Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NÚCLEO DE MONAGAS
COORDINACIÓN DE POSTGRADO
MAESTRÍA DE INGENIERÍA DE GAS
ESTADÍSTICA APLICADA A LA INGENIERÍA
ALEATORIZACIÓN
La palabra aleatorio se usa para expresar una aparente carencia de propósito, causa,
u orden. En cambio, el término aleatoriedad se usa a menudo como sinónimo con un
número de propiedades estadísticas medibles, tales como la carencia de tendencias o
correlación, es decir, que no haya patrones que se puedan identificar.
La aleatoriedad ocupa un lugar importante en la ciencia y la filosofía.
¿Cómo podremos asegurar que las observaciones, y por tanto, los errores
experimentales, sean independientes? En general no se puede asegurar pues, como mínimo,
comparten un mismo terreno, mano de obra, etc. Sin embargo, si se aleatoriza la toma de
muestra y se asignan aleatoriamente los tratamientos a las unidades, las pruebas actúan
como si la anterior suposición fuera cierta. No es que la aleatorización asegure la
independencia sino que permite actuar como si lo fuera. Hay casos que la total
aleatorización del experimento no solo es imposible sino, además no recomendable. Lo
grave no es restringir la aleatorización si no tenerla en cuenta en el análisis de los datos y en
las conclusiones que se obtengan del análisis. Una gran parte de los diseños clásicamente
empleados y ampliamente descritos en las publicaciones como los bloques al azar, parcela
dividida “cross-over”, etc., tienen algún tipo de falta de aleatorización; incluso existen
diversos diseños totalmente sistemáticos. Estos últimos, los análisis basados en la
descomposición de la variación y la posterior prueba de significación mediante la
distribución F, no son aplicables.
Aun cuando el dato de algún tratamiento se hayan perdido, o rechacen por alguna
causa el método de análisis sigue siendo sencillo.
En comparación con otros diseños experimentales donde se pueda ejercer control local, los
DCA son menos sensibles y tienen un poder analítico más débil. A continuación, algunas
de las desventajas contenidas dentro de lo propiamente dicho:
Es apropiado para un número pequeño de tratamientos.
Es apropiado sólo en caso de disponer de material experimental homogéneo.
Presenta falta de sensibilidad, y esta se debe a que todos los factores que no se
controlaron se acumulan en el error experimental, provocando que este aumente y
no permita detectar diferencias significativas entre los tratamientos. Por este motivo
los investigadores estadígrafos se dedicaron a buscar diseños experimentales más
complejos, pero que fueran capaz de estimar el error experimental con mayor grado
de precisión.
La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de
estimar el error estándar por unidad experimental (error experimental) con un mayor
grado de precisión.
No siempre puede garantizarse condiciones de homogeneidad. No se asegura,
ninguna forma para aseverar que las unidades reciben un tratamiento similar a
aquellas que reciben otro tratamiento, toda la variación que existe entre las unidades
pasa a formar parte del error experimental.
PROCEDIMIENTO DE ANÁLISIS
Procedimiento
Determinar el número de unidades experimentales (n) y numerarlas. Es posible
obtener “n” al multiplicar el número de tratamientos por el número de repeticiones
n = (t * r).
Asignar el número de unidades experimentales a cada tratamiento utilizando una
tabla de números aleatorios o bien cualquier otra herramienta que sirva para el
mismo propósito. Por ejemplo si cada tratamiento ha de repetirse cuatro veces, los
primeros cuatro números aleatorios obtenidos se asignarán al tratamiento A, los
siguientes cuatro números aleatorios al tratamiento B, y así sucesivamente.
Con estas fuentes de variación se obtienen los cuadrados de las sumatorias de las
desviaciones, tanto del tratamiento como del error y se construye una tabla de ANOVA
Una vez que se rechaza la hipótesis nula y se acepta la hipótesis alternativa, se debe
investigar cuales tratamientos resultaron diferentes, o cuales tratamientos resultaron
diferentes, lo cual se puede realizar con diferentes métodos, dónde el más sencillo y usado
es el de las Diferencias Mínimas Significativas.
Dónde:
Tα/2, N-K= t Student (tablas)
N= repeticiones.
i-j= tratamientos
La tabla de ANOVA a llenar para conseguir el valor –p y comparar con el valor de alfa α o
nivel de significancia es la siguiente:
Tabla 1.1 ANOVA:
Dónde:
Yi•= Suma de las observaciones del tratamiento i.
Ῡi•= Media de las observaciones del i-ésimo tratamiento.
Y••= Suma total de las N= n1+n2+…+nk mediciones.
Ῡ••= Media global o promedio de todas las observaciones.
Ho=Hipótesis nula
µ T 1 = µ T 2 ó T k = 0 (El factor no tiene efecto)
6 7 11 10
8 9 16 12
7 10 11 11
8 8 13 9
Yi•=
Yi•= 29 34 51 42
7,25 8,5 12,75 10,5
Ῡi•=
Y••= 156
Con estos datos y aplicando las ecuaciones presentadas en la tabla 1.1 de ANOVA
obtenemos los resultados de cada uno de los términos para obtener finalmente el valor –p.
Se han aplicado correctamente todas las ecuaciones y procedimientos matemáticos
(bastante sencillos) hasta llenar la tabla 1.3, obteniendo los siguientes resultados:
El valor de P, se puede obtener buscando en una tabla de la distribución F de Fisher y/o con
herramientas de cálculo en calculadoras científicas avanzadas, paquete de Microsoft Excel,
etc. Entonces una vez obtenido el valor –p se compara con alfa α, para probar la hipótesis.
Dónde:
Si el valor –p es menor que alfa se rechaza la hipótesis nula
Si el valor –p es mayor que alfa no se rechaza la hipótesis nula.
En conclusión: Como el valor –p es menor que alfa α=0,05 se concluye que al menos un
tratamiento (diseño o ensamble interno del separador) es diferente del resto.
REFERENCIA BIBLIOGRÁFICA