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) La diferencia fundamental entre estos diseños es el número de factores de bloque que
incorporan o controlan de forma explícita durante el experimento. La comparación de los
tratamientos en cuanto a la respuesta media que logran, en cualquiera de estos diseños, se hace
mediante la hipótesis que se prueba con la técnica estadística llamada 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.
2.2 El modelo de efectos fijos El modelo de efectos fijos (es cuando se estudian todos los posibles
tratamientos) 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 la práctica puede suceder que los tratamientos que se desea comparar sean
demasiados como para experimentar con todos. Cuando esto sucede es conveniente comparar
sólo una muestra de la población de tratamientos, de modo que pasa a ser una variable aleatoria
con su propia varianza que deberá estimarse a partir de los datos. En este capítulo sólo se
presenta el caso en que todos los tratamientos que se tienen se prueban, es decir, se supone una
población pequeña de tratamientos, lo cual hace posible compararlos a todos. En este caso, el
modelo dado por la ecuación (2.2) se llama modelo de efectos fijos.
2.3. Diseño completamente al azar y ANOVA Muchas comparaciones, como las antes
mencionadas, se hacen con base en el diseño completamente al azar (DCA), que es el más simple
de todos los diseños que se utilizan para comparar dos o más tratamientos, dado que sólo
consideran dos fuentes de variabilidad: los tratamientos y el error aleatorio. En la siguiente unidad
veremos diseños que consideran la influencia de otras fuentes de variabilidad (bloques).Este
diseño se llama completamente al azar porque todas las corridas experimentales se realizan en
orden aleatorio completo. De esta manera, si durante el estudio se hacen en total N pruebas, éstas
se corren al azar, de manera que los posibles efectos ambientales y temporales se vayan
repartiendo equitativamente entre los tratamientos. Ejemplo 1 Comparación de cuatro métodos
de ensamble. Un equipo de mejora investiga el efecto de cuatro métodos de ensamble A, B, C y D,
sobre el tiempo de ensamble en minutos con un nivel de significancia de 0.05. En primera
instancia, la estrategia experimental es aplicar cuatro veces los cuatro métodos de ensamble en
orden completamente aleatorio (las 16 pruebas en orden aleatorio). Los tiempos de ensamble
obtenidos se muestran en la tabla 2.1. Si se usa el diseño completamente al azar (DCA), se supone
que, además del método de ensamble, no existe ningún otro factor que influya de manera
significativa sobre la variable de respuesta (tiempo de ensamble) Ejemplo 2 Comparación de
cuatro tipos de cuero. Un fabricante de calzado desea mejorar la calidad de las suelas, las cuales se
pueden hacer con uno de los cuatro tipos de cuero A,B, C y D disponibles en el mercado. Para ello,
prueba los cueros con una máquina que hace pasar los zapatos por una superficie abrasiva; la
suela de éstos se desgasta al pasarla por dicha superficie. Como criterio de desgaste se usa la
pérdida de peso después de un número fijo de ciclos. Se prueban en orden aleatorio 24 zapatos,
seis de cada tipo de cuero. Al hacer las pruebas en orden completamente al azar se evitan sesgos y
las mediciones en un tipo de cuero resultan independientes de las demás. Los datos (en
miligramos) sobre el desgaste de cada tipo de cuero se muestran en la tabla
2.3 es la suma total de cuadrados ( SCT) dada por: donde la SCE mide la variación dentro de
tratamientos, ya que si hay mucha variación entre las observaciones de cada tratamiento entonces
Yij-Y tenderá a ser grande en valor absoluto. En forma abreviada, esta descomposición de la suma
total de cuadrados se puede describir como: La suma de cuadrados divididos entre sus respectivos
grados de libertad se llaman cuadrados medios. Los dos que más interesan son el cuadrado medio
de tratamientos ( CMTRET) y el cuadrado medio del error ( CME), que se denotan por: (2.13) sigue
una distribución F con (K-1) grados de libertad en el numerador y (N-K ) grados de libertad en el
denominador. De la ecuación (2.13) se deduce que si F0 es grande, se contradice la hipótesis de
que no hay efecto de tratamientos; en cambio, si F0 Toda la información necesaria para calcular el
estadístico F0 hasta llegar al valor-p se escribe en la llamada tabla de análisis de varianza (ANOVA)
que se muestra en la tabla
2.4. En esta tabla, las abreviaturas significan lo siguiente: FV= fuente de variabilidad (efecto), SC=
suma de cuadrados, GL= grados de libertad, CM= cuadrado medio, F0 estadístico de prueba, valor-
p = significancia observada Análisis del ejemplo 1 (comparación de cuatro tipos de métodos de
ensamble). La interrogante que se planteó en el problema de la comparación entre los cuatro tipos
de métodos de ensamble fue: ¿existen diferencias entre el tiempo promedio de los diferentes
métodos de ensamble? La respuesta a esta pregunta es el resultado de contrastar las hipótesis:
Diagrama de cajas simultáneos Los diagramas de cajas es una herramienta para describir el
comportamiento e unos datos, y es de suma utilidad para comparar procesos, tratamientos y, en
general, para hacer análisis por estratos (lotes, proveedores, turnos). En el resultado arrojado por
Minitab se observa en la figura (figura 2.1) que el método C parece diferente a los métodos A y B
en cuanto a sus medias; la media del método D también se ve diferente a la media del método A.
Por otra parte, se observa un poco más de variabilidad en el método C que en todos los demás. Lo
que sigue es verificar que lo que se observa en el diagrama de cajas implica diferencias
significativas entre los distintos tratamientos; por lo tanto, es necesario hacer pruebas estadísticas
porque los datos que se analizan en los diagramas de cajas son muestras. En general, cuando los
diagramas no se traslapan es probable que los tratamientos correspondientes sean diferentes
entre sí, y la probabilidad es mayor en la medida que los diagramas están basados en más datos.
Cuando se traslapan un poco puede ser que haya o no diferencias significativas, y en cualquier
caso es conveniente utilizar una prueba estadística para determinar cuáles diferencias son
significativas. Estas pruebas se verán en la siguiente sección. Análisis del ejemplo 2 (comparación
de cuatro tipos de cuero). La interrogante que se planteó en el problema de la comparación entre
los cuatro tipos de cuero fue: ¿existen diferencias entre el desgaste promedio de los diferentes
tipos de cuero? La respuesta a esta pregunta es el resultado de contrastar las hipótesis: En el
resultado arrojado por Excel, se muestra el análisis de varianza para este ejemplo. Como el valor-p
= 0,0000 es menor que la significancia prefijada a= 0,05 , se rechaza H0y se acepta que al menos
un par de tipos de cuero tiene un desgaste promedio diferente ANOVA unidireccional: A; B; C; D
Minitab
2.6 Uso de un software estadístico Excel a) En una hoja de Excel capturar primeramente la tabla de
datos b) En la misma hoja de cálculo seleccionar del cintillo superior Datos, luego Análisis de datos
c) Seleccionar análisis de varianza de un factor en la ventana desplegada d) En rango de entrada
(en ventana de captura) seleccionar todos los grupos, incluyendo su rótulo (sombrearlos con el
mouse), automáticamente se incluyen. e) En el siguiente recuadro seleccionar si nuestros datos
están ordenados en filia o columnas, además indicar si tenemos rótulos en los encabezados, e
indicar que los resultados los arroje en una hoja nueva Nota: Si no aparece Análisis de datos en la
parte superior derecha de la hoja de cálculo, se deberá de activar de la siguiente manera: · En el
símbolo del sistema en la parte superior izquierda de los encabezados dar clic. · En la ventana
desplegada seleccionar opciones de Excel en la parte inferior dando un clic. · De la ventana
desplegada señalar en el menú del lado izquierdo complementos · De la ventana desplegada en el
lado derecho, señalar en la parte inferior de la misma ir con un clic. · De la ventana desplegada
palomear el recuadro de herramientas para análisis, y aceptar Nota Como no está instalada esta
herramienta el sistema nos preguntara si queremos instalarla a lo que indicaremos que si, y la
instalara en un par de minutos. Minitab · En la hoja de cálculo que despliega Minitab capturar
nuestra tabla de datos indicando sus correspondientes rótulos en la primer fila que no está
numerada · En el cintillo superior indicar con el mouse Estadísticas · Del menú desplegado
seleccionar ANOVA, en el menú desplegado seleccionar Un solo factor (Desapilado) y dar clic con
el mouse En ventana de captura desplegada (Análisis de varianza- Un solo factor), en la parte
izquierda aparecerán automáticamente los grupos de tabla de datos En el cuadro superior
derecho (Respuestas (en columnas separadas)) indicar separando por un espacio (sin comas) los
nombres de las columnas que generalmente son letras, esto también se logra dando doble clic en
cada letra del cuadro de la izquierda, automáticamente son capturadas En nivel de confianza por
default es 95% Señalar Aceptar y nos arrojara el resultado ANOVA en la parte superior de la hoja
de calculo Si queremos hacer comparaciones de rango múltiples, entonces señalamos de la
ventana anterior comparaciones dando un clic. En la ventana desplegada señalaremos las
comparaciones que queramos, y en control nivel del grupo indicamos la A, y damos clic en aceptar
Si queremos las gráficas del supuesto del modelo entonces, damos clic a gráficas (antepenúltima
ventana) y señalamos tres en uno y damos clic en aceptar CONCLUSION BIBLIOGRAFIA Libro
estadística inferencial 2