Semana 4-Doe Aleatorio

DISEÑO EXPERIMENTOS (DOE) AL AZAR
I. Etapas en el Diseño de Experimentos
Un aspecto fundamental del DOE es decidir las pruebas o tratamientos que se van
a correr en el proceso, con el fin de enfocarse en la variable de interés y para obtener la
máxima cantidad de información. También es necesario definir el número de corridas o
repeticiones a realizar en el experimento y la forma en que se combinarán para que sea de
forma aleatoria. Por tal motivo se considera las siguientes etapas:
1.1 Planeación
La planeación está compuesta por las actividades encaminadas a entender el
problema, el diseño y la realización de las pruebas experimentales adecuadas. Un
planteamiento claro del problema contribuye a menudo en forma sustancial a un mejor
conocimiento del fenómeno y de la solución final del problema.
El proceso de planeación consiste en los siguientes puntos:
a) Definición de hipótesis.
b) Variables y factores.
c) Selección del diseño.
d) Definición de la variable dependiente.
e) Aleatorización.
f) Planeación del trabajo.
a) Definición de hipótesis
En este punto se plantea el problema de forma concreta y se definen
claramente los objetivos, los alcances y limitaciones del experimento, esto contribuye
a mejorar el conocimiento del fenómeno, por ende a la solución del mismo.

Se deben obtener datos que demuestren el impacto del problema, para lo cual
es necesario medir y definir el punto de partida. Generalmente los objetivos se afinan
durante el proceso de diseño del experimento.
b) Variables y Factores
En este punto se determinan los factores a estudiarse de acuerdo a la supuesta
influencia que tienen sobre la respuesta. También se eligen las variables de respuesta
que serán medidas en cada punto del diseño y verificar que se mide de manera
confiable. La elección de estas variables es el objetivo del experimento, por lo que se
deben seleccionar las que mejor reflejen el problema.
c) Selección del Diseño
Seleccionar el diseño experimental adecuado a los factores que se tienen y al
objetivo del experimento. Es en este momento donde conviene establecer el número
de muestras que han de tomarse y la forma en como han de hacerse las corridas del
experimento. Cabe mencionar, que entre mayor sea la cantidad de datos recolectados
y las repeticiones del experimento, se tendrá un mejor punto de comparación, para
establecer la relación entre las variables.
d) Definición de la variable dependiente
La variable dependiente es el resultado del experimento, se puede afirmar que
es la variable que proporciona la información que se esta estudiando.
Para evitar confusión entre la variable dependiente y otras variables, se ha de
definir los factores de ruido y las variables de bloqueo puesto que pueden afectar de
forma indirecta a la variable dependiente, por lo que se han de tomar medias para
contra restar sus efectos.

e) Aleatorización
Como se mencionó anteriormente, el proceso de aleatorización es fundamental
en el desarrollo del experimento puesto que permite que la información recolectada
de la variable dependiente se deba a las variables independientes y no a situaciones
provocadas.
f) Planeación del trabajo
Planear y organizar el trabajo experimental con base en el diseño
seleccionado. Se recomienda seguir un diagrama de flujo en donde se tomen en
cuenta cada punto del diseño del experimento.
1.2. Análisis de datos
Se debe determinar el modelo de análisis de varianza o la técnica estadística que
mejor describa el comportamiento de los datos, lo cual no sólo permite al investigador
tener un adecuado manejo de los datos, sino que al mismo tiempo pude servir para
realizar estimaciones del comportamiento futuro del fenómeno.
Los métodos estadísticos sólo proporcionan directrices para la veracidad y validez
de los resultados. Las técnicas estadísticas, aunadas a un buen conocimiento técnico o del
proceso y al sentido común suelen llevar a conclusiones razonables..
1.3 Interpretación
Más allá del análisis estadístico formal, se debe analizar a detalle todo el proceso
de experimentación para observar los nuevos aprendizajes que se lograron durante todo el
proceso y observar si existe una mejor manera de llevarlo a cabo ya que por lo general
todo experimento es iterativo. En forma gráfica:

Figura 1: Diagrama con las etapas para el diseño de Experimentos.
Una vez que se han analizado e interpretado los datos, se debe extraer conclusiones
prácticas de los resultados. También, deben realizarse corridas de seguimiento y pruebas de
confirmación para validar las conclusiones del experimento, y con base en los resultados,
formular nuevas hipótesis.
EJEMPLO
Considere el diseño del experimento para la medición de ruido generado por electrodomésticos:
Etapa Concepto
Planeación Se plantea el problema del ruido y se evalúa si es posible
estudiar el fenómeno. En caso afirmativo, se buscan las
pruebas y actividades para llevar a cabo el experimento.
Hipótesis Determinar si el ruido armónico generado por distintos
electrodomésticos puede llegar a interferir con la
comunicación de PLC.
Variables Independientes y La fuente de energía, cada uno de los electrodomésticos,
Factores son la variable independiente. Las respuestas entre
encendido, apagado y combinación entre los
electrodomésticos son los factores.
Tratamientos Utilizando una fuente de energía independiente, se
tomarán las muestras de las respuestas en frecuencia de
las señales de voltaje y corriente de cada uno de los
electrodomésticos
Repeticiones y Muestras Se realizan como mínimo dos repeticiones, y se toma el
mayor número de muestras considerando siempre las que
tengan mayor relevancia.
Unidad Experimental El experimento se realiza con una planta de energía de
gasolina, con equipo de medición de laboratorio que
permita obtener la respuesta de la señal de los
electrodomésticos tanto en el dominio del tiempo como
en frecuencia.
Variable Dependiente Ruido armónico generado por los distintos
electrodomésticos.
Aleatorización Las muestras se tomarán al azar, considerando las más
significativas a lo largo de todo el barrido en frecuencia.
Efectos de Ruido El ruido aleatorio de una red de distribución eléctrica
puede afectar la respuesta. Para evitar este ruido, se
utilizará una planta generadora con lo cual nos aseguramos
que el ruido siempre sea el mismo y se
pueda considerar como una constante
Interpretación y Analizar todo el proceso y observar si se puede mejorar.
Conclusiones Una vez obtenidas y graficadas las muestras, realizar el
análisis estadístico y concluir acerca del comportamiento
del fenómeno.
Tabla 1 Definición del diseño de experimento para la medición de ruido armónico

generado por electrodomésticos
PRINCIPIOS BASICOS
1. Aleatorización
Se entiende por aleatorización el hecho de que tanto la asignación del material
experimental, como el orden en que se realizan las pruebas individuales o ensayos se determinan
aleatoriamente. Esto ayuda a cancelar los efectos de factores extraños que pudieran estar
presentes.
2. Repetición
Implica correr más de una vez un tratamiento o combinación de factores. Permite obtener
una estimación del error experimental. Tal estimación se convierte en la unidad básica para
determinar si las diferencias observadas en los datos son estadísticamente significativas.
3. Bloqueo
Es una técnica que se usa para incrementar la precisión del experimento nulifica o toma en
cuenta en forma adecuada todos los factores que puedan afectar la respuesta observada.
III. Tipos de Modelo DOE
Los modelos de diseño de experimentos, según sean los factores incluidos en el mismo,
se pueden clasificar en: modelo de efectos fijos, modelo de efectos aleatorios y modelos
mixtos. A continuación se precisan estas definiciones.
Factor de efectos fijos es un factor en el que los niveles han sido seleccionados
por el experimentador. Es apropiado cuando el interés se centra en comparar el
efecto sobre la respuesta de esos niveles específicos.
Ejemplo:
Un ingeniero está interesado en comparar el rendimiento de tres máquinas del
mismo tipo que tiene en su empresa.
El modelo de efectos fijos es el que más se usa y aplica en ingeniería, y es el que se
va usar a lo largo del curso.
Se dice modelo de efectos fijos a un modelo en el que todos los factores son factores
de efectos fijos.
Diseño Estadístico de Experimentos Puelles Bulnes Maria Elizabeth
Profesora de la Escuela de Ing.Industrial
Universidad Ricardo Palma
Factor de efectos aleatorios es un factor del que sólo se incluyen en el

experimento una muestra aleatoria simple de todos los posibles niveles del
mismo. Evidentemente se utilizan estos factores cuando tienen un número
muy grande de niveles y no es razonable o posible trabajar con todos ellos.
Ejemplo:
a) Una cadena de hipermercados que tiene en plantilla 200 trabajadores de

caja está interesada en estudiar la influencia del factor trabajador en la
variable tiempo en el cobro a un cliente.
Se dice modelo de efectos aleatorios a un modelo en el que todos los
factores son factores de efectos aleatorios.
Un Modelo mixto es un modelo en el que hay factores de efectos fijos y

factores de efectos aleatorios.
En este caso se está interesado en examinar la variabilidad de la

respuesta debida a la población entera de niveles del factor.
IV. SUPUESTOS ACERCA DEL MODELO ESTADISTICO

Los supuestos necesarios del modelo estadístico son:
a. Aditividad: Los factores o componentes del modelo estadístico son aditivos, es

decir la variable respuesta es la suma de los efectos del modelo estadístico.
b. Linealidad: La relación existente entre los factores o componentes del modelo

estadístico es del tipo lineal.
c. Normalidad: Los valores resultado del experimento provienen de una

distribución de probabilidad «Normal» con media  y variancia 2 .
d. Independencia: Los resultados observados de un experimento son independientes

entre sí.
e. Variancias Homogéneas (Homocedasticidad): Las diversas poblaciones

generadas por la aplicación de dos o más tratamientos tienen variancias
homogéneas (variancia común).
8
V. DISEÑO COMPLETAMENTE AL AZAR O ALEATORIO
El diseño más simple y aplicativo en DOE. En este tipo de modelo el diseño completamente al
azar, es el diseño en el cual los tratamientos son asignados completamente al azar a las
unidades experimentales, o viceversa. En este diseño solamente se estudia de un factor, el cual
se varía en diferentes tratamientos o niveles, por eso al diseño completamente aleatorio
también se le llama diseño unifactorial.
5.1 CARACTERISTICAS DEL DOE AL AZAR
1. No impone restricciones en la distribución de los tratamientos a las unidades

experimentales.
2. Se debe disponer de unidades experimentales homogéneas. Por lo tanto este diseño se usará
en laboratorios o invernaderos.
3. Cada tratamiento puede tener igual o diferente número de unidades experimentales.
4. El número de tratamientos está en función del número de unidades experimentales (es
conveniente menos tratamientos y más unidades experimentales).
5.2 MODELO ESTADISTICO DOE AL AZAR
En el diseño DOE al azar con una observación por unidad experimental, las observaciones
pueden ser representadas por el siguiente modelo aditivo líneal:
Donde:
( )
( )
( )
yij : Respuesta de la j-ésima unidad experimental sujeta a i-ésimo tratamiento/

Es la ij-ésima observación
µ : Efecto constante, común a todos los niveles. Media global.
τ i : Efecto verdadero del i-ésimo tratamiento. Es la parte de yij debida a la acción del nivel i-
ésimo, que será común a todos los elementos sometidos a ese nivel del factor.
eij : Es el efecto verdadero de la j-ésima unidad experimental sujeta al i-ésimo
tratamiento/ Componente aleatoria del error experimental con media cero y varianza
Asunción ∑ ( )
En general son las observaciones puntuales con distribución normal para cada
muestra. Cabe resaltar que cada muestra tiene sus propias características poblacionales, las
cuales se deben comparar para el efecto de sacar conclusiones, respecto de sus propiedades que
interesan conocer.
9
5.3 REEPRESENTACION SIMBOLICA
Los resultados del experimento se pueden agrupar de la siguiente forma:

Tratamiento o Nivel
Observaciones 1 2 i t
1 Y11 Y21 Yi1 … Yt1
2
Y12 Y22 Yi2 … Yt2
. .
. . .
. . .
Yij Y2j Yij … Ytj
. .
.
. .
n . .
Y1n1
Y2n1 Yini … Ytmt
Totales Y1. Y..
Y2. Yi. … Yt.
Tabla 2: Representación simbólica de las unidades experimentales

Donde:
Yij es el resultado de la medición del i-ésimo tratamiento en la j-ésima repetición.
Y.. = ∑ SUMA DE TODAS LAS OBSERVACIONES
n. = ∑ El NUMERO TOTAL DE UNIDADES EXPERIMENTALES
5.4 ANALISIS DE VARIANZA EN EL DISEÑO COMPLETAMENTE ALEATORIO

Se sigue los siguientes pasos:
PASO 1: Formulación de las hipótesis
Ho = …=
H1 al menos , (por lo menos dos medias son diferentes)
PASO 2: Presentar un nivel de significación adecuado, generalmente α = 0.05
PASO 3: Realizar los cálculos respectivos Tabla 3 y 4, teniendo en cuenta si presentan igual o
diferentes número de unidades experimentales por tratamiento, teniendo en cuenta:
10
SCTo: SUMA TOTAL DE CUADRADOS
SCTr: SUMA DE CUADRADOS DE LOS TRATAMIENTOS
SCE: SUMA DE CUADRADO DE LOS ERRORES
Fuente de Grados Suma de Cuadrados Cuadrados F

variación de
Libertad medios calculad
(varianzas) o Fc
Tratami t-1
SCTr = (∑
CMTr=
-entos )
Error t (n-1) SCE = SCTo - SCTr CME = ( )
Total tn-1 SCTo =
(∑ ∑ )
Tabla 3: ANAVA - DOE aleatorio ( igual número de unidad experimental por tratamiento)
Fuente Grados de Suma de Cuadrados Cuadrados F

de Libertad
medios calculado
variaci
ón (varianzas) Fc
Trata t-1 CMTr=

mi-
entos SCTr = (∑ )
Error ∑ ( ) SCE = SCTo - SCTr CME = ( )
Total SCTo = ∑ ∑ TC
∑
TABLA 4: ANAVA - DOE aleatorio (diferente número de unidad experimental por

tratamiento)
Donde
∑
11
PASO 4: Analizar las regiones criticas
~ ( )( )
Si Se rechaza Ho
Si No se rechaza Ho
ESTUDIO DE CASO 1
Se utilizaron tres métodos diferentes para determinar la concentración (ppm) de mg en agua
natural. Se hallan los siguientes resultados:
Método 5.65 5.75 5.64 5.73 5.69 5.71
A
Método 5.83 5.78 5.79 5.92 5.95 5.82
B
Método 5.75 5.63 5.68 5.64 5.72 5.66
C
¿Existe diferencia significativa con un nivel de significación del 5% entre los métodos?
Suponer poblaciones normales.
SOLUCION
Tenemos los siguientes pasos:
PASO 1: Formulación de las hipótesis
Ho = (Las medias de los tres métodos son iguales)
H1 al menos , (por lo menos dos medias son diferentes)
PASO 2: Considerando α = 0.05
PASO 3: Realizar los cálculos respectivos considerando la Tabla 3, en este caso existe
igualdad de tratamiento
∑∑
∑ ( )
12
( ∑∑ )
Suma de cuadrados de los tratamientos:
YA=34.17, YB=35.09, YC=34.08
SCTr = (∑ ) ( )
Fuente de Grados Suma de Cuadrados Cuadrados F

variación de medios calculad
Libertad (varianzas) o Fc
Tratami 2 SCTr = 0.1041444667 CMTr=
-entos
Error 15 SCE = 0.04523331333 CME =

0.00301555
Total 17 SCTo = 0.14937778
PASO 4: Analizar las regiones criticas

Si Se rechaza Ho
Se concluye que hay diferencias significativas en las concentración (ppm) de Mg. en agua
natural en al menos dos de tres métodos utilizados.
Cuando se requiere saber entre cuales de los métodos hay estas diferencias se procede a las
pruebas de comparaciones de medias como Turkey, Duncan, DLS, etc.
ESTUDIO DE CASO 2
La contaminación es uno de los problemas ambientales más importantes que afectan a
nuestro mundo. En las grandes ciudades, la contaminación del aire se debe a los escapes
de gases de los motores de explosión, a los aparatos domésticos de la calefacción, a las
industrias,… El aire contaminado nos afecta en nuestro vivir diario, manifestándose de
diferentes formas en nuestro organismo. Con objeto de comprobar la contaminación del
aire en una determinada ciudad, se ha realizado un estudio en el que se han analizado las
concentraciones de monóxido de carbono (CO) durante cinco días de la semana (lunes,
martes, miércoles, jueves y viernes)
13
Días de la Concentraciones de monóxido de carbono

semana
Lunes 420 390 480 430 440 324 450 460
Martes 450 390 430 521 320 360 342 423
Miércoles 355 462 286 238 344 423 123 196
Jueves 321 254 412 368 340 258 433 489
Viernes 238 255 366 389 198 256 248 324
En el ejemplo disponemos de una colección de 40 unidades experimentales y queremos

estudiar el efecto de las concentraciones de monóxido de carbono en 5 días distintos. Es
decir, estamos interesados en contrastar el efecto de un solo factor, que se presenta con
cinco niveles, sobre la variable respuesta.
Nos interesa saber si las concentraciones medias de monóxido de carbono son iguales
en los cinco días de la semana, para ello realizamos el siguiente contraste de hipótesis:
H0  1  2  3  4  5  
H1  i   j para algún i  j
Es decir, contrastamos que no hay diferencia en las medias de los cinco tratamientos
frente a la alternativa de que al menos una media difiere de otra.
En este modelo, que estudia el efecto que produce un solo factor en la variable
respuesta, la asignación de las unidades experimentales a los distintos niveles del factor
se debe realizar de forma completamente al azar.
Análisis de la Varianza de un factor, se utiliza cuando se tienen que comparar más de
dos grupos y la variable respuesta es una variable numérica. Para aplicar este diseño
adecuadamente las unidades experimentales deben ser lo más homogéneas posible.
La tabla de análisis de la varianza ANOVA o ANVA se construye a partir de esta

descomposición y proporciona el valor del estadístico F que permite contrastar la
hipótesis nula planteada.
EN SPSS
Variable respuesta: Concentración de CO
Factor: Día de la semana que tiene cinco niveles. Es un factor de efectos fijos ya que
viene decidido que niveles concretos se van a utilizar (5 días de la semana).
Modelo equilibrado: Los niveles de los factores tienen el mismo número de elementos
(8 elementos)
Tamaño del experimento: Número total de observaciones, en este caso 40 unidades

experimentales.
14
El problema planteado se modeliza a través de un diseño unifactorial totalmente

aleatorizado de efectos fijos equilibrado.
Para realizarlo mediante SPSS, se comienza definiendo las variables e introduciendo los
datos:
 Nombre: Concentración_CO
 Tipo: Numérico
 Anchura: 3
 Decimales: 0
 Nombre: Día_semana
 Tipo: Numérico
 Anchura: 8
 Decimales: 0
 Valores: {1, Lunes; 2, Martes; 3, Miércoles; 4, Jueves; 5, Viernes}
En primer lugar describimos los cinco grupos que tenemos que comparar, los cinco días
de la semana, la variable respuesta es la concentración de CO en estos días de la
semana. Cada día de la semana tiene ocho unidades, en total tenemos 40 observaciones
La hipótesis nula es que el promedio de las concentraciones es igual el día lunes que el
martes, que el miércoles. Es decir, no ha diferencias en las concentraciones con respecto
a los días y la alternativa es que las concentraciones de CO son diferentes en al menos
en dos días.
Para la descripción de los cinco grupos comenzamos realizando un análisis
descriptivo. Para ello, se selecciona, en el menú principal, Analizar/Comparar
medias/medias
15
se introduce en el campo Lista de dependientes: La variable respuesta

Concentración_CO y en el campo Lista de independientes: el factor Día_semana.
Se pulsa Opciones y se selecciona Número de casos, Media, Desviación típica,

Mínimo, Máximo y Desviación Error de la media.
Pulsar Continuar y Aceptar y se obtiene la siguiente salida
16
Se presentan los cinco grupos dispuestos en forma comparativa.

A simple vista se puede observar que el valor medio de estos grupos es numéricamente
distinto, de hecho la media del día lunes tiene un valor medio casi equivalente al doble
de la media del viernes.
Por tanto, nuestra hipótesis se centra en comprobar si la concentración de CO es
significativamente distinta en los cinco grupos. Para responder a esta hipótesis
recurrimos al Análisis de la Varianza de un factor. Este contraste de igualdad de medias
H0  1  2  3  4  5  
vs H1  i   j para algún i  j.
Se selecciona, en el menú principal, Analizar/Comparar medias/ANOVA de un

factor… En la salida correspondiente,
Se introduce en el campo
Lista de dependientes: La variable respuesta Concentración_CO y en el campo
Factor: el factor Día_semana. Pulsando Aceptar se obtiene la Tabla ANOVA
donde:
Inter-grupos: Representa la Suma de cuadrados debida a los tratamientos (SCTr)
Intra-grupos: Representa la suma de cuadrados residual (SCR)
Total: Representa la suma de cuadrados total (SCT).
Si el valor de F es mayor que uno quiere decir que hay un efecto positivo del factor
día.
Se observa que el P-valor (Sig.) tiene un valor de 0.004, que es menor que el nivel
de significación 0.05. Por lo tanto, hemos comprobado estadísticamente que estos
cinco grupos son distintos.
17
Es decir no se puede rechazar la hipótesis alternativa que dice que al menos dos
grupos son diferentes, pero ¿Cuáles son esos grupos? ¿Los cinco grupos son
distintos o sólo alguno de ellos? Pregunta que resolveremos más adelante mediante
los contrastes de comparaciones múltiples.
Se selecciona, en el menú principal, Analizar/Modelo lineal general/

Univariante…
En la salida correspondiente, se introduce en el campo
Variable dependiente: La variable respuesta Concentración_CO y en el campo

Factores fijos: el factor Día_semana.
Pulsando Aceptar se obtiene la Tabla ANOVA
En la tabla correspondiente a las pruebas de los efectos inter-sujetos, se muestran el

Origen denominado:
Modelo corregido: que recoge la suma de cuadrados asociadas a todos los factores que
se incluyen en el modelo
2
Intersección: coincide con la expresión n y..
Días-semana: Representa la Suma de cuadrados debida a los tratamientos (SCTr), que
viene identificada con el nombre de la variable que representa al factor.
Error: Representa la suma de cuadrados residual (SCR)
18
5 8
Total: Representa la suma de los cuadrados de todas las observaciones  y 2ij

i1 j 1
Total corregida: Representa la suma de cuadrados total (SCT). Por lo tanto,

Intersección es la diferencia entre Total corregido y Total.
En la Tabla ANOVA, el valor del estadístico de contraste de igualdad de medias,

F = 4.775 deja a su derecha un p-valor de 0.004, menor que el nivel de significación del
5%, por lo que se rechaza la Hipótesis nula de igualdad de medias.
Es decir, existen diferencias significativas en las concentraciones medias de monóxido

de carbono entre los cinco días de la semana.
La salida de SPSS también nos muestra que R cuadrado vale 0.353, indicándonos que el
modelo explica el 35.3% de la variabilidad de los datos.
El modelo que hemos propuesto hay que validarlo, para ello hay que comprobar si se
verifican las hipótesis básicas del modelo, es decir, si las perturbaciones son variables
aleatorias independientes con distribución normal de media 0 y varianza constante
(homocedasticidad).
Estudio de la Idoneidad del modelo
Validar el modelo propuesto consiste en estudiar si las hipótesis básicas del modelo
están o no en contradicción con los datos observados.
Es decir si se satisfacen los supuestos del modelo:

1. Normalidad,
2. Independencia,
3. Homocedasticidad.
Para ello utilizamos procedimientos gráficos y analíticos.
19
1. Hipótesis de Normalidad
En primer lugar, analizamos la normalidad de las concentraciones y continuamos con el

análisis de la normalidad de los residuos. Para analizar la normalidad de las
concentraciones, se selecciona en el menú principal, Analizar/Estadísticos
descriptivos/Explorar… y en la salida correspondiente
20
se introduce en el campo
Lista de dependientes: La variable respuesta Concentración_CO y en el campo Lista
de Factores: el factor Día_semana. En Visualización se selecciona Ambos. Se pulsa
Gráficos y se selecciona Gráficos con pruebas de normalidad
Pulsando Continuar y Aceptar se obtiene los siguientes contrastes de normalidad
Observamos el contraste de Shapiro-Wilk que es adecuado cuando las muestras son

pequeñas (n<50) y es una alternativa más potente que el test de Kolmogorov-Smirnov.
Todos los p-valores (Sig.) son mayores que el nivel de significación 0.05. Concluyendo
que las muestras de las concentraciones se distribuyen de forma normal en cada día de
la semana.
21
Par analizar la hipótesis de normalidad de los residuos, se debe comenzar salvando los
residuos. Para ello, se selecciona, en el menú principal, Analizar/Modelo lineal
general/ Univariante/Guardar…
En la ventana resultante se selecciona Residuos No tipificados. Se pulsa, Continuar y

Aceptar. Y en el Editor de datos se ha creado una nueva variable RES_1 que contiene
los residuos del modelo.
El estudio de la Normalidad de los residuos, lo realizamos mediante procedimientos

gráficos (Histograma y Gráfico probabilístico Normal) y procedimientos analíticos
(Contraste de Kolmogorov-Smirnov)
Histograma: Se selecciona en el menú principal, Gráficos/Cuadros de diálogos

antiguos/Histograma
22
se introduce en el campo Variable: la variable que recoge los residuos RES_1, se

selecciona Mostrar curva normal. Se pulsa Aceptar
Aunque podemos observar en el histograma resultante algunas desviaciones de la

normalidad, éstas no implican necesariamente la ausencia de normalidad de los
residuos.
Gráfico probabilístico Normal: Se selecciona en el menú principal,

Analizar/Estadísticos descriptivos/Gráficos Q-Q
23
se introduce en el campo Variables: RES_1. Se pulsa Aceptar
Podemos apreciar en este gráfico que los puntos aparecen próximos a la línea diagonal.
Esta gráfica no muestra una desviación marcada de la normalidad.
24
2. Hipótesis de Independencia
Para comprobar que se satisface el supuesto de independencia entre los residuos
analizamos el gráfico de los residuos frente a los valores pronosticados o predichos por
el modelo.
El empleo de este gráfico es útil puesto que la presencia de alguna tendencia en el
mismo puede ser indicio de una violación de dicha hipótesis. Para obtener dicho gráfico
seleccionamos Opciones en el cuadro de diálogo de Univariante y marcamos la casilla
Gráfico de los residuos
Se pulsa Continuar y Aceptar
Interpretamos el gráfico que aparece en la fila 3 columna 2, es decir aquel gráfico que se
representan los residuos en el eje de ordenadas y los valores pronosticados en el eje de
abscisas. No observamos, en dicho gráfico, ninguna tendencia sistemática que haga
sospechar del incumplimiento de la suposición de independencia.
25
Nota
También, podemos realizar un gráfico de dispersión de los residuos y las predicciones,

para ello, tenemos que guardar los valores predichos.
Se selecciona, en la ventana Univariante, /Guardar.
En la ventana resultante se selecciona Valores pronosticados No tipificados. Se pulsa,
Continuar y Aceptar. Y en el Editor de datos se ha creado una nueva variable PRE_1
que contiene los valores predichos por el modelo.
Realizamos el gráfico de dispersión, para ello se selecciona en el menú principal,
Gráficos/Cuadros de diálogos antiguos/Diagramas/Puntos
26
Y en la salida correspondiente seleccionar Dispersión simple y pulsar Definir
se introduce en el Eje Y: Los residuos y el Eje X: Los valores predichos. Se pulsa

Aceptar
27
Hipótesis de Homocedasticidad
En primer lugar comprobamos la homocedasticidad gráficamente, para ello se
selecciona en el menú principal, Gráficos/Cuadros de diálogos antiguos/Barras de
error…
Y en la salida correspondiente seleccionar
Simple y pulsar Definir
28
Se introduce en el campo Variable: La variable respuesta Concentración_CO y en el

campo Eje de categorías: el factor Día_semana.
En Las barras representan se selecciona Desviación típica, en Multiplicador: 2 (nos
interesa que la desviación típica esté multiplicada por dos). Se pulsa Aceptar
Cada grupo tiene su promedio (el círculo en cada una de las barras) y dos desviaciones
típicas a la izquierda y dos desviaciones típicas a la derecha del promedio.
Observamos que el miércoles hay mucha más dispersión que el resto de los días y donde
hay menos dispersión es el lunes, la dispersión del martes y viernes son muy similares.
Del gráfico no se deduce directamente si hay homogeneidad en estas varianzas, por lo
que recurrimos analizarlo analíticamente mediante una prueba el TEST DE LEVENE.
Para realizar el test de Levene mediante SPSS, en la ventana de ANOVA de un

factor… pulsar Opciones
Se selecciona Prueba de homogeneidad de las varianzas y Gráfico de las medias. Se

pulsa Continuar y Aceptar
29
El p-valor es 0.093 por lo tanto no se puede rechazar la hipótesis de homogeneidad de

las varianzas y se concluye que los cinco grupos tienen varianzas homogéneas. Si esta
prueba sale significativa, es decir si la homocedasticidad no se cumple, en ese caso
SPSS dispone de una prueba alternativa que veremos en los contrastes Post-hoc.
Una vez comprobado que se verifican las hipótesis del modelo se puede interpretar la
tabla ANOVA.
Si alguna de las hipótesis de homocedasticidad e independencia fallase no debería

aplicarse el ANOVA, en cuanto a la hipótesis de Normalidad hay que tener en cuenta
que las pruebas ANOVA son robustas antes leves desviaciones de la normalidad.
Antes de resolver el contraste de igualdad de medias observemos este gráfico de medias,

donde en el eje de ordenadas figura las concentraciones medias de CO y en el eje de
abscisas los días de la semana.
En esta gráfica observamos que la mayor concentración de CO se produce el lunes y las
más bajas el miércoles y el viernes, siendo la concentración de este último la menor.
Para saber entre que parejas de días estas diferencias son significativas aplicamos una
prueba Post-hoc.
30

Semana 4-Doe Aleatorio

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Semana 4-Doe Aleatorio

Caricato da

Copyright:

Formati disponibili

DISEÑO EXPERIMENTOS (DOE) AL AZAR

I. Etapas en el Diseño de Experimentos

a correr en el proceso, con el fin de enfocarse en la variable de interés y para obtener la

máxima cantidad de información. También es necesario definir el número de corridas o

repeticiones a realizar en el experimento y la forma en que se combinarán para que sea de

forma aleatoria. Por tal motivo se considera las siguientes etapas:

La planeación está compuesta por las actividades encaminadas a entender el

problema, el diseño y la realización de las pruebas experimentales adecuadas. Un

planteamiento claro del problema contribuye a menudo en forma sustancial a un mejor

conocimiento del fenómeno y de la solución final del problema.

El proceso de planeación consiste en los siguientes puntos:

c) Selección del diseño.

d) Definición de la variable dependiente.

f) Planeación del trabajo.

En este punto se plantea el problema de forma concreta y se definen

a mejorar el conocimiento del fenómeno, por ende a la solución del mismo.

es necesario medir y definir el punto de partida. Generalmente los objetivos se afinan

durante el proceso de diseño del experimento.

En este punto se determinan los factores a estudiarse de acuerdo a la supuesta

confiable. La elección de estas variables es el objetivo del experimento, por lo que se

deben seleccionar las que mejor reflejen el problema.

c) Selección del Diseño

Seleccionar el diseño experimental adecuado a los factores que se tienen y al

objetivo del experimento. Es en este momento donde conviene establecer el número

y las repeticiones del experimento, se tendrá un mejor punto de comparación, para

establecer la relación entre las variables.

d) Definición de la variable dependiente

La variable dependiente es el resultado del experimento, se puede afirmar que

es la variable que proporciona la información que se esta estudiando.

Para evitar confusión entre la variable dependiente y otras variables, se ha de

contra restar sus efectos.

Como se mencionó anteriormente, el proceso de aleatorización es fundamental

en el desarrollo del experimento puesto que permite que la información recolectada

de la variable dependiente se deba a las variables independientes y no a situaciones

f) Planeación del trabajo

Planear y organizar el trabajo experimental con base en el diseño

seleccionado. Se recomienda seguir un diagrama de flujo en donde se tomen en

cuenta cada punto del diseño del experimento.

1.2. Análisis de datos

Se debe determinar el modelo de análisis de varianza o la técnica estadística que

mejor describa el comportamiento de los datos, lo cual no sólo permite al investigador

realizar estimaciones del comportamiento futuro del fenómeno.

Los métodos estadísticos sólo proporcionan directrices para la veracidad y validez

proceso y al sentido común suelen llevar a conclusiones razonables..

todo experimento es iterativo. En forma gráfica:

prácticas de los resultados. También, deben realizarse corridas de seguimiento y pruebas de

formular nuevas hipótesis.

Tabla 1 Definición del diseño de experimento para la medición de ruido armónico

Se entiende por aleatorización el hecho de que tanto la asignación del material

determinar si las diferencias observadas en los datos son estadísticamente significativas.

III. Tipos de Modelo DOE

Factor de efectos aleatorios es un factor del que sólo se incluyen en el

a) Una cadena de hipermercados que tiene en plantilla 200 trabajadores de

Un Modelo mixto es un modelo en el que hay factores de efectos fijos y

En este caso se está interesado en examinar la variabilidad de la

IV. SUPUESTOS ACERCA DEL MODELO ESTADISTICO

a. Aditividad: Los factores o componentes del modelo estadístico son aditivos, es

b. Linealidad: La relación existente entre los factores o componentes del modelo

c. Normalidad: Los valores resultado del experimento provienen de una

d. Independencia: Los resultados observados de un experimento son independientes

e. Variancias Homogéneas (Homocedasticidad): Las diversas poblaciones

V. DISEÑO COMPLETAMENTE AL AZAR O ALEATORIO

5.1 CARACTERISTICAS DEL DOE AL AZAR