Reporte

Nombre: David Orozco Villagómez Matrícula: 2781053

Nombre del curso: Nombre del profesor:
Diseño de experimentos Estebán Ramos Mendoza
Módulo: 1: Conceptos fundamentales Actividad:
de diseño de experimentos Evidencia 1
Fecha: 02/02/2018
Bibliografía:
Blackboard Learn - Redirect,
miscursos.tecmilenio.mx/webapps/blackboard/content/contentWrapper.jsp?
content_id=_3074424_1&displayName=Dise%C3%B1o%2Bde
%2Bexperimentos&course_id=_108434_1&navItem=content&href=https%3A
%2F%2Fmiscursos.tecmilenio.mx%2Fbbcswebdav%2Finstitution%2FUTM
%2Fsemestre%2Fprofesional%2Fin%2Fin13202m%2Fbb
%2Findex.htm&cR2XilcGYOo=nAcnLjy47%2FuEhysEGBTgzb5z
%2F9mMNqd3x8Ttzm5x2lM%3D.
MORENO-GALINDO, ELISEO. “Metodología De Investigación, Pautas Para Hacer
Tesis.”IMPORTANCIA DE HIPÓTESIS EN UNA INVESTIGACIÓN, 1 Jan. 1970, tesis-
investigacion-cientifica.blogspot.mx/2013/08/importancia-de-hipotesis-en-una.html.

Objetivo:
Realizar la evidencia 1 de diseño de experimentos
Procedimiento:
-Investigar sobre las etapas de diseño experimental.
-Realizar una descripción detallada de cada una de las etapas
-Realizar los ejercicios de la parte 3
-Realizar una reflexión de lo siguiente: ¿Piensas que es importante plantear
hipótesis para realizar experimentación?
-Realizar una conclusión
Resultados:
Etapa 1. Reconocer y establecer el problema
Se debe hacer una lista completa de las preguntas concretas a las que debe
dar respuesta el experimento. Es importante indicar solamente cuestiones
fundamentales ya que tratar de abordar problemas colaterales puede complicar
innecesariamente el experimento.
 Reporte

Una vez elaborada la lista de objetivos, puede ser útil esquematizar el tipo de
conclusiones que se espera obtener en el posterior análisis de datos.
Normalmente la lista de objetivos es refinada a medida que se van ejecutando
las etapas del diseño de experimentos.
Etapa 2. Selección de factores, niveles y rangos
El experimentador identifica las variables de salida del proceso para elegir
aquella o aquellas que sean más significativas.
Una vez identificadas las variables se procede a la selección de los factores
que influyan a las variables; a continuación se han de asignar los niveles y
rangos que deben tener los factores.
Etapa 3. Selección de la variable de respuesta
Los datos que se recogen en un experimento son medidas de una variable
denominada variable respuesta o variable de interés.
Es importante precisar de antemano cuál es la variable respuesta y en qué
unidades se mide. Naturalmente, la respuesta está condicionada por los
objetivos del experimento.
A menudo aparecen dificultades imprevistas en la toma de datos. Es
conveniente anticiparse a estos imprevistos pensando detenidamente en los
problemas que se pueden presentar o ejecutando un pequeño experimento
piloto. Enumerar estos problemas permite en ocasiones descubrir nuevas
fuentes de variación o simplificar el procedimiento experimental antes de
comenzar.
También se debe especificar con claridad la forma en que se realizarán las
mediciones: instrumentos de medida, tiempo en el que se harán las
mediciones, etc.
Etapa 4. Selección del diseño experimental
Una vez que se termina la planeación previa al experimento, hay que
determinar:
Tamaño de la muestra
Orden de ejecución
Restricciones
El diseño experimental también puede ser realizado utilizando algún paquete
estadístico, que “decidirá” el mejor diseño en función de datos de entrada como
son los factores, niveles y rangos.
 Reporte

El modelo matemático especificado debe indicar la relación que se supone que

existe entre la variable respuesta y las principales fuentes de variación
identificadas en el paso 2. Es fundamental que el modelo elegido se ajuste a la
realidad con la mayor precisión posible.
El modelo más habitual es el modelo lineal:

En este modelo la respuesta viene dada por una combinación lineal de

términos que representan las principales fuentes de variación planificada más
un término residual debido a las fuentes de variación no planificada. Los
modelos que se estudian en este texto se ajustan a esta forma general. El
experimento piloto puede ayudar a comprobar si el modelo se ajusta
razonablemente bien a la realidad.
Los modelos de diseño de experimentos, según sean los factores incluídos en
el mismo, se pueden clasificar en: modelo de efectos fijos, modelo de efectos
aleatorios y modelos mixtos. A continuación se precisan estas definiciones.
Factor de efectos fijos es un factor en el que los niveles han sido seleccionados
por el experimentador. Es apropiado cuando el interés se centra en comparar el
efecto sobre la respuesta de esos niveles específicos.
Ejemplo: un empresario está interesado en comparar el rendimiento de tres
máquinas del mismo tipo que tiene en su empresa.
Factor de efectos aleatorios es un factor del que sólo se incluyen en el
experimento una muestra aleatoria simple de todos los posibles niveles del
mismo. Evidentemente se utilizan estos factores cuando tienen un número muy
grande de niveles y no es razonable o posible trabajar con todos ellos. En este
caso se está interesado en examinar la variabilidad de la respuesta debida a la
población entera de niveles del factor.
Ejemplo: una cadena de hipermercados que tiene en plantilla 300 trabajadores
de caja está interesada en estudiar la influencia del factor trabajador en la
variable “tiempo en el cobro a un cliente”.
Modelo de efectos fijos es un modelo en el que todos los factores son factores
de efectos fijos.
 Reporte

Modelo de efectos aleatorios es un modelo en el que todos los factores son

factores de efectos aleatorios.
Modelo mixto es un modelo en el que hay factores de efectos fijos y factores de
efectos aleatorios.
Etapa 5. Realizar el experimento
Al realizar el experimento se ha de seguir el plan previamente realizado; sin
embargo, si al realizar el experimento se ve conveniente redefinir el plan, este
debe ser redefinido.
Etapa 6. Análisis estadístico de los datos
Como en la etapa 4, para realizar el análisis estadístico de los datos el diseño
experimental puede utilizar algún paquete estadístico, es un programa
informático que está especialmente diseñado para resolver problemas en el
área de la estadística, o bien está programado para resolver problemas de esta
área. Existen muchos programas que no son especialmente estadísticos pero
que pueden hacer algunos cálculos aplicables en estadística aplicada. Estos
programas han impulsado y siguen impulsando enormemente la labor de los
investigadores que desean utilizar la estadística como apoyo en su trabajo.
Los paquetes más sencillos tienen interfaz por ventanas, lo que implica
facilidad de uso y aprendizaje pero un mayor encorsetamiento a la hora de
hacer cálculos que el programa no tenga predefinidos. Los programas más
complejos suelen tener la necesidad de conocer su lenguaje de programación,
pero suelen ser mucho más flexibles al poderse incluir en ellos funciones, tests
o contrastes que no traen instalados por definición.
Etapa 7. Conclusiones y recomendaciones
El realizador del experimento realiza sus conclusiones basándose en los
resultados del experimento y se realizaran sugerencias y comentarios para
futuros experimentos.

1. Realiza los siguientes ejercicios. Toma en cuenta las muestras x 1 y x2,
registradas en la siguiente tabla:

1 1
N: 1 2 3 4 5 6 7 8 9 10 11 13 15
2 4
10 9 10 10 9 10 9 10 9 10 10 9 10 9 10
x1
2 8 1 5 9 0 7 4 8 1 5 9 0 7 4
 Reporte

10 9 10 10 9 10 9 10 9 10 10 9 10 9 10
x2
2 8 1 5 9 0 7 4 8 1 5 9 0 7 4

a. Prueba la hipótesis de que H0: µ = 100 y H1: µ ≠ 100, con  = 0.05

si tomamos una muestra de x1, de tamaño n = 8 respecto a
una población de varianza conocida, σ = 2.5 con  = 0.05.

Prueba

Hipótesis nula H0: µ = 100

Hipótesis alterna H1: µ ≠ 100

Valor Z=0.85

Valor p = 0.396

b. Prueba la hipótesis de que H0: µ1 = µ2 y H1: µ1 > µ2 si tomamos
dos muestras: una de x1 de tamaño n1 = 10 y otra de x2 de tamaño
n2 = 12, respecto a dos poblaciones de varianzas conocidas σ 12 =
3.5 y σ22 = 4.2 con  = 0.05.

X1

H0: µ1 = µ2

N1=10

Prueba

Hipótesis nula H0: µ = 100

Hipótesis alterna H1: µ ≠100

Valor Z= 0.4.5

Valor p= 0.651

X2

N2=12

Prueba

Hipótesis nula H0: µ = 100

 Reporte

Hipótesis alterna H1: µ > 100

Valor z= 0.62

Valor p= 0.268

c. Prueba la hipótesis de que H0: µ = 100 y H1: µ < 100, con   =

0.05 si tomamos una muestra de x1, de tamaño n = 8 respecto a
una población de varianza desconocida, con   = 0.05.

N=8

Prueba

Hipótesis nula H0: µ = 100

Hipótesis alterna H1: µ < 100

Valor T= 0.75

Valor p= 0.762

d. Prueba la hipótesis de que H0: μ1 = μ2 y H1: μ1 ≠ µ2 si tomamos
dos muestras: una de x1 de tamaño n1 = 15 y otra de x2 de tamaño
n2 = 10, respecto a dos poblaciones de varianzas desconocidas
con  = 0.05.

X1

N1=15

Prueba

Hipótesis nula H0: µ = 100

Hipótesis alterna H1: µ ≠ 100

Valor T= 0.92

Valor p= 0.371

X2

N2=10
 Reporte

e. Prueba la hipótesis de que H0: σ2 = σ02 y H1: σ2 > σ02 si tomamos
una muestra de x2 de tamaño n = 11 respecto a una población
con distribución normal σ02 = 1.3 con  = 0.05.

X2

N=11

Prueba

Hipótesis nula H0: µ = 100

Hipótesis alterna H1: µ > 100

Valor T= 1.06

Valor p= 0.157

f. Prueba la hipótesis de que H0: σ12 = σ22 y H1: σ12 > σ22 respecto a

dos poblaciones con distribución normal si tomamos dos
muestras: una de x1 de tamaño n1 = 12 y otra de x2 de tamaño
n2 = 12, con  = 0.05.

X1

N=11

Prueba

Hipótesis nula H0: µ = 100

Hipótesis alterna H1: µ > 100

Valor T= 0.94

Valor p= 0.184

X2

N=12

Prueba
 Reporte

Hipótesis nula H0: µ = 100

Hipótesis alterna H1: µ > 100

Valor T= 0.94

Valor p= 0.184

Conclusión:
¿Piensas que es importante plantear hipótesis para realizar experimentación?
Sí, porque de esa forma nos planteamos un objetivo del experimento, sirve
para orientar y delimitar una investigación ya que estos guían y orientan al
investigador en las etapas de proceso de investigación. 
En mi opinión, lo que aprendí en el ejercicio me sirvió para entender para que
nos sirve cada etapa del diseño experimental. Además que logre entender la
importancia de plantear hipótesis antes de realizar un experimento ya que
estas nos plantean una base con la cual guiarnos durante el experimento.