El diseño de experimentos (DOE según sus siglas en inglés) es un método de trabajo empleado por

entidades de todos los sectores para conocer cómo funciona un proceso, estudiar las variables que le
afectan y, empleando herramientas estadísticas, obtener la información necesaria para su mejora.
¿Para qué sirve la experimentación?
acelerar el proceso De diseño y desarrollo de nuevos productos y procesos. Mejorar el rendimiento de los
procesos existentes. Aumentar la fiabilidad y el rendimiento de los productos. Evaluar materiales,
opciones de diseño, tolerancias de componentes y sistemas, entre otros aspectos. Establecer la robustez
tanto en productos como en procesos.
Robustez.
La robustez es crucial tanto en estadística como en diseño experimental. Se trata de garantizar que
nuestras técnicas no se vean afectadas por datos inesperados. Es como contar con una seguridad que nos
ayuda a obtener resultados precisos, sin importar lo que ocurra durante el análisis.
¿Qué es el diseño de experimentos?
Es una metodología estadística y científica que busca optimizar la recolección de datos en situaciones de
estudio, permitiendo identificar relaciones causa efecto de manera eficiente y precisa. Este enfoque
implica la planificación cuidadosa de los experimentos, la manipulación de variables de interés y la
observación de los resultados para sacar conclusiones válidas y confiables.
Algunos ejemplos son. Aerodinámica del automóvil. Los equipos de Fórmula 1 utilizan el diseño de
experimentar. Para obtener diferentes configuraciones aerodinámicas en el túnel de viento y simulaciones
por computadora. Ajustan factores como el ángulo del alerón delantero y trasero. La forma de los
conductos de enfriamiento y la distribución de la carga de aerodinámica para maximizar la velocidad y el
agarre del automóvil y en diferentes condiciones de pista.
Desarrollo de neumáticos. Los fabricantes de neumáticos como Pirelli. Utilizan el diseño de experimentos
para probar diferentes compuestos de caucho, estructuras internas y dibujos de la banda de rodadura en
condiciones controladas de laboratorio y en pistas de prueba. Estos les permite desarrollar neumáticos que
proporcionen el mejor equilibrio entre agarre, durabilidad y resistencia al desgaste en diversas
condiciones de pista y clima.
Optimización del tren motriz. Los equipos de ingenieros de la Fórmula 1 utilizan el diseño de
experimentos para probar y ajustar los parámetros del motor, la transmisión, los sistemas de recuperación
de energía. Experimentan configuraciones de mapeo del motor, relaciones de cambio de marcha y
estrategias de gestión de la energía para maximizar la potencia, la eficiencia y la confiabilidad del tren
motriz.
Estrategia de carrera. Los equipos de Fórmula 1 emplean el diseño de experimentos para simular y
optimizar diferentes estrategias de carrera. Utilizan datos históricos, Modelos de rendimiento del
automóvil y condiciones de pista simulada para evaluar como diferentes estrategias de paradas en boxes.
Gestión de neumáticos y configuraciones de alerones pueden afectar el resultado de la carrera en función
de variables como el clima, la posición en parrilla y el rendimiento de los competidores.
En la actualidad. La importancia de la tecnología En el diseño de experimentos hoy en día es innegable.
Especialmente cuando se compara con la tradicional de realizar experimentos. Aquí hay algunos puntos
claves que resaltan esta importancia.
Mayor eficiencia y velocidad. La tecnología moderna permite la recopilación y el análisis de datos a una
velocidad mucho más rápida que en el enfoque tradicional. Los dispositivos avanzados de medición y las
herramientas de análisis de datos automatizadas pueden procesar grandes cantidades de datos en tiempo
real, lo que acelera el proceso de experimentación.
Precisión y exactitud mejoradas. Los instrumentos y equipos tecnológicos de última generación suelen
ofrecer una mayor precisión y exactitud en la medición de variables experimentales. Esto reduce la
probabilidad de errores humanos y garantiza la fiabilidad de los resultados obtenidos.
Exploración de múltiples variables. La tecnología moderna facilita la manipulación y el control de
múltiples variables experimentales y multivariante. Esto permite realizar experimentos más complejos y
detallados que exploran la interacción de diferentes factores, lo que puede proporcionar una comprensión
más profunda de los fenómenos estudiados.
Simulación y modelado Avanzados. Los avances en software de simulación y modelado permiten a los
investigadores crear modelos predictivos precisos de fenómenos complejos antes de llevar a cabo
experimentos reales. Esto ayuda a optimizar el diseño de experimental y a identificar áreas de interés para
la investigación.
Análisis de datos avanzados. La herramienta del análisis de datos avanzadas, como la inteligencia
artificial del aprendizaje automático, pueden identificar patrones y tendencias en conjuntos de datos
complejos que podían pasar desapercibidos para los métodos tradicionales. Esto permite extraer
conocimientos más profundos y significativos de los experimentos realizados.
Que se contempla en la asignatura diseños y experimentos y optimización.
unidad 1, análisis multivariante y diseño factorial para la optimización de procesos.
Introducción al diseño de experimentos.
Experimentos con un solo factor y diseños de bloques.
Diseños factoriales.
Optimización de procesos con metodología de superficie de Respuesta.
Unidad dos. El planteamiento de proyectos de investigación.
Aplicación de la metodología de investigación considerando diseños experimentales.
¿Para qué sirven los diseños experimentales?
¿Comparar alternativas? Llevar a cabo un diseño experimental le permite examinar diferentes
alternativas. Ayuda a tomar una decisión informada sobre qué usar o qué cambiar. Esta metodología
también puede utilizarse para descubrir la mejor combinación de alternativas en el Experimento.
Maximizar la respuesta del proceso. Con el diseño de experimentos se comprueban los factores y sus
niveles y se ve cuál de ellos. Cuando se utiliza dando la calidad exacta en la respuesta.
Reducir las variaciones. Las variaciones excesivas en el proceso son causa de gastos adicionales. Afecta
la duración del ciclo que provoca diferentes calidades. Con el Diseño de experimentos, se identifican los
factores, se interpretan las respuestas y se eliminan o modifican los residuos.
Mejora de los procesos. La realización de un diseño de experimentos puede descubrir problemas
importantes que normalmente pasan por alto al realizar un experimento. Estas áreas se corregirán,
mejorando así el proceso.
Evaluar el efecto de los cambios. Con el diseño de experimentos se pueden determinar los efectos de los
cambios realizados con los factores y sus niveles que influyen en la respuesta.
Control de calidad. El diseño de experimentos también puede ayudar a mejorar la eficiencia de la
fabricación e identificando factores que reduzcan el uso de materiales y energía, los costes y el tiempo de
espera.
¿Por qué es importante planear un experimento?
Importancia de planear un experimento.
Planear un experimento es crucial debido a la limitación de recursos, ya que permite obtener la máxima
cantidad de información posible de cada prueba.
Los experimentos bien diseñados generan más información y suelen requerir menos pruebas que los
experimentos no planificados. Además, garantizan la evaluación de efectos importantes como la
interacción de variables, las cuales no se pueden estimar con un enfoque de un factor a la vez.
Una planeación cuidadosa ayuda a evitar problemas durante la ejecución de experimentos, como la
disponibilidad de personal Equipos. Financiamiento y aspectos mecánicos del sistema. Si el proyecto
tiene baja prioridad, es recomendable realizar pequeños experimentos secuenciales para evitar la pérdida
de datos si se necesita reasignar recursos.
¿Qué es la identificación del proceso?
En el desarrollo de procesos y productos se emplea la identificación de procesos o cribado. Para reducir el
número de variables, identificando Las más importantes que afectan a este. Esto permite enfocar los
esfuerzos de mejora en estos factores clave.
Cribado. Es una técnica utilizada para identificar y seleccionar los factores más importantes que influyen
en una respuesta o resultado específico en un proceso o sistema. Este proceso es crucial cuando se trabaja
con un gran número de variables potenciales y se busca determinar cuál de ellas tiene un efecto
significativo para luego enfocarse en ellas en estudios más detallados en optimización del proceso.
Objetivo del cribado. Identificación de factores relevantes, determinar cuál de los muchos factores
posibles tienen un impacto significativo en la respuesta.
Reducir el número de variables. Simplificar el problema experimental eliminando factores insignificantes,
lo que ahorra tiempo y recursos.
Preparación para estudios posteriores, provee una base para estudios de optimización más detallada al
enfocarse en los factores significativos.
Métodos comunes de cribado.
Diseños factoriales fraccionados. Utilizados para estudiar los efectos de varios factores simultáneamente,
mientras se realizan solo una fracción de todos los experimentos posible. Los diseños factoriales
fraccionados permiten estimar los efectos principales y en algunos casos, interacciones de primer orden.
Diseño Plackett. Blackburn. Son diseños especiales para cribado que permiten evaluar un número
relativamente Grande de factores, con un número reducido de experimentos. Estos diseños son eficaces
para identificar los efectos principales.
Diseño de Taguchi. Utilizan matrices ortogonales para estudiar un gran número de variables con un
número reducido de experimentos. Son particularmente útiles en la mejora de la calidad.
Análisis de sensibilidad. Métodos estadísticos y matemáticos para determinar cómo las variaciones en los
factores de entrada afectan la respuesta.
¿Como diseñamos un experimento?
Principios básicos de la experimentación.
Definir el problema. Implica establecer claramente cuál es el objetivo o la pregunta que se quiere
responder con el experimento. Esto implica identificar de manera precisa cuál es la información que se
busca obtener. Es trazar un mapa que guiará todo el proceso experimental. Es esencial comprender
completamente el problema para poder diseñar y ejecutar el experimento de manera efectiva y obtener
conclusiones significativas.
Planificar el experimento. Consiste en diseñar cuidadosamente un estudio para investigar una o más
hipótesis o preguntas de investigación. Por ejemplo, en el contexto de la ingeniería automotriz, esto
implica definir los Objetivos del experimento. Seleccionar los factores y niveles a estudiar. Determinar el
diseño experimental, adecuado y planificar Cómo se recogerán y analizarán los datos
para esto se involucra varios componentes que incluyen. Realizar una revisión bibliográfica, realizar un
análisis analítico. Seleccionar las variables a medir. Seleccionar los instrumentos a utilizar en el
experimento. Estimar las incertidumbres experimentales, seleccionar o diseñar una matriz de pruebas.
Diseñar la configuración de pruebas y el procedimiento. Experimental.
Existen otros factores que deben considerarse al realizar un experimento, como el costo, cronograma y el
personal involucrado y matriz de ensayo.
Los experimentos en los que solo se varía un parámetro a la vez son ineficientes, especialmente cuando
existe interacción entre los parámetros. Existen metodologías mediante los cuales todos los parámetros se
varían simultáneamente para reducir el número necesario de ejecuciones experimentales. Estas
metodologías se conocen como diseño de experimentos.
Análisis factorial. Es un enfoque experimental en el cual se consideran múltiples parámetros cada uno con
un número determinado de niveles para ser probada. Sea.
¿P el número de parámetros que se están evaluando?
L indica el número de niveles que se probarán para cada parámetro.
Un análisis factorial completo es un enfoque en el cual se investiga en todas las combinaciones posibles
de niveles de todos los parámetros de interés, permitiendo examinar tanto los efectos individuales de cada
parámetro como interacción. Con otros parámetros de manera exhaustiva.
Análisis factorial completo.
Número de combinaciones. Si se tiene P parámetros cada 1 con L niveles, el número total de
combinaciones posibles es L elevado a la P.
Cobertura completa. Todas las combinaciones posibles de los parámetros y sus niveles se investigan.
Proporcionando una visión completa de cómo cada parámetro y sus interacciones afectan el resultado.
Detección de interacciones. Este enfoque permite identificar no solo los efectos principales de cada
parámetro, sino también las posibles interacciones entre ellos.
Rigor. Debido a que se examinan todas las combinaciones posibles, este método es muy riguroso y
preciso, proporcionando una base sólida para conclusiones y decisiones.
La desventaja principal es que el número de experimentos necesario puede crecer exponencialmente con
el número de parámetros y niveles. Lo que puede hacer que un análisis factorial completo sea impráctico
en términos de tiempo y recursos para un gran número de parámetros o niveles. En estos casos se puede
usar como el análisis factorial reducido para mantener la eficiencia sin sacrificar demasiada precisión.
¿Cuáles son los componentes de un diseño experimental?
Factores o parámetros de entrada. Pueden clasificarse como variables controlables o no controlables.
Variables controlables, Estas son las variables que pueden ser modificadas o ajustadas durante un
experimento o proceso.
Variables no controlables, son aquellas que no pueden ser modificadas directamente durante el
experimento, pero que aún pueden influir en los resultados.
Niveles o ajustes de cada factor. Representan las diferentes configuraciones o valores que se utilizarán en
el experimento.
Respuestas. Son los resultados del proceso experimental que miden el efecto deseado.
Variables controlables.
Relación aire combustible. La proporción de aire y combustible que introduce en la Cámara de
combustión.
Avance de ignición. El momento en que se enciende la mezcla de aire combustible antes del punto muerto
superior del pistón.
Presión del turbo. La presión del aire adicional suministrada por el turbocompresor al motor.
Variables no controlables.
Duración de la inyección de combustible. El tiempo durante el cual se inyecta combustible en la Cámara
de combustión.
Temperatura del refrigerante. La temperatura a la cual se mantiene el refrigerante del motor.
Condiciones ambientales. Factores como la temperatura exterior, la humedad y la presión atmosférica.
Calidad del combustible. La pureza y composición del combustible utilizado.
Desgaste del motor. El estado de desgaste de las piezas internas del motor, que pueden variar con el
tiempo y el uso.
Vibraciones externas. Diversiones provenientes de otras partes del vehículo o del entorno, afectando el
rendimiento del motor.
Calidad del aire. La presencia de contaminantes o variaciones en la composición de aire que entra en la
Cámara de combustión.
Cargas eléctricas del vehículo. Variaciones en la demanda eléctrica del vehículo, debido al uso de
sistemas auxiliares como el aire acondicionados o sistemas de Entretenimiento.
Condiciones de aceite del motor. La viscosidad y la temperatura del aceite del motor pueden cambiar
durante el funcionamiento.
Respuestas.
Eficiencia del combustible. Óxidos de nitrógeno. Dióxido de carbono. Potencia del motor. Par motor.
Eficiencia térmica.
Otros tipos de variables.
Variables extrañas.
Condiciones climáticas. La temperatura y el clima pueden afectar la eficiencia del combustible.
Condiciones de la carretera. Superficie de la carretera, asfalto, grava y su Estado baches lisuras.
Hábito del conductor. Estilo de conducción agresiva. Suave.
Cargas del vehículo. Peso del vehículo debido a la carga transportada.
Variables de confusión.
Mantenimiento del vehículo, la frecuencia y la calidad del mantenimiento puede influir tanto en la
elección del aceite del motor. Como en la vida útil del motor.
Condiciones de conducción, la cantidad de kilómetros recorrido y el tipo de trayecto pueden afectar la
vida útil del motor y estar correlacionados con la elección del tipo de aceite.
Control de variables.
1. Diseño experimental cuidadoso. Usar diseños experimentales que minimicen la influencia de
variables extrañas. Por ejemplo, realizar pruebas de neumáticos en condiciones controladas del
clima y carretera.
2. Aleatorización. Asignar aleatoriamente diferentes tipos de aceite del motor a un grupo de
vehículos similares para estudiar su efecto en la vida útil del motor.
3. Emparejamiento. Emparejar vehículos con o sin ciertas tecnologías para estudiar su efecto en la
reducción de accidentes.
4. Análisis estadístico. Utilizar técnicas de regresión múltiple para ajustar los efectos de las
variables de confusión en los estudios.
¿Qué errores pueden afectar a un experimento?
Error experimental.
El error es la discrepancia entre el valor medido y el valor real o teórico de una magnitud. Representa la
diferencia en el resultado obtenido de un experimento y el valor verdadero o esperado. Este tipo de error
puede surgir por diversas razones y afecta a la precisión y la exactitud de los resultados experimentales.
Error sistemático. Surge de la manera Consistente. en todas las mediciones Debido a defectos en el
equipo. Procedimientos incorrectos o condiciones experimentales no controladas adecuadamente. Puede
efectuar la precisión y no se elimina. Promediando múltiples mediciones. Los errores sistemáticos pueden
cegar los resultados de manera consistente. Llevando a conclusiones erróneas sobre la relación entre los
factores y la respuesta.
Calibración incorrecta. Si los sensores de presión, temperatura o emisión no están correctamente
calibrados, puede introducir Un sesgo sistemático en las mediciones.
Desgaste del equipo. El desgaste de componentes del Banco de pruebas o del propio motor pueden afectar
la medición.
Error aleatorio. Es causado por variaciones aleatorias y no sistemáticas en el proceso de medición. Puede
deberse a fluctuaciones ambientales, instrumentos no perfectos o factores impredecibles. Puede reducir
mediante el promedio de múltiples mediciones. Los errores aleatorios aumentan la variabilidad de los
datos y pueden enmascarar la verdadera relación entre los factores y las respuestas, reduciendo la
precisión de los resultados.
Variaciones ambientales. Cambios en la temperatura, humedad o presión atmosférica durante las pruebas
pueden introducir variabilidad en las mediciones.
Inconsistencias en el combustible. Variaciones en la composición del combustible entre lotes pueden
causar fluctuaciones en el rendimiento del motor.
Error humano. Se refiere a errores causados por la intervención humana en el proceso experimental, como
la manipulación incorrecta de instrumentos. La interpretación errónea de datos o la realización de
procedimientos de manera incorrecta. Los errores humanos pueden introducir tanto errores sistemáticos
como aleatorios, afectando a la fiabilidad de la Reproducibilidad de los resultados experimentales.
Errores de registro. Anotaciones incorrectas de los datos de medición o niveles de factores aplicados.
Procedimientos incorrectos. No seguir el protocolo experimental de manera
Error de paralelas. El para adelante es otro tipo de error que puede afectar la precisión de las mediciones.
Este rol ocurre cuando la posición del observador o del instrumento de medición introduce una
discrepancia debido a la perspectiva visual o el ángulo de observación. Tanto los errores sistemáticos
como los aleatorios relacionados con paralaje pueden distorsionar los resultados experimentales y afectar
la precisión y reproducibilidad de los datos.
Indicadores analógicos. Si se usa un manómetro analógico para medir la presión del aceite y no se
observa directamente en el ángulo recto, puede causar lecturas incorrectas.
Mediciones visuales en la observación visual de un fenómeno a través de una ventana o pantalla, la
posición del observador puede afectar la precisión.
Error de instrumento. Los errores de instrumentos son desviaciones entre el valor medido por un
instrumento y el valor verdadero de la cantidad que se está midiendo. Estos errores pueden surgir debido a
diversas razones técnicas o de calibración. Siendo crucial entender cómo pueden afectar los resultados
experimentales en el contexto de un diseño de experimentos.
Errores de calibración. Los errores de calibración ocurren cuando un instrumento no está Correctamente
ajustado para coincidir con el estándar de referencia.
Error de lectura. Sucede cuando el observador lee incorrectamente la escala de un instrumento de
medición. Puede estar relacionado con la falta de precisión en la lectura de la posición de la aguja.
Errores de precisión y exactitud. La precisión se refiere a la capacidad de un instrumento para dar misma
lectura repetidamente bajo las mismas condiciones. Mientras que la exactitud se refiere a cuán cerca está
la lectura del verdadero Valor.
¿Aleatorios o estocásticos?
Es crucial entender la diferencia entre términos aleatorio y estocástico, ya que ambos se refieren a la
incertidumbre y comportamiento impredecible, pero en contextos diferentes.
Aleatorios, algo es considerado aleatorio cuando su resultado o valor no puede predecirse con certeza y
no sigue un patrón determinístico. Por ejemplo, en ingeniería automotriz, el término aleatorio se utiliza
para describir eventos o factores individuales en un vehículo que son impredecibles o no sigue un patrón
claro.
Fallos de componentes. La falta de una pieza específica del motor, como un sensor de oxígeno, puede ser
aleatoria si no se debe un patrón de desgaste o a 1 causa predecible.
Consumo instantáneo de combustible. El consumo de combustible en un instante específico durante un
trayecto puede considerarse aleatorio debido a la variabilidad de las condiciones de conducción.
El término estocástico se utiliza para describir procesos que tienen una estructura probabilística y que
evolucionan con el tiempo de una manera que involucran incertidumbre. En ingeniería automotriz
estocástico se aplica la modelización. Y análisis de procesos en los vehículos que dependen de múltiples
variables aleatorias a lo largo del tiempo.
Desgaste del motor. El desgaste de los componentes del motor a lo largo del tiempo puede ser modelado
como un proceso estocástico, considerando factores como la carga de trabajo, la frecuencia de
mantenimiento y las condiciones de operación.
Modelos de confiabilidad de confiabilidad y de un sistema automotriz completo puede ser modelada
estocásticamente tomando en cuenta la probabilidad de Falla de cada componente a lo largo del tiempo.
Variable aleatoria. Se utiliza para describir cualquier variable que tenga un conjunto de valores posibles
de una función de probabilidad o densidad de probabilidad asociada.
Variable estocástica se utiliza para describir una variable en la historia que está relacionada con el tiempo
o con el proceso secuencial. En otras palabras, una variable estocástica es una variable. Aleatoria cuyo
valor cambia con el tiempo, depende de eventos aleatorios anteriores.
Variables aleatorias. Se utilizan en probabilidad y estadística para estudiar y analizar fenómenos que
tienen una estructura no determinística y que evolucionan con el tiempo. Son herramientas fundamentales
para comprender el comportamiento de un sistema inciertos y toma de decisiones informadas en
situaciones de riesgo. Existen dos tipos de variables aleatorias, las variables aleatorias discretas y las
variables aleatorias continuas.
Las variables aleatorias discretas. En ingeniería automotriz son aquellas que solo pueden tomar un
número finito o contable de valores y se utilizan para modelar eventos o características que son inherentes
contable en un. Vehículo o sistema automotriz.
Número de veces que un freno a veces se activa en un viaje. Puede tomar valores como 0123, etc.
Dependiendo de la frecuencia con la que se activan los frenos ABS en un viaje específico.
Clasificación de la calidad de un componente, pueden tomar valores como 1 defectuoso. Dos aceptable, 3
bueno o cuatro excelentes.
Nivel de ruido en el interior del vehículo, puede tomar valores discretos como 50, 60, 70 decibeles, etc.
Muestra aleatoria. Es un subconjunto seleccionado de una población de manera que cada miembro de la
población tenga una probabilidad igual de ser incluido en la muestra. La idea fundamental detrás de una
muestra aleatoria es obtener una representación justa y no sesgada de la aprobación más amplia. En
estadística sesgada se refiere a una muestra que no representa de manera justa a la población total,
introduciendo errores sistemáticos que pueden distorsionar las conclusiones.
Los puntos que hablan de las muestras aleatorias son.
Probabilidad de ser seleccionada. En una muestra laboratorio, cada elemento de la población tiene la
misma probabilidad de ser seleccionada. Esto significa que cualquier subconjunto de la población tiene la
misma probabilidad de convertirse en una muestra.
Sesgos. La selección de elementos para la muestra se realiza de manera aleatoria, sin ningún patrón o
sesgo predefinido. Esto ayuda a garantizar la representatividad. De la muestra.
Independencia. La selección de un elemento no afecta la probabilidad de selección de otro. Cada
elemento se selecciona de forma independiente a los demás.
Objetivo de representatividad. El objetivo de utilizar una muestra aleatoria es obtener una muestra que
represente adecuadamente las características y la variabilidad de la población de interés. Una muestra
representativa permite hacer inferencias precisas sobre la población.
¿Cuáles son las diferencias entre los diseños experimentales y los no experimentales?
Los diseños experimentales se manipulan intencionalmente las variables independientes para observar su
efecto sobre una o más variables dependientes.
Se emplea en grupos divididos en al menos 1, Grupo experimental y un grupo de control.
Al grupo experimental se le aplica la manipulación de variables independientes, no siendo así en el grupo
de control.
Se busca establecer relaciones de causa efecto entre las variables.
Los diseños experimentales permiten un mayor grado de confianza que en los cambios observados en la
variable dependiente se deben la A la manipulación de la variable independiente y no a otros factores.
Diseños no experimentales.
No se manipulan las variables.

Se observan y miden las variables tal como ocurren en su contexto.

No se pueden establecer relaciones causales con certeza, solo asociaciones entre las variables.
Se utilizan métodos como encuestas, estudios de casos y estudios observacionales.
Permiten explorar relaciones entre variables en situaciones reales.
Los no experimentales tienen una validez interna más baja que los diseños experimentales, Debido a la
posibilidad de variables confoundling que influyen en los resultados.
Requisitos de diseños experimentales.
Manipulación de las variables independientes.
Medición de los efectos de las variables independientes en las variables dependientes.
Un mínimo de 2 grupos experimentales iguales menos en las variables independientes.
Algunas estadísticas descriptivas.
Media muestral.
El valor medido de una muestra aleatoria, también como conocida como la media Muestral o
simplemente la media. Es una medida estadística que representa el promedio de los valores de una
muestra específica extraída en una población más grande. Este valor se utiliza para estimar el valor medio
de toda la población.
Varianza muestral.
La varianza muestral es una medida estadística que representa la dispersión o variabilidad de los datos en
una muestra. Es una estimación de la varianza poblacional y se utiliza para describir cuán dispersos están
los valores en la muestra en relación con la media muestral.
Las propiedades de la media y la varianza Muestral son importantes en estadística y proporcionan
información sobre la tendencia central y la dispersión de los datos en una muestra.
Propiedades de la media muestral.
Representa el centro. La media muestral es una medida de tendencia central y representa el centro de la
muestra.
Sensible a Outliers. La media es afectada por valores atípicos, lo que puede hacer que no sea una medida
robusta en presencia de datos extremos.
Satisfacción de la suma cero. La suma de las desviaciones de cada dato respecto a la media muestral
siempre es cero.
Propiedades de la varianza muestral.
Mide la dispersión. La varianza muestral mide la dispersión o variabilidad de los datos de la muestra.
Corrección de Bessel. La presencia de. N menos 1. En el denominador. Ajusta la estimación de la
varianza poblacional y reduce el sesgo.
Cuadrado de la desviación estándar. La varianza muestral es el cuadrado de la desviación estándar
muestral, que es otra medida de dispersión.
No satisface la suma cero. A diferencia de la media, la suma de las desviaciones al cuadrado respecto a la
varianza muestral no es cero.
Independiente de la traslación. La varianza muestral es invariante ante la traslación.
Para calcular la media se debe listar los valores de resistencia. Sumar todos los valores. Dividir por el
número total de resistencias y obtener la media.
Para obtener la dispersión. Se calcula las desviaciones al cuadrado. Se resta la media de cada valor
individual se eleva al cuadrado cada una de estas desviaciones. Se suma las desviaciones al cuadrado
obtenidas en el paso a 1. Se divide por n. 1. Calcular la raíz cuadrada del resultado anterior.
Para obtener el rango se ordenan los datos. Se organizan los valores en el conjunto de datos en orden
ascendente. Se identifica el valor mínimo y el valor máximo. Estos valores son el primero y el último en
la secuencia ordenada. Se calcula el rango restando el valor mínimo del valor máximo.
Para calcular el percentil 25. Se toma el conjunto de datos en orden ascendente y se calcula la posición de
percentil 25 usando la expresión.:
Se identifica los datos correspondientes a la posición calculada. Se encuentran los datos más cercanos a la
posición calculada. El presentir 25 estará entre estos datos. Finalmente, se calcula el percentil 25
utilizando la fórmula de interpolación lineal para obtener el valor exacto del Percentil 25
Para calcular el percentil 75. Se toma el conjunto de datos en orden ascendente. Se calcula la posición del
presentir 75 utilizado a la expresión.
Se identifica los datos correspondientes a la posición calculada, se encuentran los datos más cercanos a la
posición calculada y el percentil 75 estará entre estos dos datos. Para calcular el percentil 75, se utiliza la
fórmula de interpolación lineal para obtener el valor exacto de éste.
Para la construcción de un histograma. Se selecciona la cantidad de intervalos. Que se quieren en el
histograma. ¿Este número puede influir? ¿En cómo se visualizan los datos? Se calcula el rango de los
datos, es decir, se encuentra la diferencia entre el valor máximo y el mínimo de un conjunto de datos. Se
calcula el ancho del bin. Se divide el rango de datos por el número de bin. Que han elegido para
determinar el ancho de cada bin Que crea los bin. Es decir, se divide el rango de datos en intervalos.
Basados en el ancho calculado. Se determina cuántas observaciones caen en cada bin. Y se dibuja el
histograma utilizando barras para representar visualmente la frecuencia de observación en cada bien. La
altura de las barras indica la frecuencia.
Para obtener Las cajas y bigotes. Se obtiene un conjunto de datos, se ordenan éstos y se calculan los
cuartiles. Se calcula el rango intercuartílico YQR. Encontrando la diferencia entre el tercer cuartil y el
primer Cuartil, es decir, QR es igual a Q 3 menos Q 1. Luego se calculan los límites inferior y superior. Se
calcula el límite inferior como Q 1 − 1.5 * I, Q R y el límite superior como Q 3 + 1.5 por YQR. Se
identifica los valores atípicos. Se identifican los valores que caen fuera de los límites inferior y superior.
Se dibuja la caja sin bigotes. Representando visualmente los cuartiles, la mediana y las posibles. Valores
atípicos.
Las diferencias entre cuartiles y percentiles es que los cuartiles dividen los datos en cuatro partes iguales,
mientras que los percentiles los dividen en 100 partes iguales. Los percentiles ofrecen una medida más
detallada y precisa de la posición relativa de un dato dentro de un conjunto de datos. Y los cuartiles se
usan frecuentemente para describir y comparar la dispersión de datos, mientras que los percentiles se usan
más en contextos donde se necesita una mayor precisión en la descripción de la distribución de los datos
estandarizados.
Prueba de hipótesis en diseño de experimentos. Una prueba de hipótesis es un procedimiento estadístico
utilizado para tomar decisiones sobre una población basándose en datos de muestra. Este proceso implica
formular una hipótesis nula. Es decir, hipótesis inicial y una hipótesis alternativa. Luego utilizar datos
muestrales para determinar cuál de las dos hipótesis es más plausible. Con esto, una prueba de hipótesis
se utiliza para determinar si una declaración es verdadera. Al evaluar la hipótesis, se decide si se acepta o
se rechaza basándose en evidencia proporcionada por las muestras de datos y en un nivel de significancia
predefinido.
Elementos de una prueba de hipótesis.
Hipótesis nula HO. Es una afirmación sobre el parámetro poblacional que asume cierta hasta que se.
Demuestra lo contrario. Representa la situación de no cambio o no efecto.
Hipótesis alternativa, H 1 o h 2. Es una afirmación que contradice la hipótesis nula, representa la
situación de cambio o efecto.
Nivel de significancia Alfa. Yo te probabilidad de rechazar la hipótesis nula cuando esta sea verdadera.
Los valores de comunes del nivel de significancia Alfa son 0.05, 0.01 o 0.1.
Estadístico de pruebas zeta. Es una función de datos muestrales que se usa para decidir y si se rechaza a
HO. Su distribución bajo la hipótesis nula es conocida y se utiliza para calcular valores p. Y regiones
críticas.
Región de rechazo o crítica.
Valor p. Es una probabilidad de obtener un valor de estadístico. De prueba, al menos tan extremo como el
observado bajo la suposición de que HO. Es verdadera. Si el valor p es menor que Alfa. Se rechaza a HO.
¿Hasta dónde son confiables las hipótesis estadísticas?
Errores tipo primero y tipo segundo.
En el contexto de las pruebas de hipótesis estadísticas, los errores tipo 1 y tipo 2 = 2 tipos de errores que
pueden cometerse al tomar una decisión sobre la veracidad de una hipótesis.
Error de tipo 1 o Alfa. Se comete cuando se rechaza la hipótesis nula HO, siendo esta verdadera. En otras
palabras, se concluye que existe una diferencia o efecto cuando en realidad no la hay. También se conoce
como falso positivo a error de primera especie. P. Error tipo 1, / rechazar Ho siendo cierta. Igual. Alfa.
Error tipo dos o beta. Se comete cuando no se Rechaza la hipótesis nula HO siendo esta falsa. En otras
palabras, se concluye que no existe una diferencia o efecto cuando en realidad, si la hay, también se
conoce como falso negativo o error de segunda especie.
¿Qué hacer si no se dispone de un número grande de datos? Mediante el estadístico de pruebas se tienen
dos fórmulas, zeta para mayores de 30 datos y té para menores de 30 datos. Y en el caso de problemas
relacionados a proporciones. La proporción muestral se. Calcula. Mediante el número de. Éxitos.
Dividido para el tamaño de la muestra.