INGENIERÍA INDUSTRIAL
Estadística inferencial II
Tema 5, Actividad 1
Profesor: José Antonio Vázquez Ibarra
Alumno: José Guadalupe Tiscareño Vargas
Fecha: 31/05/2022
PLANTEAMIENTO DE LA ACTIVIDAD TEMA 5
En esta actividad, se exponen de manera detallada los temas vistos en la unidad 5
“diseño factorial”. En breve se presentan los conceptos teóricos y como estos
modelos y métodos estadísticos nos permiten realizar experimentos y resolver
diseños factoriales o modelos de efectos aleatorios.
INTRODUCCION
En la investigación acerca de los factores causantes o controladores de la conducta
humana, se reconoce el hecho de que la misma nunca es afectada por una única
variable, sino que se presenta en conjunción con múltiples factores, interactuando
de manera compleja. Es sabido que en experimentos específicos que contrastan
relaciones causales entre variables, no es indistinta la forma en que los diversos
factores son controlados o manipulados. Cuando se aísla un factor como única
variable independiente (“VI”, factor hipotetizado como “causal”), controlando todas
las otras posibles fuentes de variación sobre la variable dependiente (“VD”, variable
afectada, o conducta de interés), se corre el riesgo de que los resultados obtenidos
sean únicamente aplicables a dicha configuración de variables. Este es el caso más
corriente en el caso de que la conducta sea afectada de modos diferentes por una
variable dependiendo de cómo se presente/n otra/s.
Una interacción entre factores o VI’s se presenta siempre que el efecto de un factor
sobre la VD dependa a su vez de la presencia/ausencia o grado en que se presenta
otro factor. Recuérdese que en un experimento, el factor debe ser manipulado, es
decir, el experimentador debe poder hacerle adoptar diferentes valores, por
ejemplo, “presencia- ausencia”, “mucho-poco-nada”, etc., en orden de comparar
cómo se comporta la VD bajo cada uno de esos valores.
Es por esta razón que la mayoría de las investigaciones sobre la conducta humana
utilizan diseños denominados “multivariados” o “factoriales”, donde en lugar de
controlar factores alternativos al de interés, se incorporan al diseño como variables
independientes, siendo manipulados al igual que el factor principal. Así, estos
diseños cuentan con dos o más variables independientes, cuyos valores son
combinados entre sí, de modo de poder estudiar empíricamente tanto los efectos
aislados como conjuntos de las diversas variables sobre la conducta.
DISEÑOS FACTORIALES CON DOS FACTORES.
Los diseños factoriales pueden contener dos, tres y más factores manipulados,
complejizándose el análisis e interpretación de los resultados cuanto mayor sea el
diseño. Se suelen representar formalmente mediante una fórmula que especifica la
cantidad de factores manipulados y la cantidad de valores adoptados por cada uno.
En el caso del ejemplo mencionado, se trata de un diseño factorial 3 x 4 (dos
factores, uno con 3 y otro con 4 valores).
Estos diseños pueden, de acuerdo a los objetivos y recursos de la investigación, ser
de medidas independientes, de medidas repetidas, o de medidas repetidas en
algunos de sus factores.
El primer caso es aquel donde se deben armar tantos grupos de sujetos como
combinaciones de valores de los factores. En el caso de nuestro ejemplo, se
deberían formar 12 grupos, cada uno realizando una tarea únicamente bajo una
combinación específica.
En el caso de ser de medidas repetidas, se trataría de un único grupo de sujetos
que debería realizar la tarea bajo todas las combinaciones de valores.
En el caso de tratarse de un diseño de medidas repetidas en alguno de sus factores,
todos los sujetos realizan la tarea bajo todos los niveles de uno de los factores, pero
se dividen en grupos para recibir uno sólo de los valores del otro factor. En el
ejemplo, podrían ser tres grupos distintos, uno que haga la tarea con botón verde,
otro con botón celeste y otro con el botón rojo. Pero los sujetos de los tres grupos
realizan la tarea con el botón presentándose en las cuatro posiciones posibles.
Para terminar, los datos obtenidos en este tipo de diseño suelen ser tratados a
través de pruebas estadísticas denominadas “Análisis de varianza” específicos para
más de un factor, denominados de dos vías, de tres vías, etc., de acuerdo a la
cantidad de factores manipulados. Este tema será tratado en un artículo posterior.
Análisis Estadístico. Suponga que tiene interés en un solo factor que tiene a niveles,
y que el experimento se efectúa en b bloques.
Las observaciones pueden presentarse con el modelo estadístico lineal.
Las hipótesis por probar son las siguientes:
⚫ H0 : (El factor A NO afecta la variable de repuesta)
⚫ H0 : (El factor A SI afecta la variable de repuesta)
⚫ H0 : (El factor B NO afecta la variable de repuesta)
⚫ H0 : (El factor B SI afecta la variable de repuesta)
⚫ H0 : (Los factores A y B No interactúan sobre la variable de
repuesta)
⚫ H0 : (Los factores A y B SI interactúan sobre la variable de
repuesta)
DISEÑOS FACTORIALES CON TRES FACTORES.
El objetivo de un diseño Los factores pueden factorial es estudiar el efecto ser
cualitativos, de varios factores sobre una cuantitativos o o varias respuestas, cuando
mixtos se tiene el mismo interés en todos los factores En el diseño factorial Es
necesario elegir completo se corren al menos dos niveles aleatoriamente todas las
de prueba para cada posible combinación factor.
Ejemplo 4.1. Se llevó a cabo un experimento para estudiar el efecto de la
temperatura y del tipo de horno en la vida de un componente en particular que está
probándose. Se están utilizando cuatro tipos de hornos y tres niveles de
temperatura. Se asignan aleatoriamente veinticuatro piezas, dos para cada
combinación de tratamientos. Los resultados se muestran en la siguiente tabla.
⚫ Se introducen los datos en la hoja de datos del Statgraphics, para
ello es conveniente identificar:
La variable de respuesta o dependiente: Vida
El factor de estudio A: Temperatura
El factor de estudio B: Tipo de horno
Los datos de Vida se capturan columna a columna, empezando con los valores del
del horno H1, después los del H2, . . H3 y al final los de la H4. En la columna 2, la
temperatura y el tipo de horno en la Columna 3.
Se introducen los datos en la hoja de datos del Statgraphics
DISEÑO FACTORIAL GENERAL.
En general, habrá abc. . . n observaciones totales, si hay n réplicas del experimento
completo. Considere el experimento de tres factores, con el modelo básico.
Se selecciona la opción ANOVA Factorial del menú de Análisis de la Varianza
del modulo de Comparación de la barra del menú principal.
Los resultados del diseño factorial de dos factores pueden ampliarse al caso general
en que hay a niveles del factor A, b niveles del factor B, c niveles del factor C, etc.,
dispuestos en un experimento factorial. Es necesario un mínimo de dos réplicas
(n>2) para determinar una suma de cuadrados debida al error si todas las
interacciones posibles están incluidas en el modelo.
MODELOS DE EFECTOS ALEATORIOS.
Un modelo de efectos aleatorios, también conocido como modelo de componentes
de la varianza, es una especie de modelo lineal jerárquico. Se supone que el
conjunto de datos que se analiza consiste en una jerarquía de diferentes
poblaciones cuyas diferencias se refieren a esa jerarquía. En econometría, se
utilizaron modelos de efectos aleatorios en el análisis de la jerárquica o de datos de
panel cuando se supone no hay efectos fijos (que permite efectos individuales). El
modelo de efectos aleatorios es un caso especial del modelo de efectos fijos.
Tales modelos ayudan en el control de la heterogeneidad no observada cuando esta
heterogeneidad es constante en el tiempo y correlacionado con variables
independientes. Esta constante puede ser retirada de los datos a través de
diferenciación, por ejemplo mediante la adopción de una primera diferencia, lo que
eliminará cualquier componente invariante en el tiempo del modelo.
Hay dos supuestos comunes realizados sobre el efecto específico individual, el
supuesto de efectos aleatorios y el supuesto de efectos fijos. El supuesto de efectos
aleatorios (hecho en un modelo de efectos aleatorios) es que los efectos específicos
individuales no están correlacionados con las variables independientes. El efecto
supuesto de fijo es que el efecto específico individuo está correlacionada con las
variables independientes. Si el supuesto de efectos aleatorios sostiene, el modelo
de efectos aleatorios es más eficiente que el modelo de efectos fijos. Sin embargo,
si esta hipótesis no se sostiene (es decir, si la prueba de Durbin-Watson falla), el
modelo de efectos aleatorios no es consistente.
Se supone que el conjunto de datos que se analiza consiste en una jerarquía de
diferentes poblaciones cuyas diferencias se refieren a esa jerarquía.
CONCLUSIONES
Los diseños factoriales se utilizan muy a menudo en la investigación experimental y
tal y como explica Martínez Soler (2016) “la base de los diseños factoriales es
determinar del total de combinaciones posibles para cada atributo con sus posibles
niveles, una vez obtenido este número total de combinaciones posibles se muestra
el número de situaciones hipotéticas de opciones presentadas al encuestado,
cumpliendo que garanticen la independencia entre ellas.
En el diseño se consideran tres fuentes de variabilidad. El factor de tratamientos, el
factor de bloque y el erro aleatorio es decir tiene tres posibles culpables de la
variabilidad que pueden presentar los datos diseño en bloques completos al azar es
el diseño donde se incorpora una técnica de diseño llamada formación de bloques
que tiene como finalidad eliminar de manera sistemática a los factores
perturbadores, los cuales pueden influir en la respuesta del experimento.
Como conclusión podemos establecer que los experimentos factoriales son
sumamente útiles para obtener información de los efectos medios de todos los
factores de un experimento simple, para ampliar la base de las inferencias de un
factor para probarlo bajo condiciones variadas de otros, así como para evaluar la
manera en la cual los efectos de los factores interactúan con cada uno.
BIBLIOGRAFIA
Gutiérrez Pulido y De la Vara Salazar (2008). Análisis y diseño de experimentos,
Capítulo 5 (disponible en la sección Recursos)
Kuehl, R. (). Diseño de experimentos. Principios estadísticos de diseño y análisis
de investigación. Capítulos 6 y 7., disponible en
[Link] [Link]
Montgomery, D. (s.f.). Diseño y análisis de experimentos. Capítulo 5., disponible
en: [Link]
Experimentos- Montgomery
