3_SEMANA_3_SESIÓN_1_ANOVA_e_Interpretación_Formal

La siguiente es la organización de la SESIÓN 1 — ANOVA e Interpretación Formal de la guía: “3_SEMANA_3_ANÁLISIS_COMPLETO_DEL_DCA_ANOVA_SUPUESTOS_Y_PRUEBAS_POST_HOC”, como un paquete listo para diapositivas + explicación docente + código en R y Python, totalmente alineado con tu documento y con énfasis en ingeniería.

---

🎓 SESIÓN 1 — ANOVA e Interpretación Formal (DCA)

🎯 Objetivo de la sesión

Comprender que:

ANOVA no compara medias directamente, sino variabilidades.

Y aprender a interpretar:

• Estadístico F
• p-valor
• Decisión estadística

---

📊 ESTRUCTURA DE LAS DIAPOSITIVAS (PowerPoint)

---

🟦 DIAPOSITIVA 1 — Pregunta central

Título: ¿Cómo determina la estadística si los tratamientos realmente difieren?

Contenido:

• Tenemos varios tratamientos (fertilizantes, métodos, temperaturas…)
• Cada uno produce resultados distintos
• Pero:

👉 ¿La diferencia es real o es solo variabilidad natural?

---

🟦 DIAPOSITIVA 2 — Idea clave del ANOVA

Mensaje central (muy importante):

🔴 ANOVA compara variabilidad, NO medias directamente

Explicación:

• Si las medias son diferentes → debe haber variabilidad entre tratamientos

• Pero siempre existe:

  • Variabilidad natural (error experimental)

---

🟦 DIAPOSITIVA 3 — Descomposición de la variabilidad

\[SCT = SC_{Trat} + SC_{Error}\]

Interpretación:

Componente	Significado
SCTrat	Variabilidad entre tratamientos
SCError	Variabilidad aleatoria

👉 ANOVA separa “señal” de “ruido”

---

🟦 DIAPOSITIVA 4 — Hipótesis del ANOVA

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

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

Interpretación:

• H0 → todos los tratamientos son iguales
• Ha → existe diferencia real

---

🟦 DIAPOSITIVA 5 — Estadístico F

\[F = \frac{CM_{Trat}}{CM_{Error}}\]

Idea clave:

• Si F ≈ 1 → no hay diferencia real
• Si F >> 1 → hay evidencia de diferencias

👉 Se compara:

• Variabilidad explicada vs variabilidad aleatoria

---

🟦 DIAPOSITIVA 6 — Interpretación del p-valor

p-valor	Interpretación
p < 0.05	Evidencia contra H0
p ≥ 0.05	No hay evidencia suficiente

---

🟦 DIAPOSITIVA 7 — Decisión estadística

Regla:

• Si p < α → Rechazar H0
• Si p ≥ α → No rechazar H0

⚠️ Importante:

No rechazar H0 ≠ aceptar que son iguales

---

🟦 DIAPOSITIVA 8 — Interpretación en ingeniería

• ¿Existe diferencia?
• ¿Es relevante en la práctica?
• ¿Vale la pena cambiar el proceso?

👉 Diferencia estadística ≠ relevancia ingenieril

---

🌱 EJEMPLO 1 — INGENIERÍA AGRÍCOLA (Secado)

Contexto

Comparar 3 temperaturas de secado sobre rendimiento (% humedad final)

---

🧪 IMPLEMENTACIÓN EN R

📌 Código completo (comentado)

# ==========================================
# ANOVA - Secado de productos agrícolas
# ==========================================

# 1. Crear datos simulados
tratamiento <- factor(rep(c("Baja", "Media", "Alta"), each = 10))

rendimiento <- c(
  rnorm(10, mean = 20, sd = 2),
  rnorm(10, mean = 18, sd = 2),
  rnorm(10, mean = 15, sd = 2)
)

datos <- data.frame(tratamiento, rendimiento)

# 2. Ajustar modelo ANOVA
modelo <- aov(rendimiento ~ tratamiento, data = datos)

# 3. Mostrar resultados
summary(modelo)

---

📖 Explicación

🔹 Estructura

• tratamiento: factor (niveles)
• rendimiento: variable respuesta

🔹 Modelo

\[Y_{ij} = \mu + \tau_i + \varepsilon_{ij}\]

---

📊 Interpretación

Salida típica:

            Df  Sum Sq Mean Sq F value Pr(>F)
tratamiento  2   120.5   60.25   15.3   0.0001
Residuals   27   106.3    3.94

✔ Interpretar:

• F = 15.3 → alto
• p = 0.0001 → significativo

👉 Conclusión:

Al menos una temperatura produce diferente resultado

---

🏭 EJEMPLO 2 — INGENIERÍA AGROINDUSTRIAL (Procesamiento)

Comparar 3 métodos de procesamiento en rendimiento (%) de producto

---

🐍 IMPLEMENTACIÓN EN PYTHON

📌 Código completo (comentado)

# ==========================================
# ANOVA - Procesamiento agroindustrial
# ==========================================

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.formula.api import ols

# 1. Crear datos simulados
np.random.seed(123)

tratamiento = np.repeat(['Metodo_A', 'Metodo_B', 'Metodo_C'], 10)

rendimiento = np.concatenate([
    np.random.normal(80, 3, 10),
    np.random.normal(78, 3, 10),
    np.random.normal(72, 3, 10)
])

df = pd.DataFrame({
    'tratamiento': tratamiento,
    'rendimiento': rendimiento
})

# 2. Ajustar modelo
modelo = ols('rendimiento ~ C(tratamiento)', data=df).fit()

# 3. ANOVA
anova_tabla = sm.stats.anova_lm(modelo, typ=2)

print(anova_tabla)

---

📖 Explicación

🔹 Modelo

• C(tratamiento) → variable categórica
• OLS construye el modelo lineal

---

📊 Interpretación

Salida típica:

                    sum_sq   df    F       PR(>F)
C(tratamiento)     250.4    2   12.8    0.0002
Residual           260.3   27

✔ Interpretar:

• F alto → variabilidad entre tratamientos significativa
• p < 0.05 → rechazar H0

---

🔴 DIAPOSITIVA CLAVE (CIERRE)

MENSAJE FINAL

ANOVA responde: 👉 “¿Existe diferencia?”

NO responde: 👉 “¿Entre cuáles?”

(Eso es post hoc → sesión 2)

---

🎯 ACTIVIDAD PARA EL ESTUDIANTE (ESTUDIA Y APRENDE)

Puedes usar exactamente esto:

---

Prompt sugerido:

Explica con tus propias palabras por qué el ANOVA no compara medias directamente sino variabilidad.

Incluye:
- Qué representa SCTrat y SCError
- Qué significa el estadístico F
- Un ejemplo aplicado a ingeniería agrícola o agroindustrial

---

🧠 ESTRATEGIA DIDÁCTICA (Muy importante en virtual)

1. Iniciar con la pregunta
2. Mostrar intuición (variabilidad)
3. Formalizar (ecuaciones)
4. Mostrar código
5. Interpretar resultados
6. Reflexión aplicada

---

✅ CONEXIÓN CON TU DOCUMENTO

Esta estructura está completamente alineada con:

• Hipótesis del ANOVA
• Descomposición de la variabilidad
• Estadístico F
• Implementación en R y Python
• Interpretación formal