¡La universidad para todos!

¡La Universidad para todos!

Tema: DISEÑOS DE EXPERIMENTOS

Docente: Segundo García Flores

Escuela Profesional Periodo académico: 2018-12

ADMINISTRACION Y NEGOCIOS Semestre: 05
INTERNACIONALES Unidad: III
¡La universidad para todos!

TÍTULO DEL TEMA

DISEÑOS EXPERIMENTALES
 ¡La universidad para todos!

ORIENTACIONES

• Lea las previamente las orientaciones generales

del curso.
• Revise los temas afines a este en la Biblioteca
Virtual de la UAP.
• Participe de los foros.
 ¡La universidad para todos!

CONTENIDOS TEMÁTICOS

Ejemplos de modelos unifactoriales

El diseño de experimento completamente
aleatorizado
El diseño de experimento en bloques
completamente aleatorizado

4
 ¡La universidad para todos!

Modelo Unifactorial de efectos fijos

En una determinada fabrica de galletas se desea saber si las
harinas de sus cuatro proveedores producen la misma
viscosidad en la masa. Para ello, produce durante un día 16
masas, 4 de cada tipo de harina, y mide su viscosidad. Los
resultados se muestran en la tabla siguiente:

 Variable respuesta: viscosidad.

 Factor: proveedor.
 Tratamientos: 4
 Modelo unifactorial de efectos fijos, equiibrado.
 ¡La universidad para todos!

Modelo Unifactorial de efectos fijos

Una compañía textil utiliza diversos telares para la producción
de telas. Aunque se desea que los telares sean homogéneos
con el objeto de producir tela de resistencia uniforme, se
supone que puede existir una variación significativa en la
resistencia de la tela debida a la utilización de distintos
telares. A su disposición tiene 5 tipos de telares con los que
realiza determinaciones de la resistencia de la tela.

Este experimento se realiza

en orden aleatorio y los
resultados se muestran en
la tabla siguiente:
 ¡La universidad para todos!

Modelo Unifactorial de efectos fijos

En este experimento, se han considerado 5 tipos de telares y

se han realizado 6, 5, 5, 4 y 6 determinaciones de la
resistencia de tela manufacturada con cada uno,
respectivamente.

 Variable de interés: resistencia de la tela.

 Factor: los telares.
 Niveles del factor: 5
 Modelo unifactorial de efectos fijos, no-equiibrado.
 ¡La universidad para todos!

Clasificación de los diseños experimentales

Modelo de Diseño de experimento completamente
aleatorizado
Es recomendable cuando:
• La diferencia entre las unidades experimentales es pequeña.
• El número de tratamiento es pequeño.
En una situación característica, se quiere utilizar el análisis de
varianza unilateral para probar la hipótesis nula que indica que
tres o mas tratamientos son igualmente eficaces. El
experimento se diseña en tal forma que los tratamientos de
interés se asignan de manera totalmente aleatoria a los
individuos u objetos en los que se han de realizar las
determinaciones para medir la eficacia de los tratamientos.
Por esta razón, el diseño se llama diseño de experimentación
completamente aleatorizado.
 ¡La universidad para todos!

Clasificación de los diseños experimentales

Ejemplo 5.1 Comparación de cuatro métodos de ensamble.
Un equipo de mejora investiga el efecto de
cuatro métodos de ensamble A, B, C y D,
Método de ensamble
sobre el tiempo de ensamble en minutos. En
primera instancia, la estrategia A B C D
experimental es aplicar cuatro veces los
cuatro métodos de ensamble en orden 6 7 11 10
completamente aleatorio (las 16 pruebas 8 9 16 12
en orden aleatorio). Los tiempos de
ensamble obtenidos se muestran en la 7 10 11 11
tabla. Si se usa el diseño completamente al 8 8 13 9
azar (DCA), se supone que, además del
método de ensamble, no existe ningún otro
factor que influya de manera significativa
sobre la variable de respuesta (tiempo de
ensamble).
 ¡La universidad para todos!

Diseño Completamente Aleatorizado

Se decide realizar un experimento completamente al azar para

comparar las poblaciones, en principio mediante la hipótesis de
igualdad de medias:
 H0 : 1   2  ...   k

 H 1 :   1   2  ...   k 
Los datos generados por un diseño completamente al azar para
comparar dichas poblaciones se pueden escribir como en la tabla
N°1.
 ¡La universidad para todos!

Diseño Completamente Aleatorizado

Tabla N°1. Tabla de valores de la muestra para el diseño
completamente aleatorizado

Tratamientos
1 2 3 ... k
x11 x12 x13 ... x1k
x21 x22 x23 ... x2k
. . . . .
. . . . .
. . . . .
xn1 xn2 xn3 xnk
Total T.1 T.2 T.3 ... T.k
Media …
 ¡La universidad para todos!

Diseño Completamente Aleatorizado

xij i  1,2,..., n j ; j  1,2,..., k
La i-ésima observación resultante a partir del j-ésimo
tratamiento (en total existen k tratamientos)
nj
T j   xij Total del j-ésimo tratamiento
i 1

T j
x j  Medida del j-ésimo tratamiento
nj
k k nj

T
i 1
j   xij
j 1 i 1
Total de todas las observaciones
k
N  nj
j 1
 ¡La universidad para todos!

Diseño Completamente Aleatorizado

El número de tratamientos (k) es determinado por el investigador y

depende del problema particular de que se trata.
El número de observaciones por tratamiento (n) debe escogerse con
base en la variabilidad que se espera observar en los datos, así como
en la diferencia mínima que el experimentador considera que es
importante detectar. Con este tipo de consideraciones, por lo general
se recomiendan entre 5 y 30 mediciones en cada tratamiento.
Por ejemplo, se usa n = 10 cuando las mediciones dentro de cada
tratamiento tienen un comportamiento consistente (con poca
dispersión).

En el otro extremo, se recomienda n = 30 cuando las mediciones

muestran bastante dispersión. Cuando es costoso o tardado realizar
las pruebas para cada tratamiento se puede seleccionar un número
menor de repeticiones, con lo cual sólo se podrán detectar
diferencias grandes entre los tratamientos.
 ¡La universidad para todos!

Modelo de Diseño de experimento completamente

aleatorizado
En caso de que los tratamientos tengan efecto, las observaciones Xij
de la tabla N°1. se podrán describir con el modelo estadístico lineal
dado por:

X ij    j  eij
Donde: j  1,2,3.......t
i  1,2,3..n
Valor de i-ésima observación en el j-ésimo
X ij 
tratamiento
 Promedio general
Parámetro que denota el efecto del i-ésimo
j  tratamiento
eij  Error aleatorio de las
observaciones
eij
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados

Ejemplo 5.2 Comparación de cuatro tipos de cuero.

Un fabricante de calzado desea mejorar la calidad de las suelas, las
cuales se pueden hacer con uno de los cuatro tipos de cuero A, B, C y
D disponibles en el mercado. Para ello, prueba los cueros con una
máquina que hace pasar los zapatos por una superficie abrasiva; la
suela de éstos se desgasta al pasarla por dicha superficie. Como
criterio de desgaste se usa la pérdida de peso después de un número
fijo de ciclos.
Se prueban en orden aleatorio 24
zapatos, seis de cada tipo de cuero. Al
hacer las pruebas en orden
completamente al azar se evitan sesgos
y las mediciones en un tipo de cuero
resultan independientes de las demás.
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados

Ejemplo 5.2 Comparación de cuatro tipos de cuero.

Los datos (en miligramos) sobre el desgaste de cada tipo de
cuero se muestran en la tabla.

Tipo de cuero Observaciones Promedio

A 264 260 258 241 262 255 256,7

B 208 220 216 200 213 206 209,8
C 220 263 219 225 230 228 230,8
D 217 226 215 227 220 222 220,7
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados
Cuando se quieren comparar ciertos tratamientos o estudiar el
efecto de un factor, es deseable que las posibles diferencias se
deban principalmente al factor de interés y no a otros factores que
no se consideran en el estudio. Cuando esto no ocurre y existen
otros factores que no se controlan o nulifican para hacer la
comparación, las conclusiones podrían ser afectadas
sensiblemente.

Por ejemplo, supongamos que se quieren comprar varias máquinas,

si cada máquina es manejada por un operador diferente y se sabe
que éste tiene una influencia en el resultado, entonces es claro que
el factor operador debe tomarse en cuenta si se quiere comparar a
las máquinas de manera justa. Un operador más hábil puede hacer
ver a su máquina (aunque ésta sea la peor) como la que tiene el
mejor desempeño, lo cual impide hacer una comparación adecuada
de los equipos.
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados
Para evitar este sesgo hay dos maneras de anular el posible
efecto del factor operador:
 La manera lógica es utilizar el mismo operador en las cuatro
máquinas; sin embargo, tal estrategia no siempre es
aconsejable, ya que utilizar al mismo sujeto elimina el efecto
del factor operador pero restringe la validez de la
comparación con dicho operador, y es posible que el resultado
no se mantenga al utilizar a otros operadores.
 Cada operador trabaje durante el experimento con cada una
de las máquinas. Esta estrategia es la más recomendable, ya
que utilizar a todos los operadores con todas las máquinas
permite tener resultados de la comparación que son válidos
para todos los operadores. Esta última forma de nulificar el
efecto de operadores, recibe el nombre de bloqueo.
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados
Factores de bloque
A los factores adicionales al factor de interés que se incorporan de
manera explícita en un experimento comparativo se les llama factores
de bloque. Éstos tienen la particularidad de que no se incluyen en el
experimento porque interese analizar su efecto, sino como un medio
para estudiar de manera adecuada y eficaz al factor de interés.
Los factores de bloque entran al estudio en un nivel de importancia
secundaria con respecto al factor de interés y, en este sentido, se
puede afirmar que se estudia un solo factor, porque es uno el factor de
interés. Por ejemplo, en el caso de comparar 4 máquinas que son
manejadas por 4 operadores, es pertinente incluir explícitamente al
factor operadores (bloques) para lograr el propósito del estudio, pero
esta inclusión no es con el fin de estudiar el efecto del factor operador
(o comparar a los operadores). Más bien, la inclusión de los operadores
es un medio y no un fin para lograr una comparación adecuada y eficaz
de las máquinas.
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados

Puede ser que además de los operadores existan otros

factores de bloque que deban controlarse durante el
experimento para lograr una comparación adecuada de las
máquinas. También se podrían controlar: el tipo de material,
lotes, tipo de producto, día, turno, etc., pero no se trata de
caer en el extremo de querer controlarlo todo, sino
básicamente aquellos factores que por conocimiento del
proceso o experiencia previa, se sabe que afectan en forma
considerable el resultado de la comparación.
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados
En un diseño en bloques al azar se consideran tres fuentes de
variabilidad:
 el factor de tratamientos,
 el factor de bloque y
 el error aleatorio,
es decir, se tienen tres posibles “culpables” de la variabilidad
presente en los datos. La palabra completo en el nombre del
diseño se debe a que en cada bloque se prueban todos los
tratamientos, o sea, los bloques están completos. La
aleatorización se hace dentro de cada bloque; por lo tanto, no
se realiza de manera total como en el diseño completamente
al azar. El hecho de que existan bloques hace que no sea
práctico o que incluso sea imposible aleatorizar en su
totalidad.
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados

Los factores de bloqueo que aparecen en la práctica son:

turno, lote, día, tipo de material, línea de producción, operador,
máquina, método, etc.
La imposibilidad de aleatorizar de bloque a bloque se aprecia
claramente cuando se bloquean factores como día o turno, ya
que no tiene sentido pensar en seleccionar al azar el orden de
los días o los turnos porque es imposible regresar el tiempo.

Supongamos una situación experimental con k tratamientos y

b bloques. El aspecto de los datos para este caso se muestra
en la tabla 4.1, y considera una repetición en cada
combinación de tratamiento y bloque.
 ¡La universidad para todos!

Modelos de diseños experimentales en bloques

completamente aleatorizados
Modelo estadístico
Cuando se decide utilizar un DBCA, el experimentador piensa
que cada medición será el resultado del efecto del
tratamiento donde se encuentre, del efecto del bloque al que
pertenece y de cierto error que se espera sea aleatorio.

Yij    i   j  eij
i  1,2,..., n j ; j  1,2,..., k
 ¡La universidad para todos!

Diseño modelo en bloque completamente

aleatorizado
Tabla de valores aleatorios para el diseño modelo en bloques
completamente aleatorizados

Bloques T1 T2 T3 … Tk TOTAL
B1 X11 X12 X13 … X1k X1•
B2 X21 X22 X23 … X2k X2•
B3 X31 X32 X33 … X3k X3•

Bk Xk1 Xk2 X53 … X5k Xk•

TOTAL X•1 X•2 X•3 … X•k X••
Media …
 ¡La universidad para todos!

Donde:
Xij = observación del i-ésimo bloque en el j ésimo
tratamiento.
 = medida general
= efecto del i-ésimo bloque
 i= efecto del j-ésimo tratamiento j
eij = error aleatorio de las observaciones Yij
con
i distribución normal con media 0 y
varianza  cuadrado.
¡La universidad para todos!

¡Gracias!