Notas de Clase Diseño de Experimentos

DISEO DE EXPERIMENTOS INGENIERA AMBIENTAL 606 B.
NOTAS DE CLASE DOCENTE: M. en. C. VIOLETA ALEJANDRA BASTIN LIMA.

ALUMNO: ALDO BARUC LUCHO MIXTEGA.

13-6-2012

DOCENTE: M. en. C. VIOLETA A. BASTIN LIMA | ALUMNO: ALDO
BARUC LUCHO MIXTEGA.
NOTAS
DE
CLASE.
DISEO DE EXPERIMENTOS
INGENIERA AMBIENTAL 606 B.



INSTITUTO TECNOLGICO
SUPERIOR DESAN ANDRS
TUXTLA, VER.

INGENIERA AMBIENTAL
606 B
Alumno:
ALDO BARUC LUCHO MIXTEGA.
Diseo de Experimentos.
NOTAS DE CLASE:
UNIDAD I.- PRUEBAS DE HIPTESIS.
UNIDAD II.- DISEO DE EXPERIMENTOS CON UN SOLO FACTOR.
UNIDAD III.- DISEO DE EXPERIMENTOS CON VARIOS FACTORES.
UNIDAD IV.- INGENIERA DE CALIDAD.
UNIDAD V.- REGRESIN Y CORRELACIN.

DOCENTE: M. en C. ING. VIOLETA A. BASTIN LIMA

Junio de 2012


SUPERIOR DE SAN ANDRS
TUXTLA, VER.

INGENIERA AMBIENTAL
606 B
Alumno:
NOTAAS DE CLASE:
UNIDAD II
DISEO DE EXPERIMENTOS CON UN SOLO FACTOR.


Junio de 2012



UNIDAD II

DISEO DE EXPERIMENTOS CON UN SOLO FACTOR.

Objetivo: realizara un anlisis estadstico de experimento que comprende un solo
factor.
Criterios de evaluacin:
Participacin en equipo 10%
Tareas (diseo de experimentos con un
solo factor)
25%
Notas de clase (tareas y ejercicios de
clase)
20%
Examen 40%
Autoevaluacin 5%

2.1.-Conceptos Generales.

2.2.-Analisis De Medias.

2.3.-Analisis De Varianza.



2.1.-Conceptos Generales.

**EXPERIMENTOS CON UN SOLO FACTOR**

Se presentan los mtodos para el diseo y el anlisis de los experimentos con un
solo factor con a niveles del mismo (o a tratamientos). Y se supondr que el
experimento sea aleatorizado completamente. (Montgomery, D.C. Diseo y
Anlisis de Experimentos. 2.Edicin, Wiley, Universidad Estatal de Arizona.)

El procedimiento de probar la igualdad entre las medias se le llama anlisis de
varianza. Este anlisis de varianza tiene un alto grado de aplicaciones y por tanto,
probablemente sea la tcnica mas til en el campo de la inferencia estadstica.

Modelos para los Datos:
1, 2,...,
1, 2,...,
ij i j
i a
y
j n
c
=
= +

=

ij
y es la observacin i-sima.
i
es la media del nivel del factor o tratamiento i-simo.
ij
c es un componente del error aleatorio que incorpora todas las dems fuentes de
variabilidad del experimento, incluyendo las mediciones, la variabilidad que surge
de factores no controlados, las diferencias entre las unidades experimentales a las
que se aplican los tratamientos y procesos naturales (variabilidad en el tiempo,
causas ambientales, etc.)
A lo escrito anteriormente se le conoce como modelo de las medias.
Y para los tratamientos la ecuacin anterior se transforma en:
1, 2,...,
1, 2,...,
ij i j
i a
y
j n
t c
=
= + +

=

Donde:
es un parmetro comn a todos los tratamientos al que se llama media global.
i
t es un parmetro nico del tratamiento i-simo al que se le llama el efecto de
tratamiento
i-simo.
A esto se le llama modelo de los efectos.


A las ecuaciones anteriores se les llama tambin modelo del anlisis de varianza
simple o de un solo factor (o direccin), por que nicamente se investiga un factor.
Ser un requisito indispensable que el experimento se desarrolle aleatoriamente
para que el ambiente en que se apliquen los tratamientos sea lo mas uniforme
posible.
El diseo experimental es un diseo completamente aleatorizado.
En donde el factor es fijo por que quieren probarse hiptesis acerca de las medias
de los tratamientos, y las conclusiones se aplicaran nicamente a los niveles del
factor considerados en el anlisis.
Por lo tanto a este se le llama modelo con efectos fijos.
Por otra parte una manera alternativa de realizar este experimento de los a
tratamientos podran ser de manera aleatoria de una poblacin de tratamientos.
As que se estudiaran las variables aleatorias y el conocimiento de las mismas.
Ahora bien se prueban hiptesis acerca de la variabilidad de los tratamientos y se
intenta estimar su variabilidad.
Por tanto se le llama modelos con efectos aleatorios o modelos de los
componentes de varianza.
ANALIS DEL MODELO CON EFECTOS FIJO Y ALEATORIZADO.
Se desarrolla el anlisis de varianza con un solo factor para el modelo con efectos
fijos.

a= Niveles del factor o tratamientos.
n= Replicas de cada nivel.
N=an (el total de corridas que debern realizarse de manera aleatoria).

Para eso tenemos que conocer las diferentes formulas que se van a utilizar para la
resolucin de ejercicios.
.
1
n
i ij
j
y y
=
=

.
.
i
i
y
y
n
= 1, 2,..., i a =


..
1 1
a n
ij
i j
y y
= =
=

..
..
y
y
N
=
Donde;
. i
y Representa el total de las observaciones bajo el tratamiento i-simo.
. i
y Representa el promedio de las observaciones bajo el tratamiento i-simo.
..
y Representa el gran total de las observaciones.
..
y Representa el gran promedio de todas las observaciones.
N= an es el numero total de observaciones.
a= los niveles del tratamiento.
n= es el numero de replicas de cada nivel.
MEDIA GLOBAL
1
a
i
i
a
=
=

DESCOMPOSICION DE LA SUMA DE CUADRADOS
Suma de Cuadrados Total Corregida.
La suma de cuadrados corregida se usa como una medida de la variabilidad global
de los datos.
2 ..
1 1
i
n a
T ij
i j
y
SS y
N
= =
=

T
SS Es la suma de cuadrados total corregida.


2
2 ..
1 1
i
n a
ij
i j
y
y
N
= =

Es la suma de cada muestra elevada al cuadrado (
2
ij
y ) menos el
gran total de las observaciones elevadas al cuadrado y divididas entre el total de
muestras del experimento (
2
..
y
N
).
Suma de Cuadrados Debida a los Tratamientos
2 2
. ..
1
a
i
Tratamientos
i
i
y y
SS
n N
=
=

Tratamientos
SS Es la suma de cuadrados entre los tratamientos.
2 2
. ..
1
a
i
i
i
y y
n N
=

Es la suma del total de observaciones de cada nivel divididas entre

el numero de replicas (
2
. i
i
y
n
) menos el gran total de observaciones divididas entre el
total de observaciones del experimento (
2
..
y
N
).
Suma de Cuadrados Debido al Error (Dentro de los Tratamientos).
Esta formula puede expresarse como una simple diferencia entre la suma de
cuadrados total corregida y la suma de cuadrados debida a los tratamientos, por lo
tanto:
E T tratamientos
SS SS SS =

GRADOS DE LIBERTAD
Para los grados de libertad se tienen las siguientes formulas para cada suma de
cuadrados
Grados de Libertad
para la Suma de
Cuadrados Totales:
N-1
Grados de Libertad
para la Suma de
Cuadrados Entre los
Tratamientos: a-1

Grados de Libertad
para la Suma de
Cuadrados del Error
(dentro de los
tratamientos): N-a


Para el anlisis de varianza nos proporciona dos maneras de estimar la
2
o : una
basada en la variabilidad dentro de los tratamientos y la otra basada en la
variabilidad entre los tratamientos. Y si no hay diferencias entre las medias de los
tratamientos, estos dos resultados debern ser muy similares, y si no lo son, se
dice entonces que hay diferencias y se observa que puede ser causada por
diferencias en las medias de los tratamientos. (Montgomery, D.C. Diseo y
Anlisis de Experimentos. 2.Edicin, Wiley, Universidad Estatal de Arizona, pg.
68).

CUADRADOS MEDIOS
Cuadrados Medios se llama la otra forma de desarrollar la varianza y sus formulas
son las siguientes:
1
Tratamientos
Tratamientos
SS
MS
a
=

Donde;
Tratamientos
MS Se llama cuadrado medio entre los tratamientos.
1
Tratamientos
SS
a
Es la suma de cuadrados entre los tratamientos dividida por los grados
de libertad de dicha suma que es el numero de niveles menos uno ( 1 a ).
Cuadrado medios del error (dentro de los tratamientos).
E
E
SS
MS
N a
=

Donde;
E
MS Es el cuadrado medio del error. (Dentro de los tratamientos).
E
SS
N a
Es la suma de cuadrados dentro de los tratamientos entre los grados de
libertad del error que es el numero total de muestras menos el numero de niveles
( N a ).



El Estadstico de Prueba es:
0
Tratamientos
E
MS
F
MS
=
Si la hiptesis nula de que no hay diferencias entre las medias de los tratamientos
es verdadera el cociente de la formula anterior se deber comparar con
( ) ( ) , 1 , a N a
F
o

donde o es un punto porcentual, ( ) 1 a y ( ) N a son los grados de libertad.
Por lo tanto,
0
H es nula deber rechazarse y concluirse que hay diferencias entre
las medias de los tratamientos si
( ) ( )
0 , 1 , a N a
F F
o
> .
EJEMPLO 3-1.
ANLISIS DE MEDIA.
Un ingeniero de desarrollo de productos tiene inters de investigar la resistencia a
la tencin de una fibra sinttica nueva que se usara para hacer telas de camisas
para caballero. El ingeniero sabe por experiencia previa que la resistencia a la
tencin se afecta por el peso porcentual del algodn utilizado en mezcla de
materiales de la fibra. Adems, sospecha que al aumentar el contenido del
algodn deber variar en 10% y 40% para que el producto final tenga otras
caractersticas de la capacidad que se desean (como la capacidad de ser
sometidos a un tratamiento de planchado permanente). El ingeniero debe tomar
ejemplares en cinco niveles del peso porcentual del algodn: 15, 20, 25, 30 y
35%. Tambin decide probar cinco ejemplares en cada nivel del contenido de
algodn.
Se trata de un experimento con un solo factor con a=5 niveles, n=5 replicas y
N=25 que son las corridas que debern realizarse de manera aleatoria.
Hiptesis:
0 1 2 3 4 5
: H = = = =
1
:
i j
H =



Tabla 2-1 Datos (en lb/pulgada
2
) del experimento de la resistencia a la tensin

Total:
.
1
n
i ij
j
y y
=
=

| |
1.
7 7 15 11 9 49 y = + + + + =
| |
2.
12 17 12 18 18 77 y = + + + + =
| |
3.
14 18 18 19 19 88 y = + + + + =
| |
4.
19 25 22 19 23 108 y = + + + + =
| |
5.
7 10 11 15 11 54 y = + + + + =

Promedio:
.
.
i
i
y
y
n
=
1.
4
9.80
5
y = =
2.
77
15.40
5
y = =
3.
88
17.60
5
y = =
4.
108
21.60
5
y = =
5.
54
18.80
5
y = =

Peso
Porcentual de
Algodn.
Observaciones. Total.
y
i

Promedio.
y
i.

1 2 3 4 5
15 7 7 15 11 9 49 9.80
20 12 17 12 18 18 77 15.40
25 14 18 18 19 19 88 17.60
30 19 25 22 19 23 108 21.60
35 7 10 11 15 11 54 10.18
y..=376
y
..
=15.04


Gran Total:
..
1 1
a n
ij
i j
y y
= =
=

| |
..
49 77 88 108 54 376 y = + + + + =

Promedio de todas las
observaciones:

..
..
y
y
N
=

..
376
15.04
25
y = =

**DESCOMPOSICIN DE LA SUMA DE CUADRADOS**
Suma de Cuadrados Total:

2
2 ..
1 1
i
n a
T ij
i j
y
SS y
N
= =
= E E

( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( )
2 2 2 2 2
2 2 2 2 2
2
2 2 2 2 2
2 2 2 2 2
2 2 2 2 2
7 7 15 11 9
12 17 12 18 18
376
14 18 18 19 19
25
19 25 22 19 23
7 10 11 15 11 .
T
SS
(
+ + + + +
(
(
+ + + + +
(
(
= + + + + +
(
(
+ + + + +
(
( + + + +

6291.9944 5655.04
T
SS =
636.9544
T
SS =
Suma de Cuadrados Entre los Tratamientos:
2 2
. ..
1
a
i
Tratamientos
i
i
y y
SS
n N
=
= E
( ) ( ) ( ) ( ) ( ) ( )
2 2 2 2 2 2
49 77 88 108 54 376
5 25
Tratamientos
SS
+ + + +
=


6130.8 5655.04
Tratamientos
SS =
475.76
Tratamientos
SS =
Suma de Cuadrados del Error:
. E T Tratamientos
SS SS SS = 636.9544 475.76
E
SS =
161.1944
E
SS =

**Cuadrados Medios**

Sumatoria de Cuadrados
Medios del Tratamiento:
.
.
1
Tratamientos
Tratamientos
SS
MS
a
=

.
475.76
5 1
Tratamientos
MS =
.
118.94
Tratamientos
MS =

Sumatoria de Cuadrados
Medios del Error:
E
E
SS
MS
N a
=

161.1944 161.1944
8.059
25 5 20
E
MS = = =

8.059
E
MS =

Grados de Libertad
para la Suma de
Cuadrados Totales:
N-1
25-1
24

Grados de Libertad
para la Suma de
Cuadrados del
Tratamiento:
a-1
5-1
4
Grados de Libertad
para la Suma de
Cuadrados del Error:
N-a
25-5
20



El Estadstico de Prueba es:
.
0
.
Tratamientos
E
MS
F
MS
=
0
118.94
8.059
F =

0
14.758 F =
Si F
0
> F
,a-1,N-a.
H
0:
deber
rechazarse:
F
,a-1,N-a
=2.87; donde =0.05, a=5 y
N=25.
14.758 > 2.87 Falso
Por lo tanto se rechaza la hiptesis
nula y se acepta la alternativa y se
concluye que hay diferencias
significativas entre las medias de los
tratamientos.

EJEMPLO 3-2.
CODIFICACIN DE OBSERVACIONES
Los clculos del anlisis de varianza pueden hacerse con frecuencia de manera
ms precisa o simplificada codificando las observaciones. Por ejemplo considere
los datos de la resistencia a la tensin del ejemplo 3-1. Suponga que se le resta 15
a cada observacin.
En la tabla siguiente se muestran los datos codificados del ejemplo 3-1.
Tabla 2-2 Datos codificados de la resistencia a la tensin del ejemplo 3-1.
Peso % del
Algodn.
Observaciones Totales
1 2 3 4 5
15 7-15=-8 7-15=-8 15-15=0 11-15=-4 9-15=-6 -26
20 12-15=-3 17-15=2 12-15=-3 18-15=3 18-15=3 2
25 14-15=-1 18-15=3 18-15=3 19-15=4 19-15=4 13
30 19-15=4 25-15=10 22-15=7 19-15=4 23-15=8 33
35 7-15=-8 10-15=-5 11-15=-4 15-15=0 11-15=-4 21


Verifiquemos entonces que:
2
2 ..
1 1
i
n a
T ij
i j
y
SS y
N
= =
= E E
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( )
2 2 2 2 2
2 2 2 2 2
2
2 2 2 2 2
2 2 2 2 2
2 2 2 2 2
8 8 0 4 6
3 2 3 3 3
1
1 3 3 4 4
25
4 10 7 4 8
8 5 4 0 4 .
T
SS
(
+ + + + +
(
(
+ + + + +
(
(
= + + + + +
(
(
+ + + + +
(
( + + + +

637 0.04
T
SS =
636.96
T
SS =

Por lo tanto SS
Tratamientos.
:
2 2
. ..
1
a
i
Tratamientos
i
i
y y
SS
n N
=
= E
( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
26 2 13 33 21
1
5 25
Tratamientos
SS
+ + + +
=
475.8 0.04
Tratamientos
SS = 475.76
Tratamientos
SS =

Y SS
E
entonces ser:
E T Tratamientos
SS SS SS = 636.96 475.76
E
SS =
161.20
E
SS =



EJEMPLO 3-3.
MEDIA GLOBAL Y EFECTO DE LOS TRATAMIENTOS
Utilizando los datos del ejemplo 3-1 pueden encontrarse las estimaciones de la
media global y de los efectos de los tratamientos, como =375/25=15.05.
Entonces se tiene que;
1
1. ..
2
2. ..
3
3. ..
4
4. ..
5
5. ..
09.80 15.04 5.24
15.40 15.04 0.360
17.60 15.04 2.560
21.60 15.04 6.560
10.80 15.04 4.24
y y
y y
y y
y y
y y
t
t
t
t
t
= = =
= = =
= = =
= = =
= = =

Un intervalo de confianza del 95% para la media del tratamiento cuatro (30% de
algodn) se calcula con la formula siguiente:
/ 2, / 2, . .
E E
N a i N a i i
MS MS
y t y t
n n
o o

s s +
0.05/ 2,20 5 4 0.05/ 2,20 5
8.059 8.059
21.60 21.60
5 5
t t

s s +
4
21.60 2.086 1.6118 21.60 2.086 1.6118 s s +
4
21.60 2.648 21.60 2.648 s s +
4
18.952 24.248 s s
Por lo tanto el intervalo de confianza de 95% de la
4
es de
4
18.952 24.248 s s .

EJEMPLO 3-4.
PRUEBA DE BARTLETT
Ya que el supuesto de normalidad no esta en entre dicho, la prueba de Bartlett
puede aplicarse a los datos de la resistencia a la tensin del ejemplo 3-1, se


calculan primero las varianzas muestrales de cada tratamiento y se encuentra
que:
2 2 2 2 2
1 2 3 4 5
11.2, 9.8, 4.3, 6.8, 8.2. S S S S S = = = = =
Para esto tenemos que encontrar las desviaciones muestrales con la siguiente
formula:
( )
2
2 1
1
n
i
i
y y
S
n
=

=
Entonces tenemos que;

( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
1
7 9.8 7 9.8 15 9.8 11 9.8 9 9.8
44.8
11.20
5 1 4
S
+ + + +
= = =

( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
2
12 15.40 17 15.40 12 15.40 18 15.40 18 15.40
39.2
9.8
5 1 4
S
+ + + +
= = =

( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
3
14 17.6 18 17.6 18 17.6 19 17.6 19 17.6
17.20
4.3
5 1 4
S
+ + + +
= = =

( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
4
19 21.6 25 21.6 22 21.6 19 21.6 23 21.6
27.20
6.8
5 1 4
S
+ + + +
= = =

( ) ( ) ( ) ( ) ( )
2 2 2 2 2
2
5
7 10.8 10 10.8 11 10.8 15 10.8 11 10.8
32.80
8.2
5 1 4
S
+ + + +
= = =

( )
2
2 1
1
a
i i
i
p
n S
S
N a
=

=

( )( ) ( )( ) ( )( ) ( )( ) ( )( )
2
5 1 11.2 5 1 9.8 5 1 4.3 5 1 6.8 5 1 8.2
161.20
8.060
25 5 20
p
S
+ + + +
= = =

Prueba de Bartlett.
Es el calculo de un estadstico de prueba cuya distribucin de muestro est
aproximada muy de cerca por la distribucin ji-cuadrada.
( ) ( )
2 2
10 10
1
log 1 log
a
p i
i
q N a S n S
=
=



( ) ( ) ( ) ( ) ( ) ( ) ( )
10 10 10 10 10 10
25 5 log 8.060 5 1 log 11.2 5 1 log 9.80 5 1 log 4.3 5 1 log 6.8 5 1 log 8.2 q = + + + +

( ) | |
10
20log 8.060 4.196 3.964 2.532 3.328 3.655 q = + + + +
18.1267 17.675 q =
0.451 q =
( )
( ) ( )
1 1
1
1
1 1
3 1
a
i
i
c n N a
a

=
| |
= +
|
\ .

( )
( ) ( )
( )
1 1 1
1 5 1 25 5
3 5 1
c

= +

1 1 1
1
12 4 20
c
| | | |
= +
| |
\ . \ .

1 6
1
12 5
c
| |
= +
|
\ .
1 0.100 c = +
1.100 c =
El estadstico de prueba es el siguiente para esta prueba:
2
0
2, 3026
q
X
c
=

Entonces tenemos que:
( )
( )
2
0
0.451
2.3026
1.100
X =
2
0
9.440 X =
2 2 2
, 1 0.05,5 1. 0.05,4
9.49.
a
X X X
o
= = =
Y
0
: H deber aceptarse si:
2 2
0 , 1. a
X X
o
>
0.944 9.49 > Falso
Por lo tanto se acepta
0
: H y se
concluye que las cinco varianzas son
iguales.

EJEMPLO 3-6.
COMPARACION DE CONTRASTES
Considere los datos del ejemplo 3-1. Hay cinco medias de los tratamientos y
cuatro grados de libertad entre esos tratamientos. Suponga que antes de correr el
experimento se especific la siguiente serie de comparaciones entre las medias de
los tratamientos (y sus contrastes asociados):


Hiptesis
0 4 5
: H =
0 1 3 4 5
: H + = +
0 1 3
: H =
0 2 1 3 4 5
: 4 H = + + +

Contraste
1 4. 5.
C y y = +
2 1. 3. 4. 5.
C y y y y = +
3 1. 3.
C y y =
4 1. 2. 3. 4. 5.
4 C y y y y y = +

Los totales de cada nivel son los siguientes:
1. 2. 3. 4. 5.
49, 77, 88, 108, 54. y y y y y = = = = =
Los valores numricos de los contrastes y las sumas de cuadrados, por tanto, son:
Contrastes:
( ) ( )
1
1 108 1 54 54 C = + =
( ) ( ) ( ) ( )
2
1 49 1 88 1 108 54 25 C = + =

( ) ( )
3
1 49 1 88 39 C = =
( ) ( ) ( ) ( ) ( )
4
1 49 4 77 1 88 1 108 1 54 9 C = + =
Suma de cuadrados:
( )
2
.
1
2
1
a
i i
i
C a
i i
i
C y
SS
n C
=
=
=

( )
( )( ) ( )
( )
1
2
2 2
54 2916
291.600
10
5 1 1
C
SS

= = =
+



( )
( )( ) ( ) ( ) ( )
( )
2
2
2 2 2 2
25 625
31.25
20
5 1 1 1 1
C
SS

= = =
+ + +

( )
( )( ) ( )
( )
3
2
2 2
39 1521
152.100
10
5 1 1
C
SS

= = =
+

( )
( )( ) ( ) ( ) ( ) ( )
( )
4
2
2 2 2 2 2
9 81
0.810
100
5 1 4 1 1 1
C
SS = = =
+ + + +
Estadstico de prueba:
0
118.94
14.758
8.059
Tratamientos
E
MS
F
MS
= = =
Y el estadstico de prueba para esta evaluacin de los contrastes es:
1
0
291.60
36.183
8.059
Tratamientos
E
MS
F
MS
= = =
2
0
31.25
3.877
8.059
Tratamientos
E
MS
F
MS
= = =
3
0
152.10
18.860
8.059
Tratamientos
E
MS
F
MS
= = =
4
0
0.810
0.100
8.059
Tratamientos
E
MS
F
MS
= = =
Grados de libertad para cada contraste:
1
2 . Contraste Gl =
2
4 . Contraste Gl =
3
2 . Contraste Gl =
4
20 . Contraste Gl =

METODO DE SCHEFF PARA COMPARAR TODOS LOS CONTRASTES.
En muchos experimentos de exploracin, las comparaciones de inters solo se
descubren despus del examen preliminar de los datos. Scheff ha propuesto un
mtodo para comparar todos y cada uno de los contrastes posibles entre las
medias de los tratamientos.
Suponga que se ha determinado un conjunto de m contrastes


1 1 2 2
...
u u u au a
C C C I = + + + 1, 2,..., u m =
En las medias de tratamientos de inters. El contraste correspondiente de los
promedios de tratamientos es:
1 2 1. 2. .
...
u u u au a
C C y C y C y = + + + 1, 2,..., u m =
Y el error estndar de este contraste es:
2
1
a
iu
Cu E
i
i
C
S MS
n
=
| |
=
|
\ .
En donde;
i
n es el numero de observaciones en el
tratamiento.
Por lo tanto el valor crtico con el que deber compararse
u
C es:
( )
, , 1, .
1
u Cu a N a
S S a F
o o
=
Para probar la hiptesis de que el contraste
u
I difiere de manera significativa de
cero, se compara
u
C con el valor critico. Si
,
,
u u
C S
o
> se rechaza la hiptesis de
que el contraste
u
I es igual a cero.
Los tratamientos resultantes, por ejemplo
, ,
,
u u u u u
C S C S
o o
s I s + son intervalos
de confianza simultneos por cuanto a la probabilidad de que todos ellos sean
verdaderos simultneamente es al menos 1 o .
Ahora bien para poner en prctica este procedimiento utilicemos los datos del
ejemplo 3-1, y entonces suponga que los contrastes de inters son:
1 1 3 4 5
I = +
2 1 4
I =
Valores numricos de los contrates:
1 1. 3. 4. 5.
C y y y y = +
1
9.8 17.6 21.6 10.8 5 C = + =

2 1. 4.
C y y =
2
9.8 21.6 11.8 C = =


Los errores estndar se encuentran de esta forma:
2
1
a
iu
Cu E
i
i
C
S MS
n
=
| |
=
|
\ .

( ) ( ) ( ) ( )
1
2 2 2 2
1 1 1 1
8.059
5
Cu
S
| |
+ + +
= |
|
\ .

1
4
8.059 6.4472
5
Cu
S
| |
= =
|
\ .

1
2.539
Cu
S =
( ) ( )
2
2 2
1 1
8.059
5
Cu
S
| |
+
= |
|
\ .

2
2
8.059 3.2236
5
Cu
S
| |
= =
|
\ .

2
1.795
Cu
S =

Y los valores crticos de 1% son:
( )
, , 1, .
1
u Cu a N a
S S a F
o o
=
( )
1
0.01,1 0.01,5 1,25 5
5 1
Cu
S S F

=
( ) ( )( )
0.01,1 0.01,4,20
2.539 4 2.539 4 4.43 S F = =

0.01,1
2.539 17.72 2.539*4.209 S = =
0.01,1
10.686 S =
( )
2
0.01,2 0.01,5 1,25 5
5 1
Cu
S S F

=
( ) ( )( )
0.01,2 0.01,4,20
1.795 4 1.795 4 4.43 S F = =

0.01,2
1.795 17.72 1.795*4.209 S = =
0.01,2
7.555 S =
Por lo tanto como
1 0.01,1
C S < se concluye que el contraste
1 1 3 4 5
I = + es
igual a cero, es decir, no existe evidencia solida de que las medias de los
tratamientos 1 y 3 como grupo difieren de las medias de los tratamientos 4 y 5
como grupo.
Y, como
2 0.01,2
C S > se concluye que el contraste
2 1 4
I = no es igual a cero, es
decir, que las medias de los tratamientos 1 y 4 difieren significativamente.



PRUEBA DE TUKEY.
Sirve para probar las comparaciones de todas las medias por pares:
0
:
i j
H =
1
:
i j
H =
Esto se da probando hiptesis para las que el nivel de significancia global es
exactamente o cuando los tamaos de las muestras son iguales y de la misma
forma o para cuando los tamaos de las muestras no son iguales.
El procedimiento de Tukey hace uso de la distribucin del estadstico del rango
studentizado.
. . mx mn
E
y y
q
MS
n
=
Para tamaos de las muestras iguales, la prueba de Tukey declara que dos
medias son significativamente diferentes si el valor absoluto de sus diferencias
muestrales excede;
( ) ,
E
MS
T q a f
n
o o
=
Tambin podra construirse un intervalo de confianza de ( ) 100 1 o por ciento para
todos los pares de medias de la siguiente manera:
( ) ( )
. . . .
, ,
E E
i j i j i j
MS MS
y y q a f y y q a f
n n
o o
s s + i j =
Y para cuando los tamaos de las muestras no son iguales se tiene:
( ) ,
1 1
2
E
i j
q a f
T MS
n n
o
o
| |
= +
|
|
\ .

Por lo tanto el intervalo de confianza ser:


( ) ( )
. . . .
, ,
1 1 1 1
2 2
E i j E i j i j
i j i j
q a f q a f
y y MS y y MS
n n n n
o o

| | | |
+ s s + +
| |
| |
\ . \ .
i j =
EJEMPLO 3-7.
PROCEDIMIENTO TUKEY-KRAMER.
Para ilustrar la prueba de Tukey, se usan los datos del experimento del peso
porcentual del algodn del ejemplo 3-1. Con un 0.05 o = y 20 f = grados de
libertad, en la tabla VIII del apndice se obtiene ( )
0.05
5, 20 4.24 q = . Por lo tanto;
( )
0.05 0.05
8.059
5, 20 4.24
5
E
MS
T q
n
= =
0.05
5.382 T =
Por lo tanto cualquier par de promedios que difieran en el valor absoluto por ms
de 5.382 implicara que el par correspondiente de medias poblacionales son
significativamente diferentes.
Los cinco promedios de los tratamientos son:
1. 2. 3. 4.
9.80, 15.42, 17.60, 21.60 y y y y = = = = y
5.
10.80 y =
Y las cinco diferencias de los promedios:
1. 2.
9.8 15.4 5.6 y y = = *
1. 3.
9.8 17.6 7.8 y y = = *
1. 4.
9.8 21.6 11.8 y y = = *
1. 5.
9.8 10.8 1.0 y y = =
2. 3.
15.4 17.6 2.2 y y = =
2. 4.
15.4 21.6 6.2 y y = = *
2. 5.
15.4 10.8 4.6 y y = =
3. 4.
17.6 21.6 4.0 y y = =
3. 5.
17.6 10.8 6.8 y y = = *
4. 5.
21.6 10.8 10.8 y y = = *
Los valores marcados (*) indican el par de medias poblacionales correspondientes
que son significativamente diferentes.


METODO DE LA DIFERENCIA SIGNIFICATIVA MINIMA (LSD) DE FISHER.
Suponiendo una hiptesis alternativa de dos colas, los pares de medias
i
y
j
se
declararan significativamente diferentes si
/ 2, . .
1 1
N a E i j
i j
y y t MS
n n
o
| |
| |
> +
|
|
|
\ .
\ .
a la
cantidad:
/ 2,
2
E
N a
MS
LSD t
n
o
=
Para usar este procedimiento solo se comparan la diferencia observada entre
cada par de promedios con la LSD correspondiente. Si
. . i j
y y LSD > , se
concluye que las medias poblacionales
i
y
j
difieren.
EJEMPLO 3-8.
MTODO DE LA DIFERENCIA SIGNIFICATIVA MNIMA (LSD) DE FISHER.
Para ilustrar el procedimiento, si se usan los datos del experimento del ejemplo 3-
1, la LSD con 0.05 o = es:
( )
0.05/ 2,25 5 0.025,20
2 8.059
16.118
5 5
LSD t t
= =
2.086 3.2236 2.086*1.795. LSD = =
3.745 LSD=
Por lo tanto, cualquier par de promedios de los tratamientos que difiera del valor
absoluto por ms de 3.74 implicara que el par de medias poblacionales
correspondiente es significativamente diferente.



1. 2.
9.8 15.4 5.6* y y = =
1. 3.
9.8 17.6 7.8* y y = =
1. 4.
9.8 21.6 11.8* y y = =
1. 5.
9.8 10.8 1.0 y y = =
2. 3.
15.4 17.6 2.2 y y = =
2. 4.
15.4 21.6 6.2* y y = =
2. 5.
15.4 10.8 4.6* y y = =

3. 4.
17.6 21.6 4.0* y y = =
3. 5.
17.6 10.8 6.8* y y = =
4. 5.
21.6 10.8 10.8* y y = =

Los valores marcados indican los
pares correspondiente de medias son
significativamente diferentes

Por lo tanto los nicos pares de
media que no difieren son
1. 5.
, y y y
PRUEBA DEL RANGO MULTIPLE DE DUNCAN.
Para comparar todos los pares de medias se utiliza la prueba del rango mltiple de
Duncan. Para aplicar esta prueba del rango mltiple de Duncan cuando los
tamaos de las muestras son iguales, se determina cada promedio de la siguiente
frmula:
.
E
i
MS
S y
n
=
Y para cuando los tamaos de las muestras no son iguales, se sustituye n en la
ecuacin anterior por la media armnica
h
n donde:
1
1
h
a
i i
a
n
n
=
=
| |
|
\ .



EJEMPLO 3-9.
PRUEBA DEL RANGO MULTIPLE DE DUNCAN.
La prueba del rango mltiple de Duncan puede aplicarse al experimento del
ejemplo 3-1. Donde 8.059
E
MS = , 25 N = , 5 n = y 25 5 20 N n = = grados de
libertad.
Al ordenar los promedios en forma
ascendente tenemos que:
1.-
1.
9.80 y =

2.-
2.
10.80 y =

3.-
3.
15.40 y =

4.-
4.
17.60 y =

5.-
5.
21.60 y =

El error estndar de cada promedio
es:
.
E
i
MS
S y
n
=

.
8.059
5
i
S y =

.
1.6118
i
S y =
.
1.269
i
S y =
El conjunto de rangos significativos de la tabla VII del apndice (Montgomery, D.C.
Diseo y Anlisis de Experimentos. 2.Edicin, Wiley, Universidad Estatal de
Arizona.) Para 20 grados de libertad y 0.05 o = .
( ) ( )( )
2 0.05 .
2, 20 2.95 1.269 3.74
i
R r S y = = =
( ) ( )( )
3 0.05 .
3, 20 3.10 1.269 3.93
i
R r S y = = =
( ) ( )( )
4 0.05 .
4, 20 3.18 1.269 4.03
i
R r S y = = =
( ) ( )( )
5 0.05 .
5, 20 3.25 1.269 4.12
i
R r S y = = =



Resultados de las comparaciones:

( )
5
4 .1: 21.6 9.80 11.8 4.12 vs R = >
( )
4
4 .5: 21.6 10.8 10.8 4.03 vs R = >
( )
3
4 .2: 21.6 15.4 6.20 3.93 vs R = >
( )
2
4 .3: 21.6 17.6 4.00 3.74 vs R = >

( )
4
3 .1:17.6 9.80 7.80 4.03 vs R = >
( )
3
3 .5:17.6 10.8 6.80 4.93 vs R = >
( )
2
3 .2:17.6 15.4 2.20 3.74 * vs R = <
( )
3
2 .1:15.4 9.80 5.60 3.93 vs R = >
( )
2
2 .5:15.4 10.8 4.60 3.74 vs R = >
( )
2
5 .1:10.8 9.80 1.00 3.74 * vs R = <

Analizando los datos se observa que hay diferencias significativas entre todos los
pares de medias a excepcin de las medias 3 y 2 y la 5 y 1(los valores marcados).

COMPARACION DE MEDIAS DE TRATAMIENTOS CON CONTROL PRUEBA
DE DUNNETT.
En muchos experimentos, uno de los tratamientos es un control, y el analista se
interesa en comparar cada una de las medias de los 1 a tratamientos restantes
con el control. Por lo tanto solo es necesario hacer 1 a comparaciones. Un
procedimiento para hacer esas comparaciones ha sido desarrollado por Dunnett.
Suponga que el tratamiento a es el control y que quieren probarse las hiptesis:
0
:
i a
H =
1
:
i a
H =
Para 1, 2,..., 1 i a =
El procedimiento de Dunnett es una modificacin de la prueba comn t , y para
cada hiptesis se calculan las diferencias observadas en las medias muestrales:
. . i a
y y 1, 2,..., 1 i a =
Y la hiptesis nula
0
:
i a
H = se rechaza si se cumple lo siguiente:
( )
. .
1 1
1,
i a E
i a
y y d a f MS
n n
o
| |
> +
|
\ .

De la constante ( ) 1, d a f
o
se da de la tabla IX del apndice.



EJEMPLO 3-10.

PRUEBA DE DUNNETT.

Para ilustrar la prueba de Dunnett, considere los datos del experimento 3-1,
asumiendo que el tratamiento cinco es el control. Donde se tiene;
5, 1 4, 20 a a f = = = y 5
i
n n = = . Con el nivel de 5%, en la tabla IX del apndice se
encuentra que ( )
0.05
4, 20 2.65 d = . Por lo tanto la diferencia crtica es:
( )
( )
0.05
2 8.059 2
4, 20 2.65 2.65 3.2236 4.757
5 5
E
MS
d = = =
Ahora hay que comparar las diferencias observadas.
Donde cualquier media de los tratamientos que difiera del control por ms de
4.757 se declarara significativamente diferente:
1. 5.
1 .5: 9.80 10.8 1 vs y y = =
2. 5.
2 .5: 15.4 10.8 4.6 vs y y = =
3. 5.
3 .5: 17.6 10.8 6.8 vs y y = =
4. 5.
4 .5: 21.6 10.8 10.8 vs y y = =
Solo las diferencias
3. 5.
y y e
4. 5.
y y indican alguna diferencia significativa
cuando se comparan con el control; por tanto se concluye que
3 5
= y
4 5
= .

**ANALISIS DE ERRORES**

1. Comparacin de la idoneidad del modelo.
2. Desviaciones de las suposiciones fundamentales.
3. Mtodos para seleccionar el tamao apropiado de las muestras.
4. Ajuste de curvas de respuesta.

Comparacin de la idoneidad del modelo.
Suposiciones fundamentales.
Modelo:
ij i ij
y t c = + +
1, 2,...,
1, 2,...,
i a
j n
=
`
=
)



Los errores independientes, distribucin normal 0 = ,
2
o o = .
El diagnstico esta basado en los residuos:
ij ij ij ij i
e y y y y = =
Nota:
Se recomienda que el anlisis de residuos sea un paso de rutina.

Diagnostico de la igualdad de varianza
2 2 2
0 1 2
: ....
a
H o o o = = (Varianza Homognea)
Lo anterior no es cierto al menos para una
2
o .
Criterio de Rechazo
2 2
0 , 1 a
X X
o
>
Prueba de Bartlett
2
0
2.3026
q
X
c
=
Deteccin de Residuos Inusitados Bartlett, Informal.
Residuos Estandarizados.
68% residuo estandarizado
Nota:
Un residuo estandarizado a una distribucin mayor que 3 o 4 es potencialmente un
residuo distanciado.
Residuo vs. Secuencia de tiempo.
Residuo vs. Valor Ajustado.
Forma de Comprobar la Suposicin de Normalidad.
a) Hacer un histograma de los residuos.
b) Construir una grfica de probabilidad normal de los residuos.
Es la representacin de la distribucin acumulada de los residuos sobre papel
para grficas cuya escala de ordenadas es tal que la distribucin normal
acumulada es una recta.
Requisitos:
Papel de probabilidad normal.
Ordenar los residuos en orden ascendente.


Graficar el K-simo residuo ordenado vs. Su punto de probabilidad acumulada:
1
2
K
K
P
N
| |
|
\ .
=
Si la distribucin de errores es normal esta grfica parecer una lnea recta.
Residuo Inusitado
Es un residuo que es mayor que otros. Hay que ser cuidadosos para descartar
una observacin distanciada.
Nota:
Las desviaciones moderadas de la normalidad no tienen mucha importancia
entonces en el anlisis de variables de efectos fijos, sin embargo, el modelo de
efectos aleatorios se ve mas afectado por la normalidad.

Para ejemplificar esto utilizaremos los datos de la resistencia a la tensin del
ejemplo 3-1.
Tabla 2-3 Datos y residuales del ejemplo 3-1.
Peso %
del
algodn
1 2 3 4 5
i
y
15 7-9.8=-2.8 7-9.8=-2.8 15-9.8=5.2 11-9.8=1.2 9-9.8=-0.8 9.8
20 12-15.4=-3.4 17-15.4=1.6 12-15.4=-3.4 18-15.4=2.6 19-15.4=2.6 15.4
25 14-17.6=-3.6 18-17.6=0.4 18-17.6=0.4 19-17.6=1.4 19-17.6=1.4 17.6
30 19-21.6=-2.6 25-21.6=3.4 22-21.6=0.4 19-21.6=-2.6 23-21.6=1.4 21.6
35 7-10.8=-3.8 10-10.8=-0.8 11-10.8=0.2 15-10.8=4.2 11-10.8=0.2 10.8



Residuos ordenados y puntos de probabilidad para los datos de la resistencia a la
tensin.

Orden
K

Residuo
ij
e

( )( ) 1 100
K
P 1
2
K
K
P
N
| |
|
=
|
|
\ .

1 -3-8 0.020 98
2 -3.6 0.060 94
3 -3.4 0.100 90
4 -3.4 0.140 86
5 -2.8 0.180 82
6 -2.8 0.220 78
7 -2.6 0.260 74
8 -2.6 0.300 70
9 -0.8 0.340 66
10 -0.8 0.380 62
11 0.2 0.420 58
12 0.2 0.460 54
13 0.4 0.500 50
14 0.4 0.540 46
15 0.4 0.580 42
16 1.2 0.620 38
17 1.4 0.660 34
18 1.4 0.700 30
19 1.4 0.740 26
20 1.6 0.780 22
21 2.6 0.820 18
22 2.6 0.860 14
23 3.4 0.900 10
24 4.2 0.940 6
25 5.2

0.980

2



Grafica de probabilidad normal de los datos del experimento 3-1.



**ANLISIS DE VARIANZA**

EXPERIMENTOS CON FACTORES ALEATORIOS
MODELO ESTADISTICO LINEAL.

Cuando los niveles de los factores se eligen al azar de una poblacin de niveles
posibles y se quieren sacar conclusiones completas acerca de los niveles de la
misma, se trata de un experimento con factores aleatorios, o sea, el anlisis de
varianza.

ij i ij
y t c = + +
, var
i ij
iables t c = aleatorias
Si
i
t tiene varianza
2
t
o y es independiente del error
ij
c , la varianza de cualquier
observacin es:
( )
2 2
ij
V y
t
o o = + .
Donde
2 2
t
o o + son los componentes de la varianza.
Nota: con frecuencia se usa la notacin y ~
( )
2
, N o para denotar que y sigue
una distribucin normal con media poblacional 0 = y varianza
2
1 o = .
Una importante distribucin de muestreo que puede definirse en trminos de
variables aleatorias normales es ( )
2
ji cuadrada X . Es decir, variables aleatorias
que tienen una distribucin normal e independiente con media 0 = y varianza
2
1 o = , cuya abreviacin es ( ) 0,1 NID .
Ahora bien para probar la hiptesis acerca de los efectos de los tratamientos
individuales no tiene sentido, por lo que su lugar se probaran hiptesis acerca del
componente de la varianza
2
t
o .
2
0
: 0 H
t
o =
2
1
: 0 H
t
o >
Si
2
0
t
o = , todos los tratamientos son idnticos; pero si
2
0
t
o > , existe variabilidad
entre los tratamientos.
Como hemos visto anteriormente
2
/
E
SS o se distribuye con ji cuadrada y N-a
grados de libertad, bajo la hiptesis nula,
2
/
Tratamientos
SS o se distribuye como
ji cuadrada y a-1 grados de libertad. Y como ambas son independientes. Por lo
tanto bajo la hiptesis nula
2
0
t
o = , se tiene que:


0
Tratamientos
E
MS
F
MS
=
Por lo tanto
0
H deber rechazarse para valores de
0
F que sean muy grandes.
Esto implica una regin critica de una cola superior, por lo que
0
H se rechaza si
0 , 1, a N a
F F
o
> .

Para estimar los componentes de varianza utilizaremos las siguientes formulas:
2
E
MS o =
2 Tratamientos E
MS MS
n
o

=

Pero como el experimento es de muestras desiguales, se remplaza n en la
ecuacin anterior por
0
n .
2
1
0
1
1
1
1
1
a
i a
i
i a
i
i
n
n n
a
n
=
=
=
(
(
( =
(
(

**RESMEN**

LA COMPARACION DE PARES DE MEDIAS DE TRATAMIENTOS SON:
Prueba de Tukey- Kramer:
Comparacin de las medias por pares para tamaos de las muestras
iguales.

Mtodo de la Diferencia Significativa Mnima (LSD) de Fisher:
Compara la diferencia observada entre cada par de promedios.

Prueba del Rango Mltiple de Duncan.
Comparan todos los pares de medias, cuando los tamaos de las muestras
son iguales, los a promedios se ordenan en forma ascendente y se saca el
error estndar.

Prueba de Newman-Keuls.


Similar a la prueba del rango mltiple de Duncan, solo porque las
diferencias criticas entre las medias se calculan en forma diferente.
DISEO DE EXPERIMENTO CON UN SOLO FACTOR.

Se da de la siguiente manera fija para la media y aleatoria para la varianza.

Fijo: ANLISIS DE MEDIA.
0 1 2
:
a
H = =
1
:
i j
H =
ij i ij
y t c = + +

0 1 2
: ...
a
H t t t = =
0 1
: 0 H t =
Se utiliza la distribucin normal y t-
student.

Aleatorio: ANLISIS DE
VARIANZA.
2
0
: 0 H
t
o =
2
1
: 0 H
t
o >
Se utiliza la distribucin
2
X
ji cuadrada y
0
F .

y ~
( )
2
, N o
Distribucin Normal cuando la 0 = y
la
2
1 o = .

(0,1) NID
Distribucin Normal Independiente
cuando 0 = y
2
1 o = .


ALUMNO: ALDO BARUC LUCHO MIXTEGA

TUXTLA, VER.

INGENIERA AMBIENTAL
606 B
Alumno:
NOTAS DE CLASE:
UNIDAD III
DISEO DE EXPERIMENTOS CON VARIOS FACTORES.


Junio de 2012



Unidad III
Diseo de Experimentos con Varios Factores.
Objetivo: Realizar un anlisis estadstico de experimentos que comprenden
varios factores.
Criterio de evaluacin:
Participacin. 10%
Tareas (Diseo de Experimento con
Varios Factores).
25%
Notas de Clase. 20%
Examen. 40%
Autoevaluacin. 05%

Bloques Aleatorizados, Cuadrados Latinos y Diseos Relacionados.
Bloques Aleatorizados:
Se sustrae del error experimental la variabilidad producida por una fuente.
El diseo aleatorizado por bloques completos tiene la finalidad de que
todos los tratamientos sean probados en cada bloque.
Un bloque es una unidad experimental homognea.
Anlisis Estadstico:
Los bloques representan una restriccin en la aleatorizacin por que la nica
aleatorizacin de los tratamientos ocurre dentro de los bloques.
Modelo estadstico:
1, 2,..., .
1, 2,..., .
ij i j ij
i a
y
j b
t | c
=
= + + +

=

Donde
Es la media global.
i
t Es el efecto del tratamiento i-simo.
j
| Es el efecto del bloque j-simo y.


ij
c Es el trmino del error
( )
2
0, NID o .
En consecuencia los efectos de los tratamientos y los bloques se consideran
desviaciones de la media global, por lo que:
1
0
a
i
i
t
=
=
y
1
0
b
j
j
|
=
=
.
En un experimento en el que se use el diseo de bloques completos aleatorizados,
(RCBD), el inters se encuentra en probar la igualdad de las medias de los
tratamientos. Por lo tanto las hiptesis de inters son:
0 1 2
: ...
a
H = = =
1
: H al menos una
i j
= .
De manera equivalente las hiptesis anteriores en trminos de los efectos de los
tratamientos son:
0 1 2
: ... 0
a
H t t t = = = =
1
: 0
i
H t = para al menos una i.
La suma de cuadrados total corregida es la siguiente:
T Tratamientos Bloques E
SS SS SS SS = + +
Por lo tanto para probar la igualdad de las medias de los tratamientos, se usara el
estadstico de prueba siguiente:
0
Tratamientos
E
MS
F
MS
=

Criterio de Rechazo

Nota: no existe el estadstico de prueba para los efectos de los bloques, debidi a
que los bloques restringen la aleatorizacin.



Tabla 1.- Anlisis de varianza de un diseo de bloques completos
aleatorizados.
Fuente de
variacin
Suma de
cuadrados
Grados de
libertad
Cuadrado
medio
0
F
Tratamientos
Tratamietos
SS
1 a
1
Tratamientos
SS
a

Ttratamientos
E
MS
MS

Bloques
Bloques
SS
1 b
1
Bloques
SS
b

Error
E
SS ( 1)( 1) a b
( 1)( 1)
E
SS
a b

Total
T
SS
1 N

Estimacin de los Valores Faltantes:

'
23
y observacin faltante

Obtencin
de valores
faltantes.
Anlisis
Aproximado.
Estimar el
valor.
Anova con el
valor
estimado.
Se disminuye
los grados de
libertad en -1.
Anlisis
Exacto.


A partir de 0,
E
dSS
dx
= se obtiene
' ' '
. . ...
( 1)( 1)
i j
ay by y
x
a b
+
=

Diseo de Cuadrado Latino
El diseo apropiado para este problema consiste en probar cada formulacin
exactamente una vez con cada uno de los operadores.
Se usa para eliminar dos fuentes de variabilidad perturbadora.

Se analiza la formacin de bloques en dos direcciones.

Se llama cuadrado latino por que se representa mediante letras atinas (A,B,C,
etctera ) y tiene tamao P x P (cuadrado).

Los renglones y las columnas representan restricciones sobre la aleatorizacin.

Solo existe una observacin por celda.

Modelo Estadstico de un Cuadrado Latino:
1, 2, ,
1, 2, ,
1, 2,...,
ijk i j k ijk
i p
y j p
k p
o t | c
= .
= + + + + = .

Donde:
es la media global.
i
o es el efecto del rengln.
j
t es el efecto del tratamiento.
k
| es el efecto de la columna.
ijk
c es el error aleatorio
.


El modelo es completamente aditivo, es decir, no hay interaccin entre renglones,
columnas y tratamientos.
Suma de Cuadrados Total:
T Renglones Tratamientos E
SS SS SS SS = + +
Grados de Libertad:
( )( )
2
1 1 1 1 2 1 p p p p p p = + + +
El estadstico apropiado para probar las diferencias en las medias de los
tratamientos es:
0
Tratamientos
E
MS
F
MS
=
Y que se distribuye como
( )( ) 1, 2 1 p p p
F

bajo la hiptesis nula.
Anlisis de varianza del diseo del cuadrado latino
Fuente de
variacin
Suma de cuadrados
Grados de
libertad
Cuadrado
medio
0
F
Tratamientos
2
2
. .
1
1
p
Tratamientos j
j
y
SS y
p N
.
=
=
1 p
1
Tratamientos
SS
p

Ttratamientos
E
MS
MS

Renglones
2
2
. .
1
1
p
Renglones j
i
y
SS y
p N
.
=
=
1 p
1
Renglones
SS
p

Columnas
2
2
. .
1
1
p
Columna j
k
y
SS y
p N
.
=
=
1 p
1
Columnas
SS
p

Error
Re . T nglones Columnas Tratamient E os
SS SS SS SS SS =

( 2)( 1) p p ( 2)( 1)
E
SS
p p

Total
2
2
T ijk
i j k
y
SS y
N
.
=

2
1 p



Anlisis de varianza de un cuadrado latino con rplicas, caso 1.
Fuente de
variacin
Suma de cuadrados
Grados de
libertad
Cuadrado
medio
0
F
Tratamientos
2
2 .
. ..
1
1
p
j
j
y
y
np N
.
=

1 p
1
Tratamientos
SS
p

Ttratamientos
E
MS
MS

Renglones
2
2
..
...
1
.
.
1
p
i
i
y
y
np N
=

1 p
1
Renglones
SS
p

Columnas
2
2 .
.. .
1
1
p
k
k
y
y
np N
.
=

1 p
1
Columnas
SS
p

Rplicas
2
2 .
... 2
1
1
l
l
n
y
y
p N
.
=

1 n
1
Rplicas
SS
p

Error Sustraccin

( ) ( ) 1 1 3 p n p + (

( ) ( ) 1 1 3
E
SS
p n p + (

Total
2
2 .
ijkl
y
y
N
.

2
1 np

Fuente de
variacin
Suma de cuadrados Grados de libertad
Cuadrado
medio
0
F
Tratamient
o
2
2 .
. ..
1
1
p
j
j
y
y
np N
.
=

1 p
1
Tratamientos
SS
p

Ttratamientos
E
MS
MS

Renglones
2
2 .
.. 2
1 1 1
1
p n n
i l
l i l
y
y
p p
.
= = =

( ) 1 n p
( 1)
Renglones
SS
n p

Columnas
2
2 .
.. .
1
1
p
k
k
y
y
np N
.
=

1 p
1
Columnas
SS
p

Rplicas
2
2 .
... 2
1
1
n
l
l
y
y
p N
.
=

1 n
1
Rplicas
SS
n

Error sustraccin ( ) 1 ( 1) p np
( 1)( 1)
E
SS
p np



Total
2
2 .
ijkl
i j k l
y
y
N
.

2
1 np

Fuente de
variacin
Suma de cuadrados Grados de libertad
Cuadrado
medio
0
F
Tratamientos
2
2 .
. ..
1
1
p
j
j
y
y
np N
.
=

1 p
1
Tratamientos
SS
p

Ttratamientos
E
MS
MS

Renglones
2
2
.. 2
1 1 1
1
p n n
l
i l
i i l
y
y
p p
.
= = =

( 1) n p
( 1)
Renglones
SS
n p

Columnas
2
2
.. 2
1 1 1
1
p n n
l
kl
l k l
y
y
p p
.
= = =

( 1) n p
( 1)
Columnas
SS
n p

Rplicas
2
2 .
... 2
1
1
n
l
l
y
y
p N
.
=

1 n
1
Rplicas
SS
n

Error sustraccin ( ) ( ) 1 1 1 p n p (

( ) ( ) 1 1 1
E
SS
p n p (

Total
2
2 .
ijkl
i j k l
y
y
N
.

DISEO DE CUADRADO GRECOLATINO
Los cuadrados latinos y grecolatino tienen la propiedad de que tanto la letra griega
y latina aparecen una y solo una vez en cada tratamiento.
El diseo grecolatino puede usarse para controlar sistemticamente tres funciones
de variabilidad extraa, es decir, para hacer una formacin de bloques en tres
direcciones.
El diseo permite la investigacin de cuatro factores (renglones, columnas, letras
latinas y letras griegas), cada una con p niveles en solo
2
p corridas.



Fuente de
variacin
Suma de cuadrados
Grados de
libertad
Cuadrado
medio
0
F
Tratamientos
Letras
latinas.
2
2 .
. ..
1
1
p
L j
j
y
SS y
p N
.
=
=
1 p
1
L
SS
p

Ttratamientos
E
MS
MS

Tratamientos
Letras
griegas.
2
2 .
.. .
1 1
1
p n
G k
k l
y
SS y
p N
.
= =
=

( ) 1 p
( 1)
G
SS
p

Renglones.
2
2 .
Re ...
1 1
1
p n
nglones i
i l
N
y
SS y
p
.
= =
=

1 p
Re
1
nglones
SS
p

Columnas.
2
2 .
...
1
1
l
p
l
y
y
p N
.
=

1 p
1
Columnas
SS
p

Error ( ) por sustracci n
E
SS =
( ) 3 ( 1) p p
( 3)( 1)
E
SS
p p

Total
2
2 .
T ijkl
i j k l
y
SS y
N
.
=
2
1 p



INSTITUTO
TECNOLGICO
SUPERIOR DE SAN
ANDRS TUXTLA, VER.
INGENIERA AMBIENTAL
606 B
Alumno:
NOTAS DE CLASE:
UNIDAD IV
INGENIERA DE CALIDAD.DOCENTE:
M. en C. VIOLETA ALEJANDRA BASTIN LIMA.



Junio de 2012
UNIDAD IV
INGENIERA DE CALIDAD.
Concepto de robustez
En un experimento o proceso existen dos tipos de factores, ver la siguiente figura:

El diseo robusto busca obtener un producto o proceso insensible al ruido que no
es posible controlar, o minimizar el efecto de dicho ruido en la propiedad deseada.
Por ejemplo: en una copiadora el usuario utiliza una determinada tinta y desea que
la calidad de las hojas se la misma sin importar la humedad del ambiente (ntese
que la tinta a usar puede ser un factor controlable y la humedad del ambiente no
puede ser controlada en un negocio que se dedique a la reproduccin de copias
en papel, entonces la humedad es un ruido en este ejemplo).
Los factores de ruido se clasifican como muestra el siguiente diagrama:
F
a
c
t
o
r
e
s

q
u
e

i
n
t
e
r
v
i
e
n
e
n

e
n

u
n

e
x
p
e
r
i
m
e
n
t
o
.

Controlables.
No controlables
(ruido).


Arreglos ortogonales

Los arreglos ortogonales son utilizados determinar la matriz de diseo que
proporciona las corridas a realizar para evaluar los factores controlables y los de
ruido con sus niveles correspondientes. Existen diferentes arreglos ortogonales
(ver Figura 9.6 del libro H. Gutirrez, Anlisis y Diseo de Experimentos, Segunda
Edicin, Mc-Graw Hill, 2008), por ejemplo el L8 tiene ocho corridas y se pueden
estudiar de dos hasta siete factores con dos niveles cada uno (ver Tabla 1), el L4
tiene cuatro corridas y se pueden estudiar dos y tres factores con dos niveles cada
uno (ver Tabla 2). Cuando no se estudian todos los factores posibles en el arreglo
es necesario asignar las columnas segn el nmero de factores, por ejemplo, si
desean estudiar 3 factores con un L8 las columnas asignadas sern 1, 2, 4 para
cada factor.
Para factores con dos niveles cada factor se utilizan L4, L8, L12 y L16 y para tres
niveles cada factor se utilizan L9 y L18.
Factores de
Ruido.
Externos
Factores por el
ambiente o rea
de trabajo
Internos
Errores de uso de
equipo o errores
de la maquinaria
usada.
De deterioro
Desgaste de piesas o
degradacin del
proceso.


Diseo con arreglo interno y externo

Un diseo robusto debe tener al menos un factor de ruido (que no se pretende
controlar) para que se busque que el proceso sea insensible a este factor.
Determinados los factores controlables y los de ruido, se construye un arreglo
ortogonal para los factores de control (interno) y otro arreglo para los factores de
ruido (externo).

Ejemplo
Una caracterstica importante en la produccin de pigmentos de color, se tiene el
problema de que existe un proceso en la variacin de color y despus de analizar
se tiene que los factores controlables son:
Factores controlables
A: Tiempo de carga del material.
B: Tiempo de amasado.
C: Exceso de sal.
D: Temperatura de amasado.
E: Orden de introduccin de
materiales.
F: Velocidad de amasado.
G: Tipo de aspas de amasado.
Factores de ruido
K: Calidad de la sal.
L: Aspecto de la resina
M: Temperatura del agua para enfriar.

Factores de Ruido
K 1 1 2 2


L 1 2 1 2
M 1 2 2 1
Factores Controlables
A B C D E F G
1 1 1 1 1 1 1
1 1 1 2 2 2 2
1 2 2 1 1 2 2
1 2 2 2 2 1 1
2 1 2 1 2 1 2
2 1 2 2 1 2 1
2 2 1 1 2 2 1
2 2 1 2 1 1 2

Razn seal/ruido
El mtodo robusto de Taguchi es muy til para determinar que combinacin de los
factores controlables ofrece mayor insensibilidad de la variable de inters a los
factores de ruido. Para lo anterior, se debe calcular el cociente que se conoce
como razn seal/ruido, la combinacin que maximice este valor es el arreglo ms
adecuado para rechazar los efectos que producen las variables no controladas. La
razn seal/ruido (S/R) se calcula segn la caracterstica de la respuesta:

Si se desea que la variable entre ms pequea mejor (por ejemplo los niveles de
CO en una chimenea).
2
10
1
1
10log
n
i
i
S
Y
R n =
=
Si se desea que la variable entre ms grande mejor (por ejemplo la conversin en
un reactor).
10 2
1
1 1
10log
n
i
i
S
R n Y =
=
Si se desea que la variable este en un valor nominal (por ejemplo que cumpla con
un valor de viscosidad o densidad en un producto que desea nuestro cliente) se
tienen dos estadsticos:

Tipo I: Cuando los valores de la variable son solo positivos:
2
10 2
10log
S Y
R S
| |
=
|
\ .



Tipo II: Cuando los valores de la variable pueden ser tanto positivos como
negativos:
( )
2
10
10log
S
S
R
=
Donde S es la desviacin estndar, n es el nmero de datos por tratamiento, es la
media de todos los datos. Para el color del pigmento se desea que tenga un valor
nominal de 23. Debido a que el color puede ser positivo o negativo, se escoge el
estadstico tipo I. Para poder analizar los datos se construye la siguiente tabla:

Factores de Ruido Media
(Promedio)
Desviacin
Estndar
Razn
Seal/Ruido K 1 1 2 2
L 1 2 1 2
M 1 2 2 1
X
S
2
10
10log ( ) S
A B C D E F G
1 1 1 1 1 1 1 36 26 24 15 25.25 8.62 -18.71
1 1 1 2 2 2 2 32 62 24 32 37.25 16.76 24.49
1 2 2 1 1 2 2 34 16 25 12 21.75 9.81 -19.83
1 2 2 2 2 1 1 10 30 26 32 24.5 9.98 -19.99
2 1 2 1 2 1 2 33 31 27 23 28.5 4.43 -12.94
2 1 2 2 1 2 1 34 48 26 39 36.75 9.22 -19.29
2 2 1 1 2 2 1 26 27 18 20 22.75 4.43 -12.92
2 2 1 2 1 1 2 28 40 21 32 30.25 7.93 -17.99

Optimizacin de las combinaciones
Para determinar cules son los valores de las variables controladas que minimizan
el efecto de los factores de ruidos se analiza la razn seal/ruido y la media de
cada factor. Para el ejemplo del color del pigmento; primero se obtiene el anlisis
de la razn de seal/ruido.

1. Determinar los promedios de los estadsticos S/R de los valores bajos y altos de
cada factor.

Desviacin
Estndar
Razn
L 1 2 1 2
M 1 2 2 1
X
S
2
10
10log ( ) S


A B C D E F G
1 1 1 1 1 1 1 36 26 24 15 25.25 8.62 -18.71
1 1 1 2 2 2 2 32 62 24 32 37.25 16.76 24.49
1 2 2 1 1 2 2 34 16 25 12 21.75 9.81 -19.83
1 2 2 2 2 1 1 10 30 26 32 24.5 9.98 -19.99
2 1 2 1 2 1 2 33 31 27 23 28.5 4.43 -12.94
2 1 2 2 1 2 1 34 48 26 39 36.75 9.22 -19.29
2 2 1 1 2 2 1 26 27 18 20 22.75 4.43 -12.92
2 2 1 2 1 1 2 28 40 21 32 30.25 7.93 -17.99
Representa la parte baja del factor A.
Representa la media S/R de la parte baja del factor A.
Representa la parte alta del factor A.
Representa la media S/R de la parte alta del factor A.

Medias de los estadsticos S/R de cada factor
Efectos
A B C D E F G
Baja -20.75 -18.86 -18.53 -16.10 -18.95 -17.40 -17.73
Alta -15.78 -17.68 -18.01 -20.44 -17.58 -19.13



2. Graficar cada factor y unir por una lnea los valores altos y bajos.

Donde 1 es baja y 2 es alta. La grfica demuestra que las combinaciones que
maximizan el valor de S/R son un valor alto de A y un valor bajo de D, los dems
factores ofrecen poco efecto sobre S/R. Ahora se prosigue a evaluar el efecto de
los factores sobre la media (la mecnica es muy similar a la evaluacin de S/R).

Determinar los promedios de las medias de los valores bajos y altos de cada
factor.


Desviacin
Estndar
Razn
L 1 2 1 2


M 1 2 2 1
X
S
2
10
10log ( ) S

A B C D E F G
1 1 1 1 1 1 1 36 26 24 15 25.25 8.62 -18.71
1 1 1 2 2 2 2 32 62 24 32 37.25 16.76 24.49
1 2 2 1 1 2 2 34 16 25 12 21.75 9.81 -19.83
1 2 2 2 2 1 1 10 30 26 32 24.5 9.98 -19.99
2 1 2 1 2 1 2 33 31 27 23 28.5 4.43 -12.94
2 1 2 2 1 2 1 34 48 26 39 36.75 9.22 -19.29
2 2 1 1 2 2 1 26 27 18 20 22.75 4.43 -12.92
2 2 1 2 1 1 2 28 40 21 32 30.25 7.93 -17.99

Efectos
A B C D E F G
Baja 27.25 32.00 28.94 24.56 28.50 27.13 27.31
Alta 29.56 24.81 27.88 32.25 28.31 29.69 29.50


Promedios de las medias de cada factor.
Grafica de cada factor unida por una lnea con los valores de altos y bajos.

Donde 1 es baja y 2 es alta. La grfica demuestra que las combinaciones que
acercan ms el color al valor de 23 son un valor alto de B y un valor bajo de D.


Ntese que el estudio que se efectu con el anlisis de S/R y el anlisis de medias
arroja el mismo valor para el factor D, sin embargo no para A y B. Una
combinacin que podra satisfacer la robustez del color del pigmento seria:
A = 2, B = 2, D = 1 y C, E, F no tiene efecto significativo sobre el color del
pigmento. Esto quiere decir que es necesaria un tiempo alto de carga de material
(factor A=2), un tiempo alto de amasado (factor B=2) y una temperatura baja de
amasado (factor D=1).
Para el diseo de experimentos Taguchi sugiere tres pasos que son:
I. Diseo del sistema.
II. Diseo de parmetros.
III. Diseo de tolerancias.
De estas tres etapas, la ms importante es el diseo de parmetros cuyos
objetivos son:
I. Identificar qu factores afectan la caracterstica de calidad en cuanto a su
magnitud y en cuanto a su variabilidad.
II. Definir los niveles optimos en que debe fijarse cada parmetro o factor, a
fin de optimizar la operacin del producto y hacerlo lo ms robusto posible.
III. Identificar factores que no afecten substancialmente la caracterstica de
calidad a fin de liberar el control de estos factores y ahorrar costos de
pruebas.
Si las lecturas no siguen un orden secuencial, o se toman en otra prueba bajo las
mismas condiciones se le conoce como Replica. Taguchi considera dos tipos de
error aleatorio con lecturas multiples:
Error Primario: (
1
c ). Error que existe entre las diferentes condiciones de
experimentacin, aparte del efecto de los factores en si. Es decir lo que hace
diferentes a las lecturas bajo diferentes condiciones de experimentacin.
Error Secundario: (
2
c ). Aquel que hace diferentes las lecturas tomadas bajo una
misma condicin experimental. Cuando se toma una lectura no es posible evaluar
el error secundario.
El error secundario se calcula individualmente


2
2
2 2 2 i
1 2 3
E
i
T
SS Y Y Y
n
= + +
TUXTLA, VER.

INGENIERA AMBIENTAL
606 B
Alumno:
NOTAS DE CLASE:
UNIDAD V
REGRESIN Y CORRELACIN.




Junio de 2012

UNIDAD V

REGRESIN Y CORRELACIN

Objetivo:
Realizara modelos matemticos usando datos experimentales.

Anlisis de Regresin:
Se emplea para construir modelos empricos que relacionen una o ms
variables independientes (x) con una respuesta o variable dependiente (y),
con el fin de predecir, optimizar o controlar un proceso.

La relacin que se establece entre las variables independientes y la variable
dependiente se conoce como ecuacin de regresin. Este modelo de
regresin se ajusta a un conjunto de datos mustrales.
Frecuentemente los mtodos de regresin se utilizan para analizar datos
que provienen de experimentos que no fueron diseados (fenmenos no
controlados o registros histricos).
Tambin se emplea en experimentos diseados, para construir un modelo
cuantitativo que relacione los factores importantes con su respuesta (previo
anlisis de varianza).

Ajustes de Funciones a Datos Experimentales
El modelo incluye las variables independientes (entradas), los coeficientes
son considerados como constante (parmetros) y la variable independiente
(salida).
El mejor modelo debe exhibir el menor error entre los datos experimentales (
) y
la respuesta predecida (
):
j j j
Y y c = j=1,p p=punto de datos.

Tpicos modelos empricos


Tpicos modelos empricos
( )
0 1 1 2 2
1 Y a a x a x lineal envariables ycoeficientes = + + +
( )
0 11 2 12 2
2 , Y a a x a x lineal enloscoeficientes nolineal enlas = + + +
. variablesindependientes
( ) ( ) 3
b
Nu a Re nolineal enel coeficiente = . b

Cuando el modelo es lineal en los coeficientes sin importar si es lineal o no lineal
en las variables independientes, los parmetros (coeficientes) pueden ser
estimados por un procedimiento llamado regresin lineal (mtodos de mnimos
cuadrados) ec. 1 y 2.
Cuando los coeficientes aparecen en el modelo en forma no lineal (ec. 3).

Mtodos de Mnimos Cuadrados
Se emplea para resolver este problema de regresin lineal y consiste en estimar
los coeficientes del modelo a partir de datos experimentales. El procedimiento
para un modelo de la forma:
0
0
1( )
n
i i
i
y x x A |
=
= =

0
int . x constante eraccin =
. 1,2,
i
x variablesindependientes i n = = .
. y variablederespuesta =
.
i
parmetrosocoeficientes aestimar | =
NOTA: la ec. A es lineal con respecto a
0
1 x =
1
x x =
2
2
x x =


En el procedimiento de mnimos cuadrados se debe minimizar el error mximo. El
clsico criterio de error es la sumatoria del error cuadrado.
2
2
1
: ( )
p
j
j
funcin objetivo f B c
=
=

Funcin
se minimiza mediante una solucin analtica para los coeficientes

desconocidos.

Introducir ec. A en funcin objetivo (B).
2
2
1 1
( )
p n
j i i
j i
f Y x |
= =
=

Las variables independientes son identificadas con un doble subndice. El primer
subndice identifica a las variables independientes (i= 0, 1, n) y el segundo la
secuencia p puntos de datos (j= 1, 2, p).
Diferenciando
con respecto a
e igualando las (n + y) derivndolas

parciales a 0, se obtiene (n + 1) ecuaciones.
2
0 0 1 0 1 2 0 2 0 0
1 1 1 1 1
p p p p p
j j j j j n j nj j j
j j j j j
b x b x x b x x b x x Y x
= = = = =
+ + + + =

2
0 1 0 1 2 1 2 1 1
1 1 1 1 1
( ) ( )
p p p p p
j j ij j j n j nj j j
j j j j j
b x x b x b x x b x x Y x C
= = = = =
+ + + + =

2
0 2 0 1 2 1 2 2 2 2
1 1 1 1 1
( )
p p p p p
j j j j j n j nj j j
j j j j j
b x x b x x b x b x x Y x
= = = = =
+ + + + =

2
0 0 1 1 2 2
1 1 1 1 1
( )
p p p p p
nj j nj j nj j n nj j nj
j j j j j
b x x b x x b x x b x Y x
= = = = =
+ + + + =

Matriz
1 0
11 12 1
2 1
21 22 2
1 2
1
1
1
n
n
p n
p p pn
y b
x x x
y b
b Y x x x x
y b
x x x
(
( (
(
.
( (
(
( (
(
= = = .
( (
(
( (
(
(

(
.



El resultado es:

( )
T T
X Xb X Y D =
Tiene una solucin formal va algebra matricial:

1
( ) ( )
T T
b X X X Y E

Notas de Clase Diseño de Experimentos

Cargado por

Copyright:

Formatos disponibles

Notas de Clase Diseño de Experimentos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Notas de Clase Diseño de Experimentos

Cargado por

Copyright:

Formatos disponibles

DISEO DE EXPERIMENTOS INGENIERA AMBIENTAL 606 B.

NOTAS DE CLASE DOCENTE: M. en. C. VIOLETA ALEJANDRA BASTIN LIMA.

Es la suma del total de observaciones de cada nivel divididas entre

Entonces tenemos que;

se minimiza mediante una solucin analtica para los coeficientes

e igualando las (n + y) derivndolas

También podría gustarte