Está en la página 1de 13

“AÑO 

DE LA UNIVERSALIZACIÓN DE LA SALUD”

UNIVERSIDAD ALAS PUERUANAS


FILIAL MADRE DE DIOS

FACULDAD DE INGENERIA Y ARQUITECTURA


ESCUELA PROFESIONAL DE INGENIERA CIVIL

Tema:

“DISEÑOS ESTADÍSTICOS EXPERIMENTALES EN LA INVESTIGACIÓN


CIENTÍFICA EN INGENIERÍA”

CURSO : ESTADISTICAS Y PROBABLIDADES

DOCENTE: VITOLY BECERRA MONTALVO

ALUMNO: JOSE CRISTIAN DELGADO NINA

NOVIEMBRE -2020

MADRE DE DIOS –PERU

pág. 1
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

Contenido
1. INRODUCCION :.........................................................................................................................2
2. OBJETIVOS.................................................................................................................................3
3. DISEÑO ESTADÍSTICO EXPERIMENTAL.............................................................................4
3.1 CONCEPTO DE DISEÑO DE INVESTIGACIÓN............................................................................5
3.2 ELEMENTOS CLAVE EN EL DISEÑO EXPERIMENTAL:...............................................................5
3.2.1 Replicación y pseudorreplicación:.......................................................................5
3.2.2 Aleatorización y espaciamiento:............................................................................5
3.3 CLASIFICACIÓN DEL DISEÑO EXPERIMENTAL.........................................................................5
3.3.1 En función del número de variables independientes que se manipulan:....5
3.3.2 En función del número de variables dependientes que se registren:..........5
3.3.3 En función del número de observaciones por sujeto y condición
experimental:..............................................................................................................................6
3.3.4 En función de su capacidad para controlar las variables extrañas y
reducir la variancia de error...................................................................................................6
3.4 CÁLCULOS APLICADOS A LOS DISEÑOS ESTADÍSTICOS...........................................................6
3.4.1 Análisis de varianza :...............................................................................................6
3.4.1.1 Maximizar la varianza sistemática o experimental........................................7
3.4.1.2 Controlar la varianza sistemática......................................................................7
3.4.2 Pruebas de significación.........................................................................................7
3.5 FACTORES FIJOS Y FACTORES ALEATORIOS :......................................................8
3.6 TIPOS DE VARIABLES.....................................................................................................9
3.7 PRINCIPIOS BASICOS DEL DISEÑO EXPERIMENTAL.............................................9
3.8 CLASES DE DISEÑOS.............................................................................................................10
3.8.1 Según la línea de investigación...........................................................................10
3.8.2 Según el grado de control.....................................................................................10
3.8.3 Según la técnica de control..................................................................................11
3.8.4 Según el número de variables independientes................................................12
4. CONCLUCION:.........................................................................................................................13

pág. 2
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

1. INRODUCCION :
Diseños estadísticos experimentales se refiere al proceso para planear el
experimento de tal forma que se recaben datos adecuados que puedan analizarse
con métodos estadísticos que lleven a conclusiones válidas y objetivas. Cuando el
problema incluye datos que están sujetos a errores experimentales,
la metodología estadística es el único enfoque objetivo de análisis. Por lo tanto,
cualquier experimento incluye dos aspectos:

El diseño del experimento y el análisis estadístico de los datos. Es común que


durante el proceso de investigación se utilicen diseños experimentales no
adecuados, es decir que no responden al objetivo de la investigación y por lo tanto,
su análisis estadístico también será equivocado, por lo que se llegan a conclusiones
erradas, cuando esto ocurre la investigación no tiene ninguna validez.

pág. 3
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

2. OBJETIVOS

EL diseño estadísticos experimental es un medio de importancia en la ingeniera civil para


mejorar el rendimiento de un proceso de manufactura, así como el desarrollo de nuevos
productos

Tiene como objetivo:

 Determinar cuáles son las variables que tienen mayor influencia en la variable de
respuesta
 Determinar el mejor valor de las variables controlables que influyen en la respuesta, de
manera que esta tenga casi siempre un valor cercano al valor nominal deseado
 Determinar la mejor combinación de las variables controlables que ayuden a reducir la
variabilidad de la respuesta
 Establecer la combinación optima de las variables controlables con objetivo de
minimizar los efectos de las variables incontrolables

Su aplicación en una fase temprana de la evolución de un proceso puede dar como


resultado:

 Mejora el rendimiento del proceso


 Reducción de variabilidad y aumento del apego a especificaciones o valor objetivo
 Menor tiempo de desarrollo
 Minimización de costo
 Maximizar el efecto de la variable independiente
 Controlar las variables extrañas de efectos sistemáticos
 Reducir el efecto de las variables extrañas con efectos aleatorios
-

pág. 4
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

3. DISEÑO ESTADÍSTICO EXPERIMENTAL

3.1 CONCEPTO DE DISEÑO DE INVESTIGACIÓN

El diseño estadístico de experimentos incluye un conjunto de técnicas de


análisis y un método de construcción de modelos estadísticos que,
conjuntamente, permiten llevar a cabo el proceso completo de planificar un
experimento para obtener datos apropiados, que puedan ser analizados con
métodos estadísticos, con objeto de obtener conclusiones válidas y objetivas. El
análisis de la varianza o abreviadamente ANOVA (del inglés analysis of
variance) es un procedimiento estadístico que permite dividir la variabilidad
observada en componentes independientes que pueden atribuirse a diferentes
causas de interés.
3.2 ELEMENTOS CLAVE EN EL DISEÑO EXPERIMENTAL:

3.2.1 Replicación y pseudorreplicación:


Replicar consiste en disponer al menos de dos unidades experimentales por
cada tipo de tratamiento. La incorrecta consideración de lo que constituye una
unidad experimental se conoce como

3.2.2 Aleatorización y espaciamiento:


Otro aspecto fundamental es la distribución de las réplicas en el espacio: un
esquema de disposición espacial aceptable debe considerar la adecuada
separación o espaciamiento (interspersion) de aquellas unidades experimentales
con el mismo tratamiento. Lo ideal es una distribución aleatoria.
- Control del diseño: Por control del diseño nos referimos a la consideración de
otros elementos que tiene por objeto reducir el error experimental.

3.3 CLASIFICACIÓN DEL DISEÑO EXPERIMENTAL

Los diseños experimentales se clasifican en diseños experimentales clásicos y


diseños de caso único. Los diseños experimentales clásicos se clasifican en
función de varios criterios:
3.3.1 En función del número de variables independientes que se
manipulan:
Diseños simples, en los que se manipula una sola variable independiente.
Diseños factoriales, en l en los que se manipulan dos o más variables
independientes

pág. 5
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

3.3.2 En función del número de variables dependientes que se registren:


Diseños invariables, en los que registra una sola variable dependiente.
Diseños multivariables, en los que se registra más de una variable dependiente.
3.3.3 En función del número de observaciones por sujeto y condición
experimental:
Diseño transversal (también denominado diseño crosssectional o estático) en el
que disponemos de una sola medida u observación por sujeto y condición.
Diseño longitudinal, en el que disponemos de más de una medida u
observación. Clasificación del diseño experimental
3.3.4 En función de su capacidad para controlar las variables extrañas y
reducir la variancia de error.
Diseño de grupos al azar: la asignación de los sujetos a los grupos
experimentales se realiza al azar.
Diseño de grupos homogéneos: los grupos experimentales no se forman por
aleatorización pura sino introduciendo ciertas restricciones de manera que los
grupos sean homogéneos respecto de cierta característica de interés.
Diseño de medidas repetidas: es aquél en el que el investigador registra dos o
más medidas de la variable dependiente para cada sujeto o unidad
experimental. Cada una de estas medidas se tomará bajo la acción de cada una
de las condiciones de tratamiento
3.4 CÁLCULOS APLICADOS A LOS DISEÑOS ESTADÍSTICOS

3.4.1 Análisis de varianza :

El análisis de la varianza (o Anova: Analysis of variance) es un método para


comparar dos o más medias, que es necesario porque cuando se quiere
comparar más de dos medias es incorrecto utilizar repetidamente el contraste
basado en la t de Student. por dos motivos:
En primer lugar, y como se realizarían simultánea e independientemente varios
contrastes de hipótesis, la probabilidad de encontrar alguno significativo por azar
aumentaría. En cada contraste se rechaza la H0 si la t supera el nivel crítico,
para lo que, en la hipótesis nula, hay una probabilidad a. Si se
realizan m contrastes independientes, la probabilidad de que, en la hipótesis
nula, ningún estadístico supere el valor crítico es (1 - a)m, por lo tanto, la
probabilidad de que alguno lo supere es 1 - (1 - a)m, que para valores
de a próximos a 0 es aproximadamente igual a a m. Una primera solución,
denominada método de Bonferroni, consiste en bajar el valor de a, usando en su
lugar a/m, aunque resulta un método muy conservador.

pág. 6
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

Por otro lado, en cada comparación la hipótesis nula es que las dos muestras
provienen de la misma población, por lo tanto, cuando se hayan realizado todas
las comparaciones, la hipótesis nula es que todas las muestras provienen de la
misma población y, sin embargo, para cada comparación, la estimación de la
varianza necesaria para el contraste es distinta, pues se ha hecho en base a
muestras distintas.
El método que resuelve ambos problemas es el anova, aunque es algo más que
esto: es un método que permite comparar varias medias en diversas
situaciones; muy ligado, por tanto, al diseño de experimentos y, de alguna
manera, es la base del análisis multivariante.
El principio estadístico en el que se basa este control lo sintetiza así: maximizar
la varianza sistemática, controlar la varianza sistemática y minimizar la varianza
de error (principio maxmincon de Kerlinger).
3.4.1.1 Maximizar la varianza sistemática o experimental.

La varianza se refiere casi siempre a la varianza de la variable dependiente. Al


hablar de varianza experimental quiere decirse la varianza de la variable
dependiente influida por la variable independiente de la hipótesis de
investigación. En el ejemplo del diseño factorial la varianza experimental se
refiere a la varianza de las puntuaciones, variable dependiente, debida
presumiblemente a métodos, X1 y X2, y tiempo Y1 e Y2 o variables
independientes. Por eso normalmente se persigue diferenciar bien los valores
asignados a las variables independientes para que, en caso de existir relación
entre estos y la variable dependiente, darle la oportunidad de manifestarse.
Además hay que tener en cuenta que la varianza total se debe a numerosas
fuentes; si las condiciones experimentales apenas difieren, es más difícil separar
de la varianza total, la parte de la varianza que hipotéticamente se debe a ellas.
Y es que como escribe Arnau (1981) esta varianza máxima se logra bien
aumentando la diferencia de los valores de la variable independiente, o bien
seleccionando sus valores óptimos. En el ejemplo citado es menos probable que
aparezcan diferencias estadísticamente significativas, si existen, si comparamos
dos métodos de enseñanza muy parecidos en sus características que si se
comparan métodos más extremos. El "ruido" de la investigación hace que no se
perciban diferencias pequeñas.
3.4.1.2 Controlar la varianza sistemática

es sinónimo de control de variables extrañas, ajenas a los objetivos del estudio y


que pueden actuar como variables independientes, es decir, ser explicaciones
rivales de los resultados. En la medida en que la posible influencia de dichas
variables extrañas se anula, aísla o minimiza, en esa misma medida
controlamos la varianza experimental. Más adelante estudiaremos diferentes
formas de controlarlas

pág. 7
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

3.4.2 Pruebas de significación

 
Las pruebas de significación estadística sirven para comparar variables entre
distintas muestras. Si la distribución de la muestra es normal se aplican los
llamados tests paramétricos. Si la distribución no puede asumirse normal se
aplican las pruebas no paramétricas. Hay que tener siempre en cuenta que los
tests paramétricos son más potentes y dan más información que los no
paramétricos, por lo que, si pueden usarse, se prefieren. El uso indiscriminado
de muestras de distribución fuera de la normalidad conlleva el peligro de obtener
conclusiones erróneas. 

En general, con pocos datos, es preferible, si no es difícil ni conlleva un alto


coste de tiempo y dinero, realizar más determinaciones para poder aplicar
pruebas paramétricas al lograr una distribución normal. El teorema del límite nos
dice que si el tamaño de la muestra es suficiente, la distribución siempre tiende
a ser normal, lo que juega a nuestro favor. También hay que tener presente que
la mayoría de las veces no hay suficiente

Es muy importante tener en cuenta que en las pruebas de significación


estadística siempre se plantea la hipótesis nula "H0" (no hay diferencias
significativas entre los estadísticos de las muestras comparadas), y la hipótesis
alternativa "H1" (hay diferencias significativas). Se obtiene mucha mayor
información cuando se puede rechazar la hipótesis nula, lo que quiere decir que
los estadísticos de las muestras que se comparan son diferentes entre sí con
una probabilidad mayor del 95%. Si no se puede rechazar la hipótesis nula (p >
0,05) se pierde mucha información porque no se puede decir que sean iguales.

Para analizar la dispersión se usa el concepto de "cuadrados medios (CM)". El


cuadrado medio es la suma de los cuadrados de las diferencias de los valores
individuales con respecto a un valor central (generalmente la media), partido por
los grados de libertad que tiene esa muestra. Elevar al cuadrado cada diferencia
tiene la ventaja de que hacemos positivas todas las diferencias, porque en
realidad lo que queremos valorar es la distancia de los valores al valor central,
sin importarnos si están por arriba o por debajo. El dividir por los grados de
libertad, sencillamente nos permite comparar sumatorios de cuadrados "SC"
entre grupos con distinto tamaño de muestra. Sería absurdo decir que una
muestra con 50 valores tiene más dispersión que otra de 5 valores porque tiene
un SC mayor, evidentemente la suma de 50 diferencias será mayor que la suma
pág. 8
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

de 5, a no ser que las diferencias en la muestra con 5 valores sean muy


grandes. Si recapitulamos un poco podemos imaginar la variancia como un
cuadrado medio

3.5 FACTORES FIJOS Y FACTORES ALEATORIOS :


Una variable la consideramos factor fijo cuando sus niveles o valores son
considerados de interés específico en la investigación y son seleccionados o
“deliberadamente”.
Una variable la consideramos como factor aleatorio cuando sus niveles o valores
se seleccionan aleatoriamente entre todos los posibles.
Los efectos fijos son los que analizamos normalmente sobre observaciones
estadísticamente independientes. Los efectos aleatorios surgen cuando tenemos
más de una observación en cada unidad experimental (Venables y Ripley 2002).
3.6 TIPOS DE VARIABLES

Variable independiente:
es aquella que manipula el investigador con objeto de comprobar qué efecto
produce sobre el aspecto que le interesa modificar.
• Variable dependiente:
es el aspecto que nos interesa modificar, sobre el que se predicen cambios en
función de la manipulación de la variable independiente.
• Variables extrañas
(o de posible confundido): son aquellas que pueden incidir sobre la variable
dependiente provocando cambios sobre ésta no deseados. Es imprescindible
que se controlen.
3.7 PRINCIPIOS BASICOS DEL DISEÑO EXPERIMENTAL

Los principios básicos del diseño experimental son: repetición, aleatorización, y


control local. Repetición: Viene a ser la reproducción o réplica del experimento
básico (asignación de un tratamiento a una unidad experimental). Las
principales razones por las cuales es deseable la repetición son : Primero por
que proporciona una estimación del error experimental, siendo tal estimación
confiable a medida que aumenta el número de repeticiones, y segundo permite
estimaciones más precisas del tratamiento en estudio.
Aleatorización: Consiste en la asignación al azar de los tratamientos en estudio
a las unidades experimentales con el propósito de asegurar que un determinado

pág. 9
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

tratamiento no presente sesgo. Por otro lado la aleatorización hace válidos los
procesos de inferencia y las pruebas estadísticas.
Control Local (Control del error Experimental): Consiste en tomar medidas
dentro del diseño experimental para hacerlo más eficiente, de tal manera que
pueda permitir la reducción del error experimental y así hacerla más sensible a
cualquier prueba de significación.

3.8 CLASES DE DISEÑOS

Son varios los criterios que pueden emplearse en su clasificación. Los más
empleados son: la línea de investigación, el grado de control, la técnica de
control empleada y el número de variables independientes, o una combinación
de los anteriores.

3.8.1 Según la línea de investigación

Según la línea de investigación que se esté utilizando, existen dos tipos de


diseños: diseños estadísticos y diseños no estadísticos (Castro, 1980; Arnau,
1981).
Los primeros, que aparecen por la década de los veinte, siguen la tradición
hipotético- deductiva y se les conoce también con el nombre de diseños de
grupos, por trabajar con grupos de sujetos. Recurren normalmente a la
aleatorización como técnica de control y emplean técnicas estadísticas en el
contraste de hipótesis. Hoy se habla de ellos como de diseños clásicos o de
tradición fisheriana.
Los diseños no estadísticos son aquéllos que siguen la línea inductiva, gozando
de cierta tradición en las investigaciones clásicas de un solo sujeto de Wundt,
Ebbinghauss, Watson, Thorndike, y otros autores. Esta línea de investigación
fue revitalizada por Skinner allá por los anos treinta, siendo bastante empleada
en la investigación de laboratorio dos décadas después. Estos diseños utilizan
un solo sujeto o una muestra muy reducida y, como técnicas de control, emplean
la eliminación y la constancia. Normalmente, no recurren a pruebas de análisis
estadístico

pág. 10
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

3.8.2 Según el grado de control

Una segunda clasificación del diseño puede ser en preexperimentales,


cuasiexperimentales y experimentales propiamente dichos (Campbell y Stanley,
1991). En ella, se atiende a la capacidad de los distintos diseños para controlar
las variables experimentales que pueden interferir con la variable independiente
o tratamiento experimental y contaminar los resultados observados en el
experimento. Cuando el nivel de control es muy alto, hablamos de diseños
experimentales propiamente dichos. Cuando es muy bajo, estamos ante un
diseño preexperimental o piloto o

ante un diseño cuasiexperimental o de campo. Estos últimos diseños consisten


en la observación directa de los fenómenos en su medio ambiente natural, sin
apenas influir sobre las distintas variables del estudio. Como se verá más
adelante, este tipo de estudios tienen ventajas e inconvenientes, pero son muy
poco utilizados en el campo de las Ciencias de la Salud.
Todos ellos se inscriben en la tradición estadístico-fisheriana y son, por tanto,
diseños de grupo. Utilizan técnicas de control como la aleatorización y el
emparejamiento al formar los grupos. La generalización de sus conclusiones
está relacionada con el grado de control.

3.8.3 Según la técnica de control

Este criterio de clasificación (McGuigan, 1976, Arnau, 1981) se fija en la técnica


de control específica que se utiliza en los distintos diseños. Así, cuando se
emplea la aleatorización, tenemos los diseños de grupos al azar, que pueden
ser de dos o más grupos. En ellos se emplea la selección al azar tanto al elegir
los sujetos como al asignarlos a grupos y tratamientos experimentales.
Cuando la técnica de control es la constancia de las condiciones
experimentales, se habla de diseños de grupos apareados o de diseños de
bloques.
En los diseños de grupos apareados se emplea alguna medida inicial de los
grupos, denominada variable de apareamiento para lograr la equivalencia inicial
de éstos antes de introducir los tratamientos experimentales. Para la asignación
de las condiciones experimentales se recurre normalmente al azar.

pág. 11
“AÑO DE LA UNIVERSALIZACIÓN DE LA SALUD”

En los diseños de bloques, la muestra total se divide en grupos o bloques


atendiendo a alguna característica llamada variable de bloqueo. A su vez, cada
bloque se subdivide en tantos grupos como condiciones experimentales existan,
y se asignan a éstas aleatoriamente. Tanto la variable de apareamiento como la
de bloqueo deben estar estrechamente relacionadas con la variable
dependiente.
Finalmente, cuando el sujeto es su propio control, tenemos el diseño
intrasujetos. En él, cada sujeto es sometido a todos los valores de la variable
independiente o condiciones experimentales, midiéndose la variable
dependiente bajo cada una de las condiciones. La comparación de estas
medidas permite determinar los efectos de los distintos valores de la variable
independiente.
3.8.4 Según el número de variables independientes

De acuerdo con el número de variables independientes que intervienen se habla


de diseños univariables y diseños multivariables (McGuigan, 1976; Escotet,
1980; Arnau, 1981).
Los diseños univariables utilizan una sola variable independiente, que puede
variar de dos maneras: diseños bicondicionales o de dos grupos, o de varias,
diseños multicondicionales. En estos últimos son necesarios tantos grupos como
valores tome la variable independiente. Los diseños univariables son los más
utilizados en el campo de las Ciencias de la Salud y, concretamente, de la
Histología. Presentan la ventaja de su sencillez y el fácil control de todos los
factores que afectan al experimento, aunque adolecen de cierta artificialidad,
puesto que la realidad nunca es sencilla ni simple.
Los diseños multivariables emplean dos o más variables independientes y se les
conoce con el nombre de diseños factoriales, los cuales admiten a su vez
nuevas clasificaciones si nos fijamos en la técnica de control utilizada. Estos
diseños permiten obtener información sincrónica sobre varias variables
experimentales, pero tienen el problema de su gran complejidad y la necesidad
de utilizar muestras de gran tamaño.

pág. 12
“Año de la universalización de la salud”

4. CONCLUCION:

-EL diseño estadísticos experimentales en la investigación científica


constituye un aspecto fundamental y necesario de todo proceso científico

-EL diseño estadísticos experimentales en la investigación científica


constituye desglosa las estrategias básicas que el investigador adopta para
generar información exacta a interpretable

13

También podría gustarte