Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DOCENTE:
INTEGRANTES DE EQUIPO:
SEMESTRE:
MODALIDAD:
SABATINO.
ÍNDICE.
Contenido
INTRODUCCIÓN. ................................................................................................................................. 3
3.1 FAMILIA DE DISEÑOS PARA COMPARAR TRATAMIENTOS............................................... 4
3.2 EL MODELO DE EFECTOS FIJOS. ............................................................................................ 5
3.3 DISEÑO COMPLETAMENTE ALEATORIO Y ANOVA. ............................................................ 6
3.4 COMPARACIONES O PRUEBAS DE RANGOS MÚLTIPLES................................................. 9
3.5 VERIFICACION DE LOS SUPUESTOS DEL MODELO. ......................................................... 12
CONCLUSIÓN: ................................................................................................................................... 14
REFERENCIAS: .................................................................................................................................. 15
INTRODUCCIÓN.
En esta unidad se presentan los diseños experimentales que se utilizan cuando el objetivo
es comparar más de dos tratamientos. Puede ser de interés comparar tres o más
máquinas, varios proveedores, cuatro procesos, tres materiales, cinco dosis de un
fármaco, etc.
3.1 FAMILIA DE DISEÑOS PARA COMPARAR TRATAMIENTOS.
De acuerdo con los modelos dados en la tabla, para cada diseño comparativo se tienen
al menos dos fuentes de variabilidad: los tratamientos o niveles del factor de interés y el
error aleatorio. Se agrega una nueva fuente de variabilidad por cada factor de bloque que
se controla directamente. Se observa que los diseños suponen que no hay efectos de
interacción entre los factores, lo cual sería lo deseable que ocurra; de no ocurrir así, tal
efecto se recarga al error y el problema de comparación no se resuelve con éxito.
Un efecto de interacción entre dos factores hace referencia a que el efecto de cada factor
depende del nivel en que se encuentra el otro.
3.2 EL MODELO DE EFECTOS FIJOS.
El modelo de efectos fijos (es cuando se estudian todos los posibles tratamientos) de
análisis de la varianza se aplica a situaciones en las que el experimentador ha sometido
al grupo o material analizado a varios factores, cada uno de los cuales le afecta sólo a la
media, permaneciendo la "variable respuesta" con una distribución normal.
Este modelo se supone cuando el investigador se interesa únicamente por los niveles del
factor presentes en el experimento, por lo que cualquier variación observada en las
puntuaciones se deberá al error experimental.
Donde es el parámetro de escala común a todos los tratamientos, llamado media global,
es un parámetro que mide el efecto del tratamiento y es el error atribuible a la medición.
Este modelo implica que en el diseño completamente al azar actuarían a lo más dos
fuentes de variabilidad: Los tratamientos y el error aleatorio.
En la práctica puede suceder que los tratamientos que se desea comparar sean
demasiados como para experimentar con todos. Cuando esto sucede es conveniente
comparar sólo una muestra de la población de tratamientos, de modo que pasa a ser una
variable aleatoria con su propia varianza que deberá estimarse a partir de los datos.
3.3 DISEÑO COMPLETAMENTE ALEATORIO Y ANOVA.
En esta unidad se examinarán técnicas desarrolladas para probar las diferencias en las
medias de varios grupos. Esta metodología se clasifica bajo el título general de análisis
de varianza o ANOVA. Primero se considerará un modelo ANOVA completamente
aleatorizado o en un sentido que solo tiene un factor con varios grupos (como pueden ser
el tipo de llanta, la variedad de ejotes, la medicina de patente). Sin embargo, el análisis
de varianza se puede ampliar fácilmente para manejar casos donde se estudie más de
un factor en un experimento.
PROBLEMA DE “ANOVA”.
Ho: µi=µj
H1: µi ≠ µ j
para toda i ≠ j, para llevar a cabo estas comparaciones existen muchos métodos.
Ejemplo:
Se supone que la cantidad de carbón usada en la producción de acero tiene un efecto en
su resistencia a la tensión.
Se desea saber cuáles son las parejas de medias que difieren
Formula:
Datos:
Se dice que una pareja de medias difiere significativamente si el valor absoluto de las
diferencias de los promedios de los tratamientos correspondientes es mayor que LSD =
5.65.
Método de Duncan
Ejemplo:
Supongamos que nos interesa probar las hipótesis de cuatro métodos de ensamble.
En la tabla de ANOVA se lee que CME=2.46 lo cual se basa en 12 grados de libertad. Y
el error estándar de cada promedio es:
a) Normalidad
b) Varianza constante (igual varianza de los tratamientos)
c) Independencia
Esto es, la respuesta (Y) se debe distribuir de manera normal, con la misma varianza en
cada tratamiento y las mediciones deben ser independientes. Estos supuestos sobre Y
se traducen en supuestos sobre el termino error (ε) en el modelo
Es una práctica común utilizar la muestra de residuos para comprobar los supuestos del
modelo, ya que, si los supuestos se cumplen, los residuos o residuales se pueden ver
como una muestra aleatoria de una distribución normal con media cero y varianza
constante.
Los residuos “e i j”, se definen como la diferencia entre la respuesta observada (Yij) y la
respuesta predicha por el modelo (Yij), lo cual permite hacer un diagnóstico más directo
de la calidad del modelo, ya que su magnitud señala qué tan bien describe a los datos
del modelo.
Los gorros indican que son estimadores, es decir, valores calculados a partir de los datos
del experimento. El término del error desaparece del modelo estimado, por el hecho de
que su valor esperado es igual a cero (E(εij) = 0
Como la media global se estima con …. el efecto del tratamiento con el modelo
ajustado del DCA.
Para comprobar cada supuesto existen pruebas analíticas y gráficas que veremos a
continuación. Por sencillez, muchas veces se prefieren las pruebas gráficas. Éstas tienen
el inconveniente de que no son exactas, pero, aun así, en la mayoría de las situaciones
prácticas proporcionan la evidencia suficiente en contra o a favor de los supuestos.
Normalidad
Esta gráfica del tipo X-Y tiene las escalas de tal manera que, si los residuos siguen una
distribución normal, al graficarlos tienden a quedar alineados en una línea recta; por lo
tanto, si claramente no se alinean se concluye que el supuesto de normalidad no es
correcto. Cabe enfatizar el hecho de que el ajuste de los puntos a una recta no tiene que
ser perfecto, dado que el análisis de varianza resiste pequeñas y moderadas
desviaciones al supuesto de normalidad.
Varianza constante
Una forma de verificar el supuesto de varianza constante (o que los tratamientos tienen
la misma varianza) es graficado los predichos contra residuos por lo general va en el
eje horizontal y los residuos en el eje vertical. Si los puntos en esta gráfica se distribuyen
de manera aleatoria en una banda horizontal (sin ningún patrón claro y contundente),
entonces es señal d que se cumple el supuesto de que los tratamientos tienen igual
varianza. Por el contrario, si se distribuyen con algún patrón claro y contundente, como
por ejemplo una forma de corneta o embudo, entonces es señal de que no se está
cumpliendo el supuesto de varianza constante.
Independencia
En conclusión, para los experimentos con un solo factor su objetivo es componer más de dos
tratamientos, con el fin de elegir la mejor alternativa entre las variables que existen y como
comparar los tratamientos en cuantos a sus medias poblacionales etc.
Para el diseño de un experimento debemos tener en cuenta los efectos y las características de
nuestro problema a resolver. Como se puede apreciar un diseño debe ser lo más sencillo posible
y así poder ahorrar tiempo inversión.
REFERENCIAS:
file:///C:/Users/jennifer%20avenda%C3%B1o/Downloads/toaz.info-verificacion-de-los-
supuestos-del-modelo-pr_d6abaf7290c55f2af5ff3adca7bb3d6f.pdf.
file:///C:/Users/jennifer%20avenda%C3%B1o/Downloads/pdfcoffee.com_familia-de-
diseos-para-comparar-tratamientosdocx-5-pdf-free.pdf