Escolar Documentos
Profissional Documentos
Cultura Documentos
TEMA III.
Anlisis y Diseo de Experimentos
Josu Aguirrebeitia
Javier Vallejo
2014
1. Contrastesdehiptesis
endiseoyensayodemquinas
2. Anlisisdelavarianza
3. Diseospor bloques
4. Introduccin alosDiseos Factoriales
5. Anlisisderegresin
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Unejemplo paraempezar
Se tienen dos tipos diferentes de
Para cada uno de los montajes
accionamiento para mover el eje Z
se mide en micras el error por
de un gran centro de mecanizado
Acc A: Pin cremallera doble.
Opcin cara.
Acc B: Husillo de bolas.
Opcin barata.
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Unejemplo paraempezar
ACC-A
ACC-B
8,4
8,5
8,5
9,1
9,6
8,3
9,5
8,8
9,3
8,4
10,3
10,4
9,8
8,8
9,1
10,5
9,3
10
10
9,9
Qu accionamiento dirais que comete menor error?
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Unejemplo paraempezar
ACC-A
ACC-B
8,4
8,5
8,5
9,1
9,6
8,3
9,5
8,8
9,3
8,4
10,3
10,4
9,8
8,8
9,1
10,5
9,3
10
10
9,9
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Unejemplo paraempezar
ACC-A
ACC-B
8,4
8,5
8,5
9,1
9,6
8,3
9,5
8,8
9,3
8,4
10,3
10,4
9,8
8,8
9,1
10,5
9,3
10
10
9,9
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Enunciado deloscontrastes dehiptesis
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Enunciado deloscontrastes dehiptesis
El procedimiento general de la En el ejemplo anterior
Para optar por la solucin ms barata, se
prueba de hiptesis consiste en
Especificar un valor bajo para la
probabilidad de rechazar la
hiptesis nula siendo en realidad
verdadera, . A esto se le
denomina significacin de la
prueba.
Disear un procedimiento para
asegurar un valor pequeo de la
probabilidad de aceptar la
hiptesis nula siendo en realidad
falsa, , o lo que es lo mismo, para
asegurar un valor alto para la
potencia de la prueba 1- .
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba tpara probar laigualdad demedias
Distribucin t
1
=
+
2
solo se rechazar la hiptesis nula si:
> ,
caso de dos colas
< ,
caso de cola izquierda
del ejemplo
.
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba tpara probar laigualdad demedias
Distribucin t
1
=
+
2
solo se rechazar la hiptesis nula si:
> ,
caso de dos colas
< ,
caso de cola izquierda
del ejemplo
.
k=nA+nB-2
/2
,
,
/2
,
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba tpara probar laigualdad demedias
k=18
mA=8,8 , sA=0,5
mB=9,8 , sB=0,6
SP=0,55
t0=-4,07
, , =1,734
Siguiendo conel
ejemplo
0,05
-4
= -4,07
= -1,734
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba tpara probar laigualdad demedias
Clculo del error del tipo II
Supuesto igualdad de
medias
Supuesta una
diferencia dada de
medias
Supuesta otra
diferencia dada de
medias
Supuesta otra
diferencia dada de
medias
t=
Distribuciones t desplazadas
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba tpara probar laigualdad demedias
Curvas OC
(OPERATING CHARACTERISTICS)
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba tpara probar laigualdad demedias
Curvas OC
Estas curvas son tiles a la hora de
determinar la probabilidad de error
de tipo II para un nmero
determinado de individuos de
ensayo o bien para obtener el
nmero de individuos mnimo
necesario para asegurar una
probabilidad de cometer error de
tipo II predefinido.
Para el ejemplo anterior,
supongamos que queremos calcular
la probabilidad de aceptar
errneamente la igualdad de
medias, suponiendo que en
realidad existe una diferencia de
1.0 entre dichas medias (lo que se
desprende del valor real de la
diferencia de medias poblacional)
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba tpara probar laigualdad demedias
Intervalo de confianza para la
diferencia de medias
En ocasiones, ms que contrastar
hiptesis de que las medias vayan
a ser iguales, suele ser ms til
establecer unos valores
frontera ms all de los cuales la
diferencia de medias
tiene una probabilidad muy
baja de existir.
En ese caso, la variable
mA=8,8 , sA=0,5
mB=9,8 , sB=0,6
SP=0,55
=0,1:
t/2,n1+n2-2=1,734
1,734<
<1,734
1,4265< <0,5735
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba chipara probar unvalordelavarianza
H0:
0
2
2
H1: 0
o bien
<
,(
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba chipara probar unvalordelavarianza
,
. ,
,
,
= 14,06
Func.
de
prob.
acum.
OK
= 14,7
Y su intervalo de confianza:
Para el accionamiento B:
Func.
de
dens.
prob.
H0: B2= 20
H1: B2> 20
,
. ,
,
,
= 20,25
= 14,7
NO-OK
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba Fpara probar igualdad devarianzas
Otro caso interesante puede
surgir a la hora de querer
contrastar una igualdad de
varianzas
entre
dos
poblaciones. En este caso,
parece que procede el
siguiente
contraste
de
hiptesis:
H0: 2A= 2B
H1: 2A2B
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Prueba Fpara probar igualdad devarianzas
En este caso la hipotesis alternativa
que se va a proponer es H1: 2A<2B
con lo que se contrastar con =0,1 si
<
= 0,4, en cuyo
,
,
caso se rechazara.
,
,
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Contrastes endiseos pareados
Hay ocasiones en que los
resultados de los ensayos
sobre los que hay que
contrastar las hiptesis estn
llevados a cabo en distintas
unidades experimentales.
Pongamos por caso en
siguiente ejemplo: Se quiere
comprobar
que
dos
durmetros (dispositivos que
proporcionan una indentacin
en una muestra de material)
dan la misma lectura de
dureza
(profundidad
de
indentacin, en micras) en
varias probetas de acero
nitrurado.
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Contrastes endiseos pareados
PROB
DUR - A
3,4
4,0
0,6
5,1
5,3
0,2
3,9
4,1
0,2
5,0
5,0
6,1
6,6
0,5
4,1
4,0
0,1
2,9
3,1
0,2
5,1
5,9
0,8
7,0
7,1
0,1
10
3,2
3,7
0,5
Valores
absolutos
Valores diferencia
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Contrastes endiseos pareados
deteccin se plantea la
prueba:
H0: md= 0
2ANLISIS DE LA VARIANZA
Introduccin
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
Prdidas
de presin
(mBar)
Muestras
1
2
3
4
5
6
7
8
9
10
11
12
Tipos de junta
A(1)
64
81
55
36
55
76
84
56
34
65
33
75
E(5)
75
66
68
88
76
57
90
76
78
69
75
66
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
Representacion delosdatos
(1)
(2)
(3)
(4)
(5)
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
m1
m2
Mediasparciales ymediageneral
m5
m
m3
m4
Medias parciales
m1=59,5
m2=70,7
m3=51,2
m4=49,7
m5=73,7
m=60,9
Media general
2ANLISIS DE LA VARIANZA
(a-1)=4 gdl
= 5775
= 12051
= 17826
(N-1)=59 gdl
(N-a)=55 gdl
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
=0,05
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
Presentacin delosresultados
ANOVA
Origendelas
variaciones
Entregrupos
SSG
a1
MSG=SSG/(a1)
Dentrodegrupos
SSE
Na
MSE=SSE/(Na)
Total
SS
N1
F
=
Probabilidad
ValorP
FCrtico
,
,(
ANOVA(ejemplo)
Origendelas
variaciones
Entregrupos
Sumade
cuadrados
5775
Gradosde Promediodelos
F Probabilidad FCrtico
libertad
cuadrados
4
1444
6,59
0,0002
2,54
Dentrodegrupos
12051
55
Total
17826
59
219
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
Comprobacin delmodelo
Existen multitud de tests que
permiten dilucidar si una
determinada secuencia de
sucesos sigue una distribucin
normal. Dos de los ms
conocidos son el test de
Shapiro-Wilks y el test de
Anderson-Darling. En la web
aparecen un montn de
calculadoras online, como por
ejemplo:
http://sdittami.altervista.org/sha
pirotest/ShapiroTest.html
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
Para el ejemplo de las juntas, y
utilizando el test de AndersonDarling:
http://faculty.missouri.edu/~gla
serr/3700s11/ADTest_Calculator.xls
Comprobacin delmodelo
Error:
yij-mj
Muestras
1
2
3
4
5
6
7
8
9
10
11
12
Tipos de junta
A(1)
4,5
21,5
4,5
23,5
4,5
16,5
24,5
3,5
25,5
5,5
26,5
15,5
B(2)
14,67
23,67
6,3333
16,333
7,667
10,333
4,667
1,3333
6,3333
13,67
19,333
4,3333
C(3)
8,167
14,17
0,8333
2,8333
19,833
1,8333
18,17
13,833
3,8333
0,8333
12,17
8,8333
D(4)
23,67
21,333
9,3333
12,333
5,667
30,333
15,333
17,67
27,67
15,333
15,67
13,67
E(5)
1,3333
7,667
5,667
14,333
2,3333
16,67
16,333
2,3333
4,3333
4,667
1,3333
7,667
2ANLISIS DE LA VARIANZA
Sigamos conotro ejemplo
Tambin suele ser conveniente
graficar los errores con respecto
de las variables ajustadas
(medias) y tambin con respecto
del tiempo en el que han sido
recopiladas, puesto que pueden
revelarse patrones debidos a
fuentes extraas que hacen variar
la variable a medir con respecto
del tiempo y que habra que
filtrar en un anlisis por bloques
que se ver posteriormente
Comprobacin delmodelo
2ANLISIS DE LA VARIANZA
Seleccindeltamaodemuestra
Clculo delerrordetipo II
Distribucin F
centrada
Supuesto F0=0
=
Se puede calcular la probabilidad de aceptar la
hiptesis nula no siendo cierta, como el rea encerrada
a la izquierda del valor F0 calculado para la
probabilidad del error de tipo I, .
Esto se puede hacer tambin para varios valores de n
de tal forma que sale un haz de curvas dependiente del
parmetro y del grado de significancia , que son las
curvas caractersticas de operacin (curvas OC)
Distribucin F
centrada
Supuesto
F0=0
Distribucin F no
centrada ()
Supuesto
F0>0
Distribucin F no
centrada ()
Supuesto
F0>0
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
2=
10
9
=0,01
1=5
10
12
15
50
30
20
Pr(Acep H0)
=0,01
1=6
2=
10
12
15
50
30
20
=0,01
1=7
2=
10
9
50
30
20
15
2=
12
=0,01
1=8
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
10
9
8
2=
=0,01
1=1
50
30
20
15
12
10
9
=0,01
1=2
2=
12
10
9
30
20
15
50
=0,01
1=3
2=
30
20
15
12
50
2=
10
9
=0,01
1=4
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
2=
10
9
8
=0,05
1=5
10
12
15
50
30
20
Pr(Acep H0)
=0,05
1=6
2=
10
9
2=
12
=0,05
1=7
50
30
20
15
10
9
50
30
20
2=
15
12
=0,05
1=8
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
10
9
8
Pr(Acep H0)
Pr(Acep H0)
=0,05
1=2
50
30
20
15
12
10
9
8
7
2=
=0,05
1=1
50
30
20
15
12
10
9
8
7
2=
2=
=0,05
1=3
50
30
20
15
12
2=
10
9
8
=0,05
1=4
2ANLISIS DE LA VARIANZA
Seleccindeltamaodemuestra
Pr(Acep H0)
=0,05
1=4
50
30
20
15
12
2=
10
9
8
0,017
5775
=
= 26,4
219
Con ese valor, y con
- 1=a-1=4
- 2=a(n-1)=55
Yendo a las curvas
correspondientes, se tiene una
probabilidad de aceptar la hiptesis
nula siendo falsa de 0,017, que es
baja. Ahora surge otra pregunta
Ejemplo
2ANLISIS DE LA VARIANZA
Seleccindeltamaodemuestra
Ejemplo
n
6
7
8
9 10
13,2 15,4 17,6 19,8 22,0
2 25 30 35 40 45
2=
10
9
8
y el de 2:
2=5(n-1)
0,05
50
30
20
15
12
2,2
=0,05
1=4
Pr(Acep H0)
2ANLISIS DE LA VARIANZA
Contrastes POSTHOC
>
Siendo:
=
1
,
Si el ANOVA es balanceado,
entonces el LSD es el mismo en
todas las pruebas
2ANLISIS DE LA VARIANZA
Contrastes POSTHOC
En el ejemplo de las juntas,
y para =0,1:
= 2,00
MSE=219
= 2 219
= 12,1
j ABS(mi-mj)
11,2
8,3
9,8
14,2
19,5
21
1,5
22,5
24
2ANLISIS DE LA VARIANZA
Contrastes POSTHOC
Correccin deBonferroni
= 2,9 219
= 17,6
j ABS(mi-mj)
11,2
8,3
9,8
14,2
19,5
21
1,5
22,5
24
2ANLISIS DE LA VARIANZA
ANOVAdeefectos aleatorios
En el ejemplo anterior, los
Tal suele ser el caso de ensayos de
grupos de anlisis (5 diseos
mquinas del mismo modelo,
diferentes de juntas) pertenecan
donde a travs de los resultados de
a una poblacin finita, es decir,
dichos ensayos se busca la
la poblacin de grupos solo tena
existencia de una variabilidad
5 individuos. A este modelo se le
debida al tipo de mquina, lo cual
denomina modelo de efectos
revelara una proceso de diseo y
fijos
fabricacin poco robusto en ese
Si por el contrario la poblacin
tipo de mquinas.
de grupos es una variable
aleatoria con un nmero de
En estos casos, ms que los valores
individuos infinito (o muy
medios por cada mquina, interesa
grande), donde se escogen varios
comparar las varianzas debidas
de ellos como representativos
al factor mquina con la varianza
para hacer el ANOVA, tenemos
debida al error estadstico comn
un modelo de efectos aleatorios
2ANLISIS DE LA VARIANZA
ANOVAdeefectos aleatorios
Telares
A(1)
98
97
99
96
2ANLISIS DE LA VARIANZA
ANOVAdeefectos aleatorios
4
4
4
4
97,5
91,5
95,75
97
1,67
1,67
0,92
3,33
ANOVA
Origendelas
variaciones
Entregrupos
Dentrodegrupos
22,7
12
Total
111,9
15
MSE=1,9
F
15,7
Probabilidad FCrtico
0,00019
3,49
2ANLISIS DE LA VARIANZA
ANOVAdeefectos aleatorios
=
Y se puede demostrar tambin que la suma de las
anteriores es un estimador para la varianza de cualquier
observacin:
=
+
Para el caso del ejemplo:
= 1,9 ;
=7 ;
= 8,9
Y la fraccin de varianza del efecto de los grupos con
respecto a la varianza total:
= 0,79 que ya es bastante!
2ANLISIS DE LA VARIANZA
ANOVAdeefectos aleatorios
Eleccin deltamaodemuestra
(
(
)
=1
)
Supuesto F0=0
Distribucin F
centrada
Supuesto
F0=0
Distribucin F
centrada
Supuesto
F0>0
Distribucin F
escalada (1/)
Supuesto
F0>0
Distribucin F
escalada (1/)
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
2=
10
9
=0,01
1=5
10
50
30
20
15
12
=0,01
1=6
2=
10
12
50
30
20
2=
15
=0,01
1=7
10
9
12
50
30
20
15
2=
=0,01
1=8
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
12
2=
25
=0,01
1=1
50
30
20
15
12
10
9
8
=0,01
1=2
Pr(Acep H0)
Pr(Acep H0)
2=
10
9
50
30
20
15
12
=0,01
1=3
2=
50
30
20
15
12
2=
10
9
8
=0,01
1=4
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
7
6
50
30
20
15
12
10
9
8
2=
=0,05
1=5
10
9
8
50
30
20
15
12
12
10
9
8
Pr(Acep H0)
=0,05
1=6
2=
15
2=
50
30
20
=0,05
1=7
10
9
8
50
30
20
15
12
2=
=0,05
1=8
Seleccindeltamaodemuestra
2ANLISIS DE LA VARIANZA
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
12
25
10
15
30
2=
=0,05
1=1
=0,05
1=2
2=
2=
50
30
20
15
12
10
9
8
50
30
20
15
12
10
9
8
2=
=0,05
1=3
=0,05
1=4
2ANLISIS DE LA VARIANZA
)
)
15,7
Pr(Acep H0)
0,11
=0,05
1=3
0,08
2=
(
(
50
30
20
15
12
10
9
8
Eleccin deltamaodemuestra.
Ejemplo
ANOVAdeefectos aleatorios
Otro ejemplo
BLOQUE
(PROBETAS)
GRUPO
Recogiendo el ejemplo de los
(DURMETROS)
durmetros del contraste pareado,
pongamos ahora que tenemos 4
1 2 3 4
modelos de durmetro con los que
1 9,3 9,4 9,2 9,7
se ensayan 4 probetas de acero al
2 9,4 9,3 9,4 9,6
carbono.
3 9,6 9,8 9,5 10,0
El concepto de bloquizacin aqu se
materializa en que para filtrar la
4 10,0 9,9 9,7 10,2
variabilidad en el material de las
La cosa aqu es contrastar si los
probetas, cada una de dichas
durmetros dan medidas diferentes.
probetas se ensaya con los 4
Y para ello se ha de filtrar la
durmetros.
presunta variabilidad introducida
A esto se le llama diseo
por la presunta diferente naturaleza
aleatorizado por bloques completos
de las probetas.
Otro ejemplo
ANOVA(Sinbloquizar)
Origendelas
variaciones
Entregrupos
Suma
GDL
cuadr.
0,385
3
Dentrodegrupos 0,905
Total
1,290
12
15
Prom.
F
Cuadr.
0,13
1,7
0,08
Prob FCrtico
0,22
3,49
(N-1) gdl
Diseo conunbloque
=
=
Para poder
extraer la
variabilidad
debida al
bloque, se va a
expresar la
variabilidad
total como la
suma de tres
componentes
Descomposicin delavariabilidad
=
(a-1) gdl
(b-1) gdl
(a-1)(b-1) gdl
Presentacin delosresultados
ANOVA(bloquizado)
Origendelas
variaciones
Entregrupos
SSG
a1
MSG=SSG/(a1)
EntreBloques
SSB
b1
MSB=SSB/(b1)
Dentrodegrupos
SSE
Total
SS
F
=
Probabilidad
ValorP
FCrtico
,
(a1)(b1) MSE=SSE/(a1)(b1)
N1
ANOVA(bloquizado,ejemplo)
Origendelas
variaciones
Entregrupos
EntreBloques
0,825
0,275
Dentrodegrupos
0,080
0,0089
Total
1,290
15
Probabilidad
FCrtico
14,42
0,00087
3,85
A
B
C
D
E
Diseo del
cuadrado
latino
B
C
D
E
A
C
D
E
A
B
D
E
A
B
C
E
A
B
C
D
BLOQUE 1
(MAQUINAS)
1
BLOQUE2
(OPERARIOS)
Ejemplo
25,4
BLOQUE1
(MAQUINAS)
3
4
2
1
2
3
4
5
24
17
18
26
22
20
24
38
31
30
BLOQUE2
(OPEERARIOS)
m
21,4
M1
m m
Oj
m
28,6
M2
3,2
19
30
26
26
20
m
24,2
M3
1,2
24
27
27
23
29
m
26
M4
0,6
5
24
36
21
22
31
m
26,8
M5
1,4
Ejemplo
m m
Oj
m
m
m
m
m
O1
O2
O3
O4
O5
m
B
22,2
26,8
26
25,6
26,4
28,6
m
C
B
3,2
1,4
0,6
0,2
1
20,2
m
D
C
22,4
m
E
D
29,8
m
E
26
mkm
3,2
5,2
3
4,4
0,6
1+
2+
=
=
Ejemplo
ANOVA(dosbloques)
Origendelas
variaciones
Sumade Gradosde
cuadrados libertad
Promediodelos
cuadrados
Entregrupos
SSG
p1
MSG=SSG/(p1)
EntreBloques(1)
SSB1
p1
MSB=SSB1/(p1)
EntreBloques(2)
SSB2
p1
MSB=SSB2/(p1)
Dentrodegrupos
SSE
Total
SS
(p2)(p1) MSE=SSE/(p1)(p2)
P21
F
=
Probabilidad
ValorP
FCrtico
,
1+
2+
=
=
Ejemplo
ANOVA(dos bloques:mquinasyoperadores)
Origendelas
variaciones
Protocolos
Sumade Gradosde
cuadrados libertad
330
4
Promediodelos
cuadrados
82,5
Mquinas
68
17
Operadores
150
37,5
Error
128
12
10,67
Total
676
24
Probabilidad
FCrtico
7,73
0,0025
6,51
BLOQUE2
(OPERARIOS)
Diseo del
cuadrado
grecolatino
A
B
C
D
E
B
C
D
E
A
C
D
E
A
B
D
E
A
B
C
E
A
B
C
D
BLOQUE 1
(MAQUINAS)
1
B L O Q U E 2
(O P E E R A R IO S )
25,4
mlm
1,6
1,6
1,2
1
2,2
23,8
24,2 m
24,4 m
27,6 m
27
m
1
2
3
4
5
1
24
17
18
26
22
BLOQUE1
(MAQUINAS)
3
4
2
20 19 24
24 30 27
38 26 27
31 26 23
30 20 29
m
m m m
21,4 28,6 24,2 26
M1
M2
M3
M4
5
24
36
21
22
31
m
26,8
M5
m m
3,2
1,4
0,6
0,2
1
Oj
m
m
m
m
m
A
O1
O2
O3
O4
O5
m
B
22,2
26,8
26
25,6
26,4
28,6
m 20,2
C m 22,4
D m 29,8
E m
B
m m
Oj
3,2
1,2
0,6
1,4
26
mkm
3,2
5,2
3
4,4
0,6
1+
2+
=
ANOVA(tresbloques)
Origendelas
variaciones
Sumade Gradosde
cuadrados libertad
Promediodelos
cuadrados
Entregrupos
SSG
p1
MSG=SSG/(p1)
EntreBloques(1)
SSB1
p1
MSB1=SSB1/(p1)
EntreBloques(2)
SSB2
p1
MSB2=SSB2/(p1)
EntreBloques(3)
SSB3
p1
MSB3=SSB2/(p1)
Dentrodegrupos
SSE
Total
SS
(p3)(p1) MSE=SSE/(p1)(p3)
P21
F
=
Probabilidad
ValorP
FCrtico
,
1+
2+
=
ANOVA(tresbloques:mquinas,operadoresyfranjahoraria)
Origendelas
variaciones
Protocolos
Sumade Gradosde
cuadrados libertad
330
4
Promediodelos
cuadrados
82,5
Mquinas
68
17
Operadores
150
37,5
Franjahoraria
62
15,5
Error
66
8,25
Total
676
24
Probabilidad
FCrtico
10,0
0,0033
3,95
B1
B2
A1
20
30
A2
40
52
= 21
= 11
B1
B2
A1
20
40
A2
50
12
=1
=9
= 50 20 = 30
= 12 40 = 28
= 40 20 = 20
= 12 50 = 38
CASO 1
B1
B2
A1
20
30
A2
40
52
CASO 2
B1
B2
A1
20
40
A2
50
12
Caso
SIN
INTERACCION
Caso
CON
INTERACCION
130 155 34 40 20 70
74 180 80 75 82 58
150 188 126 122 25 70
159 126 106 115 58 45
138 110 174 120 96 104
168 160 150 139 60 82
Valores medios
T(C)
Fluido 1
Fluido 2
Fluido 3
130 155 34
40
20 70
74 180 80
75
82 58
106,75
64,17
mH1 83,17
mH2 107,50
mH3 125,08
m
105,25
=
=
=
=
ANOVA
Origendelas Sumade Gradosde Promediode
variaciones cuadrados libertad loscuadrados
MSF=
FactorF
SSF
f1
SSF/(f1)
FactorH
SSH
Interaccin
FH
SSFH
Error
SSE
Total
SS
MSH=
SSH/(h1)
MSFH=
(f1)(h1)
SSFH/(f1)(h1)
MSE=
fhnfh
SSE/fh(n1)
fhn1
h1
Proba
bilidad
ValorP
,(
))
ValorP
,(
))
ValorP
FCrtico
),(
))
ANOVA(Ejemplo)
Origendelas Sumade Gradosde Promediode
variaciones cuadrados libertad loscuadrados
FactorF
39083
19542
FactorH
10633
5317
Interaccin
FH
Error
9438
2360
17981
27
666
Total
77135
35
F
,
,
,
Probabilidad
FCrtico
= 29,3
0,00000017
= 8,0
0,0019
, ,
=3,35
= 3,5
0,0199
, ,
=2,73
, ,
= 3,35
Error: yijk-mij
F1
F2
F3
H1
12,50
0,50
20,50
4,50
18,50
3,50
Seleccindeltamaodemuestra
Para factor H:
= 59,
1 = 2, 2 = 27
0,2
Para factor H:
= 16,
1 = 2, 2 = 27
= 14,
1 = 4, 2 = 27
5 ANLISIS DE REGRESIN
Introduccin
En ocasiones, puede ser til
disponer una expresin
matemtica que ligue la variable
medida en funcin de los
valores del (de los) factor(es).
Dicha expresin supone una
aproximacin de los datos
El ajuste de la expresin se realiza
experimentales, cuya forma
por el mtodo de los mnimos
puede venir dada por un modelo
cuadrados, lo cual es completamente
congruente con el anlisis de la
terico previo, o bien por la
varianza.
observacin directa de dichos
Se propondr tambin una
datos.
metodologa para conocer la
idoneidad de la aproximacin
5 ANLISIS DE REGRESIN
Sigamos conotro ejemplo
5 ANLISIS DE REGRESIN
Sigamos conotro ejemplo
5 ANLISIS DE REGRESIN
Sigamos conotro ejemplo
MquinaMezcladora
Rapidezde porcentaje
Mezclado deimpurezas Valor
Error
(rpm)
(%)
Estimado Cuadrtico
x
y
ye
20
22
24
26
28
30
32
34
36
38
40
42
8,4
9,5
11,8
10,4
13,3
14,8
13,2
14,7
16,4
16,5
18,9
18,5
8,8436
9,7569
10,6702
11,5834
12,4967
13,4100
14,3233
15,2366
16,1499
17,0632
17,9765
18,8897
0,1968
0,0660
1,2765
1,4006
0,6452
1,9320
1,2618
0,2879
0,0626
0,3172
0,8529
0,1519
m= 13,86666667
SSE= 8,45142191
SS=
MODELO
ye=a+bx
a= 0,289278
b= 0,4566434
5 ANLISIS DE REGRESIN
Sigamos conotro ejemplo
= 127,7267
Descomposicin delavariabilidad
=
=
= 119,2752
= 8,4514
5 ANLISIS DE REGRESIN
Sigamos conotro ejemplo
ANOVAdelaregresin
ANOVAdelaregresin
Origendelas Sumade Gradosde Promediode
variaciones cuadrados libertad loscuadrados
MSR=
Regresin
SSR
p1
SSR/(p1)
MSE=
Error
SSE
np
SSE/(np)
Total
SS
n1
F
=
Proba
bilidad
FCrtico
ValorP
,(
ANOVAdelaregresin(Ejemplo)
Origendelas Sumade Gradosde Promediode
variaciones cuadrados libertad loscuadrados
Regresin
1
119,2752
119,2752
lineal
Error
8,4514
10
Total
127,7267
11
0,8451
F
= 141
Proba
bilidad
0,0000003
ye=a+bx
a=0,2893; b=0,4566
FCrtico
,
, ,
=10,0442
5 ANLISIS DE REGRESIN
Sigamos conotro ejemplo
ANOVAdelaregresin
ANOVAdelaregresin(Ejemplo)
Origendelas Sumade Gradosde Promediode
variaciones cuadrados libertad loscuadrados
Regresin
2
59,6746
119,3492
cuadrtica
Error
8,3775
Total
127,7267
11
0,9308
F
= 64
Proba
bilidad
0,0000048
FCrtico
,
, ,
=8,0215
ye=a+bx+cx^2
a=1,9887;b=0,5720;c=0,001861
FCrtico
,
, ,
=7,8466
5 ANLISIS DE REGRESIN
Unejemplo bifactorial
z(mm)
y=0
130
140
120
x=1
115
60
x=2
62
x=0
155
145
114
124
65
70
y=1
100
90
90
80
45
40
95
97
75
70
48
39
y=2
20
30
15
18
10
5
25
30
20
23
5
8
5 ANLISIS DE REGRESIN
Unejemplo bifactorial
z
x=0
x=1
x=2
y=0
130
140
120
115
60
62
y=1
155
145
114
124
65
70
100
90
90
80
45
40
y=2
95
97
75
70
48
39
20
30
15
18
10
5
25
30
20
23
5
8
(z-ze)
0
0
1
1
2
2
143
143
118
118
63,8
63,8
143
143
118
118
63,8
63,8
95,7
95,7
79
79
42,6
42,6
95,7
95,7
79
79
42,6
42,6
23,57
23,57
19,46
19,46
10,48
10,48
23,57
23,57
19,46
19,46
10,48
10,48
0
0
1
1
2
2
-13,44
-3,442
1,6087
-3,391
-3,781
-1,781
11,6
1,56
-4,39
5,61
1,22
6,22
4,29
-5,7
11
1,01
2,44
-2,6
-0,708
1,292
-3,994
-8,994
5,444
-3,556
-3,57
6,426
-4,46
-1,46
-0,48
-5,48
1,43
6,43
0,54
3,54
-5,48
-2,48
M= 66
SSE= 977
minimizaresto
z-m
x=0
x=1
x=2
y=0
63,944444
73,944444
53,944444
48,944444
-6,0555556
-4,0555556
y=1
88,94
78,94
47,94
57,94
-1,056
3,944
SS= 70562
33,944
23,944
23,944
13,944
-21,06
-26,06
28,944
30,944
8,9444
3,9444
-18,06
-27,06
y=2
-46,056
-36,056
-51,056
-48,056
-56,056
-61,056
-41,056
-36,056
-46,056
-43,056
-61,056
-58,056
ze-m
2(z-ze) (zem)
0
0
1
1
2
2
77,38624
77,38624
52,335722
52,335722
-2,2744925
-2,2744925
77,39
77,39
52,34
52,34
-2,274
-2,274
29,653
29,653
12,938
12,938
-23,5
-23,5
29,653
29,653
12,938
12,938
-23,5
-23,5
-42,48
-42,48
-46,6
-46,6
-55,57
-55,57
-42,482
-42,482
-46,599
-46,599
-55,574
-55,574
0
0
1
1
2
2
-2080,4
-532,7
168,39
-354,97
17,2
8,102
1789
241,2
-459,6
587,1
-5,545
-28,29
254,5
-339
284,8
26,03
-115
120,2
-42,01
76,603
-103,3
-232,7
-255,8
167,15
304
-546
415
136
53,6
609
-121
-546
-51
-330
609
276
ProductosCruzados=
SSR= 69585
lasumadeproductoscruzadoshadeser0
5 ANLISIS DE REGRESIN
Unejemplo bifactorial
z0=
x=
x=
y=
y=
142,87
2,2196
2,0755
1,527
2,1492
5 ANLISIS DE REGRESIN
Unejemplo bifactorial
5 ANLISIS DE REGRESIN
Unejemplo bifactorial Grado deajuste delafuncin aproximante
5 ANLISIS DE REGRESIN
Unejemplo bifactorial ANOVAderegresin
ANOVAdelaregresin
Origendelas Sumade Gradosde Promediode
variaciones cuadrados libertad loscuadrados
Regresin
69585
13917
Error
977
30
33
Total
70562
35
Proba
bilidad
422
7e27
FCrtico
,
, ,
=3,7