ANÁLISIS ESTADÍSTICO

¿Qué es el análisis estadístico?

El análisis estadístico de datos experimentales es una parte fundamental del
estudio de fenómenos para los que no se dispone de información completa. Este
análisis se diferencia de otras ramas de las matemáticas porque utiliza el concepto
de probabilidad, que es una medida de la posibilidad de que algo suceda o de la
verdad de algo. En el contexto del tema del análisis de datos experimentales, el
análisis estadístico intenta resumir los datos recopilados en un experimento
utilizando estadísticas descriptivas apropiadas para el tipo de datos recopilados,
incluidas medidas de tendencia central y medidas de dispersión. Además, el
objetivo es graficar los resultados de manera adecuada, reflejar la hipótesis
propuesta y sacar conclusiones de los experimentos realizados mediante el uso de
pruebas estadísticas inferenciales apropiadas. El nivel de medición de datos
informa sobre las medidas estadísticas descriptivas e inferenciales que se pueden
utilizar para realizar análisis relacionados.

¿Qué es ANOVA?

Al estudiar los métodos de análisis de datos cuantitativos, primero se trataron

problemas que implican una sola muestra de números y luego se abordó el
análisis comparativo de dos muestras diferentes. En problemas de una muestra,
los datos se componían de observaciones sobre respuestas de individuos u
objetos experimentales seleccionados de una sola población. En problemas de
dos muestras, las dos muestras se tomaron de dos poblaciones diferentes y los
parámetros de interés fueron las medias de la población o bien se aplicaron dos
tratamientos distintos a unidades experimentales (individuos u objetos)
seleccionados de una sola población; en el último caso, los parámetros de interés
fueron las medias de tratamiento verdaderas.

El análisis de la varianza, o más brevemente, ANOVA, se refiere en general aun

conjunto de situaciones experimentales y procedimientos estadísticos para el
análisis de respuestas cuantitativas de unidades experimentales. El problema
ANOVA más simple se conoce indistintamente como unifactorial, de clasificación
única o

ANOVA unidireccional e implica el análisis de datos muestreados de más de dos

poblaciones (distribuciones) numéricas o de datos de experimentos en los cuales
se utilizaron más de dos tratamientos. La característica que diferencia los
tratamientos o poblaciones una de otra se llama factor en estudio y los distintos
tratamientos o poblaciones se conocen como niveles del factor. Ejemplos de tales
situaciones incluyen los siguientes:

1. Un experimento para estudiar los efectos de cinco marcas diferentes de

gasolina con respecto a la eficiencia de operación de un motor automotriz.
2. Un experimento para estudiar los efectos de la presencia de cuatro
soluciones azucaradas diferentes (glucosa, sucrosa, fructosa y una mezcla
de las tres) en cuanto a crecimiento de bacterias.
3. Un experimento para investigar si la concentración de madera dura en la
pulpa (%) afecta la resistencia a la tensión de bolsas hechas de la pulpa.
4. Un experimento para decidir si la densidad de color de un espécimen de
tela depende de la cantidad de tinte utilizado.

ANOVA unifactorial

El ANOVA unifactorial se enfoca en la comparación de más de dos medias de

población o tratamiento. Sean

I = el número de poblaciones o tratamientos que se están comparando.

μ1 = la media de la población 1 o la respuesta promedio verdadera cuando se

aplica el tratamiento 1

μI = la media de la población I o la respuesta promedio verdadera cuando se

aplica el tratamiento I.

Las hipótesis pertinentes son:

H0: μ1 = μ2 = · · · = μI
contra

Ha: por lo menos dos de las μi son diferentes.

Si I = 4, H0 es verdadera sólo si las cuatro μi son idénticas. Ha sería verdadera,

por ejemplo, si μ1 = μ2 G μ3 = μ4, si μ1 = μ3 = μ4 G μ2, o si las cuatro μi difieren una
de otra. Una prueba de estas hipótesis requiere que se tenga disponible una
muestra aleatoria de cada población o tratamiento

Experimentos con un factor:

El análisis estadístico de datos experimentales es una parte fundamental en el

estudio de fenómenos de los que no se tiene toda la información completa. Este
análisis se diferencia del resto de las ramas de las matemáticas porque utiliza el
concepto de probabilidad, que es una medida de la posibilidad de que algo ocurra
o de que algo sea correcto. En el contexto de la materia de análisis de datos
experimentales, el análisis estadístico busca resumir los datos recolectados en un
experimento utilizando estadística descriptiva apropiada para el tipo de datos
recolectados, incluyendo una medida de tendencia central y una de dispersión.
Además, se busca graficar los resultados de manera apropiada, reflejando la
hipótesis planteada, y sacar conclusiones del experimento realizado mediante el
uso de una prueba de estadística inferencial apropiada. El nivel de medición de los
datos informa sobre las medidas de estadística descriptiva e inferencial que se
pueden utilizar para hacer el análisis correspondiente.

Si un experimentador desea estudiar al mismo tiempo el efecto de p factores

diferentes en una variable de respuesta y los factores tienen I1, I2, Ip niveles,
respectivamente, entonces un experimento completo requiere por lo menos Ip
observaciones. En tales situaciones, el experimentador a menudo puede realizar
un “experimento de filtración” con cada factor a sólo dos niveles para obtener
información preliminar sobre los efectos del factor. Un experimento en el cual
existen p factores, cada uno a dos niveles, se conoce como experimento 2p
factorial. El análisis de los datos de tal experimento es computacionalmente más
simple que para experimentos factoriales más generales. Además, un experimento
2p proporciona un entorno más simple para introducir los importantes conceptos
de confusión y réplicas fraccionarias.

Experimentos con dos factores

Para analizar los resultados de un experimento con dos factores, se pueden

utilizar técnicas como el análisis de varianza (ANOVA) y el diseño factorial. A
continuación, se describen los pasos para analizar los resultados de un
experimento con dos factores:

 Diseño del experimento: Diseñar el experimento de manera que se evalúen

todos los niveles de ambos factores. Esto puede implicar la creación de
grupos o condiciones que representen los diferentes niveles de cada factor
 Recolección de datos: Recolectar datos de manera sistemática y controlada
en cada grupo o condición creada. Asegurarse de que los datos sean
relevantes y representativos de la población de interés
 Análisis de varianza (ANOVA): Utilizar la técnica de ANOVA para analizar
los datos y determinar si hay diferencias significativas entre los grupos de
datos. La ANOVA permite evaluar si los factores evaluados (en este caso,
dos factores) tienen un efecto significativo en los resultados y si estos
efectos son aditivos o no
a. Paso 1: Examinar las propiedades del diseño del experimento,
incluyendo la cantidad de factores y niveles, y asegurarse de que se
han utilizado correctamente
b. Paso 2: Utilizar la fórmula de ANOVA para calcular la suma cuadrada
de las diferencias entre los medios de los grupos y el valor de media
general. Comparar esta suma cuadrada con la distribución de la
suma cuadrada de la distribución de chi cuadrado para determinar si
hay diferencias significativas entre los grupos
 Diseño factorial: Utilizar el diseño factorial para analizar el efecto simultáneo
de los dos factores. En un diseño factorial, se evalúan todos los posibles
 niveles de cada factor y se combinan para evaluar su efecto en los
resultados
a. Paso 1: Diseñar el experimento de manera que se evalúen todos los
niveles de ambos factores, creando grupos o condiciones que
representen los diferentes niveles de cada factor
b. Paso 2: Recolectar datos de manera sistemática y controlada en
cada grupo o condición creada, asegurándose de que los datos sean
relevantes y representativos de la población de interés
c. Paso 3: Utilizar la fórmula del diseño factorial para analizar los datos
y determinar si hay diferencias significativas entre los grupos de
datos. El diseño factorial permite evaluar si los factores evaluados
tienen un efecto significativo en los resultados y cómo interactúan
entre sí.
 Interpretación de los resultados: Interpretar los resultados obtenidos,
considerando las pruebas de hipótesis y las comparaciones realizadas.
Determinar si los efectos observados son significativos y cómo influyen en
los resultados finales

Experimentos con dos o más factores

Los experimentos con dos o más factores en el análisis estadístico se refieren a

situaciones en las que se estudia el efecto de dos o más factores en una variable
de interés. Estos experimentos utilizan técnicas de análisis estadístico, como el
Análisis de la Varianza (ANOVA) de dos o más factores, para estudiar el efecto de
cada factor, así como la posible interacción entre ellos. En este contexto, se busca
estimar el efecto de los tratamientos y contrastar la hipótesis de que todos los
niveles de los factores producen el mismo efecto, frente a la alternativa de que al
menos dos difieren entre sí. Además, se busca estudiar la posible interacción
entre los factores, es decir, el efecto recíproco entre dos o más factores, o la
modificación de efecto de un factor por la acción de otro u otros. Los experimentos
con dos o más factores permiten estudiar de manera conjunta el efecto de varios
factores en la variable de interés, lo que los hace útiles para investigaciones
exploratorias y como un paso previo para concentrar la atención en los aspectos
que puedan ser de mayor interés. Estos experimentos son más complejos que los
experimentos con un solo factor, ya que involucran el estudio de múltiples
variables independientes y sus posibles interacciones.

En primer lugar, es importante tener en cuenta que los experimentos con dos o
más factores permiten evaluar cómo diferentes variables interactúan entre sí y
cómo afectan los resultados. Por ejemplo, en un experimento sobre el crecimiento
de plantas, se podrían evaluar los efectos de la cantidad de agua y la cantidad de
luz en el crecimiento de las plantas. Al considerar ambos factores, se puede
determinar si la cantidad de agua afecta el crecimiento de las plantas de manera
diferente dependiendo de la cantidad de luz que reciben.

Sin embargo, analizar los resultados de un experimento con múltiples factores

puede ser complicado. Es posible que un factor tenga un efecto significativo en los
resultados, pero solo si se combina con otro factor en particular. Por lo tanto, es
importante utilizar técnicas estadísticas para analizar los datos y determinar la
influencia de cada factor.

Otra técnica útil para analizar experimentos con múltiples factores es el diseño
factorial. En un diseño factorial, se evalúan todos los posibles niveles de cada
factor y se combinan para evaluar su efecto en los resultados. Esto permite
identificar la influencia de cada factor y su interacción con otros factores.

¿Cómo se interpretan los efectos principales y simples en un experimento

factorial?

En un experimento factorial, los efectos principales y simples son importantes para

interpretar los resultados y determinar la influencia de cada factor en los
resultados. A continuación, se describen los conceptos de efectos principales y
simples y cómo se interpretan en un experimento factorial:
  Efectos principales: Los efectos principales son el impacto global de cada
factor considerado de forma independiente. En otras palabras, los efectos
principales indican cuánto influye cada factor en los resultados, sin tener en
cuenta la influencia del otro factor. Por ejemplo, en un experimento que
evalúa el efecto de la cantidad de agua y la cantidad de luz en el
crecimiento de las plantas, los efectos principales indicarían cuánto influye
la cantidad de agua y cuánto influye la cantidad de luz en el crecimiento de
las plantas, sin tener en cuenta la influencia del otro factor.
 Efectos simples: Los efectos simples se observan al comparar entre todos
los niveles de un factor a un solo nivel del otro factor. En otras palabras, los
efectos simples indican cómo influye un factor en los resultados cuando se
mantiene constante el otro factor. Por ejemplo, en el mismo experimento de
crecimiento de plantas, los efectos simples indicarían cuánto influye la
cantidad de agua en el crecimiento de las plantas cuando se mantiene
constante la cantidad de luz, y cuánto influye la cantidad de luz en el
crecimiento de las plantas cuando se mantiene constante la cantidad de
agua.

La interpretación de los efectos principales y simples en un experimento factorial

depende de los resultados obtenidos y de la hipótesis planteada. Si los efectos
principales son significativos, esto indica que cada factor tiene un impacto
significativo en los resultados. Si los efectos simples son significativos, esto indica
que un factor tiene un impacto significativo en los resultados cuando se mantiene
constante el otro factor. Además, si hay una interacción significativa entre los
factores, esto indica que el efecto de un factor en los resultados depende del nivel
del otro factor.
¿Cómo se pueden identificar los efectos de interacción en un experimento
factorial?

En un experimento factorial, los efectos de interacción se pueden identificar

mediante la observación de cómo los efectos de un factor varían en función de los
niveles del otro factor. La interacción se produce cuando el efecto de un factor en
los resultados depende del nivel del otro factor. Aquí se describen los pasos para
identificar los efectos de interacción en un experimento factorial:

1. Observación de patrones: Al analizar los resultados del experimento, es

importante observar si hay un patrón en cómo los efectos de un factor
varían en función de los niveles del otro factor. Por ejemplo, si el efecto de
la cantidad de agua en el crecimiento de las plantas es diferente
dependiendo de la cantidad de luz que reciben, esto podría indicar una
interacción entre los dos factores.
2. Análisis gráfico: Utilizar gráficos para visualizar cómo los efectos de un
factor varían en función de los niveles del otro factor. Por ejemplo, en un
diseño factorial 2x2, se pueden utilizar gráficos de líneas o de barras para
representar cómo los efectos de un factor cambian a lo largo de los niveles
del otro factor. Si las líneas o barras no son paralelas, esto podría indicar la
presencia de una interacción.
3. Pruebas estadísticas: Realizar pruebas estadísticas para determinar si hay
una interacción significativa entre los factores. El análisis de varianza
(ANOVA) puede proporcionar información sobre si la interacción entre los
factores es estadísticamente significativa. Si el valor p asociado con la
interacción es menor que un umbral predefinido (generalmente 0.05), se
considera que hay una interacción significativa entre los factores.
Conclusión:

Los experimentos con factores son una herramienta importante para evaluar cómo
diferentes variables interactúan entre sí y cómo afectan los resultados. Al
considerar múltiples factores, se puede determinar cómo influyen cada uno de
ellos en los resultados y cómo interactúan entre sí.

El análisis estadístico es esencial para identificar la influencia de cada factor y

determinar si hay interacciones significativas entre ellos.

Las técnicas estadísticas como el análisis de varianza (ANOVA) y el diseño

factorial son útiles para analizar experimentos con múltiples factores y pueden
ayudar a los investigadores a obtener conclusiones más precisas y confiables.

La identificación de los efectos principales y simples, así como la presencia de

interacciones entre los factores, son importantes para interpretar los resultados y
comprender cómo las variables interactúan y afectan los resultados del
experimento.

En general, los experimentos con factores son una herramienta valiosa para la
investigación científica y pueden proporcionar información importante sobre cómo
las variables afectan los resultados en diferentes situaciones.

Bibliografías:

Devore, J. L. (2008). Probabilidad y estadística para ingeniería y ciencias (7a edición).

Cengage.

Devore, J. L. (2012). Probabilidad y estadística para ingeniería y ciencias (8a edición).

Cengage.