Métodos de Diseño y Análisis de Experimentos
|
|
- Natalia Belmonte Aguilera
- hace 5 años
- Vistas:
Transcripción
1 1 / 16 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM mayo 2018
2 Ejemplo Modelos Mixtos 2 / 16
3 3 / 16 Ejemplo 1 (2 factores balanceado) Una compañía quiere reemplazar, en una de sus fábricas, las máquinas usadas para hacer cierto componente. Hay tres diferentes marcas de máquinas en el mercado. El gerente diseña un experimento para evaluar la productividad de las máquinas cuando son operadas por su propio personal. Se seleccionaron aleatoriamente seis empleados para participar en el experimento, cada uno de los cuales operó cada una de las máquinas en tres diferentes ocasiones. Los datos son calificaciones globales, que toman en cuenta el número y calidad de componentes producidos.
4 4 / 16 Ejemplo 1 (2 factores balanceado) Repetición Máquina Persona
5 5 / 16 Ejemplo 1 (2 factores balanceado) Repetición Máquina Persona
6 6 / 16 Ejemplo 1 (2 factores balanceado) El modelo es: y ijk = µ + τ i + p j + g ij + ε ijk i = 1,2,3 j = 1,...,6 k = 1,2,3 Donde µ es la media general, τ i efecto del tipo de máquina i, p j efecto aleatorio de la persona j, g ij interacción aleatoria máquina-persona y ε ijk error aleatorio asociado a la j-ésima persona operando la máquina i en el tiempo k. Los componentes aleatorios y sus correspondientes varianzas son: p j N(0,σ 2 p ) g ij N(0,σ 2 g ) ε ijk N(0,σ 2 )
7 7 / 16 Ejemplo 1 (2 factores balanceado) F.V. gl SS CM F E(CM) Máquina ** σ 2 + 3σg θτ 2 Persona *** σ 2 + 9σp 2 Máq x Pers *** σ 2 + 3σg 2 Error σ 2 La estimación de los componentes de varianza por el método de Momentos: Componente Estimación % del total Persona Máq x Pers Error Total
8 8 / 16 Ejemplo 1 (2 factores balanceado) Se rechaza la hipótesis de que el componente de varianza de la interacción es cero. Si fuera cero, indicaría que la diferencia en productividad entre todos los empleados (no solo los de la muestra) son similares para las tres máquinas. También indicaría que la diferencia en productividad entre las tres máquinas es similar para todos los empleados (no solo los de la muestra). Las inferencias son para la población de todos los empleados y no solamente para aquellos que fueron seleccionados aleatoriamente. La interpretación de la significancia del componente de varianza de la interacción Máquina x Persona es que la diferencia en productividad entre las máquinas varía dependiendo de la persona que use la máquina. O sea, se puede decir que algunas personas se adaptan mejor a algunas máquinas que a otras.
9 9 / 16 Ejemplo 1 (2 factores balanceado) Se rechaza la hipótesis de que el componente de varianza de persona es cero, lo que indica que existe una considerable variación en productividad entre los empleados de la planta. Se requiere un programa de entrenamiento para reducir esta variabilidad entre los empleados. Debido a que hay interacción máquina x persona no podemos probar cuál es la mejor marca de máquina.
10 10 / 16 Ejemplo 2 Un ingeniero industrial está estudiando la inserción a mano de componentes electrónicos en tarjetas de circuitos impresos para mejorar la velocidad de la operación de ensamblaje. Ha diseñado 3 dispositivos de ensamblaje y 2 esquemas que se ven prometedores. Se requieren operadores para realizar el ensamblado, por lo que decide seleccionar aleatoriamente 4 operadores para cada tipo de esquema. Ya que hay diferentes lugares donde se van a probar estos 2 factores, es difícil usar los mismos 4 operadores, por lo que los 4 operadores escogidos para el esquema 1 son diferentes a los 4 del esquema 2. Se corren en forma aleatoria la combinación de tratamientos y se obtienen 2 repeticiones. Se mide el tiempo de ensamblado en segundos.
11 11 / 16 Ejemplo 2 Esquema 1 2 Operador D i s p o s i t
12 12 / 16 Ejemplo 2 Este es un modelo mixto ya que dispositivos y esquemas son fijos y operador es aleatorio. En este modelo operadores están anidados en los niveles de esquema, mientras que dispositivos y esquemas están cruzados. y ijkl = µ + τ i + β j + γ k(i) + (τβ) ij + (βγ) jk(i) + ε l(ijk) τ i es el efecto del i-ésimo esquema, i = 1,2 β j es el efecto del j-ésimo dispositivo, j = 1,2,3 γ k(i) es el efecto del k-ésimo operador dentro del i-ésimo esquema, k = 1,2,3,4 (τβ) ij interacción esquema x dispositivo (βγ) jk(i) interacción dispositivo x operador dentro de esquema ε l(ijk) error, l = 1,2
13 13 / 16 Ejemplo 2 Note que no puede haber interacción esquema x operador por que no todos los operadores usan todos los esquemas, por lo tanto no puede haber interacción dispositivo x esquema x operador.
14 14 / 16 Ejemplo 2 Componente E(CM) Esquema Disposit σ 2 + 6σo θe 2 σ 2 + 2σod(e) θ d 2 esqxdis σ 2 + 2σod(e) 2 + 8θ ed 2 op(esq) op x dis(esq) σ 2 + 6σo 2 σ 2 + 2σod(e) 2 Error σ 2 Componente Esquema Dispositivo Esq x Dispo Operador(esq) Opera x Dispo(esq) Denominador (CM) Operador(esquema) Operador x Dispositivo(esquema) Operador x Dispositivo(esquema) error error
15 15 / 16 Ejemplo 2 F.V. gl SS CM F Prob > F Esquema Dispositivo Esq x Disp Operador(esq) Op x Disp(esq) Error
16 16 / 16 Reglas para encontrar E(CM) en diseños completos balanceados 1. El error, considerado jerárquico dentro de los demás factores, tendrá un componente de varianza σ 2 y es siempre aleatorio. 2. En cada hilera del A. de V. escriba los componentes de varianza que tienen todos los suscritos contenidos en los suscritos del factor en la hilera. 3. Determine qué suscritos no están presentes en cada componente de varianza. Multiplique el coeficiente de ese componente por el tamaño de muestra (número de niveles) de los factores correspondientes a los suscritos faltantes. 4. Multiplique el componente por (1 h/h) donde h es el número de niveles de un factor y H es el tamaño de la población de efectos. Así para efectos fijos h = H y para efectos aleatorios H =. El factor (1 h/h) multiplica a los componentes para cada factor H que está en el suscrito del componente y que no aparece dentro de un paréntesis y/o no está en el encabezado de la hilera. Excepto para σ 2.
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 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 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 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 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 detallesMétodos de Diseño y Análisis de Experimentos
1 / 28 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM marzo 2018 Ideas básicas del diseño experimental Capítulo 4 de Analysis
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 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 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 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 detallesMétodos de Diseño y Análisis de Experimentos
1 / 30 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM abril 2018 Diseño de Bloques al azar 2 / 30 3 / 30 Introducción En
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 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 - 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 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 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 detallesUniversidad de Puerto Rico Recinto de Mayagüez
Universidad de Puerto Rico Recinto de Mayagüez Notas de Clase 17 de Octubre 2008 Diseño de experimentos Autores: Rafael Victoria Bournigal & Juan Balbuena Merle Plan de Trabajo: Continuación Medias Cuadradas
Más detallesEXPERIMENTOS FACTORIALES CON RESTRICCIONES DE ALEATORIZACION
EXPERIMENTOS FCTORILES CON RESTRICCIONES DE LETORIZCION Diseño de Parcela Dividida Diseño de Bloques Divididos o en Franjas Características generales de estos diseños Esquemas a campo y aleatorización
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 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 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 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 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 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 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 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 detallesDepartamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff Tema 5 Modelos de dos factores-tratamiento. Se continua trabajando
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 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 detallesDiseño y análisis de experimentos
Diseño y análisis de experimentos Universidad Nacional de Colombia Sede Medelĺın Kenneth Roy Cabrera Torres 06 de febrero de 2018 1 / 16 Un factor Familia de diseños Modelos Supuestos Prueba de Hipótesis
Más detallesDISEÑO EN BLOQUES ALEATORIZADOS
DISEÑO EN BLOQUES ALEATORIZADOS DISEÑO EN BLOQUES ALEATORIZADOS COMPLETOS DISEÑO EN BLOQUES INCOMPLETOS ALEATORIZADOS DISEÑO EN CUADRADOS LATINOS DISEÑO EN CUADRADOS GRECO-LATINOS DISEÑO EN CUADRADOS DE
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
Diseño de Experimentos Estudios experimentales vs observacionales Experimento vs Muestreo La palabra experimento se utiliza en un sentido preciso, implicando una investigación donde un sistema bajo estudio
Más detallesSegundo Examen Parcial
Segundo Examen Parcial Nombre: AGRO 6600 2009 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente.
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 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 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 detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesAVISOS. Diseño Factorial 30/03/2015. Bioestadística II. Diseño Factorial. El miércoles 1 Abril no hay clases de BIO II
Facultad de Ciencias EYactas, Físicas y Naturales Universidad Nacional de Córdoba AVISOS Bioestadística II 2015 El miércoles 1 Abril no hay clases de BIO II http://estadisticaybiometria.wordpress.com seguir
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 detallesDISEÑO DE CUADRADOS LATINOS
DISEÑO DE CUADRADOS LATINOS a vimos que el diseño de bloques al azar, era el diseño apropiado cuando se conocía de antemano algún factor que fuera fuente de variabilidad entre las unidades experimentales.
Más detallesAnálisis estadístico y uso de bases de datos!!!!! Diseños factoriales! Diseños anidados
Diseños anidados Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Ejemplo: Diseños anidados Hipótesis: La abundancia total de peces es menor en una zona rocosa colonizada por C. taxifolia
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 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 detallesPONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS. Sec. Repaso EX III MAT. 298 Núm.
PONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS Nombre: Fecha: Sec. Repaso EX III MAT. 298 Núm. I. Verdadero (V) o Falso (F).. La Curva de Probabilidad Normal Estándar
Más detallesTécnicas de Muestreo I
1 / 39 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM agosto 2018 2 / 39 Temario 1. Introducción. Definición de conceptos elementales 2. Muestreo
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
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 detallesNOTAS SOBRE DISEÑO DE EXPERIMENTOS
INTRODUCCIÓN DISEÑO DE EXPERIMENTOS El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la fecha
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
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 detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
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 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 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 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 detallesINGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: ENERO DE
Más detalles4. 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 detallesESQUEMA GENERAL Concepto y formato del Diseño de grupo control no equivalente (DGCNE) Clasificación
TEMA V ESQUEMA GENERAL Concepto y formato del Diseño de grupo control no equivalente (DGCNE) Clasificación Análisis de la covarianza (ANCOVA) Modelos alternativos de análisis DISEÑO DE GRUPO CONTROL NO
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 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 detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesDISEÑO EXPERIMENTAL FACTORIAL DE GRUPOS
TEMA III ESQUEMA GENERAL Definición del diseño factorial Clasificación del diseño factorial Efectos estimables en un diseño factorial Diseño factorial A x B completamente al azar: Estructura Diseño factorial
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 detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesDISTRIBUCION "F" FISHER
Imprimir INSTITUTO TECNOLOGICO DE CHIHUAHUA > DISTRIBUCION "F" FISHER La necesidad de disponer de métodos estadísticos para comparar las varianzas de dos poblaciones es evidente a partir
Más detallesDispositivos experimentales
Curso sobre mitigación de los efectos adversos del Cambio Climático mediante programas de reforestación Cartagena de Indias(Colombia), 12-16 septiembre 2016 Dispositivos experimentales Eduardo Notivol
Más detallesNORMAS El examen consta de dos partes: Diez Cuestiones: (tiempo: 60 minutos)
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 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 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 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 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 detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 8 Nombre: Pruebas de hipótesis para varianzas poblacionales. Contextualización En las dos sesiones anteriores se vieron métodos de inferencia estadística para medias
Más detallesCENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN MUESTRAS ALEATORIAS Y DISTRIBUCIONES DE MUESTREO
CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN MUESTRAS ALEATORIAS Y DISTRIBUCIONES DE MUESTREO ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017 UNIDAD DE APRENDIZAJE PROBABILIDAD
Más detallesBASES DEL DISEÑO EXPERIMENTAL EN CIENCIA ANIMAL
BASES DEL DISEÑO EXPERIMENTAL EN CIENCIA ANIMAL ETAPAS DE UNA INVESTIGACION a. Planteamiento y formulación del PROBLEMA b. Justificación c. Objetivos d. Hipótesis e. Procedimiento / diseño experimental
Más detallesDiseño de Experimentos
Diseño de Experimentos Tema 8. Diseño de Bloques al Azar JAIME MOSQUERA RESTREPO DISEÑO DE BLOQUES El principio básico del diseño de experimentos consiste en garantizar la homogeneidad de las Unidades
Más detallesaceptar o rechazar evidencia hipótesis nula y la hipótesis alternativa enunciado que se probará "no hay efecto" o "no hay diferencia"
PRUEBA DE HIPOTESIS Técnica estadística que se sigue para decidir si rechazamos o no una hipótesis estadística en base a la información de la muestra. Es una afirmación de lo que creemos sobre una población.
Más detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Definición y clasificación del diseño experimental de grupos Diseño experimental de dos grupos: definición y clasificación Diseño experimental de dos grupos: análisis estadístico
Más detallesVIII Parcelas Divididas Experimentación en localidades
VIII Parcelas Divididas Experimentación en localidades Dr. Jesús Mellado 3 8.1 Características del diseño El diseño parcelas divididas se puede aplicar en diferentes modelos de experimentos, pero su mayor
Más detallesESTADÍSTICA ANOVA ANOVA
ESTADÍSTICA PROBLEMA (comparación de dos promedios) Un ingeniero de desarrollo de productos está interesado en maximizar la resistencia a la tensión de una nueva fibra sintética que se empleará en la manufactura
Más detallesRegresion lineal simple
Unidad 2 Regresion lineal simple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 73 Planteamiento El modelo de regresión lineal simple relaciona la variable de interés Y, llamada dependiente,
Más detallesPruebas de hipótesis
Pruebas de hipótesis Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Prueba de hipótesis Uno de los objetivos de la estadística es hacer
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 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 detallesIntroducción. Diseño de experimentos p. 1/65
Introducción Diseño de experimentos p. 1/65 Introducción Historia R.A. Fisher, en la década de los 20 s, fué el iniciador del Diseño de Experimentos, con experimentos en el área de agricultura en Inglaterra.
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 detallesComparación de métodos de aprendizaje sobre el mismo problema
Comparación de métodos de aprendizaje sobre el mismo problema Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación. Test de
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 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 detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detalles(1 punto) (1.5 puntos)
Ejercicios de inferencia estadística. 1. Sea la población {1,2,3,4}. a) Construya todas las muestras posibles de tamaño 2, mediante muestreo aleatorio simple. b) Calcule la varianza de las medias muestrales.
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 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 Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
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 detallesIntroducción al Análisis de. Varianza.
Capítulo 1 Introducción al Análisis de Varianza. 1.1. Introducción. Hasta el momento se han realizado inferencias con respecto a un parámetro poblacional y a la comparación de un parámetro entre 2 poblaciones.
Más detalles