Está en la página 1de 64

oB42t

Análisis y diseño de experimentos
-,:
"'i'...+,¡-** a\'"
rl

'".-'\'t'qFrt'

.

-,

."'o^,,

*a]h;'\it"

t, i-toI
f\¡

cr,

'ñr
\

*"

ü

(

Análisis y diseño de experimentos
Segunda edición

Humberto Gutiérrez Pulido
Cenfro Universitaria de Ciencfcs Fxccfas e lngeniería U niversided de GuadaÍeiara

Román de la Vara Salazar
Cenfro de fnvestigeción de Msferneif¡ccs

Guaneiueta, Méxiea

Revisión técnica:

Adolfo Cano Carrasco
Dep*rtarnento de lngeniería tndustri al ,nst¡tüfo Tecnatógico de Sanara

Mucio Osorie Sánchez
Depa rta rne nta de Ma
te m ó t i c a s

lnsf¡füfo Tecnológico de Sonara

VÉXICO

. BOGOTÁ.

LISBOA. MADRID AUCKLAND. LONDRES. VILÁN . MONTREAL. NUEVA DELHI SAN FRANCISCO. SINGAPUR. SAN LUIS. SIDNEY. TORONTO ¿_t / L-'

.

BUENOS AIRES

CARACAS . GUATEMALA NUEVA YORK. SAN JUAN . SANTIAGO

.

-'

l¿'-t

,--,*==#É

5 60 6l s. . Distribuciones de probabilidad e inferencia. . .. Estimación puntual y por intervalo . . . . .ca de los autores XI ¡€:¿decimientos ¡-eiacio. uso de software computacional .Contenido . Definiciones básicas en el diseño de experimentos . . IZ I2 l4 CIPíTULO 2 Elementos de inferencia estadística: experimentos con uno y dos tratamientos . . .I 23 29 30 34 36 5t 39 43 Poblaciones pareadas (comparación de dos medias con muestras dependientes). 44 . . Consideraciones prácticas sobre el uso de métodos estadísticos Principios básicos.. t8 20 Población y muestra. . . . . . xill XV c¡pin¡ro I lntroducción al diseño de experimentos. Diseño completamente al azar y ANOVA Comparaciones o pruebas de rango múltiples Verificación de los supuestos del modelo Elección del tamaño de la muestra. . . . Conceptos básicos de prueba de hipótesis Planteamiento de una hipótesis estadística Prueba parula media Prueba para la varianza Tres criterios de rechazo o aceptación equivalentes Hipótesis para dos medias: comparación de dos tratamientos Prueba para la igualdad de varianzas . . Clasificación y selección de los diseños experimentales. 2 4 6 10 Ei diseño de experimentos hoy. azar l0Z 109 . . . . Resumen de fórmulas para procedimientos de prueba de hipótesis. 89 91 CAPÍruLO 4 Diseños de bloques l oo Diseño de bloques completos al Diseño en cuadro latino ..lcer. . parámetros y estadísticos. Etapas en el diseño de experimentos . 49 49 (ÁPíTULO Experimentos con un solo factor (análisis de varianza). . Uso de un software estadístico.

. El concepto de resolución . . Uso de software 115 116 cAPíTUto 5 Diseños factoriales. .. Uso de I 25t 26 26: 26: 26t 26. Conceptos básicos en diseños factoriales.. le robustez :-:c::r":: . . de rurdO y de Señal 29 29 30 . t9s 20Í 2lt 2l( 22( Uso de software estadístico CAPÍTUIO Diseños factoriales 3k y factoriales mixtos. Diseño factorial 2r no replicado.. 126 I28 Experimentación factorial vs. 27t s software 27' 28. f¡PiTULO 9 lntroducción al diseño robusto (Taguchi) 29. . . F-. . l5'l r66 168 173 183 185 r92 19: . 29. . mover un factor Diseños factoriales con dos factores alavez 132 I34 143 Diseños factoriales con tres factores Transformaciones para estabilizar varianza Diseño factorial general Modelos de efectos aleatorios I49 150 153 Cómohacerloconsoftware.:í¿ Taguchi = : ---:::t.: =:. . Experimento 22: ejemplo integrador Diseño factorial 23 . Construcción de fracciones 2k-1 Experiment o 2s-r : ejemplo integrador Diseños factoriales fraccionados 2r-2 Diseño factorial fraccionado 2k-p Experimento 21a: ejemplo integrador Tópicos adicionales sobre factoriales fraccionados. . . . Experimento 23: ejemplo integrador Diseño factorial general 2k . Diseños factoriales 3k. ' Factoriales 2k con punto al centro Factoriales 2k en bloques . . Factoriales mixtos Uso de software estadístico 7 23( 231 24'.. . .. . 25( CAPÍTULO qr * Diseños factoriales fraccionados 2k-p. Experimento 25 no replicado: ejemplo integrador Cuando la significancia de los efectos es menos clara: un ejemplo. CAPÍTULO 6 Diseños factoriales 2k Diseñofactorial 22. . .Csr¡n¡¿fo Diseño en cuadro grecolatino. .::::¡1. Diseño factorial fraccionado zk-t . 27.

. 307 307 312 planeación de un exper¡mento Experimentación: una estrategiapara probar conjeturas y generar x* 318 320 3Zz 323 330 aprendizaje El diseño de experimentos y el ciclo de Deming Etapas y actividades de la planeación y análisis de un experimento . Pruebas de hipótesis en regresión lineal múltiple . . Uso de software CAF*.{lgunos diseños de mezclas y sus modelos estadísticos . . . . . +6.APlTLJt& Diseño de experimentos con mezclas. Estimación y predicción por intervalo en regresión simple Regresión lineal múltiple. 452 . . . 338 340 346 351 351 360 365 Regresión lineal simple . Pruebas de hipótesis en la regresión linea] simple Calidad del ajuste en regresión lineal simple."S ffi . .rE"ff 33I 334 ! E Análisis de regresión .i 111 3E .Y{.r. . .Ef. . Uso de software estadístico CAPÍY'&$L# 393 413 420 *3 Optimización simultánea de varias respuestas. . Método de la función de deseabilidad Trabaio con un software estadístico. . . . cAp$?. Uso de un software estadístico. 446 CAPITl¡{-* g4 Díseños anidados y diseños en parcelas divididas. . . -f -.Contenido Diseño con arreglo interno y externo (diseño de parámetros) .< Diseños anidados Modelo y análisis estadístico del diseño anidado Diseños en parcelas divididas \{odelo y análisis estadístico de los diseños en parcelas divididas Cómo hacer los cálculos usando software C. . . El problema del diseño de experimentos con mezclas . . 432 434 436 441 Optimización simultánea Método gráfico. . . . . 480 482 486 . Razón señaVruido. .< --<. Intervalos de confianza y predicción en regresión múltiple. . Control de factores de bloque y de ruido Qué sigue después del primer experimento Qué hacer cuando ningún efecto es significativo. Diseños de superficie de respuesta. . . . 37r -)t-) CAF$?$JL& ?P Optimización de procesos con metodología de superfície de respuesta 384 386 Introducción a la metodología de superficie de respuesta Técnicas de optimización. . . .

componentes 490 494 500 509 A TAbIAS APÉNDIGE '-- B Etapas al planear Sistema Minitab Uso de sistemas comp-utacionales paquete estadístico experimento en un 521 <a1 <.f":I de una mezcla *:::::- i:#.t APÉNDTCE Uso de software estadístico "t r".x Contenido Ajuste del modelo y caracteizacltii:.1 y analizar un Sistema StatgraPhics 526 528 529 ' SistemaJMP" """." sPss ' de exPerimentos usando 533 537 BIBTIOGRATiA REFERENCIAS Y fnolcr ANALiúco .r."^ .i.l1:5...

#mpítulo

1

htroducción al diseño
de experimentos
$xxsmmrá*
*? El diseño de exPerimentos hoY
r.€ Definiciones básicas en el diseño de experimentos

tF :;:

Etapas en el diseño de experimentos estadísticos consideraciones prácticas sobre el uso de métodos

i*

PrinciPios básicos

....Clasificaciónyseleccióndelosdiseñosexperimentales

ffimtiv*s
dm ffiffs-*sldámffijt
ffi I
juega el diseño de Conocer el papel fund¿mental que y en la experimentos en el meioramiento de Procesos
investlgaciÓn'

ldentificar los principios básicos y la terminología adecuada en el diseño de experimentos'

IDescribirlasetapasmásimportantesenlainvestigaciÓn
experimental.

ffiHmpa tronceptual

Diseño de experimentos

4

fl&pgYCJt$ I

í',.{

i:

{r:!i.}l'i ¿i

rj ts'*!"i

* **

*xpeli ment*s'

(¡*e¡*:*$'1r¡'$ eEag*
" Aleatorización

ffi&

Siseñs de *xpffie-&wxffiffi&ws
: :'-=:::: t*]ii;;-'
:

&xmy

- Bloqueo - Diseño de exPerimentos

Enelcampo.leiarndustnaesfrecuentehacerexperimentosopruebasconlaintencióndereS,]1.,'-r,on,oo*uocomprobar,,nui¿.u(conjetura,hipótesis);poreJem. o condiciones de operación
p1o. ha:e

,.Enor aleatorio
" Enor exPerimental

t; io' tnut"'i¿";;;;t

d¡ u n r :r,

. ExPerimento . Factores controlables - Factores estudiados . Factores no controlabie:

¡'

:

.

:'

-

l-

T ::' ff:':'Hn fl l*ruttll'H"'"Jffi#';:':T"

:

. Matriz de diseño . Niveles
'' Planeación

ProcesDr-

--::=----

-:<^ --a - :-:-- -'

.

,.

¿i-,aoie de respu:sia

l.Compararadosomásmaterialesconelfindeelegiralquemejorcumple

2.

con la los requerimientos' para verificar s i trabajan medición de Comparar uu'io' i"tt'omentos

I
4.

;:X-*ti:"Jril:[:t'ül- .
sobre una o

tienen impacto de un proceso que

"u'utterísticas de Encontrar las condiciones "nt'"tt;;i;;*lp"tu'o'u'
del Proceso'

*a'

1,,"1",) del producto final'

velocidad' humedad'

porejemplo)d;;;;"dozcanlosdefectosáselogreunmejordesempeno
::scilaciones de variables :. l:::ru ;l:'JJllff[i: 3::fiff o procesos' de nuevos productos
ambientares

de

dos quiere mejorar'un procesoexisten r'ía heEn general, cuando se observar o monitorear para ello: unu ", mejorarlo: se dice obtener ta inrormaJá,

7. Apoyar "t ¿i'"¡o o rediseño 8. Ayudar u "onot"" caracter\zar

nuevos materiales'

manetas bástcas

,"."r*t^

rramientas estadísticai,l"r,"

pasiva'-La que ésta es una estrategia

"o*"". oY

,.n"r.i,iiii"'

y hacer cambios estratélico'
útiles.

U"1t*"1-1a1

qo" permitan experimentar' es decir' manera consiste en dichas señales proceso para provocar

Al

O"t analizar los r-esultado,

"tp".ii"ito '"

seguir' que oUti""en las pautas a

j "manipula" paraque proporcione la información que se requiere T t. r-.. los modelos.¡."s las señales útiles' sina -. interactúan dos polos (véase figura 1'1)' por un lado están .:-. rpie : : ". hechos..: -.lCaS ía hee dice Teoria.:: (|os :onsecuencias de la hipótesis modificada son comparadas con los datos ios que se obtengan en este nuevo ciclo).:-.r--l:ttár es mejor que sentarse a esperar a que el proceso nos indiqul:-: ' :.:¡íilca o aplicada. por el otro.--3nros del proceso. en el cual se modifica . :-:. llevan a una hipótesis modificada lcs nc están de acuerdo. : . modelos. como se --* . El trabaio de Fisher a través de su libro The Design of Experiments (1935). _ . los fenómenos.--. hipótesis.. . :::r.:: ser secuencial. : :_:.r mejorarlo. en combinación con al responsable del mismo como un obseruador per.lis H. i .bjetivo cle los métoclos estadísticos'es lograr que el proceso de generar coI . las conjeturas y los supuestos.l Proceso interactivo de la experimentación .: _. en el derivada: cie ia hiPótesi: pueden ser compar.-.:i * -::: nitad del siglo xx en Inglaterra. entonces la discrepan-.l lando las consecuencias y los datos no coffesponden.. las hipótesis. datos Figura l. se ha utilizado para conseguir un aprendizaje -.en el cual las discrepancias entre los datos y las conH2.0 d* *npcrirn*rlt*s* *n _ . |a evidencia lleva a trn proceso de deducción : tes : *i las consecuencias derivadas de ia hipótesis pueden ser comparadas con los ._-:: -is de la hipótesis fy'1. proactivo que es capazde pfoponer mejoras y de observar algo interesante : l I S.3Je S se concretan en mejoras sustanciales del proceso. Por lo que se inicia este Prü[eso Pare cambiar tal nipótesis.-_:--.seproduceunamodificacióndelamodificación ' :. -: . t- !i.ademásdeconocimiento.. el objetivo es generar nuevas ideas .le -* .: {es..: -. -**Jadesdemejora)enelprocesoyenlosdatosdondeotrapersonanoVenada. l"= " e hist*rle d*ñ qfü*eft* d* üKpffiritYl*ntüs Fisher en la :' r.dar con los da{os.. esy los datos. .:.. desde su introducción por RonaldA.) y así sucesivamente. En este :-. Así. '. El diseño de experimenlos (DDE) es un conjunto de técnr..: en Box et at. ya que a fin de cuentas. fenómenos. . -. la hipótesis origi. (1918I una hipótesis inicial $ts{¡{:¿:¡-e..¡a..ber diseño de experimentos y offas técnicas estadísticas. supuestos decir. ::¿lidad. los hechos.- . estadístico de experimentos. . : . que Realidad. -:-: : r":-. . En este proceso.*-: r'a la obtención :. i. peño proceso interactivo de aprendizaje puede visualizarse como un ciclo de . y de la verifica": .io y aprendizaje sea lo más eficiente posible. sitúan .)).* rls'dq¡c$ alst*c}f'} [: c¡¡ndc las consecue¡rcias \'er lon .llevar a tn proceso de inducción.trrÉntación (figural.-:-:. esto puede llevar a futuras modifide conocimiento. {m i*vestüg*c!*e"l !- lr iof rS. ¡: ha dicho hasta el momento también es válido en el campo de la investiga. que ha deii ":... eñales ir. ssta manera inicia un segundo ciclo de la interacción de teoría y datos. Fsotes* dq Es <1e inxj$a:q*dlr* cu¡nCc las consecuenci¿s la hipótesis original '¡ ios cia- nla acto dad. de SC _ _..: :: s respuestas a las interrogantes del investigador sobre el objeto de estudio' .: . =r e1 sentido de que no esperan que el pfoceso mande para su .

V 'a ar"uJ¿"-i*"riigu"iOn tu.t¿¡'"f t'i*tntos obstaculizaba diseñar -t " -:r --': :." sobre diseño pJt la calidad 'ouu'á .::-. r'grurJlu iria química..-. óo*o cuyos conceptos U" Genichi Taguchi' en el significativo en la academia prode y la mejora como en los últimos veinte cesos.ara in-rulranea de varios métodos (ahora .-a=-)zzaaH.-t.'u*'enta de aplicación se convirtió apli1970' o.'..-:.| . 1as oniu""liluJ"' "t"o'porado de las ingenierías' en la mayoría obligatoria u on"'i'*u effi eü Se$Ém*eáss?es b¡*¡süea$ diseño de exPerürsqentms EIdiseñodeexperüne....antOS .: -:"' :'tisación agrícola'. . para diseñar mejor los ffi *:::*.t'-tt' = :-:> :¡ Fi:her -:..1J.rnctuso' ño de experr-"rr"r..j.-:-.l1"tTen..1esarr..r"O"r" tos y los procesos. ü..'-' s'u¡e..'"u'"depruebasplaneadasadecuadamente..-...:se dio "titados .r-"ni".illi'-: .'.ipr"pot..r...'ui¿n tuvieron.i..:--:_-_ factores.: ::.¿:-.."r::*?j.¡.'" -:."t'al¿oconsolidandocomounconjuntodetécnicas .iasindustriasempezafonaentrenarasusingeniefosenlaaplicacióndeldisejL ü * como materla "*ttoio.=:=". "n ei diseño Hasta la ¿¿ca¿a de ¿"r"t"if"' "^p"..n jn1':.." -: : -tr' : --''-_-..--: :: : ':radica en que este investigador ' ' ::..Estametodoioglu.ila m¿t¡. :-r*-.. o*:ni:ó .. :: . producel uso de la estadír.o japonesa' El é. Hipótesis H' DeducciÓn ----J> -.il :l.t? para..yaquelosingenierosyespecialistasenmanufacy.. . a apli c ac i ón i* ilf..iJi"tt" "l mundo occidental.'Sil:'::-! : -i-''-':-:: fUerOn enCabeZadOS i)ip€iiIl. .ll'-:pc's:ali'].#.o.. "ontir. "i: 1.t" con muestras :.=.6 CepíT{.:-' exPerimentos de tot ."O-. "j.-l -.¿* frecuente' la exPerrm I tegia Para uá n".'..s la indus. ... i d..ffi .1:'..'Ti:ilt.i¡s..'..lff fi.l1os :urante och o años en t'::]'' tlaba¡ó quien "ttit'ir.T:X :". tu.ionó -'. -= --:. cie de respuestas nor George E' P' eor' desanoll..¡tS I de exp*rinrentr:s intrr:di-¡ccíún a!'-lis*ño lnducción *--+ HiPÓtesis modificada H.iu el diseño de experimentos t'un años.i:":jndustria debido Ishikawa' promovlo "l del diseño o' "'p"'il*os gurúes ?"rnt"9 : calidad' la movimiento por f:t el Jiseño de experimentos demostró su "n:19"1d: donde "t calidad." utilidad ranto problemas desmca "t. _-_' t .i.debidoala faltadefecufsoscomputacionales. ' -:..: .{U**:fi iX:'.:: -: :l' = *: anáiisis : el :":: -::..-= métodos para .l/oseslaaplicacióndelmétodocientíficopafagenerarconocimientoacercadeunsistemaopfoceso'n".."rprr"rr" *. pero sólo "n caciónanivelptuntuopfocesosdemanufacturanoestabageneralizada.

. ariabNes.l irnal se analizarácuántas de ellas están defectuosas y cuántas no. en un proceso químico se pueden - lr Experimer:: fJ u .né< a: ._:_: _ l1l3 O Di.-: : :: . en un proceso que ::-'duce muchas piezas en un lapso corto de tiempo. . .:acterísticas de la calidad de un producto y/o variables que miden el desempeño de Entrada Factores conlTotaDtes !s cüilüre el efecio t: lr:: resu iaias dc c.n.r causa-efecto.3. " .l l=: ..5 Variables de un proceso y preguntas a responder al diseñar un experimento. fadores y niveles )n E1 :: ió SU to'lo proceso intervienen distintos tipos de variables o factores como los que se :-. :--:.. -:¡imiento acerca del proceso químico.slran en la figura I .r.Ca pruel:. . el experimento permite aumentar . En cada diseño l :rperimentos es importante definir de manera cuidadosa la unidad experimental. la unidad experimental será t. si se quiere inves.1-:^ d: ! ii-'i( ) -^_ propieclade: de sr-rlt¡cic. . que permiten entender mejor situaciones compiejas at -: --.:r-. por 1o que pueden ser -. Por ejemplo."rle que la unidad experimental fuera una sola pieza.3). ei a!:jetirio a= a '' - : : lti' :-__-.vield.:€ritnento es Ltn cambio en las condiciones de operación de un sistema o pro-: !.::ta cantidad de piezas que se producen en las mismas condiciones experimentales.Definiciones básicas en el diseño de experl-:-::¡ :: . lo cual permite mejorar su desempeño. defectivo) del proceso. ir:erimento -- .du5d5 _----_--}} *_--_-+b iCuáles características de calidad se van a medir? iCuáles factores controlables deben incluirse en el experimento? ZQué niveles debe utilizar cada factor? lnocuaúcas iCuál diseño experimental es el adecuado? Figura 1. .:r alternativas para reducir el porcentaje de piezas defectuosas.'ilS ¡' de ingenieúa.idad experimental es la pieza(s) o muestra(s) : ffim que se úiliza para generar un [Jnldad experinrental nruesire(s) que se ulrltza S:ara gene r¡r un v¡lor qr* sra repres*ntativo rlel re:ulteda de !a prlleba. y medir el cambio observado en el rendi-: -:¡. erperimento. t. Aquí.r que sea representativo del resultado del experimento o prueba... A través de esta(s) variable(s) se conoce el efecto o los ::sultados de cada prueba experimental (véase figura 1.. es claro que no sería muy con.r (. Piezals) :. .a :.. Al analizar los efectos (datos) se obtiene -. donde también se aprecian algunas interrogantes al planear :. que se hace con el ob.' . lc:OS ffi Variable de resp*esta A lravés de esta{s) varirble(s) e1 rosente Variable(s) de respuesta. dependiendo del proceso que se estudia.nidad exp*r¡rfiental * .jetivo de medir el efecto del cambio sobre una o varias :: :-:dades del producto o resultado. Por ejemplo.Jucidas.a . experrne nt¿1" Salida :ria ***'*_r> Factores no Proceso -*_-*---¡ts Características de calioaci o variables de resPUesta tteCLOs -f controlables \. ppm.i.lición experimental estaba defectuosa o no. Asimismo. en la cual se vea si en una . !ü3 ésta puede ser una pieza o muestra de una sustancia o un conjunto de piezas :::. ::i diferentes temperaturas y presiones. :::ocimiento acerca del sistema.

Fad¡rc¡ -den con'.i n¿c¿nismo que permita fijar la temperarura del asua dentro de un rango Jr trolan :*--o'n" r:¡tri\i¡ fo "r¡gr:.-ceo.'.Jión. temperatura. entonces cada combinación de niveles (veloci-. . .¿. Una combinación de niveles de todos los factores estudiados se llama tratamiento o punto de díseñ. cualquier factor. Los factores estudiair--'s pueden ser controlables o no controlables. dos niveles o condiciones. -{lgunos f'actores o características que generelrnente se conriempn de residencia. el animo {t". Para que un factor pueda ser estudiado es necesario que durante el experimento se haya probado en. .rrrr- '.r.:-: :- i: y n: que se Pueten njar dado. Es necesario probar cada tratamiento y obtener el corres¡. r-elocidad. cantidad de cierto reactir-o. estas \ ariables se denotan con la letra 1. . Algunos de éstos son 1os que usu¿l-filene :e .mUi¡n¡r''rie ".ontrolan durante la operación normal del proceso rr'éase frgura 1. humedad.r I CAPíTULO I lntroducción al diseño de experimentos un proceso.: : =. : Son variables de proceso o característica: de 1os materiales . las . 1. Para fines de un diseño de experimentos deben seleccionarse los factores que se considera.F/¿Tq1-. Niveles y tratamientos.5:mr*--. er u.1. que pueden tener efecto sobre la respues- ta de interés.rolar C¡.o. etc.i1. .¿':: =: -::--:=ir=-^-^: :t^:a-:--j Af.:--i -:-. por conocimiento del objeto de estudio.3).-r¡enta con el mecanismo o la tecnología para ello. Por ejemplo. sea controlable o no.-: aot ñrla:a' Son variables que nc Si I 1 n:*"trx o de ruido.rÉ n crlrolótes fu tüÍl: I¡ la calidad del material que se recibe del proleedor t interno o exes no controlable puede convertirse en controloble ctana¡ ¡e .::i¿ :robar cada una en dos niveles. A los factc'res '-ontrolables tarnt'iÉu:e h -''tr. . al menos. si se decide o interesa estudiar el efecto de un factor no controlable. existe la manera o el men--anismo para crrntii¡i"¡ :r.a. condiciones de proceso-variables de direactil-1f.ri¿ihles de entrada.r de un proceso o simplemente"foc¡or¿i. . Por lo general. Son las variables que se investigan en el experimento. para cada uno de ellos. rrLg"LUUicl-=4" ^^ -. etc. Ln factor que ahora Fadures esü¡diados.. resFwtrl de cómo influyen o afectan a la(s) variable(s) de respuesta.ry. si en el proceso se usa agua a 60"C entonces detre ¿¡-rs¡:.lo¡ su nir el de operación.-:' :.{lf .r" ::::Fr¿rurar es un tratamiento.-:a. - erp'enmentde> que se pueden fijar en un nivel dado. Son variables o caracteística-i de materiales rhl :e pueden controlar durante el experimento o la operación normal . algunos factores que suelen ser no controlables son las ""'e:-¡L"l* :rmtlirnrales (luz. En este caso habría cuatro tratamientos.¡ '.¡r-. ¡ :e üsnrgeri Frrque. parte de la problemática a superar durante el diseño es ver la manera en que se controlará durante el experimento tal factor.l= l: -:. puede tener alguna influencia en la variable de respuesta que se refleja en su media o en su variabilidad. Por e_jemplo.¡ -. Obviamente. l. tipo de I* Factores no controlables -iú¡rr.. ruido. presión. Fa€tores controlables >On Caf Faúres cot¡t¡olables.r. l':nr' ""pteraJores. Los diferentes valores que se asignan a cada factor estudiado en un diseño experimental se llaman niveles.. Esto último es lo que hace posible que se pueda erFer-:rÉri¿: can ¿l1as. y se de.. En principio.¡mr-eso. Por ejemplo. a estos últimos quizá fue posible y de i¡terés controlarlos durante el experimento.. -b1r 1. El objetivo de muchos estudios experimentales es encontrar ia forma de mejorar lar s I variable(s) de respuesta.:*.- =rF¿i". partículas. como :€ :L"Éf: ¿r . si en un erperimento se estudia la influencia de la velocidad y la temperatura.

. ejt. 'rr.n (I ¡.4 Factores de ruido (difíciles de controlar): veloci.)t--^. Por ejemplo. siempre habrá un remanente de variabilidad que se debe t- r ES ral las natural del proceso. presión del molde.rr -'-.''-atorio el pequeño efecto que tienen los factores que no se estudiaron.:.i L:üos y' )-í ar"li- üc expenmenial. así como la variabilidad de las :':-. 'r cla. temperatura. de la respuesta se deba principalmente a los factores estudiados y en menor nÉ--i al eror aleatorio.: : ':: "cuerdo con estas definiciones..ieria prima Yt Y2 Proceso Yk Características de calidad: + + f : estu:les de Lplo.ir .dia- úr'euenPara sidepues- Factores de diseño (fáciles de controlar): Tiempo de ciclo. :. Cuan-¡ .l Puntos de diseño o tratamientos...:.e1 es un tratamiento.-rnes hechas bajo las mismas condiciones. - :-! esrudiados. :arte de la variabilidad observada en la respuesta no se podrá explicar por los 'i. y además que este enor sea efectivamente aleatorio.Definiciones bésicas en el diseñc de exDerinrenr.\'or parte de la variabilidad observada se debe a factores no estudiados o a r. 9 Tabla l. Sin embargo. dureza. .Juando se corre un diseño experimental es importante que la variabilidad obu* -. que generan la variabilidad ffi Frrsr atr*ntorio [s la v¡ri¡biliCaei obsen¡aile que nc :e pueCe expiicar por los f¡ctores estL.r:rl¡-:l.'. -'. ttt sf xk v or no :ra en '. si se de- encogimiento..r'?> l¡l gvPt' rin*nf¡ccr en la p!*neación y ejecL:ción del experiment¡ :U': :ellc¡i.i ---. velocidad de tornillo. no 3\an- ü--:.-.'r. . en el caso de experimentar con un solo fac- nir.1. el emor aleatorio -r ::i comunes o aleatorias. color. Variables ambientales Figura 1...n -:rlr no aleatorio. tiempo de curado. no se podrá distinguir cuál es el verdadero efecto que tienen los Error experirnentañ f. resrlta . será parte de este :'. to:.¡¡.:o real sobre la respuesta será difícil.:r absorberá todos los errores que el experimentador comete durante los expe* -:. r' r.. más que error aleatorio hablaremos de error experiii. De predominar éste.l.. contenido de humedad x1 x2.lpl r)or:.. la detección de cuáles de 1os factores estudiados tienen r.Jr': :fít. y si éstos son graves. ffifr_ a$3 . Química del plástico .1 art. costoltextura ). l: " . .J.¡. Parámetros de calidad del proveedor .-. ^-. lr. Esta . ). Otras variables del proceso .--..rr. si no es que imposible. .idad constituye el llamado error aleatorio.r:^ In..:. ..r. Factores y variables en la fabricación de un envase de plástico. res- sturie y . ::ando se mantenga pequeño o despreciable. como COITES..ei :rü ...:diadas.)o . '. i- e :S E*rw aleatorio y erfor experimental.:. Siempre que se realiza un estudio experit*..'. Esto es.. siem:r: .:-. \L"PUrCrr!Ur.r.

distintas a 1as ¿¡r¡./ t0 eApiTUf.-.4 se muestran algunas de las variables que intervienen en e1 proceso de fabricación de un envase de plástico.. -'-. En la etapa de : planeación se deben hacer investigaciones preliminares que conduzcan a entender y delimitar el problema u objeto de estudio.. endo las repeticiones.-apítulos 5. ya que en ella se refleja el resultado de Ias pruebas...i: r)r1( -:. : dr lc: tral¿-a:icn ----.-rl... de manera que se obtenga la máxima información al mínimo costc r.6y8).¡s que mejoran la durezaf Estas preguntas se responden probando diferentes . En este sentido.¿rt¡bles . seleccionadas de nlün-:.-:-:-. que dan por resultado valores óptimos de 1as características de calidad ahí listadas. Para que un estudio experimental sea exitoso es necesario re:hzar. ':'.. . si es un probrema. Elegir la(s) variable(s) de respuesta que será medida en cada punto del diseño y verificar que se mide de manera confiable. ¿qué relación hay entre los factores c¡nrr. Algunas preguntas que se pueden resprlder con un diseño experimental son: ¿cuáles factores afectan la dureza de1 p1ásrr. De aquí la importancia de no dejar variar libremente a ningún factor que pueda influir de manera significativa sobre el comportamiento de la respuesra (principio de bloqueo).decuada. Además.i:. .n.rnr¿Cj.u..i-::. o bien.rt-rcepros que se mencionan en estas etapas se definen con detalle en los siguientes rapirulos. El problema general es encontrar 1as condiciones de operación de los factores controlables..t. ¿existen otras condiciones de operación. la etapa más impor-tante \ : ia que se le debe dedicar mayor tiempo esla planeación (véase capítulo 10).'l - if¡de . También podría se r de interés investigar el efecto de factores no controlables. que en este caso parece ser un diseño factorial completo o fraccion:¡. A c. Entender y delimitar el problema u obieto de estudio. Kjemp$m. inclu..:.i.inaciones en ios niveles de los factores controlables..eránlcrriljo:. L . Un aspecto fundamental del diseño de experimentos es decidir.: .-ü 3 lntrndu*ción ni *iiseño *l* *xperim*ntr:s factores estudiados._-. ¡ remñiuae[ór't 1.-i:bas o tratamientos se van arealizat y cuántas repeticiones de cada uno !. Planeacién 3. pr¡¡ ic: .r-r. recibe el nombre de matriz de diseño o sólo diseño.:" : ri llu:' . se deben elegir aquellas que mejor reflejen el problema o que caractericen al objeto de estudio.:.! En la figura 1. diferentes actividades. El arreglo formado por los diferentes tratamientos que serán corridos.t : a ?'c Planesei*n y \-. =-:. 2..:l -. de --. La elección de esta(s) variable(es) es vital.rr:rnu¡ción se describen de manera breve las etapas del diseño de experimentos con obiero de dar una visión global de lo que implica su correcta aplicación. ü. ¿cómo es que la afectan?. ¡l problema. cuál es la magnitud del mismo.¡sibte.L. de tal forma que quede claro qué se va a estudiar. Por ello. .-'. : -. por qué es importante r. Supongamos que sólo intereie 1¡ dureza de la pieza de plástico resultante. 'l--C C= '' o:'- --. ¡:. buscando lograr un proceso insensible (robusto) a su posible efecto. con 1o que el experimento no alcanzaría su objetivo principal..ltbles y la drreza?. se debe tener confianza en .':¿ir. Vanos J{. HÉapms €ss eN dtsmffi* d* *xBwrümentos I Matriz Ce diseñ* :.:. por etapas..-: _:.:i aCilt'. Esto último significa escoger el diseño experimental más adecuad. :.) expetimentai.

se debe garanlizar que los instrumentos y/o métodos de m¿iición son capaces de repetir y reproducir una medición. el costo y la j precisión deseada. (véase capítulo 10). -: Determinar cuáles factores deben estudiarse o investigarse.. :r-.-::gan. La técnica estadística central en el análisis de los experimentos es el .Etapas en el dise=c := :'::- -:-':: tt 1as mediciones que se obtengan sobre esas variables sean cont-iables.:. into :rón : las l¡ntrol y e$nc$ilsÉsnes finnles se recomienda decidir qué medidas implemengeneralizar ::::1 el resultado del estudio y para garantizar que las mejoras se : . :¡ncluir e1 estudio experimental ..:i"r análisis de varianzaANOVA (acrónimo en inglés).: pasado en el experimento. :3 lo_eraron.r. Jon el respaldo del análisis estadístico formal. por lo que si éstos son deficientes. \-¡lisis :-: : ' -: etapa no se debe perder de vista que los resultados experimentales son obser. Este paso también implica determinar cuántas repeticiones se harán para cada tratamiento.-. Además.: . no poblacionales. Recordemos que los siste.'. -:erPretaclón de lt d r---. :ioceso).: nao aen . E: 'ruas palabras. pero sí de que utilice toda la información disponible para incluir aquellos que se considera que tienen un mayor efecto. desde contrastar las conjeturas iniciales con 1os ede :uá1 . hasta observar los nuevos aprendizajes que sobre e 1 pr. y en caso de algún imprevisto. :iferenciales para ver si las diferencias o efectos muestrales (experimentales) . determinar a qué persona se le reportaría y lo que se haría. la forma operativa en que se harán las cosas. se debe recurir a métodos estadís:. : Seleccionar los niveles de cada factor. Con base en el diseño seleccionado. puesto que precisamente para eso es el experimento. por ejemplo. organizar y planear con detalle el trabajo experimental. Por ello.' . ¿. Seguir al pie de la letra el plan previsto en la etapa anterior.ue ser inadecuadas.i ntuestrales. verificar supuestos y elegir el tratamiento _uanador..: de las pruebas estadísticas. las decisiones que se tomen con base en ellos pueden .-ruficientemente grandes para que garanticen diferencias poblacionales (o a 1 :. se debe analizar con detalle lo -i-: :. . es preciso organizar una presentación para difundir los logros.nas de medición son la forma en la que percibimos la realidad. Realizar el experimento. que tienen la pre"'rsión (error) y exactitud (calibración) necesaria. las personas que van a intervenir. siernpr::. tomando'en cuenta el tiempo.n . así como el diseño experimen- tal adecuado a los factores que se tienen y al objetivo del experimento.: .r. : Planear y organizar el trabajo experimental. No se trata de que el experimentador tenga que saber a priori cuáles factores influyen. etc.ios del experimento. de acuerdo a la supuesta influencia que tienen sobre la respuesta.:.-.

en y conocimiento más reficonclusiones importantes que permiten generar soluciones nadoparaplanteardemejormanelalasiguientefasedeexperimentación. Sin embargo. tmnsideracioüles Ptrl&$A&&$ Pwbsm el uso de mr&t*dms estmdístñems Enadiciónalodichoenlasecciónanteriot. de tal for:rna y seacapaz de plantear conjeturas lidad cuáles son los urp. vislumbrar'eitipo de relaciones entre las mejor los factores y sus nibles factores a estudiar.genl*t metodologías estadística' que el uso de "tt1i^11::erreconocer que las sotución de problemas. los conceptos de cosa observada se aprecia con dad son inherentemente contradictorios.oro* clave del fenómeno variables de respuesta y los posiprecisas. Para en primer lugar se requiere que general y los diseños de experimentos en particulat. En ocasiones. sin el pensamiento estadístico. así como el diseño que es mejor aplicar. En ocasiánes. es necesario pfoceso de investtgacñ y o" por ello no garant\zaninvestigaciones exitosas' rnetodologías estadísticas por sí solas es irñ\portante considetar \os sigürentes punttls" utilizar los métodos estadísticos en El conocimiento no estadístico es vital. nada ocune exactamente de la misma forma . esto puede llevar a generación de resultados' Por ello consuman demasiados recufsos y que retarden la diferentes fases de experimentación en es importante considerar como alternativas a una mayor precisión en los forma secuencial. cualquier dos veces. práctica sea importante' necesariamente representan una diferencia que en la que a un experimento único Apostarle más a la experimentación secuencial en una sola y definitivo. por 1o tanto. técnico y práctico sobre el el experimentador r"ngu un buen nivel de conocimiento que pueda vislumbrar con cierta facifenómeno o proceso q*ue estudia. Además' los resultados y obtener conclusiosacaile un provecho real al análisis estadístico de nes que generen aprendizaje y soluciones' e impoÉancia prác' Reconocer la diferencia entre significancia estadística tratamientos son ditica. un experimentador puede concluir que dos aunque sean significativas' no ferentes estadísticamente.l2 CAPiTULü t li:tir:¡Ju¿ciÓn al ijiseñe¡ t** experimentr'i:. incluso las mevariabilidad. pero que tales diferencias.La experimentación secuencial cada fase se obtienen resultados y estrategia bien definiáa y pensada.esimportantetomalencuentaqueaunmás eficiente el po' 1o. Todo esto ayudará a seleccionar ese conocimiento permitirá veles. en las cuales se alcance paulatinamente conocimientos Y soluciones' con la experimentaEs importante no confundir la experimentación secuencial frente a mover un ción a prueba y effof (véase sección "Experimentación factorial en cada fase sigue una factor a lavez" del capítulo 5). Frincipios básieos observables y repetibles' Por El diseño de experimentos trata de fenómenos que son observabilidad y repetibililo tanto. los experimentadores novatos pretenden sobre un proceso o fenófase de experimentación contestar todas sus interrogantes experimentos muy extensos que meno en particular.

..n estos principios.i.1ñ/. .lt . ffi 1!:..lnr)\llPr'.i. se supone que el sub. ..:. . 1.ic'. Consiste en hacer las corridas experimentales en orden aleatorio .-. r .rJ.-.-.. repetición y con que los datos obtenidos sean es decir. -: r: .'..-: *:: ¿qué se quiere deci¡ cuandcr ..':l-'.-:-uisito parala validez de las pruebas de estadísticas que se realizan. .erert comparar cuatro máquinas.¡'1...-.-t . ffi . ¿es confirmación o contradiccrón : n. pero no inmediatamente después .'si. .r.-. a-:.: r {:-ul: Cclsistr: en h¡cer r¡¡rl'l¡s . mientras que el segundo y tercer intento sí funcionan.:robada completamente? (Los chocolates tienen más de 800 ingre-: -rles que pueden ser separados. todos los fac.icr rrt.. en especial si se cree que la habilidad y los conocimientos de1 r r -...* :.:. no sale..'" " -:-. I ian r: r.... i repeticiones permiten distinguir mejor qué parle de 1a variabilidad total -.-'j.: ...: ---.:: . -r.-..r1F ! =::tr es volver a realizar un tratamiento.::-do ei mismo tratamiento.]lpo 1."> parecidas entre sí que las mediciones de varios operadores.r:'" rrsflera de estimar la variabilidad natural o el enor aleatorio..3ir.-onfundir este principio con medir varias veces e1 mismo resultado expe- i: *-* lrl. Este principio aumen. Por repetibili¡¡ecia con iso las me- Mlrryceo.les tienen que ver directamente del diseño de experimentos: aleatoización.*¿s). : : :1ernplo. IJna posible estrategia de bloqueo del facr..t5 . -.r. .. i'. : ..rr . la validez del análisis de los ¡ facieturas :r .. dice que no falla.::nder a las preguntas planteadas. . '.:.nsiste en nulificar o tomar en cuenta. sino cuando corresponda de acuerdo con la alea.UpJi\ir. :'.ii'r!\ j: 'i5.r' :.. lebe resultar más homogéneo que el conjunto total de datos. lo . ^ : :.\'as..:s básicos : : l:.: -:. J. =.:: -rii manera de asegurar que las pequeñas diferencias provocadas por ".. y esto difi- - . la comparación de las máquinas quizás es más real.-'.:--:r-:.jad de que el supuesto de independencia de los errores se cumpla.¡/.:. una evidencia de incumplimiento o ..-.. ¿La . . :rráquinas... .tll'j.J-. donde cada uno de ellos prueba en orden aleatorio las cuatro má..i1 ! ' posi- nirmitirá sus clusio- ftffih¡ción. .r es un bloque porque se espera que las mediciones del mrsmo ope- ...:: :-. .. Por ejem. w refi- úbles. : : *¡ien influir en el resultado.-rucción de estadísticas realistas en el análisis de los datos.: :. . r -.. .. c I Pfácson di.: .l*.1..- el c. en forma adecuada.r.s 1os tratamientos. es importante tomar en cuenta ai opel .-: :*¡dan afectar la respuesta observada. eun- ite el ie 1as r ello observación sea repetible?.c in. pueden ser contestadas de manera coherente sin el pensamientc.-.c. -J .--. se repartan de manera homo'l...f :. r'* -.ir con lo anterior.1 .lq .n1 . Cuando no se hacen repeti' : .. :.i:C o t. Por ejemplo.l Ex!)- : -: ':-_C rir: {al ezi'r). r.-..:.) .r *-. :. Entonces.. ¿qué repetición es realmente un¿ :i:'-" -:: . rr'. ....J.'r resuitado es el mismo o difiere.-.:. se debe ser muy cuidadoso en la planeación y el -. ni -: !r' 'r -*r :-:rrrrl e\ento varían.::. c:et* r ¿. .: - )os en :e que : - bre el . alguien da una nueva receta de chocolate.i.::nciado por la prueba inmediata anterior. -. . Al bloquear.:. : : - :r.: .. : .:.1 s único rna sola o fenólsos que Por ello eción en ón en los :rimentarlover un una 'igue ultados Y más nwrd[cüsrt Es coner más de una vez un tratamiento o una combinación de factores.i--. .segundo caso.. posible estrategia de bloqueo sería experimentar con cuatro operadores .. no r .ll-. -: :ste principio se manifiesta cuando el resultado obtenido en una prueba -.:. 't)\ it. esle princrpil :. :: Jatos que se obtengan dentro de cada bloque (nivel particular del factor .. I :*'. debe al eror aleatorio y cuál a los factores. sería que un mismo operador rcalizata todas las pruebas del experir.'.'r'riif: . . : r¡erimento.¡ lC arr i'l¡¡¡ 'it.:. El punto de partida para una correcta planeación es apli._I.. todos los factores no controlados.. --' .. r nr.: '. material también seleccionado aleatoriamente.". :.i ñ.. : t' !l!_ r -..

Nótese que los diseños factoriales completos y fraccionados ocupan más de un lugar en la figura 1. para determinar el punto óptimo de operación del proceso.5 se muestra la clasificación general de los diseños experimentales de acuerdo con su objetivo. para hacer el producto o proceso insensible a factores no contro- En la figura 1. tiempo y precisión deseada.LS I tntroduerión *l diseñ* ri* *x¡:erimentr-:s Los principios básicos se entenderán mejor en la medida en que se estudien los ejemplos de los capítulos siguientes. El costo dei experimento. Con base en algunos de estos cinco puntos es posible clasificar los diseños como lo hacemos a continuación. 2. Estos cinco puntos no son independientes entre sí. En este sentido. Los cinco aspectos que más influyen en la selección de un diseño experimental. en el sentido de que cuando cambian por 1o general nos llevan a cambtar de diseño. para la optimización de una mezcla. C$mmüftemsfiónn y $*ñ*ce*óm de ñss dñseffims *xp*trfiffiem*mHes Existen muchos diseños experimentales para estudiar la gran diversidad de problemas o situaciones que ocurren en la práctica. ya que al cambiar cualquiera de ellos generalmente cambia el diseño experimental a utilizar (véase capítulo 10). 2.l4 CAPiTI". 4. se presentan los experimentos más simples donde la aplicación de estos principios es evidente. 3. Diseños para comparar dos o más tratamientos. para estudiar el efecto de varios factores sobre la(s ) respuesta(s). es preciso conocer cómo es que se clasifican los diseños de acuerdo con su objetivo y su alcance. son: 1. pero es importante señalarlos de manera separada. Diseños 3. Diseños lables. por ende. los diseños se pueden clasificar como: 1. Dentro de cada rama se pueden clasihcar de acuerdo al número de factores. El número de niveles que se prueban en cada factor. En particular. El objetivo del experimento. En la misma figura se listan los diseños particulares más representativos de cada rama. Diseños 4. de acuerdo con su objetivo y sin pretender ser exhaustivos.5. la razón es que estos diseños son eficaces en diversas situacio- . Esta cantidad de diseños hace necesario saber cómo elegir el más adecuado para una situación dada y. en la sección "Poblaciones pareadas" del capítulo 2. Los efectos que interesa investigar (relación factores-respuesta). 5. Diseños 5. mientras que los otros cuatro puntos son útiles para subclasificarlos. El número de factores a estudiar. El objetivo del experimento se utiliza como un criterio general de clasllicación de los diseños experimentales. al tipo de efectos que se pretende estudiar y según las restricciones existentes.

Diseños para estudiar el efecto de varios factores sobre una o más variables de respuesta 2k -p p I 3.Preguntas y ejercicrcs t5 l. a1o L- 7. es un factor estudiado? y zqué relación se esperaría que haya entre la variable y los factores? tEn un experimento sólo es posible estudiar los factores que actualmente se controlan en la operación normal del proceso? iEs posible estudiar cómo influye un factor sobre la varíable de respuesta. rfl- un io- . iqué 2. 3. Diseños para comparar dos o más tratamientos Diseño completamente al azar Diseño de bloques completos al azar Diseño de cuadros latino y grecolatino Diseños factoriales 2k Diseños factoriales 3k Diseños factoriales fraccionados Diseños para el modelo 2. En los siguientes capítulos se verán con detalle prácticamente todos estos diseños. si el factor se mantiene fijo en todas las corridas o pruebas experimentales? Explique. ZQué es un experimento y qué es diseñar un experimento? En el contexto de un diseño de experimentos. Se tiene un experimento en el que los factores a estudiar y sus niveles son los siguientes: temperatura (10. tiempo (60 y 90 minutos).5 Clasificación de los diseños experimentales. Diseños de mezclas I Diseño con restricciones t^. nes prácticas. 1. L Urseno axral Diseño simplex con centroide Figura 1. iqué es una variable de respuesta?. Explique las ventajas que tiene el diseño de experimentos sobre una estrategia de prueba y error. Diseños para la optimización de procesos de primer orden { I Oisenos factoriales 2k y 2k Oiseno de Plakett-Burman Diseño simplex de composición central Diseño de Box-Behnken Oisenos factoriales 3k y 3k . Diseños robustos j I J Rrreglos orlogonales (diseños factoriales) Diseño con arreglos interno y ederno l' liseno simplex-reticular 5. Elabore una lista de todos los posibles tratamientos de este diseño. así como algunos aspectos clave de cada una de bllas. iQué es el error aleatorio y qué es el error experimental? iPor qué es importante aleatorizar el orden en que se corren los diferentes tratamientos en un diseño de experimentos? Señale las etapas en el diseño de un experimento. 8. varios de los otros diseños que se mencionan en esta figura son casos particulares o generalizaciones de los diseños factoriales. De hecho.p Diseños para el modelo de segundo orden I I uiseno I 4. 20 y 30"C).

para lo cual se eligen al azar I 0 conductores particulares de cierta ciudad. Un grupo de investigadores trabaja para industrializar la mermelada de tuna. explique con detalle cómo aplicaría la idea de bloqueo para controlar tal fuente de variabilidad. Describa cinco aspectos que son relevantes al momento de seleccionar el diseño experimental. ó) con cáscara o sin cáscara. 15. y lo que se desea es encontrar los factores que más influyen en su rendimiento. que son necesarios para que una persona se recupere de los efectos y las complicaciones que siguen a un resfriado común. Mencione dos problemas en su área de trabajo que pudieran abordarse con el diseño de experimentos. ejemplo donde se tenga Ia segunda pero no la primera. A cinco de ellos. c) completa o la pura pulpa. con el compromiso por escrito de permitir la verificación del desgaste cada seis meses. y quisieran encontrar cuál es la mejor combinación de mermelada (tratamien- to ganador). 12. La pregunta central que se plantean es si influyen en el sabor los factores considerados. Explique la diferencia entre significancia práctica y significancia estadística. Una compañía farmacéutica realizó un experimento para comprobar los tiempos promedio (en días). se tienen l2 posibles formas (tratamientos) de producir mermelada. Enseguida se trasladaban a lugares concurridos donde acomodaban los recipientes ordenados del 1 al 12. cPor qué se considera la planeación del experimento como la etapa más importante? Describa cinco actividades que se realizan en esta etapa. que en cuanto les daba el resfriado empezaban a recibir algún tipo de dosis. Para cada problema enliste algunos factores de control y al menos una variable de respuesta. En este experimento se compararon a personas que tomaron distintas dosis diarias de vitamina C. Para hacer el experimento se contactó a un número determinado de personas. quiere comparar el desgaste de dos marcas de llantas A y B. Por lo tanto. donde cada una daba I 2 calificaciones (una para cada mermelada). o) ZCree que este experimento permita una comparación justa del ciesgaste de las dos Se marcas de llantas? b) c) 17. 14. Proponga un I t. cqué podría pasar si no se controla la posible fuente de variación que es la edad? r9. se les instalan gratis las llantas marca A y a los cinco restantes la marca B. t8. iQué consideraciones se debieron hacer para lograr una comparación más justa? Proponga al menos un cambio al experimento que usted considera que mejoraría la comparación. Al final se tuvo la respuesta de 42o personas. En el caso anterior.r t6 CAPíTULO I lntroducción al diseño de experimentos 10. Describa de manera breve los tres principios básicos del diseño de experimentos. Para responder hicieron las 12 combinaciones y pusieron cada una en un recipiente numerado. . 13. icuáles los factores a estudiar?. realizan mermeladas considerando los siguientes factores: o) variedad de tuna: tres tipos. iCuáles podrían ser las variables de respuesta?. para ello. Suponga que se quiere estudiar el desempeño de un automóvil. y a personas del público les entregaban una hoja de registro y la invitaban a que en el orden dado probaran en pequeñas porciones las mermeladas y anotaran qué tan buena les parecía la mermelada (en una calificación entre 0 a I 0). iHay algo que desde su punto de vista invalide los resultados obtenidos? Utilice el sentido común y argumente su respuesta. seleccionado s al azar. Zcuáles los factores no controlables o de ruido? 16. Si la edad de las personas es una posible fuente de variabilidad.

d*s ffimKmmá*sltcs l¡¡ Hipótesis para dos medias: comparación de dos tratamientos Prueba para la igualdad de varianzas 3t. . Estimación puntuai y por inferencia P"bh. parámetros y Distribuciones de probabilidad e estadísticos intervalo Conceptos básicos de prueba de hipótesis ..r.' Población y muestra.. asícomo la estimación puntual y por interualo. .b*r fr"adas (comparación de dos medias con muestras dependientes) :l:: :rr Prueba_para la media Prueba para la varianza Tres criterios de rechazo o aceptación t¡i Resumen de fórmulas para procedimientos prueba de hipótesis de equivalentes .lgt3ffi3T# . Describir las pruebas para la media y la varianza. Uso de un software estadístico ffihj m€áv*E d* ffi ffi ffi ffi ffi ffiptr*Kadáxmj * ldentificar los elementos de la inferencia estadística y su importancia en los diseños experinnentales.ffmffig€*¡ñs re ffi$mm*m€*s ms€ad{sgásm ** áKefuffim*áa : ffiKp*rámmse*m E ##s? asrkffi y f"r. Distinguir las pruebas para comparar medias con muestras independientes y muestras pareadas. e .rii: Planteamiento de una hipótesis estadísticu . así como los conceptos básicos de prueba de hipótesis" ldentificar las pruebas para la igualdad de varianzas.::. Explicar el papel de las distribuciones de probabilidad en la inferencia estadística.

Mapa conceptual ¡\ Elementos de inferencia estadística .

i:€i.n i. es la proporción p de productos defectuosos.:ativa de dicha población. Estadístico de prueba " Estimador puntual 'Crados de libertad ' Hipótesis estadística " lnferencia estadística 'lnterualo de confianza .. objetos o medidas de interés sobre los que se hace un estudiu.ra.. un parámetro que podría ser de int.. do.(1r . Un ejemplo de estadístico es la media muestral i con la cual se tratan de hacer afirmaciones sobre ia media. en este caso se tendrá que sacar una muesÍra repre .. medir a todos los individuos. .r¿d¿men. el estratifica- r-iti¡idltoc.- ---! acerca de la población o proceso con base en la información contenida en una muestra. sino que todos los etrementos de la población tengan las mismas oportunidades de ser incluidos en 1a muestra.ler'. u Lodos io. en el sentido de que tengan los aspectos clave que se desean analizar en la población. el muestreo sistemático y por conglomerados. Flar*$Tetr$s Car¡cLeristic¡E que. \ se apoya en cantidades o datos estadísticos calculados a parlir de las observaciones en la muestra.l^ Clirir:{rrl. pevá*??etrss ' trror trpo Enor tipo I ll .tfeie r¡. mediante su r.^r. describen a . Existen varios métodos de muestreo aleatorio.as poblaciones pueden ser finitas o infinitas.:i. ^.::.a.. Potencia de la prueba " Región de aceptación .is.l.alor nr-lrnérico. partes o componentes. O Un asunto importante será lograr que las muestras sean representatilas.eiecc ion¿. Una forma de lograr esa representatividad es diseñar de manera adecuada un rnuestreo aleatorio (azar). i¡bido a que el flujo del proceso no se detiene.-'s estas poblaciones se pueden suponer infinitas o grandes. Si la población es infinita o grande es imposible e incosteab."ljul'C -. ltlcitl. conviene imaginar al proceso como una población infinita o muy grande.: (lL¡9 la pnbla I :- s 3r¿ri¿js y cs impcsibie e i-'t:.. Un aspecto clave en la interpretación y utilización de cualquier estadístico es que se trata de una variable aleatoria. ya que su valor depende de los elementos que li f n a z v E L It .5 r.::cila e L. de alguna variable ::-:dida a los productos. tndi. Por ejemplo.r 20 fiAPfTeJg"# ? fil*n:*nt*s rI* inf*r*ne!¿ estadístiia {o*eepteis e*ave " ffimb$meñ*xa y Kffi e$*stre. o algunos de los procesos.-¡ todos los individuos para tener un conocimiento "exacto" de las características : -. Con frecuencia.-. c mfes'eneia estad ístiea El objetivo de la inferencia estadística es hacer afirmaciones válidas $ que cünsÉlva los aspeclos clave de la población" ffi i . dísticos) se podrán hacer afirmaciones acerca de los parámetros de la p.. En estos casos los procesos (poblaciones I se estudian mediante muestras de artículos extraídas en algún punto del proceso ffi.: esto- . Estas afirmaciones tienen por objetivo coadyuvar en la toma de decisiones. o la media.. ¡2. Muestras pareadas 'Orden completamente al azar . Un estadístico se define como cualquier función de los datos muestrales que no contiene parámetros desconocidos.¡cs.u.:i** ñr¡f*r*it* . las poblaciones de interés son los materiales. l. Significancia obseruada " Significancia predefinida ffi P*futn{ic}m tü$ltn Es aquella en la que se pueden medir"todos ics individuos para iener un cor'ucin ientn ex¿fo de sus c¡racletísticas... Siesfinita y pequeña se pueden rni. si la producción no es :iasiva. b¿:e<i¿s en la infom¿cién -I ll -' i Ua ei :. donde la selección no se haga con algún sesgo en una dirección que favorezca la inclusión de ciertos elementos en particular. La inferencia estadística por lo general se divide en estimctción y prueba de hipótesis. Estadístico y *$*ed$s*ücms Una población o universo es una colección o totalidad de posibles indirr::.1).asiís{úqe Son l¿s afir¡n¿cisr¡e: válidas :cerca Ce la población o proce- -: -J -----. Incluso. t r f cE_ ffi ldi¡¡estra rcpresentativa Ls una pafe <1e L:na pcblacién. no existe el último artículo prñucido mientras la empresa siga operando. que es un parámetro poblacional.. especímenes. es decir.:oble rrtedt.e. por ejemplo: el simple. cada uno de ellos logra rnuestras representativas en función de los objetivos del estudio y de ciertas circunstancias y características particulares de la población (véase Gutiérrez Pulido.rámetros) de esa población.. re r: c ? :b¡e¡. 200.-+.-. en emprs>¿s con producción en masa no siempre es posible medir cadapieza de material qu: iiega o las propiedades de cada producto terminado...'. y con base en las características medidas en la mues'.. l¡ o. Por ejemplo. los pr:drctos terminados.CF ^1.:irción (figura 2. En muchos ca-'. Región de rechazo .. !.

hacer estimaciones de confianza Las distribuciones de probabilidad que más se usan en intervalos ji-cuadrada yF' y pruebas de hipótesis son las distribucion es'. la distribución de probabilidad hace que lo aleatorio no sea un con 1o que muestral. sea la variabie aleatoria dada probabilidad podreáístico media muestral. Como se verá más adelante. acota) los posibles valores de un estadístico realización específica de un estadístico se pueden corroborar o rechaal observar una E!$s*rÉbueáóm de prababüülded ele X Relaciona el canjunto d* '. Estnd{**Éeo Cualquier función de los datos muestr¡les que no ccntiene pc:'án' . al conocer la distribución del parámetro el valor es del estadístico se podrán hacer estimaciones acerca de cuál hipótesis o conpoblacional. lt. y io. afirm¿nqueelporcentajedesuproductoquenocumpleconespecificacioneses se puede tomar como verdadera' muestra. si esta afirmación de 0.no-ldos. representa a través de una tabla o por el estaplanteada como una fórmuia.lRelaciónentrepoblaciÓnymuestra. una muestra a otra. la qué valores se espefa que tome Í. de acuerdo con los supuestos capricho.parámetrosyestadísticos. La forma son seleccionados en la muestra y. entonces al conocer su distribución de probables' mos saber cuáles son los valores que puede tomar i y cuáles son más X señaEn otras palabras.trn: Cesct. normal. varía de de probabilidad de cada de tonnar en cuenta este hecho es conocer la distribución de probabilidad estadístico. por lo tanto. Por ejemplo. modela (describe.l! Población (toda la producción del mes) ¡t:? o:? PARAMETROS (siempre desconocidos) ESTADíSTICOS (conocidos) lnferencia Figura2. la distribución de probabilidad de la media muestral De esta asumidos.2 se representan las formas típicas de estas cuatro distribuciones' parámetros.aloreE de X ctn la Probabilidad ¡soci¡d¡ can cada unc de e:tos veiores. T de student. Por ejemplo. con la por medio de una función uno de estos valore. o bien.por lo que interesaría investigar. y ladesviación estándar' d' Por ejemplo' en la .7Vo. y también será posible probar o verificar la validez de puede proveedor un jeturas que se tengan sobre la población o proceso. poblacionales. que son La distribución nornral está completamente definida por sus figura 2'2 se muestra la la media. i. con base en una Distr*huetoffies de Probabllidad e *mf*rem**e X relaciona La distribución de probabilidad o distribwción de una variable aleatoria a cada asociada probabilidad el conjunto de valores posibles de X (rango de !. En la figura 2. y forma. zaf supuestos (prueba de hipótesis).

que se simboliza con N(0.€ren las di*ih¡rcres : *s. No pasa lo mismo con las otras distribucio- Normal estándar o.' ¡i s ri* ñ.2 también se observa que. tanto la distribución normal estándar como la f de Student son simétricas y centradas en cero..d¡- distribución normal conlr . La distribución Zde Student tiende a la distribución normal est. ii-cuadrada I f sc dFfiE cu ¡Érrni¡rm de la distribución normal estiándar. Los parámeffos que p oo¡do b disribr¡ciffi r & Snrdenr ji-cuadrada y F. 4 (s.2 Muestra de las distribuciones de probabilidad de mayor uso en inferencia.40 f de Student 5 g.F son sesgadas y sólo toman valores positivos.l.Fstür de r¡m*¡ro 20. o rrq ji-cuadrada m 19 gradm de libertad para hacer inferencias sobre la varianza poblacional.0 y o = 1 . Las cuatro distribucir'rrs €snn rehimadas entre sí ya que las distribuciones Z de Student.20 0. mientras que las distribuciom ji-cradrada 1. t0) Figura 2. . 030 o.d6 & übertad para hacer inferencia sobre la media poblacimal. En la figura 2. La diferencia básica entre las dos distribuciones es que la T de Student es más ancha (respecto del eje horizontal) en las colas (véase figura 2.seá de inferés una esrri[nciin f & Studer m 19 gr. 1) y se conoce como la distribución normal estándar.20 0.1o o. por ello existen tablas que proporcionan cualquier iírea o probabilidad de interés bajo esta curva.l.22 CAPíTUIO 2 Efementos de inferencia estadística tI bert¡d ryp.ándar cuando el tamaño de muestra crece. reciben el & gtú4.l0 Ji-cuadrada.shrtr Grados de Son panfur:ex ya"/se los úryTEr ap¿rtr& trdcr =r:-nñcs ¡-t¡e**:s i'¡.!¡o.W. 10 g.2).Ladistribución normal estándar es una curva única.que tiemr e|trc rs con los t:¡maños muestrales invoú& br¡fte k cj. y prácticamente es la misma distribución pma n > 45..

Por último. acum) bucio- en la celda x se da el valor de referenciapafa el cálcuio de probabilidades PrX < x)). la funció n DISTR.xee$ >: puede utilizar la hoja de cálculo de Excel (o algo equivalente) para calcular las :rotabilidades con la distribución normal. de la distribución normal. es decir.::: 41 :: qu: eStima un valOi esle:ií. mientras que la distribución Je utilidad para hacer inferencias sobre varianzas y la distribución F se empleará para comparar varianzas. O. si el argumento acum eIVERDADERO ise da un 1). las tablas de estas distribuciones sólo reportan los valores que separan las áreas de mayor uso en inferencia estadística (ver apéndice 2)' En la acrualidad es mejor utilizar un paquete estadístico para encontrar cualquier átea o percentil que se quiera de cada distribución.ndo el -15. Hstir:'laei*n pu*"ltu:a} 6 valor numérico metro desconocido. Como se muestra más adelante. devuelve la función de ::rde bilidad. de sv -e stándar. ¡t. dela distribución normal con la . en meclía se da el valor de la media. O. que en caso de desconocerse será necesario estimarlos a partir de los datos en la muestra. dado que el análisis de la variabiiidad rn experimento se hace comparando varianzas' Uso de f. Hay dos tipos de estimación: puntual y por intervalo. y en clesv-estándar se declara el valor de la desviación estándar. por ejemplo.que se quiere obtener probabilidades. si es FALSO (se da un 0). ocum es un valor iógico que determina la forma de la función. media. Para ello se utiliza la siguiente función: D La ancha rormal * área I STR'N O RM(x. P. pero cuando éstos no Se conocen.Hstimacíén puntualy por intervaio IT I COmO . las distribuciones normal y Zde Student sirven ji-cuadrada será para hacer inferencias sobre las medias. que se utll\za para hacer una estimación del valor del paráse Esti¡'¡adq¡ Puntual :. tres parámetros sobre los que con frecuencia desea hacer inferencia son: IJn estimador pwntual de un parámetro desconocido es un estadístico que genera un simple. Es por esto que la distribución F es la de mayor relevancia que se observó en en diseño de experimentos. nes a las que hemos hecho referencia.co de un Par'ámetro . invo- ís una rbre la feren. será necesario estimarlos con base en los datos muestrales para hacer inferencias sobre la población. los parámetros de una distribución normal son la media.tándar buciostribuadrada os que ben el . daf(x).NORM devuelve la función de distribución acumuladensidad de probatJa (P(X < x)). ya que pata cada tamaño muestral es una cun"a diferente. y la desviación estándar. Es*Emasfr&s* paxmtwm$ 4 - y p#tr üm*srvm8* Las distribuciones de probabilidad que tienen una variable que representa cierta característica de una población se definen completamente cuando se conocen sus parámetros. Por eso. Por ejemplo.

Lavananzaoz ola desviación estándar o dei proceso.. La propr. Así. P\L=0=US=l-u donde (2. será necesario obtener la información sobre qué tan precisa es la estimación puntual. consideremos la desviación estándar S y la media Í de un^ muestra de tamaño n. la estimación puntual dirá poco sobre el parámetro cuando la variación entre una estimación v otra es muy grande.a)Va de confianza para un parámetro desconocido 0. que se puede estimar mediante 6 x = S l^. ' La l'ane¡¡é r'i-s::J ól = 51. Puesto que X es una variable aleatoria. ésta tiene su propia desviación o effor estándar. durante Una Semana Se torna una i:i:s:: lamedia muestral esi= 1. { s n'¡ent*ls cia i *f *:re¡r*ie est¡:d istir:c Lamedia ¡t del proceso (población).724 tiiFÉ"f. Una forma de saber qué tan variable es el estimador. Una forma operativa de saber qué tan precisa es la estimación consiste en calcular tn intervalo de confianza que indique un rango "donde puede estar e1 parámetro" con cierto nivel de seguridad o confianza.r) U forman el intervalo de confianza buscado [L. Los estimadores puntuales (estadísticos) más recomendados para estimar estos p. :. r-ipcctivamente : ' L. 1' como el valor de éste es aleatorio porque depende de los elementos que fueron seleccionados en la muestra. tj L* ? f. .rrciór i¿ ü:::::i.:: fial de Colocar un gofro (sím6olo ^) sobre un parárnerrL-r . Por ejemplo.t. visto como una variable aleatoria.17 .:ri: :.lne manera general de denotar un estimador puntual del correspondiente parámerrc. Por ejemplo. consiste en estimar dos números (estadísticos) L y U. media. cuando se quiere tener mayor certidumbre sobre el verdadero valor del parámetro poblacional. para estimar ei *=l¡. entonces la estimación que se hace sobre el parámetro dependerá y variará de una muesÍa a offa.Laconecfa interpretación de un intervalo de confianza es como sigue: si se obtuvieran 100 muestras inde- Ly .1:" :-'jji:rl ¿i =. f = xln.s .179. ::::::ii'¡ de loi discos producidos por un j: ': = I l5 ¿tscOS.:. Construir un inten-aio al 100(1 . donde x es el número de artículos dele¡r¿. U]. consiste en cal- cular la desviación estándar o error estóndar del estadístico.ri-r.:rsLls en Ia muestra.. podna hacerse con el uso de la media muestral X. de manera que la probabilidad de que 0 se encuentre entre ellos sea 1 - a. Este ralcr:*:-: -::l:= -t'l-rJ ull& estimación punPor ejemplo. olamoda. De esta forma. la estimación de ¡t (la media del Proceso). pue>to que los estimadores no son únicos. La proporciónp de artículos defectuosos. dado que las res son diferentes medidas de la tendencia central de unos datos' 1a Estimación por intervalo La estimación puntual de un parámetro se genera a través de un estadístico. :. r' Se obtiene qUe prOCeSO.*l:::l-lsstra de tamaño t?.:.1:"1. ri. la medianaX. es decir.

a- to general para deducir el intervalo consiste en partir de un estadístico que involucra al parámetro de interés y que tiene una distribución conocida. En la tabla de la distribución Z de Student se observa que para una muestra mayol o igual a 30. X2. :1 IS P(L<l'I=L)=l-& X. la media más menos 2 veces su effor estándar. El ancho de los intervalos es mayor a medida que sea mayor lavaianzade la población y el nivel de confianza exigido. Esto es.^ "'' ) S lJn De aquí..)t sonlos númerosbuscados que t2. El procedimienSea X1. o sea. tales que el parámetro p¿ se encuentre entre ellos con una probabilidad de 1 . . Por lo tanto..1.|) = l-a t2.1 grados de libertad..a. entonces se espera que 95 de los 100 intervalos contengan el verdadero valor de dicho parámetro.. con una distribución normal con media¡z y varianzad. .a)Vo para la mediapl es aproximadamente XtZ¡. iroblacional. De aquí que es deseable que la longitud de los intervalos sea pequeña y con alto nivel de confianza. lo . -. lntervaln de ennfiafira para ufia rnedie Por definici6n de intervalo de confianza se trata de encontrar dos números L y U. y IJ =X+t". en la tabla de esta distribución o en su gráfica se pueden ubicar dos valores críticos totzy :rá tiler ón rUa - /o72.1) retainde- definen un intervalo al 100( 1 ..2t L=X-t". L/] tiene una conftanza de 100(1 .a)Va. < ---= 1t. . despejando hasta dejar sólo en medio de las desigualdades al parámetro de interés. en el sentido de que el parámetro estará en el intervalo 100(1 . ambas desconocidas. En la práctica se obtiene sólo un intervalo y se dice que el intervalo []. se llega a que i-u ) lcu- [ro" zlTo efos :llos "(o Eneste sentido. < ¡t < x*. esto tiene una interpretación constante.". cada una de tamaño n y para cada muestra se calculará el intervalo de confianza a95Va para el mismo parámetro. Tal estadístico es x-t.rl. . el intervalo al 100(1 .(-. tales que: :al- ble úna rpia l= l-a .a)Va para la media desconocida P . 25 ffi lntervalc ele eo¡dianea Rangc donde se estima que esté el valor de un parámetrct La longitud del intervalo de confianza es una medida de la precisión de la estimación.. El ancho del intervalo es menor si se incrementa el tamaño de la muestra.".una muestra aleatoria de tamaño n de una población.a)Vo de las veces que apliquemos el procedimiento..üsiimeeión puntual y por intervalo pendientes de la" misma población o proceso. el cual sigue una distribución Z de Student con n ..

96 paraG = 0.00071) n=-4=1.004)' = l7B.7 26 CAPíT[JtCI 2 Elementos de inferencia estadistica Elemplo ?"I En un proceso de inyección de plástico una característica de calidad del producto (disco) es su grosor. y la superior. En este caso. donde 4(0. 1' se obtienen 25 muestras de tamaño 5 cada una.00466 puede diferir el estimador puntual X del parámetro poblaci onaT pt.trn r 0.I74. entonces despejando n obtenemos que tt t.la media ¡z de grosor de los discos se encuentra en el intervalo [I. De aquí que el inten'alo al 100(1 -a)Vc de confianza para la mediap del grosor de los discos está dado por x tto..: 3i. u-lrS2 - E' Ccm.10 mm.ror 1 e6(T#)= t. Sr = 0. Por lo tanto. el grosor del disco debe estar dentro de la especificación inferior. entonces se requiere. por lo tanio. tt =- 'E) .'30. durante una semana se hace un muestreo sistemático en una línea de producción.. de la tabla de la distribución normal se obtiene que I¿.ft=t. el I'alor de l¡.5 (0. . como el error de estimación está dado por E t(n/2.004 = E. Así.. ES = 1. Tamaño de la muestra.18 Cuando ¡¡ > -15. porque hasta en 0. Para evaluar esta característica de calidad. En ocasiones es necesario calcular el tamaño de muestra ¡r para lograr que la estimación de una media poblacional lr tenga como error máximo a un número E.10. . entonces para propósitos prácticos v con temarios d¿ muestra ma\'ores que .779 mm y lavattanza. puede tomarse como l.._. n \Sl\/ n . si en el caso del grosor medio de los discos se quisiera un effor máximo de 0.5. En el cálculo anterior al valor de 0.00466 se le conoce como effor de estimación. para considerar que el proceso de inyección fue satisfactorio. por lo que ia estimación del error estándar de la media es Ji *0'0266 =o.oo24 1 1. Por ejemplo.0.: r : .77.184]. el cual debe ser de 1..:= i.00071.1.. X = 7.30. la distnbución f de Student es prácticamente igual a la distribución norrnal estándar. De esta manere.depende de ¡r r' ésta es la incó-enita..p.2otz. al final se tiene una muestra de il = 125 -v" se obtiene la media muestral.1S_ $ es un estimador de la varianza.00466 Se puede afirmar entonces que con una confianza de 95Va. EI = 1.20 mm con una tolerancia de +0.

Los estimadores puntuales para la media y la desviación estándar resultan ser sl0 X:-'=t está dado por )x.461 .41.zeet' l 2. Es decir. Con una confianza de 95Va se espera que el rendimiento promedio de los discos producidos durante ese turno esté entre 88.1 grados de libertad y se leen en la tabla de esta distribución para el valor de a dado.88.Así.63.92.62. con un poco de álgebra. Se formatean y se reporta el rendimiento decada disco.Deesta manera.26 se lee en las tablas para la distribuci6nT de Student con 9 grados de libertad que se localiza en el apéndice.89.06. es posible deducir intervalos de confianza para cualquier parámetro. Con base en estos datos interesa estimar puntualmente y por intervalo la media y la desviación estándar para la población de discos de dicho turno. ya que bajo el supuesto de que la variable de interés tiene una distribución normal con media y varianza desconocidas.20.025 = 2.er'z 19.03 v S= = 2.x *.1 grados de libertad.03 + r ru#f= r88. En particular. Y X?-otz.99 Suponiendo distribución normal.26#.5i.. Los datos obtenidos son: 96.3) Xn. Xt-qn..17.8e.? En el proceso de fabricación de discos para computadoras.93.92.91. (e)(2. donde Xto. P(X> X|.79.38. la distribución de referencia es una ji-cuadrada con n . 89. una de las variables críticas es el rendimiento de formato.52..r. para construir un intervalo de confianza parula vaúanza o2. e3.._r)=a12.-t son puntos críticos de la distribución ji-cuadrada con n . +f= r.. ' 10 =91.70 | ' s.89 y 93.9I. el intervalo parao está clado por l-ñr)Y llE.9). se llega a que el intervalo de confianza para la varianza está dado por (n . el intervalo al 95Va de confianz a para la media p t l* -... El correspondiente intervalo para 1a deso2 dado en la relación viación estándar o se obtiene sacando la raiz cuadrada al intervalo paralavarianza (2. el estadís- tico(n -l)Szld sigueladistribuciónji-cuadrada conn* l gradosdelibertad. * [n 2..02 .Hstirnación puntual y por inten'aLo 27 lntervalo pars ta vanüanam De manera similar a como se obtiene el intervalo para la media.3).ri] donde el valor del punto crítico ta/z= t0. rt. 85. ".. Se toma una muestra aleatoria de n = 10 discos de la producción del turno de la mañana.II.r.z.e 1.-.l)S2 1¡r-t I (n ) - l)S'z t (2.o. *$empñm 2.

= X3. Cuando no se está satisfecho con la amplirud del rnten'a1o. -i. Tabla 2.. 1n l).rí (n'-i)S' \ln -.ft. sl 5t 't-alz. ..listribución binomial.. se deduce que el intervalo de confianza para la proporción es de la forma P - Zo.s X+to.28 CAPÍTEJLS 2 fterr¡entas de inferencia estadística donde los valores críticos X'o...o.t . _s x-to.-1)S1 nr* o.. lnter"--alo para la prcporción B¿j.02 y X?_". y suponiendo que se inspecciona una cantidad grande de n artículos )' se encuentra una proporción f de defectuosos.Q. h{l n t) (X. que está en el apéndice.46. b$. P< p<f¡*. n.i. En estas condiciones se puede afirmar que la proporción muestralp sigue una distribución normal con mediap y varianza *? Con el uso de la misma argumentación que en el intervalo para la media. .r.t'2) (itr.¡. Así.orr.b.rU*ln.b) + 2". b. o también se pueden consultar usando un software.. con una confianza de 957o se espera que la desviación estándar del rendimiento de los discos producidos durante ese turno esté entre 2. ..05 y 5. {i. apoyándose en la aproximación de la distribución binomial por la normal. b. .-.n = 270 se obtienen de la tabla de la distribución ji-cuadrada. = X\.r. ? + to. entonces será necesario incrementa¡ 1a precisión de 1a e:tirnación.el supuesto de que el número de artículos defectuosos en una muestra sigue una ..) .b) + ?t2{1."'.g = 19. d:1._rs¡ Ft Fz tlt i-+Vq n2 nr-2 si o Sl'"rt' ¿' I nt-1 -:1)5?+(n._.. donde Zo¡2es un percentil de tabla de la distribución normal estándar que está en el apéndice.. ¡ esto se hace aumentando el tamaño de nues-'::.1 Resumen de fórmulas para intervalos de confianza.n r. se puede construir un in- ten'alo de conhanzapara la proporción poblacional p.b)- 2.

x = 5. entonces de acuerdo con 1o explicado antes. Estos intervalos proveen información sobre la igualdad estadística de los parámetros conespondientes a las dos poblaciones de interés. al valor de 0. Para ello.77a y 9. En latabla.093. donde Resur¡ren de fórmulas para inrterualos de csnfianza En la tabla 2. qlJe es necesario para estimarp con un error máximo de E.0s(1.050. un estimador puntual de p es fi = 5/100 = 0. si en el problema anterior se quisiera un effor máximo de E = 0. Por ejemplo. cuando no se sabe nada de p en la fórmula anterior.rrffi¡1* p¡ln. Por ejemplo: ' - Los tres proveedores del material.¿¡2.043 se le conoce como error de estimaciói'?. con una confi. en la tabla se incluyen las fórmulas correspondientes para intervalos de confianza que involucran a dos parámetros. Si se quiere estimarp por intervalo. eonceptss bitsñcos de Brueba d* hñpóteslx Un estudio experimental o una investigación. el experimentador tiene a priori ciertas creencias o hipótesis que desea comprobar.o5) 100 = 0.Conceptos básicos de prueba de hipótesis 29 Eiemplo 2.nr-t)serefiereapuntoscríticos de la correspondiente distribución. En ocasiones. p está entre 0. por lo general tiene como último objetivo.entonces dado que E = Zo. En este contexto. Además de los intervalos para un parámetro ya presentados.r. En el cálculo anterior.o. responder en forma segura ciertas preguntas y/o tomar decisiones.X?-". Estos valores se determinan fácilmente con el uso de un software estadístico o de las tablas dadas en el apéndice.0.05X1 .03)2 = 203.050 t 1.96 0.96)2 (0.043 de aquí que.r tienen el mismo nivel de calidad. si despejamos de aquí a n obtenemos que z'"''itQ.050 t 0.1 se muestran las fórmulas para calcular los intervalos de confianzamás usuales.J.5 Se quiere estimar la proporción p de artículos defectuosos en un lote de 2 000 (población). entonces se requiere que n = (I.n-ry Fr-otr. porque hasta en ese valor puede diferir fi de p. El porcentaje de este ingrediente afecta el resultado de la mezcla.03.007 y 0. en términos por- centuales entre 0. Si se quiere estimar el tamaño de la muestra n. con una confianza de 95Vo. un intervalo al95Vo de confianza está dado por 0.anzade957o. Note que los cálculos involucran a los estimadores puntuales obtenidos con cada muestra.n2-r. se supone f = 0. se toma una muestra aleatoria de n = 100 artículos y se encuentra que de éstos. como son: diferencias de medias. . Por lo tanto. diferencias de proporciones y cocientes de varianzas. Tamaño de muestra.t.3Vo.il '^ rrpz f es una estimación del valor de p. son defectuosos. lanotación z1-s12.05)/(0.

:r:-:::r.08 (la proporción de defectuosos es 0.5).s4'r Á .:or la evidencia que aportan los datos. A continuación K FE*ffit*errx$*ss€w dw wrem fuEpótesis estadístiem L -n3 : s estadística es una afirmación sobre 1os \..-. en términos de la proporción c¡.:'-ión.:-' :. tanto si se ::rr-J. -. . it '. como se hace a continu:--. :.1: .n¡ia en contra de 110 se obtiene con valores pequeños o grandes ' . y que en caso de . * 0.08 (la proporción es diferente a 0.".it-' de rechazo.-:". "'.i1¡¡. estadístico d¿ ¡:*.:-::--:::: hipótesis. en tl. la estrategia a seguir para :i..-ri¿-r alternativa.':.:.'.. . en el caso de las proporciones. -- ::- de la propor. Así.in nu¿stral p.' -.5)11.-:.:::ísticamente.j1- H¡ 1 p = 0." ¿'..r.:..:::"ción "este proceso produce menos de 8'r de ::i:-:¡.:: re piantea como una igualdad.i.-: r.08 .: r: .: se desea concluir es la hipótesis nula.¡¡ir as en las expresiones (.": -r.:-=:-*.-' .-.. -{. Si aumentamos la cantidad de reaclirtr r¿ ¡'-::---.e genera el proceso. ::-i.:-.S ahora que la afirmación a probar es "este proceso produce 8 '4o de rl:¡en'e que la afirmación señala que su falsedad se da.. Por ejem.'.08) .08 se le conoce como hipótesis nulaY rj i r- H.-.LU .4) y (2.r.i:.ir¡¡sión Ho: p = 0. se estará aceptando la hipótesis : - : :.:'ios se puede p de artículos =.:.--. .-. : :-: .: p < 0.. el planteamiento estadístico debe ser: : rr = 0.11*:ión o proceso. ' El tiempo de espera d¿ esi¡ operacicn 3s l::. j.-í¡r'-s¿ .08) (2"s) H.-.-.. los pasos fundamentales de cualquier procedtn:.¡'1. se describen 1os conceptos bási.--.081 . -.sls e s suponer que la hipótesis nula es verdadera. - : '.4) HA se conoce como . -t'e que . En general. parámetros de r" :.-:¡d de referencia específica.r. es decir. ¡ de rn solo lcLdo (unilateral). la elección de 1a hipótesis alternativa en cuanto a si debe ser unilateral o bilateral depende de la afimación que se quiera probar..' '-. se llama lüpótesis alternativa de dos lados (bilaterct[1...:'-.:-:.::.:'.4) Ht: p < 0. 1o cual facilita el fener una distribu.ida > J-.r.-lS I (2.r'le: de 1a proporción muestralp significativamente más pequeños que [] i-lS. la afirmación que se desea probar se r.. En (2.í. I t . r-::r--.:. como son: planteamiento de la hipótesis.2.-i ::'-:. Nótese la diferencia entre .. "1 -ri lrl -::.r.. ya que la única manera de rechazar H es :::.08 (la proporción de defectuosor e' 1-r t.08 (la proporción es menor a 0."lL-:-! :: i.'i¡¡.l: :r*::i de hipótesis..r.:r. sólo en caso de rechazat la hipótesis nula.le 1: :.-.-:-:-1 -n una muestra rep-resentativa que es obtenida. EI nombre de hipótesis nula se deriva del hecho de --. que es Susceptible de probarse ¿ :iail i: 1a inlormación -.' .redio.ierta.

lP\ ir'. . con 'tp > 120 unidades inspeccionadas sería suficiente. Por ejemplo..' g n. el estadístico de prueba está dado por ffi. d I L. cuya magnitud permite discernir si se rechaza o no la hipótesis nula f16. el valor estadístico es z0 = 2. 1 3.41 ..4) y (2. ffi: ffi*gi$nr de reel¡au* l. para las hipótesis planteadas en (2.. supongamos que se toma una muestra de n = 150 piezas y de ellas t = 2A son defectuosas. en este caso. 16.irc. Si /1e es verdad...1. y a los posibles valores donde no se rechaza H¡ se les llama región o intervalo de aceptación. En caso de no rechazar É10 se concluiría que el programa no funcionó y que se deben tomar medidas adicionales para bajar la proporción de defectuosos.o.. fuera del rango de valores más probables (en fe P h' F I .. y si ios resultados de la investigación contradicen en forma suficiente dicho supuesto. '.ltl:lÓ1.rla.er si dio el resultado esperado.f -? : _ . {. ?f.. ..:ioi-..¡\.t..Fianteamientr: ei* un* ll¡ró**sis estadística 5l Otro aspecto importante es la selección del valor del parámetro que especifica la hipótesis nula.. Por ejemplo. Por ejemplo..uñJg(l...08 .-\s t' g.--.:r. ¡ después de implementff un programa de rnejora se quiere r. ^ -. Vamos a ver si esto implica una diferencia suficiente p¿ua rechazar que p = 0.il¡cl* r partir de lrcrl¿tl.2.$ y (2.i.\."1 j:1ll .'L]' a e contrario. el valor dei estadístico de prueba debería caer dentro del rango de valores más probables de su distribución asociada....1) se eligió 0.. entonces se rechaza I1o y se acepta la hipótesis alternativa. Si cae en una de las colas de sri distribución asociada. ..¡ . Criteri* de reehexo El estadístico de prueba. Es decir.l.' ic i.. Al conjunto de posibles valores del estadístico de prueba que lievan a rechazar Hs.. se toma una muestra aleatoria de la población de estudio o se obtienen datos mediante un experimento planeado de acuerdo con la hipótesis. en la hipótesis dada en (2.'. La estrategia de prueba parte del supuesto de que 116 es verdadera.ogy.i..¡i.'qi. tiul p*rmite cji-ccerrril gi se i*- . es una variable aleatoria con distribución conocida. Si efectivamente 110 es verdad.r 11. Q.. El estadístico de prueba es un número calculado a partir de los datos r la hipótesis nula.' b E _ 'o Jonde _ - p-0. ésta no se rechaza. :1 Estmdistie* d* prueba ."." "Y: _J{i''' '. I ijl ' :l' I rl. En caso de que los resultados de la investigación no demuestren claramente la falsedad de Ho. la hipótesis nula es verdadera mientras no se demuestre lo i. Por io pronto.5)? Este valor se elige de manera que separe dos situaciones que ilevan a tomar diferentes acciones..08 en las hipótesis de las expresiones (.i I ----:r.08. ¡e tr I I I I kr f es la proporción de defectuosos que se encontró en Llna muestra de n artículos inspeccionados. En general..' -: ta' Probar una hipótesis consiste en investigar si 1o afirmado por la hipótesis nula es verdad o no. ¿por qué 0. :a..J .* i\únrero c¿lcr.. :t.'' .r i(': rr. Unavez planteada la hipótesis.5). ' ". se le llama región o intervalo de rechctzo para la prueba.' .--i. la aproximación es mejor mientras más grande es el valor le ¡2.r . '.'] . el estadístico ¿e sigue aproximadamente la dis:nbución normal estándar.'r.O ¡e sir rl.¡. l.rln = 0. entonces el valor de la proporción es i = .¡ l..¡'ir "l'r: i. construido bajo e1 supuesto de que Hu es r-erdad. esto es. porque ésta es la proporción de defectuosos reportada el mes anterior.rr1. el cual se conoce como región de aceptación...08.":... ffistadistiee de prueb. I ':. se requiere np > I0 para una buena aproximación.: el ccnjurtc rle polibier v.

r C¡¿:s :. ''.].:-J:-.. se rechaza Ho : p = 0. P-"::::. =.:-'-:=..::----: :.:r.-. ::_:::: i.¿-.:r:-::i:: . :-:!: !. La ubicación de la región o inten'alo de rechazo depende de si la hipótesis es bilateral o unilateraL Como se . -Zal2 \-*** rechazo . En la ñgura 1.:--: l: -.i I se rechaza 11n si :s ( -ío¡z O Si . Pero si 1a hipótesis es unilateral. :¡-iis¡ico de prueba. entonc..Ja C.. Región I o intervalo Región -d . una hipótesis es bilateral cuando la hipótesis 'llemlti'i'a f1.."i=. entonces É = 0.:. si :.96.r. de acuerdo con la hapótesis de que se trate. POf :'=:. ):.::--.... . 110 debe ser falsa. 3n l" l¿:r."'ll'" ari i-'ie r> ) o "menor que" (<). ::i:.-'. se obtiene Que Z¡ = 0.. reréJi¡.n Y io = 2. :-.: . SltF:¿i:fl-. regiones de aceptación y rechazo. . -.t: l.¡. :p ( - w. :-:.: ..:: :t.::.'aio -f de rechazo)/ -(1 . De alguna forma.t2 {AFiT{JL* ? [ler¡-rentns de inferenci* esiac{ístic* la región de rechaTo).-.uo Q ¡ciÁ¡ c r. esto ya se intuía. puesto que la proporción muestral había sido i = 0.r -:. /' H.:i -: --:. .:.:::-:. Cuando es bilateral.4I.13.=.nes .r-.) i. t t . De aquí que no se rechace Hs: p = 0."in se caicula el estadístico de prueba :. se tuvieran x = 15.3 esto equivale a Que is caiga en á¡ea: sombreadas. /\\ .96.-s . .::-t:":. :.r e S de1 tipo "no es igual" (.08.r 1.'-: . Si queremos probar 1a hipótesis bilateral con una confianza de 95Vc. ZalL I de aceptación LJ lntervalo de ' aceptación Figura 2.-::.:'..90 que no es mayor que Zat2 = 1.5 . .08..96.. por lo tanto.. como p =A.l-de I .10. ¡ o intervalo \-u Región o intervalo de rechazo . .De aquí se deduce que debe estar mal el supuesto bajo el cual se construyó.. :-:':iii:s -s:. de i. en este caso f = 0.CE ' r P r L.6) con n = 150.3 ). como en 1a erpre st..1.y es unilateral cuando la alternativa es dei :r:'. entonces rc.::.-ti el Jontra de 1a hipótesrs nuia se ubica en un solo lado de 1a disi'¡:.3:. como en la expresid. -.1). es decir. -.7. :=_..u'lo en el caso de las proporciones.'.= r:. rechazo está repartida de manera equitativa entre ambas colas de la .:'::S:.3).in de ¡echazO O aCeptaCión. En le e¡::.-l'Se feehaZaHg Si ¡g <-¿o: !.r s¿ Joncentra en e1 lado izquierdo de la disuib:. es evidencia en contra de que este valor pertenece a dicha distribución (véase figura 2.i i-a /\ i\ . Es decir.:-'L -'.:= 1.: I 5 -r é::¡ llsura 1.J. Pruebas de una y dos colas (unilaterales y bilaterales).10 no es evidencia suficiente contra É10 : p = 0. A1 sustituir esto en (2.:t: ..:-: .ttc -t ::.:¿. rc -.s Z0 > i.-hazo sólo se concentra en una de las colas.lr .r :"igo Si en lugar de tener x = 20 defectos.08.l . además.5 Hipótesis unilateraly bilateral.. srn:prenenre.

y el error tipo II es cuando se acepta 11¡ y ésta es $$ > ilHrr*r tiBo (-.-lr \/all idt l-ló ffi= f. El problema es que ccntroiar a B I Es posible afirmar que.05 o 0.01) se . en muchos casos.". En la práctica suele ser más delicado cometer el enor tipo I que el enor tipo II.^ ia. que es el valor más utilizado para este :. ::brdo a que en la mayoría de las hipótesis el rechazar 110 implica objetar algo que :.10).01 para tener mayor con:::za de que la decisión será la adecuada. que lleva al extremo de rechazar cuando es verdadera desde el punto de vista práctico.: f : cu¿ndo se dc. * ' r ripo 1 se controla directamente. es común que se controle sólo ei error tipo I.01. un valor más pequeño que a no necesariamente será mejor. En otras palabras. tal decisión sea la correcta. seguir :Lrmo hasta ahora. si la acción a tomar después de rechazar É10 implica una .J = P{enor tipo II} = probabilidad de aceptar 110 siendo falsa c.... Por lo general se utilizan los va.. ya que a más datos B será :-3nor. Lo cierto es que el error tipo II también importa. con una muest^a grande es mayor \a potencia de la prue--. es deseable que una prueba estadística sea potente.ndo es falsa. "dmite :. A 1 . En toda prueba de hipótesis cada tipo de error tiene una probabilidad de ocu::"¡ Con ct y B se denotan las probabilidades de los errores tipo I y II.^tá truncando la posibilidad de muchos cam. mren:ras que el error tipo II se deja libre como si su magnitud no importara. E. El primero ocuffe cuando se re::. ya que si poco riesgo (a < 0. . ersión fuerte de recursos. Por lo anterior. Por lo general. la magnitud de su probabilidad debe ser pequeña (se recomienda B = 0. la probabilidad del .P se le llama p otencia de la prueba. No rechazar 110 implica. es suficiente trabajar con c( = 0.::So.t r-eces independientes que se aplica el procedimiento y se rechaza 110. A a lambién se le conoce como la significancia dada de la prueba ffi Foter¡cia de !a prarebe ls . .rror Éipo *E = P {error tipo I } = probabilidad de rechazar I1e siendo verdadera . respectivamen- -J--)^-.^ ^.: es decir. se recomienda utilizar a = 0.acepta de manera convencional.. ¡s la probabilidad de la región o intervalo de rechazo.sto es. Si la decisión no implica una inversión :-:fe. iu¿[iCü es i¡ls¿.)l¿ und rY. \I.05 significa que por cada . .Planteamlentc de una hipótesrs estacis: :: 5t El riesgo de una decisión equliv*eada: errores tipa i y tlpo *-'rar una hipótesis estadística es una decisión probabilística.lrl¡c jt :" i ¡z':r H. Por ejemplo.:ai H¡ cuando ésta es verdadera. dependiendo dcl riesgo que se quiera admitir en la conclusión. por 1o que existe el r.. en general. se espera . en las pruebas de hipótesis se especifica el valor de a y se dise:-: ia prueba de tal forma que el valor de B sea pequeño.. cuando tamaño de la muestra se incrementa en exceso (a tamaños en cientos) se llega a tener 110 una potencia excesiva.. mientras que la probabilidad de error tipo II se : -:irola de manera indirecta con el tamaño de la muestra. Sin eme1 bargo.".en un promedio de 95 veces.¿ntras más pequeño es el valor de a se requiere más evidencia en los datos para :::hazar 11s. se incrementa la probabilidad de rechazar 110 si ésta es falsa. Esto es. su valor se especifica por :=e del investigador desde que planea el estudio.-. :'r¿s a = 0. i itr de cometer un error tipo I o \n error tipo II . Utilizara = 0.r lir-'h¿l".05.l I Es cuando se rec:::: : s". qu* es falsa.'s que serían positivos para la empresa. y es la probabilidad de rechazar Hs ::...---.

--":.eS i.a)Vc de que el valor .': .tl trr rr rüeflof que el de la semana anterior ¡ro. .r 54 €ABíYUg"ü ? E!emeritos de inferencia estadístie* tiene varios problemas.:.--!:::l-1.-.-ll.:¿:¿s ::. l..:.-..: -: rirr.fZ.-'i]]enOsUelenintefesar -. laiaer¿ ¿-.i tsilsar si el rendimien¡.:-._i-'. Se quiere probar la hipótesis de que la media es igual a cierto valor lo.: :-II-.:.i. pero damos 1as recomendaciones dei número de repeticiones que deben obtenerse en cada experimento para tener un valor pequeño de B.--.:-t:-i:ta:: :--:-::-.::-.l---*. nos limitamos a describir el caso cuando o2 no se conoce. la hipótesis a probar es Ho: lr = &o (2.. p.:... dOnde¡/g . Las hipótesis se pueden probar suponiendo la varianza poblacionai ol conocida o desconocida. Por ello..¿el: i. ambas desconocidas. Lnt brere justificación del criterio de rechazo para la prueba anterior es la siguiente.-1.1: --ill'-..r" l.. Frueba para la media C::::.::::.::.::.el estadístico de prueba r¡ se distribuye z de Student con n I .-:. muchas veces se requieren grandes tamaños muestrales o se deben reaTizar muchas repeticiones en el experimento. Cualquiera de es¡as res presuntas se responde n planteando una hipótesis estadística adecuada.::-¡:. en consecuencia.-r reoría estadística se sabe que bajo el supuesto de que Ho : fl .1 grados de libertad. Estos valores críticos se obtienen de la tabla de la distribución Z de S:. la derecha del punto ta/zy & la izquierda de -to¡2 son iguales a a/2 -. :r::nbución..fUdiaf lamedia.-.-. por ejemplo.P.. Es decir..l-.: .:'1..:::.da en e1 apéndice. hav una probabilidad de 100(l .8) l. -. las áreas 'n::-..7) H¿: pt * ¡to Para probar esta hipótesis se toma una muestra aleatoria de tamaño n de los posibles valores de la variable X y se calcula el estadístico de prueba: " X-u^ .grados de Litrertad \-. ¡sre estadístico se distribuye Zde Studentconn. . tal que P(t > t.u¿.i-:-. en este libro no enfatizamos el control del error tipo II.*:-.-¿-.É:¡' .Je la distribución zde Student. Sin embargo. Bajo el supuesto de que I1o es verda- :::¿.:-:'-' .Recordemos que /..J.:-.E--:.lz) = al2) o sea.'nde 5 es la desviación estándar de los datos. ¡-'¡::-.i.::".-:l=:::rJ-:-':-.-'.lo es r erdadera. -' :i'-'=: . :-:j: :¡: j: -:.. es deci¡ se rechaza É10 si I tol ) ton. es el p:r.U slJn (2.:.¿: H si el valor absoluto del estadístico de prueba es mayor que el valor crítico ¡..¿. prcrrnedio. . Se re. como en la mayoía de los problemas es irreal suponer de antemano que se conoce lavarianza.Ulrlf 11.: ll.. Prr¡eba para la media con varianza desccnocida sea X una variable aleatoria con distribución normal con media4 y varianzaoz. rTl.:: .lel prxeso dur¿nte -si.

7). entonces ahora. entonces tal valor de /6 es evidencia de que F/s es falsa.la hipótesis alternativa es unilateral: - ¡zo sólo ctando ¡'t > Ho: Lt = [to (2. En aquellas situaciones en que se desea rechazar Ho : l"t 6.5). El comprador sospecha que el peso medio es menor.4).De aquí que. üe r¡ caiga entre -to¡2y top.1 (2. la hipótesis unilateral se plantea de la forma: Ho: lt = &o (2. Obsérvese que la región de rechazo dada por la unión de in- :rralos (-cr . si 1o que interesa es rechazar Ht: l¿ =¡.ls sólo cuando & < l¿0. ri re cae entre -to12y tanes evidencia a favor de la veracidad de 110 ya que no existe inguna contradicción. Por otra parte.4 Peso de costales. Por el contrario. si to < -to.1 kg. -totz) lJ (-ton oo) está determinada por la probabilidad a del error tipo I (véase figura2.10) ¡to H¡: ¡t 1 y se rechaza H. si la muestra produce un valor de /6 fuera de gsole límites. con una varianza de (oz = 0.1 .11) Ht: & < 50. Eiemplo 2.4 Regiones de rechazo y de aceptación para hipótesis (2. Para confi. - Región de rechazo Égura 2.rmar su sospecha decide contrastar las hipótesis: Ho: l"t = 50. Un fabricante de dulces compra costales de azicar a cierto ingenio.e) Ht: & ) lto En este caso se rechaza Ilo si lo > to. Según los vendedores.Prueba para la media 55 -t Región ar2 o Región réchazo -aceptación de 'olz de ____. los costales tienen un peso medio de 50.

está dad¡ ¡1.= 33.tr:o :. de aquí ia necesidad de contrastar o probar las hipótesis: Ho: oz = 0.5 y de esta manera comprobar si esa diferencia es estadísticamente significativa. Prueba para la r¡arianza En el ejemplo 2. = j. se lee el valor crítico /00. Si aplicamos lo anterior al caso de la varianza del peso de ios costales.-idencia señala que dicho peso es menor que el declarado.e yl es un punto crítico que se obtiene de la tabla de distribución ji-cuadrada.4 sobre el peso de cosiales. selecciona de manera alea_ toria tres bultos de cada uno de 1os sis:ieni¡s ci¡tco pedidos. Si 110 es verdaderaT6 si-eue una distribución jicuadrada eon n . Como yf. = 0.r.re I con un nivel de significancia de 5 -r r c: = fl. bajo el sllpuesto de normalidad. Ho:d>of. 14.-= = oi =33'6 d el cual. donde ofr es un valor conocido (0.4y s2 = 1.= oi donde n es el tamaño de la muestra.8). se utiliza el siguiente estadístico de prueba -.l)Sr 14x1.76 = -/¡.haza la atlnnación del vendedor de que los bultos tienen un peso medio de 50. declarada por el r.lo cual lleva a sospechar que su ahrmación sob¡e tra varianza del proceso es falsa.2. es bastanfe diferente que 1a vananza muestral I = l.5 en el ejemplo). Se rcchaza la hipótesis É16 (figura 2. se rechaza Ho si yl > y2*.riu rn.o. Es deci¡. Esta hipótesis es un caso particular de la siguiente: Hs: o2 = of. = -).5.2.n. En la tabla de clistribuciónji-cuadrada se lee que yl.2 tn -lSS2 z. con c(.-6.endedor.s .{-l-i L Pa¡a eilo.[56 {epiTULü R Elementos de inie renei¿ esiae ist. :1 estadístico de prueba calculado de acuerdo con la expresión (2.05.. obtenemos que . _.6 > \ ..1 De las tablas de la distribución rde Sruie:r J¡l ¡: .1 grados de libertad. s¿ re. . De . para a = 0.5 Ho: o2 > 0. para probar esta hipótesis y bajo el supuesto de distribución normal.s5. sigue una distribución ji-cuadrada con 14 grados de libertad cuando Flo es verdadera. h=.. C.1.05 y 14 grados de libertad es igual a23. por elro.r. Pesa los 15 bultos y obtiene quex = 49. r'adernis l: e.2 .6g.T'-i = I A1 r 1. d"ond.1j <-1. El hecho de que los dos números sean distintos no srgnifica que sean estadísticamente diferentes. a simple vista se puede norar que la vananza ol = 0..I = 1-l _erados de libertad.5). (r¡ .

4 7 - Región rechazo de .on. existen tres criterios equivalentes para decidir cuándo rechazar la hipótesis nula y. por lo que en algunas situaciones puede resultar ventajoso usar un criteno \ no otro. como el estadístico 1fr de la hipótesis sobre la varianza. la varianza 'aZA le1 rue hi- y se acepta ta hipOtesls unilateral 11o (véase figura 2.l. este criterio es el único que comúnmente se usa. aceptar la hipótests alternatir-a. en consecuencia. en la vartanzareportada decir. Debe tenerse cuidado de comparar los valores adecuados. Sin embargo. :on 14 :ada se _13. dependiendo de la hrpótesis alternativa de que se trata. cayeron en las respectivas regiones de rechazo. algunos de estos métodos proporcionan información adicional sobre la decisión que se está tomando. por ello. Este método consiste en rechazar Hs si el estadístico de prueba cae en la región de rechazo que está delimitada por el valor crítico.Tres eriterios de rechazo o aceptacióñ equivalentes t7 fde Student g.68 = Xz"se rechaza É10 :sta Tres eriteriCIs de reef!á!u$ o &cep*acióm equivailentes Al menos en las hipótesis más usuales. Si la hipótesis alternativa parala vaianza es bilateral.5). realidad. lo cual se representa en la figura 2. No obstante. la variabilidad del peso de los costales es mayor. Es por el vendedor para el peso de los costales es falsa y. La equivalencia es en el sentido de que los tres llevan invariablemente a la misma balo decisión en términos de rechazar o no a É1s.es :alnos Estadístics de Brueba frente a va¡ür crítico :Este es el criterio que utilizamos en el ejemplo previo y es el que tradicionalmente se empleaba antes de las facilidades que ahora provee la computación. es el que se explica en muchos libros de texto. 23. Tanto el estadístico /¡ de la hipótesis sobre la media. Cuando los cálculos se hacen de forma manual."/ con 14 La:-t'to I ir ll -4 A I 2 -2.5 Resultados de las hipótesis para la media y para del peso de costales con o : 0. Figura 2. ón ji7." o si yl < X? . este método tradicional es el que da menos información adicional acerca de la decisión tomada.05.6 > . .5. entonces se rcchaza Ho ti Xl > XZ.

de aquí que esto último sea más informativo.':l. .ie signifrcancias . Mientras que la signfficancia observada o calculada. o seá. típicamen- Jt¡trjbuclón f de Student con r?.rnecesariamente sucede que valor-p > d.1 grados de irL'enad.je 1a di>inl'u¡ión a la derecha {izquierda) de rs. es ei área bajo la distribución de referencia más allá de1 valor del estadístico de prueba. to].e <_i-t -P(T>+/o) anterior se desprende que fl. por lo que se rechazaría la hipótesis nula con un riesgo tipo I de 0. entonces só1o hay una probabilidad a favor de I1e de 0. De lo I:s :n¡'!. 1a si-enificancia obser'nll:tera vada es el área bajo Ia cun'a. ¡l error I La signfficancia predefinida que se denota con (t. . En el caso representado en la f. si la significancia observada o valor-p es igual a 0. que cuando ocute ne el evento ltol ato. por lo tanto.0001. -t"/2 -to Reeión to to/2 . si valor-p < c. utilizando una hipótesis bilateral.0001. Resión de rechazo Figura . En otras palabras.y viceversa. mientras que comparar las significancias a frente avaTor-p es contrastar. valor-p ) ' de rechazo ct. representa una medida de la contundencia con la que se rechaza o no ia hipótesis nula. por ejemplo.:-¿ J j::r:it3 i:. Resión de ace"ptación 2.ixrrnn $ignifieancia obseruada frente a significanc¡a predefinida q:ri ci e^a perim*ntadtr estd di:puesto aürier con resp*ckl ilp'-r 1. consiste en contrastar simples números.-. Si il prueba e s . es decir: '. En la figura 2. 1o que lleva a concluir de manera contundente que la hipótesis nula debe rechazarse.:J.1¿ ¡e :e¡ha r lzquierda r.ada se puede ver como la probabilidad o evidencia a favor de Hr.f¡ : ¡.rgura citada no se rechaza I1o con cualquiera de los dos criterios. el area bajo 1a curva fuera del intervalo l-to.r-r = P¡T j.6 se muestra. un valor-p = 0.'anric ctbsert'ado es merlor que la significancia dada. por ejemplo en 1a prueba rbllateral. también conocida como p-value o valor-p.38 {AP$TUL$ ? Flementas d* infereneia estadística K Sigr:lficancia predefinida | '. que es menor del que se está dispuesto a admitir.probabilidades.0001 nos señala que el valor observado del estadístico de prueba prácticamente no tenía ninguna posibilidad de ocurrir si la hipótesis nula fuera verdadera. es el riesgo máximo que el experimentador está dispuesto a correr por rechazar rgs indebidamente (error tipo I). Este criterio es mejor que e1 anterior porque la sigaihcancia obsen. La comparación de ¡0 frente a /"r. La erpresión "más allá del estadístico de prueba" significa. se rechaza si la sle¡¡iri.05.:.6 l:^:¿-::::.'l rr95g9 m. a = 0.0001.::.

Tamtrién puede ser que el experimentador quiera. pero no provee la prueba de hipótesis correspondiente. se requiere el intervalo a1 100 (1 -)-c.1.i-{iprit*si. sea igual a a..9 y 49. . la materia prima que utilizan las máquinas se asigna de forma aleatoria a las máquinas. fuera de cada extremo del intervalo. a- ffi&p$€mw$w pmrm dmru mm#ümru.s. Para ello se obtendrá una muestra aleatoria de observaciones de cada máquina.1..2: Para que la comparación sea justa.9.ii': !r¡f+n¡!*:xfr"¡s 59 trrit*svm!* d* e*mfi*mza En este método se rechaza É16 si el valor del parámetro declarado en la hipótesi: nula se encuentra fuera del intervalo de conf. Cuando la hipótesis planteada es de tipo bilateral.. por lo tanto. este criterio tiene ventajas sobre los anteriores. con una confianzade90Ta pr esfá entre 48.40¡'t. el intervalo de confianza para el parámetro que 1e interesa. el valor 50. por lo que para rechazar la hipótesis nula el intervalo debe ubicarse a la izquierda de 50. como 1o indica la hipótesis alternativa... Yor. además de la conclusión de la hipótesis. en ese aspecto. Supongamos que los datos a observar en la máquina A son Yor. y las 2n pruebas o conidas se hacen en orden aleatorio. y los datos de la máquina B son YBy...1 y la evidencia señala que contienen menos azicar de la que se afirma. Este criterio es útil cuando el software proporciona el intervalo de confianza para el parárnetro de interés. comparar dos proveedores. Y¡. s la1 iS.16(l'$) = 4e. dos máquinas o dos métodos de trabajo. Nótese que para rechazar una hipótesis unilateral también es necesario verificar la ubicación del intervalo en relación con el valor declarado en la hipótesis nula. en el caso de la hipótesis unilateral sobre la media del peso de costales dada por la expresión (2. Supongamos que interesa comparar dos tlatamientos )' que éstos son dos máquinas A y B. como ocurre en este caso. ¡:nrn d*s medias: conrpaiaeión J* .= 4e.sl \3873) .. la hipótesis alternativa es .4st =148.c: t't de confianza.t'c para que el área bajo la curva. .É1¿ : pt < 50.. No es adecuado realizar primero todas las pruebas de la máquina A . En tanto. el intervalo debe ubicarse con respecto a este valor. Estos futuros datos se podrán escribir como en latabla2.A5DVa = 907c de confianza para aplicar este criterio con una significancia 9AVo de confianza para la media¡. ..4at0. En el ejemplo. Por ejemplo.(2 x A. Si lahipótesis es unilateral. se rechaza la hipótesis f16 : ¿¿ = 50.. dos materiales. ffiffitrffiWmrms$Srx dm'd*w *wm€mw$ese€wru lJn problema frecuente que se presenta es comparar la media de dos procesos o dos tratamientos. Yu.ranzapara el mismo parámetro. Ys2. y además el intervalo está ubicado a la izquierda del 50. se utiliza directamente el intervalo al 100 \7 .r está dado por: a = 0.05.1. El intervalo al xlínu.ln Así. 4s.1 declarado en la hipótesis nula no pertenece al intervalo. Por ejemplo. que realizan la misma operación.11) se debe construir e1 inter-valo al 100(l .

Si cada proceso sigue una distribución normal y son independientes entre ellos.- py + 0 Para probar r1o se toman dos muestras aleatorias.t2) Ha: ¡. y el orden aleatorio de la: prueba-s nulifica el efecto de las fuentes de variabilidad que acrúan durante el transcurso de las mismas (como las variables ambientales).40 eApíTUL* 2 Eierrentos de inferencia estadística Tabla 2. el estadístico de prueba adecuado para probar la hipótesis de igualdad de medias está dado por. Interesa investigar si las medias de dichos procesos pueden considerarse estadísticamente iguales. I-+ X_Y fr. l't: Iat Yn Yen + X. pero también puede trabajarse con n.14) . Ahora.2 Comparación de dos tratamientos. . n./tr. Suposición de varianzas desconocidas. al re- partir su efecto equitativamente en ambas máquinas. = ky = n. de tamaño n. que se pueden reescribir como Ho: #.t. veamos cómo hacer estadísticamente este tipo de bomparaciones. Para ello se plantean las siguientes hipótesis: Ho:&r= &y (2. Sean dos procesos o tratamientos con medias 4" y ltyy varianzas o1y ol. como en el ejemplo de las máquinas antes descritas. (2. en general.13) H^: p.-ión. respectivamente.t. * '0 t= lrT J. La asigaación aleatoria del material hace posible que a cada máquina le corresponda material con una calidad equivalente. la del proceso X. : 0 (2. # ¡.\r. es recomendable que n.*" y posteriormente la: de ia rnáqnina B. si no pudieran tomarse iguales. prorque eso puede favorecer a una de las máquinas y afecta isesgar la compara.y de tamaño nrladelproceso f.

14) De la tabla de distribución Z de Student con 13 + 13 . 4 530 1. = I'tv HA: I't.06JOrc)+Qt:r.2.|t .04 t2.92 344. Es decir. y se calcula como (n" 5.064' Como ltol = z'O+ < 2'064 = to¡2' rto sa rechazaHo.rianzas pan el tamaño de la partícula..13) . suponiendo que dichas varianzas desconocidas sean iguales.in= 47. 3:7M 4'326 3797 . = -1. del tamaño de la partícula... Los resultados son los siguientes: 4'.12) 4.2 grados de libertad.::s {il el cual sigue una distribución 7de Studenfconn. Itt.00. Sl= Para comparar las medias se plantea la hipótesis de igualdad de medias con la alternativa bilateral. de un mismo lote de pintura se tomaron 13 lecturas con cada centrifugadora. se rechaza ÉIe si el forma He: F* Fy. las centrifugadoras son estadísticamente .i q:962. -:i r' r.. :.7'14 lees- con dias üan- 4 6011. y si es de la < Sa rechaza si /s < -fo.:44 ..24'732.00-4408.r. Para medir esta característica se utilizan dos centrifugadoras.. donde to¡2eS elpwto al2 de la cola derecha de la distribución Z de Student con nx * fty .00 4779 41AO 4:152 44A892."' " 'l s?. se obtiene el punto crítico t¡0..r. Se decide hacer un estudio que permita comparaf las medias y las varianzas reportadas por los dos equipos.* fly. Luego. r'. por lo que se concluye que las centrifugadoras A y B reportan en promedio el mismo tamaño de partícula.z+1= 2.ozs.. i mal y la hi- la cual se desea probar con un nivel de significancia de 57o (a = 0'05)" Suponiendo igualdad de v¿. el planteamiento es: 2. La calidad de la pintura látex depende..'r rr 4:6P6' 4896 4561 4oO5: '-rr'4r8'r0 : 4987 5. donde Sf es un estimador de la varianza muestral común. para lo cual.001 4295 4. En forma equivalente. si l¡ ) t¿1. > ly.::. Cuando la hipótesis alternativa es de la forma H¿. 626 :..# HY :so f."'4 06|6 &.y lue Ejernpla ?"5 Compáración de dos centr¡fugadoÍas.14) está dado por to= 4684. . valor-p < & para la pareja de hipótesis de interés. el estadístico de prueba calculado con las fórmulas (2. :' 4 924 XiJ' .2 = 24 grados de libertad. Se rechaza Ho : lt* = pl. Láqui- Ho: &.)Sl+(nj -l)S)': nr*nr-2 talCe con S] y S] hs varianzas muestrales de los datos de cada proceso' Se rechaza Ho ri I tol ) totr. entre otras cosas. puesto que no hay ninguna conjetura del experimentador acerca de cuál centrifugadora puede reportar valores mayores. y se sospecha que éstai reportan mediciones distintas para la misma pintura. : lt.:.2 grados de libertad.Hipétesis para dos medias:comparación de dos tratamier. =2.' 4 401 4618 4339 112 020.684.

la diferencia observada se considerara despreciable o irrelevante desde el punto de vista práctico. basta con que el experimentador esté dispuesto a correr 4. puesto que el estadístico de prueba y el punto crítico son muy similares. al comparar dos proveedores del mismo material puede no haber razones para suponer de antemano que las varianzas de cada uno de ellos sean i-suales o parecidas (estadísticamente). En general. e1 estadístico de prueba para Hs 1 lt.1.16t .f)' a t2.92 = 27 5.055. que en este caso es X .. pero habría situaciones en las que se pueden a.1. dependiendo de lo que ::*":.ier"¡ es 1a slgrul-icancia práctica de 1a decisión sobre la Lupótesis.05 con el valor-p = 0.imtlr pr:b'eblhdades de es¡e errtrr hasta de c.. Si no se supone igualdad de varianzas. .42 {APíT!"}LS ? ilien"r*nt*s de infer*nci¿r *staciístie* iguales en cuanto a sus medias. es el más utilizado en la prácticapara probar la igualdad de dos medias. que puede impactar fuertemente 1a calidad de1 tamaño de partícula.| =4 684. cuyos grados de libertad v (nu) se calculan mediante la relación: tSj/n. pero se aprecia que si tal significancia predefinida por el experimentador fueraa = 0. no es recomendable cambiar a posteriori el valor cr para modificar 1a decrsión sobre una hipótesis.1s) s: trr' h. En muchos estudios es razonable suponer que las varianzas desconocidas de los dos tratamientos a comparar son iguales.A8 y representa un e stimador dé 1a diferencia en las medias poblacionales del tamaño de partícula que son reportadas por las centrifugadoras.05 y concluir que las medias de las centrifugadoras son iguales. Sin embargo. En caso de que 275. está dado por sj -f (2. :-'--:1ir: l. n -1 [f ." i: .= 0.= 4. E1 caso de las varianzas desconocidas pero iguales que acabamos de describir. la decisión sobre la hipótesis sería rechazada.055 o tomando más datos. conviene observar que el rechazo es por un margen muy escaso. que sigue aproximadamente una distribución T de Student. o no existen datos históricos sobre los dos tratamientos que permitan suponer algo pertinente sobre las varianzas. Esto es.t. Pero en ocasiones las varianzas no son iguales.00 . 1o cual tiene que ver con la dii'erencia obsen'ada. sería un elemento favorable al tratar de verificar si tal diferencia es real.-on:i.4 408. Por ejemplo.1-:. Al comparar la significancia predefinida a = 0. Otrr aspecio ¿ .053 se concluye lo mismo (no se rechazallo). Si por el contrario.5% de riesgo tipo I adicional para concluir que las medias de las centrifugadoras no son i-euales.08 represente una diferencia relevante. entonces "conviene" aplicar estrictamente a = 0. Ya sea al anahzat la conveniencia de utilizar o = 0. ¡r {5'/n tr n -ll..

puesto que éstas son determinantes en cualquier proceso o tratamiento. utilizando a = 0. la decisión es no rechazar Ho: ot.s2 (2. El planteamiento de la hipótesis se puede reescribir como: (f' luTA- no Hn::..il. or )s- ty rir.. bajo el supuesto de que É/6 es verdad. A1 calcular el valor del estadístico de prueba se obtiene que Fo = f .9.11=0. implica potencialmente mejor calidad..Prueba para la iguaidad de varianras 4t t I : S f S Como antes. Si éstos son iguales simplemente es el inverso. se obtiene eue v = 26.2Medianteelpaquete estadístico Statgraphics se obtiene valor-p = 0.16) para calcular los grados de libertad. .intercambianlos grados de libertad del numerador y de1 denominador. Con esto se determina que el valor-p = 0. en el caso de las centrifugadoras interesa ver si alguna de ellas tiene mayor error (variabilidad) en sus mediciones. con a = 0.2. se rechazaHo ri I fol ) ton." o si el valor-p < a.Ft o. no se rechaza la igualdad de las medias.11.. La comparación de varianzas tiene interés en sí misma. y aplicando la fórmuia (2. a r€ Frueha pera Ia *gualdad de variffimxas En lugar de suponer. sigue una distribución F con rz.n2 1=IlFo..w) Ho: o2" e- * oi io al. = oi.*l o. Por lo tanto.05. se puede proceder a verificarlo de manera estadística mediante las hipótesis: la Hg: O2. de 1. Por ejemplo. que las varianzas son iguales o diferentes. Por ejemplo. observe que los valores de ls y el valor-p son prácticamente iguales que antes. el valor-p está dado por el área bajo 1a curva a la derecha lacurvaalaizquierdade 1/1. e1 valor del estadístico dado por la expresión (2. Ésta es la misma decisión que se obtuvo al suponer varianzas iguales.052. . y se concluye que. t.18) rti0a- H^::. los puntos porcentuales de cola izquierda y cola derecha de la distribución F cum- plenlaigualdad'. r.1 grados de libertad en el denominador.05. paru enfatizar que la prueba se basa en la distribución del estadístico. con independencia de las me<lias. en la prueba de medias.16) 2En general.= Ol 1e (2. si en el caso de las centrif'ugadoras no se pudiera suponer que las varianzas son iguales.04.1 grados de libertad en el numerador y nn .n. Por lo tanto.19¡ rtad el cual.15) resulta ser /0 .unoeselinversodelotro.=1 o" (2. E -l o' lda de 1s) "s. . Como la distribución F no es simétrica. estadísticamente.másel áreabajo .Esdecir. En general se considera que a menor varianza.85. t.

otz= L96. Se rechaza Hs si lz0 | hipótesis alterativa fuera unilateral. bajo el supuesto de distribución binomial. Por ejemplo. señala que la decisión de no rechazar la igualdad de varianzas es contundente.-'| !-' ' = n1ln2 .70. se requiere probar la siguiente hipótesis: H:P.) >:o/r.t.44 CApíYAitS ? E{ernentos de inferencia estadístiea las centrifugadoras tienen la misma variabilidad. A cada 1as grupo se le suministra un fármaco diferente. Transcurrido el tiempo de prueba observan se \ = 65 y xz = 7 5 personas que se recuperaron con el fármaco en los grupos correspondientes.543 \07(1-0?)[#. precisión o effor de medición. por 1o que no hay evidencia suficiente para afirmar que un fármaco es mejor que el otro. Para ello. Comparación de proporc¡ones Una situación de frecuente interés es investigar la igualdad de las proporciones de dos poblaciones o tratarnientos. El valor del valor-p tan grande con respecto al valor de a. Esta suposición se justifica por la manera en que se obtienen los datos. a la muestra a la que se le aplica el tratamiento 1 es independiente de la muestra para el tratamiento 2. entonces. =P: íJn *p: dondepl y pzson las proporciones de cada una de poblaciones o tratamientos. 65 75 100 f= 100 = -I. entonces z¡ se compara con z. y los datos se obtienen en orden completamente al azar. En el caso de los fármacos. PobXaeüomes pareadas {cCImparacñSm de dCIs medñas c$m rmr¡estras dependientes) En las secciones anteriores se probó la hipótesis de igualdad de las medias de dos poblaciones o tratamientos. se necesita probar la hipótesis de igualdad de proporciones. el estadístico de prueba zs está dado por: bodonde frt(t-. En caso de que 1a p {.#) Como I ¿o I = t.100 personas cada una. suponiendo que las dos muestras son independientes. como (65 + 15)l(100 + 100) = 0. es decir. entonces no se rechaz a Hs.5+3 no es mayor gtJe Zo. . Con esto se . es decir. Para ver si estas diferencias son significativas a favor del fármaco 2. para evaluar dos fármacos contra cierta enfermedad se integran dos grupos formados por dos muestras aleatorias de nr = ¡1.

s dalos de anrbos -. r¿¡ilr l'l:r:*str*s iSependielt*:) 45 EI lno . 1^ . l-eni¡les :e -. El trabajo lo reaTiza el mismo operador y los datos obtenidos se muestran enlatabla2. si hay diferencias en las mediciones sobre la misma pieza. a! a¿¿.. por ejemplo.6 )or e1 los es. -.:-iJs 5e obtienen pof :a rranerS que éslos iiene . por lo que se espera que haya una fuerte correlación entre las medi- ciones reportadas con los dos instrumentos.*t lri:lt'lp*ra*:i** d* *i*s m*clias t.. Recordemos que orden completamente al azar significa que las unidades se asignan de manera aleatoria a los tratamientos.. coTt:n ) nlr -.-. al medir las piezas con los dos instrumentos. sino que la mejor estrategia es tomar muestras pareadas. pero además. si una es grande se espera que ambos instrumentos tiendan a reportar una medición alta. mientras que las pruebas o corridas experimentales se hacen en orden estrictamente aleatorio.-. en muchas situaciones experimentales no conviene o no es posible tomar muestras independientes. al observar las diferencias entre los tratamientos en un mismo paciente se eliminan otras fuentes de variación y se logra hacer una comparación sin sesgos. des las s::. y en este sentido no son independientes. -- * " rse pos aco A los mismos pacientes se les aplican dos medicamentos (tratamientos) para el dolor en distintas ocasiones. Un par de ejemplos son: ffi ü ¡e *. de forma que cada par son datos que tienen algo en común.. . lo cual se hace con la idea de evitar cualquier sesgo que pudiera favorecer a uno de los tratamientos. Esto significa que los datos de ambos tratamientos se van obteniendo por pares.: .::ol-io. Además. Para ello se toma una muestra aleatoria de 10 especímenes y cada uno se pesa en ambas básculas. Al ser el mismo grupo el que recibe ambos tratamientos se logra una comparación más justa y precisa. P1 .de !.F*hlari***s pnr*ad. La comparacién de las básculas se puede evaluar probando ia siguiente hipótesis: rel se : ¡t. :-. En el caso de las piezas.. -. Es :. ¡le¿tc'¿ hacen : .^¿. : . Sin embargo. entonces esas diferencias se deben principalmente al sistema de medición. de m¡ner¡ :¡ i¡¿tenientos =' :=" -: )¡ piue:. Por pos ada justifica la suposición de que no existe relación directa entre los datos en el primer tratamiento con los datos en el segundo. cuidando que el orden en que se utilizan sea elegido al azar. :r--: :' su- lVa En el primer caso.1d Comparación de dos básculas. que a la misma unidad experimental o espécimen de prueba se le apliquen los tratamientos a comparar. por 1o que las mediciones del efecto de los medicamentos sobre el mismo paciente están relacionadas. Ho: ¡tt * ¡. ". en el sentido de que si uno es muy pesado se espera que ambas básculas lo detecten.'r:n*pfi gtarr¡*a:t* ¿c-= :r el que l¿s unida.3.. aquí se quieren comparar los instrumentos. los tratamientos a comparar son los dos medicamentos. Es claro que tenemos el caso de observaciones pareadas.Lt Hs'. ei -'i=- w ffluestras pareacas Son aquelies .On . ya que el peso que registra una báscula para un espécimen no es independiente del que registra la otra báscula para el mismo espécimen. Se desea ver si dos básculas están sincronizadas. Ejemplo 2.. el apaleamiento consiste en que el grupo de pacientes que recibe el medicamento A es el mismo grupo que recibe el medicamento B. A las mismas piezas se les hace una prüeba de dureza con distintos instrumentos.

02 -o.20 como el valor-p = 0. Es decir.8) para una media.055 es mayor eu€ 6r = 0.De hecho.3 Mediciones reportadas por dos básculas.02g7 es la desviación estándar muestral de tales diferencias y /? es el tamaño de la muestra.20) es el caso particular del estadístico (2..4A I 19.05 0.05 0.42 9. So = 0.05.02 4. en el caso pareado.02 es el promedio muestral de las diferencias. cuando &o = 0 (véase sección "Prueba para la media" de este capítulo)..05 no se rechaza Hs aun nivel de significancia de (x. I 2 J 4 -) 6 7 8 8.04 -0.4t A. con la muestra de n diferen cias (d1. .tJ n (2. el problema de comparar las medias de dos poblaciones se convierte en el problema de comparar la media de una población con una constante.s2 23. estas hipótesis.33 10. De esta manera.50 23. _ .20) H^: p¡ donde * 0 pt. Esto es.t'7 13.27 13. En este sentido. cl2. prrr lo que ll se rechaza si l ¡" ) r. se plantean de manera equivalente como: Hs: ur=g (2. cone.21) d = -0. Sin embargo.4s 19.01 6..05 4.01 0.03 dondepl es el peso promedio poblacional que mide la báscula I y ptres el peso promedio poblacional que mid'e la báscula 2.35 -0. esta conclusión es bastante endeble dado que el varor-p es muy similar al valor a. d.41 -0.01 9. . 0.-l: 10. . el estadístico de prueba para la hipótesis (2.36 i 11.: .46 12.23 | 14.47 I Q. y el experimentador debería considerar la posibilidad de asumir este riesgo de 67a y rechazar la sincronización de las básculas. . Bajo F1 el estadístico r. o si yalor-p < c. es la media de la población de diferencias.38 ! i I | I 14.52 4. Al hacer los cálculos resulta que: -{.eAPiTUtO 2 Elernentcs de inferencía estadística Tabla 2.41 I 9 10 6.se distribul'e como una Z de Student con n 1 grados de libertacl. Entonces. no hay suficiente evidencia en conÍa de la sincronización de las básculas.06 se concluiría lo = contrario.) se obtiene el estadístico dado por: to= donde a s. .15 11.0287 / \ 10 = -1.02 -o. = 0.

*rrp. el efecto de las posibles diferencias entre los dos instrumentos se mezclaría con la variabilidad que de por sí tienen las piezas.i:iili::i.. el cofre del segundo auto debía estar bajado. ya que se sabía que los días de la :€m?lril o los turnos podían tener influencia en el número de impurezas. {. etc. En una fábrica de autos se tiene la conjetura o hipótesis de que el número de impurezas en la pintura de los cofres de los autos es diferente. FmbÍaci*n€s p#reades: eñsffi m. y no al efecto de la heterogeneidad que de por sí tienen los especímenes de prueba. las observaciones pareadas son necesarias para eliminar fuentes de variabilidad que podrían no dejar hacer la comparación de manera eficaz. en cada com:inación de día y tumo se asignaron caffos con el cofre levantado y cer:rado. Pero aun si se pesara un grupo diferente de 10 especímenes con cada báscula.:¡cf lirrjii. Cada dato en las columnas levantado y bajado en la tabla 2. entonces la propia variabilidad de las piezas dentro de cada grupo. Así.22) Ho: pt.4.ás general La mayoría de las aplicaciones de la prueba pareada buscan una estrategia en donde las diferencias observadas se deban a los tratamientos que se quiere comparar. De D) utilizarseen situaciones más complejas donde variabilidad explícitas. on ¿1) ies- ajo tad. la prueba pareada puede es necesario comparar tratamientos ante la presencia de varias fuentes de de ia ba Eiemp$* ?"s lmpurezas en cofres levantados y bajados. dependiendo de si el auto pasó con el cofre cerrado o abierto por ios homos de secado. :1 de sin- lado ia lo esgo =0 (2.etrjo: si le tocaba levantado. subprocesos. lotes.:::. esta manera. esto quedará más claro a continuación.'*. Se decide correr un experimento para comparar el número promedio de impurezas en cada situación dei cofre (tratamientos). se quieren cornparar dos máquinas por medio de los resultados que generan..*ii. entonces. E1 planteaniento estadístico consiste en probar la hipótesis de que 1a n-redia de las drferencias -s cero: H(j'. * 0 . que es la manera correcta de resolver el problema. Se consideró que no era adecuado úilizar muestras independientes. pero el material que utilizan tiene una historia larga en la que sufrió el efecto de varios factores como son: proveedores. en lugar de analizar las diferencias. en la cual también se aprecian los datos obtenidos.. ptp ia. Así. se analizan por separado las mediciones de cada báscula. más las diferencias entre los dos grupos. como se muestra :n la tabla 2. se requiere una identificación más estricta de las t-uentes principales de variabilidad a fin de parear los datos con base en ellas. días.:ñ'l. turnos...e$} 47 Si en el ejemplo. Estos dos :actores se incluyen en el estudio como el criterio de apareamiento. La aleatoridad se llevó a cabo por parejas de autos: antes de -¡ entrada a los hornos se aleatorizó si el cofre del primero estaría levantado rr t.¡s iüí: fiürliii: .:r:ir-rl*r r."* rn*iii.:ra*Ér}¡t eJg iiq. probablemente ocultaría el efecto de la diferencia de los instrumentos de medición. al no ser posible hacer dos mediciones sobre la misma pieza como en el caso de las básculas. de tal forma que en el experimento se utilizaron :n total 200 autos. Por ejemplo.4 representa el :rorrredio de impurezas en 10 autos.

24131J10 estadísticc Lncluven t y el nivel de significancia observado (valor-p) es 0.. como se observa en los datos. por lo tanto.39. JUE\'ES VpRI!$S..74 utlhzi 0..9 1' f.9 4. por lo que las diferencias observadas dentro de un mismo día y turno. Con esta medida se logró reducir en forma significati- En Partic Sesviacrt ¿ : Oile-t ¿ i¡'ttet tierneil va el número de impurezas. -v también entre turnos.'. En efecto.7 . ya que como se aprecia en el arreglo deIatabla2."oút Y tt ' Al aceptar Ho: LLo= 0 se estaría admitiendo que el número de impurezas promedio en el cofre levantado y bajado son iguales (Ho: ltr = ¡t ). por lo que al proceder de esa manera se concluiría en forma equivocada que no hay diferencias entre tratamientos (los detalles de este análisis se dejan ccmo ejercicio)..-4 '.'.i M T M Tr s( rabala conun o.5 1.""'.3 3. Nótese que en la tabla 2.o'6 0.. 0.4.I 2:-]. tistan los Prote udu 4 5 1.8 tuto t" 6 7 lffi. si la comparación se hace siguiendo el criterio de muestras independientes.5 0. entonces de acuerdo a lo visto en la sección "Hipótesis para dos medios" de este capítulo.. que le corresponde un valor-p = 0.. es decir.s tecna .5 0.El valor del estadístico de prueba es: t Uso de si se " Sol'ln =-=_-tr/fl A Los rrrétodt 0. M T i.0000046.4 Número de impurezas en cofres de autos. se logran resultados más homogéneos a los que se les aplican los tratamientos. Pero además.0t5 rl¡11 es$f$e$ .9 ldncoms .. aunado a las mejoras logradas.7 5. "'' :2: J MARTES MARTES M T M T 3.':. justifica que la forma como se hizo el apaÍeamiento fue necesaria y coffecta.0.8 2'5 se r n la tabla 2t9 2.. oue inuolucran . -VIERNES'"'.cor¡s JUEVES 2. el cual es menor que a = 0. si en lugar de analizat las diferencias se analizan los datos de cada tratamiento (posición del cofre) por separado. cuando el cofre está levantado hay menos impurezas: entonces.4 3... !!fPS¡¡ L!l!$S'.0. se deben en gran medida a los tratamientos.7 48 CAPíTULO 2 Elementos de inferencia estadística Tabla 2. a partir de esto se decidió que los cofres de los autos se levantarán al entrar a los hornos de secado.05. e1 número de impurezas en los cofres depende de si éste se encuentra levantado o bajado cuando el auto pasa por los homos.4La gran variabilidad que existe entre los datos de un día a otro.nteno de 1el valor-P' Tt' et e I 9.6 . las diferencias debido a tratamientos se pueden. se rechaza de manera contundente la hipótesis nula de que los trat¿rmientos son iguales. :1 .8 4:.8 3.L 1"..9 sible rechazar ¡ 10 Énla tabt Hn: ta lnmelt 'aq iguales' L . se aseguró que al aparear caffos pintados el mismo día y en el mismo turno.r. el estadístico de prueba es / = 1.* 4. Esto.2 2.'t'.6 .€ pf$eb3 d 3. Eso causa que. minimizar ante tanta variabilidad. T I I . 18..1 2.

la secuencia a elegir es la siguiente: Describe + Numeric data -+ One-variable analysi.la cual fue prer-iamente capturada en una columna de la hoja de datos y después se pide Confidence intervals en las opciones tabulares y se especifica el nivel de confianza deseado EE OS de le)u'81 rri- Tabla 2. se declara la variable a analizar.s. En cada caso se muestra el planteamiento de la hipótesis. debe ser menor qu. en Statgraphics se incluyen en los menús de Describe y Compare que aparecen en la pantalla principal. tea- 2.5 Procedimientos de prueba de hipótesis para un parámetro. un tnlas En loS. Si se trabaja con un software estadístico es más directo y conveniente basarse en el criterio del valor-p. para hacer una estimación puntual y por intervalo. Fan r las laa . mientras que en la tabla 2. Prácticamente en cualquier software estadístico se incluyen los métodos aquí tratados. entonces. La segunda b) es para muestras independientes sin suponer varianzas iguales y el caso e) es para muestras pareadas. el estadístico de prueba y el criterio de rcchazo. note que aparecen tres maneras de probar la igualdad de medias Ho: la primera a) es para el caso de muestras independientes suponiendo varianzas iguales. > S- Uso de un safhrare e$adístico l-os métodos estadísticos tratados en el presente capítulo son más fáciles de aplicar si se utiliza un software para hacer los cálculos. para la media y la desviación estándar. por ejemplo.6 se listan los procedimientos que involucran a dos parámetros de dos poblaciones.e a paruque sea posible rechazar ÉIn. para cualquier hipótesis. el cual.Uso de un software estadístico ¡l{9 Resumen de fórmulas para pracedlmientos de prueba de hipótesls En la tabla 2. En particular.5 se resumen las fórmulas de los procedimientos de pruebas de hipótesis que involucran un parámetro de una sola población. :ste 18.4. este último para cada una de las tres posibles alternativas.6. hay io). En la tabla 2.

'{_t:-..s.í i?¡.' ''.::<.lJi :'::.r.H¡ P1* P.*("r{)sl \+n'-2 ! b) Hc HA Ft=$z fIA H^ Ft* Fz l\> Itt ."..ltt :lt.. donde q*.+:1..::.' Hi HA á7'.:¡.::tH). ior>"F¿it n. \n2 lL:.a o!..H.o-m t\<th {t*t li..rr. .¡. se especifican: el Las hipótesis sobre la desviación estándar se prueban en la opción Confidence interuals usando el criterio del intervalo de confianza: si el valor especificado en la hipótesis nula oo se encuenÍa dentro del intervalo no se rechaz a H0: en caso contra- rio se rechaza..:..it:i.. Ahí mismo está la opción Hypothesis tests.:. .6 Procedimientos de prueba de hipótesis para dos parrh€-rs a|H.n2-l F.2:::p2 -u-------F .r.r.i.H'1..'.....>. < F....z .t1. p\*nz d lrol.. t l.:.o.Ha. . Hi: pr''1'P:" -to..'tr:.7 50 Capítulo 2 Elementos de inferencia estadística Tabla 2.::.¡...:' "::'" ..'11 ':'11' = :...::::.t.....>-..:..i r. xr.:..t. En las opciones tabulares se escogen Comparison of nteans y Comparison of standard deviations. ) : ^ X. :' .lliii t1. o .Qt:'::..-l)s'.t.="-*. Pt<Pz li.... esrá en Compare -> T\ro samples -+ Ttro-sample comparison...Enlas opciones de panel valor Qtú que define la hipótesis nula.nl t.i¡:r.L..n '..-z ':''.....:::... Al>. . nr-7 t ' AHo H" HA . to> to < to- '"J..*1...: s.i.:riü . Pt+Pz !t)Pz.. el nivel de signiñcanciaa y el tipo de hipótesis alternativa que se tiene.'..+X.¿.: at:fii..:' . :::r:: : 111'''l rl'..:].: :' .::6.¿.. Ful>r....x.&z t{..il ldffde to 1 -t o..t. to'.... _ xr-Í.' .:.:::.' o?'< atr Pt=Pz Fo> Fo.:' ..¡l a]..y"¡'.:f4.. t.. u:::.)::Hb Fz 'o t -_ s..t '¿..ru. . :'tt .' It f:> i ur r"' . El problema de comparar dos medias o dos varianzas con muestras independientes. :.:.ljii....iti'l'it I 'He ZO'2-:..': HA PtlFz (Pane options)..r.. n2-t o Fo < Fr-o... lL:1-=. HA pr') ltz l4-.li. ¡ r4-z "o_ F.:):. nrt:''...r'.::.

ésta se activa usando la opción Complemenlos que está dentro del mismo menú de Herramientas.) estadísticas r' la opción Análisis de datos dentro del menú de Herramientas . Herramientas -+ Anólisis de datos -> Prueba t para dos muestras suponiendo varianzas iguales. la secuencia para estimación y prueba de hipótesis es: Stctt + Basic Statistics. 5l hn kxcel a Para hacer cálculos estadísticos en Excel se utilizan las funciones (f. para probar la igualdad de las varianzas se utiliza la serie de comandos'. estimación por intervalo. la secuenciaes'. En todos los casos. 3. y ahí se elige la opción deseada para una. . Señale un ejemplo de datos o muestras pareadas. iaay dence 7. Al final. cqué es una población y Para qué se toma una muestra? 2. _-i 5. se usa la secuencia: Herramientas '> Análisis de datos -> Estadística descriptiva. t. :iones rt? s. señale en forma específica para estimar qué parámetro utiliza cada una de las siguientes distribuciones: f de Student. En un estudio estadístico. En caso de comparar las medias de dos poblaciones suponiendo varianzas desconocidas pero iguales. Para probar la igualdad de dos medias usando muestras pareadas la secuencia es'. iQué es probar una hipótesis? iQué es hacer una estimación puntual y en qué consiste hacer una estimación por intervalo para la media. Herramientas -> Análisis de datos + Prueba t para medias de dos muestras emparejadas. Explique el papel que desempeñan las distribuciones de probabilidad en la inferencia estadística. por ejemplo? ZPor qué no es suficiente la estimación puntual y por qué se tiene que recurrir a la estimación por intervalo? A l. Para probar la hipótesis o encontrar intervalos de confianza para un parámetro.En Minitab. Si no estuviera activada la opción de Análisis de datos. 10. Normal y jiEn el contexto de cuadrada. panel 6. Señale y describa de manera breve los tres criterios equivalentes de rechazo de una hipótesis. dos muestras (sample) o muestra pareada. Herramientas -> Análisis de datos -¿ Prueba F para varianzas de eJos muestras. B. después de señalar el análisis que se desea hacer. en la ontraiepen- Explique qué es un estadístico de prueba y señale su relación con los intervalos de aceptación y rechazo. óQué son los errores tipo I y ll en pruebas de hipótesis? 9.t Fregunias y eiereicios Para comparar medias con muestras pareadas la secuencia de opciones a utilizar es Compare + Two samples -> Paired-sample comparison. se abrirá una ventana en la que se especifica el rango de celdas donde se encuentran los datos y las estadísticas deseadas. Ahí se activa el cuadro u opción Nlvel de confianza para la media.

5 28.4 2B.8 26. Los siguientes datos son obtenidos del monitoreo del proceso: .1 28j 26. Estime con una confianza de 95o/o.f g2 ' ':. o) iQué ventajas y desventajas tiene cada método de prueba? b) Para evaluar la resistencia media de los envases se toma una muestra aleatoria de n :20 piezas. Zcuál es la resistencia promedio de los envases? c) Antes del estudio se suponía que .7 27.4 28. icuál es la cantidad de nicotina promedio por cigarro? Antes del estudio se suponía que lt: 17.6 29. con una confianza de 950/0.3 26.9 25. :.8 27.9 28.7 27.6 27.& : 52. estime con una confianza de95o/o.5. icuál es la desviación estándar poblacional (del proceso)? quep:25.B 25.O 26.5 283 27.2 30.)¡-' '-¡ " '.7. Ejercicios de estimación I I. en la que mediante un equipo se aplica fuerza a la botella hasta que ésta cede.2 y S : 3.3 26.O 25.6 265 28. .4 26. c) d) Estime.. o) ó) Estime con una confianza de 95o/a.5 y 3.5 29j 23. .2 27. se toma un muestra aleatoria de 40 cigarrillos y se obtiene que i : I 8.3 28. icuál es la desviación estándar poblacional (del proceso)? Para evaluar el contenido de nicotina en cierto tipo de cigarros elaborados por un proceso. Para evaluar esto se han obtenido los siguientes datos mediante pruebas destructivas: 28J 26.9 26.'t .7 a) á) ipor Esta variable.7 27. En un problema similar al del ejercicio I l. Haga un análisis exploratorio de estos datos (obtenga un histograma y vea el comportamiento de los datos obtenidos).7 25.O.O 27. . ise puede rechazar tal supuesto? Con los datos anteriores. -.1 24.4 26.O 25. De los resultados se obtiene que X : 55. En la actualidad se realiza una prueba exacta. y el equipo registra la resistencia que alcanzó la botella. estime con una confianza de 950/0.5 26. Ztal supuesto es correcto? Con los datos anteriores estime. Para garantizar esto.5 28.9 27. Zcuál es la resistencia promedio de los envases? Antes del estudio se suponía e) 14.6 25.2 29. donde se aplicaba la fueza de 50 kg y se veía si la botella resistía o no..2 27.4 27. Con los datos anteriores. es necesario garantizar que Ia resistencia mínima que tiene un envase de plástico en posición vertical sea de 20 kg. en el pasado se realizaba una prueba del tipo pasa-no-pasa.6 25. con una confianza de 950/0. Dada la evidencia de los datos. forzosamente tiene que evaluarse mediante muestreo y no qué? al lOOo/0. Zcuál es la desviación estándar poblacional (del proceso)? c) d) iQué puede decir sobre la cantidad mínima y máxima de nicotina por cigarro? Es posible garantizar con suficiente confianza que los cigarros tienen menos de 20 mg de nicotina. En la elaboración de envases de plástico es necesario garantizar que cierto tipo de botella en posición vertical tenga una resistencia mínima de 50 kg de fuerza.2 25.9 28.1 28.6 24.1 mg y 5 : 1.5 27.2 28.3 27. ital su- puesto es correcto? d) 12.6 27. En fa elaboración de una bebida se desea garantizar que el porcentaje de CO (gas) por envase esté entre 2. Dada la evidencia de ios datos.8 29. 13.''. Dada Ia evidencia de los datos.7 29J 26.

55 2.99.87.92. .5 micras.57 2.96.51 2. lnterprete lo que observa.53 2.99.1 t9.69 2.61 2.a'l 2. De un total de 60 semillas se observó que 37 de ellas germinaron.68 2. 1.61 253 2.00/o de grasa? 16.O7.51 2.60 2.71 2. 1. Estime con una confianza de 950/o el porcentaje de facturas con anomalías en todas las compras del año. ZCuál es el error de estimación? tPor qué? ción tQu¿ tamaño de muestra se tiene que usar si se quiere estimar tal porcentaje con un error máximo de 2o/o? En la producción de una planta se está evaluando un tratamiento para hacer que ger- I Por oreo mine cierta semilla.57 2.60 2. y se encuentra que l0 de ellas tienen algún tipo de anomalía.60 2.55 F ia a 2.53 2.58 2.69 2. c) d) 17. o) ó) c) lB.59 2. de las cuales sólo se usa Ia mínima.56 2"62 2. con una confianza de 950/0. 1. 1.59 2.58 252 2.66 2 6a 2. la proporción de germinación que se logrará con tal tratamiento. Dada la evidencia. En una industria en particular se fijó como estándar mínimo que el producto que 'o- tv recibe directamente de los establos lecheros es de 3. 40 y 48. '. Dé un intervalo de confianza de 990/o para la desviación estándar.53 2.57 2.81.66 2.97.56 2.61 2. con una confianza de 950/0.67 o) ó) c) d) Haga un análisis exploratorio de estos datos (obtenga un histograma y vea el com- portamiento de los datos obtenidos). icuál es el CO promedio por envase? Se supone que p debe ser igual a 2.67 2.93. 1. 1.55 2.75.58 2.97.61 2. Se hacen siete lecturas en cada radio dando un total de 35 lecturas.57 2.2.93.60 252 2.93. El análisis de los datos muestrales establece que el mínimo es 2.64 2.56 2.73 2. 1.56 2.57 2.5 micras.48 2.93.00/0.95. rcia aunque en el método actual también se miden los radios 32.67 2.O2.61 2. 1.61 2. t5.2 y 5: 0.64 2. Estime.7 o) Argumente estadísticamente si las densidades mínimas individuales cumplen con la especificación de 1. 1. ise puede rechazar tal supuesto? Con los datos anteriores estime. 1.64 2.64 2.2.l . 1.55 2. Dibuje el diagrama de cajas para estos datos. 1.52 2.61 2.85.56 2.57 2.48 y el máximo es 2.98. la cual no debe ser menor de 1. Por medio de 40 muestreos y evaluaciones en cierta época del año se obtuvo que X: 3. m8 En la fabricación de discos compactos una variable de interés es la densidad mínima (grosor) de la capa de metal.73.3. omenI su- En una auditoría se seleccionan de manera aleatoria 200 facturas de las compras reali- zadas durante el año. uar :8.85.62 252 2.66 2.65 2.1. 5e sabe por experiencia que la densidad mínima del metal casi siempre ocurre en los radios 24y 57. A continuación se presenta una muestra histórica de l8 densidades mínimas: 1. o) Estime con una confianza de 900/0.62 2. icuál es la desviación estándar poblacional? puede decir sobre la cantidad mínima y máxima de grasa en la leche? iEs poZQué @ sible garantizar con suficiente confianza que la leche tiene más de 5. Encuentre un intervalo de confianza de99o/o para la media de Ia densidad mínima. Lpor qué el intervalo obtenido en el inciso o) tiene una menor amplitud? )n Una característica importante en la calidad de la leche de vaca es la concentración de grasa.3 b) Ao/0.60 2. o) b) c) Estime con una confianza de 9oo/o el contenido promedio poblacional de grasa. Ieon Es iCuál es el error máximo de estimación para la media? iPor qué? Estime.49 2.55 2.58 2.63 2. 1. icuál es la desviación estándar del proceso? U- e) 15.64 2. con una confianza de 950/0.

.'-.iaga una interpretación de los resultados. ia !. ZCon qué tamaño de muestra se aceptaría que las marcas son iguales. Los resultados son: ...: -. óse puede garantizar que la mayoría (más de la mitad) de las semillas germinarán? los dos incisos anteriores pero ahora con 950/o de confianza.2. c' Es'ttre crn una confianza de 900/0. á) A: 23.. Para er"aluar la efectividad de un fármaco contra cierta enfermedad se integra en forma aleatoria un gruPo de 'l00 personas. l-. c) ila temperatura promedio más confortable es igual para hombres que para mujeres? Pruebe la hipótesis adecuada. se Se desea comPrar una gran cantidad de Use a : 0.-:'¡+i¡::'¡t..: i..*---.i. ZEs significativa la diferencia entre los dos casos? Argu.*.-*-..ersona.03..1--.': :::: : i:l:lema Cel ejercicio l l.=-:: r. la proporción de efectividad que se logrará con :e ::'!r-¿:o.]na interpretación de los resultados..'''*. ::aqa . con una desviación estándar de 75 horas.: .. los datos anteriores al diseño de la prueba cc":'--: --:s:':..--. cuya longitud ideal debe ser de 20Cr min" De las inspecciones de una semana (25 píezas) se observa que la longitud media de las 25 piezas para una máquina es de 200. Dos máquinas.-'. y se encontró que las bombillas probadas de la marca A tuvieron un tiempo de vida medio de I 120 horas. Prueba de hipótesis (comparación de tratamientos) 22' bombillas y se tiene que elegir entre las marcas comPraron I o0 focos de cada marca. son utilizadas para cortar tiras de hule. mientras que las de Ia marca B tuvieron un tiempo de vida medio de I 064 horas.. cada una operada por Lrna . 24.-=c-:s:recesitaparaqueel errordeestimaciónmáximo sea de 0.-. c) Conteste I 9. para l0 hombresy lo mujeres..1 y para fa otra es de 201. o) E-in-r::c---a::-i¿:¡aie95::.79 --. con una desviación estándar de g2 horas..Q5? En un laboratorio bajo condiciones controladas.. se evaluó.'.l.--.: siguienie: de n: r20 envases de plástico probados para ver si tencia mlnir¡a es:e:::::¿.i:t ii¡. iCuál es el e-ro.- 75i77i78.:L ó) Con una confianza de 900/0.:.x: l0 envases no pasaron la prueba. -a::-l Calculeel tarnañcde 'r-:.. utilizando O. mente...ia .éFETiJ! ril ? i-:l*rr¡*:lÍ." l---*-'-*i--73:78 77 it i' l].::a de 50 kg de fuerza.--. Se suministra el fármaco y transcurrido el tiempo de crleba se observa x:65 personas con un efecto favorable.-.*--.. Para ello. laproporcióndeenvasesquenotienenlaresis- ó) c) 21 . o) iEs significativa Ia diferencia entre los tiempos medios de vida? A y B.54 i-.._i_1__-l__-1_" t9 lZslsol 1 "" i '.-r.. 7s o) zcuáles son en realidad los tratamientos que se comparan en este estudio? b) ZLas muestras son dependientes o independientes? Explique..05. Se prueban l0 Partes diferentes en cada nivel de temperatura y se mide el encogimien- to sufrido en unidades de porcentaje multiplicado por 10.--"'*.-..-14 t .--].-L---.r ::5i¡::. la temperatura que cada persona encontró más confortable.l"--.-.ce =.:. Los resultados en grados Fahrenheit fueron los siguientes: 74 i tz | 77 : 76 i l¿-T .-.'-i-''.-.-- I--i.. tenl¿r : r=s.

21.a 20.82 eres? o) b) nten- Describa un procedimiento de aleatorización para la obtención de estos datos. Pruebe la hipótesis de igualdad de los diámetros de los proveedores en cuanto a sus medias. 22. Se toman dos muestras de l4 piezas a cada proveedor y los datos obtenidos se muestran a continuación: 21. 2I. Sugiera otra manera de obtener los datos (diseño alternativo).5 r. 22.38.85. 20.8 18:4 16.ó0.0. 20.2 na Po 2t. r8.52.00. 22.53.92.4 .54.4 20.29.3 17. 18. 2l . ZCuál temperatura provoca un encogimiento menor? Compare las varianzas en cada temperatura.1 20. Los datos obtenidos fueron: se seleccionaron al azar cinco choferes de un rcaS illas una ¡de o) iExisten diferencias significativas entre las rutas? Plantee y pruebe las hipótesis estadísticas correspondientes. 22.is- 2t. 20.8 17. 19. 22. 22.5 18.4 r'7 20.r Preguntas y ejercicios 55 d) 17.7 l.8 19:9 : -.9 1. Pruebe la hipótesis de igualdad de varianzas. gu- i5.94. Una compañía de transporte de carga desea escoger la mejor ruta para llevar la mercancía de un depósito a otro.06. de manera que se pueda lograr una comparación más efectiva de las rutas. En el estudio grupo de 10 y se asignaron a la ruta A.13. En caso de rechazar Ia hipótesis del inciso o). dibuje los diagramas de cajas simultáneos para determinar cuáf ruta es mejor. Se mu- tienen dos proveedores de una pieza metálica.9 16.6 3 z\. 2L49.2l . La mayor preocupación es el tiempo de viaje.7: .21. ó) rndo c) ?6. Dibuje los diagramas de cajas simultáneos e interprete.25 cm.24.6 15.57. 19.9 19. 21 .65. ba 'si )4.6 ixi- o) ZLa temperatura tiene algún efecto en el encogimiento? Plantee las hipótesis esta- de (2s de b) c) d) e) dísticas correspondientes a esta interrogante. 19i12.25 2I. los cinco restantes se asignaron a la ruta B. 22. Dé un intervalo de confianza para la diferencia de medias. 2r. 16.22 . 10. cuyo diámetro ideal o valor objetivo 5en es igual a 20. c) .22.

ó) Anote la fórmula del 'estadístico de prueba para demostrar la hipótesis. En Xow" S. y en el método B se inyecta la cepa de forma transversal. Pruebe la hipótesis de igualdad de varianzas entre tratamientos. de 38 mazorcas inoculadas con el método B se infectaron 27. ihay algún tratamiento mejor? 29. c) Pruebe la hipótesis a un nivel de significancia de 5ol0. Para rechazar o no la hipótesis. d) Pruebe la hipótesis de igualdad de varíanzas entre tratamientos. por lo q-re su caracterización es c r Í as irportanb para fines de diseño. El mejor método de inoculación del problema anterior se aplicó a dos variedades de maíz en dos localidades. o) ZHay evidencia estadística suficiente para afirmar que el método B genera una mayor infección de huitlacoche? Plantee y pruebe la hipótesis correspondiente. son utilizadas para reforzar corlcreto. 30. Una vez infectada la mazorca. con el objetivo de reducir el tiempo de cocción. apóyese tanto en el criterio del valor-p como en el valor crítico de tablas.Srnranapee. interesa medir el porcentaje . el experimentador quiere determinar cuál de los métodos genera mayor porcentaje de infección.senta un estudio donde se mdan dos tiff de brró de poenerc. es a base de cloruro de sodio o sal común. Se hacen siete réplicas. el otro. Un tratamiento (Tl ) es a base de bicarbonato de sodio.|o: eseemurs pre d cñarmo su¡ 2O25 nnrn . V" A f*rri 't {2m5} se pre. orp Ensión se refueza con fibra de vidrio (RP). T2. apóyese tanto en el criterio del valor-p como en el del valor crítico de tablas.25 mm.*. f) iExiste algún tratamiento mejor? Se realiza un estudio para comparar dos tratamientos que se aplicarán a frijoles crudos. Los datos se muestran en la siguiente tabla: o) Formule la hipótesis para probar la igualdad de medias de los tratamientos. d) e) Explique cómo se obtiene el valor-p del inciso anterior. e) De acuerdo con el análisis hecho hasta aquí.2. La variable de respuesta es el tiempo de cocción en minutos. ó) Anote la fórmula delestadístico de prueba para probar la hipótesis. generaron huitlacoche. Los datos para dos t{¡os de banas se muestran a con- o) Formule la hipótesis para probar la igualdad de medias de los tratamientos. en sffiÍión de hs ykFs de acero. Se comparan dos métodos para inocular o contagiar una cepa del hongo del maíz conocido como huitlacoche.r*r¡sasl et ¿f-rt a*"fl p¡qeefu 5e rFFr{tra l*r[-l 2i. En una primera etapa del estudio. c) Pruebe la hipótesis a un nivel de significancia de 5olo. es decir. El método A consiste en cortar la punta de la mazorca para aplicar la cepa.56 CAP{-ru.EG btrr-ds. De 4't mazorcas inoculadas con el método An 20 se infectaron. control y optimiza€im para los ingenieros estrudr¡raler Las bafi-ds se sometieron a tensión hasta regi*artinuación: su ruptura (en Mpa). en tanto. Para rechazar o no la hipótesis. Zcuál proveedor fqdre Írúreiru p*ms ¡¡¡¡e.

: 57 inal de la superficie de ésta que fue cubierta por el hongo y el peso en gramos del ¡r.80 346.la proporción de germinación que se logrará con cada tratamiento. 32. Utilice un diagrama de dispersión (gráfica tipo X-Y) para ver si existe una relación lineal entre el porcentaje de cobertura de la mazorca con los gramos de huitlacoche. 20 se ¡das con el Con respecto al problema del ejercicio 18.66 95. lr? I maíz co- ior quiere método A lo B se inlo A.74 167. . para ello.87 crudos. obtenidos en l5 mazorcas de lexcoco y en l5 mazorcas de Celaya son los siguientes: le se idrio ofzaf trol L Y 1 hasta COf'l- 60 40 95 55 95 100 122. se toma una muestra aleatoria de la producción de cada uno de n : 150 piezas. lgnore la cobertura y pruebe la igualdad de la producción promedio de huitlacoche en las dos localidades.'.57 19.03 128.49 103.46 31. fa una ma:nte.05 125.02 120.08 134.O2 70 2A 2A 85 15 14 40.6 182:74 203.4t 2 J 70 40 35 100 4 5 84. En el caso del primer proveedor se obtuvieron xr : I I piezas que no pasaron la prueba. e bicarrable de ¡s datos t5 30 o) iSe puede afirmar que el porcentaje de cobertura del hongo es mayor en Celaya que en Texcoco? b) c) d) 5.81 t41.49 t49. '' -.69 40 20.!. y se les hace en orden aleatorio una prueba. de 70 semillas se observó que 50 germinaron.iier.74 23. o) iQué proveedor parece mejor? b) LHay una diferencia significativa entre los dos proveedores? Pruebe Ia hipótesis correspondiente a 950/o de confianza. b) Estime. 10 6 29t.2s ripóterlas. 10 49. Los resultados para la variedad 2demaiz. se desea comParar dos tratamientos Para hacer que germine cierta semilla.05 145.1. de 60 semillas puestas a germinar se observó que 37 de ellas germinaron. Los datos del tratamiento A son los del ejercicio 18. 51.28 86.i-' : :dor -.76 24.83 r58.36 28. Se desea comparar dos proveedores. Es a hiPótea5. Mientras que para el tratamiento B.85 12.:ii. evidente que a mayor cobertura hay una mayor producción de huitlacoche. o) ZHay una diferencia significativa entre los dos tratamientos? Pruebe la hipótesis correspondiente a 950/o de confianza. con una confianza de 95o/o.¡itlacoche. iedades de porcentaie mientras que para el segundo fueron xz:22.89 19.74 1l 12 13 35 25 22.45 231. es decir. ihabría forma de saber con estos datos si a igual cobertura corresponde una producción de huitlacoche semejante en ambas localidades? Argumente su respuesta.03 30 100 100 100 25 15 8 9 10 55 15 57.

2. 5e orcpcne un nuevo método de prueba que consiste en medir solamente los racias 2-:.87 es el resultado para el primer disco ccr.91 1. 34. ¡ 5f donde casi es seguro que estará el valor mínimo buscado. una bola de acero se presiona contra el material al que se mide la dureza. Así LB8 y 1. El diómetro de Ia depresión en el material es la medida de su dureza. En una prueba de dureza.01 2.05 o) b) Pruebe la igualdad de las medias usando Ia prueba pareada.5e plantea un experimen- to donde se mide la densidad mínima de metal en l8 dlxos u-ndo tanto el método actual como el método nuevo.9+ i. ¿Cuál es el criterio de apareamiento? Encuentre un intervalo para la diferencia de medias usando la desviación estándar de las diferencias. A una planta de cada localidad se le aplicó el fertilizante puro y a Ia otra el fertilizante más el aditivo. 1.92 . tarda 2 rni¡utos.0A 2. Después de cuatro semanas el crecimiento en centímetros fue ef siguiente: .58 CAPÍTUIO 2 Elemen::s := -'=. Se conduce un experimento Para determinar si el uso de un aditivo químico y un fertilizante estándar aceleran el crecimiento de las plantas.93 I 2. Los resultados están o¡deraios horizontalmente por disco. Compare los resultados con los obtenidos en el inciso ó).=-: = Pruebas pareadas 33. para ello. Compare con el inciso b). En cada una de l0 localidades se estudiaron dos plantas sembradas en condiciones similares.83 I 1.81 t. LEn qué situación se esperaría que los análisis ó) y c) den los mismos resultados? ó) c) d) 35.t_1 1.18 1.anrbos métodos.95 i. Pruebe la igualdad de las bolas sin considerar que están pareadas. Compare con los resultados del inciso o).A) t.97 1. se prueban ambas bolas con los mismos l0 especímenes elegidos de manera aleatoria y los resultados son: o) Analice paso a paso cómo se hizo el experimento y explique por qué es importante realizarlo de esa manera. Inteprete.95 2.fn 1. Pruebe la hipótesis de que ambas bolas dan las mismas mediciones de dureza. Se dispone de dos tipos de bolas de acero y se quiere estudiar su desempeño. Haga el análisis de los datos ignorando el apareamiento. ipor qué ignorar el apareamiento es incorrecto? Determine un intervalo de confianza para Ia diferencia de medias suponiendo muestras independientes. Si el método r¡uer resuka igual de efectivo que el método actual se podrá reducir en 600/o el La prueba actual de un solo disco se tiempo de prueba. en este caso? c) d) f) e) iQué se gana con el apareamiento de los datos iRecomendaría usted la adopción del método nuevo? Argumente su respuesta.

05. ello. iCuál es la conclusión correcta. hay o no diferencia entre los tratamientos? c) ultaües- Se realizó un experimento para ver si dos técnicos tienen alguna tendencia a obtener diferentes resultados cuando determina la pureza de cierto producto. c) Explique )t d) Obtenga un intervalo al 950/o de confianza para Ia diferencia promediop¿. le se feza. explique por qué. Cada muestra fue dividida en dos porciones y cada técnico determinó la pureza de una de las porciones. y compare de manera independiente los dos tratamientos. Formule la hipótesis correcta al problema. Pruebe la hipótesis y obtenga conclusiones.6 (impurezas en cofres levantados y bajados): o) lgnore el apareamiento. Estos datos deben analizarse en forma pareada. Retome los datos del ejemplo 2. realice una asignación aleatoria de los tratamientos a las plantas lanzando n una moneda l0 veces. Si los técnicos son diferentes. ¡de b) ndar Obtenga conclusiones. ftoria o) b) c) d) e) tante '4. Los resultados se muestran a continuación: t.Preguntas y ejercicios 59 rde que Sin aditivo Con aditivo 3el €nrdo Por o) ó) ZLos datos obtenidos apoyan la afirmación de que el aditivo químico acelera el crecimiento de las plantas? Plantee las hipótesis apropiadas y pruébelas usando a :0. ihay alguna evidencia sobre cuál de ellos hace mal el trabajo? ZQué recomendaría para lograr mayor uniformidad en las determinaciones de los dos técnicos? l! to' Cos? rfertiCades cada spués . Suponga que en cada localidad una planta queda hacia el Este y la otra hacia el Oeste. Explique si las conclusiones son diferentes con el análisis en forma pareada y. de manera independiente. con detalle cómo se pueden asignar de manera aleatoria los tratamientos a las plantas en cada localidad utilizando una moneda.