ESTADISTICA INFERENCIAL II

ALBERTO GARCIA ESPINOSA

OBJETIVOS GENERALES DEL CURSO
Conocer y aplicar tcnicas de diseo experimental, con el
objeto de tomar decisiones para analizar, evaluar y mejorar
procesos logsticos e industriales.
Adquirir criterios y herramientas de diseo experimental para
planificar experimentos eficazmente en los procesos logsticos
e industriales.
Desarrollar las habilidades para la aplicacin de las
herramientas y procedimientos habituales del anlisis
estadstico para la obtencin de conclusiones vlidas.

OBJETIVOS GENERALES DEL CURSO
Conocer y aplicar las series de tiempo en sistemas logsticos e
industriales para determinar los pronsticos para la planeacin
de los recursos necesarios para responder a los cambios de la
demanda.
Identificar, aplicar y analizar mediante tcnicas de regresin,
para evaluar los procesos de soporte en la toma de decisiones
en la solucin de problemas.
TEMARIO
UNIDAD I. Regresin lineal simple y mltiple.

UNIDAD II. Diseo de experimentos de un factor.

UNIDAD III. Diseo de bloques.

UNIDAD IV. Conceptos bsicos en diseos factoriales.

UNIDAD V. Series de tiempo.
FUENTES DE INFORMACION
Douglas C. Montgomery, Design and Analysis of Experiments,
6th. Ed. Wiley 2004.

Mendenhall W., Introduccin a la probabilidad y la estadstica,
Wadsworth, Inc., 1982.

Murray R. Spiegel, Estadstica, 2da. Ed. McGraw-Hill, 1991.

Fuenlabrada Samuel, Probabilidad y estadstica, McGraw-Hill,
Mxico, 2004.

CRITERIOS DE EVALUACIN
Examen--------------------------------50%

Asistencia-----------------------------10%

Tareas----------------------------------10%

Participaciones-----------------------10%

Portafolio de evidencias-------------20%
UNIDAD II. Diseo de experimentos de un factor
2.1 Familia de diseos para comparar tratamientos
2.2 El modelo de efectos fijos
2.3 Diseo completamente aleatorio y ANOVA
2.4 Comparaciones o pruebas de rangos mltiples
2.5 Verificacin de los supuestos del modelo
2.6 Uso de un software estadstico
UNIDAD II. Diseo de experimentos de un factor
Experimentos con un solo factor
En este tipo de diseo de experimento se considera un slo factor de
inters y el objetivo es comparar ms de dos tratamientos, con el fin
de elegir la mejor alternativa entre las varias que existen, o por lo
menos para tener una mejor comprensin del comportamiento de la
variable de inters en cada uno de los distintos tratamientos.
Puede ser de inters comparar tres o ms mquinas, varios
proveedores, cuatro procesos, tres materiales, cinco dosis de un
frmaco, etc.
Es obvio que, al hacer tales comparaciones, existe un inters y un
objetivo claro.
UNIDAD II. Diseo de experimentos de un factor
Ejemplo:

Una comparacin de cuatro dietas de alimentacin en la que se utilizan
ratas de laboratorio, se hace con el fin de estudiar si alguna dieta que
se propone es mejor o igual que las que ya existen; en este caso, la
variable de inters es el peso promedio alcanzado por cada grupo de
animales despus de ser alimentado con la dieta que le toco.
UNIDAD II. Diseo de experimentos de un factor
Por lo general, el inters del experimentador est centrado en comparar
los tratamientos en cuanto a sus medias poblacionales, sin olvidar
que tambin es importante compararlos con respecto a sus
varianzas. As, desde el punto de vista estadstico, la hiptesis
fundamental a probar cuando se comparan varios tratamientos es:
H0 = 1 = 2 = ... n
H1 = i j para algn i j
Con la cual se quiere decidir si los tratamientos son iguales
estadsticamente en cuanto a sus medias, frente a la alternativa de
que al menos dos de ellos son diferentes.
UNIDAD II. Diseo de experimentos de un factor
La estrategia natural para resolver este problema es obtener una
muestra representativa de mediciones en cada uno de los
tratamientos, y construir un estadstico de prueba para decidir el
resultado de dicha comparacin.
Se podra pensar que una forma de probar la hiptesis nula de es
mediante la prueba T de Student aplicadas a todos los posibles pares
de medias; sin embargo, esta manera de proceder incrementara de
manera considerable el error tipo I (rechazar H0 siendo verdadera).
UNIDAD II. Diseo de experimentos de un factor
Ejemplo:
En el caso de comparar varias mquinas, si cada mquina es manejada
por un operador diferente y se sabe que ste tiene una influencia en
el resultado, entonces, es claro que el factor operador debe tomarse
en cuenta si se quiere comparar a las mquinas de manera justa.
Un operador ms hbil puede ver a su mquina (aunque sta sea la
peor) como la que tiene el mejor desempeo, lo que impide una
comparacin adecuada de los equipos.
Para evitar este sesgo habra dos maneras de anular el posible efecto
del factor operador:
UNIDAD II. Diseo de experimentos de un factor
Utilizando el mismo operador en las cuatro mquinas. Esta estrategia
no es aconsejable, ya que al utilizar el mismo operador, se elimina el
efecto del factor operador, pero restringe la validez de la
comparacin a dicho operador, y es posible que el resultado no se
mantenga al utilizar otros operadores.
Cada operador trabaje durante el experimento con cada una de las
mquinas, esta estrategia es ms recomendable, ya que al utilizar
todos los operadores con todas las mquinas permite tener
resultados de la comparacin que son vlidos para todos los
operadores.
Esta ltima de manera nulificar el efecto de operadores, recibe el
nombre de Bloqueo.
UNIDAD II. Diseo de experimentos de un factor
Factores de bloqueo.
Son factores adicionales al factor de inters que se incorporan de
manera explcita en un experimento comparativo, para estudiar de
manera ms adecuada y eficaz al factor de inters.
NOTA: Cuando se comparan varias mquinas, manejadas por
operadores diferentes, es pertinente incluir explcitamente al factor
operadores (bloques) para lograr el propsito del estudio. Tambin se
podran controlar el tipo de material, lotes, tipo de producto, da,
turno, etc. Se controlan factores que por conocimiento del proceso o
experiencia previa, se sabe que pueden afectar en forma sensible el
resultado de la comparacin
UNIDAD II. Diseo de experimentos de un factor
En el campo de la industria es frecuente hacer experimentos o pruebas
con la intencin de resolver un problema o comprobar una idea
(conjetura, hiptesis); por ejemplo, hacer algunos cambios en los
materiales, mtodos o condiciones de operacin de un proceso,
probar varias temperaturas en una mquina hasta encontrar la que
de el mejor resultado o crear un nuevo material con la intencin de
lograr mejoras o eliminar algn problema.
Sin embargo, es comn que estas pruebas o experimentos se hagan
sobre la marcha, con base en el ensayo y error, apelando a la
experiencia y a la intuicin, en lugar de seguir un plan experimental
adecuado que garantice una buena respuesta a las interrogantes
planteadas.
UNIDAD II. Diseo de experimentos de un factor
Algo similar ocurre con el anlisis de los datos experimentales, donde
ms que hacer un anlisis riguroso de toda la informacin obtenida y
tomar en cuenta la variacin, se realiza un anlisis informal, intuitivo
Es tal el poder de la experimentacin que, en ocasiones, se logra
mejoras a pesar de que el experimento se hizo con base en el
ensayo y error.
Sin embargo, en situaciones de cierta complejidad no es suficiente
aplicar este tipo de experimentacin, por lo que es mejor proceder
siempre en una forma eficaz que garantice la obtencin de las
respuestas a las interrogantes planteadas en un lapso corto de
tiempo y utilizando pocos recursos.
UNIDAD II. Diseo de experimentos de un factor
El diseo estadstico de experimentos es precisamente la forma ms
eficaz de hacer pruebas. El diseo de experimentos consiste en
determinar cules pruebas se deben realizar y de qu manera, para
obtener datos que, al ser analizados estadsticamente, proporcionen
evidencias objetivas que permitan responder las interrogantes
planteadas, y de esa manera clarificar los aspectos inciertos de un
proceso, resolver un problema o lograr mejoras.

UNIDAD II. Diseo de experimentos de un factor
Algunos problemas tpicos que pueden resolverse con el diseo y el
anlisis de experimentos son los siguientes:

1. Comparar a dos o ms materiales con el fin de elegir al que mejor
cumple los requerimientos.
2. Comparar varios instrumentos de medicin para verificar si trabajan
con la misma precisin y exactitud.
3. Determinar los factores (las x vitales) de un proceso que tienen
impacto sobre una o ms caractersticas del producto final.


UNIDAD II. Diseo de experimentos de un factor

4. Encontrar las condiciones de operacin (temperatura, velocidad,
humedad, por ejemplo) donde se reduzcan los defectos o se logre un
mejor desempeo del proceso.
5. Reducir el tiempo de ciclo del proceso.
6. Hacer el proceso insensible o robusto a oscilaciones de variables
ambientales.
7. Apoyar el diseo o rediseo de nuevos productos o procesos
8. Ayudar a conocer y caracterizar nuevos materiales.
UNIDAD II. Diseo de experimentos de un factor
En general, cuando se requiere mejorar un proceso existen dos
maneras bsicas de obtener la informacin necesaria para ello:

Observar o monitorear va herramientas estadsticas, hasta obtener
seales tiles que permitan mejorarlo; se dice que sta es una
estrategia pasiva.
La otra manera consiste en experimentar, es decir, hacer cambios
estratgicos y deliberados al proceso para provocar dichas seales
tiles.
UNIDAD II. Diseo de experimentos de un factor
Al analizar los resultados del experimento se obtienen las pautas a
seguir, que muchas veces se concretan en mejoras sustanciales del
proceso.
En este sentido, experimentar es mejor que sentarse a esperar a que el
proceso nos indique por s solo cmo mejorarlo.
El diseo de experimentos es un conjunto de tcnicas activas, en el
sentido de que no esperan que el proceso mande las seales tiles,
sino que ste se manipulan para que proporcione la informacin
que se requiere para su mejora.

UNIDAD II. Diseo de experimentos de un factor
El saber diseo de experimentos y otras tcnicas estadsticas, en
combinacin con conocimientos del proceso, sitan al responsable
del mismo como un observador perceptivo y proactivo que es capaz
de proponer mejoras y de observar algo interesante (oportunidades
de mejora) en el proceso y en los datos donde otra persona no ve
nada.
2.1 Familia de diseos para comparar tratamientos
Los diseos experimentales ms utilizados para comparar tratamientos
son:
1. Diseo completamente al azar (DCA)
2. Diseo en bloque completamente al azar (DBCA)
3. Diseo en cuadro latino (DCL)
4. Diseo en cuadro grecolatino (DCGL)

La diferencia fundamental entre estos diseos es el nmero de factores
de bloque que incorporan o controlan de forma explcita durante el
experimento.
2.1 Familia de diseos para comparar tratamientos
La comparacin de los tratamientos en cuanto a la respuesta media que
logran, en cualquiera de estos diseos, se hace mediante la
hiptesis:
H0 = 1 = 2 = ... n
H1 = i j para algn i j

que se prueba con la tcnica estadstica llamada Anlisis de Varianza
(ANOVA) con uno, dos, tres o cuatro criterios de clasificacin,
dependiendo del nmero de factores de bloques incorporados al
diseo.
2.1 Familia de diseos para comparar tratamientos






El modelo estadstico que describe el comportamiento de la variable
observada Y en cada diseo, incorpora un trmino adicional por cada
factor de bloqueo controlado.
2.1 Familia de diseos para comparar tratamientos
De acuerdo con los modelos dados en la tabla, para cada diseo
comparativo se tienen al menos dos fuentes de variabilidad: los
tratamientos o niveles del factor de inters y el error aleatorio. Se
agrega una nueva fuente de variabilidad por cada factor de bloque
que se controla directamente.
Se observa que los diseos suponen que no hay efectos de interaccin
entre los factores, lo cual sera lo deseable que ocurra; de no ocurrir
as, tal efecto se recarga al error y el problema de comparacin no se
resuelve con xito.
Un efecto de interaccin entre dos factores hace referencia a que el
efecto de cada factor depende del nivel en que se encuentra el otro.
2.2 El modelo de efectos fijos
El modelo de efectos fijos (es cuando se estudian todos los posibles
tratamientos) de anlisis de la varianza se aplica a situaciones en las
que el experimentador ha sometido al grupo o material analizado a
varios factores, cada uno de los cuales le afecta slo a la media,
permaneciendo la "variable respuesta" con una distribucin normal.
Este modelo se supone cuando el investigador se interesa nicamente
por los niveles del factor presentes en el experimento, por lo que
cualquier variacin observada en las puntuaciones se deber al error
experimental.
2.2 El modelo de efectos fijos
En caso que los tratamientos tengan efecto, las observaciones Yij se
podrn describir con el modelo estadstico lineal dado por:




La media global de la variable de respuesta no se considera una
fuente de variabilidad por ser una constante comn a todos los
tratamientos, que hace las veces de punto de referencia con
respecto al cual se comparan las respuestas medias de los
tratamientos.

2.2 El modelo de efectos fijos
Si la respuesta media de un tratamiento particular 1 es muy diferente
de la respuesta media global , es un sntoma de que existe un
efecto de dicho tratamiento, ya que como se ver ms adelante,
. La diferencia que deben tener las medias entre s para concluir que
hay un efecto (que los tratamientos son diferentes), nos lo dice el
anlisis de varianza (ANOVA).
En la prctica puede suceder que los tratamientos que se desea
comparar sean demasiados como para experimentar con todos.
Cuando esto sucede es conveniente comparar slo una muestra de
la poblacin de tratamientos.
2.3 Diseo completamente aleatorio y ANOVA
Muchas comparaciones, como las antes mencionadas, se hacen con
base en el diseo completamente al azar (DCA), que es el ms
simple de todos los diseos que se utilizan para comparar dos o ms
tratamientos, dado que slo consideran dos fuentes de variabilidad:
los tratamientos y el error aleatorio.
Este diseo se llama completamente al azar porque todas las corridas
experimentales se realizan en orden aleatorio completo. De esta
manera, si durante el estudio se hacen en total N pruebas, stas se
corren al azar, de manera que los posibles efectos ambientales y
temporales se vayan repartiendo equitativamente entre los
tratamientos.
2.3 Diseo completamente aleatorio y ANOVA
El anlisis de la varianza de un criterio (ANOVA de un criterio) es una
metodologa para analizar la variacin entre muestras y la variacin
al interior de las mismas con varianzas, en lugar de rangos. Como
tal, es un mtodo estadstico til para comparar dos o ms medias
poblacionales.
El objetivo del anlisis de varianza en el DCA es probar las hiptesis de
igualdad de los tratamientos con respecto a la media de la
correspondiente variable de respuesta:
H0 = 1 = 2 = ... = k
H1 = 1 2 al menos para alguna
2.3 Diseo completamente aleatorio y ANOVA
TAREA:
Clculo manual tradicional para ANOVA: requiere del clculo de 2
estimaciones independientes para la varianza poblacional comn .
Entre muestras (Mtodo entre) y al interior de las muestras (Mtodo
dentro).
Clculo simplificado y ms prctico para ANOVA: notacin de puntos.
Diagramas de cajas simultneos (box plots).

2.4 Comparaciones o pruebas de rangos mltiples
El anlisis de varianza es un procedimiento poderoso para probar la
homogeneidad de un conjunto de medias. Sin embargo, si
rechazamos la hiptesis nula (H0) y aceptamos la alterna (que no
todas las medias son iguales) an no sabemos cules de las medias
poblacionales son iguales y cules son diferentes.
Cuando no se rechaza la H0: 1 = 2 = 3, el objetivo del experimento
est cubierto y la conclusin es que los tratamientos no son
diferentes. Si por el contrario se rechaza H0, y por consiguiente se
acepta la H1: No todas las poblaciones tienen la misma media, es
necesario investigar cules tratamientos resultaron diferentes, o
cules provocan la diferencia.

2.4 Comparaciones o pruebas de rangos mltiples
Estas interrogantes se responden probando la igualdad de todos los
posibles pares de medias, para lo cual se han propuesto varios
mtodos, conocidos como mtodos de comparaciones mltiples o
pruebas de rango mltiple.
La diferencia primordial entre los mtodos radica en la potencia que
tienen para detectar las diferencias entre las medias. Se dice que
una prueba es ms potente si es capaz de detectar diferencias ms
pequeas.

2.4 Comparaciones o pruebas de rangos mltiples
Mtodos de comparaciones mltiples o pruebas de rango mltiple:

a) Mtodo de la diferencia mnima significativa de Fisher (mtodo LSD).
b) Mtodo de Tukey
c) Mtodo de Duncan
d) Mtodo de Dunnet


TAREA
2.5 Verificacin de los supuestos del modelo
La validez de los resultados obtenidos en cualquier anlisis de varianza
queda supeditada a que los supuestos del modelo se cumplan.
Estos supuestos son:
A) Normalidad
B) Varianza constante (igual varianza de los tratamientos)
C) Independencia
Esto es, la respuesta (Y) se debe distribuir de manera normal, con la
misma varianza en cada tratamiento y las mediciones deben ser
independientes.
2.5 Verificacin de los supuestos del modelo
Normalidad
Un procedimiento grfico para verificar el cumplimiento del supuesto de
normalidad de los residuos consiste en graficar los residuos en papel
o en la grfica de probabilidad normal que se incluye casi en todos
los paquetes estadsticos. Esta grfica del tipo X-Y tiene las escalas
de tal manera que si los residuos siguen una distribucin normal, al
graficarlos tienden a quedar alineados en una lnea recta; por lo
tanto, si claramente no se alinean se concluye que el supuesto de
normalidad no es correcto.
Cabe enfatizar el hecho de que el ajuste de los puntos a una recta no
tiene que ser perfecto, dado que el anlisis de varianza resiste
pequeas y moderadas desviaciones al supuesto de normalidad.
2.5 Verificacin de los supuestos del modelo
Varianza constante
Una forma de verificar el supuesto de varianza constante (o que los
tratamientos tienen la misma varianza) es graficado los predichos
contra residuos ( ), por lo general va en el eje horizontal y los
residuos en el eje vertical. Si los puntos en esta grfica se distribuyen
de manera aleatoria en una banda horizontal (sin ningn patrn claro
y contundente), entonces es seal d que se cumple el supuesto de
que los tratamientos tienen igual varianza. Por el contrario, si se
distribuyen con algn patrn claro y contundente, como por ejemplo
una forma de corneta o embudo, entonces es seal de que no se
est cumpliendo el supuesto de varianza constante.
2.5 Verificacin de los supuestos del modelo
Independencia
La suposicin de independencia en los residuos puede verificarse si se
grafica el orden en que se colect un dato contra el residuo
correspondiente. De esta manera, si al graficar en el eje horizontal el
tiempo (orden de corrida) y en el eje vertical los residuos, se detecta
una tendencia o patrn no aleatorio claramente definido, esto es
evidencia de que existe una correlacin entre los errores y, por lo
tanto, el supuesto de independencia no se cumple. Si el
comportamiento de los puntos es aleatorio dentro de una banda
horizontal, el supuesto se est cumpliendo.
2.5 Verificacin de los supuestos del modelo
La violacin de este supuesto generalmente indica deficiencias en la
planeacin y ejecucin del experimento; asimismo, puede ser un
indicador de que no se aplico en forma correcta el principio de
aleatorizacin, o de que conforme se fueron realizando las pruebas
experimentales aparecieron factores que afectaron la respuesta
observada.
Por ello, en caso de tener problemas con este supuesto, las
conclusiones que se obtienen del anlisis son endebles y por ello es
mejor revisar lo hecho y tratar de investigar por qu no se cumpli
con ese supuesto de independencia, a fin de reconsiderar la
situacin.