Marco Teórico

En todos los campos de estudio se llevan a cabo experimentos, para descubrir algo acerca
de un proceso o sistema particular. Un experimento puede definirse como una prueba o
serie de pruebas en las que se hacen cambios deliberados en las variables de entrada de
un proceso o sistema para observar e identificar las razones de los cambios que pudieran
observarse en la respuesta de salida. En ingeniería, la experimentación desempeña un
papel importante en el diseño de productos nuevos, desarrollo de manufacturas y el
mejoramiento de procesos. El objetivo es básicamente desarrollar un proceso que sea
afectado en forma mínima por fuentes de variabilidad externas.

En el presente trabajo realizamos la planeación y realización de un experimento, y análisis

de los datos resultantes a fin de obtener conclusiones válidas y objetivas. Para realizar el
mismo recurrimos a un diseño de bloques de grupos al azar. Mediante la aleatorización de
los datos se consigue equilibrar todas las posibles influencias sistemáticas extrañas, de
modo que podemos esperar que los datos obtenidos se distribuyan según la “ley normal”,
lo cual constituye una de las condiciones básicas para la aplicación de las pruebas de
significación estadística. Sin embargo, existe una gran variación que se opera en diseños
totalmente aleatorios, por que empleamos una técnica con el fin de reducir al máximo dicha
variación, conocida como bloques.

La primera aplicación de “bloqueo” como técnica de control y reducción de error, fue en la

agricultura, de donde posteriormente, se derivó el nombre. Bloque significa en agricultura
un conjunto de parcelas de terreno que presentan unas características similares. De esta
forma, todas las parcelas que se encuentran dentro de una misma área de terreo (bloque),
presentaran rasgos comunes, y de ahí que se consideren homogéneas en relación a los
tratamientos. En efecto, dentro de cada bloque las unidades de terreno serán más idénticas
entre sí que en relación a las pertenecientes a otros bloques.

Mediante este procedimiento, las diversas unidades experimentales se pueden considerar

equivalentes y, por lo tanto, de escasa variabilidad. Debido a la gran homogeneidad interna
del bloque, podremos detectar diferencias más pequeñas entre los tratamientos. Mediante
la formación de bloques aplicamos una técnica de diseño que se utiliza para mejorar la
precisión de las comparaciones que se hacen entre los factores de interés.

Las ventajas que nos ofrece la técnica de bloques es de gran importancia; con esta técnica
logramos homogeneizar los bloques, lo cual supone una enorme reducción de la varianza
del error, puesto que, en el análisis de los resultados, las variaciones debida al sistema de
bloques queda aislada de la variación del error. El error experimental se calcula, en este
tipo de diseño, a partir de la variación dentro de cada bloque, logrando así una mayor
precisión en el momento de comparar los efectos de los tratamientos. Si bien se reduce
sensiblemente el error experimental, no quiere decir que lo eliminamos completamente; en
efecto, por más homogeneización lograda, aparecerán irremediablemente diferencias
individuales.

Prueba de Normalidad

Debido a la gran importancia que tiene la distribución normal, con frecuencia es necesario
determinar si los datos tienen esa distribución, sin embargo, cabe aclarar que ninguna
técnica tiene un 100% de certeza. En el presente trabajo utilizaremos graficas de
probabilidad y la prueba de chi cuadrada a fin de determinar la normalidad de los datos
referidos a extracciones de petróleo en las distintas formaciones. Empleando el software
minitab obtuvimos lo siguiente:

 Mediante la gráfica podemos denotar una normalidad debido a que los puntos se
encuentran cercanos a la recta.
 Empleando el método de chi cuadrada observamos que el valor p es mayor que el
alfa utilizado (5% = 0,05) por lo que se trata de una distribución normal, coincidente
con lo obtenido gráficamente.

Realizamos ahora una prueba para detectar valores atípicos a fin de considerar eliminarlos
del análisis que realizaremos, obteniendo lo siguiente:

Prueba de valores atípicos: Producción

Método
Hipótesis nula Todos los valores de los datos provienen de la misma población
normal
Hipótesis alterna El valor más pequeño o más grande de los datos es un valor
atípico
Nivel de α = 0,05
significancia
 Prueba de Grubbs
Variable N Media Desv.Est. Mín. Máx. G P
Produccion 18 130,0 62,5 51,3 226,5 1,54 1,000
* NOTA * No hay valor atípico en el nivel de significancia de 5%
Gráfica de valores atípicos de Producción

Gráfica de valores atípicos de Produccion

Prueba de Grubbs
Mín. Máx. G P
51 ,32 226,52 1 ,54 1 ,000

50 1 00 1 50 200 250
Produccion

Como no se detectan valores atípicos continuamos el trabajo empleando los datos sin
modificaciones.

Si bien determinamos la normalidad de los datos es preciso verificar los supuestos para
este modelo lineal de diseño en bloques:

 Residuos sigan una distribución normal con varianza constante

 Independencia en los residuos

Utilizando el software minitab comprobamos los supuestos anteriores mediante

verificaciones gráficas.
Comprobación de supuestos para emplear el diseño experimental por bloques

Normalidad de los residuos

Podemos ver como el supuesto de normalidad de los residuos sigue una distribución normal
al encontrarse los puntos muy cercanos a la recta de normalidad, por lo que asumimos la
misma. Verificamos entonces que los residuos siguen una distribución normal.

En el siguiente paso probaremos su independencia nuevamente mediante gráfica.

Independencia de los residuos

Como se puede apreciar no existe una dependencia entre la media y la varianza, ya que
gráficamente no se forma un “embudo” que denotaría que a medida que crece la media
crece la varianza, o bien que a medida que disminuye la media, disminuye la varianza.

Aplicación del diseño experimental por bloques

Modelo lineal de diseño por bloques

=µ+ + ρ+e
ij i j ij

τi: efecto tratamiento

ρj: efecto bloques

eij: error experimental

La siguiente tabla presenta las extracciones de petróleo en las zonas mencionadas. Las
unidades se encuentran en m3.

Formación Enero Febrero Marzo Abril Mayo Junio

Agrio 79,99 116,58 179,88 164,66 142,85 136,57
Rayoso 64,32 60,32 56,66 61,44 57,54 51,32
Huitrin 226,52 166,16 179,58 222,62 211,24 161,32

Aplicando el diseño de efectos por bloques se toman como tratamientos a las zonas de
Agrio, Rayoso y Huitrin, bloqueando los meses. Las réplicas totales son la cantidad de
meses en los que centramos nuestro experimento.

Como mencionamos en el resumen aplicaremos técnicas estadísticas para determinar en

qué zona se encuentra la mayor eficiencia de extracción. Para ello empezamos realizando
un ANVA (análisis de varianza) a fin de realizar una comparación de que “tratamiento” es
más efectivo, obteniendo los siguientes datos:
Modelo lineal general: Produccion vs. Meses. Formación
Método
Codificación de factores (-1. 0. +1)
Información del factor
Factor Tipo Niveles Valores
Meses Fijo 6 1. 2. 3. 4. 5. 6
Formación Fijo 3 A. H. R

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Meses 5 2944 588,9 0,77 0,595
Formación 2 55880 27939,9 36,36 0,000
Error 10 7685 768,5
Total 17 66509
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
27,7222 88,44% 80,36% 62,56%
Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV
Constante 129,98 6,53 19,89 0,000
Meses
1 -6,4 14,6 -0,44 0,672 1,67
2 -15,6 14,6 -1,07 0,310 1,67
3 8,7 14,6 0,60 0,563 1,67
4 19,6 14,6 1,34 0,209 1,67
5 7,2 14,6 0,50 0,631 1,67
Formación
A 6,78 9,24 0,73 0,480 1,33
H 64,60 9,24 6,99 0,000 1,33
Ajustes y diagnósticos para observaciones pocos comunes
Resid
Obs Produccion Ajuste Resid est.
1 80,0 130,4 -50,4 -2,44 R
Residuo grande R
Aquí van las interpretaciones de lo obtenido
en estos datos
Continuamos el análisis calculando e interpretando el error estándar

Estimación del error estándar

𝐶𝑀𝐸
Sȳ = √ 𝑅

R = número de réplicas = 6 (es igual para todos los tratamientos)

Sȳ = 11,3174

Aquí va la interpretación de lo obtenido

Teniendo ya todo lo necesario realizamos el método de Tuckey a un nivel de significancia
del 5% para obtener las comparaciones para las cuales planteamos este diseño
experimental a fin de conocer cual zona tuvo un mejor rendimiento en su producción.

Aplicación de método de Tuckey

Comparaciones para Producción

Comparaciones por parejas de Tuckey: Formación
Método de Tuckey, confianza del 95%
Formación N Media Agrupación
H 6 194,573 A
A 6 136,755 B
R 6 58,600 C
Las medias que no comparten una letra son significativamente diferentes.
ICs simultáneos de 95% de Tuckey
Aquí va la interpretación de lo obtenido
Para concluir el análisis se realizará el cálculo de eficiencia relativa a fin de demostrar que
el diseño elegido (por bloques) es más eficiente que un diseño totalmente aleatorizado
(factorial)

Cálculo de eficiencia relativa