Académique Documents
Professionnel Documents
Culture Documents
ESTADISTICA INFERENCIAL II
PROFESORA:
PERLA IDANIA GARIBAY SOLIS
INVESTIGACION DE LA UNIDAD IV
DISEÑO EXPERIMENTAL PARA UN FACTOR
ALUMNO:
GÓMEZ NÚÑEZ ROBERTO CARLOS
• INTRODUCCIÒN:
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher, quién
sentó la base de la teoría del Diseño Experimental y que a la fecha se encuentra bastante
desarrollada y ampliada. Actualmente las aplicaciones son múltiples, especialmente en la
investigación de las ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las
ciencias sociales.
• CONCEPTUALIZACIÓN:
El diseño experimental es una técnica estadística que permite identificar y cuantificar las causas
de un efecto dentro de un estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables, vinculadas a las causas, para medir el efecto que tienen
en otra variable de interés.
• IMPORTANCIA:
Puede establecer diferencias en su respuesta que pueden atribuirse a los estímulos en cuestión,
como el envoltorio o el color de un producto, y no a otros factores, como la disponibilidad limitada
del producto.
Este diseño tiene amplia aplicación cuando las unidades experimentales son muy
homogéneas.
T= Tratamientos
C= Control
F= Factores
A= Número de tratamientos
N= Tamaños de la muestra
R= Replica o repetición
R= Asignación al azar o aleatoria
E= Emparejamiento o nivelación
G= Grupo de sujetos
X= Tratamiento, estimulo o condición experimental
O= Medición de los sujetos de un grupo: ausencia de estímulo en la variable
independiente (grupo testigo).
DEFINICIONES
Tratamientos: Son las condiciones las cuales distinguen las poblaciones de interés.
Control: Es la capacidad que tiene el investigador para elegir según su voluntad los
elementos que intervienen en la investigación.
Efecto: Es el cambio en la variable de respuesta por el cambio de nivel de un factor.
Factores: Son las variables las cuales se presume que afectan la característica de interés
en el proceso.
Factores controlables: Son aquellos con un grado de control, es decir que se pueden
manejar, variar o manipular con gran facilidad.
Factores ruido: Son aquellos sobre los cuales el grado de control es menor y el manejo
es más difícil.
Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales puedes
estudiar.
Corrida o unidad experimental: Ente al cual se aplica el tratamiento y sobre el cual se
mide la variable respuesta.
Partición: Proceso que distribuye la suma total de cuadrados y de grados de libertad
entre sus diversos componentes.
Interacción: Efecto que se produce cuando los niveles de un factor interactúan con los
niveles del otro factor e influyen en la variable de la respuesta. Cuando uno o más
factores trabajan juntos para producir un efecto diferente que los efectos producidos por
aquellos factores de manera individual.
Diseño de bloques aleatorizado: Diseño de experimentos en el que se usa la formación
de bloques.
Experimento factorial: Diseño experimental en el que se obtienen simultáneamente
conclusiones acerca de dos o más factores.
Combinación: Es la asignación de un solo nivel a un factor, o de varios niveles a todos
los factores en una corrida experimental.
Variable de respuesta: Es el resultado de una corrida experimental. Variable a estudiar.
Corrida experimental: Implementación de cada una de las interacciones.
Bloque: Agrupación planteada de factores o combinaciones. Se realiza a manera de
minimizar la variación no incluida en el diseño.
Replicación: Es una repetición del experimento básico o el número de veces que se
replican cada uno de los tratamientos.
Bloqueo: Es una técnica usada para incrementar la precisión de un experimento
mediante la eliminación de variación introducida por los factores ruido.
Aleatorización: Es el principio básico fundamental en el uso de métodos estadísticos en
diseño experimental.
Análisis de varianza (NOVA): Es el proceso de subdividir la variabilidad total de las
observaciones experimentales en porciones atribuibles a fuentes de variación conocidas.
Este es el método estadístico más utilizado en el análisis de experimentos.
El diseño experimental prescribe una serie de pautas relativas que variables hay que
manipular, de qué manera, cuantas veces hay que repetir el experimento y en qué orden,
para poder establecer con un grado de confianza predefinido las necesidades de una
presunta relación de causa-efecto.
La aleatorización hace válida la prueba, haciéndola apropiada para analizar los datos
como si la suposición de errores independientes fuera cierta. Obsérvese que no hemos
dicho que la aleatorización garantiza independencia, sino sólo que la aleatorización nos
permite proceder como si la independencia fuera un hecho. La razón de esta distinción
debe ser clara: los errores asociados con unidades experimentales que son adyacentes en
espacio o tiempo, tenderán a correlacionarse, y todo lo que hace la aleatorización es
asegurarnos que el efecto de esta correlación, sobre cualquier comparación entre los
tratamientos, se hará tan pequeña como sea posible. Aún quedará algo de correlación,
pero ninguna cantidad de aleatorización puede eliminarla totalmente. Es decir, en
cualquier experimento, la independencia de errores completa y verdadera es sólo ideal y
nunca puede lograrse. Sin embargo, por todos conceptos, debe buscarse tal
independencia y la aleatorización es la mejor técnica empleada para lograr el fin
deseado.
A. Aditividad
-Los factores o componentes del modelo estadístico son aditivos, es decir la
variable respuesta es la suma de los efectos del modelo estadístico.
B. Linealidad
-La relación existente entre los factores o componentes del modelo estadístico es
del tipo lineal.
C. Normalidad
-Los valores resultados del experimento provienen de una distribución de
probabilidad “Normal” con media m y varianza s^2.
D. Independencia
-Los resultados de un experimento son independientes entre sí.
E. Varianzas homogéneas
-Las diversas poblaciones generadas por la aplicación de dos o más tratamientos
tienen variancias homogéneas (varianza común).
Dónde:
a: Cantidad de tratamientos
n: Cantidad de replicas
Yij: Replica j del tratamiento i
y…: Gran total
N: Total de observaciones
Dónde:
a: Cantidad de tratamientos
yi.: Sumatoria del tratamiento i
y…: Gran total
N: Total de observaciones
SSE=SST-SSTratamientos
Dónde:
a: Cantidad de tratamientos
n: Cantidad de replicas
Yij: Replica j del treatamiento i
y..: Gran total
N: Total de observaciones
Dónde:
a: Cantidad de tratamientos
yi. Sumatoria del tratamiento i
y..: Gran total
ni: Observaciones del tratamiento i
N: Total de observaciones
SSE=SST-SSTratamientos
HIPOTESIS
Se usa para comparar cada promedio de tratamiento con cada uno de los otros
promedios, de una prueba de rango múltiple. De manera que cualquier diferencia
existente entre cualquier tratamiento contra otro se verá reflejado en este análisis.
Utiliza un nivel de significancia variable que depende del número de medias que entran
en cada etapa de comparación. La idea es que a medida que el número de medias
aumenta, la probabilidad de que se asemejen disminuye.
Para obtener los comparadores Duncan, se toman de la t6abla de Duncan los valores de
acuerdo al número de tratamientos y con los grados de libertad del error. Cada uno de
estos valores será multiplicando por el error estándar de l media y estos serán los
compradores para determinas cuales diferencias son significativas.
Dónde:
Rp: son los rangos studentizado de menor significancia y depende del nivel de
significancia y den número de grados de libertad.
S: es el cuadrado medio del error y se toma de la tabla de análisis de varianza
n: es el número de elementos para un tratamiento específico.
p: representa el tamaño del conjunto de medias.
Rp: puede entenderse como la diferencia mínima que debe existir entre la media más
grande y la más pequeña de un conjunto de tamaño p.
Los pasos que debemos seguir para aplicar la prueba de Duncan son:
Calculamos los Rp para nuestro ejemplo, tomando el valor de s2 = 2.45 del análisis de
varianza.
Comparación:
Finalmente los rangos quedan
m = {[m4, m6, m3, m1], [m5], [m2]}
4.8 Aplicaciones industriales.
El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser aplicado a un
gran número de industrias, la optimización de recursos, la identificación de causas de
variabilidad son algunos de los objetivos del diseño de experimentos aplicados en nivel industrial.
Química pesada:
Estudio de la composición para la elaboración de productos: Estudio de los valores más
apropiados para la elaboración de compuestos químicos que requieran diversos componentes.
Análisis del efecto de las condiciones del entorno en la elaboración del producto como la
temperatura ambiente, humedad relativa etc.
Maquinaria:
Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el diseño de
experimentos como herramienta para determinar y mejorar los índices de capacidad de un
proceso concreto apoyándose en estudios de reproducibilidad y repetitividad.
Diseño de electrodos:
Estudio de los esfuerzos en los electrodos en función de la fuerza de aplicación y el tamaño del
electrodo.
MATERIALES DE CONSTRUCCIÓN
Estudios de corrosión:
Estudios de la influencia del tiempo en la corrosión de aceros de construcción y metales en
general.
Aplicaciones en el mecanizado:
Estudio de la variabilidad en los procesos de mecanizado, ayuda a la reducción de piezas
defectuosas y aumento de la capacidad de producción.
INFORMÁTICA Y TELECOMUNICACIONES
INDUSTRIA BIOTECNOLOGÍA
https://www.clubensayos.com/Ciencia/45-La-Importancia-De-La-
Aleatorizaci%C3%B3n-De-Los/1375295.html
https://es.scribd.com/doc/145782736/Unidad-4-Diseno-experimental-para-un-factor
http://es.slideshare.net/alejandraaragonparra/145782736-
unidad4disenoexperimentalparaunfactor1