Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porAbraám Trujillo Modificado hace 9 años
1
Ingeniería Industrial. Estadística III Henry Lamos Díaz
DISEÑOS FACTORIALES Ingeniería Industrial. Estadística III Henry Lamos Díaz
2
EJEMPLO Un ingeniero diseña una batería para usar en un motor de cierto producto. Para ello dispone de tres tipos diferentes de material. Como considera que la temperatura es un factor influyente en la duración de la batería, decide diseñar el experimento combinando los tres materiales con tres temperaturas concretas. ¿Cómo llevaría a cabo el experimento? Realice un diseño para el experimento Defina la unidad experimental ¿Cuántas unidades experimentales tomaría? Diseño Factorial
3
EJEMPLO ¿ Qué efecto tienen el tipo de material y la temperatura sobre la vida de la batería? ¿ Existe alguna elección del material que produzca de manera regular una vida larga de la batería independientemente de la temperatura? O sea, ¿Hay posibilidad de un material sea más recomendado a una temperatura en concreto y no lo sea a otra distinta? Diseño Factorial
4
Duración en horas de la batería Temperatura Experimento
Tipo de Material DISEÑO Y ANALISIS DE EXPERIMENTOS
5
¿QUÉ ES? Es el estudio de los efectos de dos o más factores de interés. Para ello en cada ensayo o réplica completa se investigan todas las combinaciones posibles de los niveles de los factores deseados. Ejemplo. Si el factor A tiene a niveles, el factor B tiene b niveles y el factor C tiene c niveles, cada réplica contiene todas las abc combinaciones de los tratamientos. Diseño Factorial
6
VENTAJAS DE DISEÑOS FACTORIALES
Son más eficientes que estudiar cada factor solo. Son necesarios cuando pueden haber interacciones presentes a fin de evitar conclusiones incorrectas. Permiten conocer las estimaciones de una factor con varios niveles de factores restantes. Diseño Factorial
7
DISEÑO FACTORIAL DE DOS FACTORES
Se tiene dos factores A y B, el factor A tiene a niveles y el factor B tiene b niveles. Cada réplica n contiene todas las ab combinaciones de los tratamientos. En total se tienen abn observaciones o corridas. Factor B … b Y111, Y112, …, Y11n Y121, Y122, …, Y12n … Y1b1, Y1b2, …, Y1bn Y211, Y212, …, Y21n Y221, Y222, …, Y22n Y2b1, Y2b2, …, Y2bn Ya11, Ya12, …, Ya1n Ya21, Ya22, …, Ya2n Yab1, Yab2, …, Yabn 1 2 . a Factor A Diseño Factorial
8
8 NOTACIONES Diseño Factorial DISEÑO Y ANALISIS DE EXPERIMENTOS
9
9 µ es la gran media de la población, que es el promedio de todas las medias de los tratamientos Se llama el i-ésimo efecto del renglón, el valor de indica el grado con el cual el i-ésimo nivel del factor A tiende a producir resultados que son mayores o menores que la gran media de la población. Se llama el j-ésimo efecto de columna o factor B, indica el grado con el cual el j-ésimo nivel de la columna tiene a producir resultados que son mayores o menores que la gran media de la población. DISEÑO Y ANALISIS DE EXPERIMENTOS Diseño Factorial
10
10 NOTACIONES Interacción: Cuando el efecto de un factor depende del nivel del otro factor Diseño Factorial DISEÑO Y ANALISIS DE EXPERIMENTOS
11
En este caso sería positivo y sería negativa.
11 Se llama interacción. El efecto de un nivel de factor A (o B) puede depender del nivel del factor B (o A) que esta apareado con el factor A. Los términos de interacción miden el grado con el que este ultimo ocurre. Por ejemplo, suponga que el factor 1 del factor A tiende a producir un resultado grande cuando se aparea con el factor B de nivel 1, pero un resultado pequeño cuando se aparea con una columna de nivel 2. En este caso sería positivo y sería negativa. DISEÑO Y ANALISIS DE EXPERIMENTOS Diseño Factorial
12
Dos conceptos importantes
EFECTO PRINCIPAL Cambio en la respuesta producido por un cambio en el nivel de un factor de interés primario. INTERACCIÓN Cuando la diferencia en la respuesta entre los niveles de un factor no es la misma para todos los niveles de los otros factores. Cuando una interacción es grande, lo efectos principales tienen escaso significado ya que la interacción suele enmascarar la significación de los efectos principales. Diseño Factorial
13
Modelos Modelo de los Efectos
Donde µ es el efecto promedio de la media global, τi es el efecto del nivel i-ésimo del factor A de los renglones, βj es el efecto del nivel j-ésimo del factor B de las columnas, (τβ)ij es el efecto de la interacción entre el factor A en el nivel i y el factor B en el nivel j, y ɛijk es un componente del error aleatorio. Diseño Factorial
14
Modelo de las Medias Modelo de Regresión
Donde la media de la celda ij-ésima es Modelo de Regresión Útiles cuando uno o más de los factores del diseño son cuantitativos. Diseño Factorial
15
Hipótesis Acerca de la igualdad de los efectos de los tratamientos de los renglones o factor A. Ho: τ1 = τ2 = … = τa = 0 H1: al menos una τi ≠ 0 Acerca de la igualdad de los efectos de los tratamientos de las columnas o factor B. Ho: β1 = β2 = … = βb = 0 H1: al menos una βj ≠ 0 Acerca de la interacción entre las columnas y los renglones. H0: (τβ)ij = 0 H1: al menos una (τβ)ij ≠ 0 Diseño Factorial
16
ANÁLISIS DEL MODELO Se definen:
Observaciones bajo el nivel i-ésimo del factor A Observaciones bajo el nivel j-ésimo del factor B Observaciones de la celda ij-ésima De todas las observaciones Diseño Factorial
17
Suma de cuadrados La suma de cuadrados total corregida puede escribirse como Diseño Factorial
18
Se tiene finalmente Los Grados de libertad asociados son
Efecto Grados de Libertad A a-1 B b-1 Interacción AB (a-1)(b-1) Error ab(n-1) Total abn-1 Diseño Factorial
19
Cuadrados Medios Cada suma de cuadrados dividida por sus grados de libertad es un cuadrado medio, los valores esperados de los cuadrados medios son Si son verdaderas las hipótesis nulas de que no hay efectos en los tratamientos de los renglones, ni de los tratamientos de las columnas, ni interacción, entonces los valores esperados de los Cuadrados Medios son todos estimaciones de la varianza. Diseño Factorial
20
ANOVA Cada Hipótesis Nula deberá rechazarse si: Fuente de variación
Suma de Cuadrados Grados de Libertad Cuadrado Medio F0 Tratamientos A SSA a-1 MSA MSE Tratamientos B SSB b-1 MSB Interacción SSAB (a-1)(b-1) MSAB Error SSE ab(n-1) Total SST abn-1 Cada Hipótesis Nula deberá rechazarse si: Diseño Factorial
21
Cálculos Manuales Diseño Factorial
22
Tipo de material Temperatura 15 70 125 1 2 3
130, 155, 74, 180 34, 40, 80, 75 20, 70, 82, 58 2 150, 188, 159,126 136, 122, 106, 115 25, 70, 58, 45 3 , 168, 160 174, 120, 150, 139 96, 104, 82, 60 Tipo de material Temperatura 15 70 125 1 539/4 229/4 230/4 998/12 2 623/4 479/4 198/4 1300/12 3 576/4 583/4 342/4 1501/12 1738/12 1291/12 770/12 3799/36 Se obtienen los totales y los promedios por celdas, renglones, columnas y Total Diseño Factorial
23
Efectos Tipo de material Temperatura 15 70 125 1 12.28 -27-97 15.69
-22.36 2 8.11 9.36 -17.47 2.8 3 -20.38 18.61 1.78 19.55 39.3 2.06 -41.36 Diseño Factorial
24
Gráfica tipo de material-temperatura
Vida Promedio Se observa que en promedio el materia C tiene mayor duración. El material A parece ser inadecuado para la batería. Temperatura Diseño Factorial
25
Gráfica tipo de material-temperatura
Diseño Factorial
26
Anova Interacción entre las columnas y los renglones. H0: (τβ)ij = 0
Fuente de variación Suma de Cuadrados Grados de Libertad Cuadrado Medio F0 Tipos de Material 10,683.72 2 5,341.86 7.91 Temperatura 39,118.72 19,559.36 28.97 Interacción 9,613.78 4 2,403.44 3.56 Error 18,230.75 27 675.21 Total 77,646.97 35 Interacción entre las columnas y los renglones. H0: (τβ)ij = 0 H1: al menos una (τβ)ij ≠ 0 Diseño Factorial
27
ESTIMACIÓN DE PARÁMETROS
Los parámetros del modelo se obtienen mediante: Diseño Factorial
28
Conclusiones Tanto el material como la temperatura son factores determinantes para la duración de las baterías. Además, por haber interacción, puede ocurrir que un material sea más recomendado a una temperatura, pero no lo sea a otra distinta. A menor temperatura mayor duración de la batería, independiente del material utilizado. Al variar la temperatura de 15 a 70, la duración se mantiene con el material 3, y disminuye con los materiales 1 y 2. Diseño Factorial
29
Si comparamos la temperatura de 70 y la de 125, la duración disminuye con los materiales 2 y 3, y apenas cambia con el material 1. Si lo que deseamos es que al aumentar la temperatura la duración no disminuya excesivamente, la mejor opción es el material 3. Al haber interacción, tiene sentido querer comparar el tipo de material a una temperatura en concreto; por ejemplo a 70. Diseño Factorial
30
VERIFICACIÓN DEL MODELO
La violación de supuestos básicos y la adecuación del modelo se investigan mediante los residuales. Se hace uso de gráficas para analizar. Si el modelo es adecuado, los residuales deben estar sin estructura; es decir, no deben haber patrones obvios. Residuales del modelo Diseño Factorial
31
Gráficas Gráfica de Probabilidad Normal Se verifica la normalidad.
No debe presentar formas curvas, debe ser una recta. Se detectan puntos atípicos. Gráfica de los Residuales contra los niveles del factor deseado (A o B) Si hay alguna dispersión mayor en alguno de los tratamientos se concluye que el nivel del factor produce lecturas más erráticas que otras. Gráfica de los Residuales contra valores ajustados Si esta gráfica presenta algún patrón o forma particular, indica que existe relación . Niveles del Factor Valores ajustados Diseño Factorial
32
Gráfica de probabilidad Normal
Residuales Diseño Factorial
33
Residuales contra Factores
Temperatura Tipo de Material Gráfica de los residuales contra el tipo de material para el ejemplo. Gráfica de los residuales contra la temperatura para el ejemplo. Estadística III. Diseño Factorial
34
Residuales contra Diseño Factorial
35
En la práctica algunas variables de respuesta no siguen una distribución normal sino que se distribuyen, por ejemplo, Poisson, binomial o Gamma, etc. En algunas de estas distribuciones la media está relacionada con la desviación estándar, y, al cambiar la media de un tratamiento a otro, con ella cambia la variabilidad de la respuesta. Soluciones: 1. Utilizar métodos de análisis no paramétricos. Investigar 2. Hacer el análisis mediante modelos lineales generalizados (GML) 3. Transformar la variable respuesta DISEÑO Y ANALISIS DE EXPERIMENTOS
36
DISEÑO Y ANALISIS DE EXPERIMENTOS
37
INTERPRETACIÓN DE RESULTADOS
Diseño y Análisis de Experimentos INTERPRETACIÓN DE RESULTADOS Después de realizar el experimento el experimentador está listo para sacar conclusiones prácticas acerca del problema bajo estudio. Las conclusiones pueden obtenerse mediante: Regresión Lineal. Se desarrolla un modelo empírico para pronosticar y optimizar. Comparaciones gráficas de las medias. Se grafican las medias de los niveles sobre el eje x. Contrastes. Comparaciones de Pares de Medias de los tratamientos. Diseño y Análisis de experimentos
38
Método de Tukey para intervalos de confianza y prueba de hipótesis
Diseño y Análisis de Experimentos Método de Tukey para intervalos de confianza y prueba de hipótesis Diseño y Análisis de experimentos
39
Método de Tukey para intervalos de confianza y prueba de hipótesis
Diseño y Análisis de Experimentos Método de Tukey para intervalos de confianza y prueba de hipótesis Diseño y Análisis de experimentos
40
COMPARACIONES MULTIPLES
PRUEBA DE TUKEY. SE FIJA EL FACTOR B EN UN NIVEL ESPECIFICO (NIVEL 2, T=70)
41
Cuando la interacción es significativa, las comparaciones entre las medias de uno de los factores (A o B) pueden ser oscurecidas por la interacción AB. Entonces, se fija un nivel del factor B y se aplica, por ejemplo, la prueba de Tukey a las medias del factor A con ese nivel. Si la interacción es significativa se puede comparar las medias de todas las ab celdas para determinar cuáles difieren significativamente. Diseño Factorial
42
Ejercicio en clase Tipo de cristal Tipo de fosforo 1 2 3 280 300 290
En un artículo de Industrias Quality Control se describe un experimento para investigar el efecto del tipo de cristal de fosforo sobre la brillantez de un cinescopio. Los datos son los siguientes: Tipo de cristal Tipo de fosforo 1 2 3 280 300 290 310 285 295 230 260 220 235 240 225 Diseño Factorial
43
Ejericicio continuación
¿Existe algún indicio de que alguno de los dos factores influya en la brillantez? Utilizar α=0.05 ¿Los dos factores interactúan? Utilizar α=0.05 Analizar los residuales de este experimento Diseño Factorial
44
Ejercicio I Los datos recogidos en la siguiente tabla son los tiempos de supervivencia, en horas, de unos animales a los que se les suministra al azar tres venenos y cuatro antídotos (o tratamientos). Se pretende estudiar qué antídoto es el adecuado para cada veneno. Antidoto Veneno I II III IV A1 A2 A3 Diseño Factorial
45
Debe responde Plantear el modelo adecuado.
Definir la suma de cuadrado del efecto del veneno en el antídoto I. Determinar la distribución de probabilidad . ¿Qué valor tiene la variable aleatoria en los datos? ¿Son los venenos igual de peligrosos? ¿Los antídotos son igual de efectivos? La efectividad de los antídotos, ¿es la misma para todos los venenos? Estudiar, utilizando el método de diferencias significativas mínimas (LSD), qué antídoto(s) es el más efectivo Diseño Factorial
46
Modelo estadístico para tres factores
Modelo de las Medias Donde la media de la celda ijk-ésima es Diseño Factorial
47
Modelo estadístico para tres factores
Una interacción de dos factores típica es La interacción de tres factores se presenta cuando las interacciones del efecto principal y dos factores no logran explicar la variación en las desviaciones de las medias de las celdas La interacción de tres factores es la diferencia entre la desviación de la media de celdas y la suma de los efectos principales y los efectos la interacción de dos factores Diseño Factorial
48
Continuación La interacción significativa de los tres factores implica que la interacción dos de ellos nos es constante para los niveles del tercer factor Diseño Factorial
49
Si no hay Interacción… Entonces el Cuadrado Medio de los residuales es un estimador insesgado de la varianza y los efectos principales se prueba con: Diseño Factorial
50
Si no hay Interacción… Si llega a existir un patrón en la gráfica se puede llegar a concluir que el supuesto sobre no interacción entre los factores es falso. Diseño Factorial
51
Continuar con el ejemplo de la temperatura y el tipo de material asumiendo que no existe interacción
Diseño Factorial
52
UNA OBSERVACIÓN POR CELDA
Cuando se encuentran experimentos con una sola réplica. En este caso la varianza del error no se puede estimar puesto que el efecto de la interacción de los dos factores y el error experimental no pueden separarse de alguna manera obvia. Por ello no se cuenta con pruebas para los efectos principales a menos que el efecto de la interacción sea cero. Diseño Factorial
53
Si no hay Interacción… Diseño Factorial
54
Para probar si hay Interacción
Tukey desarrolló una prueba Con 1 Grado de Libertad Con (a-1)(b-1)-1 Grados de Libertad La Hipótesis Nula de que no hay ninguna interacción deberá rechazarse si Diseño Factorial
55
Las impurezas presentes en un producto químico son afectados por dos factores, la presión y la temperatura. Temperatura Presión 25 30 35 40 45 100 5 4 6 3 125 1 2 150 Diseño Factorial
56
2. DISEÑO FACTORIAL GENERAL
En este caso hay a Niveles del Factor A, b Niveles del Factor B y c Niveles del Factor C. Entonces habrá abcn observaciones si se hacen n réplicas del experimento completo. Modelo Diseño Factorial
57
ANOVA Fuente de variación Suma de Cuadrados Grados de Libertad
Cuadrado Medio Fₒ A SSA a-1 MSA MSE B SSB b-1 MSB C SSC c-1 MSC AB SSAB (a-1)(b-1) MSAB AC SSAC (a-1)(c-1) MSAC BC SSBC (b-1)(c-1) MSBC ABC SSABC (a-1)(b-1)(c-1) MSABC Error SSE abc(n-1) Total SST abcn-1 Diseño Factorial
58
Cálculos Manuales Diseño Factorial
59
Diseño Factorial
60
EJEMPLO Una empresa embotelladora de refrescos está interesada en obtener alturas de llenado más uniformes en las botellas que se fabrican en su proceso de manufactura. El ingeniero de proceso puede controlar 3 variables: El porcentaje de carbonatación (A), la presión de operación en el llenador (B) y las botellas producidas por minuto o rapidez de línea (C). Se decide trabajar 3 niveles para el factor A, y 2 niveles para los factores B y C. Se muestran los resultados obtenidos que representan la desviación promedio de la altura de llenado objetivo que se observa en una corrida de producción de botellas con cada conjunto de condiciones. Diseño Factorial
61
Datos Presión de operación (B) Yi… 25 psi 30 psi Rapidez de línea (C)
Porcentaje de carbonatación (A) Presión de operación (B) Yi… 25 psi 30 psi Rapidez de línea (C) 200 250 10 -3 -4 -1 1 2 12 3 5 6 11 20 14 9 7 13 16 21 59 4 Totales B x C y.jk. 15 34 75=Y…. Y.j.. 54 Diseño Factorial
62
Datos de la desviación de la altura de llenado del ejemplo para la construcción del ANOVA
TOTALES A X C Yi.K. C A 200 250 10 -5 1 12 6 14 25 34 TOTALES A X B Yij.. B A 25 30 10 -5 1 12 4 16 14 22 37 Diseño Factorial
63
Anova Fuente de variación Suma de Cuadrados Grados de Libertad
Cuadrado Medio F0 A 2 B 45.375 1 64.059 C 22.042 31.118 AB 5.250 2.625 3.706 AC 0.583 0.292 0.412 BC 1.042 1.471 ABC 1.083 0.542 0.765 Error 8.500 12 0.708 Total 23 Diseño Factorial
64
AJUSTE DE CURVAS Y SUPERFICIES DE RESPUESTA
Es útil ajustar una curva de respuesta a los niveles de un factor cuantitativo con el propósito de contar con una ecuación que relacione la repuesta con el factor. La ecuación se usa para hacer interpolaciones. Se usan métodos de regresión lineal para ajustar estos modelos a los datos experimentales Diseño Factorial
65
AJUSTE DE CURVAS Y SUPERFICIES DE RESPUESTA
Coeficientes Error típico Estadístico t Probabilidad Intercepción -39, 9, -4, 0, Peso porcentual 4, 0, 5, 1,4115E-05 cuadrático -0, 0, -5, 2,0715E-05 Ejercicio: hacer el ajuste para un polinomio de grado tres. Decidir cuál modelo es más plausible. Diseño Factorial
66
Modelo de regresión lineal
Para probar la capacidad de un determinado polímero para eliminar desechos tóxicos del agua, se hicieron experimentos a tres temperaturas (x=1,2,3) diferentes. Los datos siguientes indican los porcentajes de impurezas eliminadas (y) por el polímero en 21 ensayos independientes. Estadística III. H Lamos
67
Estadística III. H Lamos
A baja temperatura A temperatura media A Alta temperatura 42 36 33 41 35 44 37 32 40 29 38 39 34 45 Estadística III. H Lamos
68
Estadística III. H Lamos
69
AJUSTE DE CURVAS Y SUPERFICIES DE RESPUESTA
Tipo de material 1 2 3 B[1] -1 B[2] Ejercicio: hacer el ajuste para un polinomio de grado tres. Decidir cuál modelo es más plausible. Diseño Factorial
70
Salida Análisis de regresión: Vida vs. x1. x21. ...
Análisis de regresión: Vida vs. x1. x La ecuación de regresión es Vida = ,3 x1 - 50,3 x ,2 x22 - 3,08 x1^2 + 1,71 x1x ,8 x1x22 + 42,0 x1^2x ,0 x1^2x22 Predictor Coef SE Coef T P Constante 107, , ,34 0,000 x , , ,60 0,000 x , ,61 -4,74 0,000 x , ,61 1,15 0,261 x1^ , , ,34 0,740 x1x , , ,23 0,822 x1x , , ,71 0,100 x1^2x , ,99 3,23 0,003 x1^2x , ,99 -1,08 0,289 S = 25, R-cuad. = 76,5% R-cuad.(ajustado) = 69,6% Diseño Factorial
71
Salida Análisis de varianza Fuente GL SC MC F P
Fuente GL SC MC F P Regresión , ,0 11,00 0,000 Error residual , ,2 Total ,0 Diseño Factorial
72
Salida Fuente GL SC Sec. x1 1 39042,7 x21 1 10542,0 x22 1 141,7
Diseño Factorial
73
BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEÑOS RELACIONADOS
74
1. BLOQUES COMPLETOS ALEATORIZADOS
En cualquier experimento, la variabilidad que surge de un factor perturbador puede afectar los resultados. Factor perturbador: Factor de diseño que probablemente tenga un efecto sobre la respuesta, pero en el que no existe interés. Se controla con aleatorización. Desconocido y no controlable Conocido pero no controlable Y se puede controlar Deben analizarse. Se controla con BLOQUES Diseño por bloques
75
Hacer que el error experimental sea tan pequeño como sea posible.
¿QUÉ ES? El diseño por bloques completos y aleatorizados es un diseño en el que las unidades (unidades de experimentación) a las que se aplican los tratamientos son subdivididas en grupos homogéneos llamados bloques, de tal manera que el número de unidades de experimentación en un bloque es igual al número (o a un múltiplo del mismo) de tratamientos en estudio. OBJETIVO Hacer que el error experimental sea tan pequeño como sea posible. Y reducir el error residual del experimento al eliminar la variabilidad Para ello el experimentador prueba cada nivel del factor en cada uno de los ejemplares de prueba. Diseño por bloques
76
UTILIDIDAD DE BLOQUEAR
Los bloques o ejemplares de prueba forman una unidad experimental más homogénea. Unidades de maquinaria. Lotes de materia prima, personas, tiempo. Combinaciones de factores no controlables. Probar la robustez de la variable deseada frente a las condiciones que no se pueden controlar. Diseño por bloques
77
ANÁLISIS ESTADÍSTICO Modelo para los datos Modelo de los Efectos Y11
Bloque Y11 Y21 … Ya1 Y12 Y22 Ya2 Y1B Y2B YaB Hay una observación por tratamiento en cada bloque, el orden en que se corren los tratamientos en los bloques se determina al azar. Modelo para los datos Modelo de los Efectos Supóngase que hay a tratamientos y b bloques Diseño por bloques
78
Hipótesis El interés se encuentra en probar la igualdad de las medias.
Media global. Efecto del tratamiento i-ésimo. Efecto del bloque j-ésimo. Término del error. Hipótesis El interés se encuentra en probar la igualdad de las medias. Donde Diseño por bloques
79
Análisis del modelo con efectos fijos
Total de las observaciones bajo el tratamiento i-ésimo. Promedio de las observaciones bajo el tratamiento i-ésimo. Total de las observaciones bajo el bloque j-ésimo. Promedio de las observaciones bajo el bloque j-ésimo. Gran total de todas las observaciones. Promedio de todas las observaciones. Diseño por bloques
80
SST = SSTRATAMIENTOS + SSBLOQUES + SSE
ANÁLISIS DE VARIANZA Suma de cuadrados total corregida y su partición: Grados de Libertad SST = SSTRATAMIENTOS + SSBLOQUES + SSE Diseño por bloques
81
Diseño por bloques
82
Los grados de libertad para las sumas cuadradas en Son :
Cada suma de cuadrados dividida por sus Grados de Libertad es un cuadrado medio. SST = SSTRATAMIENTOS + SSBLOQUES + SSE Diseño por bloques
83
Los valores esperados de los cuadrados medios son:
Estadístico de Prueba Se tienen dos estadísticos de prueba los cuales se obtienen dividiendo el cuadrado medio correspondiente por el cuadrado medio del error. Diseño por bloques
84
Anova La Hipótesis Nula deberá rechazarse si: Fuente de variación
Suma de Cuadrados Grados de Libertad Cuadrado Medio F0 Tratamientos SSTRATAMIENTOS a-1 MSTRATAMIENTOS MSE Bloques SSBLOQUES b-1 MSBLOQUES Error SSE (a-1)(b-1) Total SST N-1 La Hipótesis Nula deberá rechazarse si: Diseño por bloques
85
Cálculos Manuales Diseño por bloques
86
Ejemplo Objetivo de la investigación: en ciertas situaciones, las pruebas de nitrato en los tejidos de la espiga de trigo predecían una mayor cantidad de nitrógeno, en consecuencia, el investigador quería evaluar el efecto de varios programas de fertilización sobre esas cantidades de nitrógeno y sobre la producción de trigo, para refinar las recomendaciones del procedimiento.
87
Diseño del tratamiento: el diseño del tratamiento incluyó seis programas diferentes de aplicación de nitrógeno que podían proporcionar el intervalo de condiciones necesarias para evaluar el proceso. Para la comparación se incluyó un tratamiento sin nitrógeno al igual que la recomendación normal vigente. Diseño del experimento: el experimento se llevó a cabo en un campo irrigado, con un gradiente de agua en dirección del área de parcelas experimentales. Como las respuestas de las plantas dependían de la humedad disponible, las parcelas se agruparon en bloques de seis de manera que cada bloque se encontraba en partes con el mismo gradiente de agua, de manera que cualesquiera diferencias en las respuestas de las plantas causadas por el gradiente de agua podía asociarse con los bloques. El diseño de experimento resultante fue un diseño de bloques completo aleatorizado, con 4 bloques de seis parcelas a las que se asignaron al azar los tratamientos de nitrógeno.
88
Permutaciones 2 5 4 1 6 3 Bloque 1 Bloque 2 Bloque 3 Bloque 4 40.89 37.99 37.18 34.98 34.89 42.07 41,22 49.92 45.85 50.15 41.99 46.69 44.57 52.68 37.61 36.94 46.65 40.23 41.90 39.20 43.29 40.45 42.91 39.97 1 3 4 6 5 2 Permutaciones 6 3 5 1 2 4 2 4 6 5 3 1 Asignación de tratamientos a las unidades experimentales en un bloque completo Permutación Tratamientos B E D A F C
89
Diseño por bloques
90
Diseño por bloques
91
ESTIMACIÓN DE LOS PARÁMETROS DEL MODELO
Estimadores de los parámetros Residual Diseño por bloques
92
3. FORMACIÓN DE BLOQUES EN UN DISEÑO FACTORIAL
La presencia de un factor perturbador puede hacer necesario que el experimento de corra en bloques. Se corre cada una de las n réplicas utilizando un lote o bloque separado, que representa una restricción sobre la aleatorización. Dentro del bloque el orden en que se corren las combinaciones de los tratamientos está completamente aleatorizado. Diseño Factorial
93
Modelo de los Efectos Donde τi representa el efecto del Factor A, βj representa el efecto del Factor B, (τβ)ij es la interacción, δk es el efecto del bloque y ɛijk es el componente NID (0, σ²) del error. Se supone que la interacción entre los bloques y los tratamientos es insignificante. Incluye el efecto del bloque k-ésimo Diseño Factorial
94
Anova Diseño Factorial
95
EJEMPLO Un ingeniero estudia lo métodos para mejorar la capacidad de detectar objetivos en el campo de acción de un Radar. Dos factores que el ingeniero considera importantes son la cantidad de ruido de fondo, o “desorden del terreno”, en el campo de acción del radar y el tipo de filtro colocado sobre la pantalla. Se diseña un experimento utilizando tres niveles del desorden del terreno y dos tipos de filtro. Los datos se presentan a continuación. Diseño Factorial
96
Datos Anova Diseño Factorial
97
Otros conceptos… Gráfica de superficie de respuesta: Gráfica del plano de los valores de Y generados por las diferentes combinaciones de X1 y X2. Si hay alguna interacción se observará una forma curva en el modelo. Interacción significativa: Cuando una interacción es grande, lo efectos principales tienen escaso significado ya que la interacción suele enmascarar la significación de los efectos principales. Diseño Factorial
98
Modelo de regresión para dos factores
Diseño Factorial
99
Modelo de regresión para dos factores
Diseño Factorial
100
Estadística III. H Lamos
101
DISEÑO FACTORIAL 2 k HENRY LAMOS
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.