Diseño de Experimentos

(1): Introduccin
(2): Aproximacin de una superficie de respuesta por polinomios:

(3-1): Requerimientos y propiedades deseables de los diseos ptimos:
(3-2): Estrategia experimental
(3-3): Mtodo del ascenso ms pronunciado:
(4): Diseos de primer orden: (5-1): Diseos de segundo orden:
(5-2): Construccin de diseos compuestos centrales:
(6): Diseos Rotables:
(7): Anlisis Cannico:
(8): Bibliografa:
(1): INTRODUCCION
Supngase
que la dependencia de una variable respuesta Y sobre los

niveles x 1, x 2, ..., x k
de k variable cuantitativas o factores se puede expresar por el siguiente
modelo matemtico:
Y = (x 1, x 2, ..., x k) + ; ~ N( 0, ).
Esta relacin funcional en general se llama una superficie de respuesta.

Uno de los objetivos
ms frecuente en una investigacin por experimentacin consiste en
determinar los valores
de las k variables independientes, x i ; (i = 1,...,k), l as cuales pueden
producir un mximo
( o mnimo) de E(Y).
Se asumir que en la mayora de los casos prcticos, la forma de funcin
es desconocida
y an cuando en un caso dado puede ser muy complejo, siempre ser
posible aproximar la
funcin satisfactoriamente por un polinomio en x i ; (i = 1,...,k); de algn
grado adecuado
dentro de una regin experimental previamente planificada.
A fin de estimar los parmetros de una funcin polinomial , que puede servir
para aproximar
la superficie de respuesta , necesitaremos emplear un diseo de
experimento el cual se
puede denotar por : (x 1u, x 2u, ..., x ku); u = 1,...,N; que constituye una
seleccin de
N puntos en una regin experimental de inters.
Despus de realizar el experimento, utilizando el diseo indicado, se

obtendr la estimacin
de la funcin , que a su vez se puede someter a un anlisis para averiguar
acerca de las
condiciones que se deben imponer sobre las variables x 1, x2, ..., xk; para que
E(Y) alcance
un valor ptimo, que podra ser un mximo o un mnimo, segn sea el caso
bajo estudio.

La aproximacin de una relacin funcional desconocida , se puede hacer
de la manera mas
simple por el modelo lineal de primer orden:
Y = 01x 12x 2 +. . . +kx k; ~ N( 0, ).
el cual representa la ecuacin de un plano.

En el caso de que el modelo de primer orden no sea adecuado, el siguiente
modelo de segundo
orden se puede utilizar:
Y = 0ix iiix i2 + ijx ix j; (i,j =1, ..., k ; i < j); ~ N( 0, ).
La superficie de respuesta del segundo orden dado por E(Y) puede ser una
parbola, hperbola,
elipse o sus generalizaciones correspondientes en el caso k-dimensional.
As tambin en el
caso de que fuera necesario, superficies polinomiales de orden superior a
dos, se pueden
utilizar. Una superficie polinomial de esta naturaleza, se debe considerar
solo como una
aproximacin de la verdadera relacin funcional en el interior de una
regin considerada en
el experimento. Una extrapolacin que intenta hacer predicciones fuera de
la regin experimental
puede ser arriesgada y no confiable.

Box y Hunter(1951) sugirieron las siguientes propiedades que deberan
poseer los diseos multifactoriales de orden d:
(1): El diseo debe permitir la estimacin de parmetros de una superficie

de respuesta
polinomial con una precisin satisfactoria dentro de la regin de inters.
(2): El nmero de puntos experimentales en el diseo no debe ser muy
grande.
(3): El diseo debe posibilitar una verificacin con exactitud, que el
polinomio asumido
en el estudio es del grado adecuado.
(4): Debe permitir el uso de bloques cuando as sea conveniente.
(5): Debe formar un ncleo, del cual un diseo satisfactorio del grado d+1
se puede construir
en el caso de que se verifica que el grado d del polinomio no es adecuado.

En la seleccin de los puntos experimentales de un diseo, el investigador debe
tomar en cuenta
las siguientes circunstancias que podran influir su estratega:
Magnitud del error experimental
Complejidad de la superficie de respuesta
Si o no es posible ejecutar el experimento en forma secuencial

Este mtodo establece una regla que se utiliza en una serie de experimentos
secuenciales para
pasar a una regin de respuesta ms alta en la bsqueda de una respuesta
mxima.
Sea (0,0, ... ,0) el centro del primer experimento. Entonces esta regla de decisin
determina las coordenadas del punto P = (x'1, x'2, ..., x'k), el cual ser el centro del
prximo experimento.
Esta tcnica consiste en seleccionar un diseo con pocos puntos experimentales y
luego al
conducir el experimento, se obtienen las estimaciones de los parmetros
correspondiente a un
modelo polinomial de grado uno.
Sea
Y(estimado) = b0 + b1X1 + b2X2 + .... +bkXk
la estimacin de ecuacin del plano en un experimento. Entonces el camino del

ascenso mas pronunciado se toma al pasar al centro del prximo diseo a lo largo
de los ejes :
X1, X2 ,..., Xk en cantidades proprcionales a : b1 , b2 , .... , bk respectivamente.
(4) Diseos de primer orden:
Los diseos de primer orden son aquellos que permiten la estimacin de
parmetros de un
Ejemplos de diseos de primer orden:

Experimentos factoriales de la serie 2k
Repiticin fraccionada 1/2p del factorial 2k
Estos diseos son muy convenientes en trabajos exploratorios para obtener el

ajuste de una
relacin lineal entre la respuesta como variable dependiente y las variables
independientes.
Estos diseos tambin se pueden utilizar en las etapas iniciales de un programa
de
experimentacin secuencial en la bsqueda de la respuesta ptima.
Mas abajo, se presenta una lista de algunos diseos factoriales fraccionados que
son tiles
como diseos de primer orden en las etapas priliminares en la exploracin de una
superficie
de respuesta.
Tabla 1: Algunos diseos tiles de primer orden formados por diseos factoriales 2 k-p
Nmero de
factores
3
4
5
5
6
Tamao del
experimento
Fraccin
8
8
8
16
8
Propiedades:
1
1/2
1/4
1/2
1/8
G.L. por falta

de ajuste
4
3
2
10
1
El diseo factorial fraccionado 1/2p tiene las siguientes propiedades:

Existen 2k-p puntos experimentales.
o
de un total de 2k-1 efectos principales e interacciones

correspondientes al experimento
factorial comple to, 2p-1 sern inseparable del parmetro 0 en el modelo y los
restantes
2k - 2p efectos sern mutuamente inseparables en conjuntos de 2p, siendo el
nmero de
tales conjuntos igual a 2k-p.
Mayores detalles de la construccin de los experimentos factoriales
fraccionados se pueden
obtener en Raghava Rao (1971).
(5-1): Diseos de segundo orden:
Los diseos de segundo orden permiten la estimacin de parmetros de un
modelo polinomial
de grado dos. Ejemplos simples de este tipo de diseos son las series de 3k
factorial. La
desventaja de la serie 3k es que con k >3, el nmero de puntos
experimentales que se requieren
para conducir el experimento, llega a ser muy alto. Adems los parmetros
11, ... , kk ; en
general se estiman con precisin relativamente baja. Box y Wilson (1951)
han desarrollado una
familia de diseos llamados diseos compuestos que son mas
convenientes para este propsito
y se presentan a continuacin:
Construccin del diseo:

Los puntos experimentales de este diseo consisten en:
(i): Puntos del factorial 2k o su fraccin, ampliado por :
(ii): 2k puntos axiales sobre los ejes de las variables independientes,
denotados por:
(-, 0, ... , 0); (, 0, ... , 0); (0, -, ... ,0); (0, , ... ,0); ... ; (0, 0, ... , -,); (0,
0, ... , ,)
(iii): Punto(s) sobre el centro del diseo.
El valor de se puede elegir para :

(a): Dar la propiedad de ortogonalidad al diseo o
(b): Minimizar el sesgo que surge si el modelo planteado en una

investigacin es de grado
dos pero el modelo verdadero tiene grado superior a dos o
(c): Dar la propiedad de rotabilidad al diseo.
Uso de un diseo compuesto central en experimentacin secuencial:

Los diseos compuestos centrales se pueden incorporar en un programa de
experimentacin secuencial. Este programa se puede iniciar con un factorial 2k con
meta exploratoria y har
posible obtener la estimacin de un modelo de primer grado. Si en esta etapa,
mediante el uso
de F.V. de falta de ajuste, se verifica que el modelo cuadrtico debera ser el ms
apropiado,
entonces se proceder a agregar (2k+1) puntos adicionales, el cual lo convierte en
un diseo
compuesto central. En la segunda etapa se utilizan ( 2k+2k +1) puntos expeimentales
en el anlisis estadstico y se estiman los parmetros de grado dos.
Construccin de un diseo compuesto central ortogonal:
Box y Wilson(1951) han demostrado que para dar la propiedad de ortogonalidad al
diseo, se
elige el valor de tal que:
mF/4) 1/4 , donde m = ((F+T) 1/4 - F1/2)2
en que F = nmero de puntos de 2k completo o su fraccin apropiada y T = nmero
de puntos adicionales para construir un diseo compuesto central.
cuando = 1.215, este diseo se llama un diseo compuesto ortogonal.
En consideracin del problema de seleccin de diseos ptimos, Box y Hunter
(1951),
propusieron el criterio de rotabilidad de un diseo.
Definicin del concepto de rotabilidad de un diseo:

Sea (0, 0, ... , 0) el centro de un diseo. Sea:
Y(est.)(u) = b0bix iubiix iu2 + bijx iux ju; (i,j =1, ..., k ; i < j); (u = 1, ... , N);
la respuesta estimada en el punto (x 1u, x 2u, ..., x ku); Sea:

Var.(Y(est.)(u)) = (a'(X' X)-1a)donde
a' = (1, x 1u , ... , x ku ; x 21u , ... , x2 ku ; x 1u x 2u , ... , x k-1 , u x ku ;)
Un diseo se llama rotable si y solo si Var.(Y(est.)(u)) es invariante para todos los
puntos que
sean equidistante desde el centro del diseo.
Nota : Si un diseo es rotable, entonces Var.(Y(est.)(u)) ser una funcin solamente
de
x 21u + x 22u + , ... , + x 2ku
Construccin de un diseo Compuesto central rotable:
(i): nc puntos del factorial 2k o su fraccin apropiada , denotados por :
(
(ii): na puntos axiales sobre los ejes de las variables independientes, denotados
por:
(, 0, ... , 0); (0, , ... ,0); ... ; (0, 0, ... , ); donde = (F)1/4 , en que F es igual
al
nmero de puntos experimentales del factorial 2k o su fraccin apropiada.
(iii): no punto(s) sobre el centro del diseo. (0, 0, ... , 0); Sea nc + 4(1 +
(nc) 1/2 )), el parmetro del diseo rotable. La seleccin del valor
de fija el nmero de puntos centrales de un diseo. Los valore de
recomendados por
Box y Wilson se presentan en la tabla a continuacin:
Tabla 2: Valores de recomendados por Box y Wilson
k
2
3
4
0,7844
0,8385
0,8704
5
6
7
8
0,8918
0,9070
0,9184
0,9274

(7-1): Ejemplo1: Khuri y Cornell, Pgina 170
1
OBS
TIEMPO
OTEMP
OTIEMPO
TEMP
93.6
125.90
171.9
-1.00000
91.7
125.90
218.1
-1.00000
92.5
145.90
171.9
1.00000
92.9
145.90
218.1
1.00000
96.2
135.90
195.0
0.00000
97.0
135.90
195.0
0.00000
92.7
121.75
195.0
-1.41421
92.8
150.04
195.0
1.41421
93.4
135.90
162.3
0.00000
10
92.7
135.90
227.7
0.00000
-1.00000
1.00000
-1.00000
1.00000
0.00000
0.00000
0.00000
0.00000
-1.41421
1.41421
Response Surface for Variable Y: RENDIMIENTO

Response Mean
Root MSE
R-Square
Coef. of Variation
Ratio
3.446
102.9
11.652
44.849
Regression
Prob > F
Degrees
of
Freedom
Linear
0.1349
Quadratic
0.0004
Crossproduct
0.0269
Total Regress
0.0013
Degrees
Type I Sum
of Squares
93.550000
0.336892
0.9825
0.3601
R-Square
0.782267
0.0302
23.346250
0.9012
1.322500
0.0511
25.451016
0.9825
F-
of
Freedom
Ratio
Residual
Prob > F
Lack of Fit
0.9247
Pure Error
Total Error
0.140
Sum of
Squares
Mean Square
0.133984
0.044661
1
4
0.320000
0.453984
0.320000
0.113496
Degrees
F-
of
Parameter
Standard
Freedom
Estimate
Error
H0:
Parameter
Prob > |T|
INTERCEPT
0.0000
TEMP
0.8125
TIEMPO
0.0592
TEMP*TEMP
0.0002
TIEMPO*TEMP
0.0269
TIEMPO*TIEMPO
0.0003
Factor
Degrees
of
Freedom
T for
Parameter=0
96.600000
0.238218
405.5
0.030178
0.119109
0.253
-0.311244
0.119109
-2.613
-1.981250
0.157567
-12.574
0.575000
0.168446
3.414
-1.831250
0.157567
-11.622
Sum of
Squares
Mean Square
F-Ratio
Prob > F
TEMP
3
19.274250
6.424750
56.608
0.0010
TEMPERATURA (CENTIGRADO)
TIEMPO
3
17.427660
5.809220
51.184
0.0012
TIEMPO (SEGUNDOS)
Ejemplo: Khuri y Cornell, Pgina
170
4
Canonical Analysis of Response Surface
(based on coded data)
Factor
Critical Value
Coded
Uncoded
(CENTIGRADO)
TEMP
-0.003412
-0.004826
TEMPERATURA
TIEMPO
-0.060627
-0.085739
TIEMPO
(SEGUNDOS)
Predicted value at stationary point
Eigenvalues
-3.218257
-4.406743
96.613270
Eigenvectors
TIEMPO
TEMP
0.611383
0.791335
0.791335
-0.611383
Stationary point is a maximum.
(7-2): Ejemplo 2: Puntos de Ensilladura
Bibliografa:
(1): Box, G.E. P. y J.S. Hunter (1951): Multifactor experimental designs for
exploring response
surfaces. J.R.S.S. ser. B, vol. 13, No. 1, 195-240.
(2): Box, G.E. P. y K.B. Wilson (1951): On experimental attainment of optimum
conditions.
J.R.S.S. ser. B, vol 13, No. 1 -45.
(3): Cornell, John A:(1990.): How to apply response surface methodology.
Milwaukee, WI .
(4): Khuri, Andr I. y John A. Cornell.(1996): Response surfaces : designs and
analyses .
Marcel Dekker, New York .
(5): Myers, Raymond H. y Douglas C. Montgomery.(1995.): Response surface

methodology :
process and product optimization using designed experiments. Wiley, New York.
(6): Raghava Rao, D. (1971): Construction and combinatorial problems in Design
of Experiments.
Wiley, New York.
(7): S.P.Sinha: Comparacin de precisin y sesgo de algunos Diseos
Experimentales de
superficie de respuesta. Publicacin 80-01, I.E.A.C., U.L.A. 1980.
Anlisis de Varianza esquemtico:

1.
Diseo Completamente Aleatorio

1. Caso balanceado con efectos fijos
2. Caso no balanceado con efectos fijos
3. Caso balanceado con efectos aleatorios
2. Diseo Bloques Aleatorios
1. Caso balanceado con efectos fijos
2. Caso balanceado con efectos aleatorios
3. Caso balanceado y mixto
3. Diseo Cuadrado Latino
1. Caso fijo y balanceado

4. Experimento Factorial
1. Experimento Factorial de 2 factores
2. Experimento Factorial de 3 factores

(Caso balanceado con efectos fijos)
Modelo Lineal: Yij = iij ; i = 1,...,k ; j = 1,..,n ; ij ~ NID(0, )
efecto medio ; iel efecto del tratamiento i - simo;
ij = error aleatorio para j - sima observacin en el tratamiento i - simo.
F.V.
G.L.
S.C.
(k-1)
S1
M1 = S1 / (k-1) F = M1/M2 i; para todo i = 1,...,k
Error experimental k(n-1)
S2
M2 = S2 / k(n-1)
Tratamientos
Total
C.M.
H0
kn-1
Regresar al Men anterior:

Regresar al Men anterior
Comentarios:
1. Este diseo tambin se llama el Diseo de clasificacin simple.
2. El diseo completamente aleatorio solo debe ser usado cuando el material
experimental es totalmente homogneo.
3. Este diseo no es apto para ser usado en el campo experimental, pero puede ser
usado en un experimento en laboratorios y tambin invernaderos.

(Caso no balanceado con efectos fijos)
Modelo Lineal: Yij = iij ; i = 1,...,k ; j = 1,..,ni ij ~ NID(0, )
efecto medio ;iel efecto del tratamiento i - simo;
ij = error aleatorio para j - sima observacin en el tratamiento i - simo.
F.V.
G.L.
S.C.
C.M.
H0
Tratamientos
(k-1)
S1
Error
experimental
ni. - k S2
Total
ni. -1
M1 = S1 / (k-1)
F = M1/M2 i; para todo i =

1,...,k
M2 = S2 / (ni. k)

(Caso balanceado con efectos aleatorios)
Modelo Lineal: Yij = iij ; i = 1,...,k ; j = 1,..,n ;
efecto medio ;iel efecto del tratamiento i - simo; i~ NID(0, )
ij = error aleatorio para j - sima observacin en el tratamiento i - simo. ij ~
NID(0, )
F.V.
G.L.
Tratamientos
Error experimental
S.C.
C.M.
(k-1)
S1
M1 = S1 / (k-1)
k(n-1)
S2
M2 = S2 / k(n-1)
Total
H0
F = M1/M2
kn-1

Diseo en Bloques Aleatorios

(Caso balanceado con efectos fijos)
Modelo Lineal: Yij = ij + ij ; i = 1,...,k ; j = 1,..,n ; .= 0 ; .= 0 ;
efecto medio ;iel efecto del tratamiento i - simojel efecto del bloque j simo
ij = error aleatorio para la observacin en el j - simo bloque y el tratamiento i simo. ij ~ NID(0, )
F.V.
G.L.
S.C.
C.M.
H0
Tratamientos
(k-1)
S1 M1 = S1 / (k-1)
F1 = M1/M3 i; para todo i =
Bloques
(n-1)
S2 M2 = S2 / (n-1)
F2 = M2/M3 j; para todo j =
Error
experimental
(k-1)(n1)
S3
Total
kn-1
S4

M3 = S3 /[ (k-1)(n1)]
1,...,k
1,...,n

(Caso balanceado con efectos aleatorios)
Modelo Lineal: Yij = ij + ij ; i = 1,...,k ; j = 1,..,n ;
efecto medio ;
iel efecto del tratamiento i - simojel efecto del bloque j - simoi~
NID(0, ) j~ NID(0, )
F.V.
G.L.
S.C.
C.M.
H0
Tratamientos
(k-1)
S1 M1 = S1 / (k-1)
F1 = M1/M3
Bloques
(n-1)
S2 M2 = S2 / (n-1)
F2 = M2/M3
Error experimental
(k-1)(n-1)
S3 M3 = S3 /[ (k-1)(n-1)]
Total
kn-1
S4


(Caso balanceado y mixto)
Modelo Lineal: Yij = ij + ij ; i = 1,...,k ; j = 1,..,n ;
efecto medio ;
iel efecto del tratamiento i - simojel efecto del bloque j - simo.=
0 ; j~ NID(0, )
F.V.
G.L.
C.M.
H0
Tratamientos
(k-1)
S1 M1 = S1 / (k-1)
Bloques
(n-1)
S2 M2 = S2 / (n-1)
F2 = M2/M3
Error
experimental
(k-1)(n1)
S3
Total
kn-1
S4

S.C.
M3 = S3 /[ (k-1)(n1)]
1,...,k
Diseo en Cuadrados Latinos

(Caso fijo y balanceado )
Modelo Lineal: Yijk = ij + ijk ; i = 1,...,a ; j = 1,..,a ; k = 1,..,a ;
efecto medio ;
iel efecto de la fila i - simajel efecto de la columna j - simakel efecto
del tratamiento k - simo
.= 0 ;
.; .
ij = error aleatorio para la observacin i j k - sima . ij ~ NID(0, )
F.V.
G.L.
S.C.
C.M.
H0
Filas
(a -1)
S1 M1 = S1 / (a-1)
Columnas
(a -1)
S2 M2 = S2 / (a-1)
F2 = M2/M4 j; para todo i =
Tratamientos
(a-1)
S3 M3 = S3 / (a-1)
F3 = M3/M4 k; para todo i =
Error
experimental
(a-1)(a
-2)
S4
Total
a2-1
S5
1,...,a
1,...,a
1,...,a
M4 = S4 /[ (a-1)(a2)]

Experimento Factorial de 2 factores en el diseo completamente aleatorio

Yijr = ij ij ijr ;
. = 0 ; . = 0 ;. j = ( i .= 0 ;
i = 1,...,a ; j = 1,..,b ; r = 1,..,n ;
Yijr = la variable respuesta i j r - sima .
efecto medio,iel efecto del i - simo nivel del factor A
jel efecto del j - simo nivel del factor B
ij es la interacciones doble.
ijr = error aleatorio para la observacin i j r - sima . ijr ~ NID(0, )
F.V.
A
G.L.
(a -1)
S.C.
C.M.
S1 M1 = S1 / (a-1)
F
F1 =
M1/M4
H0
i; para todo i = 1,...,a
F2 =
M2/M4
(b -1)
S2 M2 = S2 / (b-1)
AB
(a-1)(b1)
S3
M3 = S3 / [(a-1) F3 =
(b-1)]
M3/M4
Error
experimental
ab(n-1)
S4
M4 = S4 /
[ ab(n-1)]
Total
abn-1
S5
j; para todo j = 1,...,b

ij; para todo i =
1,...,a; j = 1,...,b

Experimento Factorial de 3 factores en el diseo completamente aleatorio

Modelo Lineal: Yijkr = ij + kij ikjk ijk + ijkr ;
i = 1,...,a ; j = 1,..,b ; k = 1,..,c ; r = 1,...,n ;
...
. j = ( i .= 0 ;
(i .(. k(j. = (. k = ;
Yijkr = la variable respuesta i j kr - sima .
efecto medio; iel efecto del i - simo nivel del factor Ajel efecto del j - simo nivel
del factor B
kel efecto del k - simo nivel del factor C ij , ik y jk son interacciones dobles.
ijk es la interaccin triple.
ijkr = error aleatorio para la observacin i j kr - sima . ijkr ~ NID(0, )
F.V.
G.L.
S.C.
C.M.
H0
(a -1)
S1 M1 = S1 / (a-1)
F1 =
M1/M8
i; para todo i =
(b -1)
S2 M2 = S2 / (b -1)
F2 =
M2/M8
j; para todo j =
(c-1)
S3 M3 = S3 / (c-1)
F3 =
M3/M8
k; para todo k =
AB
(a -1)(b -1)
S4
M4 = S4 /(a -1)(b F4 =
-1)
M4/M8
ij = 0 para todo i y
j
AC
(a -1)(c-1)
S5
M5 = S5 /(a -1)
(c-1)
F5 =
M5/M8
ik = 0 para todo i y
k
BC
(b -1)(c-1)
S6
M6 = S6 /(b -1)
(c-1)
F6 =
M6/M8
jk = 0 para todo j y
k
1,...,a
1,...,b
1,...,c
ABC
(a -1)(b -1)
(c-1)
S7
M7 = S7 /(a -1)(b -1)

(c-1)
Error
experimental
abc(n-1)
S8
M8 = S8 /[ abc(n1)]
Total
abcn -1
S9
F7 =
M7/M8
ijk = 0 para todo

i, j, k
Tcnicas para interpretar

resultados de Anlisis de Varianza:
con Ejemplos usando SAS:
Por
Prof. S. P. Sinha
Indice del Contenido:
Objetivos de esta Pgina:
(1): Diseo
Completamente aleatorio
(2): Diseo en bloques
aleatorios
(3): Diseo Cuadrado
Latino
(4): Experimentos
Factoriales
(5): Diseo de Parcelas
Divididas
(6): Diseo de Parcelas
Sub Divididas
Esta seccin hace uso de programas fuentes, salidas SAS
y esquemas de Anlisis de varianza, que Ud. puede consultar
por los enlaces que se presentan a continuacin:
Programa Fuente y Salida SAS
Andeva
Esquemtico
IMPORTANT NOTICE ABOUT THE COPYRIGHTS.
Anlisis Grfico: 1
2
Matchmaker.com: Sign up now for a free trial. Date Smarter!

Objetivos de esta Pgina:
Esta pgina tiene los siguientes objetivos:
(1): Ilustrar mediante ejemplos como se debe hacer la interpretacin
de resultados que se obtienen por el procesamiento de datos
experimentales por SAS.
(2): Plantear y realizar diferentes aspectos de discusin en el anlisis

de datos experimentales tales como supuestos de ANDEVA y modelo
lineal del diseo usado, alternativas que existen para analizar
datos, complicaciones que pueden surgir para el anlisis posterior
de promedios cuando existen interacciones significativas y otros tipos
de problemas variados que pueden presentarse debido a las
caractersticas
propias de datos y el diseo usado.
(3) Capacitar al lector para extraer conclusiones que sean vlidas
estadsticamente.
Se asumir que el lector de esta pgina cumple con los siguientes
requisitos:
(i): ha asistido en alguna ocasin un curso bsico de diseo de
experimento.
(ii): tiene el conocimiento del lenguaje SAS por lo menos al nivel
prctico.
IMPORTANT NOTICE ABOUT THE COPYRIGHTS.

The author of this Web Page makes the following declaration as regards to the examples used in this
work:
I have used in this publication, examples which, come from different books which, I have used in the
past for teaching courses in Experimental Designs to both graduate and undergraduate students. In
each the of examples used here, a reference to the names of the authors is given, who are the owners
of corresponding copyrights. If no such reference appears in the example, then this is because the
example has been artificially constructed. En consequence, the comments and explanations which I
have given in this publication, should be considered as a bibliographic review, which I have written
in order to express my own views about the statistical methods which can be used to analyze data in
these examples.
Diseo Completamente aleatorio

(1.1): Caso fijo y balanceado: Tratamientos
cualitativos
(1.2): Caso fijo y balanceado: Tratamientos
cuantitativos
(1.1): Caso fijo y balanceado: Tratamientos cualitativos

Este ejemplo proviene del libro de Montgomery, D. (2da. edicin: ingls), Pgina 63.
Se trata de un modelo fijo balanceado. Hay 5 tratamientos que representan diferentes
porcentaje de algodn, que son :
15, 20, 25, 30 y 35 respectivamente. Se usaron 5 replicaciones. La variable respuesta es la
resistencia de fibra sinttica
(lb/in cuadrado.) . Ejemplo 1 no toma en cuenta la informacin que los 5 tratamientos se
pueden considerar cuantitativos
caracterizados as por sus valores respectivos de porcentaje de algodn. Los datos de este
experimento se vuelven a
analizar en el ejemplo 1.2 considerando los tratamientos como cuantitativos.
Tabla 1.1.1: Datos experimentales:
Los datos que corresponden a un mismo tratamiento se tabulan en una misma fila.
Tratamiento 1: 7 7 15 11 9
Tratamiento 2: 12 17 12 18 18
Tratamiento 3: 14 18 18 19 19
Tratamiento 4: 19 25 22 19 23
Tratamiento 5: 7 10 11 15 11
Salida SAS
Tabla 1.1.2: Tabla de ANDEVA: Diseo Completamente aleatorio
General Linear Models Procedure
Dependent Variable: Y
Source
Pr > F
Model
0.0001
Error
Corrected Total
DF
Sum of
Squares
Mean
Square
F Value
475.76000
118.94000
14.76
20
24
161.20000
636.96000
8.06000
R-Square
C.V.
Root MSE
0.746923
18.87642
2.8390
DF
Type I SS
Mean Square
F Value
118.94000
14.76
Mean
15.040
Source
Pr > F
Tratamientos
0.0001
475.76000
Fijaremos el nivel de significacin = 0,05 para sacar las conclusiones estadsticas.

El Valor de F para tratamientos es significativo al nivel de significacin = 0,05
ya que Pr >F (Probabilidad mayor que el F calculado) es igual = 0,0001, siendo
este ltimo valor menor que 0,05 , el cual es el valor del nivel de significacin que
estamos considerando. Tambin el valor de F para tratamientos es significativo para
= 0,01 por la misma razn, o sea Pr >F = 0,0001 < 0,01 . (obsrvese que si F
calculado es significativo para = 0,01, entonces esto implica que el F calculado
tambin es significativo para = 0,05 . Sin embargo la afirmacin inversa no
necesariamente es cierta.)
Podemos decir de esta manera que el valor de F para tratamientos es altamente
significativo.
Modelo Lineal:
Yij = iij ; i = 1,...,k ; j = 1,..,n ij ~ NID(0, )
iel efecto del tratamiento i - simo; ij = error aleatorio para j - sima observacin
en el tratamiento i - simo.
En este ejemplo tenemos k = 5 y n = 5 ;
Hiptesis nula y alternante:
0 :i ; para todo i = 1,...,k; A :i ; para algn i = 1,...,k;
Otra forma equivalente de enunciar las mismas hiptesis es:
0 : 1 = 2 = ... = k ; en que i es el promedio poblacional del tratamiento i simo, i = 1,...,k ;
HA : No todos los promedios poblacionales de tratamientos son iguales.
Ya que el valor de F para tratamientos es significativo para = 0,05, obtenemos la
conclusin estadstica que los promedios poblacionales de los 5 tratamientos son
diferentes. Debemos realizar anlisis posterior por el mtodo del Rango mltiple de
Duncan para determinar cual es el mejor tratamiento.
Tabla 1.1.3:
Duncan:
rate,
Comparacin de promedios de tratamientos por el mtodo de

Duncan's Multiple Range Test for variable: Y
NOTE: This test controls the type I comparisonwise error
not the experimentwise error rate
Alpha= 0.05 df= 20 MSE= 8.06
Number of Means
2
3
4
5
Critical Range 3.745 3.931 4.050 4.132
Means with the same letter are not significantly different.

Duncan Grouping
Mean
21.600
30
B
B
B
17.600
25
15.400
20
C
C
C
10.800
35
9.800
15
Observamos que por la aplicacin del Mtodo de Duncan se forman 3 grupos de

tratamientos. Los promedios poblacionales de tratamientos dentro de los grupos
entre ellos no son diferentes. El promedio poblacional dentro de un grupo es
diferente del promedio poblacional del tratamiento de cualquier otro grupo.

El mejor tratamiento tiene 30 % del algodn.
Conclusiones:
(1): El Valor de F para tratamientos es significativo al nivel de significacin a =
0,05 y en consecuencia los promedios poblacionales de los 5 tratamientos son
diferentes.
(2): La aplicacin del mtodo del Rango mltiple de Duncan revela que el mejor
tratamiento tiene 30 % del algodn.
Observacin:
Los Tratamientos en este experimento son cuantitativos, pero en este ejemplo fueron
analizados como cualitativos. Los datos de este ejemplo se volvern a analizar en el
Ejemplo 1.2, tomando en cuenta la naturaleza cuantitativa de los tratamientos.
(2): Caso fijo y balanceado: Tratamientos cuantitativos

(Este Ejemplo usa datos de la Tabla 1.1.1)
Tabla 1.2.1:
Prueba de significacin de los componentes del
polinomio ortogonal:
Contrast
DF
Contrast SS Mean Square F Value
Pr > F
LINEAL
1
33.62000
33.62000
4.17
0.0545
CUADRATICO
1
343.21429
343.21429
42.58
0.0001
CUBICO
1
64.98000
64.98000
8.06
0.0101
CUARTICO
1
33.94571
33.94571
4.21
0.0535
Ya que los tratamientos son caracterizados por diferentes porcentajes del algodn
(15, 20, 25, 30 y 35 ) y se encuentran igualmente espaciados, podemos usar el
mtodo de polinomios ortogonales como un mtodo del anlisis posterior.Como un
primer paso calculamos por SAS la significacin de los diferentes componentes de
polinomios ortogonales (ver la Tabla 1.2.1). El polinomio ortogonal es de grado
tres, ya que el componente cuartico no es significativo (estamos usando = 0,05) y
adems el componente cbico si es significativo. A continuacin se desarrolla el
2do. paso que consiste en hallar la ecuacin polinmica ortogonal estimada de
tercer grado.
Tabla 1.2.2:
AJUSTE DE UNA REGRESION CUBICA
DE Y SOBRE X:
Source
Pr > F
Model
0.0001
Error
Corrected Total
Mean
DF
Sum of
Squares
Mean
Square
F Value
441.81429
147.27143
15.85
21
24
195.14571
636.96000
9.29265
R-Square
C.V.
Root MSE
0.693630
20.26852
3.0484
DF
Type I SS
Mean Square
F Value
33.62000
33.62000
3.62
343.21429
343.21429
36.93
64.98000
64.98000
6.99
15.040
Source
Pr > F
X
0.0710
X*X
0.0001
X*X*X
0.0152
T for H0:
Error of
Parameter
Estimate
INTERCEPT
39.75743623
X
5.19660897
X*X
0.21604552
X*X*X
0.00287405
Pr > |T|
Estimate
Parameter=0
62.61142857
1.57
0.1302
-9.01142857
-1.73
0.0976
0.48142857
2.23
0.0369
-0.00760000
-2.64
0.0152
Std
En este 2do. paso , se vuelve a usar el Proc. GLM pero esta vez considerando ambas
variables y e x, en que y es la variable respuesta, siendo x el porcentaje del
algodn. En la instruccin Model del Proc GLM, se declara un modelo del tercer
grado y se obtiene la tabla del Andeva y la estimacin de los parmetros.
No se debe tomar en cuenta la significacin de los componentes en la tabla de
Andeva 1.2.2, porque este paso ya se hizo en la tabla 1.2.1. El clculo de
significacin en la tabla 1.2.2. usa el error de la tabla 1.1.2 que tiene 20 g.l. En
cambio la tabla 1.2.2 usa error con 21 g.l. Este grado de libertad adicional es por el
componente cuartico que automticamente el Proc GLM suma al trmino del error
en la tabla 1.2.2 ya que al no ser significativo en la tabla 1.2.1, se excluy este
trmino en la declaracin del modelo del Proc GLM para generar la tabla 1.2.2 .
La informacin mas
importante que se
consigue en la tabla
1.2.2 es la funcin
polinmica estimada de
tercer grado, la cual es:
Y(estimada) =
62.61142857
-9.01142857*X +
0.48142857*X*X
-0.0076*X*X*X
en que Y es la
resistencia y X es el
porcentaje del algodn.
Se puede maximizar esta
funcin y para hacer
esto se calcula la
derivada de
Y(estimada ) con
respecto X. Luego se
iguala la expresin de la
derivada a cero y se
obtiene una ecuacin
cuadrtica cuya solucin
produce el valor del X
para el cual se obtiene
mximo de
Y(estimada).
Se podr
verificar que el
mximo de la
resistencia se
produce para X =
28.23 y el valor
del mximo es
20.90
Conclusin:
La relacin ente la resistencia de la fibra sinttica y el porcentaje del algodn se
puede representar por la siguiente funcin polinmica estimado de grado tres:
Y(estimada) = 62.61142857 -9.01142857*X + 0.48142857*X*X
-0.0076*X*X*X
El valor de la resistencia de la fibra sinttica crece a medida que aumenta el valor

del porcentaje del algodn, alcanzando su valor mximo de 20.90 cuando el
porcentaje del algodn asume el valor igual a 28.23
Diseo Bloques aleatorios:
(2.1): Diseo Bloques aleatorios: (balanceado con

efectos fijos)
(2.2): Diseo Bloques aleatorios: (no balanceado
con efectos fijos)
(2.1): Diseo Bloques aleatorios:
(balanceado con efectos fijos)
Fuente de datos: Li, J.C.R. Captulo 14

Hay 6 tratamientos de Variedades y 5 bloques. Este experimento se hizo en el campo
experimental.
Tabulacin de datos: por filas como Variedades y por columnas como bloques;
La variable repuesta es el rendimiento.
Datos:
32.6
38.4
65.1
54.2
83.7
77.1
41.0
17.9
23.8
19.6
39.4
37.1
42.8
21.8
59.9
41.9
36.1
21.1
46.4
43.6
35.1
43.4
37.9
69.3
63.8
50.7
70.8
57.7
51.1
46.5
Tabla 2.1.1: Anlisis de varianza para
Diseo B. A.

Source
Pr > F
Model
0.0001
Error
Corrected Total
Mean
DF
Sum of
Squares
Mean
Square
F Value
6529.2027
725.4670
7.14
20
29
2033.4093
8562.6120
101.6705
R-Square
C.V.
Root MSE
0.762525
22.08317
10.083
45.660
Source
DF
Type I SS Mean Square
Pr > F
VARIEDADES
5
4541.6840
908.3368
0.0001
BLOQUES
4
1987.5187
496.8797
0.0065
Comentarios:
El Modelo Lineal del diseo usado en este experimento es:
F Value
8.93
4.89
Yij = ij + ij ; i = 1,...,k ; j = 1,..,n ; .= 0 ; . = 0 ;

en que, iel efecto del tratamiento i - simojel efecto del bloque j - simo
ij = error aleatorio para la observacin en el j - simo bloque y el tratamiento i -
simo. ij ~ NID(0, )
para i = 1,...,k ; j = 1,..,n ;)
Hiptesis nula y alternante:
H0: i; para todo i = 1,...,k;
HA: i; para algn i ;

H0: j; para todo j = 1,...,n; HA: j; para algn j ;
Nota: Las hiptesis antes especificadas tambin se pueden enunciar en trminos de
promedios de poblaciones de varidades y bloques respectivamente en una forma similar tal
como se hizo en el ejemplo 1.1 .
El valor del F calculado para variedades es altamente significativo. Por lo tanto
ser necesario usar un mtodo del anlisis posterior para determinar cual es
la mejor variedad.
El valor del F calculado para bloques es altamente significativo y esto indica
que se justific el uso del diseo bloques aleatorios ya que una parte de la
variabilidad total que se particiona en el anlisis de varianza como bloques es
significativa. (Si F para bloques en un diseo bloques aleatorios usado en el
campo experimental no es significativo, entonces diramos que los bloques no
fueron construidos y ubicados con una orientacin correcta. La orientacin
correcta consiste en ubicar los bloques en forma perpendicular a la direccin
en que vara la fertilidad del suelo. El Contraste de hiptesis acerca de los
bloques an cuando no es de inters directo para el Investigador, se considera
como un paso importante para confirmacin de criterios usado en el
planeamiento del experimento.)
Tabla 2.1.2: Anlisis posterior por el Mtodo de
Duncan:

Duncan's Multiple Range Test for variable: Y
NOTE: This test controls the type I comparisonwise error rate,
not the experimentwise error rate
Alpha= 0.05 df= 20 MSE= 101.6705
Number of Means
2
3
4
5
6
Critical Range 13.30 13.96 14.38 14.68 14.89
Means with the same letter are not significantly different.
Duncan Grouping
Mean
VARIEDAD
A
A
A
61.080
60.640
B
B
B
B
B
44.820
44.540
35.900
26.980
C
C
C
Comentarios:
El uso del Rango mltiple de Duncan produce tres conjunto disjuntos de variedades.
El grupo con el mejor rendimiento consta de dos variedades que son las variedades
nmeros 5 y 6. Cualquiera de estas dos variedades se pueden usar y entre ellas no
existe diferencia significativa.
(2.2): Diseo Bloques aleatorios: (no balanceado con
efectos fijos)
Hay 3 tratamientos de Variedades y 5 bloques.

Existe un dato faltante que se encuentra en el primer tratamiento y primer
bloque.
Tabulacin de datos: por filas como Tratamientos y por columnas como
bloques:
.
887 897 850 975
857 1189 918 968 909
917 1072 975 930 954
Tabla 2.2.1: Diseo B. A. con un dato faltante
DF
Sum of
Squares
Mean
Square
F Value
62501.989
10416.998
1.79
7
13
40713.725
103215.714
5816.246
R-Square
C.V.
Root MSE
0.605547
8.029030
76.264
Source
Pr > F
BLOCK
0.2303
TRAT
0.2435
DF
Type I SS
Mean Square
F Value
42255.048
10563.762
1.82
20246.942
10123.471
1.74
Source
Pr > F
BLOCK
0.1785
TRAT
0.2435
DF
Type III SS
Mean Square
F Value
49805.025
12451.256
2.14
20246.942
10123.471
1.74
Source
Pr > F
Model
0.2316
Error
Corrected Total
Mean
949.86
Comentarios:
Este ejemplo tiene el propsito de ilustrar el procedimiento a usar y los aspectos
computacionales cuando existe(n) dato(s) faltante(s) en un diseo B. A. con efectos

fijos.
Generalmente un diseo B. A. se planifica como un diseo balanceado pero al
perder uno o ms datos experimentales, el diseo llega a ser un diseo no
balanceado. Pueden surgir muchas complicaciones en el anlisis estadstico y
prdidas de propiedades ptimas del diseo por el no balanceo, por ejemplo: El
error estndar de promedios de tratamientos ya no es un valor constante sino varia
segn si se trata del promedio de un tratamiento que tiene el problema de dato(s)
faltante(s) o no. Se pierde la propiedad de ortogonalidad del diseo ya que no se
cumplir la propiedad que S.C. Total = S.C. Bloques + S.C. Tratamientos + S.C.
Error experimental. En general se reduce la potencia de la dcima del estadstico
F , lo cual pudiera hacer difcil detectar las diferencias significativas.
En cuanto al procedimiento computacional a usar, se hace necesario usar Sumas de
cuadrados, cuadrados medios y F del tipo III (Type III ) en la salida del SAS, para
ambas fuentes de variacin que seran bloques y tratamientos. En este ejemplo el
valor de F para bloques es 2,14 y el valor de F para tratamientos es 1,74
Diseo Cuadrado Latino
(3.1): Cuadrado Latino:
4 Filas: 4 Columnas: 4 Tratamientos(Variedades de Trigo) ;
y = Rendimiento por parcela en Kg. ;
Ejemplo: Steel, R.G.D y Torrie, J.H.: Capitulo 8 ;
DATOS:
C 10.5 D
7.7 B 12.0 A 13.2
B 11.1 A 12.0 C 10.3 D
7.5
D
5.8 C 12.2 A 11.2 B 13.7
A 11.6 B 12.3 D
5.9 C 10.2
Sum of
Mean
Source
Value
Pr > F
Model
21.49
0.0007
Error
Corrected Total
MSE
0.6733
Source
Value
Pr > F
DF
Squares
Square
87.680000
9.742222
6
15
2.720000
90.400000
0.453333
R-Square
Y Mean
0.969912
10.450
C.V.
DF
Root
6.443065
Type I SS
Mean Square
FILAS
3
1.955000
0.651667
1.44
0.3219
COLUMNAS
3
6.800000
2.266667
5.00
0.0452
TRATAMIENTOS
3
78.925000
26.308333
58.03
0.0001
Comentarios:
Considerando el nivel de significacin = 0,05, observamos que el F
calculado para Filas no es significativo mientras el valor de F calculado
para columnas es significativo. Esto podra indicar que ha habido una falla
en
el planeamiento del diseo y/o la construccin de las columnas. Surgen
dudas sobre la justificacin del diseo utilizado, ya que se pudo utilizar el
diseo bloques aleatorios para controlar la variabilidad por columnas.
F para tratamientos es altamente significativo. Por lo tanto, se debe realizar
Anlisis del Rango Mltiple de Duncan para determinar el mejor
tratamiento. . Se omite este cmputo aqu, ya que sera similar como se ha
hecho esto en ejemplos anteriores.
(4): Experimentos Factoriales
(4.1): Experimento Factorial 2x4 en el Diseo B. A.
(4.1): Experimento Factorial 2x4 en el Diseo B. A.
* Datos: Li, J C. R., Capitulo 18: Introduction to Statistical
Inference
* Factores: Fecha de siembra con 2 niveles: Temprana , Tarda ;
* Factor: Abono con 4 niveles: Abono estndar, Areo, Na, y, K ;
* Nmero de bloques = 4 ;
* Variable respuesta: rendimiento por parcela de soya ;
* Tabulacin de datos:
*
Bloques
;
* Fecha de siembra Abono
1
2
3
4
;
*
Temprana
Abono estndar ;
*
Temprana
Areo
;
*
Temprana
Na
;
*
Temprana
K
;
* .... Despus siguen 4 lineas siguientes para fecha de siembra
tarda ....;
Datos:
28.6 36.8
32.7
32.6
29.1
28.4
29.2
30.3
32.7
29.2
27.4
28.2
32.3
30.8
30.6
26.0
27.7
31.6
31.0
29.1
29.3
32.0
30.9
33.8
30.3
32.7
32.7
31.7
33.0
31.8
33.9
29.4
Source
Pr > F
Model
0.0169
Error
Corrected Total
Mean
DF
Sum of
Squares
Mean
Square
F Value
10
94.100000
9.410000
2.97
21
31
66.438750
160.538750
3.163750
R-Square
C.V.
Root MSE
0.586151
5.773807
1.7787
DF
Type I SS
Mean Square
F Value
7.306250
2.435417
0.77
32.000000
32.000000
10.11
16.401250
5.467083
1.73
38.392500
12.797500
4.05
30.806
Source
Pr > F
BLOQUE
0.5238
FECHA
0.0045
ABONO
0.1919
FECHA*ABONO
0.0204
Comentarios:
Usaremos el nivel de significacin igual a 0,05 . Observamos que el valor de F
para bloques no es significativo. Esto indica que hubo una falla en el planeamiento
del experimento y/o en la construccin o orientacin de los bloques en el campo
experimental.
La interaccin Fecha x Abono es significativa y en consecuencia no se puede

realizar el anlisis posterior entre los promedios de niveles de ninguno de los dos
factores. El Anlisis grfico de esta interaccin revela que las lneas de promedios
correspondientes a las fechas de siembra muestran una interseccin indicando que
existe una interaccin por el cambio en la direccin de la respuesta. Ya que el factor
Abono no es significativo, no necesitamos hacer ningn anlisis posterior entre los
promedios de 4 niveles del factor abono. La interaccin Fecha x Abono
significativa, implica que la que ser la mejor fecha depender del nivel del factor
Abono con que esta se combina. Pero si se puede aplicar cualquier mtodo del
anlisis posterior, (por ejemplo Duncan) sobre los 8 promedios de tratamientos
formados por todas las combinaciones posibles entre los 2 niveles del factor Fecha y
los 4 niveles del Factor abono.
Tomando en cuenta la informacin que se presenta en el cuadro ms arriba,
podemos hacer diferentes tipos de comparaciones:
Comparacin entre promedios de diferentes tipos de Abono para la siembra
Temprana.
Comparacin entre promedios de diferentes tipos de Abono para la siembra Tarda.
Comparacin entre promedios de los dos tipos de fechas de siembra separadamente
para cada tipo de abono.
(No se requiere a volver a hacer otro cmputo del mtodo de Duncan, sino usar los
resultados del Anlisis de Duncan ya disponible)
El tratamiento que tiene el rendimiento ms alto es cuando se combina el Abono
estndar con una siembra temprana.
Diseos de Parcelas Divididas:
Los datos utilizados en este ejemplo proviene del libro de Steel, R.G.D. y Torrie,
J.H. 4 lotes de semillas de avena fueron usados como tratamientos principales. Hay
4 sub tratamientos que consisten en un testigo mas tres productos qumicos que
sirven para controlar una enfermedad de plantas. Se usaron 4 bloques.
Este diseo asigna la mxima precisin de estimacin al factor productos qumicos
(Sub Tratamientos) y la mnima precisin a al factor Lotes de semillas(Tratamiento
principal).
Tabulacin de datos:
Los datos se muestran en el programa de SAS. Las primeras 4 filas de datos
corresponden a los datos de los bloques 1 - 4, para el primer nivel del Tratamiento
principal. Dentro de cada fila hay 4 datos correspondientes a los 4 niveles de sub
tratamientos.
Las prximas 4 filas de datos corresponden a los datos de los bloques 1 - 4, para el
segundo nivel del Tratamiento principal. Dentro de cada fila hay 4 datos
correspondientes a los 4 niveles de sub tratamientos.
etc. y as sucesivamente hasta la tabulacin de las ltimas 4 filas correspondientes al
cuarto y ltimo nivel del Tratamiento principal.
Programa fuente SAS:
data pdivid ;
do tratprin = 1 to 4;
do bloques = 1 to 4;
do subtrat = 1 to 4;
input Y @;
output;
end;
input;
end;
end;
cards;
42.9 53.8 49.5 44.4
41.6 58.5 53.8 41.8
28.9 43.9 40.7 28.3
30.8 46.3 39.4 34.7
53.3 57.6 59.8 64.1
69.6 69.6 65.8 57.4
45.4 42.4 41.4 44.1
35.1 51.9 45.4 51.6
62.3 63.4 64.5 63.6
58.5 50.4 46.1 56.1
44.6 45.0 62.6 52.7
50.3 46.7 50.3 51.8
75.4 70.3 68.8 71.6
65.6 67.3 65.3 69.4
54.0 57.6 45.6 56.6
52.7
;
58.5
51.0
47.4
proc print; run;

proc GLM;
class Bloques Tratprin Subtrat;
model Y = Bloques Tratprin Bloques*Tratprin Subtrat Tratprin*Subtrat /ss1 ;
test h= Bloques Tratprin e=Tratprin*Bloques;
means Tratprin subtrat Tratprin*subtrat;
title 'Diseo Parcela Dividida';
run;
Salida SAS:
Nota: La salida SAS, tal como imprime el computador no se puede usar,
sino ser necesario reordenar la informacin obtenida en una tabla de
Andeva definitiva. Esta tabla que se obtenga, se llamar como tabla de
andeva del diseo de parcelas divididas, sin usar el calificativo "definitiva". Se
usa este calificativo "definitiva" simplemente para indicar que hay un trabajo
que hacer y una vez que este trabajo esta hecho, se obtendr la tabla de
andeva, la que se va a usar. Esta tabla se muestra despus de la salida SAS, la
cual lleva algunas indicaciones en color rojo para preparar la tabla de Andeva
definitiva:
Diseo Parcela Dividida
DF
Sum of
Squares
Mean
Square
F Value
27
7066.1919
261.7108
12.89
36
731.2025
20.3112
63
7797.3944
Source
Pr > F
Model
0.0001
Error
Nombrarla como Error(b)
Corrected Total
R-Square
Mean
0.906225
C.V.
Root MSE
8.534077
4.5068
52.809
Source
DF
Type I SS
BLOQUES
3
2842.8731
0.0001
No usar esta Fila.
TRATPRIN
3
2848.0219
0.0001
No usar esta Fila.
BLOQUES*TRATPRIN
9
618.2944
0.0042
Nombrarla como Error(a)
SUBTRAT
3
170.5369
TRATPRIN*SUBTRAT
9
586.4656
Mean Square
947.6244
F Value
46.66
949.3406
46.74
68.6994
3.38
56.8456
65.1628
2.80
3.21
Pr > F
0.0539
0.0059
Tests of Hypotheses using the Type I MS for

BLOQUES*TRATPRIN as an error term
Source
DF
Type I SS
Mean Square
F Value
BLOQUES
3
2842.8731
947.6244
13.79
0.0010
Usar esta Fila.
TRATPRIN
3
2848.0219
949.3406
13.82
0.0010
Usar esta Fila.
A continuacin se muestra la Tabla de Andeva definitiva.
Anlisis de Varianza
Fuentes de Variacin
G.L.
S.C.
C.M.
> F
BLOQUES
0.0010
TRATPRIN
0.0010
Error(a)
SUBTRAT
0.0539
TRATPRIN*SUBTRAT
0.0059
Error(b)
Corrected Total
Pr > F
2842.8731
947.6244
13.79
2848.0219
949.3406
13.82
9
3
618.2944
170.5369
68.6994
56.8456
2.80
586.4656
65.1628
3.21
36
63
731.2025
7797.3944
20.3112
Pr
Comentarios:
= 0,05.
F para bloques es significativo y esto indica que hubo justificacin en usar bloques
en el diseo para controlar la variabilidad.
Tratprin es la abreviatura para Tratamientos principales y tiene el valor de F
significativo, lo cual implica que hay diferencias significativas entre los promedios
poblacionales de los 4 lotes de semillas de avena.
La fuente de variacin Sub tratamientos no tiene el valor de F significativo y esto
seala que no existen diferencias significativas entre los promedios poblacionales de
los 4 productos qumicos.
Consideraremos el nivel de significacin
La interaccin tratamientos principal*subtratamientos es significativa lo cual indica

que el mejor lote de semilla de avena podra ser diferente para los diferentes
productos qumicos usados. Tambin observamos que debido a la presencia de la
interaccin significativa no podemos aplicar el mtodo del anlisis posterior a los
promedios de los 4 lotes de semillas de avena sino que los mismos deben ser
comparados separadamente por cada uno de 4 productos qumicos y as tambin
podemos comparar las 16 combinaciones de tratamientos.
Anlisis Grfico:
En la grfica de la interaccin Tratamiento Principal x Sub
tratamiento, se observa la presencia de una interaccin por el
cambio en la direccin de la respuesta, ya que las lneas,
correspondientes a los tratamientos principales, muestran puntos
de interseccin.
La lnea de promedios correspondiente al Tratamiento
principal nmero 4, siempre se encuentra arriba de las
otras tres lneas restantes. Por lo tanto, el mejor
tratamiento principal, debera ser el cuarto, sujeto a
confirmacin del resultado del Anlisis de Duncan
Anlisis de Duncan:
Ya que la interaccin Tratamiento Principal x Sub
Tratamiento es significativa, no podemos realizar anlisis
posterior sobre los promedios de Tratamientos principales
y asimismo tampoco sobre los promedios de Sub
Tratamientos (adems este ltimo es no significativo). Se
puede hacer la comparacin entre los 16 tratamientos
combinaciones por el Anlisis de Duncan y el resultado de
este procedimiento podr ser usado para responder
preguntas inicialmente planteadas en el objetivo del
experimento.
Para realizar el cmputo del mtodo de Duncan, es
necesario obtener un estimacin del error experimental, la
cual se puede hallar por el promedio ponderado de los
cuadrados medios de los dos errores (a) y (b) en el diseo.
En este ejemplo, esta estimacin mancomunada tendr 45
g.l.
El Anlisis de Duncan revela que el mejor tratamiento es la
combinacin 42. Tambin se ha formado otro grupo que
contiene las combinaciones de tratamientos: 14 y 11, que
tiene los promedios ms bajos para la variable respuesta
rendimiento.
Utilizando los resultados del del Anlisis de Duncan,
tambin se puede determinar: (No se requiere a volver a
hacer otro cmputo del mtodo de Duncan, sino usar los

resultados del Anlisis de Duncan ya disponible.)
(a): el mejor subtratamiento para cada uno de los
tratamientos principales separadamente.
(b): el mejor Tratamiento Principal para cada uno de los
Subtratamientos separadamente.
(6): Diseo de Parcelas Sub Divididas
Los datos utilizados en este ejemplo proviene del libro de Montgomery, D. Se trata
de una investigacin mdica para estudiar el tiempo de absorcin de un cierto tipo
de cpsula antibitica. En esta investigacin se utilizaron 3 tcnicos como
Tratamientos principales, 3 dosis como Sub Tratamientos y 4 niveles de grosor de
la pared de cpsula como Sub Sub Tratamientos. El experimento se hizo en 4
bloques.
Este diseo asigna la mxima precisin de estimacin al factor grosor (Sub Sub
Tratamientos) , la mediana precisin al factor dosis (Sub Tratamientos) y la mnima
precisin al factor tcnico (Tratamiento principal).
Tabulacin de datos:
El esquema de la tabulacin de datos se presenta a continuacin. Los datos se
muestran en el programa de SAS.
Tcnico
----------------------------------------------------1
2
3
----------------------------------------------------Bloques Dosis 1 2 3 1 2 3 1 2 3
----------------------------------------------------Grosor - - - - - - - 1
- - - - - - - 1
2
- - - - - - - 3
- - - - - - - 4
- - - - - - - - indica un dato. Cada fila tiene 9 datos. Este esquema se repite para los 3
bloques restantes.
Programa fuente SAS:
title Parcelas sub divididas;
data psubdiv ;
do Bloques = 1 to 4;
do Grosor = 1 to 4;
do Tecnico = 1 to 3;
do dosis = 1 to 3 ;
input y @@;
output;
end;
end;
input;
end;
end;
cards;
95 71 108 96 70 108 95 70 100
104 82 115 99 84 100 102 81 106
101 85 117 95 83 105 105 84 113
108 85 116 97 85 109 107 87 115
95 78 110 100 72 104 92 69 101
106 84 109 101 79 102 100 76 104
103 86 116 99 80 108 101 80 109
109 84 110 112 86 109 108 86 113
96 70 107 94 66 100 90 73
98
105 81 106 100 84 101 97 75 100
106 88 112 104 87 109 100 82 104
113 90 117 121 90 117 110 91 112
90 68 109 98 68 106 98 72 101
100 84 112 102 81 103 102 78 105
102 85 115 100 85 110 105 80 110
114 88 118 118 85 116 110 95 120
;
proc print; run;
PROC GLM;
class Bloques Tecnico Dosis Grosor ;
model y = bloques tecnico bloques*tecnico dosis tecnico*dosis
dosis*bloques(tecnico)
grosor tecnico*grosor dosis*grosor tecnico*dosis*grosor/ss1 ;
test h=bloques tecnico e=bloques*tecnico;
test h=dosis tecnico*dosis e=dosis*bloques(tecnico);
Run;
Salida SAS:
Parcelas
subdivididas
Source
DF
Model
62
Error
81
esta F.V. como Error(c)
Corrected Total
143
Sum of
Squares
25921.472
723.188
Mean
Square
418.088
8.928
F Value
46.83
Pr > F
0.0001
Nombrar
26644.660
R-Square
C.V.
Root MSE
Y Mean
0.972858
3.074926
2.9880
97.174
Source
DF
Type I SS
Mean Square
F Value
Pr > F
BLOQUES
3
No usar esta Fila.
TECNICO
2
No usar esta Fila.
BLOQUES*TECNICO
6
Nombrarla como Error(a)
DOSIS
2
No usar esta Fila.
TECNICO*DOSIS
4
No usar esta Fila.
BLOQUE*DOSIS(TECNIC)
18
Nombrarla como Error(b)
GROSOR
3
TECNICO*GROSOR
6
DOSIS*GROSOR
6
TECNICO*DOSIS*GROSOR
12
48.410
16.137
1.81
0.1524
248.347
124.174
13.91
0.0001
161.153
26.859
3.01
0.0105
20570.056
10285.028
1151.97
0.0001
125.944
31.486
3.53
0.0105
226.000
12.556
1.41
0.1514
3806.910
126.486
402.278
205.889
1268.970
21.081
67.046
17.157
142.13
2.36
7.51
1.92
0.0001
0.0375
0.0001
0.0435
Mean Square
16.13657
124.17361
F Value
0.60
4.62
Pr > F
0.6378
0.0609
Source
DF
Type I SS Mean Square F Value
DOSIS
2
20570.056
10285.028
819.16
TECNICO*DOSIS
4
125.944
31.486
2.51
A continuacin se muestra la Tabla de Andeva definitiva.
Anlisis de Varianza
Fuentes de Variacin
G.L.
S.C.
C.M.
F
BLOQUES
3
48.40972
16.13657
0.60
TECNICO
2
248.34722
124.17361
4.62
Error(a)
6
161.153
26.859
DOSIS
2
20570.056
10285.028
819.16
TECNICO*DOSIS
4
125.944
31.486
2.51
Error(b)
18
226.000
12.556
GROSOR
3
3806.910
1268.970
142.13
TECNICO*GROSOR
6
126.486
21.081
2.36
DOSIS*GROSOR
6
402.278
67.046
7.51
TECNICO*DOSIS*GROSOR
12
205.889
17.157
1.92
Error(c)
81
723.188
8.928
Corrected Total
143
26644.660
Pr > F
0.0001
0.0784

BLOQUES*TECNICO as an error term
Source
BLOQUES
TECNICO
DF
3
2
Type I SS
48.40972
248.34722

BLOQUE*DOSIS(TECNIC) as an error term
Pr > F
0.6378
0.0609
0.0001
0.0784
0.0001
0.0375
0.0001
0.0435
Comentarios:
El valor de F para Tcnico no es significativo. Esto indica que los tres Tcnicos han tenido
xito en conducir el experimento de una manera uniforme. Puesto que F para dosis es
significativo, podemos concluir que existen diferencias significativas entre las potencias de
las 3 dosis que se han probado en este experimento. La interaccin Tcnico*Dosis al no ser
significativa, asegura que las 3 dosis entre ellas mantienen las mismas diferencias relativas
del tiempo de absorcin , no importa cual es el Tcnico quin lo prepara. Esta informacin
es importante ya que esto asegura la uniformidad en la calidad del producto elaborado.
Grosor es significativo, lo cual implica que la potencia del antibitico depende del grosor
de la pared de cpsula. La interaccin DOSIS*GROSOR es significativa. Esto indica que
el factor dosis y el factor grosor de la cpsula no son independientes. La interaccin
TECNICO*GROSOR es significativa indicando que el nivel del factor grosor que tenga el
mejor tiempo de absorcin depende del tcnico quin ha elaborado el antibitico. La
interaccin triple Tecnico*Dosis* Grosor, por ser una interaccin de tres factores puede ser
causada de una manera compleja por la significacin de cualesquiera de las siguientes
interacciones: Tcnico por Dosis*Grosor, o Dosis por Tcnico*Grosor o por Grosor por
Tcnico*Dosis.
A continuacin se presenta la informacin necesaria para hacer el Anlisis grfico de las 3
interacciones dobles:
Anlisis Grfico:
Sabemos que una interaccin doble es causada por una o ambas de las siguientes
raznes:
(1): Existe diferencia en la magnitud de respuesta. (Se identifica esta situacin en
la grfica cuando algunas o todas
de las lneas no son paralelas pero no existe interseccin entre ellas.)
(2): Existe diferencia en la direccin de respuesta. (Se identifica esta situacin

en la grfica cuando algunas o todas
de las lneas intersectan entre ellas.)
Cuando todas las lneas en la grfica son paralelas, entonces no existe
interaccin.
En las 3 grficas que se presentan arriba, podemos observar que:
(1): Ninguna de las 3 grficas muestran lneas paralelas y en consecuencia suma de
cuadrados para interaccin para
cada una de los 3 interacciones ser mayor que cero.
(2): Ninguna de las 3 grficas presentan la diferencia en la direccin de respuesta,
ya que no existe interseccin
entre las lneas.
(3): Cada una de las 3 grficas muestra diferencia en la magnitud de respuesta,
siendo esta de un grado leve para la
interaccion Tcnico*Dosis la cual no alcanza significacin para = 0,05 .
En cambio, las interacciones Tcnico*grosor y Dosis*Grosor muestran las
diferencias en la magnitud de
respuesta en un grado ms pronunciado y as alcanzan significacin para =
0,05 en la tabla de ANDEVA.
Anlisis Posterior:
Ya que la interaccin triple Tecnico*Dosis*Grosor y dos interacciones dobles son
significativas, no se puede hacer
el anlisis posterior sobre los promedios de los niveles de ninguno de los 3
factores.
Podemos realizar el anlisis de Duncan sobre los promedios tridimensionales de
Tcnico, Dosis y Grosor. Este
clculo requiere la estimacin de la varianza del promedio tridimensional y se
puede obtener por el promedio
ponderado de los cuadrados medios de los 3 tipos de errores a, b, y c. Esta
estimacin tendr 105 g.l.. A
continuacin se representa en forma resumida el resultado obtenido por el uso del
anlisis de Duncan:
Duncan Grouping
Mean
N TRAT
A
115.250
4 413
A
A
115.000
4 313
A
A
115.000
4 433
A
B
A
112.750
4 423
B
A
B
A
112.000
4 421
........................................
Se omiten los valores intermedios
........................................
N
N
N
N
N
71.750
112
71.000
132
69.000
122
El grupo de combinaciones de tratamiento con promedios que tengan valores

ms altos de la variable respuesta
son: 413, 313 y 433 . Asimismo, el grupo formado por las combinaciones de
tratamientos: 112, 132 y 122, tiene
promedios con valores ms bajos de la respuesta.
Tomando en cuenta los resultados del del Anlisis de Duncan, tambin se puede
determinar:
(a): El mejor Tcnico para cada una de las combinaciones de Dosis por Grosor.
(b): La mejor Dosis para cada una de las combinaciones de Tcnico por Grosor.
(c): El mejor Grosor para cada una de las combinaciones de Tcnico por Dosis.
(No se requiere a volver a hacer otro cmputo del mtodo de Duncan, sino usar
los resultados del Anlisis de
Duncan ya disponible.)
INDICE
(1): Introduccin
(4): Diseos de primer orden: (5-1): Diseos de segundo orden:
(8): Bibliografa:
(1): INTRODUCCION
Regresar al Indice
Supngase
que la dependencia de una variable respuesta Y sobre los

niveles x 1, x 2, ..., x k
de k variable cuantitativas o factores se puede expresar por el siguiente
modelo matemtico:
Y = (x 1, x 2, ..., x k) + ; ~ N( 0, ).
Esta relacin funcional en general se llama una superficie de respuesta.

Uno de los objetivos
ms frecuente en una investigacin por experimentacin consiste en
determinar los valores
de las k variables independientes, x i ; (i = 1,...,k), l as cuales pueden
producir un mximo
( o mnimo) de E(Y).
Se asumir que en la mayora de los casos prcticos, la forma de funcin
es desconocida
y an cuando en un caso dado puede ser muy complejo, siempre ser
posible aproximar la
funcin satisfactoriamente por un polinomio en x i ; (i = 1,...,k); de algn
grado adecuado
dentro de una regin experimental previamente planificada.
A fin de estimar los parmetros de una funcin polinomial , que puede servir
para aproximar
la superficie de respuesta , necesitaremos emplear un diseo de
experimento el cual se
puede denotar por : (x 1u, x 2u, ..., x ku); u = 1,...,N; que constituye una
seleccin de
N puntos en una regin experimental de inters.
Despus de realizar el experimento, utilizando el diseo indicado, se
obtendr la estimacin
de la funcin , que a su vez se puede someter a un anlisis para averiguar
acerca de las
condiciones que se deben imponer sobre las variables x 1, x2, ..., xk; para que
E(Y) alcance
un valor ptimo, que podra ser un mximo o un mnimo, segn sea el caso
bajo estudio.

Regresar al Indice
La aproximacin de una relacin funcional desconocida , se puede hacer
de la manera mas
simple por el modelo lineal de primer orden:
Y = 01x 12x 2 +. . . +kx k; ~ N( 0, ).
el cual representa la ecuacin de un plano.

En el caso de que el modelo de primer orden no sea adecuado, el siguiente
modelo de segundo
orden se puede utilizar:
Y = 0ix iiix i2 + ijx ix j; (i,j =1, ..., k ; i < j); ~ N( 0, ).
La superficie de respuesta del segundo orden dado por E(Y) puede ser una
parbola, hperbola,
elipse o sus generalizaciones correspondientes en el caso k-dimensional.
As tambin en el
caso de que fuera necesario, superficies polinomiales de orden superior a
dos, se pueden
utilizar. Una superficie polinomial de esta naturaleza, se debe considerar
solo como una
aproximacin de la verdadera relacin funcional en el interior de una
regin considerada en
el experimento. Una extrapolacin que intenta hacer predicciones fuera de
la regin experimental
puede ser arriesgada y no confiable.

Regresar al Indice
Box y Hunter(1951) sugirieron las siguientes propiedades que deberan
poseer los diseos multifactoriales de orden d:
(1): El diseo debe permitir la estimacin de parmetros de una superficie
de respuesta
polinomial con una precisin satisfactoria dentro de la regin de inters.
(2): El nmero de puntos experimentales en el diseo no debe ser muy
grande.
(3): El diseo debe posibilitar una verificacin con exactitud, que el

polinomio asumido
en el estudio es del grado adecuado.
(4): Debe permitir el uso de bloques cuando as sea conveniente.
(5): Debe formar un ncleo, del cual un diseo satisfactorio del grado d+1
se puede construir
en el caso de que se verifica que el grado d del polinomio no es adecuado.

Regresar al Indice
En la seleccin de los puntos experimentales de un diseo, el investigador debe
tomar en cuenta
las siguientes circunstancias que podran influir su estratega:
Magnitud del error experimental
Complejidad de la superficie de respuesta
Si o no es posible ejecutar el experimento en forma secuencial

Regresar al Indice
Este mtodo establece una regla que se utiliza en una serie de experimentos
secuenciales para
pasar a una regin de respuesta ms alta en la bsqueda de una respuesta
mxima.
Sea (0,0, ... ,0) el centro del primer experimento. Entonces esta regla de decisin
determina las coordenadas del punto P = (x'1, x'2, ..., x'k), el cual ser el centro del
prximo experimento.
Esta tcnica consiste en seleccionar un diseo con pocos puntos experimentales y
luego al
conducir el experimento, se obtienen las estimaciones de los parmetros
correspondiente a un
Sea
Y(estimado) = b0 + b1X1 + b2X2 + .... +bkXk
la estimacin de ecuacin del plano en un experimento. Entonces el camino del
ascenso mas pronunciado se toma al pasar al centro del prximo diseo a lo largo
de los ejes :
X1, X2 ,..., Xk en cantidades proprcionales a : b1 , b2 , .... , bk respectivamente.

(4) Diseos de primer orden:
Regresar al Indice
Los diseos de primer orden son aquellos que permiten la estimacin de
parmetros de un
Ejemplos de diseos de primer orden:

Experimentos factoriales de la serie 2k
Repiticin fraccionada 1/2p del factorial 2k
Estos diseos son muy convenientes en trabajos exploratorios para obtener el

ajuste de una
relacin lineal entre la respuesta como variable dependiente y las variables
independientes.
Estos diseos tambin se pueden utilizar en las etapas iniciales de un programa
de
experimentacin secuencial en la bsqueda de la respuesta ptima.
Mas abajo, se presenta una lista de algunos diseos factoriales fraccionados que
son tiles
como diseos de primer orden en las etapas priliminares en la exploracin de una
superficie
de respuesta.
Tabla 1: Algunos diseos tiles de primer orden formados por diseos factoriales 2 k-p
Nmero de
factores
3
4
5
5
6
Tamao del
experimento
8
8
8
16
8
Fraccin
1
1/2
1/4
1/2
1/8
G.L. por falta

de ajuste
4
3
2
10
1
Propiedades:
El diseo factorial fraccionado 1/2 tiene las siguientes propiedades:
Existen 2k-p puntos experimentales.
p
de un total de 2k-1 efectos principales e interacciones

correspondientes al experimento
factorial comple to, 2p-1 sern inseparable del parmetro 0 en el modelo y los
restantes
2k - 2p efectos sern mutuamente inseparables en conjuntos de 2p, siendo el
nmero de
tales conjuntos igual a 2k-p.
Mayores detalles de la construccin de los experimentos factoriales
fraccionados se pueden
obtener en Raghava Rao (1971).
(5-1): Diseos de segundo orden:
Regresar al Indice
Los diseos de segundo orden permiten la estimacin de parmetros de un
modelo polinomial
de grado dos. Ejemplos simples de este tipo de diseos son las series de 3k
factorial. La
desventaja de la serie 3k es que con k >3, el nmero de puntos
experimentales que se requieren
para conducir el experimento, llega a ser muy alto. Adems los parmetros
11, ... , kk ; en
general se estiman con precisin relativamente baja. Box y Wilson (1951)
han desarrollado una
familia de diseos llamados diseos compuestos que son mas
convenientes para este propsito
y se presentan a continuacin:
Regresar al Indice
Construccin del diseo:

(i): Puntos del factorial 2k o su fraccin, ampliado por :
(ii): 2k puntos axiales sobre los ejes de las variables independientes,
denotados por:
(-, 0, ... , 0); (, 0, ... , 0); (0, -, ... ,0); (0, , ... ,0); ... ; (0, 0, ... , -,); (0,
0, ... , ,)
(iii): Punto(s) sobre el centro del diseo.
El valor de se puede elegir para :

(a): Dar la propiedad de ortogonalidad al diseo o
(b): Minimizar el sesgo que surge si el modelo planteado en una

investigacin es de grado
dos pero el modelo verdadero tiene grado superior a dos o
(c): Dar la propiedad de rotabilidad al diseo.
Uso de un diseo compuesto central en experimentacin secuencial:

Los diseos compuestos centrales se pueden incorporar en un programa de
experimentacin secuencial. Este programa se puede iniciar con un factorial 2k con
meta exploratoria y har
posible obtener la estimacin de un modelo de primer grado. Si en esta etapa,
mediante el uso
de F.V. de falta de ajuste, se verifica que el modelo cuadrtico debera ser el ms
apropiado,
entonces se proceder a agregar (2k+1) puntos adicionales, el cual lo convierte en
un diseo
compuesto central. En la segunda etapa se utilizan ( 2k+2k +1) puntos expeimentales
en el anlisis estadstico y se estiman los parmetros de grado dos.
Construccin de un diseo compuesto central ortogonal:
Box y Wilson(1951) han demostrado que para dar la propiedad de ortogonalidad al
diseo, se
elige el valor de tal que:
mF/4) 1/4 , donde m = ((F+T) 1/4 - F1/2)2
en que F = nmero de puntos de 2k completo o su fraccin apropiada y T = nmero
de puntos adicionales para construir un diseo compuesto central.
cuando = 1.215, este diseo se llama un diseo compuesto ortogonal.
Regresar al Indice
En consideracin del problema de seleccin de diseos ptimos, Box y Hunter
(1951),
propusieron el criterio de rotabilidad de un diseo.
Definicin del concepto de rotabilidad de un diseo:

Sea (0, 0, ... , 0) el centro de un diseo. Sea:
Y(est.)(u) = b0bix iubiix iu2 + bijx iux ju; (i,j =1, ..., k ; i < j); (u = 1, ... , N);
la respuesta estimada en el punto (x 1u, x 2u, ..., x ku); Sea:

Var.(Y(est.)(u)) = (a'(X' X)-1a)donde
a' = (1, x 1u , ... , x ku ; x 21u , ... , x2 ku ; x 1u x 2u , ... , x k-1 , u x ku ;)
Un diseo se llama rotable si y solo si Var.(Y(est.)(u)) es invariante para todos los
puntos que
sean equidistante desde el centro del diseo.
Nota : Si un diseo es rotable, entonces Var.(Y(est.)(u)) ser una funcin solamente
de
x 21u + x 22u + , ... , + x 2ku
Construccin de un diseo Compuesto central rotable:
(i): nc puntos del factorial 2k o su fraccin apropiada , denotados por :
(
(ii): na puntos axiales sobre los ejes de las variables independientes, denotados
por:
(, 0, ... , 0); (0, , ... ,0); ... ; (0, 0, ... , ); donde = (F)1/4 , en que F es igual
al
nmero de puntos experimentales del factorial 2k o su fraccin apropiada.
(iii): no punto(s) sobre el centro del diseo. (0, 0, ... , 0); Sea nc + 4(1 +
(nc) 1/2 )), el parmetro del diseo rotable. La seleccin del valor
de fija el nmero de puntos centrales de un diseo. Los valore de
recomendados por
Box y Wilson se presentan en la tabla a continuacin:
Tabla 2: Valores de recomendados por Box y Wilson
k
2
3
4
5
6
0,7844
0,8385
0,8704
0,8918
0,9070
7
8
0,9184
0,9274

(7-1): Ejemplo1: Khuri y Cornell, Pgina 170
1
OBS
OTEMP
OTIEMPO
TEMP
93.6
125.90
171.9
-1.00000
TIEMPO
-1.00000
91.7
125.90
218.1
-1.00000
92.5
145.90
171.9
1.00000
92.9
145.90
218.1
1.00000
96.2
135.90
195.0
0.00000
97.0
135.90
195.0
0.00000
92.7
121.75
195.0
-1.41421
92.8
150.04
195.0
1.41421
93.4
135.90
162.3
0.00000
10
92.7
135.90
227.7
0.00000
1.00000
-1.00000
1.00000
0.00000
0.00000
0.00000
0.00000
-1.41421
1.41421
Response Surface for Variable Y: RENDIMIENTO

Response Mean
Root MSE
R-Square
Coef. of Variation
Ratio
3.446
102.9
11.652
44.849
Regression
Prob > F
Degrees
of
Freedom
Linear
0.1349
Quadratic
0.0004
Crossproduct
0.0269
Total Regress
0.0013
Degrees
of
Type I Sum
of Squares
93.550000
0.336892
0.9825
0.3601
R-Square
0.782267
0.0302
23.346250
0.9012
1.322500
0.0511
25.451016
0.9825
Sum of
F-
Residual
Prob > F
Ratio
Freedom
Lack of Fit
0.9247
Pure Error
Total Error
0.140
Degrees
Mean Square
0.133984
0.044661
1
4
0.320000
0.453984
0.320000
0.113496
of
Parameter
Standard
Freedom
Estimate
Error
H0:
Parameter
Prob > |T|
INTERCEPT
0.0000
TEMP
0.8125
TIEMPO
0.0592
TEMP*TEMP
0.0002
TIEMPO*TEMP
0.0269
TIEMPO*TIEMPO
0.0003
Factor
Squares
Degrees
of
Freedom
T for
Parameter=0
96.600000
0.238218
405.5
0.030178
0.119109
0.253
-0.311244
0.119109
-2.613
-1.981250
0.157567
-12.574
0.575000
0.168446
3.414
-1.831250
0.157567
-11.622
Sum of
Squares
Mean Square
F-
F-Ratio
Prob > F
TEMP
3
19.274250
6.424750
56.608
0.0010
TEMPERATURA (CENTIGRADO)
TIEMPO
3
17.427660
5.809220
51.184
0.0012
TIEMPO (SEGUNDOS)
Ejemplo: Khuri y Cornell, Pgina
170
4
Canonical Analysis of Response Surface
(based on coded data)
Factor
TEMP
(CENTIGRADO)
Critical Value
Coded
Uncoded
-0.003412
-0.004826
TEMPERATURA
TIEMPO
-0.060627
-0.085739
TIEMPO
(SEGUNDOS)
Predicted value at stationary point
Eigenvalues
-3.218257
-4.406743
96.613270
Eigenvectors
TIEMPO
TEMP
0.611383
0.791335
0.791335
-0.611383
Stationary point is a maximum.
(7-2): Ejemplo 2: Puntos de Ensilladura
Bibliografa:
Regresar al Indice
(1): Box, G.E. P. y J.S. Hunter (1951): Multifactor experimental designs for
exploring response
surfaces. J.R.S.S. ser. B, vol. 13, No. 1, 195-240.
(2): Box, G.E. P. y K.B. Wilson (1951): On experimental attainment of optimum
conditions.
J.R.S.S. ser. B, vol 13, No. 1 -45.
(3): Cornell, John A:(1990.): How to apply response surface methodology.
Milwaukee, WI .
(4): Khuri, Andr I. y John A. Cornell.(1996): Response surfaces : designs and

analyses .
Marcel Dekker, New York .
(5): Myers, Raymond H. y Douglas C. Montgomery.(1995.): Response surface
methodology :
process and product optimization using designed experiments. Wiley, New York.
(6): Raghava Rao, D. (1971): Construction and combinatorial problems in Design
of Experiments.
Wiley, New York.
(7): S.P.Sinha: Comparacin de precisin y sesgo de algunos Diseos
Experimentales de
superficie de respuesta. Publicacin 80-01, I.E.A.C., U.L.A. 1980.
Regresar al Men Principal
Ayuda para la entrada de datos para el programa:

Anlisis del rango mltiple de Duncan.
(A): Diseos Bsicos:
Completamente aleatorio, Bloques aleatorios y Cuadrado Latino:
Consideraremos los 3 diseos bsicos pero excluyendo el caso cuando se trata del experimento
factorial. S el experimento es factorial, entonces el uso del mtodo de Duncan requiere ciertas
tcnicas especiales que se explicarn ms adelante.
Todos los datos deben ser escritos en una sola hilera, separados por uno o ms espacios en blanco
y consisten en:
Nmero-de- tratamientos Promedios-de-tratamientos Valores-tabulares-para-el-test-de-Duncan
Cuadrado-medio-error-experimental Nmero-efectivo-de-replicaciones
Nota: La enumeracin anterior ocup 2 lneas para escribir, pero como se ha dicho anteriormente,
todos los datos sern entrados en el programa en una sola hilera separados por uno o ms espacios
en blanco.
Nmero-de- tratamientos contiene un solo dato. El nmero de Promedios-de-tratamientos que se
entrarn al programa ser igual al Nmero-de- tratamientos. Los Valores-tabulares-para-el-test-deDuncan sern obtenidos de una tabla estadstica y esto se explicar ms abajo. El Cuadrado-medioerror-experimental (es un solo valor y ) se obtiene de la tabla de Anlisis de varianza.
Nmero-efectivo-de-replicaciones para todos los diseos bsicos y siempre que el experimento no
sea factorial, es igual al nmero de replicaciones del diseo. Para un diseo en bloques aleatorios,
El nmero efectivo de replicaciones tambin ser igual al nmero de bloques. En el caso de un
diseo cuadrado latino, el nmero efectivo de replicaciones = nmero de filas = nmero de columnas
= nmero de tratamientos.
Cmo buscar los Valores-tabulares-para-el-test-de-Duncan ?
Estos valores tabulares se obtiene de una tabla estadstica llamada: Significant ranges for Duncan's
Multiple Range test: (En espaol: Rangos significativos para el test de Rango mtiple de Duncan).
Esta tabla existe para para los niveles de significacin de 1% y 5 % .
Para buscar los valores en la mencionada tabla, Ud. debe de disponer primero de las 3
informaciones siguientes:
(i) El nivel de significacin que ser usado, (ii) El nmero de tratamientos que tiene el diseo, (iii) el
valor numrico de grados de libertad (abreviatura: g.l.) del error del diseo.
Ejemplo:
Deseamos usar el nivel de significacin = 0,05 ; El diseo usado fue Bloques aleatorios con 5
bloques y 6 tratamientos. Los promedios de tratamientos fueron los siguientes:
27 35.9 44.82 44.54 61.08 60.64
g.l. del error experimental = 20 ; C.M. Error experimental = 101.67 ;
Busquemos primero los valores tabulares en la tabla que ha sido nombrada anteriormente. Siga los
siguientes pasos:
Ubique la tabla correspondiente al nivel de significacin = 0,05 ;
Ubique en la tabla la fila correspondiente al g.l del error = 20 ;
Anote de la tabla, 5 valores tabulares correspondiente a las columnas que indican los valores de
rangos iguales a: 2 3 4 5 6 ;
Estos valores tabulares son los siguientes:
2.95 3.10 3.18 3.25 3.30
[En general s el nmero de tratamientos es k, entonces se obtienen (k-1) valores tabulares.]
Ya que tenemos toda la informacin que necesitamos, ahora debe escribir la siguiente hilera de
datos en la caja del texto en el programa:
6 27 35.9 44.82 44.54 61.08 60.64 2.95 3.1 3.18 3.25 3.30 101.67 5
Luego haga click sobre el botn que se llama:
Ejecutar: Duncan
Nota: obsrvese que tambin ser correcto entrar la siguiente hilera de datos en la caja del texto:
6 ; 27 35.9 44.82 44.54 61.08 60.64 ; 2.95 3.1 3.18 3.25 3.30 ; 101.67 5
Esta entrada tiene la ventaja que ; se usa para indicar el comienzo y el fin de ciertos subgrupos de
datos para una mejor visualizacin. El programa no tomar en cuenta el separador ; en el
procesamiento de datos.
Nota: En algunos casos para hallar los valores tabulares, ser necesario usar la interpolacin
lineal, ya que la tabla presenta discontinuidades entre los valores presentados tanto en las filas
como en las columnas. Suceder esto por ejemplo si un diseo tiene 25 g.l. para el error
experimental y/o hay 15 tratamientos.
(II): Experimentos Factoriales:
Todo lo explicado en la seccin anterior es vlido para el caso que se comenta aqu salvo que el
nmero efectivo de replicacin para un experimento factorial asumir valores diferentes para
diferentes tipos de comparaciones.
(II-1): Experimento factorial de 2 factores y cualquier diseo: C.A., B.A. o C.L.
Sean a y b los niveles de un experimento factorial con los factores A y B respectivamente. Sea n el
nmero de replicaciones del experimento. En la siguiente tabla se presenta la informacin acerca del
clculo del nmero efectivo de replicaciones para diferentes tipos de comparaciones:
Tipo de comparaciones:
replicacin:
Entre los ab promedios bidimensionales de los factores A y B
Entre los a promedios marginales del factor A
Entre los b promedios marginales del factor B
Entre los a promedios bidimensionales de los factores A y B
para un nivel fijo de B
Entre los b promedios bidimensionales de los factores A y B
para un nivel fijo de A
.
Nmero efectivo de
n
bn
an
n
n
Ejemplo:
En una investigacin se utiliz un experimento factorial de 4x3 en un diseo B.A. con 2 bloques. Los
nmeros de niveles de los factores A y B fueron 4 y 3 respectivamente. Se obtuvieron datos
experimentales sobre 2 variables respuestas que indicamos por y 1 e y2 . Supongamos las siguientes
situaciones hipotticas para considerar la manera en que se debe usar el mtodo de Duncan,
sabiendo que se obtuvieron los siguientes resultados en la tabla de Anlisis de varianza:
Respuesta
y1
y2
Efectos con valores de F significativos al nivel de sig. = 0,05

A y B significativos. AB no significativa.
A, B y AB significativos.
.
.
Obsrvese que para ambas variables respuestas hay 12 promedios bidimensionales, 4 promedios
unidimensionales del factor A y 3 promedios unidimensionales del factor B.
Caso (a): Variable respuesta y1:
Ya que AB es no significativa, podemos hacer 2 test de Duncan separadamente.
(1): Test de Duncan sobre 4 promedios unidimensionales del factor A con la siguiente entrada de
datos:
4 ; los 4 promedios del factor A ; 3 valores tabulares ; C.M. error experimental ; 6 ;
(2): Test de Duncan sobre 3 promedios unidimensionales del factor B con la siguiente entrada de
datos:
3 ; los 3 promedios del factor B ; 2 valores tabulares ; C.M. error experimental ; 8 ;
Caso (b): Variable respuesta y2:
Ya que AB es significativa, la situacin se complica. Podemos considerar algunas de las siguientes
posibilidades vlidas:
(1): Test de Duncan sobre 12 promedios bidimensionales con la siguiente entrada de datos:
12 ; los 12 promedios bidimensionales ; 11 valores tabulares ; C.M. error experimental ; 2 ;
o
(2): Test de Duncan sobre 4 promedios bidimensionales del factor A para cada uno de los niveles
fijos del factor B. Habr que hacer 3 test de Duncan, con la siguiente entrada de datos:
4 ; 4 promedios bidimensionales del factor A para el nivel j de B ; 3 valores tabulares ; C.M.
error ; 2 ;
(repetir el test de Duncan 3 veces para j = 1,...,3)
o
(3): Test de Duncan sobre 3 promedios bidimensionales del factor B para cada uno de los niveles
fijos del factor A. Habr que hacer 4 test de Duncan, con la siguiente entrada de datos:
3 ; 3 promedios bidimensionales del factor B para el nivel i de A ; 2 valores tabulares ; C.M.
error ; 2 ;
(repetir el test de Duncan 4 veces para i = 1,...,4)
(II-2): Experimento factorial de 3 factores y cualquier diseo: C.A., B.A. o C.L.
Sean a, b y c los niveles de los factores A, B y C respectivamente en un experimento factorial de 3
factores con n replicaciones. La situacin aqu se resume de la siguiente manera:
Tipo de comparaciones:
Nmero efectivo de
replicacin:
Entre los abc promedios tridimensionales de los factores A , B y C
n
Entre los a promedios marginales del factor A
bcn
Entre los b promedios marginales del factor B
acn
Entre los ab promedios marginales bidimensionales de los factores A y B
cn
Entre los ac promedios marginales bidimensionales de los factores A y C
bn
Entre los bc promedios marginales bidimensionales de los factores B y C
an
etc.
Nota: Para otros diseos tales como parcela dividida y parcela subdividida que tienen ms de un
tipo del error experimental, ser necesario seleccionar el C.M. error experimental que sea apropiado
para una comparacion en el momento de hacer la entrada de datos en el programa.

Diseño de Experimentos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseño de Experimentos

Cargado por

Copyright:

Formatos disponibles

(1): Introduccin

(2): Aproximacin de una superficie de respuesta por polinomios:

que la dependencia de una variable respuesta Y sobre los

Esta relacin funcional en general se llama una superficie de respuesta.

Despus de realizar el experimento, utilizando el diseo indicado, se

(2): Aproximacin de una superficie de respuesta por polinomios:

el cual representa la ecuacin de un plano.

(3-1): Requerimientos y propiedades deseables de los diseos ptimos:

(1): El diseo debe permitir la estimacin de parmetros de una superficie

(3-2): Estrategia experimental

(3-3): Mtodo del ascenso ms pronunciado:

la estimacin de ecuacin del plano en un experimento. Entonces el camino del

Ejemplos de diseos de primer orden:

Repiticin fraccionada 1/2p del factorial 2k

Estos diseos son muy convenientes en trabajos exploratorios para obtener el

G.L. por falta

El diseo factorial fraccionado 1/2p tiene las siguientes propiedades:

de un total de 2k-1 efectos principales e interacciones

Construccin del diseo:

(iii): Punto(s) sobre el centro del diseo.

El valor de se puede elegir para :

(b): Minimizar el sesgo que surge si el modelo planteado en una

(c): Dar la propiedad de rotabilidad al diseo.

Uso de un diseo compuesto central en experimentacin secuencial:

Definicin del concepto de rotabilidad de un diseo:

la respuesta estimada en el punto (x 1u, x 2u, ..., x ku); Sea:

(7): Anlisis Cannico:

Response Surface for Variable Y: RENDIMIENTO

Stationary point is a maximum.

(7-2): Ejemplo 2: Puntos de Ensilladura

(5): Myers, Raymond H. y Douglas C. Montgomery.(1995.): Response surface

Anlisis de Varianza esquemtico:

Diseo Completamente Aleatorio

1. Caso fijo y balanceado

Diseo Completamente Aleatorio

M1 = S1 / (k-1) F = M1/M2 i; para todo i = 1,...,k

Error experimental k(n-1)

Regresar al Men anterior:

Diseo Completamente Aleatorio

F = M1/M2 i; para todo i =

Diseo Completamente Aleatorio

Regresar al Men anterior:

Diseo en Bloques Aleatorios

F1 = M1/M3 i; para todo i =

F2 = M2/M3 j; para todo j =

Regresar al Men anterior:

Diseo en Bloques Aleatorios

Regresar al Men anterior:

Diseo en Bloques Aleatorios

F1 = M1/M3 i; para todo i =

Regresar al Men anterior:

Diseo en Cuadrados Latinos

F1 = M1/M4 i; para todo i =

F2 = M2/M4 j; para todo i =

F3 = M3/M4 k; para todo i =

Regresar al Men anterior:

Experimento Factorial de 2 factores en el diseo completamente aleatorio

j; para todo j = 1,...,b

Regresar al Men anterior:

Experimento Factorial de 3 factores en el diseo completamente aleatorio

M7 = S7 /(a -1)(b -1)

ijk = 0 para todo

Tcnicas para interpretar

IMPORTANT NOTICE ABOUT THE COPYRIGHTS.