Diseño Experimental

Guía didáctica

MAD-UTPL
Facultad de Ciencias Exactas y Naturales

Departamento de Ciencias Biológicas y Agropecuarias

(LyT) Producción (SSO)

Diseño Experimental

Guía didáctica

Carrera PAO Nivel

ƒ Seguridad y Salud Ocupacional VII

ƒ Logística y Transporte” IV

Autor:

Naranjo Franco Carlos James

ESTA_2028 Asesoría virtual

www.utpl.edu.ec

MAD-UTPL
Universidad Técnica Particular de Loja

Diseño Experimental
Guía didáctica
Naranjo Franco Carlos James

Diagramación y diseño digital:

Ediloja Cía. Ltda.

Telefax: 593-7-2611418.
San Cayetano Alto s/n.
www.ediloja.com.ec
[email protected]
Loja-Ecuador

ISBN digital - 978-9942-25-967-7

Reconocimiento-NoComercial-CompartirIgual
4.0 Internacional (CC BY-NC-SA 4.0)
Usted acepta y acuerda estar obligado por los términos y condiciones de esta Licencia, por lo que, si existe el
incumplimiento de algunas de estas condiciones, no se autoriza el uso de ningún contenido.

Los contenidos de este trabajo están sujetos a una licencia internacional Creative Commons
Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0). Usted es libre de Compartir —
copiar y redistribuir el material en cualquier medio o formato. Adaptar — remezclar, transformar y construir
a partir del material citando la fuente, bajo los siguientes términos: Reconocimiento- debe dar crédito de
manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo
en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la
licenciante. No Comercial-no puede hacer uso del material con propósitos comerciales. Compartir igual-Si
remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la misma licencia del
original. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a
hacer cualquier uso permitido por la licencia. https://creativecommons.org/licenses/by-nc-sa/4.0/

30 de octubre, 2020

MAD-UTPL
 Índice Índice

1. Datos de información................................................................................ 8
1.1. Presentación de la asignatura.......................................................... 8
1.2. Competencias genéricas de la UTPL............................................... 8
1.3. Resultados de aprendizaje del perfil de egreso.............................. 8
1.4. Problemática que aborda la asignatura........................................... 9
2. Metodología de aprendizaje...................................................................... 10
3. Orientaciones didácticas por resultados de aprendizaje............................ 11

Primer bimestre............................................................................................ 11

Resultado de aprendizaje 1............................................................................ 11

Contenidos, recursos y actividades de aprendizaje............................................. 11

Semana 1 ..................................................................................................... 11

Unidad 1. Introducción al diseño experimental............................................. 11

1.1. Definiciones básicas en el diseño de experimentos.......................... 11
Actividad de aprendizaje recomendada..................................................... 17

Semana 2 ..................................................................................................... 17

1.2. Etapas sobre el diseño de experimentos............................................ 17

Actividades de aprendizaje recomendadas............................................... 20

Resultado de aprendizaje 1 y 2...................................................................... 21

Contenidos, recursos y actividades de aprendizaje............................................. 21

Semana 3 ..................................................................................................... 21

1.3. Consideraciones generales sobre el uso de métodos estadísticos.. 21

Semana 4 ..................................................................................................... 23

1.4. Pasos para el planteamiento del diseño de investigación................ 23

1.5. Aplicación práctica en la selección de variables de respuesta......... 26
Actividad de aprendizaje recomendada..................................................... 28

Semana 5 ..................................................................................................... 29

4 MAD-UTPL
 1.6. Tipos y selección de diseños experimentales.................................... 29
Índice
Actividad de aprendizaje recomendada..................................................... 30
Autoevaluación 1.......................................................................................... 31

Resultado de aprendizaje 2............................................................................ 34

Contenidos, recursos y actividades de aprendizaje............................................. 34

Semana 6 ..................................................................................................... 34

Unidad 2. Elementos de inferencia estadística............................................. 34

2.1. Experimentos comparativos simples.................................................. 34
2.2. Conceptos básicos de pruebas de hipótesis..................................... 38
Actividad de aprendizaje recomendada..................................................... 40

Resultado de aprendizaje 3............................................................................ 40

Contenidos, recursos y actividades de aprendizaje............................................. 40

Semana 7 ..................................................................................................... 40

Unidad 3. Experimentos con un solo factor.................................................. 40

3.1. Análisis de varianza de un factor – ANOVA....................................... 41
3.2. Diseño completamente al azar............................................................ 42
Actividades de aprendizaje recomendadas............................................... 44
Autoevaluación 2.......................................................................................... 45

Semana 8 ..................................................................................................... 48

Resultado de aprendizaje 1 y 2...................................................................... 48

Contenidos, recursos y actividades de aprendizaje............................................. 48

Actividades finales del bimestre................................................................. 48

Segundo bimestre......................................................................................... 50

Resultado de aprendizaje 4............................................................................ 50

Contenidos, recursos y actividades de aprendizaje............................................. 50

Semana 9 ..................................................................................................... 50

3.3. Pruebas o comparaciones de rango múltiple..................................... 50

3.4. Verificación de los supuestos del modelo.......................................... 52

5 MAD-UTPL
 Actividad de aprendizaje recomendada..................................................... 54
Índice
Resultado de aprendizaje 5............................................................................ 55

Contenidos, recursos y actividades de aprendizaje............................................. 55

Semana 10 ................................................................................................... 55

Unidad 4. Diseño en bloques....................................................................... 55

4.1. Diseño en bloques aleatorizados........................................................ 55
4.2. Diseño en bloques incompletos balanceados................................... 57
Actividad de aprendizaje recomendada..................................................... 58

Semana 11 ................................................................................................... 58

4.3. Diseño en bloques de cuadro latino.................................................... 58

4.4. Diseño en bloques grecolatino............................................................ 59
Actividad de aprendizaje recomendada..................................................... 61
Autoevaluación 3.......................................................................................... 62

Semana 12 ................................................................................................... 65

Unidad 5. Diseños factoriales...................................................................... 65

5.1. Conceptos básicos............................................................................... 65
5.2. Ventajas de los diseños factoriales.................................................... 66
Actividad de aprendizaje recomendada..................................................... 66

Semana 13 ................................................................................................... 67

5.3. Diseños con dos factores.................................................................... 67

5.4. Diseños con tres factores.................................................................... 68
Actividades de aprendizaje recomendadas............................................... 69

Semana 14 ................................................................................................... 69

5.5. Diseños con dos factores.................................................................... 69

5.6. Diseños con tres factores.................................................................... 70

Semana 15 ................................................................................................... 70

5.7. Diseño factorial general....................................................................... 70

5.8. Modelos de efectos aleatorios............................................................ 71
Actividades de aprendizaje recomendadas............................................... 71

6 MAD-UTPL
 Autoevaluación 4.......................................................................................... 72
Índice

Semana 16 ................................................................................................... 75

Actividades finales del bimestre................................................................. 75

4. Solucionario............................................................................................. 76
5. Referencias bibliográficas........................................................................ 80

7 MAD-UTPL
1. Datos de información

1.1. Presentación de la asignatura

1.2. Competencias genéricas de la UTPL

ƒ Orientación a la innovación y a la investigación.

ƒ Pensamiento crítico y reflexivo.

1.3. Resultados de aprendizaje del perfil de egreso

Comparar mediante análisis estadístico las alternativas de optimización de

recursos en los ambientes laborales, para la toma de decisiones con base en
evidencias a fin de mejorar la productividad y competitividad de los sistemas
de producción y manufactureros, anteponiendo el cuidado integral de los
trabajadores.

Recolecta, analiza e interpreta datos cuantitativos y cualitativos, que

respalden las propuestas de prevención y manejo de enfermedades
ocupacionales.

8 MAD-UTPL
1.4. Problemática que aborda la asignatura

Escasa gestión integral de riesgos que disminuya la vulnerabilidad y

garantice a la ciudadanía la prevención, respuesta y atención a todo tipo
de emergencias y desastres originados por causas físicas, químicas,
biológicas, psicológicas, ergonómicas y/o antrópicas.

9 MAD-UTPL
2. Metodología de aprendizaje

Estimado estudiante; en el componente de Diseño Experimental se utilizará

principalmente el aprendizaje basado en problemas (ABP), prácticas de
análisis estadístico y gamificación que se puede desarrollar en una variedad
de escenarios y permite utilizar diversas estrategias para el aprendizaje,
una de las características del ABP es que el estudiante se sitúa en un
contexto real de su profesión y desarrolla el pensamiento crítico y la toma
de decisiones para la resolución de un problema de la profesión, estos
problemas aparecen como foros, prácticas o cuestionarios en el desarrollo
de la asignatura.

La gamificación actualmente está reconocida como una técnica de

aprendizaje que lleva los juegos al ámbito educativo, lo cual permite
al estudiante desarrollar competencias como: pensamiento creativo e
independencia en el aprendizaje. En este contexto usted tendrá que realizar
actividades como sopas de letras, crucigramas e infografías que le permitan
fijar conocimientos de forma divertida.

Este texto guía Diseño Experimental (2020) es una recopilación de

información revisada por el autor y descrita progresivamente con la idea
de hacer más fácil el uso de diseños experimentales en la aplicación del
desempeño profesional en todo ámbito, aunque esté orientado a estudiantes
de la carrera de Seguridad y Salud Ocupacional de la UTPL. Muchos de los
fundamentos teóricos usted los podrá obtener revisando la obra titulada
Análisis y Diseños de Experimentos. Tercera Edición. (Gutiérrez & de la Vara,
2012)

10 MAD-UTPL
3. Orientaciones didácticas por resultados de aprendizaje 1 Bimestre

Primer bimestre

Resultado de ƒ Comprende cuando usar cada diseño

aprendizaje 1 experimental.

Estimado estudiante, bienvenido a la asignatura Diseño Experimental, a lo

largo del desarrollo del curso se pretende compartir, poner en práctica y
desarrollar competencias que le permitan diseñar experimentos, seleccionar
variables y analizar relaciones de tal manera que usted al finalizar pueda
alcanzar el resultado de aprendizaje 1, para lo cual se han seleccionado
algunos contenidos que los iremos estudiando en cada bimestre.

Contenidos, recursos y actividades de aprendizaje

Semana 1

Unidad 1. Introducción al diseño experimental

1.1. Definiciones básicas en el diseño de experimentos

Entender el diseño experimental demanda conocer e interiorizar algunos

conceptos fundamentales o básicos, que son necesarios para empezar a
intentar no solo diseñar sino seleccionar el tipo de diseño en función de las
necesidades o disponibilidad de información. Pero primero es importante
que usted pueda responder las siguientes preguntas:

11 MAD-UTPL
¿Qué es el diseño experimental?

Creo que usted estará de acuerdo con la definición: […] El diseño estadístico
de experimentos es precisamente la forma más eficaz de hacer pruebas.
Consiste en determinar cuáles pruebas se deben realizar y de qué manera, 1 Bimestre

para obtener datos que, al ser analizados estadísticamente, proporcionen

evidencias objetivas que permitan responder las interrogantes planteadas,
y de esa manera clarificar los aspectos inciertos de un proceso, resolver un
problema o lograr mejoras […] (Gutiérrez, et al., 2012).

En general, nuestra intención al diseñar experimentos siempre será

planear y ejecutar pruebas con el fin de obtener datos que posteriormente
analizaremos usando herramientas estadísticas que nos proporcionen
evidencias para responder las preguntas planteadas sobre un evento o
proceso que queremos mejorar.

¿Por qué diseñar?

En la toma de decisiones se puede esperar a que un evento o proceso

emita señales por sí solo o se puede manipular dicho evento para obtener
esas señales. En el segundo caso, la razón es intentar buscar que el evento
o proceso mejore. Esto inherentemente generará conocimiento sobre
el sistema o proceso, si se utiliza un conjunto de técnicas estadísticas
que permiten entender situaciones de causa y efecto, conseguiremos no
solamente tener sustento sobre nuestras afirmaciones o conclusiones sobre
el evento o proceso, sino que también generamos más conocimiento e
incertidumbre para posteriores ajustes.

En el campo de la Seguridad y salud ocupacional que es considerado un

nuevo paradigma de gestión estratégica en las organizaciones (Martínez,
2017) usted diseñará experimentos para mejorar las condiciones de
salud y de trabajo en las empresas e instituciones, a través de tareas de
identificación, medición, análisis, evaluación y control de los diferentes
riesgos laborales.

Procesos clave en el diseño experimental

El objetivo principal es que usted y quien diseñe un experimento logren

que el proceso de generar conocimiento y aprendizaje se vuelva lo más
eficiente posible porque lo que se persigue es generar nuevas ideas y
mejores respuestas (Gutiérrez, et al., 2012). Podríamos mencionar que el

12 MAD-UTPL
punto de partida es generar una hipótesis (declaraciones o suposiciones
de algo posible o no posible con el fin de obtener una consecuencia, de
acuerdo a la definición de la palabra). La hipótesis inicial nos lleva a un
proceso de deducción - en el que se asume como verdadera la hipótesis
y se deducen consecuencias-, posteriormente se debe comparar datos. 1 Bimestre

Cuando los resultados de los datos no corresponden se llega a un proceso

de inducción - en el que se busca ajustar una nueva hipótesis que justifique
la discrepancia con los datos- y así empieza un ciclo de teoría y datos
creando lo que se conoce como ciclo de retroalimentación en el proceso de
generación de conocimiento y aprendizaje (ver figura 1).

Figura 1
Proceso de generación de conocimiento y aprendizaje

Datos

Consecuencias
Hipótesis Deducción Hipótesis inicial

Hipótesis
Inducción
modificada

Nota. Adaptado de Análisis y diseño de experimentos (p. 3), por Gutiérrez, H. y de la

Vara, R., 2012, MacGraw Hill.

¿Qué es un experimento?

Manipulación de las condiciones de funcionamiento de un sistema o

proceso, con el fin de conseguir medir el efecto del cambio sobre una o
varias propiedades del sistema, proceso o producto que se quiere conseguir,
incrementando el conocimiento que se tiene del sistema.

¿Qué es una unidad experimental?

Muestra utilizada para generar un valor representativo del resultado de

un experimento. La o las unidades experimentales deben ser definidas
cuidadosamente dependiendo del proceso o sistema que se estudia, esto
implica que la unidad experimental puede estar representada por individuos,
piezas o compuestos, parcelas, lotes, maquinarias, por mencionar unas
cuantas.

13 MAD-UTPL
Unidad de observación

Son los individuos, piezas o componentes a los que se realizan mediciones

con el fin de obtener datos u observaciones, en general en estos se hace la
medición de la variable de respuesta que usted encontrará más adelante. 1 Bimestre

Variables

Por definición toda variable es algo sujeto a algún cambio, es inestable,

inconstante y mudable, representada generalmente por símbolos (números)
que hacen posible identificar un elemento dentro de un conjunto, en
estadística se define una variable como una propiedad que adquiere
distintos valores.

Por ejemplo: x es una variable del conjunto (0, 2, 4, 6, 8), lo que hace que
x sea igual a cualquiera de los números mencionados, y como es una
propiedad x puede ser reemplazada por cualquier número par incluyendo
cero y hasta 8.

Existen varias clases de variables, pero en este capítulo solo nos referiremos
a las más utilizadas en el diseño experimental.

Variable de respuesta y explicativa

La variable de respuesta también es llamada variable dependiente y

típicamente se grafica en el eje Y, se usa para medir el resultado en un
estudio o experimento. Con la variable de respuesta se conoce el efecto del
resultado de una prueba experimental (Gutiérrez, et al., 2012).

La variable explicativa también la encontrará usted mencionada como

variable independiente y típicamente se grafica en el eje X. La variable
explicativa, explica cambios en la variable de respuesta. Se define como
los cambios de la variable de respuesta en el resultado de una prueba
experimental (Gutiérrez, et al., 2012).

Factores estudiados

Los factores son variables que se deben investigar en el experimento, es

decir, se investiga cómo afectan a la variable de respuesta. Se pueden
clasificar en dos grupos;

14 MAD-UTPL
ƒ Factores controlables, son también llamados: variables del diseño,
parámetros del proceso, variables de entrada, la x de un proceso, por
mencionar algunos otros nombres, en todo caso, son variables que
se pueden fijar en un nivel dado durante el experimento, se logran
distinguir porque se pueden manipular. 1 Bimestre

Por ejemplo, la temperatura de cocción del pan, no es independiente

por sí, existe un mecanismo que hace posible que se pueda fijar.

Otros ejemplos de variables que se pueden controlar son: Tiempo

de trabajo, cantidad de un elemento utilizado, tipo del elemento,
velocidad, presión, cargo de trabajo, etc.

ƒ Factores no controlables, también llamado ruido, son variables que NO

se pueden controlar durante el experimento.

Por ejemplo, el estado de ánimo del obrero al momento de realizar un

trabajo o recibir una orden.

Otros ejemplos de variables que no se pueden controlar son: luz,

temperatura, humedad, ruido, el número de personas que saluda un
trabajador.

Nota: cuando se cuenta con el mecanismo o la tecnología para

controlar una variable no controlable, esta se convierte en un
factor controlable.

Niveles y tratamientos

Los niveles, también llamados puntos de diseño, son las magnitudes

que se asignan o alcanzan las mediciones de cada factor en un diseño
experimental (Gutiérrez, et al., 2012) y los tratamientos resultan de la
combinación de niveles de todos los factores estudiados.

Por ejemplo: supongamos dos factores altura y peso que influyen en el

rendimiento de los obreros en una empresa, y se quiere probar cada factor
en dos niveles, el resultado de los tratamientos será cada combinación de
los niveles dados, en cuyo caso existirán cuatro tratamientos (ver tabla 1).

15 MAD-UTPL
Tabla 1
Niveles y tratamientos ejemplizados para la relación de los factores altura y
peso

Nivel de altura Nivel de peso Tratamientos Y 1 Bimestre

1 1 1 ¿?
2 1 2 ¿?
1 2 3 ¿?
2 2 4 ¿?

Nota. Adaptado de Gutiérrez, et al., 2012.

Tipos de error en el diseño experimental

En cualquier estudio experimental, existe cierta variabilidad que se

observa en los datos y, por tanto, que no puede ser explicada por los
factores estudiados o de interés, principalmente porque se deben a causas
comunes, cuando esto ocurre se atribuye esa porción de la variabilidad al
error aleatorio: que son observaciones que no se pueden explicar por los
factores estudiados y resulta del efecto de los factores no estudiados y el
error experimental: que es el componente del error aleatorio que refleja los
errores del experimentador en la planificación y ejecución del experimento.

Matriz de diseño

Para ejecutar un diseño experimental es fundamental decidir qué pruebas o

tratamientos se van a hacer, además cuántas repeticiones se requieren, con
el objetivo de obtener más información de manera más eficiente (en relación
al esfuerzo y los costos del experimento), para ello se elabora un arreglo
conformado por los tratamientos y las repeticiones, a esto se lo conoce
como matriz de diseño o simplemente diseño.

16 MAD-UTPL
 Actividad de aprendizaje recomendada

Una vez que realizó la revisión de los contenidos de esta unidad le invito 1 Bimestre

a desarrollar las siguientes actividades recomendadas sobre los temas

planteados en esta semana, el cumplimiento de las mismas le servirá como
refuerzo de los conocimientos más importantes a considerar en la presente
unidad:

ƒ Resuelva el siguiente juego de completar, esta actividad se centra en

revisar algunos conceptos abordados en la unidad 1.

Juego de completar: introducción al diseño experimental

Semana 2

1.2. Etapas sobre el diseño de experimentos

En la práctica, el diseño de un experimento demanda organización para

conseguir el éxito, para alcanzar esto es necesario ejecutar por etapas,
diferentes actividades. Las etapas del diseño experimental son;

ƒ Planeación y la ejecución

Para conseguir el éxito en su experimento usted debe planificar estrategia o

actividades, establecidas de forma clara y concreta para entender y delimitar
un problema u objeto de estudio. Para poder responder a las preguntas
o solucionar un problema, la planeación es seguramente el paso más
importante y a la que debe usted dedicar mayor tiempo.

Por ejemplo: Tiene usted que decidir sobre el mejor equipo de seguridad
para los trabajadores en una industria cuyo ambiente laboral necesita
proveer a sus trabajadores de equipos de protección especial contra
productos químicos.

17 MAD-UTPL
Figura 2
Distintos trajes y accesorios de seguridad industrial

1 Bimestre

Nota. Adaptado de Naranjo, C., 2023

Todo empieza por entender y delimitar el problema, en este caso, es

necesario que usted haga una investigación previa entorno al objeto de
estudio, debe quedarle claro:

y ¿Qué es lo que va a estudiar?

y ¿Por qué es importante estudiarlo?
y Si se trata de un problema; ¿cuál es la magnitud de este
problema?

ƒ Seleccionar la o las variables de respuesta y verificar la confiabilidad

de las mediciones; Especificar lo que se quiere comparar seguramente
será de gran ayuda para usted y facilitará la planificación hasta la
consecución de los resultados. La elección de la(s) variable(s) de
respuesta es vital, puesto que refleja el resultado de las pruebas, por
lo que deberían elegirse las que mejor reflejen el problema, recuerde
tener certeza en que las mediciones que haga sean confiables
(Gutiérrez, et al., 2012).

18 MAD-UTPL
ƒ Definir los factores que se estudiarán, estos de acuerdo con la
influencia sobre la variable de respuesta. no implica que usted deba de
saber de primera mano cuáles factores influyen, ya que por eso es el
experimento, sino que de usted utilice toda la información disponible
y revisada para determinar e incluir en su diseño los factores que se 1 Bimestre

cree tienen un mayor efecto.

ƒ Escoger los niveles de cada factor a estudiar y el diseño experimental

más apropiado de acuerdo a los factores y los objetivos planeados;
implica saber o planificar cuántas repeticiones se deberán hacer para
cada tratamiento. No olvide tomar en cuenta los recursos disponibles,
tiempo y dinero, e inclusive los riesgos a los que se expone, como por
ejemplo si lo que se quiere es seleccionar el tipo de traje basado en un
experimento que incluya a los trabajadores. La organización selección
de los factores lo guiará a la elección del tipo de diseño experimental
apropiado a su investigación, los tipos los revisaremos más adelante.

ƒ Organizar las labores experimentales. Una vez seleccionado el tipo

de diseño experimental es muy importante que usted organice y
planifique con mucho detalle el trabajo necesario para el experimento,
por ejemplo, las personas que van a usar el traje, la forma en que se
harán las mediciones, el tiempo que dedicará a cada etapa, etc.

ƒ Ejecutar el experimento. Una vez seleccionado el tipo de diseño

experimental es muy importante que usted organice y planifique con
mucho detalle el trabajo necesario para el experimento, por ejemplo,
las personas que van a usar el traje, la forma en que se harán las
mediciones, el tiempo que dedicará a cada etapa, etc.

Una vez organizado y planeado todo, es de mayor importancia que se

sigan al pie de la letra el plan antes previsto.

Nota: si llegara a surgir un imprevisto hay que determinar las

acciones o las direcciones a tomar y a quién reportar.

19 MAD-UTPL
ƒ Análisis

Esto implica que usted como investigador no debe olvidar que los
experimentos obtienen muestras de una población, por ende, piense
usted que debe usar métodos estadísticos inferenciales con el fin 1 Bimestre

de asegurar que los efectos encontrados sobre las muestras son

lo suficiente como para garantizar las generalizaciones sobre la
población (Gutiérrez, et al., 2012).

ƒ Interpretación

La interpretación de los resultados a partir de los análisis estadísticos,

debe ser minuciosa y en contraste con la o las hipótesis iniciales, lo
que se busca es un nuevo aprendizaje o conocimiento del proceso,
verificar supuestos y elegir el mejor tratamiento con el apoyo de los
análisis (pruebas estadísticas).

ƒ Control y conclusiones finales

Antes de comunicar los hallazgos y dar por concluido el experimento,

es conveniente hacer conclusiones y tal vez recomendaciones, en
nuestro ejemplo inicial habrá que sugerir la toma de una decisión
(de un tipo de traje y accesorios), o en general, decidir qué medida
se utilizarán o implementarán para generalizar los resultados del
experimento y buscar la manera de que el mejor tratamiento se
mantenga. Luego de esto es importante comunicar o difundir los logos
o hallazgos con una presentación o una comunicación escrita.

Actividades de aprendizaje recomendadas

Una vez que realizó la revisión de los contenidos de esta unidad le invito a
desarrollar la siguiente actividad recomendada sobre los temas planteados
en esta semana, el cumplimiento de las mismas le servirá como refuerzo de
los conocimientos más importantes a considerar en la presente unidad:

ƒ Resuelva el juego de seleccionar, esta actividad se centra en revisar

algunos conceptos abordados en la unidad 1.

Juego de seleccionar: etapas sobre el diseño de experimentos

20 MAD-UTPL
 ƒ Comprende cuando usar cada diseño
Resultado de experimental.
aprendizaje 1
ƒ Usa herramientas informáticas para el análisis de
y2 1 Bimestre
datos.

Por medio de este resultados de aprendizaje usted comprenderá como

elaborar y cuando usar cada diseño experimental así como desarrollar
habilidades en el uso de herramientas informáticas para el análisis de datos.

Contenidos, recursos y actividades de aprendizaje

Semana 3

1.3. Consideraciones generales sobre el uso de métodos

estadísticos

Aunque bajo el título “Consideraciones generales sobre el uso de métodos

estadísticos” intentaremos generar una idea del análisis de datos usando
métodos estadísticos, es necesario que usted no olvide de donde surgió
la idea o la intención de solucionar un problema y que por sí solo los
resultados de los análisis no garantizan el éxito del experimento.

Según Gutiérrez y de la Vara (2012) el conocimiento no estadístico es vital,

haciendo referencia a ese conocimiento técnico o práctico sobre el proceso
que se estudia que nos permitirán como investigadores poder apreciar con
relativa facilidad los aspectos clave del objeto de estudio o proceso para
poder hacer conjeturas precisas, seleccionar variables de respuesta y los
factores que se deben estudiar. Además, permite reconocer la diferencia
entre significancia estadística e importancia práctica; a veces nuestros
resultados presentan diferencias significativas entre tratamientos, pero en la
práctica no necesariamente es importante.

21 MAD-UTPL
 Nota: Significancia estadística, quiere decir, que hay evidencia
de que hay alguna diferencia entre variables estudiadas o entre
los tratamientos aplicados en un experimento. En cuyo caso el
resultado o efecto analizado es improbable que se deba
1 Bimestre
al azar. El nivel de significancia de una prueba estadística
está asociada a las pruebas de hipótesis.

Sin embargo, el diseño experimental tiene que ver con eventos de la

naturaleza (asumiendo a la naturaleza como todo lo que ocurre en el
planeta) o hechos que son observables y repetibles, sin embargo, “nada
ocurre exactamente de la misma forma dos veces” (Gutiérrez, et al., 2012).
Esto implica que hay cierta variabilidad (pequeñas diferencias) en esas
observaciones, entonces ¿cómo se alcanza esta repetibilidad que demanda
la ciencia o el diseño experimental?

Entonces, el punto de partida real para una correcta planeación del

experimento es aplicar los principios básicos del diseño experimental;
Aleatorización, Repetición y bloqueo, que revisaremos a manera de
definiciones a continuación:

Aleatorización

Consiste en experimentar en orden al azar con elementos seleccionados

también al azar, esto influye a que el supuesto de independencia del error
se cumpla en cada análisis o prueba de la respuesta. También asegura
que las pequeñas diferencias de los factores no controlados, se reparta
homogéneamente en todos los tratamientos.

Por ejemplo: se aleatoriza cuando se escogen los trajes de manera que no

sean influenciados por alguna condición (un solo proveedor), sino que se
somete a un concurso abierto de oferta en función de un listado o pliego de
petición y se aleatoriza más aún, si el pedido se hace a través de medios de
comunicación de alcance estatal.

Repetición

Implica realizar o “correr” más de una vez un tratamiento o combinación

de factores, recuerde no confundir este principio con medir varias veces el
mismo resultado. Repetir permite distinguir, que parte, de la variabilidad de
los datos, se debe al error aleatorio y que parte, se debe a los factores.

22 MAD-UTPL
 Nota: repetir es volver a realizar un tratamiento, cuando no hay
repetición no hay forma de estimar la variabilidad propia del
tratamiento o las variables (factores) ni el error aleatorio.

1 Bimestre
Por ejemplo: se repite cuando se somete a prueba la resistencia de los
trajes en varias ocasiones y condiciones.

Bloqueo

Implica nulificar de forma “apropiada” todas las variables que pudieran

afectar la respuesta, es decir, toma en cuenta de forma adecuada todos los
factores que puedan afectar la respuesta, esto supone que al bloquear, el
subconjunto de datos obtenidos en el nivel particular del factor bloqueado
debería ser más homogéneo que los datos totales.

Por ejemplo: si se quiere probar la resistencia de los trajes se puede

bloquear el factor usuario haciendo que una misma persona use todos los
trajes en distintas actividades, esto si se supusiera que el usuario influye en
la resistencia del traje.

Semana 4

1.4. Pasos para el planteamiento del diseño de investigación

Planear el diseño de investigación es considerado desde su inicio por R. A.

Fisher en su libro titulado “The deseing experiments” en 1935, como la etapa
inicial y fundamental. Parte de los principios básicos antes mencionados
(Aleatorización, repetición y bloqueo) y establece un modelo estadístico que
cuantifica la variación de los factores controlables y no controlables a través
de la respuesta.

23 MAD-UTPL
A continuación, se detallan los pasos:

ƒ Paso 1. Enunciar la pregunta de investigación

Implica redactar preguntas que sean contestables, comparativas, 1 Bimestre

sencillas y atractivas, recuerde cuando haga su pregunta de
investigación que esta debe incluir los factores que intervienen en el
diseño.

ƒ Paso 2. Clasificar la investigación

Es necesario que usted decida que tipo de investigación realizará,

es decir, si será de tipo observacional, siguiendo el ejemplo anterior;
observando que traje cumple con el objetivo de proteger mejor a
los trabajadores, si este fuera el objetivo), en cuyo caso los factores
aleatorios son reducidos o de tipo experimental, manipulando
variables y controlando variables con el fin de obtener las respuestas,
por ejemplo, probando los distintos trajes toda vez que haya hecho una
selección previa con miras a reducir los costos del experimento.

ƒ Paso 3. Ámbito espacial y temporal de la pregunta

Implica definir el área de estudio con exactitud, así mismo, definir el

tiempo en que se realizará la investigación.

ƒ Paso 4. Especificar lo que se quiere comparar

Es decir, mencionar los factores de diseño o variables independientes,

al menos un factor y sus niveles, recuerde que los factores se
enuncian en la pregunta, por ejemplo ¿Cómo cambia la resistencia de
los trajes de protección en función del material de confección?

ƒ Paso 5. Justificar los niveles de cada factor

Esto implica identificar las mediciones que adoptará cada factor,

pudiendo ser de tipo niveles discretos, por ejemplo, porcentaje de
materiales resistentes a abrasiones (10%, 20%, 30%) o de tipo niveles
continuos, por ejemplo, el tiempo de vida útil.

24 MAD-UTPL
ƒ Paso 6. Especificar la unidad de respuesta

Implica enunciar de qué tipo serán las unidades de respuesta, es decir,

natural como la parcela, comunidad, persona, empresa, entre otras o
artificial como un frasco, conjunto de tubos, cajas Petri de cultivo, etc. 1 Bimestre

ƒ Paso 7. Enlistar los posibles factores alineados

En este paso es conveniente también que usted haga un listado

de posibles factores que no siendo de interés en el experimento o
investigación puedan tener una influencia indirecta en la respuesta
(factores alineados), por ejemplo, la proporción de sexos entre los
usuarios, el color del traje, etc.

Recuerde también que es posible que los posibles factores

alineados se correlacionen con la respuesta, en cuyo caso se
convierte en una covariable, y se puede controlar replicando
(repeticiones en los tratamientos) o aleatorizando las unidades
de experimentación u observación.

ƒ Paso 8. Definir las variables de respuesta

Como se mencionó antes: “La elección de la(s) variable(s) de

respuesta es vital, puesto que refleja el resultado de las pruebas, por
lo que deberían elegirse las que mejor reflejen el problema, recuerde
tener certeza de que las mediciones que haga usted sean confiables
(esto implica verificar los equipos de medición, la calibración y la
correcta operación de los mismos) (Gutiérrez, et al., 2012)”. También
llamada variable dependiente, puede tomar distintas formas, pudiendo
ser categóricas, continuas, discretas, etc.

ƒ Paso 9. Definir la forma en cómo se van a obtener los datos

Esto implica estar seguro de la manera de tomar los datos, la

frecuencia en que se tomarán y las unidades de medida de la o las
variables de respuesta. Se debe tener seguridad que las mediciones
que se hagan son fiables. Recuerde que usted debe asegurarse que los
instrumentos y métodos de medición son capaces de ser repetidos y
reproducir una medición.

25 MAD-UTPL
ƒ Paso 10. Definir el número de submuestras por unidad de respuesta y
número de réplicas.

En este paso conviene preguntarse: en los niveles, ¿cuántas

repeticiones se harán por cada tratamiento? Tome en cuenta el 1 Bimestre

tiempo, costo y la precisión deseada, además si su unidad de

respuesta es igual a la submuestra esto ya no es una réplica y es
considerado pseudoréplica, que indica una falta de independencia en
el submuestreo, por tanto, afectará al supuesto de independencia en
sus resultados.

ƒ Paso 11. Definir el o los métodos estadísticos a usar

Como se sugirió antes, los experimentos obtienen muestras de una

población, por ende, piense usted que debe usar métodos estadísticos
inferenciales con el fin de asegurar que los efectos encontrados
sobre las muestras son lo suficiente como para garantizar las
generalizaciones sobre la población (Gutiérrez, et al., 2012). ANOVA,
por su acrónimo en inglés Analysis of Variance, es la técnica central
utilizada en el análisis de experimentos, que más adelante revisaremos
a detalle.

La interpretación de los resultados a partir de los análisis estadísticos,

debe ser minuciosa y en contraste con la (s) hipótesis iniciales, lo
que se busca es un nuevo aprendizaje o conocimiento del proceso,
verificar supuestos y elegir el mejor tratamiento.

1.5. Aplicación práctica en la selección de variables de respuesta

En la selección de la o las variables de respuesta de su experimento usted

debe tomar en cuenta las siguientes premisas de acuerdo a lo sugerido por
Gutiérrez y de la Vara (2012):

ƒ Elegir aquellas respuestas que mejor caractericen el objeto de estudio

o el proceso a investigar, es decir, que mejor refleje el problema.

26 MAD-UTPL
ƒ Tener certeza que las mediciones que se hagan y los datos que se
obtengan sean confiables, es decir, de forma previa garantizar que los
equipos o instrumentos de medición son efectivamente repetibles o
que permitan repetir una medición con precisión (atribuida al error) y
exactitud (atribuida a la calibración del instrumento) 1 Bimestre

ƒ Recuerde usted que esos sistemas de medición son la forma de

percepción de la realidad o la naturaleza de los procesos u objetos de
estudio.

ƒ Si los sistemas de medición son incorrectos, las conclusiones o

decisiones que se tomen sobre estos generalmente serán inadecuadas
para responder al problema.

Algunas sugerencias prácticas para la selección de la variable de respuesta

las detallaremos a partir de un ejemplo:

Suponga usted que se le encarga la tarea de estudiar el desempeño de

los trabajadores (por ejemplo, para obtener un producto) y encontrar los
factores que más influyen a ese desempeño:

¿Cuál o cuáles podrían ser las variables de respuesta?

Recuerde que:

ƒ Se debe poder medir.

ƒ Si se puede medir se debe elegir los equipos y las unidades

de medición apropiadas.

ƒ Debe reflejar el problema, por ejemplo, si el problema fuera la

temperatura, esta sería la respuesta, ya que se puede medir y
además afecta el resultado o respuesta.

Primeramente y siguiendo los pasos de la indagación deberíamos usted

y yo ser capaces de presuponer que la variable de respuesta es aquella a
la que debemos hacer la medición; ¿qué podemos medir para obtener una
respuesta? “Recuerde que esto depende de las actividades encargadas al
trabajador” por ejemplo, podemos medir la cantidad de productos por hora
que el trabajador obtiene en su jornada diaria o la cantidad total en durante
las horas de trabajo y luego distribuir ese producto, como se trata de “los
trabajadores” debemos medir a todos los involucrados en el experimento.

27 MAD-UTPL
Otra variable de respuesta podría ser sobre la cantidad de productos,
medir la cantidad o el porcentaje de productos retornados a reproceso que
presentaron algún defecto.

Pero elegir las variables de respuesta por elegirlas es un problema sino se 1 Bimestre

tiene conocimiento sobre el proceso, ese conocimiento práctico que es

vital para poder vislumbrar, que hace que el trabajador no produzca más
en el mismo tiempo o que hace que a pesar de poder obtener un producto
este no consiga hacerlos todos perfectos e incurra en defectos y aún más
porque existen diferencias en el rendimiento entre los trabajadores. Para
resolver esto el investigador en este caso usted debe recabar información
que le sirva para definir aquellos factores que afectan a ese rendimiento,
en nuestro ejemplo podrían ser, la velocidad de suministro de insumos
o materias primas, la posición de trabajo, la ausencia de intervalos de
descanso o el número reducido de estos, otros que quizás sean más fáciles
de medir pueden ser la altura de las mesas de trabajo, el tamaño de las
piezas de ensamble, la ausencia de infografías de guía, etc.

Recuerde que la selección de los factores que afectan el

desempeño dependerán del objeto de estudio y su propia
naturaleza o requerimientos.

Actividad de aprendizaje recomendada

Estimado estudiante, una vez analizados los contenidos en esta semana, le

invito a realizar la infografía #1. Esta actividad se centra en revisar los pasos
para el planteamiento del diseño de investigación.

Infografía: Introducción al diseño experimental

28 MAD-UTPL
 Semana 5

1.6. Tipos y selección de diseños experimentales 1 Bimestre

Considere usted en este apartado que existen muchos tipos de problemas

o casuísticas que aparecen en la práctica (como en el ejemplo anterior
acerca del rendimiento de los trabajadores), y por esa razón existen también
muchos tipos de diseños experimentales, en este apartado podrá revisar
algunas generalidades acerca de esos tipos de diseños.

Recuerde que la selección del diseño más apropiado para el experimento o

investigación que posteriormente tenga puede depender de los siguientes
aspectos:

ƒ El objetivo.
ƒ Los factores a estudiar.
ƒ Los niveles que se ha decidido probar en cada factor.
ƒ Los efectos, es decir, la relación factor-respuesta.
ƒ Los recursos, es decir, costos, tiempo y precisión requerida o deseada.

En la siguiente tabla se agregan los tipos de diseños de acuerdo a su

aplicación:

29 MAD-UTPL
Tabla 2
Tipos de diseño experimental en función de su aplicación, note que se
separan grupos debido a la cantidad de factores que aparecen para comparar

Aplicación Tipo de diseño 1 Bimestre

Para comparar dos o más tratamientos Diseño completamente al azar

Diseño en bloques completos al azar
Diseños en cuadro latino y grecolatino
Para estudiar el efecto de varios factores Diseños factoriales, de distinto alcance: 2k, 3k
sobre una o más variables de respuesta Diseños factoriales fraccionados 2k-p
Diseños anidados
Diseños en parcelas divididas
Para la optimización de procesos en Factoriales 2k y 2k-p Diseño de Plakett-Burman
modelos de primer orden
Diseño simplex
Para la optimización de procesos en Diseño de composición central
modelos de segundo orden
Diseño de Box-Behnken Diseños factoriales 3k
y 3k-p

Nota. Adaptado de Gutiérrez, et al., 2012.

De los tipos de diseño de investigación más utilizados discutiremos en las

unidades 3, 4 y 5.

Actividad de aprendizaje recomendada

Le invito a reforzar sus conocimientos, participando en la siguiente

autoevaluación:

30 MAD-UTPL
 Autoevaluación 1

1 Bimestre
Elija la respuesta correcta, tomando en cuenta la unidad 1

1. ¿Qué es un experimento?

a. Manipulación de variables controlables que conlleva a estimar la

probabilidad de que el error sea mínimo.

b. Manipulación de las condiciones ambientales sobre un sistema

o proceso de tal manera que se explique la variación o efecto
buscado por el investigador.

c. Alteración de las condiciones de un sistema o proceso con el

objetivo de medir el efecto de ese cambio sobre el sistema o
proceso.

d. Alteración de una o más variables con el objetivo de encontrar la

causa previamente localizada sobre el sistema o proceso.

2. ¿Qué tipo de variable es aquella que sirve para conocer el efecto o los
resultados de cada prueba experimental?

a. Variable de respuesta.
b. Variable experimental.
c. Variable independiente.
d. Variable aleatoria.

3. ¿Cómo se llaman aquellas variables que en un proceso se pueden fijar

en un determinado nivel?

a. Ruido.
b. Factor no controlable.
c. Error experimental.
d. Factor controlable.

31 MAD-UTPL
4. En un proceso de elaboración de botellas pet, se desea conocer si la
temperatura de creación influye sobre la calidad de la botella, ¿cuál de
los siguientes sería el factor controlable?

a. Resistencia de la botella. 1 Bimestre

b. Temperatura de creación.
c. Calidad del pet.
d. Número de botellas por minuto.

5. ¿Qué tipo de factor es la fecha de cumpleaños de un operador de

control de calidad en el ensamblaje de autos?

a. No controlable.
b. Controlable.
c. Aleatorio.
d. De respuesta.

6. ¿Qué tipo de factor es la cantidad de colorante agregado a algodón

para obtener fibras de color negro?

a. No controlable.
b. Aleatorio.
c. Ruido.
d. Controlable.

7. ¿Qué constituye la variable observada que no se puede explicar por los

factores estudiados y que resulta del pequeño efecto de los factores
no estudiados y el error del experimento?

a. Error experimental.
b. Incertidumbre.
c. Error aleatorio.
d. Euido.

8. ¿Cómo se llaman los diferentes valores que se asignan a cada factor

estudiado en un diseño de experimento?

a. Niveles.
b. Tratamientos.
c. Datos.
d. Medición.

32 MAD-UTPL
9. Si en un experimento se estudia la influencia de la cantidad de un
reactivo y el tiempo de reacción de este reactivo, ¿cómo se conoce la
combinación de los valores obtenidos?

a. Variable. 1 Bimestre

b. Tratamiento.
c. Nivel.
d. Datos.

10. ¿Qué implica la repetición en un diseño experimental?

a. Incluir homogeneidad.
b. Incluir independencia en las muestras.
c. Distinguir la variabilidad del error aleatorio.
d. Nulificar de forma apropiada los factores de estudio.

33 MAD-UTPL
 Resultado de ƒ Usa herramientas informáticas para el análisis de
aprendizaje 2 datos.

1 Bimestre
Por medio de este resultados de aprendizaje usted desarrollará habilidades
en el uso de herramientas informáticas para el análisis de datos.

Contenidos, recursos y actividades de aprendizaje

Semana 6

Unidad 2. Elementos de inferencia estadística

2.1. Experimentos comparativos simples

Son aquellos que se caracterizan por tener solo un factor de estudio con dos
niveles o tratamientos, es decir, la respuesta depende de un único factor o
solo ese estudiaremos.

El objetivo de estos experimentos es determinar si existe alguna diferencia

entre las medias o las varianzas de los dos niveles o tratamientos.

En este momento es cuando empezaremos a adentrarnos en el análisis

estadístico, por lo cual, revisaremos algunos conceptos estadísticos
básicos.

Población: también llamada Universo, está representada por una colección

o el total de los individuos, objetos, observación o medici+ón que son
de interés en algún estudio con miras de responder preguntas acerca
de las características de esa misma población. Se puede clasificar a las
poblaciones como finitas e infinitas. Una población finita es la que tiene
un número pequeño de elementos, es necesario que al estudiar este tipo
de poblaciones se considere su tamaño. Una población infinita es la que
tiene un número grande de elementos, tanto que al estudiar este tipo
de poblaciones es necesario recurrir a muestras, que en la práctica son
pequeñas unidades representativas de dicha población.

34 MAD-UTPL
Muestra: es la parte de la población o universo que ha sido seleccionada
apropiadamente, de tal manera que conserva características importantes
o claves de la misma población de la cual es extraída para fines de
experimentación o análisis. Toda muestra debe ser representativa de la
población de la cual proviene, conseguir esto podría ser una tarea compleja, 1 Bimestre

ya que como se menciona usted debe asegurarse de que su muestra tenga

las características clave de la población, esto se logra con muestreo que
siempre debe ser al azar con el fin de evitar sesgos en la selección de la
muestra.

Figura 3
Relación entre los conceptos de población, muestra, parámetro, estadístico e
inferencia

Población Muestra

Escogida al azar

X
X=?

Estadístico (conocido)
Parámetros (desconocido)

Inferencia

Nota. Adaptado de Gutiérrez, et al., 2012

Inferencia estadística: permite hacer afirmaciones estadísticas acerca de

la población basados en la información contenida, observada y analizada a
partir de una muestra. Esto implica extraer juicios o conclusiones a partir de
supuestos.

35 MAD-UTPL
Figura 4
Diagrama que describe las posibles transiciones del concepto de inferencia
estadística del que hemos hablado antes y la convergencia hacia la
estimación de distinto tipo y las pruebas de hipótesis
1 Bimestre

Estimación
Población

Inferencia

Muestra
Prueba de
hipótesis

Nota. Adaptado de Gutiérrez, et al., 2012

ƒ Parámetro: es una característica de una población que se representa

con un valor numérico que describe a un conjunto de elementos o
individuos de dicha población. Por ejemplo: Son parámetros, la media
muestral; la proporción; desviación estándar (), entre otros.

ƒ Estadístico: es cualquier función de los datos resultantes de la

muestra que no contiene parámetros desconocidos, es una cantidad
obtenida a partir de dicha muestra y que sirve para inferir en los
parámetros de la población a la cual pertenece la muestra.

ƒ Distribución de probabilidad: relaciona el conjunto de valores posibles

de una variable aleatoria X (rango de X) con la probabilidad asociada
a cada uno de los valores de X. […] hace que lo aleatorio no sea
un capricho, y modela (describe, acota) los posibles valores de un
estadístico muestral, con lo que al observar una realización específica
de un estadístico se pueden corroborar o rechazar supuestos (prueba
de hipótesis) o bien hacer estimaciones de la población. […] (Tomado
de: Gutiérrez y de la Vara, 2012), es decir, que lo que se espera es
saber qué valores se espera que tome X, de acuerdo a los supuestos
de distribución.

Las distribuciones más utilizadas son: Normal, T de student, Ji- cuadrada y F

36 MAD-UTPL
Figura 5
Gráficas de las distribuciones de mayor uso en grados de libertad y pruebas
de hipótesis

1 Bimestre
Normal estándar J de Student, 5 g.l.

0.40 0.40
0.30 0.30
0.20 0.20
0.10 0.10
0.40 0.40
-4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4
x x

Ji-cuadrada, 10 g.l. F, (5, 10)

0.6

0.08 0.4
0.04 0.2
0.0 0.0
0 5 10 15 20 0 1 2 3 4 5 6
x x
Nota. Adaptado de Gutiérrez, et al., 2012

Estimación puntual: sirve para estimar los parámetros de la distribución

de probabilidad de una variable en base de los datos de la muestra. Genera
un valor numérico simple, utilizado para estimar el valor de un parámetro
desconocido. Los tres parámetros que más se usan son: media (μ) , varianza
(σ2) o desviación estándar (σ) y proporción de elementos que tienen
cierta característica (p). Y los estadísticos (estimadores puntuales) más
recomendados para esos tres parámetros son:

Media muestral

Varianza muestral

Proporción muestral (x es el número de elementos en la muestra

de tamaño n que tienen la característica) 22

37 MAD-UTPL
2.2. Conceptos básicos de pruebas de hipótesis

Como usted habrá comprendido hasta ahora, el objetivo del diseño

experimental es responder de forma segura a las preguntas de investigación
1 Bimestre
planteadas para que luego usted emita sugerencias, tome decisiones o
comunique a los tomadores de decisiones sobre el problema u objeto
de estudio a partir del planteamiento de las hipótesis que se querían
comprobar. Por ejemplo:

Los trabajadores en una fábrica tienen el mismo rendimiento.

Todos los trajes en promedio tienen los mismos resultados de efectividad.

¿Qué es una hipótesis de investigación?

Por definición son, declaraciones, afirmaciones o suposiciones que hace

usted y cualquier investigador respecto del problema planteado. Estas
declaraciones indican de qué está tratando de probar algo, es decir, son
declaraciones teóricas, supuestas, no verificados, pero probables, referentes
a las variables escogidas para responder al problema.

Las hipótesis cumplen con las funciones de: direccionar el problema que se
investiga, identificar variables que serán objeto de análisis y orientar el uso
de métodos y técnicas para obtener información.

Las hipótesis pueden ser de varios tipos; de investigación, nula, alternativa y

estadísticas

Recuerde que usted necesitará contrastar variables dependientes

e independientes (para recordar revise la unidad 1)

La hipótesis debe tener poder explicativo; por ejemplo:

¿Qué relación hay entre la motivación propia de los trabajadores y el nivel de

ausencia en la jornada laboral en los trabajadores que usarán los trajes de
protección?

Hipótesis: A mayor motivación propia, hay menor nivel de ausencias en la

jornada laboral en los trabajadores.

38 MAD-UTPL
Específicamente, una hipótesis estadística es una declaración afirmativa
sobre los parámetros de una población o un proceso, que se prueba con la
información contenida en una muestra representativa de dicha población.
Por ejemplo, la motivación produce menos del 1% de ausencias, se plantea
de la siguiente manera: 1 Bimestre

H0 : p = 0.01 (esta sería la hipótesis nula)

HA : p ≠ 0.01 (esta sería la hipótesis alterna o alternativa bilateral)

HA : p < 0.01 (esta sería la hipótesis alterna o alternativa unilateral)

Las hipótesis alternativas bilaterales implican que la evidencia que sirva

para rechazar la H0 se obtendrá tanto si para p los valores son superior o
inferiores a 0.01. y en la unilaterales solo quedaría la opción que se registre
en el enunciado, en nuestro caso solo valores de p inferiores a 0.01. En todo
caso la H0 es verdadera mientras no se demuestre su falsedad, para ello es
necesario hacer pruebas.

Estadístico de prueba: se trata de una fórmula con la cual a partir de los

datos y la hipótesis nula se calcula un valor de cierta magnitud que nos sirve
para decidir si se acepta o se rechaza la H0. Al resultado del estadístico de
prueba que conduce a rechazar la H0 se le llama región de rechazo para la
prueba, y los resultados donde no se rechaza la H0 se lo llama región de
aceptación.

Errores: como estamos incurriendo en decisiones probabilísticas al probar

una hipótesis estadística, existe el riesgo de cometer un error, que pueden
ser: Error tipo I (α=P) = probabilidad de rechazar H0 siendo esta verdadera y
error de tipo II (β=P) probabilidad de aceptar H0 siendo esta falsa.

A1 - β se lo conoce como potencia de prueba, y a, se la conoce como

significancia dada de la prueba, su valor es especificado previamente por el
investigador y puede tomar dos valores generalmente; α =0.01 o α = 0.5 de
acuerdo al riesgo que se pretenda admitir en la conclusión.

39 MAD-UTPL
 Actividad de aprendizaje recomendada

Estimado estudiante, elabore un cuadro sinóptico de los elementos 1 Bimestre

de inferencia estadística revisados hasta este punto, esto le ayudará a

prepararse para superar sin dificultades la evaluación que en pocos días
deberá rendir.

Nota: por favor, complete la actividad en un cuaderno o documento Word.

Resultado de ƒ Comprende que es un ANOVA

aprendizaje 3

Por medio de este resultados de aprendizaje usted desarrollará habilidades

para comprender que es un análisis de la varianza o ANOVA.

Contenidos, recursos y actividades de aprendizaje

Semana 7

Unidad 3. Experimentos con un solo factor

Para este momento usted empezará a usar los diseños como una
herramienta de investigación. Los experimentos con un solo factor son
aquellos diseños experimentales que usted podrá utilizar cuando el objetivo
es comparar más de dos tratamientos, es decir, las declaraciones de partida,
tienen que ver con comparaciones, por ejemplo, comparar cuatro tipos de
dietas para perros, comparando si alguna dieta de las propuestas es mejor o
igual que las que hayan en el mercado.

La hipótesis estadística sería:

40 MAD-UTPL
 Observación: para este momento estoy seguro de que usted
tiene las habilidades para entender estos planteamientos; por
favor compártalo en el chat de tutorías y consultas.

1 Bimestre

3.1. Análisis de varianza de un factor – ANOVA

Ahora abordaremos el Análisis de Variancia – ANOVA, denominado así por

su acrónimo en inglés - Analasys of variance -. Aunque quizás usted ya ha
oído de este análisis, le recuerdo que el ANOVA tiene el objetivo comparar
los distintos niveles de los factores para establecer diferencias significativas
en la variable respuesta. Se basa en la descomposición de la variación
total de los datos respecto de la media de todos los datos (dentro de las
muestras y entre las muestras), partiendo del supuesto de que H0 (las
medias de los grupos son iguales; H0 : μ1 = μ2 = … = μk) es verdadera.

Los supuestos del ANOVA son:

ƒ La variable de respuesta es continua.

ƒ La variable independiente está formada por tres o más grupos

categóricos e independientes.

ƒ La variable dependiente tiene una distribución normal -supuesto de

normalidad.

ƒ Las muestras son independientes -supuesto de independencia.

ƒ Los grupos tienen igual varianza -supuesto de homogeneidad. Antes

de correr un ANOVA es necesario tomar algunas decisiones: elegir el
nivel alfa: α (significancia del 5%)

Se rechaza H0: El p-valor< α

Es decir, hay al menos dos medias grupales que son diferentes entre sí.

Se acepta H0: El p-valor> α

Es decir, no existen diferencias significativas entre los grupos evaluados.

41 MAD-UTPL
 Nota: recordar que la prueba ANOVA no nos dice nada acerca de
qué grupos específicos son diferentes.

Cuando usar ANOVA 1 Bimestre

Cuando se tiene un grupo de individuos, objetos o estados distribuidos

aleatoriamente en grupos más pequeños bajo distinto tratamiento.

Ejemplo, usted podría estar estudiando los efectos del té en la pérdida de

peso y formar tres grupos: el té verde, té negro, y sin té . ¿Qué es el Anova de
una vía?

Cuando se tiene un grupo de individuos, objetos o estados distribuidos

aleatoriamente, pero los individuos se dividen en grupos basados en un
atributo que poseen.

Ejemplo, usted podría estar estudiando la fuerza de las piernas de las

personas de acuerdo al peso. Podría dividir a los participantes en categorías
de peso (obesidad, sobrepeso y normal) y medir la fuerza de sus piernas en
una máquina de peso . ¿Qué es el Anova de una vía?

En el ANOVA de un factor, también llamado unifactorial o one way (en

inglés), se intenta probar con una sola variable independiente, si las medias
entre dos o más grupos son diferentes o iguales.

Por ejemplo: se quiere comparar el número de trabajadores con

enfermedades coronarias entre grupos o clases sociales (alta, media y baja).
Con el ANOVA se quiere comparar si el número de enfermos (enfermedad
coronaria) está relacionado con la clase social (alta, media y baja).

3.2. Diseño completamente al azar.

El diseño completamente al azar (DCA). Se utilizan para comparar dos o

más tratamientos, donde todas las corridas experimentales se hacen al azar
o en orden aleatorio completo. Por ejemplo, en un estudio con un número
finito de pruebas (N) todas las pruebas se corren al azar, así los posibles
efectos se reparten equitativamente entre los tratamientos.

42 MAD-UTPL
Tabla 3
Disposición de los tratamientos en un diseño completamente al azar

Tratamientos Tk
T1 T2 T3 … Tk 1 Bimestre

Y11 Y21 Y31 … Yk1

Y12 Y22 Y32 … Yk2

Y13 Y23 Y33 … Yk3

Y1n1 Y1n1 Y1n1 … Ykn1

Nota. (adaptado de Gutiérrez, et al., 2012)

Arreglo de los DCA

Estos arreglos los podrá visualizar mejor si revisamos un ejemplo de

Gutiérrez y de la Vara (2012), en el que se comparan cuatro métodos de
ensamble (A, B, C y D) sobre el tiempo de ensamble (en minutos). Se aplica
cuatro veces cuatro métodos de ensamble en orden completamente al azar,
dando como respuesta 16 pruebas en orden aleatorio (Suponemos que no
existe otro factor que influye sobre la variable de respuesta), los tiempos de
respuesta se muestran a continuación:

Tabla 4
Arreglo DCA muestra los 16 tiempos de respuesta resultado de los cuatro
métodos de ensamble (tratamientos) en cuatro réplicas (4*4)

Método de ensamble
A B C D
6 7 11 10
8 9 16 12
7 10 11 11
8 8 13 9

Nota. (adaptado de Gutiérrez, et al., 2012).

Dos fuentes de variabilidad: Tratamientos y Error aleatorio

43 MAD-UTPL
 Actividades de aprendizaje recomendadas

Le invito a reforzar sus conocimientos, participando en las siguientes 1 Bimestre

actividades:

1. Le sugiero haga un mapa conceptual de todos los temas revisados

hasta el momento y tenerlo a mano para prepararse para la evaluación
presencial del primer bimestre.

Nota: por favor, complete las actividades en un cuaderno o documento

Word.

2. Resolver la autoevaluación 2.

44 MAD-UTPL
 Autoevaluación 2

1 Bimestre
Elija la respuesta correcta, tomando en cuenta las unidades 2 y 3:

1. ¿Qué es inferencia estadística?

a. Afirmaciones estadísticas acerca de la población basada en la

información colectada y analizada de la misma población.

b. Afirmaciones estadísticas acerca de la población basada en la

información contenida de la muestra.

c. Afirmaciones estadísticas acerca de la muestra.

d. La que posee o incluye un número grande de elementos y que se

analizan en forma de hipótesis.

2. ¿Cómo se denomina aquella cantidad que se obtiene a partir de los

datos de una muestra y que ayuda a resumir las características de la
misma muestra?

a. Población.
b. Probabilidad.
c. Distribución.
d. Estadístico.

3. ¿Qué define una parte de una población, seleccionada apropiadamente

y que conserva los aspectos clave de la población?

a. Muestra.
b. Factor.
c. Parámetro.
d. Estadístico.

45 MAD-UTPL
4. ¿Qué es un estimador puntual?

a. Estadístico que estima un valor específico de un parámetro.

b. Valores entre los que se estima está el valor de un parámetro 1 Bimestre

poblacional.

c. Característica que mediante su valor numérico describe a un

conjunto de elementos.

d. Una parte de la población seleccionada porque conserva

características claves.

5. Qué define: “declaración realizada por un investigador cuando

este especula acerca de un resultado final de una investigación o
experimento”?

a. Hipótesis estadística.
b. Pregunta de investigación.
c. Tipo de diseño experimental.
d. Hipótesis de investigación.

6. ¿Cómo se denomina aquella fórmula con la que a partir de los datos

de una hipótesis nula se calcula un número cuya magnitud permite
discernir si se rechaza o no dicha hipótesis?

a. Estadístico de inferencia.
b. Estadístico de prueba.
c. Intervalo de confianza.
d. Grados de libertad.

7. ¿Cuál de los siguientes es un experimento con un solo factor?

a. Diseño multifactorial.
b. Diseño en cuadro latino.
c. Diseño grecolatino.
d. Diseño completamente al azar.

46 MAD-UTPL
8. ¿A qué hace referencia el análisis que separa la variación total en las
partes con las que influye cada fuente de variación en un experimento?

a. Notación de puntos.
b. Análisis de varianza. 1 Bimestre

c. Pruebas de rango múltiples.

d. Diferencia mínima significativa.

9. ¿Cuál es la hipótesis en un análisis de varianza (ANOVA) en un diseño

completamente al azar?

a. Igualdad de los tratamientos respecto de la media de la

respectiva variable de respuesta.

b. Diferencias de los tratamientos respecto de la media de la

respectiva variable de respuesta.

c. No hay diferencias entre el tratamiento de control y los

tratamientos usados respecto de las medias de cada
tratamiento.

d. Hay diferencias entre el tratamiento de control y los tratamientos

usados respecto de las medias de cada tratamiento.

10. De acuerdo al arreglo de los diseños completamente al azar; si lo que

se quiere es comparar las cuatro diferentes dietas en la reducción
de enfermedades coronarias y se hacen ocho repeticiones, ¿cuántas
observaciones de respuesta al azar se tendrían?

a. 24.
b. 62.
c. 32.
d. 16.

47 MAD-UTPL
 Semana 8

ƒ Comprende cuando usar cada diseño 1 Bimestre

Resultado de experimental.
aprendizaje 1
ƒ Usa herramientas informáticas para el análisis de
y2
datos.

Por medio de este resultados de aprendizaje usted desarrollará habilidades

reconocer cuando usar cada tipo de diseño experimental así como las
herramientas informáticas necesarias para el análisis de datos.

Contenidos, recursos y actividades de aprendizaje

Actividades finales del bimestre

Apreciado estudiante, hemos llegado al final del primer bimestre, dedique

esta semana a recordar y reforzar los temas revisados hasta ahora. Para
ello usted deberá analizar las unidades 1 a la 3, donde debe concentrarse en
repasar los contenidos respecto de:

Unidad 1. Introducción al diseño experimental, tome en cuenta que en esta

unidad hemos revisado conceptos o definiciones básicas, etapas del diseño
experimental, uso de métodos estadísticos, pasos para el planteamiento de
diseños de investigación, selección de variables, así como tipos y selección
de diseños. Recuerde que esta parte debe en la mayoría interiorizarla o
tenerla presente para que no tenga problemas para seleccionar variables y
tipos de diseños.

Unidad 2. Inferencia estadística, aunque aquí también hemos revisado

varios conceptos, las prácticas ya le han guiado a hacer análisis, hacer
comparaciones y pruebas para experimentos simples y con un solo factor y
saber los principios de las pruebas de hipótesis, espero que la formulación
de las hipótesis ya no sea un problema para usted.

48 MAD-UTPL
Unidad 3. Experimentos de un solo factor y ANOVA, los diseños completos
al azar y el análisis de la varianza ya no serán un problema, recuerde tomar
en cuenta que hasta este momento solo se aborda este tipo de análisis para
diseños con un solo factor donde las fuentes de variabilidad son dos y los
ANOVA serán de una vía o unilaterales. 1 Bimestre

49 MAD-UTPL
 Segundo bimestre

Resultado de ƒ Elige y aplica las pruebas de comparaciones

aprendizaje 4 múltiples.

Estimado estudiante, a partir de este momento daremos inicio al estudio 2 Bimestre

de los contenidos correspondientes al segundo bimestre, para lo cual le

recomiendo continuar con una alta motivación, interés y ánimo con la
finalidad de alcanzar sus objetivos propuestos: adquirir conocimientos y
aprobar esta asignatura con éxito.

Contenidos, recursos y actividades de aprendizaje

Semana 9

3.3. Pruebas o comparaciones de rango múltiple

Una vez que se rechaza la hipótesis nula luego de correr el Anova en

experimentos con un solo factor, por ejemplo, en un DCA, hay que hilar un
poco más fino, con el fin de poder visualizar cuál o cuáles tratamientos
son diferentes. En las pruebas de rango múltiple podemos encontrar tres
alternativas.

Comparaciones pareadas de las medias de los tratamientos, usted

seguramente las encontrará en otras fuentes como pruebas de igualdad
entre todos los posibles pares de medias, para esto se han propuesto varios
métodos, de los que revisaremos los más utilizados a continuación:

ƒ Método de diferencia mínima significativa, también llamado, método

LSD (least significant difference), se parte de la hipótesis:

H0= μi=μj ; HA=μi≠μj

50 MAD-UTPL
 Para toda i≠j y k tratamientos se tienen en total k(k-1)/2 pares de
medias

Por ejemplo; si k=8 se tendría 8(8-1)/2=28 pares de medias a

comparar, y el estadístico de prueba para las hipótesis planteadas es
la correspondiente diferencia entre sus medias muestrales:

En cuyo caso, si hay diferencias entre las medias muestrales, se 2 Bimestre

rechaza

H0 = μi = μj

ƒ Método de Tukey, consiste en comparar las medias muestrales con un

valor crítico dado por:

Donde:

CME, es el cuadrado medio del error

n, es el número de observaciones por tratamiento k, es el número de

tratamientos

N-k, son los grados de libertat para el error

α, es el nivel de significancia (elegido con anticipación)

q_α (k,N-k), son porcentuales de la distribución (obtenidos de la tabla

T de Student)

Al final se declara diferencias significativas a los pares cuyo valor sea

mayor a T_α

Nota: A diferencia del método LSD, Tukey trabaja con un error

muy cercano al que se prefija por el investigador.

ƒ Método Duncan: en este método si las muestras son de igual tamaño,

los promedios se acomodan en orden ascendente y el error estándar
se estima con

51 MAD-UTPL
Los resultados de esta prueba se comparan en la tabla de rangos de
significancia de Duncan.

Las otras dos alternativas son:

ƒ Comparaciones de tratamientos con un control, tratamiento de control

hace referencia a un tratamiento estándar de referencia con el que se
comparan los otros tratamientos, también llamado blanco, porque es
2 Bimestre
al que no se hará manipulación alguna; por ejemplo, si se quiere probar
la eficacia de una dieta, una de las dietas será la que regularmente se
ingiere, es decir, sin manipulación en la composición.

ƒ Comparaciones por contraste, contraste en este caso resulta de la

combinación lineal de las medias en la población, tomando en cuenta
que la suma de sus coeficientes es igual a cero.

3.4. Verificación de los supuestos del modelo

Recuerde que para todos los casos en inferencia estadística las

presunciones que uno haga se basan en supuestos. Para cualquier ANOVA,
la forma de validar sus resultados queda relegado a que los supuestos del
modelo se cumplan (normalidad, varianza homogénea e independencia).
Esto implica que, la respuesta (Y) en cada tratamiento se distribuye de
manera normal, con la misma varianza en cada uno de los tratamientos y
cada medición es independiente, y esto se traduce sobre el error () en el
modelo.

Lo común es analizar los residuos, que son generados por la diferencia entre
la respuesta observada y la predicha (por el mismo modelo) en cada prueba
experimental, se pueden ver como una muestra aleatoria de distribución
normal, con media cero y varianza constante.

Los tres supuestos se pueden probar de manera gráfica y de manera

analítica, en nuestro caso haremos mención a las formas más convenientes
de verificación de los supuestos.

Prueba de normalidad de Shapiro-Wilks

En este supuesto usted debe partir de la idea de verificar si un conjunto

de datos ha sido generado por un proceso normal, entendiéndose como
proceso normal a su distribución normal. Suponga usted que a partir de un

52 MAD-UTPL
conjunto de datos de distribución desconocida F(x); con x_1,x_2,…,x_n se
plantea las siguientes hipótesis estadísticas:

H0:Fx es normal (Los datos proceden de una distribución normal)

HA:Fx no es normal (Los datos no proceden de una distribución normal)

ƒ Lo primero que hay que hacer es ordenar los datos de menor a mayor,
2 Bimestre

ƒ Segundo, con la ayuda de una tabla de valores para la prueba se

Shapiro-Wilks se obtienen los coeficientes.

ƒ Tercero, hay que calcular el estadístico W, puede usted utilizar la

fórmula;

Si el resultado del estadístico W es un valor mayor que el crítico de

seleccionado en la tabla, se rechaza la normalidad. Recuerde que estos
cálculos los puede realizar utilizando el lenguaje R con la función norm.test.

Varianza homogénea

Tome en cuenta que este supuesto debería cumplirse si todos los

tratamientos tienen la misma varianza. Este supuesto es fácil de observar en
los análisis gráficos de los valores predichos versus los residuos, se grafica
en el eje horizontal los residuos. Si la gráfica de un conjunto de puntos se
muestra de manera aleatoria describiendo una franja horizontal, es decir, sin
ningún patrón claro, podemos decir que se cumple el supuesto de varianza
constante, pero si aparece un patrón claro como un embudo, entonces es
probable que el supuesto no se cumpla.

Se pueden usar otros gráficos para estar seguros de las decisiones

tomadas, pero en general hay que intentar ver en qué forma están afectadas
las conclusiones, por ejemplo, si usted observa que el mejor tratamiento
tiene la menor dispersión, no habría razón para cambiar la decisión de que
ese tratamiento es el correcto, y pensar si es de interés investigar las otras
diferencias de varianza. Por el contrario, si el tratamiento con la varianza
más grande (mayor dispersión) no debería usted mantenerlo como el mejor,

53 MAD-UTPL
en cuyo caso hay que replantear no solo la decisión sino también el análisis.
Si esto ocurre puede ser que usted necesite hacer

Transformaciones para estabilizar la varianza, estas transformaciones

se hacen a los datos de tal forma que se disminuyan las diferencias. Las
transformaciones más comunes son; logaritmo y raíz cuadrada, esto implica
sacar el logaritmo o la raíz cuadrada a sus datos y luego volver a hacer los
análisis, afortunadamente usted puede hacer esto de forma automática 2 Bimestre

utilizando el lenguaje R o cualquier otro software estadístico e inclusive

utilizando Excel de Microsoft Office o similares. La forma analítica para
hacer la prueba de varianza constante más conocida en la prueba de Barlett.

Independencia

De igual manera, este supuesto puede verificarse de manera gráfica,

comparando el orden del dato contra el residuo que le corresponde, en el
eje horizontal el orden de corrida (variable) y en el eje vertical los residuos.
Si al graficar se detecta claramente un patrón no aleatorio, es evidencia
de que los errores están correlacionados (recuerda que esto lo llamamos
antes pseudoréplica e implica ausencia de independencia) y no se cumple el
supuesto de independencia. En cambio, si el comportamiento de los puntos
es aleatorio, si se cumple el supuesto.

Si no se cumple este supuesto, usted debe suponer que existe deficiencia en

la planeación y ejecución del experimento, no se aleatorizó correctamente
o que aparecieron factores (no controlados) que afectaron la respuesta.
También puede usted utilizar la prueba de Durbin-Watson como parte de
la verificación analítica con la limitación que esta no logra detectar otros
patrones de correlación entre los residuos que son descriptores de que no
se cumple el proceso, en cuyo caso es restrictiva.

Actividad de aprendizaje recomendada

Continuemos con el aprendizaje mediante la revisión de la siguiente

actividad:

1. Resuelva la Infografía, esta actividad se centra en revisar algunos

conceptos abordados en la unidad 3.

Infografía: Pruebas o comparaciones de rango múltiple

54 MAD-UTPL
 Resultado de ƒ Aplica los diseños experimentales e interpreta sus
aprendizaje 5 resultados.

Por medio de este resultados de aprendizaje usted desarrollará habilidades

para aplicar los diseños experimentales e interpretar los resultados.

2 Bimestre

Contenidos, recursos y actividades de aprendizaje

Semana 10

Unidad 4. Diseño en bloques

Este tipo de diseños son considerados los más completos, se utilizan si

se quiere comparar tratamientos seleccionados o estudiar el efecto de
un factor seleccionado. Para empezar a estudiar los diseños de bloque,
revisemos el concepto de factor de bloque que utilizaremos más adelante.

Factor de bloque: son variables adicionales al factor de interés que se

agregan no para analizar su propio efecto, sino para mejorar la percepción
del factor de interés. Por ejemplo, en un intento por conocer de entre tres
tipos de máquinas de galletas, ¿cuál es la que tiene un mayor rendimiento?
Se pueden incluir varios operarios (factor de bloque) para las tres máquinas,
no porque quisiéramos ver cómo influye su trabajo sino solo como un medio
para medir las máquinas de galletas.

4.1. Diseño en bloques aleatorizados.

Usted también los puede encontrar en. La literatura pertinente como diseños
en bloques completamente al azar (DBCA), Se aplican cuando se comparan
ciertos tratamientos o se quiere estudiar el efecto de un factor. […] Es
deseable que las posibles diferencias

se deban principalmente al factor de interés y no a otros factores que no se

consideran en el estudio (Gutiérrez et al, 2012). Se llama completo porque
se prueban todos los tratamientos en cada bloque, la aleatorización se

55 MAD-UTPL
hace dentro de cada bloque, debido a esto no se puede aleatorizar el total,
es evidente cuando se bloquea factores como “día”, ya que el tiempo no se
puede volver atrás.

Modelo estadístico:

2 Bimestre

Yij: medición que corresponde al tratamiento i y al bloque j

μ : media poblacional

τi: efecto del tratamiento i

γj: efecto del tratamiento j εij: error aleatorio

Hipótesis: la respuesta media poblacional es la misma para los k

tratamientos

H0: μ1=μ2=μ3= =μk=μ

HA: μi≠μj

ANOVA: a partir de la H0 planteada se corre un ANOVA con dos criterios de

clasificación, ya que existen dos fuentes de variación y el error aleatorio,
este análisis lo puede realizar usando el lenguaje R o cualquier software de
estadística. Si desea hacerlo manualmente, le recomiendo revisar el capítulo
correspondiente a Diseños de bloque completamente al azar del texto:
Análisis y Diseño de Experimentos (Gutiérrez et al., 2012)

Fuentes de variación:

ƒ Factor de tratamiento.
ƒ Factor de bloque.
ƒ Error aleatorio.

56 MAD-UTPL
4.2. Diseño en bloques incompletos balanceados

Se caracterizan porque en este tipo de diseños no se prueban todos los

tratamientos en cada bloque. Se implementan por dos razones:

Lograr mayor precisión en un experimento; cuando al probar todos los

tratamientos en un bloque, esto causa inhomogeneidad en dicho bloque,
aumentando la variabilidad y, por tanto, afecta la comparación de los 2 Bimestre

tratamientos.

Cuando hay una restricción física; puede ser que en un bloque no quepan
todos los tratamientos.

El DBIB cumple con tres condiciones, Considerando tratamientos y bloques,

en cada bloque se prueban t<k

1. Cada tratamiento debe ocurrir una vez en cada bloque.

2. Cada tratamiento debe ocurrir exactamente en un número limitado de

bloques ®.

3. Cada par de tratamiento debe ocurrir juntos en exactamente un

número limitado de bloques .

Modelo estadístico:

Yij=μ+τi+βj+εij

μ: media general

τi: efecto del tratamiento i βj: efecto del bloque j

εij: error aleatorio

57 MAD-UTPL
 Actividad de aprendizaje recomendada

A continuación, le invitamos a desarrollar la siguiente actividad:

1. Resuelva el juego de seleccionar, esta actividad se centra en revisar

algunos conceptos abordados en la unidad 4. 2 Bimestre

Juego de seleccionar: Diseño de bloques.

Semana 11

4.3. Diseño en bloques de cuadro latino

Se controlan dos factores de bloque y se estudia un factor de tratamientos,

los tres factores con la misma cantidad de niveles. Se llama así, porque los
tratamientos se representan con letras latinas y se distribuyen de forma
adecuada en un cuadro.

Los arreglos para este tipo de diseño se representan en columnas que es el

factor de bloque I y renglones que es l factor de bloque II, además del error
aleatorio.

La selección y aleatorización de cuadro latino se hace de la siguiente

manera; cada letra debe aparecer solo una vez en cada renglón y en cada
columna. En un cuadro latino estándar: primer columna y primer renglón
se ponen las letras latinas en orden alfabético como se demuestra a
continuación:

58 MAD-UTPL
Figura 6
Secuencia de arreglos para un diseño en cuadro latino estándar, primero
se arreglan columnas y renglones en orden alfabético y luego se completa
evitando que se repitan las letras latinas

2 Bimestre

Nota. adaptado de Gutiérrez, et al., 2012

Modelo estadístico

Yijl=μ+τi+γj+δl+εijl

Yijl: observaciones del tratamiento, en el nivel del factor renglón y en el nivel

del factor columna.

εijl: error atribuible (dos factores de bloque, un factor de tratamientos y el

error aleatorio)

Fuentes de variabilidad

Tratamientos

Factor de bloque I (columnas) Factor de bloque II (renglones) Error aleatorio

En el ANOVA se prueban los efectos del tratamiento del factor renglón y del
factor columna.

4.4. Diseño en bloques grecolatino

Se controlan tres factores además del factor de tratamientos. Se llama así

porque los cuatro factores se prueban igual cantidad de niveles y se usan
letras latinas para los tratamientos y letras griegas para nombrar los niveles.
Cada letra debe aparecer solo una vez en cada renglón y en cada columna y
cada par de letras debe aparecer solo una vez en todo el cuadro.

59 MAD-UTPL
Modelo estadístico:

Yijlm=µ+τi+γj+δl+φm+εijl

Yijl observación o respuesta que se encuentra en el tratamiento i (i-ésima

letra latina), en el renglón j, en la columna l en la m-ésima letra griega;

τi es el efecto del tratamiento i γj es el efecto del renglón j

2 Bimestre

δl representa el efecto de la columna l

φm representa el efecto de la m-ésima letra griega (niveles del tercer factor

de bloque)

εijlm error aleatorio atribuible a la medición Yijlm

No confundir las letras griegas del modelo (efectos) con las del diseño
(niveles del tercer factor de bloque).

En el ANOVA se prueban las hipótesis de igualdad de letras latinas

(tratamientos), de renglones, de columnas y de letras griegas.

El arreglo para este tipo de diseño se podría ilustrar de la siguiente manera:

Tabla 5
Muestra el arreglo de columnas y renglones, letras latinas para los
tratamientos y letras griegas para los niveles

Columnas

2 3 4
Renglones 1 Aα Bβ Cγ Dδ
2 Bδ Aγ Dβ Cα
3 Cβ Dα Aδ Bγ
4 Dγ Cδ Bα Aβ

Nota. adaptado de Gutiérrez, et al., 2012

60 MAD-UTPL
 Actividad de aprendizaje recomendada

Continuemos con el aprendizaje mediante su participación en las

actividades que se describen a continuación:

1. En este momento es aconsejable que usted haga un mapa mental 2 Bimestre

de los conceptos y tipos de diseños en bloque revisados hasta
este momento. Puede usted empezar a separar los conceptos
relacionados, inclusive si debe retomarlos del primer bimestre, por
ejemplo, ¿qué es un factor?, ¿qué es una variable?, ¿qué es la variable
de respuesta? Esto debido a que es indispensable que en este
momento usted ya pueda reconocer tanto las fuentes de variabilidad
contenidas en los datos como poder organizar de manera apropiada
un diseño experimental; para ello también es recomendable que a este
mapa mental usted agregue una conexión de ejemplos intentando
asociar a los conceptos implicados.

Nota: por favor, complete las actividades en un cuaderno o documento

Word.

2. Realice la siguiente autoevaluación.

61 MAD-UTPL
 Autoevaluación 3

Elija la respuesta correcta, tomando en cuenta las unidades 3 y 4:

1. ¿Cuál de los siguientes es un experimento con un solo factor?

2 Bimestre

a. Diseño multifactorial.
b. Diseño completamente al azar.
c. Diseño en cuadro latino.
d. Diseño grecolatino.

2. ¿Con qué prueba se verifica el supuesto de normalidad en un ANOVA?

a. Método de Tukey.
b. Prueba de Durbin-Watson.
c. Prueba de Shapiro-Wilks.
d. Prueba de Barlett.

3. ¿A qué hace referencia el análisis que separa la variación total en las

partes con las que influye cada fuente de variación en un experimento?

a. Análisis de varianza.
b. Notación de puntos.
c. Pruebas de rango múltiples.
d. Diferencia mínima significativa.

4. ¿Con qué prueba se puede verificar el supuesto de Independencia en

un ANOVA?

a. Método de Tukey.
b. Prueba de Durbin-Watson.
c. Prueba de Shapiro-Wilks.
d. Prueba de Barlett

62 MAD-UTPL
5. ¿Cuál es la hipótesis en un análisis de varianza (ANOVA) en un diseño
completamente al azar?

a. Diferencias de los tratamientos respecto de la media de la

respectiva variable de respuesta.

b. No hay diferencias entre el tratamiento de control y los

tratamientos usados respecto de las medias de cada
2 Bimestre
tratamiento.

c. Hay diferencias entre el tratamiento de control y los tratamientos

usados respecto de las medias de cada tratamiento.

d. Igualdad de los tratamientos respecto de la media de la

respectiva variable de respuesta.

6. ¿Cuál de los siguientes métodos se debe utilizar para hacer

comparaciones o pruebas de rango múltiples?

a. ANOVA.
b. Diferencia mínima significativa (LSD).
c. P-value.
d. Medidas de tendencia central.

7. Dentro de un diseño de bloque, ¿cómo se conoce a las variables

adicionales al factor de interés que se incorporan de manera explícita
en un experimento comparativo?

a. Factor de bloque.
b. Fuente de variabilidad.
c. Efecto de diseño.
d. Efecto de factor.

8. ¿Cuáles son las fuentes de variación en un DBCA?

a. Factor de tratamiento, factor de bloque y varianza.

b. Varianza, error estándar y factor de bloque.
c. Grados de libertad, varianza y factor de tratamiento.
d. Factor de tratamiento, factor de bloque y error aleatorio.

63 MAD-UTPL
9. ¿Qué características tiene un diseño de cuadrado latino?

a. Se controlan dos factores de bloque, uno de tratamientos con la

misma cantidad de niveles.

b. Se controlan dos factores de bloque, uno de tratamientos con la

distinta cantidad de niveles.
2 Bimestre
c. Se controlan un factor de bloque y uno de tratamientos con la
misma cantidad de niveles.

d. Se controlan dos factores de bloque con la misma cantidad de

niveles.

10. ¿Qué diferencia el diseño de cuadro latino del cuadro grecolatino?

a. El número de factores.
b. El factor de bloque.
c. Los niveles.
d. Las fuentes de variabilidad.

64 MAD-UTPL
 Semana 12

Unidad 5. Diseños factoriales

5.1. Conceptos básicos

2 Bimestre

Diseño factorial - DF: arreglo experimental que se usan para estudiar el

efecto de varios factores sobre una o varias respuestas, teniendo el mismo
interés sobre todos los factores. Por ejemplo: Determinar una combinación
de niveles de los factores que denotan un mejor desempeño de un proceso.

Para estudiar la manera en que influye cada factor se necesita elegir por
lo menos dos niveles de prueba para cada factor. La matriz de diseño se
forma con el conjunto de tratamientos que se puedan formar con todas las
posibles combinaciones de los niveles de los factores.

ƒ Factor cualitativo: los niveles toman valores discretos o nominales

(máquinas, lotes, marcas, presencia, ausencia; 1,0; si o no.

ƒ Factor cuantitativo: los niveles toman valores continuos (cualquier

valor dentro de un determinado intervalo) los más comunes son;
temperatura, velocidad, distancia, presión.

ƒ Arreglo factorial: es cualquier conjunto de tratamientos o puntos

experimentales que se puedan formar al considerar todas las
posibilidades de combinación de los niveles de los factores.

ƒ Efecto de un factor: es el cambio que se observa en la variable de

respuesta a causa de un cambio de nivel en el factor al que se observa
el efecto.

ƒ Efecto principal: son los cambios en la media de la variable de

respuesta dada por el efecto individual de cada factor estudiado, se
puede obtener de la diferencia entre los promedios de las respuestas
observadas en el nivel alto menos el nivel bajo.

65 MAD-UTPL
ƒ Efecto de interacción: se da cuando en la variable de respuesta el
efecto de un factor depende del nivel en el que está otro, por ejemplo,
el factor A y el factor B interactúan si el efecto de A es bastante
diferente en cada nivel en el que se encuentra B.

5.2. Ventajas de los diseños factoriales

2 Bimestre

Sirven para medir la influencia individual de los k factores escogidos y la

interacción que hay entre ellos.

Explora una zona escogida del dominio experimental y encuentra una

dirección óptima.

Forma económica de estudiar el efecto combinado de k factores. Útil en la

etapa inicial de un experimento.

Los diseños factoriales se pueden aumentar y formar diseños compuestos,

o se pueden combinar con diseños en bloque si el caso no permite correr
todo el diseño factorial.

Puesto que consta de 2 niveles cada factor, se supone una respuesta lineal
en el rango de los factores.

Supuestos:

ƒ El factor es fijo
ƒ El diseño es completamente aleatorizado
ƒ Las suposiciones de normalidad se satisfacen

Actividad de aprendizaje recomendada

Resuelva el juego de completar, esta actividad se centra en revisar algunos

conceptos abordados en la unidad 5.

Juego de completar: Diseños factoriales

66 MAD-UTPL
 Semana 13

5.3. Diseños con dos factores

Como el título lo indica se trata de diseños factoriales destinados a evaluar

dos factores, como antes se mencionó con el mismo número de niveles y se 2 Bimestre

puede construir un diseño factorial de cuatro tratamientos. Los diseños más

usados son; factorial 22, factorial 32 y el factorial 3x2.

A este tipo de diseños es necesario replicar, en este caso una réplica es

cada corrida completa del arreglo (corrida de todos los

tratamientos del arreglo factorial) ya que involucran menos de cuatro

factores, y por lo tanto, necesitan tener la potencia necesaria para las
pruebas estadísticas.

Modelo estadístico:

Yijk=μ+αi+βj+(αβ)ij+εijk

μ: media general

αi: efector del nivel correspondiente del factor A

βj: efector del nivel correspondiente del factor B

(αβ)ij: efecto de interacción en la combinación correspondiente

εijk: error aleatorio

Recuerde que en este caso tendrá seis H0 y el ANOVA

correspondiente probará las cuatro fuentes de variación (incluida
el error aleatorio) y que el caso de rechazar la H0 se pueden
probar comparaciones de medias con el fin de detectar cuáles
medias causan las diferencias encontradas.

67 MAD-UTPL
5.4. Diseños con tres factores

Este tipo de diseños que se usan para investigar la influencia de tres

factores sobre una o más variables de respuesta y con tres niveles en cada
factor. Entre los arreglos más empleados tenemos; factorial 23, factorial 33
y factoriales mixtos con no más de cuatro niveles en dos de los factores.

Modelo estadístico: 2 Bimestre

Yijkl=μ+αi+βj+γk+(αβ)ij+(αγ)ik+(βγ)jk+(αβγ)ijk+εij

kl
μ= media general

αi= efecto del nivel i-ésimo del factor A

βj =efecto del nivel j del factor B

γk =efecto del nivel k del factor C

(αβ)ij,(αγ)ik,(βγ)jk =representan los efectos de interacción dobles en los

niveles respectivos

αβγ)ijk = efecto de interacción triple en la combinación a punto ijk

l= son las repeticiones o réplicas del experimento

εijkl = Error aleatorio en la combinación ijkl

En este tipo de arreglo factorial se pueden plantear siete H0, el ANOVA

correspondiente probará las siete fuentes de variación más el error aleatorio,
recuerde que para que sus conclusiones respecto de las relaciones entre
los efectos para que tengan validez deberá usted probar los supuestos del
ANOVA; normalidad, varianza constante e independencia.

68 MAD-UTPL
 Actividades de aprendizaje recomendadas

A continuación, le invito a realizar las siguientes actividades:

1. Haga cuadros sinópticos de los conceptos implicados en los diseños

factoriales. Podría usted empezar definiendo: 2 Bimestre

ƒ ¿Cuándo se debe proponer un diseño de tipo factorial?

Luego puede usted:

ƒ Agregar los conceptos nuevos tales como: factor, tipos de factores,

efectos y arreglo factorial, para cada uno desprenda los tipos
reconocidos en esta unidad.

Recuerde que hemos revisado diseños de dos y tres factores, por lo tanto, le
sugiero:

ƒ Haga un cuadro con dos ramas asociadas al concepto principal.

Nota: por favor, complete las actividades en un cuaderno o documento

Word.

Semana 14

5.5. Diseños con dos factores

Factorial 2k: 2k significa k factores con 2 niveles de prueba en cada uno,

principalmente útiles cuando el número de factores a estudiar está entre dos
y cinco (). Las réplicas consistirán en 2*2 = 4 tratamientos. Por definición
están caracterizados ya sea en el planteamiento de la hipótesis como de
las fuentes de variabilidad de la misma manera que los diseños con dos
factores antes mencionados.

69 MAD-UTPL
5.6. Diseños con tres factores

Se utilizan cuando se quiere estudiar la influencia de tres factores (A, B y C)

sobre una o más variables de respuesta, con el mismo número de niveles
(tres; a, b y c) que se prueban en cada uno de los factores.

3k significa k factores con 3 niveles de prueba en cada uno, entre los

arreglos más comunes se encuentran: Factorial 23. Factorial 33. 2 Bimestre

Factoriales mixtos (no mas de cuatro niveles en dos de los factores).

Los factoriales mixtos, se usan o se construyen cuando los factores

estudiados no tienen el mismo número de niveles, por ejemplo 4x3x2, es
decir, se experimenta con tres factores, cuatro, tres y dos niveles para cada
factor respectivamente.

Se aplican cuando: Se tienen factores continuos y si interesa estudiar los

efectos cuadráticos, bajo el supuesto que la respuesta no es lineal. Se tienen
factores categóricos o discretos y de forma natural tiene tres niveles. Al
igual que los arreglos 3k. Pero… en los factoriales mixtos se tiene un número
distinto y limitado de niveles y se interesa estudiar todos los niveles.

Semana 15

5.7. Diseño factorial general

Como antes se mencionó, los diseños factoriales se pueden extender

cuando se tiene más de tres factores (A, B, C, … K) con más de tres
niveles (a, b, c, …k), “la letra k denota el último factor del conjunto que
se quiere estudiar”. Este diseño tendrá la variante que permite estudiar
los efectos principales de interacciones dobles, interacciones triples o
de más combinaciones, por ejemplo, el diseño factorila 25 tiene cinco
efectos principales, 10 interacciones dobles, 10 interacciones triples, cinco
interacciones cuádruples y una interacción quíntuple (en total 31 efectos).

En el ANOVA para el factorial mixto tiene la necesidad de implementar

al menos dos réplicas, sin embargo, en un factorial completo casi nunca
interesan todos los posibles efectos, y se aplica el principio de Pareto, que

70 MAD-UTPL
menciona que la mayoría de la variabilidad observada se debe a unos pocos
de los efectos posibles.

5.8. Modelos de efectos aleatorios

Hasta ahora los ANOVA que se han mencionado se refieren a modelos de

efectos fijos, es decir, todos lo niveles de prueba en cada factor son todos 2 Bimestre

los disponibles para ese factor y porque se estudian todos los niveles de
interés en ese factor y se mencionan como factor fijo, por tanto, los ANOVA
mencionados son de factor fijo y las conclusiones que se declaran solo son
válidas para los niveles de prueba que se estudian en ese experimento.

En otro aspecto, cuando los niveles de prueba usados en un factor son una
muestra aleatoria de la población de niveles posibles para ese factor, es
mucho más apropiado usar un modelo efectos o factores aleatorios, aplicar
este modelo implica la necesidad de considerar la incertidumbre asociada
con la elección aleatorio de los niveles de prueba, por ejemplo, si usted
quiere analizar la eficacia de una empresa productora de té, con una muestra
de cinco trabajadores, pero el total de trabajadores es 100. En cuyo caso ya
no tiene sentido preocuparse por el efecto de un factor elegido para un nivel
de prueba, sino que ahora es más apropiado analizar la varianza con la que
el factor aleatorio afecta a la varianza total del experimento y si la respuesta
es significativa, a esto se lo llama componentes de varianza.

Actividades de aprendizaje recomendadas

Le invito a realizar las siguientes actividades:

1. Con miras a tener una idea más práctica acerca de los

diseños factoriales Revise el recurso: Diseños Factoriales lea
comprensivamente y analice las ventajas del diseño factorial
presentados en dicho artículo. Recuerde usted anotar preguntas y
comparar los contenidos con los expuestos en este Texto Guía-Diseño
Experimental (2020).

2. Resuelva la autoevaluación 4.

71 MAD-UTPL
 Autoevaluación 4

Escoja la respuesta correcta, tomando en cuenta la unidad 5:

1. ¿Qué es un factor cualitativo?

2 Bimestre

a. Variable que toma valores discretos o nominales.

b. Variable que toma valores continuos o numéricos.
c. Variable que forman un conjunto de tratamientos.
d. Cambio que se observa en la variable de respuesta.

2. ¿A qué se conoce como efecto del factor?

a. Cambios en la media de la variable de respuesta ocasionados

por el error aleatorio.

b. Cambio observable en la respuesta a causa del cambio de nivel

en el factor.

c. Cambio observable en la respuesta a causa del cambio del

factor.

d. Cambios en la media de la variable de respuesta a causa del

cambio de nivel en el factor.

3. ¿Qué es el efecto principal?

a. Cambio que se observa en la variable de respuesta a causa de

un cambio de nivel en el factor.

b. Cualquier conjunto de tratamientos o puntos experimentales que

se puedan formar al considerar.

c. Cambios en la media de la variable de respuesta dada por el

efecto individual de cada factor estudiado.

d. Se da cuando en la variable de respuesta el efecto de un factor

depende del nivel en el que está otro.

72 MAD-UTPL
4. ¿Qué es el efecto de interacción?

a. Cambio que se observa en la variable de respuesta a causa de

un cambio de nivel en el factor.

b. Cualquier conjunto de tratamientos o puntos experimentales que

se puedan formar al considerar.
2 Bimestre
c. Cambios en la media de la variable de respuesta dada por el
efecto individual de cada factor estudiado.

d. Se da cuando en la variable de respuesta el efecto de un factor

depende del nivel en el que está otro.

5. ¿Qué es un arreglo factorial?

a. Cualquier conjunto de tratamientos o puntos experimentales

que se puedan formar al considerar todas las posibilidades de
combinación de los niveles de los factores.

b. Cualquier conjunto de tratamientos destinados a evaluar dos

factores sobre una variable de respuesta.

c. Cualquier conjunto de datos que se puedan formar al considerar

todas las posibilidades de combinación de los niveles en los
tratamientos de un experimento.

d. Tipo de diseños que se usan para investigar la influencia de tres

factores sobre una o más variables de respuesta.

6. En un diseño factorial, ¿cuántos niveles tiene el diseño con tres

factores?

a. Dos.
b. Tres.
c. Cuatro.
d. Cinco.

73 MAD-UTPL
7. ¿Qué tipo de arreglo factorial tiene cuatro tratamientos? a. 2².

a. 23.
b. 32.
c. 33.

8. ¿Qué tipo de diseño se debe utilizar si se quiere estudiar la influencia

de tres factores sobre una o más variables de respuesta?
2 Bimestre

a. Factoriales mixtos.
b. Factoriales con dos factores.
c. Factoriales 2k.
d. Factoriales con tres factores.

9. ¿Qué tipo de diseño factorial se debe usar cuando los factores

estudiados no tienen el mismo número de niveles?

a. Factorial mixto.
b. Factorial general.
c. Factorial con dos factores.
d. Factorial con tres factores.

10. Cuando los niveles de prueba usados en un factor son una muestra
aleatoria de la población de niveles posibles para ese factor, ¿qué
modelo de efectos se debe usar?

a. De efectos fijos.
b. Pruebas de supuestos.
c. ANOVA.
d. De efectos aleatorios.

74 MAD-UTPL
 Semana 16

Actividades finales del bimestre

Apreciado estudiante: 2 Bimestre

Hemos llegado al final del segundo bimestre, recuerde dedicar esta semana
a recordar y reforzar los temas revisados en las unidades 3 a la 5, para ello
usted deberá analizar los contenidos respecto de:

Unidad 3: experimentos con un solo factor, recuerde que este tipo de

experimentos implica comparaciones y pruebas de distintos tipos,
recuerde intentar interiorizar las diferencias entre los tipos de pruebas y los
conceptos implicados, además intente revisar algunas definiciones que no
logre entender. Además, revise las estrategias para la verificación de los
supuestos del ANOVA y los distintos métodos para realizarlos. Recuerde
también que en este nivel ya usted estará realizando actividades prácticas
que implican hacer análisis utilizando R o el software estadístico de su
elección.

Unidad 4: diseño en Bloques, revise detenidamente los conceptos

implicados en esta unidad, recuerde que hay distintas formas de correr
experimentos utilizando estos diseños, revise las fuentes de variabilidad de
todos los mencionados en esta unidad y analice las diferencias para luego
recordarlas cuando sea necesario.

Unidad 5: diseños factoriales, en esta última unidad revise usted no solo

los conceptos implicados y las diferencias en los arreglos, sino también los
posibles alcances y las diferencias con los diseños anteriormente revisados.

75 MAD-UTPL
4. Solucionario

Autoevaluación 1
Pregunta Respuesta Retroalimentación
1 c Un experimento implica manipulación que altera las condiciones de
un sistema o proceso.
2 a La variable de respuesta es la que sirve para conocer el efecto o los Solucionario

resultados de cada prueba experimental.

3 d Las variables que en un proceso se pueden fijar en un determinado
nivel, es decir, se pueden controlar, son las variables controlables.
4 b La temperatura de creación es el factor que se va a controlar para
poder analizar su influencia en la fabricación de botellas pet.
5 a La fecha de cumpleaños es un factor no controlable, ya que
difícilmente se puede establecer como condición que los grupos de
empleados analizados hayan nacido en un determinado rango de
fechas.
6 d La cantidad en este caso de colorante o de cualquier tipo es un
factor que se puede controlar en cualquier manipulación.
7 a El error aleatorio constituye la variable observada que no se puede
explicar por los factores estudiados y que resulta del pequeño
efecto de los factores no estudiados y el error del experimento.
8 a Los niveles son los diferentes valores que se asignan a cada factor
estudiado en un diseño de experimento
9 b La combinación de dos factores en un determinado nivel constituye
lo que se conoce como tratamiento.
10 a La repetición en un diseño experimental implica hacer una
distinción entre las variables y el error aleatorio.

76 MAD-UTPL
Autoevaluación 2
Pregunta Respuesta Retroalimentación
1 b Hacer inferencia significa capturar toda la información o
características de una población a partir de una muestra
representativa de la misma población.
2 d Un estadístico es una cantidad que se obtiene a partir de los datos
de una muestra y que ayuda a resumir las características de la
misma muestra.
3 a Una muestra es una parte representativa de una población dada.
4 a Un estimador puntual es un estadístico que estima un valor de un
parámetro de la población.
5 d Una hipótesis de investigación es una declaración realizada por un
Solucionario
investigador cuando este especula acerca de un resultado final de
una investigación o experimento.
6 b Un estadístico de prueba es aquella fórmula con la que a partir
de los datos de una hipótesis nula se calcula un número cuya
magnitud permite discernir si se rechaza o no dicha hipótesis.
7 d Los diseños completamente al azar son considerados
experimentos con un solo factor, ya que intentan analizar la
influencia de un solo factor sobre una variable de respuesta.
8 b El ANOVA o análisis de varianza separa la variación total en
las partes con las que influye cada fuente de variación en un
experimento.
9 a La hipótesis en un análisis de varianza en un diseño
completamente al azar está representada por la igual de las medias
como en cualquier ANOVA, pero en un DCA, este se especifica
como la igualdad de los tratamientos respecto de la media de la
respectiva variable de respuesta.
10 c En los diseños completamente al azar; si lo que se quiere
es comparar las cuatro diferentes dietas en la reducción de
enfermedades coronarias y se hacen ocho repeticiones, se tendrán
32 observaciones de respuesta al azar (8*4=32).

77 MAD-UTPL
Autoevaluación 3
Pregunta Respuesta Retroalimentación
1 b Los diseños completamente al azar son considerados
experimentos con un solo factor, ya que intentan analizar la
influencia de un solo factor sobre una variable de respuesta.
2 c A partir de la idea de verificar si un conjunto de datos ha sido
generado por un proceso normal, entendiéndose como proceso
normal a su distribución normal, se utilizará la prueba de Shapiro_
Wilks.
3 a El análisis de la varianza separa la variación total en las partes con
las que influye cada fuente de variación en un experimento.
4 b La prueba de Durbin-Watson se utiliza para verificar el supuesto de
Solucionario
independencia en un ANOVA con la limitación que esta no logra
detectar otros patrones de correlación entre los residuos que son
descriptores de que no se cumple el proceso, en cuyo caso es
restrictiva.
5 d La hipótesis de partida en un DCA será la igualdad de los
tratamientos respecto de la media de la correspondiente variable de
respuesta.
6 b El método de diferencias mínima significativa es uno de los más
usados y parte de la hipótesis nula de igualdad de las medias entre
dos tratamientos.
7 a El factor de bloque lo constituyen las variables adicionales al factor
de interés que se incorporan de manera explícita en un experimento
comparativo.
8 d Las fuentes de variabilidad en un diseño en bloque completamente
al azar son el factor de tratamiento, el factor de bloque y el error
aleatorio.
9 a Los diseños en bloque de cuadro latino se emplean cuando se
controlan dos factores de bloque, uno de tratamientos con la
misma cantidad de niveles.
10 c El número de factores diferencia los arreglos en bloque de tipo
latino de los grecolatinos, en el primer caso se controlan dos y en el
tercer caso se controlan tres factores.

78 MAD-UTPL
Autoevaluación 4
Pregunta Respuesta Retroalimentación
1 b En los factores cuantitativos los niveles toman valores continuos,
por tanto, un factor cuantitativo es aquel en el que los niveles
toman cualquier valor dentro de un determinado intervalo.
2 b El efecto de un factor es el cambio que se observa en la variable de
respuesta a causa de un cambio de nivel en el factor estudiado.
3 c El efecto principal son los cambios en la media de la variable de
respuesta dada por el efecto individual de cada factor estudiado,
se puede obtener de la diferencia entre los promedios de las
respuestas observadas en el nivel alto menos el nivel bajo.
4 d El efecto de interacción se da cuando en la variable de respuesta
Solucionario
el efecto de un factor depende del nivel en el que está otro, por
ejemplo, el factor A y el factor B interactúan si el efecto de A es
bastante diferente en cada nivel en el que se encuentra B.
5 El arreglo factorial es cualquier conjunto de tratamientos o puntos
experimentales que se puedan formar al considerar todas las
posibilidades de combinación de los niveles de los factores.
6 b En un arreglo factorial con tres factores; 3k significa k factores con
3 niveles de prueba en cada uno.
7 a En los arreglos factorial 2k - 2k significa k factores con 2 niveles
de prueba en cada uno, principalmente útiles cuando el número
de factores a estudiar está entre dos y cinco (). Las réplicas
consistirán en 2*2 = 4 tratamientos.
8 d Se utilizan diseños con tres factores, cuando se quiere estudiar la
influencia de tres factores (A, B y C) sobre una o más variables de
respuesta, con el mismo número de niveles (tres; a, b y c) que se
prueban en cada uno de los factores.
9 a Los factoriales mixtos se usan o se construyen cuando los factores
estudiados no tienen el mismo número de niveles, por ejemplo
4x3x2, es decir, se experimenta con tres factores, cuatro, tres y dos
niveles para cada factor respectivamente.
10 d Cuando los niveles de prueba usados en un factor son una muestra
aleatoria de la población de niveles posibles para ese factor,
es mucho más apropiado usar un modelo efectos o factores
aleatorios.

79 MAD-UTPL
5. Referencias bibliográficas

Fisher, A. (1971). The design of experiments. U. S. A., Hafner Publishing

Company, Ing.

Gutiérrez, H. & de la Vara, R. (2012). Análisis y diseño de experimentos.

México, D.F.: MacGraw Hill.

Martínez, M. & Yandún, E. (2017) Seguridad y Salud Ocupacional en Ecuador:

Contribución Normativa a la Responsabilidad Social Organizacional. Referencias
España, INNOVA Research Journal. Pgs. 56-58.

Diseños factoriales, enlace recuperado de: http://www.dpye.iimas. unam.

mx/patricia/indexer/factoriales.pdf 7 de mayo de 2020.

80 MAD-UTPL