Principios y Supuestos

Saber para Ser
ESCUELA SUPERIOR POLITCNICA DE CHIMBORAZO

FACULTAD DE MECNICA
ESCUELA DE INGENIERA INDUSTRIAL
MATERIA: DISEO EXPERIMENTAL.

ESTUDIANTE: FERNANDO ORDEZ.
CDIGO: 1786.
SEMESTRE: NOVENO 2.
FECHA DE PRESENTACIN: JUEVES 14 DE ABRIL DE 2016.
TEMA: PRINCIPIOS Y SUPUESTOS DEL DISEO EXPERIMENTAL.
Actualmente las investigaciones que involucran la estimacin cuantitativa de efectos

acuden necesariamente a los tcnicos de la estadstica tanto para la planeacin de
experimentos como para la interpretacin de resultados originados en ensayos
experimentales.
PRINCIPIOS BSICOS
El diseo de experimentos trata de fenmenos que son observables y repetibles. Por lo
tanto, sin el pensamiento estadstico, los conceptos de observabilidad y repetitividad son
inherentemente contradictorios. Cualquier cosa observada se aprecia con variabilidad;
nada ocurre exactamente de la misma forma dos veces, incluso las mediciones del mismo
evento varan.
Se debe ser muy cuidadoso en la planeacin y el anlisis de un experimento. El punto de

partida para una correcta planeacin es aplicar los principios bsicos del diseo de
experimentos: aleatorizacin, repeticin y bloqueo, los cuales tienen que ver
directamente con que los datos obtenidos sean tiles para responder a las preguntas
planteadas, es decir, la validez del anlisis de los datos se apoya en estos principios.
1. Aleatorizacin: Consiste en hacer las corridas experimentales en orden

aleatorio (al azar) y con material tambin seleccionado aleatoriamente. Este
principio aumenta la probabilidad de que el supuesto de independencia de los
errores se cumpla, lo cual es un requisito para la validez de las pruebas de
estadsticas que se realizan. Tambin es una manera de asegurar que las
pequeas diferencias provocadas por materiales, equipo y todos los factores no
controlados, se repartan de manera homognea en todos los tratamientos. Por
ejemplo, una evidencia de incumplimiento o violacin de este principio se
manifiesta cuando el resultado obtenido en una prueba est muy influenciado por
la prueba inmediata anterior.
2. Repeticin: Es correr ms de una vez un tratamiento o una combinacin de

factores. Es preciso no confundir este principio con medir varias veces el mismo
resultado experimental. Repetir es volver a realizar un tratamiento, pero no
inmediatamente despus de haber corrido el mismo tratamiento, sino cuando
FERNANDO ORDEZ NOVENO 2 ING. IVN ACOSTA

Saber para Ser
corresponda de acuerdo con la aleatorizacin. Las repeticiones permiten
distinguir mejor qu parte de la variabilidad total de los datos se debe al error
aleatorio y cul a los factores. Cuando no se hacen repeticiones no hay manera de
estimar la variabilidad natural o el error aleatorio, y esto dificulta la construccin
de estadsticas realistas en el anlisis de los datos.
3. Bloqueo. Consiste en nulificar o tomar en cuenta, en forma adecuada, todos los

factores que puedan afectar la respuesta observada. Al bloquear, se supone que
el subconjunto de datos que se obtengan dentro de cada bloque (nivel particular
del factor bloqueado), debe resultar ms homogneo que el conjunto total de
datos. Por ejemplo, si se quieren comparar cuatro mquinas, es importante tomar
en cuenta al operador de las mquinas, en especial si se cree que la habilidad y
los conocimientos del operador pueden influir en el resultado. Una posible
estrategia de bloqueo del factor operador, sera que un mismo operador realizara
todas las pruebas del experimento. Otra posible estrategia de bloqueo sera
experimentar con cuatro operadores (cuatro bloques), donde cada uno de ellos
prueba en orden aleatorio las cuatro mquinas; en este segundo caso, la
comparacin de las mquinas quizs es ms real. Cada operador es un bloque
porque se espera que las mediciones del mismo operador sean ms parecidas
entre s que las mediciones de varios operadores.
VERIFICACIN DE SUPUESTOS DEL MODELO

La validez de los resultados obtenidos en cualquier anlisis de varianza queda supeditada
a que los supuestos del modelo se cumplan. Estos supuestos son normalidad,
varianza constante (igual varianza de los tratamientos) e independencia. Esto
es, la respuesta (Y) se debe distribuir de manera normal, con la misma varianza en cada
tratamiento y las mediciones deben ser independientes.
Es una prctica comn utilizar la muestra de residuos para comprobar los supuestos del
modelo, ya que si los supuestos se cumplen, los residuos o residuales se pueden ver como
una muestra aleatoria de una distribucin normal con media cero y varianza constante.
Los residuos, e, se definen como la diferencia entre la respuesta observada Y y la
respuesta predicha por el modelo Y, lo cual permite hacer un diagnstico ms directo de
la calidad del modelo, ya que su magnitud seala qu tan bien describe a los datos el
modelo.
El modelo lineal que se espera es:
= + +
donde Yij (i = 1, 2, , k; j = 1, 2, , n) es el j-simo dato en el tratamiento i; es la media

global, es el efecto del tratamiento i y representa al error asociado con la
observacin Yij.
El residuo asociado a la observacin Yij est dado por:
Los supuestos del modelo lineal, en trminos de los residuos son:
Los siguen una distribucin normal con media cero.

Saber para Ser
Los son independientes entre s.
Los residuos de cada tratamiento tienen la misma varianza.
Para comprobar cada supuesto existen pruebas analticas y grficas. Muchas veces se
prefieren las pruebas grficas. stas tienen el inconveniente de que no son exactas,
pero aun as, en la mayora de las situaciones prcticas proporcionan la evidencia
suficiente en contra o a favor de los supuestos. El uso de las pruebas grficas requiere
una fuerte evidencia visual para concluir que el supuesto en cuestin no se cumple, ya
que se requiere que la evidencia en contra de un supuesto est soportada por ms de dos
puntos.
Cuando son uno o dos los puntos que se salen del comportamiento esperado de las
grficas se puede tratar de un problema de puntos descarriados, no de violacin del
supuesto en cuestin. En ese caso debe investigarse la obtencin de dichas mediciones
atpicas, ya que ese tipo de puntos pueden afectar sensiblemente los resultados del
anlisis. Se puede utilizar una prueba analtica para subsanar las ambigedades que
surjan en la interpretacin visual (subjetiva) de las grficas.
Es mejor prevenir en lo posible que los supuestos no se violen, para ello se aplican los
tres principios bsicos del diseo de experimentos: repeticin, aleatorizacin y
bloqueo. Es fcil encontrar situaciones en las que por no aplicar alguno de estos
principios no se cumplen los supuestos del modelo. Por ejemplo, por no aleatorizar el
orden en que se corren las pruebas pueden surgir problemas con el supuesto de
independencia.
1. Normalidad: Un procedimiento grfico para verificar el cumplimiento del

supuesto de normalidad de los residuos consiste en graficar los residuos en papel
o en la grfica de probabilidad normal que se incluye casi en todos los paquetes
estadsticos. Esta grfica del tipo X-Y tiene las escalas de tal manera que si los
residuos siguen una distribucin normal, al graficarlos tienden a quedar
alineados en una lnea recta; por lo tanto, si claramente no se alinean se concluye
que el supuesto de normalidad no es correcto. Cabe enfatizar el hecho de que el
ajuste de los puntos a una recta no tiene que ser perfecto, dado que el anlisis de
varianza resiste pequeas y moderadas desviaciones al supuesto de normalidad.
Grfica de probabilidad en papel normal
Consideremos los N residuos ei que resultan del anlisis de una varianza, o cualquier
conjunto de N datos de los cuales se quiere verificar su procedencia de una distribucin
normal. Los pasos en la construccin de la grfica de probabilidad normal para los
residuos son los siguientes:
1. Ordenar los N valores del menor al mayor y asignarles los rangos de 1 a N. Sean
ri, i = 1, 2,, N, los datos en orden creciente.
2. Calcular una posicin de graficacin para cada dato en funcin de su rango y del
total de observaciones como (i 0.5)/N, i = 1, 2,, N.
3. El papel de probabilidad normal es un formato para realizar una grfica del tipo
X-Y, donde una de las escalas es lineal y la otra es logartmica. Sobre el papel de
probabilidad normal se dibujan las parejas (ri, (i 0.5)/N).
4. Dibujar una lnea recta sobre los puntos para tratar de dilucidar si se ajustan a
ella o no. La interpretacin de la grfica es subjetiva, pero muchas veces es

Saber para Ser
suficiente para llegar a una conclusin razonable sobre la distribucin que siguen
los datos.
Grfica de probabilidad normal en papel ordinario
A falta de papel de probabilidad normal, la grfica de probabilidad tambin se puede

hacer en papel ordinario con escalas equiespaciadas en ambos ejes. Para ello, primero se
obtiene el valor normal estandarizado Zi que cumple la relacin:
Entre dichas pruebas se encuentran la ji-cuadrada para bondad de ajuste, la prueba de

Shapiro-Wilks y la prueba de Anderson-Darling.
2. Varianza constante: Una forma de verificar el supuesto de varianza constante

(o que los tratamientos tienen la misma varianza) es graficando los predichos
contra los residuos (Yij vs. ei), por lo general Yij va en el eje horizontal y los
residuos en el eje vertical. Si los puntos en esta grfica se distribuyen de manera
aleatoria en una banda horizontal (sin ningn patrn claro y contundente),
entonces es seal de que se cumple el supuesto de que los tratamientos tienen
igual varianza. Por el contrario, si se distribuyen con algn patrn claro y
contundente, como por ejemplo una forma de corneta o embudo, entonces es
seal de que no se est cumpliendo el supuesto de varianza constante.
Otra grfica que ayuda a verificar el supuesto es la grfica de niveles de factor

contra residuos. En el eje X de esta grfica se ponen los tratamientos o los niveles
de un factor, y en el eje vertical se agregan los residuos correspondientes a cada
tratamiento o nivel de factor. Si se cumple el supuesto de varianza constante, se
espera que la amplitud de la dispersin de los puntos en cada nivel de factor
tender a ser similar; y no se cumplir el supuesto si hay diferencias fuertes en
esta amplitud.
En la interpretacin de las grficas debe considerarse que, en estadstica, las

pequeas diferencias por lo general no son significativas, y tambin debe tomarse
en cuenta la cantidad de observaciones hechas en cada nivel del factor, puesto
que este hecho puede impactar la dispersin aparente en cada tratamiento. Otra
interpretacin de la grfica de factor contra residuos es que cuando los
tratamientos o niveles muestran una dispersin diferente de sus residuales
correspondientes, es que el factor o los tratamientos tienen un efecto significativo
sobre la variabilidad de la respuesta.
Existe una gran cantidad de transformaciones propuestas que logran lo anterior,

entre las ms frecuentes se encuentran la logartmica y la raz cuadrada. La
transformacin se hace de la siguiente manera: se saca logaritmo a los datos u
observaciones por ejemplo, y con los datos transformados se vuelve a hacer el
anlisis completo. En la seccin Transformaciones para estabilizar varianzas.
Tambin podemos aplicar una prueba analtica para la igualdad de varianzas que
es la Prueba de Bartlett para homogeneidad de varianzas.

Saber para Ser
3. Independencia: La suposicin de independencia en los residuos puede
verificarse si se grafica el orden en que se colect un dato contra el residuo
correspondiente. De esta manera, si al graficar en el eje horizontal el tiempo
(orden de corrida) y en el eje vertical los residuos, se detecta una tendencia o
patrn no aleatorio claramente definido, esto es evidencia de que existe una
correlacin entre los errores y, por lo tanto, el supuesto de independencia no se
cumple.
Si el comportamiento de los puntos es aleatorio dentro de una banda horizontal,

el supuesto se est cumpliendo. La violacin de este supuesto generalmente
indica deficiencias en la planeacin y ejecucin del experimento; asimismo,
puede ser un indicador de que no se aplic en forma correcta el principio de
aleatorizacin, o de que conforme se fueron realizando las pruebas
experimentales aparecieron factores que afectaron la respuesta observada. Por
ello, en caso de tener problemas con este supuesto, las conclusiones que se
obtienen del anlisis son dbiles y por ello es mejor revisar lo hecho y tratar de
investigar por qu no se cumpli con ese supuesto de independencia, a fin de
reconsiderar la situacin.
Una prueba analtica para verificar la independencia entre residuos consecutivos

es la prueba de Durbin-Watson. El problema con dicha prueba es que no es capaz
de detectar otros patrones de correlacin entre residuos (no consecutivos) que
tambin son violatorios del supuesto de independencia.
CONCLUSIONES
Entonces lo que se puede concluir de cada uno de estos trminos es que respecto a lo que
son Principios Bsicos:
La Aleatorizacin consiste en hacer corridas experimentales en orden aleatorio

(al azar); este principio aumenta la posibilidad de que el supuesto de
independencia de los errores se cumpla.
La Repetitividad es correr ms de una vez un tratamiento o combinacin de
factores.
El Bloqueo es nulificar o tomar en cuenta en forma adecuada todos los factores
que pueden afectar la respuesta observada.
En lo que tiene que ver a verificacin de Supuestos del modelo:
La grfica de probabilidad nos sirve para verificar visualmente si los datos siguen
una distribucin de probabilidad especfica.
Para poder tener un buen diseo debemos aplicar correctamente los Principios
para as poder cumplir con cada uno de los supuestos y concluir con la validacin
del diseo.
Para la evaluacin de cada uno de los Supuestos existen pruebas estadsticas para
ello tambin es necesario aplicar ya sean mtodos grficos o analticos.
BIBLIOGRAFA
Pulido, H. G. (2008). Anlisis y Diseo de Experimentos. Mxico: Mc Graw Hill.

Principios y Supuestos

Cargado por

Copyright:

Formatos disponibles

Principios y Supuestos

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Principios y Supuestos

Cargado por

Copyright:

Formatos disponibles

Saber para Ser

ESCUELA SUPERIOR POLITCNICA DE CHIMBORAZO

MATERIA: DISEO EXPERIMENTAL.

Actualmente las investigaciones que involucran la estimacin cuantitativa de efectos

Se debe ser muy cuidadoso en la planeacin y el anlisis de un experimento. El punto de

1. Aleatorizacin: Consiste en hacer las corridas experimentales en orden

2. Repeticin: Es correr ms de una vez un tratamiento o una combinacin de

FERNANDO ORDEZ NOVENO 2 ING. IVN ACOSTA

3. Bloqueo. Consiste en nulificar o tomar en cuenta, en forma adecuada, todos los

VERIFICACIN DE SUPUESTOS DEL MODELO

El modelo lineal que se espera es:

donde Yij (i = 1, 2, , k; j = 1, 2, , n) es el j-simo dato en el tratamiento i; es la media

El residuo asociado a la observacin Yij est dado por:

Los supuestos del modelo lineal, en trminos de los residuos son:

Los siguen una distribucin normal con media cero.

FERNANDO ORDEZ NOVENO 2 ING. IVN ACOSTA

1. Normalidad: Un procedimiento grfico para verificar el cumplimiento del

Grfica de probabilidad en papel normal

FERNANDO ORDEZ NOVENO 2 ING. IVN ACOSTA

Grfica de probabilidad normal en papel ordinario

A falta de papel de probabilidad normal, la grfica de probabilidad tambin se puede

Entre dichas pruebas se encuentran la ji-cuadrada para bondad de ajuste, la prueba de

2. Varianza constante: Una forma de verificar el supuesto de varianza constante

Otra grfica que ayuda a verificar el supuesto es la grfica de niveles de factor

En la interpretacin de las grficas debe considerarse que, en estadstica, las

Existe una gran cantidad de transformaciones propuestas que logran lo anterior,

FERNANDO ORDEZ NOVENO 2 ING. IVN ACOSTA

Si el comportamiento de los puntos es aleatorio dentro de una banda horizontal,

Una prueba analtica para verificar la independencia entre residuos consecutivos

La Aleatorizacin consiste en hacer corridas experimentales en orden aleatorio

En lo que tiene que ver a verificacin de Supuestos del modelo:

FERNANDO ORDEZ NOVENO 2 ING. IVN ACOSTA

También podría gustarte