Capi 4 Y5

1 CAPÍTULO 4 Diseños factoriales Uso de software estadístico 111
CAPÍTULO 4
9,5
Conceptos básicos en diseños factoriales
4.1. Diseños factoriales con dos factores

4.2. Diseños factoriales con tres factores
4.3. Diseño factorial general
4.4. Modelos de efectos aleatorios
4.5. Uso de un software estadístico
113 CAPÍTULO 4 Diseños factoriales Diseños factoriales 113
Competencias
Explicar cuando un diseño de experimentos es un diseño factorial, describiendo los

conceptos básicos que estos involucran y mostrado cómo se hace tal experimentación.
Desarrollar los diseños factoriales de dos y tres factores. Conocer el diseño factorial
general y diferenciar los modelos de efectos fijos con los modelos de efectos aleatorios.
Interpretar correctamente los análisis gráficos y el análisis de varianza en los diseños
factoriales.
Conceptos básicos en diseños factoriales

Es frecuente que en muchos procesos existan varios factores de los que es necesario
investigar de manera simultánea su influencia sobre una o varias variables de respuesta,
donde cada factor tiene la misma importancia a priori desde el momento que se decide
estudiarlo, y es poco justificable suponer de antemano que los factores no interactúan
entre sí. Los diseños experimentales que permiten estudiar de manera simultánea el
efecto de varios factores son los llamados diseños factoriales.
El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre

una o varias respuestas o características de calidad y determinar una combinación de
niveles de los factores en la cual el desempeño del proceso sea mejor que en las
condiciones de operación actuales; es decir, encontrar nuevas condiciones de operación
del proceso que eliminen o disminuyan ciertos problema de calidad en la variable de
salida.
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material,

operador, la presencia o ausencia de una operación previa, etc.), o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, 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 máquinas, dos operadores, tres velocidades, dos
temperaturas, etc.). Con el diseño factorial completa se corren aleatoriamente en el
proceso todas las posibles combinaciones que pueden formarse con los niveles
seleccionados.
Un diseño 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 diseño 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 diseño
factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita el número de
tratamientos que lo componen. Para obtener el número de corridas experimentales se
multiplica el número de tratamientos por el número de réplicas, donde una réplica se
lleva a cabo cada vez que se repite el arreglo completo.
Más en general, la familia de diseños factoriales consiste de k factores, todos

con dos niveles de prueba; y la familia de diseños factoriales consiste de k factores
114 CAPÍTULO 4 Diseños factoriales Diseños factoriales 114
cada uno con tres niveles de prueba. Es claro que si los k factores no tienen la misma
cantidad de niveles, entonces no se puede factorizar de esta forma, y debe escribirse el
producto de manera más explícita: por ejemplo con k = 3 factores, el primero con cuatro
niveles y los dos restantes con dos niveles, se tiene el diseño factorial
, que consiste de 16 combinaciones de niveles diferentes.
4.1. Diseños factoriales con dos factores

El experimento factorial más sencillo es en el que intervienen solamente dos factores,
por ejemplo, A y B. Hay niveles del factor A y niveles del factor B. El experimento
tiene réplicas y cada réplica contiene todas las combinaciones de tratamientos .
Considere los factores A y B con y ( ) niveles de prueba,
respectivamente. Con ellos se puede construir el arreglo o diseño factorial , que
consiste de tratamientos. Se llama réplica cada repetición completa del arreglo
factorial. Los diseños factoriales que involucran menos de cuatro factores se corren
replicados para poder tener la potencia necesaria en las pruebas estadísticas sobre los
efecto de interés, de tal forma que si se hacen réplicas, el número total de corridas
experimentales es ( ).
Efecto principal y efecto de interacción

El efecto de un factor se define como el cambio observado en la variable de respuesta
debido a un cambio de nivel de tal factor. En particular, los efectos principales son los
cambios en la media de la variable de respuesta que se deben a la acción individual de
cada factor. En términos matemáticos, el efecto principal de un factor con dos niveles es
la diferencia entre la respuesta media observada cuando tal factor estuvo en su primer
nivel, y la respuesta media observada cuando el factor estuvo en su segundo nivel.
Ejemplo
Diseño factorial . Suponga que en un proceso de fermentación tequilera, se tienen
dos factores A: tipo de levadura y B: temperatura, cada uno con dos niveles denotados por
respectivamente. La respuesta de interés es el
rendimiento del proceso de fermentación. En la tabla 4.1 se muestran los cuatro
tratamientos o puntos del diseño factorial , y entre paréntesis se ha indicado cada
nivel con los códigos (1, -1). En el experimento original cada tratamiento se corrió tres
veces (tres réplicas), lo cual da un total de 12 corridas del proceso pero, por simplicidad,
en la última columna de la tabla 4.1 sólo se anotaron los resultados de la primera
réplica.
Tabla 4.1 Diseño factorial

A: Levadura B: Temperatura Y: Rendimiento
28
41
63
45
Para los datos de la tabla 4.1, los efectos principales están dados por
115 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 115
115
115
Efecto A =
Efecto B =
por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte, se
dice que dos factores interactúan entre sí o tienen un efecto de interacción sobre la
variable de respuesta, cuando el efecto de un factor depende del nivel en que se
encuentra el otro. Por ejemplo, los factores A y B interactúan 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 está 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 función del nivel de B son muy diferentes,
entonces es evidencia de que la elección más conveniente del nivel de A depende del
nivel en que esté B, y viceversa. Es decir, eso es evidencia de que los factores de A y B
interactúan sobre Y. En la práctica, el cálculo del efecto A en cada nivel de B no se
hace, y más bien se calcula el efecto global de la interacción 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 interacción levadura x temperatura está dado por
Los valores absolutos (sin importar el signo) de los efectos principales y del
efecto de interacción 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 estadísticamente significativos (diferentes de coro) se requiere el análisis de
varianza (ANOVA).
Modelo estadístico
Con un diseño factorial se pueden estudiar los dos efectos individuales y el efecto
de interacción de ambos factores. En términos estadísticos, lo que se afirma es que el
comportamiento de la respuesta Y en el experimento con k réplicas se podría describir
mediante el modelo de efectos:
donde es la media general, es el efecto debido al i-ésimo nivel del factor es el

efecto del j-ésimo nivel del factor B, representa al efecto de interacción en la
116
116
combinación es el error aleatorio que supone sigue una distribución con media
cero y varianza constante y son independientes entre sí. Para que la
estimación de los parámetros en este modelo sea única, se introducen las restricciones:
Es decir, los efectos dados en el modelo son desviaciones respecto de la media

global. Puede usarse el análisis de varianza para probar hipótesis relativas a los efectos
principales de los factores A y B y la interacción AB.
En este modelo, las hipótesis de interés para los tres efectos son:
Estas hipótesis se prueban mediante la técnica de análisis de varianza que para

un diseño factorial con réplicas resulta de descomponer la variación total como,
donde los respectivos grados de libertad de cada una de ellas son:
El factor en los grados de libertad de la suma de cuadrados del error

( ) señala que se necesitan al menos dos réplicas del experimento para 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 . Al dividir éstos entre el cuadrado medio del error se
obtienen estadísticos de prueba con distribución F. Toda esta información se sintetiza
en la siguiente tabla:
ANOVA para el diseño factorial

FV SC GL CM Valor-p
Efecto A
Efecto B
Efecto AB
Error
Total
Si el valor-p es menor al nivel de significancia prefijado, se rechaza la

hipótesis nula y se concluye que el correspondiente efecto está activo o influye en la
variable de respuesta.
117
117
Recordemos la notación de puntos para representar sumas y medias:
Con esta notación la suma de cuadrados totales es:
donde N = es el total de observaciones en el experimento. Las sumas de cuadrados

de efectos son:
y al final, al restar éstas 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 alimentación.
Aunque los factores son de naturaleza continua, en este proceso sólo se puede trabajar
en 4 y 3 niveles, respectivamente. Por ello, se decide correr un factorial completo 4 x 3
con tres réplicas, que permitirá obtener toda la información relevante en relación al
efecto de esos factores sobre el acabado. Al aleatorizar las 36 pruebas se obtienen los
datos de la siguiente tabla:
118
118
Datos del experimento factorial 4 x 3

B: velocidad
0,20 0,25 0,30 Total
0,15 74 92 99
64 198 86 266 98 299 763
60 88 102
A: Profundidad 0,18 79 98 104
68 220 104 290 99 298 808
73 88 95
0,21 82 99 108
88 262 108 302 110 317 881
92 95 99
0,24 99 104 114
104 299 110 313 111 332 944
96 99 107
Total 979 1 171 1 246
El acabado ( ) está en unidades de gramos e interesa minimizar su valor
De acuerdo a esto para obtener el ANOVA para el ejemplo, calculemos los

totales necesarios. De donde:
La suma de cuadrados totales y la suma de cuadrados del error están dadas por
Con esta información se construye el análisis de varianza de la tabla 4.2. Del

ANOVA se concluye que los tres efectos A: velocidad, B: profundidad y AB están
activos o influyen en el acabado. Dado que el efecto de integración AB resulta
significativo, prácticamente toda la información relevante del experimento se aprecia en
su representación gráfica (figura 4.1). Nótese que aparecen tantas líneas como niveles
tenga el factor que se dibuja en la parte 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
interacción detectada por el ANOVA se observa en el hecho de que las líneas 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. Además se ve que cuando se tiene velocidad
119
119
alta ( ) el efecto de profundidad es menor (véase la dispersión de las líneas en la

figura cuando la velocidad es alta). Por lo tanto, las condiciones de operación o
tratamiento que convienen es profundidad y velocidad bajas ( ).
El ANOVA de la tabla 5.2 se dice que no está desglosado, ya que cuando en un

experimento hay factores cuantitativos con más de dos niveles, el ANOVA se puede
desglosar para estudiar con mayor detalle en el efecto de tal factor.
Tabla 5.2 ANOVA para el ejemplo

FV SC GL CM Valor-p
B: velocidad 3 160.5 2 1 580,25 55,02 0,0000
A: profundidad 2 125,10 3 708,37 24,66 0,0000
AB 557,07 6 92,84 3,23 0,0180
Error 689,33 24 28,72
Total 6 532,0 35
El planteamiento de hipótesis quedaría de la siguiente manera:
Con su nivel de significancia como con sus grados de libertad respectivamente

tenemos que el valor de F crítica es: y
Se concluye que
Se rechaza
Se rechaza
Se acepta
Resultado arrojado en Minitab para el ejemplo anterior
Factores: 2 Réplicas: 3
Corridas base: 12 Total de corridas: 36
Bloques base: 1 Total de bloques: 1
Número de niveles: 4; 3
Modelo lineal general: RESPUESTA vs. PRFUNDIDAD; VELOCIDAD
Factor Tipo Niveles Valores

PRFUNDIDAD A fijo 4 0.15; 0.18; 0.21; 0.24
VELOCIDAD B fijo 3 0.20; 0.25; 0.30
Análisis de varianza para RESPUESTA, utilizando SC ajustada para pruebas
Fuente GL SC sec. SC ajust. MC ajust. F P

PRFUNDIDAD A 3 2125,11 2125,11 708,37 24,66 0,000
VELOCIDAD B 2 3160,50 3160,50 1580,25 55,02 0,000
PRF.*VEL. AB 6 557,06 557,06 92,84 3,23 0,018
Error 24 689,33 689,33 28,72
Total 35 6532,00
120
120
Comparación de medias
Las comparaciones de medias se introdujeron en la sección ´´Diseño completamente al

azar y ANOVA´´ del capítulo 2, para después de un ANOVA en el que se rechaza ,
investigar cuáles medias causa las diferencias detectadas. El ANOVA sólo indica que al
menos un par de niveles del factor significativo son diferentes entre sí, pero no dice
cuáles son. Por facilidad, denotemos los cuatro niveles de la profundidad (A) del
ejemplo anterior como así como los tres niveles de la velocidad (B)
como Entonces es, los seis pares de hipótesis para comparar las medias del
factor A son:
mientras que para el factor B se tienen los tres pares de hipótesis,
Para probar estas hipótesis con el método LSD habría que calcular las
diferencias muestrales en el valor absoluto y compararlas con la diferencia mínima
significativa. Cabe aclarar que este análisis es engañoso cuando el efecto de interacción
es significativo. Por ello, y sólo por ilustrar el método, se prueban las hipótesis del
factor A ignorando por el momento la interacción. La diferencia mínima significativa
para comparar los niveles del factor A, está dada por:
Donde es el punto porcentual 100( de la distribución T de

Student, los grados de libertad del cuadrado medio del error, y son el
total de observaciones en los niveles del factor A, que están comparando. De esta
manera, en el ejemplo, como es un diseño balanceado = = 9; entonces,
121 CAPÍTULO 4 Diseños factoriales Comparación de medias 121
121
121
De los totales marginales dados en el renglón inferior de la tabla donde se

representan los datos del experimento factorial 4 x 3, se obtienen las medias del factor
A, al dividir entre 9, que son el número de mediciones involucradas en cada total. Así,
las seis posibles diferencias muestrales en valor absoluto resultan ser:
donde sólo la primer diferencia resulta no significativa, es decir, se acepta

; en cambio, en las cinco comparaciones restantes se rechaza .
Ejercicios
1.- La pintura tapaporo de aviones se aplica en superficies de aluminio utilizando dos

métodos: por inmersión y por aspersión. El objeto de la pintura tapaporo es mejorar la
adherencia de la pintura, y en algunas partes puede aplicarse utilizando cualquiera de los
dos métodos. Al grupo de ingenieros responsable del proceso de esta operación le
interesa saber si tres pinturas tapaporo diferentes difieren en sus pro piedades de
adherencia. Se realizó un experimento factorial para investigar el efecto que tiene el tipo
de pintura tapaporo y el método de aplicación sobre la adherencia de la pintura. Se
pintaron tres ejemplares de prueba con cada pintura utilizando cada uno de los métodos
de aplicación, se aplico la pintura final, y se midió la fuerza de adherencia. Probemos la
hipótesis apropiada y saquemos conclusiones
Tipo de Inmersión Aspersión

tapaporo
1 4.0, 4,5 4.3 12.8 5.4, 4.9, 5.6 15.9 28.7
2 5.6, 4.9, 5.4 15.9 5.8, 6.1, 6.3 18.2 34.1
3 3.8, 3.7, 4.0 11.5 5.5, 5.0, 5.0 15.5 27.0
40.2 49.6 89.8 =
Resultado en Minitab
Diseño factorial de múltiples niveles
Número de niveles: 3; 2
Modelo lineal general: Respuesta vs. Tapaporo; Adherencia

Tapaporo fijo 3 1; 2; 3
122 CAPÍTULO 4 Diseños factoriales Comparación de medias 122
122
122
Adherencia fijo 2 Inmersión; Aspersión
Análisis de varianza para Respuesta, utilizando SC ajustada para pruebas

Tapaporo 2 4,5811 4,5811 2,2906 27,86 0,000
Adherencia 1 4,9089 4,9089 4,9089 59,70 0,000
Tapaporo*Adherencia 2 0,2411 0,2411 0,1206 1,47 0,269
Error 12 0,9867 0,9867 0,0822
Total 17 10,7178
S = 0,286744 R-cuad. = 90,79% R-cuad.(ajustado) = 86,96%
Dado que utilizamos un = 0.05 y puesto que el valor de tanto para el factor
A (tipo de pintura) como para el factor B(tipo de aplicación), con su nivel de
significancia como con sus grados de libertad respectivamente tenemos
y . Se concluye que los efectos principales del tipo de pintura
tapaporo y del método de aplicación afectan la fuerza de adherencia. Además, puesto
que 1,5 , no hay indicios de interacción entre estos factores. En la
última columna del ANOVA se muestra el valor P para cada cociente F. Obsérvese que
los valores P de los dos estadísticos de prueba para los efectos principales son
considerablemente menores que 0,05 mientras que el valor P para el estadístico de
prueba de la interacción es mayor que 0,05.
Se rechaza
Se rechaza
Se acepta
2.- Se presentan los resultados de un experimento en el que interviene una batería de

almacenamiento usada en el mecanismo de lanzamiento de un misil tierra-aire para
cargar al hombro. Pueden usarse tres tipos de materiales para hacer las placas de la
batería. El objetivo es diseñar una batería que se mantenga relativamente sin
alteraciones por la temperatura ambiente. La respuesta de salida de la batería es la vida
efectiva en horas. Se seleccionan tres niveles de temperatura y se corre un experimento
factorial con cuatro replicas. Los datos son los siguientes:
Material Temperatura (
Baja Media Alta
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
a) Pruebe las hipótesis apropiadas y saque conclusiones utilizando el análisis de

123 CAPÍTULO 4 Diseños factoriales Ejercicios 123
b) varianza con = 0.05

c) Analice gráficamente la interacción
d) Analice los residuales de este experimento
3.- En un artículo se describe un experimento para investigar el efecto de dos factores

(tipo de cristal y tipo de fósforo) sobre la brillantez de un cinescopio. La variable de
respuesta media es la corriente (en microamperes) necesaria para obtener un nivel
especifico de brillantez. Los datos se presentan en la siguiente tabla:
Tipo de Tipo de fósforo

cristal 1 2 3
1 280 300 290
290 310 285
285 295 290
2 230 260 220
235 240 225
240 235 230
a) Enuncie las hipótesis de interés en este experimento

b) Pruebe las hipótesis anteriores y saque conclusiones utilizando análisis de
varianza con = 0.05
c) Analice los residuales de este experimento
4.- Se condujo un experimento para determinar si la temperatura del fuego o la posición

en el horno afectan la densidad de endurecimiento de un ánodo de carbono. Los datos
son los siguientes:
Posición Temperatura ( )
800 825 850
1 570 1 063 565
565 1 080 510
583 1 043 590
2 528 988 526
547 1 026 538
521 1 004 532
a) Enuncie las hipótesis de interés

b) Pruebe las hipótesis anteriores utilizando el análisis de varianza con = 0.05.
¿A qué conclusiones se llega?
c) Utilizando el método de la LSD de Fisher, investigar las diferencias entre la
media de la densidad del endurecimiento de los ánodos en los tres diferentes
niveles de temperatura
4.2. Diseños factoriales con tres factores
Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o más
variables de respuesta, y el número de niveles de prueba en cada uno de los factores es
a, b y c, respectivamente, se puede construir el arreglo factorial , que consiste
de tratamientos o puntos experimentales. Entre los arreglos de este tipo que se
utilizan con frecuencia en aplicaciones diversas se encuentran: el factorial , el
124 CAPÍTULO 4 Diseños factoriales Ejercicios 123
factorial y los factoriales mixtos con no más de cuatro niveles en dos de los factores,
por ejemplo, el factorial 4 x 3 x 2 y el factorial 4 x 4 x 2, por mencionar dos de ellos.
Hipótesis de interés
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 número 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; pero, si tuviera tres niveles su efecto marginal se
puede descomponer en una parte lineal y otra cuadrática pura.
En resumen, se tienen siete efectos de interés sin considerar desglose, y con ellos
se pueden plantar las siete hipótesis nulas
cada una aparejada con su correspondiente hipótesis alternativa. El ANOVA para probar
estas hipótesis se muestran en la siguiente tabla.
ANOVA para el diseño a x b x c

FV SC GL CM Valor-p
Efecto A
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
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:
donde N = es el total de observaciones en el experimento. Las sumas de cuadrados

125 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 125
125
125
de efectos son:
Al restar éstas 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 después) a diagnosticar la calidad del modelo.
Ejemplo
El experimento. Se desea investigar el efecto del tipo de suspensión (A), abertura de
malla (B) y temperatura de ciclaje (C) en el volumen de sedimentación Y(%) de una
suspensión. Para ello se decide correr un experimento factorial 3 x 2 x 2 con seis
réplicas, y las observaciones obtenidas en las 72 corridas experimentales se muestran en
la siguiente tabla:
60, 75, 75 67, 73, 73 62, 68, 65 71, 80, 80 76, 71, 75 75, 75, 75
86, 70, 70 67, 68, 68 76, 65, 65 72, 80, 80 70, 68, 73 75, 75, 77
55, 53, 53 52, 52, 57 44, 44, 45 60, 60, 60 52, 51, 50 56, 55, 57
55, 55, 55 52, 54, 54 48, 48, 45 67, 67, 65 52, 48, 54 59, 50, 55
Los niveles de prueba para cada factor, tanto en unidades originales como en
unidades codificadas, se muestran en la siguiente tabla
126
126
Factor U. originales U. codificadas

Bajo Medio Alto Bajo Medio Alto
A: Tipo de suspensión -1 0 1
B: Abertura de malla 40 - 60 -1 - 1
C: Temperatura 0 - 30 -1 - 1
El análisis de varianza para este ejemplo se muestra en la siguiente tabla. De

aquí se concluye que no influyen los efectos ABC, AC ni A, dado que su valor-p es
mayor que . Por otra parte, se encuentran activos los efectos B, C, AB y en
menor medida BC. Éstos son los cuatro efectos que se deben interpretar. Los efectos
que no influyeron se pueden eliminar mandándolos al término error. El ANOVA
simplificado, pero con el efecto A note que el en ambos ANOVAS es
prácticamente igual. En general se recomienda interpretar sólo los efectos significativos.
Diseño factorial de múltiples niveles
Número de niveles: 3; 2; 2
Modelo lineal general: Respuesta vs. Suspensión; Abertura de malla; ...

Suspensión fijo 3 A1; A2; A3
Abertura de malla fijo 2 B1; B2
temperatura fijo 2 C1; C2
Análisis de varianza para Respuesta, utilizando SC ajustada para pruebas

Suspensión 2 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 0,000
Suspensión*Abertura de malla 2 788,25 788,25 394,13 28,10 0,000
Suspensión*temperatura 2 40,86 40,86 20,43 1,46 0,241
Abertura de malla*temperatura 1 56,89 56,89 56,89 4,06 0,049
Suspensión*Abertura de malla* 2 31,03 31,03 15,51 1,11 0,338
temperatura
Error 60 841,67 841,67 14,03
Total 71 8339,78
S = 3,74537 R-cuad. = 89,91% R-cuad.(ajustado) = 88,06%
Observaciones inusuales de Respuesta
Residuo
Obs Respuesta Ajuste Ajuste SE Residuo estándar
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
R denota una observación con un residuo estandarizado grande.

127
127
Dado que utilizamos un = 0.05 y puesto que el valor de , con su nivel de

significancia como con sus grados de libertad en tablas respectivamente tenemos
y .
; Se acepta
; Se rechaza
; Se rechaza
, Se rechaza
; Se acepta
, Se rechaza
Ejercicios
1.- Se investigan el porcentaje de la concentración de madera dura en la pulpa cruda, la
libertad de orientación de la fibra o lof, y el tiempo de cocción de la pulpa en cuanto a
sus efectos sobre la resistencia del papel. En la siguiente tabla se muestran los datos de
un experimento factorial con tres factores.
Porcentaje de la 1.5 horas de tiempo de cocción 2.0 horas de tiempo de cocción

Concentración de lof lof
Madera dura 350 500 650 350 500 650
10 96.6 97.9 99.4 98.4 99.6 1000.6
96.0 96.0 99.8 98.6 100.4 100.9
15 98.5 96.0 98.4 97.5 98.7 99.0
97.2 96.9 97.6 98.1 96.0 99.0
20 97.5 95.6 97.4 97.6 97.0 98.5
96.6 96.2 98.1 98.4 97.8 99.8
a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a
2.- El departamento de control de calidad de una planta de acabados textiles estudia los
efectos de varios factores sobre el teñido de una tela combinada de algodón y fibra
sintética que se usa para hacer camisas. Se seleccionan tres operadores, tres duraciones
del ciclo y dos temperaturas, y tres ejemplares de prueba pequeños de tela se tiñeron
bajo cada conjunto de condiciones. La tela terminada se comparó con un patrón y se
asigno una puntuación numérica. Los resultados se presentan en la tabla siguiente
Temperatura
300 350
Operador Operador
Duración del ciclo 1 2 3 1 2 3
40 23 27 31 24 38 34
24 28 32 23 36 36
25 26 28 28 35 39
50 36 34 33 37 34 34
35 38 34 39 38 36
36 39 35 35 36 31
60 28 35 26 26 36 28
24 35 27 29 37 26
27 34 25 25 34 34
128
128
a) Enuncie y pruebe las hipótesis apropiadas usando el análisis de varianza con
3.- Un ingeniero mecánico estudia la rugosidad superficial de una pieza producida en

una operación de corte de metal. Son de interés tres factores: la rapidez de alimentación
(A), la profundidad del corte (B) y el ángulo de la herramienta (C). A los tres factores se
les ha asignado dos niveles, y se corren dos réplicas de un diseño factorial
Profundidad del corte

0.025 pulgada 0.04 pulgada
Rapidez de Ángulo de la herramienta
alimentación 15 25 15 25
30 pulg/min 9 11 9 10
7 10 11 8
30 pulg/min 10 10 12 16
12 13 15 14
a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a
4.3. Diseño factorial general
Lo que se ha dicho para los dos diseños factoriales con 2 y 3 factores puede extenderse
fácilmente para cuando se tienen más factores. Considerarse factores A, B, C,…, K
con niveles respectivamente, donde la letra K denota al -ésimo 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 que consiste de tratamientos o puntos de prueba.
Con este diseño se pueden estudiar efectos principales, interacciones
dobles, interacciones triples, y así sucesivamente hasta la
única interacción de los factores (ABC…K). El cálculo del número de interacciones
de cierta cantidad de factores se hace mediante la operación ¨combinaciones de en
¨ que cuenta el número de diferentes maneras de seleccionar
factores de los , donde =
Por ejemplo, el diseño factorial tiene cinco efectos principales, 10

interacciones dobles, 10 interacciones triples, cinco interacciones cuádruples y una
interacción quíntuple, lo cual da un total de 31 efectos. Por su parte, el factorial
también tiene este mismo número de efectos, pero al contar con tres niveles en cada
factor, cada efecto principal se puede descomponer en su parte lineal y cuadrática. Cabe
destacar que mientras el diseño factorial tiene 32 tratamientos, el factorial tiene
243, una cantidad de tratamientos difícil de manejar. Aun si pudiera correrse, representa
una opción muy ineficaz; además, existen arreglos experimentales más pequeños y
eficientes.
129 CAPÍTULO 4 Diseños factoriales Diseño factorial general 129
De acuerdo con lo antes dicho, en el factorial general se pueden

plantear hipótesis que se prueban mediante el análisis de varianza. Si se tienen
réplicas. Las primeras tres columnas de este ANOVA se muestran en la siguiente tabla
ANOVA para el diseño factorial general
FV SC GL
Error
Total
La suma de cuadrados totales está dada por:
donde N = es el total de observaciones en el experimento. Las sumas de

cuadrados de efectos son:
130 CAPÍTULO 4 Diseños factoriales Diseño factorial general 130
Al final, la suma de cuadrados del error se calcula por sustracción,
En el ANOVA para el factorial general se observa la necesidad de

contar con al menos dos réplicas del experimento para calcular la suma de cuadrados del
error ( ), y completar toda la tabla ANOVA. Sin embargo, esta necesidad de réplicas
( , que se ha mencionado,. Es para el caso irreal de que interesan los
efectos. Pero resulta que, con excepción del factorial , en un factorial completo
prácticamente nunca interesan todos sus posibles efectos, puesto que en términos
generales sólo algunos de ellos están activos. El principio de Pareto, que en este contexto
también se llama principio de esparcidad de efectos, dice que la mayoría de la
variabilidad observada se debe a unos pocos de los efectos posibles; por lo común se
debe a algunos efectos principales e interacciones dobles.
4.4. Modelos de efectos aleatorios
Hasta aquí los modelos de efectos que se han utilizado son modelos de efectos o
factores fijos, lo cual significa que todos los niveles de prueba en cada factor son todos
los disponibles para ese factor, o bien, se estudian todos los niveles de interés en ese
factor; es en este sentido que los niveles están fijos. Éste es el caso, por ejemplo, cuando
en el factor operador se toman los tres únicos operadores como los niveles de prueba, o
cuando los niveles del factor máquinas son las cuatro máquinas existentes. O bien,
cuando se comparan tres tipos de material porque son los que interesa comprar aunque
existan otros materiales de ese tipo. Con factores fijos, las conclusiones obtenida s sólo
son validas para los niveles de prueba que se estudian en el experimento.
En ocasiones, los niveles de prueba son una muestra aleatoria de la población de

niveles posibles. En este caso es más apropiado utilizar un modelo de efectos o factores
aleatorios. Un ejemplo de esta situación es cuando se prueban cinco instrumentos de
medición, pero la población de los mismos es de 100 instrumentos; obviamente, no es
posible experimentar con todos los equipos. Entonces se experimenta sólo con cinco de
ellos elegidos al azar, y las conclusiones obtenidas se infieren como válidas para la
población entera de instrumentos.
La aplicación de un modelo de efectos aleatorios conlleva la necesidad de

considerar la incertidumbre asociada con la elección aleatoria de los niveles de prueba.
Es decir, ya no tiene sentido, para un factor A, preocuparse por el efecto del nivel
131 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 131
131
131
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 variación total; es decir, es preciso
estimar dicha varianza y probar si su contribución a la variabilidad total es significativa.
El caso de dos factores aleatorios.

Si se consideran dos factores aleatorios A y B, de los cuales se prueban niveles
elegidos de una población grande de niveles, entonces si los tratamientos se
replican veces, el modelo de efectos aleatorios es
donde es la media general, es el efecto debido al nivel del factor A,

es el efecto del nivel del factor B, representa al efecto de interacción
en la combinación y es el error aleatorio que se supone sigue una distribución
normal con media cero y varianza constante, y son independientes entre sí. El
aspecto de este modelo es igual al de efectos fijos, pero el hecho de que los efectos sean
aleatorios implica que no tiene sentido probar hipótesis directamente sobre tales efectos
(medidas), sino que ahora el interés se enfoca en estudiar la varianza de dichos efectos.
Para ello, se supone que los términos son variables aleatorias
independientes normales, con media cero y varianzas , , , y ,
respectivamente.
De esta manera, si se calcula la varianza en ambos lados del modelo anterior, se

obtiene el modelo de componentes de varianza dado por:
+ + +
donde , , son las contribuciones de cada efecto a la variación total y se llaman

componentes de varianza; es el componente de varianza debido al error aleatorio.
Las hipótesis de interés son
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 apropiados debe tomarse en cuenta que los valores esperados de los
cuadrados medios son
132
132
de tal forma que para probar la hipótesis mencionadas, los estadísticos de prueba
apropiados en el ANOVA son
respectivamente. Observe que en el modelo de efectos aleatorios los cuadrados medios

de los efectos principales se comparan con el cuadrado medio de la interacción, y no
con el cuadrado medio del error, como se hace en el modelo de efectos fijos. En caso de
rechazar alguna de las hipótesis sobre las varianzas, se concluye que el efecto
correspondiente contribuye de manera significativa a la variación de la respuesta. La
conclusión práctica no consiste en determinar el mejor tratamiento, sino que
generalmente se traduce en tomar medidas para que la contribución del componente de
varianza se reduzca.
Al resolver las ecuaciones dadas por los valores esperados de cuadrados medios
para los componentes de varianza, se obtienen estimadores de éstos en función de los
cuadrados medios del error, esto es,
Ejemplo
En una compañía dedicada a la fabricación de bombas y válvulas, algunos componentes
críticos tienen tolerancias muy estrechas que son difíciles de cumplir. De aquí que sea
necesario estimar el error de medición con el fin de ver la posibilidad de reducirlo para
cumplir con las especificaciones. El ancho de una pieza particular es una característica
de calidad crítica, cuyas especificaciones son 69 0,4mm. Se eligen dos inspectores al
azar y siete piezas para correr un experimento, a fin de estimar la contribución de los
inspectores, de las piezas y del error aleatorio (repetibilidad) en la variabilidad total
observada. El experimento utilizado se muestra en la siguiente tabla:
133
133
Número de Inspector Z Inspector W

piezas 1 2 1 2
1 69,38 69,60 69,62 69,52
2 39,72 69,80 69,78 69,90
3 69,58 69,70 69,70 69,92
4 69,50 69,50 69,46 69,50
5 69,48 69,40 69,50 69,42
6 69,56 69,40 69,68 69,64
7 69,90 70,02 69,94 69,88
Nótese 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 es el componente de varianza de los
inspectores, es el componente debido a las piezas, es el componente de
interacción de ambos factores y es el componente aleatorio.
Interesa probar las hipótesis:
y estimar los componentes de varianza. El ANOVA para probar estas hipótesis se

muestran en la siguiente tabla.
FV SC GL CM Valor-p
A: Insp. 0,00036 1 0,00036 0,069 0,8043
B: Pieza 0,7516 6 0,1252 24,07 0,0000
AB 0,0313 6 0,0052 0,75 0,6169
Error 0,097 14 0,0069
Total 0,8803 27
Las tres primeras columnas se obtienen igual que el modelo de efectos fijos,
pero las dos últimas deben corregirse de acuerdo con el estadístico de prueba apropiado
para un modelo de efectos aleatorios ( y
). Los valor-p indican que la variabilidad de las piezas es
estadísticamente diferente a cero, mientras que la variabilidad de los inspectores y de la
interacción 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 estadísticamente igual a cero, es decir, los inspectores no
afectan el proceso de medición. La estimación de los componentes de varianza, a partir
de los cuadros medios, queda como:
134
134
De aquí se concluye que la reproducibilidad ( + ) no tiene

contribución y la repetibilidad expresada como 5.15 es igual a 0,428. Si este valor se
compara con la tolerancia de 0.8, se encuentra que ocupa 53% de ésta, cuando lo
deseable es que este porcentaje sea menor al 10%, por lo que el instrumento es
inadecuado para discriminar entre piezas buenas y malas.
4.5. Uso de un software estadístico
Utilizando Minitab
1. El primer paso consisten en seleccionar la opción Estadísticas del Menú Principal de

Minitab y, dentro de esa opción, seleccionar la opción DOE luego Factorial y Crear
diseño factorial como se presenta en la siguiente Figura.
2. Como consecuencia de la acción anterior le debe aparecer la siguiente pantalla

<<Crear diseño factorial>>. El paso en esta pantalla será seleccionar en Tipo de
diseño la casilla de Diseño factorial completo general luego escoger el número de
factores considerados en el experimento (en nuestro ejemplo son dos factores: A y B),
por tanto en la casilla <<Número de factores>> usted deberá tener el número 2. Luego
135 CAPÍTULO 4 Diseños factoriales Uso de software 135
135
135
debe oprimir el botón de la opción <<Diseños>> para poder escoger su diseño, número
de repeticiones y otras opciones.
3. En la siguiente ventana escribir el nombre de nuestros factores A y B, además de

indicar el numero de niveles para ambos (4 y 3 respectivamente), también indicará que
realizamos tres repeticiones por tratamiento, para esto en la casilla <<Número de
replicas>>, usted deberá tener el valor de 3. Finalice esta pantalla oprimiendo
<<Aceptar>>. Esto lo devolverá a la pantalla anterior <<Crear diseño factorial>>.
4. De vuelta en la pantalla <<Crear diseño factorial>>. Seleccionar factores y

aparecerá una siguiente ventana.
En la casilla <<Tipo>> seleccionar texto para ambos factores, <<Valores de nivel>> ,

indicar los valores correspondientes tanto para el factor A así como para el factor B,
luego indicar aceptar, lo que lo llevara nuevamente a la pantalla <<Crear diseño
factorial>>.
5. De vuelta a la pantalla <<Crear diseño factorial>> oprima <<Aceptar>>.

MINITAB le creará la siguiente pantalla. Minitab crea las columnas de los
tratamientos, lo único 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
136
136
6. Una vez capturados los datos (estos datos deberán corresponder al factor A con
respecto a factor B de acuerdo a la tabla original) en su correspondiente renglón. El
siguiente paso es regresar al paso 1.
sólo que esta vez seleccionaría la secuencia: <<Estadísticas>> seguida de <<DOE>>,

<<Factorial>> y <<Analizar diseño factorial>>.
137
137
Esta acción resultará en la pantalla donde sólo es necesario indicar la columna de

la variable de respuesta <<Respuesta>> seguido de aceptar y MINITAB le ofrecerá el
resultado correspondiente.
Para capturar los datos en Minitab, de tres factores, es idéntico al de dos

factores, solo que en la ventana correspondiente indicar que se trata de tres factores, y
se aplica la misma secuencia.
138 CAPÍTULO 5 Series de tiempo Series de tiempo 138
138
138
CAPÍTULO 5
Series de tiempo
5.1. Modelo clásico de series de tiempo

5.2. Análisis de fluctuaciones
5.3. Análisis de tendencia
5.4. Análisis de variaciones cíclicas
5.5. Medición de variaciones estacionales e irregulares
5.6. Aplicación de ajustes estacionales
5.7. Pronósticos basados en factores de tendencia y estacionales.
139
139
Series de tiempo
Toda institución, ya sea la familia, la empresa o el gobierno, tienen que hacer planes
para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones
requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.
Debido a que las condiciones económicas y comerciales varían en el tiempo, los

líderes de los negocios deben encontrar formas de mantenerse al día respecto a los
efectos que esos cambios tendrán en sus operaciones. Una técnica que pueden usar los
líderes de negocios como ayuda en la planeación de las necesidades operativas en lo
futuro es el pronóstico. Aunque se han desarrollado numerosos métodos para
pronosticar, todos tienen un objetivo común, predecir los eventos futuros de manera que
las proyecciones se puedan incorporar en el proceso de toma de decisiones.
Suponga que necesitamos hacer pronósticos trimestrales para el volumen de

ventas de determinado producto durante el próximo año. Los programas de producción,
las compras de materias primas, las políticas de inventarios y las cuotas de venta serán
afectados, todos, por esos pronósticos. Entonces, los malos pronósticos darán como
resultado una mala planeación y, en consecuencia, aumentarán los costos de la empresa.
¿Cómo se hace para elaborar los pronósticos trimestrales del volumen de ventas?
Desde luego que se deben considerar los datos reales de ventas del producto en
periodos pasados. Con tales datos históricos podemos identificar el nivel general de
ventas y cualquier tendencia, como aumento o disminución en el volumen a través del
tiempo. Por ejemplo, un examen más detallado de los datos puede revelar un
comportamiento estacional, como el de los picos que se presentan en el tercer trimestre
de cada año y los mínimos durante el primer trimestre. Al repasar los datos históricos se
puede, con frecuencia, adquirir una mejor comprensión de la tendencia de las ventas en
el pasado para poder pronosticar las ventas del producto en el futuro de una mejor
manera.
Las ventas históricas forman una serie de tiempo que es un conjunto de
observaciones de una variable medida en puntos o periodos sucesivos en el tiempo.
En esencia, existen dos enfoques de pronósticos: cualitativo y cuantitativo.
Los métodos de pronóstico cualitativos son importantes en especial cuando no

se dispone de datos históricos, como sería el caso de un departamento de finanzas que
desea pronosticar los ingresos de una compañía nueva. Los métodos de pronóstico
cualitativos se consideran altamente subjetivos o basados en la opinión. Incluyen el
método de elaboración de escenarios, la opinión de expertos y la técnica Delphi.
Método Delphi. El método délfico, desarrollado en principio por un grupo de

investigación de la Rand Corporation. Trata de determinar pronósticos mediante
¨consenso de grupo¨. En forma normal, a los miembros de un equipo de expertos, todos
ellos separados físicamente y desconocidos entre sí, se les pide contestar una serie de
cuestionarios. Se tabulan las respuestas del primer cuestionario y éstas se usan para
preparar un segundo cuestionario que contiene la información y las opiniones de todo el
grupo. A continuación se pide a cada encuestado reconsiderar y, posiblemente, corregir
sus respuestas anteriores a la vista de la información obtenida con el grupo.
140
140
Este proceso continua hasta que el coordinador siente que ha alcanzado

cierto nivel de consenso. El objetivo del método délfico no es llegar al resultado de una
sola respuesta, sino producir un conjunto compacto de opiniones dentro del cual esté la
mayoría de los expertos.
Opinión de expertos. Con frecuencia, los pronósticos se basan en el juicio de un

solo experto, o representan el consenso de un grupo de expertos. Por ejemplo, cada año
se reúne un grupo de expertos en Merrill Lynch con el fin de pronosticar el nivel del
promedio industrial Dow Jones y la tasa prima para el siguiente año. Al hacerlo, los
expertos se basan, de manera individual en información que cree que influye en el
mercado accionario y las tasas de interés, a continuación combinan sus conclusiones en
forma de un pronóstico. No se usa modelo formal alguno, y es improbable que dos
expertos cualesquiera visualicen de la misma forma la misma observación.
La opinión de expertos es un método de pronóstico que se recomienda

normalmente cuando es probable que las condiciones en el pasado no rijan en el futuro.
Aunque no se usa modelo cuantitativo formal, el juicio experto ha producido buenos
pronósticos en muchos casos.
Elaboración de escenarios. Este método consiste en desarrollar un escenario

conceptual del futuro, basado en un conjunto bien definido de supuestos. Los distintos
conjuntos de supuestos producen diferentes escenarios. La tarea de quien toma
decisiones es decidir lo probable que es cada escenario y, a continuación, tomar las
decisiones pertinentes.
Por otro lado, los métodos de pronóstico cuantitativo utilizan los datos
históricos. La meta es estudiar lo que ocurrió en el pasado para entender mejor la
estructura fundamental de los datos y proporcionar los medios necesarios para predecir
los sucesos futuros.
Los métodos de pronóstico cuantitativos se dividen en dos tipos: series de
tiempo y causales.
Los métodos de pronóstico de series de tiempo implican la proyección de los

valores futuros de una variable basada por completo en las observaciones pasadas y
presentes de esa variable.
Series de tiempo. Una serie de tiempo es un conjunto de valores numéricos

obtenidos en periodos iguales en el tiempo
Los métodos de pronóstico causales comprenden la determinación de factores

relacionados con la variable que se predice, e incluyen análisis con variables retrasadas,
modelado econométrico, análisis de indicador líder, índice de difusión y otros
medidores económicos más allá del alcance de este libro. La figura 5.1 representa una
perspectiva de los métodos de pronóstico.
141
141
Figura 5.1 Clasificación de los métodos de pronósticos
Método de pronostico
Cuantitativo s Cualitativos
Causales Serie temporal
Suavizamiento
Proyección de tendencia
Proyección de tendencia ajustada por

influencia estacional
5.1. Modelo clásico de series de tiempo
La suposición fundamental del análisis de series de tiempo es que los factores que han
influido en los patrones de actividad en el pasado y el presente tendrán más o menos la
misma influencia en lo futuro. Entonces la meta principal del análisis de series de
tiempo es: identificar y aislar estos factores de influencia con el fin de realizar
predicciones (pronosticar), así como fines administrativos de planeación y control.
Para conseguir estas metas, se han desarrollado muchos modelos matemáticos

que exploran las fluctuaciones entre los factores que componen una serie de tiempo. Tal
vez el más esencial sea el modelo multiplicativo clásico para datos registrados cada
año, trimestre o mes. En principio, el modelo multiplicativo clásico se usará para
pronosticar. Otras aplicaciones incluyen un análisis detallado de los componentes
particulares mediante la descomposición de las series de tiempo. Por ejemplo, con
frecuencia los economistas estudian una serie de tiempo anual, trimestral o mensual
para filtrar el componente cíclico y evaluar su movimiento respecto a la actividad
económica general. No obstante, las aplicaciones de la descomposición de una serie de
tiempo están fuera de los objetivos de este libro.
Para exponer el modelo multiplicativo clásico 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 características de esta serie de tiempo, es evidente que los
ingresos reales muestran una propensión a aumentar en este periodo de 24 años. Esta
inclinación global a largo plazo o impresión de un movimiento hacia arriba o hacia
abajo se conoce como tendencia
142
142
Figura 5.2 Gráfica de ingresos netos reales (en miles de millones de dólares) de Eastman Kodak Company
(1975-1998)
Sin embargo, la tendencia no es el único factor componente que influye en estos

datos en particular o en otra serie de tiempo anual. Otros dos factores, el componente
cíclico y el componente irregular, están presentes en los datos.
El componente cíclico describe la oscilación o movimiento hacia arriba o hacia

abajo en una serie de tiempo. Los movimientos cíclicos varían en longitud, en general,
duran de 2 a 10 años; difieren en intensidad o amplitud, y a menudo se relacionan con
los ciclos de los negocios. En algunos años los valores serán más altos que los
pronosticados por una sencilla recta de tendencia lineal (es decir, se encuentran en o
cerca de un pico) de un ciclo); en otros años los valores serán menores que el pronóstico
de una recta de tendencia (esto es, están en o cerca del fondo o depresión de un ciclo).
Cualquier dato observado que no siga la tendencia curva modificada por el componente
cíclico es un indicio del componente aleatorio o irregular. Cuando los datos se
registran por mes o trimestre, se considera un componente adicional llamado factor
estacional junto con los componentes de tendencia, cíclico e irregular.
Los tres o cuatro componentes que influyen en una serie de tiempo económica o
de negocios se resumen en la tabla 5.1. El modelo multiplicativo clásico de series de
tiempo establece que todo valor observado en una serie de tiempo es el producto de
estos factores de influencia; es decir, cuando los datos se obtienen cada año, una
observación registrada en el año se puede expresar por la ecuación (5.1)
Modelo multiplicativo clásico de series de tiempo para datos anuales

(5.1)
donde, en el año i
= valor del componente de tendencia

= valor del componente cíclico
= valor del componente irregular
143 CAPÍTULO 5 Series de tiempo Modelo clásico 143
143
143
Cuando los datos se obtienen por trimestre o por mes, una observación
registrada en el periodo puede estar dada por la ecuación (5.2)
Modelo multiplicativo clásico de series de tiempo para datos con

Componente estacional
(5.2)
donde
= valores respectivos del componente de tendencia, cíclico e

irregular en el periodo
= valor del componente estacional en el periodo
Tabla 5.1 Factores que influyen en datos de series de tiempo.
Componentes Clasificación Definición Razón de la Duración

del influencia
componente
Tendencias Sistemático Patrón de movimiento Cambios en tecnología, Varios años
global o persistente, a población, riqueza,
largo plazo hacia Valores.
arriba o hacia abajo.
Estacional Sistemático Fluctuación más o menos Condiciones de clima, Dentro de 12
regular que ocurre en costumbres sociales y meses (o datos
cada periodo de 12 meses religiosas. menstruales o
cada año. trimestrales).
Cíclico Sistemático Oscilación o movimiento Interacción de De 2 a 10 años
repetitivo arriba o abajo numerosas con diferente
en cuatro 4 etapas; combinaciones de intensidad en el
pico(prosperidad), factores que influyen en ciclo completo
contracción (recesión), la economía
fondo (depresión) y
expansión (recuperación)
Irregular No Fluctuación errática o Variaciones aleatorias Corta duración y
sistemático residual en una serie que en los datos o debidas a sin repetición.
está presente después de eventos no previstos
tomar en cuenta los como huelgas,
efectos sistemáticos (de huracanes,
tendencia, estacional y inundaciones,
cíclica) asesinatos políticos, tec.
5.2. Análisis de fluctuaciones
El primer paso en un análisis de series de tiempo, consiste en graficar los datos y

observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un
movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la
serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es
decir, no hay tendencia positiva o negativa a largo plazo), puede emplearse el método de
promedios móviles o el de suavización exponencial para “emparejar” la serie y
144 CAPÍTULO 5 Series de tiempo Modelo clásico 144
144
144
proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una
tendencia, se pueden aplicar varios métodos de pronóstico de series de tiempo al
manejar datos anuales, y otro método para los datos de series de tiempo mensual o
trimestral.
El patrón o comportamiento de los datos en una serie de tiempo tiene diversos

componentes. El supuesto usual es que se combinan cuatro componentes separados: la
tendencia, el cíclico, el estacional y el irregular para definir valores específicos de la
serie de tiempo. Examinaremos cada uno de estos componentes.
El gráfico de la serie permitirá:
a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un

outliers es una observación de la serie que corresponde a un comportamiento anormal
del fenómeno (sin incidencias futuras) o a un error de medición. Se debe determinar
desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o
reemplazar por otro valor antes de analizar la serie.
Por ejemplo, en un estudio de la producción diaria en una fábrica se presentó la

siguiente situación ver figura 5.3:
Figura 5.3 Producción diaria
Los dos puntos enmarcados en una flecha parecen corresponder a un

comportamiento anormal de la serie. Al investigar estos dos puntos se vio que
correspondían a dos días de paro, lo que naturalmente afectó la producción en esos días.
El problema fue solucionado eliminando las observaciones e 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.
c) Variación estacional: la variación estacional representa un movimiento periódico de

la serie de tiempo. La duración de la unidad del periodo es generalmente menor que un
145 CAPÍTULO 5 Series de tiempo Análisis de fluctuaciones 145
año. Puede ser un trimestre, un mes o un día, etc.
Matemáticamente, podemos decir que la serie representa variación

estacional si existe un número s tal que x(t) = x(t + ks).
Las principales fuerzas que causan una variación estacional son las
condiciones del tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportación de fruta en marzo.
Todos estos fenómenos presentan un comportamiento estacional (anual,

semanal, etc.)
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al

azar) representan todos los tipos de movimientos de una serie de tiempo que no sea
tendencia, variaciones estacionales y fluctuaciones cíclicas.
Un modelo clásico 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 término 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 suposición 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), sí por el contrario la estacionalidad varía con la
tendencia, el modelo más adecuado es un modelo multiplicativo (2). Es claro que el
modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema que se
presenta, es modelar adecuadamente las componentes de la serie.
146 CAPÍTULO 5 Series de tiempo Análisis de fluctuaciones 145
5.3. Análisis de tendencia
En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día,
semana, mes o año o en cualquier otro intervalo regular periódico. Aunque los datos de
serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede
mostrar también desplazamientos o movimientos graduales hacia valores relativamente
mayores o menores a lo largo de un lapso importante de tiempo. El desplazamiento
gradual de la serie de tiempo se llama tendencia de esa serie; este desplazamiento o
tendencia es, por lo común, el resultado de factores a largo plazo, como cambios en la
población, características demográficas de la misma, la tecnología y/o las preferencias
del consumidor.
Por ejemplo, un fabricante de bicicletas podría detectar cierta variabilidad, de
año a año, en la cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas
durante los últimos 10 años, puede encontrar que hay un aumento gradual en el volumen
anual de ventas. Suponga que sus ventas fueron:
Año 1 2 3 4 5 6 7 8 9 10
Ventas (miles) 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4
Este crecimiento anual de las ventas a través del tiempo muestra una tendencia
creciente de la serie de tiempo. La figura 5.4 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.
Figura 5.4 Tendencia lineal de las ventas de bicicletas
35
30
25
Venta (miles)
20
15
10
5
0
0 2 4 6 8 10 12
Año
Si al graficar nuestros datos observamos de manera clara la tendencia lineal a

largo plazo (no importando si es positiva o negativa), entonces estaremos en la posición
de pronosticar con un buen nivel de confianza, con alguno de los métodos que se
indicaran más adelante.
La figura 5.5 muestra otros patrones posibles de tendencia. La sección A

representa una tendencia no lineal; en este caso, la serie de tiempo crece poco al
principio; luego tiene un crecimiento rápido y, finalmente, se nivela.
147 CAPÍTULO 5 Series de tiempo Análisis de tendencia 147
147
147
Esa tendencia podría ser una buena aproximación de las ventas de un producto,
desde su introducción, pasando por un periodo de crecimiento y llegando a una etapa de
saturación del mercado. La tendencia lineal decreciente en la sección B se aplica a una
serie de tiempo que tenga una disminución continua a través del tiempo. La recta
horizontal de la sección C representa una serie de tiempo que no tiene aumento o
disminución consistentes a través del tiempo y que, en consecuencia, no tiene tendencia.
Figura 5.5 Ejemplos de algunos posibles patrones de tendencia en series de tiempo
A B C
5.4. Análisis de variaciones cíclicas
Aunque una serie de tiempo puede presentar una tendencia a través de periodos grandes,
sus valores no caerán con exactitud sobre la línea de tendencia. De hecho, con
frecuencia estas series temporales presentan secuencias alternas de puntos abajo y arriba
de la línea de tendencia. Toda secuencia recurrente de puntos arriba y debajo de la línea
de tendencia, que dura más de un año, se puede atribuir a un componente cíclico de la
serie. La figura 5.6 es la gráfica de una serie de tiempo con un componente cíclico
obvio. Las observaciones se hicieron con intervalos de un año.
Figura 5.6 Componente de tendencia y cíclico de una serie de tiempo con datos anuales
Los ciclos aparecen como series de

Observaciones sobre y debajo
V de la línea de tendencia
o
l
u
m
e
n
Línea de tendencia
Tiempo
Muchas series se tiempo presentan comportamiento cíclico con tramos regulares

de observaciones abajo y arriba de la línea de tendencia. En general, este
comportamiento de la serie se debe a movimientos cíclicos de la economía a través de
varios años. Por ejemplo, los periodos de inflación moderada seguidos de periodos de
148 CAPÍTULO 5 Series de tiempo Análisis de tendencia 148
148
148
inflación rápida pueden determinar series de tiempo que se alternan abajo y arriba de
una línea de tendencia ascendente en general (como la serie de tiempo de los costos de
vivienda). Diversas series de tiempo de principios de la década de los ochenta
presentaron este comportamiento
5.5. Medición de variaciones estacionales e irregulares
Mientras que la tendencia y los componentes cíclicos de una serie de tiempo se

identifican analizando los movimientos de datos históricos a través de varios años, hay
muchas series de tiempo que muestran un patrón regular dentro de un periodo de un
año. Por ejemplo, un fabricante de albercas inflables espera poca actividad de ventas
durante los meses de otoño e invierno, y ventas máximas en los de primavera y verano.
Los fabricantes de equipo para la nieve y de ropa de abrigo esperan un comportamiento
anual opuesto al del fabricante de albercas. No es de sorprender que el componente de la
serie de tiempo que representa la variabilidad en los datos, debida a influencias de las
estaciones, se llama componente estacional. Aunque uno suele imaginarse que un
movimiento estacional de una serie de tiempo sucede dentro de un año, también se
puede usar para representar cualquier patrón regularmente repetitivo cuya duración sea
menor de un año. Por ejemplo, los datos diarios de intensidad de tráfico muestran un
comportamiento “estacional” dentro del mismo día, así se tiene que el flujo máximo se
presenta durante las horas de aglomeración, el moderado durante el resto del día y al
caer la noche, y el mínimo a partir de la medianoche hasta temprano por la mañana.
El componente irregular de la serie de tiempo es el factor residual, “mil usos”,

que explica las desviaciones de la serie de tiempo real respecto a los factores
determinados por los efectos de la tendencia y los componentes cíclicos y estacionales.
Se debe a factores a corto plazo, imprevisibles y no recurrentes que afecta a la serie de
tiempo. Como este componente explica la variabilidad aleatoria de la serie, es
impredecible; de esta manera, no se puede esperar predecir su impacto sobre la serie de
tiempo
5.6. Aplicación de ajustes estacionales
Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de tiempo

observados para eliminar la influencia del componente estacional en ellos; se llaman datos con
ajuste estacional. Los ajustes estacionales son particularmente pertinentes cuando se desea
comparar datos de diferentes meses para determinar si ha tenido lugar un incremento
(o decremento) en relación con las expectativas estacionales. Los valores de serie de tiempo
mensuales (o trimestrales) observados se ajustan respecto de la influencia estacional dividiendo
cada valor entre el índice mensual (o trimestral) de ese mes. El resultado se multiplica luego
por 100 para mantener la posición decimal de los datos originales. La serie que resultante se
llama ventas desestacionalizadas o ventas ajustadas estacionalmente.
149 CAPÍTULO 5 Series de tiempo Suavización 149
149
149
La razón para desestacionalizar las series de ventas es similar las fluctuaciones

estaciónales a fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento, los
totales trimestrales de ventas de la empresa
Tabla 5.2 Ajuste para datos trimestrales

Año Trimestre Ventas Índice Ventas
estacional desestacionalizadas
1996 Invierno 6,7 0,765 8,76
Primavera 4,6 0,575 8,00
Verano 10,0 1,141 8,76
Otoño 12,7 1,519 8,36
1997 Invierno 6,5 0,765 8,50
Primavera 4,6 0,575 8,00
Verano 9,8 1,141 8,59
Otoño 13,6 1,519 8,95
1998 Invierno 6,9 0,765 9,02
Primavera 5,0 0,575 8,70
Verano 10,4 1,141 9,11
Otoño 14.1 1,519 9,28
1999 Invierno 7,0 0,765 9,15
Primavera 5,5 0,575 9,57
Verano 10,8 1,141 9,46
Otoño 15,0 1,519 9,88
2000 Invierno 7,1 0,765 9,28
Primavera 5,7 0,575 9,92
Verano 11,1 1,141 9,72
Otoño 14,5 1,519 9,55
2001 Invierno 8,0 0,765 10,46
Primavera 6,2 0,575 10,79
Verano 11,4 1,141 9,99
Otoño 14,9 1,519 9,81
A fin de eliminar el efecto de la variación estacional, la cantidad estacional, la

cantidad de ventas para cada trimestre (que contiene efectos de tendencia, cíclicos,
irregulares y estaciónales) se divide entre el índice estacional de ese trimestre; esto es,
TSCI/S.
Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7
millones de dólares, el índice estacional par el trimestre de invierno es 76.5 el índice
76.5 indica que las ventas en el primer trimestre normalmente se encuentran 23.5%
abajo del promedio de un trimestre normal. Dividiendo las ventas reales $6.7 millones
entre 76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas
desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se obtuvo
de ($6700000/76.5)100.
Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y
los resultados se dan en millones de dólares. Puesto que la componente estacionalizadas
contiene solo las componentes de tendencia (T), ciclo © e irregular (I). Al revisar las
ventas desestacionalizadas. Es claro que la eliminación del factor estacional permite
considerar la tendencia general a largo plazo de las ventas. También se podrá determinar
la ecuación de regresión de los datos de tendencia y usarla para pronosticar ventas
futuras.
150
150
5.7. Pronósticos basados en factores de tendencia y estacionales.
Como lo indicamos anteriormente el primer pasó en un análisis de series de tiempo,

consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe
determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en
la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el
tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), se
recomienda antes de aplicar alguno de los métodos de pronostico ¨suavizar¨ nuestros
datos a fin de que la tendencia se observe de manera clara.
Los métodos que pueden emplearse para suavizar nuestros datos usualmente son:
a) El método de promedios móviles

b) El método de suavización exponencial
El objetivo de ambos métodos 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 métodos de pronóstico de series de tiempo al manejar datos
anuales, y otro método para los datos de series de tiempo mensual o trimestral, los
cuales se verán posteriormente.
Suavización de una serie de tiempo anual
La tabla 5.3 presenta las ventas mundiales de una fábrica (en millones de unidades) de
automóviles, camiones y autobuses hechos por General Motors Corporation (GM). Para
un periodo de 24 años, de 1975 a 1998, y la figura 5.7 es una gráfica de serie de tiempo
de estos datos. Al examinar este tipo de datos anuales, la impresión visual de las
tendencias globales a largo plazo o movimientos de tendencia en la serie quedan veladas
por la cantidad de variación de un año a otro. Entonces se vuelve difícil juzgar si en esta
serie en realidad existe un efecto de tendencia positivo o negativo a largo plazo .
Tabla 5.3 Ventas de fábrica (en millones de unidades) Para la General Motors Corporation (1975-1998)
Año Ventas de fábrica Año Ventas de fábrica Año Ventas de fábrica
1975 6.6 1983 7.8 1991 7.4

1976 8.6 1984 8.3 1992 7.7
1977 9.1 1985 9.3 1993 7.8
1978 9.5 1986 8.6 1994 8.4
1979 9.0 1987 7.8 1995 8.3
1980 7.1 1988 8.1 1996 8.4
1981 6.8 1989 7.9 1997 8.8
1982 6.2 1990 7.5 1998 8.1
En situaciones como éstas, se pueden usar el método de promedios móviles o la

suavización exponencial para suavizar o emparejar la serie de tiempo y proporcionar
un panorama global del patrón de movimiento de los datos en el tiempo.
151
151
Figura 5.7 Gráfica de las ventas de fábrica (en millones de unidades)

Para la General Motors Corporation (1975-1998)
Ventas de fabrica para General Motors
10
Unidades (millones)
6
4
0
1970 1980 1990 2000
Año
Promedios móviles
El método de promedios móviles 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 cíclicas, el periodo elegido debe ser un valor entero que
corresponda a (o sea múltiplo de) la longitud promedio estimada de un ciclo en una
serie. Los promedios móviles para un promedio determinado de longitud L consiste en
una serie de promedios aritméticos en el tiempo tales que cada uno se calcula a partir de
una secuencia de L valores observados. Estos promedios móviles se representan por el
símbolo PM (L)
A manera de ejemplo, suponga que se desea calcular promedios móviles de 5 años de

una serie que contiene n = 11 años. Como L = 5, los promedios móviles de 5 años
consisten en una serie de medidas obtenidas en el tiempo al promediar secuencias
consecutivas de cinco valores observados. El primer promedio móvil de 5 años se
calcula con la suma de los valores para los primeros 5 años en la serie, dividida entre 5.
Y1 Y2 Y3  Y4 Y5

PM (5) =
5
El segundo promedio móvil de 5 años se calcula con la suma de los valores de los años
2 a 6 en la serie, dividida entre 5
Y Y Y Y Y
PM (5) = 2 3 4 5 6
5
Este proceso continúa hasta calcular el último promedio móvil de 5 años con la suma de
los valores de los últimos 5 años en la serie (años del 7 al 11), dividida entre 5.
Y7  Y8  Y9  Y10  Y11
PM (5) =
5
Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido
para construir los promedios móviles, debe ser un número de años impar. Al seguir esta
regla se observa que no se pueden obtener promedios móviles para los primeros (L –
152
152
1)/2 años o los últimos (L -1)/2 años en la serie. Entonces, para un promedio móvil de 5
años, no es posible hacer cálculos para los primeros 2 años o los últimos 2 años de la
serie.
Al graficar los promedios móviles, cada valor calculado se coloca en el año a la
mitad de la secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer
promedio móvil se centra en el tercer año, el segundo promedio móvil se centra en el
cuarto año y el último en el noveno año. Esto se ilustra en el siguiente ejemplo :
Suponga que los siguientes datos representan los ingresos totales (en millones de
dólares constantes de 1995) de una agencia donde se rentan automóviles, en un intervalo
de 11 años de 1987 a 1997:
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5
Calcule los promedios móviles de 5 años para esta serie de tiempo anual.
Solución
El primer promedio móvil de 5 años es
4.0  5.0  7.0  6.0  8.0 30.0
PM (5) =   6.0
5 5
Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma de los
cinco años y se divide entre 5. Después el promedio se centra en el valor medio, el
tercer año de esta serie de tiempo. Los siguientes valores quedan de la siguiente manera:
5.0  7.0  6.0  8.0  9.0 35.0
PM (5) =   7.0
5 5
7.0  6.0  8.0  9.0  5.0 35.0

PM (5) =   7.0
5 5
6.0  8.0  9.0  5.0 2.0 30.0

PM (5) =   6.0
5 5
8.0  9.0  5.0 2.0  3.5 27.5

PM (5) =   5.5
5 5
9.0  5.0 2.0  3.5  5.5 25.0

PM (5) =   5.0
5 5
5.0 2.0  3.5  5.5  6.5 22.5

PM (5) =   4.5
5 5
Estos promedios móviles se centran en sus respectivos valores medios, el quinto, sexto
y séptimo años de la serie de tiempo. Se observa que al obtener promedios móviles de 5
años, no se pueden calcular los valores para los primeros dos y los últimos dos valores
de la serie de tiempo.
153
153
En la práctica, al obtener promedios móviles se debe usar un programa de computadora

como Microsoft Excel o Minitab para evitar los cálculos tediosos. La tabla 5.4 y 5.5
presenta las ventas anuales de la fábrica (General Motors) que ampara el periodo de 24
años de 1975 a 1998 junto con los cálculos para los promedios móviles de 3 y 7 años.
La gráfica 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 móviles de 3 años, no se pueden
calcular valores para el primero o el último valor en la serie de tiempo.
Tabla 5.4 promedios móviles de 3 y 7 años obtenida con Microsoft Excel
Año Ventas PM 3 años PM 7 años

1975 6,6 #N/A #N/A
1976 8,6 8,1 #N/A
1977 9,1 9,06666667 #N/A
1978 9,5 9,2 8,1
1979 9 8,53333333 8,04285714
1980 7,1 7,63333333 7,92857143
1981 6,8 6,7 7,81428571
1982 6,2 6,93333333 7,78571429
1983 7,8 7,43333333 7,72857143
1984 8,3 8,46666667 7,82857143
1985 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 7,74285714
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 #N/A
1997 8,8 8,43333333 #N/A
1998 8,1 #N/A #N/A
10
8
6
4 VENTAS
2 PM 3 años
PM 7 años
0
Figura 5.8 Gráfica de promedios móviles de 3 y 7 año

154
154
Tabla 5.5 promedios móviles de 3 y 7 años obtenida con Minitab
Tiempo Ventas MA 3 años MA 7 años

1975 6,6 * *
1976 8,6 8,10000 *
1977 9,1 9,06667 *
1978 9,5 9,20000 8,10000
1979 9,0 8,53333 8,04286
1980 7,1 7,63333 7,92857
1981 6,8 6,70000 7,81429
1982 6,2 6,93333 7,78571
1983 7,8 7,43333 7,72857
1984 8,3 8,46667 7,82857
1985 9,3 8,73333 8,01429
1986 8,6 8,56667 8,25714
1987 7,8 8,16667 8,21429
1988 8,1 7,93333 8,08571
1989 7,9 7,83333 7,85714
1990 7,5 7,60000 7,74286
1991 7,4 7,53333 7,82857
1992 7,7 7,63333 7,85714
1993 7,8 7,96667 7,92857
1994 8,4 8,16667 8,11429
1995 8,3 8,36667 8,21429
1996 8,4 8,50000 *
1997 8,8 8,43333 *
1998 8,1 * *
Figura 5.9 Gráfica de promedios móviles de 3 y 7 años en Minitab
Gráfica de dispersión de Ventas; PM 3 Años; PM 7 Años vs. Año

Variable
9,5
Ventas
PM 3 A ño s
9,0 PM 7 A ño s
8,5
Datos Y
8,0
7,5
7,0
6,5
6,0
1975 1980 1985 1990 1995 2000
A ño
Suavización exponencial
La suavización exponencial es otra técnica que se usa para alisar una serie de tiempo y
proporcionar una visualización global de los movimientos a largo plazo de los datos.
Además, se puede usar el método de suavización exponencial para obtener pronósticos a
corto plazo (un periodo futuro) para series de tiempo.
El método de suavización exponencial obtiene su nombre del hecho de que
proporciona un promedio móvil con ponderación exponencial a través de la serie de
tiempo. En toda la serie, cada cálculo de suavización o pronóstico depende de todos los
valores observados anteriores. Ésta es otra ventaja respecto al método de pronósticos
móviles, que no toma en cuenta todos los valores observados de esta manera. Con la
155
155
suavización exponencial, los pesos asignados a los valores observados decrecen en el

tiempo, de manera que al hacer un cálculo, el valor observado más reciente recibe el
peso más alto, el valor observado anterior tiene el siguiente peso más alto, y así
sucesivamente, por lo que el valor observado inicial tiene la menor ponderación.
Aunque la magnitud de los cálculos involucrados puede parecer enorme, la suavización
exponencial al igual que los métodos de promedios móviles está disponible entre los
procedimientos de Microsoft Excel y Minitab.
Si se centra la atención en los aspectos de suavización de la técnica (más que en

el aspecto del pronóstico), las fórmulas desarrolladas para suavizar exponencialmente
una serie en un periodo dado i se basa en sólo tres términos: el valor observado actual
en la serie de tiempo , valor con suavización exponencial calculado anterior Ei 1 y un
peso subjetivo asignado o coeficiente de suavización W. Así, para alisar una serie en
cualquier periodo , se tiene la siguiente expresión.
Obtención de un valor que tiene suavización exponencial en el periodo
donde
EI = valor de la serie suavizada exponencialmente que se calcula en el periodo
EI – 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo – 1
Yi = valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavización (donde 0 < W < 1)
E1 = Y1
La elección del coeficiente de suavización o peso que se asigna a la serie de

tiempo es crítica porque afectará en forma directa los resultados. Es desafortunado que
esta selección sea subjetiva. Si se desea sólo suavizar una serie con la eliminación de la
variación cíclica y la irregular, debe elegirse un valor pequeño para W (cercano a 0).
Por otro lado, si la meta es pronosticar, debe elegirse un valor grande para W (más
cercano a 1). En el primer caso, se podrán observar las tendencias globales a largo plazo
de la serie; en el último caso, es posible predecir direcciones futuras a corto plazo de
manera más adecuada.
Los cálculos de la suavización exponencial se ilustra para un coeficiente de

suavización de W = 0.25. Como punto de partida, se utiliza el valor observado inicial
(tabla 5.3), Y1975 = 6.6 como el primer valor de suavización (E 1975 = 6.6) Después, con
el valor observado de la serie de tiempo para el año 1976 (Y 1976 = 8.6), se suaviza la
serie para el año de 1976 con el cálculo
E i  W Yi  (1W )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

156
156
Este proceso continúa hasta obtener los valores de la suavización exponencial

para los 24 años en la serie de las ventas anuales de la fábrica (General Motors), como
se muestra en la tabla 5.6 y 5.7, y las figuras 5.10 y 5.11
Tabla 5.6 Serie suavizada exponencialmente de las ventas de GM

obtenida con Microsoft Excel
SE SE
Año Ventas (W=0.25) (W=0.50)
1975 6,6 6,6 6,6
1976 8,6 7,1 7,6
1977 9,1 7,6 8,35
1978 9,5 8,075 8,925
1979 9 8,30625 8,9625
1980 7,1 8,0046875 8,03125
1981 6,8 7,70351563 7,415625
1982 6,2 7,32763672 6,8078125
1983 7,8 7,44572754 7,30390625
1984 8,3 7,65929565 7,80195313
1985 9,3 8,06947174 8,55097656
1986 8,6 8,20210381 8,57548828
1987 7,8 8,10157785 8,18774414
1988 8,1 8,10118339 8,14387207
1989 7,9 8,05088754 8,02193604
1990 7,5 7,91316566 7,76096802
1991 7,4 7,78487424 7,58048401
1992 7,7 7,76365568 7,640242
1993 7,8 7,77274176 7,720121
1994 8,4 7,92955632 8,0600605
1995 8,3 8,02216724 8,18003025
1996 8,4 8,11662543 8,29001513
1997 8,8 8,28746907 8,54500756
1998 8,1
Figura 5.10 Gráfica de una serie suavizada exponencialmente

(W = 0.50 y W = 0.25) para las ventas de GM
157
157
Tabla 5.7 Serie suavizada exponencialmente de las ventas de GM

obtenida con Minitab
Año Ventas Suavizar 0,25 Suavizar 0,50

1975 6,6 6,60000 6,60000
1976 8,6 7,10000 7,60000
1977 9,1 7,60000 8,35000
1978 9,5 8,07500 8,92500
1979 9,0 8,30625 8,96250
1980 7,1 8,00469 8,03125
1981 6,8 7,70352 7,41563
1982 6,2 7,32764 6,80781
1983 7,8 7,44573 7,30391
1984 8,3 7,65930 7,80195
1985 9,3 8,06947 8,55098
1986 8,6 8,20210 8,57549
1987 7,8 8,10158 8,18774
1988 8,1 8,10118 8,14387
1989 7,9 8,05089 8,02194
1990 7,5 7,91317 7,76097
1991 7,4 7,78487 7,58048
1992 7,7 7,76366 7,64024
1993 7,8 7,77274 7,72012
1994 8,4 7,92956 8,06006
1995 8,3 8,02217 8,18003
1996 8,4 8,11663 8,29002
1997 8,8 8,28747 8,54501
1998 8,1 8,24060 8,32250
Figura 5.11 Gráfica de una serie suavizada exponencialmente (W = 0.50 y W = 0.25) para las ventas de
GM en Minitab
Gr áfi ca de di spersi ón de Ventas; Suavi zar 0,25; Suavi zar 0,50 vs. Año
Variab le
9,5
Ventas
Suav izar 0,25
9,0 Suav izar 0,50
8,5
Datos Y
8,0
7,5
7,0
6,5
6,0
1975 1980 1985 1990 1995 2000
A ño
Proyección 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 método de proyección de tendencias presenta
un aumento o disminución consistentes a través del tiempo; y no es estable como para
aplicar los métodos de suavizamiento analizados en la sección anterior.
158
158
Veamos la serie de tiempo de ventas de bicicletas de determinado fabricante

durante los últimos 10 años, que se muestran en la tabla 5.8 y en la figura 5.12. Observe
que en el primer año se vendieron 21 600 bicicletas, en el segundo, 22 900, y así
sucesivamente. En el décimo año, el más reciente, se vendieron 31 400 bicicletas.
Aunque la figura 5.12 muestra algo de movimiento hacia arriba y hacia abajo durante
los 10 años, parece que la serie de tiempo tiene una tendencia general de aumento o
crecimiento
Tabla 5.8 Serie de tiempo de venta de bicicletas

Año Ventas
(t) (miles)
1 21,6
2 22,9
3 25,5
4 21,9
5 23,9
6 27,5
7 31,5
8 29,7
9 28,6
10 31,4
Figura 5.12 Serie de tiempo de venta de bicicletas
Gráfica de series de tiempo de ventas

32
30
28
ventas
26
24
22
1 2 3 4 5 6 7 8 9 10
A ño
En este caso no se trata de que el componente de tendencia de una serie de

tiempo siga cada aumento y disminución; más bien ese componente debe reflejar el
desplazamiento gradual, que para este caso es el crecimiento, de los valores de la serie
de tiempo.
159 CAPÍTULO 5 Series de tiempo Proyección de tendencias 159
159
159
Después de examinar los datos de la serie de tiempo en la tabla 5.8 y en la

gráfica de la figura 5.12 concordamos que con una tendencia líneas, como la que
muestra la figura 5.13, se obtiene una descripción razonable del movimiento en la serie
a largo plazo.
Vamos a emplear los datos de ventas de bicicletas para ilustrar los cálculos del
análisis de regresión, a fin de identificar una tendencia lineal. Recuerde que en la
descripción de la regresión lineal simple, describimos cómo se aplica el método de
mínimos cuadrados para determinar la mejor relación lineal entre dos variables; tal
metodología es la que usaremos para definir la línea de tendencia para la serie de tiempo
de ventas de bicicletas. En forma específica, aplicaremos el análisis de regresión para
estimar la relación entre el tiempo y el volumen de ventas.
Figura 5.13 Tendencias de las ventas de bicicletas, representada por una función lineal
Gráfica de análisis de tendencia de ventas
Modelo de tendencia lineal
Yt = 20,40 + 1,10* t
32 Variable
A ctual
A justes
30
Medidas de exactitud
MA PE 5,06814
28 MA D 1,32000
MSD 3,07000
ventas
26
24
22
20
1 2 3 4 5 6 7 8 9 10
A ño
La ecuación de regresión que describe una relación lineal entre una variable
independiente, , y una variable dependiente, , es
Para enfatizar que el tiempo es la variable independiente en los pronósticos,

usaremos en la ecuación en lugar de ; además, usaremos en lugar de . Así para
una tendencia lineal, el volumen estimado de ventas, expresado en función del tiempo,
se puede escribir como sigue:
donde
= valor de la tendencia de la serie de tiempo en el periodo
= ordenada al origen e la línea de tendencia
= pendiente de la línea de tendencia
= tiempo
En esta ecuación igualaremos = 1 para el tiempo en que se obtiene el primer

dato de la serie de tiempo, = 2 para el tiempo del segundo dato y así sucesivamente.
160
160
Observe que, para la serie de tiempo de ventas de bicicletas, = 1 correspondiente

al valor más antiguo de esa serie y = 10 al más reciente.
Las fórmulas para calcular los coeficientes estimados de regresión, y , en

la ecuación que se muestra a continuación.
donde
= valor de la serie de tiempo en el periodo
= número 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
1 21,6 21,6 1
2 22,9 45,8 4
3 25,5 76,5 9
4 21,9 87,6 16
5 23,9 119,5 25
6 27,5 165,0 36
7 31,5 220,5 49
8 29,7 237,6 64
9 28,6 257,4 81
10 31,4 314,0 100
55 264,5 1545,5 385
Por consiguiente,
161
161
Resumen de Excel donde observamos los coeficientes
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,874526167
Coeficiente de determinación R^2 0,764796016
R^2 ajustado 0,735395518
Error típico 1,958953802
Observaciones 10
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 99,825 99,825 26,0130293 0,000929509
Residuos 8 30,7 3,8375
Total 9 130,525
Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 20,4 1,338220211 15,24412786 3,3999E-07 17,31405866
Año 1,1 0,215673715 5,100296983 0,00092951 0,602655521
Es la ecuación del componente de tendencia lineal para la serie de tiempo de

ventas de bicicletas.
La pendiente 1,1 indica que, durante los últimos 10 años, la empresa ha tenido
un crecimiento promedio de ventas igual a 1100 unidades anuales, aproximadamente. Si
suponemos que la tendencia en los 10 años pasados es un buen indicador del futuro,
aplicamos la ecuación para proyectar el componente de tendencia de la serie de tiempo.
Por ejemplo, al sustituir = 11 en esa ecuación, se obtiene la proyección de tenencia
para el año próximo,
Así sólo con el componente de tendencia pronosticaríamos ventas de 32 500

bicicletas para el próximo año.
Utilice Microsoft Excel o Minitab para resolver los siguientes problemas
Ejercicios
1.- En la compañía Pérez, los porcentajes mensuales de los embarques recibidos durante
los últimos 12 meses fueron
80, 82, 84, 83, 83, 84, 85, 84, 82, 83, 84 y 83
a) Compare el pronóstico con promedios móviles de tres meses con uno de
suavizamiento exponencial con ¿Con cuál se obtienen mejores
pronósticos?
2.- La siguiente serie de tiempo representa las ventas de un producto durante los últimos
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 para calcular los valores de suavizamiento exponencial de la

serie de tiempo
b) Use una constante de suavizamiento igual a 0,5 para calcular los valores de
suavizamiento exponencial. ¿Cuál de las constantes 0,3 o 0,5, parece producir
los mejores pronósticos
162
162
3.- Los datos que siguen representan el número anual de empleados (en miles) de una
compañía petrolera para los años 1978 a 1997.
Número de empleados (en miles)
Año Número Año Número Año Número

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
1981 1.60 1988 1.73 1995 2.00
1982 1.74 1989 1.77 1996 2.08
1983 1.92 1990 1.90 1997 1.88
1984 1.95 1991 1.82
a) Grafique los datos en un diagrama

b) Ajuste un promedio móvil de 3 años a los datos y grafique los resultados en el
diagrama
c) Utilice un coeficiente de suavización W = 0.50, aplique la suavización exponencial a
la serie y grafique los resultados en el diagrama
4.- Los siguientes datos representan las ventas anuales (en millones de dólares) de una
compañía que procesa alimentos para los años 1972 a 1997
Ventas anuales (millones de dólares)
Año Ventas Año Ventas Año 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 1988 41.7 1997 42.1
1980 56.3 1989 38.3
a) Grafique los datos en un diagrama

b) Ajuste un promedio móvil de 7 años a los datos y grafique los resultados en el
diagrama
c) Utilice un coeficiente de suavización W = 0.25, aplique la suavización exponencial a
la serie y grafique los resultados en el diagrama
163 CAPÍTULO 5 Series de tiempo Ejercicios 163
163
163
5.- Los datos de inscripciones, en miles, en una universidad estatal durante los últimos
seis años son los siguientes:
Año 1 2 3 4 5 6
Inscripción 20,5 20,2 19,5 19,0 19,1 18,8
Deduzca una ecuación del componente de tendencia lineal en esta serie de

tiempo. Haga comentarios acerca de lo que sucede con la inscripción en esta institución.
6.- Al final de la década de los noventa, muchas empresas trataron de reducir su tamaño
para disminuir sus costos. Uno de los resultados de esas medidas de recorte de costos
fue una disminución en el porcentaje de empleos gerenciales en la industria privada. Los
siguientes datos corresponden al porcentaje de mujeres gerentes, de 1990 1 1995
Año 1990 1991 1992 1993 1994 1995

Porcentaje 7,45 7,53 7,52 7,65 7,62 7,73
a) Deduzca una ecuación de tendencia lineal para esta serie de tiempo.

b) Use la ecuación de la tendencia para estimar el porcentaje de mujeres gerentes
para 1996 y 1997
7.- ACT Networks. Inc., desarrolla, fabrica y vende productos para acceso a redes de
banda ancha. Los siguientes datos son las ventas anuales de 1992 a 1997
Año 1992 1993 1994 1995 1996 1997

Ventas 5,4 6,2 12,7 20,6 28,4 44,9
(millones)
a) Deduzca una ecuación de tendencia lineal para esta serie de tiempo

b) ¿Cuál es el aumento promedio de ventas anuales en esta empresa
c) Use la ecuación de tendencia para pronosticar las ventas en 1998
Caso a resolver 1 Pronóstico de ventas de alimentos y bebidas
El restaurante Vintage está en la isla Captiva, lugar de descanso cerca de Fort Myers,
Florida. El restaurante, cuya dueña y operadora es Karen Payne, acaba de completar su
tercer año de funcionamiento. Karen, durante ese lapso, ha tratado de ganarse una
reputación como establecimiento de alta calidad que se especializa en mariscos. Sus
esfuerzos han tenido éxito y su restaurante ha llegado a ser uno de los mejores y de
mayor crecimiento en la isla.
Karen ve que, para planear el crecimiento futuro del restaurante, necesita

desarrollar un sistema que le permita pronosticar las ventas de alimentos y bebidas cada
mes, hasta con un año de anticipación. Cuenta con los siguientes datos sobre las ventas
totales de alimentos y bebidas (en miles de dólares) durante los tres años de
funcionamiento.
164
164
Mes Primer año Segundo año Tercer año

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
Septiembre 110 122 126
Octubre 130 130 148
Noviembre 152 167 173
Diciembre 206 230 235
Analice los datos de ventas del restaurant. Prepare un informe a Karen que contenga
lo que encontró, sus pronósticos y recomendaciones. Dicho informe debe incluir:
a) Una gráfica de la serie de tiempo

b) Un análisis de influencias estacionales sobre los datos. Indique los índices
estacionales para cada mes y haga comentarios acerca de los meses con ventas
altas y bajas. ¿Tiene sentido intuitivo esos índices estacionales? Describa por
qué.
c) Un pronóstico de ventas desde enero hasta diciembre del cuarto año.
d) Recomendaciones sobre cuándo se debe actualizar el sistema que ha preparado,
para tomar en cuenta nuevos datos de ventas
e) Todos los cálculos detallados de su análisis aparecen en el apéndice de su
informe.
Suponga que las ventas en enero del cuarto año fueron de 295 000 dólares. ¿Cuál
fue su error de pronóstico? Si es grande, Karen se quedará confundida por la diferencia
entre su pronóstico y el valor real de las ventas. ¿Qué puede hacer para resolver la
incertidumbre en el procedimiento de pronóstico?
Caso a resolver 2 Pronóstico de ventas perdidas
La tienda de departamentos Carlson sufrió graves daños cuando pasó un huracán el 31

de agosto de 2000. Estuvo cerrada durante cuatro meses (de septiembre a diciembre de
2000), y ahora tiene una dificultad con su aseguradora acerca de la cantidad de ventas
perdidas, mientras estuvo cerrada. Se deben resolver dos asuntos clave: 1) la cantidad de
ventas de Carlson si no la hubiera dañado el huracán, y 2) si Carlson tiene derecho a una
compensación por ventas adicionales a causa de mayor actividad después de la
tormenta. A su condado llegaron más de 8000 millones de dólares en fondos federales
para desastres y seguros, lo cual ocasionó un aumento en las ventas de las tiendas de
departamento y de muchos otros negocios.
La siguiente tabla muestra los datos del departamento de comercio de Estados

Unidos sobre las ventas totales durante los 48 meses anteriores a la tormenta, en todas
las tiendas de departamentos en el condado, y también las ventas totales durante los
cuatro meses en que Carlson estuvo cerrada. Los administradores de Carlson le pidieron
165
165
analizar estos datos y preparar estimados de las ventas perdidas en sus almacenes
durante los meses de septiembre a diciembre de 2000. También le pidieron determinar si
es posible alegar exceso de ventas relacionado con el huracán, durante el mismo
periodo. Si se puede presentar ese argumento. Carlson tiene derecho a compensaciones
por exceso sobre las ventas ordinarias.
Mes 1996 1997 1998 1999 2000

Enero 1,45 2,31 2,31 2,56
Febrero 1,80 1,89 1,99 2,28
Marzo 2,03 2,02 2,42 2,69
Abril 1,99 2,23 2,45 2,48
Mayo 2,32 2,39 2,57 2,73
Junio 2,20 2,14 2,42 2,37
Julio 1,13 2,27 2,40 2,31
Agosto 2,43 2,21 2,50 2,23
Septiembre 1,71 1,90 1,89 2,09
Octubre 1,90 2,13 2,29 2,54
Noviembre 2,74 2,56 2,83 2,97
Diciembre 4,20 4,16 4,04 4,35
Prepare un informe a los gerentes de Carlson que resuma lo que encontró, sus
pronósticos y recomendaciones. Éste debe incluir:
a) Un estimado de ventas si no hubiera habido huracán.
b) Un estimado de ventas en tiendas de departamentos de todo el condado, si no
hubiera habido huracán
c) Un estimado de ventas perdidas de Carlson, de septiembre a diciembre de 200
166 166
166
166
Apéndice
Tablas
167 167
167
167
Distribución T de Student
Grados de 0,25 0,2 0,15 0,1 0,05 0,025 0,01 0,005

libertad
1 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,656
2 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925
3 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841
4 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604
5 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032
6 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707
7 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499
8 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355
9 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250
10 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169
11 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106
12 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055
13 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012
14 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977
15 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947
16 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921
17 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898
18 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878
19 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861
20 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845
21 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831
22 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819
23 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807
24 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797
25 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787
26 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779
27 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771
28 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763
29 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756
30 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750
168 168
168
168
Distribución normal estándar
0 Z
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1915 0.1850 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2518 0.2549
0.7 0.2580 0.2612 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 3.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4956 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4986 0.4986 0.4987 0.4987 0.4988 0.4988 0.4988 0.4989 0.4989 0.4990
3.1 0.4990 0.4990 0.4991 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992
3.2 0.4993 0.4993 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995
3.3 0.4995 0.4995 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996
3.4 0.4996 0.4996 0.4996 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997
3.5 0.4997 0.4997 0.4997 0.4997 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.7 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
169 169
169
169
Distribución normal para una cola
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5039 0.5079 0.5119 0.5159 0.5199 0.5239 0.5279 0.5318 0.5358
0.1 0.5398 0.5437 0.5477 0.5517 0.5556 0.5596 0.5635 0.5674 0.5714 0.5753
0.2 0.5792 0.5831 0.5870 0.5909 0.5948 0.5987 0.6025 0.6064 0.6102 0.6140
0.3 0.6179 0.6217 0.6255 0.6293 0.6330 0.6368 0.6405 0.6443 0.6480 0.6517
0.4 0.6554 0.6590 0.6627 0.6664 0.6700 0.6736 0.6772 0.6808 0.6843 0.6879
0.5 0.6914 0.6949 0.6984 0.7019 0.7054 0.7088 0.7122 0.7156 0.7190 0.7224
0.6 0.7257 0.7290 0.7323 0.7356 0.7389 0.7421 0.7453 0.7485 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7733 0.7763 0.7793 0.7823 0.7852
0.8 0.7881 0.7910 0.7938 0.7967 0.7995 0.8023 0.8051 0.8078 0.8105 0.8132
0.9 0.8159 0.8185 0.8212 0.8238 0.8263 0.8289 0.8314 0.8339 0.8364 0.8389
1.0 0.8413 0.8437 0.8461 0.8484 0.8508 0.8531 0.8554 0.8576 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8707 0.8728 0.8749 0.8769 0.8790 0.8810 0.8829
1.2 0.8849 0.8868 0.8887 0.8906 0.8925 0.8943 0.8961 0.8979 0.8997 0.9014
1.3 0.9032 0.9049 0.9065 0.9082 0.9098 0.9114 0.9130 0.9146 0.9162 0.9177
1.4 0.9192 0.9207 0.9221 0.9236 0.9250 0.9264 0.9278 0.9292 0.9305 0.9318
1.5 0.9331 0.9344 0.9357 0.9369 0.9382 0.9394 0.9406 0.9417 0.9429 0.9440
1.6 0.9452 0.9463 0.9473 0.9484 0.9494 0.9505 0.9515 0.9525 0.9535 0.9544
1.7 0.9554 0.9563 0.9572 0.9581 0.9590 0.9599 0.9607 0.9616 0.9624 0.9632
1.8 0.9640 0.9648 0.9656 0.9663 0.9671 0.9678 0.9685 0.9692 0.9699 0.9706
1.9 0.9712 0.9719 0.9725 0.9731 0.9738 0.9744 0.9750 0.9755 0.9761 0.9767
2.0 0.9772 0.9777 0.9783 0.9788 0.9793 0.9798 0.9803 0.9807 0.9812 0.9816
2.1 0.9821 0.9825 0.9829 0.9834 0.9838 0.9842 0.9846 0.9849 0.9853 0.9857
2.2 0.9860 0.9864 0.9867 0.9871 0.9874 0.9877 0.9880 0.9883 0.9886 0.9889
2.3 0.9892 0.9895 0.9898 0.9900 0.9903 0.9906 0.9908 0.9911 0.9913 0.9915
2.4 0.9918 0.9920 0.9922 0.9924 0.9926 0.9928 0.9930 0.9932 0.9934 0.9936
2.5 0.9937 0.9939 0.9941 0.9942 0.9944 0.9946 0.9947 0.9949 0.9950 0.9952
2.6 0.9953 0.9954 0.9956 0.9957 0.9958 0.9959 0.9960 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9971 0.9972 0.9973
2.8 0.9974 0.9975 0.9975 0.9976 0.9977 0.9978 0.9978 0.9979 0.9980 0.9980
2.9 0.9981 0.9981 0.9982 0.9983 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986
3.0 0.9986 0.9986 0.9987 0.9987 0.9988 0.9988 0.9988 0.9989 0.9989 0.9990
170 170
170
170
Valores Críticos de la Distribución Chi-Cuadrado.
FUNCION DE DISTRIBUCION
0.005 0.010 0.025 0.050 0.100 0.900 0.950 0.975 0.990 0.995
1 0.000039 0.000157 0.000982 0.003932 0.01582.71 3.84 5.02 6.63 7.88
2 0.0100 0.0201 0.0506 0.10 0.21 4.61 5.99 7.38 9.21 10.60
3 0.0717 0.11 0.22 0.35 0.58 6.25 7.81 9.35 11.34 12.84
4 0.21 0.30 0.48 0.71 1.06 7.78 9.49 11.14 13.28 14.86
5 0.41 0.55 0.83 1.15 1.61 9.24 11.07 12.83 15.09 16.75
6 0.68 0.87 1.24 1.64 2.20 10.64 12.59 14.45 16.81 18.55
7 0.99 1.24 1.69 2.17 2.83 12.02 14.07 16.01 18.48 20.28
8 1.34 1.65 2.18 2.73 3.49 13.36 15.51 17.53 20.09 21.95
9 1.73 2.09 2.70 3.33 4.17 14.68 16.92 19.02 21.67 23.59
10 2.16 2.56 3.25 3.94 4.87 15.99 18.31 20.48 23.21 25.19
GRADOS DE LIBERTAD
11 2.60 3.05 3.82 4.57 5.58 17.28 19.68 21.92 24.72 26.76
12 3.07 3.57 4.40 5.23 6.30 18.55 21.03 23.34 26.22 28.30
13 3.57 4.11 5.01 5.89 7.04 19.81 22.36 24.74 27.69 29.82
14 4.07 4.66 5.63 6.57 7.79 21.06 23.68 26.12 29.14 31.32
15 4.60 5.23 6.26 7.26 8.55 22.31 25.00 27.49 30.58 32.80
16 5.14 5.81 6.91 7.96 9.31 23.54 26.30 28.85 32.00 34.27
17 5.70 6.41 7.56 8.67 10.09 24.77 27.59 30.19 33.41 35.72
18 6.26 7.01 8.23 9.39 10.86 25.99 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 10.12 11.65 27.20 30.14 32.85 36.19 38.58
20 7.43 8.26 9.59 10.85 12.44 28.41 31.41 34.17 37.57 40.00
21 8.03 8.90 10.28 11.59 13.24 29.62 32.67 35.48 38.93 41.40
22 8.64 9.54 10.98 12.34 14.04 30.81 33.92 36.78 40.29 42.80
23 9.26 10.20 11.69 13.09 14.85 32.01 35.17 38.08 41.64 44.18
24 9.89 10.86 12.40 13.85 15.66 33.20 36.42 39.36 42.98 45.56
25 10.52 11.52 13.12 14.61 16.47 34.38 37.65 40.65 44.31 46.93
26 11.16 12.20 13.84 15.38 17.29 35.56 38.89 41.92 45.64 48.29
27 11.81 12.88 14.57 16.15 18.11 36.74 40.11 43.19 46.96 49.64
28 12.46 13.56 15.31 16.93 18.94 37.92 41.34 44.46 48.28 50.99
29 13.12 14.26 16.05 17.71 19.77 39.09 42.56 45.72 49.59 52.34
30 13.79 14.95 16.79 18.49 20.60 40.26 43.77 46.98 50.89 53.67
171 171
171
171
Valores Críticos de la Distribución F - Función de Distribución = 0.90.
GRADOS DE LIBERTAD DEL NUMERADOR

1 2 3 4 5 6 7 8 9 10
1 39.86 49.50 53.59 55.83 57.24 58.20 58.91 59.44 59.86 60.19
G 2 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38 9.39
R 3 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24 5.23
A 4 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94 3.92
D 5 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32 3.30
O
S 6 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96 2.94
7 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72 2.70
D 8 3.46 3.11 2.92 2.81 2.73 2.67 2.62 2.59 2.56 2.54
E 9 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44 2.42
10 3.29 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35 2.32
L
I 11 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27 2.25
B 12 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.24 2.21 2.19
E 13 3.14 2.76 2.56 2.43 2.35 2.28 2.23 2.20 2.16 2.14
R 14 3.10 2.73 2.52 2.39 2.31 2.24 2.19 2.15 2.12 2.10
T 15 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 2.09 2.06
A
D 16 3.05 2.67 2.46 2.33 2.24 2.18 2.13 2.09 2.06 2.03
17 3.03 2.64 2.44 2.31 2.22 2.15 2.10 2.06 2.03 2.00
D 18 3.01 2.62 2.42 2.29 2.20 2.13 2.08 2.04 2.00 1.98
E 19 2.99 2.61 2.40 2.27 2.18 2.11 2.06 2.02 1.98 1.96
L 20 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96 1.94
D 21 2.96 2.57 2.36 2.23 2.14 2.08 2.02 1.98 1.95 1.92
E 22 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93 1.90
N 23 2.94 2.55 2.34 2.21 2.11 2.05 1.99 1.95 1.92 1.89
O 24 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91 1.88
M 25 2.92 2.53 2.32 2.18 2.09 2.02 1.97 1.93 1.89 1.87
I
A 26 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 1.88 1.86
D 27 2.90 2.51 2.30 2.17 2.07 2.00 1.95 1.91 1.87 1.85
O 28 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87 1.84
R 29 2.89 2.50 2.28 2.15 2.06 1.99 1.93 1.89 1.86 1.83
30 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85 1.82
40 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79 1.76
60 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74 1.71
90 2.76 2.36 2.15 2.01 1.91 1.84 1.78 1.74 1.70 1.67
120 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65
172 172
172
172

1 2 3 4 5 6 7 8 9 10
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88
G 2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40
R 3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
A 4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
D 5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
O
S 6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
D 8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
E 9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
L
I 11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
B 12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
E 13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
R 14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
T 15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
A
D 16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
D 18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
E 19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
L 20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
D 21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
E 22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
N 23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
O 24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
M 25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
I
A 26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
D 27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20
O 28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
R 29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04 1.99 1.94
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91
173 173
173
173

1 2 3 4 5 6 7 8 9 10
1 4052 5000 5403 5625 5764 5859 5928 5981 6022 6056
G 2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39 99.40
R 3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23
A 4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55
D 5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05
O
S 6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62
D 8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81
E 9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85
L
I 11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54
B 12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30
E 13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10
R 14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94
T 15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80
A
D 16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59
D 18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51
E 19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43
L 20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37
D 21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31
E 22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26
N 23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21
O 24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17
M 25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13
I
A 26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09
D 27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06
O 28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03
R 29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63
90 6.93 4.85 4.01 3.53 3.23 3.01 2.84 2.72 2.61 2.52
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47
174 174
174
174
Bibliografía
GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edición. Análisis y Diseño
de Experimentos. Mc Graw Hill.
MONTGOMERY, C.D.; G.C, RUNGER. 2010. Segunda edición. Probabilidad y

Estadística. LIMUSA WILEY
MONTGOMERY, C.D. Diseño y Análisis de Experimentos. Segunda edición.

LIMUSA WILEY
WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edición. Probabilidad y
Estadística Para Ingenieros. Pearson Education
ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A.2005. Octava edición.

Estadística para Administración y Economía. MATH LEARNING
BERENSON, M.L.; LEVINE, D.M.; KREHBIEL, T.C. 2001. Segunda edición.

Estadística para Administración. Prentice Hall.
Ensenada Baja California agosto de 2012

Capi 4 Y5

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Capi 4 Y5

Hochgeladen von

Copyright:

Verfügbare Formate

1 CAPÍTULO 4 Diseños factoriales Uso de software estadístico 111

4.1. Diseños factoriales con dos factores

Explicar cuando un diseño de experimentos es un diseño factorial, describiendo los

Conceptos básicos en diseños factoriales

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre

Los factores pueden ser de tipo cualitativo (máquinas, tipos de material,

Un diseño de experimentos factorial o arreglo factorial es el conjunto de puntos

Más en general, la familia de diseños factoriales consiste de k factores, todos

4.1. Diseños factoriales con dos factores

Efecto principal y efecto de interacción

Tabla 4.1 Diseño factorial

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

donde es la media general, es el efecto debido al i-ésimo nivel del factor es el

Es decir, los efectos dados en el modelo son desviaciones respecto de la media

Estas hipótesis se prueban mediante la técnica de análisis de varianza que para

donde los respectivos grados de libertad de cada una de ellas son:

El factor en los grados de libertad de la suma de cuadrados del error

ANOVA para el diseño factorial

Si el valor-p es menor al nivel de significancia prefijado, se rechaza la

Recordemos la notación de puntos para representar sumas y medias:

Con esta notación la suma de cuadrados totales es:

donde N = es el total de observaciones en el experimento. Las sumas de cuadrados

Datos del experimento factorial 4 x 3

El acabado ( ) está en unidades de gramos e interesa minimizar su valor

De acuerdo a esto para obtener el ANOVA para el ejemplo, calculemos los

Con esta información se construye el análisis de varianza de la tabla 4.2. Del

alta ( ) el efecto de profundidad es menor (véase la dispersión de las líneas en la

El ANOVA de la tabla 5.2 se dice que no está desglosado, ya que cuando en un

Tabla 5.2 ANOVA para el ejemplo

El planteamiento de hipótesis quedaría de la siguiente manera:

Con su nivel de significancia como con sus grados de libertad respectivamente

Resultado arrojado en Minitab para el ejemplo anterior

Modelo lineal general: RESPUESTA vs. PRFUNDIDAD; VELOCIDAD

Factor Tipo Niveles Valores

Análisis de varianza para RESPUESTA, utilizando SC ajustada para pruebas

Fuente GL SC sec. SC ajust. MC ajust. F P

Las comparaciones de medias se introdujeron en la sección ´´Diseño completamente al

mientras que para el factor B se tienen los tres pares de hipótesis,

Donde es el punto porcentual 100( de la distribución T de

De los totales marginales dados en el renglón inferior de la tabla donde se

donde sólo la primer diferencia resulta no significativa, es decir, se acepta

1.- La pintura tapaporo de aviones se aplica en superficies de aluminio utilizando dos

Tipo de Inmersión Aspersión

Modelo lineal general: Respuesta vs. Tapaporo; Adherencia

Factor Tipo Niveles Valores

Adherencia fijo 2 Inmersión; Aspersión

Análisis de varianza para Respuesta, utilizando SC ajustada para pruebas

Fuente GL SC sec. SC ajust. MC ajust. F P

S = 0,286744 R-cuad. = 90,79% R-cuad.(ajustado) = 86,96%

2.- Se presentan los resultados de un experimento en el que interviene una batería de

a) Pruebe las hipótesis apropiadas y saque conclusiones utilizando el análisis de

b) varianza con = 0.05

3.- En un artículo se describe un experimento para investigar el efecto de dos factores

Tipo de Tipo de fósforo

a) Enuncie las hipótesis de interés en este experimento

4.- Se condujo un experimento para determinar si la temperatura del fuego o la posición

a) Enuncie las hipótesis de interés

4.2. Diseños factoriales con tres factores

ANOVA para el diseño a x b x c

donde N = es el total de observaciones en el experimento. Las sumas de cuadrados

Factor U. originales U. codificadas