24/10/2018
UNIDAD 3
EXPERIMENTOS CON UN SOLO FACTOR Y BLOQUES ALEATORIZADOS
TEMA 3: DISEÑO DE EXPERIMENTOS Y
ANÁLISIS DE VARIANZAS
Diseño de experimentos e identificación de factores clave
Juan Pablo Sucre Reyes
1
24/10/2018
Técnicas para comparar dos poblaciones
Juan Pablo Sucre Reyes
Estudio estadístico experimental: realizar un experimento para generar los datos
• Comienza con la identificación de la variable de interés. Luego se identifican y
controlan una o más variables que se cree están relacionadas con la de interés, y se
recogen datos de ello ( estudio observacional: encuestas por muestreo)
• 3 tipos de diseños de experimentos: diseño completamente aleatorizado, diseño de
bloques aleatorizado y experimento factorial. Para ellos existe un procedimiento
estadístico: análisis de varianza(ANOVA), para analizar los datos disponibles.
Juan Pablo Sucre Reyes
2
24/10/2018
1. Introducción al diseño de experimentos y al análisis de varianza
• Relaciones de causa y efecto: más fáciles de establecer en estudios experimentales.
•Ejemplo: Chemitech, Inc. desarrolló un nuevo sistema de filtración para suministros
de aguas. Los componentes se comprarán a varios proveedores. El grupo de ingeniería
debe determinar el mejor método de ensamble para el nuevo sistema: A, B y C (que
difieren en el orden de los pasos para armarlo) para producir el mayor número de
sistemas de filtración por semana.
•Solución: El método de ensamble es la variable independiente o factor; con tres tipos
de ensamble = tres tratamientos (métodos). Éste es un experimento de un solo factor,
porque involucra sólo un factor cualitativo (el método de ensamble).
Juan Pablo Sucre Reyes
1. Introducción al diseño de experimentos y al análisis de varianza
•Ejemplo: Chemitech, Inc. desarrolló un nuevo sistema de filtración para …….
•Solución: Los 3 métodos (tratamientos) 3 poblaciones (trabajadores que usan el
método A, B y C). En c/u la variable dependiente (respuesta) es el número de sistemas
de filtración ensamblado/semana. Objetivo estadístico: determinar si el número medio
de unidades producidas por semana es el mismo para las 3 poblaciones (métodos).
• 15 trabajadores son seleccionados aleatoriamente (unidades experimentales)
diseño completamente aleatorizado: cada método se asigna de manera aleatoria a
cinco de ellos (réplicas).
Juan Pablo Sucre Reyes
3
24/10/2018
1.1 Recolección (y análisis) de datos
• Ejemplo: Chemitech, Inc. desarrolló un nuevo sistema de filtración para …….
•Solución: Sea:
• Ver si cualquiera de las 3 xi observadas difiere lo suficiente como para concluir que
las i correspondientes a estos 3 métodos de ensamble son diferentes
• Aunque nunca se podrá saber los valores de i se utilizan las
xi para probar:
el análisis de varianza (ANOVA) determina si las diferencias
observadas entre las xi son lo suficientemente grandes para
rechazar H0.
X NOTA: Si H0 es rechazada, no podemos concluir que todas las i
S2
S son diferentes. Significa que por lo menos dos i son diferentes.
Juan Pablo Sucre Reyes
1.2 Supuestos para el análisis de varianza
•Ejemplo: Chemitech, Inc. desarrolló un nuevo sistema de filtración para …….
•1. En cada población, la variable de respuesta está normalmente distribuida.
Implicación: el número de unidades producidas por semana esta normalmente
distribuido para cada método de ensamble (A, B y C).
•2. La varianza de la variable de respuesta, 2, es la misma en todas las poblaciones.
Implicación. la varianza en el número de unidades producido por semana debe ser el
mismo para cada método de ensamble (A, B y C).
•3. Las observaciones deben ser independientes. Implicación: la cantidad de unidades
producida por semana por un empleado debe ser independiente de la de cualquier otro
Juan Pablo Sucre Reyes
4
24/10/2018
1.3 Análisis de varianza: una perspectiva conceptual
•Ejemplo: Chemitech, Inc. desarrolló un nuevo sistema de filtración para …….
• Si la variabilidad entre las xi es “pequeña”, esto favorece H0; si la variabilidad entre
las xi es “grande”, esto favorece Ha.
• Si H0 es verdadera, se usa la variabilidad entre xi para estimar σ2 (supuestos obvios):
• Estimación de la media de la distribución muestral de x: media muestral general.
• Estimación de la varianza de la distribución muestral de x, se obtiene de la
varianza de las 3 medias muestrales.
• Como , se tiene que:
entre tratamientos.
•NOTA: Así c/u de las muestras proviene de la misma población y sólo hay una
distribución muestral de x.
Juan Pablo Sucre Reyes
1.3 Análisis de varianza: una perspectiva conceptual
•Ejemplo: Chemitech, Inc. desarrolló un nuevo sistema de filtración para …….
• Si la variabilidad entre las xi es “pequeña”, esto favorece H0; si la variabilidad entre
las xi es “grande”, esto favorece Ha.
• Si H0 es falsa, suponga que las i son todas diferentes. Como las 3 muestras son de
poblaciones normales con medias s, darán 3 distribuciones muestrales s.
• La combinación de las estimaciones individuales de σ2 en una general: estimación
conjunta o dentro de los tratamientos de σ2 (si ni es igual, promedio de las S):
• El cociente entre las 2 estimaciones: 260/28,33=9,18. “Entre tratamientos” sólo da
una buena estimación de σ2 si H0 es verdadera; si es falsa, sobreestima σ2. “Dentro de
los tratamientos” da una buena estimación de σ2 en cualquiera de los casos.
•NOTA: Si H0 es verdadera el cociente 1; sino el cociente >1.
• ANOVA: Compara 2 estimaciones independientes de la σ2 común (variabilidad entre
las xi mismas Vs. variabilidad entre datos dentro de c/muestra i son iguales?.
Juan Pablo Sucre Reyes
5
24/10/2018
2. Análisis de varianza y el diseño completamente aleatorizado
• Uso del análisis de varianza para probar la igualdad de k medias poblacionales. Así:
• donde:
• De c/u las k poblaciones (tratamientos) se toma una muestra aleatoria simple nj:
•.
• Así, la media muestral y la varianza muestral del tratamiento j son:
• La media muestral general, es: donde
•Si el tamaño de c/ muestra es n, y así:
•Ejemplo: En el experimento de Chemitech, como todas las muestras son de 5 obs., la
media muestral general será:
• Si H0 es verdadera (μ1=μ2=μ3=μ), el valor de 60 es la mejor estimación de μ.
Juan Pablo Sucre Reyes
2.1 Estimación de la varianza poblacional entre tratamientos
• A la estimación de 2 se le llama cuadrado medio debido a los tratamientos (CMTR):
• suma de cuadrados debido a los tratamientos (SCTR). Así:
• Si H0 es verdadera (μ1=μ2=μ3=μ), el CMTR da una estimación insesgada de 2. Sino,
el CMTR no es un estimador insesgado de 2 (la sobreestima).
•Ejemplo: En el experimento de Chemitech….
Juan Pablo Sucre Reyes
6
24/10/2018
2.2 Estimación de la varianza poblacional dentro de los tratamientos
• A la estimación de 2 se le llama cuadrado medio debido al error (CME):
• suma de cuadrados debido al error (SCE). Así:
• Dado que el CME está basado en la variación dentro de cada tratamiento; el que H0
sea o no verdadera no tiene ninguna influencia.
• El CME proporciona siempre una estimación insesgada de 2.
•Ejemplo: En el experimento de Chemitech….
Juan Pablo Sucre Reyes
2.3 Comparación de las estimaciones de las varianzas: la prueba F
• Si H0 es verdadera y se satisfacen los supuestos del ANOVA, la distribución muestral
del CMTR/CME es una distribución F.
• Y el procedimiento general para probar la igualdad de k medias poblacionales es:
•Ejemplo: En el experimento de Chemitech se usará = 0,05 para realizar la prueba
de hipótesis.
•Solución: : Paso 1: Establecer H0 y Ha :
• Paso 2: Especificar el nivel de significancia: siendo = 0,05.
• Paso 3: Recabar datos muestrales y calcular el valor del estadístico de prueba F:
•Método del valor-p
•Paso 4. Emplear el valor de F para calcular el valor-p:
• valor-p < 0,01: Tabla F
•Paso 5. Regla de decisión:
• Como valor-p <=0,05 H0 es rechazada (las medias de las tres poblaciones no son
iguales)
Juan Pablo Sucre Reyes
7
24/10/2018
2.3 Comparación de las estimaciones de las varianzas: la prueba F
• Si H0 es verdadera y se satisfacen los supuestos del ANOVA, la distribución muestral
del CMTR/CME es una distribución F.
• Y el procedimiento general para probar la igualdad de k medias poblacionales es:
•Ejemplo: En el experimento de Chemitech se usará = 0,05 para realizar la prueba
de hipótesis.
•Solución: : Paso 1: Establecer H0 y Ha :
• Paso 2: Especificar el nivel de significancia: siendo = 0,05.
• Paso 3: Recabar datos muestrales y calcular el valor del estadístico de prueba F:
•Método del valor crítico
•Paso 4. Utilizar para determinar el valor crítico (F) y la regla de rechazo:
• F (2 y 12 g.l.; área de =0,05 cola superior )= 3,89
•Paso 5. Regla de decisión:
• Como 9,18 > 3,90 H0 es rechazada (las medias de las tres poblaciones no son
iguales)
Juan Pablo Sucre Reyes
2.4 Tabla de ANOVA (análisis de varianza)
• Proceso de partición de la suma total de cuadrados y los g.l. en sus 2 fuentes:
tratamientos y error. Al dividir las sumas de cuadrados entre los correspondientes g.l.,
se obtienen las estimaciones de: 2, F y valor-p (prueba de hipótesis).
• Si se toma todo el conjunto de datos como una sola muestra:
•Ejemplo: En el experimento de Chemitech se usará = 0,05 para ….
•Solución:
• Resultados de computadora para el análisis de varianza:
Juan Pablo Sucre Reyes
8
24/10/2018
2.5 Prueba para la igualdad de k medias poblacionales: un estudio observacional
• Se utiliza la misma metodología del ANOVA, aunque siempre existirá una diferencia
entre un estudio estadístico observacional y otro experimental.
•Ejemplo: NCP fabrica impresoras y aparatos de fax en sus 3 plantas (Atlanta, Dallas y
Seattle). Para medir los conocimientos de calidad de los empleados de dichas plantas,
se toma una muestra aleatoria de 6 empleados de cada planta y se aplica un examen.
Probar la hipótesis de que la de las puntuaciones es la misma en las 3 plantas.
X
S2
S
•Solución: Aunque los verdaderos valores de μ1, μ2, μ3 nunca puedan conocerse, se
usarán los resultados muestrales para probar las hipótesis siguientes:
•NOTA: Las personas que realizaron el estudio de NCP no tuvieron control sobre la
asignación de las plantas a c/u de los empleados (éstas ya funcionaban y c/u de los
sujetos trabajaba en una de las tres). Para clasificarlo como un trabajo experimental,
NPC tendría que haber tomado al azar 18 empleados y después, de manera aleatoria,
asignar las plantas a cada uno.
Juan Pablo Sucre Reyes
2. Análisis de varianza y el diseño completamente aleatorizado
Juan Pablo Sucre Reyes
9
24/10/2018
2. Análisis de varianza y el diseño completamente aleatorizado
Juan Pablo Sucre Reyes
3. Procedimientos de comparación múltiple: LSD de Fisher
• Determinan dónde están las diferencias entre μi (comparaciones entre pares de μi).
• Procedimiento de la diferencia mínima significativa (LSD):
•Ejemplo: En el experimento de Chemitech, a partir del ANOVA se concluyó que el Nº
medio de unidades/ semana no era el mismo con los 3 métodos de ensamble. En tal
caso, ¿dónde ocurren las diferencias? Entre las de las poblaciones 1 y 2? ¿O entre las
de 1 y 3? ¿O las de las poblaciones 2 y 3? .
•Solución: : Paso 1: Establecer H0 y Ha :
• Paso 2: Especificar el nivel de significancia: siendo = 0,05.
• Paso 3: Recabar datos muestrales y calcular el valor del estadístico de prueba t:
•Método del valor-p
•Paso 4. Emplear el valor del estadístico de prueba para calcular el valor-p:
•valor-p =2(0,10 a 0,20)=0,20 a 0,40 (Tablas t: 12 g.l/CME: 2 x área a izq. de -1,19)
•Paso 5. Regla de decisión:
• Como valor-p > =0,05 H0 no es rechazada
•(lo producido con el método A: μ1 es igual a lo obtenido con el B: μ2)
Juan Pablo Sucre Reyes
10
24/10/2018
3. 1 Procedimientos de comparación múltiple: LSD de Fisher basado en
• Determina qué tan grande tiene que ser la diferencia entre las medias muestrales
para que H0 sea rechazada. El estadístico de prueba es:
• Si todos los tamaños muestrales son iguales, sólo se necesita calcular un sólo LSD.
•Ejemplo: En el experimento de Chemitech, establezca si existe diferencias entre las μi
de las poblaciones 1 y 3. Ó entre las de 2 y 3.
•Solución: : Paso 1: Establecer H0 y Ha :
• Paso 2: Especificar el nivel de significancia: siendo = 0,05.
• Paso 3: Recabar datos muestrales y calcular el estadístico de prueba:
•Método del valor LSD:
•Paso 4. Calcular el valor de LSD:
•(Tablas t: 12 g.l. del CME=28,33: siendo /2 = 0,025)
•Paso 5. Regla de decisión:
• Como 10 > 7,34 H0 es rechazada (la μ1 del método A no es igual a la μ3 del C)
Juan Pablo Sucre Reyes
3.1 Procedimientos de comparación múltiple: LSD de Fisher basado en
• Determina qué tan grande tiene que ser la diferencia entre las medias muestrales
para que H0 sea rechazada. El estadístico de prueba es:
• Si todos los tamaños muestrales son iguales, sólo se necesita calcular un sólo LSD.
•Ejemplo: En el experimento de Chemitech, establezca si existe diferencias entre las μi
de las poblaciones 1 y 3. Ó entre las de 2 y 3.
•Solución: : Paso 1: Establecer H0 y Ha :
• Paso 2: Especificar el nivel de significancia: siendo = 0,05.
• Paso 3: Recabar datos muestrales y calcular el estadístico de prueba:
•Método del valor LSD:
•Paso 4. Calcular el valor de LSD:
•(Tablas t: 12 g.l. del CME=28,33: siendo /2 = 0,025)
•Paso 5. Regla de decisión:
• Como 14 > 7,34 H0 es rechazada (la μ2 del método B no es igual a la μ3 del C)
• Los resultados tanto del método A como del B difieren de los del método C.
Juan Pablo Sucre Reyes
11
24/10/2018
3.2 Intervalo de confianza de la diferencia entre las medias de dos poblaciones
• LSD de Fisher también se usa para obtener una estimación de dicho intervalo:
• Si el intervalo hallado incluye el valor cero, no se puede rechazar H0 (las dos medias
poblacionales son iguales). Pero si no lo incluye, está Ha (existe diferencia entre las μi)
•Ejemplo: En el experimento de Chemitech, estime al 95% de confianza el intervalo de
la diferencia entre las μi de las poblaciones 1 y 2.
•Solución: : Recuerde H0 y Ha: además de:
•Entonces el intervalo para la diferencia μ1- μ2:
• Como el intervalo incluye el cero, no se puede rechazar H0 (μ1= μ2)
Juan Pablo Sucre Reyes
3.3 Tasas de error tipo I
• LSD de Fisher = prueba restringida o protegida de la LSD debido a que sólo se usa si
primero se ha encontrado un valor F significativo al aplicar el análisis de varianza.
• Ejemplo: En el experimento de Chemitech, se usa LSD de Fisher para efectuar 3
pares de comparaciones.
• En cada caso, el = 0,05. Así, en cada prueba, si H0 es verdadera, la p(cometer un
error tipo I) = 0,05; entonces, la p(no cometer un error tipo I)=1-0,05=0,95.
• En comparación múltiple, al = 0,05 se llama tasa de error tipo I por comparación =
nivel de significancia que corresponde a una sola comparación por pares.
• Ahora, la p(no cometer un error tipo I en ninguna de las 3 pruebas)= 0,95 x 0,95 x
0,95 = 0,8574. Por tanto, la p(cometer por lo menos un error tipo I) = 1 - 0,8574 =
0,1426 y se le conoce como tasa de error tipo I por experimentación o general (EW).
• Dicha tasa EW es mayor en estudios con más poblaciones. Para controlarla se usa en
cada prueba tasas más pequeñas (ajuste Bonferroni EW /C; con C comparaciones)
•NOTA: Una baja tasa de error tipo I por comparación aumenta el riesgo de cometer un
error tipo II.
Juan Pablo Sucre Reyes
12
24/10/2018
3. Procedimientos de comparación múltiple: LSD de Fisher
Juan Pablo Sucre Reyes
3. Procedimientos de comparación múltiple: LSD de Fisher
Juan Pablo Sucre Reyes
13
24/10/2018
4. Diseño de bloques aleatorizado (unidades experimentales muy heterogéneas)
• Controla algunas fuentes ajenas de variación eliminándolas del CME; y proporciona
una mejor estimación de la varianza del error y conduce a pruebas de hipótesis más
sólidas ó de su capacidad para detectar diferencias entre medias de tratamientos.
•Ejemplo: Como resultado de un estudio para medir la fatiga y el estrés de los
controladores de tráfico aéreo, se propusieron rediseños a su estación de trabajo. Se
seleccionaron 3 alternativas con el mayor potencial para reducir el estrés. Se diseña un
experimento que mida el estrés de los controladores bajo cada alternativa.
•Solución: se emplea una sola muestra de 6 controladores (bloques) y c/u de ellos se
prueba con cada una de las 3 alternativas (tratamientos o poblaciones) de puestos de
trabajo (factor de interés): sistema A, sistema B y sistema C. Después de la entrevista
y examen médico a c/u, se midió el estrés de cada controlador en c/u de los sistemas.
Juan Pablo Sucre Reyes
4.1 Procedimiento ANOVA
• Requiere la partición de la suma total de los cuadrados (STC) en 3 grupos:
• donde:
•Ejemplo: Como resultado de un estudio para medir la fatiga y el estrés de ….
•Solución: Al emplear bloques, se eliminan del término CME las diferencias individuales
de los controladores y se obtiene una prueba más sólida para las diferencias de estrés
(μ1, μ2, μ3) entre las tres alternativas de estaciones de trabajo.
• Como cada sujeto usará todos los sistemas, esto es un diseño de bloques completo.
• Se proporciona un valor F para probar los efectos de los tratamientos pero no de los
bloques; ya que el diseño prueba un solo factor: el diseño de la estación de trabajo.
Juan Pablo Sucre Reyes
14
24/10/2018
4.2 Cálculos y conclusiones
• El estadístico F probará si existe diferencia entre las (μ1, μ2, μ3) con:
•Ejemplo: Como resultado de un estudio para medir la fatiga y el estrés de ….
•Solución: Desarrollados los cálculos, se obtiene la tabla ANOVA y con ellos se probará:
• Paso 1: Establecer H0 y Ha :
• Paso 2: Especificar el nivel de significancia: siendo = 0,05.
• Paso 3: Recabar datos muestrales y calcular el valor del estadístico de prueba F:
•Método del valor-p
•Paso 4. Emplear el valor F para calcular el valor-p:
• El valor-p = 0,010 a 0,025. (Tablas F; 2 y 10 g.l.)
• Paso 5. Regla de decisión: Como valor-p < =0,05 H0 es rechazada (las μ1, μ2, μ3
de los niveles de estrés en las 3 alternativas de estación no son iguales)
Juan Pablo Sucre Reyes
4. Diseño de bloques aleatorizado
Juan Pablo Sucre Reyes
15
24/10/2018
4. Diseño de bloques aleatorizado
Juan Pablo Sucre Reyes
5. Experimento factorial
• Diseño para obtener conclusiones simultáneas acerca de dos o más factores. Las
condiciones experimentales incluyen todas las posibles combinaciones de los factores
(para a niveles del factor A y b niveles del factor B, se incluye ab combinaciones).
•Ejemplo: Con la intención de mejorar el desempeño en el test GMAT, la U de Texas
ofrece 3 programas de preparación (sesión de 3 horas, programa de 1 día, curso
intensivo de 10 semanas). Los aplicantes pueden ser de 3 licenciaturas: negocios,
ingeniería, artes y ciencias. Se generan así las condiciones experimentales
(combinaciones) respectivas….
Juan Pablo Sucre Reyes
16
24/10/2018
5. Experimento factorial
•Ejemplo: Se toma una muestra de 2 sujetos (replicaciones) para cada una de las
combinaciones de tratamientos (se tomen aleatoriamente 6 estudiantes y cada 2
deben ser asignados de manera aleatoria a un programa). Cumplidos los programas,
luego tomaron el GMAT con puntuaciones obtenidas diferenciadas (PO).
•Efecto principal (factor A): ¿Los programas tienen efectos diferentes sobre la PO?
•Efecto principal (factor B: ¿Las licenciaturas tienen efectos diferentes sobre la PO?
•Efecto de interacción (factores A y B): ¿Es uno de los programas de preparación mejor
para aquellos que provienen de una de las 3 licenciaturas, mientras que para los de
otras licenciaturas es mejor otro de los programas?
•Solución: habrá un total de 3 x 3 = 9 combinaciones.
Juan Pablo Sucre Reyes
5.1 Procedimiento ANOVA (experimento factorial de 2 factores)
• Requiere la partición de la suma total de cuadrados (STC) en 4 grupos:
•donde
Juan Pablo Sucre Reyes
17
24/10/2018
5.2 Cálculos y conclusiones
• El estadístico F probará la significancia del factor A, del factor B y de la
interacción:
• Sea: con:
•Ejemplo: Con la intención de mejorar el desempeño en el test GMAT, la
U de Texas….
•Solución: datos obtenidos (experimento) y las diversas sumas
necesarias para las SC:
Juan Pablo Sucre Reyes
5.2 Cálculos y conclusiones
• Ejemplo: Con la intención de mejorar el desempeño en el test GMAT, la U de Texas….
•Solución: Desarrollados los cálculos, se obtiene la tabla ANOVA y con ellos se probará:
• Paso 1: Establecer H0 y Ha (tanto para el factor A, factor B, y la interacción)
• Paso 2: Especificar el nivel de significancia: siendo = 0,05.
• Paso 3: Recabar datos muestrales y calcular el valor F: (factor A, B, y la interacción)
•Método del valor-p
•Paso 4. Emplear el valor F para calcular el valor-p:
• El valor-p ( diferencias significativas entre los 3 programas: factor A) = 0,299.
• El valor-p ( diferencias significativas entre las 3 licenciaturas: factor B) = 0,005.
• El valor-p ( efecto significativo por la interacción AB) = 0,350.
• Paso 5. Regla de decisión:
• Como valor-p = 0,299 > =0,05 H0 no es rechazada (no diferencia significativa
entre las μi de las puntuaciones obtenidas para los 3 programas de preparación).
• Como valor-p = 0,005 < =0,05 H0 es rechazada ( diferencia significativa entre las
μi de las puntuaciones obtenidas entre las 3 licenciaturas).
• Como valor-p = 0,350 > =0,05 H0 no es rechazada (no efecto significativo por la
interacción AB).
Juan Pablo Sucre Reyes
18
24/10/2018
5.2 Cálculos y conclusiones
• Ejemplo: Con la intención de mejorar el desempeño en el test GMAT, la U de Texas….
•Solución: Desarrollados los cálculos, se obtiene la tabla ANOVA y con ellos se probará:
• Conclusiones:
• Los tres programas de preparación NO difieren en su capacidad de capacitación.
• La licenciatura sí es un factor significativo (por las tres medias muestrales es posible
anticipar que no hay diferencia entre los alumnos con las licenciaturas de
ingeniería:560 y negocios:540; pero los de artes y ciencias:445 parecen estar menos
preparados)
Juan Pablo Sucre Reyes
5. Inferencias acerca de dos varianzas poblacionales
Juan Pablo Sucre Reyes
19
24/10/2018
5. Inferencias acerca de dos varianzas poblacionales
Juan Pablo Sucre Reyes
GRACIAS POR SU ATENCIÓN…..
Juan Pablo Sucre Reyes
20
