Professional Documents
Culture Documents
SEIT
DGIT
INSTITUTO TECNOLOGICO
DE CERRO AZUL
PRESENTAN
ALEJANDRA BAUTISTA NORBERTO A13500284
CAROLINA VARGAS PERDOMO A13500269
MARIA DEL ROSARIO MARTINEZ DE LA CRUZ A13500128
NORA HILDA HERNADEZ REYES A13500275
JULIO EDUARDO DURAN HERNANDEZ A12500354
REYNA REYES DE LA CRUZ A13500165
YESICA DE JESUS PETRONILO A13500232
VICTOR JAVIER SALVADOR DEL ANGEL A13500264
CATEDRATICO:
ING.JUAN PEDRO TORRES HERNANDEZ
MATERIA:
ESTADISTICA INFERENCIAL II
UNIDAD:
UNIDA 2.- DISEO DE EXPERIMENTOS DE UN FACTOR
ESPECIALIDAD:
ING. INDUSTRIAL S.A
INDICE
Introduccin
2.1 familia de diseos para comparar tratamientos
2.2 el modelo de efectos fijos
2.3 diseos completamente aleatorios y ANOVA
2.4 comparaciones o prueba de rangos mltiples
2.5 verificacin de los supuestos del modelo
2.6 uso de un software estadstico
Conclusin
Bibliografa
Introduccin
En esta unidad se presentan los diseos experimentales que se utilizan cuando el
objetivo es comparar ms de dos tratamientos.
Puede ser de inters comparar tres o ms mquinas, varios proveedores, cuatro
procesos, tres materiales ,etc..
El inters del experimentador est centrado en comparar los tratamientos en
cuanto a sus medias poblacionales, sin olvidar que tambin es importante
compararlos con respecto a sus varianzas. As, desde el punto de vista estadstico
Controlado.
De acuerdo con los modelos dados en la tabla, para cada diseo comparativo se
tienen al menos dos fuentes de variabilidad: los tratamientos o niveles del factor
de inters y el error aleatorio. Se agrega una nueva fuente de variabilidad por cada
factor de bloque que se controla directamente. Se observa que los diseos
suponen que no hay efectos de interaccin entre los factores, lo cual sera lo
deseable que ocurra; de no ocurrir as, tal efecto se recarga al error y el problema
de comparacin no se resuelve con xito. Un efecto de interaccin entre dos
factores hace referencia a que el efecto de cada factor depende del nivel en que
se encuentra el otro.
En la prctica puede suceder que los tratamientos que se desea comparar sean
demasiados como para experimentar con todos. Cuando esto sucede es
conveniente comparar slo una muestra de la poblacin de tratamientos, de modo
que pasa a ser una variable aleatoria con su propia varianza
que deber
estimarse a partir de los datos. En este captulo slo se presenta el caso en que
todos los tratamientos que se tienen se prueban, es decir, se supone una
poblacin pequea de tratamientos, lo cual hace posible compararlos a todos. En
este caso, el modelo dado por la ecuacin (2.2) se llama modelo de efectos fijos.
Ejemplo 1
Comparacin de cuatro mtodos de ensamble. Un equipo de mejora investiga
el efecto de cuatro mtodos de ensamble A, B, C y D, sobre el tiempo de
ensamble en minutos con un nivel de significancia de 0.05. En primera instancia,
la estrategia experimental es aplicar cuatro veces los cuatro mtodos de ensamble
en orden completamente aleatorio (las 16 pruebas en orden aleatorio). Los
tiempos de ensamble obtenidos se muestran en la tabla 2.1. Si se usa el diseo
completamente al azar (DCA), se supone que, adems del mtodo de ensamble,
no existe ningn otro factor que influya de manera significativa sobre la variable de
respuesta (tiempo de ensamble)
Ejemplo 2
Comparacin de cuatro tipos de cuero. Un fabricante de calzado desea mejorar
la calidad de las suelas, las cuales se pueden hacer con uno de los cuatro tipos de
cuero A,B, C y D disponibles en el mercado. Para ello, prueba los cueros con una
mquina que hace pasar los zapatos por una superficie abrasiva; la suela de stos
se desgasta al pasarla por dicha superficie. Como criterio de desgaste se usa la
prdida de peso despus de un nmero fijo de ciclos. Se prueban en orden
aleatorio 24 zapatos, seis de cada tipo de cuero. Al hacer las pruebas en orden
completamente al azar se evitan sesgos y las mediciones en un tipo de cuero
resultan independientes de las dems. Los datos (en miligramos) sobre el
desgaste de cada tipo de cuero se muestran en la tabla 2.2
denotan por
donde:
= Estimacin de la varianza muestral con el mtodo entre.
(2,4)
entonces la
Esta varianza es una medida de las diferencias entre todas las medias mustrales
que puedan obtenerse de la distribucin y la media de la poblacin. La raz
cuadrada de esta varianza es el error estndar de la media, es decir, la diferencia
estndar entre una media muestral y la media poblacional. En ANOVA, para
estimar la varianza de la distribucin muestral de medias, se debe estimar primero
la media poblacional. La media de todos los valores muestrales proporciona esa
estimacin. Despus, se determina la diferencia entre la media de cada grupo y
esta media poblacional estimada, y estas diferencias se elevan al cuadrado y se
suman. Este valor, con frecuencia se llama la suma de cuadrados entre (SCb).
Esta suma se divide entonces entre el nmero adecuado de grados de libertad
para obtener la estimacin de la varianza de la distribucin muestral. La ecuacin
siguiente da el clculo de la estimacin de la varianza de la distribucin muestral
de las medias:
dnde:
(2,5)
Tabla ANOVA
Los resultados del anlisis de varianza se presentan en una tabla ANOVA que
resume los valores importantes de la prueba. Esta tabla tiene un formato estndar
que usan los libros y los problemas de computadora que ejecutan ANOVA. La
siguiente tabla muestra la forma general de la tabla ANOVA.
En dicha tabla se resumen los clculos necesarios para la prueba de igualdad de
las medias poblacionales usando anlisis de varianza. Primero se usa el mtodo
dentro para estimar s2. Cada valor de los datos se compara con su propia media,
y la suma de las |||diferencias al cuadrado se divide entre los grados de libertad
c(n-1).
donde:
j = Nmero de la columna
i = Nmero de la fila
c = Nmero de columnas (grupos)
n = Nmero de elementos en cada grupo (tamao de la muestra)
La tabla ANOVA contiene columnas con las fuentes de variacin, las sumas de
cuadrados, los grados de libertad, las estimaciones de la varianza y el valor F para
el procedimiento de anlisis de varianza.
ANOVA
Como ya lo mencionamos el objetivo del anlisis de varianza en el DCA es probar
la hiptesis de igualdad de los tratamientos con respecto a la media de
correspondiente variable de respuesta. Para probar la hiptesis dada por la
relacin:
(2.13)
sigue una distribucin F con (K-1) grados de libertad en el numerador y (N-K )
grados de libertad en el denominador. De la ecuacin (2.13) se deduce que si F0
es grande, se contradice la hiptesis de que no hay efecto de tratamientos; en
cambio, si F0
Hay varios mtodos estndar para realizar comparaciones pareadas que apoyen
la credibilidad de la tasa de error tipo I.
Mtodo de la diferencia mnima significativa de Fisher (mtodo LSD).
Una vez que se rechaz en el ANOVA, el problema es probar la igualdad de todos
los posibles pares de medias con la hiptesis:
En caso de rechazar H0 se acepta la hiptesis alternativa la cual nos dice que las
medias de los tratamientos i y j son diferentes. El mtodo LSD tiene una
potencia importante, por lo que en ocasiones declara significativas aun pequeas
diferencias.
Ilustremos esta prueba continuando con el ejemplo 1, en el cual, con el ANOVA
se rechaz la hiptesis nula y se acept que al menos un par de medias de
tratamientos (mtodos de ensamble) son diferentes entre s. Para investigar
Mtodo de Tukey.
Es el mtodo ms conservador para comparar pares de medias de tratamientos, el
cual consiste en comparar las diferencias entre medias mustrales con el valor
crtico dado por:
Mtodo de Duncan.
En este mtodo para la comparacin de medias, si las muestras son de igual
tamao, los promedios se acomodan en orden ascendente y el error estndar de
los promedios se estima con
diferente. Este valor se llama rango de menor significancia para las medias y se
denota como
Esto es, la respuesta (Y) se debe distribuir de manera normal, con la misma
varianza en cada tratamiento y las mediciones deben ser independientes. Estos
supuestos sobre Y se traducen en supuestos sobre el termino error (E ) en el
modelo
Para comprobar cada supuesto existen pruebas analticas y grficas que veremos
a continuacin. Por sencillez, muchas veces se prefieren las pruebas grficas.
stas tienen el inconveniente de que no son exactas, pero aun as , en la mayora
de las situaciones prcticas proporcionan la evidencia suficiente en contra o a
favor de los supuestos.
Normalidad
Un procedimiento grfico para verificar el cumplimiento del supuesto de
normalidad de los residuos consiste en graficar los residuos en papel o en la
grfica de probabilidad normal que se incluye casi en todos los paquetes
estadsticos. Esta grfica del tipo X-Y tiene
las escalas de tal manera que si los residuos siguen una distribucin normal, al
graficarlos tienden a quedar alineados en una lnea recta; por lo tanto, si
claramente no se alinean se concluye que el supuesto de normalidad no es
correcto.
Cabe enfatizar el hecho de que el ajuste de los puntos a una recta no tiene que
ser perfecto, dado que el anlisis de varianza resiste pequeas y moderadas
desviaciones al supuesto de normalidad.
Independencia
La suposicin de independencia en los residuos puede verificarse si se grafica el
orden en que se colect un dato contra el residuo correspondiente. De esta
manera, si al graficar en el eje horizontal el tiempo (orden de corrida) y en el eje
vertical los residuos, se detecta una tendencia o patrn no aleatorio claramente
definido, esto es evidencia de que existe una correlacin entre los errores y, por lo
tanto, el supuesto de independencia no se cumple. Si el comportamiento de los
puntos es aleatorio dentro de una banda horizontal, el supuesto se est
cumpliendo.
La violacin de este supuesto generalmente indica deficiencias en la planeacin y
ejecucin del experimento; asimismo, puede ser un indicador de que no se aplico
en forma correcta el principio de aleatorizacin, o de que conforme se fueron
realizando las pruebas experimentales aparecieron factores que afectaron la
respuesta observada. Por ello, en caso de tener problemas con este supuesto, las
conclusiones que se obtienen del anlisis son endebles y por ello es mejor revisar
lo hecho y tratar de investigar por qu no se cumpli con ese supuesto de
independencia, a fin de reconsiderar la situacin.
En el ejemplo para comparar los cuatro tipos de cuero, las grficas resultantes
Excel
a) En una hoja de Excel capturar primeramente la tabla de datos
b) En la misma hoja de clculo seleccionar del cintillo superior Datos, luego
Anlisis de datos
c) Seleccionar anlisis de varianza de un factor en la ventana desplegada
Si queremos las grficas del supuesto del modelo entonces, damos clic a
grficas (antepenltima ventana) y sealamos tres en uno y damos clic en
aceptar
CONCLUSION
BIBLIOGRAFIA
Libro estadstica inferencial 2