DISEÑO EXPERIMENTAL

Capitulo 1.
1. Generalidades del Diseño.
1.1 Breve historia del diseño experimental.
1.2 ¿Qué es el diseño experimental?
1.3 Etapas y actividades de la planeación y análisis de un diseño experimental.
1.4 Vocabulario del diseño experimental.
 COMPETENCIAS GENERALES
Aprender a plantear el diseño experimental y Realizar el correspondiente análisis estadístico,
cuando se tiene una situación en donde se considere estudiar los efectos que sobre una
variable de respuesta tienen los niveles de un solo factor.

COMPETENCIAS A DESARROLLAR
Los estudiantes analizan y se apropiarán de los conceptos, etapas y planeación del diseño
experimental
 [Link] facultades
1. Ronald A 2. Industrias 3. Calidad de la
4. Industrias de ingeniería se
Fisischer (1920- químicas (1950- Industria Japonesa
Japonesa apropian de la
1935) XX 1980) (1980)
asignatura.
•Investigación Agrícola. • Box-Wilson. • Deming e Ishikawa- • Genchi Taguchi
estadística de diseño rubusto
calidad.

Breve historia del diseño experimental

 ¿Qué es el diseño experimental?
• El diseño estadístico de experimentos se debe usar como una metodología que
permite platear distintas estrategias para seleccionar, controla, analizar e interpretar
diferentes condiciones de estudio en un fenómeno de una manera objetiva y
sistemática.
 Etapas y actividades en la planeación del plan
experimental
Etapa 1. Planeación y Diseño

• Definir el problema o el objetivo.

• Hacer esquema de estudio.
Actividad

• Determinar los factores.

• Elegir las variables.
• Seleccionar el diseño
• Planear y organizar el trabajo experimental
• Realizar el experimento.

Etapa 2. Análisis e interpretación

• Análisis detallado de los resultados

• Interpretar los resultados.
• Realizar corrida confirmatoria.

Etapa 3. Conclusiones

• Cerrar y concluir el proyecto adecuadamente

Consultar capitulo X libro análisis de experimentos de Humberto Gutiérrez Pulido y

Ramón de la bara. 3ra edición editorial Mac Graw hill.
 Vocabulario del diseño experimental
• El diseño de experimentos trata de fenómenos que son observables y repetibles,
por lo tanto sin el pensamiento estadístico, los conceptos de observabilidad y
repetibilidad son inherentemente contradictorios. Nada ocurre exactamente de la
misma forma.

 Factor  Unidad experimental  Muestra

 Nivel  Tratamiento  Varianza
 Efecto principal  Repetición  Error experimental
 Interacción  Datos  Aleatorización
 Variable de respuesta  población  Grados de libertad.
Factor: Es variable de interés controlada hasta cierto punto por el experimentador de la que se desea estudiar sus
efectos e un o varias respuestas.

Nivel: modalidad específica dentro del factor.

Efecto principal: indica la contribución que cada factor tiene sobre la variable de respuesta.

Interacción: Se consideran los efectos sobre la variables de respuesta.

variables de respuesta: Es la característica observada o medida en cada unidad experimental.

Unidad experimental: Es el material experimental al que se le aplica un tratamiento de manera uniforme.

Tratamientos: es un conjunto de condiciones experimentales cuyo efecto se desea evaluar o comparar
y debe estar de acuerdo con los objetivos del experimento.

Repeticiones: el No. de veces que un tratamiento aparece en los tratamientos.

Datos: Es el resultado de las observaciones o mediciones hechos a cada unidad experimental.

Varios de ellos conforman la base para los cálculos estadísticos.

Población: Es el conjunto de todas las unidades experimentales que podría recibir uno de los tratamientos.

Muestra: Es el subconjunto de la población que contiene información parcial sobre ella.

Varianza: Es una técnica estadística para analizar mediciones que dependen de varias clases de efectos que operan
Simultáneamente para estimar los efectos.

Error experimental: Es aquel que refleja los errores del experimento en la planeación y ejecución.
Aleatorización: Es asignar el No. de tratamiento a la unidad experimental utilizando un mecanismo al azar

Grados de Libertad: Es el No. de contrastes ortogonales menos el No. de restricciones impuesta que pueden
hacerse en un grupo de datos
Capítulo 2

2. Diseño completamente al azar.

2.1. Concepto básico.
2.2. Ventas y desventajas del diseño.
2.3. Estructura del diseño.
2.4. Modelo matemático del diseño.
2.5. Ejemplo de aplicación.
2.6. Diseño completamente al azar desbalanceado.
2.7. Ejemplo de aplicación del diseño completamente al azar desbalanceado.
Diseño completamente al azar Balanceado

Este diseño cosiste en la asignación de los tratamientos en forma completamente

al azar a las unidades experimentales (UE) de lo más homogéneo posible (mismo peso,
edad, parcela y tamaño) con el objetivo de disminuir el error experimental ocasionado
Por la variación intrínseca de las unidades experimentales.

 Se usa en experimentos de laboratorios, invernaderos, animales

Y en suelo , siempre y cuando las condiciones ambientales sean iguales
Ventajas del diseño:
1. Flexibilidad: cualquier No. de tratamientos y cualquier No. De réplicas puede ser usadas siempre y cuando
se tenga suficiente unidades experimentales homogéneas.

2. Análisis estadístico simple: cuando todos los tratamientos tengan igual No. de réplicas se consideran
balanceados, o por el contrario diferentes No. de réplica se considera desbalanceado.
Ttos Replicas

  1 2 3 Desbalanceado
1  x x x
2 x x  x
3 x x x
Balanceado

3. Máximo No. de grados de libertad para el error: esto ocurre porque solo se tienen dos
fuentes de variación (tratamiento- error)
Desventajas del diseño:

1. No es eficiente con materiales experimentales que no sean muy homogéneos

2. Es útil en experimentos en los que el No. de unidades experimentales es limitado
Ya que proveé el máximo No. de grados de libertad para el error experimental.
Modelo matemático

 
µ 𝑖+ 𝜏 𝑖+ Ε 𝑖 𝑖
es la variable de respuesta.

es la media general.

Es el efecto de los tratamientos

es el error experimental.

.
Estructura del DCA

Tratamientos Observaciones Total promedio

(repeticiones)
1 ꟷ

2
.
.
.
∞

Observaciones Tratamientos
(repeticiones)

a b c
1
2
3
total
media
 Ejercicios de aplicación:

Un ingeniero de desarrollo de productos tiene interés en investigar la resistencia a la tensión de una fibra sintética nueva que se
usará para hacer tela de camisa para caballeros. El ingeniero sabe por experiencia que la resistencia a la tensión se afecta por el
peso porcentual del algodón utilizando en la mezcla de materiales de la fibra. A demás sospecha que al aumentar El contenido del
algodón se incrementa la resistencia al menos en un principio. Sabe así mismo que el contenido del algodón deberá variar entre el
10 y el 40% para que el producto final tenga otra característica de calidad que se desea (tratamiento de planchado permanente).
Decide probar 5 niveles o tratamientos del peso porcentual y 5 replicas para un total del 25 corridas de manera aleatoria y los
datos son:
Tratamientos Observaciones Total promedio
(peso porcentual) (repeticiones)

15% 7 11 9 49 9,8

20% 12 17 12 18 18 77 15,4

25% 14 18 18 19 19 88 17,6

30%
30% 19
19 25
25 22
22 19
19 23
23 108
108 21,6
21,6

35%
35% 7
7 10
10 11
11 15
15 11
11 54
54 10,8
10,8

TOTAL
TOTAL 376
376 15,04
15,04
Realización:

• Se pregunta :
a) Aleatorizar el experimento.
b) Determinar la hipótesis.
c) Calcular la tabla de residuos.
d) Calcular la varianza de los tratamientos.
e) Calcular la desviación estándar.
f) Calcular la desviación media.
g) Calcular el analizas de varianza ANOVA.
h) Sacar conclusiones.
 SECUENCIA DE # DE % DE ALGODON
LA PRUEBA CORRIDA

1 8 20
Solución: 2 14 25
3 2 15
4 4 15
A. Aleatorización: 5 7 20
6 22 35
7 16 30
Tratamientos Observaciones
(peso porcentual) (repeticiones) 8 1 15
9 3 15

1 2 3 4 5 10 9 20

15% (1) 1 4 5 11 15 25

20%(2) 6 7 8 9 10 12 5 15
13 10 20
25%(3) 11 12 13 14 15
14 6 20
30%(4) 16 17 18 19 20
15 11 25
35%(5) 21 22 23 24 25
16 23 35
TOTAL:
17 12 25
18 24 35
19 17 30
20 20 30
21 18 30
22 21 35
23 13 25
24 19 30
25 25 35
b. Hipótesis

h  𝑜 =15 %=20 %=25 %=30 %=35 %=0

h  𝑖=15 % ≠ 20 % ≠ 25 % ≠ 30 % ≠ 35 % ≠ 0

  ==
 
c. Tabla de residuos.
d. Varianza.
e. Desviación estándar
f. Desviación media.
Tratamientos Observaciones Total promedio DE DM
(peso (repeticiones)
porcentual)

15% -2,8 -2,8 5,2 1,2 -0,8 49 9,8 11,2 3,34 2,4

20% -3,4 1.6 -3,4 2,6 2,6 77 15,4 23,23 4,81 18,65

25% -3,6 0,40 0,40 -2,6 1,4 88 17,6

30% -2,6
-2,6 3,4
3,4 0,40
0,40 -2,6
-2,6 1,4
1,4 108 21,6

35%
35% 3,8
3,8 -0,80
-0,80 0,20
0,20 4,2
4,2 0,20
0,20 54
54 10,8
10,8

TOTAL
TOTAL 376
376 15,04
15,04
H. Analizas de varianza ANOVA.
r= repeticiones
t= tratamientos
1.) Factor de corrección   ( 𝑜𝑏𝑠 )2 ( 376 )2
𝑓𝑐 =∑ = =? ? ? ?
𝑟 ∗𝑡 5∗ 5

2.) Suma cuadrado total

  Sctotal + …. - FC = ?????

3.) Suma cuadrado de los tratamientos

Scttos
 

  Scttos
 4.) Suma cuadrado del error experimental
Sctotal –Scttos = ??????
5.) Análisis de varianza
FV GL SC CM FC FT 95%
TTOS (T-1)= 4 475,76 118,94 14,76 2,87
EE T (r-1)= 20 161,20 8,06
Total= T * R-1 636,96

FV= fuente de variabilidad CM = SC/ GL

GL= Grados de libertad CM EE =SCEE/GLEE
SC=Suma de cuadrados FC = CM / CMEE
CM=Cuadrado medio
FC= F Calculada
FT= F Tabulada FT= Tabla de Distribución de F
EE= Error experimental
T= Tratamientos [Link]
R= Repeticiones pdf
Interpretación del análisis de varianza (ANOVA)

Al comparar el valor de la f calculada con el valor de la F tabulada para un 95% , se observa que la FC es mayor que la FT, lo
cual indica que hay significancia por lo tanto se rechaza la hipótesis nula. Esto quiere decir que existe uno o varios
Tratamientos mejores que los demás por lo cual se debe realizar una prueba o comparaciones múltiples: Fisher, tukey,
Duncan, dunett, scheffet.

Si la FC es menor que la FT los resultados no son significativos; esto indica que se acepta la hipótesis nula que no existen
diferencia entre los tratamientos por lo cual no se realiza ningunas comparaciones múltiples o pruebas y cualquier
tratamiento que se tome dará el mismo resultado.
 Comparaciones múltiples:

1. Prueba de tukey: se realiza de la siguiente forma:

1. Se escribe la formula ojo: tukey se entra con todos los tratamientos.   = 5,37

  2. Combinaciones posibles = / = 10 combinaciones.

3. Ordenamos las medias = XI X2 X3 X4 X5

9,8 15,4 17,6 21,6 10,8

Desarrollo: PRUEBA DE [Link]

4. Pares de media
Capítulo 3

3. Comparaciones múltiples.
3.1. Prueba de Fischer.
3.2. Prueba de Duncan.
3.3. Prueba de Tukey.
3.4. Prueba de Scheffet.
3.5. Prueba de Dunnett.
• CONCLUSIONES DEL EXPERIMENTO:
(prueba tukey)

• La tensión de la fibra sintética en porcentaje entre el 10% y 40%

indica que si se incrementa la resistencia al menos en un principio el
producto final tiene otra característica de planchado como se pude
observar, a medida que se incrementa el % de algodón desde el 15%
hasta el 35% las medias maestrales X1, X2, X3 y X4 que van entre el
15% y el 30% de la fibra sintética son significativas; lo que equivale a
tener un buen planchado.
 Prueba de Fischer

1. Se hace prueba de Fischer

LSD = t/2 n-a =

  LSD = 2,086
Distribución de t. probabilidades = tabla de t = 2,086

  2. No. De combinaciones posibles = / = 10 combinaciones.

XI X2 X3 X4 X5
3. Ordenamos las medias =
9,8 15,4 17,6 21,6 10,8

Desarrollo PRUEBA DE [Link]

Prueba de rangos múltiples de Duncan

  SX =  = 1,27
1. Se calcula el error estándar
2 3 4 5 6
2. El error estándar se multiplica por los números de la tabla de Duncan
2,95 3,10 3,18 3,25 3,30

* 1,27 3,75 3,94 4,04 4,13 4,19

  3. No. De combinaciones posibles = / = 10 combinaciones.

4. Ordenamos las medias de > a < = X4 X3 X2 X5 X1

21,6 17,6 15,4 10,8 9,8

Desarrollo PRUEBA DE [Link]

Diseño completamente al azar desbalanceado

Este diseño cosiste en que en cualquier error dentro del experimento donde no se puedan obtener todos los
datos. Por lo tanto se procede de la siguiente manera, se tomará el mismo ejercicio del diseño
completamente al azar balanceado.
 Ejercicios de aplicación:

Un ingeniero de desarrollo de productos tiene interés en investigar la resistencia a la tensión de una fibra sintética nueva que se
usará para hacer tela de camisa para caballeros. El ingeniero sabe por experiencia que la resistencia a la tensión se afecta por el
peso porcentual del algodón utilizando en la mezcla de materiales de la fibra. A demás sospecha que al aumentar El contenido del
algodón se incrementa la resistencia al menos en un principio. Sabe así mismo que el contenido del algodón deberá variar entre el
10 y el 40% para que el producto final tenga otra característica de calidad que se desea (tratamiento de planchado permanente).
Decide probar 5 niveles o tratamientos del peso porcentual y 5 replicas para un total del 25 corridas de manera aleatoria y los
datos son:
Tratamientos Observaciones Observaciones total promedio
(peso (repeticiones) rj
porcentual)

15% 7 11 * 4 40 10

20%
20% 12
12 17
17 ** ** 18
18 3
3 47
47 15,66
15,66

25%
25% 14
14 18
18 18
18 19
19 19
19 5
5 88
88 17,6
17,6
30% 19 25 22 * 23 4 89 22,25
30% 19 25 22 * 23 4 89 22,25
35% 7 10 11 15 11 5 54 10,8
35% 7 10 11 15 11 5 54 10,8
TOTAL 21 318 15,14
TOTAL 21 318 15,14
H. Analizas de varianza ANOVA.

1.) Factor de corrección   ( 𝑜𝑏𝑠 )2 ( 3 18 )2

𝑓𝑐 =∑ = =4.815,42
¿ 𝑜𝑏𝑠 21

2.) Suma cuadrado total

  Sctotal + …. - FC = ?????

3.) Suma cuadrado de los tratamientos

Scttos
 

  Scttos
 4.) Suma cuadrado del error experimental
Sctotal –Scttos = ??????

5.) Análisis de varianza

FV GL SC CM FC FT 95%
TTOS (T-1)=
EE #OBS -T =
Total= #OBS - 1

FV= fuente de variabilidad CM = SC/ GL

GL= Grados de libertad CM EE =SCEE/GLEE
SC=Suma de cuadrados FC = CM / CMEE
CM=Cuadrado medio
FC= F Calculada
FT= F Tabulada FT= Tabla de Distribución de F
EE= Error experimental [Link]
T= Tratamientos pdf
R= Repeticiones
Prueba de Fisher alternativa

 1. LSD = t/2 n-a )   LSD = 2,120

EE
Distribución de t. probabilidades = tabla de t
  2. No. De combinaciones posibles = / = 10 combinaciones.

3. Ordenamos las medias = XI= 10 X2=15,66 X3=17,6 X4=22,25 X5=10,80

Rj: 4 3 5 4 5

4. Combinaciones de ttos
Capítulo 4

4. Diseño bloques al azar.

4.1. Concepto básico.
4.2. Ventas y desventajas del diseño.
4.3. Estructura del diseño
4.4. Modelo matemático del diseño.
4.5. Ejemplo de aplicación.
Diseño de bloques al azar

El diseño de bloques al azar surge por la necesidad que tiene el investigador de ejercer un control de la variación
Dada la existencia de un material experimental heterogéneo. De tal manera que formar lo bloques de la unidad
experimental homogénea fundándose para ello en algún criterio de bloqueo.

El objetivo del diseño bloque al azar es reunir las unidades experimentales a las cuales se le aplican los tratamientos
En bloque de cierto tamaño, de tal modo que los tratamiento se efectúen dentro de cada bloque:

Criterios de bloqueos:

1. Raza, época, edad, sexo, sistema de manejo, tipo de explotación, zona y países.
2. Tipo de maquina y de procesamiento.

Luego de formar lo bloques se asignan al azar los tratamientos a las unidades

Experimentales de cada bloque.
Ventajas del diseño de bloque:
1. Elimina una fuente de variación del error: aumentando de esta forma la precisión del ensayo que se mide a
Través del coeficiente de variación.

2. La perdida de información por bloques o tratamientos no dificulta el análisis estadístico

3. Permite una gran flexibilidad en la relación tratamiento-bloques.

Desventajas del diseño:

1. No es apropiado para un No. Elevado de tratamientos y se recomienda entre 6 y 24.

2. No es aconsejable cuando existe una gran variación en más de una variable en el material experimental.

3. Si el efecto de los bloques no es significativo se trabaja innecesariamente con la disminución

De los grados de libertad para el error y la disminución en la precisión.
Estructura del DBA

Tratamientos bloques Total promedio

(repeticiones)
1 ꟷ

2
.
.
.
∞

bloques Tratamientos
(repeticiones)

a b c
1
2
3
total
media
Modelo matemático

 
µ 𝑖+ 𝜏 𝑖+ 𝛽 𝑖 + Ε 𝑖 𝑖
Es la variable de respuesta.

Es la media general.

Es el efecto de los tratamientos

es el error experimental.

Son los bloques.

 Ejercicios de aplicación:

Una de las variables criticas en el proceso de ensamble del brazo lector de un disco duro es el ángulo que este forma con el cuerpo
Principal de la cabeza lectora. Se corre un experimento con el objetivo de comparar dos equipos que miden dichos ángulos en
dichos radianes. Se decide utilizar como factor bloqueo a los operadores de los equipos y los resultado son:

Tratamientos Bloques Total tto promedio

(Equipos) (operadores)

1 1,2677 3,871 1,29

2
2 1,0410
1,0410 0,9862
0,9862 1,3002
1,3002 3,3274
3,3274 1,109
1,109

TOTAL bolques 2,3087 2,2153 2,6744 7,1984

TOTAL bolques 2,3087 2,2153 2,6744 7,1984

Promedios de bloques 1,15435 1,107765 1,3372 1, 199

Promedios de bloques 1,15435 1,107765 1,3372 1, 199
H. Analizas de varianza ANOVA.
b= bloques
t= tratamientos
1.) Factor de corrección   ( 𝑜𝑏𝑠 )2 ( 7,1984 )2
𝑓𝑐 =∑ = =? ? ? ?
𝑡 ∗𝑏 2∗ 3

2.) Suma cuadrado total

  Sctotal + …. - FC = ?????

3.) Suma cuadrado de los tratamientos

Scttos
 

  Scttos
4. Suma cuadrado de los bloques SCB =   - FC

5.) Suma cuadrado del error experimental = SCT- SCTTOS - SCB

6.) Análisis de varianza

FV GL SC CM FC FT 95%
TTOS (T-1)= 1 0,04925 0,04925 11,34 18,51

BLOQUES (B-1)= 2 6,76 19

EE (T -1)(B-1) = 2
Total= N-1= 5

Hay significancia en el análisis de varianza

[Link]
pdf
 Calculo de los números perdidos en el Diseño bloques al azar.
Ejemplo de aplicación:

Se realizó un experimento con un diseño bloques al azar con el objetivo de evaluar el biosting comercial (estimulante
para incrementar la producción en planta). En una variedad X la segunda replica del tratamiento 2 hubo que eliminarlo.
Estime el valor de la parcela faltante y realice el análisis de varianza.
Tratamientos Bloques total promedio

1 15 20 25 18 78 19,5

2 21 * 16 15 52 17,33

3 20 18 25 15 78 19,5

4 17 15 19 22 73 18,2

total 73 53 85 70 281 17,73

promedio 18,25 17,66 21,25 17,5

  

= Valor de la replica que contiene a la parcela perdida

 
𝑦 𝑇 (𝑇 𝑖 )+ 𝑅 ( 𝑅𝐽 ) −𝐺
G = Total de las observaciones 𝑖𝑗 =
T = # de ttos ( 𝑇 −1) ( 𝑅 − 1)
R = # de replicas
CÁLCULO

 
𝑦 4 ( 52 ) +4 ( 53 ) − 281
𝑖𝑗 =
( 4 −1) ( 4 −1)
H. Análisis de varianza ANOVA.
b= bloques
t= tratamientos
1.) Factor de corrección   ( 𝑜𝑏𝑠 )2 2 812
𝑓𝑐 =∑ = =? ? ? ?
𝑡 ∗𝑏 4∗4

2.) Suma cuadrado total

  Sctotal + …. - FC = ?????

3.) Suma cuadrado de los tratamientos

Scttos
 

  Scttos
4. Suma cuadrado de los bloques SCB =   - FC

5.) Suma cuadrado del error experimental = SCT- SCTTOS - SCB

6.) Análisis de varianza

FV GL SC CM FC FT 95%
TTOS (T-1)= 3

BLOQUES (B-1)= 3
EE (T -1)(B-1) = 9
Total= N-1= 15

Hay significancia en el análisis de varianza

[Link]
pdf
 Diseño cuadrado Latino

El DCL se controlan dos fuentes (o factores), de bloqueo y se estudia un factor de tratamiento, por lo tanto se tiene
cuatro fuentes de variabilidad, este diseño que tiene doble restricción los tratamientos se agrupan en filas, hileras
o renglones y en columnas, de tal manera que cada tto se asigna solo una vez y al azar en cada fila y en cada columna
Y las combinaciones pueden hacerse hasta de 9*9 ; este diseño se recomienda cuando las UE unidades
experimentales pueden agruparse en dos fuentes de variación (filas y columnas) de tal modo que el número de
unidades de cada fila por cada hilera y por cada columna sea igual al # de ttos.
columnas

3*3 4*4 5*5

filas A B C A B C D A B C D E
B C A B C D A B C D E A
C A B C D A B C D E A B
D A B C D E A B C
E A B C D
Ttos=letras
Este diseño se utiliza en agricultura controlada, en invernaderos, en estudios de mercados y en ensayos
De la industria.

Ventajas del diseño:

1. Si se emplea adecuadamente se logra mayor precisión que los diseños anteriormente vistos por lo que
controla dos fuentes de variabilidad

2. Si se pierde completamente una hilera o una columna se debe desarrollar como el diseño bloques al asar

Desventajas del diseño:

1. Como el # de ttos debe ser = al # de filas es menos flexible que los anteriores y a demás resulta antieconómicos
si el # de ttos es < 8 .
2. Posee menor # de grados de libertad para el error que los diseños anteriores. Se acentúa a medida que disminuye
el # de ttos
ESTRUCTURA DEL DISEÑO DCL
Modelo matemático
 
µ 𝑖 + 𝜏 𝑖 + 𝛽 𝑖 +𝐶𝐾 + Ε 𝑖 𝑖
Es la variable de respuesta.

Es la media general.

Es el efecto de los tratamientos

es el error experimental.

Son las columnas.

Son las filas

 Ejercicios de aplicación:

Un experimentador estudia los efectos que tiene 5 formulaciones diferentes de la carga propulsora utilizada en los sistemas de
Expulsión de la tripulación de un avión, basado en la rapidez de combustión. Cada formulación se hace con un lote de materia
prima que solo alcanza para probar 5 formulaciones. A demás, las formulaciones son preparadas por varios operadores y pueden
haber diferencias sustanciales en las habilidades y experiencias de los operadores. (hay dos factores perturbadores lotes de
materia prima y los operadores) obsérvese que el diseño es un cuadros latino y que las 5 formulaciones o ttos se denotan con las
letras latinas ABCDE y los resultados son los siguientes:

Tratamientos Operadores total promedio

(lotes de MP) (repeticiones)

1 24/A 20/B 19 /C 24/D 24/E 111 22,22

2 17/B 24/C 30/D 27/E 36/A 134 26,8

3 18/C 38/D 26/E 27/A 21/B 130 26

4 26/D 31/E 26/A 23/B 22/C 128 25,6

5 22/E 30/A 20/B 29/C 31/D 132 26,4

TOTAL 107 143 121 130 134 635 21,4

PROMEDIO COLUMNAS 21,4 28,6 24,2 26 26,8

A= 143 B= C= D= C=
LETRAS=TTOS
H. Analizas de varianza ANOVA DCL

1.) Factor de corrección

2.) Suma cuadrado total

3.) Suma cuadrado de los tratamientos

  4. Suma cuadrado de las columnas:

 5. Suma cuadrado de las filas:

6. Suma cuadrado del EE: SCT-SCTTOS-SCCOLUMNAS-SCFILAS

 Aleatorización

¿Cómo se aleatoriza?:
1. Se toman las filas con letras y números. EJ: Filas (3,4,1,5,2)
3 18/C 38/D 26/E 27/A 21/B

4 26/D 31/E 26/A 23/B 22/C

1 24/A 20/B 19 /C 24/D 24/E

5 22/E 30/A 20/B 29/C 31/D

2 17/B 24/C 30/D 27/E 36/A

2. Se toman las columnas: columnas (1,3,4,5,2)

1 3 4 5 2
18/C 26/E 27/A 21/B 38/D
26/D 26/A 23/B 22/C 31/E
24/A 19/C 24/D 24/E 20/ E
22/E 20/B 29/C 31/D 30/A
17/B 30/D 27/E 36/A 24/C
3. Se toman los valores de las filas, las columnas y los ttos con sus respectivos promedios. (ttos=letras)
Para el ejemplo, ya están aleatorizados, pero dado que lo tuvimos que aletorizar nuevamente los resultados son:

1 3 4 5 2 total promedio

18/C 26/E 27/A 21/B 38/D 130 26

26/D 26/A 23/B 22/C 31/E 128 25,6

24/A 19/C 24/D 24/E 20/ E 111 22,2

22/E 20/B 29/C 31/D 30/A 142 28,4

17/B 30/D 27/E 36/A 24/C 124 24,8

total 107 121 130 134 143 635  

promedio 21,4 24,2 26 26,8 28,6 25,4

A 143
B
C
D
E
 DISEÑOS FACTORIALES

 • Diseño factorial de dos factores

• Diseño factorial mixto.
• Diseño factorial
• Diseño factorial
• Diseño factorial
• Diseño factorial
• Diseño factorial General
 Diseños factoriales

• Los experimentos factoriales son aquellos en que se estudia simultáneamente dos o más factores a diferencia
de los experimentos simples donde solo se estudia un factor.

• Los experimentos factoriales se utilizan en todos los campos de la investigación y son esencialmente útiles en
Investigaciones exploratorias donde poco se sabe sobre los factores que intervienen en determinados fenómenos.

• Estos diseños permiten identificar la importancia relativa de los diferentes factores y además evaluar las interacciones
que resultan como consecuencia de las combinaciones de los factores y puede decirse que los factores son una serie de
Tratamientos entre si.
FV GL
Factor A (a-1)
Factor B (b-1)
IN A X B (a-1) * (b-1)
EE ab (r-1)
Total Abr -1
 Los niveles de los factores se estudian combinados y se llaman usualmente combinaciones de tratamientos
Los factores se representan con letra mayúsculas y nos niveles con letra minúscula.
FACTOR A FACTOR B
nivel bajo nivel bajo
nivel alto nivel alto

Existen dos tipos de factores:

1. Factor cuantitativo: son aquellos cuyos niveles corresponden a un valor definido ej: dosis humedad, temperatura
Distancias de siembras, etc…
2. Factor cualitativo: son aquellos que no tienen un orden natural establecido y cada nivel o modalidad presenta
cierto interés: raza, sistema de riego, etc…
  A demás existen dos tipos especiales de factoriales:

1. Factorial simétrico: se caracteriza porque los factores tienen igual numero de niveles ej:
2 Factores
 
2 Niveles

  2. Factorial asimétrico: se caracteriza porque los niveles tienen diferentes números de factores ej: .

Los experimentos factoriales son mas eficientes que los unifactoriales porque no solo estudia el efecto de los
Factores sino también las interacciones.
Ventajas de los diseños factoriales:
1. Se obtiene información sobre varios factores.
2. Permite el estudio de las interacciones, es decir la forma y el grado en que se modifica el efecto
De un factor con los números del nivel del otro factor

Desventajas del diseño:

1. Se requiere un gran número de tratamientos sobre todo cuando se estudian muchos factores
o muchos niveles.
Cuando se estudian más de tres factores la interpretación de las interacciones son de orden superior.
Diseño factorial de dos factores (efecto fijo)

Los tipos mas simples de diseños factoriales incluyen únicamente dos factores o conjunto de tratamientos,
Donde hay a niveles del factor A ,y b niveles del factor B; los cuales se disponen en un diseño factorial, es decir
Cada replica del experimento contienen todas las ab combinaciones de los tratamientos, en general hay n replicas

 
:  µ 𝑖 + 𝜏 𝑖 + 𝛽 𝑖 +(𝜏 𝑖 𝛽 𝑖 )+ Ε 𝑖 𝑖
Es la variable de respuesta.

Es la media general.

Factor A

Factor B

Interacción de AXB

Error experimental
Ejemplo de aplicación:

Consideramos un experimento en el que se quiere estudiar el efecto de los factores A: Profundidad del corte sobre el acabado de un
material. Factor B: Velocidad de alimentación, aunque los factores son de naturaleza continua en este proceso solo se puede trabajar en
cuatro (4) y tres(3)respectivamente por ello se decide correr un factorial de 4*3*3 con tres replicas que permitiría obtener toda la
información relevante en relación con los efectos de estos factores sobre el acabado. Al aleatorizar la prueba se obtienen los siguientes
datos:
Factor A Factor B Velocidad    
 
profundidad del
acabado 0,20   0,25   0,3   total media
0,15 74   92   99    
  64 198 86 266 98 299 763 84,77
  60   88   102    
0,18 79   98   104    
  68 220 104 290 99 298    
  73   88   95    
0,21 82   99   108    
  88 262 108 302 110 317    
  92   95   99    
0,24 99   104   114    
  104 299 110 313 111 332    
  96   99   107      
total 979       3.396  
media              
 Se pregunta:

A. Determine la hipótesis.
B. Grafique velocidad por profundidad del acabado.
C. NOVA al 95%
D. Conclusiones del experimento.

Hipótesis:

  : Factor A efecto de profundidad (A) = 0

: Factor A efecto de profundidad (A) 0

  : Factor B efecto de VELOCIDAD (B) = 0

: Factor B efecto de VELOCIDAD (B) 0

 : profundidad X velocidad (AB) = 0

: profundidad X velocidad (AB) 0
Calculo de ANOVA.

1.) Factor de corrección   ( 𝑜𝑏𝑠 )2 3.396 2

𝑓𝑐=∑ = =? ? ? ?
𝑎 ∗ 𝑏 ∗𝑟 4 ∗3 ∗3

2.) Suma cuadrado total

  Sctotal + …. - fc = ?????

3.) Suma cuadrado del factor A

  ScFA - FC = ?????

4.) Suma cuadrado del factor B

  ScFB - FC = ?????
5.) Suma cuadrado del factor A*B   ScFAB - FC --

6.) Suma cuadrado del EE   ScEE=- -- ScFAB =

7.) Análisis de varianza ANOVA

FV GL SC CM FC FT 95%
Factor A (a-1) =3 24,66
Factor B (b-1) = 2 55,02
Interacción de A*B (a-1)(b-1)= 6 3,23
Error Experimental ab(r-1) = 24
EE
Total abr-1 = 35

Hay significancia en los tres factores A, B, A*B que influyen en la profundidad del acabado al 95%
Conclusiones del experimento:
Para concluir el análisis del experimento se realizará la prueba de Fisher alternativa

 1. LSD = t/2 n-a )  LSD = 2,064 ) = 5,21

  2. No. De combinaciones posibles = / 4 = 6 combinaciones.

Interacción A*B
Se toma el promedio de las 3 velocidades 0,20; 0,25; 0,30 = 0,25; luego se toman los valores de 0,25
X1= 266; X2=290; X3= 302; X4=313. Estos se dividen entre las repeticiones (3) Asi:
X1= 88,66; X2=96,66; X3= 100,66; X4=104,33.
 LSD = 2,064 ) = 9,03
Se determina por la prueba de Fisher alternativa
  No. De combinaciones posibles = / 4 = 6 combinaciones.
 Diseño factorial mixto
Cuando los ttos no tienen interés todos los tratamientos tienen efectos fijos y se les denomina modelos de efectos fijos
Y la inferencia se restringe al conjunto particular de los ttos estudiados, los efectos aleatorios cuando se desea identificar
La fuentes primordiales de variación en un sistema por la naturaleza, los objetivos, investigación, estructura del tto,
Los protocolos experimentales se llaman modelos estadísticos de efectos aleatorios.

Muchos experimentos se diseñan para estudiar los efectos de un factor sobre la media de la población y los efectos de
Otros sobre la varianza de las mismas, estos experimentos tienen una mezcla de factores aleatorios y factores fijos que
Se llaman modelos mixtos: el modelo y análisis para los efectos mixtos se componen de dos partes porque hay dos
tipos de inferencias que son: i.) aleatorias que se aplica a la variación de una población de efectos. Y ii.)los fijos están
Restringidos a los niveles específicos usados en el experimento.
Ejemplo de aplicación:

Un ingeniero químico desea saber si dos métodos químicos, proporciona de manera uniforme resultados equivalentes en una prueba de
triglicéridos en suero humano. El químico desarrolla una prueba de comprobaciones de métodos para evaluar la diferencia en el desempeño
De los dos métodos, usó un factorial mixto método como factor a o defecto fijo y día como factor b o aleatorio. Se probó cada método en 4
días diferentes cada día se preparaban dos muestras de suero con cada método químico en orden aleatorio en un mismo espectrofotómetro
con dos réplicas y el mismo técnico prepara las dos muestras de suero y opera el espectrofotómetro en cada prueba en (mg/dl) y los
resultados son:

Factor A
(fijo) Factor B DIAS (aleatorio)        

                   
METODOS 1  2  3  4   total media

1 142,3   134,9   148,6   152      

  144 286,3 146,3 281,2 156,5 305,1 151,4 303,4 1176 147

2 142,9   125,9   135,5   142,9    

  147,4 290,3 127,6 253,5 138,9 274,4 143,3 286,2 1104,4 137,92
total 576,6 534,7 579,5 589,6    
media 144,15 133,675 144,875 147,4 2280,4 142,52
Se pregunta:

A. Determine la hipótesis.
B. Grafique días métodos
C. ANOVA al 95%
D. Conclusiones del experimento.
Calculo de ANOVA.

1.) Factor de corrección   ( 𝑜𝑏𝑠 )2 2.280,4 2

𝑓𝑐=∑ = =? ? ? ?
𝑎 ∗ 𝑏 ∗𝑟 2 ∗ 4 ∗2

2.) Suma cuadrado total

  Sctotal + …. - fc = ?????

3.) Suma cuadrado del factor A

  ScFA - FC = ?????

4.) Suma cuadrado del factor B

  ScFB - FC = ?????
5.) Suma cuadrado del factor A*B   ScFAB - FC --

6.) Suma cuadrado del EE   ScEE=- -- ScFAB =

7.) Análisis de varianza ANOVA

FV GL SC CM FC FT 95%
Factor A (a-1) =1 22,29
Factor B (b-1) = 3 10,22
Interacción de A*B (a-1)(b-1)= 3 4,28
Error Experimental ab(r-1) = 8
EE
Total abr-1 = 15

Hay significancia en los tres factores A, B, A*B que influyen en la profundidad del acabado al 95%
 FACTORIAL

  El factorial simétrico es el que tiene 2 factores, ej: A y B cada uno se corre a dos niveles a este diseño se
Le llama dos a la dos donde 2 son los niveles y k son los factores. Los niveles de los factores son bajo y alto
Y se representan de la siguiente forma:
 TABLA DE DOBLE ENTRADA

FACTOR A FACTOR B   = indica que a y b están en el nivel bajo

(1)
= bajo = alto A = indica que a está en el nivel alto y b en el nivel bajo
B= indica que a está en el nivel bajo y b en el nivel alto
= bajo (1) b
AB= indica que a y b están en el nivel alto
= alto a ab

Se emplea el efecto del diseño: Permite medir el grado de distorsión que sufre las varianzas debido al diseño
muestral empleado y por lo tanto proporciona una valoración directa de la alteración que sufren los intervalos
De confianza estimados en el diseño.
  Ejemplo de aplicación
Interesa estudiar el efecto del tamaño de la broca (FACTOR A) y de la velocidad (FACTOR B) sobre la vibración de
una ranuradora. Para ello se decide utilizar un diseño factorial con 4 replicas lo cual le da un total de 16
corridas del proceso que se realizan el orden aleatorio . El tamaño de la broca se prueba en y pulgadas
Y la velocidad en 40 y 90 revoluciones por segundo. Y los resultados son:
FACTOR B (Velocidad)

FACTOR A
(BROCA) 40= Bajo   90= alto   total media
 
18,2 1 15,9 b   
18,9  14,5     
12,9  15,1     
14,4  14,2     
64,4 16,1 59,7 14,92   
 

1
27,2 a 41 ab   
  8 24 43,9     
22,4 36,3     
22,5 39,9     
96,1 24,02 161,1 40,27   
total 160,6  220,8  381,3 
media 20,06  27,6     
 Se pregunta:

A. Determine la hipótesis.
B. Grafique velocidad vs broca
C. ANOVA al 95%
D. Conclusiones del experimento.

2 2
  ( 𝑜𝑏𝑠 ) 381,3
1. Factor de corrección 𝑓𝑐 =∑ 2 = 2 =? ? ? ?
2 ∗𝑟 2 ∗𝑟

2. Suma cuadrado total   Sctotal + …. - fc = ?????

Luego se calculan los efectos: pueden ser por promedios, por totales o por el algoritmo de yates
Efectos  promedios: A=

B=

 EFECTO total A=

B =

A
Algoritmo de yate: ttos respuesta 1a 2a efectos
1 16,1 40,12 95,31 *
a 24,02 55,19 33,27/ 2 16,63
b 14,92 7,92 15,07 /2 7,53
ab 40,27 25,32 17,43 /2 8,71

Luego se calculan las sumas de cuadrado SC   SCA   SCA =

  SCB
  SCAB =
Suma cuadrado del EE= SCTOTAL – SCA – SACB- SCAB = ?????
 Análisis de varianza ANOVA
FV GL SC CM FC FT 95%
Factor A (a-1) =1 185,25
Factor B (b-1) = 1 38,02
Interacción de A*B (a-1)(b-1)= 1 50,80
Error Experimental ab(r-1) = 12
EE
Total abr-1 = 15

Conclusiones: los efectos principales broca*velocidad como el efecto de interacción b*v tiene efectos significativos sobre la
vibración de la ranuradora, solo estudian dos factores puesto que la interacción tiene prioridad con respecto a los efectos
principales, recurriendo a física se puede afirmar que cuando la broca se encuentra en su nivel bajo, la velocidad no afecta de
manera significativa la vibración, y si la broca está en el nivel bajo la vibración es baja sin importar la velocidad. Mayor velocidad y
a menor tamaño de la broca la vibración es menor.
  FACTORIAL

Un experimento con tres factores tendrá 8 tratamientos los cuales se escriben en un orden fijo llamado estándar: sea
A, B y C cada uno con dos niveles bajo y alto y el orden estándar es 1,a, b, ab, c, ac, bc, abc; se tienen 3 efectos
principales de primer orden que son AB, AC, BC y una integración de segundo orden que es ABC. Este último es mas
complejo de analizar y en la practica muy pequeño no se tiene en cuenta para el análisis de los factores.

En experimentos con mayor número de factores las interacciones de segundo orden y de orden superior se confunde
con el error experimental y no se analizan independientemente.
 TABLA DE DOBLE ENTRADA
ORDEN ESTANDAR
FACTOR A factor b factor c 1
Co= bajo C1=alto
a
bo= bajo y1 1 y3 c b
ab
 
= bajo   y2   y4   c
bi= alto y5 b y7 bc ac
  y6   y8   bc
  bo= bajo y9 a y11 ac abc

=  alto   y10   y12  

bi= alto y13 ab y15 abc
  y14   y16  
Ejemplo de aplicación:
Un ingeniero está interesado en los efectos de la velocidad del corte factor A: (O-1), La geometría de la herramienta Factor
B (0-1) y el ángulo de corte factor c (0-1) sobre la vida (horas) de una maquina de herramienta, se eligieron dos niveles de
cada factor y se corrieron dos replicas y los datos son:
factor
factor b factor c
velocidad del total
geometria angulo de corte
corte
bo= 0 4 1 10 c
5 6 25
ܽ଴= 0
9 16
bi= 1 20 b 7 bc
14 9 50
34 16
bo= 0 4 a 2 ac
11 7 24
ܽଵ= 1
15 9
bi= 1 4 ab 14 abc
6 16 40
10 30
total 68 71 139
 Se pregunta:
ANOVA 95%

2 2
  ( 𝑜𝑏𝑠 ) 139
1. Factor de corrección 𝑓𝑐 =∑ 3 = =? ? ?
2 ∗𝑟 8∗2

2. Suma cuadrado total:   Sctotal + …. - fc = ?????

Luego se calculan los efectos por cualquiera de los siguientes formas: algoritmo de yates o por las formulas o contrates
ortogonales.
 tratamientos respuesta 1a 2a 3a efectos
Algoritmo yate
1 9 24 68 139/8 *
a 15 44 71 -11/ 8 -1,375
b 34 25 -18 41/ 8 5,125
ab 10 46 7 9/ 8 -1,125
c 16 6 20 3/ 8 0,375
ac 9 -24 21 251 / 8 3,125
bc 16 -7 -30 1/ 8 0,125
abc 30 14 21 51 / 8 6,375

 Luego se calcula la sumas de cuadrados: SCA =* r (= 7,5625

SCB =* r (= 105,6
SCAB =* r (= 5,06
(…)

SCEEE= SCT – SCA- SCB –SCAB-SCC-SCAC-SCBC-SCABC=69,52

 ANOVA
FV GL SC CM FC FT 95%
Factor A (a-1) =1 0,87 5,32

Factor B (b-1) = 1 12,09 5,32

Factor AB (a-1)(b-1)= 1 0,58 5,32
Factor C (c-1) = 1 0,06 5,32
Factor AC (a-1) (c-1) = 1 4,49 5,32
Factor BC (b-1) (c-1) = 1 0,01 5,32
Factor ABC (a-1) (b-1(c-1) = 1 18,71 5,32
Error experimental Abc (r-1) = 8 69,52 8,62

Total Abcr -1 = 15 389,44

Factor a 2,36% ; factor b 32,84% (..)

  FACTORIAL

  factorial tiene seis integraciones de primer orden y son: (ab, bc, ac, ad, bd, cd ), 4 integraciones de segundo orden y
El
son (abc, abd, acd, bcd) y una de orden superior que es: (abcd.) y el orden estándar es:
1,a,b,ab,c,ac,bc,abc,d,ad,bd,abd,cd,acd,bcd,abcd.
 TABLA DE DOBLE ENTRADA
FACTOR D
FACTOR A FACTOR B FACTOR C Do=bajo D1=alto ORDEN ESTANDAR
ao=bajo bo=bajo Co=bajo y1 1 y3 d 1
  b1= alto c1=alto y2   y4   a
a1=alto bo=bajo Co=bajo y5 b y7 ad b
  b1= alto c1=alto y6   y8  
ab
ao=bajo bo=bajo Co=bajo y9 a y11 bd
c
ac
  b1= alto c1=alto y10   y12  
bc
a1=alto bo=bajo Co=bajo y13 ab y15 abd
abc
  b1= alto c1=alto y14   y16  
d
ao=bajo bo=bajo Co=bajo y17 c y19 cd
ad
  b1= alto c1=alto y18   y20  
bd
a1=alto bo=bajo Co=bajo y21 bc y23 acd abd
  b1= alto c1=alto y22   y24   cd
ao=bajo bo=bajo Co=bajo y25 ac y27 bcd acd
  b1= alto c1=alto y26   y28   bcd
a1=alto bo=bajo Co=bajo y29 bc y31 abcd abcd
  b1= alto c1=alto y30   y32  
  Ejemplo de aplicación:

Se efectúa un experimento para investigar el efecto de 4 factores respecto a la distancia de perdida terminal de un misil
Tierra aire lanzado desde el hombro. Los 4 factores son: Atipo de blanco; b. tipo de aparato guiador ; c. altitud del blanco
d. Alcance al blanco. Cada factor puede ejecutarse de manera conveniente en dos niveles, y el sistema de rastreo óptico
Permitiría medir la distancia de perdida terminal hasta la inferencia más cercana. Se utilizaron dos artilleros diferentes en la
Prueba de vuelo y puesto a que puede haber diferencia entre individuos se realizó un factorial de y los datos son:
TABLA DE DOBLE ENTRADA
tipo de aparato altitud de alcance de blanco
blanco guiador blanco Do=bajo D1=alto
ao=bajo bo=bajo Co=bajo 31 4 d
  b1= alto c1=alto 5b 10 ad
a1=alto bo=bajo Co=bajo 7a 4 bd
  b1= alto c1=alto 7ab 12 abd
ao=bajo bo=bajo Co=bajo 6c 8 cd
  b1= alto c1=alto 8bc 9 acd
a1=alto bo=bajo Co=bajo 6ac 7 bcd
  b1= alto c1=alto 6abc 9 abcd
 Se pregunta:
ANOVA 95%

2 2
  ( 𝑜𝑏𝑠 ) 111
1. Factor de corrección 𝑓𝑐 =∑ 4 = =? ? ?
2 ∗ 𝑟 16 ∗ 1

2. Suma cuadrado total:   Sctotal + …. - fc = ?????

Luego se calculan los efectos por cualquiera de los siguientes formas: algoritmo de yates o por las formulas o contrates
ortogonales.
 ttos respuesta 1a 2a 3a 4a efectos
1 3 10 22 48 111 *
Algoritmo yate a 7 12 26 63 21 2,625
b 5 12 30 4 5 0,625
ab 7 14 33 17 -1 -0,125
c 6 14 6 4 7 0,875
ac 6 16 -2 1 -19 -2,375
bc 8          
abc 6          
d 4          
ad 10          
bd 4          
abd 12          
cd 8          
acd 9          
bcd 7          
abcd 9          

 Luego se calcula la sumas de cuadrados: SCA =* r (=

SCA =* r (2,625= 27,5625
SCB =* r (=1,5625
(…)
 ANOVA
FV GL SC CM FC FT 95%
Factor A (a-1) =1 27,5625 27,5625 441
Factor B (b-1) = 1 1,5625 1,5625 25
Factor AB (a-1)(b-1)= 1 0,625 0,625
Factor C (c-1) = 1
Factor AC (a-1) (c-1) = 1
Factor BC (b-1) (c-1) = 1
Factor ABC (a-1) (b-1)(c-1) = 1
Factor D (d-1) =
Factor AD (a-1) (d-1)=
Factor BD
Factor ABD
Factor CD
Factor ACD
Factor BCD
Factor ABCD
Error experimental Abcd (r-1) =
Total Abcdr -1 =
Factorial General

En un diseño factorial para el caso general en que hay a niveles del factor A, b niveles del factor B, y c niveles
del factor C, hay abc N observaciones con N replicas del experimento completo. para un modelo de efectos fijo
las estadísticas de prueba para cada efecto principal y las interacciones pueden constituirse dividiendo el
cuadrado medio de los efectos sobre el cuadrado medio del error y todas las pruebas serán de una sola cola
superior.

Ejemplo de aplicación:

Se desea obtener más uniformidad en el llenado de botellas de refresco la máquina de llenado. teóricamente
llena cada botella a la altura correcta pero en la práctica hay variación y la embotelladora desea entender
mejor la fuente de esta variabilidad para eventualmente reducirla. El ingeniero de procesos produce control en
tres factores durante el proceso de llenado; Factor A % de carbonato 10% 12%14%, Factor b Presión 25 PSI 30
PSI, Factor C velocidad 200BPM 250BPM; se decide correr a dos réplicas y los datos son:
 Factor B presión
25 PSI 30 PSI
Factor c velocidad
FACTOR A
%CARBONATO 200 BPM 250 BPM 200 BPM 250 BPM TOTAL
-3 -1 -1 1
10 -1 -4 0 -1 0 -1 1 2 -4
0 2 2 6
12 1 1 1 3 3 5 5 11 20
5 7 7 10
14 4 9 6 13 9 16 11 21 59
TOTAL B*C 6 15 20 34 75
1. se descomponen cada uno de los factores de la siguiente manera:

A*B
A*C 200 250 A
A 25PSI 30PSI A 10 -5 1 -4
10 -5 1 -4
12 6 14 20
12 4 16 20
14 22 37 59 14 25 34 59
B 21 54 75 C 26 49 75

B*C 25 30 25 30
B 200 250 B A*B*C 200 250 200 250
25 6 15 21 10 -4 -1 -1 2
30 20 34 54 12 1 3 5 11
C 26 49 75 14 9 13 16 21
FV GL SC CM FC FT 95%
Factor A (a-1) =2 252,750 126,375 178,412 3,88

Factor B (b-1) = 1 45,375 45,375 64,059 4,75

Factor C (c-1) = 1 22,042 22,042 31,108 4,75
Factor AB (a-1)(b-1)= 2 5,250 2,625 3,706 3,88

Factor AC (a-1) (c-1) = 2 0,583 0,2915 0,412 4,75

Factor BC (b-1) (c-1) = 1 1,042 1,042 1,471 3,88

Factor ABC (a-1) (b-1)(c-1) = 2 1,083 0,708 0,765 3,88
Error experimental Abc (r-1) = 12 8,500 0,708
Total Abcr -1 = 23 336,600
Conclusiones: se recomienda la presión de operación de 25 PSI y el nivel alto de la rapidez de la línea de 250 BPM
Que maximiza la rapidez de la operación y el % de carbonatación, la presión de operación y rapidez de la línea
afectan significativamente el volumen de llenado