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.
Explique las ventajas que tiene el diseño de experimentos sobre una estrategia de prueba y error. Un experimento son pruebas que se hacen con la intención de resolver un problema o comprobar una idea, es común que estas pruebas se hagan sobre la marcha, con base en el ensayo o error, apelando a la experiencia y a la intuición, en lugar de seguir un plan experimental adecuado que garantice una buena respuesta a las interrogantes planteadas. Diseñar un experimento consiste en planear y realizar un conjunto de pruebas con el objetivo de generar datos que, al ser analizados estadísticamente, proporcionen evidencias objetivas que permitan responder las interrogantes planteadas por el experimentador sobre determinada situación.