DISEÑO

EXPERIMENTAL
NIVEL: NOVENO SEMESTRE
ESTUDIANTE: JENNY LLAMUCA
CÓDIGO: 1985
DISEÑO EXPERIMENTAL
El diseño experimental es el procedimiento de planeación y conducción de
experimentos, así como la definición del análisis estadístico para evaluar los
resultados, con el objetivo de tener conclusiones válidas y objetivas. El
procedimiento incluye la definición de factores a modificar, la manera de su
aplicación y el número de pruebas a realizar.

La forma tradicional que se utilizaba en la experimentación, para el estudio de estos

problemas, se basaba en estudiar los factores uno a uno, ésto es, variar los niveles de
un factor permaneciendo fijos los demás. Esta metodología presenta grandes
inconvenientes:

 Es necesario un gran número de pruebas.

 Las conclusiones obtenidas en el estudio de cada factor tienen un campo de
validez muy restringido.
 No es posible estudiar la existencia de interacción entre los factores.
 Es inviable, en muchos casos, por problemas de tiempo o costo.

Las técnicas de diseño de experimentos se basan en estudiar simultáneamente los

efectos de todos los factores de interés, son más eficaces y proporcionan mejores
resultados con un menor coste.

A continuación, se enumeran las etapas que deben seguirse para una correcta
planificación de un diseño experimental.

1. Definir los objetivos del experimento.

2. Identificar todas las posibles fuentes de variación, incluyendo:
 Factores tratamiento y sus niveles,
 Unidades experimentales,
 Factores nuisance (molestos): factores bloque, factores ruido y
covariables.
 3. Elegir una regla de asignación de las unidades experimentales a las
condiciones de estudio (tratamientos).
4. Especificar las medidas con que se trabajará (la respuesta), el procedimiento
experimental y anticiparse a las posibles dificultades.
5. Ejecutar un experimento piloto.
6. Especificar el modelo.
7. Esquematizar los pasos del análisis.
8. Determinar el tamaño muestral.
9. Revisar las decisiones anteriores. Modificarlas si se considera necesario.

OBJETIVOS DEL DISEÑO EXPERIMENTAL

El objetivo general de cualquier diseño experimental es proporcionar una cantidad

máxima de información pertinente al problema bajo investigación. Objetivos más
específicos aparecen a continuación.

 Aumentar la precisión del experimento.

 Proveer estimados de los efectos de tratamientos o las diferencias entre los
efectos de tratamientos.
 Estimar la variabilidad del material experimental.

PRINCIPIOS BÁSICOS EN EL DISEÑO DE EXPERIMENTOS

Al planificar un experimento hay tres principios básicos que se deben tener siempre
en cuenta:

 El principio de aleatorización.
 El bloqueo.
 Repetitividad
Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para asignar los
tratamientos a las unidades experimentales sin preocuparse de qué tratamientos
considerar. Por el contrario, la factorización del diseño define una estrategia eficiente
para elegir los tratamientos sin considerar en absoluto como asignarlos después a
las unidades experimentales.

ALEATORIZAR
“Aleatorizar todos los factores no controlados por el experimentador en el diseño
experimental y que pueden influir en los resultados serán asignados al azar a las
unidades experimentales”.

Ventajas de aleatorizar los factores no controlados:

1. Garantizar la validez de la estimación del error experimental.

2. Garantizar la independencia de los errores o que las observaciones sean
variables aleatorias independientes. Esto es necesario para obtener pruebas
de significancia válidas y estimados de intervalos.
3. Eliminar el sesgo de tal manera que no se desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños que pudieran
estar presentes.

BLOQUEO
“Se deben dividir o particionar las unidades experimentales en grupos llamados
bloques de modo que las observaciones realizadas en cada bloque se realicen bajo
condiciones experimentales lo más parecidas posibles.

A diferencia de lo que ocurre con los factores tratamiento, el experimentador no está

interesado en investigar las posibles diferencias de la respuesta entre los niveles de
los factores bloque”.
Bloquear es una buena estrategia siempre y cuando sea posible dividir las unidades
experimentales en grupos de unidades similares.

Las ventajas de bloquear un factor que se supone que tienen una clara influencia en
la respuesta, pero en el que no se está interesado, son las siguientes:

1. Puede incrementarse la precisión de un experimento. Las diferencias entre

los bloques son eliminadas del error experimental en el análisis de resultados
reduciendo de ésta forma el error.
2. Los tratamientos son comparados bajo casi idénticas condiciones, ya que las
comparaciones son hechas dentro de bloques de unidades uniformes.

LA REPLICACIÓN

Por esta se entiende que cada tratamiento (o alguno de los tratamientos) debe ser
aplicado a varias unidades experimentales. La replicación sirve para:

1. Proveer un estimado del error experimental, tal estimación se convierte en la

unidad básica para determinar si las diferencias observadas en los datos son
estadísticamente significativas
2. Incrementar la precisión por medio de la reducción de errores estándar.
3. Calcular una estimación más precisa del efecto de un factor en el experimento

si se usa la media muestral ( ) como una estimación de dicho efecto.

SUPUESTOS DEL DISEÑO EXPERIMENTAL

ANÁLISIS DE VARIANZA
El análisis de varianza se define como una técnica en la que la variabilidad de un
conjunto de datos se divide en varios componentes y cada uno de ellos se asocia a
una fuente específica de variación, de manera que durante el análisis es posible
encontrar la magnitud con la que contribuye cada una de esas fuentes en la variación
total. El nombre ANOVA es porque para comparar las medias de los grupos o
tratamientos necesitamos identificar las distintas fuentes de variabilidad. La
variabilidad de la variable respuesta, sin referencia a ningún factor que la pudiera
estar afectando, se conoce como variabilidad total.

La variabilidad de la variable respuesta que se atribuye a factores específicos se

conoce como variabilidad explicada. Mide la variabilidad entre los diferentes
grupos. La variabilidad de la variable respuesta de las unidades (experimentales)
dentro de cada nivel del factor se conoce como variabilidad no-explicada.

Se desprende que:

Variabilidad total = variabilidad explicada + variabilidad no explicad.

Para docimar la hipótesis global acerca de las medias usaremos el test estadístico F.
Este test contrasta la variabilidad entre los grupos con la variabilidad que será
natural dentro de los grupos.

𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝐸𝑁𝑇𝑅𝐸 𝑙𝑎𝑠 𝑚𝑒𝑑𝑖𝑑𝑎𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠

𝐹=
𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝐷𝐸𝑁𝑇𝑅𝑂 𝑑𝑒 𝑙𝑎𝑠 𝑚𝑒𝑑𝑖𝑑𝑎𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠

VERIFICACIÓN DE SUPUESTOS DEL ANÁLISIS DE LAS VARIANZAS

NORMALIDAD
Tomando los residuos como dato de análisis, una de las técnicas más usadas para
verificar el supuesto de distribución normal de los términos de error es construir un
Q-Q plot normal con los residuos calculados. Mediante esta técnica se obtiene un
diagrama de dispersión en el que, si los errores son normales y no hay otros defectos
del modelo, los residuos se alinean sobre una recta a 45°como se muestra en la
Figura. Esta alineación sobre la diagonal del gráfico se produce cuando los residuos
observados correlacionan bien con los residuos esperados bajo el supuesto que la
muestra de datos sigue una distribución normal. El gráfico compara los cuantiles
observados con los cuantiles esperados bajo normalidad. La presencia de ligeras
violaciones de este supuesto no resulta grave para el ANAVA, ya que no afecta de
forma importante la probabilidad de cometer Error de Tipo I.

HOMOGENEIDAD

Cuando los términos de error tienen varianzas homogéneas (datos homocedásticos)

y el modelo explica bien a los datos (es decir no queda ninguna fuente de variación
sistemática que aún se pueda remover), el gráfico de dispersión de residuos vs.
predichos presentará una nube de puntos sin patrón alguno. Por ello, los
investigadores usan los gráficos de dispersión de residuos con patrones aleatorios
como indicador de un buen ajuste del modelo a sus datos. Este también es útil para
verificar homogeneidad de varianzas cuando la dispersión de los residuos para cada
valor predicho es similar.

Un patrón en este tipo de gráficos que indica falta de homogeneidad en las varianzas
se muestra en la Figura. La heterogeneidad de varianzas se pone de manifiesto ya
que a medida que crecen los valores predichos por el modelo, aumentan las
dispersiones de los residuos; así los tratamientos con mayores valores predichos
tienen más variabilidad entre sus repeticiones que los tratamientos con menor valor
predicho. En casos como esos, decimos que no se cumple el supuesto de
homogeneidad de varianzas. Este tipo de patrón es indeseable ya que puede
llevarnos a cometer errores en las conclusiones; frecuentemente se asocia con una
mayor probabilidad de cometer Error Tipo II, es decir no detectar diferencias entre
tratamientos cuando éstas realmente existen.

En situaciones donde se observan diferencias gráficas en el rango de los residuos,

existen pruebas formales para concluir si existe o no un nivel de heterogenidad de
varianzas que pudiera afectar las conclusiones del ANAVA. La Prueba de Levene,
que se construye como un ANAVA del valor absoluto de los residuos, fue diseñada
para concluir sobre la homogeneidad/heterogeneidad de los errores entre
tratamientos. Cuando el ANAVA que usa el valor absoluto de los residuos como
variable dependiente presenta un valor p pequeño se concluye que la
heterogeneidad de varianzas entre tratamientos es importante. En casos de
heterogeniedad de varianzas se recurre otro tipo de ANAVA donde no es necesario
suponer varianzas homogéneas como es el ANAVA bajo un modelo lineal mixto.

INDEPENDENCIA
En algunas situaciones (datos colectados en el tiempo o con referencia espacial) una
ayuda valiosa para estudiar la posible falta de independencia entre los errores es
realizar un gráfico de los residuos según la secuencia en el tiempo o espacio en que
han sido colectados los datos; por supuesto que para tal prueba debe conocerse cómo
ha sido el mecanismo de recolección de datos. Si los residuos aparecen en “rachas”
de varios valores positivos seguidos de varios valores negativos puede ser un indicio
claro de la falta de independencia. Siempre que se detecte cualquier patrón distinto
al aleatorio (falta de patrón), se debe sospechar del incumplimiento del supuesto de
independencia.

La falta de independencia es un problema potencialmente peligroso y difícil de

corregir, por lo que es importante prevenirlo. La aleatorización en la asignación de
los tratamientos a las unidades experimentales, en la secuencia de medición de los
resultados del ensayo, o en cualquier otra etapa experimental que pueda introducir
una fuente sistemática de error, es un método eficaz para evitar la falta de
cumplimiento del supuesto de independencia.