UNVERSIDAD DE SAN CARLOS DE GUATEMALA

(CUNORI)

Estadistica II
Ingeniero Manuel Alvarez

“Experimentos generales de un solo factor”

Edwin Rolando Ralda Barillas

201346126 / Ing. Civil
Diego Andrés Torres Jarquín
201544134 / Ing. Industrial
Oscar Adalberto Mateo Galicia
201541780 / Ing. Industrial

Chiquimula 16 de octubre de 2019.

 ii

Experimentos Generales De Un Solo Factor

Los experimentos con un solo factor comprenden experimentos que se usan cuando el objetivo es

comparar más de dos tratamientos, pero que corresponden a niveles de un mismo factor. Vale la

pena recordar que a los tratamientos también se les puede llamar niveles. Algunos ejemplos

podrían ser:

 Comparar dos o tres máquinas.

 Comparar varios procesos para la obtención de un producto o un resultado.

 Comparar varios materiales.

 Comparar dietas.

 Etc.

Con el fin de tomar una decisión en la solución de un problema real. Por lo general las

comparaciones se hacen en términos de las medias poblacionales, aunque también es importante

la comparación de varianzas y capacidad actual para cumplir con ciertas especificaciones.

Consideraciones En El Diseño De Experimentos

El diseño de un solo factor es el más simple de todos, pues contempla solo dos fuentes de

variabilidad: los tratamientos (o niveles) y el error aleatorio. Se denominan en algunas ocasiones

diseños completamente aleatorizados por que las corridas experimentales se realizan en orden

aleatorio, dado en este caso que no tienen restricciones impuestas por factores como el bloqueo.

Habitualmente un diseño de un solo factor aleatorio se compone de las siguientes características:

 Hipótesis y respectivas pruebas.

 Configuración matricial para recolección de los datos.

 iii

Análisis de varianza de un factor

Se utiliza el análisis de la varianza (ANOVA) para comprobar si existen diferencias en las

medias. Fundamentalmente este análisis consiste en separar la contribución de cada fuente de

variación en la variación total observada. Sin embargo, éste ANOVA está supeditado a los

siguientes supuestos que deben verificarse:

 Normalidad

 Varianza constante (igual varianza en los tratamientos)

 Independencia

Diseño completamente aleatorio

El diseño completamente al aleatorio es el más sencillo de los diseños de experimentos que

tratan de comparar dos o más tratamientos, puesto que sólo considera dos fuentes de

variabilidad: los tratamientos y el error aleatorio.

 iv

Prueba De Tukey

John W. Tukey en sus inicios fue un químico y un matemático, que finalmente se convirtió en

estadístico debido a " la experiencia de los problemas reales y de los datos reales".

Tukey se centró en problemas estadísticos sobre la seguridad de los analgésicos, basándose en "

la experiencia de los problemas reales y de los datos reales" desarrolló el análisis exploratorio de

datos. Tukey inventó muchas de las herramientas estadísticas como por ejemplo;

 Los diagramas de cajas

 Los diagramas de tallos

Tukey cambió el análisis de datos, defendiendo una análisis de datos mas flexible, mas

exploratorio, no consiste simplemente en dar respuestas a preguntas concretas. Responder a

preguntas como: ¿que dicen los datos?

Prueba de tukey para experimentos desbalanceados

El análisis de varianza es una técnica para análisis de datos, donde se prueba la hipótesis

nula que todos los tratamientos son iguales, contra la hipótesis alternativa que al menos uno de

los tratamientos es distinto a los demás”. Lamentablemente, el objetivo deseado al realizar el

experimento (encontrar el o los mejores tratamientos), no se puede cumplir. Para ello es

necesario realizar un procedimiento adicional, llamado Prueba de medias. Existe una gran

cantidad de pruebas de medias, pero quizá la más conocida es la prueba de Tukey. Esta prueba

fue desarrollada por John W. Tukey.

Se calcula un valor llamado el comparador de Tukey, de la siguiente manera:

 v

Donde:

q es una valor que se obtiene de una tabla (Tabla de Tukey) , de manera parecida a la tabla de F.

Horizontalmente se coloca el número de los tratamientos y verticalmente los grados de libertad

del error. Solamente existen tablas para niveles de significancia del 5% y del 1%. El término que

está dentro de la raíz cuadrada se llama error estándar de la media y es igual al cuadrado medio

del error (obtenido en el ANDEVA), dividido entre el número de repeticiones. Si la diferencia

entre dos promedios es mayor que el comparador, se concluye que los dos promedios no son

iguales, en caso contrario se concluye que sí son iguales. Se utiliza el mismo comparador para

todos los pares de promedios que se comparan. Pero ésta fórmula solamente es válida para el

caso de experimentos con igual número de repeticiones (balanceado). Un experimento puede

ser desbalanceado (desiguales repeticiones) por varios motivos: por causa de los tratamientos,

por fallas en el manejo del experimento, o por causas desconocidas que el experimentador no

pudo controlar. El análisis de un experimento desbalanceado se complica. En el caso del diseño

al completo azar el procedimiento es directo, pero en el de bloques al azar, cuadrado latino y

otros, es necesario estimar los datos faltantes antes de realizar el análisis. Lo mismo sucede para

la prueba de Tukey. No se puede usar un solo comparador, se deben calcular varios

comparadores para realizar la comparación por pares . Esta variante de la prueba se conoce como

Tukey-Kramer; la fórmula para el cálculo es la siguiente:

 vi

Donde:

W ij= comparador para el par de tratamientos i,j

q= valor de la tabla de Tukey, con el número de tratamientos y grados de libertad del error

CME= cuadrado medio del error

ri, rj son las repeticiones de los tratamientos i,j

Prueba de Duncan

El Test de Duncan es un test de comparaciones múltiples. Permite comparar las medias de los t

niveles de un factor después de haber rechazado la Hipótesis nula de igualdad de medias

mediante la técnica ANOVA. Todos los tests de comparaciones múltiples son tests que tratan de

perfilar, tratan de especificar, tratan de concretar, una Hipótesis alternativa genérica como la de

cualquiera de los Test ANOVA. El Test de Duncan es muy similar al Test HSD de Tukey, pero

en lugar de trabajar con un umbral fijo trabaja con un umbral cambiante. Un umbral que

dependerá del número de medias implicadas en la comparación. Para saber el número de medias

implicadas en la comparación se ordenan las medias muestrales de menor a mayor y así al hacer

una comparación entre dos medias sabremos además de las dos medias comparadas cuantas

medias quedan dentro. Este número de medias implicadas en cualquier comparación de medias

es el parámetro p de este umbral.