UNIDAD 2 DISEO DE EXPERIMENTOS DE UN FACTOR

CATEDRATICO: VICTOR MOTERROSAS CAMPOS MATERIA: ESTADISTICA INFERCIAL II CARRERA: INGENIERIA INDUSTRIAL
INTEGRANTES DEL EQUIPO: TANIA ITZEL LARA ESPINOZA JAIME PAREDES GONZALEZ LILIANA DIAZ DEL ANGEL JAIME VALDEZ RODRIGUEZ

CERRO AZUL VER,. A 25 DE FEBRERO DE 2014

2.1 FAMILIA DE DISEOS PARA COMPARAR TRATAMIENTOS

Los diseos experimentales ms utilizados para comparar tratamientos son: 1. 2. 3. 4. Diseo completamente al azar (DCA) Diseo en bloque completamente al azar (DBCA) Diseo en cuadro latino (DCL) Diseo en cuadro grecolatino (DCGL)

La diferencia fundamental entre estos diseos es el nmero de factores de bloque que incorporan o controlan de forma explcita durante el experimento. La comparacin delos tratamientos en cuanto a la respuesta media que logran, en cualquiera de estos diseos, se hace mediante la hiptesis que se prueba con la tcnica estadstica llamada Anlisis de Varianza (ANOVA)con uno, dos, tres o cuatro criterios de clasificacin, dependiendo del nmero de factores de bloques incorporados al diseo

DISEO
DCA DBCA DCL DCGL

FACTORES DE DISEO
0 1 2 3

ANOVA CON
UN CRITERIO DOS CRITERIOS TRES CRITERIOS CUATRO CRITERIOS

MODELO ESTADISTICO

Y es la variable de salida, la media global, el efecto del i-esimo tratamiento, error aleatorio y son los efectos de tres factores de bloqueo. El modelo estadstico que describe el comportamiento de la variable observada Y en cada diseo, incorpora un trmino adicional por cada factor de bloqueo controlado. De acuerdo con los modelos dados en la tabla, para cada diseo comparativo se tienen al menos dos fuentes de variabilidad: los tratamientos o niveles del factor de inters y el error aleatorio. Se agrega una nueva fuente de variabilidad porcada factor de bloque que se controla directamente. Se observa que los diseos suponen que no hay efectos de interaccin entre los factores, lo cual sera lo deseable que ocurra; de no ocurrir as, tal efecto se recarga al error y el problema de comparacin no se resuelve con xito. Un efecto de interaccin entre dos factores hace referencia a que el efectode cada factor depende del nivel en que se encuentra el otro.

2.2 EL MODELO DE EFECTOS FIJOS

El modelo de efectos fijos (es cuando se estudian todos los posibles tratamientos) De anlisis de la varianza se aplica a situaciones en las que el experimentador ha sometido al grupo o material analizado a varios factores, cada uno de los cuales le afecta slo a la media, permaneciendo la "variable respuesta" con una distribucin normal. Este modelo se supone cuando el investigador se interesa nicamente por los niveles del factor presentes en el experimento, por lo que cualquier variacin observada en las puntuaciones se deber al error experimental.

Pasos en el modelo de efectos fijos para los datos de muestra

Calcular las medias de grupo y la Gran media Calcular k = nmero de grupos, n = nmero de observaciones por grupo, N = nmero total de observaciones (KxN) Calcular SS-total (o la varianza total) como: (Cada puntuacin - gran media) ^ 2 resume a continuacin Calcular SS-tratar (o efecto del tratamiento) como: (Cada grupo medio-Grand media) ^ 2 xn despus se suman Calcular SS-error (error o efecto) como (Cada puntuacin - Su media del grupo) ^ 2 a continuacin resume Calcular df-total: N-1, gl-tratamiento: k-1 y df-error k (n-1) Calcular Mean Square MS-treat: SS-treat/df-treat, luego MS-error: SS-error/df-error Calcular el valor obtenido f: MS-treat/MS-error Usar F-tabla o funcin de probabilidad, para buscar el valor crtico F con un nivel de significacin determinado Concluir acerca de si el efecto del tratamiento afecta de manera significativa la variable de inters

2.3 DISEO COMPLETAMENTE ALEATORIO Y ANOVA

El diseo completamente al azar (DCA), que es el ms simple de todos los diseos que se utilizan para comparar dos o ms tratamientos, dado que slo consideran dos fuentes de variabilidad: Los tratamientos EL error aleatorio

EJEMPLO:
Comparacin de cuatro mtodos de ensamble Un equipo de mejora investiga el efecto de cuatro mtodos de ensamble A, B, C y D, sobre el tiempo de ensamble en minutos con un nivel de significancia de 0.05. En primera instancia, la estrategia experimental es aplicar cuatro veces los cuatro mtodos de ensamble en orden completamente aleatorio (las 16 pruebas en orden aleatorio). Los tiempos de ensamble obtenidos se muestran en la tabla 2.1. Si se usa el diseo completamente al azar (DCA),se supone que, adems del mtodo de ensamble, no existe ningn otro factor que influya de manera significativa sobre la variable de respuesta (tiempo de ensamble)

Diseo completamente al azar

Mtodo de ensamble
A
6 8 7 8

B
7 9 10 8

C
11 16 11 13

D
10 12 11 9

El anlisis de la varianza de un criterio (ANOVA de un criterio) es una metodologa para analizar la variacin entre muestras y la variacin al interior de las mismas con varianzas, en lugar de rangos. Como tal, es un mtodo estadstico til para comparar dos o ms medias poblacionales. El mtodo de ANOVA con un criterio requiere del clculo de dos estimaciones independientes para 2 2 la varianza poblacional comn. Estas dos estimaciones sedenotan por y 2
2 Se denomina estimacin de la varianza entre muestras (Mtodo entre) 2 Se denomina estimacin de la varianza al interior de las muestras (Mtodo dentro). 2 2 y tiene una distribucin muestra que sigue El estadstico entonces resulta una distribucin F. Estadstico F para el ANOVA con un criterio 2 = 2

El mtodo dentro de estimacin de la varianza produce una estimacin vlida sin importar si la hiptesis nula de las medias poblacionales iguales es cierta. Esto se debe aqu la variabilidad de los valores de la muestra se determina comparando cada elemento en los datos con la media muestra.

2 = Estimacin de la varianza muestra con el mtodo entre. x = i-simo elemento de los datos de grupo j. x =media del grupo j.

C = nmero de grupos n = nmero de elementos de la muestra en cada grupo.

El segundo mtodo para estimar la varianza comn de la poblacin produce una estimacin vlida slo si la hiptesis nula es cierta. Para entender el mtodo entre recuerde el teorema del lmite central. Este importante teorema en estadstica establece que la distribucin de las medias mustrales tiende a una distribucin normal conforme crece el tamao de la muestra, con una media y una desviacin estndar.
2 = Estimacin del mtodo entre de la varianza poblacional comn.

x = media del grupo j x= media global (media de todos los valores), usada como estimacin de u. C = nmero de grupos. n = nmero de elementos de la muestra en cada grupo si el nmero de observaciones en cada uno es el mismo.
Grados de libertad para glb= (C 1)

Cuando no se rechaza la H0 :1= 2= 3, el objetivo del experimento est cubierto y la conclusin es que los tratamientos no son diferentes. Si por el contrario se rechaza H0, y por consiguiente se acepta la H1: No todas las poblaciones tienen la misma media, es necesario investigar cules tratamientos resultaron diferentes, o cules provocan la diferencia

 Estas interrogantes se responden probando la igualdad de todos los posibles pares de medias, para lo cual se han propuesto varios mtodos, conocidos como mtodos de comparaciones mltiples o pruebas de rango mltiple.

La diferencia primordial entre los mtodos radica en la potencia que tienen para detectar las diferencias entre las medias. Se dice que una prueba es ms potente si es capaz de detectar diferencias ms pequeas. Hay varios mtodos estndar para realizar comparaciones pareadas que apoyenla credibilidad de la tasa de error tipo1

Una vez que se rechazo H0 en el ANOVA, el problema es probar la igualdad de todos los posibles pares de medias con la hiptesis:

Para toda i j. Para k tratamientos se tienen en total k ( k 1 ) / 2 pares de medias.

 Es el mtodo ms conservador para comparar pares de medias de tratamientos, el cual consiste en comparar las diferencias entre medias muestrales con el valor crtico dado por:

Se declaran significativamente diferentes los pares de medias cuya diferencia muestral en valor absoluto sea mayor que T . El mtodo Tukey trabaja con un error muy cercano al declarado por el experimentador.

 Determina diferencias significativas entre cada media del tratamiento y el control, en un solo nivel de significancia. Por facilidad, denotemos como tratamiento control al k- simo tratamiento. Hacer comparaciones con respecto al control implica probar las k-1 hiptesis dadas por:

 La validez de los resultados obtenidos en cualquier anlisis de varianza queda supeditada a que los supuestos del modelo se cumplan. Estos supuestos son: A)Normalidad B)Varianza constante (igual varianza de los tratamientos) C)Independencia. Esto es, la respuesta (Y) se debe distribuir de manera normal, con la misma varianza en cada tratamiento y las mediciones deben ser independientes. Estos supuestos sobre Y se traducen en supuestos sobre el termino error () en el modelo

Es una prctica comn utilizar la muestra de residuos para comprobar los supuestos del modelo, ya que si los supuestos se cumplen, los residuos o residuales se pueden ver como una muestra aleatoria de una distribucin normal con media cero y varianza constante. Los residuos, ij se definen como la diferencia entre la respuesta observada (Yij) y la respuesta predicha por el modelo (ij) , lo cual permite hacer un diagnstico ms directo de la calidad del modelo, ya que su magnitud seala qu tan bien describe a los datos del modelo.

 Cuando se realiza el ANOVA, y slo cuando ste resulta significativo, entonces se procede a estimar el modelo ajustado o modelo de trabajo dado por:

Los gorros indican que son estimadores, es decir, valores calculados a partir delos datos del experimento. El trmino del error desaparece del modelo estimado, por el hecho de que su valor esperado es igual a cero

 Para comprobar cada supuesto existen pruebas analticas y grficas que veremos a continuacin. Por sencillez, muchas veces se prefieren las pruebas grfica. stas tienen el inconveniente de que no son exactas, pero aun as , en la mayora de las situaciones prcticas proporcionan la evidencia suficiente en contra o a favor de los supuestos.

Normalidad
Un procedimiento grfico para verificar el cumplimiento del supuesto de normalidad delos residuos consiste en graficar los residuos en papel o en la grfica de probabilidad normal que se incluye casi en todos los paquetes estadsticos

Varianza constante
Una forma de verificar el supuesto de varianza constante (o que los tratamientos tienen la misma varianza) es graficado los predichos contra residuos (ij vs ij) por lo general ij va en el eje horizontal y los residuos en el eje vertical. Si los puntos en esta grfica se distribuyen de manera aleatoria en una banda horizontal (sin ningn patrn claro y contundente), entonces es seal d que se cumple el supuesto de que los tratamientos tienen igual varianza.

Independencia
La suposicin de independencia en los residuos puede verificarse si se grafica el ordenen que se colect un dato contra el residuo correspondiente. De esta manera, si al graficar en el eje horizontal el tiempo (orden de corrida) y en el eje vertical los residuos, se detecta una tendencia o patrn no aleatorio claramente definido, esto es evidencia de que existe una correlacin entre los errores y, por lo tanto, el supuesto de independencia no se cumple.

 Si el comportamiento de los puntos es aleatorio dentro de una banda horizontal, el supuesto se est violacin de este supuesto generalmente indica deficiencias en la planeacin y ejecucin del experimento; asimismo, puede ser un indicador de que no se aplico en forma correcta el principio de aleatorizacin, o de que conforme se fueron realizando las pruebas experimentales aparecieron factores que afectaron la respuesta observada.