5. DISEÑO FACTORIALES 2 k
|
|
- Sebastián Vera Araya
- hace 5 años
- Vistas:
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 4.1 PRINCIPIOS Y DEFINICIONES BASICAS Los arreglos factoriales se utilizan cuando en una investigación se pretende estudiar simultáneamente la influencia del cambio
Más detalles7. 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 detalles9. 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 detalles8.2 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 detalles2. 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 detallesDiseño 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 detallesPROYECTO 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 detallesRegresión. 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 detallesEn 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 detalles6. 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 detallesÍNDICE 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 detallesANÁLISIS 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 detallesDiseños 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 detallesExperimentos 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 detallesREGRESIÓN 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 detallesDISEÑO 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 detallesExamen 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 detallesDiseños 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 detallesEscribir 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 detallesDiseño 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 detallesEscribir 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 detallesDiseño 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 detallesDiseño 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 detallesDiseño 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 detallesESTADISTICA 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 detallesFolleto 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 detallesEl 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 detallesA: 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 detallesESTADISTICA 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 detallesDiseños 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 detallesDISEÑO 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 detallesANÁLISIS 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 detallesDiseño 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 detallesSegundo 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 detallesANÁLISIS 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 detallesDISTRIBUCION 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 detallesRegresión 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 detallesSelección 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 detalles1. 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 detallesMÉTODOS 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 detallesNota 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 detalles2013-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 detallesMétodos 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 detallesEXPERIMENTOS FACTORIALES
EXPERIMENTOS FCTORILES Generalidades Simbología Diseños Experimentales Ventajas Desventajas nálisis Estadístico Ventajas - Desventajas Ventajas 1. Economía en el material experimental, al obtener información
Más detallesPRUEBA 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 detallesDCA: 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 detallesPlaneación 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 detallesModelo 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 detallesRegresión 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 detallesDiseño 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 detallesElaborado 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 detallesLección 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 detalles7. 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 detallesSimulación 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 detallesAPLICACIÓN 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 detallesCorrelación. 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 detallesINDICE 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 detallesDISEÑO 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 detallesEn 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 detallesUniversidad 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 detallesIntroducción 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 detallesDiseños 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 detallesIng. 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 detallesPronósticos, 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 detallesUNIVERSIDAD 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 detalles1. 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 detalles3. 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 detallesDISEÑO 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 detallesTransformación 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 detallesQué 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 detallesUniversidad 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 detallesANOVA 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 detallesASIGNATURA: 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 detallesPrueba 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 detalles3 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 detallesEstimación 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 detallesDistribución 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 detallesEstadística. 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 detallesÍNDICE. 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 detallesMATRICES 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 detallesNotas 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 detalles5.5 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 detallesGUÍA 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 detalles5 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 detallesT2. 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 detallesESTIMACIONES 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 detallesESTADISTICA 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 detallesÍndice. 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 detallesPruebas 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 detallesEstadística; 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 detallesDiseño 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 detallesModelos 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 detallesEscuela 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 detallesTema 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 detallesRegresión 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 detallesRegresión 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 detallesDISEÑO 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 detalles8. 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 detalles14 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