Evaluación I

Diseño de Experimentos
Evaluación I.
1. Describir en forma breve un proyecto de investigación en el que se requiera el diseño
experimental.
2. Explique el análisis estadístico apropiado para los datos que se pretenden recolectar
en tú proyecto de investigación.
3. Con base en tu proyecto de investigación explique el significado del término error
experimental, error aleatorio y cómo se pudiera controlar su efecto.
Desarrollo
1. Descripción del proyecto.
En este ejercicio realizaremos un proyecto para analizar el efecto de la música en el

rendimiento cognitivo.
Con este proyecto, se pretende analizar el impacto de diferentes tipos de música en el

rendimiento cognitivo de estudiantes universitarios durante la realización de tareas. El
objetivo es determinar si la música tiene un efecto positivo, negativo o neutro en la capacidad
y la precisión de los estudiantes en la resolución de problemas.
Para la obtención de los datos Se reclutará a un grupo de 27 estudiantes universitarios, a

quienes se les asignará aleatoriamente un tipo de música en tres grupos de acuerdo con su
edad: unos escucharán música clásica, otros escucharán música pop y el otro grupo de control
trabajará en silencio. Los participantes serán sometidos a una serie de pruebas de resolución
de problemas en un entorno controlado. Se medirá el tiempo que se tomarán en completar
cada tarea y se registrarán sus puntuaciones. Basándonos en los resultados del análisis
estadístico, se determinará si existe un efecto significativo de la música en el rendimiento
cognitivo.
Variables del proyecto: Dependiente, rendimiento cognitivo. Independiente, tipo de música.

Bloque: edad de los participantes.
2. Análisis estadístico apropiado
Este proyecto se realizará con un diseño de experimento en bloques totalmente aleatorizados

para la recolección de los datos y para el un análisis, realizará la prueba de ANOVA para
comparar las diferencias en el rendimiento entre los grupos que escucharon los diferentes
tipos de música y el grupo de control. A través de este análisis se buscará las correlaciones
entre el tipo de música y el rendimiento cognitivo.
Las hipótesis para este caso serian:
H0: El rendimiento es el mismo para en todos los grupos sin importar el tipo de música que
escuchen. (No hay diferencia significativa entre el rendimiento y el tipo de música que
escuchan los estudiantes universitarios).
H0: El rendimiento no es el mismo al menos para uno de los grupos tomando en

consideración el tipo de música que escuchen. (Hay diferencia significativa entre el
rendimiento y el tipo de música que escuchan los estudiantes universitarios).
Las conclusiones serán tomadas en base al rechazo o aceptación de las hipótesis, si el

estadístico calculado o de prueba es menor que el valor crítico a un nivel de significancia
establecido, se rechaza la hipótesis nula; por consiguiente, en el caso contrario se acepta H0.
3. El error
Error Experimental: El error experimental, también conocido como error sistemático, se

refiere a las desviaciones consistentes y predecibles entre los resultados observados en un
experimento y los valores verdaderos o teóricos. Estas desviaciones pueden ser causadas por
factores no controlados que influyen en los resultados y que pueden afectar la validez interna
del estudio.
Error Aleatorio: El error aleatorio es la variabilidad natural y no predecible en los resultados

de un experimento. Se debe a factores que fluctúan de manera aleatoria y que están fuera del
control del investigador, como las diferencias individuales entre los participantes,
fluctuaciones en el ambiente experimental, errores de medición, entre otros. El error aleatorio
es una fuente normal de variabilidad en cualquier estudio y no se puede eliminar por
completo, pero se puede minimizar.
Control del Error Experimental y Aleatorio: Para controlar el error experimental, es esencial
diseñar el experimento de manera rigurosa y controlada. En el proyecto sobre la música y el
rendimiento, se podría controlar el error experimental estableciendo correctamente los
bloques y asignando aleatoriamente a los participantes los tipos de música y o el ambiente en
silencio para el grupo control, asegurándose de que los grupos sean comparables desde el
principio.
De igual mara para corregir el error aleatorio es necesario repetir el estudio utilizando un
número suficiente de participantes, en otras palabras, utilizar una muestra suficientemente
grande, porque mientras más repeticiones se tenga más confiables serán los resultados.
Otra manera es identificar y controlar cuidadosamente todas las variables que puedan influir
en los resultados. En el caso del proyecto, es importante controlar factores externos como el
tiempo del día en que se realizan las pruebas, el nivel de fatiga de los participantes y la calidad
del ambiente de la prueba.
Es recomendable también utilizar instrumentos de medición confiables para reducir los

errores de medición. Para este caso en particular hay que asegurarse de que las pruebas que
tomaran los estudiantes sean consistentes y estandarizadas para todos los participantes. Y con
un análisis estadístico adecuado, realizaremos pruebas de significancia, para evaluar la
magnitud del error aleatorio y su impacto en las conclusiones del estudio.
Por último, hay que mantener un ambiente experimental constante y controlado para
minimizar las influencias externas que podrían afectar los resultados.
A modo de resumen de lo antes expuesto, el error experimental se refiere a las desviaciones

sistemáticas predecibles, mientras que el error aleatorio es la variabilidad no predecible en
los resultados. Para controlar estos errores, se deben diseñar experimentos rigurosos,
controlar variables, utilizar medidas precisas, replicar el estudio y realizar análisis
estadísticos apropiados.
Ejercicio 3.35. Varios hornos en un taller de metalurgia se utilizan para calentar especímenes
metálicos. Se supone que todos los hornos funcionan a la misma temperatura, aunque se
sospecha que esto no puede ser verdadero. Se eligen tres hornos al azar y se anotan sus
temperaturas en calores sucesivos. Los datos recogidos son como sigue:
a) ¿Hay una variación significativa en la temperatura entre hornos? Usa 𝛼 = 0.05.
(b) Estime los componentes de varianza para este modelo.
(c) Analice los residuos de este experimento y dibuje conclusiones sobre la adecuación del
modelo.
Temperatura de los hornos
Horno 1: 491.50, 498.30, 498.10, 493.50, 493.60
Horno 2: 488.50, 484.65, 479.90, 477.35, 478.65
Horno 3: 490.10, 484.80, 488.25. 473.00, 471.85
# Datos de temperatura
horno1 <- c(491.50, 498.30, 498.10, 493.50, 493.60)
horno2 <- c(488.50, 484.65, 479.90, 477.35, 478.65)
horno3 <- c(490.10, 484.80, 488.25, 473.00, 471.85)
# Realizar el análisis de varianza (ANOVA)
anova_result <- aov(c(horno1, horno2, horno3) ~ rep(c("Horno1", "Horno2", "Horno3"),

each = 5))
# Imprimir el resultado del ANOVA
print(summary(anova_result))
# Gráfico de probabilidad normal de los residuos
residuals <- c(horno1, horno2, horno3) - mean(c(horno1, horno2, horno3))
qqnorm(residuals)
qqline(residuals)
# Conclusión sobre la adecuación del modelo
p_value <- summary(anova_result)[[1]]$"Pr(>F)"[1]
if (p_value < 0.05) {
cat("Diferencias significativas entre los hornos.\n")
} else {
cat("No hay diferencias significativas entre los hornos.\n")
a) Variación Significativa en la Temperatura entre Hornos (Prueba de Hipótesis):

Para determinar si hay una variación significativa en la temperatura entre los hornos,
realizaremos un análisis de varianza (ANOVA). El objetivo es probar si las medias de las
temperaturas son iguales en todos los hornos.
Primero, calcularemos la suma de cuadrados entre grupos (SSG), la suma de cuadrados

dentro de grupos (SSE) y luego utilizaremos estos valores para calcular la estadística F y su
valor p correspondiente.
Los resultados del análisis ANOVA nos indicarán si hay diferencias significativas entre las
temperaturas de los hornos.
b) Estimación de Componentes de Varianza:
En este caso, los componentes de varianza estarán relacionados con la suma de cuadrados
entre grupos (SSG) y la suma de cuadrados dentro de grupos (SSE) en el análisis ANOVA.
SSG refleja la variación entre los hornos, mientras que SSE refleja la variación dentro de
cada horno.
c) Análisis de Residuos y Conclusión sobre la Adecuación del Modelo:
Después de realizar el análisis ANOVA, examinaremos los residuos del modelo para verificar
si cumplen con las suposiciones del modelo estadístico. Esto incluirá gráficos de residuos y
consideraciones sobre la distribución y patrones de los residuos.
Ahora, procedamos a realizar el análisis. Utilizaré Python para realizar los cálculos y el
análisis estadístico. Aquí tienes los resultados:

Evaluación I

Cargado por

Copyright:

Formatos disponibles

Evaluación I

Cargado por

Información del documento

Título 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

Evaluación I

Cargado por

Copyright:

Formatos disponibles

Diseño de Experimentos

1. Descripción del proyecto.

En este ejercicio realizaremos un proyecto para analizar el efecto de la música en el

Con este proyecto, se pretende analizar el impacto de diferentes tipos de música en el

Para la obtención de los datos Se reclutará a un grupo de 27 estudiantes universitarios, a

Variables del proyecto: Dependiente, rendimiento cognitivo. Independiente, tipo de música.

Este proyecto se realizará con un diseño de experimento en bloques totalmente aleatorizados

Las hipótesis para este caso serian:

H0: El rendimiento no es el mismo al menos para uno de los grupos tomando en

Las conclusiones serán tomadas en base al rechazo o aceptación de las hipótesis, si el

Error Experimental: El error experimental, también conocido como error sistemático, se

Error Aleatorio: El error aleatorio es la variabilidad natural y no predecible en los resultados

Es recomendable también utilizar instrumentos de medición confiables para reducir los

A modo de resumen de lo antes expuesto, el error experimental se refiere a las desviaciones

(b) Estime los componentes de varianza para este modelo.

Temperatura de los hornos

Horno 1: 491.50, 498.30, 498.10, 493.50, 493.60

Horno 2: 488.50, 484.65, 479.90, 477.35, 478.65

Horno 3: 490.10, 484.80, 488.25. 473.00, 471.85

horno1 <- c(491.50, 498.30, 498.10, 493.50, 493.60)

horno2 <- c(488.50, 484.65, 479.90, 477.35, 478.65)

horno3 <- c(490.10, 484.80, 488.25, 473.00, 471.85)

# Realizar el análisis de varianza (ANOVA)

anova_result <- aov(c(horno1, horno2, horno3) ~ rep(c("Horno1", "Horno2", "Horno3"),

# Gráfico de probabilidad normal de los residuos

residuals <- c(horno1, horno2, horno3) - mean(c(horno1, horno2, horno3))

# Conclusión sobre la adecuación del modelo

p_value <- summary(anova_result)[[1]]$"Pr(>F)"[1]

if (p_value < 0.05) {

cat("Diferencias significativas entre los hornos.\n")

cat("No hay diferencias significativas entre los hornos.\n")

a) Variación Significativa en la Temperatura entre Hornos (Prueba de Hipótesis):

Primero, calcularemos la suma de cuadrados entre grupos (SSG), la suma de cuadrados

b) Estimación de Componentes de Varianza:

c) Análisis de Residuos y Conclusión sobre la Adecuación del Modelo:

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.