4. DISEÑOS MULTIFACTORIALES O FACTORIALES
|
|
|
- David Roldán Márquez
- hace 8 años
- Vistas:
Transcripción
1 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 de nivel de varios factores sobre la variable de respuesta. Se entiende como diseño factorial cuando cada repetición o replica completa del experimento incluye a todas las combinaciones posibles de los niveles de los factores bajo estudio. Este tipo de diseños permite estimar los efectos simples de los factores y el efecto de las interacciones de dichos factores. El efecto de un factor simple (o principal) se define como el cambio producido en la variable de respuesta debido al cambio de un nivel a otro en el factor. El efecto de interacción de dos factores se define como el cambio producido en la variable de respuesta al cambiar los niveles de un factor con respecto a los niveles del otro factor. 4. EJEMPLO DE EXPERIMENTOS DE DOS FACTORES Con el fin de precisar las condiciones óptimas de un baño de níquel, los efectos de la concentración de sulfona y la temperatura del baño en el poder de reflexión de un metal niquelado. Se realizo el experimento y los resultados están en la tabla 4.1. Factor A Factor B Replicas Concentración Sulfona Temperatura I II III Tabla 4.1 Resultados del experimento del poder de reflexión 47
2 Nótese que es un diseño de dos factores, un factor A que es la Concentración de Sulfona con dos niveles 5 y 10; un factor B que es la Temperatura con cinco niveles 75, 100, 15, 150 y 175; la variable de respuesta el Poder de Reflexión de un metal niquelado. El modelo matemático de este diseño es, Y ijk = + i + +( ) Y ijk es la variable de respuesta (poder de reflexión), es la media general del poder de reflexión, i es el efecto simple de la concentración de sulfona, j es el efecto de la temperatura, ( ) ij el efecto de la interacción de la concentración de sulfona y la temperatura, y ijk es el error aleatorio. j ij + ijk Las hipótesis que se pueden probar son: 1) H o : no influye el efecto de la concentración de sulfona en el poder de reflexión ( H : =0 o ) i H a : si influye el efecto de la concentración de sulfona en el poder de reflexión ( : i 0 ). H a ) H o : no influye el efecto de la temperatura en el poder de reflexión ( H : =0 ) o i H a : si influye el efecto de la temperatura en el poder de reflexión ( 0 ). H : a i 3) H o : no hay efecto de interacción entre la Concentración de Sulfona y la temperatura en el poder de reflexión ( : =0 ( ) H o ) ij H a : si hay efecto de interacción entre la Concentración de Sulfona y la temperatura en el poder de reflexión ( : 0 H o ( ) ). ij 48
3 4.3 ANALISIS DE VARIANZA En la tabla 4. se puede ver el análisis de varianza para la variable reflexión. Los valores de P de los tres efectos son menores que el nivel de confianza dado α=0.05, lo que significa que si influye el efecto simple de la concentración de sulfona, si influye el efecto simple de la temperatura y si influye el efecto de interacción entre la concentración de sulfona y la temperatura, con una confianza estadística del 95%. Para analizar, el comportamiento de los efectos simples de la concentración de sulfona y la temperatura, se procede a analizar la prueba de comparación de medias de la prueba de LSD. Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P EFECTOS PRINCIPALES A:CONCENTRACION B:TEMPERATURA INTERACCIONES AB RESIDUOS TOTAL (CORREGIDO) Tabla 4. Análisis de Varianza para Reflexión 4.4 PRUEBA DE LSD PARA EL FACTOR A (CONCENTRACION) Para realizar la prueba de rangos múltiples para el efecto del factor A (concentración de sulfona), se utiliza la siguiente formula: t LSD donde CM, ab( n 1) nb ERROR 49
4 t, ab( n 1) es la t-student con una α de confianza estadística y con ab(n-1) grados de libertad a = numero de niveles del factor A b = numero de niveles del factor B n = numero de replicas CM ERROR es el cuadrado medio del error. Para nuestro ejemplo, tenemos que 0.05,0) t 0.05,0). 086 t (ver tablas de la t-student). CM ERROR =14, b=5 y n=3. (14) LSD (3)(5) Las medias de los niveles del factor de concentración son CONCENTRACION MEDIA Comparando la media de la concentración 5 con la concentración 10, tenemos que =9.06>.85 por lo tanto la concentración de 10 da mayor poder de reflexión. Estos resultados se pueden sintetizar en la tabla 4.3, 50
5 REFLEXION Método: 95.0 porcentaje LSD CONCENTRACION Casos Media LS Sigma LS Grupos Homogéneos X X Contraste Sig. Diferencia +/- Límites 5-10 * * indica una diferencia significativa. Tabla 4.3 Prueba de LSD para la concentración de sulfona La grafica de medias y la tabla de medias para la concentración de sulfona esta en la figura 4.1 y tabla 4.4, respectivamente, donde se puede ver que si se recomienda una concentración de sulfona de 10 se esperarían promedios entre y Error Límite Límite Nivel Casos Media Est. Inferior Superior CONCENTRACION Tabla 4.4 Tablas de medias para la concentración de sulfona 4 Medias y 95.0% de Fisher LSD CONCENTRACION Figura 4.1 Grafica de medias para concentración de sulfona 51
6 4.5 PRUEBA DE LSD PARA EL FACTOR B (TEMPERATURA) Para realizar la prueba de rangos múltiples para el efecto del factor B (Temperatura), se utiliza la siguiente formula: t LSD donde CM, ab( n 1) na ERROR t, ab( n 1) es la t-student con una α de confianza estadística y con ab(n-1) grados de libertad a = numero de niveles del factor A b = numero de niveles del factor B n = numero de replicas CM ERROR es el cuadrado medio del error. Para el ejemplo tenemos que: 0.05,0) t 0.05,0). 086 t (ver tablas de la t-student). CM ERROR =14, a= y n=3. (14) LSD (3)() Las medias de los niveles del factor Temperatura son Temperatura Media
7 Comparando la media de la temperatura 75 con la temperatura 100, tenemos que =< 4.5 por lo tanto no hay diferencias en las dos temperaturas. Comparando la media de la temperatura 75 con la temperatura 15, tenemos que =5.33> 4.5 por lo tanto existen diferencias en las dos temperaturas. Comparando la media de la temperatura 75 con la temperatura 150, tenemos que =7> 4.5 por lo tanto existen diferencias en las dos temperaturas. Comparando la media de la temperatura 75 con la temperatura 175, tenemos que =1.83> 4.5 por lo tanto existen diferencias en las dos temperaturas. Comparando la media de la temperatura 100 con la temperatura 15, tenemos que =3.33< 4.5 por lo tanto no hay diferencias en las dos temperaturas. Comparando la media de la temperatura 100 con la temperatura 150, tenemos que =5> 4.5 por lo tanto existen diferencias en las dos temperaturas. Comparando la media de la temperatura 100 con la temperatura 175, tenemos que =10.83> 4.5 por lo tanto existen diferencias en las dos temperaturas. Comparando la media de la temperatura 15 con la temperatura 150, tenemos que =1.67< 4.5 por lo tanto no hay diferencias en las dos temperaturas. Comparando la media de la temperatura 15 con la temperatura 175, tenemos que =7.5> 4.5 por lo tanto existen diferencias en las dos temperaturas. Comparando la media de la temperatura 150 con la temperatura 175, tenemos que =5.83> 4.5 por lo tanto existen diferencias en las dos temperaturas. 53
8 Estos resultados se resumen en la tabla 4.5, donde se puede concluir que Hay cuatro grupos homogéneos, un grupo lo forma la temperatura 75, otro grupo lo forman las Temperaturas 15 y 150, otro grupo lo es 100 con 15, otro grupo homogéneo lo es las temperaturas 100 con 15. Como se quiere mayor poder de reflexión se recomiendan las temperaturas 75 ó 100. Método: 95.0 porcentaje LSD TEMPERATURA Casos Media LS Sigma LS Grupos Homogéneos X X XX XX X Contraste Sig. Diferencia +/- Límites * * * * * * * * indica una diferencia significativa. Tabla 4.5 Prueba de comparación de medias LSD para el efecto de Temperatura TEMPERATURA Casos Media Error Est. Limite Inferior Limite Superior Tabla 4.6 Tabla de medias para el efecto de temperatura 54
9 REFLEXION En la figura 4. y la tabla 4.6 se puede ver que si se recomienda la temperatura de 75, se esperarían promedios de y 4.35 o si se recomienda una temperatura de 100 se esperarían promedios de y Medias y 95.0% de Fisher LSD TEMPERATURA Figura 4. Grafica de medias para el efecto de temperatura 4.6 GRAFICA DE INTERACCIONES PARA LA TEMPERATURA Y LA CONCENTRACION Para obtener la grafica de interacciones de la temperatura y la concentración es necesario calcular las medias de las combinaciones de los dos factores, como a continuación se ilustra: TEMPERATURA CONCENTRACION Esta información se presenta en una grafica x-y, como se ilustra en la figura 4.3, 55
10 REFLEXION GRAFICA DE INTERACCIONES TEMPERARURA Figura 4.3 Grafica de interacción entre la concentración de sulfona y la temperatura En la grafica de la figura 4.3 en el eje de las Xs se grafican los niveles de cualquiera de los dos factores, en este caso se encuentran los niveles de temperatura. En el eje de las Ys se grafica la variable de respuesta: Reflexión. En el interior de la grafica se trazan las líneas correspondientes a los niveles del otro factor, que en este caso corresponden a la concentración; la línea de abajo representa el nivel 5 de concentración, mientras que la línea de arriba representa el nivel 10 de concentración. Los puntos en la grafica representa el promedio de cada combinación, por ejemplo el valor es el promedio de poder de reflexión al trabajar una temperatura de 75 con una concentración de 5, mientras que el valor de es el promedio de poder de reflexión al trabajar una temperatura de 75 con concentración 10. De igual forma el valor representa el trabajar una temperatura de 100 con concentración 5 y así sucesivamente los de más casos. Una interpretación de la grafica de interacciones es la siguiente: El nivel 10 de concentración siempre produce mayor poder de reflexión con respecto al nivel de concentración 5. Cuando se trabaja nivel 5 ó 10 de concentración y se incrementa la temperatura entonces disminuye el poder de reflexión. Como se quiere mayor poder de 56
11 residuos reflexión se recomienda trabajar un nivel de temperatura de 75. concentración 10 con un nivel de 4.7 CONCLUSION DEL PROBLEMA Con base a la prueba de LSD de la concentración se recomienda usar el nivel 10. Con base a la prueba de LSD de la temperatura se recomienda usar la temperatura 75 ó 100. Con base a la grafica de interacciones se recomienda usar el nivel 10 de concentración con 75 de temperatura. Con base a los resultados anteriores podemos concluir que el nivel de concentración 10 con temperatura 75 es la combinación ideal para incrementar el poder de reflexión. 4.8 SUPUESTOS DEL MODELO MULTIFACTORIAL SUPUESTO DE VARIANZA CONSTANTE 8 Gráfico de Residuos para REFLEXION CONCENTRACION Figura 4.4 Grafica de verificación de la varianza constante para la concentración de sulfona 57
12 residuos En este caso, debido a que son dos factores en el diseño, se requieren dos graficas de verificación de la varianza constante una para cada factor. En las figuras 4.4 y 4.5 se pueden ver las graficas de verificación de varianza constante para la concentración y la temperatura. Claramente se ve, en ambas graficas, que no hay ningún patrón inusual. 8 Gráfico de Residuos para REFLEXION TEMPERATURA Figura 4.5 Grafica de verificación de varianza constante para la temperatura 4.8. SUPUESTO DE INDEPENDENCIA DE LOS RESIDUOS En la grafica de la figura 4.6, se encuentra la grafica de verificación del supuesto de independencia de los residuos, con lo que podemos concluir que dicho supuesto se cumple SUPUESTO DE NORMALIDAD DE LOS RESIDUOS En cuanto al supuesto de la normalidad de los residuos, se puede verificar en la grafica de la figura 4.7, que no hay ningún problema con el cumplimiento de este supuesto. 58
13 porcentaje residuos Gráfico de Residuos para REFLEXION número de fila Figura 4.6 Grafica de verificación de independencia en los residuos Gráfico de Probabilidad Normal RESIDUOS Figura 4.7 Grafica de verificación de la normalidad de los residuos 59
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Diseño Factorial. Introducción
Diseño Factorial Introducción n un experimento factorial se analizan todas las posibles combinaciones de los niveles de los factores en cada réplica del experimento. Por ejemplo, si el factor tiene a niveles
Diseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
Detergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16
3. DISEÑO EN BLOQUES ALEATORIZADOS En muchos experimentos además de que interesa investigar la influencia de un factor controlado sobre la variable de respuesta, como en la sección anterior, existe una
Diseños Factoriales. Diseño de experimentos p. 1/25
Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
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
ESQUEMA 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
7. FRACCIONES FACTORIALES 7.2 DISEÑOS FRACCIONADOS 7.1 INTRODUCCION
7. FRACCIONES FACTORIALES 7.1 INTRODUCCION Si el número de factores a estudiar no es reducido los planes factoriales equilibrados (por ejemplo, los planes 2 k ) exigen un número muy elevado de pruebas.
8.2 CONSTRUCCION DEL DISEÑO FRACCIONADO UN CUARTO 2 k-2
8. DISEÑOS FACTORIALES FRACCIONADOS 2 K-2 8.1 DISEÑOS FACTORIALES FRACCION UN CUARTO Dependiendo del número de factores y del costo de cada corrida experimental, en ocasiones es necesario correr una fracción
Tema 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
DCA: Es el más simple de todos los diseños, solamente se estudia el. en diferentes tratamientos o niveles.
completamente aleatorizado (DCA): 1 solo factor con diferentes tratamientos. DCA: Es el más simple de todos los diseños, solamente se estudia el efecto de un factor, el cual se varía en diferentes tratamientos
Diseño de Experimentos Experimentos factoriales
Diseño de Experimentos Experimentos factoriales Dr. Héctor Escalona Definición El termino genérico de diseño factorial se aplica a aquellos experimentos donde se desea evaluar el efecto de 2 o mas factores
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
DISEÑO EN PARCELAS DIVIDIDAS
DISEÑO EN PARCELAS DIVIDIDAS Este es un diseño experimental combinado que resulta útil cuando al estudiar simultáneamente varios factores, alguno o algunos de ellos deben ser aplicados sobre unidades experimentales
TEMA 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
6. DISEÑOS FACTORIALES 2 K NO REPLICADOS
6. DISEÑOS FACTORIALES 2 K NO REPLICADOS 6.1 INTRODUCCION El aumentar el numero de factores en un diseño 2 k crece rápidamente el numero de tratamientos y por tanto el numero de corridas experimentales.
Experimentos 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
DISEÑOS 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.
Estas 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
Índice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Diseño de experimentos. Introducción
Diseño de experimentos Introducción Objetivo: Introducción Es estudiar la influencia de FACTORES en la RESPUESTA RESPUESTA Variable de interés FACTOR(ES) Pueden ser controlados OTRAS VARIABLES Que pueden
Ideas 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,
ANOVA mul)factorial. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
ANOVA mul)factorial Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Se puede examinar más de un factor simultáneamente (ANOVA de 2 factores, de 3 factores, etc.) Por qué un único análisis
DISEÑOS 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
Supuestos 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
Estadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
CAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS
CAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS 1. HIPÓTESIS ALTERNA E HIPÓTESIS NULA Para someter a contraste una hipótesis es necesario formular las Hipótesis Alternas ( H1 ) y formular
CALIDAD DE MARCAS ECONÓMICAS DE ESMALTE DE UÑAS COMPARANDO TIEMPO DE SECADO Y DURACIÓN
CALIDAD DE MARCAS ECONÓMICAS DE ESMALTE DE UÑAS COMPARANDO TIEMPO DE SECADO Y DURACIÓN Espinoza Cárdenas Sara Dalila Flores Balderas Mayra Celeste Gómez Llanos Sandoval Ana Isabel LOS ESMALTES DE UÑAS
Experimentos con factores aleatorios. Diseño de experimentos p. 1/36
Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados
Estadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Escuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
4 Análisis de Varianza
4 Análisis de Varianza 4. Análisis de Varianza e.4.1. Quiénes obtienen mejores resultados en Matemáticas, los estudiantes que viven en zonas rurales, en pequeñas ciudades, en ciudades medias o en grandes
ANOVA 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
Tipo de punta (factor) (bloques)
Ejemplo Diseño Bloques al Azar Ejercicio -6 (Pág. 99 Montgomery) Probeta Tipo de punta (factor) (bloques) 9. 9. 9.6 0.0 9. 9. 9.8 9.9 9. 9. 9.5 9.7 9.7 9.6 0.0 0. ) Representación gráfica de los datos
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
ANEXO 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
Diseño 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
Soluciones a los ejercicios propuestos del Tema 6
Soluciones a los ejercicios propuestos del Tema 6 1 Soluciones a los ejercicios propuestos del Tema 6 6.1. Es un diseño de un factor (la estirpe). La tabla ANOVA es: actor (entre tratamientos) Error (dentro
MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO
MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO Resultados obtenidos por los hombres ganadores de las medallas de oro en salto de longitud y salto de altura en las olimpiadas desde
ANOVA. 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
Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS
Red ibérica de evaluación de eficacia y efectos secundarios de tratamientos para el control de plagas en el olivar (RIESPO) 2ª Reunión, Madrid 10-11/06/2010 Grupo 4: BUENAS PRÁCTICAS ESTADÍSTICAS ESTADÍSTICA
Ejemplo Diseño Completamente aleatorizado (Pág. 470 Montgomery)
Ejemplo Diseño Completamente aleatorizado (Pág. 47 Montgomery) ) Representación gráfica de los datos mediante diagramas de caja Resumen del procesamiento de los casos Tension del papel (psi) Casos Válidos
Regresión 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 +
GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
PATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Índice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Introducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Prueba t para muestras independientes
Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
DISEÑO DE EXPERIMENTOS
DISEÑO DE EXPERIMENTOS Dr. Héctor Escalona [email protected] [email protected] Diseño de 1. Introducción al diseño de 2. Herramientas de inferencia estadística 3. para la comparación de dos tratamientos
2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Tema 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
Planeación experimental
Planeación experimental Diseño de Experimentos Diseño de Experimentos Ventajas Identifica uno o más factores influyen dentro de la variable de respuesta. Permite establecer la combinación adecuada de tratamientos
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
En el pasado, en la realización de experimentos que envolvían más de un factor, y cada
Capitulo 4. Planeamiento Factorial (Convencionales) 4.1 Introducción. En el pasado, en la realización de experimentos que envolvían más de un factor, y cada factor con más de una variable, se adoptaba
Estimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Elaboró: Luis Casas Vilchis
Correlación de Pearson (r P, r) Una correlación se define como la coincidencia en el patrón de valores altos de una variable con los valores altos en la otra variable, y bajos con bajos y moderados con
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas [email protected] 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Métodos estadísticos aplicados para la Ingeniería Informática
Grado en Ingeniería Informática Métodos estadísticos aplicados para la Ingeniería Informática Rosa Mª Alcover Arándiga Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Objetivo
DATOS: 1. DIÁMETRO D (diámetro nominal del cilindro 15 mm): a) Instrumento utilizado: micrómetro de rango 0-25 mm y apreciación 0.01 mm.
METROLOGIA E INGENIERIA DE CALIDAD 1 EJERCICIO 1 (Modelo resuelto) Se desea determinar el volumen del cilindro hueco de la figura y su correspondiente incertidumbre expandida para un intervalos de confianza
Análisis 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
Diferentes 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,
DISTRIBUCION JI-CUADRADA (X 2 )
DISTRIBUCION JI-CUADRADA (X 2 ) En realidad la distribución ji-cuadrada es la distribución muestral de s 2. O sea que si se extraen todas las muestras posibles de una población normal y a cada muestra
Diseño 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:
Biometría II / Diseño de Medidas Repetidas
Grupo_1 (Morfina) Grupo_2 (Trimetafan) Basal 1min 3 min S 1 S 2 S 3.. S 8 S 1 S 2 S 3.. S 8 S 1 S 2 S 3.. S 8 S 1 S 2 S 3.. S 8 S 1 S 2 S 3.. S 8 S 1 S 2 S 3.. S 8 VRIBLE RESPUEST: UNIDD EXPERIMENTL: FCTORES
APLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES
APLICACIÓN DEL SISTEMA FLOWDRILL EN PLACAS DE ACERO INOXIDABLES Autores Alberto Gallegos Araya, Ramon Araya Gallardo Departamento Mecánica. Universidad de Tarapacá. 8 Septiembre Arica -e-mail: [email protected]
ANOVA 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
1. Ordena los datos en una tabla de contingencia. Economía Matemáticas Literatura Biología
Exemple Examen Part II (c) Problema 1 - Solución. En un estudio sobre la elección de la carrera universitaria entre envió cuestionarios a una muestra aleatoria simple de estudiantes preguntando la carrera
ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
CLAVE Laboratorio 14: Diseño en bloques completos aleatorizados
CLAVE Laboratorio 14: Diseño en bloques completos aleatorizados 1. Digamos que estamos interesados en conducir un experimento para comparar los efectos de tres insecticidas diferentes en habichuela. Pensamos
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II PRÁCTICA 5 En una determinada investigación se estudió el rendimiento en matemáticas en función del estilo de aprendizaje de una serie de estudiantes de educación
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
TEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Escribir el modelo. Evaluar los efectos de los factores y la interacción entre ellos.
Ejercicio 1: Se aplican pinturas tapaporos para aeronaves en superficies de aluminio, con dos métodos: inmersión y rociado. La finalidad del tapaporos es mejorar la adhesión de la pintura, y puede aplicarse
Modelos de ANOVA. Distinguir diferentes tipos de ANOVA
Modelos de ANOVA Distinguir diferentes tipos de ANOVA Modelos de efectos fijos Modelos de efectos aleatorios (Modelo II) Modelos 2- a multifactoriales Modelos mixtos, anidados. ANOVA Situación básica Variables
ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Estructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Diseño de Experimentos Diseños factoriales 2 k. Diseños 2 k
Diseño de Experimentos Diseños factoriales 2 k Licenciatura en Estadística 2015 Dr. José Alberto Pagura Lic. Lucía N. Hernández Dra. Daniela F. Dianda Diseños 2 k Una clase especial de diseños factoriales
Contenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Selección Diseño de Cribado
Selección Diseño de Cribado Resumen La sección diseño experimental del STATGRAPHICS puede crear una amplia variedad de diseños dirigidos a mostrar los factores más importantes que afectan un proceso. Se
CAPÍTULO IV ANÁLISIS E INTERPRETACIÓN DE RESULTADOS. Laboratorio Clínico del Hospital Voz Andes Lugar
CAPÍTULO IV ANÁLISIS E INTERPRETACIÓN DE RESULTADOS 4.1. TABULACIÓN DE DATOS DATOS INFORMATIVOS Establecimiento Laboratorio Clínico del Hospital Voz Andes Lugar Provincia de Pastaza, Cantón Mera Parroquia
ANOVA Multifactorial. StatFolio Muestra: anova.sgp
ANOVA Multifactorial Resumen El procedimiento ANOVA Multifactorial está diseñado para construir un modelo estadístico describiendo el impacto de dos o más factores categóricos X j de una variable dependiente
PRUEBA CHI-CUADRADO. Para realizar un contraste Chi-cuadrado la secuencia es:
PRUEBA CHI-CUADRADO Esta prueba puede utilizarse incluso con datos medibles en una escala nominal. La hipótesis nula de la prueba Chi-cuadrado postula una distribución de probabilidad totalmente especificada
ESQUEMA 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
5.3. Distribuciones Derivadas de la Normal
5.3. Distribuciones Derivadas de la Normal El propósito de esta sección es enunciar varios teoremas importantes que nos dirán que realizando diferentes transformaciones de la v.a. normal podremos obtener
El análisis de correspondencias. Ana María López Jiménez Dept. Psicología Experimental (USE)
El análisis de correspondencias Ana María López Jiménez Dept. Psicología Experimental (USE) 4. El análisis de correspondencias 4.. Introducción 4.2. Tabla de correspondencias 4.3. Dependencia e independencia
Análisis 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
7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Contrastes para los parámetros de dos poblaciones Normales independientes. Varianzas desconocidas iguales
Contrastes para los parámetros de dos poblaciones Normales independientes. Ejercicios Tema 6 (Resuelto). Problema 4 En un estudio se determinaron las tasas de ramoneo de dos especies de erizo de mar, Paracentrotus
Cátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS
Cátedra: TABLA DE CONTENIDOS INTRODUCCIÓN Qué es la Probabilidad? Qué es la Estadística? La evolución histórica de la Estadística Algunos conceptos imprescindibles Fuentes de datos Tipos de datos y escalas
Se 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
Tema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
CLAVE - Laboratorio 11: Análisis de la Varianza
CLAVE - Laboratorio 11: Análisis de la Varianza 1. Se está diseñando un experimento para comparar 4 variedades de habichuela. Se usarán 6 parcelas con cada una de las variedades en un diseño completamente
MATERIA: 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
DISEÑO 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
TEMA 6 COMPROBACIÓN DE HIPÓTESIS ESPECÍFICAS DE INVESTIGACIÓN
TEMA 6 COMPROBACIÓN DE HIPÓTESIS ESPECÍFICAS DE INVESTIGACIÓN 1 DISEÑO DE INVESTIGACIÓN Y 1 A = a 1 a Y 1 A = 3 a 1 a a Hipótesis específicas de la investigación Cuando la variable independiente tiene
b.- Realiza las comparaciones múltiples mediante los métodos LSD, Bonferroni y Tuckey.
Ejercicio 1: Se someten 24 muestras de agua a 4 tratamientos de descontaminación diferentes y asignados al azar. Para cada muestra se mide un indicador de la calidad del agua ( cuanto más alto es el indicador,
Diseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Métodos complementarios al análisis de varianza Comparaciones múltiples Comparación o pruebas de rangos múltiples Después de que se rechazó la hipótesis
