Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMA 4.
DISEÑO EXPERIMENTAL PARA UN FACTOR
CARRERA.
Ing. En Gestión Empresarial
SEMESTRE: 5to
TEMA 4.
DISEÑO EXPERIMENTAL PARA UN FACTOR
ALUMNO(A):
Docente:
CAPETILLO ORTIZ MARIO PERDOMO
INTRODUCCIÓN ........................................................................................................................................ 4
DESARROLLO............................................................................................................................................ 5
4.1 Introducción, conceptualización, importancia y alcances del diseño experimental en el
ámbito empresarial. ................................................................................................................................ 5
EJEMPLO 1. ............................................................................................................................................ 7
EJEMPLO 2. ............................................................................................................................................ 7
4.2 Clasificación de los diseños experimentales. .............................................................................. 8
EJEMPLO 1. .......................................................................................................................................... 10
EJEMPLO 2. .......................................................................................................................................... 11
4.3 Nomenclatura y simbología en el diseño experimental. .......................................................... 12
EJEMPLO 1. .......................................................................................................................................... 14
EJEMPLO 2. .......................................................................................................................................... 15
4.4 Identificación de los efectos de los diseños experimentales .................................................. 18
EJEMPLO 1. .......................................................................................................................................... 19
EJEMPLO 2. .......................................................................................................................................... 19
4.5 La importancia de la aleatorización de los especímenes de prueba ..................................... 22
EJEMPLO 1. .......................................................................................................................................... 22
EJEMPLO 2. .......................................................................................................................................... 23
4.6 Supuestos estadísticos en las pruebas experimentales .......................................................... 24
EJEMPLO 1. .......................................................................................................................................... 25
EJEMPLO 2. .......................................................................................................................................... 26
4.7 Prueba de Duncan ......................................................................................................................... 28
EJEMPLO 1. .......................................................................................................................................... 30
EJEMPLO 2. .......................................................................................................................................... 31
4.8 Aplicaciones Industriales .............................................................................................................. 33
EJEMPLO 1. .......................................................................................................................................... 35
EJEMPLO 2. .......................................................................................................................................... 35
CONCLUSIONES ..................................................................................................................................... 36
BIBLIOGRAFÍA ......................................................................................................................................... 37
3
INTRODUCCIÓN
El objetivo principal del presente trabajo es explicar los temas que conforman al diseño
experimental para un factor, dicho diseño experimental suele plantearse cuando se
requiere analizar una característica cualitativa sometida en un solo factor.
Es por eso, que la finalidad de este trabajo de investigación es desglosar los temas que
conforman la unidad para una mayor comprensión del tema, empleando cada subtema
con sus respectivos ejemplos de una manera clara y fácil de comprender.
4
DESARROLLO
Introducción.
El diseño estadístico de experimentos es precisamente la forma más eficaz de hacer
pruebas. El diseño de experimentos consiste en determinar cuáles pruebas se deben
realizar y de qué manera, para obtener datos que, al ser analizados estadísticamente,
proporcionen evidencias objetivas que permitan responder las interrogantes planteadas,
y de esa manera clarificar los aspectos inciertos de un proceso, resolver un problema o
lograr mejoras.
El diseño experimental suele platearse cuando se requiere analizar una característica
cualitativa sometida en un solo factor. Este único factor debe tener una influencia
significativa sobre la característica cualitativa.
Este único factor debe tener una influencia significativa sobre la característica cualitativa.
El diseño de experimentos tuvo su inicio teórico a partir a partir de 1935 por Sir Ronald
A. Fisher, quien sentó la base de la teoría del Diseño Experimental y que a la fecha se
encuentra bastante desarrollada y ampliada.
Conceptualización
El diseño experimental es una técnica estadística que permite identificar y cuantificar las
causas de un efecto dentro de un estudio experimental.
Es 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.
5
Importancia
El diseño experimental busca entonces a través de una serie de herramientas
estadísticas aplicadas metodizar los ensayos de prueba y error para encontrar la mejor
combinación de variables independientes que optimice una variable de respuesta en unas
circunstancias determinadas. El análisis experimental se basa en la comprensión de la
variación que presenta los datos de salida de un problema. La variación siempre está
presente en todos los procesos de la naturaleza y por ende en los procesos humanos, la
planeación de un experimento permite identificar las fuentes de que la producen,
clasificarlas y tomar decisiones con respecto a ellas.
6
pueden emplear dichos datos para crear modelos que predigan la respuesta del
consumidor con mayor rapidez y precisión.
EJEMPLO 1.
En una determinada fábrica de galletas se desea saber si las harinas de sus cuatro
proveedores producen la misma viscosidad en la masa. Para ello, produce durante un
día 16 masas, 4 de cada tipo de harina, y mide su viscosidad. Los resultados obtenidos
son:
EJEMPLO 2.
Una fábrica de textiles dispone de un gran número de telares. En principio, se supone
que cada uno de ellos debe producir la misma cantidad de tela por unidad de tiempo.
Para investigar esta suposición se seleccionan al azar cinco telares, y se mide la cantidad
de tela producida en cinco ocasiones diferentes. Se obtienen los datos de la tabla adjunta.
¿Del estudio se concluye que todos los telares tienen el mismo rendimiento?
7
4.2 Clasificación de los diseños experimentales.
El diseño experimental es una estructura de investigación donde al menos se manipula
una variable y las unidades son asignadas aleatoriamente a los distintos niveles o
categorías de la variable o variables manipuladas.
▪ No son el motivo del estudio, sino que aparecen de forma natural y obligada en el
mismo.
▪ Se asumen que no tienen interacción con el factor en estudio
8
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 ℎ𝑒𝑚𝑏𝑟𝑎𝑠 𝑛𝑎𝑐𝑖𝑑𝑎𝑠
𝑃=
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜𝑠 𝑛𝑎𝑐𝑖𝑑𝑜𝑠
𝑃(𝐴𝐴) = 𝑃2
𝑃(𝐴𝐴) = 2𝑝𝑞 = 𝑃(𝐻𝑒𝑚𝑏𝑟𝑎 𝐴 𝑦 𝑚𝑎𝑐ℎ𝑜 𝑎) 𝑜 𝑃(ℎ𝑒𝑚𝑏𝑟𝑎 𝑎 𝑦 𝑚𝑎𝑐ℎ𝑜 𝐴)
𝑃(𝑎𝑎) = 𝑞 2
Probabilidad condicional
Es la probabilidad de que ocurra un evento A, sabiendo que también sucede otro
evento B (probabilidad de A dado B):
𝑃(𝐴∩𝐵)
𝑃𝐴𝐵 = probabilidad conjunta de A y B
𝑃(𝐵)
área de B/ área de S
Teorema de Bayes
𝑃 𝐵 𝐴 𝑃 (𝐴)
𝑃𝐴𝐵 = Prior (distribución o probabilidad previa)
𝑃(𝐵)
9
EJEMPLO 1.
Debido al tiempo y planes de producción no fue realizado en 1 bloque sino en 2. El
primero, durante el primer turno y el segundo, al siguiente día durante el segundo turno.
Las tablas 6.11 y 6.12 muestran las corridas y resultados obtenidos para cada bloque.
10
EJEMPLO 2.
Datos ficticios de un grupo experimental en el cual se estudia el efecto que un plan de
entrenamiento pliométrico produce sobre la saltabilidad de un grupo de jugadores de
voleibol.
En una hoja de Excell, introduzca los datos como se muestran en la tabla 1. Como se
puede apreciar, la media del grupo en la preprueba fue de 294.3 cm y en la posprueba
fue de 306.6. Para calcular la t de Student, coloque el ratón o el indicador en la celda
B18. Una vez situado en dicha celda, haga clic en el ícono fX y busque la ventana de
categoría estadísticas. Luego busque PRUEBA.T y haga doble clic en ella. En la Matriz1
deberá introducir B5:B14 o seleccionar estos datos en la hoja. En la Matriz2, selecciona
el rango C5:C14. En el espacio para Colas, escriba 2. En el espacio para tipo, introduzca
2, que es el caso para dos grupos con la misma varianza. El resultado del cálculo es 0.26.
Con base en este dato y asumiendo un nivel de significancia de 0.05, se acepta la
Hipótesis nula de igualdad de las medias y se rechaza la alterna de diferencia entre ellas.
11
4.3 Nomenclatura y simbología en el diseño experimental.
Ejemplo:
Los grupos también pueden ser los niveles de una variable cualitativa que es llamada
factor.
Nomenclatura.
12
Desventajas del diseño.
• Una de las ventajas de este tipo de diseño es que no existe la manipulación ni grupo
con el cual se establezca una comparación.
• En este año pueden inferir las internas de invalidación como son la historia, fatiga,
maduración entre otros.
Simbología.
• T= Tratamientos.
• C= Control.
• F= Factores.
• A= Números de tratamientos.
• N= Tamaños de la muestra
• R= Replica o repetición.
• R= Asignación al azar o aleatoria.
• E= Emparejamientos o nivelación
• G= Grupo de sujetos
• X= Tratamiento, estimulo o condición experimental.
• O= Medición de los sujetos de un grupo.
Control: Es la capacidad que tiene el investigador para elegir según su voluntad los
elementos que intervienen en la investigación.
Factores controlables: Son aquellos con un grado de control, es decir que se pueden
manejar, variar o manipular con gran finalidad.
Factores ruido: son aquellos sobre los cuales el grado de control es menor y el manejo
es más fácil.
13
Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales
pueden estudiar.
EJEMPLO 1.
El ingeniero Gregorio Ortega Cosme realiza un experimento para provocar el efecto de 5
dietas para engorda para chivos que se encuentran en el sector pecuario las dietas
utilizadas fueron: T1(testigo), T2(melosa), T3(cebo), T4(maíz), T5(sorgo). Este
tratamiento se aplicará con la finalidad de ber cual daba mayor peso a los chivos. Para
realizar dicho experimento se harán 5 repeticiones por tratamiento, es decir se les
aplicaran dichos tratamientos a 25 animales. Con dicha información haga lo siguiente:
b) realice el análisis de la varianza con una confiabilidad del 95% para ver si existe
diferencia entre estos tratamientos.
14
EJEMPLO 2.
Debido a la proliferación de los campos de golf y a la gran cantidad de agua que
necesitan, un grupo de científicos estudia la calidad de varios tipos de césped para
implantarlo en invierno en los campos de golf. Para ello, miden la distancia recorrida por
una pelota de golf, en el campo, después de bajar por una rampa (para proporcionar a la
pelota una velocidad inicial constante). El terreno del que dispone tiene mayor pendiente
en la dirección norte-sur, por lo que se aconseja dividir el terreno en cinco bloques de
manera que las pendientes de las parcelas individuales dentro de cada bloque sean las
mismas. Se utilizó el mismo método para la siembra y las mismas cantidades de semilla.
Las mediciones son las distancias desde la base de la rampa al punto donde se pararon
las pelotas. En el estudio se incluyeron las variedades: Agrostis Tenuis (Césped muy fino
y denso, de hojas cortas y larga duración), Agrostis Canina (Hoja muy fina, estolonífera.
Forma una cubierta muy tupida), Paspalum Notatum (Hojas gruesas, bastas y con
rizomas. Forma una cubierta poco densa), Paspalum Vaginatum (Césped fino, perenne,
con rizomas y estolones).
Factor: Tipo_Cesped que tiene cuatro niveles. Es un factor de efectos fijos ya que
viene decidido qué niveles concretos se van a utilizar.
Bloque: Bloques que tiene cinco niveles. Es un factor de efectos fijos ya que viene
decidido qué niveles concretos se van a utilizar.
15
2. ¿Son los bloques fuente de variación?
Por defecto, SPSS tiene marcado un modelo Factorial completo, por lo que hay que
señalar Personalizado. En el modelo que estamos estudiando sólo aparecen los efectos
principales de los dos factores, por lo tanto, se selecciona en Tipo: Efectos principales y
se pasan los dos factores, Tipo_Cesped y Bloque, al campo Modelo: Se
pulsa Continuar y Aceptar.
16
depende de los efectos de los bloques. En este caso este diseño es más eficaz que
el diseño completamente aleatorizado y el contraste principal de las medias de los
tratamientos será más sensible a las diferencias entre tratamientos. Por lo tanto la
inclusión del factor bloque en el modelo es acertada. Así, las distancias recorridas por
las pelotas dependen del tipo de terreno.
• El valor del estadístico de contraste de igualdad de tratamiento, F = 75.895 deja a su
derecha un p-valor menor que 0.001, menor que el nivel de significación del 5%, por
lo que se rechaza la Hipótesis nula de igualdad de tratamientos. Así, los tipos de
césped influyen en las distancias recorridas por las pelotas. Es decir, existen
diferencias significativas en las distancias recorridas por las pelotas entre los cuatro
tipos de césped.
La salida de SPSS también nos muestra que R cuadrado vale 0.963, indicándonos que
el modelo explica el 96.30% de la variabilidad de los datos.
3. ¿Existen diferencias reales entre las distancias medias recorridas por una pelota
de golf en los distintos tipos de cesped?
17
4.4 Identificación de los efectos de los diseños experimentales
Existen numerosos diseños experimentales cada uno adecuado para analizar cierto tipo
de pregunto. Sin embargo, todos los diseños experimentales comparten los tres
siguientes rasgos.
Decisión Hipótesis
Cierto Falso
Rechazar Error tipo I (α) No error (Poder Estadístico)
Aceptar No error (Intervalo de confianza) Error tipo ll (β)
18
EJEMPLO 1.
Ejemplos de resultados en un diseño factorial 3x2, en el cual se pretende analizar el
efecto de un plan de entrenamiento de fuerza con tres niveles de intensidad sobre la
variable género. Los resultados se presentan en forma relativa (Peso levantado / peso
corporal). Y se analizan los efectos principales e interacciones.
EJEMPLO 2.
En un invernadero se está estudiando el crecimiento de determinadas plantas, para ello
se quiere controlar los efectos del terreno, abono, insecticida y semilla. El estudio se
realiza con cuatro tipos de semillas diferentes que se plantan en cuatro tipos de terreno,
se les aplican cuatro tipos de abonos y cuatro tipos de insecticidas. La asignación de los
tratamientos a las plantas se realiza de forma aleatoria. Para controlar estas posibles
fuentes de variabilidad se decide plantear un diseño por cuadrados greco-latinos como el
que se muestra en la siguiente tabla, donde las letras griegas corresponden a los cuatro
tipos de semilla y las latinas a los abonos.
19
Solución:
Son significativos todos los efectos de los factores y el mayor crecimiento de las plantas
se produce con el Abono A siendo la altura que alcanza de 11.65 y la altura menor
de 7.65 la alcanza cuando se le suministra el Abono C.
20
Suponiendo que se cumple la hipótesis de homocedasticidad, observamos un p-valor
de 0.715 que indica que el contraste realizado no es significativo, por lo tanto, se rechaza
la hipótesis nula en el contraste planteado.
21
4.5 La importancia de la aleatorización de los especímenes de prueba
Principal importancia.
EJEMPLO 1.
La convección es una forma de transferencia de calor por los fluidos debido a sus
variaciones de densidad por la temperatura; las partes calientes ascienden y las frías
descienden formando las corrientes de convección que hacen uniforme la temperatura
del fluido. Se ha realizado un experimento para determinar las modificaciones de la
densidad de fluido al elevar la temperatura en una determinada zona. Los resultados
obtenidos han sido los siguientes:
22
El problema planteado se modeliza a través de un diseño unifactorial totalmente
aleatorizado de efectos fijos no-equilibrado.
Variable respuesta: Densidad del fluido.
Factor: Temperatura. Es un factor de Efectos fijos.
Modelo no-equilibrado: Los niveles de los factores tienen distinto número de elementos.
EJEMPLO 2.
Un laboratorio de reciclaje controla la calidad de los plásticos utilizados en bolsas. Se
desea contrastar si existe variabilidad en la calidad de los plásticos que hay en el
mercado. Para ello, se eligen al azar cuatro plásticos y se le somete a una prueba para
medir el grado de resistencia a la degradación ambiental. De cada plástico elegido se han
seleccionado ocho muestras y los resultados de la variable que mide la resistencia son
los de la tabla adjunta.
En este modelo, se supone que las variables τi son variables aleatorias normales
independientes con media 0 y varianza común .
Dado que trabajamos con el modelo de efectos aleatorios, analizar si las medias
poblacionales son iguales será equivalente a contrastar:
No rechazar H0 será equivalente a afirmar que no hay variedad en los efectos de los
tratamientos, es decir, que la resistencia que ofrecen los plásticos empleados en la
fabricación de bolsas de cara a la degradación ambiental es la misma.
23
4.6 Supuestos estadísticos en las pruebas experimentales
A. Aditividad.
Los factores o componentes del modelo estático 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 S2.
D. Independencia.
Los resultados observados de un experimento son independientes entre sí.
E. Variancias Homogéneas.
Las diversas poblaciones generadas por la aplicación de dos o más} tratamientos tienen
variancias homogéneas (variancia común).
24
Tamaños de muestra iguales.
Donde:
𝑎: cantidad de tratamiento
𝒏: cantidad de replicas
𝑦𝑖𝑗 : replica j del tratamiento i
𝑦… : gran total
𝑁: total de observaciones
Hipótesis
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = ⋯ = 𝜏𝑛
𝐻1 : 𝜏1 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑖
Se rechaza Ho si 𝑓𝑜 ≥ 𝑓𝑎,𝑎−1,𝑎(𝑛−1)
Se rechaza Ho si el valor de −𝑝 ≤ 𝑎
EJEMPLO 1.
Se tienen que probar cuatro posibles tratamientos sobre cierto material. La dureza del
material después de los procesos se da a continuación. Se desea saber si hay diferencias
entre los tratamientos:
A B C D
6 7 11 10
8 9 16 12
7 10 11 11
8 8 13 9
25
EJEMPLO 2.
Los datos corresponden a rendimientos (en toneladas por hectárea) de un pasto con 3
niveles de fertilizantes nitrogenados, el diseño fue aleatorizado, aplicadas en 5 parcelas
por tratamiento (bloques).
Se desea saber si el rendimiento fueron diferentes en los tratamientos
Contrastar la hipótesis con = 0.01% y tomar la decisión
26
27
4.7 Prueba de Duncan
Donde P es el número de medias inclusive entre las dos medias a comparar para diseños
balanceados. Para aplicar esta prueba al nivel se debe pasar por las siguientes etapas:
2. Con los grados de libertad del error y el nivel de significancia 𝛼 determinar los valores
de 𝑟𝑝 (intervalos o amplitudes estandarizadas significativos) utilizando las tablas de
amplitudes estandarizadas de Duncan dadas por Harter (1960) y que se encuentran en
el libro de Miller (1992). Para encontrar estos valores, se requieren los grados de libertad
del error y el valor de 𝑝 = 2,3, … , 𝑡 .
28
4. Se ordenan de manera creciente los resultados promedios del experimento
𝜇(1), 𝜇(2), … , 𝜇(𝑡)
a) El promedio más alto, 𝜇(𝑡) con el más bajo 𝜇(1) , comparando esta diferencia con
el intervalo mínimo significativo. Si esta diferencia es no significativa 𝑅𝑡, entonces todas
las otras diferencias son no significantes. Si la diferencia es significativa se continua con
c) Este procedimiento se continúa hasta que todas las medias se han comparado
con la media más grande 𝜇(𝑡)
d) Este proceso continúa hasta que han sido comparadas las diferencias entre
𝑡−(𝑡−1)
todos los posibles pares.
2
29
o alternativamente se puede reemplazar a 𝑟 por 𝑅 la media armónica de las medias
extremas, donde
y 𝑟(1) y 𝑟(𝑡) son los tamaños de muestra correspondientes a las medias de tratamientos
menos pequeño y más grande respectivamente.
EJEMPLO 1.
Se realiza un estudio sobre el efecto que produce la descarga de aguas residuales de
una planta sobre la ecología del agua natural de un río. En el estudio se utilizaron dos
lugares de muestreo. Un lugar está aguas arriba del punto en el que la planta introduce
aguas residuales en la corriente; el otro está aguas abajo. Se tomaron muestras durante
un periodo de cuatro semanas y se obtuvieron los datos sobre el número de diatomeas
halladas. Los datos se muestran en la tabla adjunta:
30
EJEMPLO 2.
Consideremos de nuevo el ejercicio propuesto 5 del investigador que quiere evaluar la
productividad de cuatro variedades de aguacate, A, B, C y D. Para ello, decide realizar el
ensayo en un terreno que posee un gradiente de pendiente de oriente a occidente y
además, diferencias en la disponibilidad de Nitrógeno de norte a sur. Se seleccionan
cuatro disponibilidades de nitrógeno, pero sólo dispone de tres gradientes de pendiente.
Para controlar estas posibles fuentes de variabilidad, el investigador decide utilizar un
diseño en cuadrado de Youden con cuatro filas, los cuatros disponibilidades de Nitrógeno
(NI, N2, N3, N4), tres columnas, los tres gradientes de pendientes (P1, P2, P3) y cuatro
letras latinas, las variedades de aguacates (A, B, C, D). Los datos corresponden a la
producción en kg/parcela.
31
Para resolver el contraste planteado, en el menú principal se
selecciona: Analizar\Modelo lineal general\Univariante… Introduciendo la información
relativa al diseño en la ventana de análisis: La variable dependiente es
la Productividad y el resto de
variables, Nitrógeno, Pendiente y Variedad corresponden a los factores fijos del
modelo. En la opción Modelo, hay que indicar al programa que se trata de un modelo sin
interacción entre los tratamientos y los bloques. Además, hay que tener en cuenta que el
diseño en cuadrados de Youden es un diseño en bloques incompletos por lo que hay que
utilizar, para realizarlo mediante SPSS, las Sumas de cuadrados de Tipo I y tener en
cuenta que para analizar un determinado factor hay que introducirlo en último lugar. Los
resultados del ANOVA dependerán del orden en que se introduzcan los factores.
A la vista del valor de Sig. (0.024), podemos afirmar que en la productividad del aguacate
influyen las distintas variedades utilizadas.
32
4.8 Aplicaciones Industriales
El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser aplicado
a un gran número de industrias, la optimización de recursos, la identificación de causas
de variabilidad son algunos de los objetivos del diseño de experimentos aplicados en
nivel industrial.
- MATERIALES DE CONSTRUCCIÓN
33
- PRODUCCIÓN DE VEHÍCULOS INDUSTRIALES
- INDUSTRIA AERONÁUTICA
- INFORMÁTICA Y TELECOMUNICACIONES
Mejora del rendimiento de un procesador: Se usa para determinar el impacto que tienen
variables importantes como la temperatura y las horas de uso en el rendimiento del
procesador.
Reducción del tiempo del CPU: El estudio se basa en la aplicación del diseño de
experimentos para determinar la mejor combinación de factores que reduzcan el tiempo
de CPU.
34
EJEMPLO 1.
Un fabricante de papel para hacer bolsas comestibles, se encuentra interesado en
mejorar la resistencia a la atención del producto. El departamento de ingeniería del
producto piensa que la resistencia a la tensión en una función de la concentración de
madera dura en la pulpa y que el rango de concentraciones de madera de interés practico
entre el 5% y 20%. El equipo de ingenieros responsables del estudio decide investigar
cuatros niveles de concentración de madera dura: 5%, 10%, 15% y 20%. Deciden hacer
seis ejemplares de prueba con cada nivel de concentración, utilizando una planta piloto.
Las 24 muestras se aprueban, en orden aleatorio, con una máquina de laboratorio para
aprobar la resistencia.
EJEMPLO 2.
Una compañía textil utiliza diversos telares para la producción de telas. Aunque se desea
que los telares sean homogéneos con el objeto de producir tela de resistencia uniforme,
se supone que puede existir una variación significativa en la resistencia de la tela debida
a la utilización de distintos telares. A su disposición tiene 5 tipos de telares con los que
realiza determinaciones de la resistencia de la tela. Este experimento se realiza en orden
aleatorio y los resultados se muestran en la tabla siguiente:
35
CONCLUSIONES
36
BIBLIOGRAFÍA
37