Beruflich Dokumente
Kultur Dokumente
ESTADISTICA INFERENCIAL II
V UNIDAD
MAESTRO:
WILBERT ALEJANDRO BORGES ONTIVEROS
PRESENTA:
DIANA ISABEL ORTEGN PERALTA
SHARA BERENICE CONCHA CAAMAL
Tabla de contenido
Introduccin..................................................................................................................................... 3
5.1 METODOLOGA DEL DISEO EXPERIMENTAL DE BLOQUES AL AZAR. ............... 4
5.2 DISEO DE EXPERIMENTOS FACTORIALES. ............................................................... 12
5.3 DISEO FACTORIAL 2^k ..................................................................................................... 16
5.4 DISEO DE CUADROS LATINOS. ..................................................................................... 24
5.5 DISEO DE CUADROS GRECOLATINOS........................................................................ 26
5.6 aplicaciones .............................................................................................................................. 27
Conclusin ..................................................................................................................................... 29
Bibliografa ..................................................................................................................................... 29
Introduccin
Diseo experimental que sirve para estudiar el efecto individual y de interaccin de
varios factores sobre una o varias respuestas .Es decir lo que se busca es estudiar
la relacin entre factores y la respuesta, con la finalidad de conocer mejor como es
esta relacin y generar conocimiento que permita tomar acciones y decisiones que
mejoren el desempeo de proceso.
Uno de los objetivos particulares ms importantes que en general tiene un diseo
factorial es determinar una combinacin de niveles de los factores en la cual el
desempeo del proceso sea mejor que en las condiciones de operacin actuales,
es decir, encontrar nuevas condiciones de operacin que eliminen o disminuyan
cierto problema de calidad en la variable de salida.
Estimacin de parmetros
Al aplicar el mtodo de mnimos cuadrados, se obtiene como estimador de los
parmetros
Dnde:
muestre mayor dispersin para un lado de la grfica se puede decir que no hay
homogeneidad de varianza.
Las pruebas analticas para igualdad de varianza dadas por el DCA no son
aplicables a bloques ya que no se tienen estimadores independientes de las
varianzas de los tratamientos. Existen algunos procedimientos, pero quiz el ms
simple es el desarrollado por Han (. Esta prueba es especialmente para un DBC y
asume:
Los errores son igualmente correlacionados dentro de los bloques, pero son
independientes entre bloques.
y para el
en vez de la distribucin
Fmax.
Ejemplo
Los datos presentados son tomados de Graybill (1954) de ensayos de variedades
de trigo. Cuatro variedades de trigo crecieron en cada una de trece localidades del
estado de Oklahoma. Las respuestas en bushels por acre, son dadas en la tabla.
Acombe (1961) propuso una prueba general que puede ser usada para cualquier
modelo lineal, incluyendo modelos de regresin
Ejemplo:
Se desea obtener ms uniformidad en el llenado de botellas de refresco. La
mquina de llenado tericamente llena cada botella a la altura correcta, pero en la
prctica hay variacin, y la embotelladora desea entender mejor las fuentes de
esta variabilidad para eventualmente reducirla.
El ingenio de procesos puede controlar tres factores durante el proceso de
llenado:
El % de carbonato (A), la presin del llenado (B) y las botellas llenadas por minuto
(velocidad de la lnea) (C).
5.3 DISEO FACTORIAL 2^k
En ocasiones, cuando se utiliza un diseo aleatorizado por bloques completos,
alguna de las observaciones en uno de los bloques puede faltar. Esto sucede
debido algn descuido o error, o por razones fuera del control del experimentador,
como sera el caso de la prdida de alguna unidad experimental. Una observacin
faltante introduce un nuevo problema en el anlisis, ya que los tratamientos dejan
de ser ortogonales a los bloques.
En otras palabras, cada tratamiento no ocurre en cada bloque. Existen dos formas
generales de resolver el problema de los valores faltantes. La primera es un
anlisis aproximado en el que se estima la observacin faltante.
A continuacin se efecta el anlisis de varianza usual como si la observacin
estimada fuera un dato real, disminuyendo los grados de libertad del error en uno.
La segunda es un anlisis exacto usando la prueba de significancia de regresin
general.
Suponga que falta la observacin correspondiente al tratamiento i y al bloque j.
Esta observacin se representa mediante x el gran total con una observacin
faltante se representar mediante y los totales del tratamiento y del bloque con un
dato faltante como y, respectivamente. Supongamos, adems, que para estimar la
observacin faltante se elige x, de manera que tenga una contribucin mnima a la
suma de cuadrados del error. Como la suma de cuadrados del error est dada en
donde R incluye todos los trminos que no contienen a x. Al derivar la SCE con
respecto a x e igualar a cero se obtiene
Como un estimador para la observacin faltante.
El efecto de un factor se define como el cambio en la respuesta producida por un
cambio en el nivel del factor. Con frecuencia, ste se conoce como efecto principal
porque se refiere a los factores de inters primordial del experimento. Por ejemplo,
consideremos los datos de la tabla 1. El efecto principal del factor A podra
interpretarse como la diferencia entre la respuesta promedio en el primer y
segundo nivel de ese factor. Numricamente
factores. Cuando esto ocurre existe una interaccin entre los factores. Por
ejemplo, considrense los datos de la Tabla 2.
El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examin el efecto de A en niveles
diferentes de B se concluy que ste no era el caso. El factor A tiene un efecto,
pero depende del nivel del factor B. En otras palabras, es ms til conocer la
interaccin AB que el efecto principal. Una interaccin significativa oculta a
menudo el significado de los efectos principales.
Ventajas de los diseos factoriales
Las ventajas de los diseos factoriales pueden ilustrarse fcilmente. Supongamos
que se tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se
representan mediante A1, A2, B1 y B1. La informacin acerca de ambos factores
puede obtenerse variando un factor a la vez como aparece en la tabla 3. El efecto
de variar el factor A est dada por A2B1 -A1B2. A causa de que existe error
experimental, es conveniente realizar, por ejemplo, dos observaciones de cada
combinacin de tratamientos y hacer una estimacin de los efectos de los factores
usando las respuestas promedio. Por lo tanto, se requiere un total de seis
observaciones.
Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B
en el nivel superior de A y el efecto de B en el nivel inferior de A.
Las frmulas para los efectos de A, B y AB pueden deducirse por otro mtodo. El
Efecto de A puede hallarse como la diferencia en la respuesta promedio de las dos
Combinaciones de tratamiento en la mitad derecha (que llamaremos Y A+, puesto
que es la respuesta promedio para las combinaciones de tratamientos a las que A
que se encuentra en el nivel alto) y las dos combinaciones de tratamientos en la
mitad izquierda (o Y A). Esto es,
Si consideramos una tabla de doble entrada donde las filas y las columnas
representan cada uno de los dos factores de bloque y las celdillas los niveles del
factor principal o tratamientos, el requerimiento anterior supone que cada
tratamiento debe aparecer una vez y slo una en cada fila y en cada columna.
En donde:
lkjiy la observacin que corresponde al rengln i, la columna k, la letra latina j y la
letra griega k.
= La media general
i= Es el efecto del i-simo rengln
j= Es el j-simo efecto de tratamiento de las letras latinas
k= Es el k-simo efecto de tratamiento de las letras griegas
l= Es el efecto de la columna l
lkji= Es la componente del error aleatorio
Slo dos de los cuatro subndices son necesarios para identificar completamente
cualquier observacin.
El anlisis de varianza es muy similar al de un cuadrado latino. El factor
representado por las letras griegas es ortogonal a los renglones, las columnas y
los tratamientos de la letra latina porque cada letra griega ocurre una sola vez en
cada rengln, en cada columna y para cada letra latina.
Por lo tanto la suma de cuadrados debida al factor letra griega puede calcularse
usando los totales de la letra griega. El error experimental se reduce en esta
cantidad.
Las hiptesis nulas de igualdad entre los renglones, entre las columnas, entre los
tratamientos de la letra latina y entre los tratamientos de la letra griega pueden
probarse dividiendo la media de cuadrados correspondiente entre la media de
cuadrados del error
Los cuadrados greco-latinos se obtienen por superposicin de dos cuadrados
latinos del mismo orden y ortogonales entre s, uno de los cuadrados con letras
latinas el otro con letras griegas. Dos cuadrados reciben el nombre de ortogonales
si, al superponerlos, cada letra latina y griega aparecen juntas una sola vez en el
cuadrado resultante.
En el Apndice C se muestra una tabla de cuadrados latinos que dan lugar, por
superposicin de dos de ellos, a cuadrados greco-latinos. Notamos que no es
posible formar cuadrados greco-latinos de orden 6. La Tabla 5-8 ilustra un
cuadrado greco-latino para K = 4
5.6 aplicaciones
Cuadrado greco-latino
ABCD
DCBA
BADC
CDAB
Planteamiento del modelo
En un diseo en cuadrado greco-latino la variable respuesta yij(hp) viene descrita
por la siguiente ecuacin
yij(hp) = + i + j + h + p + ij(hp)
i = 1, 2 . . . , K
j = 1, 2 . . . , K
h = 1, 2 . . . , K
p = 1, 2 . . . , K , (8.1)
Donde
es un efecto constante, comn a todas las unidades. i es el efecto producido
por el i-simo nivel del factor fila. Dichos efectos estn sujetos a la restriccin
ii = 0.
j es el efecto producido por el j-simo nivel del factor columna. Dichos efectos
estn sujetos a la restriccin
jj = 0.
h es el efecto producido por el h-simo nivel del factor letra latina. Dichos efectos
estn sujetos a la restriccin
hh = 0.
p es el efecto producido por el p-simo nivel del factor letra griega. Dichos
efectos estn sujetos a la restriccin
p p = 0.
ij(hp) son variables aleatorias independientes con distribucin N(0, ).
La notacin yij(hp) indica que los niveles i y j determinan los niveles h y p para un
cuadrado greco-latino especificado. Es decir, los subndices h y p toman valores
que dependen de la celdilla (i, j).
Se utiliza la siguiente notacin:
N = K2 es el nmero total de observaciones.
El total y el promedio de todas las observaciones
Conclusin
se pudo demostrar que el mtodo convencional de anlisis de los diseos al azar
no para paramtrico, diseo completamente al azar con distintos nmero de
observaciones por tratamiento no paramtrico y bloques al azar no podra ser
remplazado ya que por la mejora en nuestros resultados, ejemplificadas en las
comparaciones de los ejercicios puestos dentro de este trabajo, logrando tener
mayor grado de certidumbre en nuestras conclusiones , y que en los en los
ejemplos
corridos
se
rechaza
menos.
Bibliografa
OSTLE B. Estadstica Aplicada. Limusa-Wiley, Mxico, 1975, Cap. 10
MENDEZ I.
Lineamientos Generales para la planeacin de Experimentos.
Monografa No. 15, Vol. 15 IIMAS. 1980.