Professional Documents
Culture Documents
Contenido
Introducción: ..................................................................................... 3
Unidad 1: Regresión lineal simple y múltiple ................................... 5
1.1 Regresión Lineal simple .................................................................. 6
1.1.1 Prueba de hipótesis en la regresión lineal simple. .......................... 14
1.1.2 Calidad del ajuste en regresión lineal simple ................................. 17
1.1.3 Estimación y predicción por intervalo en regresión lineal simple ...... 22
1.1.4 Uso de un software estadístico .................................................... 24
1.2 Regresión lineal múltiple ............................................................... 27
1.2.1 Pruebas de hipótesis en regresión lineal múltiple ........................... 32
1.2.2 Intervalos de confianza y predicción en regresión múltiple .............. 34
1.2.3 Uso de un software estadístico .................................................... 35
Unidad 2: Diseño de experimentos de un factor.............................. 38
2.1 Familia de diseños para comparar tratamientos................................ 41
2.2 El modelo de efectos fijos .............................................................. 42
2.3 Diseño completamente aleatorio y ANOVA ....................................... 43
2.4 Comparaciones o pruebas de rangos múltiples ................................. 50
2.5 Verificación de los supuestos del Modelo ......................................... 53
2.6 Uso de un software estadístico ....................................................... 55
Unidad 3: Diseño de bloques........................................................... 60
3.1 Diseños en bloques completos al azar ............................................. 61
3.2 Diseño en cuadrado latino ............................................................. 64
3.3 Diseño en cuadrado grecolatino ..................................................... 71
3.4 Uso de un software estadístico ....................................................... 72
Unidad 4: Conceptos básicos en diseños factoriales ....................... 76
4.1 Diseños factoriales con dos factores ............................................... 78
4.2 Diseños factoriales con tres factores ............................................... 81
4.3 Diseño factorial general ................................................................ 83
4.4 Modelos de efectos aleatorios ........................................................ 87
4.5 Uso de un software estadístico ....................................................... 89
Unidad 5: Series de tiempo ............................................................. 93
5.1 Modelo clásico de series de tiempo ................................................. 94
5.2 Análisis de fluctuaciones ............................................................... 98
5.3 Análisis de tendencia .................................................................. 100
1
Estadística Inferencial 2
2
Estadística Inferencial 2
Introducción:
3
Estadística Inferencial 2
Para poder estudiar de manera en que influye cada factor sobre una variable
de respuesta, es necesario elegir al menos dos niveles de prueba para cada
uno de ellos
4
Estadística Inferencial 2
Unidad 1:
Regresión lineal
simple y
múltiple
5
Estadística Inferencial 2
6
Estadística Inferencial 2
𝑦 = 𝐹(𝑥)
𝑦 = 𝐵1 + 𝐵2 𝑋
Dado que las relaciones en las ciencias sociales no son exactas se incluye el
término de perturbación aleatoria
𝑦 = 𝛽1 + 𝛽 2 𝑋 + 𝑈
𝑌1 = 𝛽1 + 𝛽 2 𝑋1 + 𝑈1
𝑌2 = 𝛽1 + 𝛽2 𝑋2 + 𝑈2
𝑌𝑛 = 𝐵1 + 𝐵2 𝑋𝑛 + 𝑈𝑛
𝑌 𝑡 = 𝐵1 + 𝐵2 𝑋 𝑡 + 𝑈𝑡
𝑇 = 1,2,3 … … … … . 𝑡
7
Estadística Inferencial 2
8
Estadística Inferencial 2
9
Estadística Inferencial 2
10
Estadística Inferencial 2
𝑌 = 𝛽0 + 𝛽1 𝑥 + 𝜀
Donde 𝜀 es un error aleatorio con media cero y varianza 𝜎 2 . También suponga
que los errores aleatorios no están correlacionados. La ecuación es conocida
como el modelo de regresión lineal simple. Bajo el supuesto de que este
modelo es adecuado y como el valor esperado del error es cero 𝐸(𝜀) = 0, se
puede ver que el valor esperado de la variable Y, para cada valor de está
dado por línea recta.
𝐸(𝑌⁄𝑋) = 𝛽0 + 𝛽1 𝑋
𝑖=1 𝑖=1
11
Estadística Inferencial 2
𝑛
𝜕𝑆 2
= − ∑ 2𝑥𝑖 [ 𝑦𝑖 − (𝛽0 + 𝛽1 𝑥𝑖 )]
𝜕𝛽1
𝑖=1
𝑆𝑥𝑦
𝛽̂1 =
𝑆𝑥𝑥
𝛽̂0 = 𝑦̅ − 𝛽̂1 𝑥̅
Donde
𝑛 𝑛
(𝑥𝑖 − 𝑥̅ ) (∑𝑛𝑖=1 𝑥𝑖 ) (∑𝑛𝑖=1 𝑦𝑖 )
𝑆𝑥𝑦 =∑ ∑ 𝑥𝑖 𝑦𝑖 −
(𝑦1 − 𝑦̅) = 𝑛
𝑖=1 𝑖=1
𝑛 𝑛 2
(∑𝑛𝑖=1 𝑥𝑖 )
𝑆𝑥𝑥 = ∑(𝑥𝑖 − 𝑥̅ )2 = ∑ 𝑥𝑖 2 −
𝑛
𝑖=1 𝑖=1
∑𝑛𝑖=1 𝑥𝑖
𝑥̅ =
𝑛
∑𝑛𝑖=1 𝑦𝑖
𝑦̅ =
𝑛
Ejemplo:
12
Estadística Inferencial 2
Procedimiento para realizar los cálculos para la regresión simple para los
datos de la resistencia de la pulpa.
𝑛
(∑𝑛𝑖=1 𝑥𝑖 ) (∑𝑛𝑖=1 𝑦𝑖 ) (238)(2216)
𝑆𝑥𝑦 = ∑ 𝑥𝑖 𝑦𝑖 − = 39150 − = 1478
𝑛 14
𝑖=1
𝑛 2
2
(∑𝑛𝑖=1 𝑥𝑖 ) (238)2
𝑆𝑥𝑥 = ∑ 𝑥𝑖 − = 4956 − = 910
𝑛 14
𝑖=1
13
Estadística Inferencial 2
𝑆𝑥𝑦 1478
𝛽̂1 = = = 1.624
𝑆𝑥𝑥 910
Por lo tanto, la línea recta que mejor explica la relación entre porcentaje de
fibra y resistencia del papel, está dada por:
𝑌̂ = 𝛽0 + 𝛽1 𝑥 = 130.678 + 1.624𝑥
𝐸(𝑆𝐶𝐸 ) = (𝑛 − 2)𝜎 2
(𝑆𝐶𝐸 )
𝜎2 = = 𝐶𝑀𝐸
𝑛−2
𝛽1 1.624
𝑡0 = = = 12.725
√𝐶𝑀𝐸 /𝑆𝑋𝑋 √14.82/910
15
Estadística Inferencial 2
Por otro lado, con respecto del parámetro suele ser de interés probar la
siguiente hipótesis:
𝐻0 : 𝛽0 = 0
𝐻𝐴 : 𝛽0 ≠ 0
El cual tiene una distribución t-Student con n-2 grados de libertad, por lo que
𝐻0 se rechaza si:
|𝑡0 | > 𝑡(𝛼⁄
2,𝑛−2)
o si se utiliza el criterio de la significancia observada se rechaza 𝐻0 si el valor-
p. No rechazar 𝛽0 = 0 que simplemente significa que el punto de corte de la
línea recta pasa por el origen, es decir pasa por (0,0). En ocasiones, en lugar
de probar que 𝛽0 = 0 , puede ser de interés probar que es igual a cierta
constante (𝐻0 : 𝛽0 = 𝑐) ; en ese caso, en el numerador del estadístico de la
expresión se resta c, es decir, el estadístico queda de la siguiente manera:
𝛽̂0 − 𝑐
𝑡0 =
1 𝑥̅ 2
√𝐶𝑀𝐸 [ +
𝑛 𝑆𝑥𝑥 ]
Y el criterio de rechazo es el mismo.
17
Estadística Inferencial 2
𝑆𝐶𝑅
𝑅2 =
𝑆𝑦𝑦
𝑛 2
2
(∑𝑛𝑖=𝑛 𝑦) 22162
𝑆𝑦𝑦 = ∑ 𝑦𝑖 − = 353342 − = 2580.857
𝑛 14
𝑖=𝑛
𝑆𝐶𝑅 2400.272
𝑅2 = = = 0.93
𝑆𝑦𝑦 2580.857
18
Estadística Inferencial 2
19
Estadística Inferencial 2
2
Se cumple que 0 < 𝑅𝑎𝑗 ≤ 𝑅 2 ≤ 1. En general, para fines de predicción se
recomienda un coeficiente de determinación ajustado de al menos 0,7.
En el caso de los datos de la resistencia de la pulpa, el coeficiente de
determinación ajustado está dado por:
𝑆𝑦𝑦 2580.6
𝐶𝑀𝑇𝑜𝑡𝑎𝑙 = = = 198.507
𝑛 − 1 14 − 1
𝐶𝑀𝐸 180.32
𝐶𝑀𝐸 = = = 15.026
𝑛 − 2 14 − 2
2
𝐶𝑀𝑇𝑜𝑡𝑎𝑙 − 𝐶𝑀𝐸 198.501 − 15.026
𝑅𝑎𝑗 = = = 0.9243
𝐶𝑀𝑇𝑜𝑡𝑎𝑙 198.501
𝑛
(∑𝑛𝑖=1 𝑥𝑖 ) (∑𝑛𝑖=1 𝑦𝑖 ) (238)(2216)
𝑆𝑥𝑦 = ∑ 𝑥𝑖 𝑦𝑖 − = 39150 − = 1478
𝑛 14
𝑖=1
𝑛 2
(∑𝑛𝑖=1 𝑥𝑖 )
2
(238)2
𝑆𝑥𝑥 = ∑ 𝑥𝑖 − = 4956 − = 910
𝑛 14
𝑖=1
𝑛 2
(∑𝑛𝑖=𝑛 𝑦) 22162
𝑆𝑦𝑦 = ∑ 𝑦𝑖 2 − = 353342 − = 2580.857
𝑛 14
𝑖=𝑛
𝑆𝑥𝑦 1478
𝑟= = = 0.9644
√𝑆𝑥𝑥 𝑆𝑦𝑦 √(910)(2580.857)
20
Estadística Inferencial 2
Error estándar de estimación 𝜎̂: Una medición sobre la calidad del ajuste de
un modelo lo da el error estándar de estimación, que es una estimación de la
desviación estándar del error 𝜎. En el caso de la regresión lineal simple, está
dado por:
𝑆𝐶𝐸
𝜎̂ = √
𝑛−2
𝑆𝐶𝐸 180.32
𝜎̂ = √ = √ = 3.876
𝑛−2 14 − 2
Es claro que a medida que el modelo ajuste mejor, la 𝑆𝐶𝐸 será menor y en
consecuencia el error estándar de estimación también será menor.
21
Estadística Inferencial 2
𝑌̂ = 𝛽̂0 + 𝛽̂1
Además de esto, en ocasiones es de interés obtener una estimación por
intervalos para 𝑦̅ a partir de cualquier valor de X, para lo cual aplicamos la
siguiente ecuación:
1 (𝑥0 − 𝑥̅ )2 𝑦 1 (𝑥0 − 𝑥̅ )2
𝑦̂0 − 𝑡(𝛼 √𝐶𝑀𝐸 [ + ] ≤ 𝐸( ⁄𝑥 ) ≤ 𝑦
̂0 + 𝑡 𝛼 √𝐶𝑀𝐸 [ + ]
⁄2,𝑛−2) 𝑛 𝑆𝑥𝑥 0 ( ⁄2,𝑛−2) 𝑛 𝑆𝑥𝑥
22
Estadística Inferencial 2
150.158 ± 2.656
𝜎2
𝛽̂1 − 𝑡(𝛼 √ ≤ 𝛽1 ≤ 𝛽̂1 + 𝑡(𝛼
⁄2,𝑛−2) 𝑆𝑥𝑥 ⁄2,𝑛−2)
1 𝑥̅ 2 1 𝑥̅ 2
𝛽̂0 − 𝑡(𝛼 √𝜎 2[ + ] ≤ 𝛽0 ≤ ̂0 + 𝑡 𝛼
𝛽 √𝜎 2[ + ]
⁄2,𝑛−2) 𝑛 𝑆𝑥𝑥 ( ⁄2,𝑛−2) 𝑛 𝑆𝑥𝑥
𝜎2 (3.876)2
𝛽̂1 − 𝑡(𝛼 √ = 1.624 ± 2.179√ = 1.624 ± 0.279
⁄2,𝑛−2) 𝑆𝑥𝑥 910
1.345 ≤ 𝛽0 ≤ 1.903
Por lo que pendiente de forma puntual es 1.624 y por intervalos con un 95%
de nivel de confianza tenemos que esta se encuentra entre 1.345 y 1.903
23
Estadística Inferencial 2
1.- En la hoja de cálculo de Excel (pantalla principal) hacer clic con el puntero
en el símbolo del sistema localizado en el extremo superior izquierdo
24
Estadística Inferencial 2
25
Estadística Inferencial 2
Activamos la casilla de rótulos, por default está indicado en una hoja nueva,
seleccionamos además cualquiera de las opciones de residuos, grafica de
residuales, y curva de regresión ajustada y aceptar
26
Estadística Inferencial 2
27
Estadística Inferencial 2
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 +, , , , +𝛽𝐾 𝑋𝐾 + 𝜀
Donde los 𝛽𝐾 son los parámetros del modelo que se conocen como
coeficientes de regresión y 𝜀 es el error aleatorio, con media cero, 𝐸(𝜀) = 0 y
𝑉(𝜀) = 𝜎 2 . Si en la ecuación anterior 𝑘 = 1, estamos en el caso de regresión
lineal simple y el modelo es una línea recta; si 𝑘 = 2 , tal ecuación representa
un plano. En general, la ecuación anterior representa un hiperplano en el
espacio k de dimensiones generado por las variables {𝑋𝑘 }.
𝑛 𝑛 𝑛 𝑛 𝑛
𝛽̂0 ∑ 𝑥𝑖1 + 𝛽̂1 ∑ 𝑥𝑖1 + 𝛽̂2 ∑ 𝑥𝑖2 … + 𝛽̂𝑘 ∑ 𝑥𝑖1 𝑥𝑖𝑘 = ∑ 𝑥𝑖1 𝑦𝑖 𝛽̂1
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛
𝛽̂0 ∑ 𝑥𝑖𝑘 + 𝛽̂1 ∑ 𝑥𝑖𝑘 𝑥𝑖1 + 𝛽̂2 ∑ 𝑥𝑖𝑘 𝑥𝑖2 … + 𝛽̂𝑘 ∑ 𝑥𝑖𝑘
2
= ∑ 𝑥𝑖𝑘 𝑦𝑖 𝛽̂2
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
Estas ecuaciones se pueden resolver para 𝛽̂0 , 𝛽̂1 y 𝛽̂2 mediante cualquier
método apropiado para resolver sistemas de ecuaciones lineales
Por ejemplo La siguiente tabla muestra los pesos Y a la libra más cercana, las
estaturas 𝑥1 a la pulgada más cercana y las edades 𝑥2 al año más cercano de
12 muchachos.
28
Estadística Inferencial 2
Para encontrar los coeficientes de regresión (𝛽̂0 , 𝛽̂1 y 𝛽̂2 ) múltiple mediante el
método de mínimos cuadrados seria de la siguiente manera
29
Estadística Inferencial 2
Resolver este sistema de tres ecuaciones lineales para 𝛽̂0 , 𝛽̂1 y 𝛽̂2 es por lo
menos tedioso. Es común emplear matrices para simplificar el proceso. Hoy
en día, esta clase de cálculos son realizados por la computadora.
El resultado sería el siguiente 𝛽̂0 = 3.6511, 𝛽̂1 = 0.8546 y 𝛽̂2 = 1.5063 por lo
tanto la ecuación de regresión es:
30
Estadística Inferencial 2
31
Estadística Inferencial 2
Resultados en Excel
32
Estadística Inferencial 2
2
𝑆𝑦𝑦 /(𝑛 − 1) − 𝐶𝑀𝐸 𝐶𝑀𝑇𝑜𝑡𝑎𝑙 − 𝐶𝑀𝐸
𝑅𝑎𝑗 = =
𝑆𝑦𝑦 /(𝑛 − 1) 𝐶𝑀𝑇𝑜𝑡𝑎𝑙
33
Estadística Inferencial 2
𝑅 = √𝑅 2
𝜎̂ = √𝑆𝐶𝐸 /(𝑛 − 𝑘 − 1)
34
Estadística Inferencial 2
35
Estadística Inferencial 2
Activamos la casilla de rótulos, por default está indicado en una hoja nueva,
seleccionamos además cualquiera de las opciones de residuos, gráfica de
residuales, y curva de regresión ajustada y aceptar y tendremos el resultado.
36
Estadística Inferencial 2
37
Estadística Inferencial 2
Unidad 2:
Diseño de
experimentos de
un factor
38
Estadística Inferencial 2
Ejemplo
En el caso de comparar varias máquinas, si cada máquina es manejada por
un operador diferente y se sabe que éste tiene una influencia en el resultado,
entonces, es claro que el factor operador debe tomarse en cuenta si se quiere
comparar a las máquinas de manera justa.
Un operador más hábil puede ver a su máquina (aunque ésta sea la peor)
como la que tiene el mejor desempeño, lo que impide una comparación
adecuada de los equipos. Para evitar este sesgo habría dos maneras de anular
el posible efecto del factor operador:
39
Estadística Inferencial 2
40
Estadística Inferencial 2
41
Estadística Inferencial 2
42
Estadística Inferencial 2
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗
Donde 𝜇 es el parámetro de escala común a todos los tratamientos, llamado
media global, 𝜏𝑖 es un parámetro que mide el efecto del tratamiento i y 𝜀𝑖𝑗 es
el error atribuible a la medición 𝑌𝑖𝑗 . Este modelo implica que en el diseño
completamente al azar actuarían a lo más dos fuentes de variabilidad: Los
tratamientos y el error aleatorio. La media global 𝜇 de la variable de
respuesta no se considera una fuente de variabilidad por ser una constante
común a todos los tratamientos, que hace las veces de punto de referencia
con respecto al cual se comparan las respuestas medias de los tratamientos.
Si la respuesta media de un tratamiento particular 𝜇𝑖 es muy diferente de la
respuesta media global , es un síntoma de que existe un efecto de dicho
tratamiento, ya que como se verá más adelante, 𝜏𝑖 = 𝜇𝑖 − 𝜇. La diferencia que
debe tener las medias entre sí para concluir que hay un efecto (que los
tratamientos son diferentes), nos lo dice el análisis de varianza (ANOVA).
En la práctica puede suceder que los tratamientos que se desea comparar
sean demasiados como para experimentar con todos. Cuando esto sucede es
conveniente comparar sólo una muestra de la población de tratamientos, de
modo que 𝜏𝑖 pasa a ser una variable aleatoria con su propia varianza 𝜎𝜏2 que
deberá estimarse a partir de los datos. En este capítulo sólo se presenta el
caso en que todos los tratamientos que se tienen se prueban, es decir, se
supone una población pequeña de tratamientos, lo cual hace posible
compararlos a todos. En este caso, el modelo dado por la ecuación se llama
modelo de efectos fijos.
43
Estadística Inferencial 2
44
Estadística Inferencial 2
𝐻1 : 𝜇𝑖 ≠ 𝜇2 ≠ 𝑝𝑎𝑟𝑎 𝑢𝑛𝑎
Nota: Primeramente explicare el cálculo manual tradicional para ANOVA,
posteriormente el simplificado y más práctico, así como su solución utilizando
un paquete computacional.
El método de ANOVA con un criterio requiere del cálculo de dos estimaciones
independientes para 𝜎 2 , la varianza poblacional común. Estas dos
estimaciones se denotan por 𝑆𝑏2 y 𝑆𝑤
2
.
𝑆𝑏 Se denomina estimación de la varianza entre muestras (Método entre)
2
𝑆𝑏2
El estadístico entonces resulta 2 y tiene una distribución muestral que sigue
𝑆𝑤
una distribución F.
𝑆2
𝐹 = 2𝑏
𝑆𝑤
∑(𝑋𝑗 − 𝑋̅𝑗 )2
𝑆𝑤2 =
𝐶(𝑛 − 1)
Donde:
𝑆𝑤2 = Estimación de la varianza muestral con el método entre.
𝑋𝑖𝑗 = i-ésimo elemento de los datos de grupo j.
𝑋̅𝑗 = media del grupo j
C = número de grupos
n = número de elementos de la muestra en cada grupo.
se multiplica por (n-1) para obtener los grados de libertad para el método
dentro.
2
Grados de libertad para 𝑆𝑤
𝑔𝑙𝑤 = 𝐶(𝑛 – 1)
Método entre. El segundo método para estimar la varianza común de la
población produce una estimación válida sólo si la hipótesis nula es cierta.
Para entender el método entre recuerde el teorema del límite central. Este
importante teorema en estadística establece que la distribución de las medias
muestrales tiende a una distribución normal conforme crece el tamaño de la
muestra, con una media 𝜇 y una desviación estándar 𝛿 √𝑛. Si el error estándar
de la media es 𝛿 √𝑛, entonces la varianza de la distribución es igual al error
estándar al cuadrado, 𝛿 2 √𝑛.
Esta varianza es una medida de las diferencias entre todas las medias
muestrales que puedan obtenerse de la distribución y la media de la
población. La raíz cuadrada de esta varianza es el error estándar de la media,
es decir, la diferencia estándar entre una media muestral y la media
poblacional.
En ANOVA, para estimar la varianza de la distribución muestral de medias,
se debe estimar primero la media poblacional. La media de todos los valores
muestrales proporciona esa estimación. Después, se determina la diferencia
entre la media de cada grupo y esta media poblacional estimada, y estas
diferencias se elevan al cuadrado y se suman. Este valor, con frecuencia se
llama la suma de cuadrados entre (SCb). Esta suma se divide entonces entre
el número adecuado de grados de libertad para obtener la estimación de la
varianza de la distribución muestral. La ecuación siguiente da el cálculo de la
estimación de la varianza de la distribución muestral de las medias:
𝑛 ∑(𝑋̅𝑖 − 𝑋̅)2
𝑆𝑏2 =
(𝐶 − 1)
Donde
𝑆𝑏2 = Estimación del método entre de la varianza poblacional común.
𝑋̅𝑖 = media del grupo i.
𝑋̅ = media global (media de todos los valores), usada como estimación de 𝜇
C = número de grupos
n = número de elementos de la muestra en cada grupo si el número de
observaciones en cada uno es el mismo.
2
Grados de libertad para 𝑆𝑏
𝑔𝑙𝑏 = 𝐶(𝑛 – 1)
Donde:
j= Número de la columna
i = Número de la fila
c = Número de columnas (grupos)
n = Número de elementos en cada grupo (tamaño de la muestra)
La tabla ANOVA contiene columnas con las fuentes de variación, las sumas
de cuadrados, los grados de libertad, las estimaciones de la varianza y el
valor F para el procedimiento de análisis de varianza.
47
Estadística Inferencial 2
𝑛𝑖 𝑘 𝑛𝑖
∑𝑛𝑗=1
𝑖
𝑌𝑖𝑗 𝑌..
𝑌𝑖 = ∑ 𝑌𝑖𝑗 ; 𝑌̅𝑖 = ; 𝑌.. = ∑ ∑ 𝑌𝑖𝑗 ; 𝑌̅.. = ; 𝑖 = 1,2, … , 𝑘
𝑛𝑖 𝑁
𝑗=1 𝑖=1 𝑗=1
𝑘 𝑛𝑖 𝑘 𝑛𝑖
2 𝑌..2
𝑆𝐶𝑇 = ∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. ) = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑘
𝑌𝑖.2 𝑌..2
𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ −
𝑛𝑖 𝑁
𝑖=1
48
Estadística Inferencial 2
𝑆𝐶𝐸
𝐶𝑀𝐸 =
𝑁−𝑘
𝐶𝑀𝑇𝑅𝐴𝑇
𝐹0 =
𝐶𝑀𝐸
49
Estadística Inferencial 2
50
Estadística Inferencial 2
𝐶𝑀𝐸
𝑇𝛼 = 𝑞𝛼 (𝑘, 𝑁 − 𝑘)√
𝑛𝑖
Donde
𝐶𝑀𝐸 Es el cuadrado medio del error (𝑆𝑤2 /𝑔𝑙𝑏 )
𝑛𝑖 Es el número de observaciones por tratamiento
𝑘 Es el número de tratamientos
𝑁 − 𝑘 Es igual a los grados de libertad para el error
𝛼 Es el nivel de significancia prefijado
𝑞𝛼 (𝑘, 𝑁 − 𝑘) Son puntos porcentuales de la distribución del rango, que se
obtienen de la correspondiente tabla
51
Estadística Inferencial 2
𝐶𝑀𝐸
𝑆𝑌̅𝑖 = √
𝑛
52
Estadística Inferencial 2
Esto es, la respuesta (Y) se debe distribuir de manera normal, con la misma
varianza en cada tratamiento y las mediciones deben ser independientes.
Estos supuestos sobre Y se traducen en supuestos sobre el termino error (𝜀)
en el modelo
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗
Es una práctica común utilizar la muestra de residuos para comprobar los
supuestos del modelo, ya que si los supuestos se cumplen, los residuos o
residuales se pueden ver como una muestra aleatoria de una distribución
normal con media cero y varianza constante.
53
Estadística Inferencial 2
54
Estadística Inferencial 2
Excel
55
Estadística Inferencial 2
Minitab
1) En la hoja de cálculo que despliega Minitab capturar nuestra tabla de
datos indicando sus correspondientes rótulos en la primer fila que no
está numerada
2) En el cintillo superior indicar con el mouse Estadísticas
3) Del menú desplegado seleccionar ANOVA, en el menú desplegado
seleccionar Un solo factor (Desapilado) y dar clic con el mouse
56
Estadística Inferencial 2
57
Estadística Inferencial 2
58
Estadística Inferencial 2
10.Si queremos las gráficas del supuesto del modelo entonces, damos
clic a gráficas (antepenúltima ventana) y señalamos tres en uno y
damos clic en aceptar.
59
Estadística Inferencial 2
Unidad 3:
Diseño de
bloques.
60
Estadística Inferencial 2
61
Estadística Inferencial 2
𝑌𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = ⋯ = 𝜇𝑘 = 𝜇
𝐻1 : 𝜇1 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝑖 ≠ 𝑗
𝐻0 : 𝜏1 = 𝜏2 = 𝜏3 = ⋯ = 𝜏𝑘 = 0
𝐻1 : 𝜏1 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝑖
62
Estadística Inferencial 2
Los cálculos necesarios pueden ser manuales, pero siempre es más práctico
hacerlos con un software estadístico, porque además proporciona muchas
otras opciones gráficas y tabulares útiles (no sólo el ANOVA). Utilizando la
notación de puntos, las fórmulas más prácticas para calcular las sumas de
cuadrados son:
𝑏 𝑘
𝑌2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑗=1 𝑖=1
𝐾
𝑌𝑖2 𝑌 2
𝑆𝐶𝑇𝑅𝐴𝑇 =∑ −
𝑏 𝑁
𝐼=1
𝑏
𝑌𝑗2 𝑌 2
𝑆𝐶𝐵 = ∑ −
𝑘 𝑁
𝑘=1
63
Estadística Inferencial 2
64
Estadística Inferencial 2
𝑌𝑖𝑗𝑙 = 𝜇 + 𝑡𝑖 + 𝛾𝑗 + 𝛿𝑙 + 𝜀𝑖𝑗𝑙
65
Estadística Inferencial 2
Ejemplo.
(Comparación de cuatro marcas de llantas) Una compañía de mensajería está
interesada en determinar cuál marca de llantas tiene mayor duración en
términos del desgaste. Para ello se planea un experimento en cuadro latino,
en el que se comparan las cuatro marcas de llantas sometiéndolas a una
prueba de 32 000 kilómetros de recorrido, utilizando cuatro diferentes tipos
de auto y las cuatro posiciones posibles de las llantas en el auto. Así, el factor
de interés es el tipo de llantas o marca, y se controlan dos factores de bloque:
el tipo de carro y la posición 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 posición
de la llanta tienen efecto en el desgaste de la misma.
La elección del cuadro latino a utilizar se hace antes de obtener los datos.
Para ello, a partir de un cuadro latino inicial se aleatorizan las columnas y los
renglones; después, las diferentes marcas de llantas se asignan de manera
aleatoria a las letras latinas que denotan los niveles del factor de interés
66
Estadística Inferencial 2
Las pruebas se hacen al mismo tiempo con choferes, a quienes se les instruye
para que manejen de manera similar sobre el mismo terreno para los cuatro
automóviles. Al hacer las pruebas de los cuatro autos al mismo tiempo se
evita el efecto del ambiente en el desgaste; asimismo, el conductor y el tipo
de terreno podrían influir, pero se considera suficiente mantenerlos lo más
homogéneo posible durante el experimento. El diseño y los datos observados
se muestran en la tabla anterior. Se mide la diferencia máxima entre el grosor
de la llanta nueva y el grosor de la llanta después de recorrido los 32 000
kilómetros. Obviamente, a mayor diferencia en grosor mayor desgaste. Las
unidades de medición son milésimas de pulgada
Se observa que nuestro punto crítico tanto para la posición, el tipo de carro
y las marcas es de 4.76.
Concluimos que en las marcas y posición no existe evidencia de que esta
influya por lo que se acepta la hipótesis nula de que son iguales a un nivel de
significancia de 𝛼 = 0.05 En cuanto al tipo de carro observamos que este si
influye en el desgaste de las llantas por lo que rechazamos la hipótesis nula
67
Estadística Inferencial 2
𝐾
𝑌𝑖2 𝑌 2 (472 + 492 + 432 + 442 ) 1832
𝑆𝐶𝑇𝑅𝐴𝑇 =∑ − = − = 5.6875
𝑏 𝑁 4 16
𝐼=1
68
Estadística Inferencial 2
𝑏
𝑌𝑗2 𝑌 2 442 + 402 + 502 + 492 1832
𝑆𝐶𝐵1 = ∑ − = − = 16.1875
𝑘 𝑁 4 16
𝑘=1
𝑏
𝑌𝑗2 𝑌 2 562 + 512 + 47 + 292 1832
𝑆𝐶𝐵2 = ∑ − = − = 103.6875
𝑘 𝑁 4 16
𝑘=1
4.- Cuadrados medios de tratamientos, del bloque 1, del bloque 2 y del error
𝑠𝑐𝑇𝐴𝑅𝑇
𝐶𝑀𝑇𝑅𝐴𝑇 = = 1.893
𝐾−1
𝑠𝑐𝐵1
𝐶𝑀𝐵1 = = 5.39
𝐾−1
𝑠𝑐𝐵2
𝐶𝑀𝐵2 = = 34.395
𝐾−1
𝑠𝑐𝐸 30.37
𝐶𝑀𝐸 = = = 5.061
𝐺𝑙𝐸 6
5- Estadístico de prueba
𝐶𝑀𝑇𝐴𝑅𝑇 1.893
𝐹𝑇𝑅𝐴𝑇 = = = 0.37
𝐶𝑀𝐸 5.061
𝐶𝑀𝐵1 5.39
𝐹𝐵1 = = = 1.06
𝐶𝑀𝐸 5.061
𝐶𝑀𝐵2 34.395
𝐹𝐵2 = = = 6.83
𝐶𝑀𝐸 5.061
69
Estadística Inferencial 2
70
Estadística Inferencial 2
Al igual que en el cuadro latino, cada letra (latinas y griegas) debe aparecer
sólo una vez en cada renglón y en cada columna. Además, cada par de letras
debe aparecer sólo una vez en todo el arreglo. El modelo estadístico que
describe a las mediciones en un cuadro grecolatino está dado por:
𝑌𝑖𝑗𝑙𝑚 = 𝜇 + 𝑡𝑖 + 𝛾𝑗 + 𝛿𝑙 + 𝜑𝑚 + 𝜀𝑖𝑗𝑙𝑚
71
Estadística Inferencial 2
Para capturar los datos en Minitab para el cuadro latino (ANOVA de dos
factores) se sigue la siguiente secuencia:
Primeramente en la hoja de cálculo de Minitab, se capturan los datos
en las columnas uno dos tres y cuatro de la siguiente manera:
72
Estadística Inferencial 2
Para capturar los datos en Minitab para el cuadro grecolatino (ANOVA de tres
factores de bloque) se sigue la siguiente secuencia:
Primeramente en la hoja de cálculo de Minitab, se capturan los datos
en las columnas uno dos tres, cuatro y cinco de la siguiente manera:
a) En la columna uno se captura la tratamiento o método, indicando
con un número cuantas repeticiones hay de ese tratamiento, repitiendo
el mismo número 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4
73
Estadística Inferencial 2
74
Estadística Inferencial 2
75
Estadística Inferencial 2
Unidad 4:
Conceptos
básicos en
diseños
factoriales
76
Estadística Inferencial 2
77
Estadística Inferencial 2
78
Estadística Inferencial 2
𝑎 𝑏 𝑎 𝑏
∑ 𝛼𝑖 = 0 , ∑ 𝛽𝑖 = 0 𝑦 ∑ ∑ 𝛼𝛽𝑖𝑗 = 0
𝑖=1 𝑗=1 𝑖=1 𝑗=1
79
Estadística Inferencial 2
𝑏
𝑌.𝑗.2 𝑌…2
𝑆𝐶𝐵 = ∑ −
𝑎𝑛 𝑁
𝑗=1
𝑎 𝑏
𝑌𝑖𝑗2 𝑌…2
𝑆𝐶𝐴𝐵 = ∑ ∑ − − 𝑆𝐶𝐴 − 𝑆𝐶𝐵
𝑛 𝑁
𝑖=1 𝑗=1
Y al final, al restar éstas del total, se obtiene la suma de cuadrados del error
como:
80
Estadística Inferencial 2
1 1
𝐿𝑆𝐷𝐴 = 𝑡𝛼,𝑎𝑏(𝑛−1) √𝐶𝑀𝐸 [ + ]
2 𝑛𝐴𝑖 𝑛𝐴𝑙
81
Estadística Inferencial 2
Al efecto cuyo valor-p sea menor al valor especificado para alfa, se declara
estadísticamente significativo o se dice que está activo. Las sumas de
cuadrados son muy similares a las obtenidas para dos factores; habrá que
considerar un subíndice adicional para el tercer factor, y comenzando otra
vea, por la suma total de cuadrados, éstas resultan ser:
𝑎 𝑏 𝑐 𝑛
𝑌2…
𝑆𝐶𝑇 = ∑ ∑ ∑ ∑ 𝑌2𝑖𝑗𝑘 −
𝑁
𝑖=1 𝑗=1 𝑘=1 𝑙=1
82
Estadística Inferencial 2
Al restar éstas del total, la suma de cuadrados del error resulta ser:
Se supone que:
83
Estadística Inferencial 2
Diseño Factorial General 3k Este diseño es una variación del diseño 2k y son
muy útiles como las que se emplean cuando todos los factores actúan a tres
niveles. En los últimos años se ha observado un creciente interés por algunas
de las ideas del profesor Genechi Taguchi acerca del diseño experimental y
su aplicación al mejoramiento de la calidad.
Este es un diseño que consta de k factores con tres niveles cada uno. Los
factores y las interacciones se representan mediante letras mayúsculas. Los
tres niveles de los factores pueden referirse como nivel inferior, intermedio y
superior. Estos niveles se representan mediante los dígitos 0 (nivel inferior),
1 (intermedio) y 2 (superior).
84
Estadística Inferencial 2
Lo que se ha dicho para los dos diseños factoriales con 2 y 3 factores puede
extenderse fácilmente para cuando se tienen mas factores. Considerarse f
factores A,B,C,….,K con niveles a, b, c,….,k, respectivamente, donde la letra
K denota al f-esimo o último factor del conjunto a estudiar, no
necesariamente el undécimo, que es el lugar de esta letra en el alfabeto. Con
estos niveles y factores se puede construir el diseño factorial general a x b
x…x k, que consiste de a x b x….. x k tratamientos o puntos de prueba. Con
este diseño se pueden estudiar f efectos principales, f(f-1)/2 interacciones
dobles, f(f-1) (f-2)/(3 x 2) interacciones triples, y asi sucesivamente hasta la
única interacción de los f factores (ABC….K). El cálculo del número de
interacciones de cierta cantidad m de factores se hace mediante la operación
‘’combinaciones de f en m’’
85
Estadística Inferencial 2
86
Estadística Inferencial 2
87
Estadística Inferencial 2
Los cálculos necesarios para probar estas hipótesis involucran las mismas
sumas de cuadrados del modelo de efectos fijos (diseños factoriales con dos
factores), de las cuales se obtienen los correspondientes cuadrados medios.
Para obtener los estadísticos de prueba 𝐹0 apropiados debe tomarse en cuenta
que los valores esperados de los cuadrados medios son
88
Estadística Inferencial 2
𝜎̂ 2 = 𝐶𝑀𝐸
2 𝐶𝑀𝐴𝐵 − 𝐶𝑀𝐸
𝜎̂𝛼𝛽 =
𝑛
𝐶𝑀𝐵 − 𝐶𝑀𝐴𝐵
𝜎̂𝛽2 =
𝑎𝑛
𝐶𝑀𝐴 − 𝐶𝑀𝐴𝐵
𝜎̂𝛼2 =
𝑏𝑛
89
Estadística Inferencial 2
90
Estadística Inferencial 2
91
Estadística Inferencial 2
92
Estadística Inferencial 2
Unidad 5: Series
de tiempo
93
Estadística Inferencial 2
94
Estadística Inferencial 2
95
Estadística Inferencial 2
96
Estadística Inferencial 2
97
Estadística Inferencial 2
98
Estadística Inferencial 2
99
Estadística Inferencial 2
Este crecimiento anual de las ventas a través del tiempo muestra una
tendencia creciente de la serie de tiempo. La figura siguiente presenta una
recta que puede ser una buena aproximación 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.
100
Estadística Inferencial 2
101
Estadística Inferencial 2
Donde:
Donde:
𝑋̅𝑖
𝐼=
𝑋̅𝑔
102
Estadística Inferencial 2
1 12 12 0
2 15 14 1
3 18 16 2
4 19 18 1
5 20 20 0
6 21 22 -1
7 22 24 -2
8 25 26 -1
9 28 28 0
10 31 30 1
11 34 32 2
12 35 34 1
13 36 36 0
14 37 38 -1
15 38 40 -2
16 41 42 -1
17 44 44 0
18 47 46 1
103
Estadística Inferencial 2
19 50 48 2
20 51 50 1
104
Estadística Inferencial 2
analizar las series temporales considerando que están formadas por cuatro
componentes:
105
Estadística Inferencial 2
Los métodos que pueden emplearse para suavizar nuestros datos usualmente
son:
El método de promedios móviles
El método de suavización exponencial
106
Estadística Inferencial 2
Catapulta
Objetivo de la Competencia de la Catapulta
Ver cuál equipo puede lanzar la catapulta y dar en el blanco con la mayor
precisión
Desarrollar catapulta con capacidad para lanzar un objeto con precisión a una
distancia de 3 metros, 4 metros, 5 metros y 6 metros
Procedimiento
Evaluación de equipos
107
Estadística Inferencial 2
Aprendizaje
Todas las fases del DOE pueden hacer o pueden romper el DOE
Especificación
Como proyectil se usó una pelota de lana relleno con material desconocido
aproximadamente 20 gramos
Modificación
Se cambió proyectil a una bomba llena de harina para que la precisión fuera
más exacta igual aproximadamente 20 gramos
108
Estadística Inferencial 2
109
Estadística Inferencial 2
Prueba 1:
Prueba 2:
110
Estadística Inferencial 2
Gráficos prueba 1
3 Metros
7
0
1 2 3 4 5 6 7 8 9 10
Muestra 1.25 0 3.5 6.125 5.25 1.88 0 2.75 5.25 2.75
Media 2.88 2.88 2.88 2.88 2.88 2.88 2.88 2.88 2.88 2.88
LES 4.88 4.88 4.88 4.88 4.88 4.88 4.88 4.88 4.88 4.88
LEI 0.88 0.88 0.88 0.88 0.88 0.88 0.88 0.88 0.88 0.88
LCS 4.64 4.64 4.64 4.64 4.64 4.64 4.64 4.64 4.64 4.64
LCI 1.11 1.11 1.11 1.11 1.11 1.11 1.11 1.11 1.11 1.11
111
Estadística Inferencial 2
4 Metros
12
10
-2
-4
-6
1 2 3 4 5 6 7 8 9 10
Muestra 0 2.5 0.5 6.75 2.5 1.5 0 2.125 3 4.125
Media 2.3 2.3 2.3 2.3 2.3 2.3 2.3 2.3 2.3 2.3
LES 4.3 4.3 4.3 4.3 4.3 4.3 4.3 4.3 4.3 4.3
LEI 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3
LCS 9.43 9.43 9.43 9.43 9.43 9.43 9.43 9.43 9.43 9.43
LCI -4.83 -4.83 -4.83 -4.83 -4.83 -4.83 -4.83 -4.83 -4.83 -4.83
5 Metros
14
12
10
-2
1 2 3 4 5 6 7 8 9 10
Muestra 2.5 0 0.75 1 4.75 5.5 0 1 3 0
Media 1.85 1.85 1.85 1.85 1.85 1.85 1.85 1.85 1.85 1.85
LES 3.85 3.85 3.85 3.85 3.85 3.85 3.85 3.85 3.85 3.85
LEI -0.15 -0.15 -0.15 -0.15 -0.15 -0.15 -0.15 -0.15 -0.15 -0.15
LCS 13.21 13.21 13.21 13.21 13.21 13.21 13.21 13.21 13.21 13.21
LCI 2.44 2.44 2.44 2.44 2.44 2.44 2.44 2.44 2.44 2.44
Muestra Media LES LEI LCS LCI
112
Estadística Inferencial 2
6 Metros
14
12
10
0
1 2 3 4 5 6 7 8 9 10
Muestra 9.5 9.5 4 0 9.25 1.5 2 0 10.25 8
Media 5.4 5.4 5.4 5.4 5.4 5.4 5.4 5.4 5.4 5.4
LES 7.4 7.4 7.4 7.4 7.4 7.4 7.4 7.4 7.4 7.4
LEI 3.4 3.4 3.4 3.4 3.4 3.4 3.4 3.4 3.4 3.4
LCS 13.21 13.21 13.21 13.21 13.21 13.21 13.21 13.21 13.21 13.21
LCI 2.44 2.44 2.44 2.44 2.44 2.44 2.44 2.44 2.44 2.44
113
Estadística Inferencial 2
ANOVA prueba 1
114
Estadística Inferencial 2
Gráficos prueba 2
3 Metros
25
20
15
10
0
1 2 3 4 5 6 7 8
Muestra 4 4.5 6.13 12 20.00 7.5 4 9
Media 8.39 8.39 8.39 8.39 8.39 8.39 8.39 8.39
LES 10.39 10.39 10.39 10.39 10.39 10.39 10.39 10.39
LEI 6.39 6.39 6.39 6.39 6.39 6.39 6.39 6.39
LCS 14.22 14.22 14.22 14.22 14.22 14.22 14.22 14.22
LCI 2.25 2.25 2.25 2.25 2.25 2.25 2.25 2.25
115
Estadística Inferencial 2
5 Metros
30
25
20
15
10
0
1 2 3 4 5 6 7 8
Muestra 26.25 26.38 26.88 18.25 15.75 12 11.75 7.75
Media 18.13 18.13 18.13 18.13 18.13 18.13 18.13 18.13
LES 20.13 20.13 20.13 20.13 20.13 20.13 20.13 20.13
LEI 16.13 16.13 16.13 16.13 16.13 16.13 16.13 16.13
LCS 25.1 25.1 25.1 25.1 25.1 25.1 25.1 25.1
LCI 11.15 11.15 11.15 11.15 11.15 11.15 11.15 11.15
4 Metros
40
35
30
25
20
15
10
0
1 2 3 4 5 6 7 8
Muestra 4.75 15.5 4 26 7 36.5 10 9
Media 14.09 14.09 14.09 14.09 14.09 14.09 14.09 14.09
LES 16.09 16.09 16.09 16.09 16.09 16.09 16.09 16.09
LEI 12.09 12.09 12.09 12.09 12.09 12.09 12.09 12.09
LCS 25.94 25.94 25.94 25.94 25.94 25.94 25.94 25.94
LCI 2.25 2.25 2.25 2.25 2.25 2.25 2.25 2.25
116
Estadística Inferencial 2
6 Metros
70
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8
Muestra 6.25 38.13 19.5 18 21 33 24 51.63
Media 26.44 26.44 26.44 26.44 26.44 26.44 26.44 26.44
LES 28.44 28.44 28.44 28.44 28.44 28.44 28.44 28.44
LEI 24.44 24.44 24.44 24.44 24.44 24.44 24.44 24.44
LCS 61.91 61.91 61.91 61.91 61.91 61.91 61.91 61.91
LCI 9.9 9.9 9.9 9.9 9.9 9.9 9.9 9.9
ANOVA prueba 2
117
Estadística Inferencial 2
DOE
118
Estadística Inferencial 2
DOE
Nuestra catapulta no resultó ser un DOE, ya que el único factor que podíamos
manipular fue la distancia linear (ángulo), teniendo por entendido que DOE
necesita más de un factor para poder conocer cuáles de ellas afectaban a
nuestras pruebas y así, hacer nuestro prototipo más confiable respecto a sus
lanzamientos, además de reconocer que los demás factores, tales como la
superficie donde se efectuaron los lanzamientos, y el viento, resultaron ser
factores no controlables o manipulables. De igual manera no se consideró la
distancia como factor, sino como una constante.
Resultado 1 finales:
119
Estadística Inferencial 2
A 3 metros
120
Estadística Inferencial 2
A 4 metros
121
Estadística Inferencial 2
A 5 metros
A 6 metros
122
Estadística Inferencial 2
Modificaciones Pruebas 1:
123
Estadística Inferencial 2
124
Estadística Inferencial 2
Resultado 2 final:
En este Proyecto, se contempló lo que son las mejoran continuas al igual que
se hace en un proceso de manufactura en la vida real, se aprendió a cómo
manejar la teoría de prueba y error. E incluso aplicamos (5 Porqués) para
mejor la catapulta y encontrar errores y repáralos para que en el proceso de
generar un tiro sea satisfactorio. Y sobre todo que Cumpla con las
especificaciones del cliente, ablando ya en la vida real.
125
Estadística Inferencial 2
126
Estadística Inferencial 2
Resumen:
127
Estadística Inferencial 2
Diseño de la catapulta
128
Estadística Inferencial 2
Anexos
129
Estadística Inferencial 2
Tablas
130
Estadística Inferencial 2
131
Estadística Inferencial 2
132
Estadística Inferencial 2
133
Estadística Inferencial 2
134
Estadística Inferencial 2
135
Estadística Inferencial 2
136
Estadística Inferencial 2
Glosario
Experimentación secuencial: Investigar o Revisar, Afinar y Optimizar
Afinar: Los diseños para refinar son lo mismo que los diseños para revisar,
excepto que se incluyen sólo algunos factores críticos tomados del diseño de
revisión.
137
Estadística Inferencial 2
Entrada:
-Factores controlables
-Factores no controlables
Proceso:
138
Estadística Inferencial 2
139
Estadística Inferencial 2
140
Estadística Inferencial 2
Bibliografías
Ordenamiento del proyecto María Deyanira Alvarado Grijalva
LIMUSA WILEY WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta
edición. Probabilidad y Estadística Para Ingenieros. Pearson Education
141