TECNOLOGICO NACIONAL DE MEXICO

Instituto Tecnológico de Piedras Negras

Ingeniería en Gestión Empresarial

GM1 – 3H
Docente: Velia del Pilar Rubi Valencia
Estadística Inferencial II
Unidad 4: Diseño experimental para un factor
Actividad. Investigación
Angelica Yudith Landa Meléndez
5to semestre
No. Control TecNM: 19430384
Piedras Negras, Coah., a miércoles 01 de diciembre de 2021
 A.Y. L. M.

INDICE GENERAL
• Introducción ............................................................................................ 3
• 4.1 Introducción, conceptualización, importancia y alcances del diseño
experimental en el ámbito empresarial ............................................................... 4
• 4.2 Clasificación de los diseños experimentales .................................................... 5
• 4.3 Nomenclatura y simbología en el diseño experimental ..................................... 8
• 4.4 Identificación de los efectos de los diseños experimentales ........................... 11
• 4.5 La importancia de la aleatorización de los especímenes de prueba ............... 13
• 4.6 Supuestos estadísticos en las pruebas experimentales ........................................ 14
• 4.7 Prueba de Duncan ............................................................................... 18
• 4.8 Aplicaciones industriales ............................................................................. 22
• Conclusión .............................................................................................. 25
• Bibliografías ...................................................................................................26

INDICE DE IMÁGENES Y TABLAS

• Tabla 1. Datos de métodos de enseñanza ............................................................ 7
• Tabla 2. Analisis de varainza para los datos ........................................................... 8
• Tabla 3. Rendimiento de una especie vegetal basado en fertilizante y época de
aplicación ................................................................................................8
• Tabla 4. Tabla de ANOVA ............................................................................ 8
• Tabla 5. Repeticiones ....................................................................................... 16

2
 A.Y. L. M.

INTRODUCCION

Generalmente en cada uno de los problemas de estimación y pruebas de hipótesis se

supone que las observaciones disponibles para el estadístico provienen de distribuciones
cuya forma es conocida. En otras palabras, se ha supuesto que las observaciones provienen
de cierta familia paramétrica de distribuciones y que se debe hacer una inferencia
estadística acerca de los valores de los parámetros que definen dicha familia.

El diseño experimental suele plantearse cuando se requiere analizar una característica

cualitativa sometida a un único factor. Este único factor debe de tener una influencia
significativa sobre la característica cualitativa. El Diseño de Experimentos tuvo su inicio
teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del Diseño
Experimental y que a la fecha se encuentra bastante desarrollada y ampliada.
Actualmente las aplicaciones son múltiples, especialmente en la investigación de las
ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias sociales. La
experimentación proporciona los datos experimentales, en contraste con los datos de la
observación; los datos de la observación se representan como su nombre indica por
observaciones de las unidades elementales de una población o de una muestra, y no
deben ser cambiados ni modificados por ningún intento de parte de un investigador en el
curso de la observación.

3
 A.Y. L. M.

DISEÑO EXPERIMENTAL PARA UN FACTOR

4.1 INTRODUCCION, CONCEPTUALIZACION, IMPORTANCIA Y ALCANCES DEL DISEÑO

EXPERIMENTAL EN EL AMBITO EMPRESARIAL

INTRODUCCION
El diseño experimental suele plantearse cuando se requiere analizar una característica cualitativa
sometida a un único factor. Este único factor debe de tener una influencia significativa sobre la
característica cualitativa.

El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la
base de la teoría del Diseño Experimental y que a la fecha se encuentra bastante desarrollada y
ampliada. Actualmente las aplicaciones son múltiples, especialmente en la investigación de las
ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias sociales.

La experimentación proporciona los datos experimentales, en contraste con los datos de la

observación; los datos de la observación se representan como su nombre indica por observaciones de las
unidades elementales de una población o de una muestra, y no deben ser cambiados ni modificados por
ningún intento de parte de un investigador en elcurso de la observación.

CONCEPTUALIZACION
El diseño experimental es una técnica estadística que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un diseño
experimental se manipulan deliberadamente una o más variables, vinculadas a las
causas, para medir el efecto que tienen en otra variable de interés.

IMPORTANCIA
El Diseño Experimental, como técnica de investigación, toma importancia en los años 80
en donde se le da una aplicación estadística de los proyectos de Seis Sigma buscando el
famoso número de 3,4 defectos por millón de unidades producidas.

El diseño experimental busca entonces a través de una serie de herramientas estadísticas

aplicadas metodizar los ensayos de prueba y error para encontrar la mejor
combinación de variables independientes que optimice una variable de respuesta en
unas circunstancias determinadas.

El análisis experimental se basa en la comprensión de la variación que presentan los datos de

salida de un problema. La variación siempre está presente en todos los procesos de la
naturaleza y por ende en los procesos humanos, la planeación de un experimento permite
identificar las fuentes de que la producen, clasificarlas y tomar decisiones con respecto a
ellas.

ALCANCES
El diseño experimental se distingue por el hecho de definir y controlar las variables
independientes antes de lanzarlas al mercado,intentando distintos tipos de estímulos a
los que respondan los clientes, antes de observar cómo ocurre verdaderamente.
4
 A.Y.L.M

Puede establecer diferencias en su respuesta que pueden atribuirse a los estímulos en

cuestión, como el envoltorio o el color de un producto, y no a otros factores, como la
disponibilidad limitada del producto.

Aplicar los métodos de diseño experimental requiere juicio empresarial y un grado de

sofisticación matemática y estadística. Hoy en día, las empresas pueden recopilar
información detallada de los clientes con mayor sencillez y pueden emplear dichos datos
para crear modelos que predigan la respuesta del consumidor con mayor rapidez y
precisión.

EJEMPLOS

1. El diseño experimental se distingue por el hecho de definir y controlar las variables

independientes antes de lanzarlas al mercado, intentando distintos tipos de
estímulos, a los que respondan los clientes, antes de observar como ocurre
verdaderamente
2. Puede establecerse diferencias en su respuesta que puede atribuirse a los estímulos
en cuestión, como el envoltorio o el color de un producto, y no a otros factores,
como la disponibilidad limitada del producto
4.2 CLASIFICACION DE LOS DISEÑOS EXPERIMENTALES
Seguidamente se presenta cuatro criterios de clasificación de los diseños experimentales
siguiendo la propuesta de Viader (1995) según el detalle:

Se diferencia, así, entre diseños simples, en los que se manipula

una sola variable independiente, y diseños factoriales, en los
El primer criterio
que se manipulan dos o más variables independientes. La
clasifica los diseños
ventaja del diseño factorial con relación al diseño simple es
en función del
que nos admite estudiar no solamente el efecto de cada una
número de variables de las variables independientes separadamente -los
independientes que se llamados efectos principales-, sino que también nos admite
manipulan. estudiar el efecto conjunto de las mismas -los llamados efectos
interactivos o de interacción entre las variables-. Cabe precisar
que el efecto interactivo recoge el efecto simultáneo de dos o más
variables independientes sobre la variable dependiente. De manera que, con esta
información, el diseño factorial nos permitirá detectar si el efecto de una variable
independiente sobre la variable dependiente es diferente en función de con qué valor de
la otra variable independiente se combina. En términos técnicos, podremos estudiar los
efectos simples de cada variable independiente y determinar en qué medida difiere.

En virtud de lo expuesto anteriormente, el autor resalta que los diseños factoriales pueden
presentar una estructura de cruzamiento completa o pueden presentar una estructura
incompleta. Un diseño factorial con estructura de cruzamiento completa es aquél en el que
los distintos niveles de cada variable independiente se combinan con los distintos niveles de
la otra variable independiente, obteniéndose todas las posibles combinaciones de valores. Un
diseño factorial incompleto (aquí se incluyen los denominados diseños fraccionados ylos
diseños anidados o jerárquicos) es aquél en el que no se utilizan todas las posibles
combinaciones entre valores de las variables independientes, sino que sólo se utiliza una
parte o fracción de éstas. Este tipo de diseños se utiliza cuando se trabaja con muchas

5
 A.Y.L.M

variables independientes, por lo que la estructura de cruzamiento completa requeriría

muchos grupos experimentales. El problema básico que presenta este tipo de diseños es
que no nos permiten estudiar todas las interacciones.

El segundo criterio Así nos encontramos con diseños invariables, en los que
clasifica los diseños registra una sola variable dependiente, y con diseños
en función del multivariables, en los que se registra más de una variable
dependiente.
número de variables
dependientes que se
registren.

Se diferencia así entre diseño transversal y diseño longitudinal. En el

primero disponemos de una sola medida u observación por
El tercer criterio sujeto y condición, mientras que en el segundo disponemos de
clasifica los diseños más de una medida u observación. La diferencia esencial
en función del entre uno y otro tipo de diseño radica en el objetivo que
número de persiguen. Si bien el primero se interesa en el estudio de un
observaciones por fenómeno en un momento puntual del tiempo, el segundo,
sujeto y condición por el contrario, persigue el estudio de la evolución temporal
del fenómeno de modo que, da respuesta a cuestiones acerca
de procesos como la persistencia, el cambio, el crecimiento o el
desarrollo (Pedhazur y Pedhazur Schmelkin, 1991).

Esta reducción de la variancia de error repercute en que el diseño

El cuarto criterio sea más o menos sensible para detectar el efecto del
de clasificación tratamiento. Así, ordenados de menos a más reducción de la
diferencia los varianza de error, tenemos los diseños de grupos al azar, los
diseños de bloques al azar y los diseños de medidas repetidas.
diseños en función
Nos vamos a dedicar ahora a presentar con más detalle cada
de su capacidad para
uno de ellos.
controlar las
Los diseños de grupos al azar se caracterizan porque en ellos la
aleatorización interviene a tres niveles (Viader, 1996).

o Primero: la muestra se selecciona aleatoriamente de la población, con objeto de

que todos los individuos de la población tengan la misma probabilidad de
pertenecer a la muestra.
o Segundo: los grupos se forman al azar, para que cualquier individuo de la muestra
tenga la misma probabilidad de pertenecer a uno u otro grupo.
o Tercero: los tratamientos o valores de la variable independiente se asignan
aleatoriamente a los grupos experimentales, para que todos los grupos tengan la
misma probabilidad de recibir uno u otro tratamiento. La principal ventaja de este
tipo de diseños de investigación ya se ha comentado anteriormente: al formar los
grupos al azar, cualquier variable extraña que pudiera afectar a la variable
dependiente también quedará repartida al azar en los grupos, por lo que no incidirá
de forma sistemática sobre la variable dependiente que interesa al investigador.

Como principales desventajas vamos a destacar dos

6
 A.Y.L.M

• La primera es que necesitaremos un número amplio de sujetos o unidades que

formen parte de cada uno de los grupos para que se alcance la deseada
equivalencia inicial entre éstos.
• La segunda es que presentan una elevada varianza del error, por lo que son diseños
poco sensibles para detectar el efecto de los tratamientos

EJEMPLOS

1. Se probaron 4 métodos de enseñanza en 12 estudiantes. Los estudiantes se asignan

aleatoriamente a los métodos de enseñanza (tres estudiantes para cada método). La
aleatorización evita la asignación sistemática de los mejores estudiantes a algún método.
Supongamos que al final del período de entrenamiento los estudiantes toman una prueba
estandarizada, alcanzando los resultados de la siguiente (Tabla 1).

GrUpo
1 2 3 4
110 111 113 118
109 116 108 123
105 109 109 125
Suma 324 336 330 366 1,356
Media 108 112 110 122 113
Tabla 1. Datos de métodos de enseñanza

Prueba de la Hipótesis nula: No hay diferencia significativa entre los métodos de enseñanza.

Contra la hipótesis alterna HA: Si hay diferencia significativa entre los métodos de
enseñanza.

Como primer paso al construir un análisis de varianza encontramos los totales y las medias,
como se muestra en la tabla de datos. Hallamos entonces las sumas de cuadrados de la
siguiente manera:

Paso 1. La suma total de cuadrados es:

𝟐
∑(𝑋𝑖𝑗 − 𝑋 … ) = (110 − 113)2 + (109 − 113)2 + (105 − 113)2 + (111 − 113)2 + ⋯ + (125 − 113)2
= 428

Paso 2. La suma total de cuadrados entre grupos es:

𝟐
∑(𝑋𝑖𝑗 − 𝑋 … ) = 3[(108 − 113)2 + (112 − 113)2 + (110 − 113)2 + (122 − 113)2 = 3(116) = 348

Paso 3. La suma de cuadrados dentro de los grupos se obtiene más fácilmente como la
diferencia entre la suma total de cuadrados y la suma de cuadrados entre los grupos (Tabla
2)
𝟐
∑(𝑋𝑖𝑗 − 𝑋 … ) = 428 − 348 = 80

Fuente gl gl CM Fcal Ftab (0.05)

Entre grupos 3 348 116 11.6 7,591
Dentro de los grupos 8 80 10
totales 11 428
7
 A.Y.L.M

Tabla 2. Análisis de varianza para los datos

Fcal > F tabulada entonces la Ho se rechaza, y, por tanto, hay diferencia significativa entre
los métodos de enseñanza.

2. Se aplicaron tres dosis de unos fertilizantes en dos épocas de primavera (P) y de otoño
(O). Los resultados sobre el rendimiento de cultivo de una especie vegetal se presentan en
la Tabla 3. Prueba de la hipótesis nula en la cual no existen efecto de dosis y época sobre
el rendimiento de cultivo.

Diseños experimentales

P1 O1 P2 O2 P3 O3 Testigos
9 30 16 10 17 12 30
9 7 10 18 4 7 10 18
16 21 18 24 4 16 24 32
4 9 18 12 4 17 29 26
19
 = 38 67 62 73 22 57 75 106
𝑥̅ = 9.5 16.8 15.5 18.2 5.8 14.2 18.75 26.5
Tabla 3. Rendimiento de una especie vegetal basado en fertilizante y época de aplicación

Tabla de ANOVA
Fuente de Var. S.C gl CM Fc
Tratamiento 972.3 6 162 3.61
Error 1,122.9 25 44.9
Total 209.52 31 0
Tabla 4. Tabla de ANOVA

4.3 NOMENCLATURA Y SIMBOLOGIA EN EL DISEÑO EXPERIMENTAL

Es un diseño experimental de clasificación simple, se trata de comparar varios grupos
generalmente llamados “métodos o tratamientos”.

Para hacer la comparación se usa una variable de respuesta cuantitativa Y que es medida
en cada uno de los grupos. Los grupos también pueden ser los niveles de una variable
cualitativa que es llamada factor.

Nomenclatura:
Pre experimentos: Son aquellos cuyo grado de control es mínimo. Ej.: estudio de
caso con una sola medición.
No existe manipulación de la variable

No existe la manipulación de la variable independiente

No contiene varios grupos de comparación

Diseño de pre prueba – pos prueba con un solo grupo

8
 A.Y.L.M

• En este estudio se aplica una prueba previa al tratamiento, luego se administra el

tratamiento y se finaliza con una prueba luego del tratamiento
• Uno de los puntos favorables en comparación al método anterior es que se posee
una referencia inicial y se puede ver el estado en que se encontraba la variable
dependiente antes del estimulo

Desventajas del diseño

• Una de las ventajas de este tipo de diseño es que no existe la manipulación ni grupo
con el cual se establezca una comparación.
• En este diseño pueden inferir las internas de invalidación como son la historia, fatiga,
maduración, etc.

Opinión sobre los diseños

• En resumen, los dos diseños pre experimentales no son adecuados ya que estos no
establecen una relación entre la variable independiente y la variable dependiente
• Estos son estudios exploratorios y sus resultados deben observarse con mucha
precaución
• Como punto positivo sirven de herramienta de acercamiento con el asunto de
estudio

Simbología
o T = Tratamientos
o C = Control
o F = Factores
o A = Números de tratamientos
o N = Tamaños de la muestra
o R = Replica o repetición
o R: Asignación al azar o aleatoria
o E: Emparejamiento o nivelación
o G: Grupo de sujetos
o X: Tratamiento, estimulo o condición experimental
o O: Medición de los sujetos de un grupo
o -: Ausencia de estímulo en la variable independiente (grupo testigo)

Definiciones

a) Tratamientos: Son las condiciones (procesos, técnicas, operaciones, etc.) las cuales
distinguen las poblaciones de interés. Nota: cada tratamiento define únicamente
una población
b) Control: Es la capacidad que tiene el investigador para elegir según su voluntad los
elementos que intervienen en la investigación
c) Efecto: Es el cambio en la variable de respuesta por el cambio de nivel de un factor
d) Factores controlables: Son aquellos con un grado de control, es decir que se puede
manejar, variar o manipular con gran facilidad

9
 A.Y.L.M

e) Factores de ruido: Son aquellos sobre los cuales el grado de control es menor y el
manejo es más difícil
f) Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales
puedes estudiar
g) Corrida o unidad experimental: Ente al cual se aplica el tratamiento y sobre el cual se
mude la variable respuesta
h) Partición: Proceso que distribuye la suma total de cuadrados y de grados de libertad
entre sus diversos componentes
i) Interacción: Efecto que se produce cuando los niveles (valores) de un factor
interactúan con los niveles (valores) del otro factor. Cuando uno o más factores
trabajan juntos para producir un efecto diferente que los efector producidos por
aquellos factores de manera individual
j) Diseño de bloques aleatorizado: Diseño de experimentos en el que se usa la
formación de bloques
k) Experimento factorial: Diseño experimental en el que se obtiene simultáneamente
conclusiones acerca de dos o más factores
l) Combinación: Es la asignación de un solo nivel a un factor, o de varios niveles a
todos los factores en una corrida experimental
m) Variable de respuesta: Es el resultado de una corrida experimental. Variable a
estudiar
n) Corrida experimental: Implementación de cada una de las interacciones
o) Bloque: Agrupación planeada de factores o combinaciones. Se realiza a manera
de minimizar la variación no incluida en el diseño
p) Replicación: Es una repetición del experimento básico o el número de veces que se
replican cada uno de los tratamientos
q) Bloqueo: Es una técnica usada para incrementar la precisión de un experimento
mediante la eliminación de variación introducida por los factores ruido. Un bloque
es una porción de material experimental que debe ser más homogéneo que todo
el conjunto de material experimental
r) Aleatorización: Es el principio básico para fundamental en el uso de métodos
estadísticos en diseño experimental. Por aleatorización se entiende que, la
asignación del material experimental a los tratamientos y el orden en el cual las
corridas o pruebas individuales del experimento van a ser ejecutados se determinan
aleatoriamente

Análisis de varianza (anova)

Es el proceso de subdividir la variabilidad total de las observaciones experimentales en

porciones atribuibles a fuentes de variación conocidas. Este es el método estadístico más
utilizado en el análisis de experimentos

EJEMPLO

1. El Ingeniero Gregorio Ortega Cosme realiza un experimento para provocar el efecto de

5 dietas para engorda para chivos que se encuentran en el sector pecuario las dietas
utilizadas fueron: T1 (testigo), T2, (melosa), T3 (cebo), T4 (maíz), T5 (sorgo). Este tratamiento se
aplicará con la finalidad de ver cual daba mayor peso a los chivos. Para realizar dicho
experimento se hará 5 repeticiones por tratamiento, es decir se les aplicaran dichos
tratamientos a 25 animales. Con dicha información haga lo siguiente:

10
 A.Y.L.M

a. Respresent4e el diseño experimental completamente al azar

b. Realice el análisis de la varianza con la confiabilidad del 95% para ver si existe diferencia
entre estos tratamientos

T5 T1 T2 T4 T5
T3 T2 T4 T2 T1
T2 T4 T1 T5 T4
T3 T5 T4 T1 T1
T3 T2 T5 T3 T3

b. Para realizar lo de este inciso una vez aplicado los tratamientos a los chivos se midio su
peso y los resultados fueron los siguientes

1,350 980 1,200 1,400 1,420

1,300 1,230 1,350 1,250 1,050
1,390 1,380 1,100 1,550 1.420
1,180 1,600 1,500 1,000 1,120
1,200 1,250 1,490 1,170 1,050

4.4 IDENTIFICACION DE LOS EFECTOS DE LOS DISEÑOS EXPERIMENTALES

La experimentación forma parte natural de la mayoría de las investigaciones: científicas e
industriales.

Estos se ven afectados por la presencia de distintos factores, cuya influencia puede estar
oculta por la variabilidad

Inconvenientes de la experimentación tradicional

• Es necesario un gran número de pruebas

• Las conclusiones obtenidas en el estudio de cada factor tienen un campo de
validez muy restringido
• No es posible estudiar la existencia de interacción entre los factores
• Es inviable, en muchos casos, por problemas de tiempo o costo
• Las técnicas de diseño de experimentos se basan en estudiar simultáneamente los
efector de todos los factores de interés, son más eficaces y proporcionan mejores
resultados con un menor coste

Definir los objetivos del experimento

• Definir los objetivos del experimento

• Identificar todas las posibles, fuentes de valoración, incluyendo factores de
tratamiento y sus niveles, unidades experimentales
• Factores de bloque, factores de ruido y covariables
• Elegir una regla de asignación de las unidades experimentales a las condiciones de
estudio-tratamientos

11
 A.Y.L.M

• Especificar las medidas con que se trabajara la respuesta, del procedimiento

experimental y anticiparse a las posibles dificultades
• Ejecutar un experimento piloto
• Especificar el modelo
• Esquematizar los pasos del análisis
• Determinar el tamaño muestral
• Revisar las decisiones anteriores
• Codificarlas si se considera necesario

Importancia de aleatorización.

La aleatorización consiste en que tanto la asignación del material experimental como el

orden en que se realizan las pruebas individuales o ensayos se determinan aleatoriamente
y la importancia de esta consiste en:

a) Garantizar la validez de la estimación del error experimental

b) Garantizar la independencia de los errores o que las observaciones sean variables
aleatorias independientes

Esto es necesario para obtener pruebas de significancia válidas y estimados de intervalos.

Eliminar el sesgo de tal manera que no desfavorezca o discrimine a los tratamientos y
permite cancelar los efectos de factores extraños que pudieran estar presentes.

Diseño
• F interés: Un solo factor con varios niveles o tratamientos
• F técnica estadística: Analista de la varianza de un factor o via
• F objetivo: Comparar ente si varios grupos o tratamientos
• F método: Descomposición de la variabilidad total de un experimento en
componentes independientes
• ¥ Pequeñas variaciones en la cantidad de riego, en la pureza de los insecticidas
suministrados, etc.
• ¥ El nivel cultural del alumno, el grado de atención y de interés del alumno, etc.
• ¥ La pureza de la materia prima, la habilidad de los operarios, etc.
• Teóricamente es posible dividir esta variabilidad en dos partes, la origina da por el
factor de interés y la producida por los restantes factores que entran en juego,
conocidos o no, controlables o no, que reciben el nombre de perturbación o error
experimental
• ¥ yij: variable aleatoria que representa la observación j-esima del i-esimo tratamiento
(nivel i-esimo del factor)
• ¥ : efecto contante, común a todos los niveles. Media global
• ¥ τi: Efecto del tratamiento i-ésimo. Es la parte de yij debida a la acción del nivel i-
ésimo, que será común a todos los elementos sometidos a ese nivel del factor.
• ¥ uij: Variables aleatorias que engloban un conjunto de factores, cada uno de los
cuales influye en la respuesta sólo en pequeña magnitud pero que de forma
conjunta debe tenerse en cuenta. Deben verificar las siguientes condiciones:
• F La media sea cero: E [uij]= 0 ∀ i, j.
• F La varianza sea constante: Var [uij]= σ2 ∀ i, j›

12
 A.Y.L.M

• F Independientes entre sí: E [uijurk]= 0i 6=rój 6=k.

• F Distribución sea normal.
1. Todos los tratamientos producen el mismo efecto.
H0 : τ i = 0, ∀ i
2. Frente a la alternativa: Al menos dos difieren significativamente entre sí:
H1 : τ i 6= 0por lo menos para algún i

o equivalentemente

3. Todos los tratamientos tienen la misma media:

H0 : µ1 = ··· = µI = µ
4. H1 : µi 6=µj por lo menos para algún par (i, j)
• ¥Modelo de efectos fijos: Xi niτ i =0
• ¥Modelo de efectos aleatorios
• ¥Modelo equilibrado o balanceado: Todas las muestras del mismo tamaño
(ni = n)
• ¥Modelo no-equilibrado o no-balanceado: Los tamaños, ni, de las mues- tras
son distintos.

TABLA NOVA

Fuente de Sumas de Grados de Cuadrados

Fexp
variación cuadrados libertad medios
CMTr
Entre grupos SCTr I–1 CMTr
CMR
Dentro de
SCR n–1 CMR
grupos
TOTAL SCT n-1 CMT

4.5 LA IMPORTANCIA DE LA ALEATORIZACION DE LOS ESPECIMENES DE

PRUEBA
La aleatorización consiste en que tanto la asignación del material experimental como e
orden en que se realizan las pruebas individuales o ensayos se determinan aleatoriamente
y la importancia de esta consiste en:

1. Garantizar la validez de la estimación del error experimental.

2. Garantizar la independencia de los errores o que las observaciones sean variables
aleatorias independientes. Esto es necesario para obtener pruebas de significancia
válidas y estimados de intervalos.
3. Eliminar el sesgo de tal manera que no se desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños que pudieran estar
presentes.

La aleatorización hace válida la prueba, haciéndola apropiada para analizar los datos
como si la suposición de errores independientes fuera cierta. Obsérvese que no hemos
dicho que la aleatorización garantiza independencia, sino sólo que la aleatorización nos
permite proceder como si la independencia fuera un hecho. La razón de esta distinción
debe ser clara: los errores asociados con unidades experimentales que son adyacentes en
espacio o tiempo, tenderán a correlacionarse, y todo lo que hace la aleatorización es

13
 A.Y.L.M

asegurarnos que el efecto de esta correlación, sobre cualquier comparación entre los
tratamientos, se hará tan pequeña como sea posible. Aún quedará algo de correlación,
pero ninguna cantidad de aleatorización puede eliminarla totalmente. Es decir, en
cualquier experimento, la independencia de errores completa y verdadera es sólo ideal y
nunca puede lograrse. Sin embargo, por todos conceptos, debe buscarse tal
independencia y la aleatorización es la mejor técnica empleada para lograr el fin deseado.

Algunas veces se introduce el concepto de aleatorización como un instrumento para

“eliminar” tendencias. Para ilustrar el razonamiento en que se basa este procedimiento Ay
B debe ser parcial a favor de B, si existe un efecto de aprendizaje. Sin embargo, si cada vez
que tuvo que investigarse un nuevo compuesto, el analista hubo de decidir al azar cuál
procedimiento usar primero, la tendencia pudo haber sido reducida, tal vez eliminada.
Pero, podría haberse logrado algo más. Si estuviesen actuando otras tendencias, también
se podrían haber eliminado sus efectos (o al menos reducido) por medio de aleatorización.
Es decir, asignando tratamientos al azar a las unidades experimentales, estamos tratando de
certificar que los tratamientos no serán favorecidos continuamente o perjudicados por
fuentes extrañas de variación, sobre las que no tenga control el experimentador o sobre los
cuales decida no ejercer control. En otras palabras, la aleatorización es como un seguro;
siempre es una buena idea y algunas veces es aún mejor de lo que esperamos

Se define la aleatorización como la asignación de tratamientos a unidades experimentales

que se han obtenido de manera aleatoria.

Esto también nos habla de la importancia de la de la aleatorización ya que esta

proporciona estimaciones validas de la varianza del error para métodos de inferencia
estadística justificados para la estimación y pruebas de hipótesis en el experimento.

No debemos olvidar que uno de los principios de la indiferencia estadística es que los
elementos de la muestra sin representativos de la población, de igual manera, los datos
colectados de un experimento deben ser representativos de lo que ha ocurrido, sin
embargo, si sobre las unidades experimentales se ha hecho una selección cuidadosa y
supervisada al efectuar el experimento que se hace con la muestra aleatoria, más aun
suponga, que las unidades a las que se les aplicara uno de tres tratamientos provenientes de
lotes de producción elaborados por 3 máquinas diferentes.

En pocas palabras aleatorización, aumenta la probabilidad que el supuesto de

independencia entre las observaciones, que recordemos es básico para la validez de las
pruebas estadísticas

4.6 SUPUESTOS ESTADISTICOS EN LAS PRUEBAS EXPERIMENTALES

ADITIVOS

Los factores o componentes estadístico son aditivos, es decir, la variable respuesta es la

suma de los efectos del modelo estadístico.

LINEALIDAD

La relación existente entre los factores o componentes del modelo estadístico es del tipo
lineal

14
 A.Y.L.M

NORMALIDAD

Los valores resultados del experimento provienen de una distribución de probabilidad

“normal” con media m y varianza S2

INDEPENDENCIA

Los resultados observados de un experimento son independientes entre si

VARIANCIAS HOMOGENEAS

Las diversas poblaciones generadas por la aplicación de dos o más tratamientos tienen
variancias homogéneas (varianza común)

Tabla ANOVA para diseño completamente aleatorizado

Fuente de Suma de Grados de Cuadrado

F0
variación cuadrados libertad medio
Tratamientos SStratamiento a–1 Mstratamiento
Error SSE a (n – 1) MSE MStratamiento/MSE
Total SST an - 1

Tamaños de muestras iguales

Donde:

• a = cantidad de tratamientos
• n = cantidad de replicas
• 𝑦𝑖𝑗 = replica j del tratamiento i
• y_ = gran total
• N = total de observaciones

Tamaños de muestras diferentes

Donde:

• a = cantidad de tratamientos

15
 A.Y.L.M

• n = cantidad de replicas
• 𝑦𝑖𝑗 = replica j del tratamiento i
• y_ = gran total
• N = total de observaciones

Hipótesis
𝐻0 = 𝑡1 = 𝑡2 = 𝑡3 = ⋯ = 𝑡i

1 𝐻 = 𝑡1 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑖

Se rechaza 𝐻 𝑠𝑖 𝑓0 ≥ 𝑓𝑎,𝑎−1𝑎(𝑛−1 )

Se rechaza 𝐻0 𝑠𝑖 𝑒𝑙 𝑣𝑎𝑙𝑟𝑜 − 𝑝 ≤ 𝑎

Prueba de Duncan
𝑡j − 𝑡j > 𝐷𝑀𝑆 𝑒𝑥̅𝑖𝑠𝑡𝑒 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑚𝑒𝑑𝑖𝑎𝑠

𝑡j − 𝑡j < 𝐷𝑀𝑆 𝑁𝑜 𝑒𝑥̅𝑖𝑠𝑡𝑒 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑚𝑒𝑑𝑖𝑎𝑠

Donde:

𝑡j: Media del tratamiento i

DMS: Factor de comparación de Duncan

𝐷𝑀𝑆 = 𝑞d(𝐸𝐸)

Donde:

𝑞d: Valor de tabla de Duncan

𝐶𝑀𝐸
𝐸𝐸 = √
𝑟

EJEMPLOS

En el siguiente problema se muestran los cálculos numéricos del ANVA

Para estudiar los efectos del etanol en el tiempo se sueño, se seleccionó una muestra de 20
ratas de edad semejante, a cada rata se le administro una dosis oral con una
concentración en particular de etanol por peso corporal. Se registró el movimiento ocular
rápido (REM) en el tiempo de sueno de cada rata, con los siguientes resultados

Repetición

16
 A.Y.L.M

Tratamiento 1 2 3 4 5 Yi 𝒀𝒊
0 (Control) 88.6 73.2 91.4 68 75.2 396.4 79.28
1 g/Kg 63 53.9 69.2 50.1 71.5 307.7 61.54
2 g/Kg 44.9 59.5 40.2 56.3 38.7 239.6 47.92
4 g/Kg 31 39.6 45.3 25.2 22.7 163.8 32.72
Totales = 1,107.5 55.375
Tabla 5. Repeticiones

Como primer paso se debe tener en cuenta el par de hipótesis a trabajar

𝐻0: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 (No existe efecto de tratamiento o de la concentración de etanol)

𝐻1: 𝜇1 ≠ 𝜇𝑗,𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 ≠ 𝑗, 𝑖, 𝑗 = 1,2,3,4 (Al menos dos tratamientos diferentes)

𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = (88.6 − 55.375)2 + (73.2 − 55.375)2 + ⋯ + (45.3 − 55.375)2 + (25.2 − 55.375)2

+ (22.7 − 55.375)2 = 7,369.7575

𝑆𝐶𝑡𝑟𝑎𝑡 = 5[(79.28 − 55.375)2 + (61.54 − 55.375)2 + (47.92 − 55.375)2 + (32.76 − 55.375)2

= 5,882.357

𝑆𝐶𝑒𝑟𝑟𝑜𝑟 = (88.6 − 79.28)2 + (73.2 − 79.28)2 + ⋯ + (25.2 − 32.76)2 + (22.7 − 32.76)2 = 1,487.4

Tratamientos k=4, con repeticiones n=5, por lo tanto, k*n = N = 4*5 = 20

Siguiendo la otra estrategia de cálculo:

𝑘 𝑛

𝑖𝑗 (88.6) + (73.2) + (91.4) + (68) + (75.2) + ⋯ + (31) + (39.6) + (45.3) + (25.2)

∑ ∑ 𝑌2 = 2 2 2 2 2 2 2 2 2

𝑖=1 𝑗=1
+ (22.7)2 = 68,697.57

𝑌..2 (1,107.5)2
= = 61,327.8, 𝑣𝑎𝑙𝑜𝑟 𝑞𝑢𝑒 𝑠𝑒 𝑐𝑜𝑛𝑜𝑐𝑒 𝑐𝑜𝑚𝑜 𝒇𝒂𝒄𝒕𝒐𝒓 𝒅𝒆 𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊𝒐𝒏
𝑁 20

𝑘 𝑛
𝑌2
..
𝑆𝐶𝒕𝒐𝒕𝒂𝒍 = ∑ ∑ 𝑌2 𝑖𝑗
− = 68,697.57 − 61,327.8 = 7,369.77
𝑁
𝑖=1 𝑗=1

𝑘 𝑛
𝑌2 (396.4)2 + (307.7)2 + (239.6)2 + (163.8)2 +
..
𝑆𝐶𝒕𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐 = ∑ ∑ 𝑌2𝑖𝑗− = − 61,327.8 = 5,882.4
𝑁 5
𝑖=1 𝑗=1

𝑆𝐶𝑬𝒓𝒓𝒐𝒓 = 𝑆𝐶𝒕𝒐𝒕𝒂𝒍 − 𝑆𝐶𝒕𝒓𝒂𝒕 = 7,369.77 − 5,882.4 = 1,487.40

Y la tabla de ANVA queda como:

𝑀𝑜𝑑𝑒𝑙𝑜: 𝑌𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝜀𝑖𝑗

Hipótesis: 𝐻0: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 vs 𝐻1 : 𝜇1 ≠ 𝜇𝑗,𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 ≠ 𝑗, 𝑖, 𝑗 = 1,2,3,4

Fuente de Suma de Cuadrados F1-a, k-1,

variación g. l. cuadrados Medios F0 N-k Pr > F
(FV) (SC) (CM) F0.95,3.16
Tratamientos 3 5,882.400 1,960.7850 21.09 3.24 0.0001
17
Error 16 1,487.400 92.9625 A.Y.L.M
Total 19 7,369.757

18
 A.Y. L. M.

El ANVA muestra una F calculada mayor a la F de tablas, lo que implica que se rechaza H0
(de aquí la importancia de establecer claramente el par de hipótesis, antes de realizar
cualquier calculo), también es importante considerar el valor de Pr > F. Este valor se conoce
como nivel de significancia observado o p-valué, que representa una medición del error
tipo I en el experimento. Entonces, un valor menor a 0.05 implica un error menor al que el
investigador está dispuesto a tolerar (lo que es una buena noticia), pero si tiene un valor
mayor que 0.05, hay un error más grande del que está dispuesto a tolerar y rechazar H0 es
bajo el propio riesgo del investigador.

1. Calcular un intervalo de confianza para un par de medias diferentes y un par de medias

iguales, con base a los datos anteriores
1. Si 𝑌− 𝑌= 32.76 − 47.92 = −15.16 y qa(k,v) 𝐶𝑀𝐸 92.9625 = (4.05)(4.3119) = 17.463195
4 3 √ 𝑛𝑔 = 4.05√ 5

Entonces, el intervalo queda como:

-15.16 -17.463195 < 𝜇4 − 𝜇3 <-15.16 + 17.463195

-32.623195< 𝝁𝟒 − 𝝁𝟑 <2.303195

Como este intervalo contiene el valor de cero (ya que el límite es inferior es negativo y el
límite superior es positivo), no existe diferencia significativa entre 𝜇4 𝑦 𝜇3

2. Para 𝑌4 − 𝑌2 = 32.76 − 61.54 = −28.78

Entonces, el intervalo queda como

-28.78 -17.463195 < 𝜇4 − 𝜇3 <-28.78 + 17.463195

-46.243195< 𝝁𝟒 − 𝝁𝟑 <-11.316805

4.7 PRUEBA DE DUNCAN

Se utiliza para comparar todos los pares de medias. Fue desarrollado por primera vez por
Duncan en 1951 pero posteriormente él mismo modificó su primer método generando el
que ahora se denomina Nuevo método de Rango Múltiple de Duncan. Esta prueba no
requiere de una prueba previa de F, como sucede con la DMS o sea que aún sin ser
significativa la prueba F puede llevarse a cabo.

La estadística de Prueba es denotada, por qp

𝑌𝑖 − 𝑌𝑖′
𝑞𝑝 =
√𝐶𝑀𝑒𝑟𝑟𝑜𝑟
𝑟

Donde p es el número de medias inclusive entre las dos medias a comparar para diseños
balanceados. Para aplicar esta prueba al nivel  se debe pasar por las siguientes etapas:

1. Determine el error estándar (desviación estándar) de cada promedio, MATH, el cual es

dado por la expresión:

𝐶𝑀𝐸𝐸
𝑆𝑦𝑖 = √
𝑟

19
 A.Y.L.M.

Donde el CMEE es obtenido de la tabla de ANOVA

2. Con los grados de libertad del error y el nivel de significancia  determinar los valores de
rp (intervalos o amplitudes estandarizadas significativos) utilizando las tablas de amplitudes
estandarizadas de Duncan dadas por Harter (1960) y que se encuentran en el libro de Miller
(1992). Para encontrar estos valores, se requieren los grados de libertad del error y el valor
de p = 2, 3, …, t

3. Determinar las amplitudes mínimas significativas denotadas por R p, p = 2, 3, …, t

calculados por la expresión:

𝑅𝑝 = 𝑟𝑝𝑆𝑦𝑖 𝑝𝑎𝑟𝑎 𝑝 = 2, 3, … , 𝑡

4. Se ordenan de manera creciente los resultados promedios del experimento 𝜇(1), 𝜇(2), … , 𝜇(𝑡)

5. Se comparan las medias ordenadas 𝜇(𝑖) = (𝑖 = 1, 2, 3, … , 𝑡) a comparar en el siguiente orden:

a) El promedio más alto, 𝜇(𝑡) con el más bajo, 𝜇(1) comparando esta diferencia con el
intervalo mínimo significativo 𝑅𝑡. Si esta diferencia es no significativa entonces todas las otras
diferencias son no significantes. Si la diferencia es significativa se continua con b)

b) Posteriormente se calcula la diferencia entre el valor más alto 𝜇(𝑡) y el penúltimo 𝜇(2) y se
compara con el intervalo mínimo significativo 𝑅𝑡−1

c) Este procedimiento se continúa hasta que todas las medias se han comparado con la
media más grande 𝜇(𝑡).
𝜇(𝑡) 𝑣𝑠 𝜇(1)
𝜇(𝑡)𝑣𝑠 𝜇(𝑡−1)
𝜇(𝑡−1)𝑣𝑠 𝜇(1)

d) A continuación, se compara la segunda media más grande 𝜇(𝑡−1) con las más pequeña
𝜇(𝑡) y se compara con el intervalo mínimo significativo
𝜇(𝑡−1) 𝑣𝑠 𝜇(1)
𝜇(𝑡−1)𝑣𝑠 𝜇(2)
𝜇(𝑡−1)𝑣𝑠 𝜇(2)

Este proceso continua hasta que han sido comparadas las diferencias entre todos los 𝑡 (𝑡−1)
2
posibles pares.

Si una diferencia observada es mayor que el intervalo mínimo significativo, se concluye que
las parejas de medias comparadas son significativamente diferentes.

Para evitar contradicciones, ninguna diferencia entre una pareja de medias se considera
significativamente diferentes si éstas se encuentran entre otras dos que no difieren
significativamente. A manera de ilustración se tiene:

Cuando el diseño es desbalanceado pero los tamaños de réplicas r i (i = 1, …, t) difieren

marcadamente este método puede adaptarse utilizando en vez de r en la estadística, el
valor de la media armónica de los tamaños de muestras

20
 A.Y.L.M.

𝑡
𝑟= 𝑡 1

∑𝑖=1
𝑟𝑖
O alternativamente se puede reemplazar a r por R la media armónica de las medias
extremas, donde
2
𝑅= 1 1
( )+( )
𝑟(𝑡) 𝑟 (𝑡)

Y r(1) y r(t) son los tamaños de muestra correspondiente a las medias de tratamientos menos
pequeños y más grande respectivamente

EJEMPLOS

1. Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:

1. El error estándar de loa media es

𝐶𝑀𝐸 8.06
𝑆 𝑦1 = √ = √ = 1.27
𝑟 5

2. Determinación de los intervalos significativos como  = 0.05 y grados de libertad del error
= 20. Utilización de la tabla VII del Apéndice de Montgomery se tiene:

𝑟𝑎𝑝(𝑝, 𝑔. 𝑙. 𝑒𝑟𝑟𝑜𝑟) 𝑝 = 2, 3, 4, 5

𝑟0.05(2,20) = 2.95

𝑟0.05(3,20) = 3.10

𝑟0.05(4,20) = 3.18

𝑟0.05(5,20) = 3.25

3. Los rangos mínimos significativos son

𝑅2 = 𝑟0.05(2,20)𝑆𝑦𝑖 = (2.95)(1.27) = 3.75

𝑅3 = 𝑟0.05(3,20)𝑆𝑦𝑖 = (3.10)(1.27) = 3.94

𝑅4 = 𝑟0.05(5,20)𝑆𝑦𝑖 = (3.25)(1.27) = 4.13

4. Las medias ordenadas ascendentemente son

𝑦1 𝑦5 𝑦2 𝑦3 𝑦4

9.8 10.8 15.4 17.6 21.6

5. Comparación de las medias

𝜇4 𝑣𝑠 𝜇1: 21.6 − 9.8 = 11.8 > 4.13 (𝑅5)

21
𝜇4 𝑣𝑠 𝜇5: 21.6 − 10.8 = 10.8 > 4.04 (𝑅4) A.Y.L.M.
𝜇4 𝑣𝑠 𝜇2: 21.6 − 15.4 = 6.2 > 3.94 (𝑅3)

22
 A.Y.L.M.

𝜇4 𝑣𝑠 𝜇3: 21.6 − 17.6 = 4.0 > 3.75 (𝑅2)

𝜇3 𝑣𝑠 𝜇1: 17.6 − 9.8 = 7.8 > 4.04 (𝑅4)

𝜇3 𝑣𝑠 𝜇1: 17.6 − 9.8 = 7.8 > 4.04 (𝑅3)

𝜇3 𝑣𝑠 𝜇2: 17.6 − 15.4 = 2.2 > 3.75 (𝑅2)

𝜇2 𝑣𝑠 𝜇1: 15.4 − 9.8 = 5.6 > 3.94 (𝑅3)

𝜇4 𝑣𝑠 𝜇1: 15.4 − 10.8 = 4.6 > 3.75 (𝑅2)

𝜇4 𝑣𝑠 𝜇1: 10.8 − 9.8 = 1.0 > 3.75 (𝑅2)

Entre 𝜇1 𝑦 𝜇4 hay inclusive 5 medias. Ver el numeral 4.

2. Comparación de cuatro métodos de ensamble

Un equipo de mejora investiga el efecto de cuatro métodos de ensamble A, B y Sobre el

tiempo de ensamble en minutos. En primera instancia, la estrategia experimentales
aplicar cuatro veces los cuatro métodos de ensamble en orden completamente aleatorio
(las 16 pruebas en orden aleatorio). Los tiempos de ensamble obtenidos se muestran
en la tabla 1. Si es usa el diseño completamente alazor (DCA), se supone que,además del
método de ensamble, no existe ningún otro factor que influya de manera significativa
sobre la variable de respuesta (tiempo de ensamble. Más adelante veremos cómo
investigar si las diferencias muéstrales de la tabla 3.1garantizan diferencias entre los
métodos.

A B C D Del ejemplo de los métodos y tiempos de ensamble se tiene:

6 7 11 10
𝜇𝐴 = 7.25 𝜇𝐵 = 8.50 𝜇𝐶 = 12.75 𝜇𝐷 = 10.50
8 9 16 12
7 10 11 11
8 8 13 9 Como son cuatro tratamientos: P = 2, 3, 4

Para cálculo de rangos en la prueba Duncan:

𝐶𝑀𝐸
𝑅𝑝 = 𝑟𝛼 (𝑝, 𝑓)𝑆𝑦𝑖 = 𝑟𝛼 (𝑝, 𝑙)√
𝑛

Donde

𝖺= 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 (0.01 𝑜 0.05)

p = 2, 3, 4, …, k

f = n – k = 16 – 4 = 12

Pasos

1. Ordenar las medias: en orden descendente:

1° 𝜇𝑐 = 12.75, 2° 𝜇𝐷 = 10.50, 3° 𝜇𝐵 = 8.50, 4° 𝜇𝐴 = 7.25

2. Se resta el primer promedio mayor con el menor promedio:

𝜇𝑐 − 𝜇𝐴 = 12.75 − 7.25 = 5.50

23
𝜇𝐶 − 𝜇𝐵 = 12.75 − 8.50 = 4.25 A.Y.L.M.

24
 A.Y.L.M.

𝜇𝑐 − 𝜇𝐵 = 10.50 − 8.50 = 2.0

3. Luego el segundo mayor con el menor promedio se resta:

𝜇𝐷 − 𝜇𝐴 = 10.50 − 7.25 = 3.25

𝜇𝐷 − 𝜇𝐵 = 10.50 − 8.50 = 2.0

4. Finalmente

𝜇𝐵 − 𝜇𝐴 = 8.50 − 7.25 = 1.25

5. Calculo del Rp:

𝐶𝑀𝐸 2.46
𝑅𝑝1 = 𝑅2 = 𝑟0.05(2.12)√ = 3.08 √ = 2.415
𝑛 4

𝐶𝑀𝐸 2.46
𝑅𝑝1 = 𝑅3 = 𝑟0.05(3.12)√ = 3.23 √ = 2.533
𝑛 4

𝐶𝑀𝐸 2.46
𝑅𝑝1 = 𝑅4 = 𝑟0.05(4.12)√ = 3.33 √ = 2.611
𝑛 4

6. Debe compararse el rango mayor R4 con la distancia del mayor promedio y el menor
promedio

Diferencia poblacional Diferencia muestral comparada con su Rp Decisión

𝜇𝑐 − 𝜇𝐴 5.50 > 2.611 Significativa
𝜇𝐶 − 𝜇𝐵 4.25 > 2.533 Significativa
𝜇𝐶 − 𝜇𝐷 2.25 < 2.415 No significativa
𝜇𝐷 − 𝜇𝐴 3.25 > 2.533 Significativa
𝜇𝐷 − 𝜇𝐵 2.00 < 2.415 No significativa
𝜇𝐵 − 𝜇𝐴 1.25 < 2.415 No significativa

4.8 APLICACIONES INDUSTRIALES

El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser aplicado
a un gran número de industrias, la optimización de recursos, la identificación de causas de
variabilidad son algunos de los objetivos del diseño de experimentos aplicados en nivel
industrial.

INDUSTRIAS PESADAS O BASES

Química pesada. Estudio de la composición para la elaboración de productos: Estudio de
los valores más apropiados para la elaboración de compuestos químicos que requieran
diversos componentes. Análisis del efecto de las condiciones del entorno en la elaboración
del producto como la temperatura ambiente, humedad relativa etc.

25
 A.Y.L.M.

INDUSTRIAS DE BIENES DE EQUIPO

Maquinaria. Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el
diseño de experimentos como herramienta para determinar y mejorar los índices de
capacidad de un proceso concreto apoyándose en estudios de reproducibilidad y
repetitividad. Diseño de motores eléctricos: Estudio de las características constructivas del
motor y su influencia en variables importantes como la pérdida de flujo y la constante de
velocidad. Diseño de electrodos: Estudio de los esfuerzos en los electrodos en función de la
fuerza de aplicación y el tamaño del electrodo. Diseño de elementos de sujeción: Análisis
de la influencia de los parámetros geométricos en la resistencia de los remaches.
MATERIALES DE CONSTRUCCION
Estudios de corrosión. Estudios de la influencia del tiempo en la corrosión de aceros de
construcción y metales en general. Aplicaciones en el mecanizado: estudio de la
variabilidad en los procesos de mecanizado, ayuda a la reducción de piezas defectuosas
y aumento de la capacidad de producción.

PRODUCCION DE VEHICULOS
Estudio de procesos de soldadura. Estudio de un proceso de soldadura, para determinar las
variables que influyen en la resistencia de la soldadura.
INDUSTRIA AERONAUTICA

Optimización del proceso de anodizado y pintado. Optimizar los procesos de anodizado y

pintado para conseguir una buena protección anticorrosión.

INDUSTRIAS LIGERAS O DE USO Y CONSUMO INDUSTRIALES

Farmacia y química ligera

INFORMATICA Y TELECOMUNICACIONES
Estudio del rendimiento de una red informática. Realizando simulaciones es posible
cuantificar el rendimiento y las variables críticas que hacen que la transferencia de datos
en la red sea económicamente rentable. Mejora del rendimiento de un procesador: Se usa
para determinar el impacto que tienen variables importantes como la temperatura y las
horas de uso en el rendimiento del procesador. Reducción del tiempo del CPU: El estudio
se basa en la aplicación del diseño de experimentos para determinar la mejor combinación
de factores que reduzcan el tiempo de CPU. Optimización de materiales en
semiconductores: Estudio de las propiedades eléctricas del arseniuro de galio dopado con
solano.

Diseño de filtros pasivos. Se utiliza el diseño de experimentos para determinar los valores de
las tolerancias de los componentes para optimizar los circuitos.

26
 A.Y.L.M.

BIOTECNOLOGIA

Operaciones en un sistema de fangos activos. Optimizar y entender las reacciones que se

dan en el tratamiento secundario de una EDAR, por ejemplo, los fangos activos.

EJEMPLOS

1. Un fabricante de papel para hacer bolsas para comestibles, se encuentra interesado en

mejorar la resistencia a la tensión del producto,

2. El departamento de ingeniería del producto piensa que la resistencia a la tensión en una

función de la concentración de madera dura en la pulpa y que el rango de concentraciones
de madera de interés practico está en el 5% y 20%.

27
 A.Y.L.M.

CONCLUSION

El diseño experimental para un factor, es sumamente útil en cualquier área de una empresa,
como en la informática, en las industrias, en la farmacia, ya que nos ayuda conocer más
acertadamente la probabilidad de que funciones algún sistema con distintas variables, la
ventaja de esto, es que haciéndolo de una manera correcta el margen de error es nulo, así
ahorrando tiempo, dinero y esfuerzo en los procesos industriales.

Conociendo esto, debemos de poner la máxima atención al proceso de resolución de los

problemas dentro de esta área, para así poderlos aplicarlos profesionalmente.

28
 A.Y.L.M.

BIBLIOGRAFIAS

Romo, J. (2012, 30 noviembre). INTRODUCCION, CONCEPTUALIZACION, IMPORTANCIA Y

ALCANCE DEL DISEÑO EXPERIMENTAL EN EL AMBITO EMPRESARIAL. Ensayos y Trabajos -
JuanJua18. Recuperado 18 de noviembre de 2021, de
https://www.clubensayos.com/Temas-Variados/INTRODUCCION-CONCEPTUALIZACION-
IMPORTANCIA-Y-ALCANCE/458843.html

Sanchez, M. (2018, 25 octubre). Identificación de los efectos de los diseños experimentales.

Slideplayer. Recuperado 18 de noviembre de 2021, de https://slideplayer.es/slide/14808223/

Nieto, M. (2019, 15 abril). 4.3 Nomenclatura y simbologÕa en el diseño experimental.

Prezi.Com. Recuperado 18 de noviembre de 2021, de https://prezi.com/0bsjltt-fc2v/43-
nomenclatura-y-simbologia-en-el-diseno-experimental/

P. (2018, 17 noviembre). 5.1. Definición, características y objetivo del método experimental.

Psikipedia. Recuperado 11 de noviembre de 2021, de
https://psikipedia.com/libro/investigacion/1535-caracteristicas-de-los-disenos-
unifactoriales-intersujetos

Nuñez, R. (2016, octubre). Unidad 4 Estadistica Inferencial Ii - ID:5cfac973ec1fb. Baixardoc.

Recuperado 18 de noviembre de 2021, de https://baixardoc.com/documents/unidad-4-
estadistica-inferencial-ii-5cfac973ec1fb

Ramirex, M. (2016, 15 mayo). Diseño Experimental. Universidad Nacional de Colombia.

Recuperado 18 de noviembre de 2021, de
http://red.unal.edu.co/cursos/ciencias/2000352/html/un3/cont_317-60.html

Soto, M. (2016, 26 enero). NOMENCLATURA Y SIMBOLOGIA EN EL DISEÑO EXPERIMENTAL.

Apuntes - MoRaRzL. Recuperado 18 de noviembre de 2021, de
https://www.clubensayos.com/Ciencia/NOMENCLATURA-Y-SIMBOLOGIA-EN-EL-
DISE%C3%91O-EXPERIMENTAL/3110298.html

Olivares, B. M. (2018, 15 abril). ESTADISTICA ESTADISTICA ADMINISTRATIVA UNIDAD.

Academia. Recuperado 18 de noviembre de 2021, de
https://www.academia.edu/36415293/ESTADISTICA_ESTADISTICA_ADMINISTRATIVA_UNIDAD

29