ULACIT

OTROS CASOS DE ANÁLISIS DE

VARIANZA ¿POR QUÉ SE DEBEN
ABARCAR OTRAS VARIANTES?

III CUATRIMESTE
2023
RESUMEN DE
CONTENIDOS
DISEÑO DE BLOQUES

ANÁLISIS 2K FACTORIAL

DISEÑO FACTORIAL

DISEÑO FACTORIAL
FRACCIONARIO
DISEÑO DE BLOQUES EN EL CONTEXTO DEL ANOVA

En el análisis de varianza (ANOVA), el diseño de bloques es

una técnica que se utiliza para controlar la variabilidad no
deseada y aumentar la precisión de las comparaciones.
El diseño de bloques divide a los sujetos o unidades de
estudio en grupos llamados "bloques" de manera que la
variación dentro de cada bloque sea menor que la variación
entre los bloques.
Este enfoque es particularmente útil cuando hay factores de
bloqueo que pueden influir en la respuesta que estamos
investigando.
EJEMPLOS DE SITUACIONES EN LAS QUE EL DISEÑO DE
BLOQUES ES ÚTIL:
Imagine un experimento en el que estás probando
la eficacia de tres tipos diferentes de fertilizantes en
el crecimiento de plantas. Sin embargo, sabes que la
calidad del suelo puede variar en diferentes partes
del campo. Aquí, el tipo de suelo sería un factor de
bloqueo.

En pruebas médicas, donde se compara la eficacia

de diferentes tratamientos en pacientes, es
importante considerar la edad, el género u otros
factores individuales como bloques.
EJEMPLOS DE SITUACIONES EN LAS QUE EL DISEÑO DE
BLOQUES ES ÚTIL:

En un experimento de laboratorio, donde la

temperatura ambiente puede fluctuar, el tiempo
del día podría considerarse un bloque para
controlar esta variación.
 VENTAJAS
Control de la variabilidad: Reduce la
influencia de factores de bloqueo y otros
factores no controlados, lo que mejora la
precisión de las comparaciones.
Mayor sensibilidad: Al reducir la
variabilidad no deseada, el diseño de
bloques puede hacer que los efectos de los
tratamientos sean más evidentes, lo que
facilita la detección de diferencias
significativas.
Ahorro de recursos: Al controlar la
variabilidad, se pueden requerir menos
repeticiones del experimento para obtener
resultados confiables, lo que ahorra tiempo
y recursos.
DESVENTAJAS
VS.
Complejidad: El diseño de bloques puede
aumentar la complejidad del experimento,
ya que se deben identificar y gestionar
adecuadamente los factores de bloqueo.
Requisitos adicionales: Puede requerir más
recursos y planificación debido a la
necesidad de medir y controlar los factores
de bloqueo.
Limitaciones en su aplicabilidad: No es
adecuado para todos los escenarios; se
debe considerar si la introducción de
bloques mejora o complica el diseño.
INTRODUCCIÓN AL ANÁLISIS DE 2^K FACTORIAL:

El análisis de 2^k factorial es una técnica poderosa

utilizada en el análisis de varianza (ANOVA) para
evaluar el efecto de múltiples factores y sus
interacciones en un experimento.
En un diseño factorial, "2" se refiere al número de
niveles de cada factor, y "k" representa la cantidad de
factores en estudio. Por ejemplo, un diseño 2^3
implica tres factores, cada uno con dos niveles.
¿CÓMO SE APLICA EN ANOVA?

En ANOVA, el análisis de
2^k factorial permite
Se utiliza una tabla de
descomponer la ANOVA para evaluar la
variabilidad en los datos significancia de estos
en diferentes efectos y determinar
componentes: el efecto cuáles son importantes
principal de cada factor,
en el modelo.
las interacciones entre los
factores y el error residual
 EJEMPLOS CONCRETOS DE ANÁLISIS DE 2^K
FACTORIAL
Experimento farmacéutico
Imagina que estás probando tres dosis de un
medicamento (A, B, C) y dos niveles de tiempo de
administración (X, Y) en un estudio clínico.
Un diseño 2^2 factorial te permitiría evaluar el efecto
de ambas variables y su interacción en la eficacia del
medicamento.
La tabla de ANOVA te ayudaría a determinar si la dosis,
el tiempo de administración o su interacción tienen un
impacto significativo en los resultados del estudio.
 EJEMPLOS CONCRETOS DE ANÁLISIS DE 2^K
FACTORIAL
Investigación agrícola
En un experimento agrícola, se investigan tres
variedades de cultivo (V1, V2, V3) y dos niveles de
irrigación (Irrigación A, Irrigación B).
Un diseño 2^2 factorial se utiliza para evaluar cómo las
variedades y los niveles de irrigación afectan el
rendimiento de los cultivos.
La tabla de ANOVA puede determinar cuál o cuáles
factores tienen un impacto significativo en el
rendimiento de los cultivos.
EXPLICACIÓN DEL DISEÑO FACTORIAL EN EL ANOVA

El diseño factorial es una técnica estadística utilizada

en el análisis de varianza (ANOVA) que permite
estudiar el efecto de múltiples factores, sus
interacciones y sus niveles en un experimento.
En un diseño factorial, se varían dos o más factores
simultáneamente, lo que permite analizar cómo
influyen individualmente y en combinación en una
respuesta o variable de interés.
Cada combinación única de niveles de los factores se
llama "célula" o "tratamiento".
 VENTAJAS
VS.
Eficiencia en el uso de recursos: Permite
estudiar múltiples factores
simultáneamente, lo que ahorra tiempo y
recursos en comparación con estudios
separados.
Identificación de interacciones: Puede
revelar interacciones inesperadas entre
factores que no se detectarían en estudios
unifactoriales.
Mayor información: Proporciona una
comprensión más completa de cómo los
factores afectan la respuesta.
DESVENTAJAS
Mayor complejidad: A medida que se
aumenta el número de factores y niveles, el
diseño se vuelve más complejo y requiere
un análisis estadístico más sofisticado.
Requisitos de datos: Se necesitan datos
suficientes para obtener resultados
estadísticamente significativos, lo que
puede requerir un tamaño de muestra
mayor.
Interpretación más desafiante: El análisis
de interacciones puede ser complicado de
interpretar y comunicar.
INTRODUCCIÓN AL DISEÑO
FACTORIAL FRACCIONARIO:

El diseño factorial fraccionario es una

técnica que se utiliza en el análisis de
varianza (ANOVA) para reducir la
cantidad de experimentos necesarios
en comparación con un diseño
factorial completo.
En un diseño factorial fraccionario, se
selecciona un subconjunto de todas
las combinaciones posibles de los
niveles de los factores, lo que permite
reducir significativamente la carga
experimental.
 LIMITACIONES Y
CONSIDERACIONES:

PÉRDIDA DE
INFORMACIÓN SELECCIÓN
CUIDADOSA

VALIDACIÓN
 EJEMPLOS DE USO EN SITUACIONES PRÁCTICAS:

Industria farmacéutica
Imagine que una empresa farmacéutica está
investigando la formulación de un nuevo
medicamento con 5 factores que pueden afectar su
eficacia.
Un diseño completo sería costoso y requiere una
gran cantidad de experimentos. Un diseño factorial
fraccionario permite explorar una fracción de las
combinaciones para reducir costos y tiempo.
 EJEMPLOS DE USO EN SITUACIONES PRÁCTICAS:

Investigación de materiales
En un laboratorio de materiales, se estudian varios
factores que pueden influir en las propiedades de un
material compuesto, como la temperatura, la presión y
la concentración de ciertas sustancias.
Un diseño factorial fraccionario podría seleccionar una
parte de las combinaciones posibles para reducir la
cantidad de pruebas necesarias.
 TABLA COMPARATIVA DE
VARIANTES DE ANOVA

Diseño de Análisis 2^k Diseño Diseño Factorial

Aspecto Clave
Bloques Factorial Factorial Fraccionario

Complejidad Experimental Mediana Alta Alta Baja

Control de Factores No
Fuerte Moderado Moderado Débil
Deseados

Sensibilidad para Detectar

Moderada Alta Alta Baja
Interacciones

Uso Eficiente de Recursos Moderado Bajo Bajo Alto

Capacidad de Identificar
Alta Alta Alta Baja
Efectos Principales
 ¿CUÁNDO ES APROPIADO UTILIZAR
CADA VARIANTE?
Diseño de Bloques: Apropiado cuando factores
de bloqueo deben controlarse para reducir la
variabilidad no deseada en el experimento, y
cuando se busca un equilibrio entre la
complejidad experimental y el control de factores
no deseados.
Análisis 2^k Factorial: Apropiado cuando se
desean evaluar múltiples factores y sus
interacciones de manera sistemática, lo que
puede revelar relaciones complejas en los datos,
y cuando se tiene suficiente capacidad
experimental.
¿CUÁNDO ES APROPIADO UTILIZAR
CADA VARIANTE?
Diseño Factorial: Apropiado cuando se desea
explorar cómo varios factores influyen en una
respuesta y es importante investigar las
interacciones entre estos factores, y cuando se
busca una mayor complejidad experimental y
control de factores no deseados.
Diseño Factorial Fraccionario: Apropiado
cuando el experimento es costoso o consume
demasiado tiempo, y se busca un compromiso
entre la cantidad de datos recopilados y la
capacidad para detectar efectos importantes, y
cuando se está dispuesto a aceptar una pérdida
de precisión para lograr eficiencia.
 LA ELECCIÓN DE LA VARIANTE DE ANOVA ADECUADA ES ESENCIAL
PARA EL ÉXITO DE UN EXPERIMENTO. LA TABLA COMPARATIVA Y LAS
PAUTAS SOBRE CUÁNDO UTILIZAR CADA VARIANTE PROPORCIONAN
UNA GUÍA ÚTIL PARA LOS INVESTIGADORES Y PROFESIONALES DE LA
INDUSTRIA.
IMPORTANCIA DE ELEGIR LA VARIANTE DE ANOVA
ADECUADA

Es de trascendental importancia de seleccionar la

variante de análisis de varianza (ANOVA) adecuada
para abordar un problema específico.
La elección incorrecta de la variante puede llevar a
resultados erróneos, pérdida de recursos y falta de
comprensión de los efectos de los factores.
IMPORTANCIA DE ELEGIR LA VARIANTE DE ANOVA
ADECUADA
Es de trascendental importancia de seleccionar la variante de
análisis de varianza (ANOVA) adecuada para abordar un
problema específico.
La elección incorrecta de la variante puede llevar a resultados
erróneos, pérdida de recursos y falta de comprensión de los
efectos de los factores.
 CONSIDERACIONES
ESTADÍSTICAS EN LA
ELECCIÓN DE UNA
VARIANTE DE ANOVA
Cuando se trata de seleccionar
una variante de análisis de
varianza (ANOVA), es
fundamental tener en cuenta
diversas consideraciones
estadísticas para garantizar que
los resultados sean válidos y
confiables. En esta diapositiva,
exploraremos las
consideraciones clave que deben
ser parte de la toma de
decisiones:
 Tamaño de Muestra: La cantidad de datos recopilados influye en la
capacidad
TAMAÑO DEdel análisis para detectar efectos significativos. Un tamaño
MUESTRA
de muestra adecuado es esencial para obtener resultados fiables.
Normalidad de los Datos: Es importante que los datos sigan una
distribución normal, ya que muchas variantes de ANOVA asumen
esta distribución. La no normalidad puede afectar la validez de los
resultados.
Homogeneidad de las Varianzas: La igualdad de las varianzas entre
grupos es una suposición clave en ANOVA. Si esta suposición no se
cumple, los resultados pueden ser incorrectos.
Independencia de las Observaciones: Las observaciones deben ser
independientes entre sí para evitar la autocorrelación, que puede
distorsionar los resultados.
 ÉNFASIS EN LA VALIDEZ DE
LOS RESULTADOS:
La validez de los resultados es una preocupación primordial en la
investigación y la estadística. Al elegir una variante de ANOVA, es
esencial garantizar que los resultados sean válidos y reflejen con
precisión la realidad del fenómeno estudiado.
Si las consideraciones estadísticas no se abordan
adecuadamente, existe el riesgo de obtener resultados sesgados,
erróneos o incluso engañosos. Esto podría llevar a decisiones
erróneas en la toma de decisiones, ya sea en la práctica clínica, la
producción industrial o la investigación científica.
 ÉNFASIS EN LA VALIDEZ DE
LOS RESULTADOS:

La elección de la variante de ANOVA adecuada debe basarse en

una comprensión sólida de las consideraciones estadísticas
relevantes.
Es importante trabajar con estadísticos o expertos en
metodología de investigación cuando se abordan cuestiones
complejas de diseño experimental y análisis de datos para
garantizar que los resultados sean válidos y confiables.