Este documento describe experimentos de un factor. Explica que en estos experimentos un solo factor afecta el proceso, y que este factor tiene varios niveles. También describe técnicas de análisis estadístico como ANOVA que dividen la variación total en componentes significativos para determinar si las diferencias entre medias se deben a la variación aleatoria o sistemática. Finalmente, presenta ejemplos y soluciones para analizar datos de experimentos de un factor.
0 calificaciones0% encontró este documento útil (0 votos)
136 vistas59 páginas
Este documento describe experimentos de un factor. Explica que en estos experimentos un solo factor afecta el proceso, y que este factor tiene varios niveles. También describe técnicas de análisis estadístico como ANOVA que dividen la variación total en componentes significativos para determinar si las diferencias entre medias se deben a la variación aleatoria o sistemática. Finalmente, presenta ejemplos y soluciones para analizar datos de experimentos de un factor.
Este documento describe experimentos de un factor. Explica que en estos experimentos un solo factor afecta el proceso, y que este factor tiene varios niveles. También describe técnicas de análisis estadístico como ANOVA que dividen la variación total en componentes significativos para determinar si las diferencias entre medias se deben a la variación aleatoria o sistemática. Finalmente, presenta ejemplos y soluciones para analizar datos de experimentos de un factor.
Este documento describe experimentos de un factor. Explica que en estos experimentos un solo factor afecta el proceso, y que este factor tiene varios niveles. También describe técnicas de análisis estadístico como ANOVA que dividen la variación total en componentes significativos para determinar si las diferencias entre medias se deben a la variación aleatoria o sistemática. Finalmente, presenta ejemplos y soluciones para analizar datos de experimentos de un factor.
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 59
Experimentos de un factor
general Ing. Brayan López Fallas Investigaciones con experimentos factoriales: Panorama
Entrada controlable Salidas
Factores Procesos A un proceso le afectan o “entran” factores controlables o no controlables y del proceso Entrada no controlable se produce una “salida” El caso de los experimentos de un solo factor
1 Factor de entrada (controlable) Salidas Varios niveles Procesos (más de dos) En los experimentos de un solo factor se considera que solo un factor es el que afecta o “entra” al proceso… Se puede decir que apela a la ley de Pareto Técnicas de Análisis Estadístico para los datos del Experimento ANOVA • Procedimiento para realizar una prueba de medias poblacionales cuando hay más de dos medias de interés (k>2 muestras) Analiza la variación total divida en componentes significativos Técnica Del Análisis De Varianza • Se habla de un factor cuando solo hay una variable de interés para el análisis (al factor se le suele denominar tratamiento) • Ej.: Estudiar el efecto de la temperatura en una reacción química, si existieran varias temperaturas posibles para realizar el experimento, estas serían los niveles del factor. Ejemplo inicial (*) • Un ingeniero esta interesado en cómo la absorción media de humedad en concreto varía entre cinco mezclas diferentes de concreto • Las muestras se exponen a humedad durante 48 horas. • Se prueban 6 muestras para cada mezcla, así en total se requieren probar 30 muestras
(*) Ejemplo del libro Probabilidad y Estadística de Walpole & Myers
Supuestos del Análisis de Varianza Cualquier variación que exista entre los promedios de las mezclas se atribuye a: (1) la variación en la absorción entre las observaciones dentro de los tipos de mezclas (2) la variación que se debe a los tipos de mezclas, es decir, las que se deben a diferencias entre en la composición química de las mezclas. Variaciones dentro de las mezclas Ocasionadas por diversas causas: condiciones de humedad y temperatura variaron durante el experimento, o simplemente la heterogeneidad entre sus materias primas Así la variación dentro de la muestra es una variación aleatoria o al azar Objetivo del ANOVA • Parte del objetivo del ANOVA es determinar si las diferencias entre las 5 medias muestrales de las mezclas de cemento son debidas solo a la variación aleatoria o si en realidad también hay una contribución de la variación sistemática debido a los tipos de mezclas Procedimiento del ANOVA • Es en esencia separar la variabilidad total en los dos siguientes componentes: 1) Variabilidad entre las mezclas, mediante la medición de la variación sistemática y la aleatoria 2) Variabilidad dentro de las mezclas, mediante la medición de la variación aleatoria solamente. Se determina si el componente 1 es significativamente mayor que el 2 Estrategia del Diseño Experimental • El objetivo es distribuir uniformemente entre los niveles del factor los riesgos causados por la heterogeneidad de las unidades experimentales • Una asignación aleatoria simula mejor las condiciones que supone el modelo Análisis de Varianza Unilateral: Diseño Completamente Aleatorizado • Se seleccionan muestras aleatorias de tamaño n de cada una de las k poblaciones • Las k poblaciones diferentes se clasifican sobre la base de un solo criterio de interés, como tratamiento, por ejemplo fertilizantes diferentes, regiones diferentes, etc. • Las k poblaciones se suponen independientes y normalmente distribuidas con medias 𝜇1 , 𝜇2 , … , 𝜇𝑘 y varianza común 𝜎 2 Método de Cálculos: k muestras aleatorias Tratamiento 1 2 … i … K 𝑦11 𝑦21 … 𝑦𝑖1 … 𝑦𝐾1 𝑦12 𝑦22 … 𝑦𝑖2 … 𝑦𝐾2 … … … … … … 𝑦1𝑛 𝑦2𝑛 … 𝑦𝑖𝑛 … 𝑦𝐾𝑛 Total 𝑌1 𝑌2 … 𝑌𝑖 … 𝑌𝐾 Media 𝑌1 𝑌2 … 𝑌𝑖 … 𝑌𝐾 Prueba de hipótesis 𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝐾
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑛𝑜 𝑠𝑜𝑛 𝑖𝑔𝑢𝑎𝑙𝑒𝑠
• Cada observación se puede escribir de la forma 𝑦𝑖𝑗 = 𝜇𝑖 + 𝜀𝑖𝑗
• Donde 𝜀𝑖𝑗 mide la desviación de la j-ésima observación de la i- ésima muestra de la correspondiente media del tratamiento, es el error aleatorio Forma alternativa de escribir las observaciones • Se prefiere sustituir cada 𝜇1 por 𝜇 + 𝛼𝑖 sujeta a la restricción: 𝑘 • 𝑖=1 𝛼𝑖 =0
• De allí se puede escribir: 𝑦𝑖𝑗 = 𝜇 + 𝛼𝑖 + 𝜀𝑖𝑗 , donde 𝜇 es la media
general y 𝛼𝑖 es el efecto de i-ésimo tratamiento: 𝑘 𝑖=1 𝛼𝑖 •𝜇= 𝑘 Planteo equivalente de la Hipótesis 𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝐾 = 0
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 ∝𝑖 𝑛𝑜 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 0
• Esta forma de plateo es la más usada en el diseño experimental
(con efectos 𝛼 en lugar de medias 𝜇) Identidad de la suma de cuadrados • SST = SSTR + SSE
• De donde: SSE = SST - SSTR
Sumas de cuadrados Cuadrado Medios • Para el tratamiento: • Si Ho es verdadera una estimación de 𝜎² que se basa en k-1 grados de libertad la proporciona 𝑠12 = 𝑆𝑆𝑇𝑅 / (𝑘 − 1) • Para el error: • 𝑠 2 = 𝑆𝑆𝐸 / 𝑘(𝑛 − 1) , esta estimación es insesgada a pesar de que la hipótesis nula sea verdadera o falsa. Grados de libertad • La identidad de la suma de cuadrados también divide el numero total de grados de libertad:
𝑛𝑘 − 1 = 𝑘 − 1 + 𝑘(𝑛 − 1) Tabla ANOVA para Clasificación Unilateral
Grados de Fuente SC CM fcalculo Libertad Tratamiento 𝑆𝑆𝑇𝑅 𝑘−1 𝑠12 = 𝑆𝑆𝑇𝑅 / (𝑘 − 1) 𝑠12 /𝑠 2 Error 𝑆𝑆𝐸 𝑘(𝑛 − 1) 𝑠 2 = 𝑆𝑆𝐸 / 𝑘(𝑛 − 1) Total 𝑆𝑆𝑇 𝑛𝑘 − 1 Ejemplo (*) • Probar para los datos del experimento de las 5 mezclas de cemento:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇5
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑚𝑒𝑑𝑖𝑎𝑠 𝑛𝑜 𝑠𝑜𝑛 𝑖𝑔𝑢𝑎𝑙𝑒𝑠
• Utilice 𝛼 = 0.05 • Datos: n = 6, k = 5
(*) Ejemplo del libro Probabilidad y Estadística de Walpole & Myers
EXCEL Tabla Anova Distintos tamaños de muestra • En ocasiones las muestras son de tamaños diferentes por lo que hay que corregir las fórmulas Ejemplo 2 (*) • Se estudian cuatro grupos de personas que toman distintos medicamentos (uno no toma medicación)
(*) Ejemplo del libro Probabilidad y Estadística de Walpole & Myers
Comparaciones Múltiples • Cuando se rechaza la hipótesis nula y se acepta que no todas las medias son iguales, aun no se sabe cuales medias son iguales y cuales son diferentes • A menudo es de interés realizar varias comparaciones pareadas, quizás todas las posibles, entre los tratamientos Hipótesis a probar Enfoque del Intervalo de Confianza para comparaciones pareadas Prueba Tukey • Permite la formación de intervalos de confianza de 100 (1- α)% simultáneos para todas las comparaciones pareadas • El método se basa en la distribución del rango studentizado. • El punto percentil apropiado es una función de α, k, y v grados de libertad para s² • En las tablas se muestran los puntos porcentuales superiores para α=0.05 Considere el siguiente ejemplo • Considere un experimento de un factor completamente aleatorizado con seis tratamientos y un tamaño de cinco observaciones para cada uno de los niveles de tratamiento. Lo que resulta en v=24 g.l. para el error. • Además suponga que se construye el análisis vía tabla ANOVA encontrando un cuadrado medio del error s²= 2.45. Solución Comparaciones • Si hay k medias a comparar, esto implica hacer p=k (k-1)/2 comparaciones • Así al ser k=6 , se van a realizar 6*5/2=15 pares de comparaciones Conclusiones Resp.: Así se ve que existen diferencias significativas entre muchas de las medias, las que rechazaron la hipótesis nula Ho
Estas son: y1-y2 y1-y4 y1-y5 y1-y6 y2-y3 y2-y4 y2-y6 y3-y5 y4-y5 y5-y6 Caso tamaño de muestra diferente Prueba Duncan • Este procedimiento se basa también en la noción general del rango studentizado • El rango de cualquier subconjunto de p medias muestrales debe ser excedido por cierto valor antes de que se encuentre que cualquiera de las p medias es diferente • Este valor es el rango de menor significancia para las p medias y se denota Rp: Rango studentizado de menor significancia • Los valores de rp dependen del nivel de significancia deseado y del número de grados de libertad para el error. Ejemplo para prueba Duncan • Considere el ejemplo anterior de seis tratamientos, con cinco observaciones cada uno. • Suponga que el cuadrado medio del error que se toma de la tabla ANOVA es s²= 2.45 con v=24 g.l. Cálculo de los rp Comparaciones 1) ordenar las medias ascendentemente Conclusiones • Se obtuvieron las mismas conclusiones que con la prueba Tukey solo que Duncan también encontró diferencias significativas entre las medias 2 y 5 • Esto es porque la prueba Tukey es más reservada que la Duncan, pero no existe un criterio para decir si una prueba es mejor que la otra así que ambas se pueden utilizar. Caso tamaño de muestras diferente COMPARACIONES CON UN CONTROL • A veces es necesario comparar los niveles del factor con un nivel de control, para determinar si hay diferencias con respecto al control. El método Dunnet permite este tipo de análisis. • Ejemplo: se analizan tres catalizadores para determinar si difieren de un catalizador “control” Hipótesis a probar Criterio de Rechazo de Ho Prueba Caso tamaño de muestras diferente
