Está en la página 1de 232

Ronny Flores, MSc, PhD

raflores@uce.edu.ec

DISEÑO DE EXPERIMENTOS
SYLLABUS
 Objetivo
 Capacitar al estudiante para elegir el diseño
de experimentos adecuado para los trabajos
de investigación (proyecto de tesis) y analizar
los resultados.
UNIDAD CURRICULAR NO. 1
COMPARACIONES SIMPLES

 Principios básicos del Diseño de experimento


 Elección del tamaño de la muestra
 Comparación de varianza
 Comparación de la media con un valor específico
 Comparaciones pareadas
UNIDAD CURRICULAR NO. 2
DISEÑOS DE UN SOLO FACTOR
 Análisis de varianza
 Pruebas de significancia: Prueba de Tukey, Diferencia
significativa mínima, Prueba de Duncan
 Diseño de un experimento con un tratamiento de
control: Prueba de Dunnett
 Determinación del tamaño de la muestra
 Métodos no paramétricos
UNIDAD CURRICULAR NO. 3
DISEÑO DE BLOQUES

 Diseño de bloques completos aleatorizados


 Diseño de cuadrado latino
 Diseño de bloques incompletos balanceados
LA UNIDAD CURRICULAR NO. 4
DISEÑOS FACTORIALES

 Diseño factorial de dos y tres factores


 Diseños con una observación por celda
 Diseño factorial 2k
 Diseños no replicados
 Adición de puntos centrales
BIBLIOGRAFÍA:
 Gutiérrez Pulido, H., & De la Vara Salazar, R. (2012). Análisis y
Diseño de Experimentos (Tercera ed.). México, D.F, México:
McGraw-Hill Interamericana Editores, S.A.
 Montgomery, D. (2014). Análisis y Diseño de Experimentos
(Segunda Edición ed.). (G. Noriega, Ed., & R. Piña García, Trad.)
México, D.F, México: Limusa Wiley.
 Kuehl, R. (2001). Diseño de Experimentos. (P. De la Garza
Rosales, Ed., & M. Gonzáles Osuna, Trad.) Arizona, EEUU:
Thomson Editores.
EVALUACIÓN

PRIMER SEGUNDO
TÉCNICAS HEMISEMESTRE HEMISEMESTRE
(PUNTOS) (PUNTOS)
Evaluación escrita final (8 Puntos) (8 Puntos)
Evaluación parcial (2 Puntos) (2 Puntos)
Trabajos autónomos (4 Puntos) (4 Puntos)
Trabajos grupales (6 Puntos) (6 Puntos)
TOTAL (20 Puntos) (20 Puntos)
SIN DISEÑO EXPERIMENTAL
Tenemos que aumentar la
eficiencia en un 25%. Vamos a
tirar los dados y ver qué
palanca movemos ahora.
DISEÑO ESTADÍSTICO DE EXPERIMENTOS

 Es una metodología basada en herramientas matemáticas y


estadísticas cuyo objetivo es ayudar al experimentador a:
 1. Seleccionar la estrategia experimental óptima que permita
obtener la información buscada con el mínimo coste.
 2. Evaluar los resultados experimentales obtenidos,
garantizando la máxima fiabilidad en las conclusiones que se
obtengan.
APLICACIONES DISEÑO DE EXPERIMENTOS

 Mejorar la producción en un proceso


 Reducir variabilidad y alcanzar un valor nominal
 Reducir costos
 Reducir tiempos
 Obtener conocimiento inicial de nuevo sistema
 Que factores y niveles debe centrarse la investigación
MÉTODO CIENTÍFICO (MC)
ETAPAS SECUENCIALES
1. Observación de los hechos importantes
 Lo que se conoce

 Surgen preguntas: por qué, cómo, dónde, cuándo

 Formular correctamente el problema

2. Hipótesis.- suposición para explicar los hechos


 Razonamiento inductivo trata de dar respuestas lógicas a las preguntas

 Explicación tentativa (V o F)

3. Experimentación.- poner a prueba la hipótesis


4. Conclusiones.- obtener una generalización
 Analizar e interpretar los datos (ESTADÍSTICA)
HIPÓTESIS DE TRABAJO
 «Lo que todavía no se puede afirmar»
 Sin hipótesis no hay investigación
 Es simple acumulación de observaciones

 Es una respuesta tentativa al problema de investigación


 Es una relación tentativa entre dos o más fenómenos
observados
 Es suponer algo desconocido que se investiga a partir de algo
conocido
HIPÓTESIS DE TRABAJO

 Deben ser verificables mediante la aplicación de técnicas


disponibles en el medio
 No hallarse en contradicción con la ciencia
 Obligatoriamente debe ser sometida a prueba
 El experimento debe diseñarse cuidadosamente para analizar
la hipótesis
PRUEBA DE HIPÓTESIS

 Hacer observaciones o mediciones para comprobar si una


proposición es verdadera o falsa
 Se compara contenido de hipótesis con información obtenida
de experimento
 Se aprueba o rechaza hipótesis
PRUEBA DE HIPÓTESIS

 Si la hipótesis es verificada se acepta PROVISIONALMENTE


como verdadera
 Puede requerir modificación posterior como resultado del
descubrimiento de hechos posteriores
 El MC no es estático es de naturaleza circulante
 El MC es autocritico y se autodepura
PRUEBA DE HIPÓTESIS

 Experimentación controlada
 Se somete el proceso a variables controladas de manera
artificial (medición)
 Grupo control: no tiene variable en estudio
 Control/testigo/blanco se somete a las mismas condiciones

 Igual comportamiento: rechaza hipótesis


HIPÓTESIS ESTADÍSTICAS

 Expresión matemática de lo que se investiga


 Es lo que se quiere aprobar o descalificar
 Nula Ho: X1 = X2
 Alternativa H1: X1 ≠ X2
 Prueba t o F o X 2
CONFLICTO EXPERIMENTO-HIPÓTESIS

 EL EXPERIMENTO MANDA!
 Se reexamina la teoría
PLANIFICAR LA EXPERIMENTACIÓN

 Objetivo de experimentación: obtener información de calidad,


comprobar hipótesis
 Experimentación se debe planificar (diseñar) para que
proporcione la información buscada
 Obtener la mayor información con menor número de
experimentos
 Experimentación es cara (costo-tiempo)
PLANIFICAR LA EXPERIMENTACIÓN

 Utilizar una metodología matemática y estadística para


planificar la secuencia de experimentos que minimice costo y
error
 No dejar a la intuición del experimentador la elección de los
experimentos y la evaluación de los resultados
EXPERIMENTO

 Resultado de experimento tiene incertidumbre


Y=X+e
 Y = resultado obtenido
 X = valor verdadero
 e = error aleatorio
EXPERIMENTO
 Determinar la influencia de los factores en la respuesta
 Caja negra
VARIABLE
VARIABLE DEPENDIENTE
INDEPENDIENTE SISTEMA RESPUESTA
X1 temperatura Y1 gramos
X2 tiempo Y2 viscosidad
X3 reactivos Y3 absorbancia
VARIABLES NO
CONTROLADAS
Z1 presión
Z2 humedad ambiental
EXPERIMENTO

 Determinar la relación desconocida X – Y


 Qué X tienen mayor influencia Y
 Dónde los valores de X dan el valor esperado de Y
 Dónde los valores de X dan máximo de Y (optimizar)
 Dónde X minimiza a Z
 Cómo afecta Z a Y (robustez)
POBLACIÓN Y MUESTRA

 Población o Universo: Es la totalidad de elementos a


investigar
 MUESTREO: Es un procedimiento por medio del cual se
estudia una parte de la población llamada muestra, con
el objetivo de inferir con respecto a toda la población
MUESTREO
 Seleccionar un grupo representativo de la población
 Grupo seleccionado
 Características comunes

 Selección utilizada

 Criterio inclusión

 Criterios de exclusión

 Ni pocos ni demasiados: los necesarios


MUESTREO
 Por más perfecta que sea la muestra siempre habrá una
diferencia entre el resultado de ésta y el resultado del universo
 Es el error de muestreo (E)
 Mientras más grande la muestra menor el error de muestreo
Y=X+e
VENTAJAS DEL MUESTREO
 Costos reducidos
 Mayor rapidez para obtener resultados
 Volumen de trabajo reducido
 Mayor supervisión en el trabajo
 Menor probabilidad de cometer errores durante el
procesamiento de la información
 Permite uso de técnicas destructivas: Análisis de sangre
TIPOS DE MUESTREOS
TIPOS DE MUESTREO

 M. PROBABILISTICO
 M. NO PROBABILISTICO
MUESTREO PROBABILÍSTICO

 Todos los individuos tienen la misma probabilidad


de ser elegidos para formar parte de la muestra
 Asegura la representatividad de la muestra
extraída
MUESTREO PROBABILÍSTICO
 Al azar o aleatorio simple
 Se asigna un número a cada individuo de la
población.
 A través de algún medio mecánico (bolas
dentro de una bolsa, tablas de números
aleatorios, números aleatorios generados
con una calculadora) se eligen tantos
sujetos como sea necesario para completar
el tamaño de muestra requerido.
MUESTREO PROBABILÍSTICO
 Aleatorio sistemático
 Se escogen a intervalos fijos
 Ejemplo: En una fábrica se tienen 500 cajas de un
producto, se desea hacer un muestreo sistemático a 20
cajas. Cual debe ser el intervalo?
k= N/n
Cada k se toma uno
N= población total
n= muestra k= N/n = 500/20 = cada 25
MUESTREO PROBABILÍSTICO
 Aleatorio estratificado
 Se divide en subgrupos homogéneos sin traslapes (estratos)
según una característica en común:
 la profesión, el sexo, el estado civil, edad

 Todos los estratos de interés estarán representados en la


muestra.
 Dentro de cada estrato se aplica el muestreo aleatorio
simple para elegir los elementos
 Tamaño de muestra dentro de cada estrato es proporcional
MUESTREO PROBABILÍSTICO
 Ejemplo Aleatorio estratificado
 Se desea investigar la prevalencia de sobrepeso en la
población estudiantil de primer semestre de la FCQ.
 Cuantos estudiantes se deben pesar por aula para tener una
muestra de 30 estudiantes?
 DATOS:
 Total 500 estudiantes = N

 Muestra total 30 estudiantes = n

 5 aulas = subgrupo
MUESTREO PROBABILÍSTICO
Ni
ni = --------------*n
N
 ni = muestra en cada subgrupo
 Ni = tamaño del subgrupo
 n = tamaño de la muestra 30
 N = población 500
Aulas A B C D E

Ni 110 100 80 150 60

ni 6 6 5 9 4
MUESTREO NO PROBABILÍSTICO
 La selección de la muestra no es al azar, se basa en
el criterio del investigador
 Para estudios exploratorios es más económico que
el muestreo probabilístico
MUESTREO NO PROBABILÍSTICO
 No sirven para realizar generalizaciones
 No se tiene certeza de que la muestra extraída sea
representativa
 No todos los sujetos de la población tienen la misma
probabilidad de ser elegidos
 No se pueden incluir por lo tanto ecuaciones de probabilidad
 No pueden calcularse datos como margen de error o nivel de
confianza
MUESTREO NO PROBABILÍSTICO
 Por cuotas
 Necesita de un buen conocimiento de los estratos de la
población y/o de los individuos más "representativos" o
"adecuados"
 Se fijan “cuotas” que consisten en un número de individuos
que reúnen unas determinadas condiciones
 20 individuos de 25 a 40 años, de sexo femenino y
residentes en una determinada región
 Se eligen los primeros que se encuentren que cumplan esas
características.
MUESTREO NO PROBABILÍSTICO
 Muestreo Casual
 Se usa en los casos en no es posible seleccionar los
elementos, y deben sacarse conclusiones con los
elementos que estén disponibles
 Los voluntarios para pruebas de medicamentos de
enfermedades del corazón, cáncer, etc.
 Entrevista a individuos que pasan de forma casual por la
calle
MUESTREO NO PROBABILÍSTICO

 Muestreo por Juicio, Selección Experta o Selección


Intencional
 El investigador toma la muestra seleccionando los
elementos que a él le parecen representativos o típicos
de la población.
 Depende del criterio del investigador.
MUESTREO NO PROBABILÍSTICO
 Bola de nieve
 Se localiza a algunos individuos, los cuales conducen a
otros, y estos a otros, y así hasta conseguir una muestra
suficiente.
 Cuando se hacen estudios con poblaciones
“marginales”, delincuentes, determinados tipos de
enfermos.
CALCULO DE TAMAÑO DE MUESTRA
TAMAÑO DE MUESTRA
EJEMPLO PROPORCIÓN (%)
 Cuántas mujeres será necesario estudiar para estimar la
prevalencia de dolor lumbar en una población de
embarazadas?
 DATOS:
 Confianza 95%

 Un error máximo del 8%

 Prevalencia del dolor 20% (estudios previos)


CÁLCULO DE TAMAÑO DE MUESTRA
 Estimar proporción (%)
Z2 *p*q p = proporción esperada
 n = --------------- q=1-p
d2
 Si se desconoce la proporción (50%)

 Bibliografía o prueba piloto

 d = precisión que se desea (diferencia entre población y


muestra)
 Z(α/2, n-1), n es incógnita → ∞
 Z2 = coeficiente de nivel de confianza

Distribución t
% confianza 90 95 99
α (significancia) 0.10 0.05 0.01
Z∞ 1.645 1.960 2.576

 Para α/2
EJEMPLO PROPORCIÓN (%)

Z2 *p*q 1.962*0.20*(1 - 0.20)


n = --------------- = -------------------------------------
d2 0.082

n = 96
EJEMPLO PROPORCIÓN (%)
 Si se conoce la población N

N*Z2 *p*q
n = ---------------------------------
d2*(N-1)+Z2 *p*q
EJEMPLO ESTIMAR UNA MEDIA
 Cuántas mujeres será necesario estudiar para estimar la
media de glucemia en mujeres embarazadas en un hospital?

 DATOS:
 Nivel de confianza 95%

 Precisión ± 5 mg entre la población y muestra

 DE = 20 mg (del método analítico)


CÁLCULO DE TAMAÑO DE MUESTRA
 Estimar una media (X)
Z2*DE2
 n = ----------------------
d2
 Z(α/2, n-1), n es incognita → ∞
 DE = desviación estándar (prueba piloto)
 d = precisión (diferencia entre población y muestra)
EJEMPLO ESTIMAR MEDIA

Z2*DE2 1.962*202
n = ---------------------- = ---------------------------
d2 52

n = 61
ESTIMAR MEDIA
 Si se conoce la población N

N*Z2*DE2
n = ------------------------------
d2*(N-1) + Z2*DE2
CÁLCULO DE TAMAÑO DE MUESTRA
 Análisis con pérdidas
 Sujetos de los que no se obtendrá información

n
nc = --------------
1 – Pe
 nc = tamaño de la muestra teniendo en cuenta pérdidas
 n = tamaño de la muestra sin pérdidas
 Pe = porcentaje esperado de pérdida
EJEMPLO CON PERDIDAS
 Si se espera un ausentismo del 20% de mujeres
embarazadas
n 96
nc = -------------- = ---------------- = 120
1 – Pe 1 – 0.20
DEBER POR GRUPO
 Para conocer si en la población estudiantil de la FCQ existe un problema de
sobrepeso se calcula el Índice de masa corporal
IMC = peso [kg]/estatura [m2] > 30 obesidad
 Cuantos estudiantes deben entrevistarse para tener un estimado
confiable del peso promedio del alumnado
 Cuantos alumnos deben entrevistarse para tener un estimado confiable
de la estatura promedio de los estudiantes
 Cuantos datos de IMC se necesitan para tener el porcentaje de
estudiantes con obesidad, con un 95% de confianza?
 Determinar el tipo de muestreo, realizar la encuesta y elaborar el
informe: peso promedio, estatura promedio y % obesidad
DISEÑO ESTADÍSTICO DE EXPERIMENTOS
DISEÑO ESTADÍSTICO DE EXPERIMENTOS
 Analizar los datos recolectados por métodos
estadísticos para obtener conclusiones válidas
PASOS DEL DISEÑO
1. Reconocer el problema
2. Escoger factores, niveles y rangos
3. Seleccionar la variable de respuesta
4. Escoger el diseño experimental
5. Realizar el experimento
6. Análisis estadístico
7. Conclusiones
PASOS
1. Reconocer el problema
2. Escoger factores, niveles y rangos
Factor T, min T, C pH
10 5 3
20 10 5
15 7
9
Niveles 2 3 4
Rango 10-20 5-15 3-9
PASOS
3. Variable de respuesta (Y)
 Que se va a medir u optimizar
 [C], volumen, absorbancia, color, peso

4. Escoger el diseño experimental


Y = f(x1, x2, x3…)
5. Realizar el experimento
 Toma más tiempo y más crucial
PASOS
6. Análisis estadístico de datos recopilados
 Aprobar o rechazar hipótesis

7. Conclusiones
CONCEPTOS BÁSICOS
 Replicación
 Repetición de un experimento bajo las mismas
condiciones
 Sin replicas no hay estadística (min 2)

 Estimar error experimental

 Obtener la media muestral


CONCEPTOS BASICOS
 Experimento aleatorio: espacio muestral con los
posibles resultados,no se sabe cual resultado sale
 Variable aleatoria: dato que sale de un grupo de
posibles valores
 El dato que sale es el que tiene mayor probabilidad de
salir
CONCEPTOS BÁSICOS
Medir tres veces no es replica 1 2 3
ES REPETICIÓN

 Replica genuina

1 2 3
CONCEPTOS BÁSICOS
 Aleatorización
 El orden en que se realiza la prueba es al azar

 Distribución por igual del error

 Sobrecalentamiento equipo

 Descalibración

T, C 30 50 70
Replica 1 R1 (4) R1 (6) R1 (2)
Replica 2 R2 (3) R2 (1) R2 (5)
PRUEBAS DE HIPÓTESIS
 Ho = hipótesis nula
 Es lo que se quiere probar o descalificar
 Los experimentos se hacen para decidir aceptar o rechazar
 H1 = hipótesis alternativa
 Complementa a la nula
 Si la nula se rechaza la alternativa se cumple
PASOS PARA PRUEBA DE HIPÓTESIS
 Identificar el parámetro de interés (lo que se quiere probar)
 Plantear la hipótesis nula Ho
 Plantear la hipótesis alternativa H1 acorde a Ho
 Escoger el nivel de significancia α
 Determinar un estadístico de prueba (t, F)
 Buscar la región de rechazo del estadístico
 Concluir acerca de la aceptación o rechazo de la hipótesis
PRUEBAS DE HIPÓTESIS
 Se plantea como una igualdad entre parámetros
 Hipótesis de dos lados
 Ho: X1 = X2

 H1: X1≠ X2

 X1 > X2

 X1 < X2
ACEPTA 95%
 Hipótesis de un solo lado
 Ho: X1 ≥ X2 α/2
α/2
 H1: X1 < X2

 Ho: X1 ≤ X2 RECHAZA 5%
 H1: X1 > X2
α = 0.05
TIPOS DE ERRORES

 Cuando se prueban hipótesis se comete errores


 Error tipo I (α)
 La probabilidad de que se rechace Ho siendo verdadera

 Error tipo II (β)


 La probabilidad que se acepte Ho siendo falsa
TIPOS DE ERRORES

 Para minimizar error tipo I


 Escoger valor pequeño α (nivel de significancia) para
cometer error pequeño
 α = 0.05 = 95%

 α = 0.01 = 99%

 α = 0.001 = 99.9%
TIPOS DE ERRORES
 Para minimizar error tipo II
 Valor pequeño de β

 Escoger tamaño de muestra grande (n)

 n grande = β mínimo
COMPARACIÓN DE MEDIAS
APLICACIÓN PRUEBAS DE SIGNIFICACIÓN
 Determina si la diferencia obtenida es real o debida a errores
al azar
 Comparación de la media muestral con la población (valor
teórico)
 Concentración en etiqueta

 Dato teórico (constante)

 Handbook

 Máximo o minino de norma

 Estándar certificado (validación, exactitud)


COMPARACIÓN DE MEDIA CON VALOR TEÓRICO
 Un medicamento indica en su etiqueta que tiene 1.68 mg de
un principio activo en cada pastilla. Se tomaron 25 muestras al
azar y se determinó que el valor promedio del principio es de
1.73 ± 0.15 mg.
 Determinar si el dato encontrado está de acuerdo a lo
etiquetado.
William Sealy
Gosset -1908
COMPARACIÓN DATO Modificado kgf Sin modificar kgf

ENTRE MEDIAS
1 16.85 17.50
2 16.40 17.63
 Ejemplo cemento
3 17.21 18.25
 Para mejorar la calidad del
4 16.35 18.00
cemento un ingeniero modificó la
formula agregando látex a la 5 16.52 17.87
mezcla. Se realizaron 10 6 17.04 17.75
mediciones de resistencia al 7 16.96 18.22
cemento sin modificar y 10 8 17.15 17.90
mediciones al cemento modificado. 9 16.59 17.96
 Se desea saber si la formula 10 16.57 18.15
modificada es mejor que la
X 16.76 17.92
original.
S2 0.100 0.061
DISTRIBUCIÓN F
 No es simétrica
 Para prueba de dos colas se
requiere valores críticos que son
diferentes para las dos colas
 Datos tabulados para cola
derecha
 Ho se rechaza si F es demasiado
grande o demasiado pequeño
EJEMPLO CEMENTO
EXCEL
 DATOS
 ANÁLISIS DE DATOS
 Prueba t para dos muestras suponiendo varianzas iguales
 CARGAR HERRAMIENTA PARA ANÁLISIS
 Archivo
 Opciones
 Complementos
 Administrar complementos
 Activar herramientas para análisis
TAMAÑO DE LA MUESTRA
EJEMPLO CEMENTO
 Cuantas replicas se deben realizar para determinar si existe
una diferencia significativa entre las dos formulaciones.
 Una diferencia entre las dos mezclas de 0.5 kgf se considera
que hay diferencia significativa entre ellas.
 Por experiencia la desviación estándar de las formulaciones es
de 0.25 kgf.
DIFERENCIA DE MEDIAS (REPLICAS)
NÚMERO DE REPLICAS
 Tamaño de la muestra
 Cuantas repeticiones se debe hacer para aprobar o rechazar
Ho: X1 = X2
 CURVA CARACTERÍSTICA OPERACIONAL
 Para varianzas de población desconocida pero iguales
 Para nivel de significancia α = 0.05
 Para tamaño de muestras iguales
 n1 = n2 = n
 Depende error tipo II (β)
 Aceptar erróneamente Ho siendo falsa
*

Rechazar Ho
con 95%
confianza
β = 0.05
DEBER GRUPO

 Cuantas monedas deben pesarse para, con un 95% de


confianza,
 Determinar si el peso de las monedas de 1, 5, 10, 25 y 50 ctv
nacionales es similar al peso de las monedas
norteamericanas.
 Comprobar que el peso de las monedas norteamericanas
cumple con las especificaciones oficiales.
COMPARACIÓN MEDIAS PAREADAS
 Mejora la precisión al hacer por pares, se elimina variabilidad
 Utiliza principio de bloques aleatorios
 Bloque: unidad experimental homogénea (materia prima),
disminuye el error por falta de homogeneidad
 Es mejor que diseño completamente al azar con muestras
independientes
 Se compara desviación estándar de las diferencias con la
desviación estándar combinada
 Dos medidores de pH
COMPARACIÓN DE MEDIAS PAREADAS
 Ejemplo de dureza (consistencia):
 Un laboratorio de análisis tiene dos equipos para
medir la consistencia de los alimentos. Se sospecha
que uno de ellos está dando mediciones erróneas. Se
analizan 10 muestras de alimentos con los dos
equipos. Con los datos recogidos qué se puede
concluir sobre el funcionamiento de los equipos?.
MUESTRAS PAREADAS
A B PAREADAS

A1 – B1

A2 – B2

A3 – B3

Media A ↔ B
EJEMPLO DUREZA

Muestra Equipo A, kgf Equipo B, kgf dj (d – d)2


1 7 6
2 3 3
3 3 5
4 4 3
5 8 8
6 3 2
7 2 4
8 9 9
9 5 4
10 4 5
EJEMPLO DE DUREZA
ANOVA
ANÁLISIS DE VARIANZA DE UN FACTOR
 Comparación de medias EJEMPLO CEMENTO
 Un factor: formula

 Dos niveles: composición

 ONE WAY ANOVA


 Un solo factor

 Mas de dos niveles o tratamientos

 Completamente aleatorizado
ANÁLISIS DE VARIANZA DE UN FACTOR
 Comparar más de dos muestras (múltiples poblaciones)
 Analizar un tratamiento en varios niveles
 USOS
 Comparar diversos métodos de análisis

 Comparar entre diferentes analistas

 Comparar entre laboratorios

 Analizar una misma muestra con diferentes tratamientos


ANOVA: FIBRA
 Se investiga la fuerza de una nueva fibra sintética para confeccionar ropa.
Para mejorar la fuerza se experimenta mezclando la fibra con algodón. Se
decide analizar cinco niveles de porcentaje de peso de algodón y se repite
cinco veces cada nivel. Mejora la fuerza de la fibra con el uso de algodón?
 DATOS
 Factor: % algodón

 Niveles: 15, 20, 25, 30 y 35%

 Replicas = 5

 Corridas = 25
REPLICAS
% algodón
1 2 3 4 5
15 1 2 3 4 5
20 6 7 8 9 10
25 11 12 13 14 15
30 16 17 18 19 20
35 21 22 23 24 25

 Diseño al azar DCA


 Sobrecalentamiento de maquinaria

 Descalibración

 Fibra de diferentes características

 Elimina efectos desconocidos y sin control


REPLICAS (orden al azar)
% algodón
1 2 3 4 5
15 8 18 10 23 17
20 5 14 6 15 20
25 9 4 12 7 1
30 24 21 11 2 13
35 22 16 25 19 3

FUERZA, lb/plg2
% algodón
1 2 3 4 5 MEDIA
15 7 7 15 11 9 9.8
20 12 17 12 18 18 15.4
25 14 18 18 19 19 17.6
30 19 25 22 19 23 21.6
35 7 10 11 15 11 10.8
X Y
 Contenido de algodón
afecta la resistencia
 Alrededor del 30% se
produce la máxima
resistencia
 Debe probarse la
igualdad entre las
medias
TABLA DE ANOVA PARA EL DCA

K número de tratamientos y N número total de resultados


FUERZA, lb/plg2
% algodón Total Media SST Tratam.
j
i
1 2 3 4 5
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
TABLA ANOVA

FUENTE DE SUMA DE GRADOS DE CUADRADO


F calculada F tabulada
VARIACION CUADRADOS LIBERTAD MEDIO

% algodón

Error

Total
DEBER INDIVIDUAL EN EXCEL

 Realizar un Manual de ANOVA de un factor en Excel


 Capturas de pantalla con indicaciones
 Con ejemplo de aplicación
ANOVA
 Validación del modelo
 Suposiciones:
 Los errores son
independientes y
distribuidos normalmente
 Tienen varianza
constante y parecida
 Centrado en cero
VALIDACIÓN ANOVA
 PAPEL PROBABILÍSTICO NORMAL (PPN)

 ESTADÍSTICA NO PARAMÉTRICA
 Prueba de Kruskal-Wallis
FUERZA, lb/plg2
% Residuos
j
algodón
i 1 2 3 4 5 Media 1 2 3 4 5

15 7 7 15 11 9 9.8
20 12 17 12 18 18 15.4
25 14 18 18 19 19 17.6
30 19 25 22 19 23 21.6
35 7 10 11 15 11 10.8
PPN DE LOS RESIDUOS
SUPUESTO DE
NORMALIDAD
 Uno o dos puntos
salen de la línea son
ABERRANTES no violan
normalidad
 Hay que investigar los
puntos ATIPICOS
TRANSFORMACIÓN DE RESULTADOS
 Las transformaciones se usan para cambiar la escala de las
observaciones con el objeto de que éstas cumplan mejor las
suposiciones del modelo lineal y ofrezcan inferencias más
válidas del análisis de varianza.
 Las probabilidades de inferencia estadística se aplican sólo a la
nueva escala de medición; los niveles de significancia y
promedios no se aplican a las medidas originales.
 Cuando las transformaciones son necesarias, es común realizar
el análisis y hacer todas las inferencias en la escala
transformada, pero presentar los compendios de medias en la
escala de medida original.
TRANSFORMACIÓN DE RESULTADOS
 DISTRIBUCIÓN DE POISSON
 Las observaciones sobre muestras de plantas en cultivos, insectos en plantas, colonias
de bacterias en platos, defectos en una superficie y accidentes por unidad de tiempo.
 Se recomienda la transformación raíz cuadrada para estabilizar las varianzas de las
observaciones.
 DISTRIBUCIÓN BINOMIAL
 Las observaciones sobre el número de éxitos en n pruebas independientes, la
proporción de artículos defectuosos en lotes de manufactura, de semillas germinadas,
de larvas sobrevivientes en estudios de insectos y de plantas que florecen en una
sección.
 La transformación arco seno o angular es recomendable para estabilizar las varianzas
de las observaciones.
TRANSFORMACIÓN DE RESULTADOS

 Búsqueda empírica
 Elevado al cuadrado

 Transformación no afecta la
Conclusión se aplica a los datos
hipótesis nula
trasformados
 Transformación afecta la
media
EJEMPLO: SEMBRAR NUBES
 Para hacer llover sobre un terreno se
sembraron al azar 26 nubes con
oxido de plata.
 Se midió la cantidad de lluvia
depositada en acre x pie.
 Se escogieron al azar 26 nubes sin
sembrar para comparación.
 Se desea saber si la siembra de
óxido de plata tiene un efecto sobre
la cantidad de lluvia depositada.
EJEMPLO: SEMBRAR NUBES
COMPARACIONES MÚLTIPLES
 Cuando ANOVA
Rechaza Ho: X1 = X2
Acepta H1: X1 ≠ X2
Al menos un tratamiento es diferente
 Prueba de Tukey
 Diferencia significativa mínima de Fisher LSD
 Prueba del rango múltiple de Duncan
 Comparación con un control de Dunnett
RANGO MÚLTIPLE DE DUNCAN

 Es muy eficaz para detectar diferencias


entre medias cuando existen diferencias
reales.
 Con un mayor número de medias
comparadas necesita diferencias entre
medias mas grandes para detectar
significancias.
RANGO MÚLTIPLE DE DUNCAN
RANGO MÚLTIPLE DE DUNCAN

 Para evitar contradicciones ninguna de las diferencias entre un


par de medias se considera significativa si las dos medias en
cuestión se localizan entre otras dos medias que no difieren
significativamente.
DIFERENCIA SIGNIFICATIVA MÍNIMA DE FISHER
 LSD: Diferencia mínima que debe existir entre dos medias
muestrales para considerar que los tratamientos
correspondientes son significativamente diferentes.
 Es diseño potente declara significativas aun pequeñas
diferencias.
PRUEBA DE TUKEY

 Declara que no hay diferencia significativa con mayor facilidad.


 No ve diferencias donde si las hay.
 Es prueba conservadora.
PRUEBA DE TUKEY

 RANGO ESTUDENTIZADO
 Se dispone de n observaciones independientes y1, y2, y3,….yn
 Con distribución Normal con media µ y varianza 2
 Se dispone de un estimador S2 de 2 que tiene  grados de
libertad y es independiente de las yi
 R es el rango del conjunto de observaciones
PRUEBA DE TUKEY
COMPARACIONES MÚLTIPLES Y BARRAS DE ERROR

Figura 1. Promedio de tres


determinaciones, barras de
error corresponden a una
desviación estándar. Letras
iguales no hay deferencia
significativa entre medias con
nivel de confianza del 95% con
la prueba LSD.
COMPARACIÓN DE MEDIA CON UN CONTROL (a)
 MÉTODO DE DUNNETT
 Uno de los tratamientos es un control

 Blanco

 Estándar

 Referencia
METODO DE DUNNET
METODO DE DUNNETT
DISEÑO EXPERIMENTAL
 Critico la selección del tamaño de la muestra
 Replicas que deben correrse
 Para detector efectos pequeños=replicas grandes
 Para detector efectos grandes=pocas replicas
 CURVA CARACTERÍSTICA
 Grafico de la probabilidad del error tipo II (β) : Aceptar
erróneamente Ho siendo falsa
TAMAÑO MUESTRAL ANOVA

 Hay que seleccionar un tamaño de muestra tal que si la


diferencia entre las medias de dos tratamientos excede un
valor especificado la hipótesis nula debe rechazarse.
 Hay que especificar la probabilidad a la que se rechaza la
hipótesis nula.
EJEMPLO FIBRA

 Calcular el número de réplicas que se necesita para diferenciar


cinco tratamientos.
 Se consideran diferentes si las medias difieren en 10 psi
 Se asume una desviación de 3 psi
 Probabilidad para rechazar Ho: X1 = X2 ≥ 90% (β)
 α = 0.01
EJEMPLO FIBRA

POTENCIA
Se busca el n para rechazar Ho con probabilidad >90% si las
medias difieren en 10 psi

Φ2 Φ Β %
n V1 = a - 1 V2 = a(n-1)
1.11n (X) (Y) 100(1-β)
MÉTODOS NO PARAMÉTRICOS
EQUIVALENCIAS
CUANDO USAR PRUEBAS NO PARAMÉTRICAS
 Cuando no se reúne la condición de normalidad
 Cuando la distribución de al menos una variable no es normal
 Cuando el número de observaciones (N=5) es demasiado pequeño para
evaluar adecuadamente la normalidad
CUANDO USAR PRUEBAS NO PARAMÉTRICAS

 RESPUESTAS BINARIAS
 Ganancia o perdida

 Éxito o fracaso

 Vida o muerte

 Recién nacido hombre o mujer

 Para propósitos analíticos las respuestas se puntean como 0 o 1.


CUANDO USAR PRUEBAS NO PARAMÉTRICAS
 CUANDO EL RESULTADO ES UNA VARIABLE ORDINAL O NOMINAL
 Mayor a menor (rango)

 Mejor a peor (rango)

 Leve, moderado, fuerte

 Suspenso, aprobado, notable, sobresaliente

 Soltero, casado, separado, divorciado, viudo (nominal)

 Conteo análisis microbiológicos:

+ ++ +++
ESCALA CUALITATIVA ORDINAL
 Se pregunta a la gente sí se enferma por consumir comida en la calle:
 1 = raramente
 2 = de vez en cuando
 3 = a menudo
 4 = muy frecuentemente
 5= siempre
 Para evaluar tamaño del bazo en pacientes que sufren cirrosis hepática :
 Escala arbitraria: de 0 a 3
 0 = representa un bazo normal
 3 = representa un agrandamiento del bazo
MÉTODOS NO PARAMÉTRICOS PARA ANOVA
 Prueba de Kruskal-Wallis
 Ho: los a tratamientos son idénticos
 H1: algunos de los tratamientos son mayores que otros

 Kruskal-Wallis sirve para análisis de rangos. Datos continuos


transformados a escala ordinal
CHI CUADRADO DE PEARSON
EJEMPLO
 Se desea averiguar si el ejercicio físico alivia la
depresión.
 Se escogió a un grupo de 24 personas que sufren
igual nivel de depresión y se les dividió en tres
grupos al azar. Un grupo realizó 60 minutos de trote
al día, el segundo grupo 20 minutos de trote diario y
el último grupo no realizó ningún ejercicio diario.
 Al final del mes se preguntó a los participantes que
tan deprimidos se sentían de acuerdo a una escala
donde uno es completamente miserable y 100 es
inmensamente feliz.
EJEMPLO ESCALA ORDINAL

Paciente Sin ejercicio 20 minutos trote 60 minutos trote


1 23 22 59
2 26 27 66
3 51 39 38
4 49 29 49
5 58 46 56
6 37 48 60
7 29 49 56
8 44 65 62
Media 39,63 40,63 55,75
EJEMPLO
Sin ejercicio 20 minutos 60 minutos
y1 R1 R12 y2 R2 R22 y3 R3 R32
23 2 22 1 59 20
26 3 27 4 66 24
51 16 39 9 38 8
49 14 29 5,5 49 14
58 19 46 11 56 17.5
37 7 48 12 60 21
29 5,5 49 14 56 17.5
44 10 65 23 62 22
Ri
( Ri ) 2
Ri2/ni
R2ij
DEBER GRUPAL
 Determinar cual es el género favorito de serie
de televisión entre los estudiantes de la FCQ
con un nivel de confianza del 95%.
 Entrevistar a 20 estudiantes.
 Crear una escala ordinal (nada-mucho).
 Comparar cinco diferentes géneros de series de
televisión (acción, aventura, terror, ciencia
ficción, comedia, romántica, histórica,
superhéroes, animada, etc).
DISEÑO DE BLOQUES
BLOQUEO ANOVA UN FACTOR
 Factor perturbador que afecta los resultados
 Desconocido y no controlable
 Debe aleatorizarse
 Cuando es conocido y controlable
 Formación de bloque
 Un bloque es una porción experimental que
comparte características similares que lo
hacen homogéneo
 Incrementar precisión del experimento
DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR
 Edad o peso de animales
 Lotes distintos de materia prima
 Separación física de parcelas
 Laboratoristas
 Diferente equipo o maquinaria
 Tiempo
 Cada bloque tiene todos los
tratamientos
DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR
 Se tiene cuatro equipos de fluorescencia para medir un
principio activo en un medicamento.
 Se desea saber si los cuatro equipos dan la misma respuesta
 Se hacen cuatro repeticiones con cada equipo 4x4=16 corridas

4 Eq A
4 Eq B
4 Eq C  ANOVA UN FACTOR
4 Eq D
DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR
 La materia prima solo alcanza para cuatro ensayos
 L1 ≠ L2 ≠ L3 ≠ L4

 Eq A => L1 (4R)
 Eq B => L2 (4R)
 Eq C => L3 (4R)
 Eq D => L4 (4R)
DISEÑO DE BLOQUES COMPLETOS ALEATORIZADOS
 L1 => Eq A L3 => Eq B
=> Eq B => Eq D
=> Eq C => Eq C
=> Eq D => Eq A

 L2 => Eq A L4 => Eq D
=> Eq C => Eq C
=> Eq D => Eq B
=> Eq B => Eq A
ANOVA BLOQUES
DATOS DBCA
 Se tiene cuatro equipos de fluorescencia para medir un principio activo en un medicamento.
 Se desea saber si los cuatro equipos dan la misma respuesta
 Se hacen cuatro repeticiones con cada equipo
 La materia prima solo alcanza para cuatro ensayos

Equipo Lote 1 Lote 2 Lote 3 Lote 4 yi yi (yi – y)2


mg/g
A 9.3 9.4 9.6 10.0
B 9.4 9.3 9.8 9.9
C 9.2 9.4 9.5 9.7
D 9.7 9.6 10.0 10.2
yj
yj
(Yj – y)2
DISTRIBUCIÓN F
ELECCIÓN DEL TAMAÑO DE LA MUESTRA

Φ V2 %
b Φ2 V1 = a - 1 β
(X) (a-1)(b-1) 100(1-β)
COMPARACIONES MÚLTIPLES

 Se rechaza Ho
 Tukey, LSD, Duncan, Dunnet
 Sustituir (n) por (b)
 G.L.error: sustituir (N - a) por [(a -1)(b -1)]
ESTIMACIÓN VALORES FALTANTES
 Falta una observación en uno de los bloques
 Descuido-error-fuera de control
 Tratamientos no son ortogonales a los bloques
 No ocurren todos los tratamientos en cada uno de los bloques

 NO BLOQUES COMPLETOS

 Se estima valor faltante con grados de libertad del error reducido en 1


DATO FALTANTE

Equipo Lote 1 Lote 2 Lote 3 Lote 4 yi yi (yi – y)2


mg/g
A 9.3 9.4 9.6 10.0
B 9.4 9.3 X 9.9
C 9.2 9.4 9.5 9.7
D 9.7 9.6 10.0 10.2
yj
yj
(Yj – y)2
TRABAJO EN GRUPO: ANOVA EN BLOQUES
 Desea probarse el poder antioxidante de tres diferentes cremas
faciales (vitamina C, polifenoles).
 Se aplica la crema sobre la superficie de una fruta cortada y se
mide el tiempo que demora la fruta en oxidarse al ambiente.
 Pero como una fruta no es suficiente para todas las repeticiones
se utilizan varias frutas de la misma especie para completar el
experimento.
 Haga el diseño del experimento que incluya un blanco y calcule el
número de bloques para un DBCA.
 Obtenga los datos y determine con un 95% de confianza la(s)
crema(s) que es igual al control y cual es la mejor crema
antioxidante.
 Registrar el trabajo con fotografías.
DOS BLOQUES
DISEÑO CUADRADO LATINO
 Permite controlar heterogeneidad de experimento
 Dos factores que afectan
 Se bloquea en dos direcciones filas y columnas
 Filas = Columnas (cuadrado)
 Los tratamientos se denotan con las primeras letras latinas
 ABCD…

 Las filas y columnas son dos restricciones en la aleatoriedad


DISEÑO CUADRADO LATINO

 Una letra en cada celda


 Cada letra una sola vez
en cada fila y columna
EJEMPLOS CUADRADOS LATINOS
 3x3 = 12 combinaciones
 4x4 = 576
 5x5 = 161.280
 6x6 = 818.851.200
 SE ESCOGE AL AZAR DE TODAS LAS COMBINACIONES
ANOVA DISEÑO CUADRADO LATINO
DISEÑO CUADRADO LATINO
 Se estudian cinco diferentes agentes
humectantes (A, B, C, D y E) para preparar
una nueva loción.
 Se hacen cinco replicas por cada formulación
5x5 = 25
 La materia prima (crema base) de cada lote
solo alcanza para 5 formulaciones
 La mezcla es preparada por cinco diferentes
operadores con diferente experiencia
DISEÑO CUADRADO LATINO

Cuadrado latino estándar: primera fila y primera


columna en orden alfabético
OPERADOR
LOTE
1 2 3 4 5
1 A B C D E
2 B C D E A
3 C D E A B
4 D E A B C
5 E A B C D
DISEÑO CUADRADO LATINO

OPERADOR
LOTE
1 2 3 4 5

1 A=24 B=20 C=19 D=24 E=24

2 B=17 C=24 D=30 E=27 A=36

3 C=18 D=38 E=26 A=27 B=21

4 D=26 E=31 A=26 B=23 C=22

5 E=22 A=30 B=20 C=29 D=31


REPLICAS EN 3X3 Y 4X4
OPERADOR OPERADOR
LOTE LOTE
1 2 3 4 2 3 4 1
1 A B C D 1 A B C D
2 B C D A 2 B C D A
3 C D A B 3 C D A B
4 D A B C 4 D A B C

OPERADOR OPERADOR
LOTE LOTE
2 3 4 1 1 2 3 4
2 A B C D 2 A B C D
3 B C D A 3 B C D A
4 C D A B 4 C D A B
1 D A B C 1 D A B C
DISEÑO CUADRADO GRECOLATINO
 Se estudian cinco diferentes humectantes (A, B, C,
D y E) para preparar una nueva loción.
 Se hacen cinco replicas por cada formulación 5x5 =
25
 La materia prima (crema base) de cada lote solo
alcanza para 5 formulaciones (1, 2, 3, 4, 5)
 La mezcla es preparada por cinco diferentes
operadores (1, 2, 3, 4, 5) con diferente experiencia
 Se mide la propiedad humectante en cinco equipos
diferentes (α, , , , )
DISEÑO CUADRADO GRECOLATINO
A B C D E α    
B C D E A   α  
C D E A B     α
D E A B C  α   
E A B C D    α 

OPERADOR
LOTE
1 2 3 4 5
1 Aα B C D E
2 B C Dα E A
3 C D E A Bα
4 D Eα A B C
5 E A B Cα D
DISEÑOS MULTIFACTORIALES
OPTIMIZAR RENDIMIENTO DE REACCIÓN
A + B = C Rend: 16%
 Temp: 520 oC
 Tiempo: 500 min
 T y t => 100%?
MÉTODO TRADICIONAL DE EXPERIMENTACIÓN

 Variar-un-factor-cada-vez
 A partir de unas condiciones iniciales, se realizan
experimentos en los cuales todos los factores se
mantienen constantes excepto el que se está estudiando.
 La variación de la respuesta se puede atribuir a la
variación del factor, y, por tanto, revela el efecto de ese
factor.
 El procedimiento se repite para los otros factores.
VARIAR-UN-FACTOR-CADA-VEZ
VARIAR-UN-FACTOR-CADA-VEZ
MÉTODO TRADICIONAL DE EXPERIMENTACIÓN
 Variar-un-factor-cada-vez
 Inconvenientes:
 No se ven interacciones

 El efecto de A es diferente según tome el factor B


diferentes valores
 No proporciona la posición del optimo
CAMBIAR VARIOS FACTORES A LA VEZ
SUPERFICIE DE RESPUESTA
INTERACCIONES

 El sulfametoxazol sólo y la trimetoprima sóla tienen acción


bacteriostática.
 Pero la asociación de estos medicamentos produce un efecto
bactericida, es decir, se potencia su acción.
 El parásito A puede causar 10% de muertes y el parásito B también
puede provocar 10% de pérdidas, pero cuando ambos parásitos están
presentes el resultado de muertes es mucho mayor del 20%.
EJEMPLO: 2X2
 Fabricación tabletas:
 Tradicional: carbonato + compresión
 Alternativo: óxido + calor
 Mejorar dureza
FACTORIAL AXB: DUREZA DE TABLETAS, PSI

(+)
Tipo de mezcla
(A)
Método compactación
(B)
Media de la
mezcla
65 97
Comprensión Calor
B1
(-)
B2
(+) A
Carbonato
A1 68 60
(-)
68 60
(-)
Oxido

B
A2 65 97
(+)
Media de
(-) (+)
compactación
EFECTO
 Es un cambio en la respuesta ocasionado por un cambio en el
nivel de ese factor.

T: 8 m

P4: 6 m
P3: 4 m

P2: 2 m

P1: 0 m
INTERACCIONES FACTORIAL AXB

 EFECTO SIMPLE.- comparación entre niveles de


un factor a un solo nivel del otro.
 EFECTO PRINCIPAL.- son comparaciones entre
los niveles de un factor con TODOS los niveles
del otro factor promediados.
 INTERACCIÓN.- mide la diferencia entre los
efectos simples de un factor a diferentes niveles
del otro.
INTERACCIÓN
 Existe interacción entre dos factores A y B cuando el efecto de un factor
sobre la Variable Dependiente depende de cual sea el nivel del otro factor.
 La ausencia de interacciones implica que la diferencia de medias de dos
niveles de un factor es la misma para todos los niveles del otro factor.
 No tiene sentido analizar los efectos principales de A y B cuando hay
interacción AB, a menos que hubiera un interés específico.
 Un p-valor bajo en el test para AB sugiere que cada factor tiene un efecto en
la variable de respuesta, pero el tamaño de este efecto depende del nivel
del otro factor. Por esta razón analizamos en primer término AB.
DISEÑO FACTORIAL AXB INTERACCIÓN
INTERACCIÓN MULTIFACTORIAL
DISEÑO FACTORIAL INTERACCIÓN
CONDICIONES ANOVA MULTIFACTORIAL

 NORMALIDAD.- los datos en cada nivel se ajustan a una


distribución normal.
 HOMOCEDASTICIDAD.- La variabilidad de los datos en cada nivel es
similar. Las ij poblaciones tienen, todas ellas, la misma varianza.
 LINEALIDAD.- Los residuos (diferencia de los datos a su media en
cada nivel) se distribuyen alrededor de cero.
 INDEPENDENCIA.- Las observaciones se realizan de forma
independiente unas de otras (diseño de la obtención de datos).
ANOVA DOS FACTORES BALANCEADOS
EJEMPLO
 Se desea determinar el tiempo de vida útil de artículos
realizados con tres tipos diferentes de plástico: A, B y C,
se prueban a distintas temperaturas: 15, 70 y 125 oC y
se realizan cuatro replicas por cada prueba.
 1. Qué efecto tiene el tipo de material y la
temperatura sobre la vida útil del articulo.
 2. Qué material da un tiempo de vida mas largo
independiente de la temperatura.
Media de
FACTORES Factor B1 Factor B2 Factor B3
filas
y111 y121 y131
Factor A1 y112 y122 y132
y113 y123 y133
Media de celda 1 Y11 Y12 Y13 Y1•
y211 y221 y231
Factor A2 y212 y222 y232
y213 y223 y213
Media de celda 2 Y21 Y22 Y23 Y2•
y311 y321 y331
Factor A3 y312 y322 y332
y313 y323 y333
Media de celda 3 Y31 Y32 Y33 Y3•
Media de
Y•1 Y•2 Y•3 Y
columnas
DISEÑO DOS FACTORES AXB AL AZAR
HORAS
Plástico/Temperatura 15 C 70 C 125 C
130 34 20
74 80 82
A
155 40 70
180 75 58

150 136 25
159 106 58
B
188 122 70
126 115 45

138 174 96
168 150 82
C
110 120 104
160 139 60
COMPARACIONES MÚLTIPLES
 Cuando ANOVA indica que filas o columnas son diferentes LSD, Tukey, Duncan
 1. Se analiza fila o columna promedio:
 2. Un factor constante por interacción
 Diferencia tres tipos de material a temperatura constante
HORAS
Plástico 15 C 70 C 125 C
A 130 155 34 40 20 70
74 180 80 75 82 58
B 150 188 136 122 25 70
159 126 106 115 58 45
C 138 110 174 120 96 104
168 160 150 139 82 60
TAMAÑO DE MUESTRA

Φ V error %
n Φ2 V1 β
(X) ab(n-1) 100(1-β)
ANOVA

UN FACTOR MULTIFACTORIAL
Dos factores
Un factor Un bloque Dos bloques Dos factores Tres factores
un bloque

FUENTE DE
VARIACIÓN
DISEÑO DE BLOQUES O MULTIFACTORIAL

 Se estudian cinco diferentes agentes humectantes (A,


B, C, D y E) para preparar una nueva loción.
 Se hacen cinco replicas por cada formulación 5x5 = 25
 La materia prima (crema base) de cada lote solo
alcanza para 5 formulaciones
 La mezcla es preparada por cinco diferentes
operadores con diferente experiencia
UNA OBSERVACIÓN POR CELDA
 Se desea comprobar si las impurezas presentes en un producto
químico son afectadas por dos factores: la presión y la temperatura.

Temp. Impurezas, %
oC 25 psi 30 psi 35 psi 40 psi 45 psi

100 5 4 6 3 5

125 3 1 4 2 3

150 1 1 3 1 2
UNA OBSERVACIÓN POR CELDA

 NO HAY GRADOS DE LIBERTAD PARA ESTIMAR EL ERROR


1) Asumir que no hay interacción entre factores (cálculo similar a
bloques. EXPERIMENTOS DIFERENTES)
2) Eliminar polinomios de orden alto (modelo reducido = eliminar
interacciones = error sustituto)
3) Método de Tukey para determinar si hay interacción
 Partición de los cuadrados medios de la interacción como estimación
del error experimental
UNA OBSERVACIÓN POR CELDA
TRES FACTORES AXBXC

A
C
B
TRES FACTORES AXBXC
TRES FACTORES

 Ejem: En una fabrica embotelladora se


busca mayor uniformidad en la altura de
llenado de botellas.
 Control de tres factores con dos réplicas:
 A) Porcentaje de CO2: 10, 12, 14%
 B) Presión de llenado: 25 y 30 psi AxBxC
C) velocidad de la línea: 200 y 250 bot./min

3x2x2
 Que factores influyen en el llenado?
TRES FACTORES
R1 R2
% Presión llenado, Rapidez
Desviación de la altura Desviación de la altura Yi
CO2 psi Llenado, botellas/min
optima, mm optima, mm

200 -3 -1 -2
25
250 -1 0 -0.5
10
200 -1 0 -0.5
30
250 1 1 1
200 0 1 0.5
25
250 2 1 1.5
12
200 2 3 2.5
30
250 6 5 5.5
200 5 4 4.5
25
250 7 6 6.5
14
200 7 9 8
30
250 10 11 10.5
TRES FACTORES AXBXC
% Presión llenado, Rapidez
Yi
CO2 psi Llenado, botellas/min

200 -2
25
250 -0.5
10
200 -0.5

A
30
250 1
200 0.5
25
250 1.5
12
200 2.5
30
250 5.5
C
14
25
200
250
4.5
6.5 B
200 8
30
250 10.5
TRES FACTORES
MULTIFACTORIAL AXBXC
 Optimizar la producción de canguil en MW
 Factores?
 Marca canguil (v. categórica): barato y caro
 Tiempo (v. numérica): dos niveles
 Poder MW (v. numérica): dos niveles, mismo MW
 Respuesta: peso de palomitas NO reventadas y sabor (escala ordinal) por duplicado
 Totalmente aleatorizado: poner tabla de orden de ensayo y método utilizado
 Suposiciones: lotes de bolsas similares y datos con distribución normal
 Realizar ANOVA y Determinar las mejores condiciones para producción de canguil
 Registrar los datos en un cubo multifactorial
 Explicar las posibles causas porque no revientan las semillas
 Realizar el registro fotográfico correspondiente
FACTORIAL AXBXC

Replicas Peso no
Factores Sabor
reventado
A1 B1 C1 R1 R2
C2 R1 R2
B2 C1 R1 R2
C2 R1 R2
A2 B1 C1 R1 R2
C2 R1 R2
B2 C1 R1 R2
C2 R1 R2
FORMACIÓN DE BLOQUES 3X2
 Se desea optimizar un proceso de filtración al vacio
 Se analizan tres potencias de la bomba: a) baja, b) media y c) alta
 Se prueban dos membranas de filtración F1 y F2
 Se realizan cuatro replicas al azar por tratamiento
 Se mide el tiempo de filtración de un volumen constante

F1 F2
Alta r1 r2 r3 r4 r1 r2 r3 r4
Media r1 r2 r3 r4 r1 r2 r3 r4
Baja r1 r2 r3 r4 r1 r2 r3 r4
FORMACIÓN DE BLOQUES 3X2

 Por el tiempo de cada filtración solo se pueden


realizar seis corridas en un día
 Se utilizan cuatro equipos diferentes E1, E2, E3 y E4

 Como debe hacerse el bloqueo en un diseño


completo al azar?
FORMACIÓN DE BLOQUES
Equipo E1 E2 E3 E4
FILTRO F1 F2 F1 F2 F1 F2 F1 F2
Potencia Tiempo, min
Alta 90 86 96 84 100 92 92 81
Media 102 87 106 90 105 97 96 80
Baja 114 93 112 91 108 95 98 83

F1 F2
Alta r1 r2 r3 r4 r1 r2 r3 r4
Media r1 r2 r3 r4 r1 r2 r3 r4
Baja r1 r2 r3 r4 r1 r2 r3 r4
DOS FACTORES Y UN BLOQUE
 En general se asume que no hay interacción entre
el bloque y el tratamiento.
 El efecto del tratamiento (diferencia entre
tratamientos) es la misma para todos los bloques.
DOS FACTORES UN BLOQUE
SUPERFICIE DE RESPUESTA
CURVAS DE NIVEL
CURVAS DE NIVEL
GRAFICO DE CONTORNO Y SUPERFICIE DE RESPUESTA
SUPERFICIES DE RESPUESTA
MODELO DE REGRESIÓN
DISEÑO FACTORIAL 2K
DISEÑO FACTORIAL 2K
 K = factor (2 – 5)
 2 = nivel
 Cuantitativo= temperatura, presión, tiempo
 Cualitativo= maquinas, operadores, nivel alto/bajo
 Etapa inicial de trabajo experimental
 Existen muchos factores
 Menor numero de corridas para estudiar k factores en diseño factorial completo
 Experimentos de tamizado o selección de factores
 Indica la dirección a seguir
 Permite estudiar un gran numero de variables: 25 = 32 ensayos
DISEÑO FACTORIAL 22 EJEMPLO:
 Factor A y B  Se estudia el efecto de la
 Dos niveles: alto (+) y bajo (-) concentración del reactivo A y la
 Diseño completamente al azar cantidad de catalizador B en el
 Cumple normalidad rendimiento de una reacción química,
 Mínimo tres replicas con tres replicas.
A + B = C (%)
A B A B X1 X2 r1 r2 r3 T Combinación
Factor A: 15 y 20 %
Factor B: 1 y 2 kg
DISEÑO FACTORIAL 22
DISEÑO FACTORIAL 22
 EFECTO PROMEDIO DE UN FACTOR
 Es el cambio en la respuesta producido por un cambio en el nivel de ese
factor promediado para los niveles del otro factor.
 EFECTO INTERACCIÓN AB
 Es la diferencia promedio entre el efecto promedio de A con el nivel alto de
B y el efecto promedio de A con el nivel bajo de B.
b ab

(1) a
FIN!!!!!

También podría gustarte