Página 1

2.-Objetivo general: Investiga, indaga, comprende, aplica los

fundamentos de inferencia estadística en diseños experimentales
factorial de dos factores.
En estadística, un experimento factorial completo es un experimento cuyo diseño consta de dos o más factores, cada uno
de los cuales con distintos valores o niveles, cuyas unidades experimentales cubren todas las posibles combinaciones de
esos niveles en todo los factores. Este tipo de experimentos permiten el estudio del efecto de cada factor sobre la variable
respuesta, así como el efecto de las interacciones entre factores sobre dicha variable.

Por ejemplo, con dos factores y dos niveles en cada factor, un experimento factorial tendría en total cuatro combinaciones
de tratamiento, y se le denominaría diseño factorial de 2×2.

Si el número de combinaciones en un diseño factorial completo es demasiado alto para su procesamiento, puede optarse
por un diseño factorial fraccional, en el que se omitan algunas de las combinaciones posibles.

Los diseños factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y Henry J. Gilbert de la Estación
experimental de Rothamsted.

[[Ronald Fisher discutió en 1926 que los diseños «complejos», como diseños factoriales, eran más eficientes que
estudiando un factor a la vez. Fisher escribió: «ningún aforismo se repite tan frecuentemente respecto de las pruebas de
campo, que aquel de que a la Naturaleza debemos hacerle pocas preguntas, o, idealmente, hacérselas de a una. Quien
escribe es un convencido de que este punto de vista está totalmente equivocado».

Un diseño factorial permite el efecto de varios factores e incluso interacciones entre ellas que se determinarán con el mismo
número de ensayos que son necesario determinar de los efectos por sí mismo con el mismo grado de exactitud.

Yates realizó importantes contribuciones significativas hechas, particularmente en el análisis de diseños, por Análisis de
Yates.

El término factorial no se pudo haber utilizado en la impresión antes de 1935, cuando Fisher la utilizó en su libro El diseño
de experimentos.
Ejemplo Real
El experimento factorial más simple contiene dos niveles para cada uno de dos factores. Suponga los deseos de un
ingeniero para estudiar la energía 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 consistiría en cuatro elementos experimentales:
viaje en automóvil A en 2000 RPM, viaje en automóvil B en 2000 RPM, viaje en automóvil A en 3000 RPM, y viaje en
automóvil B en 3000 RPM. Cada combinación de un solo nivel seleccionado de cada factor está presente una vez.

Este experimento es un ejemplo de 2^2 (o 2x2) experimento factorial, nombrado así porque considera dos niveles (la base)
para cada uno de dos factores (la energía o el exponente), o #lniveles#factores, produciendo 22 puntos factoriales= 4. Los
diseños pueden implicar muchas variables independientes. Como otro ejemplo, los efectos de tres variables entradas se
pueden evaluar en ocho condiciones experimentales demostradas como las esquinas de un cubo. Esto se puede conducir
con o sin la réplica, dependiendo de su propósito previsto y recursos disponibles. Proporcionará los efectos de las tres
variables independientes en la variable dependiente y las interacciones posibles(en caso de haber más de 3 se habla de un
hiperespacio)

Objetivos específicos:

1. Investiga los fundamentos de ANOVA.

 análisis de varianza (ANOVA) prueba la hipótesis de que las medias de dos o más poblaciones son
iguales. Los ANOVA evalúan la importancia de uno o más factores al comparar las medias de la variable de
respuesta en los diferentes niveles de los factores. La hipótesis nula establece que todas las medias de la
población (medias de los niveles de los factores) son iguales mientras que la hipótesis alternativa establece
que al menos una es diferente.

Para ejecutar un ANOVA, debe tener una variable de respuesta continua y al menos un factor categórico
con dos o más niveles. Los análisis ANOVA requieren datos de poblaciones que sigan una distribución
aproximadamente normal con varianzas iguales entre los niveles de factores. Sin embargo, los
procedimientos de ANOVA funcionan bastante bien incluso cuando se viola el supuesto de normalidad, a
menos que una o más de las distribuciones sean muy asimétricas o si las varianzas son bastante
diferentes. Las transformaciones del conjunto de datos original pueden corregir estas violaciones.

ejemplo, usted diseña un experimento para evaluar la durabilidad de cuatro productos de alfombra
experimentales. Usted coloca una muestra de cada tipo de alfombra en diez hogares y mide la durabilidad
después de 60 días. Debido a que está examinando un factor (tipo de alfombra), usted utiliza un ANOVA de
un solo factor

2. Indaga en las características, principios y fundamentos de VARIANZA.

Análisis de Varianza ANOVA es el onceavo fascículo, de una serie de guías de estudio en las que se desarrollan
los temas de los programas de las asignaturas del área de Probabilidad y Estadística, así como temas selectos
que complementan el aprendizaje de de esta disciplina. Tienen la característica de que el estudiante adquiera
sólo aquella que trate el tema que necesite reforzar o el que sea de su propio interés. Estas guías de estudio
pretenden reorientar y actualizar el enfoque con el que se debe abordar el estudio de los métodos estadísticos,
despertando la inquietud por aprender y resolver los problemas y casos planteados. Cada guía integra el
desarrollo del tema con ejercicios, casos de estudio y con la sección llamada Aprendiendo.com. En esta última
sección se le proporciona al estudiante un ambiente interactivo, utilizando los recursos disponibles en Internet,
de tal forma que los casos planteados los desarrolle en ambientes de aprendizaje que le permitan encontrarse
con el conocimiento, “manipularlo”, hacerlo suyo. Con esta filosofía se utilizan applets, sitios de internet con
acceso a bases de datos reales, software de uso libre y en general los recursos de la Web 2.0, que se refieren a
una segunda generación en la historia de la Web basada en comunidades de usuarios, que fomentan la
colaboración y el intercambio ágil de información entre los mismos

3. Aplica los principios del modelado experimental.

Algunos principios básicos del diseño experimental tienen que ver con la formulación del problema bajo investigación, la
escogencia del diseño experimental, la ejecución del experimento, el análisis de los datos y la interpretación de los
resultados. Estos principios se discutirán en forma general, dejando los detalles específicos referentes a los diseños
experimentales para sesiones posteriores.

Cuando se describieron los pasos de un experimento se enfatizó el aspecto estadístico en particular. En la figura 1 se
observa el "triángulo estadístico" formado por la selección del diseño experimental, la formulación del modelo estadístico y
el análisis de los datos. Para garantizar el análisis estadístico y para incrementar su sensibilidad, se debe tener en cuenta
tres principios básicos en cualquier experimento: la replicación, la aleatorización y el bloqueo o control local.
Se vacían los en una hoja de Excel de la siguiente manera

Se

importan los datos desde Excel y se hace un análisis descriptivo

Hacemos un cambio de variables cuantitativas a factor

Se vuelve a repetir el análisis descriptivo

Se aplican los resúmenes numéricos con el alcohol

Y después con el factor base

Se aplica la prueba de normalidad para ver si los datos se distribuyen normal o no

Una vez verificado que nuestros datos están distribuidos normalmente se hace otra prueba de
intervalo de confianza

Realizamos un histograma de frecuencias, un diagrama de caja para el factor del alcohol y uno
para la base

Se realiza el modelo line

Teniendo en cuenta que el factor base en el nivel 2 no es significativo se construye la tabla
anova
Ahora se procede nuevamente a hacer el modelo de regresión lineal pero esta vez sin la base ya
que tiene un valor P muy alto

Nuevamente se realiza la tabla de anova

Viendo como resultado que el factor alcohol con interacción base arrojan el mejor análisis de
varianza, y para validar esto se calculan unas graficas básicas de diagnósticos
Como se observa en lasgráficas de residuos de normalidad y homocedasticidad todas cumplen con los
supuestos, y seguido a esto calculamos los intervalos de confianza
Y por último se agrega el grafico de interacciones
En el grafico se puede ver una interacción entre el alcohol y la base que son las mismas
interacciones de nuestro modelo lineal

Página
13