Diseño Factorial

Diseos Experimentales
Prof. Enit Huamn Cotrina

EXPERIMENTAR VS. ANALIZAR
DATOS EXISTENTES
Es realmente necesario
hacer experimentos?
No se podra llegar a las
mismas conclusiones
analizando
convenientemente los
datos disponibles?

INTRODUCCIN AL DISEO
EXPERIMENTAL
Un experimento diseado es
una prueba o serie de
pruebas en las cuales se
inducen cambios deliberados
en las variables de entrada
de un proceso o sistema, de
manera que sea posible
observar e identificar las
causas de los cambios en la
respuesta de salida.

PRINCIPIOS BSICOS
Cualquier problema experimental
involucra dos aspectos:
El diseo del experimento y
el anlisis estadstico de los datos.
Estos dos temas estn estrechamente
ligados , ya que el mtodo de anlisis
depende del diseo empleado

Riesgos de analizar datos cuya
recogida no fue planificada
Datos inconsistentes.
Por cambios debidos al tiempo,
envejecimiento, reparaciones,
etc. Esto provoca que los datos
recogidos no sean consistentes
lo que obviamente traer
confusiones en la
interpretacin.
Variables altamente correlacionadas.
Cuando dos variables del proceso estn
correlacionadas, se pueden producir dos
tipos diferentes de situacin engaosa al
analizar datos recogidos durante las
operaciones habituales.
1. Confusin de los efectos.
2. Relacin no causal. Variable oculta.

Variable1 Variable2
Variable3
Relacin no causal
Variable1
Variable2
Variable3
Confusin
EXPERIMENTO DE UN SOLO FACTOR
Supongamos que el experimentador cuenta
con los resultados de k muestras aleatorias
independientes, cada una de tamao n, de k
diferentes poblaciones (esto es, datos
relativos a k tratamientos, k grupos, k
mtodos de produccin, etc.) y le interesa
probar la hiptesis de que las medias de
esas k poblaciones son todas iguales.

Diseo completamente
aleatorizado
Un diseo completamente aleatorizado
para comparar k medias de
tratamientos es uno en el que los
tratamientos se asignan aleatoriamente
a las unidades experimentales, o en que
se extraen muestras aleatorias
independientes de cada una de las k
poblaciones.
Tratam.
Muestra
Tratam.1 Tratam.2 . . . Tratam.k Total
1
2
3
.
.
.
n
i
y
11

y
12

y
13

.
.
.
1
n 1
y

y
21

y
22

y
23

.
.
.
2
n 1
y

. . .
. . .
. . .
. . .
. . .
. . .
. . .
y
k1

y
k2

y
k3

.
.
.
k
n 1
y

y.
1

y.
2

y.
3

.
.
.
-
n 1
y

Total y
1.
y
2.
. . . y
k.
y
..

Modelo lineal

donde:
y
ij
: La j- sima observacin en la i-sima
muestra
: Parmetro de la media poblacional.
t
i
: Efecto del i-simo tratamiento.
c
ij
: Error aleatorio asociado a la observacin
y
ij
, donde c
ij
~ N(0,o
2
)

n ..., 2, 1, j ; k .., . 2, 1, i para y
ij i ij
= = c + t + =
Tabla del anlisis de varianza

Fuente de
variacin
Grados de libertad Suma de cuadrados Cuadrado medio F
c
Tratamientos k 1
-
- -
=
-
=
n
y
n
y
k
i
i
i
2
1
2
SC(Tr)
1
SC(Tr)
CM(Tr)
=
k

Error n. k
SC(Tr) SCT SCE =
k n
=
-
SCE
CME

Total
n. 1
-
- -
= =
=
n
y
y
k
i
n
j
ij
2
1 1
2
SCT
CME
) Tr ( CM


Ejemplo. Las cifras siguientes representan el nmero de
errores cometidos, en cinco das consecutivos de trabajo,
por cuatro tcnicos de un laboratorio fotogrfico:

Prueba con un nivel de significancia si las diferencias
entre las cuatro muestras pueden atribuirse al azar.
Da
Tcnico
I
Tcnico
II
Tcnico
III
Tcnico
IV
1 6 14 10 15
2 14 16 12 12
3 10 15 7 14
4 8 14 15 10
5 11 15 11 13
Suma 49 74 55 64
Utilizando el MSExcel
Origen de las
variaciones
Suma de
cuadr.
Grados de
libertad
Promedio
de los
cuadrados
F
Probabilid
ad
Entre grupos 71.4 3 23.8 4.3077 0.0208
Dentro de los
grupos
88.4 16 5.525
Total 159.8 19
ANLISIS DE VARIANZA
Nmero de errores por tcnico
11
12.8
14.8
9.8
0
2
4
6
8
10
12
14
16
Tcnico I Tcnico II Tcnico III Tcnico IV
N
e
r
r
o
r
e
s
Estimacin de los parmetros del
modelo
Para el modelo

Los estimadores de la media global y de los
efectos de los tratamientos est dado por:

ij i ij
y c + o + =
k ,..., 2 , 1 i y y
.. y
.. . i i
= = o
=
Intervalos de confianza
La media del tratamiento i-simo es:

Un intervalo de confianza de (1-o)x100% para la
media del tratamiento i-simo es:

i i
o + =
k
CME
t y
k
CME
t y
)] 1 n ( k , 2 / [ . i i )] 1 n ( k , 2 / [ . i o o
+ s s
Intervalos de confianza
Un intervalo de confianza de (1-o)x100% para la
diferencia en las medias de dos tratamientos
cualesquiera, por ejemplo,
i
-
j
, ser:

k
CME 2
t y y ) ( LC
)] 1 n ( k , 2 / [ . j . i j i o
=
Ej.:Utilizando los datos del nmero de errores
cometidos, las estimaciones de la media global y
de los efectos de los tratamientos son:

7 . 0 1 . 12 8 . 12 y y
1 . 1 1 . 12 0 . 11 y y
7 . 2 1 . 12 8 . 14 y y
3 . 2 1 . 12 8 . 9 y y
1 . 12
20
242
.. . 4 4
.. . 3 3
.. . 2 2
.. . 1 1
= = = o
= = = o
= = = o
= = = o
= =
Un intervalo de confianza de 95% para la media del
tratamiento 1.

Un intervalo de confianza de 95% para la diferencia
de las medias de los tratamientos 1 y 2, es:

03 . 12 57 . 7
5
525 . 5
120 . 2 8 . 9
5
525 . 5
120 . 2 8 . 9
1
1
s s
+ s s
85 . 1 15 . 8
5
) 525 . 5 ( 2
120 . 2 ) 8 . 14 8 . 9 (
5
) 525 . 5 ( 2
120 . 2 ) 8 . 14 8 . 9 (
2 1
1
s s
+ s s
Comparaciones de rango mltiple de
Duncan
La prueba compara el rango de cualquier conjunto de
p medias con un apropiado rango de mnima
significacin, R
p
, dado por

Aqu S
x
es una estimacin de y se
calcula con la siguiente forma:

El valor de r
p
depende de del nivel deseado de
significacin y del nmero de grados de libertad
correspondiente al CME
p
X
p
r . S R =
n /
X
o = o
n
CME
S
x
=
Ejemplo. Los siguientes datos corresponden a
las mediciones de los pesos de recubrimiento de
estao de discos por cuatro laboratorios
diferentes.

Laboratorio A Laboratorio B Laboratorio C Laboratorio D

0.25
0.33
0.22
0.30
0.27
0.28
0.32
0.24
0.31
0.26
0.20
0.28
0.18
0.28
0.21
0.23
0.25
0.20
0.27
0.19
0.24
0.22
0.29
0.16
0.19
0.25
0.27
0.24
0.18
0.26
0.28
0.24
0.25
0.20
0.21
0.19
0.23
0.30
0.28
0.28
0.24
0.34
0.20
0.18
0.24
0.28
0.22
0.21
Media
0.272 0.227 0.230 0.250
Tabla de ANOVA
FV GL SS CM F
c
F
t

Labor.
Error
3
44
0.0156
0.0728
0.0052
0.0017
3.133
2.82
Total 47 0.0884

Sol
1. Ordenar los promedios de menor a mayor.
Lab. B C D A
Media. 0.227 0.230 0.250 0.272
2. Calcule
3. Seleccione rp

3. Seleccione Rp

0119 . 0 S
x
=
P 2 3 4
rp 2.85 3.00 3.09
P 2 3 4
Rp 0.034 0.036 0.037
4 medias.
0.272-0.227=0.045>0.037 *
3 medias.
CDA: 0.272-0.23=0.042>0.036 *
BCD:0.25-0.227=0.023<0.036 N.S
2 medias.
BC. 0.23-0.227=0.003<0.034 NS
DC:0.25-0.23=0.02<0.034 NS
AD: 0.272-0.25=0.022<0.034 NS

RESUMEN
B C D A
0.227 0.23 0.25 0.272
Verificacin de la adecuacin del
modelo
Supuestos
El modelo describe
adecuadamente las observaciones.
Los errores tienen distribucin normal e
independiente con media cero y con varianza
constante o
2
.

ij i ij
y c + o + =
Examen de residuales
Residuales
. i
.. . i ..
i ij
ij ij ij
y
) y y ( y

y
donde
y
y e
=
+ =
o + =
=
Supuesto de Normalidad
Grficos.
Histograma
Grfico de probabilidad normal (PP)
Pruebas de hiptesis
Kolmogorov-Smirnov
Ji Cuadrado
Varianzas constantes
Grficos
Residuales vs. Valores ajustados
(identificar patrones)
Pruebas
Prueba de Levene modificada (ANOVA)

Problema serio si el modelo es de
efectos aleatorios!
10 11 12 13 14
15
-4
-3
-2
-1
0
1
2
3
4
5
Fitted Value
R
e
s
i
d
u
a
l
Residuals Versus the Fitted Values
(response i s errores)
ANALISIS DE DATOS
BLOQUEADOS
Se supone que el experimentador tiene a su
disposicin mediciones relativas a a
tratamientos distribuidos sobre b bloques.
En primer trmino, consideraremos el caso
en que hay exactamente una observacin
de cada tratamiento en cada bloque.


Bloques
T
1
T
2
T
3
...
T
i
...
T
a
B
1
y
11
y
21
y
31
...
y
i1
...
y
a1
. . . .
...
.
...
.
.
. . . .
...
.
...
.
.
. . . .
...
.
...
.
.
. . . . ... . ... .
Totales ... ...
B
b
y
1b
y
2b
y
3b
...
y
ib
...
Y
ab
...
y
ij
...
y
aj
B
j
Y
1j
y
2j
y
3j
B
3
y
13
y
23
y
33
...
y
i3
...
y
a3
Tratamientos
Totales
B
2
y
12
y
22
y
32
...
y
i2
...
y
a2
1 .
y
2 .
y
3 .
y
j
y
.
b
y
.
. 1
y
. 2
y
. 3
y
. i
y
. a
y
..
y
El modelo

donde:
y
ij
:es la observacin relativa al i-simo
tratamiento del j-simo bloque.
: es la gran media
t
i
: es el efecto del i-simo tratamiento.
|
j
: es el efecto del j-simo bloque.
c
ij
: es el error aleatorio correspondiente
a la observacin y
ij

ij j i ij
y c + | + t + =
b j a i ,..., 2 , 1 ; ,..., 2 , 1 para = =
Dos restricciones
0
y 0
b
1 j
j
a
1 i
i
= |
= t
=
=
Sumas de cuadrados
SSB ) Tr ( SS SST SSE
ab
y
a
y
SSB
ab
y
b
y
) Tr ( SS
ab
y
y SST
2
..
b
1 j
2
j .
2
..
a
1 i
2
. i
a
1 i
2
..
b
1 j
2
ij
=
=
=
=
=
=
= =
Fuente
de
variac.
Grados de
libertad
Suma de
cuadrad.
Cuadra
do
medio F
Tratam. a - 1 SS(Tr) CM(Tr) CM(Tr)/CME
Bloques b - 1 SSB CMB CMB/CME
Error (a - 1)(b - 1) SSE CME
Total ab - 1 SST
TABLA DE ANOVA
Ejemplo
Se han tomado muestras de aguas
subterrneas de cinco diferentes zonas de
depsito de aguas txicas por cada una de
tres laboratorios: la EPA, la compaa
propietaria de los lugares de depsito y un
asesor independiente dedicados a asuntos de
ingeniera. Cada muestra fue analizada
buscando detectar la presencia de cierto
contaminante por todos los mtodos de
laboratorio que la agencia que recolect la
muestra suele emplear. Se consideraron los
siguientes resultados:
A B C D E
Lab. 1 23.8 7.6 15.4 30.6 4.2
Lab. 2 19.2 6.8 13.2 22.5 3.9
Lab. 3 20.9 5.9 14.0 27.1 3.0
Lugar
Existe alguna razn para creer que las agencias
no son, en sus mediciones, consistentes entre s?
Difiere una zona de depsito con respecto a
cualquier otra en su nivel de contaminacin?
Origen de
las
variacion
es
Suma de
cuadrados
Grados
de
libertad
Promedio de
los
cuadrados
F Probab.
Filas 26.572 2 13.286 4.840 0.042
Columnas 1117.263 4 279.316 101.748 0.000
Error 21.961 8 2.745
Total 1165.796 14
ANLISIS DE VARIANZA
EXPERIMENTOS FACTORIALES
Definiciones.
Usualmente en los experimentos se desea
estudiar el efecto de dos o ms factores.
Por diseo factorial se entiende que en cada
ensayo o rplica completa del experimento se
investigan todas las combinaciones posibles
de los niveles de los factores.
Por ejemplo.
Factor A: a niveles
Factor B: b niveles
Entonces cada rplica puede
contener todas la ab
combinaciones de los tratamientos.
MODELOS
Modelo de
efectos fijos
Modelo de efectos
aleatorios
Modelo
mixto
Efectos fijos
Cuando el investigador slo est
interesado en estudiar ciertos
niveles de los factores involucrados y
por lo tanto la seleccin no es
aleatoria. Los resultados slo sern
tiles para los niveles considerados
en el estudio.
Efectos aleatorios
Cuando el investigador est interesado en un
gran nmero de posibles niveles, y no es
posible estudiarlos todos, la mejor manera de
estudiarlos, es seleccionar aleatoriamente una
cantidad de niveles de la poblacin de niveles de
cada factor en estudio. Los resultados podrn
generalizarse para toda poblacin de niveles.
Efectos mixtos
Cuando los niveles de algunos de los
factores son elegidos aleatoriamente y
mientras que otros niveles de los otros
factores, tambin considerados en el
estudio, son fijados por el investigador.
Efecto de un factor o efecto
principal
Es el cambio en la respuesta media
producido por un cambio en el nivel del
factor.
Por ejmplo. Consideremos el diseo factorial
2
2
.
Es decir el diseo tiene dos factores y cada
factor tiene dos niveles: bajo (-) y alto(+)


-
(Bajo)
+
(Alto)
-
(Bajo)
+
(Alto)
40 20
30 52
Factor A
Experimento factorial de dos factores con la
respuesta (y) indicada en los vrtices
Factor A
- +
B
-
B
-
B
+
B
+
Clculo del Efecto Principal A
Cuando el factor A se incrementa del
nivel bajo al alto se produce un
incremento de la respuesta promedio
de 21 unidades.
21
2
30 20
2
52 40
A =
+
+
=
Clculo del Efecto Principal B
Cuando el factor B se incrementa del
nivel bajo al alto se produce un
incremento de la respuesta promedio
de 11 unidades.
11
2
40 20
2
52 30
B =
+
+
=

-
(Bajo)
+
(Alto)
-
(Bajo)
+
(Alto)
50 20
40 12
Factor A
Experimento factorial de dos factores con
interaccin
Factor A
- +
B
-
B
-
B
+
B
+
Con el nivel bajo del factor B (o B
-
), el efecto
de A es:

Con el nivel alto del factor B (o B
+
), el efecto
de A es:

El efecto de A depende de los niveles de B,
por lo tanto existe una interaccin entre A y
B.

30 20 50 A = =
28 40 12 A = =
29
2
) 30 28 (
AB =

=
DISEO FACTORIAL DE DOS
FACTORES

En la prctica se suele trabajar con
diseos de dos factores, A y B, donde
cada factor tiene dos o ms niveles.
Hay a niveles del factor A y b
niveles del factor B y cada una de las
n rplicas del experimento contiene
ab combinaciones de los tratamientos
Ejemplo. Un ingeniero est diseando una
batera que se usar en un dispositivo el cul se
someter a variaciones de temperatura extrema.
El nico parmetro de diseo que puede
seleccionar en este punto es el material de la
placa o nodo de la batera y tiene tres elecciones
posibles. Cuando el dispositivo est fabricado y se
enve al campo, el ingeniero no tendr control
sobre las temperaturas extremas en las que
operar el dispositivo, pero sabe por experiencia
que la temperatura probablemente afectar la
vida efectiva de la batera.
El ingeniero decide probar probar los tres
materiales de la placa con tres niveles de
temeparatura, 15, 70 y 125F, ya que estos
niveles de temperatura son consistentes con el
medio ambiente donde se usar finalmente el
producto. Se prueban cuatro bateras con cada
combinacin del material de la placa y la
temperatura, y las 36 pruebas se corren de
manera aleatoria. La tabla siguiente muestra los
resultados obtenidos.
Datos de la vida (en horas) de las
bateras
130 155 34 40 20 70
74 180 80 75 82 58
150 188 136 122 25 70
159 126 106 115 58 45
138 110 174 120 96 104
168 160 150 139 82 60
15 F 70 F 125 F
Temperatura
Tipo
de
M1
M2
M3
Qu efectos tienen el
tipo de material y la
temperatura sobre la
vida de la batera?
Modelo de los efectos
Las observaciones de un experimento factorial
pueden describirse con el siguiente modelo.
n ,..., 2 , 1 k
b ,..., 2 , 1 j
a ,..., 2 , 1 i
: donde
) ( y
ij k ij j i ij k
=
=
=
c + t| + | + t + =
Donde es el efecto promedio global, t
i
es el
efecto del nivel i-simo del factor A de las filas, |
j

es el efecto del nivel j-simo del factor B de las
columnas, (t|)
ij
es el efecto de la interaccin entre
t
i
y |
j
, y c
ijk
es un componente del error aleatorio.
Se supone que los errores tienen distribucin
normal con media cero y varianza constante
Ambos factores son fijos.
Los efectos de los tratamientos se definen como las
desviaciones de la media global, por lo que:
0 ) ( ) ( 0 0
b
1 j
ij
a
1 i
ij
b
1 j
j
a
1 i
i
= t| = t| = | = t

= = = =
Pruebas de Hiptesis
0 un menos al : H
0 ... : H
i 1
a 2 1 0
= t
= t = = t = t
0 un menos al : H
0 ... : H
i 1
a 2 1 0
= t
= t = = t = t
0 ) ( un menos al : H
j , i 0 ) ( : H
ij 1
ij 0
= t|
= t|
Efecto de los tratamientos de las filas
Efecto de los tratamientos de las columnas
Efecto de la interaccin fila columna
0 un menos al : H
0 ... : H
j 1
b 2 1 0
= |
= | = = | = |
Anlisis estadstico del modelo con
efectos fijos
Algunas
notaciones

abn
y
y
n
y
y
y y y y
an
y
y
bn
y
y
y y y y
...
...
.. ij
.. ij
a
1 i
b
1 j
n
1 k
ij k ...
n
1 k
ij k .. ij
. j .
. j .
.. i
.. i
a
1 i
n
1 k
ij k . j .
b
1 j
n
1 k
ij k .. i
= =
= =
= =
= =

= = = =
= = = =
Suma de cuadrados total corregida

= = =
= =
= =
= = = = = =
+
+ +
+ =
(
(
(
(
+
+ +
+
=
a
1 i
b
1 j
n
k
2
. ij
a
1 i
b
1 j
2
b
1 j
2
a
1 i
2
2
a
1 i
b
1 j
n
k
. ij
a
1 i
b
1 j
n
k
2
) y y (
) y y y y ( n
) y y ( an ) y y ( bn
) y y (
) y y y y (
) y y ( ) y y (
) y y (
ijk
. . . . j . . . i . ij
. . . . j . . . . . . i
ijk
. . . . j . . . i . ij
. . . . j . . . . . . i
. . . ijk
La suma de cuadrados anterior puede
simbolizarse de la siguiente forma
SSE SSAB SSB SSA SST + + + =
Suma de
cuadrados
debida a las
filas
Suma de
cuadrados
total
Suma de cuadrados
debida a las
columnas
Suma de
cuadrados
debida a la
interaccin A y
B
Suma de
cuadrados
debida al error
Frmulas prcticas para el clculo de la
suma de cuadrados
abn
y
y
an
1
SSB
abn
y
y
bn
1
SSA
abn
y
y SST
2
...
b
1 j
2
2
...
a
1 i
2
a
1 i
b
1 j
n
1 k
2
...
2
. j .
. . i
ijk
=
=
= = =
=
=
=
La suma de cuadrados de la interaccin
se obtiene de la siguiente forma:
SSB SSA SS SSAB
abn
y
y
n
1
SS
subtotales
2
...
a
1 i
b
1 j
2
. ij subtotales
=
=

= =
Y la suma de cuadrados del error se obtiene por
diferencia.
subtotales
SS SST
SSB SSA SSAB SST SSE
=
=
Cuadrado medio
Los valores esperados de los cuadrados medios
son:
1 b
an
1 b
SSB
E ) MSB ( E
1 a
bn
1 a
SSA
E ) MSA ( E
a
1 i
2
j
2
a
1 i
2
i
2
|
+ o =
|
.
|
\
|
t
+ o =
|
.
|
\
|
=
=
Cuadrado medio
Los valores esperados de los cuadrados medios
son:
2
a
1 i
2
ij
2
) 1 n ( ab
SSE
E ) MSE ( E
) 1 b )( 1 a (
) ( n
) 1 b )( 1 a (
SSAB
E ) MSAB ( E
o =
|
|
.
|
\
|
=

t|
+ o =
|
|
.
|
\
|

=

=
Respuesta promedio para cada combinacin de los
tratamientos
Grfica tipo de material-temperatura
0.0
25.0
50.0
75.0
100.0
125.0
150.0
175.0
15 F 70 F 125 F
Temperatura
V
i
d
a

p
r
o
m
e
d
i
o
M1
M2
M3
Tabla de ANOVA para la vida de la batera
F.V gl SS MS Fc valor p
Material 2 10683.72 5341.86 7.911 0.0020
Temperatura 2 39118.72 19559.36 28.968 0.0000
Interaccin 4 9613.78 2403.44 3.560 0.0186
Error 27 18230.75 675.21
Total 35 77646.97
La interaccin es
significativa!
Como la interaccin es significativa, las
comparaciones entre las medias de uno de
los factores (por ej. A) pueden ser
empaadas por la interaccin AB. Una
manera til es fijar el factor B en un nivel
especfico y aplicar alguna prueba de
comparacin (ej. Tukey) a las medias del
factor A con ese nivel.

Diseño Factorial

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Diseño Factorial

Încărcat de

Drepturi de autor:

Formate disponibile

Diseos Experimentales

Prof. Enit Huamn Cotrina

S-ar putea să vă placă și