Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE INGENIERIA
DIVISIÓN DE ESTUDIOS PARA GRADUADOS
PROGRAMA DE DOCTORADO EN INGENIERIA
SEMINARIO: TOPICOS ESPECIALES DE ESTADÍSTICA EXPERIMENTAL
INSTRUCTOR:
DR. EDINSON E. JIMÉNEZ MEDINA
estadistica.edinson@gmail.com
+57 3174948112
2.- DANIEL, Wayne W (2007). Bioestadística. Base para el análisis de las ciencias
de la salud. Cuarta edición. Editorial LIMUSA, S.A de C.V. México, D.F.
Luego, por medio del diseño experimental, estos descubrimientos pueden ser planeados y
realizados de manera que no hay que esperar a tener la coincidencia de eventos que
anteriormente llevaba a descubrimientos importantes.
El mejoramiento continuo se lleva a cabo, a través de la lógica del método científico, el cual
esta basado en el ciclo inducción – deducción.
1- Definir el problema.
2- Desarrollar una hipótesis o modelo.
1.2- PASOS 3- Aplicar el modelo (Deducción).
DEL 4- Obtener información, realizar pruebas.
METODO 5- Comparar los resultados con el modelo y aceptar la hipótesis
CIENTIFICO o generar una nueva.
6 Repetir desde el paso 2 hasta obtener los resultados
deseados.*
* El ciclo se repite hasta que el nivel de conocimiento del proceso sea
adecuado.
Dr. Edinson E. Jiménez M
…//…
Escenario para mostrar una aplicación trivial del ciclo inducción – deducción.
Una persona desea probar la siguiente hipótesis, H0: “Toda enfermedad se cura teniendo
reposo solamente”
- Deducción: Si la hipótesis anterior es cierta, la persona deduce “no es necesario ir al
medico”
- Realidad: la persona no se mejoro de la enfermedad.
- Inducción: basándose en su realidad, la persona induce una nueva hipótesis que se ajuste
mas a la realidad, H1: “Toda enfermedad se cura asistiendo al medico y teniendo reposo
solamente”
- Deducción: Si la nueva hipótesis es cierta, la persona asistirá al medico sin cumplir con la
prescripción indicada.
- Realidad: la persona se agravo de la enfermedad.
- Inducción: la persona ahora genera (induce) otra nueva hipótesis que le ayude a entender
su proceso de enfermedad y recuperación de su salud, H2: “Toda enfermedad se cura
asistiendo al medico, cumpliendo con su prescripción y teniendo reposo”.
Esta ultima hipótesis le ayudara a entender a esta persona, el proceso de curación de las
enfermedades y recuperación de la salud. …//…
1. Determinar cuales son las variables que ejercen mayor influencia sobre la
variable respuesta (Y).
2. Determinar donde ajustar las X que ejercen mayor influencia para que Y esté
cerca de la especificación nominal.
3. Determinar donde ajustar las X que ejercen mayor influencia para que la
variabilidad de Y sea pequeña.
4. Determinar donde ajustar las X que ejercen mayor influencia para que los
efectos de las variables no controladas Z se minimicen.
Por ejemplo, si un proceso se encuentra bajo control estadístico pero sigue teniendo una
capacidad pobre, será necesaria mejorar la capacidad del proceso para reducir la
variabilidad. Los experimentos diseñados pueden ofrecer una manera más efectiva que
el control estadístico de proceso para este fin.
1) Identificación y Una exposición clara del problema y de los objetivos del experimento con
exposición del frecuencia contribuyen sustancialmente para conseguir una mejor comprensión
problema del proceso y la solución final del problema.
*Los tres (3) procedimientos anteriores, es lo que se conoce como Planeación pre- experimental.
5) Realización
Los errores en el procedimiento experimental en está etapa generalmente
del
destruirán la validez del experimento.
experimento
6) Análisis de Se utilizarán métodos estadísticos para analizar los datos a fin de que los
datos resultados y las conclusiones sean objetivas y no de carácter apreciativo.
…//…
Dr Edinson E. Jiménez M
…//…
1) Desarrollo de la metodología de
superficies de respuesta.
2) Logran determinar la diferencia entre
los experimentos industriales de los
experimentos agrícolas, en dos
Industrial (1951) E. P Box y B. Wilson sentidos: a) la variable respuesta
puede observarse, por lo general, de
inmediato y b) el experimentador puede
obtener pronta información crucial de
un pequeño grupo de corridas que
puede usarse para planear el siguiente
experimento.
…//…
…//…
Mejoramiento de calidad (finales de Genichi Taguchi y otros 1 )El uso de los experimentos
la década de 1970) diseñados se hizo mas
generalizados en las industrias
con piezas discretas.
2) Alternativas a los métodos
técnicos de Taguchi que
permiten que sus conceptos de
ingeniería se lleven a la
Desarrollo de varios enfoques practica de manera eficaz y
nuevos y útiles para los problemas Genichi Taguchi y otros eficiente.
experimentales en el mundo 3) Inclusión formal de la
industrial educación en diseño
experimental estadístico en los
programas de ingeniería de las
universidades.
!!MUCHAS GRACIAS !!
TRABAJO PRACTICO 1
c) Caracterización de un proceso.
inducción – deducción.
¡¡MUCHAS GRACIAS¡¡
UNIVERSIDAD DEL ZULIA
FACULTAD DE INGENIERIA
DIVISIÓN DE ESTUDIOS PARA GRADUADOS
PROGRAMA DE DOCTORADO EN INGENIERIA
SEMINARIO: TOPICOS ESPECIALES DE ESTADÍSTICA EXPERIMENTAL
EXPERIMENTOS FACTORIALES
(Primera Parte)
INSTRUCTOR:
DR. EDINSON E. JIMÉNEZ MEDINA
estadistica.edinson@gmail.com
+573174948112
1.- CASTEJON S, Osiris (2008). Diseño y análisis de experimentos con statistix. Colección Textos Universitarios.
Universidad del Zulia. Vice Rectorado Académico. Producciones Editoriales C.A. Mérida, Venezuela.
2.- DANIEL, Wayne W (2007). Bioestadística. Base para el análisis de las ciencias de la salud. Cuarta edición.
Editorial LIMUSA, S.A de C.V. México, D.F.
3,- ESCALANTE VASQUEZ Edgardob J (20014). Diseño y análisis de experimentos. Primera edición. Editorial
LIMUSA. México, D.F.
4.- HANKE, Jhon E y REITSCH, Arthur G (1995). Estadística para negocios. Segunda edición. Mosby – Doyma
Libros, S.A. – División IRWIN. España.
5.- MONTGOMERY, Douglas C (2008). Control estadístico de la calidad. Tercera edición. Editorial LIMUSA, S.A de
C.V. México, D.F.
6.- MONTGOMERY, Douglas C (2004). Diseño y análisis de experimentos. Segunda edición. Editorial LIMUSA
WILEY. México. D.F.
7.- NAVIDI, William (2006). Estadística para ingenieros y científicos. Mc Graw-Hill Interamericana. México. D.F.
8.- PALACIOS Severo (xxxx). Estadística experimental. Aplicada a ciencia e ingeniería. Primera edición. Edición
CONCYTEC. Lima – Perú.
CONTENIDO
Procesos de entrada
Controlables
x1 x2 …………. xp
z1 z2 .………….zp
Procesos de entrada
No controlables
Luego, por experimento factorial se entiende que en cada ensayo o replica completa del
experimento se investigan todas las combinaciones posibles de los niveles de los
factores.
Cuando en un experimento son varios los factores de interés, deberá usarse un diseño
factorial. En estos diseños, los factores se hacen variar al mismo tiempo.
Por tanto, si hay dos factores A y B con a niveles del factor A y b niveles del factor B,
entonces cada replica contiene las ab combinaciones posibles.
Figura 1
20 40
F +
a
c
t
o
r - 10 30
“B”
- +
Factor “A”
El efecto principal del factor A es la diferencia entre la respuesta promedio del nivel alto
de A y la respuesta promedio del nivel bajo de A. …//…
30 40 10 20 70 30
FA = YA+ - YA- = 2
2
2 2 FA 35 15 20
Interpretación: cambiar el factor A del nivel bajo (-) al nivel alto (+) produce un incremento
de la respuesta, en promedio de 20 unidades.
Factor B
20 40 10 30 60 40
FB = YB+ - YB- =
2
2
2 2 FB 30 20 10
Interpretación: cambiar el factor B del nivel bajo (-) al nivel alto (+) produce un
incremento de la respuesta, en promedio de 10 unidades.
…//…
Dr. Edinson E. Jiménez M
…//…
1.2- Interacción de factores
Figura 2
F + 20 0
a
c
t
o -
10 30
r
“B”
- +
Factor “A”
En el nivel bajo del efecto B, el efecto A es: A = 30 – 10 = 20
En el nivel alto del efecto B, el efecto A es: A = 0 – 20 = -20
…//…
Dr. Edinson E. Jiménez M
…//…
* Puesto que el efecto de A depende del nivel elegido para el efecto B, existe interacción
entre A y B. Cuando la interacción es grande, los efectos principales correspondientes
tienen escaso significado.
Por ejemplo, al utilizar los datos de la figura 2, se encuentra que el efecto principal de A es:
30 0 10 20
FA 15 15 0
2 2
Al examinarse el efecto principal de A con diferentes niveles del factor B, se observa que
este no es el caso. El efecto del factor A depende de los niveles del factor B.
Por tanto, el conocimiento de la interacción AB es más útil que el conocimiento del efecto
principal. Una interacción significativa puede enmascarar la significación de los efectos
principales.
…//…
Respuesta Respuesta
50 50
B+
40 40
B- B-
30 30
B+
B+
20 20
B-
10 B-
10
B+
Factor A 0 Factor A
0 - + - +
Es una extensión a tres o más muestras del procedimiento de la prueba t para utilizarlo
en dos o mas muestras independientes.
Luego, se puede afirmar que utilizar la prueba t con dos muestras independientes es
un caso específico del análisis de varianza unilateral (un solo factor).
Individuos disponibles
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Números aleatorios
03 06 15 11 16 08 04 13 02 05 01 07 09 10 14 12
03 06 15 11 16 08 04 13 02 05 01 07 09 10 14 12
1. La gran media
2. Efecto del tratamiento, y
3. Término del error que representa la desviación de la observación a
partir de su media grupal.
Hl: µ1 ≠ µ2 ≠ …… ≠ µk
*Razón de Variabilidad
7. Decisión estadística: Con un nivel de significación (ᾳ) del 5% (0,05), se tiene entonces.
…//…
EJEMPLO 2:
TEMPERATURA DENSIDAD
Regla de Decisión
CM δ
Si > F(a, N-a) Se rechaza la H0
CME
De igual manera
Variable dependiente:
Var de Resp: Dens-Vidrio
Variables independientes:
Niveles de Temperatura
Sumary
Statistics Box and Whisker Plot
Statistics
Source DF SS MS F P
TEMPERAT 3 13.6667 4.55556 1.21 0.3653
Error 8 30.0000 3.75000
Total 11 43.6667
Cuando el diseño se utiliza con eficacia, el cuadrado medio del error en la tabla
ANOVA se reduce, aumenta la razón de variabilidad y mejora la probabilidad de
rechazar la hipótesis nula (H0).
…//…
Ventajas
1- Su diseño es de fácil comprensión.
2- Las complicaciones que puedan surgir en el transcurso de un experimento con
este diseño, son fáciles de controlar.
Donde:
Xij es el valor representativo de toda la población.
µ es una constante desconocida.
βi representa un efecto del bloque que refleja el hecho de que la unidad de
experimentación cae en el i-ésimo bloque.
حrepresenta el efecto de un tratamiento que refleja el hecho de que la unidad
de experimentación recibe el j-esimo tratamiento.
ϱij es un componente residual que representa todas las fuentes de variación
que no son tratamientos ni bloques.
Un fisioterapeuta tenia como propósito comparar tres métodos para enseñar a sus
pacientes a utilizar cierto mecanismo protésico. Consideró que el porcentaje de
aprendizaje seria diferente en pacientes con diferentes edades, y quiso diseñar un
experimento en el que la edad fuera tomada en cuenta. El diseño por bloques
completos y aleatorizados es un diseño adecuado para el fisioterapeuta.
Con respecto a los datos, escogió al azar a tres pacientes por grupo para formar cinco
grupos de edad para que participaran en el experimento, y a cada uno de los pacientes
en cada grupo de edad se le asigno al azar un método de enseñanza. Los métodos de
instrucción forman tres (3) tratamientos, y los cinco (5) grupos de edad son los bloques.
Supuesto del modelo: se supone que cada una de las 15 observaciones a ser obtenidas
forman una muestra aleatoria de tamaño 1 a partir de una de las 15 poblaciones
definidas por la combinación de bloques y tratamientos.
Método de enseñanza
Grupo Grupo A B C Total Media
de edad de edad
Statistics General
Linear Models Analysis of Variance
AOV/AOCV
Variable dependiente:
Var de Resp: Tiempo en días
Variables independientes:
Factores:
G de edad, Met. enseñanza
Statistics Sumary
Box and Whisker Plot
Statistics
Source DF SS MS F P
C2 4 24.9333 6.23333 14.38 0.0010
C3 2 18.5333 9.26667 21.38 0.0006
Error 8 3.4667 0.43333
Total 14
Ejemplar de prueba
Tipo de 1 2 3 4
Punta
Variable dependiente:
Var de Resp: Dureza
Variables independientes:
Factores:
T de punta, Ejem de prueba
Source DF SS MS F P
T 3 0.68750 0.22917 1.94 0.1936
E 3 0.68750 0.22917 1.94 0.1936
Error 9 1.06250 0.11806
Total 15 2.43750
Estas ocasiones distintas durante las que se toman las mediciones pueden ser puntos
distintos en el tiempo o diferentes condiciones, como tratamientos diferentes.
Ventajas de su utilización
- Requiere de menos individuos para aplicar el diseño, que otros diseños en los
que se utilizan diferentes individuos para cada ocasión en que se toman las
mediciones. …//…
Desventajas
- Se debe tener cuidado con el efecto acarreado. Es decir, cuando se evalúan dos
o más tratamientos, los investigadores deben asegurarse de que las respuestas
de los individuos para un tratamiento no reflejan el efecto residual del tratamiento
anterior. Este problema puede resolverse dejando pasar tiempo suficiente entre los
tratamientos.
El diseño de mediciones repetidas con un solo factor, es aquel en el que se agrega una
variable adicional a la variable tratamiento. Esto con el fin de medir y aislar su
contribución a la variabilidad total entre las observaciones.
En este diseño, cada individuo recibe cada uno de los tratamientos. El orden en el que
los individuos son expuestos a los tratamiento, si hay la posibilidad, es al azar. La
aleatorización se aplica de manera independiente sobre cada individuo.
Dr. Edinson E. Jiménez M.
Supuestos del modelo (diseño aditivo de efectos fijos)
1. Los individuos estudiados forman una muestra aleatoria simple extraída de una
población con individuos similares.
2. Cada una de las observaciones es una muestra aleatoria simple e
independiente de tamaño 1 extraída de cada una de las kn poblaciones, donde n
es el número de individuos y k es el número de tratamientos a los que se expone
el individuo.
4. Los k tratamientos son fijos, es decir, son los únicos tratamientos respecto a
los que se tiene interés en la situación actual. No se pretende hacer inferencias
para un conjunto mayor de tratamientos.
5. No hay interacción entre los tratamientos y los individuos. Esto es, los
tratamientos y los efectos en los individuos son aditivos.
xij i j ij I = 1, 2, … , n ; j = 1, 2, … , k
Ejemplo 3
Un investigador estudio los efectos de las alteraciones en la composición dietética
sobre el gasto de energía y balance de nutrientes en los seres humanos. Una de las
medidas empleadas para el gasto energético era una cantidad llamada cociente
respiratorio (CR). En la tabla que se presenta a continuación se muestran, para tres
puntos diferentes en el tiempo, los cocientes respiratorios diarios (24 horas), con una
dieta alta en calorías en los ocho individuos que participaron en el estudio. Se pretende
saber si existe diferencia entre el CR medio y los tres puntos en el tiempo.
0,800 1 1
0,809 1 2
0,832 1 3
0,819 2 1
0,858 2 2
0,835 2 3
0,886 3 1
0,865 3 2
0,837 3 3
0,824 4 1
0,876 4 2
0,900 4 3
0,820 5 1
0,903 5 2
0,877 5 3
0,906 6 1
0,820 6 2
0,865 6 3
0,800 7 1
0,867 7 2
0,857 7 3
0,837 8 1
0,852 8 2
0,847 8 3
2. Estadística de prueba
Instrucciones en STATISTIX
STATISTICS LINEAR MODELS ANALYSIS OF VARIANCE
GENERAL AOV/AOCV
Source DF SS MS F P
Tiempos 2 0.00208 0.00104 1.04 0.3698
Error 21 0.02093 0.00100
Total 23 0.02301
Así, el diseño de cuadrado latino (o doble bloqueo) se trata como su nombre lo indica,
de controlar dos fuentes de variación existentes, reconocidas por el investigador entre
las unidades experimentales.
Luego, el diseño de cuadrado latino se usa para eliminar dos fuentes de variabilidad
perturbadora; es decir, permite hacer la formación de bloques sistemática en dos
direcciones. Por lo tanto, los renglones y las columnas representan en realidad dos
restricciones sobre la aleatorización (Montgomery, 2004).
El investigador al controlar estas dos fuentes logra reducir la varianza del error
posibilitando la expresión de la diferencia entre los tratamientos, si es que existe.
(Castejón, 2008) …//…
i = 1, 2, ….., p
yijk i j k ijk j = 1, 2, …. , p
K = 1, 2, …., p
Dr.Edinson E. Jiménez M
Ejemplo 5 (Montgomery, 2004:144)
Suponga que un experimentador estudia los efectos que tienen cinco (5)
formulaciones diferentes de la carga propulsora utilizados en los sistemas de
expulsión de la tripulación de un avión basado en la rapidez de combustión. Cada
formulación se hace con un lote de materia prima que sólo alcanza para producir
cinco formulaciones. Además, las formulaciones son preparadas por varios
operadores y pueden haber diferencias sustanciales en las habilidades y experiencia
de los operadores. Por lo tanto, al parecer hay dos factores perturbadores que serán
“calculados en promedio” en el diseño: los lotes de materia prima y los operadores.
Operadores
Lote 1 2 3 4 5
MP
1 A24 B20 C19 D24 E24
2 B17 C24 D30 E27 A36
3 C18 D38 E26 A27 B21
4 D26 E31 A26 B23 C22
5 E22 A30 B20 C29 D31
1 1 1 1 24
2 2 1 2 20
3 3 1 3 19
4 4 1 4 24
5 5 1 5 24
6 2 2 1 17
7 3 2 2 24
8 4 2 3 30
9 5 2 4 27
10 1 2 5 36
11 3 3 1 18
12 4 3 2 38
13 5 3 3 26
14 1 3 4 27
15 2 3 5 21
16 4 4 1 26
17 5 4 2 31
18 1 4 3 26
19 2 4 4 23
20 3 4 5 22
21 5 5 1 22
22 1 5 2 30
23 2 5 3 20
24 3 5 4 29
25 4 5 5 31
2. Estadística de prueba
Instrucciones en STATISTIX
STATISTICS LINEAR MODELS ANALYSIS OF VARIANCE
Source DF SS MS F P
Lote 4 68.640 17.1600
Operadore 4 109.040 27.2600
Cuad 4 269.840 67.4600 9.17 0.0012
Error 12 88.320 7.3600
Total 24 535.840
2. Estadística de prueba
Conclusión: Como se Rechaza la H0. significa que en promedio el efecto de las materias
primas y operarios no son iguales. Luego, existe evidencia estadística que permita afirmar
la existencia de diferencias entre las materias primas utilizadas y los operarios, con un
95% de confianza.