del molino? 3aos 14) Cuantas veces falla el molino al ao? Ninguna, 12 veces En caso de haber contestado el entrevistado que el molino si fallaba responder las preguntas a partir del 14.1 y de lo contrario pasar a la pregunta nm. 15

Pgina 10 de 42

ESTADISTICA INFERENCIAL II
10.8 Cuantas veces falla el molino al ao? 3 veces en 4 meses esto al ao = a 9 veces al ao 10.9 falla ms frecuente del molino? Balero 3 veces en 4 meses esto al ao es = a 9 veces, banda 2 veces en 4 meses esto es = a 6 veces al ao, piedras 2 veces en 3 meses esto es = a 8 veces en el ao 10.10 costo aproximado de reparacin? 200, 300. 400 pesos gasto minimo aprox. = Costo de la pieza X Vcs al ao = 1800 gasto mximo aprox. = 3200 10.11 tiempo aproximado de reparacin? Media o una hora gasto aprox. = 2prsns X 10psos = 20pesos Quedo satisfecho con su compra? No 10.12 recomendara comprar un molino usado? No 10.13 por qu? Al final el gasto en reparaciones es mayor al de la compra 14.1 falla ms frecuente del molino? El desgaste del balero 14.2 costo aproximado de reparacin? 200 gasto aprox. = Costo X Vcs al ao = 2400pesos 14.3 tiempo aproximado de reparacin? 15min o media hora gasto aprox. = 1prs X 10psos = 10pesos gasto Max. Aprox. = 2prsns X 10psos = 20psos

15) Quedo satisfecho con su compra? Si 16) Recomendara comprar una tortilla dora usada? Claro que si 17) por qu? Las reparaciones fueron mnimas gracias a un mantenimiento, y las ganancias gracias a su rendimiento fueron ms que suficientes para cubrir los gastos. 18) Cundo compro su maquinaria la empresa que se las proporciono le dio alguna capacitacin sobre su uso? Si 19) y qu opina sobre eso? Esta mui bien, ya que sin importar que uno ya sepa utilizar un molino la empresa te da una capacitacin por si acaso uno compra un modelo de molino ms reciente el cual tiene otras funciones y su uso es distinto 20) usted opina que su negocio es productivo? si 21) por qu? Independiente mente de lo que haya gastado en maquinaria de produccin las ganancias obtenidas han sido mucho ms que suficientes para cubrir algn gasto que se presente ya

Pgina 11 de 42

ESTADISTICA INFERENCIAL II
sea en reparacin o mantenimiento.

22) cuantos establecimientos tiene? 3 23) cuantos kilos de tortillas vende al da en un (su) establecimiento? 30kilosxhrs X 10hrs al da = 300kilos al da 24) cunto cuesta el kilo de tortillas? 15 pesos 25) cunto invierte por da aproximadamente?

26) cuntos empleados trabajan en este establecimiento? 27) cul es su sueldo aproximado por da de cada empleado? 28) usted si recomendara a otras personas poner una tortillera? 29) por qu? 30) alguna recomendacin a las empresas encargadas de vender ese tipo de maquinaria?

CON LOS RESULTADOS DE LA ENCUESTA SE ARROJAN LOS SIGUIENTES REPRESENTADOS EN GRAFICAS

Pgina 12 de 42

ESTADISTICA INFERENCIAL II

QUE MAQUINAS Y MARCAS UTILIZAS EN TU ESTABLECIMIENTO?

100 90 80 70 60 50 40 30 20 10 0 TORTILLADORA MOLINO TORREY LENIN TAPSA

COMPRO SU MAQUINARIA USADA?

TORREY 60 40 0 TORTILLADORA MOLINO 45 LENIN TAPSA 100 55 50 0 0

COMPRO SU MAQUINARIA NUEVA?

TORREY LENIN TAPSA

Pgina 13 de 42

ESTADISTICA INFERENCIAL II
35000 30000 25000 COSTO 20000 TORREY 15000 10000 5000 0 TORTILLADORA MOLINO COSTO APROXIMADO DE SU MAQUINARIA USADA? LENIN TAPSA

DE CUANTO FUERON SUS MENSUALIDADES A UN AO Y CUANTO DE INTERES LE COBRARON?

1200 1000 800 costo 600 400 200 0 INTERES MENSUALIDAD TORTILLADORA 166.67 833.33 MOLINO 83.34 416.66

Pgina 14 de 42

ESTADISTICA INFERENCIAL II

GASTO APROXIMADO DE REPARACION

45% 55%

500-1000 1000-MAS

EN QUE CONDICIONES COMPRO LA MAQUINARIA

120 100 80 TORREY 60 40 20 0 BUENA REGULAR MALA LENIN TAPSA

Pgina 15 de 42

ESTADISTICA INFERENCIAL II

NECESITO ALGUNA REPARACION

120 100 80 60 40 20 0 TORREY LENIN TAPSA SI NO

GASTO APROXIMADO DE REPARACION

45% 55%

500-1000 1000-MAS

Pgina 16 de 42

ESTADISTICA INFERENCIAL II

CUANTAS VECES FALLA TU MAQUINARIA USADA AL AO?

20 18 16 14 12 10 8 6 4 2 0 TORTILLADORA MAQUINARIA MOLINO

VECES AL AO

TOREY LENIN TAPSA

QUE PIEZA FALLA MAS FRECUENTEMENTE EN SU MAQUINARIA?

14 12 ENTREVISTADOS 10 8 6 4 2 0 TORTILLADORA MAQUINARIA MOLINO BALERO BANDA PIEDRAS

Pgina 17 de 42

ESTADISTICA INFERENCIAL II

COSTO DE LA PIEZA?
600 500 400 COSTO 300 200 100 0 TORTILLADORA MAQUINARIA MOLINO BALERO BANDA PIEDRA

PERDIDA QUE GENERA EL TIEMPO DE REPARACION DE LA MAQUINARIA?

4500 4000 3500 PERDIDA 3000 2500 2000 1500 1000 500 0 TORTILLADORA MAQUINARIA MOLINO BALERO BANDA PIEDRAS

Pgina 18 de 42

ESTADISTICA INFERENCIAL II
UNIDAD 1 REGRESION LINEAL SIMPLE Y MULTIPLE Regresin lineal simple El anlisis de regresin se usa con el propsito de prediccin. La meta del anlisis de regresin es desarrollar un modelo estadstico que se pueda usar para predecir los valores de una variable dependiente o de respuesta basados en los valores de al menos una variable independiente o explicativa. Este captulo se centra en un modelo de regresin lineal simple, que usa una variable numrica independiente para predecir la variable numrica dependiente. Para establecer una relacin cuantitativa entre X y Y es necesario disponer de cierta informacin muestral. Esta informacin consiste de un conjunto de pares de observaciones de X y Y, donde cada uno de estos pares pertenece a una unidad elemental particular de la muestra. Para ilustrar el concepto, considrense los datos de la siguiente tabla. En esta tabla, se muestra el nmero de establecimientos de las mquinas y el nmero de fallas por ao que presentan las maquinas.
Nmero de Numero de establecimientos fallas por X ao Y 1 3 2 6 3 9 4 2 5 12 6 8 7 1 8 5 9 4 10 2

Pgina 19 de 42

ESTADISTICA INFERENCIAL II
GRAFICA DE DISPERSION NUMERO DE ESTABLECIMIENTOS VS NUMERO DE FALLAS POR AO
14 12 10 8 6 4 2 0 0 2 4 6 8 10 12 Valores Y

Este anlisis de regresin lineal simple se refiere a encontrar la lnea recta que mejor se ajuste a los datos. El mejor ajuste puede definirse de varias maneras. Quiz la ms sencilla sea encontrar la lnea recta para la cual las diferencias entre los valores reales y los valores pronosticados a partir de la recta ajustada de regresin sean tan pequeas como sea posible. Sin embargo, como estas diferencias son positivas para algunas observaciones y negativas para otras, en trminos matemticos se minimiza la suma de los cuadrados de las diferencias. Suponga que las variables X y Y estn relacionadas linealmente y que para cada valor de , la variable dependiente, Y, es una variable aleatoria. Es decir, que cada observacin de Y puede ser descrita por el modelo:

(1.1) donde es un error aleatorio con media cero y varianza . Tambin suponga que los errores aleatorios no estn correlacionados. La ecuacin (1.1) es conocida como el modelo de regresin lineal simple. Bajo el supuesto de que este modelo es adecuado y como el valor esperado del error es cero, ( ) , se puede ver que el valor esperado de la variable Y, para cada valor de X, est dado por lnea recta ( ) (1.2)

En donde son los parmetros del modelo y son constantes desconocidas. Por lo tanto, para tener bien especificada la ecuacin que relaciona las dos variables ser necesario estimar los dos parmetros, que tienen los siguientes significados:
Pgina 20 de 42

ESTADISTICA INFERENCIAL II
- Es el punto en el cual la lnea recta intercepta o cruza el eje y. - Es la pendiente de la lnea, es decir, es la cantidad en que se incrementa o disminuye la variable por cada unidad que se incrementa.
Para resolver el siguiente ejemplo a continuacin les dare las formulas: =

)(

ANALISIS DE REGRESION LINEAL NMERO DE ESTABLECIMIENTOS DE LA MAQUINAA TORTILLADORA Y EL MOLINO. NUMERO DE ESTABLECIMI ENTOS Xi 1 2 3 4 5 6 7 8 9 10 NUMERO DE FALLAS POR AO Yi 3 6 9 2 12 8 1 5 4 2 Xi Yi XiYi

1 4 9 16 25 36 49 64 81 100

9 36 81 4 144 64 1 25 16 4

3 12 27 8 60 48 7 40 36 20

29.96363637 29.66060606 29.35757576 29.05454546 28.75151516 28.44848485 28.14545455 27.84242425 27.53939394 27.23636364

-26.9636364 -23.6606061 -20.3575758 -27.0545455 -16.7515152 -20.4484849 -27.1454546 -22.8424243 -23.5393939 -17.2363636

727.037688 559.824281 414.430892 731.948432 280.613261 418.140535 736.875705 521.776348 554.103065 297.09223

Pgina 21 de 42

ESTADISTICA INFERENCIAL II
xi = 55 x= 5.5 yi = 52 =5.2 xi= 385 yi= 384 xiyi = 261

Sxx= 385Sxy= 2611=

= 82.5
)

)(

= -25

= -0.303030303

B0= 5.2- (-0.303030303)(5.5) = 30.26666667

RESUMEN

Pgina 22 de 42

ESTADISTICA INFERENCIAL II
UNIDAD 2 DISEO DE EXPERIMENTOS DE UN FACTOR
Los diseos experimentales ms utilizados para comparar tratamientos son: 1. Diseo completamente al azar (DCA) 2. Diseo en bloque completamente al azar (DBCA) 3. Diseo en cuadro latino (DCL) 4. Diseo en cuadro grecolatino (DCGL) La diferencia fundamental entre estos diseos es el nmero de factores de bloque que incorporan o controlan de forma explcita durante el experimento. La comparacin de los tratamientos en cuanto a la respuesta media que logran, en cualquiera de estos diseos, se hace mediante la hiptesis. El modelo de efectos fijos (es cuando se estudian todos los posibles tratamientos) de anlisis de la varianza se aplica a situaciones en las que el experimentador ha sometido al grupo o material analizado a varios factores, cada uno de los cuales le afecta slo a la media, permaneciendo la "variable respuesta" con una distribucin normal. Este modelo se supone cuando el investigador se interesa nicamente por los niveles del factor presentes en el experimento, por lo que cualquier variacin observada en las puntuaciones se deber al error experimental. Diseo completamente al azar y ANOVA Muchas comparaciones, como las antes mencionadas, se hacen con base en el diseo completamente al azar (DCA), que es el ms simple de todos los diseos que se utilizan para comparar dos o ms tratamientos, dado que slo consideran dos fuentes de variabilidad: los tratamientos y el error aleatorio. En la siguiente unidad veremos diseos que consideran la influencia de otras fuentes de variabilidad (bloques). Este diseo se llama completamente al azar porque todas las corridas experimentales se realizan en orden aleatorio completo. De esta manera, si durante el estudio se hacen en total N pruebas, stas se corren al azar, de manera que los posibles efectos ambientales y temporales se vayan repartiendo equitativamente entre los tratamientos. Tabla ANOVA Los resultados del anlisis de varianza se presentan en una tabla ANOVA que resume los valores importantes de la prueba. Esta tabla tiene un formato estndar que usan los libros y los problemas de computadora que ejecutan ANOVA. La siguiente tabla muestra la forma general de la tabla ANOVA. En dicha tabla se resumen los clculos necesarios para la prueba de igualdad de las medias poblacionales usando anlisis de varianza. Primero se usa el mtodo dentro para estimar S2. Cada valor de los datos se compara con su propia media, y la suma de las diferencias al cuadrado se divide entre los grados de libertad c(n1).

Pgina 23 de 42

ESTADISTICA INFERENCIAL II

donde: j = Nmero de la columna i = Nmero de la fila c = Nmero de columnas (grupos) n = Nmero de elementos en cada grupo (tamao de la muestra La tabla ANOVA contiene columnas con las fuentes de variacin, las sumas de cuadrados, los grados de libertad, las estimaciones de la varianza y el valor F para el procedimiento de anlisis de varianza.

UNIDAD 2 DISEO AL AZAR

Familia de diseos para comparar tratamientos. Los diseos experimentales ms utilizados para comparar tratamientos son: Diseo completamente al azar (DCA) y ANOVA Comparacin de las encuestas realizadas Fallas por Fallas por el uso desgaste inadecuado 9 9 10 7

Tortilladoras

Fallas de fabrica 10 8

Fallas por corrosin 8 6

Promedio

Torrey Lenin

9.25 7.5

Pgina 24 de 42

ESTADISTICA INFERENCIAL II
Tapsa Suma 1 19 3 21 3 20 2 16 2.25

Realizacin manualmente

Media media global

Conceptos TORREY LENIN TAPSA 10 8 9 9 10 7 8 6 9.25 7.5

1 3 3 2 2.25

6.3333333333 C= 3 C=3

) ( ( ( ) ) ) ( ( ( ) ) ) ( ( ( ) ( ) ) ( ( ) ) )

=10.5 Completando la tabla ANOVA, quedando de la siguiente manera Fuente de Variacin Grupos entre SC 2 gl Estimacin de Coeficiente F

79.6251/2=39.8125 39.8125/5.25=7.5833333

Pgina 25 de 42

ESTADISTICA INFERENCIAL II
Grupos dentro Total 10.5 90.1251 9 11 10.5/2=5.25

Anlisis de varianza de un factor RESUMEN Marcas LENIN TAPSA TORREY

Cuenta 4 4 4

Suma 93 141 86

Promedio 23.25 35.25 21.5

Varianza 108.916667 188.25 83

ANLISIS DE VARIANZA Origen de las variaciones Entre marcas Dentro de las marcas Total

Suma de cuadrados 448.1666667 1140.5

Grados de Promedio de los libertad cuadrados 2 224.0833333 9 11 126.7222222

Valor crtico F Probabilidad para F 1.76830338 0.225051172 4.256494729

1588.666667 Con el software de Excel

Estadstico de prueba:1.76830338

Pgina 26 de 42

ESTADISTICA INFERENCIAL II
DISEO DE BLOQUES AL AZAR Se realiz un anlisis para estudiar el porcentaje del 1 al 100 % de cul es la pieza que mas fallas tiene en su maquinaria para la produccin de tortillas como lo es la tortilladora y y el molino para hacer masa, tomando en cuenta las tres primeras piezas que mas fueron mencionadas las cuales las fallas son muy independiente del propio desgaste de la maquinaria. Tomando como bloques a las empresas TORREY, LENIN Y TAPSA y como tratamientos algunas piezas de la maquinaria.

TORREY BALEROS BANDA PIEDRA TOTALES 60 60 50 170

LENIN 40 30 40 110

TAPSA 0 10 10 20

TOTAL 100 100 100 300

Hiptesis Nula: 12 = 3 = 0, 12 = 3 = 0 Hiptesis Alternativa: no todas las y tampoco las iguales a 0.

23-

Nivel de significancia: =0.01. Se rechaza Ho si F > 9.78 (este valor corresponde a F0.01 con 1y2 O si F > 10.9

4 Clculos:

a = 3 b = 3 T1. = 100 T2. = 100 T3. = 1000

T.1 = 170 T.2 = 110 T.3 = 20 T... = 300

Pgina 27 de 42

ESTADISTICA INFERENCIAL II
C = 3002 / 9 = 10000

SST = 602 + 402 ++ 202--10000 = 14000-10000= 4000

SS(Tr) = ( 1002 + 1002 +1002 ) / 3 - 10000 = 30000/3=10000-10000=0

SS(Bl) = ( 1702 + 1102 +202 ) /3- 10000 = 41400/3=13800-10000=3800

SSE = 4000 0 3800 = 200

La Tabla queda:

Fuentes de Variacin

Grados de Libertad

Suma de Cuadrado s 0 3800 200 4000

Media Cuadrada

PIEZA EMPRESA Error Total

2 2 6 8

0 1900 33.33

0 57

5 - Dado que FTr = O< 9.78 se acepta la primera Hiptesis Nula, por lo tanto no hay diferencia significativa entre la eficacia de los pieza, y dado que FBl = 38 > 10.9 hay diferencia significativa entre la eficacia de las empresas.

Pgina 28 de 42

ESTADISTICA INFERENCIAL II
Anlisis de varianza de un factor RESUMEN Grupos Columna 1 Columna 2 Columna 3

Cuenta 3 3 3

Suma 170 110 20

Promedio 56.6666667 36.6666667 6.66666667

Varianza 33.333333 3 33.333333 3 33.333333 3

ANLISIS DE VARIANZA Origen de las variaciones Entre grupos Dentro de los grupos Total Suma de Grados de Promedio de los cuadrados libertad cuadrados 3800 200 4000 2 6 8 1900 33.3333333 Valor Probabilida crtico para d F 5.1432528 57 0.000125 5

Pgina 29 de 42

ESTADISTICA INFERENCIAL II
UNIDAD 4 CONCEPTOS BASICOS EN DISEOS FACTORIALES Diseos factoriales con dos factores
TORTILLADORA OPERARIO 1 2 3 TORREY 95 85 80 75 70 75 LENIN 98 88 88 90 75 77 TAPSA 99 95 98 90 88 93

TORTILLADORAS OPERARIO 1 TORREY 95 85 80 75 70 75 480 180 LENIN 98 88 88 90 75 77 516 186 TAPSA 99 95 98 90 88 93 563 194 yi.. 560

155

178

188

521

145

152

181

478

y.j.

1559

. Las Sumas de Cuadrados y la Tabla ANOVA se muestran a continuacin SCT = (95 + 93)
( )

( ( )

Pgina 30 de 42

ESTADISTICA INFERENCIAL II
( ) ( )

F.V Factor A Factor B Interaccin Residual TOTAL

S.C 334.317 433.08 398.763 35017.45 36183.61

G.L 3 2 6 12 23

C.M 11.439 216.54 66.4605 2918.1208 3212.5603

Fexp 255.1027 13.476 43.907

Diseos factoriales con tres factores TORTILLADOR TORREY LENIN BALERO Y111=10 Y121=20 BANDA Y211=26 Y221=28 TAPSA Y131=2 Y231=30 MOLINO DE MASA TORREY Y112=6 Y212=30 LENIN Y122=23 Y222=34 TAPSA Y132=-2 Y232=32

Vamos a calcular los totales marginales y las sumas de cuadrados AXB T1 T2 B AXC T1 T2 C BXC B1 B2 B3 B1 Y11=16 Y22=56 Y1=72 Y1 Y1,1=32 Y2,1=84 Y.,1=116 Y1 Y11=36 Y21=48 Y31=32 B2 Y12=43 Y22=62 Y2=105 Y2 Y1,2=27 Y2,2=96 Y.,2=123 Y2 Y12=36 Y22=57 Y22=30 B3 Y13=0 Y23=62 Y3=62 B4 Y1.=59 Y2=180 y.=239

Pgina 31 de 42

ESTADISTICA INFERENCIAL II
( )

( ) ( ) ( )

( ) ( ) ( )

Pgina 32 de 42

ESTADISTICA INFERENCIAL II
La Tabla ANOVA resultante es: F.V Factor A Factor B Factor C AXB AXC BXC Residual TOTAL S.C 1220.08 253.16 4083 231.16 24083 17167 3167 1752.9 G.L 1 2 1 2 1 2 2 11 C.M 1220.08 126.58 4083 115.58 24083 8583 1583 Fexp 770.579 79947 2579 7300 15211 5421

Realizando los contrastes al nivel de significacin del 5%, se concluye que son significativos los efectos de los factores A (F0,05,1,2 = 18,51), B y A B (F0,05,2,2 = 19).

Pgina 33 de 42

ESTADISTICA INFERENCIAL II
UNIDAD 5 SERIES DE TIEMPO
Series de tiempo. Una serie de tiempo es un conjunto de valores numricos obtenidos en periodos iguales en el tiempo.

Los mtodos de pronstico causales comprenden la determinacin de factores relacionados con la variable que se predice, e incluyen anlisis con variables retrasadas, modelado economtrico, anlisis de indicador lder, ndice de difusin y otros medidores econmicos ms all del alcance de este libro. La figura 5.1 representa una perspectiva de los mtodos de pronstico.
Figura 5.1 Clasificacin de los mtodos de pronsticos

Mtodo de pronstico

Cuantitativos

Cualitativos

Cuales

Serie temporal

Suavizamiento

Proyeccin de tendencia

Proyeccin de tendencia ajustada por influencia estacional

Anlisis de series de tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. Variacin estacional: la variacin estacional representa un movimiento peridico de la serie de tiempo. La duracin de la unidad del periodo es generalmente menor que un ao. Puede
Pgina 34 de 42

ESTADISTICA INFERENCIAL II
ser un trimestre, un mes o un da, etc. Matemticamente, podemos decir que la serie representa variacin estacional si existe un nmero s tal que x(t) = x(t + k*s). Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo, como por ejemplo: 1) en invierno las ventas de helado 2) en verano la venta de lana 3) exportacin de fruta en marzo. Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cclicas.
ANALISIS DE TENDENCIA

Aunque los datos de serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede mostrar tambin desplazamientos o movimientos graduales hacia valores relativamente mayores o menores a lo largo de un lapso importante de tiempo. El desplazamiento gradual de la serie de tiempo se llama tendencia de esa serie; este desplazamiento o tendencia es, por lo comn, el resultado de factores a largo plazo, como cambios en la poblacin, caractersticas demogrficas de la misma, la tecnologa y/o las preferencias del consumidor.
Por ejemplo, Un fabricante de tortilladoras se puede detectar ao a ao, la cantidad de tortilladoras y molinos vendidos. Sin embargo al revisar las ventas durante los ltimos 10 aos, puede encontrar que hay un aumento gradual en el volumen anual de ventas. Ao 1 2 3 4 5 6 7 8 9 10 Ventas 30,000 32,000 32,500 35,000 36,200 38,250 39,830 40,000 42,000 42,300

Este crecimiento anual de las ventas a travs del tiempo muestra una tendencia creciente de la serie de tiempo. La siguiente figura presenta una recta que puede ser una buena aproximacin a la tendencia de las ventas de maquinaria. Aunque esa tendencia parece ser lineal y aumentar con el tiempo a veces, en una serie de tiempo, la tendencia se puede describir mejor mediante otros patrones.

Pgina 35 de 42

ESTADISTICA INFERENCIAL II
45 40 35 30 25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 Serie 1

ANALISIS DE VARIACIONES CICLICAS Aunque una serie de tiempo puede presentar una tendencia a travs de periodos grandes, sus valores no caern con exactitud sobre la lnea de tendencia. De hecho, con frecuencia estas series temporales presentan secuencias alternas de puntos abajo y arriba de la lnea de tendencia. Toda secuencia recurrente de puntos arriba y debajo de la lnea de tendencia, que dura ms de un ao, se puede atribuir a un componente cclico de la serie.

Los mtodos que pueden emplearse para suavizar nuestros datos en una serie son usualmente son: a) b) c) d) El mtodo de promedios mviles El mtodo de suavizacin exponencial Promedios mviles El mtodo de promedios mviles para suavizar una serie de tiempo es muy subjetivo y dependiente de L, la longitud del periodo seleccionado para calcular los promedios. Para eliminar las fluctuaciones cclicas, el periodo elegido debe ser un valor entero que corresponda a (o sea mltiplo de) la longitud promedio estimada de un ciclo en una serie. Los promedios mviles para un promedio determinado de longitud L consiste en una serie de promedios aritmticos en el tiempo tales que cada uno se calcula a partir de una secuencia de L valores observados. Estos promedios mviles se representan por el smbolo PM (L)A manera de ejemplo, suponga que se desea calcular promedios mviles de 5 aos de una serie que contiene n = 11 aos. Como L = 5, los promedios mviles de 5 aos consisten en
Pgina 36 de 42

ESTADISTICA INFERENCIAL II
una serie de medidas obtenidas en el tiempo al promediar secuencias consecutivas de cinco valores observados. El primer promedio mvil de 5 aos se calcula con la suma de los valores para los primeros 5 aos en la serie, dividida entre 5.

El segundo promedio mvil de 5 aos se calcula con la suma de los valores de los aos2 a 6 en la serie, dividida entre 5

Este proceso contina hasta calcular el ltimo promedio mvil de 5 aos con la suma delos valores de los ltimos 5 aos en la serie (aos del 7 al 11), dividida entre 5.

Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido para construir los promedios mviles, debe ser un nmero de aos impar. Al seguir esta regla se observa que no se pueden obtener promedios mviles para los primeros (L-1)/2 aos o los ltimos (L -1)/2 aos en la serie. Entonces, para un promedio mvil de 5aos, no es posible hacer clculos para los primeros 2 aos o los ltimos 2 aos de la serie. Al graficar los promedios mviles, cada valor calculado se coloca en el ao a la mitad de la secuencia de aos usada para calcularlos. Si n = 11 y L = 5, el primer promedio mvil se centra en el tercer ao, el segundo promedio mvil se centra en el cuarto ao y el ltimo en el noveno ao. Suavizacin exponencial La suavizacin exponencial es otra tcnica que se usa para alisar una serie de tiempo y proporcionar una visualizacin global de los movimientos a largo plazo de los datos. Adems, se puede usar el mtodo de suavizacin exponencial para obtener pronsticos acorto plazo (un periodo futuro) para series de tiempo. El mtodo de suavizacin exponencial obtiene su nombre del hecho de que proporciona un promedio mvil con ponderacin exponencial a travs de la serie de tiempo. En toda la serie, cada clculo de suavizacin o pronstico depende de todos los valores observados anteriores. sta es otra ventaja respecto al mtodo de pronsticos mviles, que no toma en cuenta todos los valores observados de esta manera. Con la suavizacin exponencial, los pesos asignados a
Pgina 37 de 42

ESTADISTICA INFERENCIAL II
los valores observados decrecen en el tiempo, de manera que al hacer un clculo, el valor observado ms reciente recibe el peso ms alto, el valor observado anterior tiene el siguiente peso ms alto, y as sucesivamente, por lo que el valor observado inicial tiene la menor ponderacin. Aunque la magnitud de los clculos involucrados puede parecer enorme, la suavizacin exponencial al igual que los mtodos de promedios mviles est disponible entre los procedimientos de Microsoft Excel y Minitab. Si se centra la atencin en los aspectos de suavizacin de la tcnica (ms que en el aspecto del pronstico), las frmulas desarrolladas para suavizar exponencial mente una serie en un periodo dado i se basa en slo tres trminos: el valor observado actual en la serie de tiempo Yi, valor con suavizacin exponencial calculado anterior Ei-1 y un peso subjetivo asignado o coeficiente de suavizacin W. As, para alisar una serie en cualquier periodo, se tiene la siguiente expresin. Obtencin de un valor que tiene suavizacin exponencial en el periodo i. Donde EI= valor de la serie suavizada exponencialmente que se calcula en el periodo i EI 1= valor de la serie suavizada exponencialmente que se calcula en el periodo i 1 Yi= valor observado de la serie de tiempo en el periodo i W = peso subjetivo asignado o coeficiente de suavizacin (donde 0 < W < 1) E1= Y1

5.7. Pronsticos basados en factores de tendencia y estacionales.

Como lo indicamos anteriormente el primer pas en un anlisis de series de tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), se recomienda antes de aplicar alguno de los mtodos de pronostico suavizar nuestros datos a fin de que la tendencia se observe de manera clara. Los mtodos que pueden emplearse para suavizar nuestros datos usualmente son: a) El mtodo de promedios mviles b) El mtodo de suavizacin exponencial
Pgina 38 de 42

ESTADISTICA INFERENCIAL II

El objet vo de ambos mtodos es el de emparejar la ser e proporc onar un panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios mtodos de pronstico de series de tiempo al manejar datos anuales, y otro mtodo para los datos de series de tiempo mensual o trimestral, los cuales se vern posteriormente. PROYECTO Los siguientes datos representan los ingresos totales (en miles de pesos) de la venta de mquinas de tortilleras (molino y tortilladora), en un intervalo de 8 aos de 2008 a 2012. 30 32 32.500 35 36.200 38.250 39.830 40

Calcule los promedios mviles de 5 aos para esta serie de tiempo anual.

Solucin El primer promedio movil de 5 aos es ( ) Es decir, para calcular un promedio mvil de 5 aos, primero se obtiene la suma de los cinco aos y se divide entre 5.Los siguientes valores quedan de la siguiente manera: ( ) ( ) ( ) Suavizacin exponencial de las serie E = WY + (1 W) E = (0.25) (32)+ (0.75)(30)= 30.5 E = WY + (1 W) E = (0.25) (32.500)+(0.75)(30.5)=31 E = WY + (1 W) E = (0.25) (35)+(0.75)(31)=32 E = WY + (1 W) E = (0.25) (36.200)+(0.75)(32)=33.05 E = WY + (1 W) E = (0.25) (38.250)+ (0.75) (33.05)=34.35
Pgina 39 de 42

ESTADISTICA INFERENCIAL II
E = WY + (1 W) E = (0.25) (39.830) + (0.75) (34.35)= 35.72 E = WY + (1 W) E = (0.25) (40) + (0.75) (35.72) = 36.79 PROYECCION DE TENDENCIAS 1 2 3 4 5 6 7 8 30 32 32.500 35 36.200 38.250 39.830 40

Ventas por ao de las maquinas (tortilladora y molino).

VENTAS POR AO DE LAS MAQUINAS (TORTILLADORA Y MOLINO)

45 40 35 30 25 20 15 10 5 0 1 2 3 4 5 6 7 8 Serie 1

t=1 t=8 t2

Yt

t Yt

Pgina 40 de 42

ESTADISTICA INFERENCIAL II
1 30 30 1

32

64

32.500

97.5

35

140

16

36.200

181

25

38.250

229.5

36

39.830

278.81

49

40

320

64

36

283.78

1340.81

204

Por consiguiente = 35.4725 b1=

( ( )( ) )

b0= 35.4725-1.52 (4.5)= 28.6325 T1= 28.6325+ (1.52) (9)= 42.3125 Con el software de Excel

Pgina 41 de 42

ESTADISTICA INFERENCIAL II
BIBLIOGRAFIA
GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edicin. Anlisis y Diseo de Experimentos. Mc Graw Hill. MONTGOMERY, C.D.; G.C, RUNGER. 2010. Segunda edicin. Probabilidad y Estadstica. LIMUSA WILEY MONTGOMERY, C.D. Diseo y Anlisis de Experimentos. Segunda edicin. LIMUSA WILEY WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edicin. Probabilidad y Estadstica Para Ingenieros. Pearson Education ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A.2005. Octava edicin. Estadstica para Administracin y Economa. MATH LEARNING BERENSON, M.L.; LEVINE, D.M.; KREHBIEL, T.C. 2001. Segunda edicin. Estadstica para Administracin. Prentice Hall.

Pgina 42 de 42