Diseño experimental completamente

aleatorizado (DCA): 1 solo factor con

diferentes tratamientos.

DCA: Es el más simple de todos los

diseños, solamente se estudia el
efecto de un factor, el cual se varía
en diferentes tratamientos o niveles.

Entrada Sistema Salida

Factor de estudio

Diseño experimental
completamente aleatorizado (DCA).

Prueba de hipótesis en DCA

Tratamientos

T1 T2 T3 ------------------ Tk

Y11 Y21 Y31 ------------------ Yk1

Replicas Y12 Y22 Y32 Yk2
------------------

Y1n2 Y2n2 Y3n2 ----------------- Yknk

1
Diseño experimental
completamente aleatorizado (DCA).

Prueba de hipótesis en DCA

Ykn=µ+Tk+εkn

Ykn=variable de respuesta
µ= media global
Tk= efecto del tratamiento
εkn= error aleatorio

Diseño experimental
completamente aleatorizado (DCA).

Prueba de hipótesis en DCA

Inferencia estadística sobre Tk
Ho=Hipótesis nula
T1=T2=--Tk (El factor no tiene efecto)
Ha=Hipótesis alternativa
T1≠T2=--Tk (El factor tiene efecto)

2
Diseño experimental
completamente aleatorizado (DCA).

Ejemplo
Un fabricante de calzado desea mejorar la calidad de las suelas,
las cuales se pueden hacer con uno de los cuatro tipos de cuero
A, B, C, y D disponibles en el mercado. Para hacer ello, prueba
los cueros con una máquina que hace pasar los zapatos por una
superficie abrasiva; la suela de los zapatos se desgasta al pasarla
por dicha superficie. Como criterio de desgaste se usa la pérdida
de peso después de un número fijo de ciclos. Se prueban en
orden aleatorio 24 zapatos, seis de cada tipo de cuero.

Diseño experimental
completamente aleatorizado (DCA).

Ejemplo
Planteamiento del experimento: Observar el efecto del tipo de
cuero sobre la calidad de las suelas.
Factor: tipo de cuero
Niveles: cueros A, B, C, y D
Variable de respuesta: calidad de las suelas, medida como la
pérdida de peso después de un número fijo de ciclos
Repeticiones: seis

3
Diseño experimental
completamente aleatorizado (DCA).

Número de repeticiones por tratamiento

El número de repeticiones por tratamiento se escoge en función de:
-la variabilidad que se espera observar (exactitud en la medición)
-diferencia mínima detectable (la de interés por el experimentador)
-nivel de confianza deseado ( con que certeza)
Se recomienda n =10 cuando hay poca dispersión y n = 30 cuando
hay mucha dispersión.

Diseño experimental
completamente aleatorizado (DCA).

Ejemplo
Después de realizar las pruebas estos fueron los resultados
Tipo de cuero Perdida de peso Promedio

A 264 260 258 241 262 255 256.7

B 208 220 216 200 213 206 209.8
C 220 263 219 225 230 228 230.8
D 217 226 215 224 220 222 220.7

Para probar la hipótesis se tiene que realizar un análisis de varianza

4
Diseño experimental
completamente aleatorizado (DCA).
Análisis de varianza (ANOVA) en DCA.
Consiste en analizar los cocientes de las varianzas para probar la
hipótesis de igualdad o desigualdad entre las medias debidas a los
tratamientos. Para lo cual se separa la variación total en las partes
con que contribuye cada fuente de variación. En el caso de DCA las
fuentes de variación principales son las debidas a los tratamientos y
las debidas a el error.
Y=µ+T+ε error

tratamiento

Con estas fuentes de variación se obtienen los cuadrados de las

sumatorias de las desviaciones, tanto del tratamiento como del error
y se construye una tabla de ANOVA

Diseño experimental
completamente aleatorizado (DCA).
Tabla de ANOVA) en DCA.

FV SC GL CM Fo p-value

Factor SCF k-1 CMF = SCF / k-1 CMF/ CME P (F>Fo)

Error SCE= SCT-SCF N-k CME=SCE/N-k

Total SCT N-1

Variabilidad total Variabilidad total

V. trat V. error V. trat V. error

No hay efecto del factor Si hay efecto del factor

5
Diseño experimental
completamente aleatorizado (DCA).
Ejemplo
FV SC GL CM Fo p-value

Factor 7072.33 3 2357.44 23.24 0.0000

Error 2029.0 20 101.45
Total 9 101.33 23

Como p-value < 0.05, El factor tipo de cuero

influye sobre la calidad de las suelas

95 %
P(F)
5 % =0.05
Ho: T1=T2=--Tk Ha: T1≠T2=--Tk

Intervalo de confianza Nivel de significancia= p-value

Diseño experimental
completamente aleatorizado (DCA).
Pruebas de rangos múltiples en DCA.
Una vez que se rechaza la hipótesis nula y se acepta la hipótesis
alternativa, se debe investigar cuales tratamientos resultaron diferentes
, o cuales tratamientos resultaron diferentes, lo cual se puede realizar
con diferentes métodos:
-Método LSD (Diferencia mínima significativa)
[Yi-Yj]> tα/2,N-k√ CME{1/ni+1/nj} tα/2,N-k = t Student (tablas)
LSD n=repeticiones
Significativo i,j=tratamientos
Cuando el termino de la izquierda > derecha

6
Diseño experimental
completamente aleatorizado (DCA).
Ejemplo

[Yi-Yj] Diferencia muestral Decisión

en valor absoluto
µA-µB 1.25<2.42 No significativa
µA-µC *5.50>2.42 Significativa
µA-µD *3.25>2.42 Significativa
µB-µC *4.25>2.42 Significativa
µB-µD 2.00<2.42 No significativa
µC-µD 2.25<2.42 No significativa
* Estos datos no corresponden al ejemplo del desgaste de
los zapatos. Realizar las pruebas de comparación múltiple
para elegir el tipo de cuero mas adecuado.

Diseño experimental de bloques

completos al azar (DBCA).

DBCA: Considera el efecto de un factor

por bloques que a su vez están
constituidos por tratamientos.

Entrada Sistema Salida

Bloque 1 Bloque 2

Factor de estudio

7
Diseño experimental de bloques
completos al azar (DBCA).

DBCA completo: Un diseño experimental de bloques al azar esta

completo cuando cada bloque tiene el mismo número de tratamientos.
Ejemplos de bloques: Lote de materia prima, turno, día, operador
máquina, método, etc.
Prueba de hipótesis en DBCA
Tratamientos

1 2 3 ……… K
1 Y11 Y11 Y21 Y21 Y31 Y31 ……… YK1 YK1
2 Y12 Y12 Y22 Y22 Y32 Y32 ……… YK2 YK2
.
B Y1B Y1B Y2B Y2B Y3B Y3B ……… YKB YKB

Diseño experimental de bloques

completos al azar (DBCA).

Prueba de hipótesis en DBCA

Ykb=µ+Tk+βb+ εkb

Ykn=variable de respuesta
µ= media global
Tk= efecto del tratamiento
βb= efecto del bloque
εkn= error aleatorio

8
Diseño experimental de bloques
completos al azar (DBCA).

Prueba de hipótesis en DBCA

Inferencia estadística sobre Tk y Bb
Ho=Hipótesis nula
T1=T2=--Tk (El factor no tiene efecto)
B1=B2=--Bb (El bloque no tiene efecto)
Ha=Hipótesis alternativa
T1≠T2=--Tk (El factor tiene efecto)
B1≠B2=--Bb (El bloque tiene efecto)

Diseño experimental de bloques

completos al azar (DBCA).

Análisis de varianza (ANOVA) en DBCA.

Consiste en analizar los cocientes de las varianzas para probar la
hipótesis de igualdad o desigualdad entre las medias debidas a los
tratamientos y los bloques, separando la variación total en las partes
con que contribuye cada fuente de variación. Las fuentes de
variación principales son las debidas a los tratamientos, a los
bloques y las debidas a el error.
bloque

Y=µ+T+β+ε error

tratamiento (factor)

Obteniendo posteriormente la tabla de ANOVA

9
 Diseño experimental de bloques
completos al azar (DBCA).

Tabla de ANOVA en DBCA.

FV SC GL CM Fo p-value

Factor SCF k-1 CMF CMF/ CME P (F>Fo)

Bloque SCB b-1 CMB CMB/ CME P (F>Fo)

Error SCE GLT-(k-1)-(b-1) CME

Total SCT N-1

Diseño experimental de bloques

completos al azar (DBCA).

Ejemplo 1-a
En una empresa maquiladora de ensamble, se desean probar
cuatro tipos de métodos de ensamblaje A, B, C y D, para
encontrar el método más rápido. Sin embargo también se ha
encontrado que puede ser posible que dependiendo del tipo de
operador será el tiempo ensamble. Para esto se realizan las
pruebas de ensamblaje, ensamblando una pieza por cada uno de
los cuatro métodos, con cuatro operadores.

10
Diseño experimental de bloques
completos al azar (DBCA).

Ejemplo 1-a
Planteamiento del experimento: Determinar el efecto del
método de ensamble y su dependencia del tipo de operador
sobre el tiempo de ensamble .
Factor: Método de ensamble
Niveles: métodos A, B, C, y D
Bloques: tipo de operador
Variable de respuesta: tiempo de ensamble
Repeticiones: una

Diseño experimental de bloques

completos al azar (DBCA).

Ejemplo 1-a
Después de realizar las pruebas estos fueron los resultados
Método
A B C D
Operador 1 6 7 10 10
2 9 10 16 13
3 7 11 11 11
4 8 8 14 9

11
Diseño experimental de bloques
completos al azar (DBCA).

Ejemplo 1-a
Tabla de análisis de varianza
FV SC GL CM Fo p-value

Métodos 61.5 3 20.5 10.25 0.003

Operadores 28.5 3 9.5 4.75 0.030
Error 18.0 9 2.0
Total 108.0 15

Tanto el método como el tipo de operador influyen sobre el

tiempo de ensamblaje

Diseño experimental de bloques

completos al azar (DBCA).

Ejemplo 1-b
Suponer que se realiza el mismo experimento con 2 repeticiones
para cada método por operador
Método

A B C D
Operador 1 6,6 7,8 10,11 10,9
2 9,10 10,10 16,15 13,14
3 7, 6 11,11 11,10 11,12
4 8, 8 9,8 14, 13 9,10

12