El diseño de experimentos se puede definir como un conjunto de técnicas

estadísticas usadas para planear experimentos y analizar sus resultados, de

manera ordenada y eficiente, es un enfoque planeado para determinar relaciones
de causa y efecto. Puede aplicarse a cualquier proceso con entradas y salidas
medibles.
Existen tres principios básicos a ser considerados en todo diseño y análisis de un
experimento:
1. El orden de los experimentos debe ser aleatorio
2. Es recomendable replicar cada experimento
3. Bloquear el efecto de variables que no se desea probar

MODELO MATEMATICO DE UN DISEÑO DE 2 FACTORES

Modelo:
𝒚 𝒊𝒋𝒌 =𝝁+ 𝝉 𝒊 + 𝜷 𝒋 + 𝝉𝜷 𝒊𝒋 + 𝜺 𝒊𝒋𝒌
𝒚 𝒊𝒋𝒌 = Poder de reflexión
𝝁= Media general
𝝉 𝒊 =Efecto de la concentración
𝜷 𝒋 = Efecto de la temperatura
𝜷 𝒊𝒋 = Efecto de interacción concentración - temperatura
𝒊𝒋𝒌 = Error aleatorio
Ejemplo:
Un ingeniero está diseñando una batería para usarse en un aparato que estará
sujeto a variaciones extremas de temperatura. Tiene tres opciones para el material
de la placa para la batería, y como sabe que la temperatura afecta la vida de la
batería decide probar tres temperaturas: 15◦F, 70◦F, 125◦F. Se prueban 4 baterías
en cada combinación de material y temperatura y las 36 pruebas (3 × 3 × 4) se
corren en orden aleatorio (completamente al azar). Los datos son vida (en horas)
de las baterías.
Tipo de Tipo de temperatura
materia 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60

El ingeniero quiere contestar las siguientes preguntas:

1. ¿Qué efectos producen el material y la temperatura en la vida de la batería?
2. ¿Existe un material que produzca uniformemente más larga vida a la batería
sin importar la temperatura?
diseño completamente al azar, experimento balanceado, completo, factores fijos.
Una observación por celda Suponga un experimento con dos factores A con a
niveles y B con b niveles y una sola repetición en cada celda (tratamiento). El modelo
con interacción es:

yij = µ + τi + βj + (τβ )ij + ǫij i = 1, . . ., a j = 1, . . ., b

F.V. g.l. E (CM )
A a−1 σ 2 + bθ 2 a
B b−1 σ 2 + aθ 2 b
AB ( a − 1)( b − 1) σ 2 + θ 2 ab
Error 0 σ2
Total ab − 1

σ 2 no se puede estimar, por lo tanto no hay prueba para los efectos principales a

menos que no haya interacción, y entonces el modelo es yij = µ + τi + βj + ǫij Este

es el caso de bloques al azar.

El Diseño Factorial General. Balanceado El diseño factorial de dos factores se

puede generalizar a tener p factores: A con a niveles B con b niveles.
En general, habrá ABC · · · n observaciones si hay n repeticiones del experimento
completo. Debe haber por lo menos 2 repeticiones (n ≥ 2) para poder calcular σˆ 2
si todas las posibles interacciones están incluidas en el modelo
Suponga un diseño con dos factores: A con a niveles y B con b niveles, en diseño
completamente al azar. (Factorial a × b completo, balanceado, efectos fijos) Sea
yijk la respuesta para la k-ésima u. E. del nivel i de A y j de B. yijk = µ + τi + βj + γij
+ ǫijk i = 1, . . ., a j = 1, . . ., b k = 1, . . ., n Las hipótesis que se prueban son:
H01: γij = 0 ∀ i, j
H02: τi + ¯γi. = 0 ∀ i
H03 : βj + ¯γ.j = 0 ∀ j
INTERRACCIÓN
Diseño 2k para k = 2 factores Este diseño, es el más sencillo de la serie. Consideramos dos factores:
A y B, cada uno a 2 niveles. Normalmente consideramos estos niveles como los niveles alto y bajo
del factor ojtet El diseño 22 puede ser representado geométricamente como un cuadrado con 4
ensayos

Para cualquier diseño 2k con n replicas, la estimación del efecto y de los cuadrados se estiman de
la siguiente forma: Efecto = Contraste/n2K-1 SSx = [Contraste]2/n2k Los efectos de interés en el
diseño 22, son los efectos principales de A y B y la interacción AB. Estimaremos cada uno de los
efectos de la siguiente forma: A = [a+ab-b-(1)]/2n B = [b+ab-a-(1)]/2n AB = [ab+(1)-a-b]/2n

. Se emplea la siguiente metodología:

1. Identificar los factores que pueden influir en la variable respuesta y proponer un modelo
2. Realizar el experimento, tomando las observaciones necesarias
3. Estimar los parámetros del modelo
4. Contrastar si los factores influyen en la respuesta
5. Si los factores influyen en la respuesta, detectar dónde radican las diferencias
6. Si algún factor no influye, simplificar el modelo y repetir los pasos anteriores
7. Realizar la diagnosis del modelo mediante el análisis de los residuos

Consideramos dos factores: α (niveles α1 y α2) y β (niveles β1 y β2). Primer caso: dos factores sin
interacción. Los datos son: α\β β1 β2 α1 10 20 α2 30 40 El efecto principal del factor α es la
diferencia entre la respuesta promedio de α1 y α2 : Eα = 10 + 20 2 − 30 + 40 2 = −20 y el efecto
principal del factor β es: Eβ = 10 + 30 2 − 20 + 40 2 = −10 Ahora bien, para el nivel β1, el efecto del
factor α es: Eα|β1 = 10 − 30 = −20 y para el nivel β2 es: Eα|β2 = 20 − 40 = −20
De forma similar, los efectos del factor β para los niveles α1 y α2 son, respectivamente: Eβ|α1 =
10 − 20 = −10 2 Eβ|α2 = 30 − 40 = −10 Entonces, el efecto de uno de los factores no depende de
los niveles del otro factor, lo cual indica que no hay interacción entre los factores. Cuando ambos
factores tienen dos niveles, el efecto de la interacción es la diferencia entre los promedios de las
diagonales, que es en este caso: Eαβ = 10 + 40 2 − 30 + 20 2 = 0 lo que indica que no hay
interacción. Los siguientes gráficos de perfil muestran la falta de interacción ya que las rectas que
aparecen son paralelas
El efecto principal del factor α es

Eα = 10 + 20

2 − 30 + 0

2=0

lo que indicaría que el factor α no tendría ningún efecto en la respuesta. Sin embargo,

para el nivel β1, el efecto del factor α es:

Eα|β1 = 10 − 30 = −20

y para el nivel β2 es:

Eα|β2 = 20 − 0 = 20

Entonces, aunque el efecto principal indique que el factor α no influye en la respuesta,

el efecto que produce α depende del nivel seleccionado del factor β y se concluye que hay

interacción entre α y β.

El efecto de la interacción es en este caso:

Eαβ = 10 + 0

2 − 30 + 20

2 = −20

lo que indica que hay interacción. Los siguientes gráficos de perfil muestran la existencia

de interacción ya que las rectas que aparecen se cruzan entre sí.

DISEÑO CUADRADO LATINO : DCL El agrupamiento de las unidades experimentales en dos
direcciones (filas y columnas) y la asignación de los tratamientos al azar en las unidades, de tal
forma que en cada fila y en cada columna se encuentren todos los tratamientos constituye un
diseño cuadrado latino. Características: 1. Las u.e. se distribuyen en grupos , bajo dos criterios de
homogeneidad dentro de la fila y dentro de la columna y heterogeneidad en otra forma. 2. En
cada fila y en cada columna, el número de unidades es igual al número de tratamientos. 3. Los
tratamientos son asignados al azar en las unidades experimentales dentro de cada fila y dentro de
cada columna. 4. El número de filas = número de columnas = número de tratamientos. 5. Los
análisis estadísticos T-student, Duncan, Tuckey y en pruebas de contraste se procede como el
diseño completo al azar y el diseño de bloques. La desviación estandar de la diferencia de
promedios y la desviación estandar del promedio, están en función del cuadrado medio del error
experimental. El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field
Experiments, J. Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones fueron en el campo
agronómico, especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones.
Formación de cuadrados latinos Suponga 4 tratamientos A,B,C y D, con estos tratamientos se
pueden formar 4 cuadros diferentes llamadas típicas o estandar (en la primera fila y en la primera
columna se tiene la misma distribución).

┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐

│ABCD││ABCD││ABCD││ABCD││BADC│

│BCDA││BDAC││BADC││CDBA││CDAB│

│CADB││CDAB││DCAB││DABC││DCBA│

│DCBA│

└─────────┘ └─────────┘ └─────────┘ └─────────┘

De cada cuadro se obtienen 144 formas diferente, en total se tienen 576 cuadros diferentes.
Cuadrado Latino F.de Mendiburu / 3/24/2007 2 La siguiente tabla permite relacionar el numero de
cuadros en función del tamaño.
┌──────────┬────────┬──────────┬──────────────┐
│ Tamaño │ Nro de │ │ Núm total │ │ del │ formas │ Valor de │ de cuadrados │
│ cuadrado │ típica │ n!(n-1)! │ diferentes │
├──────────┼────────┼──────────┼──────────────┤
│ 3 x 3 │ 1 │ 12 │ 12 │ │ 4 x 4 │ 4 │ 144 │ 576 │ │ 5 x 5 │ 56
│ 2880 │ 161280 │ │ 6 x 6 │ 9408 │ 86400 │ 812851200 │
└──────────┴────────┴──────────┴──────────────┘
n = tamaño del cuadro. Asignación de tratamientos. Los tratamientos deben asignarse empleando
uno de los cuadros de los posibles, es decir si son cuatro tratamientos, escoger entre los 576
posibles. Modelo estadístico. Cada observación del experimento es expresado como una relación
lineal de los efectos involucrados ( tratamiento, fila y columna ), así: Yij(k)= µ+Fi+C j+τ (k)+errorij(k)
i,j,k=1,2,...,n µ = efecto medio (parámetro del modelo) Fi = efecto de la fila i C j = efecto de la
columna j τ (k) = efecto del tratamiento k errorij(k) = error experimental de la u.e. i,j Yij(k) =
Observación en la unidad experimental El subíndice (k) indica que tratamiento k fue aplicado en la
u.e. El modelo esta compuesto por n 2 ecuaciones, una para cada observación. Estimación de
parámetros. El número de parámetros a estimar es igual a 3n+1 y la estimación puede resolverse
por mínimos cuadrados del error, máxima verosimilitud u otro método, en nuestro caso se
utilizara el método de mínimos cuadrados del error. La función a minimizar es: Cuadrado Latino
F.de Mendiburu / 3/24/2007 3 = (Y - - F -C - ) ij(k) 2 error ij(k) i j (k) 2 ∑ ∑ ∑ ∑ µ τ La solución
constituye el conjunto de estimadores de los parámetros del modelo, dado por: ( ,F ,C , ) µ i j τˆk ˆ
ˆ ˆ para i,j,k = 1,2,...,n El sistema de ecuaciones que darán solución constituyen las ecuaciones
normales, para tener una única solución, se agregan al sistema las siguientes restricciones: F = 0 i ∑
ˆ ; C =0 j ∑ ˆ ; ∑τˆi =0 La solución son los estimadores mínimos cuadráticos: µ =Y.. ˆ Fi=Yi.-Y.. ˆ C=Y.j
-Y.. ˆ τˆ(k)=Y(k) - overlineY.. y el error en cada u.e. es: Error =Y -Yi.-Y.j -Y(k)+2Y.. ij(k) ij(k) Yi. :
Promedio de la fila i Y.j : Promedio de la columna j Y(k) : Promedio del tratamiento k Sumas de
cuadrados A partir del modelo estimado, la suma de cuadrados del total es descompuesto en
suma de cuadrados de tratamientos, filas, columnas y error experimental: ij(k) 2 + error (k) 2 + j 2
+ C i 2 (Y - ) = F 2 ∑ ∑ ij(k) µˆ ∑ ∑ ˆ ∑ ∑ ˆ ∑ ∑τˆ ∑ ∑ + dobles productos (Y - ) 2 ∑ ∑ ij(k) µ : Suma de
cuadrados del total i 2 ∑ ∑Fˆ : Suma de cuadrados de filas j 2 ∑ ∑Cˆ : Suma de cuadrados de
columnas Cuadrado Latino F.de Mendiburu / 3/24/2007 4 (k) 2 ∑ ∑τˆ : Suma de cuadrados de
tratamientos ij(k) 2 ∑ ∑error : Suma de cuadrados del error Los dobles productos son iguales a
cero. Ejercicio. Probar las siguientes identidades: SC Fila : n .. 2 Y - n i. 2 Y = i 2 nF 2 ∑ ˆ ∑ SC
Columna: n .. 2 Y - n .j 2 Y = j 2 nC 2