Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EXPERIMENTA
LES
M.Sc. Emerson D.
Contenido
SUMARIO OBJETIVOS
2 M.Sc. Emerson D.
INTRODUCCIÓN
Los investigadores de todos lo campos de estudio llevan a cabo
experimentos, por lo general para descubrir algo acerca de un
proceso o sistema particular. En este sentido, un experimento es
una prueba. El enfoque propia del diseño experimental parte de la
planeación y realización de experimentos y análisis de los datos
resultantes a fin de obtener conclusiones válidas y objetivas. Es
decir, un proceso puede ser afectado en forma mínima por fuentes
de variabilidad externas. De ello surge la premisa a responder:
¿Las soluciones son únicas? ¿Hay en este experimento otros
factores relacionales que deberían investigarse o controlarse?
¿Cuántas soluciones de ensayo deberían probarse? ¿Qué
método de análisis de datos deberá usarse? ¿La diferencia es
significativa entre las soluciones analizadas?
3 M.Sc. Emerson D.
El experimento se usa para estudiar el desempeño de procesos y sistemas.
En tanto el proceso, es la combinación de máquinas, métodos, personas u
otros recuerso que transforman cierta entrada(con frecuencia un material)
en un salida que tiene una o más respuestas observavles. Algunas variables
del proceso , , .. , son controlables, mientras que otras, , .. , sean mínimos.
Por tanto, la idea del experimentador es determinar la influencia que
tienen estos factores sobre la respuesta de salida del sistema, al enfoque
general para planear y llevar a cabo el experimento se llama estrategia
de experimentación.
M.Sc. Emerson D.
Algunas aplicaciones típicas del diseño experimental
El diseño experimental es una herramienta de importancia fundamental en el ámbito de la
ingeniería para mejorar el desempeño de un proceso de manufactura. Dentro ello, podemos
observar las fases iniciales del desarrollo de un proceso son:
Mejorar en el rendimiento del proceso
Variabilidad reducida y conformidad más próxima con los requisitos nominales o
proyectados.
Reducción del tiempo de desarrollo.
Reducción de los costos globales.
Y los método más empleados por el diseño de ingeniería establece:
La evaluación y comparación de configuraciones de diseños básicos.
La evaluación de materiales alternativos.
La selección de parámetros del diseño para que el producto tenga el mejor
funcionamiento.
La determinación de parámetros del diseño del producto relacionada al desempeño.
5 M.Sc. Emerson D.
Pautas generales para diseñar experimentos
Identificación y exposición del problema
Elección de los factores, niveles y rangos.
Selección de la variable de respuesta.
Elección del diseño experimental
Realización del experimento.
Análisis estadístico de los datos.
Conclusiones y recomendaciones..
6 M.Sc. Emerson D.
1.1. El diseño de un experimental
En resumen, el diseño de un experimento consiste, en la
secuencia completa y planificada de pasos previstos de
antemano para asegurar que se tomaran los datos apropiados
con el fin de realizar un análisis objetivo de un problema
determinado y que conducirán a conclusiones válidas.
Objetivos
⊷ Reproducción:
Es la repetición del experimento básico o
tratamiento en diferentes unidades experimentales, cuyas razones
son:
- Proporciona un estimación del error experimental, que actúa
como una unidad básica de medida para indicar el significado
de las diferencias observadas o para determinar la amplitud de
un intervalo de confianza.
- Permite obtener una estimación más precisa del efecto medio
de cualquier factor, puesto que la varianza de la media es igual
a
8 M.Sc. Emerson D.
1.2. Pincipios básicos de un diseño de experimentos
9 M.Sc. Emerson D.
1.3. Pasos para ejecutar un diseño de experimento
11 M.Sc. Emerson D.
1.4. Consideraciones para diseñar un experimento
1.4.1 selección de
variables:La selección de las variables independientes depende de los objetivos
formulados, estas variables pueden interactuar entre sí o no, algunas de ellas
son mas influyentes que otras en variables respuestas, para su selección se les
tendrá que analizar con la ayuda de los expertos.
La variable respuesta o dependiente, el investigador lo seleccionara
dependiendo de que esta tenga la característica de ser el mejor indicador de los
efectos de los tratamientos aplicados; esta variable debe ser susceptible al ser
medido, además debe ser sensible y confiable. Se dice que una variable
dependiente es insensible cuando no refleja ninguna diferencia entre los
efectos de tratamientos que están presentes; en tanto que la confiabilidad de
una variable depende de la consistencia de los resultados cuando se toman
varias medidas sobre la misma unidad experimental.
12 M.Sc. Emerson D.
1.4.2 Métodos para controlar las variables
exógenas Mantener constante la variable exógena para todas las unidades
experimentales.
Asignar al azar las unidades experimentales en los niveles de tratamiento,
con la finalidad de eliminar los errores sistemáticos.
Aparear las unidades experimentales según la variable exógena, mientras
solo se tenga que controlar uno o dos variables exógenas, este método es
confiablemente factible, sin embargo, como sucede con otros métodos de
control las dificultades aumentan a menudo que aumentan las variables
exógenas
Emplear el control estadístico, se puede controlar los efectos de las
variables exógenas por medio de una técnica que se conoce con el
nombre de análisis de covarianza.
13 M.Sc. Emerson D.
1.4.3 Métodos para controlar las variables
exógenas
14 M.Sc. Emerson D.
1.4.4 Potencia y eficiencia
relativa
La potencia de una prueba es la probabilidad de
rechazar una hipótesis nula que es falsa, viene
expresado por (1-β), en tanto que la eficiencia
relativa sirve para comparar la cantidad de
información proporcionada por dos diseños
experimentales, para lo cual se usan las
varianzas.
( 𝒏𝟏+𝟏 ) ( 𝒏 𝟐+𝟑 ) 𝑺𝟐𝟐
𝑬𝑹 = 𝟐
( 𝒏𝟐+𝟏 ) ( 𝒏 𝟏+𝟑 ) 𝑺𝟏
Donde los y son los cuadrados medios del error de los
diseños 1 y 2 respectivamente.
15 M.Sc. Emerson D.
II. Diseño con un factor
2.1. Diseño completamente aleatorio
⊷ Los tratamientos son asignados completamente al azar.
⊷ No impone ninguna restricción. A excepción si estas son homogéneas.
Ventajas Desventajas:
Fácil de planificar y analizar. El diseño es eficiente solo
El número de repeticiones por tratamiento para un pequeño número de
puede ser diferente. tratamientos y para material
experimental homogéneo.
2.1.1. Diseño con una observación por unidad experimental y con igual
número de repeticiones
MODELO ESTADÍSTICO : es el valor de la respuesta o rendimiento observado , en el i-éismo tratamiento la j- èsima repetición. Son
variables aleatorias.
= µ ++ µ: efecto medio verdadero.
: efecto del i-éismo tratamiento.
: efecto del error experimental en el i-éismo tratamiento de la j- èsima repetición.
= = t: número de tratamientos.
16 n: número de repeticiones.
M.Sc. Emerson D.
SUPUESTOS:
- Aditividad : los efectos del modelo son añadidos
- linealidad: las relaciones entre los efectos del modelo lineales.
- Normalidad: losa errores son variables aleatorias y deben poseer una
distribución normal.
- Independencia: los resultados son independientes entre si.
- homogeneidad de varianzas: las diferentes poblaciones aplicadas de los
diferentes tratamientos deben tener igual varianza.
17 M.Sc. Emerson D.
I: Modelos de efectos fijos
En este caso se hará el ANVA según el modelo t , en consecuencia se probara la igualdad de
los efectos de losa tratamientos , es decir : ∀ i = 1,2,3,4,…,t además los efectos de los
tratamientos se considera como desviaciones de la media global µ , es :
=µ+
=µ-
=0
Por otro lado , para los cálculos se usara la siguiente simbología:
Total de las observaciones bajo el i-ésimo tratamiento.
= = Promedio de las observaciones bajo el i-ésimo tratamiento.
Y.. =T=: Total de las observaciones
.. = Media total de todas las observaciones
N = nt
Fc = = Factor de corrección
18 M.Sc. Emerson D.
I: Modelos de efectos fijos
Suma de cuadrados debido a la media
- SCT = - =
SCE = = - -
Cuadro ANVA
19 M.Sc. Emerson D.
Cuadro de recopilación de datos
0
0 Para algún i =
21 M.Sc. Emerson D.
2.3. Intervalos de confianza para la media del i-ésimo tratamiento
Se puede estimar los promedios poblacionales en forma interválica usando la siguiente
formula:
Se sabe que: : ∀ i = 1,2,3,4,…,t
22 M.Sc. Emerson D.
II: Modelos de efectos Aleatorios
En muchas, situaciones, el factor de interés puede tener un número muy grande de niveles
posibles, además el analista puede estar interesado en obtener conclusiones sobre toda la
población de niveles de dicho factor, si el investigador escoge una muestra aleatoria de niveles
del factor, entonces se dice que los efectos son aleatorios, por tanto las conclusiones
alcanzadas deben ser extendidas a la población de niveles; para ello se debe usar:
∀ i = 1,2,3,4,…,t
∀ j = 1,2,3,4,…,n
En este caso los efectos del tratamiento y lo errores son variables aleatorias independientes,
aún cuando el modelo es lo mismo que en el caso de efectos fijos, pero los parámetros tienen
interpretaciones diferentes, pues:
V() = +
A las varianzas + se les conoce como components de varianza, razón por la cual al modelo se
le conoce también como components de varianza. Para probar la hipótesis se supone que los
errores tienen distribución normal e independiente con media cero y varianza constante
seguida DNI (0, ) , asimismo sigue DNI (0,)
23 M.Sc. Emerson D.
II: Modelos de efectos Aleatorios
De acuerdo a la esperanza de los cuadrado medios de los tratamientos, no tiene sentido
probar , pues resulta más apropiado probar : = 0 , frente a : > 0 , si = 0, entonces todos los
tratamientos tienen idénticos efectos pero si > 0 , entonces significa que existe variabilidad
entre los efectos de los tratamientos, en tanto que el ANVA sigue siendo lo mismo.
= Es una F con (t-1) y t(n-1)g.l. Si es cierta
24 M.Sc. Emerson D.
Cuantificación de la variabilidad
Variabilidad Variabilidad
Variabilidad total
debida a residual
en los datos = diferencias entre + (diferencia
tratamientos dentro de cada
(efecto del factor tratamiento.
proveedor)
Suma de
Suma de = cuadrados de + Suma de
cuadrados los cuadrados
totales tratamientos residuales
o factor
25 M.Sc. Emerson D.
2.4. Análisis de residuos
El ANVA de un solo factor supone que las observaciones se distribuyen normal e
independientemente, con la misma varianza en todos los tratamientos o niveles del factor.
Estas suposiciones se pueden verificar examinando los residuos o errores.
( 𝑌´ 1 − 𝑌´ 2 ) −(µ 1 − µ2 )
𝑡=
2 2
𝑆1 𝑆 2
√ ( + )
𝑛1 𝑛 2
27 M.Sc. Emerson D.
el valor experimental es mayor que el valor tabular, se dice que la diferencia entre y es
Si
significativa, entonces el DSM se considera como el menor de las diferencias | | y como ( ) =
0 , según se puede considerer a la DSM = | | = ∀ i ≠ j
Si = = = CME y = n; además t = con los grados de libertad del CME, consecuencia
DSM =
28 M.Sc. Emerson D.
2.5.2. Prueba de Tukey
Cuando realizamos una prueba simple de comparación entre 2 medias, no existe mayores problemas con la
decisión de rechazar la , pero cuando se realiza varias pruebas de este tipo, existen serias dificultades con la
Tasa de Error Experimeno Jucio, es decir, con la probabilidad de falso rechazo de almenos una hipótesis,
que está dado por la expression.
P=
: probabilidad de cometer error tipo I.
r = t (t - 1)/2
Claramente se nota que esta probabilidad tiende a crece si r aumente, así por ejemplo, si t = 5 luego
r=5(5-1)/2 = 10, es decir, 10 pruebas de pares de medias.
P=
P = 0,40126
A partir de este proceso, se recomienda tener cuenta métodos que no agraven los resultados, prueba de la
diferencia significativa honesta de Tukey (DSHT)), esta prueba se usa al igual que la DSM, después que
se haya rechazado la del ANVA y cuando los tamaños muestrales son iguales, pero en este caso se emplea
el valor , con grados de libertad del CME del ANVA en lugar de , el valor que se tiene de la table
correspondiente con un determinado para los t tratamientos en studio y los grados de libertad del CME
como se mencionó:
29 M.Sc. Emerson D.
2.5.2. Prueba de Tukey
= CME
n = número de réplicas o muestras
30 M.Sc. Emerson D.
2.5.3. Prueba de Duncan
Llamada también Rango Múltiple de Duncan o intervalos múltiples de Duncan, este es otra prueba para
determinar la diferencia entre pares de medias después de que se haya rechazado la hipótesis nula en el
ANVA. Este procedimiento también se basa en la noción general del Rango estandarizado, el rango de
cualquier subconjunto de t medias muestrales debe exceder cierto valor antes de que se encuentre que
cualquiera de t medias muestrales debe exceder cierto valor antes de que se encuentre que cualquiera de las t
medias sea diferente, este valor se llama Rango de menor significancia para las t medias y se le denota por
Rt, cuya expresión es el siguiente:
= CME
n = número de réplicas o muestras
Los valores cuya denominación es la de rango estandarizado de menor significancia, depende del que se
desea y el número de grados de libertad correspondiente a los grados de libertad del CME del ANVA
respective, el valor se obtiene de la table correspondiente. Cuando los tamaños muestralos son diferentes, se
recomienda reemplarlos por la media armónica de ellos:
=
31 M.Sc. Emerson D.
Aplicación Caso 10:
Emplee el caso 09, para determinar entre cuáles pares de medias existen diferencias
significativas usando Duncan.
Datos
= 17,29 5 n = 7
= 27,00 CME = 15,3524
= 37,71 30g.l
= 46,86
= 65,86
Solución
= =
∝=0,05
𝑆2
32
𝑅𝑡 =𝑟 𝑡
√ 𝑛
M.Sc. Emerson D.
Luego se determina la diferencia de las medias muestrales, el resultado se compara con el
valor tabular, si la diferencia es mayor al valor tabular se rechaza , de lo contrario no habrá
evidencia suficiente para rechazarlo.
33 M.Sc. Emerson D.
Rango estandarizado de menor
significancia de Duncan
34 M.Sc. Emerson D.
Rango estandarizado de menor
significancia de Duncan
35 M.Sc. Emerson D.
Aplicación en el software Minitab 18
36 M.Sc. Emerson D.