Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Investigación Documental Estadistica Inferencial II
Investigación Documental Estadistica Inferencial II
Investigación Documental Estadistica Inferencial II
Estadística Inferencial II
cualitativa sometida a un único factor. Este único factor debe de tener una influencia
teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del
ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias
Conceptualización
El diseño experimental es una técnica estadística que permite identificar y cuantificar las
manipulan deliberadamente una o más variables, vinculadas a las causas, para medir el
estadísticas aplicadas metodizar los ensayos de prueba y error para encontrar la mejor
está presente en todos los procesos de la naturaleza y por ende en los procesos
los que respondan los clientes, antes de observar como ocurre verdaderamente. Puede
limitada del producto. Aplicar los métodos de diseño experimental requiere juicio
empresas pueden recopilar información detallada de los clientes con mayor sencillez y
pueden emplear dichos datos para crear modelos que predigan la respuesta del
llamada; sexo del que realiza la llamada; tipo de teléfono (público o privado) desde
estímulos, a los que respondan los clientes, antes de observar como ocurre
verdaderamente.
4.2 Clasificación de los diseños experimentales
o situaciones que ocurren en la práctica. Esta cantidad de diseños hace necesario saber
cómo elegir el más adecuado para una situación dada y, por ende, es preciso conocer
cómo es que se clasifican los diseños de acuerdo con su objetivo y su alcance. Los cinco
que cuando cambian por lo general nos llevan a cambiar de diseño, son:
Estos cinco puntos no son independientes entre sí, pero es importante señalarlos de
diseño experimental a utilizar. Con base en algunos de estos cinco puntos es posible
mientras que los otros cuatro puntos son útiles para subclasificarlos. En este sentido,
de acuerdo con su objetivo y sin pretender ser exhaustivos, los diseños se pueden
clasificar como:
1. Diseños para comparar dos o más tratamientos.
2. Diseños para estudiar el efecto de varios factores sobre la (s) respuesta (s).
controlables.
incluyen dos o más niveles de presencia en cada una de ellas. La denominación de este
dos niveles.
Los números no necesariamente tienen que ser iguales. En este tipo de diseño, el
conjuntamente. Hay dos tipos de efectos a evaluar: los efectos de cada variable
Este diseño es el más sencillo, eficiente y se origina por la asignación aleatoria de los
este diseño usamos “k” tratamientos, asignándose cada uno al azar a “n” unidades
completamente aleatorio.
En este caso, todas las unidades experimentales tienen la misma probabilidad de recibir
Suponemos:
1. Que los valores observados en cualquiera de los grupos constituyen una muestra
aleatoria de todas las posibles respuestas bajo ese tratamiento para todas las
unidades experimentales.
2. Que la variación entre las unidades tratadas de la misma manera es igual para
error experimental refleja tanto el error aleatorio como la variabilidad entre muestras. Es
deseable que el error experimental sea lo más pequeño posible; En otras palabras, el
objetivo es restar del error experimental la variabilidad causada por las muestras de
prueba.
El diseño que logra esto requiere que cada punta se pruebe una vez en cada uno de
cuatro tubos diferentes. Este diseño se conoce como diseño de bloques completos al
azar. Con este diseño, los bloques o muestras forman una unidad experimental más
la variabilidad entre probetas. El orden en que las cuatro puntas deben de ser probadas
fundamental es que cada letra debe aparecer sólo una vez en cada renglón y en cada
además del factor de tratamientos. Se llama cuadro grecolatino porque los cuatro
escribir como un cuadro; además, se utilizan letras latinas para denotar a los tratamientos
y letras griegas para nombrar a los niveles del tercer factor de bloque.
Al igual que en el cuadro latino, cada letra (latinas y griegas) debe aparecer sólo una vez
en cada renglón y en cada columna. Además, cada par de letras debe aparecer sólo una
efecto de un plan de entrenamiento de fuerza con tres niveles de intensidad (20%, 50%
forma relativa (Peso levantado / peso corporal). Y se analizan los efectos principales e
interacciones.
Supongamos que al final del período de entrenamiento los estudiantes toman una prueba
enseñanza.
Contra la hipótesis alterna HA: Si hay diferencia significativa entre los métodos de
totales y las medias, como se muestra en la tabla de datos. Hallamos entonces las sumas
diferencia entre la suma total de cuadrados y la suma de cuadrados entre los grupos
(Tabla 3).
Fcal > F tabulada entonces el Ho se rechaza, y, por tanto, hay diferencia significativa
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.
Nomenclatura
medición.
• En este año pueden inferir las internas de invalidación como son la historia, fatiga,
Simbología
• T: tratamientos
• C: control
• F: factores
• A: números de tratamientos
• N: tamaño de muestra
• R: Replica o repetición
• R: asignación al azar o aleatorización
• 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
Definiciones
población.
Control: Es la capacidad que tiene el investigador para elegir según su voluntad los
Factores controlables: Son aquellos con un grado de control, es decir que se pueden
Factores ruido: Son aquellos sobre los cuales el grado de control es menor y el manejo
es más fácil.
Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales
pueden estudiar.
Interacción: Efecto que se produce cuando los niveles (valores) de un factor interactúan
con los niveles del otro factor e influyen en la variable de respuesta. Cuando uno o más
factores trabajan juntos para producir un efecto diferente que los efectos producidos.
conclusiones.
Combinación: Es la asignación de un solo nivel a un factor, o de varios niveles a todos
mediante la eliminación de variación introducida por los factores ruido. Un bloque es una
porción de material experimental que debe ser más homogéneo que todo el conjunto de
material experimental.
5 dietas para engorda para chivos que se encuentran en el sector pecuario las dietas
Este tratamiento se aplicará con la finalidad de ver cual daba mayor peso a los chivos.
Para realizar dicho experimento se hará 5 repeticiones por tratamiento, es decir se les
b) Realice el análisis de la varianza con la confiabilidad del 95% para ver si existe
c)
d) Para realizar lo de este inciso una vez aplicado los tratamientos a los chivos se
e industriales, en muchas de las cuales, los resultados del proceso de interés se ven
afectados por la presencia de distintos factores, cuya influencia puede estar oculta por la
Aleatorización
Consiste en hacer las corridas experimentales en orden aleatorio (al azar) y con material
asegurar que las pequeñas diferencias provocadas por materiales, equipo y todos los
cuando el resultado obtenido en una prueba está muy influenciado por la prueba
inmediata anterior.
Repetición
confundir este principio con medir varias veces el mismo resultado experimental. Repetir
repeticiones permiten distinguir mejor qué parte de la variabilidad total de los datos se
debe al error aleatorio y cuál a los factores. Cuando no se hacen repeticiones no hay
Bloqueo
Consiste en nulificar o tomar en cuenta, en forma adecuada, todos los factores que
datos que se obtengan dentro de cada bloque (nivel particular del factor bloqueado),
Una posible estrategia de bloqueo del factor operador, sería que un mismo operador
bloques), donde cada uno de ellos prueba en orden aleatorio las cuatro máquinas; en
este segundo caso, la comparación de las máquinas quizás es más real Existen
numerosos diseños experimentales cada uno adecuado para analizar cierto tipo de
pregunta. Sin embargo, todos los diseños experimentales comparten los tres siguientes
rasgos.
muestreo.
experimental.
experimental.
los efectos de todos los factores de interés, son más eficaces y proporcionan
de estudio-tratamientos.
• Especificar el modelo
aleatorias independientes
tratamientos y permite cancelar los efectos de factores extraños que pudieran estar
presentes.
Ejemplos
otoño (O). Los resultados sobre el rendimiento de cultivo de una especie vegetal
se presentan en la Tabla 3.
rendimiento de cultivo.
Diseños experimentales
La simplicidad y la flexibilidad del diseño no se ven afectadas por algunos datos perdidos.
Yi = 𝑟𝐵+𝑡𝑇−𝐺𝑡𝑜𝑡𝑎𝑙(𝑟−1) (𝑡−1)
Donde, Yi = la fórmula para datos perdidos, a = primer dato perdido, b = segundo dato
perdido.
discrimine a los tratamientos y permita cancelar los efectos extraños que pudieran
estar presentes.
La aleatorización hace valida la prueba, haciéndola apropiada para analizar los datos
Por lo que no hemos dicho que la aleatorización garantiza independencia, sino solo que
la razón de esta distinción debe ser clara: los errores asociados con unidades
puede lograrse. Sin embargo, por todo el concepto, debe buscarse tal independencia y
azar.
válidos para evaluar y probar hipótesis en un experimento. No debemos olvidar que uno
representativos de la población;
Ejemplos
experimental como el orden en que se realizan las pruebas individuales se fijan de forma
solo ideal y nunca puede logarse. Sin, embargo por todos conceptos, debe buscarse tal
deseado.
Principal importancia
ensayo de tal forma que no pueda saberse, quien es el paciente, a que orden
A. Aditividad
Los factores o componentes del modelo estático son aditivos, es decir la variable
B. Linealidad
La relación existente entre los factores o componentes del modelo estadístico es del tipo
lineal.
C. Normalidad
“Normal” con media m y varianza S2. Es el ajuste de los datos, en mayor o menor
medida, a la curva normal; por independencia el que las “n” observaciones hayan sido
D. Independencia
Los resultados observados de un experimento son independientes entre sí. Dos variables
de una de ellas no se ve afectado por los valores que toma la otra; esto es cuando las
E. Variancias Homogéneas
Las diversas poblaciones generadas por la aplicación de dos o más tratamientos tienen
Donde:
• a = cantidad de tratamientos
• n = cantidad de replicas
• 𝑦𝑖𝑗 = replica j del tratamiento i
• y… = gran total
• N = total de observaciones
Donde:
• a = cantidad de tratamientos
• n = cantidad de replicas
• 𝑦𝑖𝑗 = replica j del tratamiento i
• y… = gran total
• N = total de observaciones
Hipótesis
Se rechaza 𝐻0 si el valor –p ≤ a
Se utiliza para comparar todos los pares de medias. Fue desarrollado por primera vez
por Duncan en 1951 pero posteriormente él mismo modificó su primer método generando
Esta prueba no requiere de una prueba previa de F, como sucede con la DMS o sea que
aún sin ser significativa la prueba F puede llevarse a cabo. La estadística de Prueba es
Donde P es el número de medias inclusive entre las dos medias a comparar para diseños
balanceados. Para aplicar esta prueba al nivel 𝑎 se debe pasar por las siguientes etapas:
1. Determine el error estándar (desviación estándar) de cada promedio, 𝑠𝑦𝑖, el cual es
2. Con los grados de libertad del error y el nivel de significancia 𝑎 determinar los valores
el libro de Miller (1992). Para encontrar estos valores, se requieren los grados de libertad
c. Este procedimiento se continúa hasta que todas las medias se han comparado
Este proceso continúa hasta que han sido comparadas las diferencias entre todos los
extremas, donde;
Ejemplos
Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:
1. El error estándar de la media es
2. Determinación de los intervalos
significativos como a=0.5 y gl. del error=20 Utilización la tabla VII del Apéndice de
Montgomery se tiene:
Ejemplo 2
grados de libertad, se leen los rangos r0.05(2, 12) = 3.08, r0.05(3, 12) = 3.23 y r0.05(4,
12) = 3.33. Con esta información, los rangos mínimos significantes son:
Imagen 2. Rangos mínimos. Ejemplo de prueba de Duncan
De aquí se obtienen las diferencias en el orden dado por el método de Duncan y se van
El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser aplicado
nivel industrial.
Química pesada
componentes. Análisis del efecto de las condiciones del entorno en la elaboración del
Maquinaria
velocidad.
Materiales de construcción
producción.
Producción de vehículos industriales
Industria aeronáutica
Informática y telecomunicaciones
cuantificar el rendimiento y las variables críticas que hacen que la transferencia de datos
del procesador.
Reducción del tiempo del CPU: El estudio se basa en la aplicación del diseño de
de CPU.
Biotecnología
Operaciones en un sistema de fangos activos: optimizar y entender las reacciones que
se dan en el tratamiento secundario de una EDAR, por ejemplo, los fangos activos.
Ejemplos
cuatros niveles de concentración de madera dura: 5%, 10%, 15% y 20%. Deciden hacer
seis ejemplares de prueba con cada nivel de concentración, utilizando una planta piloto.
Las 24 muestras se aprueban, en orden aleatorio, con una máquina de laboratorio para
aprobar la resistencia.
Tabla 10. Tabla de ejemplares de prueba para cada nivel de concentración.
Conclusión
otras, debido a que dicho diseño nos permite reducir al máximo la variabilidad de
los procesos, estudiando los factores que son considerados como de más alta influencia
sobre un proceso. De esta manera, a través del diseño experimental para un factor, la
industria o cualquier otra área que aplique o utilice dicho diseño podrá corregir defectos
en sus procesos, reducir tiempos, dinero y esfuerzos, así como analizar y detectar
errores para poder corregirlos en los diversos procesos que lleva a cabo.
Bibliografías
http://red.unal.edu.co/cursos/ciencias/2000352/html/un3/cont_317-60.html A.G.
de-Prueba
mx/document/instituto-politecnico-nacional/estadistica/estadistica-iii-
investigacion-del-diseno-experimental-para-un-fact
(s.f.). Obtenido de Badii, M.H, J. Castillo, M. Rodríguez, A. Wong & P. Villalpando (2007)
2021