TUTORÍA - ESTADÍSTICA MA444

TALLER 6

Tutor
Miguel Herrera
MONTERRICO
Series de Tiempo

SEMANA 15 PH: u1 - u2

Dis. Exp. 2 Factores

LINK
Contratar más operadores si la cantidad de artículos vendidos para el
siguiente año es más de 90 mil artículos en al menos dos trimestres.
idos para el
trimestres.
1 Variable Y Prom. Móvil
Centrado (3 T)
Índice
Estacional

Año Trimestres Y_unidades vendidas PMC IE = Y/PMC

I 27.0
II 45.0 46.00000 0.97826
2017
III 66.0 45.33333 1.45588
IV 25.0 42.66667 0.58594
I 37.0 39.66667 0.93277
II 57.0 57.33333 0.99419
2018
III 78.0 57.00000 1.36842
IV 36.0 54.00000 0.66667
I 48.0 50.00000 0.96000
II 66.0 67.66667 0.97537
2019
III 89.0 66.66667 1.33500
IV 45.0 64.33333 0.69948
I 59.0 59.66667 0.98883
II 75.0 76.66667 0.97826
2020
III 96.0 75.33333 1.27434
IV 55.0

4
Y s. e. T T² LN(T)

27.766154 1 1.00000 0.00000

45.28747 2 4.00000 0.69315
47.992954 3 9.00000 1.09861
37.951304 4 16.00000 1.38629
38.049915 5 25.00000 1.60944
57.364128 6 36.00000 1.79176
56.718946 7 49.00000 1.94591
54.649878 8 64.00000 2.07944
49.362051 9 81.00000 2.19722
66.421622 10 100.00000 2.30259
64.717772 11 121.00000 2.39790
68.312347 12 144.00000 2.48491
60.674188 13 169.00000 2.56495
75.479116 14 196.00000 2.63906
69.807933 15 225.00000 2.70805
83.492869 16 256.00000 2.77259

6
Año Trimestre Tiempo (T) Ys.e.

I 17 80.67736469573
II 18 83.52140283682
2021
III 19 86.36544097791
IV 20 89.20947911899
Índice Estacional Y sin estacionalidad
Ajustado
2
Ingresar los IE
IEA Y s. e. = Y / IEA Tiempo = T Trimestre
0.97241 27.76615 1 I
0.99365 45.28747 2 II
1.37520 47.99295 3 III
0.65874 37.95130 4 IV
0.97241 38.04991 5
0.99365 57.36413 6
1.37520 56.71895 7

3
0.65874 54.64988 8 Interpretación:
0.97241 49.36205 9 IEA > 1 : por enc
IEA < 1 : por deb
0.99365 66.42162 10
1.37520 64.71777 11
0.65874 68.31235 12 Trimestre
0.97241 60.67419 13 I
0.99365 75.47912 14 II
1.37520 69.80793 15 III
0.65874 83.49287 16 IV

5
LN( Y s. e. ) Modelo LINEAL --> [ T , Ys.e. ]
3.32382 Regression Analysis
3.81303
3.87105 OVERALL FIT
3.63630 Multiple R 0.9057531724526
3.63890 R Square 0.82038880940795
 4.04942 Adjusted R Square 0.80755943865138
4.03811 Standard Error 6.55794377734609
4.00095 Observations 16
3.89918
4.19602 ANOVA
4.17004 df
4.22409 Regression 1
4.10552 Residual 14
4.32386 Total 15
4.24575
4.42476 coeff
Intercept (Bo) 32.3287162972358
T (B1) 2.84403814108789

Modelo EXPONENCIAL --> [ T , LN(Y s.e

Regression Analysis

OVERALL FIT
(Ys.e.) x (IEA) Multiple R 0.87973424189232

IEA Pronóstico R Square 0.77393233635785

Adjusted R Square 0.7577846460977
0.9724069107356 78.4512269700638 Standard Error 0.14262975965871
0.99365233119792 82.9912366337247 Observations 16
1.37520186394495 118.769915413243
0.65873889412154 58.765753620004 ANOVA
df
Regression 1
Residual 14
Total 15

coeff
Intercept 3.54236674160436
T 0.05355092575582

Bo 34.5485900913166
b1 0.05355092575582
 IEA = Promed

2017 2018 2019 2020 Promedio IEA

0.93277 0.96000 0.98883 0.96053 0.97241
0.97826 0.99419 0.97537 0.97826 0.98152 0.99365
1.45588 1.36842 1.33500 1.27434 1.35841 1.37520
0.58594 0.66667 0.69948 0.65070 0.65874
Suma de promedios = 3.95116
Constante de ajuste (CA) = 1.01236

Interpretación: CA = 4 / Suma d
IEA > 1 : por encima en un ___%
IEA < 1 : por debajo en un ___ %

IEA
0.97241 2.76% Para el trimestre I, la cantidad promedio de artículos vendidos está por debajo en un 2.7
0.99365 0.63% Para el trimestre II, la cantidad promedio de artículos vendidos está por debajo en un 0.
1.37520 37.52% Para el trimestre III, la cantidad promedio de de artículos vendidos está por encima en un
0.65874 34.13% Para el trimestre IV, la cantidad promedio de de artículos vendidos está por debajo en un

T , Ys.e. ]

AIC 62.04516508586
2 AICc 64.04516508586
 SBC 63.59034253034

Alpha 0.05
SS MS F p-value sig
2750.108002307 2750.108002307 63.94614552608 1.376182738E-06 yes
602.0927722157 43.00662658683
3352.200774523

std err t stat p-value lower upper

3.439014729741 9.400575117533 1.99762031E-07 24.95276328533 39.704669309139
0.355654436492 7.996633387 1.376182738E-06 2.081235240201 3.6068410419752

--> [ T , LN(Y s.e.) ]

AIC -60.45660146652

AICc -58.45660146652
SBC -58.91142402204

Alpha 0.05
SS MS F p-value sig
0.975018560764 0.975018560764 47.9283615111 7.060082152E-06 yes
0.284805476764 0.02034324834
1.259824037528

std err t stat p-value lower upper

0.074795676971 47.36058132033 7.420809961E-17 3.381945969323 3.702787513886
0.007735184765 6.923031237189 7.060082152E-06 0.036960604443 0.0701412470691
 IEA = Promedio x CA

Regresar al
paso 1

CA = 4 / Suma de promedios

didos está por debajo en un 2.76 %

didos está por debajo en un 0.63 %
vendidos está por encima en un 37.52 %
vendidos está por debajo en un 34.13 %

MODELO ES VÁLIDO

Modelo CUADRÁTICO --> [ T T² , Ys.e. ]

Regression Analysis

OVERALL FIT
Multiple R 0.90575684 AIC 64.0445729
R Square 0.82039546 1 AICc 67.6809365
Adjusted R Square 0.79276399 SBC 66.3623391
Standard Error 6.80537394
Observations 16

ANOVA Alpha 0.05

df SS MS F p-value
Regression 2 2750.130286772 1375.06514 29.6906213 1.42253E-05
Residual 13 602.070487751 46.3131144
Total 15 3352.200774523

coeff std err t stat p-value lower

Intercept 32.4294506 5.815936205028 5.57596394 8.98186E-05 19.8648843
T 2.81046006 1.57462315956 1.78484613 0.09762665 -0.59130646
T² 0.00197518 0.09004464583 0.02193558 0.98283246 -0.19255445

Modelo POTENCIA --> [ LN(T) , LN(Ys.e.) ]

Regression Analysis

OVERALL FIT
Multiple R 0.88793918 AIC -61.5175088

R Square 0.78843598 AICc -59.5175088

Adjusted R Square 0.77332426 SBC -59.9723313
Standard Error 0.13797863
Observations 16

ANOVA Alpha 0.05

df SS MS F p-value
Regression 1 0.993290600343 0.9932906 52.1738231 4.40354E-06
Residual 14 0.266533437185 0.0190381
Total 15 1.259824037528

coeff std err t stat p-value lower

Intercept 3.37245198 0.093162292051 36.1997532 3.10353E-15 3.17263874
LN(T) 0.32608267 0.045144140365 7.22314496 4.40354E-06 0.22925812

Bo 29.1499146
b1 0.32608267
 sig
yes

upper vif
44.9940168
6.21222658 18.202381
0.19650481 18.202381

sig
yes

upper
3.57226523
0.42290722
Diversificar los productos del hogar si para el mes de julio del 2021 los ingresos obtenidos s
Alfa de 0,35; 0,50 y 0,85.

〖𝑌 _1=𝑌
〖𝑌 ̂ _(𝑡+1)=𝛼∗𝑌 〗 _𝑡+(1−𝛼)∗
 ̂ 〗 _1
α = 0.85
T_Meses 𝑌_𝑡 𝑌 ̂_𝑡 〖𝑒 _𝑡=𝑌_𝑡−𝑌 ̂ 〗 _𝑡 〖𝐴𝑏𝑠 (𝑒 〗 _𝑡) 〖𝐴𝑏𝑠 (𝑒 〗 _𝑡) / 𝑌_
Julio 5.78 5.7800
Agosto 4.14 5.7800 -1.6400 1.6400
Septiembre 5.39 4.3860 1.0040 1.0040
Octubre 3.67 5.2394 -1.5694 1.5694
Noviembre 3.66 3.9054 -0.2454 0.2454
Diciembre 3.51 3.6968 -0.1868 0.1868
Enero 5.73 3.5380 2.1920 2.1920
Febrero 4.8 5.4012 -0.6012 0.6012
Marzo 4.47 4.8902 -0.4202 0.4202
Abril 3.89 4.5330 -0.6430 0.6430
Mayo 4.02 3.9865 0.0335 0.0335
Junio 5.46 4.0150 1.4450 1.4450
Julio PRONÓSTICO 5.2432 -0.6315 0.9073
CEF DAM
=SUMA( ) =PROM

Tabla Resumen
α CEF DAM
0.35 -3.1755 0.8781
0.50 -1.9617 0.8607
0.85 -0.6315 0.9073
21 los ingresos obtenidos son mayores a 5 millones.

FIjar α
(F4)
=𝛼∗𝑌 〗 _𝑡+(1−𝛼)∗𝑌 ̂_𝑡

〖𝐴𝑏𝑠 (𝑒 〗 _𝑡) / 𝑌_𝑡 𝑒_𝑡 / 𝑌_𝑡 𝑒_𝑡²

0.3961 -0.3961 2.6896

0.1863 0.1863 1.0080
0.4276 -0.4276 2.4630
0.0671 -0.0671 0.0602
0.0532 -0.0532 0.0349
0.3825 0.3825 4.8048
0.1253 -0.1253 0.3614
0.0940 -0.0940 0.1766
0.1653 -0.1653 0.4135
0.0083 0.0083 0.0011
0.2647 0.2647 2.0881
0.1973 -0.0443 1.2819
PEMA PME EMC
=PROMEDIO( )

CEF / DAM
PEMA PME EMC SR PRONÓSTICO
0.2057 -0.0995 1.1003 -3.6165 4.6686
0.1959 -0.0735 1.1145 -2.2791 4.7992
0.1973 -0.0443 1.2819 -0.6960 5.2432

2° (PEMA) 1° (SR)
Menor PEMA [ -1.5 ; 1.5 ]
 α CEF DAM PEMA PME EMC SR
0.35 -3.1755 0.8781 0.2041 -0.0489 1.1003 -3.6165
0.50 -1.9617 0.8607 0.2002 -0.0188 1.1145 -2.2791
0.85 -0.6315 0.9073 0.2058 0.0187 1.2819 -0.6960
PRONÓSTICO
4.6686
4.7992
5.2432
 𝛼

F2 F1

= INV.F(α/2; n1 - 1, n2 - 1) = INV.F(1-α/2; n1 - 1, n2 - 1)
 Prue

Pasos para realizar una Prueba de Hipótesis

Prueba de hipótesis para comparar dos medias de muestras
independientes

𝝈_𝟏^𝟐=𝝈_ 𝝈_𝟏^𝟐≠𝝈_
𝟐^𝟐 𝟐^𝟐

𝑡_((𝑝𝑟𝑜𝑏, 𝑛_1+𝑛_2−2)) 𝑡_((𝑝𝑟𝑜𝑏, 𝒗))

- t (α; gl)

- t (α/2 ; gl) t (α/2 ; gl)

t (α; gl)
Se necesita verificar si el tiempo de exposición de la sustancia con el procedi
Se optará por el procedimiento con el menor tiempo de exposición.
Nivel de significación del 10%.
Varianzas poblacionales homogéneas

Procedimiento n Media Desviación estándar

Procedimiento A 31 12,97 3,25
Procedimiento B 25 11,99 2,47

𝑡_((𝑝𝑟𝑜𝑏, 𝑛_1+𝑛_2−2))

𝑡_((0.10, 54)) -1.29743 =INV.T(0.1,54)

ncia con el procedimiento A es mayor al del B.
xposición.

=INV.T(0.1,54)
Se incrementará el número de buses en el tipo d

Datos / Amálisis de Datos / Análisis de varianza de dos factores con

varias muestras por grupo
 Ho: Los niveles d
Ho: Los tipos de servicios No afectan al número de pasajeros transportados. H1: Los niveles
H1: Los tipos de servicios Sí afectan al número de pasajeros transportados.
α = 0.05

Fcal = 0.89
Fcrítico = 3.885 =INV.F.CD(α, GL-fila, GLE) 3.885

Decisión: No Rho

Con un nivel de significancia del 5% No se puede afirmar que

los tipos de servicios afectan al número de pasajeros transportados.
Comparacio Análisis Conclusión
nes
µV , µR - a + µV = µ R
µV , µE - a + µ V = µE
µR , µE - a + µR = µ E

µV = µR = µE
e buses en el tipo de servicio que tenga más pasajeros.

RUTA
SERVICIO Lima - Ica Lima - Huancayo
20 28
VIP 25 20
30 31
27 24
REGULAR 25 45
17 50
23 22
ECONÓMICO 22 44
21 21

Ho: No Hay interacción entre los tipos de servicio y las rutas sobre el número de pasajeros tra
H1: Hay interacción entre los tipos de servicio y las rutas sobre el número de pasajeros trans
α = 0.05

Análisis de varianza de dos factores con varias muestras por grupo

RESUMEN Lima - Ica Lima - Huancayo

za de dos factores con VIP
s por grupo Cuenta 3 3
Suma 75 79
Promedio 25 26.33333333333
Varianza 25 32.33333333333

REGULAR
Cuenta 3 3
Suma 69 119
Promedio 23 39.66666666667
Varianza 28 190.3333333333

ECONÓMICO
Cuenta 3 3
Suma 66 87
Promedio 22 29
Varianza 1 169

Total
Cuenta 9 9
 Suma 210 285
Promedio 23.33333333333 31.66666666667
Varianza 15.25 135.25

ANÁLISIS DE VARIANZA
Origen de las variaciones Suma de cuadradosGrados de libertad
Muestra (Servicio) 132.3333333333 2
Columnas (Ruta) 312.5 1
Interacción 180.3333333333 2
Dentro del grupo (Error) 891.3333333333 12

Total 1516.5 17

Fcal = 1.2139
Fcrítico = 3.885 =INV.F.CD(α, GL-fila, GLE)

Con un nivel de significancia del 5% se puede afirmar que

No Hay interacción entre los tipos de servicio y las rutas sobre el número de pas

Ho: Los niveles del Factor no afectan a la variable respuesta

H1: Los niveles del Factor Sí afectan a la variable respuesta Ho: Las rutas No afectan al núme
H1: Las rutas Sí afectan al númer
α = 0.05

Fc > F tabla = > SRHo Fcal = 4.207

Fcrítico = 4.747

Decisión: No Rho

Con un nivel de significancia del

los métodos afectalas rutas afectan al número de pa
el número de pasajeros transportados.
número de pasajeros transportados.

as por grupo

Total

6
154
25.6666667
23.4666667

6
188
31.3333333
170.666667

6
153
25.5
82.7
 Promedio de los cuadradosFcal Probabilidad Valor crítico para F
66.1666667 0.89080029918 0.43580230094 3.88529383465239
312.5 4.2071802543 0.06274516282 4.74722534672252
90.1666667 1.21391174271 0.33104158599 3.88529383465239
74.2777778

3.88529383

Fcalculado > F crítico => SRHo

as sobre el número de pasajeros transportados.

s rutas No afectan al número de pasajeros transportados.

s rutas Sí afectan al número de pasajeros transportados.

=INV.F.CD(α, GL-fila, GLE) 4.747

n nivel de significancia del 5% No se puede afirmar que

as afectan al número de pasajeros transportados.