P. 1
Diseño de Experimentos

Diseño de Experimentos

4.5

|Views: 35.081|Likes:
Publicado porGRESIQ

More info:

Published by: GRESIQ on Oct 01, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

10/07/2015

pdf

text

original

experimental

Para que el experimento sea exitoso, se deben tener en cuenta las siguientes
recomendaciones de acuerdo con Hinkelmann y Kempthorne (1994):

1. Conocimiento claro del material experimental. Aunque parezca obvio en la
pr´actica, no siempre el desarrollo de un problema requiere de experimen-
taci´on ni es simple presentar un claro y apropiado estado del problema. Es
necesario abordar todas las ideas sobre los objetivos del trabajo. Un claro
estado del problema frecuentemente contribuye a un mejor entendimiento
del fen´omeno y a una soluci´on del problema.

2. Escogencia de factores y niveles. El experimentador debe seleccionar las
variables independientes o factores a ser estudiados, estos pueden ser cuan-
titativos o cualitativos. En el caso cualitativo hay que tener en cuenta como
se controlar´an estos valores en los valores de referencia y como van a ser
medidos. Es importante seleccionar los rangos de variaci´on de los factores
y el n´umero de niveles a considerar, los cuales pueden ser predeterminados
o escogidos aleatoriamente del conjunto de los posibles niveles.

3. Selecci´on de las variables respuesta seg´un los objetivos. En la escogencia
de la variable respuesta o variable dependiente, el experimentador ha de
estar seguro que la respuesta a medir realmente provee informaci´on sobre
el problema de inter´es. Es necesario suministrar la forma como se mide esta
variable y de ser posible la probabilidad de ocurrencia de estas medidas.

4. Selecci´on del dise˜no experimental. Este paso es de primordial importancia
en el proceso de investigaci´on. Se debe indicar la diferencia a la respuesta
verdadera (que tan lejos se admite la realidad de lo observado), que se
desea detectar y la magnitud de los riesgos tolerados (grado de confiabili-
dad), en el orden a escoger un tama˜no de muestra apropiado (replicacio-
nes); es procedente se˜nalar tambi´en el orden de recolecci´on de los datos y
el m´etodo de aleatorizaci´on a emplearse. Siempre es necesario mantener un
equilibrio entre la exactitud y los costos. Se deben recomendar planes que

24

1.12. RECOMENDACIONES PARA ABORDAR UN ESTUDIO EXPERIMENTAL

sean eficientes estad´ısticamente y econ´omicamente viables. En la conduc-
ci´on de un estudio experimental es de esencial importancia la escogencia
del dise˜no, esta escogencia depende de cuatro componentes:

El dise˜no de tratamientos (DT). En esta etapa se determinan los tra-
tamientos a ser medidos en el estudio, es decir se establecen cuales y
cuantos tratamientos se deben aplicar teniendo en cuenta la natura-
leza del experimento. Los tratamientos son determinados por factores
o combinaciones de niveles de factores como se observa en la tabla
1.3. El inter´es del investigador en el sentido de decidir cu´antos facto-
res deben incluirse, cu´antos niveles de factores se deben identificar en
cada factor y cu´al es el rango razonable de cada factor. Los aspectos
del dise˜no de tratamientos est´an estrechamente ligados con el dise˜no
para controlar el error.

Dise˜no de control del error (DE). Por dise˜no de control del error se
entiende la distribuci´on aleatoria de los tratamientos en un plan ex-
perimental usando la regla de asignaci´on aleatoria de los tratamientos
a las unidades experimentales. Como ejemplos de control de error se
tienen los dise˜nos completamente aleatorizados (CA), bloques com-
pletos aleatorizados (BCA) y cuadros latinos (CL). La escogencia del
dise˜no depende de la variabilidad de las unidades experimentales, la
estructura de estas unidades y la precisi´on de la estimaci´on deseada
por el investigador.

Estructura del control del error (EE). Por esta se entiende la asigna-
ci´on aleatoria de los tratamientos a las unidades experimentales.

Muestreo y dise˜no de observaciones (DM). Hace referencia a deter-
minar el n´umero de observaciones tomadas por tratamiento y uni-
dad experimental, lo cual caracterizar´a los planes experimentales,
con submuestreo.

Una vez definidas las componentes anteriores, la respuesta R para el an´ali-
sis seleccionado satisface la ecuaci´on R = DT +DE +EE +DM es decir
la formulaci´on del modelo estad´ısitco apropiado est´a´ıntimamente relacio-
nado con la estructura del dise˜no de tratamientos, el dise˜no del control
del error y el muestreo de las observaciones.

El dise˜no seleccionado se asocia a un modelo lineal de la forma Y = Xβ+
si el modelo es de efectos fijos, se descompone la variabilidad de la res-
puesta (variabilidad total) como una partici´on ortogonal de las diferentes
fuentes de variabilidad, es decir,

SC(Total) =

q
i=1

SC(i)

donde

25

CAP´

ITULO 1. PRINCIPIOS DEL DISE˜

NO DE EXPERIMENTOS

SC(Total) = Yt

Y y SC(i) = Yt

PXiY siendo PXi = Xi(Xt

iXi)−Xt
i,
i = 1,...,q el proyector ortogonal en el espacio columna de Xi; y pa-
ra Xi el bloque X asociado con el i−´esimo factor de clasificaci´on X =

[X1

.
.
.X2

.
.
....

.
.
.Xq].

5. Conducci´on del experimento. Es el proceso de muestreo de recolecci´on de
datos. Se entender´a que en el proceso haya un ajuste al plan (control).
En la mayor´ıa de las veces, la realizaci´on de un experimento no es lo
suficientemente fiel al proyecto de investigaci´on, porque surgen situaciones
no consideradas previamente, como en el caso de un cultivo atacado por
plagas, el agotamiento producido sobre una unidad experimental que se
esta evaluando, o la aparici´on de una caracter´ısitca no determinada. De
todas formas, se debe tener en cuenta si estos imprevistos alteran los
prop´ositos del ensayo; de otra forma hay que tenerlos en cuenta en el
an´alisis de los resultados.

6. An´alisis de datos. Las variables que intervienen, o mejor, que se procu-
ra sean considerados en un ensayo, pueden relacionarse matem´aticamente
de alguna forma. El problema no est´a en la consecuci´on de una expre-
si´on matem´atica sino en que tanto explica la realidad dicha expresi´on. Es
preferible renunciar a un bello modelo que aceptar una realidad deforma-
da por el. En esta etapa se busca una f´ormula matem´atica que explique
el comportamiento de una(s) variable(s) a trav´es del comportamiento de
otras. Existen t´ecnicas estad´ısticas, como el an´alisis de regresi´on que su-
ministran estas relaciones. Se debe buscar que el modelo se analice junto
con el especialista que lo est´a investigando.

Una vez se ha seleccionado el dise˜no experimental, se establece la matriz de
dise˜no X, el vector de par´ametros β y se asocia a un modelo Y = Xβ +
el cual generalmente resulta ser de rango incompleto y estimado por el
m´etodo denominado m´ınimos cuadrados a trav´es de una matriz inversa
generalizada de X. Para la estimaci´on del modelo y an´alisis estad´ıstico de
los datos, se debe tener en cuenta:

a) Estimaci´on del modelo. Estimar mediante los m´etodos de m´ınimos
cuadrados o maxima verosimilitud los par´ametros asociados al mo-
delo, en este ´ultimo m´etodo, se tiene en cuenta la distribuci´on de
la variable respuesta; por este motivo la mayor´ıa de los desarrollos
realizados en este texto se hacen asumiendo que la variable respuesta
sigue una distribuci´on normal multivariada. Cuando el modelo es de
rango incompleto, se realizan c´alculos muy similares al caso de rango
completo, con lo cual simplemente los estimadores son adaptados a
este modelo.

b) La teor´ıa de estimabilidad. Conocer los principales criterios para ca-
racterizar las funciones estimables.

c) Pruebas de hip´otesis. Conocer la estructura distribucional de los es-
tad´ısticos de prueba para las hip´otesis de inter´es.

26

1.13. PRINCIPIO GENERAL DE INFERENCIA Y TIPOS DE AN´

ALISIS ESTAD´

ISTICOS

Una parte del an´alisis es el chequeo adecuado del modelo propuesto, lo
cual conlleva a un examen cr´ıtico de las bases del modelo estad´ıstico y
su relaci´on con los supuestos. En esta etapa recientemente el computa-
dor ha jugado un papel importante. Existen diferentes procedimientos y
paquetes estad´ısticos que facilitan el an´alisis de los datos. Un paquete es-
tad´ıstico es un conjunto de programas elaborados para el procesamiento
de informaci´on, los cuales se manipulan por medio de una serie de instruc-
ciones y comandos dirigidos a resolver problemas de la estad´ıstica. Entre
los paquetes estad´ısticos de m´as amplia difusi´on en el ´area experimen-
tal podemos mencionar: el SPSS (Statistical Package for Social Science),
SAS (Statistical Analysis System), BMDP (Biomedical Package) Design
Expert y software libre como el R.

7. Conclusiones y recomendaciones. Hecho el an´alisis de los datos, el expe-
rimentador puede extraer conclusiones (inferencia) sobre los resultados.
Las inferencias estad´ısticas deben ser f´ısicamente interpretadas y su signi-
ficancia pr´actica evaluada.

Las recomendaciones deben de hacerse con base en los resultados. En la
presentaci´on de estos se deben evitar el empleo de terminolog´ıa estad´ıstica
seca y en lo posible presentar los resultados de manera simple. La elabora-
ci´on de gr´aficos y tablas evita la redacci´on de resultados y recomendaciones
extensas y confusas.

1.13. Principio general de inferencia y tipos de

an´alisis estad´ısticos

De acuerdo a Hinkelmann y Kempthorne (1994), el modelo para la elaboraci´on
de un dise˜no experimental contiene cuatro componentes como se menciono en
la secci´on 1.12. Estas se pueden representar mediante el siguiente modelo lineal:

Y = 1µ+

t
i=1

Xiti +

b
j=1

Bjβj +

c
k=1

Zk k +

d
s=1

Wsηs

(1.1)

donde Y es el vector de observaciones, µ es el efecto general de la media, ti =
(ti1,...,tiαi) es el vector de tratamientos (i = 1,2,...,t), βj = (βj1,...,βjbj) es
el vector de efectos del dise˜no (j = 1,2,...,b), k = ( k1,..., kck) es el vector
asociado con el EE (k = 1,2,...,c), ηs = (ηs1,...,ηsds) es el valor de error
de las observaciones (s = 1,2,...,d) 1 es el vector de unos de tama˜no nx1 y
Xi,Bj,Zk,Ws son matrices conocidas de dimensiones apropiadas.

La estructura general del an´alisis de varianza teniendo en cuenta el modelo 1.1
se presenta en la tabla 1.5.

27

CAP´

ITULO 1. PRINCIPIOS DEL DISE˜

NO DE EXPERIMENTOS

Causas de Variaci´on

gl

Entre U.E.

m−1

Entre tratamientos

t−1

Dise˜no de tratamientos

τ1

t1

τ2

t2

.
.
.

.
.
.

τt

tt

Entre U.E. dentro de tratamientos

m−t

Dise˜no de control del error

β1

d1

β2

d2

.
.
.

.
.
.

βb

db

1

l1

.
.
.

.
.
.

c

lc

Dentro U.E.

n−m

Dise˜no de observaciones

η1

01

η2

02

.
.
.

.
.
.

ηd

0d

Total

n−1

Tabla 1.5. Estructura general de an´alisis de varianza para el modelo 1.1.
GL: Grados de Libertad

Con la finalidad de ilustrar algunos de los resultados tratados en las secciones
anteriores se presenta el siguiente ejemplo tomado de Hinkelmann y Kempthorne
(1994)
.

Ejemplo 1.5. Suponga que un investigador desea estudiar y comparar los efec-
tos de agentes contaminantes en la plantaci´on de semillas de pino. Teniendo
como control el aire del carb´on filtrado
(P1), e incluyendo los siguientes agentes
contaminantes: Ozono
(P2), di´oxido sulf´urico (P3) y di´oxido de nitr´ogeno (P4).
Este es un experimento exploratorio para el cual se tienen disponibles cuatro
plantaciones de semilla para cada contaminante, es decir, 16 plantaciones en
total. Se asume que las plantaciones son de la misma edad y de altura unifor-
me, y que es razonable pensar en una fumigaci´on previa para llevar un an´alisis
apropiado.

Las preguntas que surgen son: ¿Cu´ales son algunos de los dise˜nos alternativos
para este experimento? ¿Cu´al es el correspondiente modelo lineal? ¿C´omo pue-
den ser analizados estos experimentos? y la m´as importante, ¿Qu´e respuestas
pueden estos experimentos proveer a las preguntas del investigador?.

Siguiendo con Hinkelmann y Kempthorne (1994) para dar soluci´on a este proble-
ma, se pueden plantear cuatro situaciones experimentales, las cuales son (estas
no son necesariamente buenas):

28

1.13. PRINCIPIO GENERAL DE INFERENCIA Y TIPOS DE AN´

ALISIS ESTAD´

ISTICOS

Situaci´on I: Cuatro camas con agentes contaminantes son usadas, cada cama
contiene cuatro plantaciones. Los agentes contaminantes son asignados aleato-
riamente a las camas, la colecci´on de camas constituye una unidad experimental
(UE) donde cada plantaci´on individual constituye la unidad observacional (UO).
Como consecuencia, el efecto de tratamiento y el error experimental est´an con-
fundidos
entre si como se muestra en la figura 1.2 y cuyos resultados se presentan
en la tabla 1.6 del ANOVA.

⊕ +

+ +

P2

+ +

+ +

P1

+ +

+ +

P3

+ +

+ +

P4

Unidad de observaci´on

Unidad de experimentaci´on

Figura 1.2. Arreglo para los datos de la situaci´on I

El modelo propuesto en este caso tiene la forma:

yij = µ+Pi + i +ηij

i = 1,...,4, j = 1,...,4, donde se asume que i N(0,σ2

), ηij (0,σ2

η) y Pi es
un efecto fijo. Adem´as yij es la respuesta asociada a la j-´esima plantaci´on a la
cual se le aplica el i-´esimo agente contaminante.

Causas de Variaci´on

gl E(CM)

Contaminante (+Error Exper.) 3 σ2

η + 4σ2

+ 4
3

p2

i

Error muestreo

12 σ2

η

Tabla 1.6. Tabla de an´alisis de varianza para los datos de la situaci´on I

En este caso la hip´otesis nula de igualdad del efecto del tratamiento no puede ser
probada, ya que los dos esperanzas de los cuadrados medios no tienen el mismo
valor esperado. Desde este punto de vista, este experimento ser´ıa inadecuado
ya que no responde a las preguntas iniciales del investigador, puesto que no se
puede encontrar una combinaci´on lineal de los cuadrados medios en la cual se
pueda aislar el efecto del agente contaminante.

Situaci´on II: En este caso cada plantaci´on se coloca dentro de una cama se-
parada, los contaminantes son asignados aleatoriamente a cada cama. Las UE
y UO son id´enticas; de esta forma los dos tipos asociados de errores no pueden
ser separados uno del otro como se muestra en la figura 1.3.

29

CAP´

ITULO 1. PRINCIPIOS DEL DISE˜

NO DE EXPERIMENTOS

Para este caso el modelo propuesto tiene la forma:

Yij = µ+Pi + ij +ηij

con i = 1,2,3,4; j = 1,2,3,4.

Causas de Variaci´on gl E(CM)
Contaminante

3 σ2

η +σ2

+ 4
3

p2

i

Error (Expe.+Obser.) 12 σ2

η +σ2

Tabla 1.7. Tabla de an´alisis de varianza para los datos de la situaci´on II

En este caso, los dos errores pueden ser separados del efecto de los tratamientos
permitiendo la realizaci´on de la prueba de hip´otesis de igualdad de efecto de
tratamiento, pero no se puede realizar una estimaci´on aislada de cada uno de
los errores (experimental y muestral) por separado.

+

P2

+

P1

+

P3

+

P4

+

P2

+

P4

+

P4

+

P1

Unidad Observacional = Unidad experimental

P1

+

P3

+

P2

+

P2

+

P3

+

P3

+

P1

+

P4

Figura 1.3.

Situaci´on III: En este tercer caso, dos camas est´an disponibles para cada con-
taminante, y en cada cama se asignan dos plantaciones. La variaci´on entre camas
(UE) tratada con el mismo contaminante es una medida del error experimental,
y la variaci´on entre plantaciones (UO) dentro de cada cama es una medida del
error de muestreo como se ilustra en la figura 1.4. Ac´a no solamente los dos
tipos de errores son separados entre si, sino tambi´en del efecto del contaminante
(tratamiento).

En esta situaci´on se propone el modelo:

Yijk = µ+Pi + ij +ηijk

con i = 1,2,3,4; j = 1,2; k = 1,2. Donde Yijk es la k−´esima observaci´on para
la j−´esima UE (r´eplica) del i−´esimo tratamiento.

30

1.13. PRINCIPIO GENERAL DE INFERENCIA Y TIPOS DE AN´

ALISIS ESTAD´

ISTICOS

+ ⊕

P2

+ +

P1

+ +

P2

+ +

P4

Unidad Observacional

Unidad Experimental

+ +

P1

+ +

P4

+ +

P3

+ +

P3

Figura 1.4.

Causas de Variaci´on gl E(CM)
Contaminante

3 σ2

η + 2σ2

+ 4
3

p2

i

Error Experimental 4 σ2

η + 2σ2

Error muestreo

8 σ2

η

Tabla 1.8. Tabla de an´alisis de varianza para los datos de la situaci´on III

Situaci´on IV: Finalmente, esta situaci´on representa una variaci´on de la situa-
ci´on III en el que el contaminante se puede llevar sobre cuatro camas con los
agentes contaminantes uno en la ma˜nana (M) y uno en la tarde (T), como se
muestra en la figura 1.5. Esto es v´alido, porque es de esperarse, por el ritmo
diurno de las plantas, que haya diferencias sistem´aticas entre las plantaciones en
la ma˜nana y en la tarde. Estas diferencias pueden ser eliminadas considerando
los dos conjuntos de cuatro cuartos en cada bloque. M´as a´un, este arreglo puede
llevar a una reducci´on en el error experimental y adem´as en este caso al igual
que en la situaci´on anterior todos los efectos pueden ser separados.

El modelo obtenido para esta situaci´on tiene la forma:

Yijk = µ+Pi +βj + ij +ηijk

con i = 1,2,3,4; j = 1,2; k = 1,2. Donde Yijk es la k−´esima observaci´on para
el j−´esimo bloque del i−´esimo tratamiento.

31

CAP´

ITULO 1. PRINCIPIOS DEL DISE˜

NO DE EXPERIMENTOS

+ ⊕

P4

+ +

P1

+ +

P2

+ +

P3

Ma˜nana

Unidad Experimental

Unidad Observacional

+ +

P2

+ +

P1

+ +

P3

+ +

P4

Tarde

Figura 1.5.

Causas de Variaci´on gl E(CM)
Contaminante

3 σ2

η + 2σ2

+ 4
3

p2

i

Bloque

1
Error Experimental 3 σ2

η + 2σ2

Error muestreo

8 σ2

η

Tabla 1.9. Tabla de an´alisis de varianza para los datos de la situaci´on IV

Las situaciones I, II y III son diferentes versiones de un dise˜no completamente
aleatorizado y la situaci´on IV representa un dise˜no en bloques completamente
aleatorizado.

Solo se debe notar que el dise˜no I no debe ser utilizado y el uso de los otros
arreglos debe ser determinado por consideraciones pr´acticas y condiciones pro-
pias del estudio.

Para m´as detalle y comentarios de estas situaciones, se recomienda la lectura
del capitulo 2 del libro Hinkelman y Kempthorne (1994).

32

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->