3.6 Variación estacional.

El modelo de variación estacional, estacionaria o cíclica permite

hallar el valor esperado o pronóstico cuándo existen fluctuaciones
(movimientos ascendentes y descendentes de la variable)
periódicas de la serie de tiempo, esto generalmente como
resultante de la influencia de fenómenos de naturaleza económica.
Estos ciclos corresponden a los movimientos en una serie de
tiempo, que ocurren año tras año en los mismos meses o períodos
del año y relativamente con la misma intensidad. ¿Cuándo utilizar
un pronóstico de variación estacional o cíclica? El modelo de
variación estacional es un modelo óptimo para patrones de
demanda sin tendencia y que presenten un comportamiento
cíclico, por ejemplo la demanda de artículos escolares, la cual tiene
un comportamiento cíclico de conformidad con el calendario
escolar.
3.7 Aplicaciones
Las series de tiempo se pueden citar en distintas aéreas como:
- Series económicas
- Series físicas
- Geofísica
- Series demográficas
- Series de marketing
- Series de telecomunicación
- Series de transporte
 Unidad 4

Diseño experimental
para un factor
 -
4.1 Introducción, conceptualización, importancia y alcances del
diseño experimental en el ámbito empresarial.
4.2 Clasificación de los diseños experimentales.
Diseño Completamente Aleatorizado
Es el diseño más simple y sencillo de realizar en el cual los
tratamientos se eligen al azar entre las unidades experimentales o
viceversa. Este diseño tiene amplia aplicación cuando las unidades
experimentales son muy homogéneas.
Diseño en Bloques Completamente Aleatorizado
Al estudiar la influencia de un factor sobre una variable cuantitativa
es frecuente que aparezcan otras variables o factores que también
influyen y que deben ser controladas. A estas variables se les
denomina variables bloque y se caracterizan por: No son el motivo
de estudio sino que aparecen de forma natural y obligada en el
mismo. Se asume que no tiene interacción con el factor en estudio.
4.3 Nomenclatura y simbología en el diseño experimental.
Es un diseño experimental de clasificación simple, se trata de
comparar varios grupos generalmente llamados Métodos o
Tratamientos, como por ejemplo diferentes maneras de tratar una
enfermedad: con medicamentos, quirúrgicamente, acupuntura, etc.
Para hacer la comparación se usa una variable de respuesta
cuantitativa Y que es medida en cada uno de los grupos. Los grupos
también pueden ser los niveles de una variable cualitativa que es
llamada factor. SIMBOLOGIA T= Tratamientos C= Control F=
Factores A= Número de tratamientos N= Tamaños de la muestra R=
Replica o repetición R= Asignación al azar o aleatoria E=
Emparejamiento o nivelación G= Grupo de sujetos X= Tratamiento,
estimulo o condición experimental O= Medición de los sujetos de
un grupo: ausencia de estímulo en la variable independiente (grupo
testigo). DEFINICIONES Tratamientos: Son las condiciones las cuales
distinguen las poblaciones de interés. Control: Es la capacidad que
tiene el investigador para elegir según su voluntad los elementos
que intervienen en la investigación. Efecto: Es el cambio en la
variable de respuesta por el cambio de nivel de un factor. Factores:
Son las variables las cuales se presume que afectan la característica
de interés en el proceso. Factores controlables: Son aquellos con un
grado de control, es decir que se pueden manejar, variar o
manipular con gran facilidad. Factores ruido: Son aquellos sobre los
cuales el grado de control es menor y el manejo es más difícil.
Niveles del factor: Son las diferentes categorías dentro de un factor
de las cuales puedes estudiar. Corrida o unidad experimental: Ente
al cual se aplica el tratamiento y sobre el cual se mide la variable
respuesta. Partición: Proceso que distribuye la suma total de
cuadrados y de grados de libertad entre sus diversos componentes.
Interacción: Efecto que se produce cuando los niveles de un factor
interactúan con los niveles del otro factor e influyen en la variable
de la respuesta. Cuando uno o más factores trabajan juntos para
producir un efecto diferente que los efectos producidos por
aquellos factores de manera individual. Diseño de bloques
aleatorizado: Diseño de experimentos en el que se usa la formación
de bloques. Experimento factorial: Diseño experimental en el que
se obtienen simultáneamente conclusiones acerca de dos o más
factores. Combinación: Es la asignación de un solo nivel a un factor,
o de varios niveles a todos los factores en una corrida experimental.
Variable de respuesta: Es el resultado de una corrida experimental.
Variable a estudiar. Corrida experimental: Implementación de cada
una de las interacciones. Bloque: Agrupación planteada de factores
o combinaciones. Se realiza a manera de minimizar la variación no
incluida en el diseño. Replicación: Es una repetición del
experimento básico o el número de veces que se replican cada uno
de los tratamientos. Bloqueo: Es una técnica usada para
incrementar la precisión de un experimento mediante la
eliminación de variación introducida por los factores ruido.
Aleatorización: Es el principio básico fundamental en el uso de
métodos estadísticos en diseño experimental. Análisis de varianza
(NOVA): Es el proceso de subdividir la variabilidad total de las
observaciones experimentales en porciones atribuibles a fuentes de
variación conocidas. Este es el método estadístico más utilizado en
el análisis de experimentos.
4.4 Identificación de los efectos de los diseños experimentales.
El diseño experimental, como técnica de investigación toma
importancia en los años 80’s, en donde se le da una aplicación
estadística de los proyecto de seis sigma buscando el famoso
número 3.4 defectos por millón de unidades producidas. El diseño
experimental busca entonces a través de una serie de herramientas
estadísticas aplicadas metodizar los ensayos de prueba y de error
para encontrar la mejor combinación de variables independientes
que optimice una variable de respuesta en una circunstancia
determinada. El diseño experimental prescribe una serie de pautas
relativas que variables hay que manipular, de qué manera, cuantas
veces hay que repetir el experimento y en qué orden, para poder
establecer con un grado de confianza predefinido las necesidades
de una presunta relación de causa-efecto. El diseño experimental
es una técnica estadística que permite identificar y cuantificar las
causas de un efecto dentro de un estudio experimental. En 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.
4.5 La importancia de la aleatorización de los especímenes de
prueba.
La aleatorización consiste en que tanto la asignación del material
experimental como el orden en que se realizan las pruebas
individuales o ensayos se determinan aleatoriamente y la
importancia de esta consiste en: 1. Garantizar la validez de la
estimación del error experimental. 2. 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. 3. 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. La aleatorización hace válida la
prueba, haciéndola apropiada para analizar los datos como si la
suposición de errores independientes fuera cierta. Obsérvese que
no hemos dicho que la aleatorización garantiza independencia, sino
sólo que la aleatorización nos permite proceder como si la
independencia fuera un hecho. La razón de esta distinción debe ser
clara: los errores asociados con unidades experimentales que son
adyacentes en espacio o tiempo, tenderán a correlacionarse, y todo
lo que hace la aleatorización es asegurarnos que el efecto de esta
correlación, sobre cualquier comparación entre los tratamientos, se
hará tan pequeña como sea posible. Aún quedará algo de
correlación, pero ninguna cantidad de aleatorización puede
eliminarla totalmente. Es decir, en cualquier experimento, la
independencia de errores completa y verdadera es sólo ideal y
nunca puede lograrse. Sin embargo, por todos conceptos, debe
buscarse tal independencia y la aleatorización es la mejor técnica
empleada para lograr el fin deseado. Algunas veces se introduce el
concepto de aleatorización como un instrumento para “eliminar”
tendencias. Para ilustrar el razonamiento en que se basa este
procedimiento A y B debe ser parcial a favor de B, si existe un
efecto de aprendizaje. Sin embargo, si cada vez que tuvo que
investigarse un nuevo compuesto, el analista hubo de decidir al
azar cuál procedimiento usar primero, la tendencia pudo haber sido
reducida, tal vez eliminada. Pero, podría haberse logrado algo más.
Si estuviesen actuando otras tendencias, también se podrían haber
eliminado sus efectos (o al menos reducido) por medio de
aleatorización. Es decir asignando tratamientos al azar a las
unidades experimentales, estamos tratando de certificar que los
tratamientos no serán favorecidos continuamente o perjudicados
por fuentes extrañas de variación, sobre las que no tenga control el
experimentador o sobre los cuales decida no ejercer control. En
otras palabras, la aleatorización es como un seguro; siempre es una
buena idea y algunas veces es aún mejor de lo que esperamos.
4.6 Supuestos estadísticos en las pruebas experimentales
A. Aditividad -Los factores o componentes del modelo estadístico
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
s^2. D. Independencia -Los resultados de un experimento son
independientes entre sí. E. Varianzas homogéneas -Las diversas
poblaciones generadas por la aplicación de dos o más tratamientos
tienen variancias homogéneas (varianza común).  Tabla ANOVA
para diseño completamente aleatorizado. Fuente de variación
Tratamientos Error
Suma de cuadrados SStratamientos SSE

Grados de libertad a-1 A(n-1)

Total
SST
An-1
Cuadrado medio MStratamientos MSE
TAMAÑOS DE MUESTRAS IGUALES
Dónde: a: Cantidad de tratamientos n: Cantidad de replicas Yij:
Replica j del tratamiento i y…: Gran total N: Total de observaciones
Dónde: a: Cantidad de tratamientos yi.: Sumatoria del tratamiento i
y…: Gran total N: Total de observaciones
SSE=SST-SSTratamientos TAMAÑOS DE MUESTRA DIFERENTES

Dónde: a: Cantidad de tratamientos n: Cantidad de replicas Yij:

Replica j del treatamiento i y..: Gran total N: Total de observaciones
Dónde:
Fo
MStratamientos/ MSE
a: Cantidad de tratamientos yi. Sumatoria del tratamiento i y..:
Gran total ni: Observaciones del tratamiento i N: Total de
observaciones
SSE=SST-SSTratamientos HIPOTESIS
4.7 Prueba de Duncan.
Se usa para comparar cada promedio de tratamiento con cada uno
de los otros promedios, de una prueba de rango múltiple. De
manera que cualquier diferencia existente entre cualquier
tratamiento contra otro se verá reflejado en este análisis. Utiliza un
nivel de significancia variable que depende del número de medias
que entran en cada etapa de comparación. La idea es que a medida
que el número de medias aumenta, la probabilidad de que se
asemejen disminuye. Para obtener los comparadores Duncan, se
toman de la t6abla de Duncan los valores de acuerdo al número de
tratamientos y con los grados de libertad del error. Cada uno de
estos valores será multiplicando por el error estándar de la media y
estos serán los compradores para determinas cuales diferencias
son significativas. El procedimiento se basa en la noción general de
un rango studentizado. El rango de cualquier subconjunto de p
medias muéstrales debe exceder cierto valor antes de que se
encuentre que cualquiera de las p medias es diferente. Este valor se
llama rango de menor significancia para las p medias y de denota
con Rp. Dónde: Rp: son los rangos studentizado de menor
significancia y depende del nivel de significancia y den número de
grados de libertad. S: es el cuadrado medio del error y se toma de
la tabla de análisis de varianza n: es el número de elementos para
un tratamiento específico. p: representa el tamaño del conjunto de
medias. Rp: puede entenderse como la diferencia mínima que debe
existir entre la media más grande y la más pequeña de un conjunto
de tamaño p.
Los pasos que debemos seguir para aplicar la prueba de Duncan
son: Calcular el valor de cada una de las medias correspondientes a
cada tratamiento y ordenarlas de mayor a menor Determinar de
una tabla los valores Rp para un valor de significancia a. Calcular los
Rp de acuerdo con la expresión anterior y tomar el valor s2. Probar
por rangos que vayan de la media 1 a la p. Si la hipótesis se cumple,
es decir si Rp < mi+p – mi, terminamos. Suponga que un
experimento industrial un ingeniero está interesado en cómo la
absorción media de humedad en concreto varía entre cinco mezclas
diferentes de concreto. Las muestras se exponen a la humedad por
48 horas y se decide que se prueben seis muestras para cada
mezcla, por lo que se requiere probar un total de 30 muestras. Con
grado de significancia 5%. Consideremos un ejemplo hipotético
donde tenemos los siguientes valores para las medias de 6
tratamientos. Sacar de la tabla Duncan Calculamos los Rp para
nuestro ejemplo, tomando el valor de s2 = 2.45 del análisis de
varianza.
Comparación:
Finalmente los rangos quedan m = {[m4, m6, m3, m1], [m5], [m2]}

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. APLICACIONES SEGÚN LA CLASIFICACIÓN DE LA
INDUSTRIA

INDÚSTRIAS PESADAS O DE BASE:

Química pesada: Estudio de la composición para la elaboración de

productos: Estudio de los valores más apropiados para la
elaboración de compuestos químicos que requieran diversos
componentes. Análisis del efecto de las condiciones del entorno en
la elaboración del producto como la temperatura ambiente,
humedad relativa etc. INDUSTRIAS DE BIENES DE EQUIPO:

Maquinaria: Medida de la variabilidad de los instrumentos de

medida: Es posible aplicar el diseño de experimentos como
herramienta para determinar y mejorar los índices de capacidad de
un proceso concreto apoyándose en estudios de reproducibilidad y
repetitividad. Diseño de motores eléctricos: Estudio de las
características constructivas del motor y su influencia en variables
importantes como la pérdida de flujo y la constante de velocidad
Diseño de electrodos: Estudio de los esfuerzos en los electrodos en
función de la fuerza de aplicación y el tamaño del electrodo. Diseño
de elementos de sujeción: Análisis de la influencia de los
parámetros geométricos en la resistencia de los remaches.
MATERIALES DE CONSTRUCCIÓN Estudios de corrosión: Estudios de
la influencia del tiempo en la corrosión de aceros de construcción y
metales en general. Aplicaciones en el mecanizado: Estudio de la
variabilidad en los procesos de mecanizado, ayuda a la reducción
de piezas defectuosas y aumento de la capacidad de producción.
Producción de vehículos industriales: Estudio de procesos de
soldadura: estudio de un proceso de soldadura, para determinar las
variables que influyen en la resistencia de la soldadura. INDUSTRIA
AERONÁUTICA

Optimización del proceso de anodizado y pintado: Optimizar los

procesos de anodizado y pintado para conseguir una buena
protección anticorrosión. 
INDUSTRIAS LIGERAS O DE USO Y CONSUMO

INFORMÁTICA Y TELECOMUNICACIONES Estudio del rendimiento

de una red informática: Realizando simulaciones es posible
cuantificar el rendimiento y las variables críticas que hacen que la
transferencia de datos en la red sea económicamente rentable.
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. Optimización de materiales en
semiconductores: Estudio de las propiedades eléctricas del
arseniuro de galio dopado con silano. Diseño de filtros pasivos: Se
utiliza el diseño de experimentos para determinar los valores de las
tolerancias de los componentes para optimizar los circuitos.
INDUSTRIA BIOTECNOLOGÍA
Operaciones en un sistema de fangos activos: Optimizar y entender
las reacciones que se dan en el tratamiento secundario de una
EDAR, por ejemplo, los fangos activos
 Unidad 5
Diseño experimental
con bloques al azar y
diseños factoriales.
5.1 Metodología del diseño experimental de bloques al azar.
5.2 Diseño de experimentos factoriales.
Los experimentos factoriales son aquellos en los que se estudia
simultáneamente 2o más factores, y donde los tratamientos se
forman por la combinación de los diferentes niveles de cada uno de
los factores. Los experimentos factoriales no son un diseño
experimental si no un diseño de tratamientos los cuales se arreglan
dentro de los diseños experimentales clásicos como el Diseño
Completo al Azar, Diseño de Bloques Completos al Azar, Diseño de
Cuadro Latino. Los experimentos factoriales se emplean en todos
los campos de investigación, sonde gran utilidad en investigaciones
exploratorias en las que poco se sabe acerca de muchos factores.
Se utilizan frecuentemente en investigaciones comparativas.
Ventajas:
Permiten estudiar los efectos principales, efectos de interacción de
factores,efectos simples, efectos cruzados.
Todas las unidades experimentales intervienen en la determinación
de losefectos principales y de los efectos de interacción de los
factores, por lo queel número de repeticiones es elevado para estos
casos.
El número de grados de libertad para el error experimental es
alto,comparándolo con los grados de libertad de los experimentos
simples de losmismos factores, lo que contribuye a disminuir la
varianza del errorexperimental, aumentando por este motivo la
precisión del experimento.
Desventajas:
Se requiere un mayor número de unidades experimentales que los
experimentos simples y por lo tanto se tendrá un mayor costo y
trabajo en la ejecución del experimento.
Como en los experimentos factoriales cada uno de los niveles de un
factor se combinan con los niveles de los otros factores; a fin de
que exista un balance en el análisis estadístico se tendrá que
algunas de las combinaciones no tienen interés practico pero deben
incluirse para mantener el balance
5.3 Diseño factorial 2K
Los diseños factoriales 2k permiten la estimación separada de los
efectos individuales y de los efectos de interacción k factores en un
programa experimental en que k factores varían simultáneamente
en una secuencia cuidadosamente organizada de ensayos. Un
experimento factorial con k factores, cada uno a dos niveles, se
conoce como un diseño de experimentos factorial 2k. Consiste en
2k ensayos, un ensayo por cada combinación de los niveles de los
factores. Para identificar los diferentes ensayos se utilizan
diferentes notaciones como se ilustra en la siguiente Tabla. Se ha
convenido etiquetar cada factor por una letra o un número y
denotar los dos niveles o versiones de cada factor por los símbolos
más (+) y menos (–). Normalmente, el signo menos corresponde a
un nivel bajo, a la condición estándar o a la ausencia del factor. La
sucesión de ensayos de la Tabla 1 está escrita en el orden estándar
o de Yates. Por supuesto que las pruebas deben hacerse en orden
aleatorio.
5.4 Diseño de cuadrados latinos.
En el diseño en 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 respuesta
observada, éstas son: los tratamientos, el factor de bloque I
(columnas), el factor de bloque II (renglones) y el error aleatorio. Se
llama cuadro latino por 2 razones: Es un cuadro debido a que tiene
la restricción adicional de que los tres factores involucrados se
prueban en la misma cantidad de niveles. Es latino porque se
utilizan letras latinas (A,B,C) para denotar a los tratamientos o
niveles del factor de interés. Sean A, B, C,…, K, los k tratamientos a
comparar, por lo tanto ambos factores de bloques tienen también k
niveles cada uno.
5.5 Diseño de cuadrados grecolatinos.
En los arreglos por bloques, se pueden analizar 4 factores,
introduciendo un cuarto factor o bloque en un diseño cuadrado
latino, siguiendo las mismas reglas utilizadas para introducir un
tercer factor en un diseño cuadrado dedos factores. A este cuarto
factor o bloque se le denomina componente griego, ya que se
utilizan letras griegas para identificar sus niveles. A la adición de un
diseño cuadrado latino y un cuarto factor, se le llama diseño
"cuadrado grecolatino.
5.6 Aplicaciones
Las principales aplicaciones de las estructuras de datos se dan en la
elaboración de listas enlazadas, colas, pilas, árboles y gráfos.
Listas enlazadas. - Conjunto de entidades relacionadas para
efectuar recorridos en ellas mediante algoritmos de búsqueda.
Colas. - El primer elemento en entrar es el primero en salir.
Pila. -El último elemento en entrar es el primero en salir.
Árboles. -Lista enlazada que consiste de un elemento padre al cual
se enlazan uno o más elementos hijos.
Grafos. - Lista enlazada en la cual no hay elemento padre, todos
pueden enlazarse a uno o más elementos.