Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseño experimental
para un factor
-
4.1 Introducción, conceptualización, importancia y alcances del
diseño experimental en el ámbito empresarial.
4.2 Clasificación de los diseños experimentales.
Diseño Completamente Aleatorizado
Es el diseño más simple y sencillo de realizar en el cual los
tratamientos se eligen al azar entre las unidades experimentales o
viceversa. Este diseño tiene amplia aplicación cuando las unidades
experimentales son muy homogéneas.
Diseño en Bloques Completamente Aleatorizado
Al estudiar la influencia de un factor sobre una variable cuantitativa
es frecuente que aparezcan otras variables o factores que también
influyen y que deben ser controladas. A estas variables se les
denomina variables bloque y se caracterizan por: No son el motivo
de estudio sino que aparecen de forma natural y obligada en el
mismo. Se asume que no tiene interacción con el factor en estudio.
4.3 Nomenclatura y simbología en el diseño experimental.
Es un diseño experimental de clasificación simple, se trata de
comparar varios grupos generalmente llamados Métodos o
Tratamientos, como por ejemplo diferentes maneras de tratar una
enfermedad: con medicamentos, quirúrgicamente, acupuntura, etc.
Para hacer la comparación se usa una variable de respuesta
cuantitativa Y que es medida en cada uno de los grupos. Los grupos
también pueden ser los niveles de una variable cualitativa que es
llamada factor. SIMBOLOGIA T= Tratamientos C= Control F=
Factores A= Número de tratamientos N= Tamaños de la muestra R=
Replica o repetición R= Asignación al azar o aleatoria E=
Emparejamiento o nivelación G= Grupo de sujetos X= Tratamiento,
estimulo o condición experimental O= Medición de los sujetos de
un grupo: ausencia de estímulo en la variable independiente (grupo
testigo). DEFINICIONES Tratamientos: Son las condiciones las cuales
distinguen las poblaciones de interés. Control: Es la capacidad que
tiene el investigador para elegir según su voluntad los elementos
que intervienen en la investigación. Efecto: Es el cambio en la
variable de respuesta por el cambio de nivel de un factor. Factores:
Son las variables las cuales se presume que afectan la característica
de interés en el proceso. Factores controlables: Son aquellos con un
grado de control, es decir que se pueden manejar, variar o
manipular con gran facilidad. Factores ruido: Son aquellos sobre los
cuales el grado de control es menor y el manejo es más difícil.
Niveles del factor: Son las diferentes categorías dentro de un factor
de las cuales puedes estudiar. Corrida o unidad experimental: Ente
al cual se aplica el tratamiento y sobre el cual se mide la variable
respuesta. Partición: Proceso que distribuye la suma total de
cuadrados y de grados de libertad entre sus diversos componentes.
Interacción: Efecto que se produce cuando los niveles de un factor
interactúan con los niveles del otro factor e influyen en la variable
de la respuesta. Cuando uno o más factores trabajan juntos para
producir un efecto diferente que los efectos producidos por
aquellos factores de manera individual. Diseño de bloques
aleatorizado: Diseño de experimentos en el que se usa la formación
de bloques. Experimento factorial: Diseño experimental en el que
se obtienen simultáneamente conclusiones acerca de dos o más
factores. Combinación: Es la asignación de un solo nivel a un factor,
o de varios niveles a todos los factores en una corrida experimental.
Variable de respuesta: Es el resultado de una corrida experimental.
Variable a estudiar. Corrida experimental: Implementación de cada
una de las interacciones. Bloque: Agrupación planteada de factores
o combinaciones. Se realiza a manera de minimizar la variación no
incluida en el diseño. Replicación: Es una repetición del
experimento básico o el número de veces que se replican cada uno
de los tratamientos. Bloqueo: Es una técnica usada para
incrementar la precisión de un experimento mediante la
eliminación de variación introducida por los factores ruido.
Aleatorización: Es el principio básico fundamental en el uso de
métodos estadísticos en diseño experimental. Análisis de varianza
(NOVA): Es el proceso de subdividir la variabilidad total de las
observaciones experimentales en porciones atribuibles a fuentes de
variación conocidas. Este es el método estadístico más utilizado en
el análisis de experimentos.
4.4 Identificación de los efectos de los diseños experimentales.
El diseño experimental, como técnica de investigación toma
importancia en los años 80’s, en donde se le da una aplicación
estadística de los proyecto de seis sigma buscando el famoso
número 3.4 defectos por millón de unidades producidas. El diseño
experimental busca entonces a través de una serie de herramientas
estadísticas aplicadas metodizar los ensayos de prueba y de error
para encontrar la mejor combinación de variables independientes
que optimice una variable de respuesta en una circunstancia
determinada. El diseño experimental prescribe una serie de pautas
relativas que variables hay que manipular, de qué manera, cuantas
veces hay que repetir el experimento y en qué orden, para poder
establecer con un grado de confianza predefinido las necesidades
de una presunta relación de causa-efecto. El diseño experimental
es una técnica estadística que permite identificar y cuantificar las
causas de un efecto dentro de un estudio experimental. En un
diseño experimental se manipulan deliberadamente una o más
variables, vinculadas a las causas, para medir el efecto que tienen
en otra variable de interés.
4.5 La importancia de la aleatorización de los especímenes de
prueba.
La aleatorización consiste en que tanto la asignación del material
experimental como el orden en que se realizan las pruebas
individuales o ensayos se determinan aleatoriamente y la
importancia de esta consiste en: 1. Garantizar la validez de la
estimación del error experimental. 2. Garantizar la independencia
de los errores o que las observaciones sean variables aleatorias
independientes. Esto es necesario para obtener pruebas de
significancia válidas y estimados de intervalos. 3. Eliminar el sesgo
de tal manera que no se desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños
que pudieran estar presentes. La aleatorización hace válida la
prueba, haciéndola apropiada para analizar los datos como si la
suposición de errores independientes fuera cierta. Obsérvese que
no hemos dicho que la aleatorización garantiza independencia, sino
sólo que la aleatorización nos permite proceder como si la
independencia fuera un hecho. La razón de esta distinción debe ser
clara: los errores asociados con unidades experimentales que son
adyacentes en espacio o tiempo, tenderán a correlacionarse, y todo
lo que hace la aleatorización es asegurarnos que el efecto de esta
correlación, sobre cualquier comparación entre los tratamientos, se
hará tan pequeña como sea posible. Aún quedará algo de
correlación, pero ninguna cantidad de aleatorización puede
eliminarla totalmente. Es decir, en cualquier experimento, la
independencia de errores completa y verdadera es sólo ideal y
nunca puede lograrse. Sin embargo, por todos conceptos, debe
buscarse tal independencia y la aleatorización es la mejor técnica
empleada para lograr el fin deseado. Algunas veces se introduce el
concepto de aleatorización como un instrumento para “eliminar”
tendencias. Para ilustrar el razonamiento en que se basa este
procedimiento A y B debe ser parcial a favor de B, si existe un
efecto de aprendizaje. Sin embargo, si cada vez que tuvo que
investigarse un nuevo compuesto, el analista hubo de decidir al
azar cuál procedimiento usar primero, la tendencia pudo haber sido
reducida, tal vez eliminada. Pero, podría haberse logrado algo más.
Si estuviesen actuando otras tendencias, también se podrían haber
eliminado sus efectos (o al menos reducido) por medio de
aleatorización. Es decir asignando tratamientos al azar a las
unidades experimentales, estamos tratando de certificar que los
tratamientos no serán favorecidos continuamente o perjudicados
por fuentes extrañas de variación, sobre las que no tenga control el
experimentador o sobre los cuales decida no ejercer control. En
otras palabras, la aleatorización es como un seguro; siempre es una
buena idea y algunas veces es aún mejor de lo que esperamos.
4.6 Supuestos estadísticos en las pruebas experimentales
A. Aditividad -Los factores o componentes del modelo estadístico
son aditivos, es decir la variable respuesta es la suma de los efectos
del modelo estadístico. B. Linealidad -La relación existente entre los
factores o componentes del modelo estadístico es del tipo lineal. C.
Normalidad -Los valores resultados del experimento provienen de
una distribución de probabilidad “Normal” con media m y varianza
s^2. D. Independencia -Los resultados de un experimento son
independientes entre sí. E. Varianzas homogéneas -Las diversas
poblaciones generadas por la aplicación de dos o más tratamientos
tienen variancias homogéneas (varianza común). Tabla ANOVA
para diseño completamente aleatorizado. Fuente de variación
Tratamientos Error
Suma de cuadrados SStratamientos SSE