5. DISEÑO FACTORIALES 2 k

Tamaño: px
Comenzar la demostración a partir de la página:

Download "5. DISEÑO FACTORIALES 2 k"

Transcripción

1 5. DISEÑO FACTORIALES 2 k Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios factores para estudiar el efecto conjunto de éstos sobre una respuesta. Un caso especial e importante ocurre cuando se tienen k factores, cada uno con dos niveles, los cuales pueden ser cuantitativos (valores de temperatura, presión o tiempo), o cualitativos (dos máquinas, dos operadores, los niveles superior e inferior de un factor o, la ausencia o presencia de un factor. En la mayor parte de los problemas reales los factores que pueden afectar a la variable de respuesta estudiada son numerosos. El procedimiento típico (y equivocado) para abordar este tipo de problemas, es hacer pruebas aisladas, o la experimentación de un factor a la vez, ambos procedimientos no es aconsejable ya que: * Es muy costoso (exige muchas pruebas) * Las conclusiones obtenidas para cada factor tienen un campo de validez muy restringido. * No permite detectar la presencia de interacciones. * No garantiza la obtención de las condiciones óptimas La Alternativa es realizar Diseño de Experimentos para Estudiar Simultáneamente Todos los Factores. El diseño 2 k es particularmente útil en las primeras fases del trabajo experimental, cuando es probable que haya muchos factores por investigar si tienen influencia sobre la variable de respuesta. Este diseño es el más económico en el sentido de que es el diseño factorial completo que implica el menor número de corridas con las cuales pueden estudiarse k factores. Debido 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. 61

2 5.1 EL DISEÑO 2 3 Un diseño de la serie 2 k es aquel que tiene tres factores, A, B y C, cada uno con dos niveles. Este diseño se conoce como diseño factorial 2 3. Arbitrariamente, los niveles del factor pueden llamarse "inferior" y "superior". Por convención, el efecto de un factor se denota por la letra latina mayúscula. De este modo "A" se refiere al efecto del factor A, "B" se refiere al efecto del factor B, y "AB" se refiere a la interacción AB. En el diseño 2 3, los niveles bajo y alto de los efectos de A, B y C se denotan por "-" y "+", respectivamente. Ejemplo Un ingeniero está interesado en el efecto que tiene la rapidez de corte (factor A), la configuración (factor B) y el ángulo de corte (factor C) sobre la resistencia de una herramienta. Se eligen dos niveles de cada factor y se realiza un diseño factorial 2 3 con dos replicas. Los resultados se muestran la tabla 5.1, Combinación A B C replica I replica II (1) a b ab c ac bc abc Tabla 5.1 Datos sobre la resistencia de una herramienta. Variable de respuesta: Resistencia de una herramienta Factores controlados: Rapidez de corte (A) Configuración (B) Angulo de Corte (C) 62

3 Hipótesis a probar: Ho: No influye la rapidez de corte en la resistencia de una herramienta. Ha: Si influye la rapidez de corte en la resistencia de una herramienta. Ho: No influye la configuración en la resistencia de una herramienta. Ha: Si influye la configuración en la resistencia de una herramienta. Ho: No influye el ángulo de corte en la resistencia de una herramienta. Ha: Si influye el ángulo de corte en la resistencia de una herramienta. Ho: No hay efecto de interacción entre la rapidez de corte y la configuración en la resistencia de una herramienta. Ha: Si hay efecto de interacción entre la rapidez de corte y la configuración en la resistencia de una herramienta. Ho: No hay efecto de interacción entre la rapidez de corte y el ángulo de corte en la resistencia de una herramienta. Ha: Si hay efecto de interacción entre la rapidez de corte y el ángulo de corte en la resistencia de una herramienta. Ho: No hay efecto de interacción entre la configuración y el ángulo de corte en la resistencia de una herramienta. Ha: Si hay efecto de interacción entre la configuración y el ángulo de corte en la resistencia de una herramienta. Ho: No hay efecto de interacción entre la rapidez de corte, la configuración y el ángulo de corte en la resistencia de una herramienta. Ha: Si hay efecto de interacción entre la rapidez de corte, la configuración y el ángulo de corte en la resistencia de una herramienta. 63

4 5.2 SOLUCION ESTADISTICA DEL DISEÑO CALCULAR LOS SIGNOS DE LAS INTERACCIONES Se inicia calculando los signos de todos los efectos de interacciones, como se puede ver en la siguiente tabla 5.2 CombinaciónA B C AB AC BC ABC replica I replica II (1) a b ab c ac bc abc Tabla 5.2 calculo de los signos de los efectos de las interacciones CALCULO DE LOS CONTRASTES Con los valores SUMA de la tabla 5.3, calcular el contraste de los efectos. El contraste se define como el efecto total, es decir es la suma del efecto cuando esta en signo positivo o nivel alto menos la suma cuando el efecto esta en signo negativo o nivel bajo y se obtienen mediante las siguientes ecuaciones, CONTRASTE (A)= (A+ )- (A- )=( )-( )=133.1 CONTRASTE (B)= (B+ )- (B- )=( )-( )=60.3 CONTRASTE (C)= (C+ )- (C- )=( )-( )=-25.9 CONTRASTE (AB)= (AB+ )- (AB- )=( )-( )=69.7 CONTRASTE (AC)= (AC+ )- (AC )=( )-( )=-4.1 CONTRASTE (BC)= (BC+ )- (BC- )=( )-( )=6.3 CONTRASTE (ABC)= (ABC+ )- (ABC- )=( )-( )=

5 Combinación A B C AB AC BC ABC replica I replica II SUMA a b ab c ac bc abc Tabla de 5.3 La SUMA de las replicas de cada combinación CALCULO DE LOS EFECTOS PROMEDIO Los efectos promedios mediante las siguientes ecuaciones: EFECTO PROMEDIO (A)=CONTRASTE(A)/(2 K-1 )n=133.1/(2 3-1 )*2=133.1/8=16.63 EFECTO PROMEDIO (B)= CONTRASTE(B)/(2 K-1 )n=-60.3/(2 3-1 )*2=60.3/8=7.53 EFECTO PROMEDIO (C)= CONTRASTE(C)/(2 K-1 )n=-25.9/(2 3-1 )*2=-25.9/8=-3.23 EFECTO PROMEDIO (AB)=CONTRASTE(AB)/(2 K-1 )n=69.7/(2 3-1 )*2=69.7/8=8.71 EFECTO PROMEDIO (AC)= CONTRASTE(AC)/(2 K-1 )n=-4.1/(2 3-1 )*2=-4.1/8=-0.51 EFECTO PROMEDIO (BC)= CONTRASTE(BC)/(2 K-1 )n=6.3/(2 3-1 )*2=6.3/8=0.78 EFECTO PROMEDIO (ABC)=CONTRASTE(ABC)/(2 K-1 )n=-11.1/(2 3-1 )*2=-11.1/8=-1.38 En la tabla 5.4, se pueden ver los efectos promedio obtenidos del statgraphics Efectos estimados para Resistencia Efecto Estimado A:Rapidez de corte B:Configuracion C:Angulo de corte AB AC BC ABC Efectos promedio 65

6 DIAGRAMA DE PARETO El diagrama de Pareto (ver figura 5.1) es un grafico representa a los efectos promedio de la tabla 5.4, donde los efectos importantes están representados por las barras mas grandes, en este caso los efectos más importantes son el efecto de la Rapidez, Configuración y el efecto de Interacción de la Rapidez y la Configuración. Diagrama de Pareto para Resistencia A:Rapidez de corte + AB - B:Configuracion C:Angulo de corte ABC BC AC Efecto Figura 5.1 Diagrama de Pareto para efectos promedio CALCULO DE LA SUMA DE CUADRADOS La suma de cuadrados totales se puede estimar mediante la siguiente ecuación, SS TOTAL =SS A +SS B +SS C + SS AB +SS AC +SS BC +SS ABC + SS ERROR 5.1 Y cada uno los términos la ecuación 5.1, se pueden estimar mediante las siguientes formulas SS(A)=(CONTRASTE(A)) 2 /(2 K )n=( (A+ )- (A- )) 2 /(2 K )n=(133.1) 2 /8*2= SS(B)=(CONTRASTE(B)) 2 /(2 K )n=( (B+ )- (B- )) 2 /(2 K )n=(-60.3) 2 /8*2= SS(C)=(CONTRASTE(C)) 2 /(2 K )n=( (C+ )- (C- )) 2 /(2 K )n=(-25.9) 2 /8*2=

7 SS(AB)=(CONTRASTE(AB)) 2 /(2 K )n=( (AB+ )- (AB- )) 2 /(2 K )n=(69.7) 2 /8*2= SS(AC)=(CONTRASTE(AC)) 2 /(2 K )n=( (AC+ )- (AC- )) 2 /(2 K )n=(-4.1) 2 /8*2=1.05 SS(BC)=(CONTRASTE(BC)) 2 /(2 K )n=( (BC+ )- (BC- )) 2 /(2 K )n=(6.3) 2 /8*2=2.48 SS(ABC)=(CONTRASTE(ABC)) 2 /(2 K )n=( (ABC+ )- (ABC- )) 2 /(2 K )n=(-11.1) 2 /8*2=7.70 a SS TOTAL = i=1 b c n j=1 k=1 l=1 y 2 ijkl - y2. abcn a i=1 b c j=1 k=1 n y 2 ijkl =(18.2) 2 +(27.2) 2 +.+(36.3) 2 +(18.9) 2 +(24.0) 2 + +(39.9) 2 =10, l=1 y 2. abcn =(381.3)2 /16= SS TOTAL =10, = SS ERROR =SS TOTAL -SS A -SS B -SS C - SS AB -SS AC -SS BC -SS ABC SS ERROR = = Grados de libertad Efecto grados de libertad A a-1=2-1=1 B b-1=2-1=1 C c-1=2-1=1 AB (a-1)(b-1)=1x1=1 AC (a-1)(c-1)=1x1=1 BC (b-1)(c-1)=1x1=1 ABC (a-1)(b-1)(c-1)=1x1x1=1 Error abc(n-1)=2x2x2x2=8 Total abn-1=16-1=15 67

8 5.2.7 Cuadrados Medios Efecto Cuadrado Medio A B C CM A = SS A /a-1= /1= CM B = SS B /b-1=227.25/1= CM C = SS C /c-1=41.92/1=41.92 AB CM AB = SS AB /(a-1)(b-1)= /1= AC CM AC = SS AC /(a-1)(c-1)= 1.05/1=1.05 BC CM BC = SS BC /(b-1)(c-1)= 2.48/1=2.48 ABC CM ABC = SS ABC /(a-1)(b-1)(c-1)= 7.70/1=7.70 Error CM error = SS ERROR /abc(n-1)= /8= CALCULO DE LAS F s Efecto F CALCULADA A CM A / CM error = /2.32= B CM B / CM error = /2.32=97.95 C CM C / CM error = 41.92/2.32=18.06 AB CM AB / CM error = /2.32= AC CM AC / CM error = 1.05/2.32=0.45 BC CM BC / CM error = 2.48/2.32= 1.06 ABC CM ABC / CM error = 7.70/2.32=

9 5.2.9 TABLA DE ANOVA (STATGRAPHICS VERSION CENTURION) En la tabla 5.5, se puede ver el análisis de varianza para la resistencia de una herramienta. De los resultados del análisis de varianza se puede observar que cinco efectos presentan valores de P menor que el nivel de confianza dado α=0.05, con lo que se concluye r que los efectos que son Significativos son el efecto simple de la a rapidez de corte (A), el efecto simple del factor configuración (B), así como también el efecto simple del ángulo de corte(c), y el efecto de la interacción de la rapidez y la configuración(ab), con una confianza estadística del 95%. Análisis de Varianza para Resistencia Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P A:Rapidez de corte B:Configuracion C:Angulo de corte AB AC BC ABC Error total Total (corr.) ( ) Tabla 5.5 Análisis de Varianza para la resistencia de una herramienta 69

10 GRAFICA DE PARETO ESTANDARIZADO Para obtener el diagrama del Pareto Estandarizado, primeramente se debe estimar el error estándar mediante la formula de esta forma tenemos que En segundo de debe estimar el efecto estandarizado, que es el resultado de dividir el efecto promedio entre el error estándar, como se ilustra a continuación EFECTO ESTANDARIZADO (A)= 16.63/0.7616=21.83 EFECTO ESTANDARIZADO (B)= 7.53/0.7616=9.88 EFECTO ESTANDARIZADO (C)=- 3.23/0.7616=-4.24 EFECTO ESTANDARIZADO (AB)= 8.71/0.7616=11.43 EFECTO ESTANDARIZADO (AC)=- 0.51/0.7616=-0.67 EFECTO ESTANDARIZADO (BC)= 0.78/0.7616=1.024 EFECTO ESTANDARIZADO (ABC)= -1.38/0.7616=-1.81 En la figura 5.2 se observa el diagrama de Pareto estandarizado, nótese la presencia de una línea vertical (La cual es el resultado de la raíz cuadrada del valor de la F de tablas con 1 grado de libertad en el numerador y abc(n-1) grados de libertad en el denominador). Los efectos que cruzan dicha línea son efectos significativos al 5%. Por lo que podemos estabelecer que los efectos que son significativos son, el efecto simple de la a rapidez de corte (A), el efecto simple del factor configuración (B), así como también el efecto simple del ángulo de corte(c), y el efecto de la 70

11 interacción de la rapidez y la configuración(ab), con una confianza estadística del 95%, también obsérvese que son los mismos resultados de la tabla de ANOVA. Diagrama de Pareto Estandarizada para Resistencia A:Rapidez de corte + AB - B:Configuracion C:Angulo de corte ABC BC AC Efecto estandarizado Figura 5.2 Diagrama de Pareto Estandarizado ANALISIS COMPLEMENTARIOS Una vez identificados los efectos significativos, procedemos a realizar los análisis complementarios, en esta caso se inicia analizando los efectos simples que resultaron significativos, como lo son el Efecto de la Rapidez de Corte (Factor A), el efecto de la configuración (Factor B) y el efecto del Angulo de Corte (Factor C). Para esto se procede a realizar las graficas de efectos promedio. 71

12 Resistencia GRAFICAS DE EFECTOS PROMEDIO Para el efecto de LA RAPIDEZ DE CORTE (FACTOR A), tenemos que las medias de este efecto son Nivel media Se construye una grafica del tipo x-y, como se ilustra en la figura 5.3 Gráfica de Efectos Principales para Resistencia Rapidez de corte 1.0 Figura 5.3 Grafica de efectos promedio para el efecto de Rapidez de Corte De la figura 5.3, se puede concluir que La Rapidez de Corte tiene un efecto positivo, es decir cuando se cambia de nivel bajo de la rapidez de corte a un nivel alto de la rapidez de corte se incrementa la resistencia de la herramienta. Para maximizar la resistencia de la herramienta se recomienda trabajar en el nivel alto de la rapidez de corte. 72

13 Resistencia Para el efecto de la CONFIGURACION (FACTOR B), tenemos que su medias son, Nivel media En la figura 5.4 se observa la grafica de efectos promedio de efecto configuración, en la que se puede concluir que existe un efecto positivo, cuando se cambia de nivel bajo a nivel alto de la configuración se incrementa la resistencia de la herramienta. Para maximizar la resistencia de la herramienta se recomienda usar el nivel alto de la configuración. Gráfica de Efectos Principales para Resistencia Configuracion 1.0 Figura 5.4 Grafica de efectos promedio para la configuración 73

14 Resistencia Para el efecto del ANGULO DE CORTE (FACTOR C), tenemos que su promedios son, Nivel media En la figura 5.5 se puede concluir que el Angulo de Corte tiene un efecto negativo, lo que significa que cuando se cambia del nivel bajo a nivel alto la resistencia de la herramienta disminuye. Para maximizar la resistencia de la herramienta se recomienda utilizar el nivel bajo del ángulo de corte. 26 Gráfica de Efectos Principales para Resistencia Angulo de corte Figura 5.5 Grafica de efectos promedio para el Angulo de Corte 74

15 GRAFICA DE INTERACCION En este caso, según el anova y la grafica de Pareto el único efecto de interacción es el de la rapidez de corte y la configuración, para ello se estiman sus promedios en conjunto, como se ilustra a continuación A B Donde 16.1 es el valor promedio de resistencia de la herramienta cuando la rapidez de corte y la configuración ambos están en nivel bajo. El valor es el promedio de la resistencia cuando el factor esta en nivel bajo y la configuración esta en nivel alto. El valor es el promedio de resistencia cuando la rapidez de corte esta en nivel alto y la configuración en el nivel bajo, y finalmente, el valor de es el promedio de resistencia cuando la rapidez de corte y la configuración ambos están en nivel alto. En la figura 5.6 se puede ver la grafica de interacción de la Rapidez de corte y la Configuración (interacción AB). En esta grafica se puede ver las siguientes interpretaciones: 1.- Si se trabaja en el nivel bajo de la rapidez de corte y se cambia de nivel bajo a nivel alto en la configuración se observa que no hay cambio en la resistencia. 2.- Si se trabaja en el nivel alto de la rapidez de corte y se cambia de nivel bajo a nivel alto en la configuración se observa un incremento en la resistencia. 3.- Para maximizar la resistencia se recomienda usar el nivel alto de la rapidez y nivel alto de configuración. 75

16 Resistencia Gráfica de Interacción para Resistencia Rapidez de corte= Rapidez 24 de corte= Rapidez de corte= Rapidez de corte= Configuracion Figura 5.6 Grafica de interacción entre la rapidez de corte y la configuración (AB) CONCLUSION Y RECOMENDACION: Por los resultados obtenidos en la tabla de anova, las graficas de efectos promedio y la grafica de interacción se puede concluir lo siguiente: 1.- Los efectos significativos al 5% son: los efectos simples de la rapidez de corte, la configuración y el ángulo de corte, además el efecto de interacción entre la rapidez de corte y la configuración. 76

17 2.- Para maximizar la resistencia de la herramienta se recomienda utilizar un nivel alto de la rapidez de corte, un nivel alto de la configuración y un nivel bajo del ángulo de corte MODELO DE REGRESION MULTIPLE En la ecuación 5.3 se puede ver el modelo de regresión general de un diseño de 3 factores 5.3 En la ecuación 5.3 lo importante es estimar los valores de los. Cuando los niveles de los factores del diseño son codificados a -1 y 1, el valor del corresponde al promedio general de la variable de respuesta, que en caso de la resistencia de la herramienta se tiene que y los demás valores de los corresponden a la mitad del valor del efecto promedio correspondiente, como se ilustra en la tabla 5.6. Estimación de los. Efecto Estimado valor de los A:Rapidez de corte B:Configuracion C:Angulo de corte AB AC BC ABC Estimación de los. Con el valor de y los valores de los de la tabla 5.6 encontramos que el modelo de regresión (ecuación 5.4) para el diseño de la resistencia de la herramienta es 77

18 5.4 Donde X 1 = Rapidez de corte X 2 =Configuración X 3 =Angulo de corte X 1 X 2 = Interacción de Rapidez de corte y la Configuración X 1 X 3 =Interacción de Rapidez de corte y Angulo de corte X 2 X 3 =Interacción de Configuración y Angulo de corte X 1 X 2 X 3 = Interacción de Rapidez de corte, Configuración y Angulo de corte De esta forma, con el modelo de regresión de la ecuación 5.4, es posible estimar la resistencia de cada una de las combinaciones de los factores del diseño (tabla 5.7) y representar gráficamente en una grafica llamada Grafica de Respuesta (ver figura 5.7). X 1 X 2 X Tabla 5.7 combinaciones de los factores del diseño

19 ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( ) ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( )=25.59 ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( ) ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( )=42.44 ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( ) ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( ) ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( ) ( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( ) ( )( )( )=38.09 La combinación recomendada según los resultados de las graficas de medias e interacciones fue nivel alto de Rapidez de corte (1), nivel alto de configuración (1) y nivel bajo de ángulo de corte (-1), el promedio esperado para esa combinación según el modelo de regresión (ecuación 5.4) es de 42.44, como se puede ver en la grafica de la figura

20 Angulo de corte Gráfica de Cubo para Resistencia Rapidez de corte Configuracion Figura 5.7 Grafica de respuesta de un diseño SUPUESTOS DEL MODELO DEL DISEÑO Al igual que los diseños anteriores, también en este diseño es importante verificar los supuestos del diseño, con el propósito de validar los resultados. Los supuestos a verificar son tres: 1.- El Supuesto de varianza constante (Una grafica para cada factor del diseño) 2. El supuesto de Independencia de los residuos 3. El supuesto de normalidad de los residuos. 80

21 residuo residuo residuo SUPUESTO DE VARIANZA CONSTANTE El supuesto de varianza constante para los efectos de Rapidez de corte, Configuración y ángulo de corte se pueden en las figuras 5.8a, 5.8b y 5.8c, respectivamente. Nótese que en ninguna grafica se puede ver un patrón inusual o embudo. Por lo que se puede concluir que no hay problemas en el supuesto de varianza constante. 2.1 Gráfica de Residuos para Resistencia 2.1 Gráfica de Residuos para Resistencia Rapidez de corte Configuracion Figura 5.8a Varianza constante para el efecto de Rapidez de corte. Figura 5.8b Varianza constante para el efecto de Configuración. Gráfica de Residuos para Resistencia Angulo de corte Figura 5.8 c Varianza constante para el efecto de Angulo de corte. 81

22 residuo SUPUESTO DE INDEPENDENCIA DE RESIDUOS En la grafica de la figura 5.9, se puede ver la grafica de verificación del supuesto de independencia de los residuos, nótese que no se presenta ningún patrón inusual o tendencia, por lo que podemos establecer que si se cumple con el supuestos de independencia de los residuos. 2.1 Gráfica de Residuos para Resistencia número de corrida Figura 5.9 Grafica de verificación de la independencia de los residuos 82

23 porcentaje SUPUESTO DE NORMALIDAD DE LOS RESIDUOS En cuanto a la normalidad de los residuos, se poder ver en la grafica de la figura 5.10, como los puntos se ordena y aproximan a lo largo de la línea, por lo que se puede concluir que no existe problema alguno de l supuesto de normalidad de los residuos Gráfico de Probabilidad Normal para Residuos residuos Figura 5.10 Grafico de probabilidad normal para residuos 83

4. DISEÑOS MULTIFACTORIALES O FACTORIALES

4. DISEÑOS MULTIFACTORIALES O FACTORIALES 4. DISEÑOS MULTIFACTORIALES O FACTORIALES 4.1 PRINCIPIOS Y DEFINICIONES BASICAS Los arreglos factoriales se utilizan cuando en una investigación se pretende estudiar simultáneamente la influencia del cambio

Más detalles

7. FRACCIONES FACTORIALES 7.2 DISEÑOS FRACCIONADOS 7.1 INTRODUCCION

7. FRACCIONES FACTORIALES 7.2 DISEÑOS FRACCIONADOS 7.1 INTRODUCCION 7. FRACCIONES FACTORIALES 7.1 INTRODUCCION Si el número de factores a estudiar no es reducido los planes factoriales equilibrados (por ejemplo, los planes 2 k ) exigen un número muy elevado de pruebas.

Más detalles

9. DISEÑOS 2 K CON PUNTOS AL CENTRO 9.1 INTRODUCCION

9. DISEÑOS 2 K CON PUNTOS AL CENTRO 9.1 INTRODUCCION 9. DISEÑOS 2 K CON PUNTOS AL CENTRO 9.1 INTRODUCCION Un motivo de preocupación potencial en el uso de diseños factoriales de dos niveles es la suposición de linealidad en los efectos de los factores, dado

Más detalles

8.2 CONSTRUCCION DEL DISEÑO FRACCIONADO UN CUARTO 2 k-2

8.2 CONSTRUCCION DEL DISEÑO FRACCIONADO UN CUARTO 2 k-2 8. DISEÑOS FACTORIALES FRACCIONADOS 2 K-2 8.1 DISEÑOS FACTORIALES FRACCION UN CUARTO Dependiendo del número de factores y del costo de cada corrida experimental, en ocasiones es necesario correr una fracción

Más detalles

2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)

2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) 2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos

Más detalles

Diseño de experimentos - Experimentos multifactoriales.

Diseño de experimentos - Experimentos multifactoriales. Diseño de experimentos - Experimentos multifactoriales http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Introducción Los casos anteriores explicaban los diseños en bloques

Más detalles

PROYECTO FINAL DISEÑO DE EXPERIMENTOS DISOLUCIÓN DE UNA ASPIRINA

PROYECTO FINAL DISEÑO DE EXPERIMENTOS DISOLUCIÓN DE UNA ASPIRINA PROYECTO FINAL DISOLUCIÓN DE UNA ASPIRINA Karina Arellano Ayala Juan Roberto de la Torre Escareño Raúl Vega Elvira Lucia Ramírez Michel 1 Estudio del efecto del tipo de solvente y la casa farmacéutica

Más detalles

Regresión. Instituto Tecnológico de Ciudad Victoria Maestría en Ciencias en Biología Sesión de Cómputo. Modelo I

Regresión. Instituto Tecnológico de Ciudad Victoria Maestría en Ciencias en Biología Sesión de Cómputo. Modelo I Regresión La regresión lineal estima la relación de una variable con respecto a otra, por medio de la expresión de una variable en términos de una función lineal de otra variable. Existen dos modelos de

Más detalles

En el pasado, en la realización de experimentos que envolvían más de un factor, y cada

En el pasado, en la realización de experimentos que envolvían más de un factor, y cada Capitulo 4. Planeamiento Factorial (Convencionales) 4.1 Introducción. En el pasado, en la realización de experimentos que envolvían más de un factor, y cada factor con más de una variable, se adoptaba

Más detalles

6. DISEÑOS FACTORIALES 2 K NO REPLICADOS

6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6.1 INTRODUCCION El aumentar el numero de factores en un diseño 2 k crece rápidamente el numero de tratamientos y por tanto el numero de corridas experimentales.

Más detalles

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.

Más detalles

ANÁLISIS DE LA VARIANZA MULTIFACTORIALES

ANÁLISIS DE LA VARIANZA MULTIFACTORIALES Instituto Valenciano de Investigaciones Agrarias Seminario MÉTODOS ESTADÍSTICOS PARA LA INVESTIGACIÓN AGRONÓMICA Tema 7 ANÁLISIS DE LA VARIANZA MULTIFACTORIALES Análisis de la Varianza Multifactoriales

Más detalles

Diseños factoriales a dos niveles

Diseños factoriales a dos niveles Diseños factoriales a dos niveles Tema 3. El diseño 4. Diseños k (tabla de signos) Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III

Más detalles

Experimentos con factores aleatorios. Diseño de experimentos p. 1/36

Experimentos con factores aleatorios. Diseño de experimentos p. 1/36 Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados

Más detalles

REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE

REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o

Más detalles

DISEÑO DE EXPERIMENTOS Licenciatura en Estadística Práctica 3.

DISEÑO DE EXPERIMENTOS Licenciatura en Estadística Práctica 3. Ejercicio 1. En la realización de marcas de localización en una tarjeta de circuito impreso se utiliza una rebajadora. Se considera que el nivel de vibración en la superficie de la tarjeta al ser cortada

Más detalles

Examen Final 22 de mayo de 2009 (16 a 19 horas) Diseño de Experimentos y Teoría de Muestreo (80/100 puntos) SOLUCIONES

Examen Final 22 de mayo de 2009 (16 a 19 horas) Diseño de Experimentos y Teoría de Muestreo (80/100 puntos) SOLUCIONES Examen Final 22 de mayo de 2009 (16 a 19 horas) Diseño de Experimentos y Teoría de Muestreo (80/100 puntos) SOLUCIONES 1.- [Correcta: 0.8 puntos, Incorrecta: -0.2 puntos] Se está interesado en el efecto

Más detalles

Diseños Factoriales. Diseño de experimentos p. 1/25

Diseños Factoriales. Diseño de experimentos p. 1/25 Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de

Más detalles

Escribir el modelo. Evaluar los efectos de los factores y la interacción entre ellos.

Escribir el modelo. Evaluar los efectos de los factores y la interacción entre ellos. Ejercicio 1: Se aplican pinturas tapaporos para aeronaves en superficies de aluminio, con dos métodos: inmersión y rociado. La finalidad del tapaporos es mejorar la adhesión de la pintura, y puede aplicarse

Más detalles

Diseño de bloques completos Aleatorizados. Jhon Jairo Padilla Aguilar, PhD.

Diseño de bloques completos Aleatorizados. Jhon Jairo Padilla Aguilar, PhD. Diseño de bloques completos Aleatorizados Jhon Jairo Padilla Aguilar, PhD. Introducción Factor perturbador: Factor del diseño que probablemente tenga un efecto sobre la respuesta, pero no existe un interés

Más detalles

Escribir el modelo. Evaluar los efectos de los factores y la interacción entre ellos.

Escribir el modelo. Evaluar los efectos de los factores y la interacción entre ellos. Ejercicio 1: Se aplican pinturas tapaporos para aeronaves en superficies de aluminio, con dos métodos: inmersión y rociado. La finalidad del tapaporos es mejorar la adhesión de la pintura, y puede aplicarse

Más detalles

Diseño de Experimentos con varios factores. Jhon Jairo Padilla Aguilar, PhD.

Diseño de Experimentos con varios factores. Jhon Jairo Padilla Aguilar, PhD. Diseño de Experimentos con varios factores Jhon Jairo Padilla Aguilar, PhD. Experimento Factorial En cada ensayo completo o réplica del experimento se investigan todas las combinaciones posibles de los

Más detalles

Diseño de Experimentos. Diseños Factoriales

Diseño de Experimentos. Diseños Factoriales Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción

Más detalles

Diseño de Experimentos Experimentos factoriales

Diseño de Experimentos Experimentos factoriales Diseño de Experimentos Experimentos factoriales Dr. Héctor Escalona Definición El termino genérico de diseño factorial se aplica a aquellos experimentos donde se desea evaluar el efecto de 2 o mas factores

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 21 - Junio - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,

Más detalles

Folleto de Estadísticas. Teoría del 2do Parcial

Folleto de Estadísticas. Teoría del 2do Parcial Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad

Más detalles

El diseño factorial: efecto de la interacción. (Modelo no aditivo)

El diseño factorial: efecto de la interacción. (Modelo no aditivo) El diseño factorial: efecto de la interacción (Modelo no aditivo) La comprensión de los fenómenos psicológicos supone en muchas ocasiones analizar el efecto conjunto de varias variables dado que sólo su

Más detalles

A: Broca B: velocidad A B AB Vibración Totales 1/ ,2 18,9 12,9 14,4 64,4 = (1) 1/ ,2 24,0 22,4 22,5 96,1 = a

A: Broca B: velocidad A B AB Vibración Totales 1/ ,2 18,9 12,9 14,4 64,4 = (1) 1/ ,2 24,0 22,4 22,5 96,1 = a LORTORIO 8 - LORTORIO INFORMÁTICO Caso. Interesa estudiar el efecto del tamaño de broca (factor ) y de la velocidad (factor ) sobre la vibración de la ranuradora (respuesta Y). Para ello se decide utilizar

Más detalles

ESTADISTICA AVANZADA MODULO I

ESTADISTICA AVANZADA MODULO I ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000

Más detalles

Diseños Factoriales. Diseño de experimentos p. 1/18

Diseños Factoriales. Diseño de experimentos p. 1/18 Diseños Factoriales Diseño de experimentos p. 1/18 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de

Más detalles

DISEÑO EN PARCELAS DIVIDIDAS

DISEÑO EN PARCELAS DIVIDIDAS DISEÑO EN PARCELAS DIVIDIDAS Este es un diseño experimental combinado que resulta útil cuando al estudiar simultáneamente varios factores, alguno o algunos de ellos deben ser aplicados sobre unidades experimentales

Más detalles

ANÁLISIS DE REGRESIÓN

ANÁLISIS DE REGRESIÓN ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y

Más detalles

Diseño Factorial. Introducción

Diseño Factorial. Introducción Diseño Factorial Introducción n un experimento factorial se analizan todas las posibles combinaciones de los niveles de los factores en cada réplica del experimento. Por ejemplo, si el factor tiene a niveles

Más detalles

Segundo Examen Parcial

Segundo Examen Parcial Nombre: Segundo Examen Parcial AGRO 6600 2010 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente.

Más detalles

ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE

ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por

Más detalles

DISTRIBUCION JI-CUADRADA (X 2 )

DISTRIBUCION JI-CUADRADA (X 2 ) DISTRIBUCION JI-CUADRADA (X 2 ) En realidad la distribución ji-cuadrada es la distribución muestral de s 2. O sea que si se extraen todas las muestras posibles de una población normal y a cada muestra

Más detalles

Regresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.

Regresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras. Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una

Más detalles

Selección Diseño de Cribado

Selección Diseño de Cribado Selección Diseño de Cribado Resumen La sección diseño experimental del STATGRAPHICS puede crear una amplia variedad de diseños dirigidos a mostrar los factores más importantes que afectan un proceso. Se

Más detalles

1. Una sóla réplica del Diseño 2 4.

1. Una sóla réplica del Diseño 2 4. EJEMPLOS DISEÑOS 2 k 1. Una sóla réplica del Diseño 2 4. Ejemplo 1: Un producto químico se produce en un recipiente a presión. Se realiza un experimento factorial en la planta piloto para estudiar los

Más detalles

MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO

MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO Resultados obtenidos por los hombres ganadores de las medallas de oro en salto de longitud y salto de altura en las olimpiadas desde

Más detalles

Nota de los autores... vi

Nota de los autores... vi ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...

Más detalles

2013-B. Diseño y análisis de experimentos. El chocomilk ideal

2013-B. Diseño y análisis de experimentos. El chocomilk ideal 2013-B El chocomilk ideal Nadia Berenice Haro Mares Ulises Guadalupe Herrera Sillas Violeta María Isabel Martínez Mercado Angélica Rivera Pulido Proyecto Final Angélica, Nadia, Violeta y Ulises, acaban

Más detalles

Métodos estadísticos aplicados para la Ingeniería Informática

Métodos estadísticos aplicados para la Ingeniería Informática Grado en Ingeniería Informática Métodos estadísticos aplicados para la Ingeniería Informática Rosa Mª Alcover Arándiga Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Objetivo

Más detalles

EXPERIMENTOS FACTORIALES

EXPERIMENTOS FACTORIALES EXPERIMENTOS FCTORILES Generalidades Simbología Diseños Experimentales Ventajas Desventajas nálisis Estadístico Ventajas - Desventajas Ventajas 1. Economía en el material experimental, al obtener información

Más detalles

PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI

PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.

Más detalles

DCA: Es el más simple de todos los diseños, solamente se estudia el. en diferentes tratamientos o niveles.

DCA: Es el más simple de todos los diseños, solamente se estudia el. en diferentes tratamientos o niveles. completamente aleatorizado (DCA): 1 solo factor con diferentes tratamientos. DCA: Es el más simple de todos los diseños, solamente se estudia el efecto de un factor, el cual se varía en diferentes tratamientos

Más detalles

Planeación experimental

Planeación experimental Planeación experimental Diseño de Experimentos Diseño de Experimentos Ventajas Identifica uno o más factores influyen dentro de la variable de respuesta. Permite establecer la combinación adecuada de tratamientos

Más detalles

Modelo de Regresión Lineal

Modelo de Regresión Lineal Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,

Más detalles

Regresión Lineal Simple y Múltiple Regresión Logística

Regresión Lineal Simple y Múltiple Regresión Logística Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión

Más detalles

Diseño de Experimentos Diseños factoriales 2 k. Diseños 2 k

Diseño de Experimentos Diseños factoriales 2 k. Diseños 2 k Diseño de Experimentos Diseños factoriales 2 k Licenciatura en Estadística 2015 Dr. José Alberto Pagura Lic. Lucía N. Hernández Dra. Daniela F. Dianda Diseños 2 k Una clase especial de diseños factoriales

Más detalles

Elaborado por: Pelay, C. y Pérez, J. Prueba t para muestras independientes

Elaborado por: Pelay, C. y Pérez, J. Prueba t para muestras independientes Prueba t para muestras independientes 1 El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente

Más detalles

Lección 8.3. Alfaomega. Alfaomega-UAQro CIMAT

Lección 8.3. Alfaomega. Alfaomega-UAQro CIMAT Lección 8.3 Diseño Taller de diseño de Experimentos de experimentos: Helicóptero Alfaomega Alfaomega-UAQro CIMAT 2017 Presentación Contenido Ejemplo de un proyecto en varias etapas, éste fue propuesto

Más detalles

7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE

7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago

Más detalles

Simulación a Eventos Discretos. Clase 8: Análisis de resultados

Simulación a Eventos Discretos. Clase 8: Análisis de resultados Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.

Más detalles

APLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES

APLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES APLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES Autores Alberto Gallegos Araya, Ramon Araya Gallardo Departamento Mecánica. Universidad de Tarapacá. 8 Septiembre Arica -e-mail: gallegos@uta.cl

Más detalles

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre

Más detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

DISEÑO FACTORIAL MODELO JERÁRQUICO (0 ANIDADO)

DISEÑO FACTORIAL MODELO JERÁRQUICO (0 ANIDADO) DISEÑO FACTORIAL Niveles de B Niveles de A 1 2 3 4 5 1 y 11 y 12 y 13 y 14 y 15 2 y 21 y 22 y 23 y y 3 y 31 y 32 y 33 y 34 y 35 4 y 41 y 42 y 43 y 44 y 45 Todos los niveles de cada factor están combinados

Más detalles

En clases anteriores hemos estudiado diseños aleatorizados a un factor (con y sin bloqueo), introduciendo el modelo de Análisis de la Varianza

En clases anteriores hemos estudiado diseños aleatorizados a un factor (con y sin bloqueo), introduciendo el modelo de Análisis de la Varianza Bioestadística II Bioestadística II En clases anteriores hemos estudiado diseños aleatorizados a un factor (con y sin bloqueo), introduciendo el modelo de Análisis de la Varianza Bioestadística II Bioestadística

Más detalles

Universidad Nacional Autónoma de México Facultad de Psicología

Universidad Nacional Autónoma de México Facultad de Psicología Universidad Nacional Autónoma de México Facultad de Psicología PROGRAMA DE ASIGNATURA Nombre de la asignatura Clave Semestre Estadística Inferencial 0186 4 Número de créditos 8 Horas teoría 4 Horas práctica

Más detalles

Introducción a la Estadística Aplicada en la Química

Introducción a la Estadística Aplicada en la Química Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00

Más detalles

Diseños con dos o más fuentes de variación (III): Otros diseños clásicos de experimentos

Diseños con dos o más fuentes de variación (III): Otros diseños clásicos de experimentos Diseños con dos o más fuentes de variación (III): Otros diseños clásicos de experimentos Tema 4 (III) Estadística 2 Curso 08/09 Tema 4 (III) (Estadística 2) ANOVA multifactorial Curso 08/09 1 / 17 ANOVA

Más detalles

Ing. MSc. Luis Fernando Restrepo Gómez

Ing. MSc. Luis Fernando Restrepo Gómez Ing. MSc. Luis Fernando Restrepo Gómez Introducción a la Valuación Masiva METODOLOGÍA VALUATORIA Sigue los pasos de la metodología científica, y se apoya en el análisis estadístico de datos comparables.

Más detalles

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción

Más detalles

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8

UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO

Más detalles

1. Metodología de respuesta

1. Metodología de respuesta 1. Metodología de respuesta En las secciones anteriores se ha estudiado el comportamiento de la variable respuesta cuando se ve afectada por diferentes factores, sin embargo no se ha tocado el tema a cerca

Más detalles

3. RELACION ENTRE DOS CONJUNTOS DE DATOS.

3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen

Más detalles

DISEÑO Y ANÁLISIS DE DATOS II. PRIMER PARCIAL. NOVIEMBRE 2016.

DISEÑO Y ANÁLISIS DE DATOS II. PRIMER PARCIAL. NOVIEMBRE 2016. DISEÑO Y ANÁLISIS DE DATOS II. PRIMER PARCIAL. NOVIEMBRE 016. Problema 1.- En una determinada investigación se estudia el efecto del tipo de ejercicio (, andar y ) y tipo de dieta (poca grasa y mucha grasa)

Más detalles

Transformación de desechos plás?cos en manguera. Mecanismos de desarrollo limpio/ Impacto Económico. M en C Adriana I. Peña Montes de Oca

Transformación de desechos plás?cos en manguera. Mecanismos de desarrollo limpio/ Impacto Económico. M en C Adriana I. Peña Montes de Oca Transformación de desechos plás?cos en manguera Mecanismos de desarrollo limpio/ Impacto Económico M en C Adriana I. Peña Montes de Oca Sede regional: Centro Occidente Definición del problema Existe la

Más detalles

Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)

Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión

Más detalles

Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia

Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.

Más detalles

ANOVA mul)factorial. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

ANOVA mul)factorial. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff ANOVA mul)factorial Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Se puede examinar más de un factor simultáneamente (ANOVA de 2 factores, de 3 factores, etc.) Por qué un único análisis

Más detalles

ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com

ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO

Más detalles

Prueba t para muestras independientes

Prueba t para muestras independientes Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente

Más detalles

3 CAPÍTULO III TRABAJO EMPÍRICO. Para toda evaluación cuantitativa generalmente se tiene uno que basar en

3 CAPÍTULO III TRABAJO EMPÍRICO. Para toda evaluación cuantitativa generalmente se tiene uno que basar en 3 CAPÍTULO III TRABAJO EMPÍRICO. 3.1 Modelo Econométrico Para toda evaluación cuantitativa generalmente se tiene uno que basar en experiencias anteriores (Allard, 1980, p. 1). Las experiencias anteriores

Más detalles

Estimación de Parámetros.

Estimación de Parámetros. Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un

Más detalles

Distribución de frecuencia.

Distribución de frecuencia. Dr. Jesús Alberto Mellado Si de una población se extrae una muestra de tamaño n, y en esa muestra se mide alguna característica, entonces, con los datos recabados se puede elaborar una distribución de

Más detalles

Estadística. Contrastes para los parámetros de la Normal

Estadística. Contrastes para los parámetros de la Normal Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros

Más detalles

ÍNDICE. Introducción... Capítulo 1. El proceso del control de calidad. Metodologías... 1

ÍNDICE. Introducción... Capítulo 1. El proceso del control de calidad. Metodologías... 1 ÍNDICE Introducción... XI Capítulo 1. El proceso del control de calidad. Metodologías... 1 El proceso de producción y la calidad... 1 Evolución del control de calidad... 3 Metodologías o modelos para el

Más detalles

MATRICES FACTORIALES

MATRICES FACTORIALES MATRICES FACTORIALES Quimiometría Estudio cuantitativo de factores: efectos principales (b j ) interacciones (b ji ) si cada variable puede tener un valor mayor o uno menor: diseño factorial de dos niveles

Más detalles

Notas 16 de Septiembre

Notas 16 de Septiembre Notas 6 de Septiembre Plan -nálisis para experimentos factoriales 2 k con una sola observación -Puntos centrales en experimentos 2 k -Factoriales 2 kn en bloques Sabemos que lo que nos permite el error

Más detalles

5.5 Modelo de regresión. se especificó en los términos siguientes: (6.3.1) 1,2,3,..N. Donde:

5.5 Modelo de regresión. se especificó en los términos siguientes: (6.3.1) 1,2,3,..N. Donde: 5.5 Modelo de regresión El modelo de regresión lineal que se aplicó para explicar la relación entre producción antigüedad, edad, capital humano, apiarios y camioneta de los apicultores nayaritas se especificó

Más detalles

GUÍA DE STATGRAPHICS 5.1

GUÍA DE STATGRAPHICS 5.1 UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA UNIVERSITARIA DE ARQUITECTURA TÉCNICA DEPARTAMENTO DE MATEMÁTICA APLICADA A LA ARQUITECTURA TÉCNICA GUÍA DE STATGRAPHICS 5.1 (Versión castellana) GUÍA DE STATGRAPHICS

Más detalles

5 ANÁLISIS Y RESULTADOS

5 ANÁLISIS Y RESULTADOS 5 ANÁLISIS Y RESULTADOS 5. ANÁLISIS Y RESULTADOS 5.1 Curvas de Calibración Se obtuvieron las curvas de calibración para cada una de las soluciones base, con dispersante y sin dispersante. Se hicieron en

Más detalles

T2. El modelo lineal simple

T2. El modelo lineal simple T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de

Más detalles

ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO

ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 11 - Junio - 2.010 SOLUCIONES Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,

Más detalles

Índice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011

Índice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011 Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños

Más detalles

Pruebas estadís,cas para evaluar relaciones

Pruebas estadís,cas para evaluar relaciones Pruebas estadís,cas para evaluar relaciones Asociación entre dos variables categóricas Hipótesis: frecuencias de ocurrencias en las categorías de una variable son independientes de los frecuencias en la

Más detalles

Estadística; 3º CC. AA. Examen final, 23 de enero de 2009

Estadística; 3º CC. AA. Examen final, 23 de enero de 2009 Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados

Más detalles

Diseño de experimentos. Introducción

Diseño de experimentos. Introducción Diseño de experimentos Introducción Objetivo: Introducción Es estudiar la influencia de FACTORES en la RESPUESTA RESPUESTA Variable de interés FACTOR(ES) Pueden ser controlados OTRAS VARIABLES Que pueden

Más detalles

Modelos mixtos. Diseño de experimentos p. 1/26

Modelos mixtos. Diseño de experimentos p. 1/26 Modelos mixtos Diseño de experimentos p. 1/26 Introducción Cuando en la estructura de tratamientos de un experimento se tienen tanto factores fijos como aleatorios, el modelo que describe tales experimentos

Más detalles

Escuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA

Escuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos

Más detalles

Tema 4. Regresión lineal simple

Tema 4. Regresión lineal simple Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias

Más detalles

Regresión Lineal Múltiple. Dr. Víctor Aguirre Torres, ITAM. Guión 12.

Regresión Lineal Múltiple. Dr. Víctor Aguirre Torres, ITAM. Guión 12. Regresión Lineal Múltiple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función del cambio simultáneo otras variables (x 1, x 2,..., x p ). y=variable dependiente (cuantitativa)

Más detalles

Regresión con variables independientes cualitativas

Regresión con variables independientes cualitativas Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.

Más detalles

DISEÑO DE EXPERIMENTOS 1/13 Maestría en Ciencias en Ingeniería Industrial

DISEÑO DE EXPERIMENTOS 1/13 Maestría en Ciencias en Ingeniería Industrial DISEÑO DE EXPERIMENTOS 1/13 EJERCICIO DE APLICACIÓN Programa: Diseño de Experimentos Maestro Juan José Hurtado Moreno Alumna : Ivonne Evelia Caballero Hernández Febrero julio 2009 DISEÑO DE EXPERIMENTOS

Más detalles

8. Resultados 0) Tiempo de medición del ángulo de contacto,

8. Resultados 0) Tiempo de medición del ángulo de contacto, 8. Resultados 0) Tiempo de medición del ángulo de contacto, θ. Para determinar el tiempo en el que se debería tomar la imagen de la gota yaciente, se hicieron 2 corridas. La primera fue con agua y la segunda

Más detalles

14 horas. 20 horas

14 horas. 20 horas EJERCICIOS PROPUESTOS ANALISIS DE VARIANZA. Se realiza un ANOVA para comparar el tiempo que demora en aliviar el dolor de cabeza de varios tipos de analgésicos. Se obtiene como resultado un test observado

Más detalles