📘 DISEÑO EXPERIMENTAL (2026-1)

UNIDAD 2 — DISEÑO COMPLETAMENTE ALEATORIZADO (DCA)

🗓 SEMANA 5 — ANÁLISIS COMPLETO DEL DCA: INTERPRETACIÓN, SUPUESTOS Y PRUEBAS POST HOC

Modalidad Virtual – Microsoft Teams

Documento alineado con el Programa de Asignatura , el Prompt Global y el calendario institucional 2026-1 .

1️⃣ Ubicación dentro de la Unidad

Unidad 2:

  • Semana 4 — Estructura teórica del DCA e implementación básica.
  • Semana 5 — Diagnóstico completo, interpretación formal y pruebas post hoc.

📌 Esta semana culmina el estudio del DCA. 📌 Al finalizar la segunda sesión se elabora la hoja manuscrita final de la unidad y se programa su entrega física.

2️⃣ Objetivos Formativos de la Semana 5

Al finalizar esta semana el estudiante deberá:

  • Interpretar formalmente una tabla ANOVA.
  • Verificar supuestos del modelo.
  • Aplicar pruebas post hoc.
  • Diferenciar significancia estadística y relevancia práctica.
  • Integrar teoría, implementación y diagnóstico.
  • Consolidar el aprendizaje mediante escritura manual final.

📚 SESIÓN 1 — Interpretación y Diagnóstico de Supuestos (Virtual – 2 horas)

A. Interacción “Estudia y Aprende”

Prompt 1

Explica cómo se interpreta formalmente una tabla ANOVA en un DCA. Incluye hipótesis nula y alternativa.

Hipótesis:

\[H_0: \tau_1 = \tau_2 = \dots = \tau_k = 0\]

\[H_a: \text{Al menos un tratamiento difiere}\]

Prompt 2

Explica cómo verificar los supuestos de:

  • Normalidad
  • Independencia
  • Homogeneidad de varianza

Prompt 3

¿Qué consecuencias estadísticas tiene violar cada supuesto?

B. Implementación en R — Diagnóstico

# Residuos
res <- residuals(modelo)

# Normalidad
shapiro.test(res)

# Homogeneidad
bartlett.test(rendimiento ~ tratamiento, data=datos)

# Gráficos
plot(modelo)

C. Implementación en Python — Diagnóstico

from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns

# Residuos
residuos = modelo.resid

# Normalidad
stats.shapiro(residuos)

# Homogeneidad
stats.levene(df[df['tratamiento']=="A"]['rendimiento'],
             df[df['tratamiento']=="B"]['rendimiento'],
             df[df['tratamiento']=="C"]['rendimiento'])

Interpretación conceptual de resultados.

📚 SESIÓN 2 — Pruebas Post Hoc e Integración Final (Virtual – 2 horas)

A. Interacción “Estudia y Aprende”

Prompt 4

Explica por qué el ANOVA no indica qué tratamiento difiere y por qué se requieren pruebas post hoc.

Prompt 5

Explica la prueba de Tukey HSD y su interpretación práctica en ingeniería.

B. Implementación en R — Tukey

TukeyHSD(modelo)

C. Implementación en Python — Comparaciones Múltiples

from statsmodels.stats.multicomp import pairwise_tukeyhsd

tukey = pairwise_tukeyhsd(endog=df['rendimiento'],
                          groups=df['tratamiento'],
                          alpha=0.05)
print(tukey)

Interpretación:

  • Intervalos de confianza.
  • Diferencias significativas.
  • Decisión técnica.

✍️ Escritura Manual — Hoja Final de la Unidad DCA

Al finalizar la sesión:

  1. Ejecutar el Prompt Global aplicado al DCA completo.
  2. Generar resumen integrador.
  3. Escribir en una sola hoja:
  • Definición del DCA.
  • Modelo matemático.
  • Tabla ANOVA.
  • Supuestos.
  • Diagnóstico.
  • Prueba de Tukey.
  • Interpretación ingenieril.
  • Reflexión final.

📌 Esta hoja cierra oficialmente la Unidad 2.

📌 Procedimiento Oficial de Entrega Física

  1. Revisar hoja manuscrita.

  2. Incluir:

    • Nombre completo.
    • Programa.
    • Tema: DCA.
    • Fecha.

  3. Entregar físicamente en la oficina.

  4. Firmar listado de recibido.

  5. Plazo: Durante la semana siguiente.

Posteriormente:

  • Escaneo consolidado en PDF.
  • Envío para retroalimentación individual.

📘 Portafolio Digital — Actualización Semana 5

Agregar al documento acumulativo:

# Semana 5 — Análisis Completo del DCA

## 1. Hipótesis del ANOVA

## 2. Diagnóstico de Supuestos

## 3. Implementación en R

## 4. Implementación en Python

## 5. Pruebas Post Hoc

## 6. Interpretación Ingenieril

## 7. Reflexión Final de la Unidad

3️⃣ Integración Pedagógica

Con la Unidad 2 finalizada el estudiante ya domina:

✔ Fundamento conceptual del diseño experimental. ✔ Modelo matemático formal. ✔ Construcción e interpretación de ANOVA. ✔ Diagnóstico de supuestos. ✔ Comparaciones múltiples. ✔ Implementación en R y Python. ✔ Escritura reflexiva manuscrita. ✔ Documentación técnica reproducible.