Академический Документы
Профессиональный Документы
Культура Документы
[Fecha] Cintalapa
Ingeniería Industrial
Ingeniería de la Calidad
Diseño y Análisis de Experimentos
Unidad V: Diseño con mediciones repetidas
Catedrático: Ing. José de Jesús Zavala Zavala
Alumno
Gómez Pérez Faustino
6IC1
Análisis Univariado
Una manera de evitar la dependencia de las medidas repetidas es tratar de
reducirlas a estadísticos que resuman adecuadamente el comportamiento de
aquellas. Esto se puede lograr, por ejemplo, ajustando un modelo lineal al vector
de medidas repetidas de cada sujeto y utilizar los coeficientes estimados como
nuevas variables a las cuales aplicar las técnicas usuales como el ANOVA.
También es siempre recomendable hacer las gráficas de perfiles para observar
cómo se van comportando las medidas repetidas en cada individuo y sopesar
qué tan razonable es el modelo que se pretende ajustar en cada sujeto.
Si los modelos resultan con buen ajuste, es de esperarse que el ANOVA de los
coeficientes dé buenos resultados. El problema es que en ocasiones no es
posible lograr un buen ajuste de los modelos y en ese caso este análisis pierde
eficacia. La gráfica de perfiles para cada grupo de la tabla 14.14 se muestra en
la fi gura 14.7, de donde se observa muy parecido el comportamiento entre los
grupos 1 y 2 (control y tiroxina), y en el grupo 3 (tiouracilo) el crecimiento de las
curvas es menor. Dados estos perfiles, es de esperarse que cualquier análisis
sea capaz de detectar diferencias tanto de los tratamientos como a lo largo del
tiempo; además parece razonable que un modelo de regresión lineal simple
explique la evolución sobre el tiempo de cada animal, es decir, es de esperarse
que para cada rata se cumpla que:
𝑌1 = 𝛽0 + 𝛽1 + 𝑇𝑖 + 𝜀𝑖
donde 𝑌1 es el peso de la rata en el tiempo 𝑇𝑖 que está expresado en semanas,
pero podría estar en días; 𝜀𝑖 es el error de ajuste correspondiente. Además, 𝛽0 y
𝛽1 son los parámetros del modelo, que son estimados a partir de los datos, y 𝛽0
representa el corte o intersección de la línea ajustada con el eje Y, mientras que
𝛽1 es la pendiente de la línea recta. En la tabla 14.15 se muestran las
estimaciones para los parámetros 𝛽0 y 𝛽1 para los datos de las 27 ratas, y
también el coeficiente de determinación 𝑅2 , que muestra que el ajuste de las
líneas rectas es muy bueno, ya que en prácticamente todos los casos este
coeficiente es mayor que 95 por ciento.
Con las estimaciones de la tabla 14.15 se pueden comparar los tres tratamientos
respecto a los dos parámetros. Esto se hace mediante el análisis de varianza de
la tabla 14.16, de donde se ve que para la variable 𝛽0 el 𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 0.171, no
es menor que 0.05, por lo que se concluye que no hay diferencia significativa
entre los tratamientos respecto a 𝛽0 , lo que es congruente con el hecho de que
al tiempo 0 las ratas de cada tratamiento tienen el mismo peso promedio.
Análisis de varianza (ANOVA).
Si en el caso del ejemplo 14.4 el aumento del peso de las ratas no hubiera sido
lineal, se podría haber ajustado algún otro tipo de modelo.
Análisis multivariado
Otra alternativa para analizar los datos de mediciones repetidas es a través de
pruebas multivariadas en las que, en el caso del ejemplo 14.4, se prueba de una
sola vez si las medias vectoriales de los tres grupos son iguales. De esta manera
la formulación de las hipótesis es como sigue:
𝐻0 = 𝜇1 = 𝜇2 = 𝜇3
𝐻𝑎 = 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑝𝑎𝑟 𝑑𝑒 𝑚𝑒𝑑𝑖𝑎𝑠
donde 𝑂𝜇ℎ , es el vector columna de las medias del grupo h, con h = 1, 2, 3. Cada
componente del vector es la media del grupo en cada uno de los cinco tiempos
de medición. Así, en el caso del grupo 1 𝜇1 = (𝜇1,0 , 𝜇1,1 , 𝜇1,2 , 𝜇1,3 , 𝜇1,4 ) donde 𝜇1,0
es la media del grupo 1 en la semana cero, que se estimaría con el peso
promedio de las 10 ratas de ese grupo en la semana cero. De los datos de la
tabla 14.14 se obtiene que los vectores de medias estimados están dados por:
Ventajas y desventajas.
La única variación dentro de los sujetos ingresa el error experimental ya que dos
tratamientos se pueden comparar directamente para cada sujeto. Por lo tanto,
uno puede ver los sujetos que sirven como sus propios controles. Otra ventaja
de un diseño de medidas repetidas es que economiza en temas. Esto es muy
importante cuando solo unas pocas materias (por ejemplo, tiendas, plantas,
mercados de prueba) se pueden utilizar para la experiencia. Además, cuando el
interés está en los efectos de un tratamiento en el tiempo, como cuando la forma
de la curva de aprendizaje para un nuevo proceso operación debe estudiarse,
por lo general es deseable observar el mismo sujeto en diferentes puntos en el
tiempo en lugar de observar diferentes sujetos en los puntos especificados en el
tiempo.
Sin embargo, los diseños de medidas repetidas tienen una seria desventaja
potencial, a saber, que puede haber varios tipos de interferencia. Un tipo de
interferencia es un afecto de orden la cual es conectado con la posición en la
orden de tratamiento. Por ejemplo, al evaluar cinco diferentes anuncios, los
sujetos pueden tender a otorgar calificaciones más altas (o más bajas) para los
anuncios mostrado hacia el final de la secuencia que al principio. Otro tipo de
interferencia está conectado con el tratamiento o tratamientos anteriores. Por
ejemplo, al evaluar cinco diferentes recetas de sopa, una receta insulsa puede
obtener una calificación más alta (o más baja) cuando está precedida por una
receta muy condimentada que cuando está precedida por una receta más clara.
Este tipo de interferencia es llamado efecto continua. Se pueden tomar varios
pasos para minimizar el peligro de los efectos de interferencia. Aleatorización de
las órdenes de tratamiento para cada sujeto de forma independiente hará que
sea más razonable analizar los datos como si los términos fueran
independientes. Permitir suficiente tiempo entre los tratamientos son a menudo
un medio efectivo para reducir los efectos continuos. Puede ser deseable en
veces para equilibrar el orden de las presentaciones de tratamiento y, a veces
incluso el número de cada vez que cada tratamiento es precedido por cualquier
otro tratamiento.
¿Cómo aleatorizar?
La aleatorización del orden de los tratamientos asignados a un sujeto es directa.
Por cada sujeto, se usa una permutación aleatoria para definir el orden de
tratamiento, e independientemente las permutaciones se seleccionan para los
diferentes temas.
En las figuras 15.1 se muestran las tendencias observadas con el tiempo para
los tres tratamientos en el estudio, las gráficas de perfiles muestran un
incremento en las diferencias observadas de temperatura para los conejos. Se
observa un incremento menos definitivo con el tratamiento del excipiente solo y
el perfil de la solución salina indica sólo una repuesta fluctuante sin tendencia
definida. El objetivo del análisis para este estudio será determinar si existe una
tendencia significativa ascendente en la temperatura para cualquier tratamiento.
De ser así, será importante determinar si el amiodarone es responsable del
incremento y no la solución excipiente, o el procedimiento intravenoso en sí
mediante el tratamiento salino. Así, serán importantes en el análisis los
contrastes entre la tendencia del tratamiento de amiodarone y la de los dos
tratamientos de control.
Diseños entre y dentro de unidades experimentales.
𝜎12
𝑃12 =
𝜎1 𝜎2
donde 𝜎1 𝑦 𝜎2 son las desviaciones estándar de 𝑦1 y 𝑦2 y 𝜎12 es la covarianza
entre. Si el valor esperado o media de la variable y es 𝐸 (𝑦) = 𝜇 entonces su
varianza es 𝜎 2 = 𝐸(𝑦 − 𝜇)2 . La covarianza de dos variables, 𝑦1 y 𝑦2 es 𝜎12 =
𝐸(𝑦1 −𝜇1 (𝑦2 − 𝜇2 ). La covarianza es una medida de la manera en que dos
variables varían juntas, si aumenta el valor de una variable mientras el de la otra
aumenta, la covarianza es positiva y la correlación entre las variables es positiva.
Las varianza y covarianzas teóricas para las mediciones repetidas sucesivas
como 𝑦1 , 𝑦2 , 𝑦3 , 𝑦 𝑦4 se explican en el cuadro 15.1 como la matriz Σ de 4𝑥4.
𝒚𝟏 𝒚𝟐 𝒚𝟑 𝒚𝟒
𝒚𝟏 𝒚𝟐 𝒚𝟑 𝒚𝟒
𝒚𝟏 𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐
𝒚𝟐 𝒑𝝈𝟐 𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐
𝒚𝟑 𝒑𝝈𝟐 𝒑𝝈𝟐 𝝈𝟐 𝒑𝝈𝟐
𝒚𝟒 𝒑𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐 𝝈𝟐
Fuente de SS GL MS E{MS}
variación.
Sujetos SSS s-1 MSS 𝜎 2 + 𝑟𝜎𝑝2
Tratamientos SSTR r-1 MSTR ∑ 𝑟𝑖2
𝜎2 +
𝑟−1
Error SSTR.S (r-1)(s-1) MSTR.S 𝜎2
Donde:
𝑆𝑆𝑆𝑇𝑂 = ∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. )2
𝐼 𝐽
Tenga en cuenta que no hay ninguna suma de cuadrados de error porque no hay
replicas aquí. La tabla 27.1 contiene el análisis de la tabla de varianza para el
modelo de medidas repetidas (27.1). Es lo mismo para el modelo de bloques
aleatorios aditivos excepto por el cambio en la notación. Tenga en cuenta
nuevamente que, en ausencia de interacciones entre tratamientos y sujetos, la
interacción del cuadrado medio MSTR.S es un estimador insesgado de la
varianza del error.
formulas:
Experimentos de dos factores con medidas repetidas en un factor.
Modelo.
El desarrollo de un modelo para un experimento de dos factores con medidas
repetidas en uno factor es solo un poco más complejo que para casos anteriores.
Como antes, desarrollaremos el modelo para efectos de sujeto aleatorio y
efectos fijos de factor A y factor B. Deja, como de costumbre,
denotan los efectos principales del factor A y del factor B, respectivamente, el
AB efecto de interacción, y p el efecto principal sujeto (bloque). Sin embargo,
debemos reconocer que el efecto sujeto en este diseño está anidado dentro del
factor A. Por lo tanto, denotaremos como antes, suponemos que no hay
interacciones entre los tratamientos y sujetos, aunque esta condición no es
esencial aquí. Un modelo que incorpora lo anterior especificaciones es la
siguiente para un estudio equilibrado, donde el número de sujetos que reciben
cada nivel del factor A es el mismo:
Análisis de varianza para dos factores.
1.- Humberto Gtz, Román de la Vara., Análisis y Diseño de Experimentos, México, DF,
McGraw Hill/Interamericana Editores. Tercera Edición, 2012.
2.- Douglas C. Montgomery. Diseño y Análisis de Experimentos, Ed. LIMUSA, Segunda
Edición, 2004.
3.- Robert O. Kuelh, Diseño de experimentos: Principios estadísticos de diseño y
análisis de investigación, Ed. THOMSON LEARNING, Segunda Edicion, 2001.
4.- Michael H. Kutner, Christopher J. Nachtsheim, John Neter, William Li, Applied
Linear Statistical Modelsl, McGraw-Hill, Quinta Edicion, 2005.
5.- George C. Canavos, Probabilidad y Estadística: Aplicaciones y Métodos, McGraw-
Hill, Primera Edición, 1988.