DISEÑOS EXPERIMENTALES

DISEÑOS COMPLETAMENTE
AL AZAR (DCA)
 Logro de la sesión

Al término de la sesión, el estudiante diseña y analiza

técnicas del análisis de varianza para modelar diseños
experimentales de un factor utilizando información
propia de su especialidad.
 La universidad brinda a los estudiantes
tres modalidades de estudio.

Presencial Semipresencial Online

¿Cómo evaluar que modalidad de estudio

funciona mejor?
 Temario

• Introducción al diseño experimental.

• Diseño completamente aleatorizado. Conceptos
generales. Principios básicos. Disposición de los
datos. Modelo lineal.
• Análisis estadístico de un DCA. Verificación de
supuestos. Hipótesis. Análisis de varianza.
• Comparaciones múltiples: Tukey.
 Introducción
• Los estudios estadísticos se clasifican como
observacionales u experimentales.

• En un estudio observacional, los datos suelen obtenerse

mediante la inspección de una muestra.

• En un estudio experimental, se realizan pruebas

“experimentación” para obtener los datos.

• Aunque en muchos casos exista bases establecidas para

explicar los fenómenos de interés, casi siempre existe la
necesidad de corroborar que la teoría en realidad funciona
en el entorno que se está aplicando.
 Experimento diseñado
• Es una prueba o serie de pruebas en las cuales se inducen cambios
deliberados en las variables de entrada de un proceso o sistema,
de manera que sea posible observar e identificar las causas de los
cambios en la respuesta de salida1/.

• Este diseño se aplica cuando hay homogeneidad entre las unidades

experimentales, y esto se logra controlando variables.

• En el ejemplo podríamos controlar variables como: Veces que llevo

el curso, Que tenga un ponderado promedio de 13 a 16 puntos,
etc.

• Debe tenerse en cuenta que no todo es controlable, y en el diseño

del experimento se asume que lo que no es controlable se debe a
la aleatoriedad.
 Experimento diseñado para evaluar
la eficiencia de los modalidades de estudio

Todos los estudiantes de Estadística

Descriptiva del ciclo 2017 – 2. Población

30 estudiantes del ciclo 2017–2

tomados para el experimento. Muestra Aleatoria

Diez estudiantes se inscriben en

La asignación no es
cada modalidad de estudio. en forma aleatoria

Modalidad 1 Modalidad 2 Modalidad 3

n1 = 10 n2 = 10 n3 = 10
Presencial Semipresencial Online

Diseño balanceado
Mismo número de réplicas en cada modalidad
 Experimento diseñado para evaluar
la eficiencia de los modalidades de estudio
Todos los estudiantes de Estadística
Descriptiva del ciclo 2017 – 2. Población
La aleatorización y
el número de
réplicas 30 estudiantes del ciclo 2017–2
son dos principios tomados para el experimento. Muestra Aleatoria
importantes para el
diseño de
experimentos. Cada modalidad de estudio se Asignación es
asignan a 30 estudiantes. en forma aleatoria

Modalidad 1 Modalidad 2 Modalidad 3

n1 = 10 n2 = 10 n3 = 10
Presencial Semipresencial Online

Diseño balanceado
Mismo número de réplicas en cada modalidad
 Tipos de diseño experimental

Diseños con un DCA

solo factor
DBCA

Diseños con dos Experimentos

factores factoriales
DCA: Diseño completamente aleatorizado

Mide los efectos de los niveles de un factor

sobre la variable respuesta.

¿Qué es un factor?
¿Qué son los niveles de un factor?
¿Qué es una variable respuesta?
¿Porqué es completamente
aleatorizado?
 Conceptos generales

Variable independiente que afecta los

Factor resultados del experimento: controlables o no
controlables

Características

• Sus efectos son evaluados en

los resultados del experimento En un DCA se
(variable dependiente) evalúa un factor.
• Es una variable categórica.
• Susceptible a la manipulación.
• Sus valores son controlados.
 Conceptos generales

Es un conjunto de procedimientos cuyo

Tratamientos efecto sobre la respuesta nos interesa
estudiar.

Un tratamiento corresponde a los niveles

de un factor o a la combinación de los
niveles de dos o más factores.

Es la variable en la cual se evaluarán los

Variable respuesta
efectos de los tratamientos.

Unidad Es la unidad (sujeto u objeto) sobre el

Experimental cual se aplica un tratamiento.
 Conceptos generales

Variabilidad existente
Error experimental entre los resultados de
unidades experimentales
 Debido al mismo tratadas en forma similar
material
 Falta de
uniformidad

Repetición

Principios básicos
Aleatorización
Del diseño
Experimental
Análisis por bloques
 Principios básicos

• Los tratamientos se asignan aleatoriamente a las unidades

experimentales.
• Hay mas de una réplica por tratamiento, y cada tratamiento
puede tener un número de réplicas diferentes entre ellas.
• En el DCA que analizaremos: Hay k poblaciones (k
tratamientos) y se seleccionan k muestras aleatorias
independientes – modelo de efectos fijos.
Del ejemplo: 1. Definimos los conceptos generales

Hipótesis de Alguna de las tres

modalidades de estudio
Investigación será más efectiva.

Factor en estudio Modalidad de estudio

Presencial,
Tratamiento Semipresencial,
Online
Consideraremos:
Diseño
Variable completamente
Calificaciones
respuesta aleatorizado, de
efectos fijos,
balanceado -con
Unidad 10 réplicas por
Un estudiante
experimental tratamiento.
 Disposición de los datos en un DCA

Muestra Tratamiento
1 2 ... k
k 2 2
y y
SS (Tr )   
1 y11 y21 ... yk1 i. ..
2 Y12 y22 ... yk2 i 1 ni n
3 y13 y23 ... yk3
. . . ... . SSE  SST  SS (Tr )
. . . ... . k n 2
y
. . . ... . SST   yij2  ..
ni ... i 1 j 1 n
Totales y1 . y2 . ... yk.
y i.
 Modelo Lineal de un DCA

yij     i   ij i  1, 2, . .., k ; j  1, 2, ..., n

El error experimental
Medición en Efecto de i-ésimo asociado a la
la j-ésima tratamiento observación yij.
repetición en
la i-ésima La media
muestra. poblacional
eij ~ N(0,2)

Estimación ˆ  y..
de los ˆi  yi.  y..
parámetros i     i
ˆ i  ˆ  ˆi  yi. => Estimado puntual
 Análisis estadístico de un DCA
Verificación de supuestos del modelo
El modelo yij     i   ij describe de manera adecuada a las
observaciones y que los errores o residuales siguen una
distribución normal e independiente con media cero y varianza
s2 desconocida pero constante.

El residual de la observación yij es: eij ~ N(0,2)

eij  yij  yˆ ij Supuestos
yˆ ij  ˆ  ˆi  Errores siguen distribución normal.
 Errores con varianzas homogéneas.
 y..  ( yi.  y.. )  Errores con media cero.
 Errores son independientes.
 yi .

Del ejemplo: 2. Planteamos el modelo y validamos los supuestos.

 Análisis estadístico de un DCA
Paso 1: Formulación de hipótesis
H0 : 1 = 2 =… = k No hay diferencia en las El factor en estudio no
medias poblacionales. afecta a la variable
respuesta.
H1: No todas las i son Hay diferencia en las El factor en estudio afecta a
iguales. medias poblacionales. la variable respuesta.

Paso 2: Fijar nivel de significación

Paso 3: Calcular el estadístico de prueba
¿qué técnica estadística
usaremos para validar las
hipótesis planteadas?
 Análisis de varianza (ANOVA, ANVA)
Técnica estadística que permite descomponer la variabilidad
total de los resultados de un experimento en sus distintas
fuentes (tratamientos. bloques. interacciones entre factores.
error experimental). con la finalidad de compararlas e identificar
su importancia relativa en la explicación de la variación total.

Mide el efecto de los

Variabilidad entre tratamientos
grupos

Variabilidad dentro Mide la variabilidad del

de los grupos error experimental
 Del ejemplo:
¿los estudiantes obtendrán las mismas calificaciones en las
diferentes modalidades de estudio?

Error experimental
Variabilidad dentro del Variabilidad dentro del Variabilidad dentro del
grupo de las calificaciones grupo de las calificaciones grupo de las calificaciones
de m. presencial. de m. semipresencial. de m. online.

Variabilidad entre los grupos

 Análisis estadístico de un DCA
Paso 3: Cálculo del Estadístico de Prueba
Elaborar el cuadro del Análisis de Varianza (ANVA, ANOVA)
CMTr
Fcalculado   Fcrítico ( ;( g .l .Tr ),( g .l . Error ))
CME
Paso 4. Regiones críticas
Distribución F (Fisher)
0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0.0
0

Zona de No R H0 Zona de R H0

F(, gl(Tr) , gl(E) )

Paso 5. Decisión estadística

Se rechaza H0, si Fcal > F(,GLTrat,GLE)

Paso 6. Interpretación y conclusión

 Comparaciones múltiples

Cuando la hipótesis nula de la prueba F es rechazada, indica que

al menos una de las medias es diferente, pero no revela cuál o
cuáles son significativamente diferentes al resto. En estos casos,
se deben utilizar otras pruebas estadísticas llamadas pruebas de
comparación.
Una de las mas usadas es la Prueba de Tukey
Estas permiten evaluar si existen diferencias significativas entre
las medias de cada “par de tratamientos”.

Del ejemplo: 3. Realizamos el ANOVA y dependiendo de los

resultados realizamos las comparaciones por pares.
 Modalidades de estudio
Se diseña un experimento completamente aleatorizado para determinar que
modalidad de estudio es mas efectivo, de esta forma se asigna aleatoriamente
una modalidad de estudio a cada estudiante de un muestra de 30. Se ha
considerado para cada modalidad de estudio el mismo temario y la misma
cantidad de horas con el fin de controlar los factores externos al experimento.
A continuación se muestran las calificaciones obtenidas por los estudiantes al
final del programa de estudio de cada grupo (tratamiento) de 10 estudiantes:
Presencial 14 13 19 15 14 13 18 10 15 16
Semipresencial 14 12 17 18 11 12 12 13 10 15
Online 11 13 09 12 16 13 14 17 16 15

a) Probar los supuestos del modelo. Utilice 5% de nivel de significación.

b) Defina el modelo lineal.
c) A un nivel de significación de 5%. ¿las modalidades de estudio afectan en
las calificaciones de los estudiantes?
d) De rechazar la hipótesis nula en c). utilice la prueba de Tukey, ¿qué
modalidad de estudio recomendaría?
 Solución.
Con MINITAB: Estimaciones puntuales y residuales
Estadísticas / ANOVA / Un solo factor
 a) Supuestos

1.Normalidad de los errores

Hipótesis
H0: Los errores se distribuyen
normalmente
H1: Los errores no se distribuyen
normalmente
Valor p = 0,693 > 0,05

Decisión: No se rechaza Ho
Conclusión: Con un nivel de
significación del 5%, se asume
que los errores se distribuyen
normalmente.
2. Homogeneidad de varianzas

Se utiliza el método de
Hipótesis Bartlett. Este método es
exacto sólo para datos
H O :  12   22   32 normales.

H1 : Al menos un  i2 es diferente Prueba de varianzas iguales: Calificacion vs. Modalidad

Prueba de Bartlett
Valor p 0.682

Valor p = 0,994 > 0,05 Modalidad

Online

Decisión: No se rechaza Ho Presencial

Conclusión: Con un nivel de

significación del 5%, se asume la Semipresencial

homogeneidad de varianzas. 1 2 3 4 5
Intervalos de confianza de Bonferroni de 95% para Desv.Est.
b) Modelo lineal DCA ajustado

yˆ ij  14,33  ˆi
Corrida del minitab
Estimaciones Medias

ˆ  y..  14,33 Modalidad N Media Desv.Est. IC de 95%

Online 10 13.600 2.503 (12.169; 15.031)
ˆ1  y1.  13,600 Presencial 10 16.100 1.853 (14.669; 17.531)
ˆ 2  y2.  16,100 Semipresencial 10 13.300 2.214 (11.869; 14.731)

ˆ 3  y3.  13,300 Desv.Est. agrupada = 2.20605

Residuales
e23  y23  yˆ 23  1,10
Interpretación u1: La calificación promedio de los estudiantes que
estudiaron la modalidad online se encuentra alrededor de 13,6.
Interpretación e23: La diferencia entre lo observado (17) y lo estimado
(13.3) en la calificación del estudiante 3 es de 3.7.
c) ¿Las modalidades de estudio afectan en las
calificaciones de los estudiantes?

Paso 1: Planteamiento de hipótesis

Ho: Las modalidades de estudio no afectan a las
calificaciones de los estudiantes (1= 2= 3 o 1= 2= 3=0)
H1: Al menos una modalidad de estudio afecta a las
calificaciones de los estudiantes (al menos un i diferente o
un i diferente)

Paso 2: Nivel de significación

Nivel de significación = α= 0,05
 Revisar Excel construcción suma de cuadrados
Paso 3: Análisis de varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modalidad 2 47.27 23.633 4.86 0.016
Error 27 131.40 4.867
Total 29 178.67

Paso 4: Regiones críticas

Criterios:
Fcal =12.10 > F(2,27,0.05)=3.35
=INV.F.CD(0,05;2;27)

Ftab=3.35 Fcal=4.86 Paso 5: Decisión Se rechaza Ho

Paso 6: Interpretación y Conclusión

A un nivel de significación de 5%, la evidencia recogida en las muestras, son
suficientes para afirmar que en al menos una modalidad de estudio afecta en las
calificaciones de los estudiantes. Por lo tanto corresponde realizar análisis de
comparaciones por pares.
 Con MINITAB: ANOVA
1.Digitar los datos 3.Seleccionar las variables y aceptar

2.Estadísticas/ANOVA/un factor
 d) ¿Qué modalidad de estudio recomendaría?
Comparaciones en parejas de Tukey

Agrupar información utilizando el método de Tukey y una confianza de 95%

Modalidad N Media Agrupación

Presencial 10 16.100 A
Online 10 13.600 B
Semipresencial 10 13.300 B

Las medias que no comparten una letra son significativamente diferentes.

Ordenando las medias de menor a mayor

sp µon µpr

Conclusión: No hay diferencia significativa en las calificaciones de los estudiantes que

usaron la modalidad online o semipresencial. Sin embargo estas notas difieren de la
modalidad presencial.

Con un 5% de significación, se recomendaría la modalidad de estudio presencial porque los

estudiantes logran mayores resultados.
 Pruebas simultáneas de Tukey para diferencias de las medias
Pruebas simultáneas de Tukey para diferencias de las medias

Diferencia
de las EE de Valor p
Diferencia de niveles medias diferencia IC de 95% Valor T ajustado
Presencial - Online 2.500 0.987 ( 0.051; 4.949) 2.53 0.044
Semipresenci - Online -0.300 0.987 (-2.749; 2.149) -0.30 0.950
Semipresenci - Presencial -2.800 0.987 (-5.249; -0.351) -2.84 0.022

Para: µp - µo. Al ser el intervalo positivo: µp > µo

Para: µsp - µo. Al contener el intervalo al cero: µsp = µo
Para: µsp - µp. Al ser el intervalo negativo: µp > µsp

Conclusión: No hay diferencia significativa en las calificaciones de los estudiantes que

usaron la modalidad online o semipresencial. Sin embargo, sí hay diferencias significativas
entre las modalidades presencial con online y semipresencial con presencial.
Con un 5% de significación, se recomendaría la modalidad de estudio presencial porque los
estudiantes logran mayores resultados.