Está en la página 1de 9

DISEO ESTADSTICO DE

EXPERIMENTOS
UNA PRUEBA O SERIE DE PRUEBAS EN LAS CUALES
SE INTRODUCEN CAMBIOS DELIBERADOS EN LAS VARIABLES DE ENTRADA QUE FORMAN EL PROCESO, DE
MANERA QUE SEA POSIBLE OBSERVAR E IDENTIFICAR
LAS CAUSAS DE LOS CAMBIOS EN LA VARIABLE DE
SALIDA

REALIZAR UN EXPERIMENTO
Aplicar los distintos niveles, o combinaciones de niveles cuando hay presentes ms de un factor, a distintas unidades experimentales y se observa el valor de la variable respuesta.
Unidades experimentales: (personas, elementos fsicos,...)
Factor: Variable controlable por el experimentador (Niveles
del factor o tratamientos)
Variable de inters: Variable Respuesta
Error experimental o perturbacin: Variables no controlables por el experimentador
Tamao del experimento: nmero total de observaciones.
1

OBJETIVO
Estudiar el efecto que sobre la Variable Respuesta tiene un
conjunto de otras variables que reciben el nombre de Factores

ETAPAS
1) Disear un experimento con una estructura lo ms adecuada posible a la situacin que se desea estudiar y a los medios
disponibles.
a) Planteamiento general del problema y de los objetivos
que se persiguen.
b) Seleccin y definicin de la variable respuesta.
c) Eleccin de los factores y niveles que han de intervenir
en el experimento.
d) Determinacin del conjunto de unidades experimentales incluidas en el estudio.
e) Determinacin de los procedimientos por los cuales los
tratamientos se asignan a las unidades experimentales.
2) Realizar la experimentacin de acuerdo con el plan previamente establecido en el diseo.
3) Analizar estadsticamente los resultados obtenidos y comprobar si las hiptesis establecidas y el modelo de diseo
elegido se adecuan a la situacin estudiada.
4) Realizar las modificaciones oportunas para ampliar o modificar el diseo.
5) Obtener las conclusiones apropiadas.
Reducir la variabilidad presente en los resultados cuando se
repite un experimento: Reducir el error experimental de forma
que los posibles efectos de los factores de inters se manifiesten
ms claramente.

Principios bsicos del Diseo de Experimentos


Aleatorizacin: Asignacin de las unidades experimentales a los distintos tratamientos y el orden en el que se
realizan los ensayos se determine al azar.

Replicacin: (Finalidad: aumentar la precisin del experimento).

Homogeneidad del material experimental: (Tcnica de


formacin de bloques. Un bloque es una porcin del material experimental que es ms homognea que el total del
material. El nmero de variables empleadas para la formacin de bloques, dar lugar a distintos modelos de diseos
de experimentos).

ESTRUCTURA DEL CURSO


Diseos Unifactoriales
1.-

Diseo Completamente Aleatorizado: Basado en el procedimiento estadstico de Anlisis de la Varianza de un Factor o de una Va. En este diseo, que estudia el efecto que
produce un solo factor en la variable respuesta, la asignacin de las unidades experimentales a los distintos niveles
del factor se realiza de forma completamente al azar. Este
es el diseo ms sencillo, preferentemente utilizable cuando
las unidades experimentales son bastante homogneas.
Modelo de efectos fijos
Modelo de efectos aleatorios.

2.-

Contrastes para Comparaciones Mltiples

3.-

Diagnosis y Validacin del Modelo.


3

4.-

Diseos en Bloques Aleatorizados. Las unidades experimentales son clasificadas en grupos homogneos, llamados
bloques, respecto a una cierta variable de control que puede
suponer una fuente adicional de variabilidad. Una vez formados los bloques, los tratamientos son asignados aleatoriamente a las unidades experimentales dentro de cada bloque;
podemos decir, por tanto, que se trata de un diseo con
cierta restriccin de aleatorizacin.
Diseos en Bloques Completos Aleatorizados
Diseos en Bloques Incompletos Aleatorizados

5.-

Diseos en Cuadrado Latino y Greco-Latino: Fracciones


de diseos en bloques con dos y tres factores de control respectivamente.
Diseos de Jouden
Diseos en Cuadrados Latinos Incompletos

Diseos Multifactoriales
1.-

Diseos Factoriales: Los niveles de cada factor estn combinados con todos los niveles de los restantes factores. (Los
factores tienen la misma importancia: Interaccin)

2.-

Diseos Jerrquico o Anidados: Ciertos niveles de un


factor estn ligados a ciertos niveles de otro factor. Los
niveles de los factores estn anidados o jerarquizados

3.-

Diseos Split-Plot (Parcelas divididas): No es posible


aleatorizar el orden de los ensayos dentro de cada bloque.
Generalizacin del Diseo en Bloques Aleatorizados Completos

Anlisis de la Covarianza
La variable respuesta est afectada por variables controlables,
factores, (v. cualitativas o cuantitativas) y variables no controlables, variables concomitantes o covariables ,(v. cuantitativas). Combina las caractersticas del Anlisis de Regresin y
del Anlisis de la Varianza.
Diseo Completamente Aleatorizado con una covariable,
con dos covariables
Diseos en Bloques Completos Aleatorizados con una covariable, con dos covariables
Diseos Factoriales con dos factores y una covariable

Mtodos no-Paramtricos para el


Anlisis de la Varianza
Situaciones en las que las desviaciones de las hiptesis de
modelo hagan aconsejable no aplicar los mtodos paramtricos
de Anlisis de la Varianza.
Diseo Completamente Aleatorizado
Contraste de rangos de Kruskal-Wallis
Contraste de la mediana

Diseos en Bloques Completos Aleatorizados


Contraste de Cochran
Contraste de Friedman

ANLISIS MULTIVARIANTE
Tcnicas estadsticas que simultneamente analizan medidas mltiples recogidas sobre cada unidad de anlisis (objetos, sujetos, etc.).
Anlisis simultneos de ms de dos variables.
Conjunto de mtodos que analizan las relaciones entre un
nmero razonablemente amplio de medidas (variables), tomadas sobre cada objeto o unidad de anlisis, en una o ms
muestras simultneamente.
8
<

Covarianzas
Relaciones simultneas entre las variables ! Correlaciones
:
Otros nidices

Objetivo

Medir, explicar y/o predecir relaciones en las que intervienen


combinaciones lineales de mltiples variables

Clasificacin
Se basa en las respuestas a tres preguntas claves:
1) Se divide el conjunto de variables en dependientes (criterio) o independientes (predictoras)?
2) Si la respuesta es afirmativa, cuntas variables sern tratadas como dependientes simultneamente?
3) Cul es el nivel de medida de las variables?
La respuesta vendr determinada por los objetivos y caractersticas particulares de la investigacin en la que se aplica.
6

1) Inters:
a) Asociacin entre dos conjuntos diferenciados de variables, siendo uno la realizacin de una variable dependiente ! Mtodos de Dependencia ! Regresin Lineal Mltiple....
b) Asociacin mutua entre todas las variables ! Mtodos de Interdependencia! Anlisis de Componentes
Principales, Anlisis Factorial, Anlisis Cluster...

Mtodos de Dependencia: Objetivos


Determinar el grado de relacin existente entre dos conjuntos
de variables y/o explicar o predecir el conjunto dependiente o
criterio a partir del conjunto de variables predictoras

Mtodos de Interdepencia: Objetivos


Encontrar informacin sobre la estructura subyacente o latente de un conjunto de datos, simplificando las complejidades
originales, normalmente por medio de la reduccin de datos,
intentando que las prdidas de la informacin original sean mnimas.
Todas las variables tienen el mismo estatus o consideracin,
no definindose variables independientes y dependientes

Anlisis de Regresin
Regresin Simple
Explicar los cambios que se producen en una variable que denominaremos dependiente en base a los cambios que se producen en otra variable que denominaremos independiente.
7

Regresin Mltiple
Analizar tanto las contribuciones individuales como las colectivas de un conjunto de variables independientes a la explicacin
de los cambios que se producen en la variable dependiente.
Nos permiten analizar cmo afectan un grupo de variables,
de forma conjunta, al comportamiento de otra variable.
Es una generalizacin de la regresin simple para el caso en
que contemos con ms una variable explicativa (independiente).

Anlisis de Componentes Principales


Representar un conjunto de variables observadas mediante un
nmero pequeo de variables nuevas construidas como combinaciones lineales de las variables originales, de forma que se pierda
la menor informacin posible en el proceso.
Es una tcnica de reduccin de datos til cuando el investigador se encuentra con un nmero elevado de variables correlacionadas entre s.

Anlisis Factorial
En contraste con el anlisis de componentes principales el
inters est solamente en una parte de la variacin de los datos,
la variacin comn, que es la que comparte una variable con las
restantes del conjunto.
Tambin es una tcnica de reduccin de la dimensionalidad.

Anlisis Cluster
Clasificar el conjunto de objetos en un nmero reducido de
grupos mutuamente exclusivos basados en las semejanzas entre
los objetos.
Puede considerarse como otra tcnica de reduccin de datos
para determinar grupos significativos de unidades u objetos.
8

BIBLIOGRAFA
Aldenderfer, M. S. & Blasheld, R. K. (1984). Cluster Analysis.
Berverly Hills, CA: Sage.
Batista, J. M. & Martnez Arias, R. (1989). Anlisis Multivariante: El Anlisis en Componentes Principales. Barcelona: Hispano Europa.
Box, G.E.P.; Hunter, W.G. & Hunter, J.S. (1988). Estadstica
para Investigadores. Revert.
Everitt, B. S. (1993). Cluster Analysis. London: Edward Arnold
Everitt, B S. & Dunn, G. (1991). Applied Multivariate Data Analysis. London: Edward Arnold.
Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de
Experimentos. Anlisis de la Varianza. Grupo Editorial Universitario
Lara Porras, A.M. (2002). Estadstica para Ciencia Biolgicas y
Ciencias Ambientales. Problemas Resueltos. Ed Proyecto Sur.
Lara Porras, A.M. (2001). Diseo Estadstico de Experimentos. Anlisis de la Varianza y Temas Relacionados: Tratamiento Informtico mediante SPSS. Ed Proyecto Sur
Hicks, C.R, (1973). Fundamental Concepts in the Design of Experiments. 3rd ed. New York Holt, Rinehart and Winston.
Mason, R.L.; Gunst, R.F. & Hess, J.L., (1989). Statistical Design
and Analysis of Experiments. John Wiley & Sons.
Montgomery, D.C., (1991). Diseo y Anlisis de Experimentos. Grupo
Editorial Iberoamrica.
Neter, J.; Wasserman, W. & Kutner, M.H., (1990). Applied Linear Statistical Methods. Irwin.
Pea, D., (1989). Estadstica. Modelos y Mtodos 2. Modelos lineales
y series temporales. Alianza Universidad Textos.
Sche, H., (1959). The Analysis of Variance. John Wiley & Sons.
Searle, S.R. (1971). Linear Models. John Wiley & Sons.
Weisberg, S. (1985). Applied Linear Regression. New York: Wiley.
9

También podría gustarte