Tema: DISEÑOS DE COMPARACIÓN SIMPLE

Docente: MARIA BERNARDA ALVARADO BAWAB

ELECTIVA DE PROFUNDIZACIÓN PROFESIONAL I: DISEÑO DE EXPERIMENTOS (EPP17)

DISEÑOS DE COMPARACIÓN SIMPLE

RESUMEN:

En este artículo se estudia el objetivo y los casos donde aplicar el diseño de experimentos
de comparación simple, se analizan los métodos de comparación según la media o la
varianza basados en comprobación de hipótesis empleando distribuciones probabilísticas
normales, se explican conceptos básicos de estadística y se ejemplifica el método de
comparación simple con un caso práctico.

PALABRAS CLAVE: Distribución de probabilidad, Estimación puntual y por intervalos,

Prueba de hipótesis, Criterios de rechazo.

ABSTRACT:

This review studies the aim and cases where to apply the simple comparative design of
experiments, is analyzed the comparatives method based on mean or variance using
hypothesis criteria assuming normal probability distribution, is explain some basic statistic
concept and an example of simple comparative method.

KEYWORDS: Probability distribution, point or interval estimation, hypothetical test,

Reject Criterion.
 1. INTRODUCCIÓN

Los elementos de la inferencia estadística son la base para el diseño de experimentos,

siendo el empleo de variables aleatorias y distribuciones estadísticas su principal
fundamentación para la estimación de parámetros puntuales o por intervalos dependiendo
del caso de estudio aceptado o rechazado por medio de criterio de hipótesis.

El diseño de experimentos consiste en el proceso de planeación de un experimento de modo

que reúna la información necesaria para analizar objetivamente un problema en
investigación y lograr deducciones validas con respecto a dicho problema. Para lograr lo
anterior el investigador debe plantear una hipótesis, realizar una experimentación que le
ayude a evaluar y aceptar o rechazar la hipótesis, con el menor riesgo de error; este contexto
experimental será quien apoye la rutina de análisis de resultados, bajo un criterio de prueba
para la hipótesis de interés [4].

En el caso del diseño de comparación simple de experimentos, dos tratamientos son materia
de estudio, por ejemplo: diferentes horarios, reactivos, temperaturas, materiales. El
objetivo entonces consiste en comparar si existe alguna diferencia estadísticamente
significativa entre los bloques seleccionados, estimar la diferencia y medir la precisión del
estimado [1].

2. POBLACIÓN Y MUESTRA, PARAMETROS Y ESTADISTICOS

Una población es una colección o totalidad de posibles individuos, especímenes, objetivos o

medidas de interés sobre los que se hace un estudio con el fin de ampliar el conocimiento
que se tiene acerca de ellos. La población puede ser finita o infinita. Cuando la población
es infinita o grande es imposible medir todos los individuos para lo cual se selecciona una
muestra representativa de dicha población y con base en las características medidas en la
muestra se podrán realizar afirmaciones acerca de los parámetros de la población [2].

Una cuestión importante es lograr que las muestras sean representativas, en el sentido de
que tengan los aspectos claves para analizar la población. Una manera de garantizarlo es el
muestreo aleatorio; también existen otros métodos de muestreo aleatorio como por ejemplo:
el simple, estratificado, muestreo sistemático, y por conglomerados, los cuales son
empleados dependiendo del de los objetivos del estudio y ciertas circunstancias y
características particulares de la población [3]

Una inferencia estadística es hacer afirmaciones validas acerca de la población o proceso

con base en la información contenida en una muestra. Cuyo objetivo en la industria es
ayudar a la toma de decisiones para mejorar el desempeño de todos los procesos de la
organización. La inferencia estadística por lo general se divide en estimación y pruebas de
hipótesis basándose en el tamaño de la muestra.

2
Un estadístico es cualquier función de los datos muéstrales que no contiene parámetros
desconocidos. Uno de estos estadísticos es la media muestral con la cual se tratan de hacer
afirmaciones para encontrar la media poblacional.

3. CONCEPTOS ESTADISTICOS BÁSICOS

3.1. DIAGRAMAS

Usualmente representar gráficamente los datos del experimento brinda una orientación
importante para conocer la dispersión y rango en que se encuentran los datos del
experimento [6]. Entre los diagramas más comunes encontramos:

3.1.1. Diagrama de puntos, este permite ver la tendencia central y la dispersión de las
observaciones. El resultado de las observaciones obtenidas se representa por puntos y
en el caso de la comparación simple donde se desea comparar dos tratamientos, cada
uno de estos es representado por un color o forma característica como se observa en la
Figura 1.

Figura 1. Diagrama de puntos [5]

3.1.2. Histograma, cuando los datos son numerosos en el diagrama de puntos no se puede
apreciar muy bien la distribución por lo cual se recurre al histograma que toma la
forma de la Figura 2.

3
Figura 2. Histograma de 200 observaciones de la recuperación de metal en un proceso de
fundición [5]

3.1.3. Diagrama de cajas (o diagrama de caja y bigotes), este tipo de diagramas son más
útiles debido a que nos suministra más información como el mínimo, el máximo, los
cuartiles inferior y superior y la mediana en una caja rectangular alineada horizontal y
verticalmente como se muestra en la Figura 3.

Figura 3. Diagrama de caja para un experimento de fuerza de la tensión de adhesión del

cemento [5]

3.2.Distribución de probabilidad, este tipo de diagrama nos muestra al igual que las
anteriores la ubicación de los datos y su dispersión en forma de una función de
probabilidad como se muestra en la
3.3.Figura 4.

4
Figura 4. Distribución de probabilidad para datos discretos y continuos [5]

La distribución se representa a través de una tabla que relacione los posibles valores con la
probabilidad de que ocurra cada uno de ellos, o también se representa por medio de una
función en forma de formula. De este último método de representación de los datos, se han
derivado muchos que son apropiados o seleccionados según los parámetros conocidos o
asumidos del experimento. Cada uno de ellos tiene su función de distribución característica
y se encuentran resumidas las más comunes en la Tabla 1.

Tabla 1. Tipos de distribución probabilística

En la última columna de la tabla 1. Se presentan las funciones que utiliza el programa

EXCEL para calcular cada una de las distribuciones mencionadas.

5
3.4. ESTIMACION PUNTUAL Y POR INTERVALOS

La mayoría de las veces el objetivo de realizar un experimento es poder describir una

población, en estadística a este fenómeno se le denomina estimación. La estimación puede
ser puntual o por intervalos; Donde la diferencia entre estas es que en la estimación puntual
busca conocer la probabilidad de encontrar un valor determinado y la estimación por
intervalos se busca encontrar la probabilidad de que un valor se encuentre entre un límite
inferior y superior (intervalo de confianza).

La media y la varianza son usualmente los parámetros que se desean conocer de un

experimento donde la media muestral es un estimador puntual de la media poblacional y la
varianza muestral es un estimador puntual de la varianza poblacional.

3.4.1. Intervalos de Confianza Consiste en aquellos intervalos dentro de los cuales se
espera que esté incluido el valor del parámetro o parámetros en cuestión. Su utilidad se
debe a que en muchas investigaciones se conoce de antemano que existe una diferencia
entre las medias y lo que se pretende es conocer un intervalo de confianza para esa
diferencia. Para definir ese intervalo de confianza es un parámetro desconocido. Para
obtener una estimación del intervalo de es necesario encontrar 2 estadísticos L y U
tales que la declaración de probabilidad P (L ≤ ≤ U) = (1 -) sea verdadera.

Al intervalo L ≤ ≤ U, se le llama intervalo de confianza 100(1 -) para el parámetro



Dónde: L y U son los límites de confianza inferior y superior respectivamente, y (1 -)
se le llama el coeficiente de confianza.

4. HIPÓTESIS ESTADÍSTICAS

Una hipótesis estadística es un enunciado o afirmación sobre los parámetros de una

distribución de probabilidad o de los parámetros de un modelo. La hipótesis refleja alguna
conjetura acerca de la situación del problema.

Existen dos tipos de hipótesis que se puede plantearse el investigador: la hipótesis nula (H0)
que representa la igualdad entre las medias de los dos niveles evaluados () y la
hipótesis alternativa (H1) que representa que existe una diferencia entre las medias de los
dos niveles (≠ ), esta última puede ser una hipótesis alternativa de dos caras al ser
evaluada como estrictamente mayor (> ), o estrictamente menor (< ). En el
procedimiento para aceptar o rechazar H0 se hace necesario contar con un estadístico de
prueba adecuado que mediante una región critica o de rechazo permite tomar esta decisión.

6
4.1. PASOS DE LA PRUEBA DE HIPÓTESIS

Para probar una hipótesis se deben seguir los siguientes pasos para asegurarse de no realizar
análisis erróneos:

- Expresar la hipótesis nula

- Expresar la hipótesis alternativa
- Especificar el nivel de significancia
- Determinar el tamaño de la muestra
- Establecer los valores críticos que establecen las regiones de rechazo de las de no
rechazo.
- Determinar la prueba estadística.
- Coleccionar los datos y calcular el valor de la muestra de la prueba estadística
apropiada.
- Determinar si la prueba estadística ha sido en la zona de rechazo a una de no rechazo.
- Determinar la decisión estadística.
- Expresar la decisión estadística en términos del problema.

4.2. SELECCIÓN DEL TAMAÑO DE MUESTRA

Seleccionar el tamaño de la muestra y establecer la probabilidad de error tipo IIguardan

una estrecha relación, ya que el error es una función del tamaño de la muestra de manera
que el error se reduce cuando se incrementa el tamaño de la muestra. Una herramienta
importante para la elección del tamaño de muestra en los diseños experimentales se emplea
con frecuencia la curva de operación característica o curva OC (Figura 5.), la cual es una
gráfica de contra el parámetro “d” el cual es función de la diferencia entre las medias
 para cada tamaño particular de la muestra, como describe la ecuación 3.

|𝜇1 −𝜇2 |
𝑑= (Ec. 3)
2𝜎


Figura 5. Curva característica de operación para la prueba t de dos caras con α = 0.05 [5]

7
4.3. TIPOS DE ERROR

Cuando se prueban hipótesis se pueden cometer dos tipos de errores [5]:

- Error tipo I, se presenta si la hipótesis nula es rechazada cuando es verdadera. La

probabilidad de cometer el error tipo I se denota como la cual es llamada nivel de
significancia de la prueba.
- Error tipo II, se presenta si la hipótesis nula se acepta siendo falsa. La probabilidad de
cometer el error tipo II es denotado por β.

𝛼 = 𝑃{𝑒𝑟𝑟𝑜𝑟 𝑡𝑖𝑝𝑜 𝐼} = probabilidad de rechazar Ho, siendo Ho verdadera.

𝛽 = 𝑃{𝑒𝑟𝑟𝑜𝑟 𝑡𝑖𝑝𝑜 𝐼𝐼} = probabilidad de aceptar Ho, siendo Ho falsa.

A 1 − 𝛽 se le llama potencia de la prueba y es la probabilidad de rechazar H o cuando es

falsa. A 𝛼 también se le conoce como la significancia dada de la prueba y es la
probabilidad de la región o intervalo de rechazo; su valor es especificado por parte del
investigador desde que planea el estudio.

5. PRUEBAS DE HIPÓTESIS

La comprobación de las hipótesis con el objeto de evitar este tipo de errores se puede
realizar en función de las medias o de las varianzas. Antes de realizar este tipo de pruebas
se debe considerar que el experimento sigue una distribución normal con media cero.

5.1. PRUEBAS PARA LA MEDIA

Esta prueba es posible realizarla en dos tipos de casos:

- Cuando la varianza es conocida.
- Cuando la varianza es desconocida.

En cualquiera de los casos anteriores se debe tener un entendimiento profundo del caso de
estudio, con el objeto de establecer el objetivo de la prueba de hipótesis, presentándose así
la prueba para comparar un tratamiento con un valor especifico μ0, o comparar dos
tratamientos determinados. Se debe considerar que la población sigue una distribución
normal o es lo suficientemente grande para aplicar el teorema del límite central.

En la Tabla 2 se encuentran las ecuaciones para realizar las pruebas estadísticas cuando la
varianza es conocida en la primera sección se asume que las varianzas son iguales y se está
comparando un tratamiento con un valor especificado. En la segunda sección de la tabla se
están comparando dos tratamientos diferentes con varianzas conocidas pero pueden ser
diferentes y/o iguales. Además se observan los criterios de rechazo para cada uno de los
casos.

8
 Tabla 2. Prueba para medias con varianza conocida [5].
Hipótesis Estadístico de prueba Criterios de rechazo
𝐻0 : 𝜇 = 𝜇0 |𝑍0 | > 𝑍𝛼/2
𝐻1 : 𝜇 ≠ 𝜇0

𝐻0 : 𝜇 = 𝜇0 𝑦̅ − 𝜇0 𝑍0 < −𝑍𝛼
𝐻1 : 𝜇 < 𝜇0 𝑍0 =
𝜎/√𝑛

𝐻0 : 𝜇 = 𝜇0 𝑍0 > 𝑍𝛼
𝐻1 : 𝜇 > 𝜇0
𝐻0 : 𝜇1 = 𝜇2 |𝑍0 | > 𝑍𝛼/2
𝐻1 : 𝜇1 ≠ 𝜇2
𝑦1 − ̅̅̅
̅̅̅ 𝑦2
𝑍0 =
𝐻0 : 𝜇1 = 𝜇2 𝑍0 < −𝑍𝛼
𝐻1 : 𝜇1 < 𝜇2 𝜎12 𝜎22
√ +
𝑛1 𝑛2
𝐻0 : 𝜇1 = 𝜇2 𝑍0 > 𝑍𝛼
𝐻1 : 𝜇1 > 𝜇2

Tabla 3. Prueba para medias de distribuciones normales y varianzas desconocidas [5].

Hipótesis Estadístico de prueba Criterios de rechazo
𝐻0 : 𝜇 = 𝜇0 |𝑡0 | > 𝑍𝛼,𝑛−1
2
𝐻1 : 𝜇 ≠ 𝜇0

𝐻0 : 𝜇 = 𝜇0 𝑦̅ − 𝜇0
𝑡0 = 𝑡0 < −𝑡𝛼,𝑛−1
𝐻1 : 𝜇 < 𝜇0 𝑆/√𝑛

𝐻0 : 𝜇 = 𝜇0
𝑡0 > 𝑍𝛼,𝑛−1
𝐻1 : 𝜇 > 𝜇0
Si 𝜎12 = 𝜎22
𝑦1 − 𝑦
̅̅̅ ̅̅̅2
𝑡0 =
𝐻0 : 𝜇1 = 𝜇2 1 1 |𝑡0 | > 𝑡𝛼,𝑣
𝐻1 : 𝜇1 ≠ 𝜇2 𝑆𝑝 √ + 2
𝑛1 𝑛2

𝑣 = 𝑛1 + 𝑛2 − 2
Si 𝜎12 ≠ 𝜎22
𝐻0 : 𝜇1 = 𝜇2
𝐻1 : 𝜇1 < 𝜇2 𝑦1 − 𝑦
̅̅̅ ̅̅̅2 𝑡0 < −𝑡𝛼,𝑣
𝑡0 =
𝐻0 : 𝜇1 = 𝜇2 𝑆12 𝑆22
√ +
𝐻1 : 𝜇1 > 𝜇2 𝑛1 𝑛2 𝑡0 > 𝑡𝛼,𝑣

2
𝑆2 𝑆2
( 1 + 2)
𝑛1 𝑛2
𝑣= 2 2
𝑆2 𝑆2
( 1) ( 2)
𝑛1 𝑛
+ 2
𝑛1 − 1 𝑛2 − 1

9
La Tabla 3 muestra las pruebas de hipótesis para medias cuando las varianzas son
desconocidas por lo cual no se aprecia que es indispensable calcular los grados de libertad
del experimento a fin de establecer el criterio de rechazo o aceptación de la prueba. Por
otra parte se observa que es necesario recurrir a la distribución probabilística de T-Student.

5.2. PRUEBAS PARA LA VARIANZA

Las pruebas para la varianza de manera similar a las pruebas para la media se presentan
criterios de rechazo los cuales son probados a partir de estadísticos de prueba, ya que el
objetivo es comparar la variabilidad de dos métodos de análisis, los procedimientos para las
pruebas de varianza son más sensibles al supuesto de normalidad y se emplean los
estadísticos de prueba de Ji-cuadrado y F-fisher, en la Tabla 4 se presenta la información
requerida para el desarrollo de estas pruebas.

Tabla 4. Prueba para las varianzas de distribuciones normales [5].

Hipótesis Estadístico de prueba Criterios de rechazo

𝐻0 : 𝜎 2 = 𝜎02 𝛸02 > 𝛸𝛼2,𝑛−1 o 𝛸02 < 𝛸1−

2
𝛼
,𝑛−1
𝐻1 : 𝜎 2 ≠ 𝜎02 2 2

𝐻0 : 𝜎 2 = 𝜎02 (𝑛 − 1)𝑆 2
𝛸02 = 𝛸02 < 𝛸1−𝛼,𝑛−1
2
𝐻1 : 𝜎 2 < 𝜎02 𝜎02

𝐻0 : 𝜎 2 = 𝜎02
𝛸02 > 𝛸𝛼,𝑛−1
2
𝐻1 : 𝜎 2 > 𝜎02

𝑆12
𝐻0 : 𝜎12 = 𝜎22 𝐹0 = 𝐹0 > 𝐹𝛼,𝑛 o
𝑆22 2 1 −1,𝑛2 −1
𝐻1 : 𝜎12 ≠ 𝜎22 𝐹0 > 𝐹1−𝛼,𝑛
2 1 −1,𝑛2 −1

𝑆22
𝐻0 : 𝜎12 = 𝜎22 𝐹0 = 𝐹0 > 𝐹𝛼,𝑛2 −1,𝑛1 −1
𝑆12
𝐻1 : 𝜎12 < 𝜎22
𝑆12 𝐹0 > 𝐹𝛼,𝑛1 −1,𝑛2 −1
𝐻0 : 𝜎12 = 𝜎22 𝐹0 =
𝐻1 : 𝜎12 > 𝜎22 𝑆22

10
 6. CASOS PROBLEMAS

6.1. EJEMPLO ESTIMACIÓN DE PARÁMETROS

En un proceso de inyección de plástico una característica de calidad del producto (disco) es

su grosor, que debe ser de 1.2mm con una tolerancia de 0.10mm. Así, el grosor del disco
debe estar dentro de la especificación inferior, EI=1.10, y la superior, ES=1.3, para
considerar que el proceso de inyección fue satisfactorio. Para evaluar esta característica de
calidad durante una semana se hace un muestreo sistemático en una línea de producción, y
se obtienen 25 muestras de tamaño 5 cada una. Por tanto al final se tiene una muestra de
n=125, y se obtiene una media muestral, 𝑋̅ = 1.179𝑚𝑚 y la varianza, 𝑆 2 = 0.00071. Por
lo que el error estándar de la media es,

𝑆 0.0266
𝑒𝑟𝑟𝑜𝑟 = = = 0.0024
√𝑛 11.18

Cuando n  45, la distribución T de Student es prácticamente igual a la distribución normal

estándar, por tanto, de la tabla de distribución normal se obtiene que 𝑡𝛼/2 ≅ 𝑧𝛼/2 = 1.96
para 𝛼 = 0.05. De aquí que el intervalo al 100(1- 𝛼)% de confianza para la media µ del
grosor de los discos está dada por

𝑆 0.0266
𝑋̅  𝑡𝛼/2 = 1.179 1.96 ( ) = 1.179 0.00466
√𝑛 11.18

Se puede afirmar entonces que con una confianza del 95%, la medida de grosor de los
discos se encuentra en el intervalo [1.174,1.184].

6.2.EJEMPLO EVALUACION DE HIPÓTESIS PARA LA MEDIA

Un fabricante de dulces compra costales de azúcar a un cierto ingenio. Según los

vendedores, los costales tienen un peso medio de 50.1kg, con una varianza de 𝜎 2 = 0.5. el
comprador sospecha que el peso medio es menor. Para confirmar su sospecha decide
contrastar las hipótesis

𝐻0 : 𝜇 = 50.1
𝐻𝐴 : 𝜇 < 50.1

Con un nivel de significancia del 5% (α = 0.05). Para ello selecciona aleatoriamente tres
bultos de cada uno de los siguientes cinco pedidos. Pesa los 15 bultos y obtiene que la
media 𝑋̅ = 49.4 y 𝑠 2 = 1.2. De esta manera, el estadístico de prueba esta dado

11
 √𝑛(𝑋̅ − 𝜇0 ) √15(49.4 − 50.1)
𝑡0 = = = −2.47
𝑆 √1.2

De la tabla de distribución T-Student con n-1 = 14 grados de libertad, para α = 0.05, se lee
el valor critico 𝑡0.05,14 = 1.76. Como 𝑡0 = −2.47 < −1.76 = −𝑡0.05,14 , se rechaza la
hipótesis nula. Lo cual quiere decir que el promedio de los pesos de los bultos no tiene en
promedio 50.1

6.3.EJEMPLO EVALUACION DE HIPÓTESIS PARA LA VARIANZA

Un Ingeniero químico investiga la variabilidad inherente de dos tipos de equipo de prueba

que pueden usarse para monitorear la producción de un proceso. El ingeniero sospecha que
el equipo antiguo, tipo 1, tiene una varianza mayor que la del equipo nuevo. Por lo tanto,
quiere probar las hipótesis
𝐻0 : 𝜎12 = 𝜎22
𝐻1 : 𝜎12 > 𝜎22

Se toman dos muestras aleatorias de n1=12 y n2=10 observaciones, y las varianzas

muéstrales son 𝑆12 = 14.5 y 𝑆22 = 10.8. El estadístico de prueba es

𝑆12 14.5
𝐹0 = = = 1.34
𝑆22 10.8

De las tablas d F-Fisher para un nivel de confianza del 95% se obtiene que F0.05,11,9 = 3.10,
por lo que no puede rechazarse la hipótesis nula. Es decir que la evidencia encontrada
estadísticamente es insuficiente para concluir que la varianza del equipo antiguo sea mayor
que la varianza del equipo nuevo.

El nivel de confianza de 100(1-α) por ciento para el cociente de las varianzas poblacionales
𝜎12 /𝜎22 es
𝑆12 𝜎12 𝑆12
𝐹 𝛼 ≤ ≤ 𝐹𝛼
𝑆22 1− 2 ,𝑛2 −1,𝑛1−1 𝜎22 𝑆22 2 ,𝑛2 −1,𝑛1−1

Comprobando la ecuación anterior se utiliza F0.025, 9, 11 = 3.59 y

F0.975, 9, 11 = 1/ F0.025, 11, 9 = 1/3.92 = 0.255

14.5 𝜎12 14.5

(0.255) ≤ 2 ≤ (3.59)
10.8 𝜎2 10.8

𝜎12
0.34 ≤ ≤ 4.81
𝜎22

12
 7. CONCLUSIONES

El diseño de experimentos de comparación simple es útil cuando se tiene conocimiento de

algún proceso y se tienen sospechas de que algún tratamiento pueda estar afectando la
variable de interés o salida; o se quiera conocer si una modificación en el proceso no
cambiara los resultados obtenidos.

Se debe tener cuidado para no incurrir en el error de no comprobar los supuestos cuando se
haya evaluado la hipótesis.

Los métodos de comparación simple basada en las varianzas son más sensibles y se deben
hacer uso de las distribuciones Ji-cuadrado y F-Fisher que requieren del cálculo de grados
de libertad.

8. REFERENCIAS

[1] Box, George. Statistics for experimenters: an introduction to design, data analysis, and
model building (New York: Wiley, 1978).

[2] Gutiérrez-Pulido, H. y De la Vara Salazar, R. Análisis y diseño de experimentos.

McGraw-Hill. Bogotá. 2004.

[3] Gutiérrez-Pulido, H. y De la Vara Salazar, R. Control estadístico de calidad y seis

sigma. McGraw-Hill, México. 2003.

[4] Martínez Garza, Ángel. Diseños experimentales: Métodos y elementos de teoría, 1st ed.
(México: Editorial Trillas, 1988).

[5] Montgomery, D. Diseño y análisis de experimentos. - 2. ed. Limusa Wiley, México, 686
p., 2003.

[6] Ríos, M. Diseño de Experimentos. Available:

http://yalma.fime.uanl.mx/~mauricio/clase_5.pdf.

13