NTC2062-3 Diseño Experimentos

NORMA TÉCNICA NTC
COLOMBIANA 2062-3
2002-10-30
ESTADÍSTICA.
VOCABULARIO Y SÍMBOLOS. PARTE 3: DISEÑO
DE EXPERIMENTOS
E: STATISTICS. VOCABULARY AND SYMBOLS. PART 3:

DESIGN OF EXPERIMENTS
CORRESPONDENCIA: esta norma es una adopción idéntica

(IDT) por traducción a la norma
ISO 3534-3:1999, Statistics -
Vocabulary and Symbols. Part 3:
Design of Experiments
DESCRIPTORES: estadística; diseño de experimentos;

vocabulario; símbolos.
I.C.S.: 01.40.03; 03.120.30
Editada por el Instituto Colombiano de Normas Técnicas y Certificación (ICONTEC)

Apartado 14237 Bogotá, D.C. - Tel. 6078888 - Fax 2221435
Prohibida su reproducción Primera actualización

Editada 2002-11-22
PRÓLOGO
El Instituto Colombiano de Normas Técnicas y Certificación, ICONTEC, es el organismo

nacional de normalización, según el Decreto 2269 de 1993.
ICONTEC es una entidad de carácter privado, sin ánimo de lucro, cuya Misión es fundamental
para brindar soporte y desarrollo al productor y protección al consumidor. Colabora con el
sector gubernamental y apoya al sector privado del país, para lograr ventajas competitivas en
los mercados interno y externo.
La representación de todos los sectores involucrados en el proceso de Normalización Técnica

está garantizada por los Comités Técnicos y el período de Consulta Pública, este último
caracterizado por la participación del público en general.
La NTC 2062-3 (Primera actualización) fue ratificada por el Consejo Directivo del 2002-10-30.
Esta norma está sujeta a ser actualizada permanentemente con el objeto de que responda en
todo momento a las necesidades y exigencias actuales.
A continuación se relacionan las empresas que colaboraron en el estudio de esta norma a

través de su participación en el Comité Técnico 000004 Aplicación de métodos estadísticos.
CARBOQUÍMICA S.A. INDUSTRIAS HUMCAR LTDA.

CORPACERO S.A. SIKA COLOMBIA S.A.
Además de las anteriores, en Consulta Pública el Proyecto se puso a consideración de las

siguientes empresas:
ACASA ECOPETROL
ACERÍAS PAZ DEL RÍO S.A. ECSI S.A.
ALPINA S.A. EDITORIAL VOLUNTAR
ANHÍDRIDOS Y DERIVADOS DE ELECTROMANUFACTURAS
COLOMBIA S.A. EMPRESAS PÚBLICAS DE MEDELLÍN
ATLANTIC MINERALES ESCOBAR Y MARTÍNEZ
ATOFINA ESCUELA COLOMBIANA DE INGENIERÍA
BAVARIA EXTRUCOL
CARVAJAL S.A. EXXON MOBIL DE COLOMBIA
CENTELSA FRIGORÍFICO SUIZO S.A.
CHICLE ADAMS S.A. GAS NATURAL E.S.P.
CODENSA INALCEC
COLOMBIANA DE AUTOPARTES S.A. INDUSTRIA COLOMBIANA DE
COLOMBINA S.A. ELECTRÓNICOS Y ELECTRODOMÉSTICOS
COMPAÑÍA NACIONAL DE CHOCOLATES INDUSTRIAS ALIMENTICIAS NOEL -
CONCONCRETO S.A. ZENÚ S.A.
CONFECCIONES COLOMBIA S.A.
DEXTON S.A.
MEALS SIEMENS S.A.
NCR THOMAS GREG SONS DE COLOMBIA
NESTLÉ DE COLOMBIA S.A. S.A.
PETROQUÍMICA COLOMBIANA S.A. TRIPLE A ESP S.A.
POLIPROPILENO DEL CARIBE S.A. UNIVERSIDAD DE ANTIOQUIA
POSTOBÓN S.A. UNIVERSIDAD NACIONAL
SHELL COLOMBIA
ICONTEC cuenta con un Centro de Información que pone a disposición de los interesados
normas internacionales, regionales y nacionales.
DIRECCIÓN DE NORMALIZACIÓN
NORMA TÉCNICA COLOMBIANA NTC 2062-3 (Primera actualización)
ESTADÍSTICA.
VOCABULARIO Y SÍMBOLOS.
PARTE 3: DISEÑO DE EXPERIMENTOS
INTRODUCCIÓN
El diseño de experimentos es esencialmente una estrategia de programación de experimentos

de manera que se puedan obtener conclusiones válidas y pertinentes en forma eficiente y
económica. La selección del plan experimental específico debería depender del tipo de
pregunta por responder, del grado de generalidad vinculado a las conclusiones, y de los
recursos disponibles (material experimental, personal, tiempo). Un experimento diseñado y
ejecutado apropiadamente conducirá con frecuencia a un análisis estadístico e interpretación
de resultados relativamente sencillos.
En años recientes ha tenido mucho auge la aplicación del diseño experimental, principalmente
debido al reconocimiento de que los experimentos diseñados son esenciales para mejorar la
calidad de los productos y servicios. Aunque el control de calidad estadístico, la inspección y otras
herramientas de la calidad también prestan esta función, el diseño experimental representa la
metodología preferida en escenarios complejos, variables e interactivos. Históricamente, el diseño
de experimentos ha evolucionado y prosperado en el área agrícola. La medicina también ha
disfrutado de una larga historia de cuidadoso diseño experimental. Actualmente, los escenarios
industriales son testigos de considerables beneficios de la metodología, debido a la facilidad de
iniciar esfuerzos (paquetes de software amigables para el usuario), formación mejorada,
defensores influyentes y acumulación de éxitos con el diseño experimental.
Los experimentos factoriales (véase el numeral 2.1) brindan una metodología para estudiar las
interrelaciones entre múltiples factores de interés para el experimentador. Estos tipos de
experimentos pueden ser mucho más eficientes y eficaces que los experimentos intuitivos con
un factor a la vez. Los experimentos factoriales son adecuados particularmente para determinar
que un factor se comporta en forma diferente (como se refleja en la respuesta experimental) a
niveles diferentes de otros factores. Con frecuencia el "progreso" en la calidad proviene de la
sinergia revelada en un estudio de "interacciones" (véase el numeral 1.17). Si el número de
factores que se considera es grande, entonces los experimentos factoriales pueden exceder los
recursos. Sin embargo, los diseños factoriales fraccionarios (véase el numeral 2.1.1) ofrecen un
término medio adecuado. Realmente, si la meta inicial es identificar factores que garanticen
investigación adicional, entonces pueden ser útiles planes de ensayos (véase el numeral 2.2)
En la planeación del experimento es necesario limitar las desviaciones introducidas por las
condiciones experimentales o asignación de tratamientos a las unidades experimentales.
Tópicos tales como "Aleatorización" (véase el numeral 1.29) y "agrupación en bloques" (véase
1
el numeral 1.28) tienen que ver con la minimización de los efectos de elementos molestos o
extraños. Las técnicas específicas de agrupación en bloques incluyen el diseño en bloques
aleatorizados (véase el numeral 2.3.1), el diseño en cuadrado latino (véase el numeral 2.3.2) y
sus variantes, y el diseño en bloques incompletos balanceados (véase el numeral 2.3.4.1).
Al examinar el diseño de experimentos como un proceso evolutivo con la mejora continua como
una meta, los diseños de la superficie de respuesta (véase el numeral 2.4) desempeñan un papel
fundamental. Al considerar niveles múltiples de factores clave, los métodos de la superficie de
respuesta dan cabida perfectamente a efectos curvillineales en cercanías de los puntos óptimos.
Los diseños de mezclas (véase el numeral 2.5) manejan situaciones en las cuales los factores
constituyen proporciones de un total, tales como los componentes de una aleación. Los diseños
anidados (véase el numeral 2.6) son particularmente útiles en ensayos interlaboratorios.
Los métodos de análisis de los datos recolectados son de fácil comprensión, si el experimento
se realiza de acuerdo con el plan. Los métodos gráficos (véase el numeral 3.1) pueden ser
particularmente eficaces para revelar conclusiones generales. La estimación de los parámetros
a partir de un modelo (véase el numeral 1.1 y siguientes) se maneja comúnmente usando el
análisis de regresión (véase el numeral 3.3). Los métodos de análisis de regresión también
pueden manejar dificultades con datos faltantes, identificación de atípicos y otros problemas.
Un buen diseño experimental debería:
a) Incorporar el conocimiento y experiencia previos, para la selección de factores,

sus niveles, y al describir las hipótesis.
b) Suministrar información pertinente con un esfuerzo mínimo.
c) Asegurar, antes de comenzar el experimento, que el diseño está en capacidad

de lograr el objetivo del experimento con la precisión deseada.
d) Reflejar la naturaleza secuencial de la mayoría de investigaciones.
e) Especificar tanto la disposición como la secuencia de tratamientos

experimentales, para evitar malos entendidos cuando el experimento esté en
progreso.
OBJETO
Esta norma define los términos usados en el campo del diseño de experimentos y se puede
usar en la redacción de otras normas.
1. TÉRMINOS GENERALES
1.1
modelo
descripción que relaciona la variable de respuesta con la(s) variable(s) de predicción y que
incluye hipótesis asociadas.
NOTA 1 El modelo consta de tres partes. La primera parte es la respuesta (véase el numeral 1.2) que se está
modelando. La segunda parte es la parte determinista o sistemática del modelo que incluye variables de
predicción (véase el numeral 1.3). Finalmente, la tercera parte es la parte aleatoria, el error o la parte estocástica,
2
que puede ser bastante elaborada. Por ejemplo, el término error puede contener un efecto de dispersión (véase el
numeral 1.14) que prevé el aumento de la variabilidad en la respuesta con valores de respuesta reales mayores.
(Véanse también los numerales 1.2 y 1.3.)
EJEMPLO 1 La duración de un componente está relacionada con las condiciones ambientales que experimenta.
EJEMPLO 2 Un modelo formal es:
yij = µ + α i + β j + εij
de donde
yij = es la respuesta al nivel i del factor A y al nivel j del factor B
µ = es la respuesta media global
αi = es el efecto incremental del factor A al nivel i
βj = es el efecto incremental del factor B al nivel j
εij = es el término de error.
La parte de respuesta del modelo consta simplemente de yij. La parte predictiva de este modelo
es µ + αi + β j que consta de una respuesta media global y de dos términos relacionados con
los efectos de los factores. La parte aleatoria o de error de este modelo consta de εij que
incluye la variabilidad inherente en el proceso que produce la respuesta.
EJEMPLO 3 Un modelo usado comúnmente es:
yijk = α i + β j + τ ij + ε ijk
de donde
yijk = es la respuesta de la réplica késima
αi = es el ajuste debido al factor 1
βj = es el ajuste debido al factor 2
τij = es el ajuste debido a la interacción de factores
εijk = es el término de error.
El término "ajuste" se usa en lugar de "efecto incremental" como en el Ejemplo 2, ya que aquí
el modelo matemático formal no incluye un término medio global.
Además, en este ejemplo se usa yijk (εijk) en vez de yij (εij), para reconocer la existencia
potencial de réplicas.
3
EJEMPLO 4 Otro modelo formal es:
yi = eβo + β1 xi + β 2 xi2
+ εi
de donde
yi = es la respuesta correspondiente a xij
e βo + β1 xi + β2 xi2
= representa la respuesta media correspondiente a xi
εi = es el término de error
NOTA 2 La descripción anterior de un modelo no solamente se aplica a modelos lineales clásicos con error aditivo,
sino también a modelos lineales generalizados, en donde el error se puede describir mediante una variedad de
distribuciones, incluidas la binomial, Poisson, exponencial, gamma y normal.
1.2
variable de respuesta
variable que refleja los resultados observados de un experimento.
NOTA 1 Un sinónimo común es "variable de salida"
NOTA 2 El término "variable dependiente" no se recomienda como sinónimo debido a la confusión potencial
con independencia (véase la referencia [1] en la bibliografía, ISO 3534-1:1993, 1.11).
NOTA 3 Es posible que la variable de respuesta sea vectorial, debido a que se registran varias respuestas de cada
unidad experimental.
1.3
variable de predicción
variable que puede contribuir a la explicación del resultado de un experimento.
NOTA 1 Un sinónimo común es "variable de entrada", "variable de descripción", y "variable explicativa".
NOTA 2 El grado en el cual se puede controlar una variable de predicción dada determina su función potencial en
un experimento diseñado. Las variables de predicción pueden ser controlables (fijas), modificables (controlables
solamente para corta duración o a un costo considerable) o no controlables (aleatorias).
NOTA 3 Una variable de predicción puede incluir un elemento aleatorio, o puede ser, por ejemplo, un conjunto de
clases cualitativas que se pueden observar o asignar sin error aleatorio.
NOTA 4 No se recomienda "variable independiente" como sinónimo, debido a la confusión potencial con
independencia (véase el numeral 3534-1:1993, 1.11).
1.4
región de diseño
espacio de diseño
conjunto de valores permisibles para las variables de predicción.
1.5
factor
variable de predicción que varía con el propósito de evaluar su efecto sobre la variable de
respuesta.
NOTA 1 Un factor puede suministrar una causa asignable para el resultado de un experimento.
4
NOTA 2 El uso del término factor aquí es más específico que su uso genérico como sinónimo para la variable de
predicción (véase el numeral 1.3).
NOTA 3 Un factor puede estar asociado con la creación de bloques.
1.6
nivel
ajuste, valor o asignación potencial de un factor.
NOTA 1 Un sinónimo es "valor de una variable de predicción".
NOTA 2 El término "nivel" está asociado normalmente con una característica cuantitativa. Sin embargo, también
sirve como el término que describe la variante o ajuste de las características cualitativas.
EJEMPLO Los niveles de la escala ordinal de un catalizador pueden ser presencia y ausencia. Cuatro niveles
de tratamiento térmico pueden ser 100 °C, 120 °C, 140 °C y 160 °C. La variable de escala nominal para un laboratorio
puede tener niveles A, B y C, correspondientes a tres instalaciones.
NOTA 3 Las respuestas observadas en los diferentes niveles de un factor brindan información para determinar el
efecto del factor dentro del rango de niveles del experimento. La extrapolación más allá del rango de estos niveles
usualmente es inapropiada sin una base firme para suponer la existencia de un modelo de relación funcional. La
interpolación dentro del rango puede depender del número de niveles y de su separación. Usualmente es razonable
interpolar, aunque es posible tener relaciones discontinuas o multimodales que causan cambios abruptos dentro del
rango del experimento. Los niveles se pueden limitar a algunos valores fijos seleccionados (ya sean estos valores
conocidos o no) o pueden representar una selección puramente aleatoria en el rango por estudiar.
1.7
error experimental
variación en la variable de respuesta más allá de lo explicado por los factores, bloques u otras
fuentes atribuibles en la realización del experimento.
NOTA 1 Una característica común en los experimentos es que, cuando se repiten, sus resultados varían de una
prueba a otra, aún cuando los materiales experimentales, las condiciones ambientales y las operaciones
experimentales se hayan controlado cuidadosamente. Así, el error experimental ocurre comúnmente. Esta variación
introduce un grado de incertidumbre dentro de las conclusiones obtenidas con base en los resultados, y por tanto se
debería tener en cuenta al establecer las conclusiones.
NOTA 2 Los detalles específicos de este marco de error conceptual amplio para las variables de respuesta
individuales se dan mediante los términos residual (véase el numeral 1.21), error residual (véase el numeral 1.22)
y error puro (véase el numeral 1.23).
NOTA 3 Los términos desviación estándar de repetibilidad (ISO 3534-1:1993, 3.17) y desviación estándar de
reproducibilidad (ISO 3534-1:1993, 3.22) son de interés en relación al error experimental, y se aplican en el contexto del
diseño experimental directamente si el diseño real de los experimentos está de acuerdo con las condiciones de repetibilidad
(ISO 3534-1: 1993, 3.16) o las condiciones de reproducibilidad (ISO 3534-1:1993, 3-21), respectivamente.
1.8
componente de varianza
varianza de variable aleatoria que describe un efecto del factor o error experimental.
NOTA 1 En el modelo, yij = µ + τi + εij en donde τi es un nivel escogido aleatoriamente de un conjunto infinito de
valores y las distribuciones de τi y εij son independientes, tanto τi como εij son variables aleatorias. Una vez se haga
la selección aleatoria del conjunto infinito de niveles posibles, entonces se procede al análisis sobre la base de las
realizaciones de τi. Considerando la estructura probabilística, es razonable considerar una ecuación que involucre
las varianzas: Var(yij) = Var(τi) + Var(εij), el lado de la derecha denotó σ 2τ + σε2 . Simbólicamente, σ 2τ y σε2 son los
componentes de varianza de yij.
NOTA 2 Se pueden diseñar otros modelos que incluyan factores anidados o cruzados.
5
1.9
unidad experimental
entidad que recibe un tratamiento particular, que posteriormente da un valor de la variable de
respuesta.
1.10
tratamiento
ordenamiento específico de cada factor.
1.11
bloque
grupo de unidades experimentales más homogéneas que el conjunto completo de unidades
experimentales (véase el numeral 1.19) (véase también el numeral 1.28).
NOTAS 1 El término "bloque" se originó en experimentos agrícolas en los cuales un campo estaba subdividido en
secciones con condiciones comunes, tales como exposición al viento, proximidad a aguas subterráneas, o espesor
de la capa cultivable. En otras situaciones, los bloques están basados en lotes de materia prima, operadores,
número de unidades estudiadas en un día, etc.
NOTA 2 Generalmente el reconocimiento de la existencia de bloques puede afectar la forma en que se asignan
tratamientos a las unidades experimentales.
1.12
experimento con un factor
experimento en el cual se investiga un sólo factor en cuanto a su efecto (si lo hay) sobre la
variable de respuesta.
EJEMPLO Consideremos el modelo:
y = µi + ε
de donde
y = es la variable de respuesta
µi = es la respuesta media al nivel iésimo del factor
ε = es una variable aleatoria que agrupa todos los demás efectos y fuentes de variación.
Este modelo relaciona la variable de respuesta y con el efecto µi (dependiendo del nivel
correspondiente del factor) y un término de error ε. Las diferencias en la µi reflejan la influencia
del factor sobre la variable de respuesta (en este caso, el valor de la respuesta media como
una función del nivel del factor).
Una representación alternativa de este modelo es:
y = µ + αi + ε
de donde:
y = es la variable de respuesta
µ = es la respuesta media global
αi = es el efecto incremental debido al nivel iésimo del factor
ε = es una variable aleatoria que agrupa todos los demás efectos y fuentes de variación.
6
1.13
efecto principal
influencia de un solo factor sobre la media de la variable de respuesta.
NOTA Para un factor con dos niveles, el efecto principal se relaciona con el cambio en la respuesta al ir de un nivel
al otro. Si los niveles se designan –1 (para inferior) y + 1 (para superior), entonces el efecto principal del factor se
estima como la respuesta promedio cuando el nivel del factor es + 1 menos la respuesta promedio cuando el nivel
del factor es –1. Consideremos el modelo:
y = µ + βX + ε
de donde
y, µ y ε son como en 1.12, Χ es + 1 ó – 1 como ya se describió, y β representa el ajuste

para el factor Χ. Obsérvese que un estimado de β es igual a la mitad del efecto
principal para el factor Χ. Si β fuera igual a cero, entonces Χ no afectaría la
media de la variable de respuesta (es la misma, independientemente de que el
nivel de Χ sea +1 ó –1), de manera que el efecto principal de Χ es cero.
1.14
efecto de dispersión
influencia de un solo factor sobre la varianza de la variable de respuesta.
NOTA Es importante reconocer que un factor que no tiene mucha influencia sobre la respuesta media puede tener
efectos considerables sobre la variabilidad de la respuesta. En estas situaciones, un nivel particular del factor puede
ser mucho más recomendable en términos de lograr una baja variabilidad o consistencia en las respuestas. También
es posible que un factor pueda influenciar tanto la media como la varianza de la variable de respuesta.
1.15
experimento con dos factores
experimento en el cual se investigan simultáneamente dos factores distintos en cuanto a sus
posibles efectos sobre la variable de respuesta.
NOTA Si los dos factores operan sin interferencia entre sí, el término "efecto principal" se sigue aplicando
necesariamente. Es decir, para cada factor el efecto principal es su contribución a la media de la variable de
respuesta.
1.16
experimento con factor k
experimento en el cual k factores distintos (k ≥ 2) se investigan simultáneamente en cuanto a
sus posibles efectos sobre la variable de respuesta.
NOTA Un sinónimo es "experimento multifactor".
1.17
interacción
efecto en el cual la influencia aparente de un factor sobre la variable de respuesta depende de
uno o más factores.
NOTA 1 La interacción indica una inconsistencia del efecto principal de un factor sobre la respuesta, dependiendo
del nivel del otro factor. Se usa como sinónimo "efecto diferencial". La siguiente gráfica indica estos fenómenos.
7
Interacción fuerte Alguna interacción No hay interacción
B+ B+
B+
Respuesta
B-
B- B-
Baja Alta
Baja Alta Baja Alta
NOTA 2 Muy comúnmente se considera que las interacciones involucran solamente dos factores y se hace
referencia a ellas más precisamente como interacciones de dos vías o interacciones de primer orden. Por supuesto,
es posible que tres factores, por ejemplo A, B y C, interactúen en el sentido de que la interacción de primer orden de
AB dependa del nivel del factor C. En este caso, hay una interacción de segundo orden. En forma similar, se pueden
concebir interacciones de tercer, cuarto y más órdenes.
NOTA 3 El Ejemplo 3 del numeral 1.1 brinda una representación del modelo formal de un experimento con dos
factores y la interacción de dos vías o de primer orden, τij , entre ellos.
1.18 Concomitancia. Combinación deliberadamente de dos o más efectos (principal y/o

interacción) de manera que sean indistinguibles.
NOTA La concomitancia es una técnica importante que permite, por ejemplo, el uso eficaz de bloques
especificados en algunos diseños experimentales. Esto se logra preseleccionando deliberadamente algunos efectos
(principales o interacciones) como de poco interés, y planeando el diseño de manera que se confundan con los
efectos de bloque, mientras los efectos más importantes se mantienen libres de estas complicaciones. La técnica de
concomitancia se puede usar deliberadamente para reducir el número de pruebas del plan experimental (1.30). Sin
embargo, algunas veces la concomitancia es causada por cambios involuntarios en un diseño durante la realización
de un experimento, o por la planificación incompleta del diseño, y sirve para disminuir, o incluso para invalidar la
eficacia de un experimento.
1.19
alias
<estadística> efecto (principal o interacción) que se confunde completamente con otro efecto
principal o interacción, debido a la naturaleza del experimento.
1.20
curvatura
desviación de una relación rectilínea entre la variable de respuesta y una variable de
predicción.
NOTA 1 La curvatura tiene significado con variables de predicción cuantitativas, pero no con variables de predicción
categóricas (nominales) o cualitativas (ordinales). La detección de la curvatura requiere más de dos niveles de los
factores. En algunos casos, los puntos centrales replicados (el factor ubicado a media distancia entre los valores
superior e inferior de los factores) pueden permitir la detección y evaluación de la curvatura. Alternativamente, para
observar la curvatura puede ser necesario un rango ampliado de niveles del factor.
NOTA 2 Regresando al modelo dado en el ejemplo del numeral 1.12, la curvatura se puede modelar fácilmente
mediante la forma siguiente:
Y = µ + βX + γX 2 + ε
Si γ se desvía de cero, existe evidencia de curvatura relativa a la relación lineal simple.

8
1.21
residual
diferencia entre un valor observado de la variable de respuesta y el valor previsto
correspondiente de la variable de respuesta.
NOTA El valor previsto de la variable de respuesta se basa en un modelo supuesto, cuyos parámetros se estiman
a partir de los datos.
EJEMPLO 1
∧ ∧ ∧
y ij − µ − α i − β j es el valor residual correspondiente a la unidad experimental con un factor A
ajustado al nivel i y con el factor B ajustado al nivel j, usando el modelo del ejemplo 2, en el
numeral 1.1.
EJEMPLO 2
∧ ∧ ∧
y ijk − α i − β j − τ ij es el valor residual correspondiente al modelo del ejemplo 3, en el numeral 1.1.
EJEMPLO 3
∧ ∧ ∧
y i − α i − e β o − β 2 xi 2 es un valor residual correspondiente al modelo del Ejemplo 4, en el numeral 1.1.
1.22
error residual
variable aleatoria que representa la diferencia entre los resultados de la variable de respuesta y
la respuesta prevista correspondiente, con base en un modelo supuesto.
NOTA 1 Para el propósito de esta definición, se entiende por "valor de respuesta previsto" la respuesta estimada
para el tratamiento, determinada a partir del modelo empírico obtenido de los datos del experimento, usando el
modelo supuesto.
EJEMPLO
∧ ∧
Si µ y β fueran los estimadores de µ y β, respectivamente, en la nota del numeral 1.13, entonces
∧ ∧
y − µ − β x es el error residual dado el valor observado de y al valor de la variable de predicción
de x .
NOTA 2 El error residual incluye el error experimental y las fuentes de variación asignables no tenidas en cuenta
por el modelo.
NOTA 3 La varianza del "error residual" usualmente se estima en un experimento restando, de la suma total de
cuadrados, la suma de cuadrados agrupados para los términos incluidos en el modelo supuesto y dividiendo por la
diferencia correspondiente en "grados de libertad" (véase el Ejemplo 1 y su adenda en el numeral 3.3 y el ejemplo en
el numeral 3.4).
1.23
error puro
variable aleatoria que refleja la variabilidad asociada con observaciones replicadas, en una
combinación dada de tratamientos.
9
NOTA 1 Si sólo se replicara el punto central en un diseño, entonces la varianza empírica de respuestas en el punto
central daría un estimado de la varianza del error puro. Si ocurren réplicas en combinaciones de tratamiento
múltiples, entonces se puede obtener un estimado general de la varianza del error puro, agrupando los estimados a
estas combinaciones de tratamiento.
EJEMPLO Volviendo al ejemplo 3 del numeral 1.1, un estimado de la varianza del error puro para (i, j) es
nij 2 nij
 −  −
∑ ∑y
1 1
 y ijk − y ij  , en donde y ij .
n ij − 1   ijk
k =1   n ij − 1 k =1
Si ocurrieron réplicas en cada combinación (i, j), un estimado agrupado de varianza del error puro tendría la forma
2
 − 
∑
1
 yijk − yij  en donde i = 1, ..., I; j = 1, ... J; k = 1,..., nij .
N − IJ  
i , j ,k  
NOTA 2 El término "error puro" se usa en la práctica de dos formas diferentes. Algunas veces hace referencia a
2
una varianza de población (σ ) en asociación con un modelo matemático. En otras ocasiones, el error puro hace
referencia al error puro de la "muestra" o "empírico" , que en combinación con el error residual estimado da la base
para el ensayo de falta de ajuste del modelo. De los ejemplos que ilustran los modelos en el numeral 1.1, sólo el
Ejemplo 3 tiene réplicas que facilitarían la estimación directa del error puro. Desde el punto de vista matemático, el
error puro se puede considerar como Var(εij) en el Ejemplo 2, Var(εijk ) en el Ejemplo 3 y Var(εi) en el Ejemplo 4.
1.24
contraste
<estadística> Función lineal de los valores de respuesta para los cuales la suma de los
coeficientes es cero, sin que todos los coeficientes sean iguales a cero.
NOTA Con las observaciones y1, y2, ..., yn, la función lineal a1y1 + a2y2 + ... + anyn es un contraste si y sólo si a1 +
a2 + ... + an = 0, cuando no todos los ai son iguales a cero.
EJEMPLO 1 e aplica un factor a tres niveles y los resultados se representan por y1, y2 y y3. Entre las muchas
preguntas que se pueden plantear, está la diferencia en las respuestas en el primer y tercer nivel del experimento
(ignorando temporalmente el nivel intermedio). El contraste apropiado para evaluar este problema se da abajo
(véase la pregunta 1) y requiere los valores de y1 y y3. Si los niveles son equidistantes, se puede plantear una
segunda pregunta en cuanto a si hay evidencia de que el patrón de respuesta muestre curvatura (cuadrática) antes
que una simple tendencia lineal. Aquí el promedio de y1 y y3 se puede comparar con y2. (Si no hay curvatura, y2
debería quedar cerca de la línea que une y1 y y3, o, en otras palabras, debería ser aproximadamente igual a su
promedio).
Respuesta y1 y2 y3
Coeficientes de contraste para la pregunta 1 -1 0 +1
Contraste 1 -y1 +y3
Coeficientes de contraste para la pregunta 2 -1/2 +1 -1/2
Contraste 2 -y1/2 +y2 -y3/2
Este ejemplo ilustra un estudio de regresión para variables continuas. Con frecuencia es más conveniente usar
enteros en vez de fraccionarios, para los coeficientes de contraste. En este caso, los coeficientes para contraste 2
aparecerían como (-1, +2, -1).
EJEMPLO 2 Otro ejemplo que tiene que ver con los niveles discretos de un factor puede conducir a otras dos
preguntas diferentes. Supongamos que hay tres fuentes de suministro, una de las cuales, A1, usa una nueva técnica
de fabricación, mientras que las otras dos, A2 y A3 usan la habitual. Primero, el vendedor A1, con la nueva técnica
¿parece diferenciarse de A2 y A3 que usan la antigua técnica? Contrastemos y1 con el promedio de y2 y y3. Segundo,
¿los dos proveedores que usan la técnica habitual se diferencian? Contrastemos y2 y y3. El patrón de los
coeficientes de contraste es similar al del problema anterior, aunque la interpretación de los resultados será
diferente.
10
Respuesta
Coeficientes de contraste para la pregunta 1 y1 y2 y3
Contraste 1 -2 +1 +1
Coeficientes de contraste para la pregunta 2 -2y1 +y2 +y3
Contraste 2 -y2 +y3
1.25
contraste ortogonal
conjunto de contrastes cuyos coeficientes satisfacen la condición de que al multiplicar los pares
correspondientes, la suma de estos productos es igual a cero.
EJEMPLO 1
y1 y2 y3
ai1 Contraste 1 -1 0 +1
ai2 Contraste 2 0 -1 +1
ai1 ai2 0 0 +1
Σ ai1 ai2 = 1, por tanto, no es ortogonal.
EJEMPLO 2
y1 y2 y3
ai1 Contraste 1 -1 0 +1
ai2 Contraste 2 -1 +2 -1
ai1 ai2 +1 0 -1
Σ ai1 ai2 = 0 por tanto, es ortogonal
1.26
arreglo ortogonal
conjunto de combinaciones de tratamientos, en el cual, por cada par de factores, cada
combinación de tratamientos ocurre el mismo número de veces en todos los posibles niveles de
factores.
NOTA El concepto asociado de resistencia en relación con los arreglos ortogonales surge con los diseños de
selección (véase el numeral 2.2), uno de los usos posibles de los arreglos ortogonales. Un diseño de resistencia d
es un diseño factorial completo en cualesquier d factores. Resistencia 1 implica que los niveles de cada factor
ocurren el mismo número de veces (lo que algunas veces se llama factor balanceado). Un arreglo ortogonal tiene
una resistencia 2. El tamaño del subconjunto d se conoce como la resistencia.
1.27
replicación
desempeño de un experimento más de una vez para un conjunto dado de variables de
predicción.
11
NOTA Esta definición es compatible con el numeral 2.90 de la norma ISO 3534-1:1993, adaptada aquí al contexto del
diseño experimental. Las restricciones experimentales pueden determinar que las replicaciones ocurran secuencialmente
en vez de en orden aleatorizado. Informalmente, esta situación correspondería a la repetición, pero no existe acuerdo
internacional sobre este término. Además, la duplicación, que ya se definió previamente en la ISO 3534-3:1985, se
superpone al concepto fundamental de repetición. En consecuencia, para los propósitos de esta norma, replicación será el
término que implica la obtención de valores de respuesta múltiples para un conjunto fijo de niveles de variables de
predicción. La duplicación y la repetición no se definen aquí de acuerdo con la explicación presentada en la
[2]
ISO 10241:1992 , numeral 4.
1.28
agrupación en bloques
disposición de unidades experimentales en bloques relativamente homogéneos; dentro de cada
bloque se puede esperar que el error experimental sea inferior al que se esperaría si se asignara
aleatoriamente un número similar de unidades al tratamiento (véanse los numerales 1.11 y 2.3).
NOTA 1 Usualmente los bloques se seleccionan para prever los efectos de las causas asignables, además de los
introducidos como factores por estudiar (factores principales), las cuales puede ser difícil, o incluso imposible, mantener
constantes para todas las unidades experimentales en el experimento completo. El efecto de estas causas asignables
se puede minimizar dentro de los bloques y obtener así un subespacio experimental más homogéneo. El análisis de los
resultados experimentales debe explicar el efecto que la agrupación en bloques tiene en el experimento.
NOTA 2 Los bloques que contienen un conjunto completo de tratamientos se denominan "bloques completos". Los
que contienen solamente una parte del conjunto completo se denominan "bloques incompletos". Cuando los
tratamientos se consideran por pares, estos pares son bloques.
1.29
aleatorización
proceso usado para asignar tratamientos a unidades experimentales, de manera que cada unidad
experimental tenga igual oportunidad de ser asignada a un tratamiento particular.
NOTA Con la aleatorización se busca proteger contra sesgo debido a causas no tenidas en cuenta explícitamente
en el experimento. La aleatorización puede reducir más los efectos temporales o espaciales potenciales.
1.30
plan experimental
asignación de tratamientos a cada unidad experimental y orden temporal en el cual se van a
aplicar dichos tratamientos.
1.31
experimento diseñado
plan experimental seleccionado para cumplir con un objetivo especificado.
NOTA El propósito de diseñar un experimento es brindar el método más eficiente y económico de extraer del experimento
conclusiones válidas y pertinentes. La selección de un diseño apropiado para un experimento dependerá de consideraciones
tales como el tipo de preguntas que se deben responder, el grado de generalidad de las conclusiones, la magnitud del efecto
del cual se desea una alta probabilidad de detección (potencia), la homogeneidad de las unidades experimentales y el costo
de realizar el experimento. Un experimento diseñado apropiadamente con frecuencia conducirá a un análisis estadístico e
interpretación de los resultados relativamente sencillo.
1.32
operación evolutiva. EVOP
forma de experimentación secuencial realizada en las instalaciones de producción durante la
producción regular.
NOTA El propósito principal de una EVOP es obtener conocimiento para mejorar el proceso junto con el producto,
y diseñar experimentos usando cambios relativamente pequeños en los niveles de los factores (dentro de las
tolerancias de producción) a un costo mínimo. El rango de variación de los factores para cualquier experimento de
EVOP usualmente es bastante pequeño para evitar fabricar productos fuera de tolerancia, y se puede requerir
replicación considerable para reducir el efecto de la variación aleatoria.
12
1.33
diseño completamente aleatorizado
diseño en el cual los tratamientos se asignan aleatoriamente al conjunto de unidades
experimentales.
NOTA Un diseño completamente aleatorizado puede ser apropiado solamente bajo la suposición de que todas las
unidades experimentales son razonablemente homogéneas (ausencia de diferencias sistemáticas) o no hay
conocimiento de posible heterogeneidad.
1.34
punto cúbico
vector de los valores de nivel de factores de la forma (a1, a2, ..., ak), en donde cada ai es igual a +1
ó –1 como una notación para los niveles codificados de los factores.
NOTA Estos puntos son precisamente el tipo de puntos encontrados en un diseño factorial completo o fraccionario,
k
de dos niveles (véase el numeral 2.1). Se pueden usar hasta 2 puntos cúbicos en el contexto de un diseño
compuesto central (véase el Ejemplo 1 en el numeral 2.4).
1.35
punto en estrella
vector de los valores de nivel de factores de la forma (a1, a2, ..., ak), en donde un ai es igual a α
o - α y el otro ai es igual a 0, como una notación para los niveles codificados de los factores.
NOTA Todos los puntos en estrella tienen un solo componente diferente de cero igual a + α o - α. En diseños
compuestos centrales se emplea habitualmente un total de 2k puntos en estrella.
1.36
punto central
vector de los valores de nivel de factores de la forma (a1, a2, ..., ak), en donde todos los ai son
iguales a 0, como una notación para los niveles codificados de los factores.
NOTA Todas las entradas de los puntos centrales son cero, de manera que los vectores tienen la forma (0, 0,..., 0)
correspondiente al centro del diseño en las variables codificadas. El número de estos puntos, por ejemplo, n0, se
escoge para lograr diferentes objetivos en los diseños de la superficie de respuesta. Algunas veces los puntos
centrales se replican para obtener un estimado del error puro del proceso que se investiga.
1.37
rotatividad
característica de un diseño para el cual la respuesta prevista a partir de un modelo ajustado
tiene la misma varianza a distancias iguales desde el centro de diseño.
2. DISPOSICIÓN DE LOS EXPERIMENTOS
2.1
experimento factorial completo
experimento factorial. Experimento compuesto por todos los tratamientos posibles formados de
dos o más factores, cada uno estudiado a dos o más niveles.
NOTA 1 Todas las interacciones y efectos principales se pueden estimar a partir de un experimento factorial.
NOTA 2 Un experimento factorial usualmente se describe en forma simbólica como el producto del número de niveles
de cada factor. Por ejemplo, un experimento basado en tres niveles del factor A, 2 niveles del factor B y 4 niveles del factor C
se referenciaría como factorial 3 x 2 x 4. El producto de estos números indica el número de tratamientos.
13
NOTA 3 Cuando un experimento factorial incluye factores todos con el mismo número de niveles, la descripción
usualmente se da en términos del número de niveles elevados a una potencia igual al número k de factores. Así, un
2
experimento con dos factores, cada uno a tres niveles, daría un plan factorial 3 (siendo k igual a 2) y requiere 9 unidades
experimentales que reciben diferentes tratamientos.
NOTA 4 Algunas veces los diseños factoriales completos se denominan diseños cruzados.
2.1.1
experimento factorial fraccionario
experimento compuesto por un subconjunto del experimento factorial completo.
NOTA Habitualmente, la fracción es una parte simple del conjunto completo de posibles combinaciones de
tratamientos. Por ejemplo, son comunes las semi-fracciones, los cuartos de fracción, etc.
2.1.2
experimento en dos niveles
experimento en el cual todos los factores asumen dos niveles.
2.1.2.1
experimento factorial 2k
experimento factorial en el cual se estudian k factores, cada uno de ellos a dos niveles.
4
EJEMPLO Un experimento factorial 2 puede ser apropiado para investigar el efecto de cuatro factores sobre el resultado
del proceso: presión, temperatura, catalizador y operador. Supóngase que A es la presión (alta o baja), B es la temperatura
(alta o baja), C representa el catalizador (presencia o ausencia) y D corresponde al operador (uno o dos).
Unidad experimental Tratamiento A B C D

1 (1) - - - -
2 a + - - -
3 b - + - -
4 ab + + - -
5 c - - + -
6 ac + - + -
7 bc - + + -
8 abc + + + -
9 d - - - +
10 ad + - - +
11 bd - + - +
12 abd + + - +
13 cd - - + +
14 acd + - + +
15 bcd - + + +
16 abcd + + + +
El experimento 24 consta de 16 tratamientos diferentes, como se enumeran en la tabla anterior.

Los símbolos "—" y "+" denotan los dos niveles posibles para cada factor. Con frecuencia, el
menos hace referencia a un nivel inferior del factor, mientras que el más implica el nivel
superior; sin embargo, la especificación de los símbolos a los niveles es arbitraria.
El orden presentado en la tabla anterior se conoce como "orden normal de Yates", que puede
ser útil en la etapa de análisis. El orden real en el cual se realizan estos tratamientos se
debería determinar por aleatorización (véase el numeral 1.29). El primer factor A se presenta
con signos alternativos (-, +, -, +, etc). El segundo factor B alterna dos menos y dos más.
Finalmente, el factor D es negativo para las unidades experimentales 1 a 8, y positivo para las
unidades experimentales 9-16. En la última parte de esta norma los menos se considerarán
como –1 y los más como + 1.
14
La segunda columna de la tabla anterior ilustra una notación abreviada para describir
tratamientos. La presencia de una letra minúscula indica que el nivel del factor en mayúscula
correspondiente es superior; además, la ausencia de letra indica que el factor correspondiente
está al nivel inferior. El caso en el cual todos los factores están a nivel inferior, se denota "(1)".
Un experimento factorial completo permite la estimación de todos los efectos principales e
interacciones. En el ejemplo 24 hay cuatro efectos principales (A, B, C, D), seis interacciones de
dos vías (de primer orden) (AB, AC, AD, BC, BD, CD), cuatro interacciones de tres vías
(segundo orden) (ABC, ABD, ACD, BCD) y una interacción de cuatro vías (tercer orden)
(ABCD).
Cada uno de los efectos (por ejemplo, el efecto debido a A, la interacción entre A y B, incluso la
interacción de cuatro vías entre A, B, C y D) se puede estimar usando los coeficientes de
contraste. Este aspecto se discutirá en el numeral 3.3.
2.1.2.2
experimento factorial fraccionario 2k–p.
– p
experimento que usa un subconjunto cuidadosamente seleccionado (2 ) de un experimento
factorial completo 2k.
k
NOTA 1 Para un gran número de factores, 2 puede requerir más tratamientos de lo que permiten los recursos.
Mediante una selección cuidadosa, se puede obtener casi la misma cantidad de información del experimento
factorial fraccionario que del experimento factorial completo. En particular, la selección se hace de manera que los
efectos e interacciones que se espera que sean de importancia práctica, se confundan solamente con interacciones
que se espera que sean insignificantes.
NOTA 2 Para p igual a 1, el experimento factorial fraccionario resultante es una semifracción: para p igual a 2, el
experimento factorial fraccionario es un cuarto de fracción, etc.
k–p
NOTA 3 Un experimento factorial fraccionario 2 se construye considerando que los factores k están repartidos
en dos grupos, uno primario con factores k-p , y uno secundario con factores p. Los factores k-p en el grupo primario
k–p
están asignados a un factorial completo con 2 unidades experimentales que son el número de unidades
experimentales de diseño. Los niveles de cada uno de los factores del grupo secundario para cada unidad
experimental se definen en términos de los factores del grupo primario. El conjunto de p ecuaciones que define los
factores del grupo secundario en términos de los factores del grupo primario se denomina relación de generación,
k–p
porque genera el diseño. Las p ecuaciones de la relación de generación se pueden usar para calcular las 2 –1
ecuaciones de la relación de definición que define las propiedades del diseño.
EJEMPLO Considérese un experimento con 6 factores y 16 tratamientos, que sugiere un diseño factorial fraccional
6-2
de 2 . Se pueden fijar cuatro factores (A, B, C, D) como si se fuera a realizar un experimento factorial completo. Los
otros dos factores E y F se pueden fijar en términos de los niveles A, B, C y D. Una especificación posible proviene
de las relaciones de generación E = ABC y F = BCD. (Obsérvese que las secuencias de cuatro letras o cadenas de
caracteres ABCE y BCDF que provienen de esta construcción, se denominan palabras; por ejemplo, ABC es una
palabra de tres letras, ACDEG es una palabra de cinco letras, etc.). Usando las designaciones +1, - 1 para los
niveles de los factores, los niveles de A, B y C determinan (a través del producto ABC) el nivel correspondiente de E.
Además, los niveles de B, C y D determinan el nivel de F (a través del producto BCD). Por ejemplo, para la unidad
experimental número 1, los valores A a D se indican en la tabla del ejemplo en el numeral 2.1.2.1. E y F también se
realizan a niveles inferiores para la unidad experimental 1.
El efecto principal E se confunde con la interacción de tres vías ABC, y el efecto principal F se confunde con la
interacción de tres vías BCD. El alias completo o la estructura de la confusión se pueden deducir de la relación de
definición I = ABCE = BCDF = ADEF.
2.1.3
resolución del diseño
Longitud de la cadena de caracteres más corta en la relación de definición.
NOTA 1 La resolución del diseño brinda una descripción de la extensión del alias en un diseño particular. La
longitud numérica generalmente se da en números romanos. Las tres situaciones prácticas más comunes son las
resoluciones III, IV y V.
15
Para un diseño de resolución III, la cadena de caracteres más corta (aparte de "I" ) es 3, lo cual implica que para
este diseño, los efectos principales no se confunden con otros efectos principales. Al menos un efecto principal se
confunde con una interacción de dos vías.
Para un diseño de resolución IV, los efectos principales no se confunden con otros efectos principales u otras
interacciones de dos vías. Al menos una interacción con dos entradas se confunde con otra interacción de dos vías.
Para un diseño de resolución V, los efectos principales y las interacciones de dos vías no se confunden con otros
efectos principales o con alguna interacción de dos vías.
NOTA 2 A mayor resolución, más efectos (principales o interacciones) se pueden estimar sin ambigüedad. Dados
dos diseños potenciales que involucran el mismo número de factores y unidades experimentales, es conveniente
seleccionar el diseño con la resolución más alta. Afortunadamente, para la mayoría de casos de k y p de interés
práctico, están registradas las relaciones de definición más apropiadas (véase, por ejemplo, la referencia [3], p. 410.
EJEMPLO Se continúa con el ejemplo del numeral 2.1.2.2. La resolución de diseño para este diseño
6-2
factorial fraccionario 2 se va a obtener a partir de su relación de definición. Más precisamente, la
resolución de diseño es la longitud más corta de la palabra o cadena de caracteres (aparte de la "I") en la
2 2 2
relación de definición. Utilizando las convenciones IA = AI = A, IB = BI = B, I = A = B = C etc, la relación de
generación E = ABC es equivalente a EE = ABCE, que a su vez es equivalente a I = ABCE. En forma similar, F =
BCD conduce a I = BCDF. La relación de definición se completa evaluando la interacción generalizada ABCE x
BCDF = ADEF. En consecuencia, la relación de definición es I = ABCE = BCDF = ADEF. La palabra más corta
(diferente de I) tiene una longitud de cuatro, por tanto la resolución es IV.
NOTA 3 Los generadores de diseño se denominan comúnmente generadores Box-Hunter, aunque el origen de
este concepto puede estar en trabajos anteriores.
2.2
diseño de selección
experimento cuyo fin es identificar un subconjunto del grupo de factores para su estudio
posterior.
NOTA 1 Estos experimentos generalmente se enfocan hacia la investigación de los efectos principales, con la
presencia de interacciones que conducen a complicaciones en el análisis, y posiblemente la necesidad de
realizaciones adicionales para resolver ambigüedades.
k–p
EJEMPLO 1 Los diseños factoriales fraccionarios 2 (especialmente los que tienen un
fraccionamiento elevado) en 2.1.2.2 se pueden considerar como diseños de selección.
EJEMPLO 2 Plackett y Burman [4] propusieron un grupo de diseños de selección de dos niveles, con un
número de tratamientos múltiplos de cuatro. Sus diseños se escogen comúnmente para situaciones en las
cuales el número de efectos principales que se investigan se acercan al número de tratamientos (no
replicados) permitidos. Por ejemplo, el diseño Plackett-Burman con 12 tratamientos, que se presenta en
seguida, se puede usar para seleccionar 11 efectos principales. Para este diseño, la presencia de
interacciones de dos vías (por Ejemplo AB) puede influir en la estimación de los efectos principales C, D, ... K.
Ejecución A B C D E F G H I J K
1 + - + - - - + - + - +
2 + + - + - - - + + + -
3 - + + - + - - - + + +
4 + - + + - + - - - + +
5 + + - + + - + - - - +
6 + + + - + + - + - - -
7 - + + + - + + - + - -
8 - - + + + - + + - + -
9 - - - + + + - + + - +
10 + - - - + + + - + + -
11 - + - - - + + + - + +
12 - - - - - - - - - - -
NOTA 2 Muchos de los diseños de Plackett-Burman están relacionados con matrices Hadamard desarrolladas
originalmente en un contexto teórico, pero reconocidos posteriormente como útiles en diseños experimentales. Las
matrices de Hadamard se construyen fácilmente a partir de una sola columna (o fila). Una construcción posible
16
consiste en dejar la línea inferior compuesta únicamente de signos menos. Las entradas de las columnas restantes
se obtienen de la primera columna, desplazando ésta hacia la derecha y bajándola una fila; la entrada undécima se
mueve a la primera posición. Este procedimiento se continúa a través de las columnas hasta completar la matriz . En
seguida se dan algunos ejemplos de estas matrices. Para cada construcción es suficiente indicar la ubicación de los
signos más en la primera columna.
N filas en la columna que contiene el signo +
12 1,2,4,5,6,10
20 1,2,5,6,7,8,10,12,17,18
24 1,2,3,4,5,7,9,10,13,14,17,19
Obsérvese que las filas indicadas arriba para n = 12 concuerdan con el diseño detallado en el Ejemplo 2.
Muchos de los diseños Plackett-Burman se pueden construir de esta forma general usando como base los
elementos de una sola columna. Los casos con n = 28, 52, 76, 92 y 100 no se construyen tan fácilmente.
Para detalles, véase la referencia [5].
NOTA 3 G. Taguchi ha popularizado el uso de los diseños Plackett-Burman, adoptando algunas convenciones
abreviadas: la formación L12 es equivalente al diseño de tratamiento 12 presentado arriba. L20 es equivalente al
diseño de tratamiento 20 Plackett-Burman. A manera de advertencia, la convención de la formación L típicamente da
las entradas de la matriz de diseño en un orden diferente del suministrado por la construcción Hadamard.
NOTA 4 Los diseños Plackett-Burman se pueden adaptar para uso en el ordenamiento supersaturado (más
factores que tratamientos experimentales). Para detalles, véanse las referencias [6] y [7].
2.3
diseño en bloques
diseño experimental que toma ventaja de la homogeneidad conocida de los subconjuntos de
unidades experimentales.
NOTA La no homogeneidad entre unidades experimentales, si se ignora en el diseño experimental, puede reducir
la cantidad de información obtenida del experimento, aumentando la variación observada. Tener en cuenta esta
situación en el diseño puede aumentar la capacidad del experimento de cumplir con el objetivo del diseño.
2.3.1
diseño en bloques aleatorizados
diseño experimental que consta de n bloques con p tratamientos asignados por aleatorización a
las unidades experimentales dentro de cada bloque.
NOTA En el diseño en bloques aleatorizados las unidades experimentales se agrupan en bloques, y las unidades
dentro de cada bloque son más homogéneas que las unidades de bloques diferentes. Dentro de cada bloque los
tratamientos se asignan aleatoriamente a las unidades experimentales dentro de él. Los efectos relativos de los
tratamientos se pueden estimar de manera eficaz sin interferencia de los efectos debidos a los diferentes bloques.
2.3.2
diseño en cuadrado latino
diseño que comprende tres factores, cada uno con h niveles, en el cual la combinación de los
niveles de cualquiera de los factores con los niveles de los otros dos aparece una y solamente
una vez en un experimento de tamaño h2.
NOTA 1 Un diseño de cuadrado latino involucra tres factores, un factor principal asociado con el tratamiento y dos
factores secundarios asociados con los efectos de bloque, todos los factores con el mismo número de niveles. Hay
h (h ≥ 2, h es un entero positivo) unidades experimentales clasificadas de acuerdo con dos factores de bloques
2
2
(factor fila y factor columna). Hay h niveles del factor principal que se asignan a h unidades experimentales
aleatoriamente, de manera que cada fila y cada columna contengan cada nivel de tratamiento precisamente una vez.
Un diseño de cuadrado latino es entonces una extensión del diseño en bloques aleatorizados, cuyo fin es incluir dos
variables de bloques (o fuentes de variación externa). Una restricción a este montaje es que el número de niveles
del factor principal y el factor de bloque debe ser el mismo.
17
EJEMPLO En seguida se presentan cuadrados latinos de 4 x 4, cada uno de los cuales puede brindar la
base de un diseño de cuadrado latino. Las cuatro filas brindan los niveles para un factor de bloque y las
cuatro columnas brindan los niveles para el segundo factor de bloque. Los cuatro niveles de tratamiento del
factor principal son A, B, C y D.
ABCD ABCD ABCD

BADC DCBA CDAB
CDAB BADC DCBA
DCBA CDAB BADC
NOTA 2 Los diseños de cuadrado latino se usan generalmente para eliminar dos efectos de bloque distintos que
no tienen interés particular para el experimento, mediante el "balanceo" de sus contribuciones. Véase agrupación
en bloques (1.28). Los bloques se identifican habitualmente con las filas y columnas del cuadrado. Por ejemplo, las
filas pueden ser los días y las columnas los operadores. El número de niveles (h) del factor principal y de cada uno
de los factores de bloque debe ser el mismo. La aleatorización se puede lograr asignando aleatoriamente a las
letras los niveles del factor principal, seleccionando aleatoriamente un cuadrado latino de los listados, o según los
procedimientos descritos en las Tablas estadísticas[8] y asignando aleatoriamente los niveles de los factores de
bloque a las filas y columnas del cuadrado. [Hay 1 (2 x 2); 12 (3 x 3); 576 (4 x 4); 161 280 (5 x 5) cuadrados latinos.
De estos, hay 1 (2 x 2); (3 x 3); 4 (4 x 4); 56 (5 x 5) cuadrados latinos "estándar" en los cuales la primera fila y la
primera columna están en orden alfabético y de los cuales se pueden obtener otros cuadrados latinos, por
permutación de filas y columnas)].
NOTA 3 Una hipótesis básica es que estos factores de bloque no interactúan (no causan efectos diferenciales) con
el factor principal que se estudia, o entre ellos. Si esta hipótesis no es válida, la importancia del error residual se
incrementa y el efecto del factor se confunde con estas interacciones. Cuando las hipótesis son válidas, el diseño es
particularmente útil para minimizar las dimensiones de la experimentación. Algunas veces se usan otros factores
principales en las posiciones de bloque, de manera que puede haber tres factores principales sin ningún factor de
bloque. Esta disposición es equivalente a un experimento factorial fraccionario, bajo la hipótesis de que no hay
interacciones. Algunos diseños de experimentos factoriales fraccionarios forman cuadrados latinos y puede ser
preferible abordar el problema desde un punto de vista factorial fraccionario con el fin de comprender mejor las
hipótesis relativas a las interacciones.
2.3.3
diseño de cuadrado greco-latino
diseño que comprende cuatro factores, cada uno a h niveles, en el cual la combinación de los
niveles de cualquiera de los factores con los niveles de los otros tres factores aparece una sola
vez y solamente una, en un experimento de dimensiones h2.
NOTA 1 Un diseño de cuadrado greco-latino comprende cuatro factores y las unidades experimentales h (h ≥ 3,
2
un entero positivo) se clasifican de acuerdo con tres factores de bloque (por ejemplo: factor fila, factor columna y
letra griega). Cada factor tiene h niveles. Hay h niveles del factor principal que se han asignado aleatoriamente a las
2
unidades experimentales h de manera que cada tratamiento aparezca en cada fila y columna solamente una vez y
también aparezca con una letra griega solamente una vez.
NOTA 2 Se dice que dos cuadrados latinos son ortogonales si cada letra en un cuadrado coincide exactamente
una vez con cada letra del otro cuadrado. Los pares de diseños de cuadrado latino que son ortogonales se pueden
combinar para producir diseños de cuadrado greco-latino.
NOTA 3 Los diseños de cuadrado greco-latino permiten la incorporación de tres variables de agrupación de
bloques, todas los cuales tienen el mismo número de niveles que el factor principal.
EJEMPLO Un ejemplo de un cuadrado greco-latino de 4 x 4 es:
Aα Bβ Cγ Dδ
Bδ Aγ Dβ Cα
Cβ Dα Aδ Bγ
Dγ Cδ Bα Aβ
18
El factor 1 está dado por las filas, y el factor 2 por las columnas. El factor 3 está representado
por las letras griegas. El factor principal (y cuarto) está representado por letras latinas.
2.3.4
diseño en bloques incompletos
diseño en el cual las unidades experimentales están subdivididas en bloques que son
insuficientes para realizar un grupo completo de tratamientos del experimento.
NOTA En efecto, un diseño en bloques aleatorizados (véase el numeral 2.3.1) se puede considerar como un
diseño en bloques "completos", haciendo énfasis en que hay disponible un número suficiente de unidades
experimentales dentro de cada bloque, para dar cabida al número de tratamientos.
2.3.4.1
diseño en bloques incompletos balanceados, BIBD
diseño en bloques incompletos en el cual cada bloque contiene el mismo número k de
diferentes niveles de los niveles l del factor principal, dispuesto de manera que cada par de
niveles ocurre en el mismo número λ de bloques desde b bloques.
NOTA 1 El término "balanceado" hace referencia a un número coherente de pares, "incompleto" hace referencia a la
incapacidad para examinar cada nivel del factor principal en cada bloque, y "bloque" hace referencia a la estrategia de
realizar los experimentos en conjuntos homogéneos de unidades experimentales.
EJEMPLO 1 Considérese una situación con 4 tratamientos y 6 bloques, 2 tratamientos por bloque (l = 4, k =
2, b = 6, λ = 1). Más específicamente, supóngase que se van a estudiar cuatro niveles (T1, T2, T3, T4) del factor
principal, pero en un día sólo se pueden hacer dos niveles. Si hay disponibles seis días para realizar el
experimento, entonces es apropiado el siguiente plan:
Día T1 T2 T3 T4
1 * *
2 * *
3 * *
4 * *
5 * *
6 * *
En este ejemplo, todos los pares posibles de tratamiento ocurren una sola vez en el mismo bloque.
EJEMPLO 2 Considérese una situación con 6 niveles del factor principal y 10 bloques con 3 niveles por
bloque (l = 6, k = 3, b = 10, λ = 2). En este caso, es natural sospechar que de hecho son necesarios 20
bloques, ya que hay 20 ternas posibles para 6 niveles. Considérese el siguiente grupo de tratamientos, en
donde cada bloque está indicado por una terna:
(T1, T2, T3), (T1, T2, T4), (T1, T3, T5), (T1, T4, T6), (T1, T5, T6)
(T2, T3, T6), (T2, T4, T5), (T2, T5, T6), (T3, T4, T5), (T3, T4, T6)
Aquí, cada par de niveles ocurre en el mismo bloque exactamente dos veces, lo que indica que pueden ser
suficientes 10 bloques.
EJEMPLO 3 Considérese una situación con 7 niveles y 7 bloques con 4 niveles por bloque ((l = 7, k =
4, b = 10, λ = 2).
Niveles del factor principal

1 1 2 3 6
2 2 3 4 7
3 3 4 5 1
4 4 5 6 2
5 5 6 7 3
6 6 7 1 4
7 7 1 2 5
19
NOTA 2 El diseño en bloques incompletos balanceados implica que cada nivel del factor principal aparece el
mismo número h de veces en el experimento, y que se verifican las siguientes relaciones:
b. k = l. h, b ≥ l, y h(k - 1) = λ(l - 1)
Ya que cada letra en las ecuaciones anteriores representa un entero, es claro que solamente es posible un
número limitado de combinaciones (l, k, b, h, λ) para construir diseños en bloques incompletos balanceados.
Sin embargo, no es cierto que un diseño en bloques incompletos balanceados exista con cinco enteros (l, k,
b, h, λ), satisfaciendo las tres condiciones anteriores.
NOTA 3 Para la aleatorización, se disponen independientemente los bloques y los niveles, de manera aleatoria.
2.3.4.2
diseño en bloques incompletos balanceados parcialmente. PBIB.
diseño en bloques incompletos, en el cual cada bloque contiene el mismo número k de niveles
diferentes de los l niveles del factor principal, dispuesto de manera que no todos los pares de
niveles ocurran juntos en el mismo número de b bloques.
NOTA 1 Un diseño en bloques incompletos con l niveles y b bloques es un PBIB con m (≥ 2) clases asociadas, si se
satisfacen las siguientes condiciones:
a) Cada bloque contiene k (< l) niveles distintos.
b) Cada nivel aparece en h bloques.
c) Existe una relación entre niveles que satisfacen:
- Dos niveles cualquiera, sean el 1…, 2…, ... m-ésimo asociados, con la relación simétrica
(si el nivel α es el iésimo asociado del nivel β, entonces el nivel β es el iésimo asociado
del nivel α.
- Cada nivel tiene ni i-ésimos asociados, i = 1, 2, ..., m; el número n1 es dependiente del

nivel escogido.
- Dado un par de niveles α y β que son asociados i-ésimos, el número de valores que son
simultáneamente asociados jésimos de α y asociados k-ésimos de β es pjk , i, j, k = 1, 2,
i
..., m. El número pjk es independiente del par (α, β) de asociados i-ésimos.

i
d) Cualesquier dos niveles que son mutuamente asociados i-ésimos aparecen juntos en bloques λi (i
= 1, 2, ..., m), no todos los λi son iguales.
Los enteros l, b, h, k, λ1, λ2, ..., λm, n1, n2, ..., nm, pjk , i, j, k, = 1, 2, ..., m se conectan mediante:
i
NOTA 2
l.h= b.k
n1 λ1 + n2 λ2 + ... + nmλm = h(k – 1)
n 1 + n 2 + … + nm = l – 1
i j k
nipjk = njpik = nkpij
EJEMPLO Considérese una situación que tiene l = 6, k = 4, b = 6, h = 4, n1 = n2 = 4, λ2 = 2 como se

describe en la tabla.
20
Niveles del factor

principal
1 1 4 2 5
Bloque 2 2 5 3 6
3 3 6 1 4
4 4 1 5 2
5 5 2 6 3
6 6 3 4 1
En este diseño cada nivel ocurre h = 4 veces, y comenzando a cualquier nivel (por ejemplo, nivel 1), se
encuentra que n1 = nivel 1 (por ejemplo, nivel 4) aparece junto con el nivel 1 en λ1 = 4 bloques y n2 = 4
niveles (números 2, 3, 5 y 6) y con el nivel 1 en λ2 = 2 bloques. Los parámetros n1, n2, λ1 y λ2 son los
mismos, independiente del nivel en que se comience.
2.3.5
cuadrado de Youden
diseño en bloque derivado de algunos cuadrados latinos, eliminando o adicionando filas (o
columnas) con el fin de obtener un diseño en bloques aleatorizados con respecto a un factor de
bloque y un diseño en bloques incompletos balanceados con respecto al otro factor.
NOTA Un cuadrado de Youden se puede considerar como un diseño con dos factores de bloque asociados con las
filas y columnas de una matriz cuyas entradas representan los niveles del factor principal. Por ejemplo, supóngase
que esta disposición tiene el mismo número de columnas que de niveles, pero menos filas que columnas. Cada nivel
aparecería una vez en cada fila, dando como resultado un diseño en bloques aleatorizados con respecto al factor de
bloque fila. Sin embargo, al enfocarse en el factor de bloque columna ocurriría un diseño en bloques incompletos
balanceados. La eliminación de la cuarta fila del cuadrado latino 4 x 4 produce a un cuadrado de Youden de 3 x 4.
EJEMPLO 1
Factor de bloque 1 1 2 3 4
1 A D C B
(Filas) 2 B A D C
3 C B A C
Eliminados del cuadrado latino D C B A
A, B, C y D incluyen los cuatro niveles del factor principal.
EJEMPLO 2 La siguiente disposición representa un cuadrado de Youden de 4 x 7.
3 4 5 6 7 1 2
5 6 7 1 2 3 4
6 7 1 2 3 4 5
7 1 2 3 4 5 6
Para este ejemplo, se puede observar que las filas forman un diseño en bloques aleatorizados y las columnas
forman un diseño BIB con parámetros l = b = 7, h = k = 4, y λ = 2.
2.3.6
diseño en parcelas subdivididas
diseño en el que el grupo de unidades experimentales (parcela) al cual el mismo nivel asignado
al factor principal está subdividido, con el fin de estudiar uno o más factores principales
adicionales dentro de cada nivel de ese factor.
21
EJEMPLO Se ensayan tres niveles del factor A en dos conjuntos de réplicas. Dentro de cada nivel de A se estudian
los mismos dos niveles del factor B.
Parcela Réplica I Réplica II

A1 A1B2 A1B1 A1B2 A1B1
NOTA 1 En el ejemplo, las réplicas desempeñan la función de bloques para el factor principal de la primera etapa
(A) y cada parcela asignada a uno de los tres niveles de A desempeña la función de bloques para el factor B
principal de segunda etapa adicional (factor intraparcela) estudiado dentro de A. Así, el error residual estimado para
el factor intraparcela B debería ser menor que el usado para el experimento completo. En un diseño en parcelas
subdivididas se obtienen medidas diferentes de error residual para los efectos internos en las parcelas y entre ellas.
Es posible ampliar este diseño aún más para introducir un factor de tercera etapa incluido en los niveles del factor de
segunda etapa. Este tipo de diseño se usa con frecuencia en donde se pueden obtener series o áreas grandes para
un factor cuyos niveles no son fáciles de cambiar, mientras que los otros factores se pueden variar fácilmente dentro
de las series o áreas.
NOTA 2 Este tipo de disposición es común en experimentación industrial al igual que en agricultura (de ahí deriva
su nombre). Con frecuencia, una serie de niveles de factores requiere una unidad experimental grande, mientras que
otra serie de niveles de factores se puede comparar con unidades experimentales más pequeñas. Por ejemplo, se
requerirían mayores cantidades de aleación para comparar diferentes tipos de hornos usados para preparar una
aleación, de las que se requerirían para comparar diferentes tipos de moldes en los que se vacía la aleación. Los
tipos de hornos se consideran como los niveles del factor de primera etapa y los tipos de moldes, como los niveles
del factor de segunda etapa (intraparcela). Otro ejemplo es una gran máquina cuya velocidad se puede cambiar
solamente reemplazando el engranaje. Esta tarea es dispendiosa y costosa, y sería preferible no hacer cambios
frecuentes a este factor. El material fabricado a cada velocidad se puede tratar térmicamente por varias técnicas,
formar bajo diferentes presiones y pulir por medio de diferentes agentes pulidores, con relativa facilidad de estos
cambios de un nivel de factores a otro. Estos últimos constituyen los factores intraparcela (o factores de segunda
etapa), mientras que las variaciones de velocidad constituyen el factor entre parcelas (o factor de primera etapa).
2.3.7
diseño en parcelas subdivididas de dos vías
diseño en bloques subdivididos
diseño en parcelas subdivididas en el cual los niveles del factor de segunda etapa, en vez de
estar aleatorizados independientemente dentro de cada parcela, están dispuestos en bandas a
través de las parcelas en cada réplica; en consecuencia, se considera como un diseño de
parcela subdividida de dos formas diferentes.
EJEMPLO Para un diseño de 3 x 4, las disposiciones apropiadas (después de aleatorización) pueden

ser como se ilustra en seguida:
B3 B1 B2 B4
A3
A2
A1
Continúa...
22
B1 B4 B2 B3
A1
A2
A3
B1 B3 B2 B4
A2
A1
A3
NOTA El diseño en parcelas subdivididas de dos vías da como resultado una precisión inferior para los efectos
principales (efectos promedio) de A y B pero da una mayor precisión para las interacciones (efectos diferenciales).
Estas últimas generalmente se determinan con mayor exactitud que en los bloques aleatorizados o en el diseño de
parcelas subdividas común.
En experimentación industrial, las consideraciones de orden práctico hacen necesario el uso de

diseños de parcelas subdivididas de dos vías, por ejemplo, en la industria textil el factor A
puede representar procedimientos diferentes del blanqueado con peróxido de cloro y el factor B
pueden ser diferentes cantidades de peróxido de hidrógeno en el proceso de enfriamiento.
2.4
diseño de la superficie de respuesta
diseño experimental previsto para investigar la relación funcional entre la variable de respuesta
y un conjunto de variables de predicción.
NOTA 1 Un beneficio obvio de los diseños de la superficie de respuesta es sugerir ajustes de las variables de
predicción (supuestamente continuas) que conducen a respuestas "mejoradas".
EJEMPLO 1 En seguida se da un ejemplo de diseño compuesto central. Es un conjunto de

tratamientos compuestos por puntos cúbicos, en estrella y centrales escogidos con el fin de producir un
diseño eficaz (típicamente rotatorio). Para tres variables de predicción, el conjunto siguiente constituye un
diseño compuesto central.
23
Unidades x1 x2 x3
experimentales
1 -1 -1 -1
2 1 -1 -1
3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
7 -1 1 1
8 1 1 1
9 0 0 0
10 0 0 0
11 -2 0 0
12 2 0 0
13 0 -2 0
14 0 2 0
15 0 0 -2
16 0 0 2
Las unidades experimentales 1-8 involucran la porción cúbica del diseño, equivalente a un diseño
3
factorial de 2 . Los niveles de las variables de predicción se dan como valores codificados. A las
unidades experimentales 9 y 10 se les aplica el tratamiento de los puntos centrales, y a las 11 a 16
los puntos en estrella. Es imaginable que las primeras ocho unidades experimentales se puedan
considerar como un grupo principal, luego pueden ocurrir las otras aplicaciones de los
tratamientos. El orden real de las realizaciones se debería aleatorizar. El diseño compuesto central
facilita este ensamble secuencial de los componentes de diseño. Un modelo ajustado a los datos
obtenidos del diseño puede consistir en interacciones lineales (x1, x2, xe), cuadráticas (x12, x22, x32) y
de dos vías (x1x2, x1x3, x2x3).
NOTA 2 Una variante común del diseño compuesto central usando menos niveles de los factores es el diseño
compuesto central con superficie centrada, obtenido estableciendo α = 1 para todos los puntos en estrella. El menor
número de niveles de los factores puede sacrificar la rotatividad (dependiendo del número de factores).
EJEMPLO 2 Un diseño de Box-Behnken se construye mediante la combinación juiciosa de diseños

k
factoriales 2 con diseños en bloques incompletos balanceados. El siguiente conjunto constituyen el diseño
de Box-Behnken con tres variables.
Unidades x1 x2 x3
experimentales
1 0 -1 -1
2 0 1 -1
3 0 -1 1
4 0 1 1
5 -1 0 -1
6 1 0 -1
7 -1 0 1
8 1 0 1
9 -1 -1 0
10 1 -1 0
11 -1 1 0
12 1 1 0
13 0 0 0
14 0 0 0
15 0 0 0
24
EJEMPLO 3 Un diseño en pentágono es un diseño de dos factores en el cual los puntos de diseño
consisten en 5 lugares separados uniformemente, sobre el círculo unitario (usando unidades de las
variables codificadas) y posiblemente puntos centrales replicados. Un conjunto de cinco puntos que
satisfacen la definición es: (1, 0), (0,309, 0,951), (-0,809, 0,588), (-0,809, - 5,88), (0,309, -0,951). Obsérvese
que cos(72°) = 0,309; sen(72°) = 0,951, etc.
EJEMPLO 4 Un diseño en hexágono es un diseño de dos factores en el cual los puntos de diseño
consisten en 6 lugares separados uniformemente, sobre el círculo unitario (usando unidades de las
variables codificadas) y posiblemente puntos centrales replicados. Un grupo de seis puntos que satisfacen
la definición es: (1, 0), (0,5, 0,866), (-0,5, 0,866), (-1, 0), (-0,5, - 0,866), (0,5, - 0,866). Obsérvese que
cos(60°) = 0,5; sen(60°) = 0,866, etc.
NOTA 3 Cualquier figura geométrica regular inscrita en el círculo unitario puede servir como la base de un diseño
en rotación dentro de la clase de diseños de la superficie de respuesta.
2.5
diseño de mezclas
diseño experimental construido para manejar la situación en la que las variables de predicción
están limitadas a sumar hasta una cantidad fija.
NOTA Los factores que representan proporciones de metales en una aleación son un ejemplo típico de un diseño
de una mezcla. El espacio de diseño debe satisfacer X1 + X2 + ... Xk = 1. También hay disponibles diseños para
propósitos especiales si se aplican otras restricciones, tales como la proporción mínima para los factores
seleccionados. En la referencia [9] se presenta un tratamiento completo de los diseños de mezclas.
2.6
diseño anidado
diseño jerárquico
diseño experimental en el cual cada nivel de un factor dado aparece solamente en un solo nivel
de cualquier otro factor.
NOTAS 1 Este diseño se usa principalmente para evaluar los componentes de varianza de los factores involucrados.
Para el caso de tres factores, A, B y C, cada nivel del factor B aparece con un solo nivel del factor A; en forma similar,
cada nivel del factor C aparece solamente con un nivel del factor B. El diseño anidado del factor k, en donde k ≥ 2,
algunas veces se denomina como un diseño anidado de etapa k.
EJEMPLO Considérese una situación en la cual tres proveedores diferentes suministran cuatro lotes de
materia prima a una compañía que posteriormente evaluará los lotes para determinar su pureza.
Proveedores 1 2 3
Lotes 1 2 3 4 1 2 3 4 1 2 3 4
Como se representa en la figura, los lotes están anidados dentro de cada proveedor, ya que, por
ejemplo, el lote 1 del proveedor 1 es distinto del lote 1 del proveedor 2. Aunque la "etiqueta" del
lote es la misma, los factores lote y proveedor no se cruzan. Este ejemplo constituiría un diseño
anidado o jerárquico en el evento de que cada uno de los proveedores haya suministrado un
número diferente de lotes. La configuración siguiente también es un diseño anidado o jerárquico:
25
Proveedores 1 2 3
Lotes 1 2 3 1 2 3 4 1 2 3 4 5
Sin embargo, el análisis sería mucho más directo si el número de lotes de cada proveedor fuera el
mismo.
NOTA 2 Generalmente los diseños anidados se usan para evaluar los resultados en términos de componentes de
varianza en vez de en términos de las diferencias en los niveles de respuesta o modelos de predicción.
2.6.1
diseño anidado balanceado; diseño completamente anidado
experimento de diseño anidado en el cual el número de niveles de los factores anidados es
constante.
EJEMPLO La figura describe un diseño anidado balanceado.
Laboratorios A
Días B
Mediciones C
Este es un diseño anidado balanceado debido a que cada laboratorio emplea dos días (el
número de niveles del factor B es dos) y se obtienen dos resultados de mediciones cada día en
cada uno de los laboratorios (el número de niveles del factor C es dos). Es probable que los
días usados por los laboratorios sean diferentes porque presumiblemente se han escogido
aleatoriamente sobre una ventana de ensayo dada.
NOTA Algunas veces es posible ajustar la definición de un factor en niveles que se pueden comparar a través de
otros factores, para obtener información más significativa. B1 se puede asignar al lunes y B2 al viernes. Por tanto, los
resultados obtenidos los lunes se pueden comparar con los obtenidos los viernes. Todos los laboratorios tendrían
esto en común, a diferencia de la situación anterior, en la que había dos días no relacionados asignados (entre
laboratorios). La configuración ahora representaría una clasificación cruzada (es decir, cada nivel de un factor se usa
con todos los niveles de los otros factores) antes que una clasificación anidada y en consecuencia, se puede
considerar como un experimento factorial.
2.6.2
diseño anidado escalonado
diseño anidado en el cual el segundo factor anidado tiene dos niveles en un nivel del primer
factor anidado, pero tiene solamente un nivel en el otro nivel del primer factor anidado.
26
Laboratorios A
Días B
Mediciones C
NOTA Para diseños anidados escalonados, todos los efectos del factor se estiman con aproximadamente el
mismo número de grados de libertad.
2.7
diseño óptimo
diseño experimental en donde los valores de nivel de los factores se determinan para optimizar
un criterio particular, típicamente una función de la matriz de diseño.
NOTA Al optimizar un criterio particular, obsérvese que se supone que el diseño óptimo resultante tiene el modelo
correcto. Si el modelo supuesto es incorrecto, entonces el diseño óptimo puede ser óptimo teóricamente (es decir,
matemáticamente) pero puede no ser útil para propósitos prácticos. No obstante, varios de los diseños ya
mencionados antes en este numeral se pueden considerar como diseños óptimos.
2.7.1
matriz de diseño
matriz con filas que representan tratamientos individuales (posiblemente transformados de
acuerdo con el modelo supuesto) que se puede extender por los niveles deducidos de otras
funciones de los niveles de factores (interacciones, términos cuadráticos, etc.) según el modelo
teórico.
NOTA 1 Para un plan experimental dado se pueden concebir varias matrices de diseño, dependiendo del modelo
teórico.
NOTA 2 La matriz de diseño o del modelo se denota comúnmente como X. Cada fila de X corresponde a un sólo
tratamiento. La primera columna de X puede consistir en todos los 1 si en el modelo se encuentra un término
promedio global, como por ejemplo µ. Otras columnas pueden representar factores o funciones de las variables de
predicción.
2.7.1.1
diseño óptimo D
diseño que maximiza el determinante de X´X.
NOTA El criterio para el diseño óptimo D se relaciona con el volumen del elipsoide de confianza de los coeficientes
asociados con la matriz de diseño X. Los diseños Placket-Burman del numeral 2.2 son óptimos D con respecto a un
modelo de efectos principales.
2.7.1.2
diseño óptimo A
diseño que maximiza la traza de X´X
NOTA El criterio óptimo A integra una medida del volumen y el grado de esfericidad del elipsoide.
2.7.1.3
diseño óptimo G
diseño que maximiza la varianza máxima de predicción sobre el espacio del diseño.
27
NOTA La optimización G no implica ni directa ni explícitamente X. Sin embargo, en algunos contextos matemáticos
se puede demostrar que los criterios de optimización D y G son equivalentes, de manera que es posible utilizar el
criterio de optimización G (que facilita el proceso de optimización) para obtener un diseño óptimo D.
2.8
diseño ortogonal
diseño en donde cada par de factores es ortogonal.
NOTA Un par de factores es ortogonal si satisface la condición
nij = (ni x nj) / N
para cada condición del nivel (i, j) y cada par de columnas en
de donde
nij = es el número de veces que se produce la combinación del nivel (i, j) en dos columnas
cualquiera.
ni = es el número de veces que el nivel i ocurre en una columna.
nj = es el número de veces que el nivel j ocurre en la otra columna.
N = es el número total de unidades experimentales.
2.9
diseño saturado
diseño cuya matriz de diseño tiene el mismo número de columnas que el número de
tratamientos del experimento.
NOTA Es imposible estimar sin ambigüedad más parámetros que las unidades experimentales en el diseño.
3. MÉTODOS DE ANÁLISIS
3.1
método gráfico
análisis basado en la representación gráfica de los resultados de un experimento.
NOTA Las gráficas sencillas pueden suministrar una evaluación inicial eficaz del resultado de un experimento
diseñado.
3.1.1
gráfica de los efectos principales
gráfica que da respuestas promedio a los diferentes niveles de los factores individuales.
NOTA 1 La figura siguiente presenta una gráfica para el ejemplo tomado de 10.8 de la referencia [3]. La variable
de respuesta es el porcentaje y las variables de predicción son la carga del catalizador (A), la temperatura (B), la
presión (C) y la concentración (D). Cada variable de predicción se da a dos niveles, denotados como "-" para el
4
inferior y "+" para el superior. Se realizó un experimento factorial completo 2 . A partir de la figura es aparente** que
la temperatura parece tener el mayor efecto sustancial sobre la conversión, con el catalizador en segundo lugar y los
dos factores restantes bastante comparables. Serían necesarios análisis adicionales para evaluar si las pendientes
de las líneas conectadas en la gráfica son significativamente diferentes de cero.
28
90
80
Conversión (%)
70
60
50
A- A+ B- B+ C- C+ D- D+
Catalizador Temperatura Presión Concentración
NOTA 2 Una gráfica de los efectos principales da la respuesta promedio a los diferentes niveles de cada factor.
La naturaleza y magnitud del efecto de cada factor sobre la respuesta es evidente. La presencia de interacciones
puede ocultar los efectos de los diferentes factores.
3.1.2
gráfica de interacción
gráfica que brinda respuestas promedio a los niveles de dos factores distintos.
[véase interacción (1.17)].
NOTA Las gráficas de interacción son una herramienta gráfica de detección para la interpretación de las
interacciones. La falta de paralelismo es una indicación de los efectos de la interacción.
3.1.3
gráfica cuantil de efectos
gráfica de las cuantilas normales estándar contra los efectos estimados en un diseño factorial
completo o fraccionario.
EJEMPLO La siguiente figura muestra una gráfica de los datos tomados del ejemplo del
numeral 3.1.1.
1
Cuantil normal
-1
-2
-10 -5 0 5 10 15 20 25
Efecto
29
NOTA Para experimentos no replicados, esta gráfica puede sugerir efectos dominantes (es decir, aquellos puntos
más hacia la izquierda o derecha de una línea "guía" a través de la estructura principal de los puntos trazados). En
la figura anterior, el punto superior derecho que tiene un efecto igual a 24 corresponde al efecto de la temperatura.
3.1.4
gráfica residual
gráfica de los residuos contra los valores previstos correspondientes, o contra los niveles de un
factor particular.
EJEMPLO El ejemplo dado en el numeral 3.1.1 se continúa usando el modelo con los cuatro efectos principales y
la interacción BD como el modelo.
4
Residuos
-4
50 60 70 80 90
Valores previstos
3.2
método de los cuadrados mínimos
técnica de estimación de parámetros que minimiza Σe2, en donde e es la diferencia entre el
valor observado y el valor previsto derivado del modelo supuesto, y la suma se toma en todos
los tratamientos.
NOTA Los errores experimentales asociados con observaciones individuales generalmente se supone que son
independientes, aunque los modelos de inferencia se pueden ajustar para incluir errores correlacionados. Los
análisis usuales de varianza, regresión y covarianza están basados todos en el método de los cuadrados mínimos y
presentan diferentes ventajas de cálculo e interpretación que son el resultado de algunos balances dentro de las
disposiciones experimentales que permiten el agrupamiento conveniente de datos.
3.3
análisis de regresión
grupo de procedimientos asociados con la evaluación de modelos que relacionan las variables
de predicción con las variables de respuesta.
NOTA 1 El análisis de regresión está asociado comúnmente con el proceso de evaluar los parámetros de un
modelo supuesto optimizando el valor de una función objetiva (por ejemplo, minimizando la suma de las diferencias
cuadradas entre las respuestas observadas y las previstas por el modelo). La existencia de paquetes de software
estadístico ha eliminado una gran parte de la pesada tarea de obtener estimados de los parámetros, sus errores
estándar, y contienen un gran número de diagnósticos de modelos. El análisis de regresión también facilita la
consideración de otras medidas para la respuesta. Por ejemplo, si los efectos de la dispersión son de interés en un
2 2
diseño factorial replicado, el logaritmo de respuesta de Si (en donde Si es la varianza de la muestra de los puntos
replicados) se puede analizar e interpretar más fácilmente que las propias respuestas.
30
NOTA 2 El análisis de regresión desempeña un papel similar al análisis de varianza y es particularmente

pertinente cuando los niveles de los factores son continuos y se hace énfasis en un modelo predictivo explícito. El
análisis de regresión también se puede usar en experimentos diseñados con datos faltantes, a diferencia del análisis
de varianza, que requiere balance entre los datos. Sin embargo, la falta de balance aumenta la dependencia del
orden (los elementos comunes están incluidos en el primer elemento correlacionado y no se incluyen en los términos
siguientes) de las pruebas de hipótesis, al igual que la pérdida de otras ventajas de los experimentos balanceados.
Para experimentos balanceados, las dos técnicas son simples variaciones del método de los cuadrados mínimos y
producen resultados comparables.
EJEMPLO 1 Considérese un diseño ortogonal (véase el numeral 2.8) con tres factores cuantitativos
3
en un factorial de 2 , en el cual sólo se realiza una sola réplica y el modelo supuesto para una unidad
experimental es:
Y = β 0 x 0 + β 1x 2 + β 2x 2 + β 3x 3 + e
de donde
x0 = 1
x1 = es el nivel del factor A
x2 = es el nivel del factor B
x3 = es el nivel del factor C
e = es el error aleatorio
Este modelo también se puede aplicar a tres factores cualitativos que tienen niveles codificados
de –1 y + 1.
Tabla de análisis de regresión para el Ejemplo 1
− − 4
(notación: x ji = X ji − X i , Donde X i = ∑X
j =1
ji /4)
Fuente de variación Coeficiente de Suma de cuadrados Grados de Cuadrado medio

regresión (SC) libertad (G.L.) (C.M.)
Total - ST = ∑Y i
2 8 -
Constante (X0)
∑x Y Sx0
∑x
oi i
β0 = Sx 0 = β 0 1
∑x 2
oi
0 iYi
Regresión para X1 (A)

β1 =
∑x Y 1i i Sx1 = β1 ∑x 1iYi
1
Sx1
∑x 2
1i
Regresión para X2 (B)

β2 =
∑x Y 2i i Sx 2 = β 2 ∑x 2 iYi
1
Sx2
∑x 2
2i
Regresión para X3 (C)

∑x Y Sx3
∑
3i i
β3 = Sx3 = β 3 1
∑x 2 x3i yi
3i
4 SE/4
Residuo - S E =ST − Sx o − Sx1 − Sx2 − Sx3
31
3
NOTA 3 Si los experimentos 2 se replicaran dentro de un mismo bloque, los grados de libertad para el "total" (línea 1)
serían 16 y para el "residuo" serían 12. La suma de cuadrados residual se puede entonces dividir en dos elementos
asociados con "réplicas" y "falta de ajuste", con 8 y 4 grados de libertad respectivamente.
Tabla de análisis de regresión para el Ejemplo 1. Addenda para un experimento replicado
Fuente de Suma de cuadrados Grados de Cuadrado medio F Esperado

variación (SC) libertad (GL) (CM)
Residuo SE 12 SE /12
Réplicas 2
 −
SR = ∑j
 Yij − Yi 




8 SR /8
Falta de ajuste SL = SE - SR 4 SL /4
La importancia estadística de cada fuente se puede probar usando la estadística F para el

cuadrado medio de esa fuente y el término de error apropiado en hipótesis de normalidad
adecuadas. Para la situación de una sola réplica, los términos de "regresión" se ensayarían
contra el término "residual". Para la situación de dos réplicas, el término de “falta de ajuste” se
probaría contra los términos de las "réplicas" ("error experimental") para determinar si el
modelo es inadecuado. Los términos de "réplicas" son una medida del error experimental no
influenciado por la inadecuación potencial del modelo, que estaría incluido en el término
"residual".
3.4
análisis de varianza, ANOVA
Técnica que consiste en subdividir la variación total de una variable de respuesta, en
componentes significativos asociados con fuentes de variación específicas.
NOTA ANOVA facilita la estimación de los componentes de la varianza (véase el numeral 1.8) y el ensayo de las
hipótesis relativas a fuentes sobre los parámetros de un modelo.
Una tabla de análisis de varianza usualmente contiene columnas para:
- Fuente de varianza.
- Suma de cuadrados (SC).
- Grados de libertad (GL).
- Cuadrado medio (CM) (suma de cuadrados dividida por los grados de libertad).
- F (relaciones de los cuadrados medios para la fila, con el cuadrado medio asociado con el error).
- Cuadrados medios esperados (expectativa matemática de la suma de los cuadrados, dada en

términos de los parámetros del modelo),
Las filas de la tabla representan los efectos de los factores o las interacciones específicas, los bloques (si se utilizó
agrupación en bloques en el diseño experimental), o error (los efectos residuales no tenidos en cuenta por el modelo
o los bloques). Usualmente hay una fila denominada "total", que brinda la suma total de los cuadrados relativa al
promedio global y basada en los grados de libertad, que es uno menos que el tamaño de la muestra.
EJEMPLO Considérese un diseño en bloques aleatorizados, en el cual el resultado obtenido de i-ésimos niveles
de l niveles de un factor A en el j-ésimo de h bloques se designa como Yij = (i = 1, 2, ..., l ; j = 1, 2, ..., h). El factor
principal A representa un efecto de tratamiento fijo; el factor B representa un efecto de bloque fijo. Entonces se
calcula la siguiente tabla ANOVA:
32
Tabla de análisis de varianza (ANOVA)
Fuente Suma de cuadrados (SC) Grados de Cuadrado F Cuadrado

libertad (GL) medio medio
(CM) esperado
[E(CM)]
Total 2
 −
ST = ∑∑ i j
Y ij − Y 




vT = hl - 1 - - -
Factor A
(Tratamiento) 2 vA = l - 1 SA MS A
 −  F( v A , v e ) =
SA = h ∑
i
 Yij − Yi 




MS A =
vA MS e
CM A
σ 2 + hK A2
SA F( v A , v e ) =
CM A = CM e
vA
Factor B
(Tratamiento) 2 vB = h - 1 SB MSB
 −
∑ MS B = F( v B , ve ) =
SB = l  Yij − Yi  MSe σ 2 + lK B2
  vB
j   CM B
SB F( v B , ve ) =
CM B = CSe
vB
Error Se
2 ve = (l - 1) (h - 1) MS e = - σ
2
 − − −
∑∑
ve
Se =  Y ij − Yi − Y j + Y 
  Se
i j   CM e = -
ve
En la Tabla de ANOVA:
S T = SA + SB + Se
v T = vA + vB + ve
F(v1, v2) es el estadístico F
Un modelo asociado con las observaciones se da como:
Yij = µ + α i + β j + e ij , i = 1,2,..., h
Con
∑ α = ∑β
i j = 0; e ij − N ( 0, σ 2 )
K A2 =
∑α 2
i
; K B2 =
∑β 2
j
(l − 1) h −1
de donde
µ = es la media general
αi = es el efecto del i-ésimo tratamiento
βj = es el efecto del bloque j-ésimo
eij = es el error experimental

33
Para este ejemplo, se supone que se designan niveles fijos. Los estimados de los de los cuadrados
mínimos de µ, αi, βj y σ se obtienen mediante:
2
∧ −
∑∑ h . l
Yij
µ =Y
i j
∧ − − −
∑h
Yij
αi = Y − Y = −Y
j
∧ − − −
∑
Yij
βj = Y j − Y = −Y
l
i
2
 ∧ ∧ −
 Yij − Yi − Y j + Y 
∧2  
σ = ∑∑ i j

[(l − 1) (h − 1)]
 = Se2
Las fórmulas presentadas en este ejemplo están simplificadas porque en un diseño en bloques
aleatorizados cada celda debería contener un número igual de observaciones.
NOTA 2 Las hipótesis básicas de ANOVA son que los efectos debidos a todas las fuentes de variación son
aditivos y que los errores experimentales están distribuidos en forma normal e independiente, con una media de cero
y con varianzas iguales (homosedasticidad). La técnica, junto con la relación F, se usa para someter al ensayo de
importancia los efectos de estas fuentes de variación y/u obtener un estimado de las varianzas atribuibles a estas
fuentes. La hipótesis de una distribución normal se requiere solamente para este ensayo de importancia e intervalos
de confianza. Los promedios e interacciones se examinan usualmente resumiéndolos en tablas de 2 vías (o k-vía).
Este ejemplo supone un modelo 1 (modelo de efectos fijos) (véase el numeral 3.4.1). Cuando no se puede hacer la
hipótesis de la distribución normal de errores, algunas veces es posible usar transformaciones (por ejemplo,
logaritmos) de la variable de respuesta o aplicar un procedimiento no paramétrico.
3.4.1
análisis de varianza con efectos fijos
análisis de varianza en el cual los niveles de cada factor son preseleccionados para el rango de
valores de los factores.
NOTA Con niveles fijos es inapropiado calcular los componentes de varianza. Este modelo algunas veces se
denomina "Análisis de varianza de modelo 1".
3.4.2
análisis de varianza con efectos aleatorios
análisis de varianza en el cual se supone que cada nivel de cada factor se somete a muestreo
a partir de la población de niveles de cada factor.
NOTA Con niveles aleatorios, el interés principal usualmente es obtener componentes de estimados de varianza.
Este modelo se denomina comúnmente "Análisis de varianza de modelo 2".
EJEMPLO Considérese una situación en la cual se procesan lotes de una materia prima. El "lote" se puede
considerar como un factor aleatorio en un experimento cuando se seleccionan aleatoriamente algunos lotes de la
población de todos los lotes.
3.4.3
análisis de varianza de modelo mixto
análisis de varianza en el cual los niveles de algunos factores se preseleccionan y se realiza
muestreo en niveles de otros factores, a partir de la población de los niveles de factores.
NOTA Los componentes de varianza son significativos solamente para factores aleatorios. Además, los
estimados de los efectos se aplican solamente a los factores fijos. Este modelo también se denomina "Análisis de
varianza de modelo 3".
34
3.5
análisis de covarianza, ANCOVA
técnica para estimar y ensayar los efectos de los tratamientos cuando una o más variables
concomitantes influyen en la variable de respuesta.
NOTA 1 El análisis de covarianza se puede considerar como una combinación del análisis de regresión y el
análisis de varianza.
NOTA 2 Usualmente, la variable concomitante no se puede tener en cuenta para el diseño del experimento, y su
efecto sobre los resultados se debería tener en cuenta para el análisis. Por ejemplo, las unidades experimentales se
pueden diferenciar en la cantidad de algún componente químico presente en cada unidad, que se puede medir, pero
no ajustar.
35
Bibliografía
[1] ISO 3534-1: 1993, Statistics. Vocabulary And Symbols: Part 1. Probability And General
Statistical Terms. (NTC 2062-1: 1998)
[2] ISO 10241: 1992, International Terminology Standards. Preparation and Layout.
[31 Box G. E. P., HUNTER W. G. and HUNTER J. S. Statistics for Experimenters. An

Introduction to Design, Data Analysis, and Model Building. John Wiley & Sons, New
York, 1978.
[4] PLACKETT R. L. and BURMAN J. P. The Design of Optimum Multifactorial Experiments,

Biometrika, 33,1946, pp. 305-325.
[5] JOHN P. W. M. Statistical Design and Analysis of Experiments. The Macmillan

Company, New York, 1971.
[6] LIN D. K. J. A New Class of Supersaturated Designs. Technometrics, 35,1993, pp. 28-31.
[71 Wu C. F. J. Construction of Supersaturated Designs Through Partially Aliased

Interactions. Biometrika, 80, (3), 1993, pp. 661-669.
[8] FISHER R. A. and YATES F. Statistical Tables for Biological, Agricultural, and Medical
Research. Oliver and Boyd, Edinburgh, 4th edition, 1953.
[9] CORNELL J. A. Experiments With Mixtures. 2nd ed. John Wiley, New York, 1990.
[10] ISO 3534-2, Statistics. Vocabulary and Symbols. Part 2. Statistical Quality Control.
(NTC 2062-2:1998)
[11] ISO 5725-1, Accuracy (Trueness and Precision) of Measurement Methods and Results -
Part 1. General Principles and Definitions. (NTC 3529-1: 1998)
[12] Box G. E. P. and DRAPER N. R. Empirical Model-Building and Response Surfaces.

John Wiley & Sons, New York, 1987.
36
Índice alfabético
Español Inglés Numeral
Agrupación en bloques Blocking 1.28

Aleatorización Randomization 1.29
Alias Alias 1.19
Análisis de covarianza Analysis of covariance 3.5
Análisis de regresión Regresion analysis 3.3
Análisis de varianza Analysis of variance 3.4
ANOVA ANOVA 3.4
ANCOVA ANCOVA 3.5
Arreglo ortogonal Orthogonal array 1.26
Análisis de varianza con efectos fijos Fixed effects analysis of variance 3.4.1
Análisis de varianza con efectos aleatorios Random effects analysis of variance 3.4.2
Análisis de varianza de modelo mixto Mixed model analysis of variance 3.4.3
BIBD BIBD 2.3.4.1

Bloque Block 1.11
Componente de varianza Variance component

Concomitancia Confounding 1.8
Contraste Contrast 1.18
Contraste ortogonal Orthogonal contrast 1.24
Cuadrado de Youden Youden square 1.25
Curvatura Curvature 2.3.5
1.20
Diseño anidado Nested design 2.6

Diseño anidado balanceado Balanced nested design 2.6.1
Diseño anidado escalonado Staggered nested design 2.6.2
Diseño completamente aleatorizado Completely randomized design 1.33
Diseño completamente anidado Fully nested design 2.6.1
Diseño de cuadrado greco-latino Graeco latin square design 2.3.3
Diseño de cuadrado latino Response surfase desig 2.3.2
Diseño de la superficie de respuesta Screening desing 2.4
Diseño de mezclas Mixture design 2.5
Diseño de selección Block design 2.2

Diseño en bloques Block design 2.3
Diseño en bloques aleatorizados Randomized block design 2.3.1
Diseño en bloques incompletos Incomplete block design 2.3.4
Diseño en bloques incompletos Balanced incomplete block desing 2.3.4.1
balanceados
Diseño en bloques incompletos Partially balanced incomplete block
balanceados parcialmente designed 2.3.4.2
Diseño en cuadrado latino Latin square design 2.3.2
Diseño en parcelas subdivididos Split-plot design 2.3.6
Diseño en parcelas subdivididas de dos Two-way split-plot design 2.3.7
vías
Diseño jerárquico Hierarchical design 2.6
Diseño óptimo Optimal design 2.7
Diseño óptimo D D- Optima design 2.7.1.1
Diseño óptimo A A- Optimal design 2.7.1.2
Diseño óptimo G G- Optimal design 2.1.7.3
Diseño ortogonal Orthogonal design 2.8
Diseño saturado Satured design 2.9
Efecto de dispersión
Efecto principal
Error experimental Dispersion effect 1.14
Error puro Main effect 1.13
Error residual Experimental error 1.7
Espacio de diseño Error puro 1.23
EVOP Error residual 1.22
Experimento con factor k Design space 1.4
Experimento con un factor EVOP 1.32
Experimento con dos factores k - factor experiment 1.16
Experimento diseñado One - factor experiment 1.12
Experimento factorial Two - factor experiment 1.15
Experimento factorial 2k Designed experiment 1.31
Experimento factorial completo Factorial experiment 2.1
Experimento factorial fraccionario 2k Factorial experiment 2.1.2.1
Experimento factorial fraccionario 2k–p Full factorial experiment 2.1
Fractional factorial experiment 2.1.1
2k–p Fractional factorial experiment 2.1.2.2
F
Factor
Factor 1.5
G
Gráfica cuantil de efectos Quantile plot of effects 3.1.3

Gráfica de interacción Interaction plot 3.1.2
Gráfica residual Residual plot 3.4
Interacción Interaction 1.17
Matriz de diseño Design matriz 2.7.1

Método de los cuadrados mínimos Method of least square 3.2
Método gráfico Graphical method 3.1
Modelo Model 1.1
Nivel 1.6 Level 1.6
Operación evolutiva Evolutionary operation 1.32
PBIB PBIB 2.3.4.2

Plan experimental Experiment plan 1.30
Punto central Central point 1.36
Punto cúbico Cubic point 1.34
Punto en estrella Star point 1.35
Región de diseño Design region 1.4

Replicación Replication 1.27
Residual Residual 1.21
Resolución del diseño Desing resolution 2.1.3
Rotatividad Rotatability 1.3.7
Unidad experimental Experiment unit 1.9

Variable de predicción 1.3 Predictor variable 1.3

Variable de respuesta 1.2 Response variable 1.2
Tratamiento Treatment 1.10

NTC2062-3 Diseño Experimentos

Cargado por

Información del documento

Título original

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

NTC2062-3 Diseño Experimentos

Cargado por

Copyright:

Formatos disponibles

NORMA TÉCNICA NTC

E: STATISTICS. VOCABULARY AND SYMBOLS. PART 3:

CORRESPONDENCIA: esta norma es una adopción idéntica

DESCRIPTORES: estadística; diseño de experimentos;

I.C.S.: 01.40.03; 03.120.30

Editada por el Instituto Colombiano de Normas Técnicas y Certificación (ICONTEC)

Prohibida su reproducción Primera actualización

El Instituto Colombiano de Normas Técnicas y Certificación, ICONTEC, es el organismo

La representación de todos los sectores involucrados en el proceso de Normalización Técnica

A continuación se relacionan las empresas que colaboraron en el estudio de esta norma a

CARBOQUÍMICA S.A. INDUSTRIAS HUMCAR LTDA.

Además de las anteriores, en Consulta Pública el Proyecto se puso a consideración de las

El diseño de experimentos es esencialmente una estrategia de programación de experimentos

Un buen diseño experimental debería:

a) Incorporar el conocimiento y experiencia previos, para la selección de factores,

b) Suministrar información pertinente con un esfuerzo mínimo.

c) Asegurar, antes de comenzar el experimento, que el diseño está en capacidad

d) Reflejar la naturaleza secuencial de la mayoría de investigaciones.

e) Especificar tanto la disposición como la secuencia de tratamientos

EJEMPLO 2 Un modelo formal es:

yij = es la respuesta al nivel i del factor A y al nivel j del factor B

µ = es la respuesta media global

αi = es el efecto incremental del factor A al nivel i

βj = es el efecto incremental del factor B al nivel j

εij = es el término de error.

EJEMPLO 3 Un modelo usado comúnmente es:

yijk = es la respuesta de la réplica késima

αi = es el ajuste debido al factor 1

βj = es el ajuste debido al factor 2

τij = es el ajuste debido a la interacción de factores

εijk = es el término de error.

EJEMPLO 4 Otro modelo formal es:

yi = es la respuesta correspondiente a xij

NOTA 1 Un sinónimo común es "variable de salida"

NOTA 1 Un sinónimo común es "variable de entrada", "variable de descripción", y "variable explicativa".

NOTA 3 Un factor puede estar asociado con la creación de bloques.

NOTA 1 Un sinónimo es "valor de una variable de predicción".

EJEMPLO Consideremos el modelo:

µi = es la respuesta media al nivel iésimo del factor

Una representación alternativa de este modelo es:

µ = es la respuesta media global

αi = es el efecto incremental debido al nivel iésimo del factor

y, µ y ε son como en 1.12, Χ es + 1 ó – 1 como ya se describió, y β representa el ajuste

NOTA Un sinónimo es "experimento multifactor".

Interacción fuerte Alguna interacción No hay interacción

1.18 Concomitancia. Combinación deliberadamente de dos o más efectos (principal y/o

Si γ se desvía de cero, existe evidencia de curvatura relativa a la relación lineal simple.

Coeficientes de contraste para la pregunta 1 -1 0 +1

Contraste 1 -y1 +y3

Coeficientes de contraste para la pregunta 2 -1/2 +1 -1/2

Contraste 2 -y1/2 +y2 -y3/2

Coeficientes de contraste para la pregunta 1 y1 y2 y3

Coeficientes de contraste para la pregunta 2 -2y1 +y2 +y3

Contraste 2 -y2 +y3

Σ ai1 ai2 = 1, por tanto, no es ortogonal.

Σ ai1 ai2 = 0 por tanto, es ortogonal

2. DISPOSICIÓN DE LOS EXPERIMENTOS

Unidad experimental Tratamiento A B C D

El experimento 24 consta de 16 tratamientos diferentes, como se enumeran en la tabla anterior.

N filas en la columna que contiene el signo +

ABCD ABCD ABCD

EJEMPLO Un ejemplo de un cuadrado greco-latino de 4 x 4 es:

Niveles del factor principal