1.

Qué es un experimento
Un experimento es un procedimiento llevado a cabo para apoyar, refutar, o validar
una hipótesis. Los experimentos proporcionan idea sobre causa-y-efecto por la
demostración del resultado, que ocurre cuándo un factor particular es manipulado,
varían mucho en objetivo y escala, pero se apoyan en la repetición de
procedimientos y análisis lógico de los resultados. En general, un experimento se
realiza por alguna de las siguientes causas:
· Comparar las respuestas en diferentes niveles de observación de las variables.
· Determinar los principales motivos de variación de una respuesta.
· Obtener una relación que permita hacer predicciones de respuestas futuras.
· Encontrar las condiciones con las que se consigue un valor extremo en la variable
de interés.

El experimento permite aumentar el conocimiento acerca del sistema. Por ejemplo,

en un proceso químico se pueden probar diferentes temperaturas y presiones, y
medir el cambio observado en el rendimiento (yield, ppm, defectivo) del proceso.
Al analizar los efectos (datos) se obtiene conocimiento acerca del proceso químico,
lo cual permite mejorar su desempeño.
2. Qué es una unidad experimental 
 
La unidad experimental es la muestra de unidades que es necesario producir en una
condición para obtener una medición o dato representativo. Unidad a la cual se le
aplica un solo tratamiento (que puede ser una combinación de muchos factores) en
una reproducción del experimento. 
 
La unidad experimental es el pedazo de material a la cual se le aplica el tratamiento.
La unidad experimental puede ser un animal, 10 pollos de corral, media hora, etc. 
 
Es el objeto en el que se mide una variable. Resulta una sola medición o datos
cuando una variable se mide en realidad en una unidad experimental. Una población
es el conjunto de mediciones de interés para el investigador.  
 
En experimentos unifactoriales, un tratamiento corresponde a un nivel de factor. En
experimentos multifactoriales, un tratamiento corresponde a la combinación de
niveles de factores. Unidad experimental: o parcela más pequeña (individuo o
conjunto de individuos) en la que puede aplicarse un experimento. 
 
Procedimiento matemático que nos lleva a tomar una decisión objetiva entre ambas
hipótesis. Habitualmente consiste en la comparación de dos valores: Valor
Experimental Se calcula a partir de los datos que hemos tomado.

3. ¿Qué es el diseño de experimentos?

Es una herramienta efectiva para entender y optimizar los procesos y productos en
la industria. La metodología estadística por excelencia para optimizar la
experimentación se conoce como Diseño de Experimentos. 
 Se define simplemente como un método para aplicar sistemáticamente la estadística
al proceso de experimentación. Se puede definir como la realización de un conjunto
de pruebas en las cuales se realizan cambios voluntarios a los parámetros de control
de un proceso o sistema, cuyo objetivo es observar e identificar las razones de los
cambios en la variable de estudio o respuesta y cuantificarla. 
Los experimentos en la industria moderna son más complicados, porque son
muchos los factores que son susceptibles de controlarse y que afectan a los
productos y/o procesos, de aquí que son muchas combinaciones de dichos factores
que se deben probar para obtener resultados válidos y consistentes. 
En la industria, el diseño de experimentos suele aplicarse básicamente en dos áreas:
el diseño y la mejora de procesos y productos. 

 
4. Qué técnicas de Análisis Estadístico de Datos se aplican en los Diseños de
experimentos 
 Media aritmética. Es la suma de una lista de números dividida por el número
de elementos en esa lista y se usa para determinar la tendencia general de un
conjunto de datos. Hallar el promedio también sirve para obtener una
instantánea rápida de la información, puesto que es fácil de calcular. Sin
embargo, hay que tener en cuenta que puede ser una herramienta peligrosa.
En algunos conjuntos de datos, la media aritmética está estrechamente
relacionada con el modo y la mediana y, en muestras con un alto número de
valores atípicos o una distribución sesgada, el promedio simplemente no
proporcionaría nunca la precisión que se necesita para tomar una decisión
consistente. 
 Desviación estándar. Este cálculo es útil para determinar rápidamente la
dispersión de puntos de datos. Una desviación estándar alta significa que los
datos se distribuyen más ampliamente desde la media, mientras que una baja
indica que hay más datos que se alinean con la media. El problema de usar
esta clase de técnicas de análisis de datos está en que al igual que sucedía
con la media, la desviación estándar puede inducir a error. Por ejemplo, si
los datos tienen un patrón muy extraño, como una curva no normal o una
gran cantidad de valores atípicos, la desviación estándar no ilustrará la
realidad, al no poder aportar toda la información que necesita. 
 Determinación del tamaño de la muestra. A veces no es necesario recopilar
información de cada miembro de una población y basta con una muestra.
Cuando se mide un gran conjunto de datos o población suele ocurrir esto.
Sin embargo, la clave está en determinar el tamaño correcto para que la
muestra tomada sea precisa. Usando métodos de proporción y desviación
estándar, es posible concretar esta medida para que la recopilación de datos
sea estadísticamente significativa. El inconveniente de esta técnica tiene que
ver con el hecho de que, cuando se estudia una variable nueva, las
ecuaciones de proporción podrían necesitar basarse en suposiciones que
pueden ser inexactas. De ser así, este error terminaría transfiriéndose a la
determinación del tamaño de la muestra, para acabar afectando al resultado
del análisis. 
  Regresión. Sirve para determinar tendencias a lo largo del tiempo, ya que
modela las relaciones entre variables dependientes y explicativas, que
generalmente se grafican en un diagrama de dispersión, indicando si los
vínculos que existen son fuertes o débiles. Al igual que sucedía con las
técnicas de análisis de datos precedentes, la regresión está asociada a
riesgos. Y es que, a veces, los valores atípicos en un diagrama de dispersión
son importantes, pero nunca serán descubiertos por el analista ya que este
método tiende a ignorarlos. 
 Prueba de hipótesis. Esta técnica permite evaluar si una premisa es
realmente cierta para su conjunto de datos o población. Elimina la
posibilidad de que algo sea casual. No obstante, para ser riguroso en su
aplicación, las pruebas de hipótesis deben tener cuidado con los errores
comunes, como el efecto Hawthorne o el efecto placebo. 

5. Cuáles son los principios del diseño de experimentos. Explíquelos detalladamente. 

Para que un diseño tenga validez estadística es necesario aplicar los tres
principios básicos del diseño de experimentos, los cuales son aleatorización,
repetición y bloqueo; de la aplicación de estos dependerá que los datos
obtenidos sean útiles para responder a las preguntas planteadas y así obtener
conclusiones válidas. A continuación, se describe en que consiste cada uno de
ellos. 
 
 Aleatorización: Consiste en hacer corridas experimentales al azar; es
decir, donde cada uno de los tratamientos tengan la misma probabilidad
de ser seleccionados, con la finalidad de que las pequeñas diferencias
producidas por materiales, equipos, tiempos y otros factores no
controlados se dispersen de la manera más homogénea posible. 
Por esta se entiende que cada tratamiento (o alguno de los tratamientos) debe ser
aplicado a varias unidades experimentales. La replicación sirve para: 
 Proveer un estimado del error experimental, tal estimación se
convierte en la unidad básica para determinar si las diferencias
observadas en los datos son estadísticamente significativas 
 Incrementar la precisión por medio de la reducción de errores
estándar. 
 Calcular una estimación más precisa del efecto de un factor en el
experimento si se usa la media muestral () como una estimación de
dicho efecto. (Mendoza H, 2002) 
 
 Repetición: Consiste en probar más de una vez cada tratamiento con el
fin de conocer que parte de la variabilidad de los datos se debe al error
aleatorio y cuál a los factores. Repetir aumenta la confiabilidad de las
mediciones ya que en cada tratamiento se esperan datos parecidos. 
Es la asignación del material experimental y el orden en que se realizan
las pruebas individuales o ensayos se determinan aleatoriamente y sirve
para: 
  Garantizar la validez de la estimación del error experimental. 
 Garantizar la independencia de los errores o que las observaciones
sean variables aleatorias independientes. Esto es necesario para obtener
pruebas de significancia válidas y estimados de intervalos. 
 Eliminar el sesgo de tal manera que no se desfavorezca o discrimine
a los tratamientos y permite cancelar los efectos de factores extraños que
pudieran estar presentes. (Mendoza H, 2002) 
 
 Bloqueo: Consiste en controlar todos los factores que puedan afectar a la
variable observada reduciendo los errores experimentales, lo cual da
mayor precisión al experimento. 
Existen varias razones para bloquear en un diseño experimental: 
 Puede incrementarse la precisión de un experimento. Las diferencias
entre los bloques son eliminadas del error experimental en el análisis de
resultados reduciendo de esta forma el error. 
 Los tratamientos son comparados bajo casi idénticas condiciones, ya
que las comparaciones son hechas dentro de bloques de unidades
uniformes.

6. Enumere algunas aplicaciones del diseño de experimento en el ámbito

industrial.
La aplicación de las técnicas del diseño experimental en las fases iniciales del
desarrollo de un proceso puede redundar en:
 Mejoras en el rendimiento del proceso.
 Variabilidad reducida y conformidad cercana con los requerimientos
nominales o proyectados.
 Reducción del tiempo de desarrollo.
 Reducción de los costos globales.

7. ¿Qué aplicaciones tiene el diseño de experimento en la práctica? 

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 de este.

8. Cree usted que es importante para usted, como futuro ingeniero industrial que
invierta un semestre de su carrera estudiando diseño de experimentos. 

Es importante estudiar diseño de experimentos ya que es un método de trabajo

empleado por entidades de todos los sectores para conocer cómo funciona un
 proceso, estudiar las variables que le afectan y, empleando herramientas
estadísticas, obtener la información necesaria para su mejora. 
 
En muchos casos, cuando se enfrentan al estudio de un proceso en concreto no
saben por dónde empezar. Por este motivo es necesario conocer las etapas a seguir
para que el diseño de experimentos sea lo más sencillo posible y nos dé respuesta a
lo que queremos conocer. El diseño de experimentos es muy popular debido a la
posibilidad de estudiar un amplio espectro de procesos y obtener respuesta a distinto
tipo de cuestiones. Por ejemplo, qué materia prima es óptima, qué envase funciona
mejor, qué proveedor es más adecuado para ciertas necesidades.  
 
En otros casos se desea saber qué resulta crítico en el proceso de estudio, es decir,
conocer cómo afectan los cambios al proceso y por lo tanto que margen de
variabilidad es permitido. 
 
En conclusión, el diseño de experimentos permite mejorar un proceso y la calidad
de sus productos. 

9. ¿Qué es un modelo estadístico? 

Un modelo estadístico o probabilístico es un modelo matemático que incorpora un

conjunto de supuestos estadísticos relacionados con la generación de datos de
muestra (y datos similares de una población más grande). Un modelo estadístico
representa, a menudo en forma considerablemente idealizada, el proceso de
generación de datos. 
Un modelo estadístico generalmente se especifica como una relación matemática
entre una o más variables aleatorias y otras variables no aleatorias.  
Todas las pruebas de hipótesis estadísticas y todos los estimadores estadísticos se
derivan a través de modelos estadísticos. De manera más general, los modelos
estadísticos son parte de la base de la inferencia estadística. 
Los modelos estadísticos utilizan ecuaciones matemáticas para codificar
información extraída de los datos. En algunos casos, las técnicas de modelado
estadístico pueden proporcionar modelos adecuados de forma rápida. Incluso en el
caso de problemas en los que las técnicas más flexibles de aprendizaje de las
máquinas (como redes neuronales) pueden ofrecer a la postre mejores resultados, es
posible usar algunos modelos estadísticos como modelos predictivos de línea base
para juzgar el rendimiento de técnicas más avanzadas.