Professional Documents
Culture Documents
EXPERIMENTAL
NIVEL: NOVENO SEMESTRE
ESTUDIANTE: JENNY LLAMUCA
CÓDIGO: 1985
DISEÑO EXPERIMENTAL
El diseño experimental es el procedimiento de planeación y conducción de
experimentos, así como la definición del análisis estadístico para evaluar los
resultados, con el objetivo de tener conclusiones válidas y objetivas. El
procedimiento incluye la definición de factores a modificar, la manera de su
aplicación y el número de pruebas a realizar.
A continuación, se enumeran las etapas que deben seguirse para una correcta
planificación de un diseño experimental.
El principio de aleatorización.
El bloqueo.
Repetitividad
Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para asignar los
tratamientos a las unidades experimentales sin preocuparse de qué tratamientos
considerar. Por el contrario, la factorización del diseño define una estrategia eficiente
para elegir los tratamientos sin considerar en absoluto como asignarlos después a
las unidades experimentales.
ALEATORIZAR
“Aleatorizar todos los factores no controlados por el experimentador en el diseño
experimental y que pueden influir en los resultados serán asignados al azar a las
unidades experimentales”.
BLOQUEO
“Se deben dividir o particionar las unidades experimentales en grupos llamados
bloques de modo que las observaciones realizadas en cada bloque se realicen bajo
condiciones experimentales lo más parecidas posibles.
Las ventajas de bloquear un factor que se supone que tienen una clara influencia en
la respuesta, pero en el que no se está interesado, son las siguientes:
LA REPLICACIÓN
Por esta se entiende que cada tratamiento (o alguno de los tratamientos) debe ser
aplicado a varias unidades experimentales. La replicación sirve para:
ANÁLISIS DE VARIANZA
El análisis de varianza se define como una técnica en la que la variabilidad de un
conjunto de datos se divide en varios componentes y cada uno de ellos se asocia a
una fuente específica de variación, de manera que durante el análisis es posible
encontrar la magnitud con la que contribuye cada una de esas fuentes en la variación
total. El nombre ANOVA es porque para comparar las medias de los grupos o
tratamientos necesitamos identificar las distintas fuentes de variabilidad. La
variabilidad de la variable respuesta, sin referencia a ningún factor que la pudiera
estar afectando, se conoce como variabilidad total.
Se desprende que:
Para docimar la hipótesis global acerca de las medias usaremos el test estadístico F.
Este test contrasta la variabilidad entre los grupos con la variabilidad que será
natural dentro de los grupos.
NORMALIDAD
Tomando los residuos como dato de análisis, una de las técnicas más usadas para
verificar el supuesto de distribución normal de los términos de error es construir un
Q-Q plot normal con los residuos calculados. Mediante esta técnica se obtiene un
diagrama de dispersión en el que, si los errores son normales y no hay otros defectos
del modelo, los residuos se alinean sobre una recta a 45°como se muestra en la
Figura. Esta alineación sobre la diagonal del gráfico se produce cuando los residuos
observados correlacionan bien con los residuos esperados bajo el supuesto que la
muestra de datos sigue una distribución normal. El gráfico compara los cuantiles
observados con los cuantiles esperados bajo normalidad. La presencia de ligeras
violaciones de este supuesto no resulta grave para el ANAVA, ya que no afecta de
forma importante la probabilidad de cometer Error de Tipo I.
HOMOGENEIDAD
Un patrón en este tipo de gráficos que indica falta de homogeneidad en las varianzas
se muestra en la Figura. La heterogeneidad de varianzas se pone de manifiesto ya
que a medida que crecen los valores predichos por el modelo, aumentan las
dispersiones de los residuos; así los tratamientos con mayores valores predichos
tienen más variabilidad entre sus repeticiones que los tratamientos con menor valor
predicho. En casos como esos, decimos que no se cumple el supuesto de
homogeneidad de varianzas. Este tipo de patrón es indeseable ya que puede
llevarnos a cometer errores en las conclusiones; frecuentemente se asocia con una
mayor probabilidad de cometer Error Tipo II, es decir no detectar diferencias entre
tratamientos cuando éstas realmente existen.
INDEPENDENCIA
En algunas situaciones (datos colectados en el tiempo o con referencia espacial) una
ayuda valiosa para estudiar la posible falta de independencia entre los errores es
realizar un gráfico de los residuos según la secuencia en el tiempo o espacio en que
han sido colectados los datos; por supuesto que para tal prueba debe conocerse cómo
ha sido el mecanismo de recolección de datos. Si los residuos aparecen en “rachas”
de varios valores positivos seguidos de varios valores negativos puede ser un indicio
claro de la falta de independencia. Siempre que se detecte cualquier patrón distinto
al aleatorio (falta de patrón), se debe sospechar del incumplimiento del supuesto de
independencia.