Instituto Tecnológico Superior de

Coatzacoalcos.
División de Ingeniería Industrial.

FEBRERO – JUNIO 2019.

Nombre del Alumno: Zapot Casanova Diana

Guadalupe.
Apellido Paterno Apellido Materno Nombre(s)

ASIGNATURA: ESTADISTICA INFERENCIAL II

UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.

Nombre del Docente: Jiménez Ventura Bricio.

Apellido Paterno Apellido Materno Nombre(s)

Carrera: Ing. Industrial Semestre: 4° Grupo: ¨C¨

No
Control: 17081143.
ÍNDICE.

Introducción. 3

UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.

5.1 DISEÑOS FACTORIALES CON DOS FACTORES. 4

7
5.2 DISEÑOS FACTORIALES CON TRES FACTORES.
5.3 DISEÑO FACTORIAL GENERAL. 12

5.4 MODELOS DE EFECTOS ALEATORIOS. 15

5.5 USO DE UN SOFTWARE ESTADÍSTICO. 19

Conclusión.

Referencias bibliográficas.

2
INTRODUCCIÓN.
El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una
o varias respuestas o características de calidad, es decir, lo que se busca es
estudiar la relación entre los factores y la respuesta, con la finalidad de conocer
mejor cómo es esta relación y generar conocimiento que permita tomar acciones y
decisiones que mejoren el desempeño del proceso. Por ejemplo, uno de los
objetivos particulares más importantes que en general tiene un diseño factorial es
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
disminuyen cierto 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 cómo influye cada factor sobre la variable respuesta, es necesario elegir al
menos dos niveles de prueba para cada uno de ellos. Con el diseño factorial
completo se corren aleatoriamente en el proceso todas las posibles
combinaciones que pueden formarse con los niveles seleccionados.

3
 UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.
5.1 DISEÑOS FACTORIALES CON DOS FACTORES.

El modelo matemático asociado al diseño de dos factores-tratamiento con

interacción y replicado es el siguiente:

Para cada i = 1,...,I, j = 1,...,J, k = 1,...,K se tiene el siguiente modelo:

(5.22)

con ijk v.a. independientes con distribución N .

Donde,

Y ijk es el resultado del tratamiento i-ésimo, i = 1,2,...,I del factor T y del

tratamiento j-ésimo, j = 1,2,...,ni del factor T , en la replicación t-ésima, t =
1,...,K.
es el efecto global que mide el nivel medio de todos los resultados,
i es el efecto (positivo o negativo) sobre la respuesta debido a que se observa

I
el nivel i del factor T . Se verifica que i = 1 i = 0,

j es el efecto (positivo o negativo) sobre la respuesta debido a que se observa

J
el nivel j del factor T . Se verifica que j=1 i = 0,

ij representa la interacción y es el efecto extra (positivo o negativo) sobre

la respuesta debido a que se observan conjuntamente los niveles i y j de los

factores T y T respectivamente. Mide la desviación de las medias de la
hipótesis de aditividad de los efectos y viene definida por:

I J
e verifica que i=1 ij = j=1 ij = 0, para i = 1,...,I; j = 1,...,J.

4
 ijk es el error experimental o perturbación, son variables aleatorias

independientes idénticamente distribuidas (i.i.d.) con distribución N .

Por tanto, los parámetros de este modelo son

Parámetr Número
os

i I-1

j J-1

ij

2
1

Total IJ + 1

Siendo n = IJK el número de observaciones.

El modelo (5.22)de diseño de experimentos con dos factores tratamiento con

interación se conoce como modelo completo de dos vías o modelo de análisis
de lavarianza de dos vías.

Si, ocasionalmente, experimentos similares previos o hechos científicos

contrastados garantizan con una razonable seguridad que ambos factores no
interaccionan, el experimento se modeliza a través de:

(5.23)

5
 con ijk v.a. independientes con distribución N .

El modelo (5.23) es un “submodelo” del modelo completo de dos vías y se

denomina modelo de efectos principales de dos vías o modelo aditivo de dos
vías dado que el efecto sobre la respuesta del tratamiento ij se modeliza como la
suma de los efectos individuales de cada factor. Es importante

Usar el modelo de efectos principales sólo cuando se tiene la certeza de que no existe
interacción entre los factores.

Si no se tiene un conocimiento razonable acerca de la interacción debe

seleccionarse un modelo completo. El motivo es que la inferencia sobre los
efectos principales cuando no se ha considerado interacción erróneamente puede
ser confusa ya que se está incrementando artificialmente el error experimental.

La estrategia a seguir es:

1. Si se sospecha que hay interacción, en primer lugar, se contrasta el efecto

de la interacción en un modelo completo de dos vías.

2. Si no resulta significativa, se continúa con el análisis examinando los

efectos principales en el mismo modelo. No es conveniente cambiar al
modelo de efectos principales salvo que se esté muy seguro de la no
existencia de interacción.

3. Si resulta significativo el efecto interacción, entonces los contrastes sobre

los efectos individuales no son válidos. Si son significativos los contrastes
sobre los efectos individuales, los resultados pueden darse por válidos.
Pero si los contrastes son no significativos, los resultados no tienen porque
ser correctos.

6
Si el efecto interacción es significativo, generalmente es preferible pasar a un
modelo de una vía donde los niveles son todas las combinaciones de niveles y
examinar así sus posibles diferencias.

Otra posibilidad es examinar las diferencias entre niveles de un factor

manteniendo fijos los niveles del otro. En este caso las conclusiones son correctas
para la situación concreta estudiada.

5.2 DISEÑOS FACTORIALES CON TRES FACTORES.

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 2x2=2 2 que consiste de cuatro
combinaciones o puntos experimentales. Considerando otra vez k=2 factores, pero
ahora con tres niveles y el otro con dos niveles se puede construir 3x2
combinaciones que dan lugar al diseño factorial 3x2.

Más en general, la familia de diseños factoriales 2 k consiste en k factores, todos

con dos niveles de prueba; la familia de diseños 3 k consiste de k factores cada uno
con tres niveles de prueba.

Diseño Factorial 22

Supongamos que se tienen dos factores A: tiempo y B: velocidad, cada uno con
dos niveles (bajo y alto), la respuesta es la cantidad de aditivo. En el experimento,
cada tratamiento se corrió tres veces (tres réplicas) lo que da un total de 12
corridas del proceso. Por simplicidad sólo se muestra los resultados de la primera
réplica:

7
Efecto principal y efecto de interacción

El efcto de un factor se define como el cambio observado en la variable respuesta

debido a un cambio de nivel de tal factor. En particular los efectos principales, son
los cambios en la media de la variable respuesta debido a la acción individual de
cada factor. Matemáticamente el efecto principal de un factor es la diferencia entre
la respuesta media observada cuando tal factor estuvo en su nivel más alto y la
respuesta media observada cuando el factor estuvo en su nivel más bajo. Por
ejemplo, para los datos de la tabla anterior están daos por:

16.26+18.16 17.10+18.76
Efecto A: Tiempo= − =−0.72
2 2

18.76+18.16 17.10+ 16.26

Efecto B: Velocidad= − =1.78
2 2

Por otro lado, se dice que dos factores interactúan entre sí o que tienen un efecto
de interacción sobre la variable respuesta, cuando el efecto de un factor depende
del nivel en que se encuentra el otro. Por ejemplo, los factores tiempo y velocidad
interactúan si el efecto del tiempo es muy diferente en cada nivel de velocidad, o
viceversa, si el efecto de la velocidad depende del tiempo. Veamos esto con los
datos:

Efecto A con B bajo: 16.26 – 17.10 = -0.84

Y cuando la velocidad es alta el efecto de A es:

Efecto A con B alto: 18.16 – 18.76 = -0.6

Si estos dos efectos de A en función del nivel B fueran diferentes, entonces eso
sería evidencia de que la elección más conveniente del nivel de A depende del
nivel en que esté B y viceversa. Es decir, eso sería evidencia de que los factores
A y B interactúan entre sí. En la práctica el cálculo del efecto de A en cada nivel de
B no se hace, y más bien se calcula el efecto global de la interacción entre los dos
factores. El efecto de interacción entre A y B, denotado por AB se calcula como la
diferencia entre la respuesta media cuando ambos factores se encuentran en el
mismo nivel ((bajo,bajo),(alto,alto)), y la respuesta media cuando los factores se

8
encuentran en niveles opuestos ((bajo, alto),(alto, bajo)). Para el ejemplo el efecto
de la interacción tiempo x temperatura está dado por:

17.10+18.16 16.26+ 18.76

AB= − =0.12
2 2

Los valores absolutos de los efectos principales y del efecto de la interacción son
una medida de la magnitud de su efecto sobre la variable respuesta. Así, entre
más grande sea el valor absoluto de un efecto, mayor influencia tendrá sobre la
variable respuesta. Sin embargo, para saber si los efectos son estadísticamente
significativos se requiere del análisis de varianza.

Ventajas de los diseños factoriales

1. Son diseños que se pueden aumentar para formar diseños compuestos en

caso de que se requiera una exploración más completa.
2. Se pueden correr fracciones de diseños factoriales, las cuales son de gran
utilidad en las primeras etapas de una investigación que involucra a muchos
factores, cuando interesa descartar de manera económica los que son
importantes, antes de hacer un estudio más detallado con los factores que
si son importantes.
3. Pueden utilizarse en combinación con diseños de bloques en situaciones en
las que no puede correrse el diseño factorial completo bajo las mismas
condiciones o circunstancias.
4. La interpretación y cálculo de los efectos en los experimentos factoriales se
puede hacer con aritmética elemental, en particular cuando cada factor se
prueba en dos niveles.

Diseños Factoriales con dos Factores

Considere los factores A y B con a y b (a, b ≥ 2) niveles de prueba,

respectivamente. Con ellos se puede construir el diseño factorial a x b que
consiste en a x b tratamientos. Se llama réplica a cada repetición completa del
arreglo factorial. Los diseños factoriales que involucran menos de 4 factores se
corren replicados para poder tener la potencia necesaria en las pruebas

9
estadísticas sobre los efectos de interés, de tal forma que si se hacen n réplicas, el
número total de corridas experimentales es n(a x b).

Modelo Estadístico:

Con un diseño factorial a x b se pueden estudiar los efectos individuales y el

efecto de interacción de ambos factores. En términos estadísticos lo que se afirma
es que el comportamiento de la variable respuesta Y en el experimento con k
réplicas se podrá escribir mediante:

αβ ¿ij +ε ijk
Y ijk=μ+ α i + β j+ ¿

i=1,2, … , a j=1,2,… , b k =1,2,… , n

Donde μ es la media general, αi es el efecto del i-ésimo nivel del factor A,

βj αβ ¿ij
es el efecto del j-ésimo nivel del factor B, representa el efecto de
¿
interacción en la combinación ij y ε ijk es el error aleatorio que supone sigue una
2
distribución con media cero y varianza constante σ y son independientes entre
sí. Para que la estimación de los parámetros en este modelo sea única, se
introducen las restricciones:

αβ ¿ ij =0
b ¿
α i=¿ ∑ β j=0 b

j=1 αβ ¿ij =¿ ∑ ¿
a y j=1

∑¿ ¿
a
i=1
∑¿
i=1

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

global.

Hipótesis a evaluar y análisis de varianza

10
Para el Factor A

H 0 : Efecto A=0

H 1 : Efecto A ≠ 0

H 0 : α 1=α 2=…=α a =0

H 1 : α i ≠0 para algúni

Para el Factor B

H 0 : Efecto B=0

H 1 : Efecto B≠ 0

H 0 : β1= β2=…=β b =0

H 1 : β j ≠ 0 para algún j

Para la interacción AB:

H 0 : Efecto AB=0

H 1 : Efecto AB≠ 0

H 0 :(αβ )ij =0 para todoij

H 1 :(αβ )ij ≠ 0 para algúnij

El ANOVA para un diseño factorial a x b con n réplicas resulta de descomponer la

variación total como:

SST=SSA+SSB+SSAB+SSE

Y la tabla de ANOVA está dada por:

11
 5.3 DISEÑO FACTORIAL GENERAL.

Los resultados del ANOVA para dos factores pueden ser extendidos a un
caso general en donde a son los niveles del factor A, b son los niveles del factor
B, c son los factores del nivel C, y así sucesivamente, los cuales pueden ser
arreglados en un experimento factorial, en el cual el número de réplicas es n.
Está diseñada para generar procesos de calidad. TAGUCHI desarrolló una
aproximación al diseño de experimentos con el objetivo de reducir los costos
emanados de la experimentación, esta aproximación es más práctica que teórica y
se interesa mas por la productividad y los costos de producción que en las reglas
estadísticas. Los conceptos de estas técnicas están basados en las relaciones de
costos y ahorros.
Diseñar un sistema de manufactura para elaborar un producto requiere de
conocimientos técnicos además de una gran experiencia en el área a la cual
pertenece el producto.
Los diseños factoriales son ampliamente utilizados en experimentos en los que
intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que
resultan importantes porque se usan ampliamente en el trabajo de investigación, y

12
porque constituyen la base para otros diseños de gran valor práctico.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad
El diseño factorial fraccionario 2 k-p se usa en experimentos de escrutinio para
identificar con rapidez y de manera eficiente el subconjunto de factores que son
activos, y para obtener alguna información sobre la interacción. La propiedad de
proyección de estos diseños hace posible en muchos casos examinar los factores
activos con más detalle. La combinación secuencia de estos diseños a través del
plegamiento es una forma muy eficaz de obtener información extra acerca de las
interacciones, la cual puede identificarse en un experimento inicial como
potencialmente importante.

Los diseños factoriales son a ampliamente utilizados en experimentos en los que

intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que
resultan importantes porque . se usan ampliamente en el trabajo de investigación,
y porque constituyen la base para otros diseños de gran valor práctico.
El más importante de estos casos especiales ocurre cuando se tienen k factores,
cada uno con dos niveles. Estos niveles pueden ser cuantitativos como sería el
caso de dos valores de temperatura presión o tiempo. También pueden ser
cualitativos como sería el caso de dos máquinas, dos operadores, los niveles
"superior" e "inferior" de un factor, o quizás, la ausencia o presencia de un factor.
Una réplica completa de tal diseño requiere que se recopilen 2 x 2 x .... x 2 =
2k observaciones y se conoce como diseño general 2k.
El segundo caso especial es el de k factores con tres niveles cada uno, conocido
como diseño factorial 3k.
Se supone que:
a) los factores son fijos
b) los diseños son completamente aleatorios
c) se satisface la suposición usual de normalidad
El diseño 2k es particularmente útil en las primeras fases del trabajo experimental,
13
cuando es probable que haya muchos factores por investigar.
Conlleva el menor número de corridas con las cuales pueden estudiarse k factores
en un diseño factorial completo. Debido a que sólo hay dos niveles para cada
factor, debe suponerse que la respuesta es aproximadamente lineal en el intervalo
de los niveles elegidos de los factores.

Este diseño es una variación del diseño 2 k y son muy útiles como las que se
emplean cuando todos los factores actúan a tres niveles.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad.
Este es un diseño que consta de k factores con tres niveles cada uno. Los
factores y las interacciones se representan mediante letras mayúsculas. Los tres
niveles de los factores pueden referirse como nivel inferior, intermedio y superior.
Estos niveles se representan mediante los dígitos 0 (nivel inferior), 1 (intermedio) y
2 (superior).
Cada combinación de tratamientos de un diseño 3 k se presenta mediante k dígitos,
donde el primero incida el nivel de A, el segundo señale al nivel de B, ..... y el k-
ésimo dígito, el nivel del factor k.
Por ejemplo, es un diseño 32 el 00 representa la combinación de tratamientos, en
la que tanto el factor A como el B están en el nivel inferior, y el 01 representa la
combinación de tratamientos que corresponde al factor A en el nivel inferior y a B
en el nivel intermedio.
En éste, el sistema de notación que se prefiere usar es el de + - en virtud de que
facilita la interpretación geométrica del diseño y de que es directamente aplicable
al modelado por regresión, la formación de bloques y la construcción de factoriales
fraccionarios.
La adición de un tercer nivel permite modelar con una relación cuadrática la
relación entre la respuesta y cada factor.

14
 5.4 MODELOS DE EFECTOS ALEATORIOS.

En el modelo de efectos aleatorios, los niveles del factor son una muestra aleatoria
de una población de niveles. Este modelo surge ante la necesidad de estudiar un
factor que presenta un número elevado de posibles niveles, que en algunas
ocasiones puede ser infinito. En este modelo las conclusiones obtenidas se
generalizan a toda la población de niveles del factor, ya que los niveles empleados
en el experimento fueron seleccionados al azar.

Formalmente la expresión del modelo es la misma que en el modelo de efectos

fijos dado por la ecuación:

yij = µ + τi + uij

Con la diferencia de que ahora τi son variables aleatorias. Además este modelo
requiere que las variables τi y uij sean independientes y sigan distribuciones
normales con media 0 y varianza constante σ 2τ y σ2, respectivamente. Así, por la
independencia entre las variables τi y uij, la varianza de cualquier observación de la
muestra, es decir, la varianza total, denotada por σ 2T, vale:

σ2T = σ2τ + σ2

La mecánica del Análisis de la Varianza es la misma que en el modelo de efectos

fijos, excepto en el cálculo de las esperanzas de los cuadrados medios, ya que
mientras en el modelo de efectos fijos, los efectos τ i eran constantes que cumplían
la condición ∑Ii=1 nτ
ii = 0, ahora son variables aleatorias N (0, σ τ), no sometidas a
ninguna restricción. En este modelo, carece de sentido probar la hipótesis que se
refiere a los efectos de tratamiento individuales y, en su lugar, debe realizarse el
contraste:

H0: σ2τ = 0

H1: σ2τ > 0

15
Si se acepta H0, σ2τ = 0, significa que todos los tratamientos son idénticos; en
cambio, si se acepta H1, σ2τ > 0, significa que existe variabilidad entre los
tratamientos.

Al igual que en el modelo de efectos fijos, se distingue entre el caso equilibrado y

el caso no-equilibrado.

En este modelo se asume que las k muestras son muestras aleatorias de

k situaciones distintas y aleatorias. De modo que un valor aislado Yij se puede
escribir como:

Donde µ es la media global, Eij son variables (una para cada muestra) distribuidas
normalmente, con media 0 y varianza σ2 (como en el modelo I) y Ai es una variable
distribuida normalmente, independiente de las eij, con media 0 y varianza σ2.

La diferencia con respecto al modelo de efectos fijos es que en lugar de los

efectos ai ahora se consideran efectos aleatorios Ai.

Igual que en el modelo de efectos fijos se encuentra que MSE no se modifica en la

H1 y que al valor esperado de MSA se le añade el término de componente
añadida (que aquí es una verdadera varianza ya que Ai es una variable aleatoria):

Para llegar a este resultado se utiliza la asunción de independencia entre Ai y Eij y

es, por tanto, muy importante en el modelo y conviene verificar si es correcta en
cada caso.

Por tanto, en H0 tanto MSA como MSE estiman σ2, mientras que en H1, MSE sigue
estimando s2 y MSA estima σ2 + nσ2a. La existencia de esta componente añadida

16
se contrasta con F= MSA/MSE y en caso afirmativo, la varianza de Ai se estima
como:

Modelo de efectos aleatorios no-equilibrado

Como en el modelo de efectos fijos, la variabilidad total de los datos se puede

expresar como la suma de la variabilidad entre los tratamientos y la variabilidad
dentro de los mismos. A partir de estas variabilidades se definen las
correspondientes varianzas muéstrales.

Para establecer el procedimiento del contraste de hipótesis, para el modelo de

efectos aleatorios, calculemos en primer lugar los valores esperados de la
varianza a entre tratamientos y de la varianza residual.

Como en el modelo de efectos fijos, consideremos las expresiones de y i., Ӯi., y.. e
Ӯ.., en función de los parámetros del modelo, con objeto de poder hallar las
esperanzas de las varianzas muéstrales.

yi. = niµ + niτi + ui. ; Ӯi. = µ + τi + ῡi.

y.. = Nµ + ∑Ii=1 niτi + u.. ; Ӯ.. = µ + 1/N ∑Ii=1 niτi + ῡ..

Modelo de efectos aleatorios equilibrado

En el modelo equilibrado o balanceado, el número de observaciones en cada nivel

del factor es el mismo. Fijando dicho valor en n, el número total de observaciones
es N = I × n. En este caso se obtiene la siguiente expresión para la esperanza de
la varianza entre tratamientos

E(S2Tr) = nσ2τ + σ2

Y los siguientes estimadores para las componentes de la varianza

σ2 = S2R

σ2τ =(S2Tr − S2R)/n

17
Naturalmente, todo lo dicho sobre la estimación de σ2Τ en el modelo no-
equilibrado, es aplicable a este caso.

Desde el punto de vista práctico, el modelo equilibrado presenta la ventaja de que

se pueden obtener con STATGRAPHICS las componentes de la varianza.

Además de efectuar el contraste de hipótesis, en el modelo de efectos aleatorios

interesa estimar los valores σ 2τ. El procedimiento utilizado para ello se denomina
“método de componentes de la varianza”. Dicho procedimiento consiste en igualar
las esperanzas de las varianzas entre tratamientos y residual con sus
correspondientes valores muéstrales y resolver el sistema resultante:

S2Tr = N2 −∑in2i/N(I − 1) σ2τ + σ2

S2R = σ2.

Así, se obtienen los siguientes estimadores de las varianzas:

σ2 = S2R

σ2τ = N(I − 1)/N2 −∑in2i [S2Tr − S2R]

Puede comprobarse que si la hipótesis alternativa es cierta, entonces σ 2Τ es un

estimador insesgado de σ2τ.

En el caso de que la varianza residual sea mayor que la varianza entre

tratamientos, el método de componentes de la varianza conduce a una estimación
negativa de σ2τ. Evidentemente esto carece de sentido, al tratarse de un parámetro
no negativo. Cuando esto ocurre se puede adoptar alguna de las siguientes
alternativas:

 Rechazar por inadecuado el modelo propuesto y replantear el problema.

 Reinterpretar la estimación de σ2Τ como evidencia de que su verdadero
valor es cero; es decir, admitir que σ 2τ = 0. Esto puede ocasionar que las
propiedades estadísticas de los restantes estimadores se vean perturbadas
por esta decisión.
 Utilizar otro método de estimación que no conduzca a estimaciones
negativas.

18
La selección de una opción concreta dependerá del experimento analizado o del
criterio del investigador.

5.5 USO DE UN SOFTWARE ESTADÍSTICO.

SAS, o Statistical Analysis System, fue diseñado como una herramienta de análisis
de datos para todo propósito. SAS proporciona herramientas para el
almacenamiento y recuperación de información, modificación de datos y
programación; elaboración de reportes, estadística simple y avanzada, y el manejo
de archivos. Varios de los productos de SAS son integrados con el SAS BASE
para proporcional un sistema completo. Por ejemplo, el modulo SAS/STAT provee
una poderosa herramienta para procedimientos de análisis estadístico el cual
incluye regresión, análisis de varianza, análisis de datos categóricos, análisis
multivariado, análisis discriminante, análisis de conglomerados, etc.

El modulo SAS/ETS provee procedimientos para realizar análisis de Series de

Tiempo y el SAS/IML es usado para la manipulación de datos matriciales.
Actualmente, los diferentes módulos de SAS hacen que éste sea un software de
los que se llaman como "de inicio a fin". Permite crear gráficos, trabajar como una
hoja de cálculo, compilar programas
en lenguaje C, incluye herramientas para construir interfases para la WWW,
herramientas para tratar el Datawarehouse o para explotar datos con la filosofía
del Datamining, etc.

19
El programa SAS básicamente es
encuentra dividido en dos grandes
ventanas:
- Ventana izquierda "Explorer":
contiene accesos directos a los
ficheros que interesen, información
sobre las librerías y una ventana de
resultados dónde aparece la
información obtenida de las
diferentes ejecuciones desglosadas.
- Ventana derecha: Contiene las ventanas principales LOG, OUTPUT, EDITOR.

El modo de trabajo que utiliza SAS se basa en éstas tres ventanas:

Ventana EDITOR: Esta ventana corresponde a la ventana de sintaxis, por lo tanto

es editable. Para poder ejecutar la sintaxis, se debe pulsar el botón: Para ejecutar
una parte de la sintaxis, primero se selecciona dicha parte y después se pulsa el
botón.
- Ventana LOG: En esta ventana se consulta y revisa todo lo que se ha ejecutado,
aparecen mensajes de advertencia y de error en caso necesario y se informa
sobre la velocidad de ejecución y recursos.
- Ventana OUTPUT: Cuando se ejecutan procedimientos de SAS, en esta ventana
se muestran los listados, tablas y/o resultados.

CONCLUSIÓN.

20
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.

En las industrias es importante la estadística ya que gracias a ella se crean

nuevas mejoras en los productos, es decir se van mejorando según las
calificaciones que le asigne el consumidor, de esta manera buscan la mejora del
producto.
La estadística es importante en nuestras vidas tanto que gracias a ellas se crean
nuevos medicamentos, ya que obtienen porcentajes cada día de enfermedades
nuevas que deben ser curadas con medicamentos para cada tipo de enfermedad.

REFERENCIAS BIBLIOGRÁFICAS.
21
García Leal, J. & Lara Porras, A.M. (1998). “Diseño Estadístico de Experimentos.
Análisis de la Varianza.” Grupo Editorial Universitario.

Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos, Análisis de la

Varianza y Temas Relacionados: Tratamiento Informático mediante SPSS.”
Proyecto Sur de Ediciones.

22