Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ir a la navegaci�nIr a la b�squeda
El dise�o experimental es una t�cnica estad�stica que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un dise�o
experimental se manipulan deliberadamente una o m�s variables, vinculadas a las
causas, para medir el efecto que tienen en otra variable de inter�s. El dise�o
experimental prescribe una serie de pautas relativas qu� variables hay que
manipular, de qu� manera, cu�ntas veces hay que repetir el experimento y en qu�
orden para poder establecer con un grado de confianza predefinido la necesidad de
una presunta relaci�n de causa-efecto.
�ndice
1 Perspectiva hist�rica
2 �Qu� es Dise�o factorial?
3 Historia
4 Notaci�n
5 Ejemplo Real
6 An�lisis de Yates
7 Fisher
7.1 Principios de Fisher
7.2 Prueba F de Fisher
8 Referencias
9 V�ase tambi�n
10 Dise�o factorial 2k
10.1 Dise�o 2k para k = 2 factores
10.2 Dise�o 2k para k = 3 factores
10.3 Dise�o 2k con una r�plica
11 Aplicaciones
12 Aplicaciones seg�n la clasificaci�n de la industria
12.1 Industrias pesadas o de base
12.2 Industrias de bienes de equipo
12.3 Industrias ligeras o de uso y consumo
13 Pasos para el dise�o de un experimento
14 Un ejemplo
15 Ejemplo num�rico
16 V�ase tambi�n
17 Referencias
Perspectiva hist�rica
Ronald Fisher es considerado el padre del dise�o experimental en sus estudios de
agronom�a en el primer tercio del siglo XX. A la lista de los pioneros de su uso
hay que a�adir los de Frank Yates, W.G. Cochran y G.E.P. Box. Muchas de las
aplicaciones originarias del dise�o experimental estuvieron relacionadas con la
agricultura y la biolog�a, disciplinas de las que procede parte de la terminolog�a
propia de dicha t�cnica.
Por ejemplo, con dos factores y dos niveles en cada factor, un experimento
factorial tendr�a en total cuatro combinaciones de tratamiento, y se le denominar�a
dise�o factorial de 2�2.
Historia
Los dise�os factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y
Henry J. Gilbert de la Estaci�n experimental de Rothamsted.[1] Ronald Fisher
discuti� en 1926 que los dise�os �complejos�, como dise�os factoriales, eran m�s
eficientes que estudiando un factor a la vez.[2] Fisher escribi�: �ning�n aforismo
se repite tan frecuentemente respecto de las pruebas de campo, que aquel de que a
la Naturaleza debemos hacerle pocas preguntas, o, idealmente, hac�rselas de a una.
Quien escribe es un convencido de que este punto de vista est� totalmente
equivocado.� Un dise�o factorial permite el efecto de varios factores e incluso
interacciones entre ellas que se determinar�n con el mismo n�mero de ensayos que
son necesario determinar de los efectos por s� mismo con el mismo grado de
exactitud.
Notaci�n
Los puntos factoriales se pueden tambi�n abreviar cerca (1), a, b, y el ab, donde
la presencia de una letra indica que el factor especificado est� en su alto (o en
segundo lugar) nivel y la ausencia de una letra indica que el factor especificado
est� en su (o primero) nivel bajo (por ejemplo, �a� indica que el factor A est� en
su alto ajuste, mientras que el resto de los factores est�n en su ajuste del punto
bajo (o primero)). (1) se utiliza indicar que todos los factores est�n en sus (o
primero) valores m�s bajos.
Para poder finalmente obtener un modelo estad�stico que nos indique el valor de
respuesta al modificar los factores.
Ejemplo Real
El experimento factorial m�s simple contiene dos niveles para cada uno de dos
factores. Suponga los deseos de un ingeniero para estudiar la energ�a total usada
por cada uno de dos diversos motores, A y B, funcionando en cada uno de dos
diversas 2000 o 3000 RPM de las velocidades. El experimento factorial consistir�a
en cuatro elementos experimentales: viaje en autom�vil A en 2000 RPM, viaje en
autom�vil B en 2000 RPM, viaje en autom�vil A en 3000 RPM, y viaje en autom�vil B
en 3000 RPM. Cada combinaci�n de un solo nivel seleccionado de cada factor est�
presente una vez.
An�lisis de Yates
La t�cnica fundamental consiste en repartir el total en componentes mediante sumas
de cuadrados. Esta t�cnica tuvo efectos secundarios en el modelo. Por ejemplo,
demostramos el modelo para un ANOVA simplificado con un tipo de tratamiento en
diversos niveles.
{\displaystyle SC_{\text{Total}}=SC_{\text{Error}}+SC_{\text{Tratamientos}}\,\!}
{\displaystyle SC_{\text{Total}}=SC_{\text{Error}}+SC_{\text{Tratamientos}}\,\!}
{\displaystyle gl_{\text{Total}}=gl_{\text{Error}}+gl_{\text{Tratamientos}}\,\!}
{\displaystyle gl_{\text{Total}}=gl_{\text{Error}}+gl_{\text{Tratamientos}}\,\!}
Fisher
Principios de Fisher
El bi�logo y estad�stico ingl�s Ronald Fisher propuso una metodolog�a por el dise�o
de experimentos en sus libros The Arrangement of Field Experiments (1926) y The
Design of Experiments (1935). Mucho de su obra pionera trat� de las aplicaciones
agr�colas de sus m�todos de estad�stica. Por ejemplo, describi� c�mo probar la
hip�tesis de la catadora de t�. Estos m�todos se han adaptado en las ciencias
sociales y f�sicas y se usan todav�a en la ingenier�a agr�cola y que se difieren
del dise�o y an�lisis de experimentos de computaci�n.
Comparaci�n
En algunos campos de estudio no es posible tener medidas independientes que
conectan a una norma de metrolog�a trazable. Comparaciones entre tratamientos se
valen mucho m�s y normalmente se las prefieran. A menudo se compara con un control
cient�fico o tratamiento tradicional que act�a como un punto de referencia.
Aleatorizaci�n
Randomizaci�n es el proceso de asignar individuos al azar a grupos o a grupos
distintos en un experimento. La asignaci�n aleatoria a grupos (o condiciones
adentro de un grupo) distingue a rigorosos verdaderos experimentos de un estudio
observacional o cuasi-experimental.1? Existe un cuerpo extensivo de teor�a
matem�tica que explora las consecuencias de asignar las unidades de tratamiento por
medio de alg�n m�todo aleatorio como las tablas de n�meros aleatorios, o el uso de
aparatos aleatorios como naipes o dados. Asignar unidades de tratamiento
aleatoriamente tiende a mitigar los factor de confusi�n, los cuales hacen que los
efectos que no son por tratamientos parecer como s� fuesen resultados del
tratamiento. Los riesgos que se asocian con una asignaci�n aleatoria (como tener un
desbalance serio en una caracter�stica clave entre un grupo en tratamiento y un
grupo de control) se calculan y as� se las dirigen a un nivel m�s bajo y aceptable
por el hecho de usar bastantes unidades de experimentaci�n. Se pueden generalizar
los resultados de un experimento de las unidades de experimentaci�n a una poblaci�n
estad�stica de unidades pero solo si las unidades de experimentaci�n son un
muestreo de la poblaci�n m�s grande; el error probable de tal extrapolaci�n
dependse del tama�o de la muestra, entre otras cosas.
R�plica estad�stica
Normalmente se sujetan medidas a la variaci�n y la incertidumbre de medidas
significa que se las repiten y con experimentos enteros se los replican para ayudar
a identificar los fuentes de la variaci�n, por poder estimar los efectos verdaderos
de tratamientos, por fortalecer su fiabilidad y su validez, y por agregar al
conocimiento del t�pico.2? Sin embargo, necesita el cumplimiento de ciertas
condiciones antes que la r�plica se comience: la cuesti�n de investigaci�n original
se ha publicado en una revista de revisi�n por pares o citado ampliamente, el
investigador es independiente del experimento original, el investigador debe
primero intentar replicar los resultados del experimento original usando la data
original, y el resumen debe decir que el estudio es una r�plica que intente seguir
en los pasos del original en lo m�s estricto posible.3?
Prueba F de Fisher
Se utiliza para las comparaciones de los componentes de la desviaci�n total. Por
ejemplo, en una forma, o el solo-factor ANOVA, la significaci�n estad�stica es
probada para comparando la estad�stica de la prueba de F
Referencias
1.-Frank Yates and Kenneth Mather (1963). "Ronald Aylmer Fisher". Biographical
Memoirs of Fellows of the Royal Society of London 9: 91�120.
http://digital.library.adelaide.edu.au/coll/special//fisher/fisherbiog.pdf.
V�ase tambi�n
* Estad�stica bayesiana
Intervalo de confianza
Incertidumbre
Modelo estad�stico
Propagaci�n de errores
Dise�o factorial 2k
Cuando en un experimento hay varios factores de inter�s, utilizamos el dise�o
experimental factorial.
Existen varios casos especiales del dise�o factorial, pero el m�s importante de
todos ocurre cuando se tienen k factores, cada uno de ellos a dos niveles (22 es el
factorial m�s peque�o).
Debido a que s�lo hay dos niveles para cada factor, asumimos que la respuesta es
aproximadamente lineal en el rango de los niveles elegidos de los factores.
Normalmente consideramos estos niveles como los niveles alto y bajo del factor
ojtet El dise�o 22 puede ser representado geom�tricamente como un cuadrado con 4
ensayos.
Efecto = Contraste/n2K-1
SSx = [Contraste]2/n2k
Los efectos de inter�s en el dise�o 22, son los efectos principales de A y B y la
interacci�n AB.
A = [a+ab-b-(1)]/2n
B = [b+ab-a-(1)]/2n
AB = [ab+(1)-a-b]/2n
Las cantidades entre corchetes en las ecuaciones anteriores se llaman contrastes.
Podemos utilizar los contrastes para calcular las sumas de cuadrados para A, B y la
interacci�n AB.
SSA = [a+ab-b-(1)]2/4n
SSB = [b+ab-a-(1)]2/4n
SSAB = [ab+(1)-a-b]2/4n
SIGNOS ALGEBRAICOS PARA CALCULAR LOS EFECTOS DEL DISE�O 22
Comb. Tratamientos I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +
TABLA DE ANOVA DISE�O 22
Fuente de Variaci�n Suma de Cuadrados Grados de libertad Cuadrado Medio
FO
Tratamiento A SSA a-1 MSA = SSA / a-1 MSA / MSE
Tratamiento B SSB b-1 MSB = SSB /b-1 MSB/MSE
Interacci�n AB SSAB (a-1)(b-1) MSA = SSAB / (a-1)(b-1) MSAB/MSE
Error SSE ab(n-1) MSE = SSE / ab(n-1)
Total SST abn - 1
La SSE (Suma de cuadrados del Error) la obtendremos por diferencia, respecto a la
SST
A = [a+ab+ac+abc-(1)-b-c-bc]/4n
B = [b+ab+bc+abc-(1)-a-c-ac]/4n
C = [c+ac+bc+abc-(1)-a-b-ab]/4n
AB = [abc-bc+ab-b-ac+c-a+(1)]/4n
AC = [(1)-a+b-ab-c+ac-bc+abc]/n
BC = [(1)+a-b-ab-c-ac+bc+abc]/4n
ABC = [abc-bc-ac+c-ab+b+a-(1)]/4n
SIGNOS ALGEBRAICOS PARA CALCULAR LOS EFECTOS DEL DISE�O 23
Comb.Tratamientos I A B AB C AC BC ABC
(1) + - - + - + + -
a + + - - - - + +
b + - + - - + - +
ab + + + + - - - -
c + - - + + - - +
ac + + - - + + - -
bc + - + - + - + -
abc + + + + + + + +
TABLA DE ANOVA DISE�O 23
Fuente de Variaci�n Suma de Cuadrados Grados de Libertad Cuadrado Medio
F0
Tratamiento A SSA a-1 MSA = SSA/a-1 MSA/MSE
Tratamiento B SSB b-1 MSB = SSB/b-1 MSB/MSE
Tratamiento C SSC c-1 MSC =SSC/c-1 MSC/MSE
Interacci�n AB SSAB (a-1)(b-1) MSAB = SSAB/(a-1)(b-1) MSAB/MSE
Interacci�n AC SSAC (a-1)(c-1) MSAC=SSAC/(a-1)(c-1) MSAC/MSE
Interacci�n BC SSBC (b-1)(c-1) MSBC =SSBC/(b-1)(c-1) MSBC/MSE
Interacci�n ABC SSABC (a-1)(b-1)(c-1) MSABC =SSABC/(a-1)(b-1)(c-1) MSABC/ME
Error SSE abc(n-1)
Total SST abcn-1 MSE =SSE/abc(n-1)
Eliminaremos la interacci�n triple ABC, por lo que tendremos un grado de libertad
m�s para el error.
Aplicaciones
El dise�o de experimentos tiene una gran variedad de aplicaciones y puede ser
aplicado a un gran n�mero de industrias, la optimizaci�n de recursos, la
identificaci�n de causas de variabilidad son algunos de los objetivos del dise�o de
experimentos aplicados en nivel industrial. necesito experimentos de un solo
factor.