Trabajo Final de Diseño de Experimento

Caso # 1
 Diseño de un solo factor aleatorio:
La primera situación que vamos evaluar es si utilizar diferentes tipos de zancadas puede
incrementar la que puede alcanzar un persona del común. Es importante tener en cuenta que la
zancada es la distancia que existe desde el punto de contacto de uno de los pies hasta el punto de
contacto del pie opuesto. Teniendo esto claro podemos definir como nuestro factor a estudiar como
las Zancadas y los tipos de zancadas como los niveles de tratamiento. Para este experimento vamos
agarrar como población a los estudiantes de la universidad y vamos a tomar una muestra inicial de
6 observaciones para determinar cuál es el valor real que debe tener nuestra muestra. Les
pediremos a los estudiantes que corran como normalmente lo hacen. La distancia que se va a
recorrer para tomar el tiempo es de 28 m, el largo aproximado de una cancha de microfútbol, por lo
tanto si el estudiante recorre la distancia estipulada en menor tiempo eso significara que la
velocidad que alcanzo utilizando las zancadas largas fue mayor.

Los tiempos que se estuvieran en la primera muestra son los siguientes:

 MUESTRA INICIAL
2,86 2,87 2,83
2,86 2,87 2,87
Los resultados anteriores están en segundos (s)

Dado que la muestra preliminar que utilizamos es pequeña, se debe utilizar la siguiente fórmula
para calcular el valor apropiado de la muestra:

𝑡𝛼 𝑠 2
𝑛≥[ ] T-STUDENT ABIERTA EN
𝑥̅ 𝑘 AMBAS COLAS

Donde 𝒔 es el valor de la desviación muestral, 𝑥̅ la media muestral y 𝒌 el porcentaje de error

permisible.

Datos:
𝛼
𝛼=0,05 → = 0,025 → 𝑡𝛼 = 2,262
2 2
𝑘=1,5%=0,015
𝑠=0,015
𝑥=̅ 6

Solución:

𝑡𝛼 𝑠 2
𝑛≥[ ]
𝑥̅ 𝑘

(2,262)∗(0,015) 2
𝑛≥[ (6)∗(0,015)
]

𝑛 ≥ 14,2 ≅ 14

Con esto concluimos que el tamaño de muestra correcto que debemos tomar es 14.

A continuación presentamos los resultados obtenidos del experimento.

Muestra Real
Zancada Natural 2,83 2,83 2,86 2,86 2,83 2,85 2,86 2,86 2,83 2,83 2,85 2,83 2,84 2,83
Zancada Larga 2,79 2,78 2,78 2,77 2,78 2,77 2,78 2,77 2,77 2,77 2,79 2,77 2,78 2,77
Los resultados anteriores están en segundos (s)
Tabla ANOVA

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P

Entre grupos 0,0302286 1 0,0302286 248,94 0,0000
Intra grupos 0,00315714 26 0,000121429
Total (Corr.) 0,0333857 27

Conclusión

Puesto que el valor-P de la prueba-F es menor que 0,05, existe una diferencia estadísticamente
significativa entre las medias de las 2 variables con un nivel del 95,0% de confianza. Esto quiere
decir que efectivamente existe una diferencia en la velocidad que puede alcanzar una persona si
utiliza zancadas naturales y zancadas largas dado que se consigue recorrer la misma distancia en
menor tiempo.

 Diseño por factores de bloqueo:

Para la segunda situación vamos evaluar si el género, hombre o mujer, afecta a la hora de tener una
velocidad más elevada. Nuestro primer bloque es un estudiante hombre escogido al azar y el
segundo bloque es una estudiante escogida al azar. Se van a mantener las mismas condiciones que
en el experimento anterior, con la diferencia que ahora el tiempo de espera entre cada corrida será
de 3 minutos, para darle oportunidad a los estudiantes que descansen. Dado que nuestra n en el
ejemplo anterior nos dio 14 muestras, ahora tendremos un experimento con 14 réplicas.

A continuación presentamos los resultados obtenidos del experimento.

ESTUDIANTES
Hombre Mujer
ZANCADAS 2,85 2,85 2,83 2,84 2,85 2,84 2,84 2,88 2,88 2,86 2,88 2,86 2,87 2,87
NATURALES 2,84 2,83 2,85 2,84 2,83 2,84 2,85 2,87 2,88 2,88 2,88 2,85 2,86 2,86

ZANCADAS 2,75 2,78 2,76 2,75 2,76 2,77 2,75 2,79 2,77 2,77 2,78 2,78 2,8 2,78
LARGAS 2,76 2,78 2,78 2,77 2,77 2,78 2,75 2,78 2,78 2,78 2,78 2,8 2,77 2,8
Los resultados anteriores están en segundos (s)

Tabla ANOVA

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P

EFECTOS PRINCIPALES
A:Zancadas 0,0936446 1 0,0936446 825,97 0,0000
B:BLOQUE 0,00754464 1 0,00754464 66,55 0,0000
RESIDUOS 0,00600893 53 0,000113376
TOTAL (CORREGIDO) 0,107198 55
Todas las razones-F se basan en el cuadrado medio del error residual

Conclusión

Puesto que los 2 valores-P son menores que 0,05, estos factores tienen un efecto estadísticamente
significativo sobre TIEMPO con un 95,0% de nivel de confianza. Esto quiere decir que el largo de
las zancadas y el género que posee una persona afecta en la velocidad que puede lograr alcanzar.
Ya que se consigue recorrer la misma distancia en menor tiempo.

Pruebas de Múltiple Rangos para TIEMPO por Zancadas

Método: 95,0 porcentaje LSD

Zancadas Casos Media LS Sigma LS Grupos Homogéneos
ZANCADAS LARGA 28 2,77393 0,00201225 X
ZANCADAS NATUR 28 2,85571 0,00201225 X

Contraste Sig. Diferencia +/- Límites

ZANCADAS LARGA - ZANCADAS NATUR * -0,0817857 0,00570786
* indica una diferencia significativa.

Conclusión

Dado que solo existen 2 niveles de tratamiento, las conclusiones a las que se llegan son las mismas
que en la tabla ANOVA. .

 Diseño factorial:
Para la última situación vamos a manejar las mismas condiciones del experimento anterior con las
diferencias que el nuevo factor a evaluar es el braceo, el cual nos ayuda a realizar el impulso hacia
adelante cuando corremos y además nos permite conservar mejor la energía y tener mejor
equilibrio al momento de correr. También tendremos 2 niveles de tratamientos para este factor, los
cuales serían el braceo natural y braceo a 90°. El braceo a 90° quiere decir que entre el antebrazo y
el brazo debe haber 90°.

A continuación presentamos los resultados obtenidos del experimento.

Los valores altos y bajos para cada uno de los factores son los siguientes.

Factores - +
Zancada(A) Natural Largas
Brazos forman ángulo de
Braceo(B) Natural
90 °
FACTORES
A B TIEMPO
-1 -1 2,83 2,84 2,84 2,82 2,85 2,83 2,83 2,82 2,84 2,85 2,83 2,84 2,84 2,83

1 -1 2,76 2,75 2,76 2,76 2,77 2,75 2,75 2,76 2,77 2,76 2,75 2,75 2,75 2,75

-1 1 2,79 2,8 2,78 2,79 2,8 2,78 2,8 2,78 2,8 2,79 2,8 2,79 2,79 2,78

1 1 2,75 2,75 2,74 2,75 2,76 2,76 2,76 2,76 2,76 2,76 2,74 2,76 2,74 2,76

Los resultados anteriores están en segundos (s)

Tabla ANOVA
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
A:Zancada 0,0468643 1 0,0468643 794,66 0,0000
B:Braceo 0,00777857 1 0,00777857 131,90 0,0000
AB 0,00600714 1 0,00600714 101,86 0,0000
bloques 0,00138571 13 0,000106593 1,81 0,0768
Error total 0,0023 39 0,0000589744
Total (corr.) 0,0643357 55

R-cuadrada = 96,425 porciento

R-cuadrada (ajustada por g.l.) = 94,9583 porciento
Error estándar del est. = 0,00767948
Error absoluto medio = 0,00548469
Estadístico Durbin-Watson = 2,59888 (P=0,7173)
Autocorrelación residual de Lag 1 = -0,325532

Conclusión

En este caso, los 3 efectos tienen una valor-P menor que 0,05, indicando que son
significativamente diferentes de cero con un nivel de confianza del 95,0%. Esto quiere decir que la
zancada, el braceo y el uso adecuado de estos dos factores de manera coordinada pueden afectar
significativamente la velocidad que puede alcanzar una persona y en consecuencia a esto se
recorrió los mismos 28 m en menor tiempo.

El estadístico R-Cuadrada indica que el modelo, así ajustado, explica 96,425% de la variabilidad
en Tiempo.

Coef. De regresión para Tiempo

Coeficiente Estimado
constante 2,78393
A:Zancada -0,0289286
B:Braceo -0,0117857
AB 0,0103571

Conclusión

La ecuación del modelo ajustado es:

Tiempo= 2,78393 - 0,0289286*Zancada - 0,0117857*Braceo + 0,0103571*Zancada*Braceo

Optimizar Respuesta

Meta: minimizar Tiempo

Valor óptimo = 2,75357

Factor Bajo Alto Óptimo

Zancad -1,0 1,0 1,0
a
Braceo -1,0 1,0 1,0

Conclusión

Dado que para nuestro ejemplo lo que se busca es disminuir el tiempo en que se recorren los 28m,
cuando optimizamos los factores buscamos es minimizar la respuesta. Esta tabla muestra la
combinación de los niveles de los factores, la cual minimiza El TIEMPO máximo que toma
recorrer los 28 m, en ambos casos se prefiere utilizar su valor alto, es decir, zancadas largas y
braceos a 90°.

Conclusión Final Caso # 1

Con este experimento pudimos evidenciar que las zancadas y la forma del braceo son elemento
muy importantes al momento de correr, marcando una diferencia significativa en la velocidad que
puedes alcanzar si aplicas cada una de ellas correctamente. Con los resultados obtenidos podemos
decir que se debe correr siempre utilizando zancadas larga y el braceo a 90° para poder maximizar
la velocidad que alcanzamos.
Caso # 2
 Diseño de un solo factor aleatorio:
La primera situación que vamos evaluar para el segundo caso es si la hora del día afecta en la tarifa
que se cobra en la aplicación de Cabify. Para nuestro experimento vamos a evaluar la tarifa que se
cobra de Uniautonoma a Uninorte. El factor a evaluar seria la hora, los niveles de tratamiento
serían 2, 9 am y 9 pm y siempre el día lunes, y nuestra variable de respuesta seria el precio de la
tarifa. Para este experimento utilizaremos un tamaño de muestra de 5 por niveles.

HORAS TARIFAS

9 am 5300 6700 5200

9 pm 10500 8100 12849

Los resultados anteriores están en pesos ($)

A continuación presentamos los resultados obtenidos del experimento.

Tabla ANOVA
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 3,3839E7 1 3,3839E7 10,67 0,0309
Intra grupos 1,26836E7 4 3,1709E6
Total (Corr.) 4,65226E7 5

Conclusión

Puesto que el valor-P de la prueba-F es menor que 0,05, existe una diferencia estadísticamente
significativa entre las medias de las 2 variables con un nivel del 95,0% de confianza. Lo que quiere
decir que existe una diferencia significativa entre pedir el servicio a las 9am y a las 9pm.

 Diseño por factores de bloqueo:

Para la segunda situación vamos evaluar si los días de la semana, de lunes a viernes, afectan en el
precio de la tarifa de Uniautonoma a Uninorte en la aplicación de cabify. Nuestro primer bloque es
el lunes, el segundo el martes y así sucesivamente hasta el viernes.

A continuación presentamos los resultados obtenidos del experimento:

DIAS DE LA SEMANA
HORAS LUNES MARTES MIÉRCOLES JUEVES VIERNES

9:00 A. M. 5300 6700 5200 6500 6700 5500 5500 5200 5500 6700 5300
5200 5500 5200 5200
9:00 P. M. 10500 8100 12500 8400 10500 12500 8200 8800 10500 8300
12849 8800 10500 12000 8500
Los resultados anteriores están en pesos ($)

Tabla ANOVA
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
EFECTOS PRINCIPALES
A:Horas 1,44098E8 1 1,44098E8 80,01 0,0000
B:BLOQUE 5,12753E6 4 1,28188E6 0,71 0,5920
RESIDUOS 4,32232E7 24 1,80097E6
TOTAL (CORREGIDO) 1,92448E8 29
Todas las razones-F se basan en el cuadrado medio del error residual

Conclusión

Puesto que un valor-P es menor que 0,05, este factor tiene un efecto estadísticamente significativo
sobre Tarifas con un 95,0% de nivel de confianza.
Pruebas de Múltiple Rangos para Tarifas por Horas

Método: 95,0 porcentaje LSD

Horas Casos Media LS Sigma LS Grupos Homogéneos

1 15 5680,0 346,503 X
2 15 10063,3 346,503 X

Contraste Sig. Diferencia +/- Límites

1-2 * -4383,27 1011,37
* indica una diferencia significativa.

Conclusión

Dado que solo existen 2 niveles de tratamiento, las conclusiones a las que se llegan son las mismas
que en la tabla ANOVA. Esto quiere decir que las horas seleccionadas si afectan en el precio de las
tarifas pero los días de la semana no.

 Diseño factorial:
Para la última situación vamos a manejar las mismas condiciones del experimento anterior con la
diferencia que ahora el nuevo factor a evaluar es la reserva, es decir, que el servicio se solicite con
antelación.

A continuación presentamos los resultados obtenidos del experimento.

Los valores altos y bajos para cada uno de los factores son los siguientes.

Factores - +
Horas(A) 9 am 9 pm
Reserva(B) Sin reserva Con reserva

FACTORES
A B TARIFA
-1 -1 5300 6700 5200
1 -1 10500 12500 10500
-1 1 11000 12400 10900
1 1 16200 18200 16200
Los resultados anteriores están en segundos (s)
TABLA ANOVA INICIAL
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
A:Horas 8,85633E7 1 8,85633E7 2571,19 0,0000
B:Reserva 9,747E7 1 9,747E7 2829,77 0,0000
AB 0,0 1 0,0 0,00 1,0000
bloques 7,94E6 2 3,97E6 115,26 0,0000
Error total 206667, 6 34444,4
Total (corr.) 1,9418E8 11

R-cuadrada = 99,8936 porciento

R-cuadrada (ajustada por g.l.) = 99,8049 porciento
Error estándar del est. = 185,592
Error absoluto medio = 122,222
Estadístico Durbin-Watson = 3,08737 (P=0,9213)
Autocorrelación residual de Lag 1 = -0,587366

Conclusión

La tabla ANOVA particiona la variabilidad de Tarifa en piezas separadas para cada uno de los
efectos. Entonces prueba la significancia estadística de cada efecto comparando su cuadrado
medio contra un estimado del error experimental. En este caso, 3 efectos tienen una valor-P menor
que 0,05, indicando que son significativamente diferentes de cero con un nivel de confianza del
95,0%. Dado que la combinación hora y reserva se puede retirar del modelo y nos quedaría asi:

Tabla ANOVA FINAL

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P

A:Horas 8,85633E7 1 8,85633E7 2999,73 0,0000

B:Reserva 9,747E7 1 9,747E7 3301,40 0,0000
bloques 7,94E6 2 3,97E6 134,47 0,0000
Error total 206667, 7 29523,8
Total (corr.) 1,9418E8 11

El estadístico R-Cuadrada indica que el modelo, así ajustado, explica 99,8936% de la variabilidad
en Tarifa

Coef. de regresión para Tarifa

Coeficiente Estimado

constante 11300,0
A:Horas 2716,67
B:Reserva 2850,0
La ecuación del modelo ajustado es

Tarifa = 11300,0 + 2716,67*Horas + 2850,0*Reserva

Optimizar Tarifa

Meta: minimizar Tarifa

Valor óptimo = 5733,33

Factor Bajo Alto Óptimo

Horas -1,0 1,0 -1,0
Reserv -1,0 1,0 -1,0
a

Conclusión

Como en este casi lo que buscamos es llegar a la tarifa más pequeña, lo correcto al momento de
optimizar es minimizar la respuesta, por lo tanto la combinación ideal para minimizar tarifa es
horas y reserva en su nivel bajo.

Conclusión Final Caso # 2

En este experimento podemos evidenciar que la hora en la que se pide un servicio y si un servicio
es de tipo reserva o no, afecta significativamente el valor que puede tomar el valor del servicio de
Uniautonoma a Uninorte. Por otro lado, pudimos apreciar que los días de la semana no son
relevantes al momento de solicitar un servicio. Finalmente, si lo que queremos es irnos por la
tarifa más económica siempre debemos procurar solicitarlo a las 9 am sin reserva.