ACTIVIDAD: EJERCICIOS

INSTITUTO TECNOLÓGICO SUPERIOR DE

ALUMNO (A):
Daniela Rodríguez Bandala
Karla Yariela Vega Mota
Ana Karla Olivares Valdez
Anel Yamileth Hernández Lorenzo
Mariana Márquez Melgarejo
LICENCIATURA EN:
TEZIUTLÁN

Ingeniería en Industrias Alimentarias

No. DE CONTROL
20TE0274
20TE0325
20TE0526
20TE0348
20TE0711
Materia:
Diseños Experimentales
ASESOR (A):
Marlen Hernández Hernández

LUGAR/FECHA:
Teziutlan, Pue. 12/07/2021
1.- ¿En qué situaciones se aplica un diseño de bloques completos al azar?
¿En qué difieren los factores de tratamientos y de bloque?
Cuando se quieren comparar ciertos
tratamientos o estudiar el efecto de un
factor, es deseable que las posibles
diferencias se deban principalmente al factor
de interés y ano a otros factores que no se
consideran en el estudio. Cuando esto no
ocurre y existen otros factores que no se
controlan o nulifican a la hora de hacer la
comparación, las conclusiones podrían ser
afectadas sensiblemente.
El diseño en bloques completos al azar se aplica cuando el efecto de un tratamiento
a comparar depende de otros factores que pueden influir en el resultado de
experimento y que deben de tomarse en cuenta para anular su posible efecto y
evitar sesgo al comparar los factores de interés. Para evitar este sesgo se deben
incluir estos factores adicionales en la experimentación y probarlos con cada uno de
los factores de interés de manera tal que puedan presentarse todas las
combinaciones posibles entre ambos para obtener resultados en la comparación
que sean válidos, esta forma de nulificar su efecto se llama bloqueo.
La diferencia entre los factores de tratamiento y los de bloque radica en que estos
últimos no se incluyen en el experimento de manera explícita por que interese
analizar su efecto, sino como un medio para estudiar de manera adecuada y eficaz
al factor de interés para no sesgar la comparación. Estos entran al estudio con un
nivel de importancia secundaria con respecto al factor de interés y la inclusión de
estos es un medio no un fin para lograr la comparación.

2.-¿Qué diferencia hay entre un DBCA y los diseños en un cuadro latino?

En el diseño en bloques al azar (DBCA) se
consideran tres fuentes de variabilidad, el factor
de tratamientos, el factor de bloque y el error
aleatorio, en el cuadro latino (DCL) se controlan
dos factores de bloque y se estudia un factor de
tratamientos por lo que se tienen cuatro fuentes
de variabilidad que pueden afectar la observada,
tratamientos, columnas, renglones y el error
aleatorio.
3.- De acuerdo con el modelo estadístico para un diseño en bloques, ¿Por qué
a través de este diseño se reduce el error aleatorio?

En el Diseño de Bloques el modelo matemático está dado por:

𝒚𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜷𝒋 + 𝜺𝒊𝒋 (𝒊 = 𝟏, 𝟐 … 𝒌; 𝒋 = 𝟏, 𝟐 … 𝒃)

En donde:

𝒚𝒊𝒋 es la medición que corresponde al tratamiento i y al bloque j; µ es la media

global poblacional; 𝝉𝒊 es el efecto debido al tratamiento i, 𝜷𝒋 es el efecto debido al

bloque j, y 𝜺𝒊𝒋 es el error aleatorio atribuible a la medición 𝒚𝒊𝒋 . Se supone que los

errores se distribuyen de manera normal con media cero y varianza constante 𝝈𝟐

[N(0, 𝝈𝟐 )], y que son independientes entre sí.

Entonces respondiendo a la pregunta, principalmente esto se debe porque en el

diseño en bloques se analiza bloque a bloque y se toman en cuenta todos los
factores posibles que puedan afectar de manera significativa a nuestro experimento
que estemos realizando en ese momento y también porque a la ahora de considerar
los bloques, la variabilidad observada que no se pide explicar por los factores
estudiados resulta del efecto de dichos bloques y del error experimental, haciendo
que se reduzca el error aleatorio ya que la aleatorización se hace dentro de cada
bloque; por lo tanto, no se realiza de
manera total como en el diseño
completamente al azar. El hecho de que
existan bloques hace que no sea
práctico o que incluso sea imposible
aleatorizar en su totalidad teniendo
efecto sobre el error.
4.- A continuación, se muestra parte del ANOVA para un diseño en bloques, que
tiene tres tratamientos y cinco bloques con una sola repetición por tratamiento-
bloque.

a) Agregar en esta tabla los grados de libertad, el cuadrado medio y la razón de F

para cada uno de las fuentes de variación:

b) Interprete en forma práctica, por cada caso, lo que está estimando el cuadrado
medio: Como sabemos, la interpretación del cuadrado medio es representado por una
división de cada suma de los cuadrados que se tienen entre sus respectivos grados de
libertad pertenecientes a ellos.

c) Escriba el modelo estadístico y la hipótesis perteneciente:

Teniendo en cuenta el modelo estadístico:

Sabiendo que la hipótesis que se formula es la siguiente:

d) Apoyándose en las tablas de distribución F para aceptar o rechazar la hipótesis.

Efecto tratamiento: Se llega a la conclusión que la hipótesis nula se rechaza
teniendo lo que es (4.8 > 4.459).
Efecto del bloque: Se logra aceptar la hipótesis nula que se tenía (3.4 < 3.838)

En donde se sabe que el factor tratamiento tiene un gran efecto significativo en las
respuestas del experimento y su efecto del bloque no es significativo.
e) Con apoyo de un software obtenga el valor-p para cada caso. Interprete sus
resultados:

Teniendo en cuenta:
Valor p: TRATAMIENTO: 0.003 < 0.05 (En donde se rechaza HO)
Valor p: BLOQUE: 0.1014 > 0-05 (No se rechaza HO)
9. A continuación se muestran los datos para un diseño de bloques
al azar

a) Complete las sumas totales que se piden en la tabla anterior

Total, por tratamiento: Total, por bloque:
• 𝑌1∙ = 3 + 4 + 2 + 6 = 15 • 𝑌∙1 = 3 + 7 + 4 = 14
• 𝑌2∙ = 7 + 9 + 3 + 10 = • 𝑌∙2 = 4 + 9 + 6 = 19
29 • 𝑌∙3 = 2+3+3=8
• 𝑌3∙ = 4 + 6 + 3 + 7 = 20 • 𝑌∙4 = 6 + 10 + 7 = 23

Total global:
𝑌… = 15 + 29 + 20 = 64
ó
𝑌… = 14 + 19 + 8 + 23 = 64

Por lo tanto, la tabla quedaría de la siguiente manera:

Bloque Total por
Tratamiento 1 2 3 4 tratamiento
A 3 4 2 6 𝑌1. =15

B 7 9 3 10 𝑌2. =29
C 4 6 3 7 𝑌3. =20
Total por bloque 𝑌.1 =14 𝑌.2 =19 𝑌.3 =8 𝑌.4 =23 𝑌… =64
 b) Calcule las sumas de cuadrados correspondientes:
𝑺𝑪𝑻𝑹𝑨𝑻 , 𝑺𝑪𝑩 , 𝑺𝑪𝑻 𝒚 𝑺𝑪𝑬

𝑌𝑖.2 𝑌… 2
• 𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ −
𝑏 𝑁
15 + 292 + 202 642
2
= − = 366.5 − 341.33
4 12
= 25.1666 … 𝑆𝐶𝑇𝑅𝐴𝑇
𝑌.𝑖 2 𝑦2
• 𝑆𝐶𝐵 = ∑ −
𝑘 𝑁
14 + 19 + 82 + 232 642
2 2
= − = 383.3333 − 341.3333
3 12
= 42 𝑆𝐶𝐵

𝑌2
• 𝑆𝐶𝑇 = ∑ ∑(𝑖𝑗)2 −
𝑁
= (32 + 7 + 4 + 42 + 92 + 62 + 22 + 32 + 32 + 62 + 102
2 2

2)
642
+7 − = 414 − 341.3333
12
= 72.6666 𝑆𝐶𝑇

• 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 − 𝑆𝐶𝐵

= 72.6666 − 25.1666 − 42 = 5.5 𝑆𝐶𝐸

c) Obtenga la tabla de análisis de varianza y anote las principales

conclusiones
Tabla elaborada manualmente:
FV SC GL CM F0

Tratamiento 𝑆𝐶𝑇𝑅𝐴𝑇 𝐾−1=3−1 25.1666 12.5833

𝐶𝑀𝑇𝑅𝐴𝑇 = 𝐹0 =
= 𝟐𝟓. 𝟏𝟔𝟔𝟔 =𝟐 2 0.9166
= 𝟏𝟐. 𝟓𝟖𝟑𝟑 = 𝟏𝟑. 𝟕𝟐𝟖𝟐
Bloques 𝑆𝐶𝐵 = 𝟒𝟐 𝑏−1 =4−1 42 14
𝐶𝑀𝐵 = = 𝟏𝟒 𝐹0 =
=𝟑 3 0.9166
= 𝟏𝟓. 𝟐𝟕𝟑𝟖
Error 𝑆𝐶𝐸 = 𝟓. 𝟓 (𝑘 − 1)(𝑏 − 1) 5.5
𝐶𝑀𝐸 = = 𝟎. 𝟗𝟏𝟔𝟔
= (2)(3) = 𝟔 6
Total 𝑆𝐶𝑇 𝑁 − 1 = 12 − 1
= 𝟕𝟐. 𝟔𝟔𝟔𝟔 = 𝟏𝟏
Tabla obtenida al capturar datos en Minitab:

Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Tratamiento 2 25.167 12.5833 13.73 0.006
Bloque 3 42.000 14.0000 15.27 0.003
Error 6 5.500 0.9167
Total 11 72.667

Evidencia:

Conclusiones:
En la tabla de Análisis de Varianza o ANOVA, podemos observar que el valor de
probabilidad del tratamiento y de bloques es menor a lo estimado, es decir:
0.006 < 0.05 y 0.003 < 0.05
Por ello:
• Para los tratamientos: se rechaza la hipótesis nula de que las medias
de los tratamientos son iguales entre sí, aceptando la hipótesis
alternativa.
• Para los bloques: concluimos que hay diferencias entre bloques.
 d) Obtenga la diferencia mínima significativa (LSD) para comparar
tratamientos en este diseño de bloques
Tabla obtenida con los datos capturados en Minitap:
Para bloque:

Agrupar información utilizando el método LSD de Fisher y una confianza de

95%
Bloque N Media Agrupación
4 3 7.66667 A
2 3 6.33333 A B
1 3 4.66667 B
3 3 2.66667 C

Las medias que no comparten una letra son significativamente diferentes .

En base a la tabla obtenida en Minitab, podemos ver que el bloque 3 es

significativamente diferente de los demás bloques.

Para tratamiento:

Agrupar información utilizando el método LSD de Fisher y una confianza de

95%
Tratamiento N Media Agrupación
B 4 7.25 A
C 4 5.00 B
A 4 3.75 B
Las medias que no comparten una letra son significativamente diferentes.

En base a la tabla obtenida en Mintab, se concluye que el tratamiento A es

significativamente diferente al tratamiento B y B es diferente del tratamiento C
12. Se diseñó un experimento para estudiar el rendimiento de cuatro detergentes.
Las siguientes lecturas de “blancura” se obtuvieron con un equipo especial
diseñado para 12 cargas de lavado, distribuidas en tres modelos de lavadoras:

Detergente. Lavadora 1 Lavadora 2 Lavadora 3

A 45 43 51
B 47 44 52
C 50 49 57
D 42 37 49

Modelo Matemático:

𝒚𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜷𝒋 + 𝜺𝒊𝒋 𝒊 = 𝟏, 𝟐 … 𝒌; 𝒋 = 𝟏, 𝟐 … 𝒃
En donde:
• 𝒚𝒊𝒋 = 𝑩𝒍𝒂𝒄𝒖𝒓𝒂.
• 𝝁 = 𝑴𝒆𝒅𝒊𝒂 𝑮𝒍𝒐𝒃𝒂𝒍
• 𝝉𝒊 = 𝑬𝒇𝒆𝒄𝒕𝒐 𝒅𝒆𝒍 𝒕𝒊𝒑𝒐 𝒅𝒆 𝒅𝒆𝒕𝒆𝒓𝒈𝒆𝒏𝒕𝒆 (𝑬. 𝑭𝒂𝒄𝒕𝒐𝒓).
• 𝜷𝒋 = 𝑬𝒇𝒆𝒄𝒕𝒐 𝒅𝒆 𝒍𝒂 𝒍𝒂𝒗𝒂𝒅𝒐𝒓𝒂 (𝑬. 𝑩𝒍𝒐𝒒𝒖𝒆).
• 𝜺𝒊𝒋 = 𝑬𝒓𝒓𝒐𝒓 𝑨𝒍𝒆𝒂𝒕𝒐𝒓𝒊𝒐

a) Señale el nombre del diseño experimental utilizado:

El diseño a utilizar para este modelo es Diseño de Bloques Completamente Alzar
(DBCA).

b) Formule la hipótesis que se quiere probar en este problema:

Hipótesis del Modelo:
𝐻𝑜 = 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷 = 𝜇
𝐻𝐴 = 𝜇𝑖 ≠ 𝜇𝑗 . 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 ≠ 𝑗 = 𝐴, 𝐵, 𝐶, 𝐷.

Lo que quiere decir:

• Ho: no hay efecto del tipo de detergente en la blancura de la ropa.
• Ha: si hay efecto del tipo de detergente en la blancura de la ropa.

c) Realice el análisis estadístico más apropiado para estos datos y obtenga

conclusiones.
➢ Análisis estadístico con el uso del programa Minitab.

Modelo lineal general: Blancura vs. Detergente, Lavadora

Método
Codificación de factores (-1, 0, +1)
Información del factor
Factor Tipo Niveles Valores
Detergente Fijo 4 A, B, C, D
Lavadora Fijo 3 1, 2, 3

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Detergente 3 133.667 44.556 34.13 0.000
Lavadora 2 170.167 85.083 65.17 0.000
Error 6 7.833 1.306
Total 11 311.667

Resumen del modelo

R-cuadrado
S R-cuadrado R-cuadrado(ajustado) (pred)
1.14261 97.49% 95.39% 89.95%

Coeficientes
Término Coef EE del coef. Valor T Valor p FIV
Constante 47.167 0.330 143.00 0.000
Detergente
A -0.833 0.571 -1.46 0.195 1.50
B 0.500 0.571 0.88 0.415 1.50
C 4.833 0.571 8.46 0.000 1.50
Lavadora
1 -1.167 0.466 -2.50 0.046 1.33
2 -3.917 0.466 -8.40 0.000 1.33
Ecuación de regresión
Blancura = 47.167 - 0.833 Detergente_A + 0.500 Detergente_B + 4.833 Detergente_C
- 4.500 Detergente_D - 1.167 Lavadora_1 - 3.917 Lavadora_2
+ 5.083 Lavadora_3
Ajustes y diagnósticos para observaciones poco comunes:
Obs Blancura Ajuste Resid Resid est.
8 37.000 38.750 -1.750 -2.17 R

Residuo grande R

Comparaciones para Blancura

Comparaciones por parejas de Tukey: Detergente

Agrupar información utilizando el método de Tukey y una confianza de 95%
Detergente N Media Agrupación
C 3 52.0000 A
B 3 47.6667 B
A 3 46.3333 B
D 3 42.6667 C

Las medias que no comparten una letra son significativamente diferentes.

Comparaciones por parejas de Fisher: Detergente
Agrupar información utilizando el método LSD de Fisher y una confianza de
95%
Detergente N Media Agrupación
C 3 52.0000 A
B 3 47.6667 B
A 3 46.3333 B
D 3 42.6667 C

Las medias que no comparten una letra son significativamente diferentes.

Conclusiones del Modelo:

Para el valor p obtenido con ayuda de Minitab, es de 0.000, por lo tanto como 0.000
es menor que 𝛼 = 0.05 (𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎), se rechaza la hipótesis nula (Ho), ya
que sí hay diferencias significativas entre los tipos de detergentes que presenta el
modelo. Y para saber cuál era el mejor detergente se realizaron las comparaciones
entre esto con las pruebas de Tukey y de Fisher y se obtuvieron los datos que
respondían a la cuestión ¿Cuál era el mejor detergente? Y la respuesta es que el
detergente C es el mejor de los cuatro ya que obtuvo el valor más alto de blancura y
una media de 52.000, entonces se recomienda usar este detergente.
Y en el caso de las lavadoras no se encontraron diferencias significativas que
afectaran la blancura de la ropa.
19. Se comprueba el peso en gramos de un material de tres
proveedores: A, B y C, por tres diferentes inspectores: I, II y III,
utilizando tres diferentes escalas 1,2 y 3. El experimento se lleva a
cabo como el siguiente cuadro latino:

Para poder contestar las preguntas siguientes es importante realizar la tabla ANOVA
de los datos requeridos, la cual al capturar los datos en Minitab es la siguiente:

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Escala 2 32.8889 16.4444 148.00 0.007
Inspector 2 0.2222 0.1111 1.00 0.500
Proveedores 2 10.8889 5.4444 49.00 0.020
Error 2 0.2222 0.1111
Total 8 44.2222

Evidencia de captura de los datos en Minitab:

 a) ¿Hay diferencias entre los proveedores?

De acuerdo con la hipótesis y el valor de F:

𝐻0 ; 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷
𝐻1 ; 𝜇𝑖 ≠ 𝜇𝑗

• El valor de F calculada para proveedores es: 49.000

• El valor de F de tablas se calcula de la manera:

𝐹𝑇𝑎𝑏 = (2); (2) = 𝟏𝟗

𝑣1 ; 𝑣2 con 𝜶 = 𝟎. 𝟎𝟓

Por lo tanto, 𝐹𝐶𝑎𝑙 > 𝐹𝑇𝑎𝑏𝑙𝑎𝑠 = 49 > 19; de este modo, se rechaza la hipótesis nula
(𝐻0 ) que afirma que todas las medias de los proveedores son iguales, y se acepta
la hipótesis alternativa (𝐻𝐴 ) que nos dice que al menos dos tipos de proveedores
son diferentes.
Conclusión: al aceptar 𝐻𝐴 , aceptamos que al menos hay un tipo de proveedores
diferentes, por lo tanto, si hay diferencias entre los proveedores, esa diferencia es
significativa.

b) ¿Hay diferencias entre los inspectores y entre las escalas?

1. Entre los inspectores:

𝐻0 ; 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷
• La hipótesis es: 𝐻1 ; 𝜇𝑖 ≠ 𝜇𝑗

• El valor de F calculada para inspectores es de: 1.00

• El valor de F de tablas es: 19
Por lo tanto, 𝐹𝐶𝑎𝑙 > 𝐹𝑇𝑎𝑏𝑙𝑎𝑠 = 1 > 19; de este modo, la hipótesis nula (𝐻0 ) que
afirma que todas las medias de los inspectores son iguales, se acepta.
Conclusión: La 𝐻0 se acepta, por lo que podemos decir que las medias son iguales
y no hay diferencias significativas entre los inspectores.
 2. Entre las escalas:
𝐻0 ; 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷
• La hipótesis es:
𝐻1 ; 𝜇𝑖 ≠ 𝜇𝑗
• El valor de F calculada para escalas es de: 148.00
• El valor de F de tablas es: 19
Por lo tanto, 𝐹𝐶𝑎𝑙 > 𝐹𝑇𝑎𝑏𝑙𝑎𝑠 = 148 > 19; de este modo, la hipótesis nula (𝐻0 ) que
afirma que todas las medias de los inspectores son iguales, se rechaza y se acepta
la hipótesis alternativa (𝐻𝐴 ) que dice que al menos una escala es diferente.
Conclusión: Al aceptar la hipótesis alternativa, sabemos que al menos una escala
es diferente y podemos decir que las escalas son significativamente diferentes

c) Si el peso debe ser 15 gr ¿Cuál proveedor es mejor?

De acuerdo con la tabla principal, podemos observar que le proveedor A es aquel
que se acerca mas a los 15 gr que los demás proveedores, por ello, el mejor
proveedor es el proveedor A.

d) Si algún factor de bloque es no significativo, elimínelo y haga el análisis

adecuado.
Podemos decir que de los tres bloques: escala, proveedor e inspector, el boque de
escalas no tiene diferencias significativas, por lo tanto, el bloque se elimina y la tabla
principal quedaría de la forma:
Inspector Proveedor
A B C
I 16 10 11
II 14 15 9
III 11 13 13

Y el análisis acorde a la tabla, sería el siguiente:

Diseño de bloques completamente al azar realizado en Minitab:
HOJA DE TRABAJO 1

Modelo lineal general: Gramos vs. Proveedor, Inspector

Método
Codificación de factores (-1, 0, +1)
Información del factor Análisis de Varianza
Factor Tipo Niveles Valores Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Proveedor Fijo 3 A, B, C Proveedor 2 10.8889 5.4444 0.66 0.566
Inspector Fijo 3 1, 2, 3 Inspector 2 0.2222 0.1111 0.01 0.987
Error 4 33.1111 8.2778
Total 8 44.2222

Resumen del modelo

R-cuadrado
S R-cuadrado R-cuadrado(ajustado) (pred)
2.87711 25.13% 0.00% 0.00%

Coeficientes
Término Coef EE del coef. Valor T Valor p FIV
Constante 12.444 0.959 12.98 0.000
Proveedor
A 1.22 1.36 0.90 0.418 1.33
B 0.22 1.36 0.16 0.878 1.33
Inspector
1 -0.11 1.36 -0.08 0.939 1.33
2 0.22 1.36 0.16 0.878 1.33

Ecuación de regresión
Gramos = 12.444 + 1.22 Proveedor_A + 0.22 Proveedor_B - 1.44 Proveedor_C
- 0.11 Inspector_1
+ 0.22 Inspector_2 - 0.11 Inspector_3
 BIBLIOGRAFIA:
I. Fuente pregunta 3: Gutiérrez, H., De la Vara, R . (2° edición, 2008). Diseño de
Bloques. En Análisis y Diseño de Experimentos (pp. 100-109). México: McGRAW-
HILL/INTERAMERICANA EDITORES, S.A. de C.V.

II. Estés, D. E. S. (2019, 25 noviembre). Diseño Experimental. Slideshare.

http://red.unal.edu.co/cursos/ciencias/2000352/html/un2/cont_201-21.html

III. Yepes, V. Y. (2013, 27 abril). Diseño completamente al azar y ANOVA – El blog de

Víctor Yepes. El bog de V.Y. https://victoryepes.blogs.upv.es/2013/04/27/diseno-
completamente-al-azar-y-anova/

IV. Westreicher, G. (2021, 22 abril). Diseño experimental. Economipedia.

https://economipedia.com/definiciones/diseno-experimental.html

V. Cuentas, Y. (2019, 15 junio). CAPITULO 4 TALLER. Academia Edu. https://www.academia.edu/367215

VI. Garcia, A. C. (2011, 28 marzo). DISEÑO DE BLOQUES COMPLETAMENTE AL

AZAR. DISEÑO DE BLOQUES COMPLETAMENTE AL AZAR. Obtenido de:
https://es.slideshare.net/albertojeca/diseo-de-bloques-completo-al-azar-1
PROPUESTA DE DISEÑO
INSTITUTO TECNOLÓGICO SUPERIOR DE

ALUMNO (A):
Daniela Rodríguez Bandala
Karla Yariela Vega Mota
Ana Karla Olivares Valdez
Anel Yamileth Hernández Lorenzo
Mariana Márquez Melgarejo
LICENCIATURA EN:
TEZIUTLÁN

Ingeniería en Industrias Alimentarias

No. DE CONTROL
20TE0274
20TE0325
20TE0526
20TE0348
20TE0711
Materia:
Diseños Experimentales
ASESOR (A):
Marlen Hernández Hernández

LUGAR/FECHA:
Teziutlan, Pue. 12/07/2021
 Diseño teórico:
Diseño de experimentos: Los modelos de
diseños de experimentos, son modelos
estadísticos clásicos, cuyo objetivo es
averiguar si unos determinados factores
influyen en la variable de interés y, si existe
influencia de algún factor, cuantificarla.

METODOLOGÍA
La metodología del diseño de experimentos se basa en la experimentación. Es
conocido que, si se repite un experimento, en condiciones indistinguibles, los
resultados presentan variabilidad que puede ser grande o pequeña. Si la
experimentación se realiza en un laboratorio donde la mayoría de las causas
de variabilidad están muy controladas, el error experimental será pequeño y
habrá poca variación en los resultados del experimento. Pero si se
experimentan en procesos industriales la variabilidad es grande en la mayoría
de los casos.
El objetivo del diseño experimental: es estudiar si utilizar un determinado
tratamiento produce una mejora en el proceso o no, para ello se debe
experimentar usando el tratamiento, y no utilizándolo. Si la variabilidad
experimental es grande, solo se detectará la influencia del uso del tratamiento
cuando este produzca grandes cambios en relación con el error de
observación.
Los experimentos son una parte natural del proceso de toma de decisiones en
la ingeniería.
Diseño completamente al azar:
El diseño completamente al azar es el más sencillo de los diseños de
experimentos que tratan de comparar dos o más tratamientos, puesto que sólo
considera dos fuentes de variabilidad: los tratamientos y el error aleatorio.
Este tipo de diseño se llama completamente al azar porque todas las
repeticiones experimentales se realizan en orden aleatorio completo, pues no
se han tenido en cuenta otros factores de interés. Si durante el estudio se
hacen N pruebas, éstas se deben realizar al azar, de forma que los posibles
efectos ambientales y temporales se vayan repartiendo equitativamente entre
los tratamientos.
El número de repeticiones a realizar en cada tratamiento depende de la
variabilidad que se espera observar en los datos, a la diferencia mínima que el
experimentador considera que es importante detectar y al nivel de confianza que
se desea tener en las conclusiones. Normalmente se recomiendan entre 10 y 30
mediciones en cada tratamiento. Con 10 mediciones se podrían detectar
diferencias de medias mayores o iguales a 1,5
sigmas con una probabilidad alta, y con 30
mediciones se podrían detectar diferencias
mayores o iguales a 0,7 sigmas.
Se utiliza el análisis de la varianza (ANOVA) para
comprobar si existen diferencias en las medias.
Fundamentalmente este análisis consiste en
separar la contribución de cada fuente de variación
en la variación total observada. Sin embargo, éste
ANOVA está supeditado a los siguientes
supuestos que deben verificarse:
• Normalidad
• Varianza constante (igual varianza en los tratamientos)
• Independencia

Ventajas
• Cuando en un experimento las unidades experimentales se arreglan bajo
un Diseño completamente al azar se tienen las siguientes ventajas:
• Flexibilidad: Cualquier número de tratamientos y cualquier número de
réplicas pueden ser usadas, siempre y cuando se tengan suficientes UE
homogéneas.
• Análisis Estadístico simple: el análisis estadístico es simple ya sea cuando
todos los tratamientos tengan igual número de réplicas (balanceado),
diferente número de réplicas (desbalanceado) o pérdida de datos, caso
en el cual se trata como un análisis desbalanceado.
• Máximo número de grados de libertad para el error: Esto ocurre porque el
diseño tiene solo dos fuentes de variación que son los tratamientos y el
error y los grados de libertad para este error están dados por la expresión
.
• Precisión: Es muy preciso si se tienen en cuenta UE homogéneas.

Desventajas
• Se puede obtener baja precisión cuando las unidades experimentales no
sean muy homogéneas y así ser ineficiente.

Usos
• Es recomendado cuando es posible que gran parte de las UE no
respondan al tratamiento o puedan perderse durante el experimento.
• Es útil en experimentos en los que el número de UE es limitado, ya que
provee el máximo número de grados de libertad del error.
 Diseño de práctica.
Tipo de diseño a aplicar: diseño completamente al azar.
Hipótesis nula: El cambio del aditivo para hornear NO influye en la
esponjosidad de un pan.

Hipótesis alternativa: El cambio del aditivo para hornear SI influye en la

esponjosidad de un pan.

Objetivo de la practica:
Realizar una propuesta de un experimento en el cual podamos realizar un análisis
aplicando el diseño experimental.

Materiales:
• Fresas. • Queso crema.
• Polvo para hornear. • Licuadora.
• Horno. • Dos moldes de pan.
• Bicarbonato de sodio. • Cucharas.
• Leche. • Tazas medidoras.

Procedimiento:
Preparación de dos panes.
1. Realice dos panes de fresa, ambos con los mismos ingredientes, el mismo
tiempo de cocción, y usando las mismas cantidades, solo sustituyendo el
polvo para hornear, por bicarbonato de sodio (este cumple con dar la
esponjosidad al pan.

2. Al tiempo de revisión el pan con bicarbonato de sodio no esponjaba, y el pan

con polvo para hornear esponjo al doble de su volumen. Además de que el
que se le puso bicarbonato aun presentaba crudeza en la mezcla.

Variable de respuesta:
✓ Aditivo para esponjosidad. ✓ Pan con levadura.
✓ 1 factor. ✓ Pan con bicarbonato de sodio.
✓ Esponjosidad en panes.
Resultado:
Como Fo>fa.
Ho se rechaza y decimos que el cambio del aditivo SI influye ya que si es
significativo.