Documentos de Académico
Documentos de Profesional
Documentos de Cultura
COATZACOALCOS
Ingeniería Industrial
Enero-Junio 2023
ESTADISTICA INFERENCIAL II
Unidad III: Diseño de experimentos de un factor.
Fecha: 17/Mayo/2023
Contenido
INTRODUCCIÓN ............................................................................................................... 3
CONCLUSIÓN ................................................................................................................. 14
GLOSARIO DE TERMINOS............................................................................................... 15
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A.
Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la fecha
se encuentra bastante desarrollada y ampliada. Actualmente las aplicaciones son
múltiples, especialmente en la investigación de las ciencias naturales, ingeniería,
laboratorios y casi todas las ramas de las ciencias sociales.
3
3.1 Familia de diseños para comparar tratamientos
VENTAJAS:
1.- Permite estudiar los efectos principales, efectos de interacción de factores, efectos
simples y efectos cruzados.
2.- Todas las unidades experimentales intervienen en la determinación de los efectos
principales y de los efectos de interacción de los factores, por lo que el número de
repeticiones es elevado para estos casos.
3.- El número de grados de libertad para el error experimental es alto, comparándolo con
los grados de libertad de los experimentos simples de los mismos factores, lo que
contribuye a disminuir la variancia del error experimental, aumentando por este motivo la
precisión del experimento.
DESVENTAJA:
1.- Se requiere un mayor número de unidades experimentales que los experimentos
simples y por lo tanto se tendrá un mayor costo y trabajo en la ejecución del experimento.
2.- Como en los experimentos factoriales c/u de los niveles de un factor se combinan con
los niveles de los otros factores; a fin de que exista un balance en el análisis estadístico se
tendrá que algunas de las combinaciones no tienen interés práctico, pero deben incluirse
para mantener el balance.
4
3.- El análisis estadístico es más complicado que en los experimentos simples y la
interpretación de los resultados se hace más difícil a medida que aumenta el número de
factores y niveles por factor en el experimento.
5
3.2 El modelo de efectos fijos
6
Por tanto...
Y reorganizando la ecuación:
Ahora hay que tener en cuenta que la media de las puntuaciones observadas es
exactamente igual que la media de las puntuaciones pronosticadas:
Por tanto:
Podemos ver que nos han quedado 3 puntuaciones diferenciales. Ahora las
elevamos al cuadrado para que posteriormente, al hacer el sumatorio, no se
anulen:
Y desarrollamos el cuadrado:
Podemos ver que tenemos los numeradores de las varianzas, pero al no estar
divididas por el número de casos (n), las llamamos Sumas de Cuadrados., excepto
en el último término, que es una Suma Cruzada de Cuadrados (el numerador de la
covarianza), y la covarianza en este caso es cero (por las propiedades de la
regresión lineal, la covarianza entre el error y la variable independiente es cero).
Por tanto:
O lo mismo que:
de un factor, que es el caso más sencillo, la idea básica del análisis de la varianza
es comparar la variación total de un conjunto de muestras y descomponerla como:
Donde:
7
debida al "factor", "tratamiento" o tipo de situación estudiado.
Es un número real relacionado con la varianza, que mide la variación dentro
de cada "factor", "tratamiento" o tipo de situación.
En el caso de que la diferencia debida al factor o tratamiento no sea
estadísticamente significativa puede probarse que las varianzas muestrales son
iguales:
Donde:
Es el número de situaciones diferentes o valores del factor que se están
comparando. (Número de muestras)
Es el número de mediciones en cada situación se hacen o número de valores
disponibles para cada valor del factor. (Tamaño de las muestras)
Así lo que un simple test a partir de la F de Snedecor puede decidir si el factor o
tratamiento es estadísticamente significativo.
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.
8
3.3 Diseño completamente aleatorio y ANOVA
9
Nota: Primeramente, explicare el cálculo manual tradicional para ANOVA,
posteriormente el simplificado y más práctico, así como su solución utilizando un
paquete computacional. El método de ANOVA con un criterio requiere del cálculo
de dos estimaciones independientes para, la varianza poblacional común.
10
3.4 Comparaciones o pruebas de rangos múltiples
La prueba de rango múltiple Duncan es una comparación de las medias de
tratamientos todos contra todos de manera que cualquier diferencia existente entre
cualquier tratamiento contra otro se verá reflejado en este análisis.
Utiliza un nivel de significancia variable que depende del número de medias que
entran en cada etapa de comparación. La idea es que a medida que el número de
medias aumenta, la probabilidad de que se asemejen disminuye.
Cada uno de estos valores será multiplicado por el error estándar de la media y
éstos serán los comparadores para determinar cuáles diferencias son
significativas.
11
3.5 Verificación de los supuestos del modelo
Para estimar los parámetros , 1, 2, 3 y 4 se puede emplear mínimos
cuadrados minimizando:
k n
(yij − − i)2
i= 1 j= 1
k n
−2 (yij − − i) 0
i= 1 j= 1
k n k n k n
yij − − i 0
i= 1 j= 1 i= 1 j= 1 i= 1 j= 1
k n
yij − k n − 0 0
i= 1 j= 1
12
para un i dado:
n n n n
−2 (yij − − i) 0 i yij −
j= 1 j= 1 j= 1 j= 1
13
CONCLUSIÓN
14
GLOSARIO DE TERMINOS
• Niveles: cada uno de los resultados de un factor. Según sean elegidos por el
experimentador o elegidos al azar de una amplia población se denominan
factores de efectos fijos o factores de efectos aleatorios.
15
REFERENCIAS BIBLIOGRAFICAS
16