INGENIERIA QUIMICA

20213-5536D

ANALISIS DE DATOS EXPERIMENTALES

PY1T4 ADE: ANÁLISIS ESTADÍSTICO

GONZALEZ SANCHEZ ALEXIA BERENICE

20070894

CATEDRATICO:

VICTOR MANUEL RENDON SOLIS

12 DE NOVIEMBRE 2021
 ANALISIS ESTADISTICO
DISEÑO DE EXPERIMENTOS (DOE)

El diseño de experimentos es altamente efectivo para aquellos procesos, que su rendimiento se ve

afectado por varios factores. Con esta técnica se puede conseguir entre otras cosas, mejorar el
rendimiento de un proceso, reducir la variabilidad o los costos de producción, así como aumentar
la calidad de los productos o servicios.

En general los experimentos se usan para estudiar el desempeño de procesos y sistemas. El

proceso o sistema puede representarse como se muestra en la imagen 1. El proceso puede por lo
general visualizarse como una combinación de máquinas, métodos, personas u otros recursos que
transforman cierta entrada (con frecuencia cierto material) en una salida que tiene una o más
respuestas observables. Algunas variables del proceso x 1, x2,..., xn son controlables, mientras que
otras z1, z2,...,zm son no controlables.

Los objetivos del diseño de experimentos podrían comprender los siguientes puntos:

 Determinar cuáles son las variables que tiene mayor influencia sobre la respuesta y.
 Determinar cuál es el ajuste de las x que tiene mayor influencia para que y esté casi
siempre cerca del valor nominal
deseado.
 Determinar cuál es el ajuste de
las x que tiene mayor influencia para
que la variabilidad de y sea reducida.
 Determinar cuál es el ajuste de
las x que tiene mayor influencia para
que los efectos de las variables z1,
z2,..., zm sean mínimos. 

El diseño experimental es una herramienta de Imagen 1. Modelo general de un proceso o sistema

importancia fundamental en el ámbito industrial (ingeniería) e incluso en las empresas de servicio
para mejorar el desempeño de un proceso de manufactura o servicio. También tiene múltiples
aplicaciones en el desarrollo de nuevos productos y procesos. El diseño de experimentos se puede
utilizar en las industrias para:

 Mejorar los procesos, ya sea mejorando

su eficiencia, su confiabilidad o su
rendimiento.

 Asistir en la solución problemas.

 Aprender de los procesos y sus fallos.

 Establecer relaciones de causa-efecto

Imagen 2. Ejemplo diseño de experimentos
entre las entradas (input) de un proceso
y sus salidas (output).
  Identificar los factores que tiene el mayor impacto y el menor en los procesos y/o
productos.

 Lograr una producción de productos que

cumplan con las especificaciones que sean a
su vez robustos a ruidos externos.

 Establecer una región (o ventana) del proceso

donde unos factores pueden operar,
averiguando la sensibilidad al cambio de
algunos factores en la respuesta.

 Fijar especificaciones y tolerancias lógicas

para productos y procesos.

 Obtener una ecuación polinómica que modele elImagen

comportamiento de la experimental
3. Diagrama diseño respuesta de un
y análisis
estadístico
proceso en una región de variación de los
factores.

 Verificar si la solución adoptada apara mejorar un proceso, realmente obtiene los

resultados esperados

APLICACIONES TIPICAS DEL DISEÑOS DE EXPERIMENTOS EN LA INDUSTRIA

La aplicación de las técnicas del diseño experimental en las fases iniciales del desarrollo de un
proceso puede redundar en:

1. Mejoras en el rendimiento del proceso.

2. Variabilidad reducida y conformidad cercana con los requerimientos nominales o
proyectados.
3. Reducción del tiempo de desarrollo.
4. Reducción de los costos globales.

Entre las aplicaciones del diseño experimental en el diseño de ingeniería (desarrollo de nuevos
productos) se encuentran:

 La evaluación y comparación de configuraciones de diseños básicos.

 La evaluación de materiales alternativos.
 La selección de los parámetros del diseño para que el producto tenga un buen
funcionamiento en una amplia variedad de condiciones de campo, es decir, para que el
producto sea robusto.
 La determinación de los parámetros clave del diseño del producto que afectan el
desempeño del mismo

PLANIFICACIÓN DE UN DOE

La experimentación forma parte natural de la mayoría de las investigaciones científicas e

industriales, en muchas de las cuales, los resultados del proceso de interés se ven afectados por la
presencia de distintos factores, cuya influencia puede estar oculta por la variabilidad de los
resultados muéstrales. Es fundamental conocer los factores que influyen realmente en el sistema
o proceso que se está estudiando y estimar esta influencia. Para conseguir esto es necesario
aplicar un enfoque estadístico en el diseño y análisis de un experimento, variar las condiciones que
afectan a las unidades experimentales y observar la variable respuesta.

Las etapas a seguir en el desarrollo de un problema de diseño de experimentos son las siguientes:

1. Identificación del problema y definir los objetivos. Es común en la industria no darse cuenta de
que existe un problema en un proceso o producto que requiere experimentación para mejorar su
eficiencia o calidad, para aplicar un experimento es necesario desarrollar todas las ideas acerca de
los objetivos del mismo. Es importante solicitar aportaciones de todas las áreas involucradas:
ingeniería, calidad, manufactura, mercadotecnia, administración, el cliente y el personal de
operación. En la mayoría de los casos es conveniente hacer una lista de los problemas o preguntas
específicas que van a abordarse en el experimento.  Las actividades y herramientas que nos
apoyan a realizar esta fase se presentan en la tabla 1.

Actividades Herramientas
1.- Seleccionar equipo de trabajo Diagrama de flujo
2.- Formular problema Gráficos de control
3.- Documentar información importante Gráfico jerarquizado de objetivos
4.- Elegir respuestas Mapa de procesos
5.- Establecer objetivo
Tabla 1. Actividades y herramientas para la fase 1

2. Elección de los factores y los niveles. Una fuente de variación es cualquier “cosa” que pueda
generar variabilidad en la respuesta u objeto de estudio. Es recomendable hacer una lista de todas
las posibles fuentes de variación del problema, distinguiendo aquellas que, a priori, generarán una
mayor variabilidad. Se denomina factor tratamiento a cualquier variable de interés para el
experimentador cuyo posible efecto sobre la respuesta se quiere estudiar. Se distinguen dos tipos:

 Factores tratamiento: son aquellas fuentes cuyo efecto sobre la respuesta es de particular
interés para el experimentador.
 Factores “nuisance”: son aquellas fuentes que no son de interés directo pero que se
contemplan en el diseño para reducir la variabilidad no planificada.

Los niveles de un factor tratamiento son los tipos o grados específicos del factor que se tendrán en
cuenta en la realización del experimento. Las actividades y herramientas que nos apoyan a realizar
esta fase se presentan en la tabla 2.
ACTIVIDADES HERRAMIENTAS
1.- IDENTIFICAR FACTORES AMFE*
2.- CLASIFICAR FACTORES Diagrama de afinidad
3.- DEFINIR ESTRATEGIAS PARA ALGUNOS Diagrama Causa-Efecto
FACTORES Mapa de procesos
4.- DESCRIBIR CONOCIMIENTO ACTUAL DE LOS Diagramas IDEF0**
EFECTOS DE LOS FACTORES
5.- DETERMINAR RANGOS Y NIVELES
Tabla 2. Actividades y herramientas para la fase 2
3. Selección de la variable respuesta. Para seleccionar la variable de respuesta, el experimentador
deberá tener la certeza de que esta variable proporciona en realidad información útil acerca del
proceso bajo estudio. Los datos que se recogen en un experimento son medidas de una variable
denominada variable respuesta o variable de interés y es importante precisar en qué unidades se
mide. En la mayoría de los casos, el promedio o la desviación estándar (o ambos) de la
característica medida será la variable respuesta. Las actividades y herramientas que nos apoyan a
realizar esta fase se presentan en la tabla 3.

ACTIVIDADES HERRAMIENTAS
1.- IDENTIFICAR LOS OBJETIVOS DEL Gráfico jerarquizado de objetivos
EXPERIMENTO AMFE*
2.- IDENTIFICAR LA VARIABLE RESPUESTA Diagrama Causa-Efecto
3.- IDENTIFICAR EN QUE UNIDADES SE MEDIRÁ Mapa de proceso
LA VARIABLE RESPUESTA
Tabla 3. Actividades y herramientas para la fase 3

4. Elección del diseño experimental. La elección del diseño implica la consideración del tamaño de
la muestra (número de réplicas). Es importante tener en mente los objetivos experimentales. En
muchos experimentos de ingeniería se sabe que algunos de los niveles de los factores (variables)
producirán valores diferentes de la respuesta. En consecuencia, el interés se centra en identificar
"qué" factores causan esta diferencia y en estimar la magnitud del cambio de la respuesta. en
otras palabras, es determinar el "cómo" se van a realizar los experimentos (especificar que
unidades experimentales se observarán bajo cada tratamiento). Las actividades y herramientas
que nos apoyan a realizar esta fase se presentan en la tabla 4.

Actividades Herramientas
1.- Caracterizar factores Aleatorización
2.- Pre-analizar Análisis asistido por software
3.- Elegir tipo de diseño Réplicas
4.- Seleccionar diseño experimenta Representación gráfica
5.- Elegir niveles
Tabla 4. Actividades y herramientas para la fase 4

5. Realización del experimento. En esta fase suele ser conveniente no apresurase a realizar los
experimentos, sin antes analizar la realización de algunas actividades previas debido a que se
suelen subestimar los aspectos logísticos y de planificación de DoE en ámbitos de manufactura,
investigación y desarrollo se debe asegurar que todos los recursos necesarios para la
experimentación estén disponibles. Se debe tener especial cuidado y para ello intentar
adelantarse a los problemas. Para ello antes de comenzar con la experimentación no se debe
olvidar de:

 Seleccionar la ubicación correcta para realizar el experimento.

  Checar la disponibilidad del equipamiento, máquinas y operarios para llevar a cabo las
experimentaciones.
 Verificar que todas las combinaciones son viables.
 Preparar las hojas de recolección de datos.
 Otorgar las instrucciones necesarias para los que realizan los experimentos

Las actividades y herramientas que nos apoyan a realizar esta fase se presentan en la tabla 5.

Actividades Herramientas
1.- Preparar experimentos Pruebas piloto
2.- Analizar la necesidad de pruebas piloto Hoja recogida de datos
3.- Realizar experimentos y recolectar datos
Tabla 5. Actividades y herramientas para la fase 5

6. Análisis estadístico de los datos. En esta fase, Se deberán usar métodos estadísticos para
analizar los datos a fin de que los resultados y las conclusiones sean objetivos y no de carácter
apreciativo. si el experimento se ha diseñado correctamente y se ha llevado a cabo de acuerdo al
diseño, los métodos estadísticos necesarios no deben ser complicados. Con frecuencia se
encuentra que los métodos gráficos simples desempeñan un papel importante en el análisis e
interpretación de datos. Debido a que muchas de las preguntas que el experimentador quiere
responder pueden insertarse en el marco de la prueba de hipótesis, los procedimientos para
probar hipótesis y estimar intervalos de confianza son muy útiles en el análisis de datos de un
experimento diseñado. Para esta fase se recomienda utilizar un software estadístico. Las
actividades y herramientas que nos apoyan a realizar esta fase se presentan en la tabla 6.

Actividades Herramientas
1.- Calcular el efecto de los factores Análisis de regresión
2.- Determinar los factores significativos ANOVA*
3.- Interpretar resultados ANCOVA**
4.- Construir modelo de predicción Gráficos de contorno
5.- Optimizar respuestas Gráficos de probabilidad normal
6.- Evaluar necesidades de nuevos Gráficos de Pareto
experimentos
Tabla 6. Actividades y herramientas para la fase 6

7. Mejoras, control y conclusiones. Todo el trabajo de las fases anteriores, tiene que dar sus
resultados en esta etapa. Por lo que se intentará maximizar los beneficios. Para mejorar se
recomienda ser más creativo y tener una perspectiva más amplia. Una vez implementadas las
mejoras se debe realizar el seguimiento y verificar la estabilidad de las mejoras obtenidas. Una vez
que se ha hecho el análisis de los datos, la mejora y el control, el experimentador debe sacar
conclusiones prácticas acerca de los resultados y recomendar un curso de acción. los métodos
gráficos suelen ser útiles en esta etapa, en particular para presentar los resultados. Las actividades
y herramientas que nos apoyan a realizar esta fase se presentan en la tabla 7.
 Actividades Herramientas
1.- Evaluar la necesidad de experimentos Diseño de experimentos
confirmatorios Gráficos de control
2.- Implementar controles Plan de control
3.- Validar resultados Procedimientos
Tabla 7. Actividades y herramienta para la fase 7

ANALISIS DE LA VARIABLE (ANOVA)

Análisis de la Varianza (ANOVA) es una fórmula estadística que se utiliza para comparar las
varianzas entre las medias (o el promedio) de diferentes grupos. Una variedad de contextos lo
utilizan para determinar si existe alguna diferencia entre las medias de los diferentes grupos.

Imagen 4. Comparación de medias

Por ejemplo, para estudiar la efectividad de diferentes medicamentos para la diabetes, los
científicos diseñan y experimentan para explorar la relación entre el tipo de medicamento y el
nivel de azúcar sanguínea resultante. La población de la muestra es un conjunto de personas.
Dividimos la población de la muestra en varios grupos y cada grupo recibe un medicamento en
particular durante un período de prueba. Al final del período de prueba, se miden los niveles de
azúcar sanguínea para cada uno de los participantes individuales. Luego, para cada grupo, se
calcula el nivel medio de azúcar sanguínea. ANOVA ayuda a comparar las medias de estos grupos
para averiguar si son estadísticamente diferentes o si son similares.

El resultado de ANOVA es la 'estadística F'.

La ratio muestra la diferencia entre la
varianza dentro del grupo y la varianza
entre grupos, lo que finalmente produce
una cifra que permite concluir que la
hipótesis nula es respaldada o rechazada. Si
hay una diferencia significativa entre los
grupos, la hipótesis nula no es compatible y
Imagen 5. Prueba de ANOVA y x
la razón F será mayor.
Algunas personas cuestionan la necesidad de ANOVA; después de todo, los valores medios se
podrían evaluar con solo mirarlos. Pero ANOVA hace más que comparar los valores medios.

Aunque los valores medios de varios grupos parecen ser diferentes, esto podría ser debido a un
error de muestreo más que al efecto de la variable independiente sobre la variable dependiente.
Si se debe a un error de muestreo, la diferencia entre las medias de los grupos no tendrá sentido.
ANOVA ayuda a averiguar si la diferencia en los valores medios es estadísticamente significativa.

ANOVA solo establecerá si existe una diferencia significativa entre las medias de al menos dos
grupos, pero no explicará cual es el par que difiere en sus medias. Si existe un requisito de datos
detallados, el despliegue de los procesos estadísticos de seguimiento adicionales ayudará a
descubrir qué grupos difieren en el valor medio. Normalmente, ANOVA se utiliza en combinación
con otros métodos estadísticos.

ANOVA también presupone que el conjunto de datos se distribuye uniformemente, ya que solo
compara medias. Si los datos no se distribuyen a lo largo de una curva normal y existen valores
atípicos, ANOVA no será el procedimiento adecuado para interpretar los datos.

De manera similar, ANOVA asume que las desviaciones estándar son iguales o similares entre los
grupos. Si existe una gran diferencia en las desviaciones estándar, la conclusión de la prueba
podría ser inexacta.

ANOVA también revela indirectamente si una variable independiente está influyendo en la

variable dependiente. Por ejemplo, en el experimento de nivel de azúcar sanguíneo anterior,
suponga que ANOVA encuentra que las medias de los grupos no son estadísticamente
significativas y que la diferencia entre las medias de los grupos se debe solo a un error de
muestreo. Este resultado infiere que el tipo de medicación (variable independiente) no es un
factor significativo que influya en el nivel de azúcar sanguíneo.

ANOVA UNIDIRECCIONAL

El análisis de la varianza unidireccional también se conoce como ANOVA de un solo factor o

ANOVA simple. Como sugiere el nombre, ANOVA de una vía es adecuado para experimentos con
una sola variable independiente (factor) con dos o más niveles. Por ejemplo, una variable
dependiente puede ser en qué mes del año hay más flores en el jardín. Habrá doce niveles. Un
ANOVA unidireccional asume:

 Independencia: el valor de la variable dependiente para una observación es independiente

del valor de cualquier otra observación.

 Normalidad: el valor de la variable dependiente se distribuye normalmente

 Varianza: la varianza es comparable en diferentes grupos de experimentos.

 Continuo: la variable dependiente (cantidad de flores) es continua y se puede medir en

una escala que se puede subdividir.
ANOVA FACTORIAL COMPLETO (TAMBIÉN LLAMADO ANOVA BIDIRECCIONAL)

ANOVA factorial completo se utiliza cuando existen dos o más variables independientes. Cada uno
de estos factores puede tener varios niveles. ANOVA factorial completo solo se puede utilizar en el
caso de un experimento factorial completo, donde se utilizan todas las posibles combinaciones de
los factores y sus niveles. Este podría ser el mes del año en el que existen más flores en el jardín y
luego la cantidad de horas de sol. Este ANOVA bidireccional no solo mide la variable
independiente frente a la independiente, sino también si los dos factores se afectan entre sí.
ANOVA bidireccional asume:

 Continuo: Al igual que un ANOVA unidireccional, la variable dependiente deberá ser

continua.

 Independencia: cada muestra es independiente de otras muestras, sin combinaciones.

 Varianza: la varianza de los datos entre los diferentes grupos es la misma.

 Normalidad: las muestras son representativas de una población normal.

 Categorías: Las variables independientes deberán estar en categorías o grupos separados.

Tabla 8. Tabla selección de la prueba estadística

DISEÑO EN BLOQUES O CON UN FACTOR BLOQUE

 Un experimento puede involucrar uno o más factores con efecto sobre la respuesta.

 Compara los efectos de diferentes tratamientos y bloques, aplicados a las unidades

experimentales sobre condiciones diferentes.
  Las unidades experimentales son agrupadas en conjuntos de tal forma que dos unidades
experimentales en el mismo grupo son similares y pueden ser medidas bajo condiciones
experimentales similares.

 Los grupos de unidades experimentales similares son llamados bloques.

 Las condiciones que varían de bloque a bloque forman los niveles del factor de bloqueo.

 El propósito de bloquear es prevenir que diferencias grandes en las unidades

experimentales enmascaren las diferencias entre los niveles del factor de tratamiento.

 Permite que los tratamientos sean examinados bajo diferentes condiciones

experimentales.

 Los niveles de un factor de bloqueo son agrupamientos de características que no pueden

ser medidas convenientemente.

ASPECTOS:

 Considere b bloques, de tamaño k

 a niveles del factor de estudio

 Una vez determinado el número

de bloques y se hayan agrupado
a las unidades experimentales
en tales grupos, a continuación,
se asignan las unidades a los
tratamientos.

 La mejor asignación a cada

tratamiento es distribuir el
mismo número de unidades
experimentales en cada bloque.

 Imagen
Si el tamaño del bloque k es múltiplo 6. Análisisde
del número de niveles
los datosoexperimentales
tratamientos del factor, el
diseño recibe el nombre de ** bloques completos**

 Si el tamaño de bloque no es múltiplo de a, entonces el diseño es conocido como un

diseño de bloques incompletos

DISEÑO DE BLOQUES COMPLETOS ALEATORIOS

Este diseño con a tratamientos y con N=ab unidades experimentales agrupadas en b bloques. Las
unidades dentro de un bloque son similares y unidades en bloques diferentes son sustancialmente
distintas. Las unidades experimentales en cada bloque son asignadas aleatoriamente a los a
tratamientos de modo que cada tratamiento es asignado a una unidad por bloque.

Una tabla de entrada de datos para este modelo es:

Bloques
Tratamientos 1 2 j b Medias de
tratamientos
1 Y11 Y12 Y1j Y1b Y1
2 Y21 Y22 Y2j Y2b Y2
i Yi1 Yi2 Yij Yib Yi
a Ya1 Ya2 Yaj Yab Ya
Medias de Y1 Y2 Yj Yi Media global
bloques Y
Tabla 9. Tabla de entrada de datos

Y ij =μ+∝i + β j +ε ij

Yij es la Variable aleatoria que representala medición del bloque j, del tratamiento i.

μ denota la respuesta global promedio

α es el efecto del i-ésimo tratamiento sobre el promedio global

-βj es el efecto del j-ésimo bloque

Este modelo asume que no existe interacción entre el factor de interés y el factor de bloqueo; en
muchas situaciones esta presunción será razonable, sin embargo, si se sospecha que hay
interacción, el tamaño del bloque deberá ser incrementado para permitir estimar estos efectos.

Los niveles del factor de bloque representan agrupamientos intencionales de las unidades
experimentales, mientras que los tratamientos son asignados de manera aleatoria a las unidades
experimentales.

El interés no está centrado en las medias de los bloques, si no en la suma de cuadrados medios
debida al factor de bloqueo con el MSE del modelo, para determinar si bloquear fue o no benéfico
en el experimento.

DISEÑO DE DOS FACTORES

En el caso de dos factores A y B, El número de niveles del factor A lo denotaremos por a y el

número de niveles de B lo denotaremos por b.

Definición Llamaremos tratamiento a cada combinación posible entre los niveles de los factores.
Así, para el caso de dos factores, se tendrá un total de ab posibles tratamientos. Por ejemplo, sea
a=3 y b=2:
 Niveles factor B
Niveles factor A B1 B2
A1 A1B1 A1B2
A2 A2B1 A2B2
A2 A3B1 A3B2
Tabla 10. Ejemplo tabla factores

Cada combinación AiBj con i=1,2,3 y j=1,2 define un tratamiento, entonces hay 6 posibles
tratamientos correspondientes a las entradas de esta tabla.

TIPOS DE EXPERIMENTOS FACTORIALES CON DOS FACTORES

1. De efectos fijos: Los a niveles del factor A como los b niveles del factor B son definidos a
propósito por el investigador.

2. De efectos aleatorios: Los a niveles del factor A como los b niveles del factor B son elegidos
aleatoriamente dentro de una población de posibles niveles, respectivamente.

3. De efectos mixtos: Uno de los dos factores es de efectos fijos en tanto que el otro es de efectos
aleatorios.

En cualquiera de los anteriores casos se debe considerar el fenómeno conocido como interacción
de los factores, los modelos deben iniciarse considerando la existencia de interacción y luego a
través de la evidencia muestral, determinar si dicha interacción es o no significativa. Sólo si en
cada tratamiento se toman réplicas (n>1 observaciones por tratamiento), será posible estimar y
evaluar la interacción entre los factores.

A cada tratamiento se asignan en forma completamente aleatorizada, n unidades experimentales

obteniéndose por tanto de cada tratamiento n observaciones de la variable respuesta. En total
habrá N=abn observaciones de la variable respuesta.

Se postula el modelo con interacción, para la k-ésima respuesta en el tratamiento AiBj (nivel i del
factor A combinado con nivel j del factor B), que aparece a continuación:

Y ijk =μ+∝i+ β j+(αβ )ij +ε ij

Donde:

Y ijk Variable respuesta

μ Media global de la respuesta

∝i Efecto fijo del i-ésimo nivel del factor A sobre la respuesta promedio global.

β j Efecto fijo del j-ésimo niveles del factor B sobre la respuesta promedio global.

(αβ )ij Efecto fijo de la interacción de los factores A y B en sus niveles i y j, respectivamente, sobre
la respuesta promedio global.

ε ijError aleatorio
La interacción de dos factores significa que las diferencias entre las medias de tratamientos según
los niveles de un factor varían (bien sea en dimensión y/o signo) de nivel a nivel del otro factor.

Para analizar los cambios de la respuesta promedio de cada tratamiento, se usan los gráficos de
perfiles de medias o Gráficos de interacción en los cuales se presentan las medias de tratamiento
en cada uno de los niveles de uno de los factores fijando los niveles del otro factor ubicado en el
eje horizontal.

DIAGNÓSTICO DE LA PRESENCIA DE INTERACCIÓN

Muestral mente, podemos establecer la presencia de interacción mediante una de las siguientes
formas equivalentes:

 Si se observa que los gráficos de perfiles de medias muestrales de tratamientos no son

paralelos.

 Si la diferencia entre las respuestas medias para cualesquiera dos niveles del factor A no es
la misma para todos los niveles de B.

 Si la diferencia entre las respuestas medias para cualesquiera dos niveles del factor B no es
la misma para todos los niveles de A.

 Si las medias de tratamientos no son todas iguales a la suma de la media global más los
respectivos efectos principales de los factores A y B

ENCUBRIMIENTO O ENMASCARAMIENTO DE EFECTOS PRINCIPALES:

Los efectos ∝i y β j constituyen los efectos principales del modelo. Cuando los efectos de
interacción son significativos, pueden encubrir o enmascarar a los efectos principales de uno o de
ambos factores, esto significa que en las pruebas F asociadas a la significancia simultánea de los
efectos del respectivo factor, no se rechaza la hipótesis nula, es decir, se concluye que el factor A,
o el B o ambos, no son significativos, cuando ya se ha probado que estos interactúan
significativamente.

Pero tenga en cuenta que, en presencia de interacción significativa, no se puede concluir que
alguno o ambos factores son no significativos a pesar de que el respectivo test de significancia
individual para cada factor arroje como resultado la no significancia, porque tal evento es
consecuencia de un encubrimiento debido a la interacción.

DISEÑO CON DOS O MAS FACTORES POR BLOQUE

En ocasiones hay dos (o más) fuentes de variación lo suficientemente importantes como para ser
designadas factores de bloqueo. En tal caso, ambos factores bloque pueden ser cruzados o
anidados. Los factores bloque están cruzados cuando existen unidades experimentales en todas
las combinaciones posibles de los niveles de los factores bloques.
Diseño con factores bloque cruzados. También denominado diseño fila-columna, se caracteriza
porque existen unidades experimentales en todas las celdas (intersecciones de fila y columna).

El modelo matemático de este diseño es:

Respuesta = Constante + Efecto Bloque Fila + Efecto Bloque Columna + Efecto Tratamiento + Error

Los factores bloque están anidados si cada nivel particular de

uno de los factores bloque ocurre en un único nivel del otro
factor bloque

Diseño con factores bloque anidados o jerarquizados: Dos

factores bloque se dicen anidados cuando observaciones
pertenecientes a dos niveles distintos de un factor bloque están
automáticamente en dos niveles distintos del segundo factor
bloque. En la siguiente tabla puede observarse la diferencia
entre ambos tipos de bloqueo.

En algunas ocasiones se está interesado en estudiar la influencia deImagen

dos (o7.más)
Plan factores
esquemático de experimentos con dos
tratamiento, para ello se hace un diseño de filas por columnas. factores bloque
En este modelo es importante estudiar la posible interacción entre los dos factores. Si en cada
casilla se tiene una única observación no es posible estudiar la interacción entre los dos factores,
para hacerlo hay que replicar el modelo, esto es, obtener k observaciones en cada casilla, donde k
es el número de réplicas. El modelo matemático de este diseño es:

Respuesta = Constante + Efecto Factor Fila + Efecto Factor Columna + Efecto Interacción + Error

Generalizar los diseños completos a más de dos factores es relativamente sencillo desde un punto
de vista matemático, pero en su aspecto práctico tiene el inconveniente de que al aumentar el
número de factores aumenta muy rápidamente el número de observaciones necesario para
estimar el modelo. En la práctica es muy raro utilizar diseños completos con más de factores.

Un camino alternativo es utilizar fracciones factoriales que son diseños en los que se supone que
muchas de las interacciones son nulas, esto permite estudiar el efecto de un número elevado de
factores con un número relativamente pequeño de pruebas. Por ejemplo, el diseño en cuadrado
latino, en el que se supone que todas las interacciones son nulas, permite estudiar tres factores de
k niveles con solo k2 observaciones. Si se utilizase el diseño equilibrado completo se necesitan k 3
observaciones.
 BIBLIOGRAFÍA

 TIBCO. (2021). ¿Qué es Análisis de la Varianza (ANOVA)? TIBCO Software.

https://www.tibco.com/es/reference-center/what-is-analysis-of-variance-anova
 Montgomery, D. C. Diseño y Análisis de Experimentos. 2nd ed. México, Limusa.
2008.
 Robert, O. K. Diseño de Experimentos: Principios estadísticos para el diseño y
análisis de investigaciones. 2nd. ed. México, Thomson. 2001.
 DISEÑO EN BLOQUE. (2018). ESTADICTICA ITM.
https://estadisticaitm.github.io/dise%C3%B1obloque.html
 Introducción al diseño de experimentos.
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/IntroDE.pdf