Diseños Factoriales. Diseño de experimentos p. 1/25
|
|
- Juana Botella Peña
- hace 6 años
- Vistas:
Transcripción
1 Diseños Factoriales Diseño de experimentos p. 1/25
2 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de tratamientos es la selección de los factores a estudiar, sus niveles y la combinación de ellos. El diseño de tratamientos es independiente del diseño experimental que indica la manera en que los tratamientos se aleatorizan a las diferentes u.e. y las formas de controlar la variabilidad natural de las mismas. Así, el diseño experimental puede ser completamente al azar, bloques al azar, bloques al azar generalizados, cuadro latino, etc. y para cada uno de estos diseños se puede tener arreglo factorial de los tratamientos, si estos se forman por la combinación de niveles de varios factores. A ambos tipos de diseños, el de tratamientos y el experimental, les corresponde un modelo matemático. Diseño de experimentos p. 2/25
3 Introducción Así, por ejemplo, si el diseño experimental es bloques al azar, el modelos es: y ij = µ + τ i + β j + ǫ ij respuesta = media general + efecto de tratamiento + efecto de bloque + error Si se trata de un diseño factorial, los tratamientos se forman combinando los niveles de los factores en estudio, de manera que el efecto del tratamiento τ i se considera a su vez compuesto de los efectos de los factores y sus interacciones. Por ejemplo, si son dos factores en estudio se tiene: τ i = τ kl = α k + γ l + ξ kl tratamiento = factor A + factor B + interacción AB Diseño de experimentos p. 3/25
4 Introducción Haciendo una equivalencia entre los valores de i y los de k y l suponiendo que el factor A tiene K niveles y el factor B L: Y el modelo resultante es: i k l t K L y klj = µ + α k + γ l + ξ kl + β j + ǫ klj Es poco usual tener diseños experimentales muy complicados en los experimentos factoriales, ya que se dificulta el análisis y la interpretación. Diseño de experimentos p. 4/25
5 Introducción La necesidad de estudiar conjuntamente varios factores obedece a la posibilidad de que el efecto de un factor cambie según los niveles de otros factores, esto es, que los factores interactúen, o exista interacción. También se utilizan los arreglos factoriales cuando se quiere optimizar la respuesta o variable dependiente, esto es, se quiere encontrar la combinación de niveles de los factores que producen un valor óptimo de la variable dependiente. (superficie de respuesta) Si se investiga un factor por separado, el resultado puede ser diferente al estudio conjunto y es mucho más difícil describir el comportamiento general del proceso o encontrar el óptimo. Diseño de experimentos p. 5/25
6 Introducción Las ventajas de los experimentos factoriales son: 1. Economía en el material experimental al obtener información sobre varios factores sin aumentar el tamaño del experimento. Todas las u.e.se utilizan para la evaluación de los efectos. 2. Se amplía la base de la inferencia en relación a un factor, ya que se estudia en las diferentes condiciones representadas por los niveles de otros factores. Se amplía el rango de validez del experimento. 3. Permite el estudio de la interacción, esto es, estudiar el grado y forma en la cual se modifica el efecto de un factor por los niveles de los otros factores. Una desventaja de los experimentos factoriales es que requiere un gran número de u.e., sobre todo cuando se prueban muchos factores o muchos niveles de algunos factores, es decir, se tiene un número grande de tratamientos. (factoriales fraccionales) Diseño de experimentos p. 6/25
7 Interacción Suponga un diseño con dos factores: A con a niveles y B con b niveles, en diseño completamente al azar. (Factorial a b completo, balanceado, efectos fijos) Sea y ijk la respuesta para la k-ésima u.e. del nivel i de A y j de B. y ijk = µ + τ i + β j + γ ij + ǫ ijk i = 1,...,a j = 1,...,b k = 1,...,n Las hipótesis que se prueban son: H 01 : γ ij = 0 i, j H 02 : τ i + γ i. = 0 i H 03 : β j + γ.j = 0 j Diseño de experimentos p. 7/25
8 Interacción Ejemplo de un factorial 2 2 sin y con interacción. Diseño de experimentos p. 8/25
9 Interacción Conocer la interacción es más útil que conocer los efectos principales. Una interacción significativa frecuentemente oscurece la significancia de los efectos principales. Cuando hay interacción significativa, se deberán examinar los niveles de un factor, digamos A, con los niveles del o de los otros factores fijos, para tener conclusiones acerca del efecto principal A. Dos factores: A con a niveles y B con b niveles. Se dice que se tiene un factorial a b, con diseño completamente al azar (bloques, etc.). Se tienen ab tratamientos. Diseño de experimentos p. 9/25
10 Tabla de ANOVA F.V. g.l. SS CM F E(CM) A a 1 SS A SS A /(a 1) B b 1 SS B SS B /(b 1) AB (a 1)(b 1) SS AB SS AB /(b 1) CM A CM E CM B CM E CM AB CM E error ab(n 1) SS E SS E /ab(n 1) σ 2 total abn 1 SS T SS T = a i=1 SS A = 1 bn SS B = 1 an SS AB = 1 n b n j=1 k=1 a i=1 b j=1 a i=1 y 2 ijk y2... abn y 2 i.. y2... abn y 2.j. y2... abn b j=1 y 2 ij. y2... abn SS A SS b SS E = SS T SS AB SS A SS B σ 2 + rbθ 2 a σ 2 + raθ 2 b σ 2 + rθ 2 ab Diseño de experimentos p. 10/25
11 Ejemplo Un ingeniero está diseñando una batería para usarse en un aparato que estará sujeto a variaciones extremas de temperatura. Tiene tres opciones para el material de la placa para la batería, y como sabe que la temperatura afecta la vida de la batería decide probar tres temperaturas: 15 F, 70 F, 125 F. Se prueban 4 baterías en cada combinación de material y temperatura y las 36 pruebas (3 3 4) se corren en orden aleatorio (completamente al azar). Los datos son vida (en horas) de las baterías. Diseño de experimentos p. 11/25
12 Ejemplo tipo de Temperatura( F ) material El ingeniero quiere contestar las siguientes preguntas: 1. Qué efectos producen el material y la temperatura en la vida de la batería? 2. Existe un material que produzca uniformemente más larga vida a la batería sin importar la temperatura? diseño completamente al azar, experimento balanceado, completo, factores fijos. ej_fact3x3.jmp Diseño de experimentos p. 12/25
13 Una observación por celda Suponga un experimento con dos factores A con a niveles y B con b niveles y una sola repetición en cada celda (tratamiento). El modelo con interacción es: y ij = µ + τ i + β j + (τβ) ij + ǫ ij i = 1,...,a j = 1,...,b F.V. g.l. E(CM) A a 1 σ 2 + bθa 2 B b 1 σ 2 + aθb 2 AB (a 1)(b 1) σ 2 + θab 2 Error 0 σ 2 Total ab 1 σ 2 no se puede estimar, por lo tanto no hay prueba para los efectos principales a menos que no haya interacción, y entonces el modelo es y ij = µ + τ i + β j + ǫ ij Este es el caso de bloques al azar. Diseño de experimentos p. 13/25
14 El Diseño Factorial General. Balanceado El diseño factorial de dos factores se puede generalizar a tener p factores: A con a niveles B con b niveles... En general, habrá abc n observaciones si hay n repeticiones del experimento completo. Debe haber por lo menos 2 repeticiones (n 2) para poder calcular ˆσ 2 si todas las posibles interacciones están incluidas en el modelo. Diseño de experimentos p. 14/25
15 Tres factores El modelo para un factorial de tres factores en diseño completamente al azar: y ijkl = µ+τ i +β j +γ k +(τβ) ij +(τγ) ik +(βγ) jk +(τβγ) ijk +ǫ ijkl i = 1,...,a; j = 1,...,b; k = 1,...,c; l = 1,...,n Ejemplo: Se desea obtener más uniformidad en el llenado de botellas de refresco. La máquina de llenado teóricamente llena cada botella a la altura correcta, pero en la práctica hay variación, y la embotelladora desea entender mejor las fuentes de esta variabilidad para eventualmente reducirla. El ingenio de procesos puede controlar tres factores durante el proceso de llenado: El % de carbonato (A), la presión del llenado (B) y las botellas llenadas por minuto (velocidad de la línea) (C). Diseño de experimentos p. 15/25
16 Sigue ejemplo tres factores A = B = C = { { 10% 12% 14% 25psi 30psi 200bpm 250bpm Decide correr dos repeticiones de un diseño factorial en estos tres factores, con las 24 corridas realizadas en orden aleatorio. La variable de respuesta es la desviación de la altura objetivo. Diseño de experimentos p. 16/25
17 Sigue ejemplo tres factores Presión (B) 25psi 30psi % carbonato Velocidad (C) Velocidad (C) (A) fact3x2x2.jmp Diseño de experimentos p. 17/25
18 Factoriales desbalanceados Hay situaciones en que el número de observaciones (repeticiones) en cada tratamiento es diferente. Esto ocurre por varias razones. Por ejemplo, el experimentador pudo haber diseñado un experimento balanceado inicialmente, pero debido a problemas durante la ejecución del experimento que no se previeron, se perdieron algunas observaciones lo que provocó terminar con un diseño desbalanceado. Por otro lado, algunos diseños desbalanceados se diseñan así, por ejemplo, algunos tratamientos pueden ser más caros o con más dificultad para aplicarse, por lo que se toman menos observaciones en ellos. Diseño de experimentos p. 18/25
19 Factoriales desbalanceados Alternativamente, algunos tratamientos pueden ser de gran interés para el investigador porque pueden representar condiciones nuevas o inexploradas, por lo que toma más observaciones en ellos. La ortogonalidad entre efectos principales e interacciones ya no funciona en los diseños desbalanceados. Esto significa que no se aplican las técnicas del ANOVA usual. Diseño de experimentos p. 19/25
20 Factoriales desbalanceados Caso del modelo con dos factores con interacción: y ijk = µ + τ i + β j + γ ij + ǫ ijk i = 1,...,a; j = 1,...,b; k = 1,...,n ij Se definen otros tipos de sumas de cuadrados. El primero involucra ajustar modelos de una manera secuencial: 1. Ajustar y ijk = µ + ǫ ijk y obtener SSE 1 2. Ajustar y ijk = µ + τ i + ǫ ijk y obtener SSE 2 3. Ajustar y ijk = µ + τ i + β j + ǫ ijk y obtener SSE 3 4. Ajustar y ijk = µ + τ i + β j + γ ij + ǫ ijk y obtener SSE 4 Diseño de experimentos p. 20/25
21 Factoriales desbalanceados Sea R(τ µ) = SSE 1 SSE 2 R(τ µ) es la reducción debida a τ ajustada por µ. Es la cantidad en la que se reduce la suma de cuadrados del error del modelo en el paso 1 al incluir en el modelo el término τ i. Mientras más grande sea R(τ µ) más importante es tener a τ i en el modelo. Es decir, R(τ µ) es una medida del efecto del factor A. R(β µ, τ) = SSE 2 SSE 3 es la reducción debida a β ajustada por µ y τ. Es una medida del efecto del factor B dado que ya se tiene a µ y a τ i en el modelo. R(γ µ, τ, β) = SSE 3 SSE 4 es la reducción debida a γ ajustada por µ, τ y β. Diseño de experimentos p. 21/25
22 Tabla de Análisis de Varianza tipo I F.V. g.l. SS CM F A a 1 R(τ µ) SS A /gl A CM A /CM E B b 1 R(β µ, τ) SS B /gl B CM B /CM E AB (a 1)(b 1) R(γ µ, τ, β) SS AB /gl AB CM AB /CM E Error n.. ab SSE 4 SS E /gl E Total n.. 1 SSE 1 donde, n.. = a i=1 b j=1 n ij Diseño de experimentos p. 22/25
23 Tabla de Análisis de Varianza tipo II F.V. g.l. SS CM F A a 1 R(τ µ, β) SS A /gl A CM A /CM E B b 1 R(β µ, τ) SS B /gl B CM B /CM E AB (a 1)(b 1) R(γ µ, τ, β) SS AB /gl AB CM AB /CM E Error n.. ab SSE 4 SS E /gl E Total n.. 1 SSE 1 Diseño de experimentos p. 23/25
24 Análisis tipo III, Regresión 1. Se generan a 1 variables dummy (0,1) para los a niveles del factor A. Se generan b 1 variables dummy para los b niveles del factor B. 2. La interacción A B se representa por los productos de sus variables dummy correspondientes. 3. Se ajusta el modelo con todas las variables dummy y se obtiene SSE. 4. Se ajusta el modelo con todas las variables dummy excepto aquellas que corresponden a los efectos principales o interacciones que están siendo probadas. La diferencia entre esta SSE y la del modelo completo es la SS correspondiente a este efecto. Diseño de experimentos p. 24/25
25 Ejemplo factorial 2x3 desbalanceado Suponga un experimento factorial 2 3 en un diseño completamente al azar. ej9_1_messy.jmp B 1 B 2 B 3 T T Diseño de experimentos p. 25/25
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 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 detallesDiferentes tamaños de u.e. Diseño de experimentos p. 1/24
Diferentes tamaños de u.e. Diseño de experimentos p. 1/24 Introducción Los diseños experimentales que tienen varios tamaños de u.e. son: diseños de mediciones repetidas, diseños de parcelas divididas,
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
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 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 detallesDISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN. Diseños en bloques completos aleatorizados con dos tratamientos
DISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN Los diseños en bloques utilizan una restricción en la aleatorización. Los cuadrados latinos utilizan dos restricciones en la aleatorización.
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 detallesESQUEMA GENERAL DISEÑO FACTORIAL
TEMA III ESQUEMA GENERAL Definición Clasificación Efectos estimables en un diseño factorial Diseño factorial A x B completamente al azar Representación de la interacción DISEÑO FACTORIAL Definición El
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 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 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 detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Experimentos factoriales Introducción Los diseños factoriales se utilizan para estudiar los efectos en una respuesta o salida de al menos dos variables
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
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 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 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 detallesCapítulo 6. Análisis de la covarianza ANÁLISIS DE LA COVARIANZA UNIFACTORIAL INTRODUCCIÓN
Capítulo 6 Análisis de la covarianza INTRODUCCIÓN Es una combinación de dos técnicas: Análisis de la Varianza y Análisis de Regresión. En el Análisis de la Covarianza: F La variable respuesta es cuantitativa
Más detallesDiseños factoriales con tres factores
Capítulo 6 Diseños factoriales con tres factores SupongamosquehayanivelesparaelfactorA,bnivelesdelfactorBycnivelespara el factor C y que cada réplica del experimento contiene todas las posibles combinaciones
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 detallesANOVA Análisis de la Varianza en diseño de experimentos
ANOVA Análisis de la Varianza en diseño de experimentos NATURALEZA DEL DISEÑO EXPERIMENTAL El diseño experimental tiene sus orígenes en los trabajos de Ronald Aylmer Fisher (1890 1962) desarrollados en
Más detallesExperimento Gauge R & R.
Experimento Gauge R & R. Este tipo de experimento se usa para estudiar los componentes de variabilidad en un sistema de medida. Los componentes de usual interés son repetibilidad y reproducibilidad. La
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 detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesESQUEMA GENERAL. Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño factorial mixto
TEMA IV ESQUEMA GENERAL Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño factorial mixto DISEÑOS DE MEDIDAS REPETIDAS Definición En el diseño medidas
Más detallesExperimentos factoriales con factores aleatorios
Experimentos factoriales con factores aleatorios Hasta el momento hemos presumido que los factores en nuestros experimentos eran de naturaleza fija; esto es los niveles en que los factores fueron evaluados
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 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 detallesDiseño de Bloques Aleatorios y. Cuadrados Latinos
Capítulo 2 Diseño de Bloques Aleatorios y Cuadrados Latinos 2.1. Diseño de Bloques Aleatorios Como se ha dicho antes, uno de los principales objetivos que se persigue al diseñar un experimento, es reducir
Más detallesDiseño de experimentos
Diseño de experimentos Quimiometría Por qué diseñar experimentos? Exploración: cuáles factores son importantes para realizar exitosamente un proceso Optimización: cómo mejorar un proceso Ahorro de tiempo:
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesExperimento Split-Plot (Parcelas o cuadrantes partidas/os):
Experimento Split-Plot (Parcelas o cuadrantes partidas/os): Este tipo de experimento se utiliza cuando no existe la posibilidad de aleatorizar por completo el orden de las corridas. Maneja tratamientos
Más detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Diseño experimental de dos grupos: definición y clasificación Formatos del diseño y prueba de hipótesis Diseño experimental multigrupo: definición Formato del diseño multigrupo
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 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 detallesDiseños en cuadrados de Youden
Capítulo 9 Diseños en cuadrados de Youden 9.1. Introducción Hemosestudiadoqueeneldiseñoencuadradolatinosetienequeverificarquelos tres factores tenganelmismo númerodeniveles,es decir quehaya elmismonúmerode
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesTema V. EL ANOVA multifactorial
5.1. El ANOVA de múltiples factores: - Factorial (ortogonal): los no ortogonales no los veremos - Factores fijos, aleatorios y mixtos (consecuencias prácticas) - El Anova encajado La variable que vamos
Más detallesDiseño de Experimentos
Diseño de Experimentos M. en E. Patricia I. Romero Mares Departamento de Probabilidad y Estadística IIMAS-UNAM Cursos PUMA Análisis estadísticos para proyectos de investigación ambiental 30 julio a 3 agosto
Más detallesDiseño Muestreo y Experimental -->fundamental para análisis estadísticos. Escogencia de factores (V. independientes), niveles de factores,
Diseño Muestreo y Experimental -->fundamental para análisis estadísticos Escogencia de factores (V. independientes), niveles de factores, (tratamientos), Unidades de repuesta (replicas), Unidades de muestreo
Más detallesIntroducción al diseño experimental y al análisis de datos. Construcción de diseños factoriales
Introducción al diseño experimental y al análisis de datos Construcción de diseños factoriales Introducción Tipos de factores Diseños ortogonales Diseños anidados Diseños ad-hoc Jose Jacobo Zubcoff Dept.
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 detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesBloque 3 Tema 14 ANÁLISIS DE LA VARIANZA. PRUEBA F
Bloque 3 Tema 4 AÁLISIS DE LA VARIAZA. PRUEBA F El objetivo fundamental de la experimentación es estudiar la posible relación de causalidad existente entre dos o más variables. Este estudio representa
Más detallesDISEÑO DE EXPERIMENTOS
DISEÑO DE EXPERIMENTOS Dr. Héctor Escalona hbescalona@yahoo.com hbeb@xanum.uam.mx Diseño de 1. Introducción al diseño de 2. Herramientas de inferencia estadística 3. para la comparación de dos tratamientos
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesDiseño de Experimentos Diseños de un Solo Factor Categórico
Diseño de Experimentos Diseños de un Solo Factor Categórico Resumen La selección de Diseños de un Solo Factor Categórico sobre el menú de Crear un Diseño crea diseños experimentales para situaciones donde
Más detallesANOVA de dos factores Tema Objetivo. Concepto de interacción
AOVA de dos factores ema 7. Objetivo. Concepto de interacción. AOVA de dos factores, efectos fijos, completamente aleatoriazado (AOVA-AB-EF-CA). Comparaciones múltiples . Objetivo: estudiar si los valores
Más detallesEstas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Más detallesAnálisis de la varianza (ANOVA)
Análisis de la varianza (ANOVA) Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a través del
Más detallesCENTRO UNIVERSITARIO UAEM ZUMPANGO LIC. DE INGENIERO AGRONOMO EN PRODUCCIÓN DISEÑO DE BLOQUES AL AZAR PRESENTA. DR en EDU. JOSÉ LUIS GUTIÉRREZ LIÑÁN
CENTRO UNIVERSITARIO UAEM ZUMPANGO LIC. DE INGENIERO AGRONOMO EN PRODUCCIÓN DISEÑO DE BLOQUES AL AZAR PRESENTA DR en EDU. JOSÉ LUIS GUTIÉRREZ LIÑÁN SEPTIEMBRE, 2015 INTRODUCCIÓN Los diseños experimentales
Más detallesFactores no controlables
Acepto la Ho y ιj μ α ι β j ε ιj Dr. Alfredo Matos Ch. Universidad Peruana Unión amatosch@upeu.edu.pe Factores Controles Entradas PROCESO FUNCION ACTIVIDAD Salidas Factores no controlables 2 1 Se entiende
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesANEXO I. ANÁLISIS DE LA VARIANZA.
ANEXO I. ANÁLISIS DE LA VARIANZA. El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o más medias. Cuando se quiere comparar más de dos medias es incorrecto utilizar
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 detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
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 detallesDISEÑO PARCELAS DIVIDIDAS
DISEÑO 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 detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
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 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 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 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 detallesAnálisis de Covarianza
Capítulo VI Análisis de Covarianza El análisis análisis de covarianza es un procedimiento muy importante en experimentación, pero lamentablemente no se usa con frecuencia. Utiliza el análisis de varianza
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesBloque II (Columnas) B= Y212 C= Y322 D= Y432 C= Y313 D= Y423 E= Y533. A= Y1k2. B= Y2k3
DISEÑO EN CUADRO LATINO En el diseño en cuadro latino (DCL) se controlan dos factores de bloque y se estudia un solo factor de interés. En este sentido, se tienen cuatro fuentes de variación: Los tratamientos
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
Más detallesDiseño de Experimentos
Diseño de Experimentos p. Diseño de Experimentos Isabel Casas Despacho: 10.0.04 mcasas@est-econ.uc3m.es Hector Cañada jcanada@est-econ.uc3m.es Introducción Los modelos que vamos a estudiar son usados para
Más detallesANOVA I ES EL ANÁLISIS DE LA VARIANZA DE UN FACTOR
ANOVA I ES EL ANÁLISIS DE LA VARIANZA DE UN FACTOR En el análisis de la varianza con un factor (ANOVA I) se supone que hay variación debida a los tratamientos. Se aplica un tratamiento distinto a cada
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 detallesEstimación de Parámetros
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: p Estimación de Parámetros Prueba de Hipótesis Estimación
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Más detallesESQUEMA GENERAL DISEÑO CUASI-EXPERIMENTAL
TEMA V ESQUEMA GENERAL Definición y clasificación del diseño cuasi-experimental Estructuras básicas: Diseño pre-experimental Diseño de grupo control no equivalente: Definición Diseño de grupo control no
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesSupuestos y comparaciones múltiples
Supuestos y comparaciones múltiples Diseño de Experimentos Pruebas estadísticas Pruebas de bondad de ajuste Prueba de hipótesis para probar si un conjunto de datos se puede asumir bajo una distribución
Más detalles1 El Análisis de Varianza
1 El Análisis de Varianza Objetivo: Explicar (controlar las variaciones de una v.a. Y continua (numérica, mediante factores (variables cualitativas que definen categorías que controlamos (no aleatorios.
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
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 detallesPROYECTO DEL CURSO DE ESTADÍSTICA INFERENCIAL
1 PROYECTO DEL CURSO DE ESTADÍSTICA INFERENCIAL Prof.: MSc. Julio R. Vargas A. I. INTRODUCCION El presente trabao está orientado a aplicar los conocimientos de estadística inferencial a un caso práctico
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesRegresión polinomial y factores
Capítulo Regresión polinomial y factores.. Regresión polinomial Si una función media tiene un predictor X pueden usarse sus potencias enteras para aproximar E (Y X). El caso más simple es la regresión
Más detallesTaller Análisis de Datos Multinivel
Taller Análisis de Datos Multinivel Sergio R. Muñoz, Ph.D. CIGES & Departamento Salud Publica Facultad de Medicina Universidad de La Frontera munozs@ufro.cl 12-25 de Mayo, 2012 Datos Pacientes en clínicas
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesEXPERIMENTACIÓN. Eduardo Jiménez Marqués
EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6
Más detallesMétodo de las Superficies de Respuesta
7 Método de las Superficies de Respuesta En este capítulo se analizará en qué consiste la Metodología de Superficies de Respuesta, su representación gráfica, el procedimiento a seguir hasta encontrar un
Más detallesANÁLISIS E INTERPRETACIÓN DE DATOS EXPERIMENTALES EN EL MEJORAMIENTO GENÉTICO VEGETAL. Ing. Agr. Pablo Mansilla MGV-FCA, UNC.
ANÁLISIS E INTERPRETACIÓN DE DATOS EXPERIMENTALES EN EL MEJORAMIENTO GENÉTICO VEGETAL. Ing. Agr. Pablo Mansilla MGV-FCA, UNC. ALGUNAS DEFINICIONES NECESARIAS.. UNIDAD EXPERIMENTAL (UE) Porción de material
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Sexta clase: Programa Técnico en Riesgo, 2016 Agenda 1 2 de una vía 3 Pasos para realizar una prueba de hipótesis Prueba de hipotesis Enuncia la H 0 ylah 1,ademásdelniveldesignificancia(a).
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detalles