Professional Documents
Culture Documents
Biol.
Contenido
CAPTULO 1. Regresin lineal simple y mltiple. 4
1.1. Regresin Lineal simple. 4
1.1.1. Prueba de hiptesis en la regresin lineal simple.... 12
1.1.2. Calidad del ajuste en regresin lineal simple.... .. 19
1.1.3. Estimacin y prediccin por intervalo en regresin lineal simple.... 23
1.1.4. Uso de software estadstico....... 25
1.2. Regresin lineal mltiple 30
1.2.1. Pruebas de hiptesis en regresin lineal mltiple. 34
1.2.2. Intervalos de confianza y prediccin en regresin mltiple...... 37
1.2.3. Uso de un software estadstico...... 40
1.3. Regresin no lineal. 43
......147
Pronsticos
basados
en
factores
de
tendencia
estacionales........150
Apndice. Tablas Estadsticas..166
Bibliografa....174
CAPTULO 1
es necesario disponer
Resistenci
e de fibra
134
145
142
10
149
12
144
14
160
16
156
18
157
20
168
22
166
24
167
26
171
28
174
30
183
y ,
Reg
resin lineal simple
Biol.
CAPTULO 1
Biol.
Reg
resin lineal simple
9
r
Plan A
Plan B
Plan C
Relacin lineal positiva
No
Plan
Plan E
Plan F
c
Biol.
s
10
CAPTULO 1
e
En la grafica B es un ejemplo de
una relacin lineal negativa. Cuando
aparecen valores
altos y bajos de Y.
En la grafica D muestran una relacin curvilnea entre
de Y aumentan cuando
altos de
y Y. Los valores
crece, pero
el incremento disminuye para valores
e
aumenta ms, Y
ejemplo tipo de relacin puede ser el nmero de errores por hora en una tarea
y nmero de horas trabajadas.
Por ultimo en la grafica F indica una relacin exponencial o curvilnea
negativa entre
incremento de
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 pvalores 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,
s
Biol.
Reg
resin lineal simple
11
ai
c
n
e
t
s
i
s
e
190
180
170
160
R
150
140
130
5
10
15
20
Porcentaje de fibra
25
30
Biol.
12
CAPTULO 1
Biol.
e
Reg
r
resin lineal simple
13
Figura 1.3 Lnea recta que mejor se ajusta a los datos, donde
la
o
distancia
a los puntos es la ms pequea
posible
P
(1.1)
2
donde
. Tambin suponga
,
, est
(1.2)
En donde
+
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:
- Es el punto en el cual la lnea recta intercepta o cruza el eje y.
7
Biol.
14
CAPTULO 1
siguiente:
(1.3)
De esta forma, se quierenaencontrar los valores de
que minimizan
con respecto a
y derivar tambin a
, consiste en
con respecto a
se obtiene:
e
i
Al igualar a cero las dos
ecuaciones y resolverlas en forma simultnea
(1.4)
(1.5) donde
R
Biol.
d
Reg
resin lineal simple
15
(1.6)
(1.7)
son las medias mustrales de las dos variables, es decir,
u
de la pulpa.
a
Biol.
d
16
CAPTULO 1
134
16
17
536
145
36
956
870
142
64
21
1 136
10
149
100
025
1 490
12
144
144
20
14
160
196
164 2 240
16
156
256
22
18
157
324
201 2f 826
20
168
400
20
22
166
484
736 3 652
24
167
576
25
26
171
676
600
28
174
784
24
30
183
900
336 5 490
1 i728
2 496
3
38,44
360
008
4 446
4
r
4,6
872
24
649
28
224
%
27
4
556
27
889
27
241
30
o
276
d
33
489
=4
= 39
956
353
150
2216.6
342
Biol.
Reg
17
-
Por lo tanto, la lnea recta que mejor explica la relacin entre porcentaje
.
utilizada.
8
correspondientes sin olvidar separarlas por una coma entre ambos datos, se
manda cada par a memoria, al finalizar la captura se obtienen los coeficientes
7
Biol.
18
ai
c
n
e
t
s
i
s
e
CAPTULO 1
190
Estadsticas de la regresin
180
Coeficiente
de 0,96443231
170
correlacin
8160
R
mltiple
Coeficiente
150
de 0,93012969
140
determinacin
5130
5
10
15
20
Porcentaje de fibra
R^2
R^2 ajustado
0,9243071
Error tpico
7
3,87648116
25
30
6
Observaciones
14
ANLISIS DE VARIANZA
Grados de Suma
libertad
de Promedio de
cuadrados
Valor
los
crtico
F
2,70702E
2400,531
cuadrados
2400,531
n
Residuos
12
868
180,3252
868
15,02710
13
747
2580,857
623
Total
Regresi
159,7467
824
-08
de
143
Coeficien
Error
Estadsti
Probabilid
Inferior
Intercepc
tes
130,6747
tpico
2,417790
co t
54,0471
ad
1,05975E
95%
125,4068
in
Porcentaj
253
1,624175
201
0,128504
73
12,63909
-15
2,70702E
13
1,344189
737
-08
444
e de fibra
824
099
Anlisis de los residuales
Observaci
Pronstico
n
1
Resistencia
137,171428
Residuos
-
3,17142857
140,419780
1
4,5802197
2
143,668131
8
-
Biol.
Reg
resin lineal simple
1,66813186
146,916483
8
2,08351648
5
150,164835
4
-
6,16483516
153,413186
5
6,58681318
8
156,661538
7
-
0,66153846
159,909890
2
-
1
163,158241
2,90989011
4,84175824
10
8
166,406593
2
-
0,40659340
169,654945
7
-
2,65494505
172,903296
5
-
1,90329670
176,151648
3
-
2,15164835
11
12
13
19
2
14
179,4
3,6
Resumen de Minitab
Anlisis de regresin: Resistencia vs. Porcentaje de fibra
La ecuacin de regresin es
Resistencia = 131 + 1,62 Porcentaje de fibra
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
20
CAPTULO 1
Coef.
Predictor
Coef
de EE
Constante
130,675
2,418
54,05 0,000
Biol.
Reg
resin lineal simple
21
Anlisis de varianza
Fuente
GL
Regresin
SC
1
13
180,3
15,0
2580,9
Porcentaje
Obs
Error residual 12
Total
MC
Ajuste
Residuo
SE
4,0
Residuo estndar
134,00
137,17
1,97
-3,17
145,00
140,42
1,75
4,58
142,00
143,67
1,55
-1,67
149,00
146,92
1,37
2,08
144,00
150,16
1,22
-6,16
160,00
153,41
1,11
6,59
156,00
156,66
1,04
-0,66
157,00
159,91
1,04
-2,91
168,00
163,16
1,11
4,84
166,00
166,41
1,22
-0,41
167,00
169,65
1,37
-2,65
-0,95
2
6,0
1,32
8,0
-0,47
10,0
0,57
12,0
-1,68
14,0
1,77
16,0
-0,18
18,0
-0,78
20,0
1,30
10
22,0
-0,11
11
24,0
-0,73
Biol.
22
CAPTULO 1
26,0
171,00
172,90
1,55
-1,90
174,00
176,15
1,75
-2,15
183,00
179,40
1,97
3,60
-0,54
13
28,0
-0,62
14
30,0
1,08
Tabla 1.4.
Biol.
Reg
resin lineal simple
23
Ejemplo
Suponga que el gerente de una cadena de servicios de entrega de paquetera
desea desarrollar un modelo para predecir las ventas semanales (en miles de
dlares) para las tiendas individuales basado en el nmero de clientes que
realizan compras. Se seleccion una muestra aleatoria entre todas las tiendas
de la cadena con los siguientes resultados.
Tienda Cliente
Ventas
s
907
($000)
11,20
11
679
($000)
7,63
926
11,05
12
872
9,43
506
6,48
13
924
9,46
741
9,21
14
607
7,64
789
9,42
15
452
6,92
889
10,08
16
729
8,95
874
9,45
17
794
9,33
Biol.
24
CAPTULO 1
510
6,73
18
844
10,23
529
7,24
19
1010
11,77
10
420
6,12
20
621
7,41
mtodo
de
mnimos
cuadrados
para
Biol.
Reg
resin lineal simple
25
Biol.
26
CAPTULO 1
= 2,3086 y
= 0,0088
de miles
de dlares en promedio.
d)
e) Factores
Resumen de Excel
Coeficiente
Intercepci
s
2,30862007
Error tpico
0,48690393
n
Clientes
7
0,00886121
4
0,00064758
n
Estadstico
Probabilida
t
4,74142826
d
0,00016297
9
13,6833888
7
5,93374E-
11
es probar una serie hiptesis sobre el modelo. Para ello es necesario suponer
una distribucin de probabilidad para del trmino de error,
normalidad:
y varianza
Es usual suponer
Biol.
i
Reg
resin lineal simple
r
27
(1.9)
Biol.
28
CAPTULO 1
lineal simple
El estadstico de prueba
es:
r
(1.10)
s
a
t
n
e
11
si el valor absoluto de
10
V
tablas, es decir, se
rechaza
si:
(1.11)
6
400
500
600
700
Clientes
800
900
. No rechazar que
1000
, en el caso del
modelo de regresin lineal simple, implica que no existe una relacin lineal
significativa entre
se utiliza para estimar la varianza del error de ajuste de un modelo, y est dada
por:
Biol.
29
(1.13)
Por lo tanto, un estimador insesgado de
grados de libertad y
.
, puede ser de inters
, en este caso en el
, es decir, el
Biol.
30
CAPTULO 1
, y el criterio de
rechazo es el mismo.
Si se utiliza como criterio de rechazo la comparacin de la significancia
observada (p-value o valor p) contra la significancia predefinida ( ), entonces
se rechaza
si el valor p
siguiente hiptesis:
(1.15)
El estadstico de prueba es el
siguiente:
-Student con
se rechaza si:
. No rechazar que
si el valor-
la lnea recta pasa por el origen, es decir pasa por (0, 0). En ocasiones, en
lugar de probar que
, puede ser de inters probar que es igual a cierta constante
; en ese caso, en el numerador del estadstico de la expresin
(1.16) se resta , es decir, el estadstico queda de la siguiente manera:
Biol.
31
grados de libertad y
Estimacin
Error
Estadstico
Valor-p
estndar
Biol.
32
CAPTULO 1
Intercepci
n
Pendiente
grados de libertad y
Biol.
33
Resumen de Excel
Coeficiente
Estadstico
Probabilida
Intercepci
s
2,30862007
Error tpico
0,48690393
t
4,74142826
d
0,00016297
n
Clientes
7
0,00886121
4
0,00064758
9
13,6833888
7
5,93374E-
11
Ejercicios
1.- Cul es el propsito general del anlisis de regresin?
2.- En el anlisis de regresin intervienen dos tipos de variables: las
independientes y las dependientes. Explique con sus palabras y a travs de
ejemplos, las caractersticas de estos dos tipos de variables.
3.- En el artculo de Concrete Research (Caractersticas del concreto cerca de
la superficie: Permeabilidad intrnseca), se presentaron los datos sobre la
resistencia a la compresin y la permeabilidad intrnseca
de varias mezclas
y curados de concreto.
Las cantidades resumidas son
y
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
34
CAPTULO 1
= 4,3.
= 3,7.
= 3,7 es
= 46,1
Ejercicios
= 8,86,
, = 143 215,8,
= 1 083,67.
en la temperatura superficial?
Biol.
35
1 000
185,79
24
214,47
Feb 32
288,03
47
424,84
Mar 50
454,58
59
539,03
Abr. 68
621,55
Ma
74
675,06
62
562,03
Jun 50
452,93
41
369,95
Jul. 30
273,98
Ago
.
Sep
.
Oct
.
Nov
.
Dic.
Biol.
36
CAPTULO 1
y el residual correspondiente.
(en %).
4,4 6,6 9,7 10,6 10,8 10,9 11,8 12,1 14,3 14,7 15,0 17,3 19,2 23,1
27,4 27,7 31,8 39,5
0,19 0,15 0,57 0,70 0,67 0,63 0,47 0,70 0,60 0,78 0,81 0,78 0,69
1,30 1,05 1,06 1,74 1,62
a)
b)
c)
d)
= 0,47
) se
), son:
Biol.
37
cuando
= 30.
correspondiente.
. Encuentre el valor
10
15
20
12
13
15
12
(minutos)
Rendimient
14 20 19 18
64 81,7 76,2 68,5 77,9 82,2 74,2 70
o (%)
76 83,2 85,3
Ejercicios
Biol.
38
CAPTULO 1
= consumo de vapor y
temperatura promedio.
a) Pruebe la significacin de la regresin usando
. Cul es el valor P
para esta prueba? Enuncie las conclusiones que resultan de esta prueba. b)
Estime
c) Estime los errores estndar de la pendiente y la ordenada al origen.
d) Pruebe la hiptesis
contra
usando
contra
usando
= concentracin de cloruros
= rea de carretera.
a) Pruebe la hiptesis
contra
usando el procedimiento
.
relacin permite hacer estimaciones con una precisin aceptable. Por ejemplo,
es de inters saber qu tanta de la variabilidad presente en
Biol.
39
(1.17)
Es claro que
. En general
de la
variabilidad en los datos ( ) que es explicada por el modelo. En el caso de los
datos de la resistencia de la pulpa (tabla 1.1) tenemos
es
de Suma
variacin
cuadrados
Regresin
Error
de Grados de Cuadrado
libertad
Valor-p
medio
residual
Total
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
40
CAPTULO 1
Resumen de Excel
Estadsticas de la regresin
Coeficiente
de 0,96443231
correlacin
mltiple
Coeficiente
de 0,93012969
determinacin
R^2
R^2 ajustado
0,9243071
Error tpico
7
3,87648116
6
Observaciones
14
ANLISIS DE VARIANZA
Grad
Suma
de Promedio
os de cuadrados
de
los cuadrados
liberta
Valor
crtico de
F
d
Regresi
2400,53186
2400,53186 159,746782
2,70702
n
Residuos
8
4
15,0271062
E-08
8
180,325274
7
2580,85714
Total
2
1
3
Biol.
41
Fuente
GL
Regresin
SC
1
13
Error residual 12
Total
MC
180,3
15,0
2580,9
siguiente manera:
(1.18)
Calidad de ajuste en
regresin lineal simple
cuadrados total,
, entre sus grados d libertad. Cuando hay muchos trminos en un modelo, el
estadstico
se prefiere en lugar de
Biol.
42
CAPTULO 1
Coeficiente de correlacin
correlacin,
, mide la intensidad de la relacin lineal entre dos variables
pares de datos de la forma (
Si se tiene
siguiente manera:
(1.19)
; si
es prximo a
, entonces tendremos
es prximo a , entonces
tendremos una relacin lineal positiva fuerte. Por ejemplo, para los datos de la
resistencia de la pulpa (tabla 1.1), el coeficiente de correlacin es;
Biol.
43
dado por:
(1.20)
ser menor y en
Biol.
44
CAPTULO 1
diagnosticar
cul
es
la
falla
que
registra
el
modelo
23
Biol.
45
Biol.
R
46
CAPTULO 1
para la
resistencia de la pulpa
e
a partir de cualquier
valor de X, para lo cual aplicamos la
e
siguiente ecuacin:
y de la distancia entre
y se incrementa conforme
ms grande.
. La
se hace
= 12 (porcentaje de fibra)
cuando
= 12, est
Biol.
47
l
= 12
del
(1.22)
a
(1.23)
En el caso del intervalo de confianza para la pendiente de los datos del
porcentaje de fibra (tabla 1.1) tenemos
.
Biol.
48
CAPTULO 1
Por lo que
puntual
pendiente de forma
o
u
di
s
e
es
1,6242,
por
Ejercicios
R
0,0
140
150
160
Valor ajustado
170
180
25
Nmero
Concentrac
de
in
observaci Del
Producci
licor n
verde
(tons
40
825
42
830
49
890
46
895
44
890
48
910
46
915
43
960
53
990
10
52
1010
11
54
1012
12
57
1030
13
58
1050
Biol.
49
b) La concentracin media de
cuando la produccin es
toneladas
c) Encuentre un intervalo de prediccin de 99% para la concentracin de
cuando
toneladas
2.- Remtase a los datos del ejercicio 3 (de la seccin anterior) para
intrnseca del concreto y
a la compresin.
a) la pendiente
b) la ordenada al origen
c) la permeabilidad media cuando
d) Encuentre un intervalo de prediccin 95% para la permeabilidad cuando
Anlisis de datos
Regresin
Biol.
50
CAPTULO 1
Biol.
51
3.-
De
la
clic
en
complementos
Uso de un
software estadstico
27
Biol.
52
CAPTULO 1
Anlisis de datos
En la ventana de captura
Regresin
de entrada y para
de entrada
Biol.
53
En Minitab
En Minitab la secuencia de captura para la regresin lineal simple o mltiple en
la hoja de clculo una vez capturada las columnas de datos seleccionamos
Estadsticas luego Regresin seguida de Regresin nuevamente
Uso de un
software estadstico
29
Biol.
54
CAPTULO 1
Biol.
55
una variable
variables
(1.22)
Donde los
coeficientes de regresin y
. Si en la ecuacin (1.22)
, estamos en el caso de
, tal ecuacin
}.
El trmino lineal del modelo de regresin se emplea debido a que la ecuacin
(1.22) es funcin lineal de los parmetros desconocidos
La
Biol.
56
CAPTULO 1
es la ordenada al origen, y
(1.23)
Estas ecuaciones se pueden resolver para
mediante cualquier
31
Estatur
Eda
Biol.
57
64
57
71
59
10
53
49
67
62
11
55
51
58
50
77
55
10
57
48
56
52
10
51
42
76
61
12
68
57
) mltiple mediante el
Tabla 1.6 Procedimiento para realizar los clculos para la regresin mltiple
Y
X1
X2
Y2
64
57
4096
71
59
10
53
49
67
X12
X22
X1Y
X2Y
X1X2
3249
64
3648
512
456
5041
3481
100
4189
710
590
2809
2401
36
2597
318
294
62
11
4489
3844
121
4154
737
682
55
51
3025
2601
64
2805
440
408
58
50
3364
2500
49
2900
406
350
77
55
10
5929
3025
100
4235
770
550
57
48
3249
2304
81
2736
513
432
56
52
10
3136
2704
100
2912
560
520
51
42
2601
1764
36
2142
306
252
76
61
12
5776
3721
144
4636
912
732
68
57
4624
3249
81
3876
612
513
Biol.
58
CAPTULO 1
y x1
x2
y2
x12
753
106
48,13
34,843
643
x22
976
x1y
x2y
x1x2
40,83
6,796
5,779
Resolver
ecuaciones
,
es
comn
por
lo
emplear
menos
matrices
tedioso.
y
Es
para
simplificar el proceso. Hoy en da, esta clase de clculos son realizados por la
computadora.
por
lo
tanto la ecuacin de regresin es
Biol.
59
Regresin
lineal mltiple
33
753
643
106
753
643
40,830
34,843
5,779
40,830
34,843
6,796
5,779
976
6,796
5,779
12
643
106
12
643
643
34,843
5,779
643
34,843
106
5,779
976
106
5,779
Biol.
60
CAPTULO 1
(2.56070963x1010+
2.525323601x1010+
2.501139642x1010)
tenemos
Coef.
Predictor
Constante
Coef de EE
3,65
1,506
GL
SC
MC
P
Biol.
61
Regresin
11 888,25
Resultados en Excel
Resumen
Estadsticas
de
la
regresin
Coeficiente de 0,84175667
correlacin
mltiple
Coeficiente
3
de 0,70855429
determinacin
R^2
R^2 ajustado
0,64378858
Error tpico
4
5,36321469
1
Observaciones
12
ANLISIS DE VARIANZA
Grados de
Suma
de
libertad
cuadrados
Promedio de
los
Regresi
629,3733
n
Residuos
536
258,8766
768
28,76407
11
464
888,25
182
Total
Error
Estadsti
Valor
crtico
cuadrados
314,6866
Coeficien
de
F
10,94026 0,003895
88
018
Probabili
Inferior
Biol.
62
CAPTULO 1
Intercepc
tes
3,651215
tpico
16,16780
co t
dad
0,225832 0,826376
95%
-
in
805
562
49
76
32,92290
Estatura
Edad
0,854609
0,451664
1,892135
0,09102
14
-
929
156
824
51
0,167125
1,506332
1,414265
1,065098
0,314570
373
-
32
835
43
45
1,692959
262
Observ
Pronstic
Residuo
acin
o Peso
64,41464
s
-
032
0,414640
69,13652
324
1,863475
482
54,56509
177
-
625
1,565096
73,20668
251
-
693
6,206686
59,28698
93
-
075
4,286980
56,9260
75
1,073961
385
65,71808
499
11,28191
511
58,22948
489
-
328
1,229483
63,15425
283
-
532
7,154255
48,58282
319
2,417173
10
Biol.
63
11
675
73,85840
252
2,141590
12
932
65,92097
679
2,079027
264
356
son:
Aceptar
hiptesis:
. Mientras que
Biol.
64
CAPTULO 1
(1.24)
que
bajo
tiene
una
distribucin
. As, se
rechaza
si
o tambin si
Ejemplo
Se probar la significacin de la regresin (con
El valor de
= 10,9402 ,por
=
Se rechaza la Hiptesis nula
Biol.
65
Suma
de
variacin
cuadrados
Cuadrado
de
medio
libertad
K
Regresin
Error
Grados
residuo
n-1
Total
ANLISIS DE VARIANZA
Grad
Suma
os de
cuadrados
de
Promedio
de
los cuadrados
Valor crtico
de F
libert
ad
Regresi
n
Residuo
s
Total
629,37335
314,68667
10,94026
0,0038950
68
28,764071
88
18
36
258,87664
82
64
888,25
Biol.
66
CAPTULO 1
GL
Regresin
SC
MC
11 888,25
Coeficiente de determinacin
El que un modelo sea significativo no necesariamente implica que sea bueno
en trminos de que explique la variacin de los datos. Por ello es importante
tener mediciones adicionales de la calidad del ajuste del modelo, como las
grficas de residuales y el coeficiente de determinacin. Con la informacin del
anlisis de varianza de la tabla 1.7 es muy sencillo calcular el coeficiente de
determinacin
(1.25)
(1.26)
Ambos coeficientes se interpretan de forma similar al caso de regresin
lineal simple, es decir, como el porcentaje de variabilidad de los datos que son
explicados por el modelo. Se cumple que
; en general, para
tiende a ser
Biol.
67
(1.27)
y es una medida de la intensidad de la relacin entre la variable dependiente, ,
y el
conjunto de variables o trminos en el modelo
(1.28)
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
68
CAPTULO 1
Por
ejemplo, a partir de la tabla 1.6 es claro que un estimador por intervalos de cada
coeficiente en lo individual est dado por:
Estimaci
Error
Estadstic
estndar
Valor-p
Biol.
69
Intercepci
n
.
.
.
.
.
Coeficient
Error
Estadstic
Probabilid
Inferior
Intercepci
es
3,6512158
tpico
16,167805
ot
0,2258324
ad
0,826376
95%
-
05
62
76
32,922901
Estatura
Edad
0,8546099
0,4516641
1,8921358
0,091025
4
-
29
56
24
0,1671253
1,5063323
1,4142658
1,0650984
0,314570
73
-
35
45
1,6929592
62
Biol.
70
CAPTULO 1
resumidas
,
,
,
, ,
pies y
Temperat
H ura
Espes
or
Biol.
71
1, -8
14
-8
1, 8
8
1, -8
2
-8
10
19
8
12
1, 8
11
20
1, 0
14
13
1,
8
1,
2
1,
8
1,
5
1,
5
a) Cules son las variables independientes y cul la dependiente?
Argumente
Intervalos de confianza y prediccin en regresin
mltiple
y anote la
Biol.
72
CAPTULO 1
Cuaj Sab
al
6
o
0,3
or
5,67
5,
0,38
7,44
7,33
4,
0,38
6,33
7,11
0,3
7,22
4,
0,21
6,33
6,66
5,
0,21
0,3
0,3
a) Ajuste
el
modelo
sabor?
Argumente
con
base
en
la
Biol.
73
, el
24
10
23
95
11
29
88
27
94
99
30
97
96
31
11
30
10
29
10
26
98
27
28
26
Biol.
74
CAPTULO 1
toneladas
Anlisis de datos
Regresin
de entrada y para
Biol.
75
Biol.
76
CAPTULO 1
Uso de
software estadstico
41
resultado.
Biol.
Resumen
Estadsti
cas de la
regresin
Coeficien 0,84175
te
de 6673
correlaci
n
mltiple
Coeficien 0,70855
te
de 4296
determin
acin
R^2
R^2
0,64378
ajustado 8584
Error
5,36321
tpico
4691
Observac 12
iones
ANLISI
S
DE
VARIANZ
A
Grados Suma
Promed F
Valor
de
io
crtico
de
de
de F
cuadrad
Regresi 2
os
629,373 314,686 10,940 0,00389
n
Residuos 9
3536
6768
2688
258,876 28,7640
Total
6464
7182
888,25
11
Coeficie Error
5018
ntes
tpico
ico t
lidad
95%
Intercepc 3,65121 16,1678 0,22583 0,8263 in
5805
0562
249
7676
32,9229 3308
0147
Estatura 0,85460 0,45166 1,89213 0,0910 9929
4156
5824
251
r 95%
95,0% r 95,0%
40,2253 40,2253
32,9229 3308
0147
1,87634 -
Biol.
1,87634
0,16712 5234
0,16712 5234
5376
5376
78
CAPTULO 1
Utilizando Minitab
En Minitab la secuencia de captura para la regresin lineal simple o mltiple en
la hoja de clculo una vez capturada las columnas de datos seleccionamos
Estadsticas luego Regresin seguida de Regresin nuevamente
Estadsticas
Regresin
Regresin
Biol.
Coef.
Predictor
Constante
Coef de EE
Biol.
80
CAPTULO 1
Fuente
GL
Regresin
SC
MC
11 888,25
Fuente
GL SC sec.
Estatura 1 596,74
Edad
32,63
Residuo
SE Residuo estndar
1,96
11,28
2,26R
Regr
esin no lineal
43
Biol.
Parbola de Regresin
En muchos casos, es una funcin de segundo grado la que se ajusta lo
suficiente a la situacin real dada.
La expresin general de un polinomio de 2 grado es:
Biol.
82
CAPTULO 1
y uno
logaritmos.
Modelo potencial:
Si tomamos logaritmos en la expresin de la funcin potencial, obtendremos:
donde ahora
Biol.
Modelo exponencial:
Tomando logaritmos en la expresin de la funcin exponencial, obtendremos:
, pero ahora
Modelo logartmico:
La curva logartmica Y = a + b
y a Y.
Biol.
84
CAPTULO 1
Biol.
Competencias
1. Identificar dentro de la familia de los diseos experimentales, aquellos
utilizados en la comparacin de tratamientos.
2. Diferenciar los distintos modelos estadsticos y los anlisis de varianzas
en experimentos con un slo factor.
3. Realizar las diversas pruebas de rangos mltiples y la comparacin por
contrastes.
4. Verificar los supuestos del modelo estadstico en diseos con un solo
factor.
Biol.
86
CAPTULO 2
siendo verdadera).
Experimentos con
un solo factor
47
Ejemplo
En el caso de comparar varias mquinas, si cada mquina es manejada por un
operador diferente y se sabe que ste tiene una influencia en el resultado,
entonces, es claro que el factor operador debe tomarse en cuenta si se quiere
comparar a las mquinas de manera justa.
Un operador ms hbil puede ver a su mquina (aunque sta sea la peor)
como la que tiene el mejor desempeo, lo que impide una comparacin
adecuada de los equipos. Para evitar este sesgo habra dos maneras de anular
el posible efecto del factor operador:
Biol.
Factores de bloqueo.
Son factores adicionales al factor de inters que se incorporan de manera
explcita en un experimento comparativo, para estudiar de manera ms
adecuada y eficaz al factor de inters.
Observacin.
Cuando
se
comparan
varias
mquinas,
manejadas
por
Biol.
88
CAPTULO 2
Biol.
49
Biol.
90
CAPTULO 2
Factores ANOVA
de
bloqueo
DCA 0
DBCA 1
con
Un criterio
Dos
criterios
Tres
DCGL 3
criterios
Cuatro
DCL
Modelo estadstico
criterios
Y
es la variable de salida,
tratamiento,
la media global,
error aleatorio, y
el efecto del
i-simo
bloqueo.
Biol.
se podrn
(2.2)
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
92
CAPTULO 2
donde
media global,
es el
de la variable de respuesta
es muy diferente de la
. La diferencia que
hay un efecto (que los
que
Biol.
Diseos completamente al
azar y ANOVA
93
para el ejemplo 1
Mtodo
de
ensamble
A
B
C
6 7
11
D
10
16
12
10
11
11
13
Ejemplo 2
Instituto Tecnolgico de Ensenada
Jimnez Gonzlez
Biol. Ral
94
CAPTULO 2
de Observaciones
cuero
A
264
255
208
206
220
260
258
Promedio
241
262 256,7
209,8
220
216
200
213 230,8
220,7
263
219
225
230
226
215
227
220
228
217
222
Biol. Ral
Diseos completamente al
azar y ANOVA
95
distribucin F.
(2,3)
El cual se contrastara con el valor de
si
Biol. Ral
96
CAPTULO 2
Se deduce que si
Mtodo dentro
El mtodo dentro de estimacin de la varianza produce una estimacin vlida
sin importar si la hiptesis nula de las medias poblacionales iguales es cierta.
Esto se debe a que la variabilidad de los valores de la muestra se determina
comparando cada elemento en los datos con la media muestral. Cada valor de
la muestra obtenido de la poblacin A se compara con la media muestral A;
cada elemento obtenido de la poblacin B se compara con la media muestral B,
y as sucesivamente. La ecuacin para calcular la estimacin de la varianza
con el mtodo dentro es:
donde:
(2,4)
= i-
C = nmero de grupos
Biol. Ral
Diseos completamente al
azar y ANOVA
97
Mtodo entre
El segundo mtodo para estimar la varianza comn de la poblacin produce
una estimacin vlida slo si la hiptesis nula es cierta. Para entender el
mtodo entre recuerde el teorema del lmite central. Este importante teorema
en estadstica establece que la distribucin de las medias muestrales tiende a
una distribucin normal conforme crece el tamao de la muestra, con una
media y una desviacin estndar n. Si el error estndar de la media es
n, entonces la varianza de la distribucin es igual al error estndar al
cuadrado, 2n.
Esta varianza es una medida de las diferencias entre todas las medias
muestrales que puedan obtenerse de la distribucin y la media de la poblacin.
La raz cuadrada de esta varianza es el error estndar de la media, es decir, la
diferencia estndar entre una media muestral y la media poblacional.
En ANOVA,
donde:
(2,5)
Biol. Ral
98
CAPTULO 2
Fuente de
SC
GL
variacin
Estimacin de
F
2
Coeficiente
/
Grupos Entre
c-1
/ glb
Grupos
Dentro
2
c(n-1)
Total
/ glb
( xij x ) 2
d
onde:
= Nmero de la columna
i = Nmero de la fila
Biol. Ral
Diseos completamente al
azar y ANOVA
99
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.
Mtodo
de
ensamble
A
B
C
6 7
11
D
10
16
12
10
11
11
13
7,25
8,5
Media ( i)
Media global :
C = 4,
12,75
10,5
= 9,73
n
=4
=4
+
+
+
Biol. Ral
100
CAPTULO 2
SC
Estimacin de 2
gl
Coeficiente F
69,49
69,75/3 = 23,25
12
29,48/12 = 2,45
23,25/2,45 = 9,42
Grupos dentro
29,48
--------------------------------------------------------------------------------------------------------- TOTA
98,97
15
1 = 2 = 3 = 4
H1:
Biol. Ral
Diseos completamente al
azar y ANOVA
101
.
.
..
.
.
Notacin de puntos
Sirve para presentar de manera abreviada cantidades numricas que se
pueden calcular a partir de los datos experimentales donde
observacin en el tratamiento , con
representa la
. Las
Note que el punto indica la suma sobre el correspondiente subndice. As, algunas
relaciones vlidas son:
(2.6)
donde
es el total de observaciones.
ANOVA
Como ya lo mencionamos el objetivo del anlisis de varianza en el DCA es
probar la hiptesis de igualdad de los tratamientos con respecto a la media de
correspondiente variable de respuesta.
Instituto Tecnolgico de Ensenada
Jimnez Gonzlez
Biol. Ral
102
CAPTULO 2
) dada por:
(2.7)
donde
es la suma de los
datos en el experimento.
mide la
Biol. Ral
Diseos completamente al
azar y ANOVA
103
, que se denotan
por:
(2.11)
(2.12)
Con base en este hecho se construye el estadstico de prueba como sigue: se
sabe que
son
dos variables son dos variables aleatorias independientes con distribucin jicuadrada con
el supuesto de que la
hiptesis
es verdadera, el estadstico
(2.13)
sigue una distribucin
con (
si
. As para un nivel de
donde
estadstico
es
si el valor-
a la derecha del
, es decir, el
)
hasta llegar al
Biol. Ral
104
CAPTULO 2
suma de cuadrados,
grados de
libertad,
cuadrado medio,
GL
CM
Valorp
Tratamientos
)
Error
Total
Clculos manuales
Detalles de los clculos para el ANOVA en DCA para el tiempo de ensamble
Mtodos de ensamble
Observaciones
B
Operaciones bsicas
=
Suma
de
los
cuadrados
de
todas
las
observaciones o datos
6 7 11 10
Instituto Tecnolgico de Ensenada
Jimnez Gonzlez
Biol. Ral
Diseos completamente al
azar y ANOVA
105
8 9 16 12
10 11 11
8 13 9
Total por
total de mediciones
media
Tratamiento (
29 34 51 42
Numero de datos
En
cada
(
Media
global
tratamiento
4 4 4
muestral por
Tratamiento
7.25
8.50
12.75
10.50
Desviaciones
respecto -2.50 -1.25 3.0 0.75
A la media global (
1.
los datos:
4.- Cuadrados medios de tratamientos y del error (efecto ponderado de cada fuente
de variacin):
Instituto Tecnolgico de Ensenada
Jimnez Gonzlez
Biol. Ral
106
CAPTULO 2
embargo, cuando esto no sea posible, recordemos que otra forma de rechazar o
no una hiptesis es comparar el estadstico de prueba contra un nmero crtico
de tablas. En el caso de las tablas de la distribucin
valor crtico para
es
entonces se rechaza
. Como:
SC GL
CM
Valor
variaciones
crtic
o
para
F
Tratamientos 69,5 3
23,17 9,42 3,49
Error
29,5 12 2,46
Total
99,0 15
Biol. Ral
Diseos completamente al
azar y ANOVA
107
SC
MC
4 7,250
0,957 (------*------)
4 8,500
1,291
4 12,750
2,363
4 10,500
1,291
(------*------)
(------*------)
(------*------)
Biol. Ral
108
CAPTULO 2
7,5
10,0
12,5
15,0
Biol. Ral
Diseos completamente al
azar y ANOVA
109
Biol. Ral
110
CAPTULO 2
es
respuesta
el
esta
resultado de contrastar
las hiptesis:
a
, se rechaza
RESUMEN
Grupos
A
Cuenta
6
Suma
1540
Promedio
Varianza
256,666666 68,666666
7
B
C
6
6
1263
1385
210,5
52,7
230,833333 266,96666
e
1327
3
7
221,166666 22,966666
7
ANLISIS DE VARIANZA
Origen
Suma
de
cuadrados
Grad
Promedio
os
de
variacio
de
cuadrados
nes
libert
las
de
los
Probabilid
Valor
ad
crtico para
F
ad
Instituto Tecnolgico de Ensenada
a
Jimnez Gonzlez
Biol. Ral
Diseos completamente al
azar y ANOVA
111
i
Entre
7019,4583
grupos
Dentro
33
2056,5
de
2339,8194
22,75535
1,17615E
3,0983912
56
-06
24
20
44
102,825
los
grupos
9075,9583
Total
33
23
SC
MC
s
o
t
a
6 256,67
12,5 8,29
D
6 210,50
6 230,83 16,34
10,0
7,5
6 221,17
(----*-----)
7,26 (-----*----)
(----*-----)
4,79
(----*-----)
----+---------+---------+---------+----A
B
C
5,0
208
224
240
256
Biol. Ral
112
CAPTULO 2
Biol. Ral
Comparacin o pruebas de
rangos mltiples
para toda
113
. Para
existen
pares de
si ocurre que
(2.14)
donde el valor de
con
es el cuadrado
son el nmero de
muestrales
que
si
el
diseo
es
balanceado,
es
decir,
si
(2.15)
En caso de rechazar
Biol.
114
CAPTULO 2
(2.16)
Utilizando el mtodo de LSD. EN el ANOVA se observa que los grados
de libertad del error son
, de la tabla de
. Como
en cada tratamiento se hicieron
pruebas, entonces
La decisin sobre cada una de las seis hiptesis listadas arriba se obtiene al
comparar las correspondientes diferencias de medias muestrales en valor
absoluto con el nmero LSD = 2,42. Se declaran significativas aquellas
diferencias que son mayores a este nmero. Los resultados se muestran en la
tabla 2,5, de donde se concluye que
mientras que
Biol.
Comparacin o pruebas de
rangos mltiples
115
Diferencia muestral
poblaciona
en valor absoluto
Decisin
l
7,25 - 8,50 = 1.25 2,42
No
significativo
2,42
Significativo
Significativo
2,42
Significativo
No
2,42
significativo
8,50 10,50 = 2
2,42
No
significativo
2,42
En el resultado de comparacin de parejas arrojado por minitab, por el
mtodo de LSD, observamos que este nos indica los intervalos de confianza
para las comparaciones de cada par de muestras, por lo que debemos tomar el
punto medio de cada comparacin (centro) y contrastarlo con el valor del
estadstico t de student obtenido en tablas (2,42) y tomar la decisin que
corresponda
95%
-1,166 1,250
3,666
(-----
*-----)
C
3,084
5,500
7,916
3,250
5,666
(-----*-----)
D
0,834
(-----*-----)
Biol.
116
CAPTULO 2
-------+---------+---------+---------+--4,0
0,0
4,0
8,0 Se rest B a:
4,250
6,666
(-----*-----)
-0,416 2,000
4,416
(-----
*-----)
-------+---------+---------+---------+--4,0
0,0
4,0
8,0 Se rest C a:
0,166
-4,666
(-----*-----)
-------+---------+---------+---------+--
-4,0
0,0
4,0
8,0
Mtodo de Tukey.
Es el mtodo ms conservador para comparar pares de medias de
tratamientos, el cual consiste en comparar las diferencias entre medias
muestrales con el valor crtico dado por:
(2,17) donde
Es el cuadrado medio del error (
/ glb )
Biol.
Comparacin o pruebas de
rangos mltiples
117
el experimentador.
Ejemplo. Al aplicar el mtodo de Tukey al ejemplo 1 de los mtodos de
ensamble, a partir de la tabla ANOVA correspondiente, se toma la informacin
pertinente y de las tablas del rango estudentizado (tabla 1) dada en el
apndice.
( / glb ) = 2,45
4
4
12
0,05
en tablas de rango estudentizado corresponde a 4,20
sustituyendo en la ecuacin tenemos
Biol.
118
CAPTULO 2
Dife ncia
poblacional
re
1,2
5
5,5
0
3,2
Decisin
muestral
No
3,27
significativ
3,27
3,27
Significativ
3,27
3,27
No
3,27
significativ
4,2
Significativ
2,0
No
significativ
2,2
No
significativ
o
Biol.
Comparacin o pruebas de
rangos mltiples
119
-2,043 1,250
2,207 5,500
-0,043 3,250
4,543
(------*-----)
8,793
(------*------)
6,543
(------*-----)
-----+---------+---------+---------+----
-5,0
0,0
5,0
10,0 Se rest B a:
0,957 4,250
-1,293 2,000
7,543
(------*-----)
5,293
(------*------)
-----+---------+---------+---------+----
-5,0
0,0
5,0
10,0 Se rest C a:
1,043
(------*-----)
-----+---------+---------+---------+----5,0
0,0
5,0
10,0
Mtodo de Duncan.
Biol.
120
CAPTULO 2
(2,18)
Este procedimiento de Duncan tambin se llama prueba de rango
mltiple de Duncan. Este procedimiento tambin se basa en la notacin
general del rango studentizado. El rango de cualquier subconjunto de
medias
muestrales debe exceder cierto valor antes de que se encuentre que cualquiera
de las
para las
(2,19)
( = muestras)
=
/ glb )
Biol.
Comparacin o pruebas de
rangos mltiples
121
pares de
Biol.
122
CAPTULO 2
= (3,08)(0,78)
= (3,23)(0,78)
= (3,33)(0,78)
Estos rangos se comparan con las diferencias de medias de acuerdo al mtodo
descrito anteriormente.
Las cuatro medias muestrales acomodadas en orden ascendente son:
Diferencia muestral
Decisin
Comparada con su
rango
Significativo
12,75 7,25 = 5,5
Significativo
2,60 =
No
significativo
2,52 =
Significativo
No
significativo
2,40 =
10,50 7,25 = 3,25 2,60 =
10,50 8,50 = 2,0
2,40 =
2,40 =
No
significativo
Biol.
Comparacin o pruebas de
rangos mltiples
123
, mientras que
obtuvieron con
el mtodo LSD. En general, las pruebas de Duncan y LSD tienen un desempeo
similar.
con
, donde
rechaza
si,
donde
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
124
CAPTULO 2
para la prueba de Dunnett; son los grados de libertad del cuadrado medio del
error. Se recomienda que el tamao de muestra del tratamiento control sea
grande, a fin de estimar su media con mayor precisin.
Ejemplo. Para ilustrar el procedimiento de Dunnett , consideremos los
datos experimentales de la siguiente tabla para la clasificacin unilateral donde
se estudia el efecto de tres catalizadores sobre el rendimiento de una reaccin.
Un cuarto tratamiento, sin ningn catalizador, se utiliza como control.
Rendimiento de la reaccin
Control
Catalizador 1
Catalizador 2
50,7
54,1
52,7
51,2
51,5
53,8
53,9
50,8
49,2
53,1
57,0
49,7
53,1
48,0
52,5
52,7
Catalizador 3
54,1
54,0
52,5
47,2
Anlisis de varianza de un factor (Resultado de Excel)
RESUMEN
Grupos
Cuenta
Suma
Promedi
Varianz
a
Biol.
Comparacin o pruebas de
rangos mltiples
125
Control
Catalizador
5
5
257,2
267,5
51,44
53,5
2,478
0,465
1
Catalizador
270,2
54,04
3,238
2
Catalizador
246,9
49,38
3,022
3
ANLISIS DE VARIANZA
Origen
de
Suma
las de
Gra
Promedio de
dos
los
cuadrados
variacio
cuadra
de
nes
dos
libert
Probabili
Valor
dad
crtico para
F
ad
Entre
67,7
grupos
Dentro
de los
22,59533 9,82085
0,000651
3,238871
86
36,8
134
522
333
552
2,30075
12
104,
grupos
Total
598
= 53,5 54,04 49,38
= 51,44
=
= 2,59
53,5
= 54,04
51,44 = 2,6
= 49,38 51,44 = 2,06
2,59(0,9593)
2,48
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
126
2,06
CAPTULO 2
muestra 1
con la patrn
SC
MC
N Media Desv.Est.
5 51,440 1,574
Biol.
Comparacin o pruebas de
rangos mltiples
127
Control = Control
Intervalos para media de tratamientos menos media de
control
Nivel
Catalizador 1
-0,427 2,060
4,547
Catalizador 2
0,113 2,600
5,087
Catalizador 3
-4,547 -2,060
0,427
Nivel
--------+---------+---------+---------+-
Catalizador 1
(---------*---------)
Catalizador 2
(---------*---------)
Catalizador 3 (---------*---------)
--------+---------+---------+---------+-2,5
0,0
2,5
5,0
Biol.
128
CAPTULO 2
Recordemos que el modelo que se espera describa los datos en el DCA est
dada por:
donde
( = 1,2, ,
= 1,2,, ) Es el
Es la media global
Es el efecto del tratamiento
Representa al error asociado con la observacin
Cuando se realiza el ANOVA, y slo cuando ste resulta significativo,
entonces se procede a estimar el modelo ajustado o modelo de trabajo dado
por:
donde
Es la respuesta predicha
Es la media global estimada
Biol.
Comparacin o pruebas de
rangos mltiples
129
..,
Normalidad
Un
tiene
Verificacin de los supuestos
del modelo
las escalas de tal manera que si los residuos siguen una distribucin normal,
al graficarlos tienden a quedar alineados en una lnea recta; por lo tanto, si
claramente no se alinean se concluye que el supuesto de normalidad no es
correcto.
Biol.
130
CAPTULO 2
Varianza constante
Una forma de verificar el supuesto de varianza constante (o que los
tratamientos tienen la misma varianza) es graficado los predichos contra
residuos (
), por lo general
Biol.
Comparacin o pruebas de
rangos mltiples
131
vs. ajustes
o
u
d
i
s
e
30
20
10
R
0
-10
210
220
230
240
250
Valor ajustado
Independencia
La suposicin de independencia en los residuos puede verificarse si se
grafica el orden en que se colect un dato contra el residuo correspondiente.
De esta manera, si al graficar en el eje horizontal el tiempo (orden de corrida)
y en el eje vertical los residuos, se detecta una tendencia o patrn no
aleatorio claramente definido, esto es evidencia de que existe una correlacin
entre los errores y, por lo tanto, el supuesto de independencia no se cumple.
Si el comportamiento de los puntos es aleatorio dentro de una banda
horizontal, el supuesto se est cumpliendo.
La violacin de este supuesto generalmente indica deficiencias en la
planeacin y ejecucin del experimento; asimismo, puede ser un indicador de
que no se aplico en forma correcta el principio de aleatorizacin, o de que
conforme se fueron realizando las pruebas experimentales aparecieron
factores que afectaron la respuesta observada. Por ello, en caso de tener
problemas con este supuesto, las conclusiones que se obtienen del anlisis
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
132
CAPTULO 2
son endebles y por ello es mejor revisar lo hecho y tratar de investigar por
qu no se cumpli con ese supuesto de independencia, a fin de reconsiderar
la situacin.
En el ejemplo
Biol.
Comparacin o pruebas de
rangos mltiples
133
citadas tiene una propuesta inicial del nmero de rplicas por tratamiento que
va a utilizar,
(la
= 4 mtodos
= 5 pruebas; en cuanto a
= 1,5; esto
Biol.
134
CAPTULO 2
El valor de
arrojado por esta frmula dar una idea del nmero de rplicas
1
Por lo tanto
Biol.
Comparacin o pruebas de
rangos mltiples
135
datos recolectados de esta muestra junto con las medias maestrales para cada
tienda. Haga las pruebas necesarias con un nivel de significancia de 0,01. Y
concluya con un reporte de todo lo analizado a lo largo de la unidad, en este
reporte usted como analista deber de incluir y describir todo lo que considere
importante para el cliente, es decir la gerencia del supermercado.
Tabla nmero 1 Datos maestrales para ANOVA (en dlares) para el ejercicio
Tienda 1
Tienda 2
Tienda 3
--------------------------------------------------------------------------12,05
15,17
9,4
23,94
18,52
8
6,9
14,63
19,57
2
10,
25,78
21,40
47
7,6
17,52
13,59
3
11,
20,57
90
5,9
18,45
Marca
de
Nmero de replicas
1 2 3 4 5 6
spray
1
Biol.
136
CAPTULO 2
15
17
23
28
45
18
21
19
32
51
13
11
25
34
57
12
16
22
31
48
Biol.
Comparacin o pruebas de
rangos mltiples
137
de Dureza
almidn
2
4,3
4,5
10
6,5
5,2
4,8
7,3
6,9
7,8
8,5
6,1
9,0
8,1
a) Hay evidencia suficiente de que el almidn influye en la dureza de las
tabletas?
Halle el ANOVA.
b) Realice los anlisis complementarios necesarios.
c) Si se desea maximizar la dureza de las tabletas, qu recomendara al
fabricante?
d) Verifique los supuestos del modelo
6.- Un qumico del departamento de desarrollo de un laboratorio
farmacutico desea conocer cmo influye el tipo de aglutinante utilizado
en tabletas de ampicilina de 500 mg en el porcentaje de friabilidad; para
ello, se eligen los siguientes aglutinantes: polivinilpirrolidona (PVP),
carboximetilcelulosa sdica (CMC) y grenetina (Gre). Los resultados del
diseo experimental son los siguientes.
Biol.
138
CAPTULO 2
Aglutinante % de friabilidad
PVP
0,485
0,250
CMC
0,0161
Gre
9,64
0,073
0,205
9,37
9,53
9,86
0,275
0,612
0,152
9,79
0,289
0,137
a) Especifique el nombre del diseo experimental
b) Sospecha que hay algn efecto significativo del tipo de aglutinante
sobre la variable de respuesta?
c) Escriba las hiptesis para probar la igualdad de medias y el modelo
estadstico.
d) Realice el anlisis adecuado para probar las hiptesis e intrprete los
resultados.
e) Revise los supuestos, hay algn problema?
7. En el siguiente experimento biolgico se usan cuatro concentraciones de
cierto qumico para reforzar el crecimiento en centmetros de cierto tipo de
planta con el tiempo.
concentracin
Control 1
2
3
4
6,8
8,2 7,7 6,9 5,9
7,3
6,3
6,9
7,1
Biol.
Comparacin o pruebas de
rangos mltiples
139
Radn
liberado
Los (%)
orificios
0,37
80
83
83
85
0,51
75
75
79
79
0,71
74
73
76
77
1,02
67
72
74
74
1,40
62
62
67
69
1,99
60
61
64
66
Biol.
140
CAPTULO 2
aire
Bajo
106
Medio
95
Alto
80
90 103
90 79 88 92
69
94
91 70 83 87
80
62
69 76 85 69
83
78
85
a) Los diferentes niveles de los vacos de aire afectan de manera
significativa a la resistencia conservada promedio? Use
(en
siguientes:
Mtodo de Temperatura de transicin
preparaci
(
)
Biol.
Comparacin o pruebas de
rangos mltiples
141
14,8
23
14,8
14,7
14,8
15,0
14,9
14,8
11,6
12,4
12,7
14,4
14,4
12,2
14,9
14,6
14,7
12,7
12,1
14,2
11,7
a) Hay evidencia que apoye la afirmacin de que la presencia de oxgeno
durante la preparacin afecta la temperatura de transicin media? Use
.
b) Cul es el valor P para la prueba F del inciso anterior
c) Analice los residuales de este experimento.
d) Aplique el mtodo de la LSD en el experimento. Qu mtodos de
preparacin difieren se
Laboratorios
A
B
C
58,7
62,7
D
55,9
60,7
61,4
64,5
56.1
63,1
57,3
59,2
55,2
60,3
60,9
60,9
59,1
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
142
CAPTULO 2
61,4
58,2
60,3
58,1
62,3
Realice una prueba de rango mltiple de LSD, Tukey y Duncan con un nivel
de significancia de 0,05 y 0,01, para determinar cules laboratorios difieren,
en promedio, en sus anlisis
Biol.
Comparacin o pruebas de
rangos mltiples
143
incluyendo
su
rtulo
(sombrearlos
con
el
mouse),
automticamente se incluyen.
e) En el siguiente recuadro seleccionar si nuestros datos estn ordenados
en filia o columnas, adems indicar si tenemos rtulos en los
encabezados, e indicar que los resultados los arroje en una hoja nueva
Uso de software
estadstico
de los
Biol.
144
CAPTULO 2
Minitab
Biol.
Comparacin o pruebas de
rangos mltiples
145
Biol.
146
CAPTULO 2
Uso de software
estadstico
Si queremos las graficas del supuesto del modelo entonces, damos clic
a grficas (antepenltima ventana) y sealamos tres en uno y damos clic
en aceptar
Biol.
Comparacin o pruebas de
rangos mltiples
147
Captulo 3
Diseo
de bloques
Biol.
148
CAPTULO 2
Competencias a desarrollar
Biol.
Comparacin o pruebas de
rangos mltiples
149
Factores de bloque
A los factores adicionales al factor de inters que se incorporan de
manera explcita en un experimento comparativo se les llama factores
de bloque. stos tienen la particularidad de que no se incluyen en el
experimento porque interese analizar su efecto, sino como un medio
para estudiar de manera adecuada y eficaz al factor de inters.
Los factores de bloque entran al estudio en un nivel de
importancia secundaria con respecto al factor de inters y, en este
sentido, se puede afirmar que se estudia un solo factor, porque es uno
el factor de inters.
En un diseo en bloques completos al azar (DBCA) se consideran tres
fuentes de variabilidad:
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
150
CAPTULO 2
El factor de tratamientos
El factor de bloque
El error aleatorio
en
un
diseo
en
Bloque
.
k
.
.
Biol.
Comparacin o pruebas de
rangos mltiples
151
Modelo estadstico
Cuando se decide utilizar un DBCA, el experimentador piensa que cada
medicin ser el resultado del efecto del tratamiento donde se
encuentre, del efecto al que pertenece y de cierto error que se espera
sea aleatorio. El modelo estadstico para este diseo est dado por:
donde
Es la medicin que corresponde al tratamiento y al bloque
Es la media global poblacional
Es el efecto debido al tratamiento
Es el efecto debido al bloque
Es el error aleatorio atribuible a la medicin
Hiptesis a probar
La hiptesis de inters es la misma para todos los diseos
comparativos, y est pada por:
es
152
CAPTULO 2
, entonces
).
Anlisis de varianza
La hiptesis dada se prueba con un anlisis de varianza con dos
criterios de clasificacin, porque se controlan dos fuentes de variacin:
el factor de tratamientos y el factor de bloque. En la
tabla 3.2 se
variabilidad
cuadrado de
s
Tratamiento SCTRAT
liberta
d
K1
Bloques
o medio
Valor-
CMTRA
T
SCB
b1
CMB
(k 1)
Error
SCE
(b 1)
CME
Total
SCT
N-1
Biol.
Comparacin o pruebas de
rangos mltiples
153
Ejemplo
En el ejemplo donde se planteo la comparacin de los cuatro mtodos
de ensamble, ahora se va a controlar activamente en el experimento a
los operadores que realizaran el ensamble, lo que da lugar al siguiente
diseo en bloques completamente al azar.
Mtodo
A
Operador
1 2 3 4
6 9 7 8
10 16 11 14
10 13 11
10 11
8
9
Biol.
154
CAPTULO 2
Cuenta Suma
Promedi
Varianza
o
A
30
36
51
43
7,5
1,6666666
7
3,3333333
12,75
3
7,5833333
10,75
3
2,9166666
7
Operador
4
4
4
4
ANLISIS DE VARIANZA
33
48
40
39
8,25
12
10
9,75
Origen
Suma
Grad
Promedi
de
de
os de
o de los
cuadrad
libert
cuadrad
os
ad
os
las
variacion
es
Filas
Columnas
Error
61,5
28,5
18
4,25
10
4
8,25
F
Probabilid
Valor crtico
ad
para F
20,
10,
0,0029192
3,8625483
5
9,5
25
4,7
57
0,0298459
58
3,8625483
48
58
2
Biol.
Comparacin o pruebas de
rangos mltiples
155
1
Total
108
GL
SC
MC
Mtodo
61,5
20,5
10,25
0,003
Operador
28,5
9,5
Error
18,0
2,0
Total
15
108,0
4,75
0,030
Biol.
156
CAPTULO 2
Fuente de SC
GL
CM
Valor
variaciones
crtico
para
F
Tratamientos
Bloque
Error
Total
1.-
Suma
de
cuadrados de
tratamientos o variabilidad
debida a la diferencia entre las marcas de llantas, bloque 1 y bloque 2
Biol.
Comparacin o pruebas de
rangos mltiples
157
5- Estadstico de prueba
Concentrado en tabla
ANOVA
Suma
de
Valor
Grados
cuadrad
os
61,5
28,5
Promedio
crtico
de
de
para F
libertad
3
cuadrados
20,5
los
9,5
F
10,25
3,86254
4,75
83
3,86254
86
18
108
15
Biol.
158
CAPTULO 2
Diferencia mnima
en un DCA est dada
por
tablas de T
de estudent)
Biol.
Comparacin o pruebas de
rangos mltiples
159
Diferencia
Diferencia
poblacional
muestral
Decisin
No significativo
-1,5
2,26
Significativo
-5,25
2,26
Significativo
-3,25
2,26
Significativo
-3,75
2,26
No significativo
-1,75
2,26
No significativo
2,00
2,26
Ejercicios
1.- En qu situaciones se aplica un diseo en bloques completos al azar? En
qu diferentes los factores de tratamiento y de bloque?
2.- 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 nmero de moscas muertas
expresando en porcentajes. Se hicieron seis replicas, pero en das
diferentes; por ello, se sospecha que puede haber algn efecto
importante debido a esta fuente de variacin. Los datos obtenidos se
muestran a continuacin.
Marca
del Nmero
de
replicas
atomizador
A
(da)
72 65 67 75 62 73
55 59 68 70 53 50
64 74 61 58 51 69
Biol.
160
CAPTULO 2
Suma
de Gra
las cuadrados
Promedio
dos
de
los
variacio
de
cuadrados
nes
liber
Probabili
Valor
dad
crtico
para F
tad
Filas
296,3333
Column
333
281,3333
as
Error
333
514,3333
333
Total
148,166
2,88075
0,102804
4,102821
6667
56,2666
178
1,09397
418
0,420717
015
3,325834
278
751
529
6667
51,4333
0
1
1092
3333
GL
P Spray
2,88
SC
2
0,103 replicas
56,267
1,09
MC
296,33
148,167
281,33
0,421
Error
10
514,33
Total
17
1092,00
51,433
a)
=
Biol.
Comparacin o pruebas de
rangos mltiples
161
Bloque
1 2 3 4
3 4 2 6
7 9 3 10
4 6 3
Cuenta
Suma
Promedio
Varianza
N
A
B
C
4
4
4
15
29
20
3,75
2,91666666
7,25
7
9,58333333
3
3,33333333
3
4,66666666 4,33333333
Tratamiento
3
3
14
19
7
3
6,33333333 6,33333333
Biol.
162
CAPTULO 2
3
3
3
3
2,66666666 0,33333333
23
7
3
7,66666666 4,33333333
7
ANLISIS DE VARIANZA
Origen
Suma
Grad
Promedio de
de
cuadrados
os
los
variacio
de
cuadrados
nes
libert
las
de
Probabilid
Valor
ad
crtico para
F
ad
Filas
25,16666
Columna
667
42
s
Error
12,58333
13,72727
0,005768
5,143252
333
273
15,27272
838
0,003244
85
4,757062
727
859
664
3 14
5,5
0,916666
667
Total
72,66666
667
a) valor-p = 0,0057
, es decir
b)
c)
Biol.
Comparacin o pruebas de
rangos mltiples
163
Diferencia
Diferencia
poblacional
muestral
Decisin
Significativo
-3,5
1,65
-1,25
1,65
2,25
1,65
No Significativo
Significativo
5.- En una empresa lechera se tienen varios silos para almacenar leche
(cisternas de 60 000 L). Un aspecto crtico para que se conserve la
leche es la temperatura de almacenamiento. Se sospecha que en
algunos silos hay problemas, por ello, durante cinco das se decide
registrar la temperatura a cierta hora crtica. Obviamente la temperatura
de un da a otro es una fuente de variabilidad que podra impactar la
variabilidad total.
Sil
Lune
Marte
Da
Mircole
o
A
s
4,0
s
4,0
s
5,0
s
0,5
s
3,0
5,0
6,0
2,0
4,0
4,0
4,5
4,0
3,5
2,0
3,0
2,5
4,0
6,5
4,5
4,0
4,0
4,0
3,5
2,0
4,0
D
E
Jueve
Vierne
Biol.
164
CAPTULO 2
Lavadora
Lavadora
Lavadora
e
A
1
45
2
43
3
51
47
44
52
50
49
57
42
37
49
Sustancia 1
Muestra de tela
2
3
4
5
Qumica
1
Biol.
Comparacin o pruebas de
rangos mltiples
165
Los tratamientos
El error aleatorio
Bloque II (columnas)
2
3
k
Biol.
166
CAPTULO 2
Bloque I
C K = YK1K
D A = Y12K B
3 .
(renglones .
k Ykk1
D.
.
= .
= Y23K
B = Y2k3
.
J = YJkK
A = Y1k2
donde
Biol.
Comparacin o pruebas de
rangos mltiples
Fuentes
167
de Suma de Grado
variabilidad
cuadrado
de Cuadrado
libertad
Valor-p
medio
s
Tratamientos SCTRAT
k1
Renglones
k1
SCB1
Columnas
CMB1
k1
CMB2
SCB2
Error
Total
CMTRAT
(k 2)(k
SCE
1)
CME
k2 - 1
SCT
Biol.
168
CAPTULO 2
Biol.
Diseo
en cuadro latino
169
Ejemplo.
Comparacin de cuatro marcas de llantas. Una compaa de mensajera
est interesada en determinar cul marca de llantas tiene mayor duracin en
trminos del desgaste. Para ello se planea un experimento en cuadro latino, en
el que se comparan las cuatro marcas de llantas sometindolas a una prueba
de 32 000 kilmetros de recorrido, utilizando cuatro diferentes tipos de auto y
las cuatro posiciones posibles de las llantas en el auto. As, el factor de inters
es el tipo de llantas o marca, y se controlan dos factores de bloque: el tipo de
carro y la posicin de la llanta en el auto. Estos factores de bloque se controlan
ya que, por experiencia, se sabe que el tipo de carro y la posicin de la llanta
tienen efecto en el desgaste de la misma.
La eleccin del cuadro latino a utilizar se hace antes de obtener los datos. Para
ello, a partir de un cuadro latino
Biol.
170
CAPTULO 3
Diseo de bloques
Posicin
1
Carro
1
2
3
4
C = 12 D = 11 A = 13 B = 8
B = 14 C = 12 D = 11 A = 3
A = 17 B = 14 C = 10 D = 9
D = 13 A = 14 B = 13 C = 9
ANOVA resultante
Fuente de
variabilidad
Marca
Posicin
Carro
Error
Total
Suma
Grados
Promedio
de
de
los
cuadrad
libertad
cuadrados
os
5,6875
16,1875
103,687
3
3
3
5
30,375
155,937
6
15
10
2,0625
12,8958
de
Valor crtico
Valor-p
F
0,37
1,07
6,83
para F
0,775
4,76
0,431
4,76
0,023 4,76
0,895833
5
Se observa que nuestro punto critico tanto para la posicin, el tipo de
carro y las marcas es de 4,76. Concluimos que en las marcas y posicin no
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
Diseo
en cuadro latino
171
existe evidencia de que esta influya por lo que se acepta la hiptesis nula de
que son iguales a un nivel de significancia de
carro observamos que este si influye en el desgaste de las llantas por lo que
rechazamos la hiptesis nula
Resultado arrojado en Minitab
Tipo
Posicin
fijo
1, 2, 3, 4
Carro
fijo
1, 2, 3, 4
Marcas
fijo
A, B, C, D
Fuente
Niveles
Valores
GL
SC sec.
SC ajust.
Posicin
16,188
16,187
Carro
103,688
Marcas
Error
Total
MC ajust.
5,396
1,07
0,431
103,688
34,563
6,83
0,023
5,687
5,687
1,896
0,37
0,775
30,375
30,375
5,062
15
155,938
SC
GL
variaciones
CM
Valor
crtico
para
F
Tratamientos
Bloque 1
(filas)
Biol.
172
CAPTULO 3
Bloque
Diseo de bloques
(columnas)
Error
Total
Operaciones bsicas
C = 12 D = 11 A = 13 B = 8
B = 14 C = 12 D = 11 A = 3
A = 17 B = 14 C = 10 D =
9
D = 13 A = 14 B = 13 C =
9
Suma de los cuadrados de los tratamientos
Suma
total
por
Tratamiento (
Sumatoria
correspondientes
47
44
Suma total por
49
43
fila
Bloque 1 (
44
40
50
(bloque 2)
49
Biol.
Diseo
en cuadro latino
173
columna
suma
Bloque II
de los datos
total
56
51
47
de
medicin
29
media global
4.- Cuadrados medios de tratamientos, del bloque 1, del bloque 2 y del error
Biol.
174
CAPTULO 3
Diseo de bloques
5- Estadstico de prueba
GL
CM
variaciones
Valor
crtico para
F
1,89 0,37 4,76
Renglones
16,19 3
(Bloque 1)
Columnas
103,6
(Bloque2)
Error
9
30,37 6
Tratamientos 5,68
5,06
Biol.
Diseo
en cuadro latino
175
Normalidad
Varianza constante
Grfica
s de residuos para Desgaste
Ejercicios
1.- Las letras A, B, C y D representan cuatro variedades de trigo; los renglones
representan cuatro diferentes fertilizantes; y las columnas 4 anos diferentes.
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
176
CAPTULO 3
Diseo de bloques
Los datos de la siguiente tabla son los rendimientos para las cuatro variedades
de trigo, medidas en kilogramos por parcela. Se supone que las diversas
fuentes de variacin no interactan. Utilice un nivel de significancia de 0.05
para probar la
variedades de trigo
Rendimiento del trigo (kg por parcela)
Fertilizante
1981
198
s
Fertilizante
2
A
1
Fertilizante
70
D
2
Fertilizante
66
C
59
D
3
Fertilizante
59 66
B 41
C
198 1984
3
75
68 81
B
C
55
63
B
A
39
D
57 39
42
A
55
Tipo
Niveles Valores
Fertilizante
fijo
1, 2, 3, 4
Ano
fijo
1, 2, 3, 4
Trigo
fijo
A, B, C, D
Fuente
GL
SC sec.
SC ajust.
MC ajust.
Fertilizante
1557,19
1557,19
519,06
11,92
0,006
Ano
417,69
417,69
139,23
3,20
0,105
Trigo
263,69
263,69
87,90
2,02
0,213
Error
261,37
261,37
43,56
Total
15
2499,94
Biol.
Diseo
en cuadro latino
177
Curso
Geometr
Estadstic
Clcul
a
A 84
a
B 79
a
C 63
o
D 97
B 91
C 82
D 80
A 93
C 59
D 70
A 77
B 80
D 75
A 91
B 75
C 68
3.- Una empresa fabricante quiere investigar los efectos de cinco aditivos de
color en el tiempo de fraguado de una mezcla de concreto nueva. Las
variaciones en el tiempo de fraguado se pueden esperar de los cambios diarios
en la temperatura y humedad y tambin de los diferentes trabajadores que
preparan los moldes de prueba. Para eliminar estas fuentes externas de
variacin se utiliza un diseo de cuadro latino de 5 x 5 en el que las letras A, B,
C, D y E representan los cinco aditivos. Los tiempos de fraguado, en horas,
para los 25 moldes. El nivel de significancia de 0,05, Podemos decir que los
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
178
CAPTULO 3
Diseo de bloques
2
3
4
5
DE 10,3 B 11,2 A 10,9 C 10,5
Lote 1
1
A 8
Da
2
3
4
B 7 D 1
5
CE 3
C 11 E 2 A 7
DB 8
B 4
ED 5
D 6
C10
B 6 A 10
E 4
DE 6
A 8
A 9 C
C 8
B 3
a) Cmo se aleatoriza el experimento?
b) Anote
la
ecuacin
del
modelo
las
hiptesis
estadsticas
correspondientes
c) Existen diferencias entre los tratamientos? Cules tratamientos son
diferentes entre si?
d) Verifique los supuestos del modelo, considerando que los datos se
obtuvieron columna por columna, da a da
Biol.
Diseo
en cuadro latino
179
Inspecto 1
Escala
2
3
r
I
AB 10
II
BC 9
III
CA 11
C 11
Ren
Col
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
180
CAPTULO 3
Diseo de bloques
BD
C A 1,34
C 1,210
B 1,29
1,670
1,185
1,665
1,565
0,710
1,655
1,180
1,290
0,660
Columnas
2 3
4
Biol.
Diseo
en cuadro latino
181
A BC
BD
Renglones
CAA
DB
3
donde
y en la
-sima letra
-sima
Biol.
182
CAPTULO 3
Diseo de bloques
Diseo en
cuadro grecolatino
de Suma de cuadrados
variabilidad
Tratamientos
Grados
de
libertad
k-1
(letras latinas)
Factor
de
k-1
bloque I
(renglones)
k-1
Factor
de
k-1
bloque II
(columnas)
Factor
(k-3)(k-1)
d
bloque III
(letras
griegas)
Error
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
183
Total
Ejemplo
En el caso del ejemplo donde se comparan los cuatro mtodos de ensamble y
se tiene el factor de bloque operador, se podran tener dos factores de bloque
adicionales:
Biol.
184
CAPTULO 3
Diseo de bloques
1
1 C
2
= B
3
D
4
A
2 10
AD
ensamb
3 Bledel
Orden
CC
A
D
B
D
A
Suma de Gl Cuadrad
Razn
Valor-p F
Mtodo
cuadrados
83,5
3
o medio
27,8333
F
23,86
critica
0,0135 9,28
Operado 18,5
6,16667
5,29
0,1024
9,5
3,16667
2,71
0,2170
Orden
2,0
0,666667 0,57
0,6714
Lugar
3,5
1,16667
Residual 117,0
15
Total
Tipo Niveles
4
1; 2; 3; 4 operador fijo
1; 2; 3; 4 orden
lugar
fijo
Fuente
3
Valores Mtodo
9,500
fijo
1; 2; 3; 4
1; 2; 3; 4
GL SC sec. SC ajust.
9,500
MC ajust.
P Mtodo
Biol.
185
18,500
6,167
2,000
83,500
83,500
2,000
0,667
0,57 0,671
Error
Total
3,500
3,500
1,167
15 117,000
Diseo en cuadro
grecolatino
Ejercicios.
1.- Una compaa distribuidora ubicada en los suburbios est interesada en
estudiar la diferencia en costos (tiempo y gasolina) entre las cuatro rutas (A, B,
C, D) que llegan a la zona comercial, ms importante para ellos, en el otro
extremo de la ciudad. Deciden correr un experimento en cuadro grecolatino
controlando los factores de bloque chofer, marca de vehculo (
) y da de
Biol.
186
CAPTULO 3
Diseo de bloques
Chofer/da Lunes
Carlos
Enrique
Martes
825,
750
610
Genaro
Luis
Mircoles
585,
650,
725
560
675
580,
850, 770
450,
635
740
480
650
650,
475,
580,
580
540,
700,
Jueves
550,
635, 550
670,
540
650, 730
560,
615
725
prima,
cinco
concentraciones
del
cido,
cinco
tiempos
de
experimento (utilizar
Lote 1
Concentracin de cido
2
3
4
Biol.
187
B B,
C, C
20 D,
15
E,
10
E,
16
16
13
21
E,
C,
19 11
D,
12
E
24
18
E
15
A,
A, 21
A, 25
16
D,
14
A 22
14
B,
C,
17
17
siguiente secuencia:
Primeramente en la hoja de clculo de Minitab, se capturan los datos en
las columnas uno dos y tres de la siguiente manera:
a) En la columna uno se captura el mtodo u tratamiento indicando de
que mtodo se trata y cuantas repeticiones hay del mismo, repitiendo
el mismo nmero 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4
b) En la segunda columna se anota el operador, en la posicin que le
corresponde. 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4
c) En la tercera columna se anota el dato numrico de la tabla de datos,
es decir el tiempo promedio para este caso.
6, 9, 7, 8, 7, 10, 11, 8, 10, 16, 11, 14, 10, 13, 11, 9
d) En el cuadro de captura ser en ANOVA de dos factores, en la
ventana de captura se anotara en Respuestas el nombre de la tercer
columna, en este caso dato, en el cuadro del factor fila se anota el
nombre de la primera columna que corresponde al mtodo o
tratamiento, en el factor columna se anota el nombre del factor
bloque que en este caso es operador
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
188
CAPTULO 3
Diseo de bloques
cuadro. 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4
Biol.
189
Para capturar los datos en Minitab para el cuadro grecolatino (ANOVA de tres
factores de bloque) se sigue la siguiente secuencia:
Biol.
190
CAPTULO 3
Diseo de bloques
, ,y
( = 1,
= 2, ,
=3y
Biol.
191
obtendremos el resultado
Uso de
software estadstico
Biol.
192
CAPTULO 3
Diseo de bloques
15/11/2011 11:26:49
Factor
fijo
1; 2; 3; 4 orden
lugar
fijo
fijo
4 1; 2; 3; 4
4 1; 2; 3; 4
GL SC sec.
SC ajust.
Metodo
9,500
9,500
3,167
2,71
0,217
operador
18,500
18,500
6,167
5,29
0,102
orden
3
3 83,500
2,000
Error
Total
2,000
3,500
MC ajust.
83,500
27,833
0,667
0,57 0,671
3,500
1,167
15 117,000
Biol.
193
CAPTULO 4
Conceptos bsicos en diseos factoriales
Biol.
194
CAPTULO 4
Diseos factoriales
Diseos
factoriales
Competencias
Explicar cuando un diseo de experimentos es un diseo factorial, describiendo
los conceptos bsicos que estos involucran y mostrado cmo se hace tal
experimentacin.
Desarrollar los diseos factoriales de dos y tres factores. Conocer el diseo
factorial general y diferenciar los modelos de efectos fijos con los modelos de
efectos aleatorios. Interpretar correctamente los anlisis grficos y el anlisis
de varianza en los diseos factoriales.
Biol.
195
nuevas condiciones de operacin del proceso que eliminen o disminuyan
ciertos problema de calidad en la variable de salida.
Los factores pueden ser de tipo cualitativo (mquinas, tipos de material,
operador, la presencia o ausencia de una operacin previa, etc.), o de tipo
cuantitativo (temperatura, humedad, velocidad, presin, etc.). Para poder
estudiar la manera en que incluye cada factor sobre la variable respuesta, es
necesario elegir al menos dos niveles de prueba para cada uno de ellos (tres
mquinas, dos operadores, tres velocidades, dos temperaturas, etc.). Con el
diseo factorial completa se corren aleatoriamente en el proceso todas las
posibles combinaciones que pueden formarse con los niveles seleccionados.
Un diseo de experimentos factorial o arreglo factorial es el conjunto de
puntos experimentales o tratamientos que pueden formarse considerando todas
las posibles combinaciones de los niveles de los factores. Por ejemplo, con k =
2 factores, ambos con dos niveles de prueba, se forma el diseo factorial
, que consiste de cuatro combinaciones o puntos experimentales.
Considerando otra vez k = 2 factores, pero ahora uno con tres niveles y
el otro con dos niveles, se pueden construir 3 x 2 combinaciones que dan lugar
al diseo factorial 3 x 2. Observe que en el nombre del diseo factorial va
implcita el nmero de tratamientos que lo componen. Para obtener el nmero
de corridas experimentales se multiplica el nmero de tratamientos por el
nmero de rplicas, donde una rplica se lleva a cabo cada vez que se repite el
arreglo completo.
Ms en general, la familia de diseos factoriales
consiste de k
, que consiste de 16
Biol.
196
CAPTULO 4
Diseos factoriales
combinaciones de tratamientos
) niveles de prueba,
del arreglo factorial. Los diseos factoriales que involucran menos de cuatro
factores se corren replicados para poder tener la potencia necesaria en las
pruebas estadsticas sobre los efecto de inters, de tal forma que si se hacen
rplicas, el nmero total de corridas experimentales es (
).
tienen dos factores A: tipo de levadura y B: temperatura, cada uno con dos
niveles denotados por
respectivamente.
La respuesta de inters es el
rendimiento del proceso de fermentacin. En la tabla 4.1 se muestran los cuatro
tratamientos o puntos del diseo factorial
Biol.
197
cada nivel con los cdigos (1, -1). En el experimento original cada tratamiento
se corri tres veces (tres rplicas), lo cual da un total de 12 corridas del
proceso pero, por simplicidad, en la ltima columna de la tabla 4.1 slo se
anotaron los resultados de la primera rplica.
Tabla 4.1 Diseo factorial
A: Levadura B:
Temperatura
Y:
Rendimiento
28
41
63
45
Para los datos de la tabla 4.1, los efectos principales estn dados por
Biol.
198
CAPTULO 4
Diseos factoriales
Efecto A =
Efecto B =
depende del nivel en que se encuentra el otro. Por ejemplo, los factores A y B
interactan si el efecto de A es muy diferente en cada nivel de B, o viceversa.
Ahora veamos esto con los datos de la tabla
4.1: el efecto de A cuando B es baja est determinado por
Efecto A (con B bajo) = 41 - 28 = 13
y cuando la temperatura es alta, el efecto de A es
Efecto A (con B alta) = 45 - 63 = 13
Como estos dos efectos de A en funcin del nivel de B son muy diferentes,
entonces es evidencia de que la eleccin ms conveniente del nivel de A
depende del nivel en que est B, y viceversa. Es decir, eso es evidencia de que
los factores de A y B interactan sobre Y. En la prctica, el clculo del efecto A
en cada nivel de B no se hace, y ms bien se calcula el efecto global de la
interaccin de los dos factores, que se denotan por AB y se calculan como la
diferencia entre la respuesta media cuando ambos factores se encuentran en el
m ismo nivel: (-1, -1); (1, 1), y la respuesta media cuando los factores se
encuentran en niveles opuestos: (-1, 1) (1, -1). Para el ejemplo, el efecto de
interaccin levadura x temperatura est dado por
Biol.
Diseos factoriales
con dos factores
199
Los valores absolutos (sin importar el signo) de los efectos principales y del
efecto de interaccin son una medida de importancia de su efecto sobre la
variable de respuesta. Sin embargo, como se tienen estimaciones muestrales,
para saber si los efectos son estadsticamente significativos (diferentes de
coro) se requiere el anlisis de varianza (ANOVA).
Modelo estadstico
Con un diseo factorial
donde
es la media general,
representa al efecto de
y son
Biol.
200
CAPTULO 4
Diseos factoriales
con
El factor
error (
calcular ese componente y, por ende, para construir una tabla de ANOVA.
Recordemos que las sumas de cuadrados divididas entre sus correspondientes
grados de libertad se llama cuadrados medios
cuadrado medio del error
SC GL
CM
Valor-p
Efecto B
Efecto AB
Error
Total
Biol.
Diseos factoriales
con dos factores
201
prefijado, se rechaza la
donde N =
Biol.
202
CAPTULO 4
Diseos factoriales
y al final, al restar stas del total, se obtiene la suma de cuadrados del error
como:
Ejemplo
Consideremos un experimento en el que se quiere estudiar el efecto de los
factores A: profundidad de corte sobre el acabado de un metal y B: velocidad
de alimentacin. Aunque los factores son de naturaleza continua, en este
proceso slo se puede trabajar en 4 y 3 niveles, respectivamente. Por ello, se
decide correr un factorial completo 4 x 3 con tres rplicas, que permitir obtener
toda la informacin relevante en relacin al efecto de esos factores sobre el
acabado. Al aleatorizar las 36 pruebas se obtienen los datos de la siguiente
tabla:
Datos del experimento factorial 4 x 3
B:
velocidad
0,25
0,30
92
99
Total
64
86
98
763
198
266
299
60
79
88
98
102
104
68
104
99
220
290
298
73
82
88
99
95
108
88
108
110
262
302
317
92
99
95
104
99
114
104
110
111
299
313
332
0,20
0,15
Profundidad74
0,18
A:
0,21
0,24
808
8
81
944
Biol.
Diseos factoriales
con dos factores
203
Total
96
99
107
979
1 171
1 246
significativo,
prcticamente
toda
la
informacin
relevante
del
Biol.
204
CAPTULO 4
Diseos factoriales
de arriba, que en este caso es la profundidad con sus cuatro niveles que se
denotan con la escala de -1 a 1. La significancia de la interaccin detectada
por el ANOVA se observa en el hecho de que las lneas en la figura 5.1 tienen
pendientes relativamente diferentes. Como lo que interesa es minimizar la
variable de respuesta, se observa que a mayor velocidad y profundidad hay
una tendencia a obtener peores acabados. Adems se ve que cuando se tiene
velocidad alta (
las lneas en la figura cuando la velocidad es alta). Por lo tanto, las condiciones
de operacin o tratamiento que convienen es profundidad y velocidad bajas (
).
El ANOVA de la tabla 5.2 se dice que no est desglosado, ya que cuando en
un experimento hay factores cuantitativos con ms de dos niveles, el ANOVA se
puede desglosar para estudiar con mayor detalle en el efecto de tal factor.
SC
3 160.5
GL CM
2
1
Valor-p
55,02 0,0000
A:
580,25
24,66 0,0000
profundidad
125,10
708,37
3,23
AB
557,07
24
92,84
Error
689,33
35
28,72
Total
6 532,0
0,0180
Biol.
Diseos factoriales
con dos factores
205
Se rechaza
Se acepta
Rplicas:
Corridas base: 12
Total de corridas: 36
Bloques base:
Total de bloques:
Nmero de niveles: 4; 3
Tipo
Niveles
PRFUNDIDAD A fijo
VELOCIDAD B fijo
Valores
4
3
PRFUNDIDAD A
VELOCIDAD B
PRF.*VEL. AB
3 2125,11
2 3160,50
6 557,06
Error
24 689,33
Total
35 6532,00
2125,11
708,37
24,66 0,000
3160,50
1580,25
55,02 0,000
557,06
689,33
92,84
3,23 0,018
28,72
Comparacin de medias
Biol.
206
CAPTULO 4
Diseos factoriales
detectadas. El ANOVA slo indica que al menos un par de niveles del factor
significativo son diferentes entre s, pero no dice cules son. Por facilidad,
denotemos los cuatro niveles de la profundidad (A) del ejemplo anterior como
as como los tres niveles de la velocidad (B) como
Entonces es, los seis pares de hiptesis para comparar las medias del factor A
son:
Para probar estas hiptesis con el mtodo LSD habra que calcular las
diferencias muestrales en el valor absoluto y compararlas con la diferencia
mnima significativa. Cabe aclarar que este anlisis es engaoso cuando el
efecto de interaccin es significativo. Por ello, y slo por ilustrar el mtodo, se
prueban las hiptesis del factor A ignorando por el momento la interaccin. La
Biol.
Diseos factoriales
con dos factores
207
dada por:
Donde
T de Student,
y
de la distribucin
= 9; entonces,
Comp
aracin de medias
Biol.
208
CAPTULO 4
Diseos factoriales
Aspersin
tapapor
o
1
4.0,
12.8
5.6,
4,5
4.3 5.4,
5.6 28.7
15.9
4.9,
5.4 5.8,
15.9
3.8,
4.9,
34.1
6.1,
6.3 27.0
5.0,
5.0
18.2
3.7,
4.0 5.5,
11.5
40.2
15.5
49.6
89.8
Corridas base: 6
Rplicas:
Total de corridas: 18
Biol.
Diseos factoriales
con dos factores
Bloques base: 1
209
Total de bloques:
Nmero de niveles: 3; 2
Tapaporo
fijo
3 1; 2; 3
Adherencia fijo
2 Inmersin; Aspersin
Tapaporo
2 4,5811
Adherencia
4,5811
1 4,9089
4,9089
Tapaporo*Adherencia 2 0,2411
Error
12 0,9867
Total
17 10,7178
2,2906
4,9089
0,2411
0,9867
27,86 0,000
59,70 0,000
0,1206
1,47 0,269
0,0822
tanto para el
factor A (tipo de pintura) como para el factor B(tipo de aplicacin), con su nivel
de significancia como con sus grados de libertad respectivamente tenemos
y
, no hay indicios de
Biol.
210
CAPTULO 4
Diseos factoriales
Se rechaza
Se acepta
Temperatura (
Baja
Media
Alta
130 155 34 40 20 70
74 180 80 75 82 58
150 188 136 122 25 70
123
b) varianza con
= 0.05
Biol.
Diseos factoriales
con dos factores
211
de
fsforo
1
2
3
280 300 290
290 310 285
= 0.05
800 825
570 1
)
850
565
565 063
510
583 1
590
080
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
212
CAPTULO 4
Diseos factoriales
1
043
2
528 988
526
547 1
538
521 026
532
1
004
a) Enuncie las hiptesis de inters
b) Pruebe las hiptesis anteriores utilizando el anlisis de varianza con
los arreglos de este tipo que se utilizan con frecuencia en aplicaciones diversas
se encuentran: el factorial
, el factorial
Hiptesis de inters
El estudio factorial de tres factores (A, B y C) permite investigar los efectos: A,
B, C, AB, AC, BC y ABC, donde el nivel de desglose o detalle con el que
pueden estudiarse depende del nmero de niveles utilizando en cada factor.
Por ejemplo, si un factor se prueba en dos niveles, todo su efecto marginal
(individual) es lineal, o sea que su efecto individual no se puede descomponer;
Biol.
Diseos factoriales
con dos factores
213
SC
GL
CM
Valor-p
Efecto B
Efecto C
Efecto AB
Efecto AC
Efecto BC
Efecto ABC
Error
Total
Al efecto cuyo valor-p sea menor al valor especificado para alfa, se declara
estadsticamente significativo o se dice que est activo. Las sumas de
cuadrados son muy similares a las obtenidas para dos factores; habr que
considerar un subndice adicional para el tercer factor, y comenzando otra vea,
por la suma total de cuadrados, stas resultan ser:
Biol.
214
CAPTULO 4
donde N =
Diseos factoriales
cuadrados
Biol.
215
de efectos son:
Al restar stas del total, la suma de cuadrados del error resulta ser
cuyos respectivos grados de libertad se dan en la tabla anterior. Una vez hecho
el ANOVA, se procede a interpretar los efectos activos, y luego (aunque no
necesariamente despus) a diagnosticar la calidad del modelo.
Ejemplo
Biol.
216
CAPTULO 4
Diseos factoriales
60,
75, 67,
73, 62,
68, 71,
80, 76,
71, 75,
75,
75
73
65
80
75
75
86,
70, 67,
68, 76,
65, 72,
80, 70,
68, 75,
75,
70
55,
68
53, 52,
65
52, 44,
80
44, 60,
73
60, 52,
77
51, 56,
55,
53
57
45
60
50
57
55,
55, 52,
54, 48,
48, 67,
67, 52,
48, 59,
55
54
45
65
54
55
50,
Los niveles de prueba para cada factor, tanto en unidades originales como en
unidades codificadas, se muestran en la siguiente tabla
Factor
A:
U. originales
U. codificadas
Bajo Medio Alto Bajo Medio Alto
de
-1
0
1
Tipo
suspensin
40
B: Abertura de malla 0
60
-1
30
-1
C: Temperatura
El anlisis de varianza para este ejemplo se muestra en la siguiente tabla. De
aqu se concluye que no influyen los efectos ABC, AC ni A, dado que su valor-p
es mayor que
AB y en menor medida BC. stos son los cuatro efectos que se deben
interpretar. Los efectos que no influyeron se pueden eliminar mandndolos al
trmino error. El ANOVA simplificado, pero con el efecto A note que el
en
Biol.
217
Rplicas:
Corridas base: 12
Total de corridas: 72
Bloques base:
Total de bloques:
Nmero de niveles: 3; 2; 2
Suspensin
malla fijo
fijo
2 B1; B2 temperatura
fijo
C1; C2
GL SC sec.
SC ajust. MC ajust.
Suspensin
13,86
13,86
6,93
0,49 0,613
Abertura de malla
1 480,50
480,50
480,50
34,25 0,000
temperatura
1 6086,72
6086,72
6086,72
433,90
788,25
788,25
394,13
28,10 0,000
Suspensin*temperatura
40,86
40,86
20,43
1,46 0,241
Abertura de malla*temperatura
56,89
56,89
56,89
4,06 0,049
Suspensin*Abertura de malla*
31,03
31,03
15,51
1,11 0,338
temperatura
Error
60 841,67
Total
71 8339,78
841,67
14,03
Biol.
218
CAPTULO 4
S = 3,74537
Diseos factoriales
R-cuad. = 89,91%
R-cuad.(ajustado) =
88,06%
Observaciones inusuales de Respuesta
Residuo
Obs Respuesta Ajuste Ajuste SE Residuo estndar
23
60,0000 72,6667
1,5290 -12,6667
-3,70 R
36
76,0000 66,8333
1,5290
9,1667
2,68 R
52
86,0000 72,6667
1,5290 13,3333
3,90 R
Se acepta
;
Se rechaza
Se rechaza
,
rechaza
Se
;
Se acepta
,
Se rechaza
Ejercicios
1.- Se investigan el porcentaje de la concentracin de madera dura en la pulpa
cruda, la libertad de orientacin de la fibra o lof, y el tiempo de coccin de la
Biol.
219
2.0
lof
lof
Madera dura
500
350
500
650
350
96.6
97.9
99.4
98.4
96.0
96.0
99.8
98.6
98.5
96.0
98.4
97.5
97.2
96.9
97.6
98.1
97.5
95.6
97.4
97.6
96.6
96.2
98.1
98.4
650
10
99.6
1000.6
100.4 100.9
15
98.7
99.0
96.0 99.0
20
97.0
97.8
98.5
99.8
Biol.
220
CAPTULO 4
Diseos factoriales
Temperatura
300
350
Operador
Operador
Duracin del ciclo
1
24
2
40
38
34
1
23
24
50
37
34
36
60
29
25
37
34
31
32
36
36
26
28
28
36
35 39
34
33
38
34
39
36
27
34
35
26
28
23
25
38
36
39
35
35
28
36 31
35
26
28
24
35
27
27
34
25
26
34
Biol.
221
Profundidad
Rapidez de
alimentaci
n
del
corte
0.025
0.04
pulgada
ngulo
pulgada
de
la
herramienta
15 25 15
30 pulg/min 9
11 9
25
10
7
30 pulg/min 10
10
10
11
12
8
16
12
13
15
14
que consiste
de
estudiar
efectos
principales,
interacciones
dobles,
de cierta cantidad
de
en
que cuenta el nmero de diferentes maneras de
seleccionar
factores de los , donde
Biol.
222
CAPTULO 4
Diseos factoriales
tambin tiene este mismo nmero de efectos, pero al contar con tres
tiene 32
manejar. Aun si pudiera correrse, representa una opcin muy ineficaz; adems,
existen arreglos experimentales ms pequeos y eficientes.
Diseo
factorial general
se
SC
GL
Error
Total
Biol.
223
donde N =
se observa la necesidad de
Biol.
224
CAPTULO 4
Diseos factoriales
contar con al menos dos rplicas del experimento para calcular la suma de
cuadrados del error (
necesidad de rplicas (
que interesan los
Biol.
225
como en efectos fijos. Lo que ahora (con efectos aleatorios) tiene sentido es
hablar de la varianza con la que el factor aleatorio contribuye a la variacin total;
es decir, es preciso estimar dicha varianza y probar si su contribucin a la
variabilidad total es significativa.
donde
A,
es la media general,
es el efecto del
interaccin en la combinacin
es el efecto debido al
representa al efecto de
y son
, y
respectivamente.
Biol.
226
CAPTULO 4
Diseos factoriales
donde
Los
ANOVA son
Biol.
227
Ejemplo
En una compaa dedicada a la fabricacin de bombas y vlvulas, algunos
componentes crticos tienen tolerancias muy estrechas que son difciles de
cumplir. De aqu que sea necesario estimar el error de medicin con el fin de
ver la posibilidad de reducirlo para cumplir con las especificaciones. El ancho
de una pieza particular es una caracterstica de calidad crtica, cuyas
especificaciones son 69
Biol.
228
CAPTULO 4
Diseos factoriales
Modelo de
efectos aleatorios
Nmero
Inspector Z
1
2
Inspector W
1
2
69,38
69,62
69,60
69,52
39,72
69,78
69,80
69,90
69,58
69,70
69,70
69,92
69,50
69,46
69,50
69,50
69,48
69,50
69,40
69,42
69,56
69,68
69,40
69,64
69,90
69,94
70,02
69,88
de piezas
1
Ntese que cada inspector mide dos veces cada pieza. Sean los inspectores el
factor A y las piezas el factor B, el primero con dos niveles y el segundo con
siete niveles, en ambos casos seleccionados al azar. El modelo de
componentes de varianza propuesto para describir estos datos es donde
el componente de varianza de los inspectores,
las piezas,
es
es el componente debido a
es el
componente aleatorio.
Interesa probar las hiptesis:
Biol.
229
GL CM
1
0,0003
Valor-p
0,069 0,8043
B:
24,07 0,0000
Pieza
0,7516
0,1252
0,75
AB
0,0313
14
0,0052
Error
0,097
27
0,0069
Total
0,8803
0,6169
apropiado
para
un
modelo
de
efectos
aleatorios
y
). Los valor-p indican que la variabilidad de las piezas
es
estadsticamente diferente a cero, mientras que la variabilidad de los
inspectores y de la interaccin inspector x pieza no es significativa (es igual a
cero). Desde el punto de vista del objetivo del experimento, los resultados del
ANOVA son los deseados: la reproducibilidad (
) es estadsticamente
Biol.
230
CAPTULO 4
Diseos factoriales
) no tiene
Biol.
231
Uso de software
Biol.
232
CAPTULO 4
Diseos factoriales
tratamientos, lo nico que usted tiene que ingresar a MINITAB es una columna
con la respuesta del experimento. Proceda entonces a ingresar los datos en la
columna C7
6. Una vez capturados los datos (estos datos debern corresponder al factor A
con respecto a factor B de acuerdo a la tabla original) en su correspondiente
rengln. El siguiente paso es regresar al paso 1.
Biol.
233
Uso de software
seguido de aceptar y
Biol.
234
CAPTULO 4
Diseos factoriales
Biol.
235
CAPTULO 5
Series de tiempo
Biol.
236
Series de tiempo
Series de tiempo
T oda institucin, ya sea la familia, la empresa o el gobierno, tienen que hacer
planes para el futuro si ha de sobrevivir y progresar. Hoy en da diversas
instituciones requieren conocer el comportamiento futuro de ciertos fenmenos
con el fin de planificar, prever o prevenir.
Debido a que las condiciones econmicas y comerciales varan en el tiempo,
los lderes de los negocios deben encontrar formas de mantenerse al da
respecto a los efectos que esos cambios tendrn en sus operaciones. Una
tcnica que pueden usar los lderes de negocios como ayuda en la planeacin
de las necesidades operativas en lo futuro es el pronstico. Aunque se han
desarrollado numerosos mtodos para pronosticar, todos tienen un objetivo
comn, predecir los eventos futuros de manera que las proyecciones se
puedan incorporar en el proceso de toma de decisiones.
Suponga que necesitamos hacer pronsticos trimestrales para el volumen de
ventas de determinado producto durante el prximo ao. Los programas de
produccin, las compras de materias primas, las polticas de inventarios y las
cuotas de venta sern afectados, todos, por esos pronsticos. Entonces, los
malos pronsticos darn como resultado una mala planeacin y, en
consecuencia, aumentarn los costos de la empresa. Cmo se hace para
elaborar los pronsticos trimestrales del volumen de ventas?
Desde luego que se deben considerar los datos reales de ventas del producto
en periodos pasados. Con tales datos histricos podemos identificar el nivel
general de ventas y cualquier tendencia, como aumento o disminucin en el
Biol.
237
Biol.
238
Biol.
239
Series de tiempo
Cuantitativo
s
Causales
Cualitativos
Serietemporal
Suavizamiento
Proyeccin de tendencia
Proyeccin de tendencia ajustada por
influencia estacional
Biol.
240
la meta
principal del anlisis de series de tiempo es: identificar y aislar estos factores
de influencia con el fin de realizar predicciones (pronosticar), as como fines
administrativos de planeacin y control.
Para conseguir estas metas, se han desarrollado muchos modelos
matemticos que exploran las fluctuaciones entre los factores que componen
una serie de tiempo. Tal vez el ms esencial sea el modelo multiplicativo
clsico para datos registrados cada ao, trimestre o mes. En principio, el
modelo multiplicativo clsico se usar para pronosticar. Otras aplicaciones
incluyen un anlisis detallado de los componentes particulares mediante la
descomposicin de las series de tiempo. Por ejemplo, con frecuencia los
economistas estudian una serie de tiempo anual, trimestral o mensual para
filtrar el componente cclico y evaluar su movimiento respecto a la actividad
econmica general. No obstante, las aplicaciones de la descomposicin de una
serie de tiempo estn fuera de los objetivos de este libro.
Para exponer el modelo multiplicativo clsico de series de tiempo, en la figura
5.2 se presentan los ingresos brutos reales de Eastman Kodak Company de
1975 a 1998. Si se intenta observar las caractersticas de esta serie de tiempo,
es evidente que los ingresos reales muestran una propensin a aumentar en
este periodo de 24 aos. Esta inclinacin global a largo plazo o impresin de un
movimiento hacia arriba o hacia abajo se conoce como tendencia
Figura 5.2 Grfica de ingresos netos reales (en miles de millones de dlares)
de Eastman Kodak Company (1975-1998)
Biol.
241
Biol.
242
registrada en el ao
se puede
Biol.
Modelo clsico
143
Cuando los datos se obtienen por trimestre o por mes, una observacin
registrada en el periodo puede estar dada por la ecuacin (5.2)
Modelo multiplicativo clsico de series de tiempo para
datos con
Componente estacional
(5.2)
donde
=
componente
de
valores
respectivos
tendencia,
del
cclico e
Tabla 5.1
Factores
que
irregular en el
influyen
periodo
en
datos
de series
de tiempo.
Componente
Clasificaci
Definicin
Tendencias
componente
Sistemtico Patrn
Razn de la
del
influencia
de
Cambios
movimiento
global
Sistemtico largo
poblacin,
riqueza,
plazo
Valores.
hacia arriba o
de
Condiciones de datos
Fluctuacin ms clima,
que
Dentro
12 meses (o
hacia abajo.
Cclico
en Varios aos
tecnologa,
persistente, a
Estacional
Duracin
en sociales
menstruales
o
y trimestrales)
. De 2 a 10
12 meses cada
aos
con
Biol.
244
ao.
Interaccin de
Oscilacin
o numerosas
movimiento
Irregular
intensidad
combinacione
en el
No
sistemtico
diferente
ciclo completo
influyen
en
la
pico(prosperidad) economa
,
contraccin
Corta duracin
(recesin), fondo
sin
(depresin)
y Variaciones
repeticin.
expansin
aleatorias
(recuperacin)
los
Fluctuacin
debidas
no
en
datos
presente huelgas,
cuenta
los inundaciones,
efectos
sistemticos
asesinatos
(de polticos, tec.
tendencia,
estacional
cclica)
Biol.
Biol.
246
esos das.
interpolando.
b) Permite detectar tendencia: la tendencia representa el comportamiento
predominante de la serie. Esta puede ser definida vagamente como el cambio
de la media a lo largo de un periodo.
145
Biol.
Un modelo clsico para una serie de tiempo, supone que una serie
x(1), ..., x(n) puede ser expresada como suma o producto de tres componentes:
tendencia, estacionalidad y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, que generalmente se aceptan
como buenas aproximaciones a las verdaderas relaciones, entre los
componentes de los datos observados. Estos son:
1. Aditivo: X(t) = T(t) + E(t) + A(t)
2. Multiplicativo: X(t) = T(t) E(t) A(t)
3. Mixto: X(t) = T(t) E(t) + A(t)
donde:
X(t) serie observada en instante t
T(t) componente de tendencia
E(t) componente estacional
A(t) componente aleatoria (accidental)
Una suposicin usual es que A(t) sea una componente aleatoria o ruido
blanco con media cero y varianza constante.
Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no
depende de otras componentes, como T(t), s por el contrario la estacionalidad
vara con la tendencia, el modelo ms adecuado es un modelo multiplicativo
(2). Es claro que el modelo 2 puede ser transformado en aditivo, tomando
logaritmos.
componentes de la serie.
5.3. Anlisis de tendencia
Biol.
248
Ventas
9
10
21,6 22,9
(miles)
25,5
4
21,9
5
23,9
27,5
31,5
Este crecimiento anual de las ventas a travs del tiempo muestra una
tendencia creciente de la serie de tiempo. La figura 5.4 presenta una recta que
puede ser una buena aproximacin a la tendencia de las ventas de bicicletas.
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.
Figura 5.4 Tendencia lineal de las ventas de bicicletas
Biol.
35
30
25
Venta (miles
20 )
15
10
Ao
5
0
0
10
12
Biol.
250
C
5.4. Anlisis de variaciones cclicas
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. La
figura 5.6 es la grfica de una serie de tiempo con un componente cclico obvio.
Las observaciones se hicieron con intervalos de un ao.
Figura 5.6 Componente de tendencia y cclico de una serie de tiempo con datos
anuales
Biol.
o
l
u
m
n
Tiempo
Lnea de
tendencia
Biol.
252
Biol.
Biol.
254
pueden emplearse
usualmente son:
a) El mtodo de promedios mviles
b) El mtodo de suavizacin
exponencial
El objetivo de ambos mtodos es el de emparejar la serie y proporcionar
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.
Biol.
Ventas de
o
fbrica
197
6.6
Ventas de
Ventas de
o
fbrica
198
7.8
fbrica
19
7.4
8.3
91
19
7.7
5
197
8.6
3
198
6
197
9.1
4
198
9.3
92
19
7.8
7
197
9.5
5
198
8.6
93
19
8.4
8
197
9.0
6
198
7.8
94
19
8.3
9
198
7.1
7
198
8.1
95
19
8.4
6.8
8
198
7.9
96
19
8.8
6.2
9
199
7.5
97
19
8.1
0
198
1
198
2
98
Para la General
Biol.
256
Unidades (millones)
6
4
2
0
1970
1980
1990
2000
Ao
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 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.
PM (5) = Y1Y2Y3Y4Y5
5
Biol.
5.0
7.0
6.0
8.0
9.0
5.0
2.0
3.5
5.5
6.5
Calcule los promedios mviles de 5 aos para esta serie de tiempo anual.
Solucin
El primer promedio mvil de 5 aos es
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
258
4.
PM (5) = 6.0
Es decir, para calcular un promedio mvil de 5 aos, primero se obtiene la
suma de los cinco aos y se divide entre 5. Despus el promedio se centra en
el valor medio, el tercer ao de esta serie de tiempo. Los siguientes valores
quedan de la siguiente manera:
5.
PM (5) = 7.0
7.
PM (5) = 7.0
6.
PM (5) = 6.0
8.
PM (5) = 5.5
9.
PM (5) = 5.0
Biol.
5.
PM (5) = 4.5
Estos promedios mviles se centran en sus respectivos valores medios, el
quinto, sexto y sptimo aos de la serie de tiempo. Se observa que al obtener
promedios mviles de 5 aos, no se pueden calcular los valores para los
primeros dos y los ltimos dos valores de la serie de tiempo.
En la prctica, al obtener promedios mviles se debe usar un programa de
computadora como Microsoft Excel o Minitab para evitar los clculos tediosos.
La tabla 5.4 y 5.5 presenta las ventas anuales de la fbrica (General Motors)
que ampara el periodo de 24 aos de 1975 a 1998 junto con los clculos para
los promedios mviles de 3 y 7 aos. La grfica de las dos series construidas
se presenta en la figura 5.8 y 5.9 con los datos originales.
Se observa en la tabla 5.4 que al obtener los promedios mviles de 3 aos, no
se pueden calcular valores para el primero o el ltimo valor en la serie de
tiempo.
Tabla 5.4 promedios mviles de 3 y 7 aos obtenida con Microsoft
Excel
Ao
1975
6,6
#N/A #N/A
1976
8,6
8,1
1977
9,1
9,06666667 #N/A
1978
9,5
9,2
1979
8,53333333 8,04285714
1980
7,1
7,63333333 7,92857143
1981
6,8
6,7
1982
6,2
6,93333333 7,78571429
1983
7,8
7,43333333 7,72857143
1984
8,3
8,46666667 7,82857143
#N/A
8,1
7,81428571
Biol.
260
9,3
8,73333333 8,01428571
1986
8,6
8,56666667 8,25714286
1987
7,8
8,16666667 8,21428571
1988
8,1
7,93333333 8,08571429
1989
7,9
7,83333333 7,85714286
1990
7,5
7,6
1991
7,4
7,53333333 7,82857143
1992
7,7
7,63333333 7,85714286
1993
7,8
7,96666667 7,92857143
1994
8,4
8,16666667 8,11428571
1995
8,3
8,36666667 8,21428571
1996
8,4
8,5
1997
8,8
8,43333333 #N/A
1998
8,1
#N/A #N/A
7,74285714
#N/A
6,6
1976
8,6 8,10000
1977
9,1 9,06667
1978
Biol.
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
8,4 8,50000
1997
8,8 8,43333
1998
8,1
Biol.
262
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 a corto 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 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
exponencialmente una serie en un periodo dado i se basa en slo tres
trminos: el valor observado actual en la serie de tiempo
, valor con
donde
EI = valor de la serie suavizada exponencialmente que se calcula en el
periodo
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
EI
periodo 1
Yi = valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavizacin (donde 0 <
W < 1) E1 = Y1
La eleccin del coeficiente de suavizacin o peso que se asigna a la serie de
tiempo es crtica porque afectar en forma directa los resultados. Es
desafortunado que esta seleccin sea subjetiva. Si se desea slo suavizar una
serie con la eliminacin de la variacin cclica y la irregular, debe elegirse un
valor pequeo para W (cercano a 0). Por otro lado, si la meta es pronosticar,
debe elegirse un valor grande para W (ms cercano a 1). En el primer caso, se
podrn observar las tendencias globales a largo plazo de la serie; en el ltimo
caso, es posible predecir direcciones futuras a corto plazo de manera ms
adecuada.
Los clculos de la suavizacin exponencial se ilustra para un coeficiente
de suavizacin de W = 0.25. Como punto de partida, se utiliza el valor
observado inicial
(tabla 5.3),
E i WYi (1W)Ei 1
E1976 = WY1976 + (1 W)E1975 = (0.25)(8.6) + (0.75)(6.6) = 7.10 millones
E1977 = WY1977 + (1 W)E1976 = (0.25)(9.1) + (0.75)(7.1) = 7.6
E1978 = WY1978 + (1 W)E1977 = (0.25)(9.5) + (0.75)(7.6) = 8.08
Este proceso contina hasta obtener los valores de la suavizacin
exponencial para los 24 aos en la serie de las ventas anuales de la fbrica
(General Motors), como se muestra en la tabla 5.6 y 5.7, y las figuras 5.10 y
5.11
Biol.
264
obtenida con
Microsoft Excel
SE
Ao
Ventas
(W=0.25)
SE
(W=0.50)
1975
6,
6,6 6,6
1976
6
8,
7,1 7,6
1977
6
9,
7,6 8,35
1978
1
9,
5
1979
8,07
5
9 8,30625
8,925
8,9625
1980
7,
8,00468
8,03125
1981
1
6,
75
7,703515
7,415625
1982
8
6,
63
7,327636
6,80781
1983
2
7,
72
7,445727
25
7,303906
1984
8
8,
54
7,659295
25
7,801953
1985
3
9,
65
8,069471
13
8,550976
1986
3
8,
74
8,202103
56
8,575488
1987
6
7,
81
8,101577
28
8,187744
1988
8
8,
85
8,101183
14
8,143872
1989
1
7,
39
8,050887
07
8,021936
1990
9
7,
54
7,913165
04
7,760968
1991
5
7,
66
7,784874
02
7,580484
Biol.
1992
4
7,
24
7,763655
01
7,640242
1993
7
7,
68
7,772741
7,720121
1994
8
8,
76
7,929556
8,06006
1995
4
8,
32
8,022167
05
8,180030
1996
3
8,
24
8,116625
25
8,290015
1997
4
8,
43
8,287469
13
8,545007
8
1998
07
8,1
56
(W = 0.50 y W =
Suavizar 0,25
1975
6,6
6,60000
1976
8,6
6,60000
7,10000
Suavizar 0,50
Biol.
266
1977
9,1
7,60000
7,60000
1978
1979
1980
9,5
9,0
7,1
8,35000
8,07500
8,30625
8,00469
1981
6,8
8,03125
7,70352
1982
6,2
7,41563
7,32764
1983
1984
7,8
8,3
6,80781
7,44573
7,65930
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
9,3
8,6
7,8
8,1
7,9
7,5
7,4
7,7
7,8
8,4
8,3
8,4
8,8
8,1
7,80195
8,06947
8,20210
8,10158
8,10118
8,05089
7,91317
7,78487
7,76366
7,77274
7,92956
8,02217
8,11663
8,28747
8,24060
8,92500
8,96250
7,30391
8,55098
8,57549
8,18774
8,14387
8,02194
7,76097
7,58048
7,64024
7,72012
8,06006
8,18003
8,29002
8,54501
8,32250
Biol.
Proyeccin de tendencias
Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo
plazo. El tipo de serie de tiempo para el cual se aplica el mtodo de proyeccin
de tendencias presenta un aumento o disminucin consistentes a travs del
tiempo; y no es estable como para aplicar los mtodos de suavizamiento
analizados en la seccin anterior.
Veamos la serie de tiempo de ventas de bicicletas de determinado fabricante
durante los ltimos 10 aos, que se muestran en la tabla 5.8 y en la figura 5.12.
Observe que en el primer ao se vendieron 21 600 bicicletas, en el segundo,
22 900, y as sucesivamente. En el dcimo ao, el ms reciente, se vendieron
31 400 bicicletas. Aunque la figura 5.12 muestra algo de movimiento hacia
arriba y hacia abajo durante los 10 aos, parece que la serie de tiempo tiene
una tendencia general de aumento o crecimiento
Tabla 5.8 Serie de tiempo de venta de bicicletas
A Venta
o
(t)
(miles
)
Biol.
268
21,6
22,9
25,5
21,9
23,9
27,5
31,5
29,7
28,6
10
31,4
Biol.
Biol.
270
p
En este caso no se trata de
que el componente de tendencia de una
Biol.
271
Proyeccin
i
de tendencias
Vamos a emplear los datos de ventas de bicicletas para ilustrar los clculos del
anlisis de regresin, a fin de identificar una tendencia lineal. Recuerde que en
la descripcin de la regresin lineal simple, describimos cmo se aplica el
mtodo de mnimos cuadrados
para determinar la mejor relacin lineal entre
s
dos variables; tal metodologa es la que usaremos para definir la lnea de
tendencia para la serie de tiempo de ventas de bicicletas. En forma especfica,
aplicaremos el anlisis de regresin para estimar la relacin entre el tiempo y el
volumen de ventas.
Figura 5.13 Tendencias de las ventas de bicicletas, representada por una
funcin lineal
La ecuacin de regresin que describe una relacin lineal entre una variable
independiente, , y una variable dependiente, , es
c
Biol.
f 5 Series de tiempo
CAPTULO
272
lugar de
en
donde
= valor de la tendencia de la serie de tiempo en el periodo
= ordenada alGorigen e la lnea de tendencia
= pendiente de la lnea de tendencia
= tiempo
s
En
a esta ecuacin igualaremos
t
n
e
sucesivamente.32
Observe
que, para la serie de tiempo de ventas de bicicletas,
30
= 1
v 26
Las frmulas
para calcular los coeficientes estimados de regresin,
, en la ecuacin
que se muestra a continuacin.
24
22
1
10
Ao
donde
= valor de la serie de tiempo en el periodo
= nmero de periodos
= valor promedio de la serie de tiempo,
= valor promedio de
Con las ecuaciones anteriores y los datos de las ventas de bicicletas de la tabla
5.8 podemos calcular
como sigue:
t
Biol.
273
21,6 21,6
22,9 45,8
25,5 76,5
21,9 87,6
16
23,9 119,5 25
27,5 165,0 36
31,5 220,5 49
29,7 237,6 64
28,6 257,4 81
31,4 314,0 10
0
5
0
264, 1545, 38
Por consiguiente,
Proye
ccin de tendencias
Resumen de Excel donde
observamos
los
coeficientes
Estadsticas
de
la
regresin
Coeficiente de 0,87452616
correlacin
Biol.
274
mltiple
Coeficiente de 0,76479601
determinacin 6
R^2
R^2 ajustado 0,73539551
Error tpico
8
1,95895380
2
Observacione 10
s
ANLISIS DE
VARIANZA
Grados
libertad
Regresin
de Suma
de Promedio
cuadrados
de
99,825
cuadrados
99,825
los
de F
26,013029 0,00092950
3
Residuos
Total
8
9
30,7
130,525
Valor crtico
3,8375
20,4
d
1,33822021 15,2441278 3,3999E-
1,1
1
6
07
6
0,21567371 5,10029698 0,0009295 0,60265552
5
17,3140586
= 11
Biol.
275
pronsticos?
2.- La siguiente serie de tiempo representa las ventas de un producto durante
los ltimos 12 meses.
Mes
1 2
3
4 5 6 7
8
9 10 11 12
Ventas 10535 120 105 90 120 145 140 100 80 100 110
a) Use con
de la serie de tiempo
b) Use una constante de suavizamiento igual a 0,5 para calcular los valores
de suavizamiento exponencial. Cul de las constantes 0,3 o 0,5, parece
producir los mejores pronsticos
3.- Los datos que siguen representan el nmero anual de empleados (en miles)
de una compaa petrolera para los aos 1978 a 1997.
Nmero de empleados (en miles)
Ao
Nmero
Ao
Nmero
Ao
Nmero
1978
1.45
1985
2.04
1992
1.65
1979
1.55
1986
2.06
1993
1.73
1980
1.61
1987
1.80
1994
1.88
Biol.
276
1981
1.60
1988
1.73
1995
2.00
1982
1.74
1989
1.77
1996
2.08
1983
1.92
1984
1990
1.95
1.90
1991
1997
1.88
1.82
Ventas
Ao
Ventas
Ao
Ventas
1972 41.6
1981
53.2
1990
36.4
1973 48.0
1982
53.3
1991
38.4
1974 51.7
1983
51.6
1992
42.6
1975 55.9
1984
49.0
1993
34.8
1976 51.8
1985
38.6
1994
28.4
1977 57.0
1986
37.3
1995
23.9
1978 64.4
1987
43.8
1996
27.8
1979 60.8
1980
1988
56.3
41.7
1989
1997
42.1
38.3
Biol.
277
1
20,5
18,8
2
3
4
5
6
20,2 19,5 19,0 19,1
1990
1991
1992
1993
1994
Porcentaj
1995
7,45
7,53
7,52
7,65
7,62
7,73
Biol.
278
Ao
1992
1993
1994
1995
1996
Ventas
1997
5,4
6,2
12,7
20,6
28,4
(millones) 44,9
a) Deduzca una ecuacin de tendencia lineal para esta serie de tiempo
b) Cul es el aumento promedio de ventas anuales en esta empresa
c) Use la ecuacin de tendencia para pronosticar las ventas en 1998
Primer
Segundo
Tercer
ao
ao
ao
Biol.
279
Enero
242
263
282
Febrero
235
238
255
Marzo
232
247
265
Abril
178
193
205
Mayo
184
193
210
Junio
140
149
160
Julio
145
157
166
Agosto
152
161
174
Septiembr
110
122
126
130
130
148
Octubre
152
167
173
Noviembre 206
230
235
Diciembre
Analice los datos de ventas del restaurant. Prepare un informe a Karen que
contenga lo que encontr, sus pronsticos y recomendaciones. Dicho informe
debe incluir:
a) Una grfica de la serie de tiempo
b) Un anlisis de influencias estacionales sobre los datos. Indique los
ndices estacionales para cada mes y haga comentarios acerca de los
meses con ventas altas y bajas. Tiene sentido intuitivo esos ndices
estacionales? Describa por qu.
c) Un pronstico de ventas desde enero hasta diciembre del cuarto ao.
d) Recomendaciones sobre cundo se debe actualizar el sistema que ha
preparado, para tomar en cuenta nuevos datos de ventas
e) Todos los clculos detallados de su anlisis aparecen en el apndice de
su informe.
Suponga que las ventas en enero del cuarto ao fueron de 295 000 dlares.
Cul fue su error de pronstico? Si es grande, Karen se quedar confundida
por la diferencia entre su pronstico y el valor real de las ventas. Qu puede
hacer para resolver la incertidumbre en el procedimiento de pronstico?
Biol.
280
199
199
199
199
200
Biol.
281
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembr
Octubre
Biol.
282
Apndice
Tablas
Biol.
283
Distribucin T de Student
Grados
0,25
0,2
de
0,01
libertad
1
1,000
1,376
31,821
63,656
2,920
4,303
1,250
0,741
3,747
0,727
0,920
3,365
4,032
1,943
2,447
10
1,119
11
0,706
12
2,896
13
0,703
14
2,821
15
0,700
16
2,764
17
0,697
18
2,718
19
0,695
20
2,681
0,15
0,1
0,05
0,025
1,963
3,078
6,314
12,706
1,061
1,386
1,886
0,765
0,978
0,005
1,638
0,816
6,965
2,353
0,941
9,925
3,182
4,541
5,841
1,190
1,533
2,132
2,776
1,156
1,476
2,015
2,571
1,134
1,440
0,711
0,896
4,604
1,415
0,718
0,906
3,143
1,895
0,889
3,707
2,365
2,998
3,499
1,108
1,397
1,860
2,306
1,100
1,383
1,833
2,262
1,093
1,372
1,812
2,228
1,088
1,363
1,796
2,201
1,083
1,356
1,782
2,179
3,355
0,883
3,250
0,879
3,169
0,876
3,106
0,873
3,055
Biol.
284
21
0,694
22
2,650
23
0,692
24
2,624
25
0,691
0,866
26
2,602
2,947
27
1,746
2,120
28
1,069
29
0,688
30
2,552
0,688
2,539
0,687
2,528
0,686
2,518
0,686
2,508
0,870
0,868
1,333
2,467
0,683
2,462
0,683
2,457
1,761
2,145
1,074
1,341
1,753
2,131
1,071
1,337
0,689
0,863
0,865
1,740
2,921
2,110
2,567
2,898
1,067
1,330
1,734
2,101
1,066
1,328
1,729
2,093
1,064
1,325
1,725
2,086
1,063
1,323
1,721
2,080
1,061
1,321
1,717
2,074
1,060
1,319
1,714
2,069
1,059
1,318
0,684
0,856
2,861
0,860
2,845
0,859
2,831
0,858
2,819
2,064
0,683
1,345
2,583
0,861
1,711
2,473
1,076
2,878
2,807
0,684
2,160
0,690
0,862
2,500
2,479
1,771
2,977
0,858
0,684
1,350
3,012
0,685
1,058
1,079
1,316
0,685
0,857
2,492
1,708
0,856
2,797
2,060
2,485
2,787
1,058
1,315
1,706
2,056
1,057
1,314
1,703
2,052
1,056
1,313
1,701
2,048
1,055
1,311
1,699
2,045
1,055
1,310
1,697
2,042
2,779
0,855
2,771
0,855
2,763
0,854
2,756
0,854
2,750
Biol.
285
0.00
0.07
0.01
0.08
0.02
0.03
0.04
0.05
0.06
0.09
Biol.
286
0.
0.0000
0.0279
0.
0.0398
0.0675
0.
0.0793
0.1064
0.
0.1179
0.1443
0.
0.1915
0.2157
0.
0.1915
0.2157
0.
0.2257
0.2486
0.
0.2580
0.2794
0.
0.2881
0.3078
0.
0.3159
0.3340
1.
0.3413
0.3577
1.
0.3643
0.3790
1.
0.3849
3.3980
1.
0.4032
0.4147
1.
0.4192
0.4292
1.
0.4332
0.4418
0.0040
0.0319
0.0438
0.0714
0.0832
0.1103
0.1217
0.1480
0.1850
0.2190
0.1950
0.2190
0.2291
0.2518
0.2612
0.2823
0.2910
0.3106
0.3186
0.3365
0.3438
0.3599
0.3665
0.3810
0.3869
0.3997
0.4049
0.4162
0.4207
0.4306
0.4345
0.4429
0.0080
0.0120
0.0160
0.0199
0.0239
0.0517
0.0557
0.0596
0.0636
0.0910
0.0948
0.0987
0.1026
0.1293
0.1331
0.1368
0.1406
0.2019
0.2054
0.2088
0.2123
0.2019
0.2054
0.2088
0.2123
0.2357
0.2389
0.2422
0.2454
0.2673
0.2704
0.2734
0.2764
0.2967
0.2995
0.3023
0.3051
0.3238
0.3264
0.3289
0.3315
0.3485
0.3508
0.3531
0.3554
0.3708
0.3729
0.3749
0.3770
0.3907
0.3925
0.3944
0.3962
0.4082
0.4099
0.4115
0.4131
0.4236
0.4251
0.4265
0.4279
0.4370
0.4382
0.4394
0.4406
0.0359
0.0478
0.0753
0.0871
0.1141
0.1255
0.1517
0.1985
0.2224
0.1985
0.2224
0.2324
0.2549
0.2642
0.2852
0.2939
0.3133
0.3212
0.3389
0.3461
0.3621
0.3686
0.3830
0.3888
0.4015
0.4066
0.4177
0.4222
0.4319
0.4357
0.4441
Biol.
287
1.
0.4452
0.4525
1.
0.4554
0.4616
1.
0.4641
0.4693
1.
0.4713
0.4756
2.
0.4772
0.4808
2.
0.4821
0.4850
2.
0.4861
0.4884
2.
0.4893
0.4911
2.
0.4918
0.4932
2.
0.4938
0.4949
2.
0.4953
0.4962
2.
0.4956
0.4972
2.
0.4974
0.4979
2.
0.4981
0.4985
3.
0.4986
0.4989
3.
0.4990
0.4463
0.4535
0.4564
0.4625
0.4649
0.4699
0.4719
0.4761
0.4778
0.4812
0.4826
0.4854
0.4864
0.4887
0.4896
0.4913
0.4920
0.4934
0.4940
0.4951
0.4955
0.4963
0.4966
0.4973
0.4975
0.4980
0.4982
0.4986
0.4986
0.4989
0.4990
0.4474
0.4484
0.4495
0.4505
0.4515
0.4582
0.4591
0.4599
0.4608
0.4664
0.4671
0.4678
0.4686
0.4732
0.4738
0.4744
0.4750
0.4788
0.4793
0.4798
0.4803
0.4834
0.4838
0.4842
0.4846
0.4871
0.4875
0.4878
0.4881
0.4901
0.4904
0.4906
0.4909
0.4925
0.4927
0.4929
0.4931
0.4943
0.4945
0.4946
0.4948
0.4957
0.4959
0.4960
0.4961
0.4968
0.4969
0.4970
0.4971
0.4977
0.4977
0.4978
0.4979
0.4983
0.4984
0.4984
0.4985
0.4987
0.4988
0.4988
0.4988
0.4991
0.4991
0.4991
0.4992
0.4545
0.4573
0.4633
0.4656
0.4706
0.4726
0.4767
0.4783
0.4817
0.4830
0.4857
0.4868
0.4890
0.4898
0.4916
0.4922
0.4936
0.4941
0.4952
0.4956
0.4964
0.4967
0.4974
0.4976
0.4981
0.4982
0.4986
0.4987
0.4990
0.4991
Biol.
288
0.4992
3.
0.4993
0.4994
3.
0.4995
0.4996
3.
0.4996
0.4997
3.
0.4997
0.4998
3.
0.4998
0.4998
3.
0.4998
0.4999
3.
0.4999
0.4999
3.
0.4999
0.4999
0.4992
0.4993
0.4994
0.4995
0.4996
0.4996
0.4997
0.4997
0.4998
0.4998
0.4998
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4992
0.4993
0.4993
0.4994
0.4994
0.4994
0.4995
0.4995
0.4996
0.4996
0.4997
0.4997
0.4997
0.4997
0.4997
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4998
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
0.4995
0.4995
0.4996
0.4996
0.4997
0.4997
0.4998
0.4998
0.4998
0.4999
0.4999
0.4999
0.4999
0.4999
0.4999
Biol.
289
0.00
0.08
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.09
Biol.
290
0.0 0.5000
0.5039
0.5079
0.5119
0.5159
0.5199
0.5239
0.5279
0.1 0.5318
0.5358
0.2 0.5398
0.5437 0.5477
0.5517
0.5556
0.5596
0.5635
0.5674
0.3 0.5714
0.5753
0.4 0.5792
0.5831 0.5870
0.5909
0.5948
0.5987
0.6025
0.6064
0.5 0.6102
0.6140
0.6 0.6179
0.6217 0.6255
0.6293
0.6330
0.6368
0.6405
0.6443
0.7 0.6480
0.6517
0.8 0.6554
0.6590 0.6627
0.6664
0.6700
0.6736
0.6772
0.6808
0.9 0.6843
0.6879
1.0 0.6914
0.6949 0.6984
0.7019
0.7054
0.7088
0.7122
0.7156
1.1 0.7190
0.7224
1.2 0.7257
0.7290 0.7323
0.7356
0.7389
0.7421
0.7453
0.7485
1.3 0.7517
0.7549
1.4 0.7580
0.7611 0.7642
0.7673
0.7703
0.7733
0.7763
0.7793
1.5 0.7823
0.7852
1.6 0.7881
0.7910 0.7938
0.7967
0.7995
0.8023
0.8051
0.8078
1.7 0.8105
0.8132
1.8 0.8159
0.8185 0.8212
0.8238
0.8263
0.8289
0.8314
0.8339
1.9 0.8364
0.8389
2.0 0.8413
0.8437 0.8461
0.8484
0.8508
0.8531
0.8554
0.8576
2.1 0.8599
0.8621
2.2 0.8643
0.8665 0.8686
0.8707
0.8728
0.8749
0.8769
0.8790
2.3 0.8810
0.8829
2.4 0.8849
0.8868 0.8887
0.8906
0.8925
0.8943
0.8961
0.8979
2.5 0.8997
0.9014
2.6 0.9032
0.9049
0.9065
0.9082
0.9098
0.9114
0.9130
0.9146
2.7 0.9162
0.9177
2.8 0.9192
0.9207 0.9221
0.9236
0.9250
0.9264
0.9278
0.9292
2.9 0.9305
0.9318
3.0 0.9331
0.9344 0.9357
0.9369
0.9382
0.9394
0.9406
0.9417
0.9484
0.9494
0.9505
0.9515
0.9525
0.9429
0.9440
0.9452
0.9463 0.9473
0.9535
0.9544
Biol.
291
0.9554
0.9563 0.9572
0.9581
0.9590
0.9599
0.9607
0.9616
0.9624
0.9632
0.9640
0.9648 0.9656
0.9663
0.9671
0.9678
0.9685
0.9692
0.9699
0.9706
0.9712
0.9719 0.9725
0.9731
0.9738
0.9744
0.9750
0.9755
0.9761
0.9767
0.9772
0.9777 0.9783
0.9788
0.9793
0.9798
0.9803
0.9807
0.9812
0.9816
0.9821
0.9825 0.9829
0.9834
0.9838
0.9842
0.9846
0.9849
0.9853
0.9857
0.9860
0.9864 0.9867
0.9871
0.9874
0.9877
0.9880
0.9883
0.9886
0.9889
0.9892
0.9895
0.9898
0.9900
0.9903
0.9906
0.9908
0.9911
0.9913
0.9915
0.9918
0.9920 0.9922
0.9924
0.9926
0.9928
0.9930
0.9932
0.9934
0.9936
0.9937
0.9939 0.9941
0.9942
0.9944
0.9946
0.9947
0.9949
0.9950
0.9952
0.9953
0.9954 0.9956
0.9957
0.9958
0.9959
0.9960
0.9962
0.9963
0.9964
0.9965
0.9966 0.9967
0.9968
0.9969
0.9970
0.9971
0.9971
0.9972
0.9973 0.9974
0.9975
0.9977
0.9978
0.9978
0.9979
0.9980
0.9981
0.9981 0.9982
0.9985
0.9986
0.9986
0.9986 0.9987
0.9989
0.9990
0.9975
0.9976
0.9980
0.9983
0.9983
0.9984
0.9984
0.9985
0.9987
0.9988
0.9988
0.9988
0.9989
Biol.
292
0.010
0.900
0.950
0.975
0.990
0.995
1
0.000039 0.000157 0.000982 0.003932 0.0158
2.71
3.84
5.02
6.63
0.0100
9.21
0.0717 0.11
0.0201
0.025
0.050
0.100
7.88
0.0506
0.10
0.21
4.61
5.99
7.38
7.81
9.35
10.60
11.34
12.84
0.21
0.30
13.28
14.86
0.41
0.55
0.22
0.35
0.58
6.25
0.48
0.71
1.06
7.78
9.49
11.14
0.83
1.15
1.61
9.24
11.07
12.83
1.24
1.64
2.20
10.64
12.59
14.45
1.69
2.17
2.83
12.02
14.07
16.01
2.18
2.73
3.49
13.36
15.51
17.53
2.70
3.33
4.17
14.68
16.92
19.02
3.25
3.94
4.87
15.99
18.31
20.48
3.82
4.57
5.58
17.28
19.68
21.92
4.40
5.23
6.30
18.55
GRADOS DE LIBERTAD
15.09
16.75
0.68
0.87
16.81
18.55
1
0
1
0.99
1.24
18.48
1.34
1.65
20.09
21.95
1.73
2.09
21.67
23.59
2.16
2.56
23.21
25.19
2.60
3.05
24.72
26.76
3.07
3.57
26.22
28.30
20.28
1
5
21.03
23.34
Biol.
293
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3.57
4.11
27.69
29.82
4.07
4.66
29.14
31.32
4.60
5.23
30.58
32.80
5.14
5.81
32.00
34.27
5.70
6.41
33.41
35.72
6.26
7.01
34.81
37.16
6.84
7.63
36.19
38.58
7.43
8.26
37.57
40.00
8.03
8.90
38.93
41.40
8.64
9.54
40.29
42.80
9.26
10.20
41.64
44.18
9.89
10.86
42.98
45.56
10.52
11.52
44.31
46.93
11.16
45.64
11.81
46.96
12.20
5.01
5.89
7.04
19.81
22.36
24.74
5.63
6.57
7.79
21.06
23.68
26.12
6.26
7.26
8.55
22.31
25.00
27.49
6.91
7.96
9.31
23.54
26.30
28.85
7.56
8.67
10.09
24.77
27.59
30.19
8.23
9.39
10.86
25.99
28.87
31.53
8.91
10.12
11.65
27.20
30.14
32.85
9.59
10.85
12.44
28.41
31.41
34.17
10.28
11.59
13.24
29.62
32.67
35.48
10.98
12.34
14.04
30.81
33.92
36.78
11.69
13.09
14.85
32.01
35.17
38.08
12.40
13.85
15.66
33.20
36.42
39.36
13.12
14.61
16.47
34.38
37.65
40.65
13.84
15.38
17.29
35.56
38.89
41.92
14.57
16.15
18.11
36.74
40.11
43.19
48.29
12.88
49.64
Biol.
294
12.46
13.56
48.28
50.99
13.12
14.26
49.59
52.34
13.79
14.95
50.89
53.67
15.31
16.93
18.94
37.92
41.34
44.46
16.05
17.71
19.77
39.09
42.56
45.72
16.79
18.49
20.60
40.26
43.77
46.98
Biol.
295
10
Biol.
296
60.19
8.53
9.39
R
A
D
3 5.54
4
9.00
9.16
9.24
9.29
9.33
9.35
9.37
9.38
5.46
5.39
5.34
5.31
5.28
5.27
5.25
5.24
3.98
3.95
5.23 4.54
4.32
4.19
4.11
4.05
4.01
3.94
3.92
4.06
3.78
3.62
3.52
3.45
3.40
3.37
3.34
3.32
3.46
3.29
3.18
3.11
3.05
3.01
2.98
2.96
2.83
2.78
2.75
2.62
2.59
2.56
2.55
2.51
2.47
S 3.30
6
7
3.78
D 2.94 3.59
E 2.72
2.70
10 3.46
3.11
L
I
2.54 3.36
3.26
2.92
3.01
3.07
2.81
2.81
2.96
2.73
2.69
2.88
2.67
2.61
11 2.44
2.42
B 3.29
2.92
2.73
2.61
2.52
2.46
2.41
2.38
2.35
2.86
2.66
2.54
2.45
2.39
2.34
2.30
2.27
2.28
2.24
2.20
2.16
2.19
2.15
12
2.32
E
13
3.23
R 2.25 3.18
14
2.21
2.19
15 3.14
2.76
2.14 3.10
2.81
2.56
2.73
2.61
2.43
2.52
2.48
2.35
2.39
2.39
2.28
2.31
2.33
2.23
2.24
D 2.12
2.10
16
3.07
2.70
2.49
2.36
2.27
2.21
2.16
2.12
2.09
17
2.06
2.67
2.46
2.33
2.24
2.18
2.13
2.09
2.06
2.15
2.10
2.06
2.08
2.04
2.00
D
E 3.05
L
20 2.03 3.03
2.03
2.00
D 3.01
2.62
2.64
2.42
2.44
2.29
2.31
2.20
2.22
2.13
Biol.
297
E 1.98 2.99
2.61
2.40
2.27
2.18
2.11
2.06
2.02
N 1.98
1.96
O 2.97
2.59
2.38
2.25
2.16
2.09
2.04
2.00
1.96
2.57
2.36
2.23
2.14
2.08
2.02
1.98
1.95
M 25 1.94
I
A
26 2.96
D 1.92 2.95
27
1.93
1.90
O 2.94
2.55
28
1.89 2.93
2.56
2.34
2.54
2.35
2.21
2.33
2.22
2.13
2.06
2.01
1.97
2.11
2.05
1.99
1.95
1.92
1.98
1.94
2.19
2.10
2.04
R 1.91
1.88
2.92
2.53
2.32
2.18
2.09
2.02
1.97
1.93
1.89
2.52
2.31
2.17
2.08
2.01
1.96
1.92
1.88
2.51
2.30
2.17
2.07
2.00
1.95
1.91
1.87
2.00
1.94
1.90
29
3
1.87
0
40 2.91
60 1.86
90 2.90
2.50
2.29
2.16
2.06
1.87
1.84
2.89
2.50
2.28
2.15
2.06
1.99
1.93
1.89
1.86
2.49
2.28
2.14
2.05
1.98
1.93
1.88
1.85
2.44
2.23
2.09
2.00
1.93
1.87
1.83
1.79
2.39
2.18
2.04
1.95
1.87
1.82
1.77
1.74
1.78
1.74
1.72
1.68
1.83
2.88
1.82
2.84
1.76
2.79
1.71 2.76
1.70
1.67
2.75
2.35
2.36
2.13
2.15
1.99
2.01
1.90
1.91
1.82
1.84
1.77
1.65
Biol.
298
10
Biol.
299
240.54
241.88
18.51
19.00
19.38
19.40
R
A
D
3 10.13
4
19.16
19.25
19.30
19.33
236.77 238.88
19.35
19.37
9.55
9.28
9.12
9.01
8.94
8.89
8.85
8.81
6.94
6.59
6.39
6.26
6.16
6.09
6.04
6.00
5.79
5.41
5.19
5.05
4.95
4.88
4.82
4.77
5.14
4.76
4.53
4.39
4.28
4.21
4.15
4.10
4.74
4.35
4.12
3.97
3.87
3.79
3.73
3.68
4.46
4.07
3.84
3.69
3.58
3.50
8.79
7.71
5.96
S 6.61
4.74
7
D 5.99
E 4.06
10 5.59
L
3.64
11 5.32
B 3.35 5.12
3.18
3.14
E 4.96
4.10
12
4.26
3.71
3.86
3.63
3.48
3.37
3.44
3.39
3.29
3.23
3.48
3.33
3.22
3.14
3.07
3.02
3.36
3.20
3.09
3.01
2.95
2.90
2.91
2.85
2.77
2.71
2.76
2.70
2.64
2.59
2.98
13
R
14
4.84
3.98
15 2.85 4.75
2.80
2.75
D 4.67
3.81
16
2.67 4.60
17
2.65
2.60
D 4.54
3.68
3.59
3.89
3.41
3.74
3.29
3.49
3.18
3.34
3.06
3.26
3.03
3.11
2.90
3.11
2.92
2.96
2.79
3.00
2.83
2.85
2.71
E 2.54
L
20
4.49
3.63
D 2.49 4.45
3.24
3.59
3.01
3.20
2.85
2.96
2.74
2.81
2.66
2.70
2.59
2.54
2.61
2.55
Biol.
300
E 2.49
2.45
N 4.41
3.55
O 2.41 4.38
3.16
3.52
2.93
3.13
2.77
2.90
2.66
2.74
2.58
2.63
2.51
2.54
2.46
2.48
M 25 2.42
2.38
3.49
3.10
2.87
2.71
2.60
2.51
2.45
2.39
3.47
3.07
2.84
2.68
2.57
2.49
2.42
2.37
2.46
2.40
2.37
2.32
2.42
2.36
4.35
26 2.35
D
27
4.32
O 2.32 4.30
28
2.34
2.30
R 4.28
3.42
29
2.27 4.26
3
3.44
3.03
3.40
3.05
2.80
3.01
2.82
2.64
2.78
2.66
2.53
2.62
2.55
2.44
2.51
2.30
2.25
4.24
3.39
2.99
2.76
2.60
2.49
2.40
2.34
2.28
3.37
2.98
2.74
2.59
2.47
2.39
2.32
2.27
2.37
2.31
2.29
2.24
2.35
2.28
40 2.24
60
90 4.23
2.20
4.20
3.34
2.19 4.18
3.35
2.95
3.33
2.96
2.71
2.93
2.73
2.56
2.70
2.57
2.45
2.55
2.46
2.36
2.43
2.22
2.18
4.17
3.32
2.92
2.69
2.53
2.42
2.33
2.27
2.21
3.23
2.84
2.61
2.45
2.34
2.25
2.18
2.12
2.17
2.10
2.16
4.08
2.08 4.00
3.15
2.76
2.53
2.37
2.25
2.04
1.99
3.95
3.10
2.71
2.47
2.32
2.20
2.11
2.04
1.99
3.07
2.68
2.45
2.29
2.18
2.09
2.02
1.96
1.94
3.92
1.91
Instituto Tecnolgico de Ensenada
Ral Jimnez Gonzlez
Biol.
301
Biol.
302
5000 5403
5625
5764
5859
5928
5981
6022
99.37
99.39
10
1
4052
6056
99.40
27.49
27.35
27.23 21.20
15.21
14.98
14.80
14.66
10.29
10.16
10.05
O
S
10
L
13.75
16.69
15.98 15.52
14.55
10.92
9.78
9.15
8.75
8.47
8.26
8.10
7.98
7.87
11
12.25
12
6.62
13
11.26
14
5.81 10.56
15
5.35
A
D
18.00
10.04
16
9.55
8.45
7.85
7.46
7.19
6.99
6.84
6.72
8.65
7.59
7.01
6.63
6.37
6.18
6.03
5.91
5.61
5.47
8.02
6.99
6.42
6.06
5.80
5.99
5.64
5.39
5.20
5.06
4.94
5.67
5.32
5.07
4.89
4.74
4.63
5.26
7.56
6.55
4.85
17
D
18
9.65
19
4.54 9.33
20
4.39
4.30
9.07
6.70
7.21
21
4.10 8.86
22
4.03
3.94
23
8.68
6.36
24
3.80
6.22
6.93
5.74
6.51
5.42
5.95
5.21
5.56
4.89
5.41
4.86
5.04
4.56
5.06
4.62
4.69
4.32
4.82
4.44
4.46
4.14
4.64
4.30
4.28
4.00
4.50
4.19
4.14
3.89
Biol.
303
25
8.53
6.23
5.29
3.78
3.93
3.79
3.71
3.60
27
3.68
3.59
28
8.29
6.01
29
3.51 8.18
30
3.52
3.43
8.10
5.85
4.94
4.43
4.10
3.87
3.70
3.56
3.46
5.78
4.87
4.37
4.04
3.81
3.64
3.51
3.40
5.93
5.01
4.50
4.01
4.17
4.10
3.89
4.25
4.34
4.03
3.69 8.40
4.58
4.67
4.20
26
5.09
5.18
4.44
40
6.11
4.77
3.84
3.94
3.77
3.63
3.37
60
90
8.02
3.26
7.88
5.66
3.21 7.82
5.72
4.76
5.61
4.82
4.26
4.72
4.31
3.94
4.22
3.99
3.71
3.90
3.76
3.54
3.67
3.59
3.41
3.45
3.30
3.50
3.36
3.26
3.17
7.77
5.57
4.68
4.18
3.85
3.63
3.46
3.32
3.22
5.53
4.64
4.14
3.82
3.59
3.42
3.29
3.18
5.49
4.60
4.11
3.78
3.56
3.39
3.26
3.15
3.36
3.23
3.13
7.72
3.09
7.68
3.06 7.64
5.45
4.57
4.07
3.75
3.53
3.12
3.03
7.60
5.42
4.54
4.04
3.73
3.50
3.33
3.20
3.09
5.39
4.51
4.02
3.70
3.47
3.30
3.17
3.07
5.18
4.31
3.83
3.51
3.29
3.12
2.99
2.89
4.98
4.13
3.65
3.34
3.12
2.95
2.82
2.72
3.00
7.56
2.98
7.31
2.80
7.08
Biol.
304
2.63 6.93
2.61
2.52
6.85
4.79
4.85
3.95
4.01
3.48
3.53
3.17
3.23
2.96
3.01
2.84
2.72
2.79
2.66
2.56
2.47
Biol.
305
Bibliografa
GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edicin. Anlisis y
Diseo