Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ingeniería Industrial
Estadística Inferencial ll
Fidel Rodríguez Ramírez
Saúl Martínez Cortes
IIND-2010-227
210120315
4°C
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
1
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
2
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
∑ 171.59 160.35
SCE ¿ SCE
(15-15.44) 2
0.19
Coeficiente de Determinación múltiple
(17-17.55)2 0.30
(13-13.33)2 0.108 2 SCR 160.35
R= = =0.934
(23-23.09)2 0.0081 SCT 171.59
(16-15.07)2 0.09
(21-20.09) 2
0.01
(14-15.18) 2
1.39
Coeficiente de Determinación múltiple
(20-19.92)2 0.0064 Corregido
(24-24.94) 2
0.88 SCE 8.08
(17-15.95)2 1.102 n−k −1 15−2−1
R2=1− = =0.94
(16-15.71)2 0.084 SCT 171.59
(18-17.73) 2
0.072 n−1 15−1
(23-21.17) 2
3.34
(15-14.7) 2
0.09 Error Estándar
√
(16-16.67) 2
0.44
∑ 8.08 Se=
SCE
n−k−1
=¿
8.08
12 √
=0.82 ¿
Tabla Nova
FUENTES DE SUMA DE GRADOS CUADRO VALOR
VARIACIÓN CUADRADO DE MEDIO DE F
S LIBERTAD
TRATAMIENTOS SCR K SCR CMR
=80.17
160.35 2 k CME
ERROR SCE n-k-1 SCE F=119.12
=0. 673
8.08 12 n−k−1
VARIACIÓN SCT n-1
TOTAL 171.59 14
H o =B 1=B 2=0 F 0.05,2,12=3.84
H a =B1 =B 2 ≠ 0
∝=5 %=0.05
3.84
3
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
4
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Tabla
ANOVA Error Estándar
Se=
√ SCE
n−k−1
=¿
10√
2.2609
=0.5682 ¿
5
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
33.65
4.72
1. B1 0.0611
2. B2 0.9234
3. B0 -0.8658
4. Y^ =B0 + B1 X 1 +B 2 X 2 (X1=100)(X2=5) 9.8612
5. Se 0.5682
6. R2 (Coeficiente de Determinación múltiple Corregido) 0.8784
7. Tabla ANOVA 33.65
6
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
7
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Conclusión (unidad 1)
La regresión lineal múltiple me quedo bastante clara esta unidad, entendiendo por completo
todos los aspectos realizando los ejercicios, aunque es un poco extenso todo el
procedimiento agarrando ritmo se vuelve poco tedioso y al hacerlo entre varios compañeros
todos corroborando datos, es más fácil comprender de donde sale todo. Me resulta
impresionante como con los números podemos saber la relación que tienen las variables y
hasta predecir con los mismos datos, al hacer todo esto de manera manual de dato en dato te
permite analizar y comprender todo para facilitar su desarrollo en Excel, así cuando
estemos haciéndolo en computadora pueda saber con exactitud cómo hacer el desarrollo y
tener el menor número de fallas posibles.
8
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Unidad 2
Series de tiempo
Serie de tiempo; una recolección de datos área alguna variable o conjunto de variables
durante varios periodos.
Estadística Inferencial II
9
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Promedio móvil (PM)
Una serie de promedios aritméticos sobre un número dado de períodos; es la estimación del
promedio de la variable a largo plazo.
Las ventas para Arthur Momitor´s Snowmobiles, Inc, durante los últimos 12 meses. Se
calculan tanto un PM de tres meses, como uno de cinco meses.
MES VENTAS PM DE 3 PM DE 5
(US $100) MESES MESES
ENERO 52
FEBRERO 81 60
MARZO 47 64.3 59
ABRIL 65 54 63.2
MAYO 50 62.6 56
JUNIO 73 56 58.6
JULIO 45 59.3 55.6
AGOSTO 60 51.6 61.4
SEPTIEMBRE 50 63 55.8
OCTUBRE 79 58 59.2
NOVIEMBRE 45 62
DICIEMBRE 62
10
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Grafica PM
Ventas PM 3 Meses
90
81 79
80
73
70 64.3 65
62.6 63 62 62
60 59.3 60 58
60 56
52 54
50 51.6 50
50 47 45 45
40
30
20
10
0
er
o ro zo ril ay
o
ni
o lio to br
e
br
e
br
e e
re ar Ab Ju Ju os br
En eb M M Ag m ctu m
em
F ptie O ovie ci
S e N Di
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Ejercicio 2 (PM)
11
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
3 38 45.7 44.1
45
4 47 44.25
45.38
1997 – 1 53 46.50
44.63
2 39 42.75
42.50
3 47 42.25
43
4 32 43.75
42.5
1998 – 1 51 41.25
44
2 45 46.75
3 37
4 54
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Suavización exponencial
F t −1=∝ At + ( 1−∝ ) Ft
12
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
a = 0.3 = ∝
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
13
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
137.13
=22.85
6
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
14
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
AÑO T (X) Y XY x2
1983 1 7 7 1
1984 2 7.1 14.2 4
1985 3 7,9 23.7 9
1986 4 7.3 29.2 16
1987 5 8.2 4.1 25
1988 6 8.3 49.8 36
1989 7 8.1 56.7 49
Formulas
1990 8 8.6 68.8 64
1991 9 8.8 79.2 81 (Tendencia de regresión simple)
SCx=Σ x 2−¿ ¿
1992 10 8.9 89 100
(Σ x)(Σ y )
o SCxy=Σ xy−
1993 11 8.7 95.7 121 n
1994 12 9.1 109.2 144 SCxy
b 1=
SCx
1995 13 9.4 122.2 169 b 0= y−b1 x
1996 14 9.1 127.4 196
1997 15 9.5 142.5 225
1998 16 9.9 158.4 256
Σ 136 135.9 1214 1496
x=8.5 y=8.49
Solución
SCx=Σ x 2−¿ ¿
(Σ x)(Σ y) ( 136)(135.9)
o SCxy=Σ xy− =1177.1− ¿ 1177.1−1155.15=58.88
n 16
15
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
SCxy 58.88
b 1= = =0.1731
SCx 340
b 0= y−b1 x = 8.49−( 0.064 ) ( 8.5 )=8.49−0.544=7.02
# ^y # ^y
1 7.19 11 8.89
2 7.36 12 9.06
3 7.53 13 9.26
4 7.7 14 9.44
5 7.87 15 9.61
6 8.04 16 9.78
7 8.21 17 9.96
8 8.38 18 10.13
9 8.55 19 10.30
10 8.72
10
7
1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
16
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
17
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
PROMEDIO ESTACIONAL
ENERO 0.5669 0.5897 0.5782 0.5859
FEBRERO 0.6822 0.4706 0.5763 0.5839
MARZO 0.6061 0.5897 0.5979 0.6057
ABRIL 0.7164 0.7076 0.7120 0.7213
MAYO 1.1259 1.0988 1.1124 1.1269
JUNIO 1.4706 1.3986 1.4346 1.4534
JULIO 1.7373 1.6350 1.6862 1.7082
AGOSTO 1.6684 1.8191 1.7438 1.7666
SEPTIEMBRE 1.1520 1.3005 1.2262 1.2423
OCTUBRE 0.8342 0.8867 0.8605 0.8717
NOVIEMBRE 0.6400 0.6502 0.6451 0.6536
DICIEMBRE 0.6349 0.7094 0.6721 0.6809
∑ ¿11.844 ∑ ¿11.999
12
=1.0131
11.844
18
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
19
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
RAZÓN INDICE
2004 2005 2006 2007 2008 2009
PROMEDIO ESTACIONAL
1 0.7715 0.7752 0.7526 0.7329 0.8010 0.7666 0.7649
2 0.5403 0.5532 0.5812 0.5899 0.6153 0.5759 0.5746
3 1.1799 1.1296 1.1412 1.1264 1.1428 1.1439 1.1413
4 1.5029 1.5498 1.5346 1.5584 1.4664 1.5224 1.5119
∑ ¿ 4.0088 ∑ ¿3.9927
4
=0.9978
4.0088
20
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Conclusión (Unidad 2)
Esta unidad quedó clara cada uno de los temas vistos desde el promedio móvil de varios
dígitos y el centrado para elaborar las gráficas y poder ver que tanto varea, al igual con los
demás temas al trabajar con tantos números y formulas resulta un poco agobiante pero el
tema me resulta interesante y me mantiene concentrado en todo momento, al poder hacer
predicciones. En los promedios móviles nos permite eliminar picos al usarse como un
método de suavización y permite hacer pronósticos cortos con gran precisión. Al igual que
en la unidad pasada el Excel nos hubiera sido de gran ayuda, pero al hacerlo nosotros
mismos quedan un poco más claras todas las formulas vistas que fueron algunas muy
parecidas a las de regresión lineal múltiple y lineal. Me quedo con lo aprendido y seguimos
conociendo las herramientas que nos brinda la estadística.
21
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Unidad 3
Diseño de experimentos de un factor
Estadística inferencial II
22
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Tratamientos
Programa 1 Programa 2 Programa 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
x 1=80 x 2=81 x 3=85
(85-82.14)2=8.17
Formulas
(80-82.14)2=102.81
SCT =∑ ¿ ¿
(82-82.14)2=0.73
SCTR=∑ rj ¿ ¿
(72-82.14)2=4.57
(84-82.14)2=4.57 SCE=∑ ¿ ¿
(80-82.14)2=3.45 X IJ
X́ =∑ =82.14
n
(83-82.14)2=1.29
(81-82.14)2=17.13
(85-82.14)2=0.01
(80-82.14)2=0.01
(78-82.14)2=4.57 4¿
(90-82.14)2=8.17
23
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
(82-82.14)2=61.77
(88-82.14)2=34.33
=251.58
Formulas
SCT
CMT = =19.35
n−1
SCTR
CMTR= =33.85
C−1
SCE
CME= =16.86
n−c
CMTR
F= =1.94 ∝=0.05 f =0.05 , 3,12=3.49
CME
f =0.05 , 3,12=3.49
La hipótesis no se rechaza 1.94
24
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
A B C D
6 7 11 10
8 9 16 12
7 10 11 11
8 8 13 9
x 1=7.25 x 2=8.5 x 3=12.75 x 4 =10.5
¿14.06
Formulas
¿3.06
¿7.56 SCT =∑ ¿ ¿
¿3.06 SCTR=∑ rj ¿ ¿
¿7.56 SCE=∑ ¿ ¿
¿0.56 X IJ
X́ =∑ =9.75
¿0.06 n
¿
¿1.56
¿39.06 SCTR = 4 ¿
¿
¿+ ¿+ ¿+ ¿
¿10.56
¿+ ¿+ ¿+ ¿ SCE
¿+ ¿+ ¿ + ¿ 25
¿+ ¿+ ¿ + ¿
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
¿0.06
¿5.06
¿
¿0.56 SCT=98.96
Formulas
SCT 98.96
CMT = = =6.59
n−1 15
SCTR 69.5
CMTR= = =23.16
C−1 3
SCE 29.5
CME= = =2.45
n−c 12
CMTR
F= =9.45 ∝=0.05 f =0.05 , 3,12=3.49
CME
3.49 9.45
La hipótesis se rechaza las muestras no coinciden con las pruebas de método de ensamble.
T =q ∝ , c , n−c
√ CME
r
=4.20
√
2.45
4
=3.28 n=4
r=2
| X 1−X 2|=1.25<3.28 nCr =6
| X 1−X 3|=5.5>3.28
| X 1−X 4|=3.25<3.28
26
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
| X 2−X 3|=4.25>3.28
Igualdad de Promedio
| X 2−X 4|=2.00< 3.28 X 1 −X 2
27
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
28
¿+ ¿+ ¿+ ¿
¿+ ¿+ ¿+ ¿ SCE
SCTR = 4 ¿
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
¿
¿265.96
¿95.84
¿1102.90
¿
Formulas Formulas
SCT =∑ ¿ ¿ CMT =
SCT 9075.86
= =6.59
n−1 23
SCTR=∑ rj ¿ ¿
SCTR 7017.95
CMTR= = =23.16
SCE=∑ ¿ ¿ C−1 3
X IJ SCE 2065.38
X́ =∑ =229.79 CME= = =102.81
n n−c 20
CMTR
F= =22.75
CME
∝=0.05 f =0.05 , 3,20=3.10
3.10 22.7
n=4
29
r=2
nCr =6
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
T =q ∝ , c , n−c
√ CME
r
=3.96
√102.81
6
=16.392
| X 1−X 2|=46.16>16.392
| X 1−X 3|=25.83>16.392
| X 1−X 4|=35.5>16.392
| X 2−X 3|=20.33>16.392
| X 2−X 4|=10.60<16.392
| X 3−X 4|=9.97<16.392
Diferencia mínima significativa (DMS)
t ∝ , n−c
2 √ 2 CME
R
=t 0.025,20=20
√
2(102.81)
6
=12.21 n=24
c=4
| X 1−X 2|=46.16>12.21 r=6
nCr =6
| X 1−X 3|=25.83>12.21
| X 1−X 4|=35.5>12.21 EXISTE DMS
| X 2−X 3|=20.33>12.21
|X 2−X 4|=10.60<12.21
30
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
31
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Formulas
¿ SCT =∑ ¿ ¿
¿
SCTR=∑ rj ¿ ¿
¿
SCT = Σ ¿) x 2 = 582.4 SCE=∑ ¿ ¿
X IJ
Formulas X́ =∑ =30.2
n
SCT
CMT = = 41.6
n−1
SCTR
CMTR = =163.5
n−1
SCE
CME = = 21.19
n−c
CMTR
= 7.71
CME f =0.05 , 3,12=3.89 7.71
Se rechaza la HO porque existe diferencia en los ingresos promedio que recibe el parque.
DMS NO balanceado
DMS j, k =
√ 1 1 (
+ CME ) f ∝ ,(−1 , n−c) = 0.05, 2, 12
rj rk
3C 2 = 3
32
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
1 2 3 4
78 80 88 49
76 78 90 89
80 57 85 97
85 90 88
89 84 75
80
x 1=81.6 x 1=71.66 x 1=86.16 x 1=79.6
¿
¿
SCTR
¿ 5(81.6-80.94)2+3(71.66-80.94)2+(86.16-80.94)2+(79.6-80.94)2=432.98
¿
SCE
¿
¿ ¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ +¿ = 1933.9
¿
¿
¿
¿
Formulas
¿
¿ SCT =∑ ¿ ¿
¿ SCTR=∑ rj ¿ ¿
¿ SCE=∑ ¿ ¿
¿ X IJ
¿ X́ =∑ =80.94
n
¿
¿
¿
SCT =2366 . 88
33
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Formulas
SCT
CMT = =131.49
n−1
SCTR
CMTR= =144.32
C−1
SCE
CME= =128.92
n−c
CMTR
F= =1.11
CME
∝=0.05 f =0.05 , 3,15=3.29
1.11
La hipótesis no se rechaza 3.29
DMS no balanceado
DMS j, k =
√ 1 1 (
+ CME ) f ∝ ,(−1 , n−c) = 0.05, 4, 15
rj rk
4C 2 = 6
√ 1 1 |81.6−71.66|=9.94< 15.04
DMS j, k = + ( 128.92 ) (3.29)
5 3
|81.6−86.16|=4.56<12.47
DMS 1,2 = 15.04 |81.6−79.6|=2<13.02
DMS 1,3 = 12.47 |71.66−86.16|=14.5<14.56
DMS 1,4 = 13.02 |71.66−79.6|=7.94<15.04
DMS 2,3= 14.56 |86.16−79.61|=6.55<12.47
DMS 2,4= 15.04
34
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Conclusión (unidad 3)
Es interesante como con este método podemos comparar varios tratamientos, calificaciones,
ingresos y otras cosas mediante medias y sus varianzas pudiendo llegar a saber si en
realidad hay diferencias mediante la prueba de hipótesis. Mientras que el Tukey y DMS nos
van a decir en cuales de las medias hay diferencias significativas y en cuales hay igualdad
de promedio, cuando una hipótesis se aprueba no hay DMS según mis observaciones de
esta unidad, y al ser rechazada el DMS nos dirá cuales presentan la diferencia significativa,
con los métodos no balanceados no hay tukey y es diferente el procedimiento, pero se llega
a los mismos resultados.
Pude aprender a interpretar la información dada y los métodos para llegar a generar una
conclusión de los datos arrojados al final de cada procedimiento llegando a saber porque
hay diferencias y porque las hipótesis pueden o no ser rechazadas.
35
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Unidad 4
El diseño aleatorio en bloques
Estadística inferencial II
36
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Revista
Una emisión reciente de la revista Fortune describió los esfuerzos realizados por una
importante empresa de electrónica para desarrollar un sistema en el cual se les daba a los
empleados la oportunidad de evaluar el desempeño de sus supervisores y de algún personal
administrativo. Se seleccionan aleatoriamente cinco empleados y se les pide evaluar a
cuatro de sus gerentes sobre una escala de 10 a 50. Los resultados, junto con las medias de
las filas y las columnas, aparecen en la siguiente tabla.
Empleado 1 2 3 4 promedio
1 31 35 46 38 x 1=37.5
2 29 32 45 36 x 2=35.5
3 13 17 35 20 x 3=21.25
4 28 38 52 39 x 4=39.25
5 14 20 40 20 x 5=23.5
x=¿ 23 28.4 43.6 30.6
SCBL = Σ ci¿ ) x 2 = 1124.3
4¿
SCT = Σ ¿) x 2= 2344.8
5¿
SCE=SCT−SCTR−SCBL
SCE=2344.8−1145.2−1124.3=75.3
SCT 2344.8
CMT = = =123.41
n−1 19
SCTR 1145.2
CMTR = =¿ =381.73
n−1 3
37
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
SCE 75.3
CME = ¿ =6.27
n−c 12
SCBL 1124.3
CMBL = = = 281.07
r −1 4
Tratamientos Bloques
F¿ ∝0,05,3,12 = 3.49 F¿ ∝0,05,4,12 = 3.26
CMTR 381.73 CMBL 281.07
FTR = = = 60.88 FBL = = = 44.82
CME 6.27 CME 6.27
44.82
60.88
3.49
3.49
Con una significancia del 0.05 Con una significancia del 0.05
se rechaza HO todos los gerentes se rechaza la HO todos los empleados
tienen diferentes empleados. evalúan de manera diferente a los gerentes.
38
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Atomizador
Se hace un estudio sobre la efectividad de tres marcas de atomizador para matar moscas.
Para ello, cada producto se aplica a un grupo de 100 moscas, y se cuenta el número de
moscas muertas expresado en porcentajes. Se hicieron seis réplicas, pero en días diferentes;
por ello, se sospecha que puede haber algún efecto importante debido a esta fuente de
variación. Los datos obtenidos se muestran a continuación:
Atomizador 1 2 3 4 5 6 promedio
1 72 65 67 75 62 73 69
2 55 59 68 70 53 50 59.16
3 64 74 61 58 51 69 62.83
promedio 63.66 66 65.33 67.60 55.33 64
x́=63.66
SCT = Σ ¿) x 2 = 1091.92
SCE=SCT−SCTR−SCBL
SCE=1091.92−279.85−296.72=515.35
SCT
CMT = ¿ 64.23
n−1
SCTR
CMTR = =¿ 55.97
n−1
SCE
CME = ¿ 51.53
n−c
SCBL
CMBL = = 148.36
r −1
39
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
CMBL
FBL = =2.87
CME
CMTR
FTR = = 1.08
CME
4.10 3.33
2.87
1.08
40
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Circle Trucking
Circle Trucking Company desea determinar si el tiempo promedio de conducción es el
mismo para cada una de las tres rutas. El director de tránsito para Circle considera que es
necesario corregir las condiciones climáticas, así como la pericia de los conductores. Se
identifican tres niveles de condiciones climáticas: deficiente, regular y buena. Se
seleccionan tres conductores con capacidades cambiantes y cada uno cubre tres rutas bajo
cada una de las tres condiciones climáticas. Los resultados se reportan en el diseño en
cuadrado latino que se muestra en el texto. Vale la pena recordar que las letras latinas
indican las variables en consideración, en este caso, las rutas. Se registran los tiempos en
minutos.
Empleado Deficiente Clima R. Bueno
1 A/20 C/18 B/17
2 C/22 B/10 A/10
3 B/18 A/9 A/8
A=39 B=45 C=48
SCBF=Σ ¿ ¿
SCBF=¿ ¿
SCC=Σ ¿ ¿
SCC=¿ ¿
SCTR=Σ¿ ¿
SCTR=¿ ¿
2
SCT =Σ( x i )−¿ ¿
SCT =¿
SCE=SCT−SCTR−SCC−SCF
SCE=230−68.66−128.66−14=18.68
Tabla Anova
Fuentes Suma de Grados de Cuadro medio Valor de F
cuadrados Libertad
41
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Tratamientos 14 2 7 CMTRT
=0.74
CMERROR
Error 18.68 2 9.34
Total 230 8
F= 0.05,2,2 = 19
Tratamientos Bloques
19 19
0.72 6.88
Con una significancia de 0.05 no se rechazó la hipótesis, ya que no hay diferencia entre en
clima y las rutas.
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
42
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Llantas
Comparación de cuatro marcas de llantas. Una compañía de mensajería está interesada en
determinar cuál marca de llantas tiene mayor duración en términos del desgaste. Para ello
se planea un experimento en cuadro latino, en el que se comparan las cuatro marcas de
llantas sometiéndolas a una prueba de 32,000 kilómetros de recorrido, utilizando cuatro
diferentes tipos de auto y las cuatro posiciones posibles de las llantas en el auto. Así, el
factor de interés es el tipo de llanta o marca, y se controlan dos factores de bloques: el tipo
de carro y la posición de la llanta en el carro. Estos factores de bloques se controlan ya que,
por experiencia, se sabe que el tipo de carro y la posición de la llanta tienen efecto en el des
gaste de la misma. La elección del cuadro latino a utilizar se hace antes de obtener los
datos.
Carro
Posición 1 2 3 4
1 C/12 D/11 A/13 B/8
2 B/14 C/12 D/11 A/3
3 A/17 B/14 C/10 D/9
4 D/13 A/14 B/13 C/9
Tratamientos A= 47 B=49 C=43 D=44
SCBF=Σ ¿ ¿
SCBF=¿ ¿
SCC=Σ ¿ ¿
SCC=¿ ¿
SCTR=Σ¿ ¿
SCTR=¿ ¿
SCT =Σ( x 2i )−¿ ¿
SCT =¿
SCE=SCT−SCTR−SCC−SCF
SCE=155.04−16.19−103.69−5.69=30.37
Tabla Anova
Fuentes Suma de Grados de Cuadro medio Valor de F
cuadrados Libertad
Bloques de 16.19 2 5.39 SCFILAS
=¿ 3.00
fila CMFILAS
43
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Total 230 8
F= 0.05,3,9 = 3.86
Tratamientos Bloques
3.86 3.86
0.37 3.0
Con una significancia de 0.05 no se rechazó la hipótesis, ya que no hay diferencia entre en
las cuatro marcas de llantas.
Conclusión (Unidad 4)
Al hacer las sumas de los cuadros de columnas y de filas para poder sacar los valores de F
de tratamientos y de bloques me doy cuenta que pueden salir resultados muy distintos que
cuando se hace en general al hacerlo por tratamientos se puede dar cuenta la diferencia
entre cada tratamiento y por bloques se da cuenta de la diferencia o variación de lo que se
está evaluando ya sea personas o maquinas, y para los cuadros latinos en donde se puede
evaluar tratamientos bloques y filas creo que nos arroja mejores resultados al poder ver la
diferencia de cada uno y poder llegar a conclusiones más completas que nos permiten
comprender mejor los resultados de nuestros procedimientos, al llevar acabo esta materia
me di cuenta en cada unidad que cada método nos sirve para diferentes tipos de problemas
quedando muy claro cuál aplicar en cada uno. Algo que me quedo muy claro también al
paso de las unidades fue a redactar bien mis conclusiones dejando más en claro cuales
fueron mis resultados y poder resumirlos lo más breve posible.
Bibliografía
(Anderson, Sweeney, & Williams, 2008)
44
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
(Lozada, 2004)
45