Diseño de experimentos métodos y aplicaciones

Detalles Bibliográficos
Otros Autores:	Melo M., Oscar O. autor (autor), López P., Luis A. (Luis Alberto López Pérez) (-), Melo M., Sandra E. (Sandra Esperanza Melo Martínez)
Formato:	Libro electrónico
Idioma:	Castellano
Publicado:	Bogotá : Universidad Nacional de Colombia, Facultad de Ciencias 2007.
Edición:	1st ed
Colección:	Colección Textos
Materias:	Experimental design. Diseño experimental. Libros electronicos.
Ver en Biblioteca Universitat Ramon Llull:	https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009421962606719

Tabla de Contenidos:

Portada
Diseño de Experimentos [Métodos y Aplicaciones]
Prólogo
Índice
Índice de cuadros
Índice de figuras
Capítulo 1
Principios del diseño de experimentos
1.1. Método científico
1.2. Tipos de experimentos
1.3. Unidades experimentales y muestrales
1.4. Fuentes de variación
1.5. Control de la variación del no tratamiento
1.6. Propiedades del diseño estadístico
1.7. Replicación
1.8. Aleatorización
1.9. Control local
1.10. Clasificación de los diseños
1.11. Estrategia de diseño
1.11.1. Efecto de diseño de control del error
1.11.2. Diseño de tratamientos
1.11.3. Diseño de muestreo
1.12. Recomendaciones para abordar un estudio experimental
1.13. Principio general de inferencia y tipos de análisis estadísticos
1.14. Ejercicios
Capítulo 2
Inferencia sobre dos muestras aleatorias
2.1. Introducción
2.2. Teoría basada en normalidad
2.2.1. Inferencia sobre diferencia de medias poblacional escuando las varianzas son iguales
2.2.2. Inferencia sobre el cociente de varianzas
2.3. Efecto de no normalidad
2.3.1. Pruebas no paramétricas
2.3.2. Estimación robusta
2.4. Prueba estadística multivariada en la comparación de dos medias: T2-Hotelling
2.5. Comparaciones pareadas, estudio de un test simultáneo para comparar medias y varianzas
2.5.1. Prueba de rangos con signo de Wilcoxon para comparaciones pareadas
2.6. Ejercicios
Capítulo 3
Modelos lineales
3.1. Introducción
3.2. Conceptos básicos de modelos lineales
3.2.1. Modelo superparametrizado (Modelo S)
3.2.1.1. Estimación de parámetros
3.2.1.2. Análisis de varianza
3.2.2. Modelo de medias de celdas
3.2.2.1. Ecuaciones normales
3.3. Estimabilidad
3.3.1. Estimadores lineales insesgados (ELIS)
3.3.2. Transformaciones lineales y estimabilidad en modelos superparametrizados.
3.3.2.1. Modelo con restricción paramétrica tipo Σ
3.4. Modelos lineales particionados y sumas de cuadrados asociadas
3.4.1. Modelo particionado en dos partes
3.4.2. Modelo particionado en tres partes
3.4.3. Modelo particionado en K partes ordenadas
3.5. Sumas de cuadrados y funciones estimables
3.5.1. Sumas de cuadrados y funciones estimables tipo I
3.5.2. Sumas de cuadrados tipo I
3.5.3. Funciones estimables tipo I
3.5.4. Sumas de cuadrados y funciones estimables tipo II
3.5.5. Funciones estimables tipo II
3.5.6. Sumas de cuadrados y funciones estimables tipo III
3.5.7. Funciones estimables tipo III
3.5.8. Sumas de cuadrados y funciones estimables tipo IV
3.5.9. Funciones estimables tipo IV
3.6. Hipótesis más comunes sobre filas y columnas
3.7. Implementación en SAS
3.8. Ejercicios
Capítulo 4
Clasificación de modelos en el análisis de varianza y diagramas de estructura
4.1. Clasificación de los modelos en el análisis de varianza
4.1.1. Supuestos fundamentales
4.2. Diagramas de estructuras y análisis de varianza en diseños experimentales
4.2.1. Diagramas de estructuras
4.2.2. Derivación de fórmulas
4.3. Ilustración del procedimiento
4.4. Implementación en SAS
4.5. Ejercicios
Capítulo 5
Diseños completamente aleatorizados y tamaño de muestra
5.1. Diseño completamente aleatorizado
5.2. Principios del análisis de varianza
5.3. DCA a través del modelo superparametrizado
5.3.1. Hipótesis asociadas
5.4. DCA a través del modelo de medias de celda
5.4.1. Reducción de la suma de cuadrados
5.4.2. Hipótesis asociadas
5.5. Modelo de componentes de varianza
5.6. Análisis de un DCA a través de pruebas de localización no paramétricas
5.6.1. Prueba de Kruskal-Wallis
5.7. Número de réplicas en un diseño completamente aleatorizado.
5.7.1. Obtención del tamaño de la muestra a partir de la potencia
5.7.2. Método de Harris-Hurvitz-Mood (HHM)
5.7.3. Método de Tukey
5.7.4. Número de réplicas en el modelo de efectos aleatorios
5.7.5. Determinación del tamaño de muestra con costo variable por tratamiento
5.8. Submuestreo en diseños completamente aleatorizados
5.8.1. Modelo lineal en un DCA con submuestreo
5.8.2. Inferencias con submuestreo
5.9. Comparación de un DCA sin y con submuestreo
5.10. Submuestreo con factores aleatorios en DCA
5.10.1. Tamaño óptimo de muestra con un costo fijo (Co)
5.10.2. Muestra más económica para una precisión dada de estimación
5.11. Implementación en SAS
5.12. Ejercicios
Capítulo 6
Pruebas de comparaciones múltiples y validación de supuestos
6.1. Pruebas de comparaciones múltiples
6.1.1. Conceptos preliminares
6.1.2. Procedimientos de comparaciones múltiples
1. Prueba t de Student
2. Método de Scheffé
3. Método de Bonferroni (Fisher)
4. Método basado en la amplitud máxima
5. Método de Tukey
6. Método de Newman-Keuls (N-K)
7. Método de Duncan
8. Método de Dunnett
6.1.2.1. Algunos comentarios sobre comparaciones múltiples
6.2. Verificación de supuestos
6.2.1. Causas de desvíos de supuestos
6.2.2. Análisis gráfico y medidas descriptivas de los residuales
6.2.3. Prueba de significancia para detectar anomalías
6.2.4. Pruebas para detectar heterocedasticidad
6.2.4.1. Prueba de Bartlett de homogeneidad de varianzas
6.2.4.2. Prueba de razón de verosimilitud (RV)
6.2.4.3. Prueba de Spearman
6.2.4.4. Prueba de Levene
6.2.5. Pruebas de normalidad
6.2.5.1. Prueba de Kolmogorov-Smirnov
6.2.5.2. Prueba de Shapiro-Wilk
6.2.6. Pruebas de no aditividad
6.2.6.1. Contraste de Tukey de no aditividad.
6.3. Solución a los problemas de no homocedasticidad y no normalidad
6.3.1. Uso de transformaciones
6.3.1.1. Consideraciones generales sobre transformaciones
6.3.2. Uso de las transformaciones para estabilizar varianza
6.3.3. Uso de transformaciones para corregir no normalidad
6.3.4. Transformación de Box - Cox
6.4. Implementación en SAS
6.5. Ejercicios
Capítulo 7
Diseño de bloques completamente aleatorizados
7.1. Análisis estadístico
7.2. Estimación de una observación faltante
7.3. Eficiencia de un DBCA frente a un DCA
7.4. Bloques con submuestreo
7.5. Formas de obtener las sumas de cuadrados
7.6. Diseño en bloques incompletos
7.6.1. Estructuras matriciales de los bloques incompletos
7.7. Análisis de varianza
7.8. Diseño en bloques incompletos balanceados
7.8.1. Estimación de datos faltantes
7.8.2. Método de Scheffé para comparaciones múltiples
7.9. Implementación en SAS
7.10. Ejercicios.
Capítulo 8
Diseños en cuadro latino y análisis de covarianza
8.1. Diseño en cuadro latino
8.1.1. Introducción
8.1.2. Estimación de un dato faltante en un DCL
8.1.3. Series de cuadros latinos
8.2. Eficiencia de un DCL frente a un DCA y un DBCA
8.3. Diseño en Cuadrado Greco-Latino
8.4. Análisis de covarianza
8.4.1. Análisis de covarianza en un DCA
8.4.2. Covariables afectadas por los tratamientos
8.4.3. Análisis de covarianza en un DBCA
8.4.4. Análisis general de covariables
8.5. Implementación en SAS
8.6. Ejercicios
8.7. Anexo
8.7.1. Campo de Galois
8.7.2. Geometrías finitas
8.7.3. Cuadros latinos ortogonales
Capítulo 9
Experimentos factoriales
9.1. Características generales
9.2. Diseño factoriales 2k
9.2.1. Diseño factorial 22
9.2.2. Diseño factorial 23
9.2.3. Generalización del diseño factorial 2k.
9.3. Experimentos Factoriales 3k
9.3.1. Diseño factorial 32
9.3.2. Diseño factorial 33
9.3.3. Generalización del diseño factorial 3k
9.4. Implementación en SAS
9.5. Ejercicios
9.6. Anexo
9.6.1. Ideas básicas sobre congruencia
9.6.2. Breve introducción a conceptos básicos de teoría de grupos
Capítulo 10
Confusión en experimentos factoriales
10.1. Introducción
10.2. Confusión en series 2k
10.2.1. Confusión del diseño factorial 2k en dos bloques
10.2.2. Confusión del diseño factorial 2k en cuatro bloques
10.2.3. Confusión del diseño factorial 2k en 2p bloques
10.3. Confusión en series 3k
10.3.1. Confusión del diseño factorial 3k en tres bloques
10.3.2. Confusión del diseño factorial 3k en nueve bloques
10.3.3. Confusión del diseño factorial 3k en 3s bloques
10.4. Confusión en series pk
10.5. Confusión Parcial
10.6. Confusión en experimentos factoriales asimétricos
10.7. Implementación en SAS
10.8. Ejercicios
Capítulo 11
Diseños factoriales fraccionados y parcelas divididas
11.1. Diseños factoriales fraccionados
11.1.1. Fracción un medio del diseño 2k
11.1.2. Resolución de un diseño
11.1.3. Fracción un cuarto del diseño 2k
11.1.4. Diseño factorial fraccionado 2k−p
11.1.5. Réplicas fraccionadas del diseño factorial 3k
11.1.5.1. Diseños factoriales fraccionados 3k−p
11.2. Diseño en parcelas divididas y subdivididas
11.2.1. Análisis estadístico del diseño en parcelas divididas
11.2.2. Eficiencia relativa de un diseño de parcelas divididas
11.3. Implementación en SAS
11.4. Ejercicios
Capítulo 12
Metodología de superficies de respuesta
12.1. Modelo de regresión lineal múltiple
12.1.1. Predicción de la variable respuesta y estudios de residuales
12.1.2. Resultados para el análisis de varianza.
12.1.3. Pruebas de hipótesis asociadas a los parámetros individuales en el modelo.

Diseño de experimentos métodos y aplicaciones

Ejemplares similares