Академический Документы
Профессиональный Документы
Культура Документы
EXPERIMENTO
DISEO DE EXPERIMENTOS UNIDAD EXPERIMENTAL
VARIABLE DE RESPUESTA
FACTORES CONTROLABLES
FACTORES NO CONTROLABLES
* Proceso robusto
PRINCIPIOS BSICOS DEL DISEO DE EXPERIMENTOS Son el punto de partida para una correcta planeacin, los cuales tienen que ver directamente con que los datos obtenidos sean tiles para responder las preguntas deseadas. 1. ALEATORIZACIN: Consiste en hacer las corridas experimentales en orden aleatorio y con material seleccionado aleatoriamente.
2. REPETICIN: Consiste en repetir el experimento bsico (permite la estimacin del error experimental)
3. BLOQUES: Tcnica de diseo usada para mejorar la precisin del experimento; nulifica o toma en cuenta todos los factores que puedan afectar la respuesta.
EJEMPLO:
ESTRATEGIA DE EXPERIMENTACIN
ENFOQUE DE LA MEJOR CONJETURA: Seleccionar combinacin arbitraria de los factores, probarlos y ver qu ocurre.
ENFOQUE DE UN FACTOR A LA VEZ: Consiste en seleccionar un punto de partida o lnea base de los niveles, para cada factor, para despus variar cada factor en su rango, manteniendo constantes los factores restantes.
ESTRATEGIA DE EXPERIMENTACIN
* DISEO FACTORIAL 22: Dos factores, cada uno con dos niveles.
ESTRATEGIA DE EXPERIMENTACIN
* DISEO FACTORIAL 22: Dos factores, cada uno con dos niveles.
ESTRATEGIA DE EXPERIMENTACIN
* DISEO FACTORIAL 23: Tres factores, cada uno con dos niveles.
ESTRATEGIA DE EXPERIMENTACIN
* DISEO FACTORIAL 24: Cuatro factores, cada uno con dos niveles.
DESARROLLO DE PROCESOS NUEVOS 1. MEJORAS EN RENDIMIENTO DEL PROCESO 2. VARIABILIDAD REDUCIDA Y CONFORMIDAD MS CERCANA CON LOS REQUERIMENTOS NOMINALES O PROYECTADOS 3. REDUCCIN DEL TIEMPO DE DESARROLLO 4. REDUCCIN DE COSTOS GLOBALES
DISEO DE INGENIERA
1. EVALUACIN Y COMPARACIN DE CONFIGURACIONES DE DISEOS BSICOS 2. SELECCIN DE LOS PARMETROS DEL DISEO PARA QUE EL PRODUCTO TENGA BUEN FUNCIONAMIENTO EN AMPLIA VARIEDAD DE CONDICIONES DE CAMPO. (PROCESO ROBUSTO) 3. LA EVALUACIN DE MATERIALES ALTERNATIVOS 4. LA DETERMINACIN DE LOS PARMETROS CLAVE QUE AFECTAN EL DESEMPEO DEL PRODUCTO.
UNIDAD 2
EXPERIMENTOS DE UN FACTOR: ANLISIS DE VARIANZA
UN EJEMPLO
UN EJEMPLO
ANLISIS DE VARIANZA
En general habr a niveles de un factor, o a tratamientos y n rplicas del experimento, corridas en orden aleatorio. N = an = corridas totales El objetivo es probar las hiptesis de las medias de los a tratamientos
ANLISIS DE VARIANZA
El nombre anlisis de varianza se deriva de la particin de la variacin total en la variable de respuesta en componentes que son consistentes con un modelo para el experimento.
El modelo bsico de un factor de ANOVA es: Modelo de los efectos o anlisis de varianza simple
= media global yij = es la observacin ij-sima ij = error aleatorio (0, 2) i = efecto del tratamiento i-simo
ANLISIS DE VARIANZA
ANLISIS DEL MODELO CON EFECTOS FIJOS
Los a niveles del factor son seleccionados especficamente por el experimentador ya que el inters del experimento se centra en conocer los efectos sobre la respuesta de estos niveles particulares.
Total de las observaciones bajo el tratamiento isimo Gran total de todas las observaciones Promedio de todas observaciones
H0: 1 = 2 = a H1: i j
El inters se encuentra en probar la igualdad de las a medias de los tratamientos. Las hiptesis apropiadas son:
ANLISIS DE VARIANZA
DESCOMPOSICIN DE LA SUMA DE CUADRADOS TOTAL
Es una medida de la variabilidad de los datos
ANLISIS DE VARIANZA
DESCOMPOSICIN DE LA SUMA DE CUADRADOS TOTAL
Se tiene por lo tanto:
ANLISIS DE VARIANZA
Mientras la suma de cuadrados no puede ser directamente comparado con la prueba de hiptesis de medias iguales, los cuadrados medios si pueden Un cuadrado medio es la suma de cuadrados divido entre sus grados de libertad.
ANLISIS DE VARIANZA
H0: 1 = 2 = a H1: i j
EJEMPLO 2.1
La distribucin de referencia para F0 es la distribucin Fa-1, a(n-1). Si F0 > Fa-1, a(n-1) se rechaza la hptesis nula
ANLISIS DE VARIANZA
Se pueden simplificar las ecuaciones:
ANLISIS DE VARIANZA
CODIFICACIN DE LAS OBSERVACIONES
EJEMPLO 3.2
ANLISIS DE VARIANZA
ESTIMACIN DE LOS PARMETROS DEL MODELO
Intervalo de confianza de 100 (1-) por ciento para la media del tratamiento isimo es
Intervalo de confianza de 100 (1-) por ciento para la diferencia en las medias de dos tratamientos.
ANLISIS DE VARIANZA
ESTIMACIN DE LOS PARMETROS DEL MODELO
INTERVALOS DE CONFIANZA UNO A LA VEZ, EL NIVEL DE CONFIANZA SLO SE APLICA A UNA ESTIMACIN PARTICULAR
ANLISIS DE VARIANZA
INTERVALOS DE CONFIANZA SIMULTNEOS
Si hay inters en r intervalos de confianza, (uno para cada una de varias medias o diferencias de medias) de 100(1 r) por ciento , la probabilidad de que los r intervalos simultneamente sean correctos es al menos 1- r, conocida como ndice de error en el modo del experimento o coeficiente de confianza global. EJEMPLO: Si r = 5 intervalos y = 0.05
El nivel de confianza simultneo para el conjunto de los cinco intervalos es de al menos 0.75
MTODO DE BONFERRONI: Sustituir /2 con /(2r) en las ecuaciones del intervalo de confianza uno a la vez.
ANLISIS DE VARIANZA
DATOS NO BALANCEADOS Cuando el nmero de observaciones es diferente para cada tratamiento el diseo es no balanceado. VENTAJAS DE DISEO BALANCEADO * El estadstico de prueba es relativamente insensible a las desviaciones pequeas del supuesto de igualdad de las varianzas de los a tratamientos * La potencia de la prueba se maximiza
ANLISIS DE VARIANZA
VERIFICACIN DE LA ADECUACIN DEL MODELO Requiere que se satisfagan ciertos supuestos:
1. El modelo describa de manera adecuada las observaciones. 2. Los errores siguen una distribucin normal e independiente con media 0 y varianza 2 constante pero desconocida.
**Las violaciones de los supuestos bsicos y la adecuacin del modelo pueden estudiarse: Examen de los residuales
ANLISIS DE VARIANZA
SUPUESTO DE NORMALIDAD
HISTOGRAMA DE RESIDUALES GRFICA DE PROBABILIDAD NORMAL DE LOS RESIDUALES
ANLISIS DE VARIANZA
SUPUESTO DE NORMALIDAD PUNTO ATPICO: Una anomala comn en las grfica de probabilidad es un residual que es mucho ms grande que cualquier otro,
Existen varios procedimientos estadsticos para detectarlos:
RESIDUOS ESTANDARIZADOS
Cerca del 68% debern estar incluidos dentro de los lmites de 1. Cerca del 95% debern estar incluidos dentro de los lmites de 2. Virtualmente todos debern estar incluidos dentro de los lmites de 3.
ANLISIS DE VARIANZA
GRFICA DE LOS RESIDUALES EN SECUENCIA DEL TIEMPO Es til para detectar correlaciones entre los residuales.
Una tendencia de tener corridas de residuales positivos y negativos indica una correlacin positiva. Esto implicara una violacin al supuesto de independencia de los errores.
La aleatorizacin adecuada del experimento puede ser la solucin.
ANLISIS DE VARIANZA
GRFICA DE LOS RESIDUALES CONTRA LOS VALORES AJUSTADOS Si el modelo es correcto y se satisfacen los supuestos, los residuales debern estar sin estructura (sin patrn obvio).
En ocasiones la varianza no constante se incrementa cuando la magnitud de las observaciones se incrementa (residuales mayores) Surge en los casos en que los datos siguen una distribucin no normal
TRANSFORMACIN PARA ESTABILIZAR LA VARIANZA
ANLISIS DE VARIANZA
PRUEBAS ESTADSTICAS PARA LA IGUALDAD DE VARIANZA
PRUEBA DE BARTLETT
X0 2 > X,a-1 2
ESTADSTICO DE PRUEBA
ANLISIS DE VARIANZA
PRUEBAS ESTADSTICAS PARA LA IGUALDAD DE VARIANZA
EJEMPLO 3.4
ANLISIS DE VARIANZA
PRUEBAS ESTADSTICAS PARA LA IGUALDAD DE VARIANZA
EJEMPLO 3.5
ANLISIS DE VARIANZA
PRUEBAS ESTADSTICAS PARA LA IGUALDAD DE VARIANZA
EJEMPLO 3.5
ANLISIS DE VARIANZA
GRFICA DE LOS RESIDUALES CONTRA OTRAS VARIABLES
Si se han recolectado datos de cualesquiera otras variables que posiblemente pudieran afectar la respuesta, los residuales debern graficarse contra esas variables.
Los patrones en tales grficas residuales implican que la variable afecta la respuesta.
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
Se sabe que hay diferencias entre las medias de los tratamientos pero cules difieren? (MTODO DE COMPARACIONES MLTIPLES)
COMPARACIONES GRFICAS DE MEDIAS MTODO DE SCHEFF MTODO DE TUKEY
MTODO DE LSD
MTODO DE DUNCAN MTODO DE NEWMAN-KEULS
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS COMPARACIONES GRFICAS DE MEDIAS
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
Ejemplo: Si desean compararse dos medias 1 y 2, en caso de que sean iguales: 1 = 2 1 - 2 = 0 Cuyos coeficientes son 1 y -1, y por tanto suman 0.
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
1 + 2 - 23
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
EJEMPLO 3.6
EJEMPLO SCHEFF
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
MTODO DE SCHEFF
Valor crtico contra el que debe compararse Cu Si |Cu| > S,u s rechaza la Hiptesis de que u = 0
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
MTODO DE TUKEY
Suponiendo que despus de un anlisis de varianza en que se ha rechazado la hiptesis nula de la igualdad de las medias de los tratamientos, quieren probarse todas las comparaciones de las medias por pares
DISTRIBUCIN DEL RANGO STUDENTIZADO
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
Diseo balanceado
ANLISIS DE VARIANZA
MTODO DE DUNCAN
Diseo no balanceado
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS
EJEMPLO NEWMAN-KEULS
Diseo no balanceado
ANLISIS DE VARIANZA
COMPARACINES ENTRE LAS MEDIAS DE LOS TRATAMIENTOS CON UN CONTROL
En muchos experimentos, uno de los tratamientos es un control, y el analista se interesa en comparar cada una de las medias restantes con el control
DISEO NO BALANCEADO
DISEO BALANCEADO
EJEMPLO 3.10
2 MS E | yi. ya | d (a 1, f ) n
La hiptesis se rechaza
ANLISIS DE VARIANZA
DETERMINACIN DEL TAMAO DE LA MUESTRA CURVAS DE OPERACIN CARACTERSTICAS Es una grfica de probabilidad del error tipo II de una prueba estadstica para un tamao de muestra particular contra un parmetro que refleja la medida en que la hiptesis nula es falsa.
EJEMPLO 3.11
ANLISIS DE VARIANZA
DETERMINACIN DEL TAMAO DE LA MUESTRA
ANLISIS DE VARIANZA
DETERMINACIN DEL TAMAO DE LA MUESTRA
ANLISIS DE VARIANZA
DETERMINACIN DEL TAMAO DE LA MUESTRA
v1 = a-1 = 4
v2= a(n-1)
Desventajas
Es difcil seleccionar el conjunto de las medias de los tratamientos en el que se basar la decisin del tamao de la muestra
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
BLOQUES ALEATORIZADOS
FACTOR PERTURBADOR: Factor de diseo que probablemente tenga efecto sobre la respuesta , pero en el que no existe inters especfico.
Conocido y controlable
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
** La palabra completos indica que cada bloque contiene todos los tratamientos.
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS ANLISIS ESTADSTICO DEL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS.
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS ANLISIS ESTADSTICO DEL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS. El modelo bsico es: Modelo de los efectos
= media global yij = es la observacin ij-sima ij = error aleatorio (0, 2) j = efecto del bloque j-simo i = efecto del tratamiento i-simo
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS ANLISIS ESTADSTICO DEL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS.
N =ab
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS ANLISIS ESTADSTICO DEL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS.
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS ANLISIS ESTADSTICO DEL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS.
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS ANLISIS ESTADSTICO DEL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS.
**Si se quisieran hacer comparaciones mltiples de las medias de los tratamientos se pueden utilizar los vistos con anterioridad (sustituyendo nmero de rplicas por bloques)
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS ANLISIS ESTADSTICO DEL DISEO DE BLOQUES COMPLETOS ALEATORIZADOS. VERIFICACIN DE LA ADECUACIN DEL MODELO
1. El modelo describa de manera adecuada las observaciones. 2. Los errores siguen una distribucin normal e independiente con media 0 y varianza 2 constante pero desconocida. Examen de los residuales
ANLISIS DE VARIANZA
DETERMINACIN DEL TAMAO DE LA MUESTRA CURVAS DE OPERACIN CARACTERSTICAS
ANLISIS DE VARIANZA
ESTIMACIN DE VALORES FALTANTES
Los tratamientos dejan de ser ortogonales a los bloques, es decir, no ocurren todos los tratamientos en cada uno de los bloques.
ANLISIS DE VARIANZA
ESTIMACIN DE VALORES FALTANTES ANLISIS APROXIMADO. Ejemplo: Suponga que en el experimento de la prueba de dureza el ejemplar de la prueba 3 se rompi mientras se probaba la prueba 2.
EJEMPLO VF
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS CUADRADOS LATINOS
Se usa para eliminar dos fuentes de variabilidad perturbadoras, en otras palabras, permite analizar sistemticamente por bloques en dos direcciones. Es un arreglo cuadrado donde los tratamientos se presentan mediante las letras latinas A, B, C, D y E, etc; de ah el nombre de cuadrado latino.
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS CUADRADOS LATINOS
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS El modelo bsico es: Modelo de los efectos
= media global yijk = es la observacin en el rengln i-simo y la columna k-sima para el tratamiento j -simo ijk = error aleatorio (0, 2) k = efecto de la columna k-sima j = efecto del tratamiento j-simo i = es el efecto del rengln i-simo
EJEMPLO (4.3)
ANLISIS DE VARIANZA
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS VERIFICACIN DE LA ADECUACIN DEL MODELO
1. El modelo describa de manera adecuada las observaciones. 2. Los errores siguen una distribucin normal e independiente con media 0 y varianza 2 constante pero desconocida.
Examen de los residuales
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
CUADRADO LATINO ESTNDAR: El primer rengln y la primera columna constan de letras escritas en orden alfabtico
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
RPLICAS DE CUADRADOS LATINOS Cuando se usan cuadrados latinos pequeos, con frecuencia es deseable hacer rplicas de los mismos.
CASO 1. CASO 2.
En cada rplica se usan los mismos niveles de los factores para la formacin de bloques.
CASO 3.
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS RPLICAS DE CUADRADOS LATINOS
En cada rplica se usan los mismos niveles de los factores para la formacin de bloques en los renglones y las columnas.
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS RPLICAS DE CUADRADOS LATINOS
ANLISIS DE VARIANZA
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS RPLICAS DE CUADRADOS LATINOS
ANLISIS DE VARIANZA
DISEO CUADRADO GRECOLATINO
Su utiliza para controlar sistemticamente tres fuentes de variabilidad extraa, es decir, para hacer la formacin de bloques en tres direcciones. (estudia cuatro factores: renglones, columnas, letras latinas y griegas para los tratamientos) Considere que a un cuadrado latino P x P se le superpone un cuadrado latino P x P en el que los tratamientos se denotan por letras griegas.
ANLISIS DE VARIANZA
DISEO CUADRADO GRECOLATINO
= media global yijkl = es la observacin en el rengln i-simo y la columna l-sima para el tratamiento j simo y k-sima ijkl = error aleatorio (0, 2) i = efecto del rengln i-simo i= efecto de la columna l-sima j = efecto del tratamiento de letra latinaj-simo k = es el efecto del tratamiento de la letra griega k-sima
EJEMPLO (4.4)
ANLISIS DE VARIANZA
DISEO CUADRADO GRECOLATINO
EJEMPLO (4.4)
ANLISIS DE VARIANZA
DISEO CUADRADO GRECOLATINO
ANLISIS DE VARIANZA
ANEXOS
EJEMPLO 4.3. Suponga que un experimentador estudia los efectos que tienen 5 formulaciones diferentes de la carga propulsora utilizada en los sistemas de expulsin de la tripulacin de un avin basado en la rapidez de combustin. Cada formulacin se hace con un lote de materia prima que solo alcanza para hacer 5 formulaciones. Adems las formulaciones son preparadas por varios operadores.