Design-Expert® Software

Actividad enzimatica
10.6

6.1

X1 = A: Avicel
X2 = B: harina de soja

10.7

Actividad enzimatica
9.5
43
8.3

7.1 40.25

5.9 37.5
A: Avicel
30.50
28.00 34.75
25.50
23.00
20.50 32

B: harina de soja

• Vidal Flores Copa

 DOE

1. Estadística
2. Introducción al Diseño de experimentos
3. Análisis de Varianza ANOVA
4. Diseño de experimentos2K, 2K-P , RSM
 SOFTWARE?

Design of Experiment
www.statease.com
Estadística Descriptiva
Presenta, organización y resumen de los datos

Estadística inferencial o inductiva

Infiere sobre la población por medio de datos

Secuencia que sigue la estadística

Parte de una población con una muestra obteniéndose datos que
son organizados y analizados utilizando herramientas
estadísticas tanto descriptivas como inductivas para conseguir
resultados y conclusiones de la población estudiada.
MEDIDAS DE TENDENCIA CENTRAL
Media aritmética Mediana
n
xi x( N /2) x ( N /2 1)
x i 1 Med
n 2
MEDIDAS DE DISPERSION

2 2
2
x x x x
S2
n n 1
Desviación Estándar 2
Desviación estándar Poblacional “σ”
Desviación estándar Muestral “S”
S S2
DISTRIBUCION NORMAL “ Z”

La distribución normal es utilizada para

inferir sobre una población a partir de una
muestra con ≥30 datos.

DISTRIBUCION “t”
La distribución t nos sirve para inferir
posibles resultados a partir de datos
tomados, estos datos deben ser <30 datos

DISTRIBUCION “F”
Ej. En una zona del Altiplano el rendimiento de papa
es de 9000 Kg/ha y la desviación estándar de 2400
Kg/ha. ¿Hallar la probabilidad, que de cada 100
agricultores de la zona, tengan una producción
superior a 12000 Kg/ha?

9000
2400 𝑃 𝑃𝑟𝑜𝑑 ≥ 12000 =?

x 12000
¿Cómo utilizar las tablas de distribución normal?
En un proceso de inyección de plástico una característica de calidad
del producto (disco) es su grosor, el cual debe ser de 1.20 mm y
cumplir con los limites de calidad de EI = 1.10, y la superior, ES = 1.3
para considerar que el proceso de inyección fue satisfactorio.
Para evaluar esta característica de calidad, durante una semana se
hace un muestreo en una línea de producción tomando 25 muestras y
se obtiene la media muestral de 1.179 mm y la varianza 0.00071.
Revisar si el proceso de inyección cumple con los límites de calidad al
95% de confianza.

Como la cantidad de muestras es < 30 muestras, entonces

se utiliza la distribución Student para calcular la desviación
existente.
El grosor de los discos se encuentran dentro de las especificaciones,
así que el proceso de inyección cumple con los límites de calidad al
95% de confianza
0.9

0.8
DISTRIBUCION “F”

0.7

0.6

F(0.05,3,6)
F(0.05,6,12)
0.5
F(0.05,10,6)
F(0.05,15,12)

0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12 14
Las significancias más aceptable es 5% (95% confianza) ò 1% (99%
confianza)
El área es P(X>x)=0.05, osea en tablas hallamos los F para que se
cumpla un área de 0.05.
 MATLAB

x = -5:0.1:5;
y = tpdf(x,1);
yy = tpdf(x,4);
yd= tpdf(x,9);
plot(x,y,x,yy,x,yd)

z = normpdf(x,0,1)

x = 0:0.0001:17.9505;
y = fpdf(x,4,15);
plot(x,y)
q =1- trapz(x,y)

x = 0:0.001:17.9505;
y=fpdf(x,3,6);
yy=fpdf(x,6,12);
yd=fpdf(x,10,6);
yu=fpdf(x,15,12);
plot(x,y,'r',x,yy,'g',x,yd,'b',x,yu,'k')
 DISEÑO ESTADISTICO DE EXPERIMENTOS

Introducido por Ronald A. Fisher en la primera mitad del siglo XX en

Inglaterra, se ha utilizado para conseguir un aprendizaje acelerado. El
trabajo de Fisher a través de su libro The Design of Experiments
(1935), influyó de manera decisiva en la investigación agrícola, ya que
aportó métodos (ahora usados en todo el mundo) para evaluar los
resultados de experimentos con muestras pequeñas

George E. P. Box, quien trabajó como estadístico durante ocho años en

la industria química en Inglaterra y desarrolló la metodología de
superficie de respuestas

Genichi Taguchi (Japón), cuyos conceptos sobre diseño robusto

también tuvieron un impacto significativo
 BASIC CONCEPTS
Factor One of the independent variables under
investigation that can be set to desire value
K Numero de factores o variables que pueden ser
controladas
Level (nivel) Los niveles a los cuales se puede variar el factor K

Run (Corrida) Las pruevas a realizarce en el experimentos

Response Resultado numerico de una corrida

(respuesta)
Blocking (Bloqueo) Estrategia en el DOE para proveer la abilidad de
eliminar el error que no esta bajo investigacion
Operario, Tamb, Estacion del año, etc.
Uso de métodos estadísticos

El conocimiento no estadístico es vital. Para utilizar los métodos

estadísticos en general y los diseños de experimentos en particular, en
primer lugar se requiere que el experimentador tenga un buen nivel de
conocimiento técnico y práctico sobre el fenómeno o proceso que
estudia

Reconocer la diferencia entre significancia estadística e importancia

práctica.
En ocasiones, un experimentador puede concluir que dos tratamientos son
diferentes estadísticamente, pero que tales diferencias, aunque sean
significativas, no necesariamente representan una diferencia que en la
práctica sea importante.
 1

EFFICIENCY Get
more info from fewer
experiments

With designed experiments there FOCUSING Collect

is a better possibility of only info that really
testing the significance of the needed
effects and the relevance
of the whole model .
Principios básicos

Aleatorización.
Repetición
Bloqueo.
Inferencia estadística
Supongamos que un técnico agrónomo introduce en una
region del altiplano una variedad de cebada de alta producción
y que obtuvo en la zona un rendimiento de 750 Kg/ha.

Realizando un muestreo en la zona se constató que el

promedio de rendimiento de cebada de los productores
campesinos es de 550 Kg/ha.

Lo primero que preguntaremos es ¿La variedad introducida es

verdaderamente una cebada de alta producción o solamente
el rendimiento obtenido es debido únicamente a la
casualidad? Para responder a esta pregunta se necesita
realizar un test de hipótesis
Para el ejemplo planteado si Ho se acepta, daría lo
mismo utilizar el nuevo tipo de cebada o uno antiguo
ya que esto indicaría que el rendimiento con el
nuevo tipo es igual al rendimiento con otro, por lo
que ya se verá por cual se decide de acuerdo a
precios.
Ejemplo 2.5
Comparación de dos centrifugadoras.
Ejemplo 2.6
Comparación de dos básculas.

 Aleatorización
Se desea obtener una muestra aleatoria de tamaño 10
elementos de la población que están codificados de 1 a 200.

Se busca en la
tabla de números
aleatorios en
cualquier punto, y
tomamos 3 digitos
que se encuentren
en el rango de 1-
200 y
seleccionamos.
Los números
encontrados son:
079;102;034;081;
099;143;073;129;
078;061
La validez de los resultados obtenidos en
cualquier análisis de varianza queda
supeditado a que los supuestos del modelo se
cumplan.
 Normalidad
 Varianza constante (igual varianza de los
tratamientos)
 Independencia.
Estos supuestos sobre Y se traducen en
supuestos sobre el término error (e) en el
modelo
Los datos tienden a
quedar alienados en una
línea recta, si no se
alinean no se cumple el
supuesto
Si ningún patrón claro y contundente existe en las graficas Yij (eje
x) vs ei (eje y) entonces se cumple el supuesto
No se cumplirá el supuesto por que sigue un patrón
Refleja la forma en que se colecto los datos (aleatoria), no debe existir
algún patrón definido
No se cumplirá el supuesto por que sigue un patrón
 Tendencia
alinearse
de otro
modo el
sup. N no
se cumple
 Ningún
patrón