2. Diseño de experimentos 2.1 Diseños Factoriales (dos factores)
Transcripción
2. Diseño de experimentos 2.1 Diseños Factoriales (dos factores)
2. Diseño de experimentos Curso 2011-2012 Estadística 2.1 Diseños Factoriales (dos factores) Ejemplo V E N E N O S ANTÍDOTO B C 0.82 0.43 1.10 0.45 0.88 0.63 0.72 0.72 0.92 0.44 0.61 0.35 0.49 0.31 1.24 0.40 0.30 0.23 0.37 0.25 0.38 0.24 0.29 0.22 A 0.31 0.45 0.46 0.43 0.36 0.29 0.40 0.23 0.22 0.21 0.18 0.23 I II III D 0.45 0.71 0.66 0.62 0.56 1.02 0.71 0.38 0.30 0.36 0.31 0.33 Se analiza el efecto de tres venenos y cuatro antídotos en el tiempo de supervivencia de unas ratas. Diseño Experimentos 3 Modelo Factor 1 Factor 2 1 2 J I 1 y111 2 y 211 y I 11 y112 y 212 y I 12 yijk i j ij uijk Normalidad y11m y121 y 21m y 221 y I 1m y I 21 Independencia y122 y 222 y I 22 Homocedasticidad y12 m y 22 m yI 2m I J tratamientos y1J 1 y2 J1 y IJ 1 m replicaciones y1J 2 y2 J 2 y IJ 2 n=m I J y1Jm y 2 Jm Diseño Experimentos y IJm 4 Factor 1 2 1 ... ... 1 1 Factor 2 I 1 2 11 1 21 I 1 I1 I 2 I2 ... 2 1 2 12 2 2 22 ... J 1 J 1J 2 J 2J I J IJ Modelo yijk i I i 1 i 0 j J j 1 j ij 0 I i 1 ij 0, j J j 1 ij 0, i : Media global i : Efecto del Factor 1 i, i=1,...,I j : Efecto del Factor 2 j, j=1,...,J ij: Interacción de niveles ij uijk : Componente aleatoria N(0, 2), Diseño Experimentos uijk 6 Estimación del modelo : 1 i : I 1 : j ij 2 J 1 : i y yi j y ij ( I 1)( J 1) 2 : J m I k 1 y ij m yi j 1 k 1 y yi y j 2 eijk I i 1 k 1 j J m yijk y mI y IJ (m 1) yijk y mJ y ij m yijk yijk j sR2 1 m y i 1 j 1 k 1 n Diseño Experimentos 7 Estimación del modelo yijk yijk eijk yijk ( Diseño Experimentos i j ij uijk i j ij eijk i j ij ) yijk yij 8 Estimación V I E N II E N O III S A 0.31 0.45 0.46 0.43 0.41 0.36 0.29 0.40 0.23 0.32 0.22 0.21 0.18 0.23 0.21 ANTÍDOTO B C 0.82 0.43 1.10 0.45 0.88 0.63 0.72 0.72 0.88 0.56 0.92 0.44 0.61 0.35 0.49 0.31 1.24 0.40 0.82 0.38 0.30 0.23 0.37 0.25 0.38 0.24 0.29 0.22 0.34 0.24 D 0.45 0.71 0.66 0.62 0.61 0.56 1.02 0.71 0.38 0.67 0.30 0.36 0.31 0.33 0.33 Diseño Experimentos 9 Estimación A V I E Medias ij N E II N Medias ij O S III Medias ij Medias j ANTÍDOTO B C D 0,31 0,45 0,46 0,43 0,82 1,10 0,88 0,72 0,43 0,45 0,63 0,72 0,45 0,71 0,66 0,62 0,41 -0,038 0,88 0,067 0,56 0,032 0,61 -0,061 0,36 0,29 0,40 0,23 0,92 0,61 0,49 1,24 0,44 0,35 0,31 0,40 0,56 1,02 0,71 0,38 0,32 -0,060 0,82 0,073 0,38 -0,080 0,67 0,068 0,22 0,21 0,18 0,23 0,30 0,37 0,38 0,29 0,23 0,25 0,24 0,22 0,30 0,36 0,31 0,33 0,21 0,098 0,34 -0,139 0,24 0,048 0,33 -0,007 0,314 0,677 0,389 0,534 -0,164 0,198 -0,089 0,056 Diseño Experimentos Medias i 0,615 0,136 0,544 0,066 0,276 -0,202 0,479 10 Residuos RESIDUOS V A -0.103 0.038 0.048 0.018 0.00 0.040 -0.030 0.080 -0.090 0.00 0.010 0.000 -0.030 0.020 0.00 I E N II E N O ANTÍDOTO B C -0.060 -0.128 0.220 -0.108 0.000 0.073 -0.160 0.163 0.00 0.00 0.105 0.065 -0.205 -0.025 -0.325 -0.065 0.425 0.025 0.00 0.00 -0.035 -0.005 0.035 0.015 0.045 0.005 -0.045 -0.015 0.00 0.00 III S D -0.160 0.100 0.050 0.010 0.00 -0.108 0.353 0.043 -0.288 0.00 -0.025 0.035 -0.015 0.005 0.00 2 s 2 eijk 2 R IJ (m 1) Diseño Experimentos 0,022 11 Análisis de la varianza yijk i j uijk ij yijk i j eijk ij yijk y ( yi y ) (y j y ) ( y ij yi y j y ) ( yijk yijk y ( yi y ) (y j y ) ( y ij yi y j y ) eijk I J m I ( yijk y ) J m I 2 i 1 j 1 k 1 ( yi y ) J m 2 (y i 1 j 1 k 1 I J i 1 j 1 k 1 I yi y m j y )2 mJ i 1 j 1 k 1 eijk2 J ( yi (y j y )2 j 1 J m I ( y ij i 1 j 1 Diseño Experimentos y ) 2 mI i 1 I m i 1 j 1 k 1 I ( yijk J y )2 i 1 j 1 k 1 J y )2 j m ( y ij I y ij ) yi y j J m y )2 2 eijk i 1 j 1 k 1 12 Variabilidades I J m VT ( yijk y )2 ( yi y )2 y )2 i 1 j 1 k 1 I VE ( A) mJ i 1 J VE ( B ) mI (y j j 1 I VE ( A B ) J m ( y ij i 1 j 1 I J yi y j y )2 m VNE ( yijk y ij ) 2 i 1 j 1 k 1 VT VE ( A) VE ( B) VE ( A B) (n 1) VNE ( I 1) ( J 1) ( I 1)( J 1) IJ (m 1) Diseño Experimentos 13 Contraste de Hipótesis Si el Veneno no influye, los I niveles son iguales a efectos de tiempo de supervivencia, entonces 1 H0 : 2 1 H1 : Algún Diseño Experimentos I 2 I i 1 i I i 0 0 es distinto de 0 14 Contraste efecto principal de factor A H0 : 1 2 H1 : Algún E[ s R2 ] Si Ho es cierto, s s s 2 A 2 R I mJ i 1 VE ( A) I 1 2 A ( yi y s Si FA 0 es distinto de 0 i VNE IJ (m 1) s R2 FA I 2 E[ s A2 ] 2 )2 I 1 FI 2 R 1; IJ ( m 1) Se rechaza Ho F Diseño Experimentos 15 Contraste efecto principal de factor B H0 : 1 2 H1 : Algún J j es distinto de 0 VE ( B) J 1 Si Ho es cierto, s B2 FB s B2 s R2 mI Si FB Diseño Experimentos J (y j 1 y j s F 0 2 R E[ s B2 ] 2 )2 J 1 FJ 1; IJ ( m 1) Se rechaza Ho 16 Contraste interacción AxB H0 : 11 12 H1 : Algún ij es distinto de 0 VE ( A B) ( I 1)( J 1) 2 Si Ho es cierto, s AB 2 s AB 2 sR FAB Si FAB 0 IJ F( I 2 E[ s AB ] 2 1)( J 1); IJ ( m 1) Se rechaza Ho A y B interaccio nan F Diseño Experimentos 17 Tabla de análisis de la varianza Fuentes Suma de Grados de Variabilid ad Cuadrados Libertad. mJ A mI B A B m ( yij (y j yi Diseño Experimentos y ( yijk I 1 s A2 J 1 2 B 2 j 2 eijk Residual Total y ) y )2 F s y )2 ( yi Varianza y )2 s ( I 1)( J 1) 2 s AB IJ (m 1) sR2 2 A sB2 2 s AB p valor sR2 pA sR2 pB s R2 p AB n 1 18 Tabla de análisis de la varianza Fuentes Suma de Grados F p valor 23.2 .0000 Variabilid ad Cuadrados. Libertad. Varianza Veneno 1.033 0.516 2 Antídoto 0.921 3 0.307 Ven Ant 0.250 6 0.041 Residual 0.801 36 Total 3.005 47 13.8 1.87 .0000 .1123 0.022 Diseño Experimentos 19 Contrastes múltiples: Factor A i j H0 : i j H1 : i j yi yj i j yi sR R.R R.R. tIJ(m-1) 1/2 y i y N( i j , j yi 2 2 mJ mJ yj 2 mJ Diseño Experimentos t IJ ( m /2 R. Acept. H0 yj -t t /2 /2 ) yi yj t / 2 sR 1) 2 mJ LSD Se rechaza Ho 20 Contrastes múltiples: Factor B H0 : i j H1 : i j i y j y i y y j y N( i sR tIJ(m-1) 1/2 i j R.R R.R. i i y j , j 2 mI y j 2 2 mI mI y i /2 R. Acept. H0 j -t t /2 /2 ) t IJ ( m yi 1) y j t / 2 sR 2 mI LSD Se rechaza Ho Diseño Experimentos 21 Intervalos de confianza (interacción nula) i i Diseño Experimentos yi y t j t /2 sR mJ /2 sR mI 22 0.72 0.75 0.62 0.65 0.52 tiempo tiempo Intervalos de confianza 0.42 0.55 0.45 0.32 0.35 0.22 0.25 1 2 3 A veneno B C D antidoto Diseño Experimentos 23 Diagnosis: homocedasticidad 0.6 0.3 0.3 0 0 -0.3 -0.3 -0.6 -0.6 residuos 0.6 A B C D antidoto Diseño Experimentos 1 2 3 veneno 24 Heterocedasticidad 0.6 residuos 0.4 0.2 0 -0.2 -0.4 -0.6 0 0.2 0.4 0.6 0.8 1 valores previstos Diseño Experimentos 25 probabilidad Normalidad 99.9 99 95 80 50 20 5 1 0.1 -0.5 -0.25 0 0.25 0.5 Residuos Diseño Experimentos 26 Diagnosis: homocedasticidad datos transformados z=1/y 1.3 1.3 0.9 0.9 0.5 0.5 0.1 0.1 -0.3 -0.3 -0.7 -0.7 -1.1 -1.1 1 2 3 A B C D veneno antidoto Diseño Experimentos 27 Datos transformados 1.2 residuos 0.8 0.4 0 -0.4 -0.8 -1.2 0 1 2 3 4 5 6 valores previstos Diseño Experimentos 28 probabilidad Normalidad (datos transformados) 99.9 99 95 80 50 20 5 1 0.1 -1.2 -0.8 -0.4 0 0.4 0.8 1.2 Residuos Diseño Experimentos 29 Tabla de análisis de la varianza datos transformados 1/y Fuentes Suma de Grados Variabilid ad Cuadrados. Libertad. Varianza Veneno 34.87 17.4 2 Antídoto 20.41 3 6.80 Ven Ant 1.57 6 0.26 Residual 8.68 36 Total 65.50 47 Diseño Experimentos F p valor 72.6 .0000 28.3 1.09 .0000 .3867 0.24 30 Comparaciones múltiples 4 4 3.6 3.6 1/tiempo 1/tiempo intervalos de confianza 3.2 2.8 2.4 3.2 2.8 2.4 2 2 1.6 1.6 1 2 3 1 veneno 2 3 4 antidoto Diseño Experimentos 31 Comandos en R ARCHIVO TEXTO: venenos.txt Diseño Experimentos 32 Dos factores con interacción Diseño Experimentos 33 0.6 0.4 0.5 medias 0.5 0.4 0.2 0.3 0.3 medias 0.6 0.7 0.7 Intervalos de Confianza I II VEN Diseño Experimentos III A B C D ANT 34 Tabla ANOVA Diseño Experimentos 35 Comparaciones Múltiples Diseño Experimentos 36 Comparaciones Múltiples Diseño Experimentos 37 Interacciones Diseño Experimentos 38 Diagnosis Diseño Experimentos 39 Diagnosis (Transformación) Diseño Experimentos 40 2.2 Bloques Aleatorizados Ejemplo de introducción Fluorita M e z c l a 1 2 3 4 5 6 0% 1% 2% 3% 4% 15.02 11.86 9.94 12.45 13.23 8.42 10.15 8.54 6.98 8.93 18.31 16.84 15.86 14.64 15.96 10.49 10.52 8.04 10.50 10.34 9.78 9.59 6.96 8.15 9.24 9.28 8.84 7.04 6.66 9.46 Se desea estudiar el efecto de la Fluorita en la reducción del coste energético en la fabricación de cemento. Se emplean 6 mezclas distintas de materias primas. Diseño Experimentos 42 Modelo Bloques Tratamientos 1 2 I 1 y11 y21 yI1 2 y12 y22 yI 2 y1J y2 J y IJ J yij i Normalidad Independencia Homocedasticidad : Media global i : Efecto del tratamiento i, i=1,...,I j : Efecto del bloque j, j=1,2,...,J uij : Componente aleatoria N(0, 2) I i 1 i J j 1 j Diseño Experimentos 43 Tratamientos ... 2 1 I ... 1 1 Bloques uij j 2 1 1 I 1 I 2 ... 2 1 2 2 2 ... J 1 J 2 J I J 0 0 Estimación del modelo : i: j: Parámetros : y 1 i I 1 J 1 2 : Estimadore s : 2 1 J y J yij i j uij yij i j eij i 1 j ( I 1)( J 1) J yij yij j 1 j y y eij2 s R2 I I yij yi j yi y i 1j 1 y I eij n yij yij i yi j y y j Diseño Experimentos 45 Estimación 1 2 I 1 y11 y 21 y I1 y 1 y 1 y 2 y12 y 22 yI 2 y 2 y 2 y J y1J y2 J y IJ y J y J y y1 y2 yI y i y1 y Diseño Experimentos y2 y yI j y 46 Estimación (ejemplo) Fluorita M e z c l a 1 2 3 4 5 6 0% 1% 2% 3% 4% 15.02 11.86 9.94 12.45 13.23 12.50 1.77 8.42 10.15 8.54 6.98 8.93 8.60 -2.13 18.31 16.84 15.86 14.64 15.96 16.32 5.59 10.49 10.52 8.04 10.50 10.34 9.98 -0.76 9.78 9.59 6.96 8.15 9.24 8.74 -1.99 9.28 11.88 1.15 8.84 11.30 0.57 7.04 9.40 -1.34 6.66 9.90 -0.84 9.46 11.19 0.46 8.26 -2.48 10.73 j i Diseño Experimentos 47 Residuos: Varianza residual eij yij i yij j yi y j y Fluorita M e z c l a 0% 1% 2% 3% 4% 1 1.37 -1.21 -1.22 0.79 0.27 2 -1.33 0.98 1.27 -0.79 -0.13 3 0.84 -0.05 0.88 -0.84 -0.82 4 -0.64 -0.02 -0.60 1.36 -0.10 5 -0.11 0.28 -0.45 0.24 0.04 6 -0.13 0.02 0.12 -0.76 0.74 sR2 Diseño Experimentos eij2 ( I 1)( J 1) 17.51 0.88 20 48 Contraste de Hipótesis Si la Fluorita no influye, los I tratamientos son iguales a efectos de coste, entonces 1 2 H0 : I i 1 i I 1 2 H1 : Algún 0 0 I i es distinto de 0 Diseño Experimentos 49 Análisis de la varianza yij i j yij i j eij yij y ( yi y ) (y j y ) ( yij yi y j y ) yij y ( yi y ) (y j y ) ( yij yi y j y ) I J I ( yij y ) J I 2 i 1 j 1 I uij ( yi y ) i 1 j 1 J ( yij y ) i 1 j 1 Diseño Experimentos J j y ) eij2 i 1 j 1 y ) 2 I i 1 j 1 I (y j 1 J 2 J ( yi i 1 I (y I 2 J 2 j y ) J 2 eij2 i 1 j 1 50 Variabilidades I J VT y )2 ( yij i 1 j 1 I VE (T ) J y )2 ( yi i 1 J VE ( B) I VT (y y ) j j 1 I (n 1) ( I 1) ( J 1) ( I 1)( J 1) J 2 ij VNE VE (T) VE (B) VNE 2 e i 1 j 1 Diseño Experimentos 51 Contraste sobre tratamientos H0 : 1 H1 : Algún sR2 2 I i VNE ( I 1)( J 1) FT ( yi Diseño Experimentos s R2 F E[ sT2 ] 2 y )2 I 1 i 1 sR2 Si FT 2 VE(Tratamient os) I 1 I sT2 es distinto de 0 E[ s R2 ] Si Ho es cierto, sT2 J 0 FI 1; ( I 1)( J 1) Se rechaza Ho 52 Explicación del contraste Si Ho es cierto yi yi1 0 i yi 2 yij yiJ j, J j 1 J E[ y i ] , J N( 2 ) j J 2 y1 , y 2 ,..., y I I y y1 y2 J yI sT2 I N( , J ) I ( y i - y )2 J i 1 i 1 E I 1 ( y i - y )2 2 I 1 Cuando Ho es cierto, sT2 y sR2 serán parecidas. Cuando Ho es falso, sT2 será mayor que sR2 . Diseño Experimentos 53 Contraste de bloques H0 : 1 2 H1 : Algún J FB s B2 (y j 1 s R2 Si FB Diseño Experimentos j j E[ sB2 ] 2 y )2 J 1 s R2 F 0 es distinto de 0 VE(Bloques ) J 1 Si Ho es cierto, sB2 I J FJ 1; ( I 1)( J 1) Se rechaza Ho 54 Tabla de análisis de la varianza Fuentes Suma de Grados de Variabilidad Cuadrados Libertad. Tratamient o Bloque J I y )2 ( yi (y j eij2 Residual Total Diseño Experimentos y )2 ( yij y )2 I 1 Varianza sT2 J 1 s B2 ( I 1)( J 1) s R2 F sT2 s B2 p valor s R2 pT sR2 pB n -1 55 Tabla de análisis de la varianza Diseño Experimentos 56 Sin bloques Diseño Experimentos 57 Intervalos de confianza (ejemplo) i yi t /2 sR J Fluorita Medias L.inf. L.Sup. 0% 1% 2% 3% 4% 11.88 11.30 9.40 9.90 11.19 11.09 10.50 8.60 9.10 10.40 12.68 12.10 10.19 10.69 11.99 Diseño Experimentos 58 11 10 9 medias 12 Intervalos de Confianza (% Fluorita) 0 1 2 3 4 FLUO Diseño Experimentos 59 14 12 8 10 medias 16 Intervalos de Confianza (Mezcla) 1 2 3 4 5 6 MEZ Diseño Experimentos 60 Contraste multiples: tratamientos H0 : i j H1 : i j i yi y j yj y j N( yi yj i sR R.R R.R. t(I-1)(J-1) 1/2 j yi 2 2 i i j, J t( I 2 J /2 R. Acept. H0 yj -t t /2 /2 ) J yi 1)( J 1) yj t / 2 sR 2 J Se rechaza H 0 LSD Diseño Experimentos 61 Contraste multiples: bloques H0 : i j H1 : i j i y j y i y j y y j N( i y sR 2 I t(I-1)(J-1) 1/2 i j 2 i R.R R.R. i j j, t( I Diseño Experimentos I y i y R. Acept. H0 j -t 2 I 1)( J 1) /2 t /2 /2 ) y i y j t / 2 sR 2 I Se rechaza H 0 LSD 62 Comparación de medias Fluorita LSD t s /2 R 2 J 2.085 0.93 2 6 0% 1% 2% 3% 4% 0% 0 LSD = 1.13 1% 2% 3% 0,58 2,49 1,99 0 1,90 1,40 0 -0,50 0 4% 0,69 0,11 -1,80 -1,30 0 1.13 Mezcla LSD t s /2 R 1 2 3 4 2 I 2.085 0.93 2 5 1 0,00 2 3,90 0 LSD=1.24 3 4 -3,82 2,52 6,60 -1,37 0 6,34 0 5 6 5 3,76 -0,14 7,58 1,23 6 4,24 -0,35 8,07 1,72 0 0,49 0 1.24 Diseño Experimentos 63 Comparación de medias (Tukey) 4-3 4-2 3-2 4-1 3-1 2-1 4-0 3-0 2-0 1-0 95% family-wise confidence level -4 -2 0 2 Differences in mean levels of FLUO Diseño Experimentos 64 Comparación de medias (Tukey) 6-5 5-4 5-3 6-2 4-2 6-1 4-1 2-1 95% family-wise confidence level -10 -5 0 5 10 Differences in mean levels of MEZ Diseño Experimentos 65 Diagnosis: Homocedasticidad 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 Gráfico de residuos 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 0 1 2 3 4 5 6 Mezcla 1.6 0 1 2 Fluorita 3 4 residuos 1.2 0.8 0.4 0 -0.4 -0.8 -1.2 -1.6 5 10 15 Valores previstos 20 Diagnosis Diseño Experimentos 2.3 Diseños Factoriales (tres factores) 67 Diseño con tres factores Factor A A1 A2 A3 A4 A5 A6 Factor B B1 B2 B3 B4 B5 C1 C2 C3 Factores A, B y C con NA, NB, Nc niveles. Nº de Tratamientos T=NAxNBxNc Efectos principales 3 A, B , C Interacciones de orden dos 3 AxB, AxC, BxC Interacción de orden tres 1. AxBxC Tratamiento: Cada combinación de niveles de los factores 6 x 5 x 3 = 90 Diseño Experimentos 69 K factores con N1, N2, ..., NK niveles K efectos principale s con N i 1 grados de libertad cada uno K 2 interaccio nes de orden 2, con (N i 1 )(N j 1 ) grados de libertad K 3 interaccio nes de orden 3, con (N i 1 )(N j 1 )(N k 1 ) grados de libertad ... K K 1 interacció n de orden k, con (N 1 1 )(N 2 1 ) (N K 1 ) grados de libertad Diseño Experimentos 70 Datos Factor 1 11 Factor 2 11 2 ... JJ 11 22 y1111 Factor 3 1 22 ...... K K 11 22 y1121 y11K 1 y 2111 y1112 y1122 y11K 2 y111 M 11 y112 M 22 y1211 2 II ... K K K K 11 22 y 2121 y11K 1 y I 111 y I 121 y I 1K 1 y 2112 y 2122 y11K 2 y I 112 y I 122 y I 1K 2 y11KM K K y 211 M 11 y 212 M 22 y11KM K K y I 11M 11 y I 12 M 22 y1221 y12 K1 y 2211 y 2221 y 22 K 1 y I 211 y I 221 y I 2K1 y1212 y1222 y12 K 2 y 2212 y 2222 y 22 K 2 y I 212 y I 222 yI 2K 2 y121 M y122 M y12 KM y 221 M y 222 M y 22 KM y I 21M y I 22 M y I 2 KM 11 22 K K 11 22 KK 11 22 y1J 11 y1J 21 y1JK1 y 2 J 11 y 2 J 21 y 2 JK1 y IJ 11 y IJ 21 y IJK1 y1J 12 y1J 22 y1JK 2 y 2 J 12 y 2 J 22 y 2 JK 2 y IJ 12 y IJ 22 y IJK 2 y1J 1M y1J 2 M y1JKM y 2 J 1M y2 J 2M y 2 JKM y IJ 1M y IJ 2 M y IJKM ...... ...... ...... ... ...... ... ... ... ... y I 1KM KK ... ... K K ...... Diseño Experimentos 71 Ejemplo: Proceso químico Concentración 1 4% 2 6% 3 8% 4 10% Tres factores: Temperatuta T-1 300º C T-2 320º C Catalizador C-1 Ag C-2 Ag+Zn C-3 Zn Variable respuesta: Rendimiento del proceso químico. CONCENTRACIÓN CATALIZADOR 1 2 3 4 T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2 C-1 72.2 74.4 64.3 65.0 71.6 61.9 74.4 66.3 66.5 69.2 71.8 64.6 75.0 78.9 64.3 70.7 80.6 73.4 80.0 65.0 82.1 73.0 74.4 78.8 T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2 C-2 62.5 65.8 71.2 75.9 72.9 77.8 70.8 63.9 76.6 79.2 80.1 75.3 76.3 79.1 89.0 83.3 88.0 84.7 72.3 72.4 75.6 80.3 86.9 86.3 T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2 C-3 69.0 70.3 68.8 73.8 59.2 80.8 69.0 68.2 78.7 84.5 93.7 80.1 72.8 73.7 80.7 94.1 87.3 89.0 78.4 79.9 80.3 87.5 79.7 79.5 Diseño Experimentos 72 K Modelo yijkm i j k I i 1 i 0 J j 1 ij J j 1 0 K k 1 ik 0 J j 1 j K k 1 k I ijk i 0, ij I i 1 ij 0, j 0, i I i 1 ik 0, k k K k 1 0, J j 0, ijk j K k i, k ; I 0, jk J uijkm ijk i Normalidad uijkm jk 0, jk j, k , ; ik 0, ijk i, j. K tratamientos M replicaciones Independencia Homocedasticidad J n = I K M Diseño Experimentos 73 Medias yijkm i I j k ij ik jk ijk uijkm J K M yijk y i 1 j 1k 1m 1 IJKM J K M I yijkm yi j 1k 1m 1 JKM y i 1 k 1m 1 j y IKM J M k 1m 1 KM yi j 1m 1 k JM i 1 j 1m 1 k I yijkm yijkm J M yijkm yijkm K M y ij I K M IJM K yijkm y i 1k 1 jk IM M yijkm y ijk m 1 M Diseño Experimentos 74 Medias: Proceso químico Concentración Catalizador C-1 C-2 C-3 1 68.2 71.0 70.3 69.9 2 68.8 74.3 79.0 74.1 3 73.8 83.4 82.9 80.1 4 75.6 79.0 80.9 78.5 71.6 76.9 78.3 75.6 Temperatura T-1 T-2 1 68.72 70.99 69.9 2 70.49 77.61 74.1 3 76.64 83.46 80.1 4 76.22 80.71 78.5 73.02 78.19 75.6 C-1 C-2 C-3 T-1 T-2 71.95 72.96 74.15 73.02 71.25 80.89 82.43 78.19 1 C-1 C-2 C-3 71.6 76.9 78.3 75.6 2 3 4 T-1 T-2 T-1 T-2 T-1 T-2 T-1 T-2 70.30 66.50 69.37 66.17 75.53 71.27 69.07 70.43 71.97 68.53 78.20 86.10 72.73 81.47 75.73 74.90 85.33 90.13 75.70 73.43 79.53 75.40 84.50 82.23 Diseño Experimentos 75 Estimación del modelo j y yi y k y i I 1 J 1 k y K 1 ij y ij ik yi k jk y jk ijk 2 j y y s R2 y ijk yi y yi y y j y ij y j ( I 1)( J 1) y k ( I 1)( K 1) y k y yi k y 2 eijkm IJK ( M 1) Diseño Experimentos ; ( J 1)( K 1) jk eijkm yi y yijkm y ijk j y k y ( I 1)( J 1)( K 1) 76 Modelo estimado yijkm i yijkm j y k yi y ij ij y y yi y y yi k yi y jk y y ijk y ij yijkm y ijk y y jk yi ijk uijkm y k y k yi j jk y j y j ik y k y k y y j y k Diseño Experimentos 77 Descomposición de la variabilidad I J K M yijkm 2 y i 1 j 1k 1m 1 JKM yi 2 y IKM i y j 2 IJM j KM y ij i y 2 y 2 k y y 2 k yi k y y k yi y jk y j k 2 y k y yi y j JM yi i k IM y j j k M i i y ijk y ij yijkm y ijk jk yi y j y k y 2 j k 2 j k m Diseño Experimentos 78 Variabilidades I J K M VT yijkm 2 y VE ( A) JKM i 1 j 1k 1m 1 VE ( B ) IKM y 2 y j y ij i VE (C ) IJM y k y 2 yi y k yi y jk y y y 2 y 2 k y 2 k j j JM yi i VE ( B C ) 2 k KM VE ( A C ) y i j VE ( A B ) yi k IM y j j k VE ( A B C ) M y ijk i VNE yi k y jk yi y j y k 2 y j k yijkm i y ij y ijk 2 j k m Diseño Experimentos 79 Grados de libertad DESCOMPOSI CIÓN DE LA VARIABILID AD VT VE ( A) VE ( B ) VE (C ) VE ( A B ) VE ( A C ) VE ( B C ) VE ( A B C ) VNE GRADOS DE LIBERTAD (n 1) ( I 1) ( J 1) ( K 1) ( I 1)( J 1) ( I 1)( K 1) ( J 1)( K 1) ( I 1)( J 1)( K 1) IJK ( M 1) Diseño Experimentos 80 Tabla ANOVA FUENTE VARIABILID AD A JKM yi Gr . de Lib. 2 y I 1 Varianzas F s A2 s2 J 1 s B2 s B2 K 1 sC2 ( I 1)( J 1) 2 s AB ( I 1)( K 1) 2 s AC ( J 1)( K 1) 2 s BC A i B y y 2 j y y 2 k IKM j C IJM sC2 k A B KM y ij i A C 2 y 2 k y y 2 k yi k y y k yi y jk y j yi i y j j k M A B C ( y ijk y ij ... jk j k ... y i Residual yijkm i I s R2 2 s AB 2 s AC k IM i s R2 j JM B C y yi s R2 y y j 2 y ijk yijkm 2 y s R2 s R2 2 s ABC s R2 s R2 IJK ( M 1) j k m J K M Total k )2 y 2 ( I 1)( J 1)( K 1) s ABC 2 s BC s R2 IJKM 1 i 1 j 1k 1m 1 Diseño Experimentos 81 Contraste efecto principal de factor A H0 : 1 H1 : Algún 2 i es distinto de 0 I FA s A2 s R2 FI JKM 0 I ( yi y )2 I 1 i 1 FI s R2 1; IJK ( M 1) Si FA F 1; IJK ( M 1) No se rechaza Ho RR Si FA F Se rechaza Ho F Diseño Experimentos 82 Contraste interacción AxB H0 : 11 H1 : Algún ij es distinto de 0 VE ( A B) ( I 1)( J 1) 2 Si Ho es cierto, s AB FAB Si FAB 2 s AB F( I s R2 0 IJ 12 1)( J 1); IJK ( M 1) Se rechaza Ho A y B interaccio nan F Diseño Experimentos 83 Contraste interacción AxBxC H0 : 111 112 H1 : Algún ijk IJK 0 es distinto de 0 Si Ho es cierto FABC 2 s ABC Si FABC Diseño Experimentos F( I s R2 F 1)( J 1)( K 1); IJK ( M 1) Se rechaza Ho 84 Análisis de la varianza Diseño Experimentos 85 Interpretación El efecto principal del factor concentración influye significativamente (p-valor =0.0000) en el rendimiento. Más adelante se compararán las medias de los cuatro niveles de este factor. Este factor no interacciona con ningún otro. Los efectos principales de catalizador y de la temperatura son significativos, además es muy significativa la interacción de los dos factores (p-valor 0.0064). La comparación de medias de estos factores debe ser conjunta. Diseño Experimentos 86 Contrastes múltiples: Factor A H0 : i j H1 : i j i yi y j yj y i j yi /2 i j j, i JKM yj yi -t 2 JKM /2 R. Acept. H0 yj t /2 /2 ) t IJK ( M 2 JKM sR tIJK(M-1) 1- 2 N( R.R R.R. Si yi 1) yj t s /2 R 2 , JKM se rechaza Ho Diseño Experimentos 87 78 76 74 medias 72 74 76 medias 75 k1 k2 k3 k4 con Diseño Experimentos 70 72 70 medias 78 80 80 80 Intervalos de Confianza t1 t2 temp c1 c2 c3 cat 88 Interacción: Cat. x Temp. C-1 C-2 C-3 T-1 T-2 71.95 72.96 74.15 73.02 71.25 80.89 82.43 78.19 71.6 76.9 78.3 75.6 Medias Interacción Cat x Temp 84.00 82.00 80.00 78.00 76.00 74.00 72.00 70.00 Temp - 1 Temp - 2 0 1 2 3 4 Catalizador Diseño Experimentos 89 Selección de temperatura y catalizador. Las mejores combinaciones corresponden a la temperatura 2, con el catalizador 2 o el 3. Diseño Experimentos 90 2.0 3.0 con 4.0 1.4 -5 0 5 10 1.0 -10 -5 0 5 residuals(mod_qui) 10 1.0 -10 residuals(mod_qui) 5 0 -5 -10 residuals(mod_qui) 10 Diagnosis del modelo 1.8 temp 1.0 1.5 2.0 2.5 cat Diseño Experimentos 91 Instrucciones de R utilizadas ARCHIVO TEXTO: quimico.txt Diseño Experimentos 92 3.0 Análisis de 3 factores con menos observaciones Cuando no existe interacción de orden tres. No es necesario replicar para analizar el experimento. La variabilidad explicada por el término A B C se convierte en Variabilidad Residual con (I-1)(J-1)(K-1) grados de libertad. Las expresiones anteriores siguen siendo válidas, sustituyendo M=1 (sin replicación) y con (I-1)(J-1)(K-1) como grados de libertad de la varianza residual. Cuando no existe ninguna interacción Se puede reducir considerablemente el número de observaciones si el número de niveles de los tres factores es el mismo: CUADRADO LATINO Diseño Experimentos 93 Tabla ANOVA tres factores (sin replicación) FUENTE VARIABILID AD A JK yi Gr . de Lib. y 2 I 1 Varianzas F s A2 s2 J 1 s B2 K 1 sC2 ( I 1)( J 1) 2 s AB ( I 1)( K 1) 2 s AC ( J 1)( K 1) 2 s BC A i B y y 2 j y y 2 k IK s B2 j C IJ k A B K y ij i A C B C 2 y 2 k y y 2 k yi k y y k yi y jk y j yi y j j k ( yijk Residual y ij 2 s AB 2 s AC y J K Total yijk y j 2 y k 2 s BC s R2 s R2 s R2 ... jk j k ... y i I s R2 k I i s R2 j J i y yi sC2 s R2 y ) 2 ( I 1)( J 1)( K 1) s R2 IJK 1 i 1 j 1k 1 Diseño Experimentos 94 Ejemplo: Obleas Horno AS 1 1 2 1 2 2 1 3 2 1 4 2 1 122.2 138.4 131.0 147.4 120.5 140.6 100.0 117.0 Temperatura 2 103.2 144.3 133.4 138.0 102.8 126.6 105.8 134.4 3 115.8 159.8 121.8 147.5 120.0 141.9 114.7 131.7 Se ha realizado un experimento para analizar la influencia de la temperatura y el acabado superficial (AS) en el espesor de óxido conseguido en obleas de silicio. El experimento se repitió en cuatro hornos diferentes. ( Cada uno de los datos del cuadro representa la media de los espesores medidos en el centro de cada una de las 30 obleas que caben en un horno) Diseño Experimentos 95 ANOVA: Obleas Diseño Experimentos 96 Comparación de medias El AS que produce mayor espesor es el 2 El horno que produce media mayor es el 2, aunque no es significativamente distinto del 1. Diseño Experimentos 97 Cuadrado latino Permite analizar tres factores con K niveles cada uno, utilizando sólo K2 observaciones. Deben ser nulas las interacciones de orden 2 y orden 3. Diseño Experimentos 1 2 3 4 5 1 C A D B E 2 D C B E A 3 E B A D C 4 B E C A D 5 A D E C B 98 Ejemplo: Aditivos gasolina Una organización de consumidores estudió la eficacia de cinco aditivos que según los fabricantes reducían el consumo de combustible. Se realiza un diseño experimental con cinco conductores, cinco vehículos y cinco aditivos, eligiendo las 25 combinaciones que se muestran en la tabla, junto con una medida del consumo. 1 Conductor 1 2 3 4 5 Vehículo 3 2 C A 71 D 64 D C 65 B B 63 66 D 73 A 77 A 85 D 79 70 82 C 74 E Aditivo A B C D E 82 82 D C 77 A E A E 78 81 68 B 5 E 68 64 E 4 B 88 C 74 B 78 80 88 Diseño Experimentos 99 Modelo: Cuadrado Latino yij (k ) i j k uij ( k ) 1 2 3 4 5 1 y11(3) y 21(1) y31( 4) y 41( 2) y51(5) 2 y12 ( 4) y 22 (3) y32 ( 2) y 42 (5) y52 (1) 3 y13(5) y 23( 2) y33(1) y 43( 4) y53(3) 4 y14 ( 2) y 24 (5) y34 (3) y 44 (1) y54 ( 4) 5 y15 (1) y 25 ( 4) y35 (5) y 45 (3) y55 ( 2) K i 1 i 0 K j 1 j 0 K k 1 k 0 Normalidad uij (k ) Independencia K2 Observaciones Homocedasticidad Diseño Experimentos 100 Estimación yij ( k ) i K K ( ) K K yij ( k ) i 1j 1 yi 2 y y K y K k 1 (k ) K ( ) yi ( ) j y j( ) y ( ) K 1 k y (k ) y ( ) K 1 y yij ( k ) 2 yij ( k ) i 1 j( ) i eij ( k ) K yij ( k ) j 1 ( ) uij ( k ) k K yij ( k ) y j K 1 ( ) yi y ( ) j( ) 2 ij ( k ) e s R2 ( K 1)( K 2) y (k ) 2y ( ) ; Diseño Experimentos 101 Descomposición de la variabilidad yij ( k ) yij ( k ) y ( ) ( yi K K i y ( ) ( )) (y j( ) y j j( ) uij ( k ) k y ( )) K y (y (k ) y ( )) eij ( k ) 2 yij ( k ) y ( ) yi y ( ) i 1j 1 K ( ) 2 K i y j 2 ( ) (k ) y 2 eij ( k ) ( ) k i 2 j Grados de Libertad ( K 2 1) ( K 1) ( K 1) ( K 1) ( K 1)( K 2) Diseño Experimentos 102 Tabla ANOVA FUENTE VARIABILID AD A K yi ( ) y j( ) y (k ) y 2 ( ) Gr. de Lib. Varianzas K 1 s A2 K 1 sB2 K 1 sC2 F s A2 i B K y 2 ( ) s B2 j C K y 2 ( ) k eij2( k ) Residual i K yij ( k ) sR2 sR2 ( K 1)( K 2) sR2 j K Total sC2 sR2 y 2 ( ) K2 1 i 1 j 1 Diseño Experimentos 103 Tabla análisis de la varianza Diseño Experimentos 104 75 65 70 medias 80 85 Comparación: vehículos 1 2 3 4 5 VEH Diseño Experimentos 105 Diseño de experimentos 1. En una planta piloto se obtiene un nuevo producto mediante un proceso quı́mico. Con el fin de mejorar el rendimiento se emplean dos catalizadores distintos y se trabaja con tres temperaturas diferentes. Los resultados del experimento son Catalizador A B Temperatura 20 300 400 115 125 130 140 110 120 115 105 135 145 100 110 0 (a) Contrastar si los factores Temperatura y Catalizador tienen efectos significativos. (α = 0.05) (b) ¿Qué tratamiento se debe utilizar para obtener el mayor rendimiento, si se desea garantizar una probabilidad de error tipo I total, αT = 0.03? 2. Se pretende estudiar el efecto que produce los factores (1) Porcentaje de algodón (10%, 20% y 30%) (2) Tipo de confección (A y B) en la resistencia al desgaste de ciertos tejidos de fibra sintética. Se ha realizado el siguiente diseño con tres replicaciones A B 10% 20% 30% 115 120 126 112 135 118 133 139 142 107 110 132 114 102 114 108 117 125 (a) Construir la tabla de Análisis de la Varianza y contrastar la influencia de los dos factores y la presencia de la interacción. (b) Hacer un contraste de diferencia de medias y decidir el tratamiento más adecuado para conseguir la mayor resistencia al desgaste. 3. Cierto Organismo Público (O.P.) encargado de certificar la composición de aleaciones de metales preciosos, debe seleccionar entre dos Laboratorios al más capacitado para la realización de futuros análisis de gran precisión. Para tomar la decisión les somete a la siguiente prueba: Prepara tres aleaciones A, B y C que contienen proporciones distintas de oro. De cada una de ellas envı́a cuatro muestras a cada uno de los dos laboratorios. Ası́ pues, cada laboratorio recibe un lote de 12 muestras (codificadas) ordenadas aleatoriamente sin conocer como han sido obtenidas. Los resultados recibidos por el O.P. son (entre paréntesis las medias de las casillas): 1 Lab. I Lab. II Aleac. A 10.96 11.03 11.08 11.01 (11.02) 10.97 10.96 10.94 10.95 (10.955) Aleac. B 10.95 11.00 11.04 10.97 (10.99) 10.97 10.96 10.97 10.98 (10.97) Aleac. C 11.07 11.01 10.97 11.03 (11.02) 11.02 11.00 11.01 11.01 (11.01) (a) Determinar si existen diferencias entre los resultados de los laboratorios y si éstos han encontrado diferencias entre las aleaciones. (b) Aceptando que los datos cumplen la hipótesis de normalidad, indicar si podemos aceptar que verifican el resto de las hipótesis del modelo y en caso negativo que medidas se deben adoptar para analizar los datos. (c) Realizar un test de razón de varianzas para contrastar que las varianzas de los dos laboratorios son iguales, sabiendo que las tres aleaciones tienen composición distinta. Interpretar el resultado. (d) El O.P. conoce exáctamente el porcentaje en oro de la aleación A (11 %), de la B (11.02 %) y de la C (11.04 %). Con esta información comparar los resultados de los laboratorios. 4. Complete la tabla ADEVA siguiente y diga de que diseño se trata. Factor 1 Factor 2 Factor 3 Int. Segundo orden Int. Tercer orden TOTAL Suma de Cuad. 20 5 G.L. 2 Varianzas 1.25 10 0.25 44 29 5. Se ha realizado un diseño factorial sin replicación con tres factores A, B, C con 5, 5 y 4 niveles respectivamente. Si la interacción de tercer orden es nula, obtener la descomposición de la variabilidad e indicar los grados de libertad de cada término. 6. Para estudiar el efecto de tres factores (A,B,C) en el tiempo de fraguado del hormigón se ha realizado un experimento factorial completo a dos niveles con tres replicaciones (24 datos en total). Los resultados de la estimación han sido: Media 92.5 A B AB 2.4 3.3 8.5 C AC BC ABC 15.0 -1.4 2.65 0.72 Teniendo en cuenta que la varianza residual obtenida es ŝ2R = 18.8, indicar qué efectos son significativos para un nivel de significación α = 0.05. 2 7. Una caracterı́stica de la calidad de la gasolina es su ı́ndice de octanos. Una refinerı́a de petróleo tiene cinco fórmulas que pueden emplearse para la obtención de gasolina con plomo o sin plomo. (a) Para determinar que fórmula proporciona mayor ı́ndice de octanos, con cada una de ellas se ha repetido 10 veces en el laboratorio el proceso de fabricación de gasolina con plomo. Si el coeficiente de determinación del análisis de la varianza de los resultados es igual a 0.20, contrastar con α = 0.05 si existen diferencias entre las cinco fórmulas para este tipo de gasolina. (b) Los valores medios (ȳi• ) para cada fórmula son: Fórmula 1 Media 89.2 2 3 4 5 90.1 90.7 90.5 89.5 Contrastar con α = 0.05 que fórmulas proporcionan ı́ndices de octanos significativamente distintos y cuales no. (c) Debido a los problemas medio-ambientales gran parte de la producción futura debe estar libre de plomo. Para determinar que fórmula de las anteriores produce mejores resultados en cuanto al ı́ndice de octanos , se realizo un diseño experimental similar al anterior (cinco fórmulas, 10 observaciones en cada fórmula) para la obtención de gasolina sin plomo. El coeficiente de determinación en este caso es igual a 0.25 y el ı́ndice medio para cada fórmula es, Fórmula 1 2 3 4 5 Media 88.0 89.5 88.5 90.2 89.8 Contrastar (α = 0.05) si existe interacción entre los factores tipo de gasolina (con y sin plomo) y fórmula. 8. Para comprobar las propiedades de rigidez de dos materiales A y B a tres temperaturas se ha realizado un experimento con 4 replicaciones. Las medias se proporcionan en la tabla. Teniendo en cuenta que la varianza residual ha sido 1.69 y que el análisis de la varianza ha indicado: (1) que existen diferencias significativas entre los dos materiales, (2) que no existen diferencias entre las tres temperaturas y (3) que la interacción de los dos factores es muy significativa, calcula y dibuja los intervalos de confianza (α = 0.01) para la comparación de los dos materiales, de las tres temperaturas y de la interacción. Interpretar los resultados. 3 9. Para estudiar la influencia de la temperatura y la presión sobre el rendimiento de un proceso quı́mico se ha realizado un experimento con 5 valores de presión y 4 valores de temperatura. Los resultados se muestran en la tabla siguiente. Presión 1 2 3 4 5 Medias Temperatura 10 20 65,58 96,71 66,32 101,5 74,42 99,81 80,24 104,11 79,61 112,14 73,24 102,85 30 124,20 130,37 134,63 138,42 143,58 134,24 40 156,63 161,38 160,59 166,96 170,68 163,19 Medias 110,71 114,89 117,36 122,43 126,50 118,38 (a) Considere solamente el efecto de la presión y estudie si es significativo (α = 0, 05), sabiendo que las varianzas muestrales corregidas para los datos correspondientes a cada presión son b s21 = 149, 85; b s22 = 164, 62; b s23 = 143, 95; b s24 = 145, 11; b s25 = 154, 94. (b) Incorpore el efecto de la temperatura en un modelo adecuado para los datos. Interprete el resultado. (c) Calcule un intervalo de confianza al 95% para la varianza del error experimental de los modelos de los dos apartados anteriores. Interprete las diferencias. 10. Se desea estudiar la fuerza de percusión de una perforadora en función de la VELOCIDAD de giro (baja y alta) y de un coeficiente mecánico que denominaremos RATIO (0.15, 0.30, 0.45 y 0.60). Se ha experimentado en las ocho posibles combinaciones de ambos factores, replicando cada experimento dos veces. Los resultados se muestran en la tabla siguiente Vel. Baja Vel. Alta Media 0.15 0.30 0.45 0.60 Media 270 245 260 275 266.875 278 249 272 286 283 285 286 294 286.125 286 280 287 288 279.25 264.75 276.25 285.75 276.5 Las variabilidades explicadas por el RATIO, la VELOCIDAD y la interacción RAT x VEL son respectivamente 925, 1482.25 y 418,75 y la Variabilidad Total es 3034. (a) Completa la tabla de análisis de la varianza e indica qué efectos son significativos para α = 0.05. (b) Interpreta el resultado, indicando cómo influye el RATIO y la VELOCIDAD en la fuerza de la perforadora. Dibuja el gráfico que permite interpretar la interacción. Proporciona el intervalo de confianza para la media de la combinación RATIO 0.30, y VELOCIDAD baja. 4 (c) Cada tratamiento tiene dos observaciones, llamando Dij = |Yij1 − Yij2 | , al valor absoluto de la diferencia de estas observaciones, demuestra que Dij2 → χ21 2σ2 2 y que SD = P2 i=1 P4 j=1 16 2 Dij es un estimador centrado de la varianza del modelo factorial. (d) Supón que la varianza de las observaciones a velocidad baja es σ 21 y de las observaciones a velocidad alta es σ 22 . Utilizando el resultado del apartado 3, realiza el siguiente contraste con nivel de significación 0.05, H0 : σ 21 = σ 22 H1 : σ 21 6= σ 22 11. Cuando un lenguaje de alto nivel es compilado, el tiempo de ejecución depende del compilador. Un ingeniero de software desea comparar tres compiladores (A, B y C), para ello ha seleccionado 5 programas muy distintos, cada uno de los cuales ha sido compilado por los tres compiladores. Los tiempos de CPU se proporcionan a continuación: A B C Medias 1 122.9 113.8 131.2 122.7 2 147.4 135.1 152.8 145.1 3 189.6 173.8 192.7 185.3 4 200.9 199.3 219.8 206.7 5 Medias 307.3 193.6 296.6 183.7 318.9 203.1 307.6 La variabilidad total es 62899.2, y las variabilidades explicadas por el tipo de compilador y tipo de programa son 937.2 y 61868.9, respectivamente. Da un intervalo de confianza (95%) para la diferencia de las medias entre los dos compiladores más rápidos. 12. Se ha realizado el análisis de la varianza de un diseño con un único factor a 10 niveles con 6 observaciones para cada nivel. El nivel crı́tico que muestra la tabla ADEVA es p = 0.5832. Los niveles crı́ticos de los contrastes individuales de igualdad de medias son mayores de 0.05 para todas las parejas excepto para la comparación entre los niveles 3 y 7 que ha sido igual a 0.0405. ¿Es posible este resultado? ¿Qué se puede concluir del análisis? ¿Qué procedimiento sugiere para realizar los contrastes individuales? 13. Se ha realizado un diseño factorial sin replicación con tres factores A, B, C con 5, 5 y 4 niveles respectivamente. Si la interacción de tercer orden es nula, obtener la descomposición de la variabilidad e indicar los grados de libertad de cada término. 14. Sea un diseño factorial con 4 factores a 3, 4, 2 y 5 niveles. Calcular el número de parámetros totales correspondientes a efectos principales e interacciones de orden 2, 3 y 4. 5 15. Un ingeniero ha estudiado el efecto que tienen 5 niveles de iluminación en una operación de ensamblado. El departamento en el que se ha experimentado tiene cuatro estaciones de trabajo, que representan una fuente potencial de variabilidad. Para cada estación de trabajo y nivel de iluminación se ejecutó la operación de ensamblado, midiendo la holgura en micras. Los resultados fueron: ESTAC. 1 2 3 4 ȳ•j ILUMINACION 1 2 3 4 5 ȳi• 131 116 88 75 104 102.8 92 96 97 70 75 86.0 128 129 99 94 105 111.0 121 107 84 89 86 97.4 118 112 92 82 92.5 ȳ•• = 99.3 (a) Contrastar (α = 0.05) si la iluminación o la estación de trabajo influye en los resultados del ensamblado. (b) Comparar los niveles de iluminación y los niveles de las estaciones de trabajo. Indicar en cada caso cuales se pueden considerar distintos y cuales no. (c) Calcular la varianza teórica del valor medio previsto para cada observación. (d) Explicar por qué no se debe contrastar la hipótesis H0 : µ1 = µ2 = ... = µm del modelo básico de análisis la varianza (un factor), mediante contrastes de la t de de m pares de muestras. Student a cada uno de los 2 16. Se realiza un experimento para estudiar la influencia de 2 factores en el rendimiento de un proceso, donde el factor que se encuentra a 3 niveles (Alto, medio y bajo) es la temperatura, el otro factor, catalizador, tiene dos niveles: catalizador I y II. Los datos del experimento se muestran en la siguiente tabla: CI CII Alto Medio Bajo 279 172 176 174 277 130 397 348 434 (215.6) (193.6) (393) 253 238 387 252 367 323 417 427 423 (292.6) (314) (422.3) (Nota: Los números entre parentesis son las medias de las casillas) (a) Contrastar con α = 0.05 que efectos son significativos. Interprete el resultado. (b) Determinar el intervalo con el 99% de confianza para la varianza del error experimental. 6 (c) Dar un intervalo para una observación realizada en condiciones óptimas. Si se realizan 10 experimentos en estas condiciones, determinar el intervalo que con probabilidad igual al 95% contiene a todas ellas. Utilice la aproximación tαg = zα (1 − zα + 1 −1 ) 4g donde g son los grados de libertad de la t y zα el valor de la normal estándar, tal que P (Z ≥ zα ) = α 17. Un laboratorio de Análisis Clı́nicos ha adquirido un nuevo equipo (B) para medir el colesterol en la sangre de los enfermos. Para evaluar si el nuevo equipo está ajustado se decide analizar muestras de 5 enfermos que previamente han sido analizadas con otro equipo (A), dando como resultado Enfermo 1 2 3 4 5 Media Equipo A 215 305 247 221 286 254.8 Equipo B 224 312 251 232 295 262.8 Contrastar con α = 0.05 existen diferencias entre los dos equipos. 18. Para estudiar el consumo de aceite de un motor se prueban 4 motores distintos con 3 tipos de aceites obteniendo 12 medidas de consumo. Se ha obtenido: Variabilidad explicada por aceite = 100 Variabilidad explicada por motor = 80 Variabilidad Total = 220 Se pide escribir la tabla ADEVA correspondiente, y obtener conclusiones. 19. Para determinar el consumo de energı́a eléctrica para usos domésticos se ha medido el consumo medio por persona en las distintas estaciones del año en siete comunidades autónomas para 1989, habiéndose obtenido los siguientes resultados: COMUNIDAD 1 2 3 4 5 6 7 MEDIAS INVIERNO 13.1 13.4 13.8 14.0 14.4 14.8 15.6 14.16 PRIMAVERA 11.4 12.1 12.1 12.8 12.6 13.4 14.2 12.66 VERANO 10.6 11.1 11.4 11.7 12.5 13.0 14.1 12.06 OTOÑO 11.5 12.0 12.9 12.6 13.4 14.0 14.4 12.97 MEDIAS 11.65 12.15 12.55 12.77 13.22 13.80 14.57 12.96 (a) Analizar si el factor estación del año es influyente, sabiendo que ŝ2y = 1.53.(No considerar el factor Comunidad). 7 (b) Razonar estadı́sticamente cuál es la estación de mayor consumo y la de menor, utilizando el análisis anterior. Calcular los intervalos de confianza para el consumo medio de cada estación del año. (c) Sabiendo que la variabilidad explicada por el factor comunidad es 23.62, construir una nueva tabla de la varianza, con dos factores, y decidir qué factor es significativo. (d) Utilizar los resultados del apartado anterior para realizar un contraste de igualdad de medias del efecto estación y comparar los resultados con los del apartado 2, justificando las diferencias encontradas. ( NOTA: Utilizar α = 0.05 en todos los contrastes ) 20. Se realiza un experimento para estudiar si la presencia de fluorita reduce el coste de fabricación de clinker de cemento en tres tipos diferentes de mezcla. Los resultados del mismo (en miles de pesetas por Tm) se muestran en la siguiente tabla: FLUORITA 0% 1% 2% 3% 4% y 5 X 3 X MI MII MIII y i• 15.4 10.6 17.8 14.6 10.3 5.5 10.9 8.9 7.4 1.2 8.1 5.5 10.7 6.5 9.6 8.9 13.5 11.6 15.5 13.5 11.4 7.1 12.4 e2ij = 10.2 ȳ•• = 10.3 i=1 j=1 (a) Determinar si el tipo de mezcla y el nivel de fluorita añadido influyen significativamente en el coste de fabricación. Se supone que no existe interacción entre los dos factores. (b) Contrastar que porcentaje de fluorita produce el menor coste del clinker. 21. El análisis de la varianza de un diseño en bloques aleatorizados proporciona los siguientes resultados: V T = 232, V E(factor) = 156, V E(bloque) = 15 y V NE = 61. El número de niveles del factor es 5 y el número de bloques 8. Construir la tabla ADEVA. ¿ Cuál serı́a el resultado del análisis si no se tiene en cuenta el efecto de los bloques ? Indicar en qué circunstancias es preferible cada uno de los modelos. 22. Se ha realizado un experimento con tres factores, (A, B y C), con 4, 3, y 5 niveles, sin replicaciones. El modelo propuesto no incluye las interacciones de orden 3, por lo que la variabilidad explicada por estas interacciones se pretende utilizar para estimar la varianza residual. Los resultados proporcionan para la variabilidad explicada por las interacciones de orden 3 un valor igual a 234.5; que es muy superior a lo esperado. Debido a ésto se repitió por completo el experimento, obteniéndose para este segundo experimento un valor de 158.7 8 (para la variabilidad explicada por la interacciones de orden 3). Proponer un procedimiento para contrastar si se ha producido un cambio significativo en esta variabilidad de uno a otro experimento, indicando las hipótesis en las que se basa el contraste. (Dejar el resultado del contraste indicado en función de los valores crı́ticos de la tabla correspondiente.) 23. 8.25. (2-96) En un modelo de análisis de la varianza se ha observado que la desviación tı́pica (ŝi ) y la media (y i ) de las observaciones de cada tratamiento están relacionadas linealmente, ŝi = ky i , donde k es una constante. ¿ Cuál de las siguientes transformaciones es la más adecuada para corregir la heterocedasticidad ? z = log y, z = y 2 o z = ky 24. La oxidación es una etapa de la fabricación de chips y consiste en añadir una capa de óxido sobre la placa silicio (oblea). Se está experimentando con 6 tratamientos (Ti ) para seleccionar el que proporciona un mayor espesor de óxido en un mismo tiempo de proceso. Una caracterı́stica que influye en el espesor es el acabado superficial de la oblea, por lo que se tomaron 5 tipos distintos de acabado (Oj ). De cada tipo (Oj ) se tomaron 6 obleas y se asignaron aleatoriamente a los tratamientos. En la tabla se proporciona el espesor obtenido en cada oblea y las medias por filas y columnas. O1 O2 O3 O4 O5 T1 85.60 89.30 84.70 87.60 87.30 86.90 T2 90.90 91.50 87.50 90.50 93.10 90.70 T3 93.00 93.60 90.90 95.60 94.90 93.60 T4 80.50 83.20 81.00 84.60 82.70 82.40 T5 85.20 87.80 83.20 87.60 86.70 86.10 T6 88.90 91.00 86.30 91.10 88.70 89.20 87.35 89.40 85.60 89.50 88.90 88.15 VT = 465.1 (a) Contrastar si el tipo de oblea y el tratamiento influyen en el espesor del óxido. Elegir el tipo de oblea y tratamiento más adecuado, indicando si son significativamente distintos del resto. (b) Para fijar los seis tratamientos, se seleccionaron dos temperaturas (t1 , t2 ) y tres presiones (p1 , p2 , p3 ) y se combinaron de forma que T1 = (t1 , p1 ), T2 = (t1 , p2 ), T3 = (t1 , p3 ) T4 = (t2 , p1 ), T5 = (t2 , p2 ) y T6 = (t2 , p3 ). Calcular las variabilidades explicadas por la temperatura, la presión y su interacción (t × p). (c) Indicar si sus efectos son significativos, suponiendo nulas las interacciones de los factores O × t, O × p y O × t × p. 25. Demostrar que en un modelo de bloques aleatorizados, µ̂, α̂i y β̂ j son independientes. 26. Un centro ha realizado un experimento para mejorar la resistencia a la tensión de ciertos muelles de acero. En una etapa del proceso el muelle caliente se sumerge en aceite templado. Se han estudiado tres factores, A (temperatura del acero antes de la inmersión, con tres niveles), B (temperatura del baño de aceite, dos niveles) y C (concentración de carbono en el acero, dos niveles). El experimento se ha replicado tres veces. En la tabla se muestra la media y la varianza (corregida) para los tres datos de cada tratamiento. 9 A 1 1 1 1 2 2 2 2 3 3 3 3 B 1 1 2 2 1 1 2 2 1 1 2 2 C 1 2 1 2 1 2 1 2 1 2 1 2 yi ŝ2i 40.2 0.25 61.1 2.68 35.9 2.43 57.1 4.44 49.0 3.49 70.3 7.77 46.7 5.08 67.6 1.03 41.9 4.27 62.7 11.41 37.1 1.33 60.3 6.13 (a) Dar un intervalo del 95 % de confianza para la varianza del error experimental, σ 2 . (b) Indicar si los efectos principales de A, B y C son significativamente distintos de cero. (c) Dado σ 2 , construir un intervalo que cumpla que la probabilidad de que ŝ2i (la varianza muestral corregida de un tratamiento) esté contenido en él sea igual a 0.95. Sustituir σ 2 por su estimador y con ayuda de este intervalo, discutir si se puede rechazar la hipótesis de homocedasticidad de las observaciones. 27. Estimar por máxima verosimilitud los parámetros µ, αi y β j del modelo de bloques aleatorizados. Obtener la distribución de estos estimadores, indicando su media y varianza. 28. Explicar por qué en un modelo de dos factores con interacción es necesario poner las condiciones I X i=1 αi = 0, J X j=1 β j = 0, I X (αβ)ij = 0 para todo j, y J X (αβ)ij = 0 para todo i. j=1 i=1 ¿Se podrı́an haber puesto otras condiciones distintas a las anteriores? Justificar la respuesta. 29. La calidad de un producto quı́mico despues de un largo periodo de almacenamiento depende del conservante empleado y de las caracterı́sticas de almacenamiento. Se ha estudiado el efecto de cuatro conservantes distintos (columnas) y cinco almacenamientos (filas) sobre la degradación del producto: 1 2 3 4 5 Medias 1 2 3 15.1 11.0 18.8 8.1 4.3 11.8 15.3 11.5 15.6 8.0 4.4 11.0 13.5 9.3 15.8 12.0 8.1 14.6 10 4 Medias 10.3 13.8 3.8 7.0 9.2 12.9 5.8 7.3 18.2 14.2 9.46 11.04 La tabla de análisis de la varianza para los datos anteriores es: Almacen. Conserv. Residuos Total Suma de Cuadrados 205.488 123.676 61.484 390.648 Grados de Libertad 4 3 12 19 S. Cuadrados F Medios 51.372 10.03 41.225 8.05 5.123 Nivel Crı́tico 0.0008 0.0033 (a) Elegir con α = 0.05 el conservante y el almacenamiento que producen menor degradación. (b) El análisis de los residuos muestra como atı́pica la observación y54 = 18.2. Un examen quı́mico confirma el resultado anómalo por lo que se recomienda eliminar la observación. Según el modelo de dos factores sin interacción, la predicción de la observación yIJ (eliminada) es: SI∗ S∗J S∗∗ ybIJ = + − (J − 1) (I − 1) (I − 1)(J − 1) donde I = 5, J = 4, SI∗ es la suma de las observaciones de la fila I (sin incluir la eliminada), S∗J es la suma de las observaciones de la columna J (sin incluir la eliminada), y S∗∗ es la suma de las observaciones restantes no incluidas en la fila I ni en la columna J. Obtener la distribución (media y varianza) del error de predicción eIJ = yIJ − ybIJ . (c) Cuando, como en el caso anterior, falta una observación se recomienda el siguiente procedimiento: sustituir la observación faltante por su predicción y aplicar los contrastes habituales teniendo en cuenta que los residuos tienen un grado de libertad menos. La nueva descomposición de la variabilidad es: VT=339.63, VE(Conservantes)=166.02, VE(Almacenamiento)=164.02 y VNE=9.59. Contestar al apartado 1 con esta modificación e interpretar las diferencias. 30. Una instalación tı́pica de almacenamiento de combustible en una Estación de Servicio (gasolinera) está formada por un tanque enterrado de gran capacidad, al que se encuentran conectados distintos surtidores. La cantidad total de gasolina suministrada en un dı́a se puede determinar midiendo directamente la variación que se ha producido en el tanque de almacenamiento (Y1j ) o por la suma de los suministros de los distintos surtidores (Y2j ). La comparación de ambas medidas permite determinar pérdidas en la instalación enterrada y otras anomalı́as. En el proceso de comparación es necesario tener en cuenta que las medidas están afectadas por errores aleatorios. Durante 20 dı́as se han tomado los valores anteriores en un gasolinera: Dı́a→ Y1j Y2j 1 4116,2 4143,6 2 5627,0 5632,0 3 2820,4 2868,1 4 2521,8 2477,7 5 2973,5 2955,4 6 2834,9 2851,9 7 2335,7 2312,7 8 2590,8 2630,6 9 2182,7 2208,9 10 2621,4 2635,9 Dı́a→ Y1j Y2j 11 4323,6 4305,4 12 1880,7 1877,9 13 2131,4 2159,2 14 3349,6 3366,7 15 2545,0 2566,1 16 2247,3 2281,4 17 1817,5 1854,6 18 1461,3 1461,5 19 1646,5 1607,3 20 1955,4 1956,4 11 (a) Llamando Dj = Y1j − Y2j a la diferencia en las medidas de un mismo dı́a, contrastar con α = 0.05 H0 : µD = 0 H1 : µD 6= 0 donde Dj tiene distribución N(µD , σ D ). Calcular el nivel crı́tico del contraste aproximando la distribución t de Student por la normal. (b) Los datos anteriores pueden ser analizados mediante un modelo de bloques aleatorizados tomando el tipo de medida (tanque, surtidores) como un factor y los dı́as como bloques. Demostrar con caracter general que en el modelo de bloques aleatorizados si el factor tiene dos niveles la varianza residual cumple: 1 sb2R = sb2D 2 donde sb2D es la estimación de σ 2D del apartado 1. (c) Teniendo en cuenta lo anterior, demostrar que el contraste correspondiente al factor en el modelo de bloques aleatorizados es equivalente al contraste del apartado 1. 31. Una forma alternativa de la ecuación del modelo para comparar I tratamientos es yij = µ + τ i + uij , i = 1, 2, ..., I; j = 1, 2, ..., m donde µ es la media global τ 1 , τP 2 , ..., τ I son los parámetros que determinan los efectos de cada tratamiento, cumplen que Ii=1 τ i = 0 uij son variables aleatorias independientes con idéntica distribución normal de media cero y varianza σ 2 . (a) Obtener el estimador máximo verosı́mil de τ i , indicar su distribución de probabilidad, media y varianza. P (b) Calcular la esperanza de la variabilidad explicada (V E = m Ii=1 b τ 2i ) cuando los parámetros τ i no son todos nulos. (c) Calcular la correlación entre b τ i y un residuo eij cualquiera (del mismo o diferente tratamiento). Que implicación tiene este resultado en el contraste de análisis de la varianza. 32. Un ingeniero está estudiando métodos para mejorar ciertas propiedades mecánicas de una aleación metálica. Los dos factores que considera más importantes son la cantidad de Manganeso y la temperatura de templado. Se diseña un experimento empleando tres niveles para el factor manganeso y dos para la temperatura, en total 3×2 = 6 tratamientos. Se dispone de 6 hornos diferentes para realizar la fundición. Cada horno requiere un operador y se disponen de seis operadores cada uno de los cuales es capaz de manejar los seis hornos. Diseñar un experimento que con 36 observaciones permita estudiar las diferencias entre los 12 seis tratamientos y que tenga en cuenta el tipo de horno y el operador como variables bloques. Construir la tabla de análisis de la varianza, indicando los grados de libertadad de cada variabilidad, separando en ella el factor manganeso, el factor temperatura y su interacción. (Los bloques y los factores no interaccionan). (Nota: no es necesario indicar en la tabla como se obtienen las distintas variabilidades). 33. Una asociación de consumidores para comprobar la utilidad de ciertos compuestos que según sus fabricantes reducen el consumo de gasolina de los automóviles realizó el siguiente experimento: eligió al azar 9 vehı́culos nuevos de distintas marcas con cilindrada similar y con cada uno de ellos recorrió tres veces un mismo trayecto con conductores distintos. Además en cada uno de estos tres trayectos empleó un tratamiento diferente para la gasolina: A: B: Tratamiento C: Gasolina con Cyber-Gas Gasolina con Consumin Gasolina sin aditivo En la tabla siguiente se muestra el consumo en litros de gasolina en cada uno de los recorridos y el tipo de tratamiento (letra latina). Número Vehı́culo 1 2 3 4 5 6 7 8 9 Media Columna Conductores 1 2 3 15,5 (A) 15,6 (B) 16,6 (C) 13,0 (B) 13,3 (A) 13,0 (C) 11,8 (B) 13,1 (C) 12,5 (A) 14,4 (A) 14,8 (C) 15,0 (B) 12,4 (B) 14,3 (A) 14,1 (C) 15,6 (C) 15,3 (A) 14,7 (B) 12,7 (C) 12,0 (B) 12,0 (A) 14,2 (C) 14,0 (B) 15,1 (A) 12,6 (A) 13,5 (C) 12,3 (B) 13,58 13,99 13,92 Media fila 15,90 13,10 12,47 14,73 13,60 15,20 12,23 14,43 12,80 Media Total 13,83 A:13,89 Media de B:13,42 Tratam. C:14,18 El análisis de los datos se realiza con el siguiente modelo yijk = µ + αi + β j + γ k + uijk dónde yijk representa el consumo en litros, µ la media global; αi , i = 1, 2, ..., 9 y β j , j = 1, 2, 3 los efectos correspondientes a los vehı́culos (filas) y los conductores (columnas). La estimación e interpretación de estos parámetros es similar al modelo de bloques aleatorizados. Además se incluye los parámetros γ k , k = 1, 2, 3 que miden el efecto de los tratamientos (tipo P de aditivo) y cumplen 3k=1 γ k = 0. Por último, uijk la componente aleatoria son variables aleatorias independientes con distribución normal de media cero y varianza σ 2 para todas las observaciones. (a) Obtener razonadamente los estimadores máximo verosı́miles de γ k . 13 (b) La tabla del análisis de la varianza del modelo anterior es Tratamiento Vehı́culo Conductor Residual Total Suma de Cuadrados 2,67 40,2 0,876 Grados de Libertad 2 8 2 2,73 46,4 14 26 Varianza 1,31 5,02 0,438 F p-Valor 6,7 0,0091 25,7 0,0000 2,2 0,1428 0,195 ¿Reducen los aditivos el consumo de gasolina? ¿ Existen diferencias significativas entre Cyber-gas (A) y Consumin (B)? (Realizar los contrastes con nivel de significación 0.05). (c) Demostrar que el diseño anterior, independientemente de los valores numéricos (yijk ) obtenidos, es un diseño ortogonal, es decir que cumple: VT = VE(Vehı́culos) + VE(Conductores) + VE(Tratamientos) + VNE (Nota.- Es suficiente con demostrar la ortogonalidad del vector correspondiente a los tratamientos con respecto a los otros tres). 34. Un informático quiere comparar los tiempos de ejecución de tres programas realizados en lenguajes diferentes que realizan el mismo proceso. Para hacer la comparación utilizan 4 ordenadores con microprocesadores distintos. Los tiempos requeridos por cada programa en cada ordenador han sido: ORDENADOR ↓ 1 2 3 4 ȳ•j PROGRAMA A B C 1,36 2,23 1,54 0,97 0,70 0,76 1,79 1,74 1,84 0,64 0,69 0,74 1,19 1,34 1,22 ȳi• 1,71 0,81 1,79 0,69 1,25 ¿Existen diferencias significativas en los tiempos requeridos por los 3 programas? 35. Se ha realizado un experimento con dos factores cada uno de ellos con 3 niveles. El 20% de la variabilidad total está explicada por la interacción de los dos factores y el 40% de la variabilidad total es debida a la variabilidad residual. Determinar el número de replicaciones necesarias en cada tratamiento para que la interacción sea significativa con α = 0.01. (Explicar el procedimiento de cálculo, dejando el resultado indicado en función de las tablas). 14 36. Un investigador quiere estudiar el efecto de sexo (hombre, mujer) y tipo de formación (ciencias, letras) en el dominio del inglés escrito en profesores universitarios. Para ello analiza el número de incorrecciones gramaticales en artı́culos cientı́ficos enviados a publicación. Para cada combinación de niveles de los factores se han elegido al azar tres profesores. En la tabla se proporciona el número de fallos detectados en artı́culos de 15 páginas Hombre Mujer Letras 8, 6, 13 5, 10, 6 Ciencias 22, 28, 33 12, 14, 9 Contrastar con nivel de significación 0.05 si los efectos principales y la interacción son significativos. Tener en cuenta que P (F1,8 ≤ 5.32) = 0.95, siendo F1,8 la distribución F con grados de libertad 1 y 8. Interpretar los resultados. 37. Un alumno, como trabajo de la asignatura de estadı́stica, ha comparado tres marcas distintas (A,B,C) de palomitas de maı́z precocinadas. Cada marca puede prepararse friendolas en una sartén (método 1) o en el horno microondas (método 2). El alumno ha realizado un diseño factorial completo 3×2 con cinco replicaciones en cada uno de los seis tratamientos. La variable respuesta medida es el porcentaje de granos de maı́z que no se han inflado adecuadamente. Los resultados del experimento se muestran en la tabla, en cada tratamiento se proporciona la media y entre paréntesis la desviación tı́pica corregida para las cinco replicaciones. Contrastar si la interacción entre los dos factores es significativa. Sartén Horno A 5.5 (1,4) 3.8 (1,3) B 3.6 (1,8) 3.4 (0,9) C 7.5 (2,5) 4.3 (1,3) 38. Se ha realizado un experimento con dos factores, A (temperatura con tres niveles), B (concentración con cuatro niveles). El experimento se ha replicado 5 veces. En la tabla se 15 muestra la media y la varianza (corregida) para los 5 datos de cada tratamiento. A 1 1 1 1 2 2 2 2 3 3 3 3 B 1 2 3 4 1 2 3 4 1 2 3 4 yi 240 261 235 257 249 270 246 267 241 262 237 260 ŝ2i 1.2 1.6 1.4 2.4 1.4 5.7 5.8 1.7 4.2 9.4 1.3 6.1 Escribir la tabla de análisis de la varianza. 39. Se desea estudiar la influencia de 2 factores en el error de medida de un equipo de visión artificial. Un factor F es la distancia focal, para el que se han fijado 4 niveles y el otro factor L es el nivel de iluminación con 2 niveles. Además se dispone de 2 equipos diferentes para realizar las medidas. Se ha tomado un patrón y se ha medido en las combinaciones indicadas en la tabla, donde yijk es el error obtenido al situar la distancia focal i, con iluminación j y el equipo k. F −→ 1 L −→ 1 Equipo 1 y111 Equipo 2 y112 2 1 3 1 4 1 1 2 2 2 3 2 4 2 y211 y212 y311 y312 y411 y412 y121 y122 y221 y222 y321 y322 y421 y422 Construir la tabla de análisis de la varianza, que incluya los efectos principales debidos a la distancia focal (F ), la iluminación (L) y el equipo, y además la interacción F ×L, suponiendo que son nulas el resto de interacciones. 40. Cierta industria de lentes para gafas desea comparar dos tipos de recubrimiento antireflectante A, B. Los dos tipos tienen idéntico aspecto y prestaciones, pero antes de decidirse por uno u otro desean comprobar si el tipo de recubrimiento influye en el desgaste que sufre la lente. Para ello construyen gafas con una lente de cada tipo que distribuyen entre 10 personas seleccionadas al azar que habitualmente utilizan gafas. Al cabo de seis meses miden el desgaste y se obtienen los valores que se indican en la tabla. 16 Persona 1 2 3 4 5 6 7 8 9 10 Lente A 6.7 5.0 3.6 6.2 5.9 4.0 5.2 4.5 4.4 4.1 Lente B 6.9 5.8 4.1 7.0 7.0 4.6 5.5 5.0 4.3 4.8 ¿Qué tipo de recubrimiento recomendarı́a a los fabricantes con el criterio de mı́nimo desgaste?. 41. Demuestre que en un modelo en bloques aleatorizados, con I niveles para el factor y J niveles para el bloque, con modelo yij = µ+αi+ β j +uij ,el valor esperado de la variabilidad explicada por el factor es: E[V E(α)] = P (I − 1)σ 2 + J Ji=1 α2i ,siendo σ 2 la varianza del error experimental. 42. Se desea comprobar si el orden en el que aparecen las preguntas de un examen test influye en resultado obtenido por el alumno. Se han preparado dos examenes, el Test A tiene las preguntas en orden de dificultad creciente y el Test B a la inversa. Se ha elegido una muestra aleatoria de 20 alumnos y se han emparejado según su habilidad, de forma que los dos alumnos de cada pareja han demostrado durante el curso una habilidad similar. De cada pareja, un alumno se ha asignado aleatoriamente al Test A y el otro al Test B. Los resultados finales del ejercicio han sido (cada pareja es una columna) Test A: Test B: 83 82 95 92 76 62 70 74 91 60 89 69 70 72 52 63 48 80 76 74 ¿Es evidente que las puntuaciones del Test B son mas bajas que las del Test A? 43. El análisis de la varianza de un diseño en bloques aleatorizados proporciona los si-guientes resultados: V T = 129, V E(factor) = 38, 5 y V E(bloque) = 82, 5. El número de niveles del factor es 4 y el número de bloques 4. Construir la tabla de análisis de la varianza y hacer los contrastes correspondientes con nivel de significación 0,05. 44. Se ha estudiado la influencia de la cantidad de cierto aditivo en la opacidad de un material plástico que se puede fabricar por tres métodos de extrusión. El objetivo es conseguir el tratamiento con opacidad mı́nima. Cada tratamiento se ha replicado 5 veces, los valores medios y las desviaciones tı́picas corregidas para cada caso se proporcionan en la tabla 1. La tabla 2 corresponde al análisis de la varianza. Se ha comprobado que se verifican las condiciones de normalidad y homocedasticidad. 17 Método 1 1 2 2 3 3 Extrus. Aditivo Interac. Residual Total Aditivo 1 2 1 2 1 2 Suma de cuadrad. 2.210 47.636 37.572 24.728 112.146 Medias 9.5 9.3 10.0 8.1 11.5 6.0 g.l. 2 1 2 24 29 Desv. Tı́p. 0.83 0.67 1.53 (TABLA 1) 0.77 0.78 1.23 Var. F p-valor 1.105 1.072 0.358 47.636 46.2 0.000 (TABLA 2) 18.786 18.2 0.000 1.030 (a) A la vista de los resultados de las dos tablas indica qué método de extrusión es aconsejable para conseguir la opacidad mı́nima. (b) Da un intervalo del 95% de confianza para la opacidad media en las condiciones óptimas. (c) Sea di = y i1 − y i2 la diferencia entre las medias observadas en los dos niveles del factor aditivos para el método de extrusión i. Calcula el valor esperado y la varianza de di en términos de los parámetros del modelo factorial. (d) Si E(di) = 0 para los tres métodos, obtén la distribución de probabilidad de 5 d21 + d22 + d23 × . 2 σ2 45. Se ha estudiado el efecto de tres hornos diferentes y dos temperaturas (290 o C y 320 o C) en la duración de cierto componente. Para cada combinación de horno y temperatura se ha replicado el experimento 3 veces. En la tabla siguiente se proporcionan las medias y desviaciones tı́picas de los datos de cada tratamiento. Temperatura o C 290 o C 320 o C Media Desv. T. Media Desv. T. Horno 1 245.6 8.50 180.0 2.65 Horno 2 191.0 15.39 144.0 2.65 Horno 3 187.0 4.58 134.3 8.62 18 Fuente Horno Temp. HxT Residual Total Suma Cuadrado 9646.3 13667.6 274.8 837.3 24426 Grados Libertad 2 1 2 12 17 Varianza F p-valor 4823.2 69.1 0.000 13667.6 195.9 0.000 137.4 1.97 0.182 69.8 Seleccionar el horno y la temperatura que proporcionan máxima duración, haciendo los contrastes de igualdad de medias con nivel de significación 0.01. 19