4.4 Diseño experimental para un factor.

IDENTIFICACIÓN DE LOS EFECTOS DE LOS DISEÑOS EXPERIMENTALES.

El diseño experimental, como técnica de investigación toma importancia en los años 80’s, en
donde se le da una aplicación estadística de los proyecto de seis sigma buscando el famoso
número 3.4 defectos por millón de unidades producidas. El diseño experimental busca entonces a
través de una serie de herramientas estadísticas aplicadas metodizar los ensayos de prueba y de
error para encontrar la mejor combinación de variables independientes que optimice una variable
de respuesta en una circunstancia determinada.

El diseño experimental prescribe una serie de pautas relativas que variables hay que manipular, de
qué manera, cuantas veces hay que repetir el experimento y en qué orden, para poder establecer
con un grado de confianza predefinido las necesidades de una presunta relación de causa-efecto.
El diseño experimental es una técnica estadística que permite identificar y cuantificar las causas de
un efecto dentro de un estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables, vinculadas a las causas, para medir el efecto que tienen en
otra variable de interés.

4.5 La importancia de la aleatorización de los especímenes de prueba. La aleatorización consiste

en que tanto la asignación del material experimental como el orden en que se realizan las pruebas
individuales o ensayos se determinan aleatoriamente y la importancia de esta consiste en: 1.
Garantizar la validez de la estimación del error experimental. 2. Garantizar la independencia de los
errores o que las observaciones sean variables aleatorias independientes. Esto es necesario para
obtener pruebas de significancia válidas y estimados de intervalos. 3. Eliminar el sesgo de tal
manera que no se desfavorezca o discrimine a los tratamientos y permite cancelar los efectos de
factores extraños que pudieran estar presentes. La aleatorización hace válida la prueba,
haciéndola apropiada para analizar los datos como si la suposición de errores independientes
fuera cierta. Obsérvese que no hemos dicho que la aleatorización garantiza independencia, sino
sólo que la aleatorización nos permite proceder como si la independencia fuera un hecho. La razón
de esta distinción debe ser clara: los errores asociados con unidades experimentales que son
adyacentes en espacio o tiempo, tenderán a correlacionarse, y todo lo que hace la aleatorización
es asegurarnos que el efecto de esta correlación, sobre cualquier comparación entre los
tratamientos, se hará tan pequeña como sea posible. Aún quedará algo de correlación, pero
ninguna cantidad de aleatorización puede eliminarla totalmente. Es decir, en cualquier
experimento, la independencia de errores completa y verdadera es sólo ideal y nunca puede
lograrse. Sin embargo, por todos conceptos, debe buscarse tal independencia y la aleatorización es
la mejor técnica empleada para lograr el fin deseado.

Algunas veces se introduce el concepto de aleatorización como un instrumento para “eliminar”

tendencias. Para ilustrar el razonamiento en que se basa este procedimiento A y B debe ser parcial
a favor de B, si existe un efecto de aprendizaje. Sin embargo, si cada vez que tuvo que investigarse
un nuevo compuesto, el analista hubo de decidir al azar cuál procedimiento usar primero, la
tendencia pudo haber sido reducida, tal vez eliminada. Pero, podría haberse logrado algo más. Si
estuviesen actuando otras tendencias, también se podrían haber eliminado sus efectos (o al
menos reducido) por medio de aleatorización. Es decir asignando tratamientos al azar a las
unidades experimentales, estamos tratando de certificar que los tratamientos no serán
favorecidos continuamente o perjudicados por fuentes extrañas de variación, sobre las que no
tenga control el experimentador o sobre los cuales decida no ejercer control. En otras palabras, la
aleatorización es como un seguro; siempre es una buena idea y algunas veces es aún mejor de lo
que esperamos.

4.6 SUPUESTOS ESTADÍSTICOS EN LAS PRUEBAS EXPERIMENTALES.

A. Aditividad -Los factores o componentes del modelo estadístico son aditivos, es decir la variable
respuesta es la suma de los efectos del modelo estadístico.

B. Linealidad -La relación existente entre los factores o componentes del modelo estadístico es del
tipo lineal.

C. Normalidad -Los valores resultados del experimento provienen de una distribución de

probabilidad “Normal” con media m y varianza s^2.

D. Independencia -Los resultados de un experimento son independientes entre sí.

E. Varianzas homogéneas -Las diversas poblaciones generadas por la aplicación de dos o más
tratamientos tienen variancias homogéneas (varianza común).

Tabla ANOVA para diseño completamente aleatorizado.