Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• Los estudiantes aprenderán a identificar las variables clave, establecer hipótesis, seleccionar
métodos de muestreo, determinar el tamaño de la muestra, diseñar los tratamientos o condiciones
experimentales, y analizar los resultados obtenidos. También se les enseñará a interpretar los
resultados y a tomar decisiones basadas en ellos.
1. Preliminares
• Introducción a R
• Inferencia Estadística
• Estimación Puntual e Intervalos de Confianza.
• Pruebas de Hipótesis
4. Diseños Factoriales
• Diseños con dos Factores.
• Diseños con tres factores.
• Diseño factorial general.
• Diseños 2k
• Diseños 3k
• Box G. E. P, Hunter J. S. Hunter W. G., Statistics for Experimenters: Design, Innovation, and
Discovery. Limusa Wiley.
• Montgomery D. C., Diseño y análisis de experimentos. Limusa Wiley. Routledge.
• Maxwell S. E., Delaney H. D. Kelley K. Designing Experiments and Analyzing Data: A Model
Comparison Perspective.
• Lawson J. Design and Analysis of Experiments with R. Chapman Hall.
• Gutiérrez H. Análisis y Diseño de Experimentos. McGrawHill.
• Mason R., Gunts R. Hess J. Statistical Design and Analysis of Experiments, with Applications to
Engineering and Science. Wiley-Interscience
Contenidos
Notas
Introducción
Preliminares
Aplicación 1 en Software R
Intervalos de Confianza
Pruebas de Hipótesis
• Parcial 40 %
• Actividades Intermedias 60 %:
• Quices.
• Talleres.
• Tareas.
• Retos.
Aplicaciones
En el contexto de la maestría en diseño y gestión de procesos, el diseño de experimentos es una
herramienta fundamental para optimizar y mejorar los procesos productivos y de servicios.
A través del diseño de experimentos, se pueden identificar las variables críticas del proceso y establecer
niveles óptimos para cada una de ellas, lo que permite reducir costos, mejorar la calidad y aumentar la
eficiencia.
Ejemplo de Aplicación
Un ejemplo de aplicación del diseño de experimentos para la maestría en diseño y gestión de
procesos podría ser en la optimización de un proceso de producción en una empresa. Suponga-
mos que la empresa fabrica un producto y desea mejorar su proceso de producción para reducir
los costos y mejorar la calidad del producto.
En este caso, se podría aplicar el diseño de experimentos para identificar los factores clave que afectan
la calidad del producto y los costos del proceso de producción. Por ejemplo, se podrían evaluar
diferentes:
• niveles de temperatura,
• tiempo de producción,
• tipo de materiales,
entre otros factores, para determinar cuál combinación de estos produce el mejor resultado.
Diseño de
Experimentos
Variable
Factores Variables
Respuesta
Diseño de Experimentos
Diseño de
Controlar Factores Identificación de Factores Planificación del Experimento
Muestras
Mejor
Combinación ANOVA
de Factores
Análisis de Datos
M.Cs. Adrián Alberto Santana Alfonso Diseño de Experimentos 16 / 34
Introducción
Definición:
El diseño de experimentos es una rama de la estadística que se enfoca en el proceso de:
• planificar,
• diseñar,
• ejecutar y
• analizar
experimentos para obtener la mayor cantidad de información posible de manera eficiente y precisa.
Inferencia Estadística
En el análisis de datos experimentales, es común que los investigadores necesiten realizar inferencias
sobre la población a partir de una muestra.
En este sentido, los intervalos de confianza y las pruebas de hipótesis son herramientas fundamentales
para el análisis estadístico de datos.
Estas técnicas permiten estimar el valor de un parámetro poblacional y determinar si una afirma-
ción sobre la población es consistente con los datos observados en la muestra.
Población Muestra
• Estimación puntual e
Intervalos de
Confianza Distribución de Muestreo
• Pruebas de Hipótesis
Estadística Inferencial
Pruebas de Intervalos de
Hipótesis Confianza
• Para la media y
varianzas.
• Para dos medias.
• Igualdad de Varianzas.
• Poblaciones pareadas
Ejemplo:
Tres parámetros que usualmente son usados para y sus respectivos estimadores son:
hacer inferencia son:
• La media muestral µ̂ = x̄
• La media (poblacional) µ del proceso. • La desviación estándar muestral σ = s
• La desviación estándar (poblacional) σ del • La proporción de defectuosos en la muestra
proceso. p̂ = x /n donde x es el número de artículos
• La proporción ρ de artículos defectuosos. defectuosos en una muestra de tamaño n.
Un intervalo de confianza es una estimación del rango de valores en el que se encuentra el verdadero
valor de una variable de interés con cierto nivel de confianza. En otras palabras, es un rango de valores
dentro del cual se espera que esté la verdadera media poblacional de la variable que se está estudiando.
P(L ≤ µ ≤ U) = 1 − α
Con σ conocido
σ σ
P(x̄ − zα/2 ∗ √ ≤ µ ≤ x̄ + zα/2 ∗ √ ) = 1 − α
n n
Con σ desconocido
s s
P(x̄ − tα/2,n−1 ∗ √ ≤ µ ≤ x̄ + tα/2,n−1 ∗ √ ) = 1 − α
n n
Concepto
Por su parte, una prueba de hipótesis es un procedimiento estadístico que permite evaluar la
evidencia en contra de una afirmación específica sobre una variable de interés. La afirmación se
conoce como hipótesis nula y la evidencia en contra de ella se mide mediante un valor conocido
como estadístico de prueba.
• Hipótesis Nula H0 .
• Hipótesis Alternativa Ha .
• Estadístico de Prueba.
• Región de Rechazo.
• Decisión.
Hipótesis Nula
El primer paso es definir la hipótesis nula (a menudo indicada como H0 ). Para nosotros, la hipótesis
nula siempre corresponderá a la hipótesis de no cambio; es decir, el statu quo sigue siendo válido.
Formalmente, esto se escribe como: H0 : µ = µ0 .
Hipótesis Alternativa
En oposición a la hipótesis nula, definimos una hipótesis alternativa (a menudo indicada con H1 o
Ha ). Podemos tener tres formas diferentes de definir una hipótesis alternativa:
La prueba estadística nos ayudará a decidir si hay suficiente evidencia para rechazar la hipótesis nula
a favor de una alternativa.
µ1 − µ2
• Box G. E. P, Hunter J. S. Hunter W. G., Statistics for Experimenters: Design, Innovation, and
Discovery. Limusa Wiley.
• Montgomery D. C., Diseño y análisis de experimentos. Limusa Wiley. Routledge.
• Maxwell S. E., Delaney H. D. Kelley K. Designing Experiments and Analyzing Data: A Model
Comparison Perspective.
• Lawson J. Design and Analysis of Experiments with R. Chapman Hall.
• Gutiérrez H. Análisis y Diseño de Experimentos. McGrawHill.
• Mason R., Gunts R. Hess J. Statistical Design and Analysis of Experiments, with Applications to
Engineering and Science. Wiley-Interscience
Contenidos
Notas
Introducción
Preliminares
Aplicación 1 en Software R
Intervalos de Confianza
Pruebas de Hipótesis