INSTITUTO TECNOLÓGICO SUPERIOR DE

JESÚS CARRANZA

DOCENTE

ARMANDO VAZQUE RAMIREZ

MATERIA
DISEÑOS EXPERIMENTALES

ALUMNO

ENOC RAMIREZ PEREYRA

ACTIVIDAD
INVESTIGACION DE LA UNIDAD 4

GRUPO

505-c

SEMETRES

EXTENSIÓN SAYULA DE ALEMAN DEL 22 DE DICIEMBRE 2020

ÍNDICE

INTRODUCCIÓN...................................................................................3
4.1. DIFERENCIA ENTRE DISEÑO, EXPERIMENTO Y ARREGLO
DE.......................................................................................................4
TRATAMIENTOS...............................................................................4

4.2. CARACTERÍSTICAS DE LOS EF..................................................6

4.3. VENTAJAS Y DESVENTAJAS DE LOS EF................................7

4.4. EJECUCIÓN DE LOS FACTORES................................................8

4.5. ANÁLISIS DE VARIANZA DE LOS EF......................................10

4.6. INTERPRETACIÓN DE LOS EF..................................................13

4.7. CLASIFICACIÓN DE LOS EF (2N, 3N.........................................15

4.8. CONFUSIÓN DE EFECTOS.....................................................16

4.9. EF INCOMPLETOS......................................................................18
CONCLUSIÓN..................................................................................20

BIBLOGRAFIA.....................................................................................21
INTRODUCCIÓN

En este presente trabajo de investigación de diseño experimental experimentos

factoriales (ef), vemos la importancia que tiene con nuestra carrera, Por lo tanto,
se puede definir a los experimentos factoriales como aquellos en los que se
comparan o estudian simultáneamente dos o más factores principales, incluyendo
los diferentes niveles o modalidades de cada uno. El Anova en experimentos
factoriales constituye una técnica estadística para analizar el efecto de dos ó más
variables independientes (factores) sobre una variable respuesta. Hasta el
momento se ha estudiado el efecto de un factor sobre la variable respuesta, pero
en muchas situaciones prácticas es necesario investigar el efecto de varios
factores. Vemos que también, Como en estos experimentos los tratamientos se
forman combinando cada nivel de un factor con cada uno de los niveles del otro (o
de los otros, si hubiere más de dos), este tipo de experimento permite además
evaluar los efectos de las interacciones. Se dice que entre dos factores hay
interacción si los efectos de un nivel de un factor dependen de los niveles del otro.
Dicho con otras palabras, la respuesta de un factor es influenciada en forma
diferenciada por los niveles del otro. La existencia de interacciones indica que los
efectos de los factores sobre la respuesta no son aditivos y por tanto no pueden
separarse los efectos de los factores.
EXPERIMENTOS FACTORIALES (EF)

4.1. DIFERENCIA ENTRE DISEÑO, EXPERIMENTO Y ARREGLO DE

TRATAMIENTOS.

El diseño se refiere a la forma en que se extrae el material experimental a partir de

la población objeto de estudio, considera la forma probabilística de distribución de
los elementos que la componen y sus parámetros básicos como la media y su
respectiva varianza. Ya se estableció en apartados anteriores la importancia de
que el material experimental, de donde se construyen los grupos de unidades
experimentales, reúna los requisitos básicos de distribución aleatoria del error
dentro de grupos y entre grupos experimentales, lo cual contribuye a la reducción
de la probabilidad de cometer error tipo I principalmente, pero también la comisión
de error tipo II. El error experimental no debe estar correlacionado con los
tratamientos o algún otro factor im- portante de estudio incluido en el modelo,
también debe evitarse la correlación y garantizarse la independencia de los
factores y niveles de estudio, que son las variables independientes en el modelo
lineal para que sus efectos sean aditivos y puedan separarse y evaluarse con
precisión durante el desarrollo del análisis de varianza y el procedimiento de la
prueba de la hipótesis; por lo tanto, la forma de agrupación de las unidades
experimentales y la forma estratégica de la aplicación de los tratamientos a dichas
unidades experimentales, constituye el diseño del protocolo de estudio o diseño
experimental.
El experimento se refiere a un protocolo generalmente de tipo inductivo donde los
niveles (tratamientos de estudio) pueden ser seleccionados en forma fija o
aleatoria, pudiendo existir niveles fijos y aleatorios en el mismo experimento. Los
tratamientos se seleccionan con base en la hipótesis y los objetivos planteados, de
acuerdo a la relación de causalidad entre variables independientes y variables
dependientes que demanda el fenómeno en estudio, y los intereses de la propia
investigación. Son importantes aquí las variables de medición y los materiales y
los métodos, que permitirán realizar la toma de datos de manera precisa en el
tiempo y en el espacio programados. Todo el concurso del planteamiento de la
hipótesis y los objetivos, así como la creación de un protocolo que permita obtener
los datos necesarios para probar y desaprobar dicha hipótesis, pasando por el
análisis estadístico de los datos conforme al di- seño seleccionado y llegando
hasta las conclusiones y a la inferencia estadística, es lo que se conoce como
experimento.

Los tratamientos combinatorios pueden aplicarse en forma completamente libre y

aleatoria a las unidades experimentales, o en unidades agrupadas en bloques
(aleatorización con un criterio de restricción), lo que da origen a arreglos
factoriales, o en parcelas divididas o sub- divididas con diseño completamente al
azar o diseños en bloques al azar. De modo que los diseños originales no
cambian, lo único que ha cambiado es la forma de crear y seleccionar los
tratamientos de estudio.
4.2. CARACTERÍSTICAS DE LOS EF.

Más que un diseño experimental es un diseño de tratamientos, en este caso existe

una o más variables independientes o causales y puede haber una o varias
variables dependientes o de respuesta. Es apropiado señalar que a las variables
independientes se les denomina ‘factores’ y pueden ser representados por letras
mayúsculas, ejemplo A, B, C,,K, mientras que, sin que ello constituya una regla, a
las variantes dentro de cada factor se acostumbra designarlas con las
correspondientes letras minúsculas acompañadas de un subíndice, que indica el
rango o niveles del factor. Por ejemplo, si A es un factor de estudio, entonces a1,
a2,...,an son los niveles o variantes; sea B otro factor de estudio con niveles b1,
b2,...,br, donde una generaliza- ción de lo anterior se consigue asignando letras
como subíndice y luego definiendo el recorrido respectivo, de modo que los dos
casos anteriores se pueden escribir como:

a , donde i = 1,...,n y bj, donde j=1,...,r

i

Siempre que haya al menos dos factores incidiendo directamente sobre una
variable de respuesta, entonces se puede aplicar un diseño con arreglo factorial.
Una condición indis- pensable es que cada factor pueda descomponerse en
niveles bien definidos. Enseguida se ilustra de forma esquemática la relación de
causalidad entre los factores A y B, respecto a la variable de respuesta Y.

4.3. VENTAJAS Y DESVENTAJAS DE LOS EF.

Estos documentos incluyen el patrimonio neto de la empresa sobre la base de

los activos y pasivos, así como los gastos de la empresa, los ingresos y el
presupuesto operativo. Los planificadores financieros y contables pueden usar
los estados financieros para tomar decisiones respecto a futuras ampliaciones,
planificación y lanzamiento de productos, pero hay desventajas en el uso de este
método.

No se deben usar demasiados factores en un protocolo experimental, ya que se

incrementa su imprecisión y la probabilidad de la violación a la suposiciones
básicas, asimismo se pierde el concepto de homogeneidad del material
experimental, se incrementa el manejo experimental y el proceso de toma de
datos, haciéndose más pesado y laborioso; por otra parte, la inter- pretación del
concepto de interacción entre los factores de estudio se vuelve prácticamente
imposible (esto último cuando se incluyen en el experimento más de tres factores).

Requieren mayor cantidad de material experimental, aunque se compensa en

parte con la cantidad mayor de información que se produce.
Cuando los niveles de los factores son seleccionados con criterios técnicos
deficientes, los resul- tados suelen tener poco valor práctico, lo que conduce a
pérdida de recurso y tiempo. Además, se puede sobreestimar la bondad de algún
factor y subestimar el efecto de otro o de otros.

Una recomendación importante es que durante la planeación del experimento se

lleve a cabo un acopio amplio y detallado de información relacionada con el
comportamiento del fenómeno que se desea estudiar, con el propósito de realizar
ajustes y/o depuración de datos cuando sea necesario en base a efectos
ambientales o de manejo no controlados por el diseño experimental.

Los trabajos de exploración deben evolucionar en trabajos de optimización.

Posteriormente, los ni- veles de estudio serán más afinados y cercanos hacia la
expresión “de un punto óptimo o marginal”.

4.4. EJECUCIÓN DE LOS FACTORES.

Uno de los factores indispensables para pasar de la planeación a la ejecución es

la disciplina tanto del ejecutante líder como de su equipo, para hacer un plan de
acción, cronograma, seguimiento y cambios pertinentes para lograr la meta
principal de la estrategia. La ejecución es el arte de hacer las cosas de
madera sistemática, metodológica y estratégica con un objetivo claro.

Hay cuatro estrategias puntuales para mantener la disciplina en un equipo de

trabajo. La primera de ellas es focalizarse. Como Daniel Goleman lo afirma en su
libro Focus, uno de los factores más importantes de los procesos de atención que
ayudan a la ejecución es enfocarse. El foco debe estar dirigido a lo más
importante, sin perder de vista lo urgente y lo pendiente.

Estudiar la producción de materia seca en B. gracilis bajo diferentes niveles de

humedad y niveles de nitrógeno. Donde el esquema es semejante al indicado
anteriormente.

En este caso la acción combinada entre niveles de ambos factores (a y b),

determina los trata- mientos verdaderos. De tal forma que:

Tratamiento = ai x bj; si por ejemplo:

a = 3 niveles b = 3 niveles

Entonces se obtienen los siguientes niveles de estudio:a a a y b b b

1 2 3 1 2 3

El ejecutante es el líder del equipo encargado de llevar a cabo una estrategia

puntual definida previamente en pro de los objetivos organizacionales. Para lograr
la ejecución la ficha clave es el ejecutante y tres factores puntuales de las
habilidades y competencias de mismo.

La primera de ellas es la experticia que maneje el ejecutante frente a su cargo y

responsabilidad. Esta experticia es de suma importancia pues es la que define
la metodología que se va a implementar para la ejecución, qué conocimientos se
van a priorizar y qué planes de acción se van a dar. Además, esta experticia va a
disminuir el margen de error de la ejecución, aproximando al equipo a alcanzar
los resultados esperados.
4.5. ANÁLISIS DE VARIANZA DE LOS EF.

Si Y es un estimador insesgado de μ , entonces si sólo existiera aditividad, es

ij. ij
decir, en au- sencia de interacción, para toda Y se podría escribir la siguiente
ij
expresión: μ = μ + a + b ; sin embargo, cuando existe interacción entre los
ij i j
factores sucede lo siguiente:

Entonces se deduce que: a = μ - μ

i i

Por otra parte: b = μ - μPor lo tanto, al sustituir en la expresión original se obtiene

j j
lo siguiente: (ab) =μ –(μ -μ)–(μ -μ)-μ;obien:(ab) =μ –[(μ -μ)+(μ -μ)+μ]=μ –(μ
ij ij i j ij ij i j ij i
+μ –2μ+μ)
j

=μij–(μi +μj -μ)=μij -μi –μj +μ

Sin embargo, las cantidades μij, μi., μ.j y μ son desconocidas, pero se pueden
estimar a partir de las muestras experimentales de tal forma que la expresión
anterior se puede expresar como sigue:

(ab) = y – y – y + y y reacomodando términos:

ij ij i i

=y +y-y -y
(ab)ij ij i i
La relación anterior permite deducir que el efecto de la interacción se puede liberar
de los efec- tos particulares de los respectivos factores. De ello se deduce que:

y + y = (ab) + y + y lo que finalmente conduce a que:

ij ij i j

(ab) +y +y –(y +y)=0

ij i j ij

Pero además las cantidades (medias de tratamientos) pueden expresarse en

términos de des- viaciones respecto a la media general (y), dando origen a la
siguiente expresión:

|yij - y| = |yij + y - yi -yj | + |yi - y| + |yj - y|

Tomadas todas las desviaciones como valores absolutos (enseguida se aplicarán

las sumato- rias y los cuadrados a cada desviación).

Ahora bien, aplicando sumatorias y elevando al cuadrado cada miembro se

pueden obtener las sumas de cuadrados para las diferentes fuentes de variación,
es decir:

r∑∑(yij-y)2 =r∑∑(yij+y-yi-yj)2 +br∑(yi-y)2 +ar∑(yj-y)2

ANOVA ANALISIS DE VARIANZA

La idea básica del Anova consiste en descomponer la variabilidad total observada

en unos datos en una serie de términos, asociados a los efectos de cada factor
estudiado y a sus posibles interacciones, más una parte residual con la que
después se compararán las primeras.
4.6. INTERPRETACIÓN DE LOS EF.

Los resultados indican que la acción combinada de la variedad de alfalfa y el nivel

de riego afectaron significativamente el rendimiento de alfalfa por corte en base
seca (P<0.05).

Por otra parte, se observaron diferencias altamente significativas entre los niveles
de humedad y las variedades de alfalfa sobre el rendimiento de forraje (P<0.01).

Sin embargo, no se sabe cuál o cuáles combinaciones son las más

recomendables para su uso práctico. Es preciso realizar una prueba de
comparación entre las medias de los tratamientos para poder discriminar.

ANALISIS E INTERPRETACION DE LOS ESTADOS FINANCIEROS

El análisis de los estados financieros es un proceso crítico dirigido a evaluar la

posición financiera, presente y pasada, del negocio. Además de revisar las
operaciones de la empresa con el objetivo de generar estimaciones,
proyecciones e iniciativas que mejoren las condiciones y resultados futuros.
EJEMPLOS

Comparar a contra a independientemente del nivel de humedad.

1 2

En lo sucesivo llamaremos al valor calculado SC en honor a Scheffé y al valor

tabulado LS (lí- mite de significancia o nivel crítico).

Por lo tanto, el contraste propuesto es:-1 -1 -1 1 1 1

La SC=∑Ciyi/σCiyiDonde:Ci son los coeficientes de contraste usados en cada

caso.yi son las medias de los tratamientos implicados en cada contraste.σ es la
desviación estándar estimada para cada contraste.Ahora bien, la desviación
estándar estimada puede ser calculada de la siguiente manera:

CME CME∑Ci
σCiyi = o bien: σCiyi = 2

Donde:
CME, es el cuadrado medio del error en el ANOVA.

Pero dado que la σ se puede estimar a partir de la respectiva desviación estándar

de las mues- tras experimentales, entonces el modelo anterior puede ser

modificado al siguiente:

2
CME∑Ci
sCiyi = ; de tal manera que el modelo para calcular SC queda como
sigue: r

∑Ciyi CME∑Ci2
r

4.7. CLASIFICACIÓN DE LOS EF (2N, 3N

Se dijo precedentemente que el procedimiento convencional del método de

análisis de va- rianza es el más utilizado y preferido por la mayoría de los
investigadores en el campo de las ciencias agrícolas, aunque no se descartan
otros procedimientos, como enseguida se verá.

En general para diseños de tratamientos combinatorios cuando se incluyen dos

factores de estudio y dos niveles de estudio por cada factor, se les representa

simbólicamente como 22, es decir 2 x 2 (por ejemplo: a , a y b , b ); cuando se

1 2 1 2

incluyen tres factores con dos niveles por factor, entonces se representa como 2 3,
o sea 2 x 2 x 2 (por ejemplo: a , a ; b , b ; c , c ) una generalización en su
1 2 1 2 1 2
representación es 2n. En dicha expresión, n es el número de factores incluidos en
el estudio y la base 2 se refiere al número de niveles por factor. Así también podría

haber 32 o 33 (a , a , a ; b , b , b ) o (a , a , a ; b , b , b ; c , c , c ), es
1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
decir, dos o tres factores de estudio, pero ahora ocurriendo a tres niveles por
factor de estudio, cuyas representaciones generalizadas son 3n, y así
sucesivamente.

De las representaciones antes ejemplificadas, los números de tratamientos

producidos por cada arreglo combinatorio son:

22 = 4 tratamientos23 = 8 tratamientos32 = 9 tratamientos33 = 27 tratamientos2 x

3 = 6 tratamientos 3 x 4 = 12 tratamientos
Por ejemplo, 43 = 64 tratamientos y un arreglo 3 x 4 x 5 = 60 tratamientos,
etcétera, cualquiera de estos arreglos combinatorios se puede probar bajo los
diseños básicos (DCA, DBA o DCL) según lo permitan las condiciones,
especialmente si se cumpla el supuesto de aleatorización del error en el material
experimental. Pero a medida que se incrementa el número de tratamientos la
capacidad del DCA es rebasada, por lo que el concepto de bloque homogéneo
también se puede perder.

Cuando el número de tratamientos es muy elevado, entonces se recurre a diseños

experimentales modificados, como diseños en bloques incompletos balanceados o
parcialmente balanceados y diseños en látices, entre otros.

Tal expresión aplica para el factorial 2 x 2, donde los medias cuadráticas de cada
una de las fuentes de variación de los factores independientes, se divide entre el
mismo número de re- peticiones, y en general aplicará la misma regla siempre que
el factorial sea un balanceado completo, es decir: 2n o 3n , etcétera.

ero la expresión anterior se puede generalizar a otros arreglos factoriales

balanceados no completos de la siguiente manera:

Yij.2 Yi..2 Y.j.2 r rj ri

SCtrat= - - +μ

Regresando nuevamente a la notación simplificada de los efectos de tratamientos:

Tij=(AB) =11,10,01y00Efecto del factor A: A = A +A1DondeA =11+10yA
ij i 0 1 0

4.8. CONFUSIÓN DE EFECTOS.

En la práctica el uso de los arreglos puede generar con frecuencia una cantidad

muy grande de tratamientos, por ejemplo: 4 3 = 64, 4 x 4 x 5 = 80, etcétera, de tal

forma que disponer de suficiente material experimental que reúna a la vez el
requisito de homogeneidad es prácticamente imposible. Incluso un arreglo de tres
factores 3 x 3 x 4 = 36 tratamientos a los que se asignarán tres réplicas, dando un
total de 108 unidades experimentales. En los dos primeros ejemplos si se asignan
tres repeticiones por tratamiento se requerirán 192 y 240 unidades para cada caso
respectivamente.

Si a lo anterior se añade que puede haber circunstancias en las que se dispone de

poco ma- terial experimental, o bien, donde existe la exigencia de mantener el
concepto de unidades homogéneas, entonces se obliga a dos posibles
alternativas:

 Aplicar un método que ayude a discriminar tratamientos de menor rango de

importancia, y evaluar aquellos que mayor aporte tengan sobre las variables de
medición. Lo anterior, que consiste en eliminar tratamientos y seleccionar un
grupo más pequeño de ellos, da origen a arreglos factoriales incompletos o de
fracción.
 Se pueden sacrificar ciertos arreglos (tratamientos) confundiendo su efecto con
el de los propios bloques, de tal manera que contribuya en menor escala a
incrementar el error ex- perimental, pero al mismo tiempo dejando libre al resto
de los tratamientos para que sean evaluados de forma más precisa.

En ambos casos lo que se busca es recobrar la distribución aleatoria del error,

pero con pérdi- da de generalidad de la inferencia estadística final.

Cuando dos o más arreglos de tratamientos son eliminados del estudio se origina
la confusión parcial, y cuando sólo se elimina por ejemplo la interacción de mayor
jerarquía confundiéndola con el efecto de los bloques (AB o ABC para bifactoriales
y trifactoriales, respectivamente), recibe el nombre de confusión completa.

Por ejemplo, ya se estableció que desde un arreglo 2 2, como es A = a , a y B =

0 1
b , b , da como origen a cuatro arreglos combinatorios a b , a b , a b y a b ,
0 1 0 0 0 1 1 0 1 1
es decir, cuatro tratamientos de donde se deducen tres efectos: dos principales A
y B, y un efecto de interacción AB, cuya representación ortogonal se ilustra en el
cuadro 4.35a.

Se han generado t – 1 arreglos ortogonales de modo que se puede optar por

probar cuatro tra- tamientos en dos bloques con dos tratamientos en cada bloque
fraccionado, en cuyo caso si se opta por la confusión completa, suponga que en
bloque 1 se asignan (1) y AB y al bloque 2 se asignan los efectos principales A y
B. En este se dice que AB se ha confundido con el efecto de bloque, es decir, la
variación inherente a las unidades experimentales de dicho bloque se ha
confundido con la del efecto de la interacción

4.9. EF INCOMPLETOS.

Ching Chun Li (1977) explica claramente tanto el arreglo como la solución de los
experimentos con arreglos factoriales incompletos:

Cuando el factor a tiene los niveles y el factor b tiene lb niveles, el arreglo factorial
completo requiere todas las la x lb combinaciones de tratamientos. Sin embargo,
este arreglo no siempre es posible ya sea por el elevado número de combinacio-
nes o porque se sabe de antemano que ciertas combinaciones no tienen interés.
Por lo tanto, el investigador puede probar sólo aquellas combinaciones que crea
útiles para sus fines. El tema general de las combinaciones incompletas presenta
dificultades debido a la falta de ortogonalidad de los efectos de los factores y
normalmente requiere cálculos largos y complicados (necesarios para los da- tos
no ortogonales). En este apartado consideraremos un caso extremadamente
sencillo que se podrá resolver con los conocimientos elementales que poseemos.

Supongamos que el factor a tiene cuatro niveles. Las seis combinaciones pro-
badas en el experimento y los totales de los tratamientos (r = 6) son los que se
muestran en la figura 4.9. Aún en este caso podemos obtener los efectos del
factor b por separado para cada clase o nivel a.

Esto supone 2 GL para el material a y 2 GL para el material a . Queda 1 GL que

1 2
es para el efecto entre a y a , el cual, sin embargo, no representa el efecto puro
1 2
del factor a sino que también está influenciado por el factor b. Asimismo puede
observarse que las cuatro combinaciones de tratamientos centrales (a b , a b1,
2 2 2
a b , a b ) constituyen por sí mismas un factorial de 2 x 2 completo .
1 2 1 1

A continuación, las tres primeras comparaciones son las mismas que las del
cuadro 4.42. El cuarto contraste de formación es entre los dos tratamientos
extremos (a b – a b ). El último contraste proporciona una prueba completa del
2 3 1 0
paralelismo de las dos líneas de respuesta ya que su valor es cero cuando los
totales (o medias) de los tratamientos tienen incrementos igua- les sobre los
niveles de b para las sustancias a y a , tal como puede verse en la figura 4.10,
1 2
donde g, g’ y h son determinadas constantes.
Cuando esto es así, el doble de la suma de las dos combinaciones extremas es
igual a la suma de las cuatro centrales. Estos cinco contrastes son ortogonales
entre sí y las cinco SC total de los tratamientos = 912. Entonces cada componente

puede probarse para S2 = 14.2 con 20 GL. Cuando a y a están intercambiados

1 2
se puede hacer un análisis similar

CONCLUSIÓN

En conclusión, comprendí la importancia de estos temas, Por lo tanto, se puede

definir a los experimentos factoriales como aquellos en los que se comparan o
estudian simultáneamente dos o más factores principales, incluyendo los
diferentes niveles o modalidades de cada uno. El Anova en experimentos
factoriales constituye una técnica estadística para analizar el efecto de dos ó más
variables independientes (factores) sobre una variable respuesta. Hasta el
momento se ha estudiado el efecto de un factor sobre la variable respuesta, pero
en muchas situaciones prácticas es necesario investigar el efecto de varios
factores. Para mi esta materia es muy importante porque nos ayuda a tener más
información de la factorización.

BIBLOGRAFIA

Frank Yates and Kenneth Mather (1963). "Ronald Aylmer Fisher". Biographical
Memoirs of Fellows of the Royal Society of London 9: 91–
120. http://digital.library.adelaide.edu.au/coll/special//fisher/fisherbiog.pdf.
2.-Ronald Fisher (1926). "The Arrangement of Field Experiments". Journal of the
Ministry of Agriculture of Great Britain 33: 503–
513. https://web.archive.org/web/20110928044736/http://digital.library.adelaide.ed
u.au/coll/special//fisher/48.pdf.