Actividad 1 U3 Barbara Medina

SEP SES TEC.N.
INSTITUTO TECNOLÓGICO DE TOLUCA
CARRERA
INGENIERÍA INDUSTRIAL A DISTANCIA
MATERIA
ESTADÍSTICA INFERENCIAL II
UNIDAD 3
DISEÑO DE EXPERIMENTOS DE UN FACTOR
PROFESORA
M. EN T. E. CLAUDIA G. SANTIESTEBAN
ALCÁNTARA
TITULO DE LA TAREA
ACTIVIDAD 1 UNIDAD III
ALUMNA
BARBARA ANJELI MEDINA ISLAS
SAN MATEO ATENCO, EDO DE MÉX., 3 DE ABRIL DE 2020

UNIDAD 3: DISEÑO DE EXPERIMENTOS DE UN FACTOR
INDICE
INTRODUCCIÓN.….………..……………………………………………………….………3
MARCO TEÓRICO……………….………………………………………………….………4
3.1 FAMILIA DE DISEÑOS PARA COMPARAR TRATAMIENTOS……………………5
3.2 EL MODELO DE EFECTOS FIJOS……………………………………………………5
3.3 DISEÑO COMPLETAMENTE ALEATORIO Y ANOVA……………………………...7
CONCLUSIONES………………………………………………………………………......10
FUENTES DE CONSULTA………………………………………………………………..11
ANEXO 1: EJERCICIO………………………………………………………………….....12
2
Barbara Anjeli Medina
INTRODUCCIÓN
El DCA mejor conocido como: diseño completamente al azar consiste en la asignación

de los tratamientos en forma completamente aleatoria a las unidades experimentales
(Se entiende por unidades experimentales a los objetos sobre los cuales se hacen
mediciones).
El DCA tiene flexibilidad y el análisis estadístico resulta sencillo. Pero se necesitan

unidades experimentales muy homogéneas, porque de otra manera la variación entre
ellas pasa a formar parte del error experimental
En el siguiente trabajo se desarrolla el tema: diseño completamente aleatorizado, así

como un ejemplo resuelto sobre este.
3
MARCO TEÓRICO
4
3.1 FAMILIA DE DISEÑOS PARA COMPARAR TRATAMIENTOS.
Los diseños experimentales más utilizados para comparar tratamientos son:
1. Diseño completamente al azar (DCA)
2. Diseño en bloque completamente al azar (DBCA)
3. Diseño en cuadro latino (DCL)
4. Diseño en cuadro grecolatino (DCGL)
Diferencia fundamental: número de factores de bloque que incorporan o controlan de
forma explícita durante el experimento. Hipótesis:
que se prueba con el Análisis de Varianza (ANOVA) con uno, dos, tres o cuatro
criterios de clasificación, dependiendo del número de factores de bloques
incorporados al diseño
El modelo estadístico que describe el comportamiento de la variable observada Y en

cada diseño, incorpora un término adicional por cada factor de bloqueo controlado.
De acuerdo con los modelos dados en la tabla, para cada diseño comparativo se
tienen al menos dos fuentes de variabilidad: los tratamientos o niveles del factor de
interés y el error aleatorio. Se agrega una nueva fuente de variabilidad por cada factor
de bloque que se controla directamente. Se observa que los diseños suponen que no
hay efectos de interacción entre los factores, lo cual sería lo deseable que ocurra; de
no ocurrir así, tal efecto se recarga al error y el problema de comparación no se
resuelve con éxito. Un efecto de interacción entre dos factores hace referencia a que
el efecto de cada factor depende del nivel en que se encuentra el otro.
3.2 EL MODELO DE EFECTOS FIJOS.
Modelo de efectos fijos: modelo estadístico que representa las cantidades observadas
en las variables explicativas que son tratadas como si las cantidades fueran no-
aleatorias. Esto está en contraste con el Modelo de efectos aleatorios y el Modelo
5
mixto en los que todas o algunas de las variables explicativas son tratadas como si se
derivaran de causas aleatorias.
En el análisis de datos de panel, el estimador de efectos fijos (también conocido como

el estimador "within") se utiliza para referirse a un estimador para los coeficientes en
el modelo de regresión. Si suponemos efectos fijos, imponemos que los efectos del
tiempo son independientes para cada entidad que posiblemente esté correlacionada
con los regresores.
Pasos en el modelo de efectos fijos para los datos de muestra:
• Calcular las medias de grupo y la Gran media

• Calcular k = número de grupos, n = número de observaciones por grupo, N =
número total de observaciones (KxN)
• Calcular la varianza total. como: (Cada puntuación - gran media) ^ 2
• Calcular efecto del tratamiento, como: (Cada grupo medio-Grand media) ^ 2 xn
después se suman
• Calcular error o efecto, como (Cada puntuación - Su media del grupo) ^ 2
• Calcular df-total: N-1, gl-tratamiento: k-1 y df-error k (n-1)
• Calcular cuadrado medio.
• Calcular el valor obtenido f.
• Usar F-tabla o función de probabilidad, para buscar el valor crítico F con un
nivel de significación determinado
• Concluir acerca de si el efecto del tratamiento afecta de manera significativa la
variable de interés
El modelo de efectos fijos 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. Este modelo se supone cuando el investigador se interesa
únicamente por los niveles del factor presentes en el experimento, por lo que cualquier
variación observada en las puntuaciones se deberá al error experimental. En caso que
los tratamientos tengan efecto, las observaciones Yij se podrán describir con el
modelo estadístico lineal dado por
6
donde µ es el parámetro de escala común a todos los tratamientos, llamado media
global, Ti; es un parámetro que mide el efecto del tratamiento i y Eij es el error
atribuible a la medición Yij.
Este modelo implica que en el DCA actuarían a lo más dos fuentes de variabilidad: los
tratamientos y el error aleatorio. La media global µ de la variable de respuesta no se
considera una fuente de variabilidad por ser una constante común a todos los
tratamientos, que hace las veces de punto de referencia con respecto al cual se
comparan las respuestas medias de los tratamientos.
3.3 DISEÑO COMPLETAMENTE ALEATORIO Y ANOVA.
¿QUÉ ES EL DISEÑO COMPLETAMENTE ALEATORIZADO?
El diseño completamente al azar es una prueba basada en el análisis de varianza, en

donde la varianza total se descompone en la “varianza de los tratamientos” y la
“varianza del error”.
El objetivo es determinar si existe una diferencia significativa entre los tratamientos,

para lo cual se compara si la “varianza del tratamiento” contra la “varianza del error” y
se determina si la primera es lo suficientemente alta según la distribución F.
Este tipo de diseño se llama completamente al azar porque todas las repeticiones
experimentales se realizan en orden aleatorio completo, pues no se han tenido en
cuenta otros factores de interés. Si durante el estudio se hacen N pruebas, éstas se
deben realizar al azar, de forma que los posibles efectos ambientales y temporales se
vayan repartiendo equitativamente entre los tratamientos.
El número de repeticiones a realizar en cada tratamiento depende de la variabilidad

que se espera observar en los datos, a la diferencia mínima que el experimentador
considera que es importante detectar y al nivel de confianza que se desea tener en
las conclusiones. Normalmente se recomiendan entre 10 y 30 mediciones en cada
tratamiento. Con 10 mediciones se podrían detectar diferencias de medias mayores o
iguales a 1,5 sigmas con una probabilidad alta, y con 30 mediciones se podrían
detectar diferencias mayores o iguales a 0,7 sigmas.
7
ANOVA
Se utiliza el análisis de la varianza (ANOVA) para comprobar si existen diferencias en

las medias. Fundamentalmente este análisis consiste en separar la contribución de
cada fuente de variación en la variación total observada. Sin embargo, éste ANOVA
está supeditado a los siguientes supuestos que deben verificarse:
Normalidad
Varianza constante (igual varianza en los tratamientos)
Independencia
El análisis de la varianza de un criterio (ANOVA de un criterio) es una metodología

para analizar la variación entre muestras y la variación al interior de estas con
varianzas, en lugar de rangos. Como tal, es un método estadístico útil para comparar
dos o más medias poblacionales. El objetivo del análisis de varianza en el DCA es
probar las hipótesis de igualdad de los tratamientos con respecto a la media de la
correspondiente variable de respuesta:
mediante la técnica de ANOVA, lo primero es descomponer la variabilidad total de los

datos en sus dos componentes: la variabilidad debida a tratamientos y la que
corresponde al error aleatorio (equivalente al método entre y método dentro).
Toda la información necesaria para calcular el estadístico Fo hasta llegar al valor-p

se escribe en la llamada tabla de análisis de varianza (ANOVA) que se muestra en la
tabla 2.4.
8
Las abreviaturas significan lo siguiente:
FV= fuente de variabilidad (efecto)
SC= suma de cuadrados
GL=grados de libertad
CM= cuadrado medio
Fo=estadístico de prueba
valor-p = significancia observada
9
CONCLUSIONES
Se dice que el DCA es el más sencillo de los diseños de experimentos que tratan de
comparar dos o más tratamientos, puesto que sólo considera dos fuentes de
variabilidad.
Se sabe que la tabla ANOVA puede realizarse de forma manual, es por ello por lo que
debemos conocer que la componen, las formulas y el significado, una herramienta
para obtenerla de forma más rápida y sencilla es haciendo uso del Excel. Para probar
la hipótesis, en la tabla ANOVA se comparan los cuadrados medios de tratamientos
respecto a los cuadrados medios del error, los primeros deben ser suficiente mayores
que los segundos.
La teoría nos permite comprender el tema, sin embargo, el ejercicio sirvió para
comprender en su totalidad, este diseño es realmente sencillo.
Conclusión de ejercicio:
El estadístico de prueba F es menor al valor critico tabulado se acepta la hipótesis

nula, concluyendo que no existe diferencia o efecto de los métodos de producción en
cuanto a su tiempo promedio.
Se anexa la tabla ANOVA obtenida en Excel:
Análisis de varianza de un factor

RESUMEN
Grupos Cuenta Suma Promedio Varianza
A 4 38 9.5 7
B 4 44 11 15.333333
C 4 33 8.25 4.9166667
D 4 36 9 12.666667
ANÁLISIS DE VARIANZA
Origen de las Suma de Grados de Promedio de Valor crítico
F Probabilidad
variaciones cuadrados libertad los cuadrados para F
Entre grupos 16.1875 3 5.395833333 0.5407098 0.663459144 3.49029482
Dentro de los grupos 119.75 12 9.979166667
Total 135.9375 15
10
FUENTES DE CONSULTA
2013. Diseño de Experimentos – DOE. “Recuperado el día 3 de abril de 2020” de:

https://spcgroup.com.mx/doe/
Alvarado, E. (2012) ESTADISTICA INFERENCIAL II LIBRO. “Recuperado el día 3 de
abril de 2020” de:
https://www.academia.edu/18242976/ESTADISTICA_INFERENCIAL_II_LIBRO
Rodríguez, M. (2016). Modelo ANOVA de efectos fijos. “Recuperado el día 3 de abril

de 2020” de: https://prezi.com/aaycgza-caob/modelo-anova-de-efectos-fijos/
Sánchez, J. Modelo de efectos fijos y modelo de efectos aleatorios. “Recuperado el

día 3 de abril de 2020” de: https://www.um.es/metaanalysis/pdf/5003.pdf
SF. Importancia del diseño de experimentos. “Recuperado el día 3 de abril de 2020”

de: http://www.adidex.com/importancia-del-diseno--de-experimentos.html
SF. M III Diseño completamente al azar. “Recuperado el día 3 de abril de 2020”
de: http://www.uaaan.mx/~jmelbos/cursos/deapu1b.pdf
Yepes, V. Diseño completamente al azar y ANOVA. “Recuperado el día 3 de abril de
2020” de: https://victoryepes.blogs.upv.es/2013/04/27/diseno-completamente-al-azar-
y-anova/
11
ANEXO 1: EJERCICIO
12

Actividad 1 U3 Barbara Medina

Cargado por

Copyright:

Formatos disponibles

Actividad 1 U3 Barbara Medina

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Actividad 1 U3 Barbara Medina

Cargado por

Copyright:

Formatos disponibles

SEP SES TEC.N.

INSTITUTO TECNOLÓGICO DE TOLUCA

SAN MATEO ATENCO, EDO DE MÉX., 3 DE ABRIL DE 2020

3.1 FAMILIA DE DISEÑOS PARA COMPARAR TRATAMIENTOS……………………5

3.2 EL MODELO DE EFECTOS FIJOS……………………………………………………5

3.3 DISEÑO COMPLETAMENTE ALEATORIO Y ANOVA……………………………...7

El DCA mejor conocido como: diseño completamente al azar consiste en la asignación

El DCA tiene flexibilidad y el análisis estadístico resulta sencillo. Pero se necesitan

En el siguiente trabajo se desarrolla el tema: diseño completamente aleatorizado, así

Los diseños experimentales más utilizados para comparar tratamientos son:

1. Diseño completamente al azar (DCA)

2. Diseño en bloque completamente al azar (DBCA)

3. Diseño en cuadro latino (DCL)

4. Diseño en cuadro grecolatino (DCGL)

Diferencia fundamental: número de factores de bloque que incorporan o controlan de

forma explícita durante el experimento. Hipótesis:

El modelo estadístico que describe el comportamiento de la variable observada Y en

3.2 EL MODELO DE EFECTOS FIJOS.

En el análisis de datos de panel, el estimador de efectos fijos (también conocido como

Pasos en el modelo de efectos fijos para los datos de muestra:

• Calcular las medias de grupo y la Gran media

El modelo de efectos fijos de análisis de la varianza se aplica a situaciones en las que

modelo estadístico lineal dado por

3.3 DISEÑO COMPLETAMENTE ALEATORIO Y ANOVA.

¿QUÉ ES EL DISEÑO COMPLETAMENTE ALEATORIZADO?

El diseño completamente al azar es una prueba basada en el análisis de varianza, en

El objetivo es determinar si existe una diferencia significativa entre los tratamientos,

El número de repeticiones a realizar en cada tratamiento depende de la variabilidad

Se utiliza el análisis de la varianza (ANOVA) para comprobar si existen diferencias en

Varianza constante (igual varianza en los tratamientos)

El análisis de la varianza de un criterio (ANOVA de un criterio) es una metodología

mediante la técnica de ANOVA, lo primero es descomponer la variabilidad total de los

Toda la información necesaria para calcular el estadístico Fo hasta llegar al valor-p

Las abreviaturas significan lo siguiente:

FV= fuente de variabilidad (efecto)

SC= suma de cuadrados

CM= cuadrado medio

valor-p = significancia observada

El estadístico de prueba F es menor al valor critico tabulado se acepta la hipótesis

Se anexa la tabla ANOVA obtenida en Excel:

Análisis de varianza de un factor

2013. Diseño de Experimentos – DOE. “Recuperado el día 3 de abril de 2020” de:

Rodríguez, M. (2016). Modelo ANOVA de efectos fijos. “Recuperado el día 3 de abril

Sánchez, J. Modelo de efectos fijos y modelo de efectos aleatorios. “Recuperado el

SF. Importancia del diseño de experimentos. “Recuperado el día 3 de abril de 2020”

También podría gustarte