Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Portafolio
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
151.96(5.59) − 24.48(28.64)
𝐵1 = = 0.80
140.25(5.59) − 599.27
̂ = 𝑩𝟎 + 𝑩𝟏 (𝑿𝟏 ) + 𝑩𝟐 (𝑿𝟐 )
𝒀 ̂
𝒀 ̅𝟐) SCT ̂−𝒀
̅ )𝟐 SCR
𝑺𝑪𝑻 ∑(𝒀𝒊 − 𝒀 𝑺𝑪𝑹 ∑(𝒀
∑ 171.59 160.35
̂ )𝟐
𝑺𝑪𝑬(𝒀𝒊 − 𝒀 SCE
2
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
(15-15.44)2 0.19
2
(17-17.55) 0.30
2
Coeficiente de Determinación múltiple
(13-13.33) 0.108
(23-23.09)2 0.0081 𝑆𝐶𝑅 160.35
𝑅2 = = = 0.934
(16-15.07)2 0.09 𝑆𝐶𝑇 171.59
(21-20.09)2 0.01
2 1.39
(14-15.18)
(20-19.92) 2
0.0064
Coeficiente de Determinación múltiple
(24-24.94)2 0.88 Corregido
2
(17-15.95) 1.102 𝑆𝐶𝐸 8.08
(16-15.71)2 0.084
𝑅̅ 2 = 1 − 𝑛 − 𝑘 − 1 = 15 − 2 − 1 = 0.94
(18-17.73)2 0.072 𝑆𝐶𝑇 171.59
(23-21.17) 2
3.34 𝑛−1 15 − 1
2 0.09
(15-14.7)
(16-16.67) 2
0.44 Error Estándar
∑ 8.08
𝑆𝐶𝐸 8.08
𝑆𝑒 = √ =√ = 0.82
𝑛−𝑘−1 12
Tabla Nova
FUENTES DE SUMA DE GRADOS CUADRO VALOR
VARIACIÓN CUADRADOS DE MEDIO DE F
LIBERTAD
TRATAMIENTOS SCR K 𝑆𝐶𝑅 𝐶𝑀𝑅
160.35 2 = 80.17
𝑘 𝐶𝑀𝐸
ERROR SCE n-k-1 𝑆𝐶𝐸 𝐹 = 119.12
8.08 12 𝑛−𝑘−1
= 0. 673
VARIACIÓN SCT n-1
TOTAL 171.59 14
𝐻𝑜 = 𝐵1 = 𝐵2 = 0 𝐹0.05,2,12 = 3.84
𝐻𝑎 = 𝐵1 = 𝐵2 ≠ 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
Error Estándar
𝑆𝐶𝐸 2.2609
𝑆𝑒 = √ =√ = 0.5682
𝑛−𝑘−1 10
5
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Tabla ANOVA
FUENTES DE SUMA DE GRADOS CUADRO VALOR
VARIACIÓN CUADRADOS DE MEDIO DE F
LIBERTAD
TRATAMIENTOS SCR K 𝑆𝐶𝑅 𝐶𝑀𝑅
21.5481 2 = 10.77
𝑘 𝐶𝑀𝐸
ERROR SCE n-k-1 𝑆𝐶𝐸 𝐹 = 33.65
2.2609 7 = 0.32
𝑛−𝑘−1
VARIACIÓN SCT n-1
TOTAL 23.9 9
𝐻𝑜 = 𝐵1 = 𝐵2 = 0
𝐹0.05,2,12 = 4.72
𝐻𝑎 = 𝐵1 = 𝐵2 ≠ 0
∝= 5% = 0.05
33.65
4.72
1. B1 0.0611
2. B2 0.9234
3. B0 -0.8658
4. 𝑌̂ = 𝐵0 + 𝐵1 𝑋1 + 𝐵2 𝑋2 (X1=100)(X2=5) 9.8612
5. Se 0.5682
6. 𝑅̅ 2 (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
60 60 62 62
59.3 58
54 56
60 52 51.6
50 50
47 45 45
50
40
30
20
10
11
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Ejercicio 2 (PM)
3 37
4 54
12
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
Suavización exponencial
𝑭𝒕−𝟏 = ∝ 𝐴𝑡 + (1 − ∝) 𝐹𝑡
a = 0.3 = ∝
13
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
137.13
= 22.85
6
14
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
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)
(Σ𝑥)2
𝑆𝐶𝑥 = Σ𝑥 2 −
1992 10 8.9 89 100 𝑛
(Σ𝑥)(Σ𝑦)
11 8.7 95.7 121 o 𝑆𝐶𝑥𝑦 = Σ𝑥𝑦 −
1993 𝑛
𝑆𝐶𝑥𝑦
1994 12 9.1 109.2 144 𝑏1 =
𝑆𝐶𝑥
1995 13 9.4 122.2 169 𝑏0 = 𝑦̅ − 𝑏1𝑥̅
15
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Solución
(Σ𝑥)2 (136)2
𝑆𝐶𝑥 = Σ𝑥 2 −
18496
= 1496 − = 1496 − = 1496 − 1156 = 340
𝑛 16 16
(Σ𝑥)(Σ𝑦) (136)(135.9)
o 𝑆𝐶𝑥𝑦 = Σ𝑥𝑦 − 𝑛
= 1177.1 − 16
= 1177.1 − 1155.15 = 58.88
𝑆𝐶𝑥𝑦 58.88
𝑏1 = = = 0.1731
𝑆𝐶𝑥 340
𝑏0 = 𝑦̅ − 𝑏1𝑥̅ = 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
11
10
7
1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998
16
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
17
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
AGOSTO 31 1.3986
SEPTIEMBRE 21
OCTUBRE 16
NOVIEMBRE 18
DICIEMBRE 19
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
̅𝟏 = 𝟖𝟎
𝒙 𝑥̅2 = 81 𝑥̅3 = 85
(85-82.14)2=8.17
Formulas
(80-82.14)2=102.81
(82-82.14)2=0.73 𝑆𝐶𝑇 = ∑(𝑋𝐼𝐽 − 𝑋̿)2 = 251.58
(72-82.14)2=4.57
𝑆𝐶𝑇𝑅 = ∑ 𝑟𝑗(𝑋̅𝐽 − 𝑋̿)2 65.7144
2
(84-82.14) =4.57
(80-82.14)2=3.45 𝑆𝐶𝐸 = ∑(𝑋𝐽 − 𝑋̅𝐽 )2 = 186.76
(83-82.14)2=1.29 𝑋𝐼𝐽
𝑋̿ = ∑ = 82.14
(81-82.14)2=17.13 𝑛
(85-82.14)2=0.01
(80-82.14)2=0.01
(78-82.14)2=4.57 4(80 − 82.14)2 + 5(81 − 82.14)2 + 5(85 − 82.14)2 = 65.7144
(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
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
̅𝟏 = 𝟕. 𝟐𝟓
𝒙 ̅𝟐 = 8.5
𝒙 ̅𝟑 = 12.75
𝒙 ̅𝟒 = 10.5
𝒙
(6 − 9.75)2 =14.06
Formulas
(8 − 9.75)2 =3.06
(7 − 9.75)2 =7.56 𝑆𝐶𝑇 = ∑(𝑋𝐼𝐽 − 𝑋̿)2 = 98.96
(8 − 9.75)2 =3.06
𝑆𝐶𝑇𝑅 = ∑ 𝑟𝑗(𝑋̅𝐽 − 𝑋̿)2 69.5
(7 − 9.75)2 =7.56
(9 − 9.75)2 =0.56 𝑆𝐶𝐸 = ∑(𝑋𝐽 − 𝑋̅𝐽 )2 = 29.5
(10 − 9.75)2 =0.06
𝑋𝐼𝐽
2
(8 − 9.75) = 3.06 𝑋̿ = ∑ = 9.75
𝑛2
(8 − 9.75) + (8 − 9.75)2 + (8 − 9.75)2 + (8 − 9.75)2
(11 − 9.75)2 =1.56
2 2 2
SCTR
(8 = 4(80
− 9.75) 2 − 82.14) +2 5(81 − 82.14)2 + 5(85 − 82.14)
+ (8 − 9.75) + (8 − 9.75) + (8 − 9.75)2 = 65.7144
SCE
(16 − 9.75)2 =39.06
(11 − 9.75)2 = 1.56 (8 − 9.75)2 + (8 − 9.75)2 + (8 − 9.75)2 + (8 − 9.75)2
25
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
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.
26
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
27
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
Estadística Inferencial II
210120315
Saúl Martínez Cortes
4-C
28
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
(216 − 229.79)2 =190.16 SCTR = 4(80 − 82.14)2 + 5(81 − 82.14)2 + 5(85 − 82.14)2 =
(200 − 229.79)2 =887.44 65.7144
Formulas Formulas
𝑆𝐶𝑇 9075.86
𝑆𝐶𝑇 = ∑(𝑋𝐼𝐽 − 𝑋̿)2 = 9075.86 𝐶𝑀𝑇 = = = 6.59
𝑛−1 23
𝑆𝐶𝑇𝑅 = ∑ 𝑟𝑗(𝑋̅𝐽 − 𝑋̿)2 = 7017.95 𝑆𝐶𝑇𝑅 7017.95
𝐶𝑀𝑇𝑅 = = = 23.16
𝐶−1 3
𝑆𝐶𝐸 = ∑(𝑋𝐽 − 𝑋̅𝐽 )2 = 2056.38 𝑆𝐶𝐸 2065.38
𝐶𝑀𝐸 = = = 102.81
𝑋𝐼𝐽 𝑛−𝑐 20
𝑋̿ = ∑ = 229.79 𝐶𝑀𝑇𝑅
𝑛 𝐹= = 22.75
𝐶𝑀𝐸
3.10 22.7
5
29
INSTITUTO TECNOLOGICO MARIO MOLINA PASQUEL Y ENRIQUEZ
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
𝑺𝑪𝑻𝑹
CMTR = =163.5
𝒏−𝟏
𝑺𝑪𝑬
CME = 𝒏−𝒄 = 21.19
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
1 1
DMS j, k = √𝑟𝑗 + 𝑟𝑘 (𝐶𝑀𝐸) 𝑓 ∝, (−1, 𝑛 − 𝑐) = 0.05, 2, 12 3𝑪𝟐 = 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
𝐱̅ 𝟏 = 𝟖𝟏. 𝟔 x̅1 = 71.66 x̅1 = 86.16 x̅1 = 79.6
(78 − 80.94)2
SCTR
(76 − 80.94)2
5(81.6-80.94)2+3(71.66-80.94)2+(86.16-80.94)2+(79.6-80.94)2=432.98
(80 − 80.94)2
(85 − 80.94)2
SCE
(89 − 80.94)2
(78 − 81.6)2 +(76 − 81.6)2 +(80 − 81.6)2 +(85 − 81.6)2 +(89 −
(80 − 80.94)2
81.6)2 + (80 − 71.66)2 + (78 − 71.66)2 + (57 − 71.66)2 + (88 −
(78 − 80.94)2 86.16)2 + (90 − 86.16)2 + (85 − 86.16)2 + (90 − 86.16)2 + (84 −
(57 − 80.94)2 86.16)2 + (80 − 86.16)2 + (49 − 79.6)2 + (89 − 79.6)2 + (97 −
79.6)2 +(88 − 79.6)2 +(75 − 79.6)2 = 1933.9
(88 − 80.94)2
(90 − 80.94)2
Formulas
(85 − 80.94)2
𝑆𝐶𝑇 = ∑(𝑋𝐼𝐽 − 𝑋̿)2 = 2366.88
(90 − 80.94)2
(84 − 80.94)2 𝑆𝐶𝑇𝑅 = ∑ 𝑟𝑗(𝑋̅𝐽 − 𝑋̿)2 = 432.98
(80 − 80.94)2
𝑆𝐶𝐸 = ∑(𝑋𝐽 − 𝑋̅𝐽 )2 = 1933.9
(49 − 80.94)2
(89 − 80.94)2 𝑋𝐼𝐽
𝑋̿ = ∑ = 80.94
𝑛
(97 − 80.94)2
(88 − 80.94)2
(75 − 80.94)2
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
1.11
La hipótesis no se rechaza 3.29
DMS no balanceado
1 1
DMS j, k = √𝑟𝑗 + 𝑟𝑘 (𝐶𝑀𝐸) 𝑓 ∝, (−1, 𝑛 − 𝑐) = 0.05, 4, 15 4𝑪𝟐 = 6
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.
Bibliografía
(Anderson, Sweeney, & Williams, 2008)
(Lozada, 2004)
35