“INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA”.

“ESTADÍSTICA INFERENCIAL II”.

DOCENTE:

MARCO ANTONIO ZARATE.

INTEGRANTES DE EQUIPO:

• JENNIFER CRISTELL AVENDAÑO DIAZ.

• VIVIANA BEATRIZ SÁNCHEZ SALVADOR.
• MARÍA GUADALUPE BOLÓN ORTIZ.

“INVESTIGACIÓN DOCUMENTAL UNIDAD 3”.

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 este tipo de diseño de experimento se considera un sólo factor de interés y el objetivo

es comparar más de dos tratamientos, con el fin de elegir la mejor alternativa entre las
varias que existen, o por lo menos para tener una mejor comprensión del comportamiento
de la variable de interés en cada uno de los distintos tratamientos.

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.

Los diseños experimentales más utilizados para comparar tratamientos son:

1. Diseño completamente al azar (DCA)

2. Diseño en bloque completamente al azar (DBCA)
3. Diseño en cuadro latino (DCL)
4. Diseño en cuadro grecolatino (DCGL)

La diferencia fundamental entre estos diseños es el número de factores de bloque que

incorporan o controlan de forma explícita durante el experimento. La comparación de los
tratamientos en cuanto a la respuesta media que logran, en cualquiera de estos diseños,
se hace mediante la hipótesis que se prueba con la técnica estadística llamada Análisis
de Varianza (ANOVA) con uno, dos, tres o cuatro criterios de clasificación, dependiendo
del número de factores de bloques incorporados al diseño.

Diseño Factores de ANOVA Modelo Estadístico.

DCA 0 Un criterio
DBCA 1 Dos criterios
DCL 2 Tres criterios
DCGL 3 Cuatro criterios.

El modelo estadístico que describe el comportamiento de la variable observada Y en cada

diseño, incorpora un término adicional por cada factor de bloqueo controlado.

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.

La media global de la variable de respuesta no se considera una fuente de variabilidad

por ser una constante común a todos los tratamientos, que hace las veces de punto de
referencia con respecto al cual se comparan las respuestas medias de los tratamientos.

Si la respuesta media de un tratamiento particular es ¨muy diferente¨ de la respuesta

media global, es un síntoma de que existe un efecto de dicho tratamiento, ya que como
se verá más adelante. La diferencia que debe tener las medias entre sí para concluir que
hay un efecto (que los tratamientos son diferentes), nos lo dice el análisis de varianza
(ANOVA).

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.

La hipótesis de investigación, el diseño del tratamiento y el diseño del estudio

experimental o por observación, constituyen el diseño de investigación para el estudio.
Los tratamientos se diseñan para resolver preguntas e hipótesis específicas que surgen
en los programas de investigación. Por ejemplo, si un microbiólogo plantea la hipótesis
de que la actividad de los microbios del suelo depende de las condiciones de humedad,
se establecen tratamientos con distintos niveles de humedad para medir la actividad de
los microbios y evaluar la hipótesis.

Si un ingeniero de tránsito plantea la hipótesis de que la velocidad del tránsito se relaciona

con el ancho de los carriles de las calles, para evaluar la hipótesis se seleccionan carriles
con diferente anchura y se mide la velocidad de los automóviles en cada uno.

El diseño de tratamiento debe encontrarse dentro del diseño del experimento. El

investigador debe decidir que constituye una unidad experimental, cuántas réplicas de
unidades experimentales exige cada tratamiento y que tratamiento asignar a cada una
de ellas.

ANÁLISIS DE VARIANZA (ANOVA).

En muchos campos de aplicación se requiere comparar métodos, tratamientos o

materiales, de acuerdo con algunos criterios predeterminados. Por ejemplo, una
organización de consumidores quizá desee determinar que marca de llantas dura más,
en autopista; un investigador agrícola querría saber qué tipo de ejotes dan un rendimiento
más alto; un investigador médico le interesa evaluar el efecto de diferentes medicamentos
de patente para reducir la presión sanguínea.

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”.

En un experimento para determinar el efecto de la nutrición sobre los intervalos de

atención de los estudiantes de las escuelas básicas, un grupo de 15 estudiantes se
asignó al azar uno de tres planes de comidas: sin desayuno, desayuno ligero y desayuno
completo. Sus intervalos de atención (en minutos) se registraron durante un periodo de
lectura por la mañana y se muestran en la siguiente tabla.

Intervalos de atención de los estudiantes después de tres planes de comida.

Plan # 1 Plan # 2 Plan # 3 Sumatoria de Y

Sin desayuno Desayuno ligero Desayuno completo ΣY

8 14 10 32
7 16 12 35
9 12 16 37
13 17 15 45
10 11 12 33
Σ T1= 47 Σ T2= 70 Σ T3 = 65 ΣYTOTAL = 182

ΣT1)2 = (47)2 =2209 (ΣT2)2 = (70)2 = 4900 (ΣT3)2 = (65)2 = 4225

Y = es el valor de cada celda

ΣY2 = 82+72+92+132+102+142+162+122+172+112+102+122+162+152+122 =2338K =
# de tratamientos, k = 3, nj = # de elementos de cada tratamiento, nj = 5 n
= # total de elementos n = 15
• CM = coeficiente de corrección para la media
CM = (ΣY)2/nCM = (182)2/15,
CM = 2208.266
• SUMA TOTAL DE CUADRADOS = TSS
TSS = ΣY2 – CM = 2338 – 2208.266TSS =
TSS= 129fit734
• SUMA DE CUADRADOS PARA TRATAMIENTOS = SST
T = valor de cada tratamiento
SST = ΣTt2/nj – CM = 2209+4900+42255 – 2208.266
5
SST = 2266.8 – 2208.266 = 58.534
SST 58.534
Suma de cuadrados del error = SSE
SSE = TSS – SST
SSE = 129.734 – 58.534
SSE = 71.2
CÁLCULO DE LA HIPÓTESIS (como tenemos 3 tratamientos k =3, tenemos 3u)
Ho: u1 = u2 = u3 = 0
Ha: u1 ≠ u2 ≠ u3 ≠ 0
Si α = 0.05, V1 = k – 1 = 3 – 1 = 2, V2 = n – k = 15 – 3 = 12
V1 = 2, V2 = 12, el punto crítico Fα = 3.89 de la tabla de Fisher
3.4 COMPARACIONES O PRUEBAS DE RANGOS MÚLTIPLES.

En un experimento el investigador puede estar interesado en comparar todas las parejas

de “a” medias de tratamiento

Ho: µi=µj

H1: µi ≠ µ j

para toda i ≠ j, para llevar a cabo estas comparaciones existen muchos métodos.

Método LSD (diferencia mínima significativa)

Este procedimiento es una extensión de la prueba de t de Student para el caso

comparación de dos medias con varianza ponderada.
Se define como la diferencia mínima que podría existir entre dos medias de muestras
significativamente diferentes.

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:

• Encontrando el valor del LSD, con la fórmula establecida.

 • Calculando la diferencia de los promedios.

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

Se utiliza para comparar todos los pares de medias.

Esta prueba no requiere de una prueba previa de t tratamientos, se ordenan de forma

ascendente.

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:

dado que se hicieron n=4 observaciones en cada tratamiento.

De la tabla de rangos significantes de Duncan se utiliza α=0.05 y 12 grados de libertad.

• Rangos mínimos significantes:

3.5 VERIFICACION DE LOS SUPUESTOS DEL MODELO.

Verificación de los supuestos del modelo La validez de los resultados obtenidos en

cualquier análisis de varianza queda supeditada a que los supuestos del modelo se
cumplan. Estos supuestos son:

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.

Cuando se realiza el ANOVA, y sólo cuando éste resulta significativo, entonces se

procede a estimar el modelo ajustado o modelo de trabajo.

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

Un procedimiento gráfico para verificar el cumplimiento del supuesto de normalidad de

los residuos consiste en graficar los residuos en papel o en la gráfica de probabilidad
normal que se incluye casi en todos los paquetes estadísticos.

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

La suposición de independencia en los residuos puede verificarse si se grafica el orden

en que se colectó un dato contra el residuo correspondiente. De esta manera, si al
graficaren el eje horizontal el tiempo (orden de corrida) y en el eje vertical los residuos
 CONCLUSIÓN:

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