FORMULARIO

1
 FORMULARIO

Contenido
Mapa mental de Análisis de regresión.........................................................................................3
Regresión Lineal Simple...............................................................................................................4
Intervalo de confianza al 100(1 – α) % para la respuesta media en X 0.........................................6
Intervalo de predicción al 100(1 – α) % con respecto a la observación futura X 0.........................6
Represión No lineal (Polinomial Cuadrática)................................................................................7
Represión No lineal (Polinomial Cubica)......................................................................................9
Regresión Lineal múltiple...........................................................................................................11
Intervalo de confianza al 100(1 – α) % para la respuesta media en el punto x 10 , x20 , x30 ,…, xk0. 12
Intervalo de predicción al 100(1 – α) % con respecto a la observación futura Y 0.......................12
Diseños Factoriales.....................................................................................................................13
Diseño de Experimentos de Un Factor.......................................................................................13
Método Tukey para identificar μi significativamente diferente................................................14
Diseño de Experimentos de Dos Factor......................................................................................15
Método Tukey para identificar μij significativamente diferente...............................................17
Diseño de Experimentos de Tres Factores.................................................................................18
Método Tukey para identificar μijk significativamente diferente............................................22
Intervalo de confianza................................................................................................................24
Intervalo para un factor.............................................................................................................24
Intervalo para dos factores........................................................................................................24
Intervalo para tres factores........................................................................................................24
Diseño de bloques completamente aleatorizados.....................................................................25
Diseño en bloques cuadro latino (DCL)......................................................................................27
Diseño de bloques cuadro grecolatino (DCGL)...........................................................................29
Diseño factorial general 2k.........................................................................................................31
Diseño factorial general 22.........................................................................................................33

2
Diseño factorial general 23.........................................................................................................36
Clasificación de los métodos de pronósticos..............................................................................38

Mapa mental de Análisis de regresión

Estimación de parámetros

Pruebas de hipótesis

Regresión lineal simple Calidad del modelo

Coeficiente de calidad de ajuste

Estimación de predicción

Análisis de regresión Regresión polinomial y de otros modelos de regresión simple

Estimación de parámetros

Pruebas de hipótesis

Regresión lineal múltiple Calidad del modelo

Selección de variables

Intervalos de confianza y predicción

3
Regresión Lineal Simple
Variable Aleatoria Independiente

Variable Aleatoria Dependiente

Regresión Real

y=β 0 + β 1 x +∈ x

Ecuación de Estimación

^y =b0 +b1 x

Ecuaciones Normalizadas

∑ y=n b0 +b 1 ∑ x
∑ xy =b0 ∑ x +b1 ∑ x 2
Método de suma de cuadrados

S xx =∑ x 2−¿ ¿ ¿

S xy =∑ xy −
∑ x∗∑ y
n

x=
∑x
n

y=
∑y
n

s xy
b 1=
s xx

b 0= y−x b1

Coeficiente de Determinación

4
 2 SCR
R=
SCT

Coeficiente de Determinación ajustado

Coeficiente de correlación

Coeficiente de determinación.

Hipótesis

Hipótesis Nula

H 0 : β 1=0

Hipótesis Alternativa

H 1 : β1 ≠ 0

SUMAS DE CUADRADOS

SCT =SCR +SCE

SCT =∑ ( y− y )
2

SCE=∑ ( y− ^y )
2

SCR=∑ ( ^y − y ) =SCT −SCE

2

ANOVA

FUENTE GRADOS
SUMA DE Área a
DE DE
CUADRADO VARIANZA (MC) Fcalculada compara Fα
VARIACIÓ LIBERTA
S (SC) r
N D (GL)
Regresión SCR I MCR=SCR/i Fc=MCR/MCE p Fα,(i,n-(i+1))
MCE=SCE/(n-
Error SCE n-(i+1)
(i+1))
Total SCT n-1

5
Donde: i= 1

n= número de observaciones

Criterio de Rechazo
Rechazar H 0 si:
F c > F ∝ ó Área a comparar <α

Intervalo de confianza al 100(1 – α) % para la respuesta media en

X0

√ [ ] √ [ ]
2 2
1 ( X 0− X ) 1 ( X 0 −X )
Y^ X −t ∝ MCE + ≤ E ( Y |X 0) ≤ Y^ X +t ∝ MCE +
0
2
,GLE n S xx 2
, GLE
0
n S xx

Intervalo de predicción al 100(1 – α) % con respecto a la

observación futura X0

√ [ ] √ [ ]
2 2
1 ( X 0− X ) 1 ( X 0− X )
Y^ X −t ∝ MCE 1 + + ≤ Y X ≤ Y^ X +t ∝ MCE 1 + +
0
2
,GLE n S xx 2
,GLE
0 0
n S xx

6
Represión No lineal (Polinomial Cuadrática)
Variable Aleatoria Independiente

Variable Aleatoria Dependiente

Regresión Cuadrática
2
y=β 0 + β 1 x + β 2 x +∈x

Ecuación de Estimación

^y =b0 +b1 x+ b2 x 2

Grado del polinomio

i=2

Ecuaciones Normalizadas

∑ y=n b0 +b 1 ∑ x +b 2 ∑ x 2
∑ xy =b0 ∑ x +b1 ∑ x 2+ b2 ∑ x 3
∑ x 2 y=b 0 ∑ x 2 +b1 ∑ x 3+ b2 ∑ x 4
Hipótesis

Hipótesis Nula

H 0 : β 1=β 2=0

Hipótesis Alternativa

H 1 : β1 ≠ β 2 ≠ 0

SUMAS DE CUADRADOS

SCT =SCR +SCE

SCT =∑ ( y− y )
2

SCE=∑ ( y− ^y )2

7
 SCR=∑ ( ^y − y ) =SCT −SCE
2

ANOVA
SUMA DE GRADOS DE
FUENTE DE Área a
CUADRADOS LIBERTAD VARIANZA (MC) Fcalculada Fα
VARIACIÓN comparar
(SC) (GL)
Regresión SCR i MCR=SCR/i Fc=MCR/MCE p Fα, (i, n-(i+1))
Error SCE n-(i+1) MCE=SCE/(n-(i+1))
Total SCT n-1

Criterio de Rechazo
Rechazar H 0 si:

F c > F ∝ ó Área a comparar <α

8
Represión No lineal (Polinomial Cubica)
Variable Aleatoria Independiente

Variable Aleatoria Dependiente

Regresión Cubica

y=β 0 + β 1 x + β 2 x 2 + β 3 x 3 +∈x

Ecuación de Estimación

^y =b0 +b1 x+ b2 x 2 +b 3 x 3

Grado del polinomio

i=3

Ecuaciones Normalizadas

∑ y=n b0 +b 1 ∑ x +b 2 ∑ x 2+ b3 ∑ x 3
∑ xy =b0 ∑ x +b1 ∑ x 2+ b2 ∑ x 3 +b 3 ∑ x 4
∑ x 2 y=b 0 ∑ x 2 +b1 ∑ x 3+ b2 ∑ x 4 +b3 ∑ x 5
∑ x 3 y=b 0 ∑ x 3 +b1 ∑ x 4 +b 2 ∑ x 5 +b3 ∑ x 6

Hipótesis

Hipótesis Nula

H 0 : β 1=β 2=β 3=0

Hipótesis Alternativa

H 1 : β1 ≠ β 2 ≠ β 3 ≠ 0

9
SUMA DE CUADRADOS

SCT =SCR +SCE

SCT =∑ ( y− y )
2

SCE=∑ ( y− ^y )
2

SCR=∑ ( ^y − y )2=SCT −SCE

ANOVA
SUMA DE
FUENTE DE GRADOS DE Área a
CUADRADOS VARIANZA (MC) Fcalculada Fα
VARIACIÓN LIBERTAD (gl) comparar
(SC )
Regresión SCR i MCR=SCR/i Fc=MCR/MCE p Fα,(i,n-(i+1))
Error SCE n-(i+1) MCE=SCE/(n-(i+1))
Total SCT n-1

Criterio de Rechazo
Rechazar H 0 si:

F c > F ∝ ó Área a comparar <α

10
Regresión Lineal múltiple

Variable Aleatoria Independiente

Variable Aleatoria Dependiente

Regresión múltiple

Ecuación de Estimación

^y =b0 +b2 x 2

Número de variables independientes

i=2

Ecuaciones Normalizadas

∑ y=n b0 +b 1 ∑ x 1 +b2 ∑ x 2
∑ x 1 y=b 0 ∑ x 1 +b1 ∑ x 21+ b2 ∑ x 1 x2
∑ x 2 y=b 0 ∑ x 2 +b1 ∑ x 1 x 2+ b2 ∑ x22

Hipótesis

Hipótesis Nula

H 0 : β 1=β 2=0

Hipótesis Alternativa

H 1 : β1 ≠ β 2 ≠ 0

SUMA DE CUADRADOS

11
 SCT =SCR +SCE

SCT =∑ ( y− y )2

SCE=∑ ( y− ^y )
2

SCR=∑ ( ^y − y )2=SCT −SCE

ANOVA
SUMA DE
FUENTE DE GRADOS DE Área a
CUADRADOS VARIANZA (MC) Fcalculada Fα
VARIACIÓN LIBERTAD (gl) comparar
(SC )
Regresión SCR i MCR=SCR/i Fc=MCR/MCE p Fα,(i,n-(i+1))
Error SCE n-(i+1) MCE=SCE/(n-(i+1))
Total SCT n-1

Criterio de Rechazo
Rechazar H 0 si:

F c > F ∝ ó Área a comparar <α

Intervalo de confianza al 100(1 – α) % para la respuesta media en

el punto x10 , x20 , x30 ,…, xk0

Y^ X −t ∝
0
,GLE
√ MCE X ´
0
( X ´ X ) X 0 ≤ E ( Y |X 0 ) ≤ Y^ X + √ MCE X ´0 ( X ´ X ) X 0
−1
0
−1

Intervalo de predicción al 100(1 – α) % con respecto a la

observación futura Y0

Y^ X −t ∝
0
,GLE
√ MCE(1+ X ( X ´
0
´ −1
X ) X 0 )≤ Y 0 ≤ Y^ X +t ∝
0
,GLE
√ MCE(1+ X ( X ´
0
´ −1
X ) X0)
2 2

12
Diseños Factoriales
Objetivo: estudiar el efecto de varios factores sobre una o varias respuestas, cuando se tiene el
mismo interés sobre todos los factores.

Diseño de Experimentos de Un Factor.

Variables

i Dimensiones de la variable =1,2, 3,……,I

j Repeticiones=1,2,3 , ......, J
n=ij
Hipótesis Nula
H 0 : μ1=μ2=…..=μi
Hipótesis Alternativa
H 1 : μ 1 ≠ μ2 ≠ … .. ≠ μi
Media de las Medias

y ..=
∑ ∑ y ij
IJ
Media de Cada Tratamiento

y i .=
∑ y ij
J
Suma de cuadrados Totales
I J
SCT =SCTr+ SCE=∑ ∑ ( y ij − y .. )
2

i=1 j=1
Suma de Cuadrados de los Tratamientos
I
SCTr=J ∑ ¿ ¿
i =1
Suma de Cuadrados de los Errores
I J
SCE=SCT−SCTR=∑ ∑ ( y ij − yi . )
2

i=1 j=1
ANOVA

Grado
Suma de F Calculada
Fuente de s de (
Cuadrados Varianza (MC) F∝ p
Variación Liberta F c)
(SC)
d (GL)

Tratamie SCTr I-1 MCTr=SCTr/(I-1) Fc=MCTr/MCE Fα, I-1, I(J-1)

ntos
Error SCE I*(J-1) MCE=SCE/(I*(J-1))
Total SCT I*J-1

Criterio de Rechazo

13
Rechazar H 0 si:

F c > F ∝ O p<alfa

Método Tukey para identificar μi significativamente diferente

(Ver Nota)

Paso 1

Seleccione ∝ y encuentre Q∝ ,I ,I (J−1) en la tabla de rango estudentizado

Paso 2

Determine w=Q α , I , I (J −1)

√ MCE
J

Paso 3

Haga una lista de medias muestrales en orden creciente del valor de esta y subraye los pares
que difieran en menos de w . Cualquier par de medias muestrales no subrayadas por la
misma línea corresponde a un par de medias de tratamiento o población juzgada
significativamente diferente.

Nota: tomado de:

Jay L. Devore, Probabilidad y Estadística para ingeniería y ciencias, quinta edición, thomsom,
pag411.

14
Diseño de Experimentos de Dos Factor.

Variables

i Dimensiones de la variable A
j Dimensiones de la variable B
k Repeticiones
n=IJK
Hipótesis Nula de la variable A
H 0 : μ1.=μ 2.=… …=μ I .
Hipótesis Alternativa de la variable A
H 1 : μ 1. ≠ μ2. ≠ … … ≠ μ I .
Hipótesis Nula de la variable B
H 0 : μ.1=μ .2=… …=μ. J
Hipótesis Alternativa de la variable B
H 1 : μ .1 ≠ μ.2 ≠ … … ≠ μ .J
Hipótesis Nula de la interacción de variables

H 0 : μ11=μ12=…=μ1 j=.. μij =μi

Hipótesis Alternativa de la interacción de variables
H 1 : μ 11 ≠ μ 12 ≠ …≠ μ1 j ≠ ..≠ μij
Media de las Medias
I J K

∑ ∑ ∑ y ijk
i=1 j=1 k=1
y …=
IJK

Media de la variable A
J K

∑ ∑ y ijk
y i ..= j =1 k=1
JK

Media de la variable B

I K

∑ ∑ yijk
i=1 k=1
y . j .=
IK

Media de la interacción de las variables

15
 I J K

∑ ∑ ∑ yijk
y ij .= i=1 j=1 k=1
K

Suma de cuadrados Totales

I J K
SCT =SCA + SCB+ SCAB+ SCE=∑ ∑ ∑ ( y ijk − y …)
2

i=1 j =1 k=1

Suma de Cuadrados de los errores

I J K
SCE=∑ ∑ ∑ ( yijk − y ij . )2
i=1 j=1 k=1

Suma de Cuadrados de la variable A

I
SCA=JK ∑ ( y i ..− y … )2
i=1

Suma de cuadrados de la variable B

J
SCB=IK ∑ ( y . j . − y …) 2
j=1

Suma de cuadrados de la Interacción de las variables A y B

I J
SCAB=K ∑ ∑ ( y ij. − y i ..− y . j . + y … )2
i =1 j=1
ANOVA

Suma de
Fuente de Grados de
Cuadrados Varianza (MC) F Calculada ( F c) F∝
Variación Libertad (GL)
(SC)

Variable A SCA i-1 MCA=SCA/(I-1) Fa=MCA/MCE F α , ( I−1) , IJ (K−1)

Variable B SCB j-1 MCB=SCB/(J-1) Fb=MCB/MCE F α , (J −1) , IJ (K−1)

MCAB=SCAB/(I-1) *(J-
Interacción SCAB (i-1) *(j-1) Fab=MCAB/MCE F α , ( I−1) (J −1 ) ,IJ ( K−1)
1)

Error SCE I*j*(k-1) MCE=SCE/(I*J*(K-1))

Total SCT I*j*k-1

Criterio de Rechazo

16
Rechazar H 0 si:

F c > F ∝ o p<alfa

Método Tukey para identificar μij significativamente diferente

(Ver Nota)

Paso 1

Para comparar niveles del factor A, obtenga Qα , I , IJ (K−1)

Para Comparar niveles del factor B, obtenga Q ∝ ,J , IJ (K −1)

Para comparar niveles de la interacción, obtenga Q∝ , ( I−1) (J −1) , IJ (K−1)

Paso 2

Determine w

Para la variable A

w A=Q ∝, I , IJ (K−1)
√ MCE
JK

Para la variable B

w B =Q ∝, J , IJ (K−1)
√ MCE
IK

Para la interacción

w AB=Q ∝ , IJ , IJ (K−1)
√ MCE
K

Paso 3

Haga una lista de medias muestrales en orden creciente del valor de esta y subraye los pares
que difieran en menos de w . Cualquier par de medias muestrales no subrayadas por la
misma línea corresponde a un par de medias de tratamiento o población juzgada
significativamente diferente.

Nota: tomado de:

Jay L. Devore, Probabilidad y Estadística para ingeniería y ciencias, quinta edición, Thomson,
pag435.

17
Diseño de Experimentos de Tres Factores.

Variables

i Dimensiones de la variable A
j Dimensiones de la variable B
k Dimensiones de la variable C
l Repeticion
n=IJKL
Hipótesis Nula de la variable A
H 0 : μ1.. =μ2.. =… …=μI ..
Hipótesis Alternativa de la variable A
H 1 : μ 1.. ≠ μ 2.. ≠ … … ≠ μ I ..
Hipótesis Nula de la variable B
H 0 : μ.1. =μ.2. =… …=μ. J .
Hipótesis Alternativa de la variable B
H 1 : μ .1. ≠ μ .2 . ≠ … … ≠ μ. J .
Hipótesis Nula de la variable C
H 0 : μ..1 =μ..2=… …=μ.. K
Hipótesis Alternativa de la variable C
H 1 : μ ..1 ≠ μ ..2 ≠ … …≠ μ.. K
Hipótesis Nula de la interacción de las variables AB
H 0 : μ11.=μ21. =… …=μ I 1. =… …=μ 12.=… …=μ IJ .
Hipótesis Alternativa de la interacción de las variables AB
H 1 : μ 11. ≠ μ21. ≠ … …=μ I 1. ≠ … …≠ μ12. ≠ … …≠ μ IJ .
Hipótesis Nula de la interacción de las variables AC
H 0 : μ1.1=μ2.1 =… …=μ I .1 =… …=μ 1.2=… …=μ I . K
Hipótesis Alternativa de la interacción de las variables AC
H 1 : μ 1.1 ≠ μ2.1 ≠ … …≠ μ I .1 ≠ … … ≠ μ1.2 ≠ … …≠ μ I . K
Hipótesis Nula de la interacción de las variables BC
H 0 : μ.11=μ.21 =… …=μ .J 1 =… …=μ .12=… …=μ. JK
Hipótesis Alternativa de la interacción de las variables BC
H 1 : μ .11 ≠ μ.21 ≠ … …≠ μ. J 1 ≠ … … ≠ μ.12 ≠ … … ≠ μ. JK
Hipótesis Nula de la interacción de las variables ABC
H 0 : μ111 =μ 211=… …=μ I 11=… …=μ121 =… …=μ IJ 1 =… …=μ IJK
Hipótesis Alternativa de la interacción de las variables ABC
H 1 : μ 111 ≠ μ211 ≠ … … ≠ μI 11 ≠ … …≠ μ121 ≠ … … ≠ μ IJ 1 ≠ … … ≠ μ IJK

18
Media de las Medias
I J K L

∑ ∑ ∑ ∑ y ijkL
i=1 j=1 k=1 l=1
Y . …=
IJKL

Media de la variable A
J K L

∑ ∑ ∑ y . jkl
y i … = j=1 k=1 l=1
JKL

Media de la variable B

I K L

∑ ∑ ∑ y i .kl
i=1 k=1 l=1
y . j ..=
IKL
Media de la variable C

I J L

∑ ∑ ∑ y ij. l
y .. k . = i=1 j=1 l=1
IJL

Media de la variable AB
I J

∑ ∑ y .. kl
i =1 j=1
y ij ..=
KL

Media de la variable AC

I K

∑ ∑ y .. kl
y i .k . = i=1 k=1
JL
Media de la variable BC

J K

∑ ∑ y i .. l
j=1 k=1
y . jk .=
IL

Media de la variable ABC

19
 L

∑ y …l
y ijk . = l=1
L

Suma de cuadrados Totales

I J K L
SCT =SCA + SCB+ SCC + SCAB+ SCAC + SCBC+ SCABC +SCE=∑ ∑ ∑ ∑ ( yijkl −Y …. )
2

i=1 j=1 k=1 l=1

Suma de Cuadrados de los errores

I J K L
SCE=∑ ∑ ∑ ∑ ( y ijkl− y ijk . )2 =SCT −(SCA + SCB+ SCC + SCAB+ SCAC + SCBC+ SCE )
i=1 j=1 k=1 l =1

Suma de Cuadrados de la variable A

I
SCA=JKL ∑ ( yi ... −Y … )2
i=1

Suma de cuadrados de la variable B

J
SCB=IKL ∑ ( y . j ..−Y …)2
j=1
Suma de cuadrados de la variable C
K
SCC=IJL ∑ ( y .. k . −Y … )2
k=1

Suma de cuadrados de la Interacción de las variables A y B

I J
SCAB=KL ∑ ∑ ( y ij ..− y i ...− y . j .. +Y . …)2
i=1 j=1

Suma de cuadrados de la Interacción de las variables A y C

I K
SCAC=JL ∑ ∑ ( y i .k . − y i ...− y .. K . +Y . … ) 2
i=1 k=1

Suma de cuadrados de la Interacción de las variables B y C

J K
SCBC=IL ∑ ∑ ( y . jk .− y . j ..− y .. K . +Y .… )
2

j=1 k=1

Suma de cuadrados de la Interacción de las variables ABC

20
 I J K
SCABC=L ∑ ∑ ∑ ( y ijk . − y ij.. − y i .k . − y . jk . + y i ... + y . j ..+ y .. K . −Y . … )2 =SCT −(SCA + SCB+ SCC + SCAB+ SC
i=1 j=1 k=1

ANOVA

Suma de
Fuente de Grados de
Cuadrados Varianza (MC) F Calculada ( F c) F∝
Variación Libertad (GL)
(SC)

Variable A SCA i-1 MCA=SCA/(i-1) FCA=MCA/MCE F α , ( I−1) , IJK (L−1)

Variable B SCB j-1 MCB=SCB/(j-1) FCB=MCB/MCE F α , (J −1) , IJK (L−1)

Variable C SCC k-1 MCC=SCC/(k-1) FCC=MCC/MCE F α , ( K−1) , IJK ( L−1)

Interacción
SCAB (i-1) *(j-1) MCAB=SCAB/((i-1) *(j-1)) FCAB=MCAB/MCE F α , ( I−1) (J −1 ) ,IJK (L−1 )
AB

Interacción
SCAC (i-1) *(k-1) MCAC=SCAC/((i-1) *(k-1)) FCAC=MCAC/MCE F α ,(I−1)( K−1), IJK (L−1)
AC

Interacción
SCBC (j-1) *(k-1) MCBC=SCBC/((j-1) *(k-1)) FCBC=MCBC/MCE F α ,(J −1)(K −1), IJK (L−1)
BC

Interacción (i-1) *(j-1) *(k-

SCABC 1)
MCABC=SCABC/((i-1) *(j-1) *(k-
1)) FCABC=MCABC/MCE F α ,(I−1)(J −1 )( K −1) , IJK (L−1)
ABC

Error SCE i*j*k*(L-1) MCE=SCE/(i*j*k*(L-1))

Total SCT i*j*k*L-1

Criterio de Rechazo

Rechazar H 0 si:

F c > F ∝ o p<alfa

21
Método Tukey para identificar μijk significativamente diferente
(Ver Nota)

Paso 1

Para comparar niveles del factor A, obtenga Qα , I , IJK (L−1)

Para Comparar niveles del factor B, obtenga Q∝ ,J , IJK (L−1)

Para Comparar niveles del factor C, obtenga Q∝ , K , IJK (L−1)

Para comparar niveles de la interacción AB, obtenga Q∝ , ( I−1) (J −1) , IJK (L−1)

Para comparar niveles de la interacción AC, obtenga Q ∝ , ( I−1) (J −1) , IJK (L−1)

Para comparar niveles de la interacción BC, obtenga Q ∝ , ( J−1) ( K−1) , IJK (L−1)

Para comparar niveles de la interacción ABC, obtenga Q∝ , ( I−1) (J −1)(K −1), IJK (L−1)

Paso 2

Determine w

Para la variable A

w A=Q α ,I , IJK (L−1)

√ MSE
JKL

Para la variable B

w B =Q ∝, J , IJK (L−1)
√ MSE
IKL

Para la variable C

w C =Q ∝ , K , IJK (L−1)
√ MSE
IJL

22
Para la interacción AB

w AB=Q∝ , IJ , IJK (L−1)

√ MSE
KL

Para la interacción AC

w AC =Q ∝ ,IK , IJK (L−1)

√ MSE
JL

Para la interacción BC

w BC =Q ∝ , JK , IJK ( L−1)
√ MSE
IL

Para la interacción ABC

w ABC =Q∝, IJK , IJK (L−1)

√ MSE
L

Paso 3

Haga una lista de medias muestrales en orden creciente del valor de esta y subraye los pares
que difieran en menos de w . Cualquier par de medias muestrales no subrayadas por la
misma línea corresponde a un par de medias de tratamiento o población juzgada
significativamente diferente.

Nota: tomado de:

Jay L. Devore, Probabilidad y Estadística para ingeniería y ciencias, quinta edición, thomsom,
pag435.

23
Intervalo de confianza

El intervalo de confianza para la media para muestras pequeñas (n<=30) es:

s s
x−t α ≤ μ ≤ x +t α
2 √n 2 √n

Intervalo para un factor.

El intervalo de confianza para la media es:

Intervalo para dos factores

El intervalo de confianza para la media es:

x tiro maslargo −t ∝/2 , ij(k−1)

√ MCE
k √
≤ μ ≤ x tiro maslargo +t ∝ /2 ,ij(k−1)
MCE
k

Intervalo para tres factores.

El intervalo de confianza para la media es:

x tiro maslargo −t ∝/2 , ijk(l−1)

√ MSE
l √
≤ μ ≤ x tiromas largo + t ∝/ 2 ,ijk (l −1 )
MSE
l

Diseño de bloques completamente aleatorizados

24
Modelo

donde

Yij es la medición que corresponde al tratamiento i y al bloque j

µ es la media global poblacional

τi es el efecto debido al tratamiento i

γj es el efecto debido al bloque j

εij es el error aleatorio atribuible a la medición Y ij.

Se supone que los errores se distribuyen de manera normal con media cero y varianza
constante σ2 [N (0, σ2)], y que son independientes entre sí.

Datos en un diseño de bloques

Hipótesis

H 0 : μ1=μ2=μ 3=...=μ k =μ

H 1 : μ i ≠ μ j para algúni≠ j

Suma de cuadrados

Anova

25
Criterio de Rechazo

Rechazar H 0 si:

F c > F ∝ o p<alfa

26
Diseño en bloques cuadro latino (DCL)
Características

 Las unidades experimentales se distribuyen en grupo, bajo dos criterios de

homogeneidad dentro de la fila y dentro de la columna y heterogeneidad en otra
forma.
 En cada fila y en cada columna, el número de unidades es igual al número de
tratamientos.
 Los tratamientos son asignados al azar en las unidades experimentales dentro de cada
fila y dentro de cada columna.
 El número de filas = número de columnas = número de tratamientos.
 La desviación estándar de la diferencia de promedios y la desviación estándar del
promedio, están en función del cuadrado medio del error experimental.

Procedimiento

1. Se elige aleatoriamente un cuadrado latino de los disponibles.

2. Se asigna aleatoriamente el orden de los renglones y columnas.
3. Se asignan aleatoriamente los tres factores a las filas, columnas y letras,
respectivamente.

Datos en un diseño en cuadro latino

Modelo

En donde:

Donde Yijl es la observación o respuesta que se encuentra en el tratamiento i (i-ésima letra

latina), en el renglón j, en la columna l.

τi es el efecto del tratamiento i.

γj es el efecto del renglón j.

δl representa el efecto de la columna l.

El término εijl representa el error aleatorio atribuible a la medición Y ijl.

27
Nota importante:

Es importante no confundir las letras griegas del modelo que representan efectos, con las
letras griegas en el diseño que simbolizan a los niveles del tercer factor de bloque.

Hipótesis Nula

H 0 : μ1=μ2=μ 3=...=μ k =μ

H 1 : μ i ≠ μ j para algún i≠ j

Suma de Cuadrados

ANOVA

Criterio de Rechazo

Rechazar H 0 si:

F c > F ∝ o p<alfa

28
Diseño de bloques cuadro grecolatino (DCGL)

Características

 Con el diseño en cuadro grecolatino (DCGL) se controlan tres factores de bloque,

además del factor de tratamientos.
 Se llama cuadro grecolatino porque los cuatro factores involucrados se prueban en la
misma cantidad de niveles, de aquí que se pueda escribir como un cuadro.
 Se utilizan letras latinas para denotar a los tratamientos y letras griegas para nombrar
a los niveles del tercer factor de bloque.
 Al igual que en el cuadro latino, cada letra (latinas y griegas) debe aparecer sólo una
vez en cada renglón y en cada columna.

Modelo

Y ijlm=μ+ τ i +γ j + δ l +φ m+ ε ijlm

En donde:

Donde Yijlm es la observación o respuesta que se encuentra en el tratamiento i (i-ésima letra

latina), en el renglón j, en la columna l y en la m-ésima letra griega.

τi es el efecto del tratamiento i.

γj es el efecto del renglón j.

δl representa el efecto de la columna l.

ϕm representa el efecto de la m-ésima letra griega, que son los niveles del tercer factor de
bloque.

El término εijlm representa el error aleatorio atribuible a la medición Yijlm.

Hipótesis Nula

H 0 : μ1=μ2=μ 3=...=μ k =μ

H 1 : μ i ≠ μ j para algúni≠ j

Datos en un diseño en cuadro grecolatino

29
Las letras latinas del modelo representan efectos, con las letras griegas en el diseño simbolizan
a los niveles del tercer factor de bloque

ANOVA

Criterio de Rechazo

Rechazar H 0 si:

F c > F ∝ o p<alfa

30
Diseño factorial general 2k

Uso de estos modelos:

 En diseños industriales es frecuente considerar dos niveles para cada uno de los
factores que pueden intervenir en el diseño experimental.
 Un diseño con k factores que tienen dos niveles requiere un número de replicaciones
igual a 2k observaciones.
 En este tipo de modelos se asume que los efectos son fijos y la aleatorización completa
y se consideran las mismas restricciones que en el caso de los diseños factoriales
típicos.

Diseño general

 El caso general del diseño 2k, en el cual se consideran k factores con dos niveles cada
uno, y tiene 2k puntos de diseño. Las k columnas y 2k renglones que componen la
matriz para este diseño, considerando una réplica, se construyen de la siguiente
manera:
o En la primera columna, que corresponde a los niveles del factor A, se alternan
signos + y –, empezando con – hasta llegar a los 2k renglones;
o En la segunda columna se alternan dos signos menos con dos signos más;
o En la tercera, se alternan cuatro signos menos y cuatro signos más, y así
sucesivamente hasta la k-ésima columna compuesta por 2k – 1 signos –, se
guidos de 2k – 1 signos +.
 Nótese que el número de tratamientos siempre es potencia de dos (4, 8, 16 y 32).

Notación para diseños factoriales 2k

En la siguiente tabla se muestra la familia de diseños factoriales 2 k (k ≤5).

31
Estimación de contrastes, efectos y sumas de cuadrados

El contraste de cada efecto se obtiene al multiplicar su columna de signos por la columna de

totales expresados en la notación de Yates. Con los contrastes se procede a estimar los efectos
mediante la fórmula:

para el cual su suma de cuadrados con un grado de libertad está dada por:

donde n es el número de réplicas del experimento.

Hipótesis

H0: efecto = 0 vs

H1: efecto ≠ 0

Así, cuando se rechaza la hipótesis nula, se concluye que un efecto está activo, significa que es
estadísticamente diferente de cero.

32
Diseño factorial general 22
 Se consideran dos factores A y B con dos niveles:
o bajo: 0
o alto: 1
 Los niveles altos de los factores se representan mediante las letras a y b
respectivamente y los niveles bajos se representan por la ausencia de dichas letras. Si
ambos niveles son bajos se considera un valor igual a (1).

( 0,0 ) ⟹ ( 1 )

( 1,0 ) ⟹ a

( 0,1 ) ⟹ b

( 1,1 ) ⟹ ab

Notación de Yates

 La notación de Yates [(1), a, b, ab] tiene un significado diferente a las demás: con ella
se representa el total o la suma de las observaciones en cada tratamiento, más que al
tratamiento mismo.
 Hay que observar que la lógica de la notación de Yates es la siguiente: si una letra
minúscula está presente, entonces el factor correspondiente se encuentra en su nivel
alto; si está ausente, el factor está en su nivel bajo; por ejemplo, ab se refiere al
tratamiento en el que los factores A y B están en su nivel alto.

Representación del diseño factorial 22

Efectos

(1), a, b y ab son las respuestas para las n réplicas. Los efectos medios de A y B son:

33
El efecto de la interacción AB se define como la diferencia media entre el efecto de A al nivel
alto de B, y el efecto de A al nivel bajo de B:

En general, se trata de medir la importancia y el efecto de los factores que intervienen, en

términos de la magnitud y del signo de los efectos anteriores.

Suma de cuadrados

Hipótesis

Cada una contra la alternativa de que el efecto en cuestión es diferente de cero.

ANOVA

Criterio de Rechazo

Rechazar H 0 si:

34
F ¿ > F ∝ o p<alfa

35
Diseño factorial general 23

Supongamos que se tienen tres factores binarios A, B y C. El número de posibles

combinaciones es 8, y con n replicaciones se tiene un total de 8n observaciones.

Para calcular los efectos se puede usar la siguiente tabla o matriz de diseño:

Representación gráfica

Tabla de signos del diseño factorial 23

36
Estimación de Efectos

Contraste

Suma de Cuadrados

ANOVA

Factor de Suma de Grados de Varianza (CM) F*

variación cuadrados (SC) libertad
Factor A SCA 1 CMA CMA/CME
Factor B SCB 1 CMB CMB/CME
Factor C SCC 1 CMC CMC/CME
Interacción AB SCAB 1 CMAB CMAB/CME
Interacción AC SCAC 1 CMAC CMAC/CME
Interacción BC SCBC 1 CMBC CMBC/CME
Interacción ABC SCABC 1 CMABC CMABC/CME
3
Residual SCE 2 (n-1) CME
Total SCT n23-1

Criterio de Rechazo

Rechazar H 0 si:
¿
F > F ∝ o p<alfa

37
Clasificación de los métodos de pronósticos

Métodos de Pronostico

Cuantitativos Cualitativos

Causales Series Temporales

Suavización Proyección de Tendencia Proyección de Tendencia

ajustada por influencia
estacional

38