Análisis Estadístico

CAPÍTULO 3
ANÁLISIS
“LOS PLANES MEJOR
PENSADOS”
Lo anterior implica la
aplicación del diseño
ESTADÍSTICO experimental con lo

cual se ahorra tiempo
dinero y esfuerzo.
Condición que cualquier
ser humano pensante
desea.
CAPITULO 3. ANÁLISIS ESTADÍSTICO
3.1 EXPERIMENTOS CON UN FACTOR
3.1.1 INTRODUCCIÓN A LOS EXPERIMENTOS CON FACTORES
3.1.1.1. ¿Qué es el diseño experimental?
Básicamente, un experimento es una prueba que se realiza para estudiar un

fenómeno. Un experimento diseñando es una serie de pruebas en las que se realizan
cambios premeditados en las variables que influyen en un determinado fenómeno, de tal
manera que sea posible determinar las causas por las cuales existen cambios en la
variable respuesta. De acuerdo con Montgomery ((1998), “El diseño estadístico de
experimentos es el proceso de planear un experimento para obtener datos apropiados,
que pueden ser analizados mediante métodos estadísticos, con objeto de producir
conclusiones validas y objetivas”. El diseño experimental se fundamenta en tres principios
básicos: la aleatorización, la realización de réplicas y el análisis por bloques del
experimento.
3.1.1.2. Importancia del diseño de experimentos
Los investigadores de todas las disciplinas, en especial los de Ingeniería Química,

realizan experimentos para comprobar hipótesis relacionadas con los temas de estudio.
El objetivo de un experimento es explorar las relaciones entre los factores que afectan un
proceso o confirmar alguna hipótesis. Para poder realizar lo anterior, el investigador
deberá planear o diseñar el experimento a fin de asegurarse que los datos obtenidos
sean pertinentes y también para obtener tanta información como sea posible.
A la hora de diseñar un experimento, es muy importante tener bien definido:

 Lo que se quiere investigar (objetivo del experimento).
 ¿Cuántas variables independientes se van a medir, controlar y/o modificar
durante el experimento? (normalmente esto se obtiene del marco
conceptual del investigador o de una lluvia de ideas del grupo de
investigación).
 ¿Cuáles van a ser los niveles que se van a emplear en dichas variables?
Los niveles son los valores que asumen las variables.
 ¿Cuál o cuáles van a ser las variables dependientes que se van a
cuantificar?
 ¿Qué tipo de diseño experimental se va a emplear? Si es necesario conocer
el efecto de variables no controlables, mediante el uso de bloques
aleatorizados o si se va a emplear un estándar o experimento blanco.
ANÁLISIS DE DATOS EXPERIMENTALESPágina 2

3.1.1.3. El error experimental
Cuando se realiza un experimento, es posible que exista un error en el momento

de la medición de las materias primas usadas, ya sea por la variación generada por los
instrumentos de medición empleados o por el error de observación que generalmente
comete el experimentador. Otro tipo de variación, es la que se tiene cuando el
experimento se realiza en condiciones ambientales cambiantes, finalmente aunque se
replique de manera idéntica el experimento, existe la variación denominada error
aleatorio, el cual no tiene ninguna explicación. A este conjunto de variaciones se le
conoce como Error Experimental.
3.1.1.4. La metodología de la investigación y el diseño de experimentos
En la figura 3.1 se muestra la relación que existe entre los diferentes pasos de la
metodología de la investigación y el diseño de experimentos. Como se puede observar, el
diseño experimental se puede utilizar en la comprobación de la hipótesis (en donde se
diseña el experimento para comprobar la hipótesis), como en el análisis y discusión de los
resultados (en donde se acepta o rechaza la hipótesis de trabajo). En esta última etapa,
el análisis de varianza es primordial para la obtención de conclusiones objetivas, basadas
en resultados experimentales, sujetos a errores del mismo tipo.
Fig.3.1. Metodología de la investigación y el diseño experimental

3.1.1.5. Clasificación del diseño de experimentos
a) Los diseños experimentales, de acuerdo a la manera de elegir los niveles de las

variables independientes (factores) a experimentar, se clasifican en: Modelo de
Efectos Fijos y Modelo de Efectos Aleatorios.
 El Modelo de Efectos Fijos, es aquel en donde los niveles de las variables

independientes o factores son determinados por el investigador, basándose
en su experiencia y conocimientos. Los resultados obtenidos por el modelo
de efectos fijos, son válidos únicamente en el intervalo de los niveles del
factor o factores estudiados
 El Modelo de Efectos Aleatorios, es aquel en donde los niveles del factor o

factores, son elegidos de un conjunto de valores de dichos niveles de forma
aleatoria o al azar. Los resultados obtenidos en este modelo, son válidos
para todo el conjunto de niveles del factor o factores estudiados.
b) Por la forma en que se realiza el trabajo experimental, los diseños

experimentales, se clasifica básicamente en: diseños totalmente aleatorizados y
diseños en bloques al azar.
 El diseño totalmente aleatorizado, es el diseño en donde se numeran todos

las condiciones experimentales (combinaciones de los diferentes niveles de
los factores, conocidas como tratamientos), incluyendo las réplicas del
mismo y se emplea cualquier técnica de aleatorización, para ir generando el
orden con el cual se realizaran los experimentos. Por lo general, esta forma
de realización experimental, se emplea cuando el experimento es muy
grande y por lo tanto su realización emplea mucho tiempo, motivo por el
cual el error experimental se va modificando con respecto al tiempo, ya que
existe un cambio del ambiente experimental. Esto puede perjudicar a
algunos tratamientos, si se emplea una numeración progresiva como orden
experimental de realización. Con la aleatorización, el error experimental se
distribuye normalmente.
 El diseño en bloques al azar, es el diseño en donde las réplicas del mismo

se ubican como bloques. Todas las condiciones experimentales que forman
cada bloque, se numeran y se emplea una técnica de aleatorización para ir
elaborando el orden de realización del bloque. Por otra parte, se numeran
los bloques y se determina al azar cual se irán realizando. Por lo general,
esta forma de realización experimental, se usa cuando se desea cuantificar
el efecto que tiene fuente extraña de variación.
c) Por la cantidad de réplicas en las diferentes condiciones experimentales del

diseño se clasifica en: balanceados y desbalanceados.

 El diseño balanceado es aquél en donde la cantidad de réplicas en cada

condición experimental del diseño, es la misma
 El diseño desbalanceado es aquél en donde la cantidad de réplicas en cada

condición experimental del diseño, no es la misma.
3.1.2 MODELO DE EFECTOS FIJOS
3.1.2.1. Diseño totalmente aleatorizado
En muchas ocasiones el Ingeniero Químico se ve en la necesidad de elegir una

materia prima de entre diferentes opciones, o emplear la temperatura óptima en la
elaboración de un producto, en otras ocasiones tiene que utilizar nuevos instrumentos de
control y/o medición, etc. Para tomar este tipo de decisiones puede hace uso del diseño
totalmente aleatorizado. Este tipo de diseños conocidos también como “Diseños de un
factor en una dirección” es el más sencillo y se utiliza cuando se quiere conocer el
comportamiento de una variable o un factor (conocido como tratamientos).
Se supone que se cuenta con los resultados de un diseño aleatorizado, los cuales
generan una matriz de datos de tamaño mn en donde m es el total de tratamientos
aplicados (niveles del factor) y n es el número de réplicas en cada tratamiento. En este
caso se debe contrastar la hipótesis de que las medias de los m tratamientos son todas
iguales. Si se aplica la notación a la j-ésima observación en el i-esimo nivel del
tratamiento por yij la matriz de datos en general es la siguiente:
Tabla 3.1. Matriz de datos para el diseño totalmente aleatorizado

Muestra media
1 , …………… ………………
2 , …………… ………………
. . . …………… . .…………… . .
. . . …………… . ……………… . .
…
i , …………… ………………
. . . …………… . ……………… . .
. . . …………… . ……………… . .
m , …………… ………………
Total
Para poder contrastar la hipótesis se supondrá que se trata de poblaciones

normales con varianzas iguales. Por lo anteriormente expuesto, se puede escribir la
ecuación para el modelo de un diseño totalmente aleatorizado (un factor en una
dirección), en la forma:

Ec. 3.1
En donde: µ es el promedio de todos los datos, αi es el efecto debido al tratamiento

y ij es el efecto debido al error experimental, para i = 1, 2,…, m y j = 1, 2,…, n.
Con las siguientes hipótesis:
H0: 1 = 2 = ···· = m = 0
H1: i  0 para al menos una i
El procedimiento de prueba para la hipótesis planteada se conoce como Análisis

de varianza, debido a que la variación total de los datos se descompone en sus
componentes como se describe a continuación.
Para contrastar la hipótesis nula de que las m medias de los tratamientos sean
todas iguales, compararemos dos estimaciones de 2, una basada en la varianza entre
medias muestrales y otra basada en la variación dentro de las muestras. 2, esta varianza
se puede estimar por cualquiera de las varianzas muestrales.
Ec. 3.2
Y por consiguiente también por sus medias
Ec. 3.3
Nótese que cada una de las varianzas muestrales Si2 está basada en n-1 grados
de libertad y por lo tanto a2 (varianza dentro de la muestra) está basada en m(n-1)
grados de libertad. Ahora la varianza de la media m muestral está dada por la ecuación
3.4
Ec. 3.4
Y si la hipótesis nula es cierta se tendrá una estimación de 2/n. Luego:
Ec. 3.5
La ecuación 3.5 da una estimación de 2 basada en las diferencias entre las

medias muestrales y está basada en m-1 grados de libertad. Si la hipótesis nula es cierta,
se puede demostrar que a2 y b2 son estimaciones independientes de 2 y de aquí que:
Ec. 3.6
La ecuación 3.6 es un valor de una variable aleatoria que tiene distribución F, con
m-1 y m(n-1) grados de libertad. Como la varianza entre muestras, b2, puede esperarse
que exceda a la varianza dentro de la muestra, a2, cuando la hipótesis nula es falsa ésta

deberá rechazarse si Fcal excede a F; donde F se obtiene de la tabla 3 del apéndice A
con m-1 y m(n-1) grados de libertad.
La varianza muestral de las mn observaciones está dada por la ecuación 3.7. En

donde al numerador se le denomina suma total de cuadrados
Ec. 3.7
La suma de cuadrados, la cual es una manera de expresar la variación total de los

datos y sus componentes, se puede expresar como en la ecuación 3.8.
Ec. 3.8
Debido a que la ecuación 3.8 está estructurada con base a la suma de cuadrados
de los numeradores de las varianzas antes mencionadas, dicha ecuación se puede
representar con la simbología presentada en la ecuación 3.9.
Ec. 3.9
En donde:
SCT = Suma de cuadrados totales

SCTr = Suma de cuadrados de los tratamientos
SCE = Suma de cuadrados del error
El teorema de Cochran (Hines y Montgomery, 1986), establece el sustento teórico

para el análisis de varianza. El procedimiento de cálculo, se puede resolver de una
manera sencilla, por medio de las siguientes fórmulas abreviadas.
Ec.
3.10
En donde:
FC = Factor de corrección
T = Suma total de los mn datos
m = Número de tratamientos
n = Número de datos por tratamiento
Ec. 3.11
En donde yij es el valor de cada uno de los datos.
Ec. 3.12
En donde Ti es el total de los n datos del i-ésimo tratamiento.
La suma de cuadrados del error se obtiene por diferencia:

Ec. 3.13
El valor para la prueba Fisher (FTr) se calcula mediante la ecuación 3.14. En donde
CMTr y CME son el cuadrado medio de los tratamientos y del error respectivamente y
que corresponde a la varianza de ambos componentes.
Ec. 3.14
Para facilitar el procedimiento de prueba de la hipótesis planteada, se construye la

tabla 3 denominada tabla de ANOVA o tabla de análisis de varianza.
Tabla 3.2. Tabla de ANOVA para el diseño totalmente aleatorizado

Origen de la Grados de Suma de
Cuadrado medio Fcal
Variación libertad cuadrados
Tratamiento m–1 SCTr CMTr = SCTr/(m – 1) FTr = CMTr/CME
Error m(n – 1) SCE CME = SCE/(m(n – 1)
Total mn -1 SCT
Del teorema de Cochran, se tiene que los grados de libertad totales, son igual a la
suma de los grados de libertad de los componentes, como se muestra en la ecuación
3.15.
Ec. 3.15
En donde son los grados de libertad totales, que se calculan como el número total
de datos menos uno. son los grados de libertad de los tratamientos, los cuales se
calculan como el número de tratamientos menos uno. Finalmente, representa a los
grados de libertad del error, los que se pueden determinar por diferencia de los grados de
libertad totales menos los grados de libertad de los tratamientos.
EJEMPLO 3.1. Saavedra et al. (2003) con la finalidad de implementar el analizador

bioquímico YSI-2700 select, para determinar el % glucosa en caldos fermentativos,
provenientes de fermentadores de ácido cítrico, realizaron un análisis comparativo entre
los resultados obtenidos por dicho equipo y los resultantes por aplicación de la técnica de
Fehling a diferentes muestras de caldo, provenientes de diferentes fermentadores Para
efectos demostrativos, solo se presentan algunos resultados en la tabla 3.3.
Tabla 3.3.% de glucosa en caldos fermentativos de ácido cítrico

ANALIZADOR
FEHLING
FERMENTADOR YSI – 2700
(% de glucosa)
(% de glucosa)
41406 – 20 0.53 0.26
41422 – 29 0.50 0.25
41426 – 7 0.52 0.29
41431 – 16 0.52 0.28
41436 – 18 0.48 0.29
41433 – 31 0.52 0.25

41435 – 9 0.54 0.33

41440 – 24 0.46 0.18
41455 – 7 0.53 0.27
41453 – 21 0.53 0.24
¿Determinar si ambas técnicas producen los mismos resultados?
SOLUCIÓN: El análisis de varianza se lleva a cabo mediante la prueba de Fischer,

conforme al teorema de Cochran y de acuerdo al procedimiento de prueba propuesto en
el capítulo 1, se tiene:
1. HIPÓLITO. Las hipótesis a contrastar son:
H0: 1 = 2 = .... = m= 0

Los pasos 2, 3 y 4 (estadístico de prueba, confianza y región de aceptación o rechazo),

se obtienen con la construcción de la tabla de ANOVA. Para lo cual es necesario
reorganizar los datos de la tabla 3.3, de tal manera que las técnicas de análisis
(tratamientos) queden como filas. Se realizan las sumas de forma horizontal y se obtiene
la suma total de los datos (ver tabla 3.4).
Tabla 3.4. Reestructuración de la tabla 3.3

Número de fermentador (% de glucosa)
Técnica
20 29 7 16 18 31 9 24 7 21 Suma
Fehling 0.53 0.5 0.52 0.52 0.48 0.52 0,54 0.46 0.53 0.53 5.13
YSI – 2700 0.26 0.25 0.29 0.28 0.29 0.25 0.33 0.18 0.27 0.24 2.64
Total 7.77
De la tabla 3.4 se tiene que: m = 2, n = 10 y T = 7.77. Empleando la ecuación 3.10 se

calcula el factor de corrección
Con las ecuaciones 3.11, 3.12 y 3.13 se obtiene
Con esta información se construye la tabla 3.5
Tabla 3.5. Análisis de varianza para el ejemplo 3.1

Grados
En la

Origen de la Suma de Cuadrado

de Fcal F0.05 F0.01
variación cuadrados Medio
libertad
FTr =
Tratamientos 2-1 = 1 0.310005 0.310005 0.31/0.0011 4.41 8.29
= 281.31
2(10-1) =
Error 0.01985 0.001102
18
Total (2)(10)-1
0.329855
= 19
tabla 3.5, los valores CMTr y el CME se calculan a partir de la ecuación 3.14, de la
manera siguiente:
Los valores de F0.05 y F0.01 de la tabla 3.5, se obtienen de la tabla 3 del apéndice A,
entrando con un grado de libertad en el numerador y 18 grados de libertad en el
denominador.
En la figura 3.2 se observa que Fcal > F (paso 5) entonces se rechaza Ho y se

concluye que ambas técnicas producen resultados diferentes con un nivel de
significación de 0.01, el modelo del fenómeno se establece como:
3.1.2.2. Diseño totalmente aleatorizado con repetición
Hay ocasiones en que el Ingeniero Químico está interesado en determinar si un

técnica analítica obtiene los mismos resultados que otra, pero al mismo tiempo, desea
conocer si ambas técnicas tienen los mismos resultados cuando se cambian las
condiciones operación, por ejemplo: al operario o las condiciones climáticas. Para realizar
lo anterior, el Ingeniero químico cuenta con el diseño totalmente aleatorizado con

repetición, el cual se puede usar para analizar la influencia de un factor y hasta una
fuente extraña de variación.
Se considerará que se cuenta con los resultados de un diseño aleatorizado con

repetición, los cuales generan una matriz de datos de tamaño mnr en donde m es el total
de tratamientos aplicados (niveles del factor), n es el número de réplicas en cada
tratamiento y r es el número de repeticiones del diseño (fuente de variación extraña). Si
se denota a la j-ésima observación, en el i-esimo nivel del tratamiento de la k-esima
repetición por yijk, la matriz de datos en general se muestra en la tabla 3.6. En dicha tabla,
la columna de los totales se obtiene sumando los valores de las sumas parciales.
El modelo matemático propuesto para un diseño totalmente aleatorizado con

repetición, es mostrado en la ecuación 3.15.
Ec. 3.16
En donde: µ es el promedio de todos los datos, αi es el efecto debido al

tratamiento, k es el efecto debido a la repetición y ijk es el efecto debido al error
experimental, para i = 1, 2,., m, j = 1, 2,…, n y k = 1, 2,….r.
Tabla 3.6. Matriz de datos para el diseño totalmente aleatorizado con repetición
Repetición 1 Repetición l
Suma Muestra Suma
Muestra Total
parcial parcial
1 1
2
. . . . . .
. . . . . .
i i
. . . . . .
. . . . . .
m m
H0: 1 = 2 = ···· = m = 0
1 = 2 = ····· = r = 0
k  0 para al menos una k
La suma de cuadrados totales y sus componentes, como una medida indirecta de

la varianza total, se presenta en la ecuación 3.17.
Ec. 3.17

Las fórmulas abreviadas para el cálculo de la suma de cuadrados de la ecuación

3.17 y necesarias para el análisis de varianza se presentan a continuación.
Ec. 3.18
Ec. 3.19
Ec. 3.20
Ec. 3.21
Ec. 3.22
El valor para la prueba Fisher para los tratamientos (FTr), se calcula mediante la
ecuación 3.23.
Ec. 3.23
El valor para la prueba Fisher para las repeticiones (FRep), se determina haciendo
uso de la ecuación 3.24
Ec. 3.24
Con esta información y el concepto de grados de libertad derivado del Teorema de

Cochran descrito en la ecuación 3.15, se puede construir la tabla de ANOVA para el
Diseño totalmente aleatorizado con repetición, mostrada en la tabla 3.7.
Tabla 3.7. Tabla de ANOVA para el diseño totalmente aleatorizado

Cuadrado medio Fcal
Tratamiento m–1 SCTr CMTr = SCTr/(m-1) FTr = CMTr/CME
Repetición r-1 SCRep CMRep = SCTRep/(r-1) FRep = CMRep/CME
Error o
lE = olT - olTr SCE CME = SCE/ olE
Total mnr -1 SCT
EJEMPLO 3.2. Uriostegui y Banda (2009) en su trabajo para determinar el número de

regeneraciones que puede soportar el carbón activado, saturado con resina fundente,
proveniente del proceso de reciclaje de alcohol isopropílico por adsorción. Implementaron
una prueba experimental para determinar la capacidad de adsorción de carbón activado.
En dicha prueba se utiliza un diseño totalmente aleatorizado con dos repeticiones. El
experimento se realiza empleando tres soluciones con una concentración de: 3, 6 y 12
g/L de resina fundente (tratamientos) a las cuales se le agrega un gramo de carbón,
posteriormente a la solución resultante se le mide la transmitancia, realizando tres
mediciones. El experimento se repite con dos tipos de carbón: comercial y regenerado
(repeticiones). El procedimiento consiste en colocar en un matraz Erlenmeyer de 250 mL,
100 mL de solución alcohólica de concentración conocida de resina fundente y se le
agrega un gramo de carbón. Posteriormente, se agita la solución durante 150 min. Al

término de la agitación, la mezcla se filtra y al filtrado se le mide el % de transmitancia en

un espectrofotómetro.
La prueba se realiza con la finalidad de determinar si la regeneración térmica aplicada al

carbón saturado con resina fundente, permite alcanzar la capacidad de adsorción
obtenida con el carbón comercial. Para efectos demostrativos se presentan los resultados
del carbón comercial y el de tercera regeneración.
¿Es posible que la regeneración del carbón permita obtener una capacidad de adsorción
del carbón comercial?
Tabla 3.8.a. % de transmitancia obtenido en la prueba de adsorción

Carbón comercial
Concentración Réplicas (%T)

de la solución
(g/L) 1 2 3
3 43.0 40.9 42.9
6 18.3 19.4 18.3
12 5.5 5 4.9
Carbón de tercera regeneración
3 42.9 42.5 42.5
6 19 20.5 20.3
12 5 4.7 4.7
SOLUCIÓN: El análisis de varianza se lleva a cabo mediante la prueba de Fischer, como

se mencionó en el ejemplo 3.1.
H0: 1 = 2 = ··· = m= 0

1 = 2 = ····· = r = 0
Los pasos 2, 3 y 4 (estadístico de prueba, confianza y región de aceptación o rechazo),

se obtienen con la construcción de la tabla de ANOVA. Para lo cual es necesario realizar
las sumas parciales para tratamientos y repeticiones en la tabla 3.8, (ver tabla 3.9). De
dicha tabla se tiene que: m = 3, n = 3 y r = 2.
Tabla 3.9. Sumas parciales para el ejemplo 3.2

Carbón comercial
No Concentración Suma Suma Total
Réplica 1 Réplica 2 Réplica 3
de la solución parcial Parcial
(% T) (% T) (% T)
(g/L)

1 3 43.0 40.9 42.9 126.8

2 6 18.3 19.4 18.3 56.0
3 12 5.5 5.0 4.9 15.4 198.2
Carbón de tercera regeneración
1 3 42.9 42.5 42.5 127.9
2 6 19.0 20.5 20.3 59.8
3 12 5.0 4.7 4.7 14.4 202.1 400.3
De la tabla 3.9 se tienen los totales para los tratamientos:
T1..= (126.8 + 127.9) = 254.7

T2..= (56.0 + 59.8) = 115.8
T3..= (15.4 + 14.4) = 29.8
Total = 400.3
Y para las repeticiones:
T..1 = 198.2
T..2 = 202.1
Total = 400.3
Aplicando las fórmulas abreviadas del las ecuaciones 3.18 a la 3.22 se tiene:
Para mayor sencillez en la presentación los resultados se redondean a dos cifras

significativas. Con esta información se construye la tabla 3.10
Tabla 3.10. Tabla de ANOVA para el ejemplo 3.2

Grados
de Fcal F0.05 F0.01 Sign.
libertad
Tratamientos 3 - 1 = 2 4292.74 2146.37 4151.58 3.74 6.51 0.01
Repetición 2 -1 = 1 0.85 0.85 1.644 4.60 8.86 no
Error 14 7.24 0.517
(3)(3)(2)
Total 4300.83
- 1 = 17
En la tabla 3.10, los valores de F0.05 y F0.01 para el tratamiento, se obtienen de la tabla 3
del apéndice A, entrando con dos grados de libertad en el numerador y 14 grados de
libertad en el denominador. Así como para las repeticiones, se obtiene con un grado de
libertad para el numerador y 14 grados de libertad en el denominador.
En dicha tabla, se observa que para los tratamientos, Fcal > F (paso 5), entonces se
rechaza Ho y se concluye que al menos una de las concentraciones produce un resultado
diferente en la transmitancia, con un nivel de significación de 0.01. Por otra parte se tiene
que para las repeticiones, Fcal < F (paso 5), por lo que los carbones no producen
diferencias significativas en la transmitancia de la solución. Con lo que se concluye que
el carbón regenerado por tercera ocasión, produce los mismos resultados que el carbón
comercial, con α = 0.01.
El modelo del fenómeno se establece como:
3.1.2.3. Diseño desbalanceado totalmente aleatorizado
Durante la realización del trabajo experimental, suele suceder, que el Ingeniero

Químico realice más replicas de un tratamiento que de otros, o que pierda información ya
sea por accidente o por descuido, con lo que se produce una matriz de datos, en donde
algunas casillas aparecen vacías. A lo anterior se le conoce como desbalanceo en los
datos, lo que genera un diseño desbalanceado totalmente aleatorizado.
Las hipótesis a contrastar, son las mismas que se emplean en un diseño

balanceado totalmente aleatorizado. Las diferencias se presentan en el cálculo de las
varianzas o cuadrados medios. Motivo por el cual, se presentan las modificaciones al
cálculo en las fórmulas abreviadas.
Ec. 3.25
En donde:
FC = Factor de corrección
T = Suma total de todos los datos
N = Número total de datos en la matriz
Ec. 3.26
En donde y es el dato en la matriz de datos
Ec. 3.27
En donde:
Es suma de los datos del tratamiento m

Es el total de datos en el tratamiento m
Es la suma de cuadrados de los tratamientos
La SCE se calcula mediante la ecuación 3.13.
EJEMPLO 3.3. Medina (1998), empleó cascarilla molida tratada con solución de 25 g/L de
NaOH, para elaborar materiales compuestos de cascarilla de arroz y cemento Portland.
Para la elaboración de los materiales se aplicaron los tratamientos mostrados en la tabla
3.11. En donde las variables a modificar fueron fijadas basadas en información
bibliográfica
Tabla 3.11. Tratamientos empleados para elaborar los materiales compuestos

Tiempo de reacción entre
% en peso
Tratamiento cascarilla-solución NaOH
de cascarilla
(h)
1 10 1.5
2 15 1.5
3 10 2.5
4 15 2.5
Dichos materiales, se obtuvieron por hidroprensado y posteriormente se sometieron a 28

días de fraguado por inmersión en agua. Debido a que algunos materiales no soportaron
fraguado, no fue posible evaluar su resistencia a la compresión. Los resultados de
resistencia a la compresión de los materiales compuestos elaborados, se presentan en la
tabla 3.12.
Tabla 3.12. Resistencia a la compresión de los materiales compuestos de cascarilla de

arroz y cemento Portland
Réplicas (MPa)
Tratamientos
1 2
1 333.83 406.36
2 412.35 --------
3 330.60 491.06
4 389.71 --------
Determinar si los tratamientos aplicados, generan materiales compuestos con

resistencias a la compresión diferentes.
SOLUCIÓN: Para realizar el análisis de varianza es necesario realizar las sumas en cada
uno de los tratamientos y obtener la suma total de todos los datos, como se muestra en
la tabla 3.13.

Tabla 3.13. Sumas parciales y total para el ejemplo 3.3

Réplicas (MPa)
Tratamientos Sumas
1 2
parciales
1 333.83 406.36 740.19
2 412.35 -------- 412.35
3 330.60 491.06 821.66
4 389.71 -------- 389.71

Total 2363.91
La prueba Fischer se realiza con el siguiente procedimiento:
H0: 1 = 2 = ··· = m= 0

Los pasos 2, 3, 4 y 5 (estadístico de prueba, confianza, región de aceptación o rechazo y

comparación), se realizan al aplicar las fórmulas abreviadas para el diseño
desbalanceado totalmente aleatorizado y con la construcción de la tabla 3.14 (la tabla de
ANOVA).
De la tabla 3.13, se observa que el total de datos es 6. Aplicando la ecuación 3.25 se

tiene:
La SCT se calcula a partir de la ecuación 3.26.
La suma de cuadrados de los tratamientos y del error se calculan usando la ecuación

3.27 y 3.13, respectivamente.
Para mayor sencillez en la presentación, los resultados se redondean a dos cifras

significativas. Con esta información se construye la tabla 3.14, en donde los grados de

libertad del error se calculan por diferencia a partir de la ecuación 3.15.

Grados
Origen de la Suma de Cuadrado Sign
de Fcal F0.05 F0.01
variación cuadrados Medio .
libertad
Tratamientos 4 - 1 = 3 778185.42 259395.14 33.46 19.16 99.17 0.05
Error 2 15504.01 7752.00
Total 6- 1 = 5 793689.43
En la tabla 3.10, los valores de F0.05 y F0.01 para el tratamiento, se obtienen de la tabla 3
del apéndice A, entrando con 3 grados de libertad en el numerador y 2 grados de libertad
en el denominador.
En dicha tabla, se observa que para los tratamientos, Fcal > F0.05 y Fcal < F0.01 (paso 5),
entonces se rechaza Ho para α = 0.05. Con lo que se concluye que al menos uno de los
tratamientos empleados en la elaboración de los materiales compuestos, modifica la
resistencia a la compresión, con α = 0.05.
3.1.2.4. Prueba del rango múltiple de Duncan
El análisis de varianza proporciona la única información de que al menos un nivel

del factor (tratamiento), proporciona una respuesta diferente. Sin embargo, en muchas
ocasiones el Ingeniero Químico desea probar todos los posibles pares de medias, para
determinar las diferencias específicas entre los tratamientos. Entonces, las hipótesis
nulas serian Ho: i = j para toda i diferente de j. Si se prueban todos los posibles pares
de medias, utilizando pruebas t, la probabilidad del error tipo I para todo el conjunto de
comparaciones puede aumentar mucho. Se dispone de varios procedimientos que evitan
este problema. Entre los más populares de estos procedimientos se encuentran la
prueba de Newman-Keuls, la prueba de Tukey y la prueba de rango múltiple de Duncan,
la cual se describe a continuación.
Para aplicar la prueba de recorrido múltiple de Duncan, para tamaños iguales de

muestra, se arreglan en orden ascendente las a medias del tratamiento y se determina el
error típico de cada media a partir de la ecuación.
Ec. 3.28
En donde n es el número de observaciones en el tratamiento. Para el caso en que

el tamaño de muestra no es igual el valor de n se determina con la media armónica, la
cual se calcula con la ecuación siguiente:
Ec. 3.29
A partir de la tabla de Duncan de rangos significativos (tabla I del apéndice B),

obtenga los valores r(p,f), para p = 2, 3,...a, en donde  es el nivel de significación y f es
el número de grados de libertad para el error. Conviértanse estos rangos a un conjunto de
a - 1 rangos menos significativos (esto es Rp), para p = 2, 3,... a, calculando:
Ec. 3.30
Entonces se prueban los rangos observados entre medias, comenzando con el

mayor comparado con el menor, el que se compararía con el rango menos significativo
Ra. Después, se calcula el rango del mayor y del segundo menor y se compara con el
rango menos significativo Ra-1. Se continúa con estas comparaciones hasta que todas las
medias se hayan comparado con la media mayor. A continuación, se calcula el rango de
la segunda media mayor y la menor, y se compara con el rango menos significativo Ra-1.
Este proceso se continua hasta que los rangos de todos los a(a-1)/2 posibles pares de
medias se haya considerado. Si un rango observado es mayor que el correspondiente
rango menos significativo, entonces se concluye que el par de medias en cuestión es
significativamente diferente. Para impedir contradicciones, no se considera significativa
ninguna diferencia entre un par de media si las dos medias comprendidas quedan entre
otras dos que no difieran significativamente.
EJEMPLO 3.4: Aplicar la prueba del rango múltiple de Duncan a los datos del ejemplo 3.3
para determinar cuáles tratamientos presentan diferencias en la resistencia a la
compresión. Utilice una  = 0.05.
SOLUCIÓN: Los datos que se requieren del ejemplo 3.3 son: CME = 7752.005, α = 0.05
y = 2. Con los datos de la tabla 3.13, se calculan los promedios de los tratamientos,
como se ve en la Tabla 3.15.
Tabla 3.15. Promedios de los tratamientos para el ejemplo 3.4

Réplicas (MPa)
Tratamientos Sumas
1 2 Promedios
parciales
1 333.83 406.36 740.19 370.095
2 412.35 -------- 412.35 412.35
3 330.60 491.06 821.66 410.83
4 389.71 -------- 389.71 389.71
Con el número de datos de cada tratamiento de la tabla 3.12, se calcula la media

armónica, empleando la ecuación 3.29.

Con la información anterior se calcula el error típico, usando la ecuación 3.28.
A partir de la tabla I del apéndice B se obtiene los valores de r0.05(p,f), para este ejemplo:
r0.05(4,2) = 6.09
r0.05(3,2) = 6.09
r0.05(2,2) = 6.09
Los promedios de la tabla 3.15, se ordenan de forma ascendente de la siguiente manera:
= 370.095
= 389.71
= 410.83
= 412.35
Luego se calculan los rangos menos significativos (Rp) empleando la ecuación 3.30.
R4 = = 6.09(76.25) = 464.3625
R3 = = 6.09(76.25) = 464.3625
R2 = = 6.09(76.25) = 464.3625
A continuación se calculan los rangos entre medias y se hace la comparación con los
rangos menos significativos, como se muestra en la tabla 3.16.
Tabla 3.16. Comparación de los rangos del ejemplo 3.4

Rango menos
Rangos entre medias Comparación
significativo
< R4 = 464.3625
< R3 = 464.3625
< R2 = 464.3625
40.735 < R3 = 464.3625
< R2 = 464.3625
< R2 = 464.3625
Conclusión: Debido a que ningún rango de medias es mayor que el rango menos
significativo, no se detecta ninguna diferencia entre las medias con α = 0.05
3.1.3 MODELO DE EFECTOS ALEATORIOS

Las ecuaciones empleadas pare este modelo son las mismas que se emplean para
el modelo de efectos fijos. La única diferencias presentada en este modelo, es que las
conclusiones son válidas para todo el conjunto de niveles de la variable analizada, del
cual se extrajeron, de manera aleatoria, los niveles de la variable empleados en el
experimento.
3.1.4 MODELO POR BLOQUES COMPLETAMENTE ALEATORIOS
En la práctica de la profesión, el Ingeniero Químico puede tener la necesidad de

conocer el efecto de la temperatura en el rendimiento de una reacción química, pero
cuando se emplea dos sistemas diferentes de agitación. Para este caso se tienen los
diseños de bloques al azar, ya que dichos diseños se usan cuando se desea eliminar una
fuente extraña de variación (sistemas de agitación). Es decir, la variación aleatoria (error
experimental) puede frecuentemente ser reducida, liberando a la variabilidad de causas
extrañas, dividiendo los datos de cada tratamiento en bloques. Esto se logra cuando
fuentes de variación conocidas (o sea variables extrañas) se mantienen fijas en cada
bloque pero varían de un bloque a otro.
Considerando que se tienen datos pertenecientes a a tratamientos distribuidos en

b bloques. Primero se tiene que hay una observación procedente de cada tratamiento en
cada bloque. Denotando a yij como la observación perteneciente al i-ésimo tratamiento y
al j-ésimo bloque. Siendo: Ti. la suma de las b observaciones del i-ésimo tratamiento, T.j
la suma de las a observaciones del j-ésimo bloque y T.. a la suma de todas las ab
observaciones. En la tabla 3.17 se presenta la matriz de datos que representa a un
Diseño en bloques totalmente aleatorizado (un factor en dos direcciones).
Tabla 3.17. Matriz de datos para el diseño en bloque al azar

BLOQUES
Tratamientos Suma
B.1, B.2 · · · ·· · B.j· · · · · · B.b
1 y11, y12· · · ·· · y1j· · · · · · y1b T1 .
2 y21, y22· · · ·· · y2j· · · · · · y2b T2 .
· · ·
· · ·
i yi1, yi2· · · ·· · yij· · · · · · yib Ti.
· · ·
· · ·
a ya1, ya2· · · ·· · yaj· · · · · · yab Ta .
Suma T.1, T.2. · · · ·· T.j · · · · ·· ·T.b T..
El modelo para el diseño de bloques al azar se muestra en la ecuación 3.31.
Ec. 3.31

Donde  es la media mayor, i es el efecto del i-ésimo tratamiento, j es el efecto

del j-ésimo bloque y las ij es el efecto debido al error experimental, para i = 1, 2,…, a y j
= 1, 2,…, b.
.
Con las siguientes hipótesis nulas:
H0; 1 = 2 =.....= a = 0
1 = 2 =.....= b = 0
Y las hipótesis alternativas:
H1; a  0
b  0

Ec. 3.32

3.32 y necesarias para el análisis de varianza se presentan a continuación
Ec. 3.33
Ec. 3.34
Ec. 3.35
Ec. 3.36
Ec. 3.37
En donde: yij es el dato del i-ésimo tratamiento y j-ésimo bloque, Ti. es la suma de
las b observaciones del i-ésimo tratamiento, T.j es la suma de las a observaciones del j-
ésimo bloque y T.. es la suma total de todas los datos. FC, SCT, SCTr, SCE y SCBl, son:
el factor de corrección, la suma de cuadrados totales, Suma de cuadrados del
tratamiento, suma de cuadrados del error y suma de cuadrados del Bloque,
respectivamente.
La hipótesis nula H0; 1 = 2 =.....= a = 0, se rechazará si FTr es mayor que F con

a-1 y (a-1) (b-1) grados de libertad, respectivamente.
Ec. 3.38
La hipotesis nula H0; 1 = 2 =.....= b = 0, se rechazará si FBl > F para b-1 y (a-1)
(b-1) grados de libertad.
Ec. 3.39

Para realizar el procedimiento de cálculo del análisis de varianza se construye la

tabla de ANOVA (tabla
Tabla 3.18: Tabla de ANOVA para el diseño de bloque al azar

Origen de la Grados de Suma de Cuadrado medio Fcal
variación libertad cuadrados
Tratamiento a–1 SCTr CMTr = SCTr/(a – 1) FTr = CMTr/CME
Bloque b–1 SCBl CMBl = SCBl/(b – 1) Fbl = CMBl/CME
Error (a – 1)(b – 1) SCE CME = SCE/(a – 1)(b – 1)
Total ab - 1 SCT
EJEMPLO 3.5. En su trabajo sobre la obtención y caracterización reológica de extractos

acuosos de avena (Avena Sativa), Ruiz et al. ((2006) realizaron extracciones empleando
diferentes relaciones de sólido-líquido, con la finalidad de determinar qué relación
generaba el extracto con mayor viscosidad. Los resultados se presentan en la tabla 3.19.
Determinar si la relación sólido-líquido y el tipo de avena modifican la viscosidad.
Tabla 3.19. Valores de Viscosidad para las relaciones Sólido–Líquido evaluadas en el

viscosímetro de cilindros concéntricos RV2.
Relación (ANI) µ (mPa)
Avena integral Avena no integral
1:10 57 68
1:15 21 28
1:25 19 19

se ha realizado anteriormente.
H0: 1 = 2 = ··· = i= 0

1 = 2 = ····· = j = 0

k  0 para al menos una j

comparación), se llevan a cabo con la construcción de la tabla de ANOVA. Para lo cual
son necesarias las sumas parciales para tratamientos y bloques en la tabla 3.19, (ver
tabla 3.20). De esta tabla se puede ver que a = 3 y b = 2

Relación (ANI) µ (mPa) Sumas

Avena integral Avena no integral parciales

1:10 57 68 125
1:15 21 28 49
1:25 19 19 38
Sumas
97 115 212
parciales
Para mayor sencillez en la presentación los resultados, estos se presentan con dos cifras
significativas. Con esta información se construye la tabla 3.21.

Grados
libertad
Tratamientos 3 - 1 = 2 2244.33 1122.16 72.39 19.0 99.0 0.05
Bloques 2 -1 = 1 50.00 50 3.22 18.51 no
Error (2)(1) = 2 31.00 15.5
(3)(2) - 1
Total 2329.33
=5
En la tabla 3.21, el valor de FTr y FBl se calculan mediante las ecuaciones 3.38 y 3.39. Los
valores de F0.05 y F0.01 para el tratamiento, se obtienen de la tabla 3 del apéndice A,
entrando con dos grados de libertad en el numerador y 2 grados de libertad en el
denominador. Así como para los bloques, se obtiene con un grado de libertad para el
numerador y 2 grados de libertad en el denominador.
En dicha tabla, se observa que para los tratamientos, Fcal > F0.05 (paso 5), entonces se
rechaza Ho, no siendo así para un nivel de significación de 0.01, ya que FTr es menor que
F0.01, por lo que se acepta Ho. Así mismo, se tiene que para las repeticiones, Fcal < F0.05
(paso 5), por lo que las avenas no producen diferencias significativas en la viscosidad de
los extractos. Con lo que se concluye que los extractos de avena obtenidos a diferentes
relaciones de sólido-líquido, presentan una diferencia en la viscosidad, con α = 0.05.

ij
3.1.4.1. Diseño en bloques al azar con repetición
Algunas veces, el Ingeniero Químico requiere saber el comportamiento del factor

(variable independiente), bajo la influencia de dos fuentes extrañas de variación. Por
ejemplo, en el secado de un material, el ingeniero estaría interesado en conocer la
variación de la humedad (efecto o respuesta) del mismo, cuando se modifica la
temperatura (factor), empleando secadores de charolas con deflectores de diseños
diferentes (primera fuente extraña de variación) y utilizando un flujo tangencial y otro
perpendicular (segunda fuente extraña de variación). Para este experimento se tiene el
Diseño en bloques al azar con repetición.
Considerando que se cuenta con los resultados de un diseño en bloques al azar

con repetición, los cuales generan una matriz de datos de tamaño abr en donde a es el
total de tratamientos aplicados (niveles del factor), b es el número de bloques (primera
fuente extraña de variación) en cada tratamiento y r es el número de repeticiones del
diseño (segunda fuente de variación extraña).
Considerando que se tienen datos pertenecientes a a tratamientos distribuidos en

b bloques y ubicados en r repeticiones. Empleando a yijk como el dato correspondiente al
i-ésimo tratamiento, del j-ésimo bloque y de la k-esima repetición. Siendo: Ti.. la suma
de las b observaciones del i-ésimo tratamiento, T.j. la suma de las a observaciones del j-
ésimo bloque, T..k la suma de las r observaciones de la k-esima repetición y T… a la suma
de todos los abr datos. En la tabla 3.22 se presenta la matriz de datos que representa a
un Diseño en bloques totalmente aleatorizado con repetición.
Tabla 3.22. Matriz de datos para el diseño en bloques al azar con repetición
Repetición 1 Repetición l
Trata- Bloques Suma Trata- Bloques Suma
miento Total
miento B.1., B.2 · · · B.j.· · ··B.b. parcial B.1., B.2 · · · B.j.· · ··B.b. parcial
1 1
2
. . . . . .
. . . . . .
i i
. . . . . .
. . . . . .
a a
El modelo matemático propuesto para un diseño totalmente aleatorizado con

repetición, es mostrado en la ecuación 3.15.
Ec. 3.40

En donde: µ es el promedio de todos los datos, αi,j, k, y ijk, son los efectos
debido al tratamiento, al bloque, a la repetición y al error experimental, respectivamente,
para i = 1, 2,., a, j = 1, 2,…, b y k = 1, 2,….r.
H0: 1 = 2 = ···· = a = 0
1 = 2 = ····· = b = 0
1 = 2 = ····· = r = 0

j  0 para al menos una j

Ec. 3.41

3.41 y que son necesarias para el análisis de varianza, se presentan a continuación:
Ec. 3.42
Ec. 3.43
Ec. 3.44
Ec. 3.45
Ec. 3.46
Ec. 3.47
El valor para la prueba Fisher para los tratamientos (FTr), bloques (FBl) y Réplicas
(FRep) se calcula mediante las ecuaciones 3.48, 3.49 y 3.50, respectivamente.
Ec. 3.48
Ec. 3.49
Ec. 3.50

Con esta información y el concepto de grados de libertad derivado del Teorema de

Cochran descrito en la ecuación 3.15, se puede construir la tabla de ANOVA para el
Diseño en bloques al azar con repetición, mostrada en la tabla 3.23.
Tabla 3.23 ANOVA para el diseño en bloques al azar con repetición

Cuadrado medio Fcal
Tratamiento a–1 SCTr CMTr = SCTr/(a - 1) FTr = CMTr/CME
Bloque b-1 SCBl CMBl = SCBl/(b – 1) FBl = CMBl/CME
Repetición r-1 SCRep CMRep = SCTRep/(r-1) FRep = CMRep/CME
o
lE = olT - olTr-
Error SCE CME = SCE/ olE
o
lBl
Total abr -1 SCT
EJEMPLO 3.6. Figueroa et al. (2002), en su trabajo de investigación consistente en

el desarrollo de cultivo in vitro de Lepidium virginicum, para ser empleada en el
tratamiento de enfermedades infecciosas gastrointestinales. Para la micropropagación de
L. virginicum se utilizaron explantes de meristemos apicales, utilizando cotiledones(C),
hipocótilos (H) y yemas apicales (Y). Los cuales se sembraron en medio MS (Murashige-
Skoog) adicionado con Ácido Indol Acético y Cinetina (0.1:3 mg/L) y a la cuales se le
agregaron fitohormonas: citocininas CN y BAP y auxinas AIA e AIB con la que se
generaron los 8 tratamientos que se presentan en la tabla 3.24. Con los resultados de
crecimiento en 15, 30 y 60 días que se muestran en la tabla 3.25
Tabla 3.24. Tratamientos aplicados para la micropagación de L. virginicum

Tratamiento Fitohormonas (mg / L)
T1 AIA 0.1 y CN 2
T2 AIA 0.5 y CN 2
T3 AIA 0.1 y CN 3
T4 AIA 0.5 y CN 3
T5 AIA 0.1 y BAP 2
T6 AIA 0.5 y BAP 2
T7 AIA 0.1 y BAP 3
T8 AIA 0.5 y BAP 3
Determinar si el % de explantes que respondieron a la inducción de brotes está

influenciado por: el tipo de tratamiento, el tipo de explante y/o el tiempo.
Tabla 3.25. Resultados de la micropropagación (% explantes que respondieron)

Tiempo t =15 días t = 30 días t = 60 días
Explante / C H Y C H Y C H Y
Tratamiento
Tr1 20% 30% 70% 90% 30% 70% 100% 30% 80%

Tr2 20% 20% 80% 90% 20% 80% 90% 20% 100%
Tr3 40% 30% 90% 100% 40% 90% 100% 40% 100%
Tr4 0% 30% 90% 100% 30% 90% 100% 30% 100%
Tr5 30% 0% 80% 100% 0% 80% 100% 10% 100%
Tr6 20% 30% 80% 70% 40% 80% 70% 40% 100%
Tr7 20% 20% 80% 90% 20% 80% 90% 20% 100%
Tr8 50% 20% 60% 100% 20% 100% 100% 20% 100%

se ha realizado anteriormente.
H0: 1 = 2 = ··· ·= i= 0

1 = 2 = ····· = j = 0
1 = 2 = ····· = r = 0

k  0 para al menos una j

comparación), se realizan con la construcción de la tabla de ANOVA. Para lo cual es
necesario calcular las sumas parciales para tratamientos, bloques y repeticiones a partir
de la tabla 3.25, (ver tabla 3.26). A partir de esta tabla se tiene que: a = 8, b = 3 y r = 3
Los valores para T.j. se obtienen de siguiente manera:
T.1. = 200 + 740 + 750 = 1690

T.2. = 180 + 200 + 210 = 590
T.3. = 630 + 670 + 780 = 2080
Es necesario hacer notar que las sumas de las Ti.., T.j. y T..k dan el valor de T… (4360), por
lo que como procedimiento de cálculo, es necesario ir corroborando para evitar errores
de suma.

Tiempo
15 días 30 días 60 días
Tipo de explante Tipo de explante Tipo de explante
C H Y C H Y C H Y Ti..
Tr1 20% 30% 70% 90% 30% 70% 100% 30% 80% 520
Tr2 20% 20% 80% 90% 20% 80% 90% 20% 100% 520
Tr3 40% 30% 90% 100% 40% 90% 100% 40% 100% 630
Tr4 0% 30% 90% 100% 30% 90% 100% 30% 100% 570
Tr5 30% 0% 80% 100% 0% 80% 100% 10% 100% 500
Tr6 20% 30% 80% 70% 40% 80% 70% 40% 100% 530
Tr7 20% 20% 80% 90% 20% 80% 90% 20% 100% 520
Tr8 50% 20% 60% 100% 20% 100% 100% 20% 100% 570
 200 180 630 740 200 670 750 210 780 T…=
4360
T..k 1010 1610 1740
Con esta información se construye la tabla 3.27, en donde los resultados se presentan
con dos cifras significativas.
En la tabla 3.27, el valor de FTr, FBl y FRep se calculan mediante las ecuaciones 3.48, 3.49
y 3.50. Los valores de F0.05 y F0.01 para el tratamiento, se obtienen de la tabla 3 del
apéndice A, entrando con 7 grados de libertad en el numerador y 60 grados de libertad
en el denominador. Para los bloques y las repeticiones, dichos valores se obtiene con 2
grado de libertad para el numerador y 60 grados de libertad en el denominador.

Grados
libertad
Tratamientos 8 - 1 = 7 1400 200 0.60 2.09 no
Bloques 3 -1 = 2 49752.78 24876.39 75.42 3.15 4.98 0.01
Repetición 3–1=2 12636.11 6318.05 19.15 3.15 4.98 0.01
71 – 11
Error 19788.89 329.81
= 60
(8)(3)(3)
Total 83577.78
- 1 = 71
En dicha tabla, se observa que para los tratamientos, Fcal < F0.05 (paso 5), por lo que se

acepta Ho. Así mismo se tiene que para los bloques y las repeticiones, Fcal > F0.01 (paso 5).
Con lo que se concluye, que al menos un tipo de explante, asi como al menos un tiempo
empleado, modifican el % de explantes que respondieron positivamente a la
micropropagación con α = 0.01. Por otra parte, los tratamientos aplicados no realizan
ninguna diferencia en la respuesta.
3.1.4.2. Recorrido múltiple de Duncan para el diseño de bloques al azar
La prueba del rango múltiple de Duncan se realiza de la forma descrita para el

diseño totalmente aleatorizado, la única modificación es que al calcular el error típico en
lugar de dividir entre los n datos del tratamiento, se divide entre los b bloques
presentados, cuando se trata de diseños balanceados y br cuando es diseño de bloques
al azar con repetición. Cuando no es así, se calcula el valor de b (o br) mediante la media
armónica.
Aunque el procedimiento está descrito para ver la diferencia entre las medias de
los tratamientos, el cálculo se puede realizar para los bloques o réplicas. Para lo cual, el
cálculo del error típico se obtiene al dividir entre el número de datos con los que se
calcula la media del bloque o la repetición, denotado por m.
Es necesario recordar, que la prueba del Rango múltiple de Duncan se aplica

solamente en el caso de que los tratamientos, bloques y/o repeticiones sean
significativos.
EJEMPLO 3.7. Aplicar el recorrido múltiple de Duncan tanto para los bloques como las
repeticiones, a los datos del ejemplo empelando una α = 0.05.
SOLUCIÓN: Los datos que se requieren del ejemplo 3.6 son: CME = 329.81 y = 2 y mBl =
24 y mRep = 24. Con los valores de T.j. y T..k de la tabla 3.27, se calculan los promedios de
los bloques y las repeticiones.
Primero se realizará el cálculo del recorrido de Duncan para los bloques (tipo de
explante). Lo promedios para los bloques son:
En seguida se calcula el error típico, usando una adaptación dela ecuación 3.28.

r0.05(3,60) = 2.98
r0.05(2,60) = 2.83
Los promedios de los bloques, T.j. , se ordenan de forma ascendente de la siguiente

manera:
= 24.5833
= 70.4166
= 86.6667
R3 = = 2.98(3.70) = 11.026
R2 = = 2.83(3.70) = 10.471
A continuación se calculan los rangos entre medias, empleando dos cifras significativas y
se hace la comparación con los rangos menos significativos, como se muestra en la tabla
3.28.
Tabla 3.28. Comparación de los rangos para los bloques del ejemplo 3.7
Rango menos
significativo
> R3 =11.026
> R2 = 10.471
> R2 = 10.471
Conclusión: De la tabla 3.28 se tiene que todos los rangos de medias son mayor que el
rango menos significativo correspondiente, se puede decir que todas las medias son
significativamente diferentes con α = 0.05. Por lo que se puede concluir, que los
explantes que mayor porcentaje de respuesta positiva a la micropropagación presentan
son los de yemas apicales y el de menor respuesta, es el de hipocótilos con α = 0.05.
A continuación se realizará el recorrido múltiple de Duncan para las réplicas (tiempo).
Lo promedios para las repeticiones son:
En seguida se calcula el error típico, usando una adaptación de la ecuación 3.28.

r0.05(3,60) = 2.98
r0.05(2,60) = 2.83
Los promedios de las repeticiones, T..k , se ordenan de forma ascendente de la siguiente

manera:
= 42.0833
= 67.0833
= 72.50
R3 = = 2.98(3.70) = 11.026
R2 = = 2.83(3.70) = 10.471
A continuación se calculan los rangos entre medias, empleando dos cifras significativas y
se hace la comparación con los rangos menos significativos, como se muestra en la tabla
3.29.
Tabla 3.29. Comparación de los rangos de las repeticiones del ejemplo 3.7
Rango menos
significativo
> R3 =11.026
< R2 = 10.471
> R2 = 10.471
Conclusión: De la tabla 3.29 se tiene que existen diferencias significativas entre todos los
pares de medias entre la media 3 y la 2, la única media que no cae en un rango no
significativo, es la por lo que dicha media es la que produce una respuesta mucho menor
que las demás. Por lo que se puede concluir, que el tiempo que menor porcentaje de
respuesta positiva a la micropropagación presenta es el de 15 días con α = 0.05.
3.2 EXPERIMENTOS CON DOS FACTORES
3.2.1 ANÁLISIS ESTADÍSTICO DEL MODELO DE EFECTOS FIJOS
La investigación industrial, presenta situaciones en las que el Ingeniero Químico

tiene que evaluar el efecto que tiene en un proceso determinado, la acción, no solo una
variable independiente, sino que requiere analizar el efecto de dos variables
independientes y la probable interacción que pueda existir entre ellas. Por ejemplo, un

Ingeniero Químico que trabaja en el Departamento de Optimización y Desarrollo, requiere

conocer el efecto que tiene la temperatura y el tiempo (variables independientes) en la
lixiviación de una planta natural (proceso) empleada en el tratamiento de infecciones, con
la finalidad de determinar el coeficiente de transferencia de masa, necesario para el
cálculo del percolador. Para enfrentar esta problemática, el ingeniero puede hacer uso del
Diseño experimental de dos factores. Si él elige los niveles de temperatura y tiempo
basado en su experiencia, entonces, empleará el modelo de efectos fijos.
Se debe recordar que en el caso de los modelos de efectos fijos, los niveles de las
variables (valores que se le asignen a las mismas) son fijados o establecidos por el
experimentador.
Un experimento de dos factores (dos variables independientes) es un Experimento

Factorial en donde se emplean dos tipos de variables: La variable independiente (factor) y
la variable dependiente (efecto o respuesta). El número de condiciones experimentales
(tratamientos) necesarios en un diseño factorial de dos factores, es igual al número de
combinaciones resultantes de los a niveles del factor A por los b niveles del factor B.
Para obtener una estimación del error experimental en un experimento de dos

factores es necesario hacer r réplicas, es decir, repetir el conjunto completo de las ab
combinaciones experimentales. Tomando como forma de realización el diseño totalmente
aleatorizado o el diseño en bloques al azar, dependiendo de las fuentes extrañas
(variables independientes no controlables) que se deseen analizar.
Si yijk es el dato tomado del i-ésimo nivel del factor A y el j-ésimo nivel del factor B
de la k-ésima réplica (o bloque), entonces la matriz de datos generada por un Diseño
experimental de dos factores(totalmente aleatorizado o en bloques al azar) se presenta
en la tabla 3.29.
Tabla 3.30. Matriz de datos para el Diseño experimental de dos factores

Niveles del Factor B
1 2 ···· b
1 y111, y112, · ·· y11r, y121, y122, · ·· y12r · · · · y1b1, y1b2, · ·· y1br
Niveles 2 y211, y212, · ·· y21r y221, y222, · ·· y22r · · · · y2b1, y2b2, · ·· y2br
del · ···· ···· ···· ····
Factor A · ···· ···· ···· ····
a ya11, ya12, · ·· ya1r ya21, ya22, · ·· ya2r · · · · yab1, yab2, · ·· yabr
El modelo matemático propuesto para un diseño experimental de dos factores

totalmente aleatorizado, se presenta en la ecuación 3.51 y para el de bloques al azar, en
la ecuación 3.52.
Ec. 3.51
Ec. 3.52

En este caso  es la media mayor, i es el efecto del i-ésimo nivel del factor A, j
es el efecto del j-ésimo nivel del factor B, k es el efecto de la k-ésima replica (o bloque),
ijk es el efecto debido al error y ()ij es la interacción o efecto conjunto del i-ésimo nivel
del factor A con el j-ésimo nivel del factor B. Para i = 1,2....a; j = 1,2.....b y k = 1,2....r.
Las hipótesis nulas son:
Ho: i = 0
j = 0
k = 0
()ij = 0

 j  0 para al menos una j
()ij  0 para al menos una ij
El análisis estadístico de este diseño experimental se lleva a cabo en dos partes:
1) Primero se realiza el análisis como si fuera un diseño totalmente aleatorizado o

como un diseño en bloques al azar, dependiendo de cómo se haya realizado el
experimento. En esta parte, la información se ordena en una matriz de datos, en donde
las filas corresponden a las combinaciones ab de los niveles de los factores A y B y las
columnas corresponden a las réplicas o bloques. A partir de esta matriz de datos, se
obtienen la suma de cuadrados: totales, (SCT), de los tratamientos (SCTr), del error
(SCE) y de ser necesario, del bloque (SCBl). Para el caso en que el experimento se haya
realizado en bloques al azar se utilizan las siguientes fórmulas abreviadas que incluyen
las ecuaciones: 3.37, 3.42, 3.43 y 3.47, vistas anteriormente
Ec. 3.42
Ec. 3.43
Ec. 3.53
Ec. 3.54
Ec. 3.37
En donde Tij. es el total del ij-ésima combinación experimental (tratamiento) y T..k

es el total de la k-ésima réplica.

Para el caso en que el experimento se haya realizado totalmente aleatorizado, no

se calcula la suma de cuadrados del bloque y ésta no se incluye en la tabla de ANOVA
como fuente de variación
2) Debido a que en un experimento de dos factores, la varianza de los tratamientos

está conformada por la varianza de: el factor A, el factor B y la interacción AB. La suma
de cuadrados de los tratamientos (SCTr) se puede calcular mediante la ecuación 3.55. En
donde SCA es la suma de cuadrados del factor A, SCB les la suma de cuadrados del
factor B y SCAB la suma de cuadrados de la interacción AB.
Ec. 3.55
Para calcular la suma de cuadrados de la ecuación 3.55, se emplean las siguientes

fórmulas abreviadas:
Ec. 3.56
Ec. 3.57
En donde T.i. es el total del i-ésimo nivel del facto A y T.j. es el total de la j-ésimo
nivel del factor B. Para poder obtener estos totales, es necesario estructurar la
información en una matriz de datos, en donde las filas corresponden a los diferentes
niveles del factor A y en las columnas, los diferentes niveles del factor B (ver tabla 3.29).
La suma de cuadrados de la interacción AB (SCAB), se obtiene por diferencia a partir de
la ecuación 3.55.
El valor para la prueba Fisher para el factor A (FA), el factor B (FB), la interacción
AB (FAB) y el bloque, se calcula a partir de las ecuaciones 3.58, 3.59, 3.60 y 361,
respectivamente. En donde los grados de libertad del factor, es igual al número de niveles
del factor menos uno y los grados de libertad de la interacción, se obtiene al multiplicar
los grados de libertad de los factores que intervienen en la interacción. La tabla de
ANOVA (tabla 3.31), se construye con la información obtenida, es necesario hacer notar
que no se incluye a los tratamientos, sino a sus componentes (factor A, factor B e
interacción AB).
Ec. 3.58
Ec. 3.59
Ec. 3.60
Ec. 3.61

Tabla 3.31. Tabla de ANOVA para el diseño factorial de dos factores

Fuente de Grados de Suma de
Cuadrado medio Fcal
variación libertad cuadrados
FA =
Factor A a -1 SCA CMA = SCA/(a – 1)
CMA/CME
FB =
Factor B b -1 SCB CMB = SCB/(b – 1)
CMB/CME
Interacción (a –1) (b – 1) SCAB CMAB = SCAB/(a–1)(b-1) FAB =
AB CMAB/CME
FRep =
Bloques r -1 SCBl CMTBl = SCBl/(r – 1)
CMBl/CME
Error (ab – 1)(r – 1) SCE CME = SCE/(ol del error)
Total abr - 1 SCT
EJEMPLO 3.8. Bahena (2001) para evaluar el efecto que tienen la fuerza de conformado
y el % de cascarilla en la resistencia a la compresión de materiales compuestos
elaborados a base de cascarilla de arroz y cemento Portland, aplicó un diseño
experimental de dos factores 4x5, modificando el % (base seca) de cascarilla empleado
(10, 20, 30 y 40 %) y la fuerza de conformado (0, 0.5, 1.0, 1.5 y 2.0 toneladas). El diseño
experimental se realizó completamente al azar. Los resultados con dos cifras
significativas, se presentan en la tabla 3.32.
3.32. Resultados del diseño experimental de dos factores del ejemplo 3.8
No. de Factor A Factor B Réplicas (MPa)
experimento % de cascarilla fuerza(ton) 1 2 3
1 10 0.0 5.64 21.41 22.55
2 10 0.5 33.18 6.25 22.99
3 10 1.0 25.79 17.34 20.04
4 10 1.5 21.10 26.82 10.33
5 10 2.0 20.87 16.56 13.38
6 20 0.0 11.82 11.92 10.52
7 20 0.5 10.51 15.73 11.95
8 20 1.0 11.90 10.81 8.34
9 20 1.5 3.17 9.20 8.87
10 20 2.0 6.75 11.49 9.50
11 30 0.0 5.27 6.88 6.07
12 30 0.5 3.27 1.48 5.32
13 30 1.0 7.64 3.22 4.74
14 30 1.5 4.51 3.32 5.01
15 30 2.0 3.10 4.74 3.93
16 40 0.0 5.22 4.00 1.04
17 40 0.5 5.09 4.91 4.84
18 40 1.0 4.99 5.47 3.29
19 40 1.5 3.98 5.47 3.86
20 40 2.0 4.99 3.45 4.89
Determinar si la fuerza de conformado, el % de cascarilla y la interacción entre ambas,

influyen en la resistencia a la compresión.
SOLUCIÓN: El análisis de varianza se lleva a cabo, aplicando los cinco pasos del
procedimiento de la prueba Fischer, para probar las siguientes hipótesis (paso 1) acerca
del modelo de la ecuación 3.51:
Siendo las hipótesis nulas
Ho: i = 0, j = 0, y ()ij = 0


necesario iniciar con la primera parte del procedimiento, calculando las sumas parciales
para tratamientos y réplicas a partir de la tabla 3.32, (ver tabla 3.33). De esta tabla se
tiene que: a = 4, b = 5 y r = 3

No. de Factor A Factor B Réplicas (MPa) Sumas
experimento % de cascarilla fuerza(ton) 1 2 3 Tij.
1 10 0.0 5.64 21.41 22.55 49.60
2 10 0.5 33.18 6.25 22.99 62.42
3 10 1.0 25.79 17.34 20.04 63.17
4 10 1.5 21.10 26.82 10.33 58.25
5 10 2.0 20.87 16.56 13.38 50.81
6 20 0.0 11.82 11.92 10.52 34.26
7 20 0.5 10.51 15.73 11.95 38.19
8 20 1.0 11.90 10.81 8.34 31.05
9 20 1.5 3.17 9.20 8.87 21.24
10 20 2.0 6.75 11.49 9.50 27.74
11 30 0.0 5.27 6.88 6.07 18.22
12 30 0.5 3.27 1.48 5.32 10.07
13 30 1.0 7.64 3.22 4.74 15.60
14 30 1.5 4.51 3.32 5.01 12.84
15 30 2.0 3.10 4.74 3.93 11.77
16 40 0.0 5.22 4.00 1.04 10.26
17 40 0.5 5.09 4.91 4.84 14.84
18 40 1.0 4.99 5.47 3.29 13.75
19 40 1.5 3.98 5.47 3.86 13.31
20 40 2.0 4.99 3.45 4.89 13.33
Sumas T..k 198.79 190.47 181.46 T… = 570.72
Es necesario hacer notar que las sumas de las Tij.,. y T..k dan el valor de T… (570.72), por
lo que como procedimiento de cálculo es necesario ir corroborando, para evitar errores
de suma.

Como el diseño se realizó totalmente al azar, al aplicar las fórmulas abreviadas para el
cálculo de la suma de cuadrados, no se empleará la ecuación 3.54 (SCBl), únicamente
se usaran las ecuaciones: 3.13, 3.42, 3.43 y 3.47 y 3.53:
La segunda parte del procedimiento, consiste en reestructurar la información la tabla

3.33 en los factores y sus niveles, y en se calculan las sumas Ti.. y T.j., como se muestra
en la tabla 3.34.
Tabla 3.34. Información reestructurada en dos factores

Factor B (fuerza) Sumas
0.0 0.5 1.0 1.5 2.0 Ti..
10 5.64 33.18 25.79 21.10 20.87
21.41 6.25 17.34 26.82 16.56 284.25
22.55 22.99 20.04 10.33 13.38
20 11.82 10.511 11.90 3.17 6.75
11.92 5.73 10.81 9.20 11.49 152.48
Factor A 10.52 11.95 8.34 8.87 9.50
(% de 30 5.27 3.27 7.64 4.51 3.10
cascarilla) 6.88 1.48 3.22 3.32 4.74 68.50
6.07 5.32 4.74 5.01 3.93
40 5.22 5.09 4.99 3.98 4.99
4.00 4.91 5.47 5.47 3.45 65.49
1.04 4.84 3.29 3.86 4.89
Sumas T.j. 112.34 125.52 123.57 105.64 103.65 T… = 570.72
La SCA, SCB y SCAB se obtienen a partir de las ecuaciones 3.56, 357 y 355
respectivamente.
Con esta información se construye la tabla 3.35, en donde los resultados se presentan
con dos cifras significativas. En esta tabla se puede observar, que no están los
tratamientos como fuente de variación, ya que aparecen sus componentes (SCA, SCB y
SCAB). Así mismo, debido a que el experimento se realizó como un diseño totalmente
aleatorizado no contiene a la SCBl.


Origen de
Grados de Suma de Cuadrado
la Fcal F0.05 F0.01 Sign.
libertad cuadrados Medio
variación
Factor A 4-1 =3 2106.60 702.20 33.15 2.84 4.31 0.01
Factor B 5 -1 = 4 33.66 8.415 0.39 2.61 No
Interacción
(3)(4) = 12 93.73 7.81 0.36 2.00 No
AB
59 – 19 =
Error 847.47 21.18
40
(4)(5)(3) -
Total 3081.46
1 = 59
En la tabla 3.35, el valor de FA, FB y FAB se calculan mediante las ecuaciones 3.58, 3.59 y
3.60. Los valores de F0.05(3,40) y F0.01(3,40) para el factor A, F0.05(4,40) para el factor B y F0.05(12,40)
para la interacción AB, se obtienen de la tabla 3 del apéndice A.
En dicha tabla se observa que para el factor A, FA > F0.05(3,40) y FA > F0.01(4,40) (paso 5), por lo
que se rechaza Ho. Así mismo se tiene que para el factor B y la Interacción AB, Fcal < F0.05
(paso 5) por lo que se acepta H0. Con lo que se concluye que al menos un porcentaje de
cascarilla modifica la resistencia a la compresión del material compuesto de cascarilla de
arroz y cemento portland elaborado, con α = 0.01. Por otra parte, ni la fuerza de
conformado ni la interacción % de cascarilla-fuerza de conformado modifican dicha
resistencia.
.
3.2.2 ANÁLISIS ESTADÍSTICO DEL MODELO DE EFECTOS ALEATORIOS
Cuando el Ingeniero Químico requiere que los resultados sean válidos para toda la
población de niveles del factor investigado, entonces tiene que elegir los niveles de tal
factor de forma aleatoria, de la población de dichos niveles.
El análisis estadístico en su procedimiento de cálculo se modifica en el cálculo de

FA y FB. Para lo cual se emplean las ecuaciones 3.61 y 3.62.
Ec. 3.62
Ec. 3.63
El valor de FAB se calcula con la ecuación 3.60.

EJEMPLO 3.9. Un Ingeniero químico desea medir la productividad en la fábrica donde

labora, mediante la medición del número de pastillas de silicio defectuosas, obtenidas en
la producción de las mismas. Dichas pastillas son empleadas para la elaboración de
micro chips. Realiza un diseño experimental de dos factores con tres réplicas y determina
que los factores que afectan la producción de las pastillas son el obrero y la maquina que
las producen. Para lo cual elige, dentro de su grupo de obreros, una muestra aleatoria
formada por 4 de los mismos. Al mismo tiempo, toma una muestra al azar de tres
máquinas con las cuales se elaboran las pastillas. Por otra parte, el ingeniero tiene
interés en determinar cómo influye el turno de trabajo (matutino, vespertino y nocturno).
Los siguientes son los números de pastillas defectuosas producidas. Los resultados se
presentan en la tabla 3.36.
Tabla 3.36. Número de pastillas defectuosas de silicio para el ejemplo 3.9

Obrero
Máquina O1 O2 O3 O4
M V N M V N M V N M V N
M1 220 225 235 230 235 248 300 302 311 210 213 219
M2 140 144 149 150 154 159 220 226 230 150 153 158
M3 200 206 211 180 183 190 270 274 280 220 225 231
Determinar si el factor obrero, factor máquina y la interacción afectan en la

producción de pastillas defectuosas.
del modelo de la ecuación 3.52.
Siendo las hipótesis nulas
Ho: i = 0, j = 0, k = 0 y ()ij = 0


necesario iniciar con la primera parte del procedimiento, construyendo la tabla 3.37 a
partir de la tabla 3.36, en donde las combinaciones de los factores se colocan en filas
(tratamientos) y las réplicas en bloques. Con lo que se puede calcular las sumas
parciales para tratamientos y bloques. De la tabla 3.36 se asigna el factor A a las
máquinas, el factor B a los obreros y los turnos son los bloques, con lo que: a = 3, b = 4 y
r=3

Bloques (número de
No. de Factor A Factor B Sumas
pastillas defectuosas)
experimento Máquina Obrero
M V N Tij.
1 M1 O1 220 225 235 680
2 M1 O2 230 235 248 713
3 M1 O3 300 302 311 913
4 M1 O4 210 213 219 642
5 M2 O1 140 144 149 433
6 M2 O2 150 154 159 463
7 M2 O3 220 226 230 676
8 M2 O4 150 153 158 461
9 M3 O1 200 206 211 617
10 M3 O2 180 183 190 553
11 M3 O3 270 274 280 824
12 M3 O4 220 225 231 676
Sumas T..k 2490 2540 2621 T… = 7651
Es necesario hacer notar que las sumas de las Tij.,. y T..k dan el valor de T… (7651), por lo
que como procedimiento de cálculo es necesario ir corroborando, para evitar errores de
suma.
Como el diseño se realizó en bloques al azar, se emplean las fórmulas abreviadas de las
ecuaciones: 3.37, 3.42, 3.43 y 3.47 , 3.53 y 3.54:
728.38889
La segunda parte del procedimiento, consiste en calcular las sumas Ti.. y T.j., a partir de la
tabla 3.36, como se muestra en la tabla 3.38.
Tabla 3.38. Cálculo de Ti.. y T.j. para el ejemplo 3.9

Obrero
Máquina O1 O2 O3 O4 Suma Ti..
M V N M V N M V N M V N
M1 220 225 235 230 235 248 300 302 311 210 213 219 2948
M2 140 144 149 150 154 159 220 226 230 150 153 158 2033
M3 200 206 211 180 183 190 270 274 280 220 225 231 2670
Suma T.j. 1730 1729 2413 1779 T… = 7651
Con los valores calculados de Ti.. y T.j. se obtiene la SCA, SCB y SCAB se obtienen a
partir de las ecuaciones 3.56, 357 y 355 respectivamente.
Con la información calculada se construye la tabla 3.39, en donde los resultados se

presentan con dos cifras significativas. En esta tabla se puede observar, que no están los
tratamientos como fuente de variación, ya que aparecen sus componentes (SCA, SCB y
SCAB). Así mismo, debido a que el experimento se realizó como un diseño en bloques
totalmente aleatorizados se presenta la SCBl.

Origen de
Grados de Suma de Cuadrado
la Fcal F0.05 F0.01 Sign.
libertad cuadrados Medio
variación
Factor A 3-1 =2 36674.39 18337.19 31.84 5.14 10.92 0.01
Factor B 4 -1 = 3 37255.64 12418.54 21.56 4.76 9.78 0.01
Interacción
(2)(3) = 6 3455.61 575.93 207.91 2.55 3.76 0.01
AB
Bloque 3 -1 = 2 728.39 364.19 131.47 3.44 5.72 0.01
35 – 13 =
Error 60.94 2.77
22
(3)(4)(3) -
Total 78174.97
1 = 35
En la tabla 3.28, los valores de FA, FB, FAB y FBl se calculan mediante las ecuaciones 3.62,
3.63, 3.60 y 361. Los valores de F0.05(2,6) y F0.01(2,6) para el factor A, F0.05(3,6) y F0.01(3,6) para el
factor B, F0.05(6,22) y F0.01(6,22) para la interacción AB y F0.05(2,22) y F0.01(2,22) para los bloques, se
obtienen de la tabla 3 del apéndice A.
En tabla de anova se observa que para todas las fuentes de variación analizadas
(factores, interacción y bloques), Fcal > F0.01 (paso 5), por lo que se rechaza Ho para todos
los casos. Con lo que se concluye que los trabajadores, las máquinas y los turnos de
trabajo de la fábrica, producen diferentes números de pastillas defectuosas con α = 0.01.

3.2.3 POTENCIA DE
LOS MODELOS FIJOS
Y ALEATORIOS
Por lo general, después de determinar qué factores y cuáles
niveles se van a estudiar, el Ingeniero Químico se encuentra
ante el dilema de determinar cuántas réplicas deben de
realizarse, puesto que entre más réplicas se realicen, mayor
va a ser el costo y el tiempo de la investigación. Por otra parte,
conforme a lo dicho en el capítulo 1, el número de réplicas
influyen en la probabilidad de cometer el error tipo II (), la
cual está asociada a lo que se denomina como potencia de la
prueba. Por lo general, debido al costo de la experimentación, se decide realizar dos o
tres réplicas y posteriormente se calcula la potencia de la prueba.
3.2.3.1. Potencia para el modelo de efectos fijos
Para caso del modelo de efectos fijos considerando un diseño balanceado, la

potencia de la prueba es:
POTENCIA DE LA PRUEBA = 1- β = P {rechazar H0 | H0 es falsa}

= P{Fcal>Fα(m-1,m[n-1])| H0 es falsa}
Las curvas características de operación son gráficos que relacionan la probabilidad

β con el parámetro  que se calcula mediante la ecuación 3.64.
Ec. 3.64
En donde:
= término empleado para la diferencia entre medias

número de réplicas
número de tratamientos
cuadrado medio del error
Las curvas características de operación de la figura I del apéndice B, presenta

curvas para α = 0.05 y α = 0.01 y con las cuales se puede calcular el valor de  y el
número de réplicas. Normalmente el procedimiento para determinar el número de réplicas
se hace por iteración, asignando un determinado valor para y un valor para  que por lo
general es de 0.90.
3.2.3.1. Potencia para el modelo de efectos aleatorios

Para caso del modelo de efectos aleatorios considerando un diseño balanceado, la

potencia de la prueba es:
POTENCIA DE LA PRUEBA = 1- β = P {rechazar H0 | H0 es falsa}

= P{Fcal>Fα(m-1,m[n-1])| σ>0}
Debido a que la potencia del modelo de efectos aleatorios se basa en la

distribución F central, se pueden utilizar la tabla 3 del apéndice A, para evaluar que
P{Fcal>Fα(m-1,m[n-1])| σ>0}, sin embargo es más sencillo emplear las curvas características de
operación de la figura II del apéndice B, las cuales son gráficos que relacionan la
probabilidad β con el parámetro  que se calcula mediante la ecuación 3.65
Ec. 3.65
Puesto que el CME es conocido, es posible utilizar una estimación anterior o definir
el valor de que se desea detectar en términos de la razón .
3.3
EXPERIMENTOS
CON MÁS DE DOS
FACTORES 3.3.1 EXPERIMENTO
FACTORIAL
GENERAL
Una gran parte de la investigación y
experimentación industrial en la
que participa el Ingeniero Químico,
está dirigida a descubrir los efectos
individuales y de conjunto de las variables que modifican los
procesos químicos investigados y que implican más de
dos factores. Por ejemplo, es muy conocido que la velocidad
de una reacción química, está influida por la concentración
de los reactantes, la temperatura, la presión, el uso de catalizador, entre otros. Motivo por
el cual es importante conocer, como se lleva a cabo el análisis estadístico de los
experimentos factoriales de más de dos factores.
Un experimento factorial completo, es aquel conjunto de observaciones que

comprende todas las combinaciones posibles de los diferentes niveles de las variables o
factores. El modelo matemático propuesto para un diseño experimental de más de dos
factores, se presenta en la ecuación 3.66.
Ec. 3.66

Con las hipótesis mostradas en la tabla 3.40.
Hipótesis Nula (H0) Hipótesis Alternativa (H1)

i = 0 i  0 para al menos una i
j = 0  j  0 para al menos una j
·
·
()ij = 0 ()ij  0 para al menos una ij
· ·
· ·
para al menos una ijk
· ·
· ·
z  0 para al menos una z
Número de experimentos necesarios en un diseño factorial completo. Es igual al

número de combinaciones resultantes de los diferentes niveles de los factores entre si.
EJERCICIO 3.1. Se necesita diseñar un experimento factorial completo para

evaluar la cinética de la hidrólisis de la sacarosa con ácido sulfúrico. Las variables y sus
niveles a estudiar son: a) temperatura 50, 55 y 60 C, b) Concentración de ácido sulfúrico
5, 10 y 20 %, c) tiempo 15 y 30 minutos. Calcule el número necesario de condiciones
experimentales necesarias y las combinaciones generadas por los factores.
3.3.2 REGLAS PARA

SUMAS DE
CUADRADOS
Un aspecto importante en cualquier problema de diseño
experimental es el de llevar a cabo el análisis de varianza.
Para ello, el Ingeniero Químico requiere determinar las sumas
de cuadrados de cada componente del modelo que es
utilizado en un caso de estudio y los grados de libertad
asociados a cada una de ellas. A fin de obtener los
estadísticos para realizar las pruebas de hipótesis necesarias,
se requiere conocer los valores esperados de los cuadrados
medios. Con frecuencia resulta útil contar con procedimientos formales para esto, en
situaciones en las que el diseño es complejo, particularmente en las que intervienen
modelos aleatorios mixtos.
Regla 1. El término de error en el modelo ij..n, se representa mediante (ij..)z donde z

representa al subíndice de la réplica. Para el modelo de dos factores, esta regla implica
que ijk se transforma en (ij)k.
Regla 2. Además de la media general (µ) y del término de error [(ij..)z], el modelo contiene
todos los efectos principales y cualquier interacción que el experimentador suponga que
existe. Si se dan todas las posibles interacciones entre los k factores, interacciones de

dos factores, interacciones de 3 factores,..., 1 interacción de k factores. Si un factor en

algún término aparece entre paréntesis, entonces no habrá interacción entre ese factor y
los otros factores de dicho término.
Regla 3. Los subíndices de cada término del modelo deben dividirse en tres clases:
a) Activos. Son aquellos que se hallan en el término y no están entre paréntesis

b) Pasivos. Son aquellos subíndices que están presentes en el modelo pero que se
encuentran entre paréntesis.
c) Ausentes. Son los subíndices que están presentes en el modelo pero que no
ocurren en ese término en particular.
Así en el término ()ij, i y j son subíndices activos y k está ausente; en (ij)k, i y j

son pasivos y k es activo.
Regla 4. Grados de libertad. Los grados de libertad de cualquier término del modelo
corresponden al producto del número de niveles asociados con cada subíndice pasivo y
el número de niveles menos uno, asociados con cada subíndice activo.
Por ejemplo, los grados de libertad asociados con ()ij, son (a-1)(b-1), y los grados
de libertad asociados con (ij)k son ab(r-1).
Regla 5. Suma de cuadrados. Para obtener las fórmulas con el fin de calcular las sumas
de cuadrados de cualquier efecto, primero se deben desarrollar los grados de libertad de
dicho efecto. Por ejemplo, para , los grados de libertad expandidos son simplemente b-
1. Cada término de esta cantidad corresponde a una forma simbólica de una suma de
cuadrados no corregida. Después debe usarse el siguiente procedimiento.
a) Sea 1 el factor de corrección en la ecuación 3.67 en donde N es el total de

datos.
Ec. 3.67
Cada una de las formas simbólicas restantes se representa mediante el total de las
observaciones en forma de sumatoria. Así, a b le corresponde la ecuación 3.68.
Ec. 3.68
b) Los signos de sumatoria deben acomodarse de manera que los relacionados

con los subíndices de la forma simbólica de interés (en este caso b), aparezcan primero.
El resto de los elementos del término se deben encerrar entre paréntesis. Por lo tanto
para b se obtiene la ecuación 3.69
Ec. 3.69

c) La cantidad entre paréntesis debe transformarse en la notación estándar -punto

en el subíndice-, donde el punto que reemplaza al subíndice indica una sumatoria en este
último. Así:
Ec. 3.70
d) El término entre paréntesis debe elevarse al cuadrado y dividirse entre el

producto del número de niveles de los subíndices -punto-. En el ejemplo que se analiza,
el término b se transforma en:
Ec. 3.71
Esto equivale a una suma de cuadrados no corregida. La suma de cuadrados

corregida de un efecto proviene de reemplazar cada forma simbólica por su
correspondiente suma de cuadrados no corregida. Así, con objeto de obtener la suma de
cuadrados para j se deben reemplazar las formas simbólicas en b-1 por las sumas de
cuadrados no corregidas, formadas en los párrafos anteriores, obteniéndose:
Ec. 3.72
Claramente ésta es la suma de cuadrados del efecto principal B en el modelo de

dos factores.
.
Como otra ilustración de la Regla 5, se considera la deducción de la suma de
cuadrados para (α)ij, esto es, SCAB. La expansión de los grados de libertad es (a-1)(b-
1) = ab-a-b+1. Por lo tanto, la suma de cuadrados se determina como se muestra a en la
tabla 3.41.
Tabla 3.41. Deducción de la suma de cuadrados de la interacción AB

ab -a -b +1
(a)
(b)
(c)
(d)
Al combinar las sumas de cuadrados no corregidas en el último renglón, de

acuerdo con los signos en la parte superior de cada columna se obtiene la ecuación 3.73.
Ec. 3.73
Esta última ecuación es equivalente a SCAB = SCSTr - SCA - SCB, que se

empleó en la sección de diseño de dos factores.
EJERCICIO 3.2. Tomando un diseño factorial de tres factores, aplique las reglas
para la suma de cuadrados y determine las mismas para cada uno de los componentes
del modelo.

3.3.3 REGLAS PARA

CUADRADOS MEDIOS
Se ha visto como los valores esperados de los cuadrados
medios juegan un papel importante en el análisis de varianza.
Un examen de estos valores esperados permite al Ingeniero
Químico desarrollar los estadísticos apropiados para probar
las hipótesis de los parámetros del modelo aplicado a un caso
de estudio. Estos estadísticos son razones de cuadrados
medios, elegidos de tal manera que el valor esperado de los
cuadrados medios del numerador difiera del valor esperado
del cuadrado medio del denominador, solamente por el componente de varianza o el
valor fijo de interés.
Siempre es posible determinar los valores esperados de los cuadrados medios

mediante la aplicación directa del valor operador esperado. Este método de fuerza
directa, como a menudo se le conoce, puede ser muy tedioso. Las reglas que se
presentan a continuación, siempre producen los valores esperados de los cuadrados
medios de cualquier diseño sin recurrir a la fuerza bruta, y con práctica son relativamente
fáciles de aplicar. Estas reglas producen los valores esperados de los cuadrados medios,
congruentes con las suposiciones para el modelo estándar mixto (efecto fijo y efecto
aleatorio). Se ilustra el uso de estas reglas en el modelo factorial de efectos fijos de dos
factores.
Regla 1. Cada efecto lleva asociado un componente de varianza (efecto aleatorio) o un

factor fijo (efecto fijo). Si la interacción contiene al menos un efecto aleatorio, la
interacción total se considera aleatoria. Los subíndices de un componente de varianza se
representan mediante las letras griegas que identifican el efecto aleatorio particular. Por
lo tanto, en un modelo mixto en dos sentidos con el factor A fijo y el B aleatorio, el
componente de varianza de B es . Y el componente de varianza de AB es .
Un efecto fijo siempre se representa por la suma de los cuadrados de los

componentes del modelo asociados con ese factor, dividida entre los grados de libertad
correspondiente. En el ejemplo considerado, el efecto de A es: a
Ec. 3.74
Regla 2. Cuadrado medio esperado. Para obtener los valores esperados de los
cuadrados medios debe prepararse la tabla 3.42. Existe un renglón por cada componente
del modelo (cuadrado medio) y una columna por cada subíndice. Sobre cada subíndice
debe escribirse el número de niveles asociado con él y si el factor es fijo (F) o aleatorio
(A). Las réplicas siempre se consideran aleatorias.
a) En cada renglón se escribe un 1 si los subíndices pasivos del componente del

renglón es igual al subíndice de la columna.

Tabla 3.42.a. Aplicación de la regla 2 para cuadrados medios (etapa a)

F F A
FACTOR a b r
i j k
1 1
b) Si alguno de los subíndices del componente del renglón, es igual al subíndice de

la columna, se escribe en ese renglón un cero si el encabezado de la columna es un
factor fijo y un 1 si es un factor aleatorio.
Tabla 3.42.b. Aplicación de la regla 2 para cuadrados medios (etapa b)
F F A
FACTOR a b r
i j k
0
0
0 0
1 1 1
c) En las restante columnas de los renglones se escribe el número de niveles

correspondientes al encabezado de esa columna.
Tabla 3.42.c. Aplicación de la regla 2 para cuadrados medios (etapa c)
F F A
FACTOR a b r
i j k
0 b r
a 0 r
0 0 r
1 1 1
d) Para obtener el valor esperado del cuadrado medio de cualquier componente

del modelo, primero se cubren todas las columnas encabezadas por los subíndices
activos de ese componente. A continuación, en cada renglón que contenga al menos los
mismos subíndices que el componente considerado, se calcula el producto de los
números visibles y se multiplica por el factor fijo o aleatorio apropiado, obtenido mediante
la regla uno. La suma de estas cantidades corresponde al valor esperado del cuadrado
medio del componente del modelo considerado. Por ejemplo, para determinar el CMA
primero se cubre la columna i. Los productos de los números visibles en los renglones
que contienen al menos el subíndice i son br (renglón 1), 0 (renglón 3) y 1 (renglón 4).
Hay que notar que i está ausente en el renglón 2. Por lo tanto el valor esperado del
cuadrado medio está representado por la ecuación 3.72 en donde es las desviaciones de
la media del efecto elevado al cuadrado.
Ec. 3.75
La tabla completa de los valores esperados de los cuadrados medios de este

diseño aparece en la siguiente tabla en donde se muestra las deducciones de los valores
esperados para los cuadrados medios de los modelos aleatorio y mixto, además del fijo
mencionado anteriormente.
Tabla 3.42. Cuadrados medios esperados
MODELO DE EFECTOS FIJOS
F F A
Cuadrado Medio
FACTOR a b r
Esperado
i j k
0 b r
a 0 r
0 0 r
1 1 1
MODELO DE EFECTOS ALEATORIOS
F F A
Cuadrado Medio
FACTOR a b r
Esperado
i j k
0 b r
a 0 r
0 0 r
1 1 1
MODELO DE EFECTOS ALEATORIOS
F F A
Cuadrado Medio
FACTOR a b r
Esperado
i j k
0 b r
a 0 r
0 0 r
1 1 1
En la columna cuadrado medio esperado de la tabla 3.42 los componentes de

varianza se pueden estimar igualando los cuadrados medios esperados con sus valores
esperados y resolviendo para los componentes de varianza. Mediante las siguientes
ecuaciones:
Ec. 3.76
Ec. 3.77
Ec. 3.78
Ec. 3.79

EJERCICIO 3.3: Considerar un experimento factorial de tres factores, con a niveles

del factor A, b niveles del factor B, c niveles del factor C y con n replicas. Aplicando las
reglas para los cuadrados medios, determine las ecuaciones para estos, suponiendo que
en el diseño todos los factores son fijos.
3.3.4. Un caso ilustrativo el experimento factorial de tres factores
Si es la observación obtenida del i-ésimo nivel de la variable A, en el j-ésimo nivel

de la variable B, en el k-ésimo nivel de la variable C de la l-ésima réplica, entonces el
modelo para un diseño factorial de tres factores es:
Ec. 3.80
Ho:
Para i = 1, 2, ....., a; j = 1, 2, ....., b; k = 1, 2, ....., c y l = 1, 2, ....., r
Y la hipótesis alternativa:

para al menos una k
para al menos una ik
para al menos una jk
para al menos una l
EJEMPLO 3.10. López y Espín (2005) en su trabajo de investigación para reciclar

polietileno de alta densidad en materiales compuestos de cemento Portland,
determinaron realizar un diseño experimental de tres factores (3x2x2) para evaluar el
efecto en la resistencia a la compresión del material compuesto elaborado. Las variables
a estudiar fueron: % de polietileno en el material (4, 6 y 8); uso de tratamiento térmico al
polietileno (sin y con tratamiento) y empleo de calcinación (sin y con). El tratamiento
térmico al polietileno consistió en fundir polietileno, triturado a malla -16+30, a una
temperatura de 130 0C y posteriormente vuelto a triturar. El empleo de calcinación
consistió en tratar el material compuesto elaborado, a una temperatura de 500 oC durante
media hora. El diseño se realizó en forma totalmente aleatoria y los resultados obtenidos
se muestran en la tabla 3.43.
Tabla 3.43. Resistencia a la compresión de los materiales compuestos

Resistencia a la
% de Tratamiento compresión (Mpa)
No. Calcinación
Polietileno térmico Réplicas
1 2 3
1 4 Con Sin 51.82 47.63 55.40
2 6 Con Sin 42.96 51.80 49.68
3 8 Con Sin 42.57 41.29 41.30
4 4 Con Con 41.66 46.60 40.21
5 6 Con Con 40.56 38.12 32.32
6 8 Con Con 15.71 26.70 25.19
7 4 Sin Sin 30.48 28.79 26.30
8 6 Sin Sin 24.40 33.33 22.03
9 8 Sin Sin 12.84 8.31 16.04
10 4 Sin Con 25.69 23.02 22.61
11 6 Sin Con 12.55 12.41 12.43
12 8 Sin Con 7.75 7.14 8.21
Determinar los factores y sus interacciones que afectan la resistencia a la compresión del
material compuesto elaborado.
del modelo de la ecuación 3.80.
Ho:
Para i = 1, 2, ....., a; j = 1, 2, ....., b; k = 1 y 2, ....., c
Y la hipótesis alternativa:


para al menos una k

para al menos una ik
para al menos una jk

comparación), requieren determinar inicialmente la suma de cuadrados a partir de las
reglas descritas en la sección 3.3.2. Las ecuaciones obtenidas de esta forma se
presentan a continuación.
La SCABC se determina de manera sencilla con:
En donde la SCTr se determina mediante la ecuación: 3.13 modificada.
La SCT se determina mediante la ecuación:
La SCE se calcula mediante la ecuación 3.13.
Ya que se tienen las ecuaciones para calcular la suma de cuadrados, el análisis de

varianza se inicia con la primera parte del procedimiento, calculando las SCT, SCTr y
SCE a partir de las sumas Tijk. y T…., obtenidas de tabla 3.44, en donde las combinaciones
de los factores están ubicadas en filas (tratamientos) y las réplicas en columnas. De la
tabla 3.44 se obtiene que: a = 3, b = 2, c = 2 y r = 3.

Tabla 3.44. Sumas Tijk. y T…. para el ejemplo 3.10

Resistencia a la
% de Tratamiento compresión (Mpa) Sumas
No. Calcinación
Polietileno térmico Réplicas Tijk.
1 2 3
1 4 Con Sin 51.82 47.63 55.40 154.85
2 6 Con Sin 42.96 51.80 49.68 144.44
3 8 Con Sin 42.57 41.29 41.30 125.16
4 4 Con Con 41.66 46.60 40.21 128.47
5 6 Con Con 40.56 38.12 32.32 111.00
6 8 Con Con 15.71 26.70 25.19 67.60
7 4 Sin Sin 30.48 28.79 26.30 85.57
8 6 Sin Sin 24.40 33.33 22.03 79.76
9 8 Sin Sin 12.84 8.31 16.04 37.19
10 4 Sin Con 25.69 23.02 22.61 71.32
11 6 Sin Con 12.55 12.41 12.43 37.39
12 8 Sin Con 7.75 7.14 8.21 23.10
T…. = 1065.85
La segunda parte del procedimiento, consiste en reestructurar la información de la tabla

3.44, en tres tablas, en donde al % de polietileno empleado se la asigna el factor A, el
tratamiento térmico al polietileno es el factor B y el factor C es la calcinación. La tabla
3.45 se construye ubicando en las filas los niveles del factor A y en las columnas, los
niveles del factor B, de esta tabla se obtienen Ti... y T.j.. y las Tij..se localizan en el interior
de cada casilla .La tabla 3.46 se construye ubicando en las filas los diferentes niveles del
factor B y en las columnas, los niveles del factor C, de esta tabla se obtienen T..k. y las T.jk.
se ubican en el interior de cada casilla. Finalmente se construye la tabla 3.47, colocando
en las filas los niveles del factor C y en las columnas, los niveles del factor A, de donde
se obtiene las sumas Ti.k.., las cuales aparecen negrilladas en el interior de cada casilla.
Es necesario corroborar que la suma total (T….) sea 1065.85 en cada una de las tablas.
Los sumas obtenidas en la tabla 3.45 se utilizan para calcular la SCA, SCB y SCAB
mediante las siguientes ecuaciones abreviadas
Tabla 3.45. Factores A y B para el ejemplo 3.10

Factor B
Sumas Ti...
sin con
30.48, 28.79, 26.30 51.82, 47.63, 55.40

4 25.69, 23.02, 22.61 41.66, 46.60, 40.21 440.21
T11.. = 156.89 T12.. = 283.32
24.40, 33.33, 22.03 42.96, 51.80, 49.68
Factor A 6 12.55, 12.41, 12.43 40.56, 38.12, 32.32 372.59
T21.. = 117.15 T22.. = 255.44
12.84, 8.31, 16.04 42.57, 41.29, 41.30
8 7.75, 7.14, 8.21 15.71, 26.70, 25.19 253.05
T31.. = 60.29 T32.. = 192.76
Sumas T.j.. 334.33 731.52 T…. = 1065.85
Tabla 3.46. Factores B y C para el ejemplo 3.10

Factor C
Sumas T.j..
sin con
30.48, 28.79, 26.30 25.69, 23.02, 22.61
24.40, 33.33, 22.03 12.55, 12.41, 12.43
sin 334.33
12.84, 8.31, 16.04 7.75, 7.14, 8.21
T.11. = 202.52 T.12. = 131.81
Factor B
51.82, 47.63, 55.40 41.66, 46.60, 40.21
42.96, 51.80, 49.68 40.56, 38.12, 32.32
con 731.52
42.57, 41.29, 41.30 15.71, 26.70, 25.19
T.21. = 424.45 T.22. = 307.07
Sumas T..k 626.97 438.88 T…. = 1065.85
Tabla 3.47. Factores A y C para el ejemplo 3.10

Factor C Sumas Ti...
sin con
51.82, 47.63, 55.40 41.66, 46.60, 40.21
4 30.48, 28.79, 26.30 25.69, 23.02, 22.61 440.21
T1.1. = 240.42 T1.2. = 199.79
42.96, 51.80, 49.68 40.56, 38.12, 32.32
Factor A 6 24.40, 33.33, 22.03 12.55, 12.41, 12.43 372.59
T2.1. = 224.20 T2.2. = 148.39
42.57, 41.29, 41.30 15.71, 26.70, 25.19
8 12.84, 8.31, 16.04 7.75, 7.14, 8.21 253.05
T3.1. = 162.35 T3.2. = 90.70
Sumas T..k 626.97 438.88 T…. = 1065.85
De la tabla 3.46 se calculan la SCC y la SCBC de la manera siguiente:

Con las sumas Ti.k.se calcula la SCAC.
La suma de cuadrados de la triple interacción (SCABC) se obtiene por diferencia.
Con la información calculada se construye la tabla de ANOVA (ver tabla 3.48), en donde
los resultados se presentan con dos cifras significativas. En esta tabla, los grados de
libertad de los factores se calculan retando uno al número de niveles del factor, los de las
interacciones se obtienen al multiplicar los grados de libertad que intervienen en la
interacción, los grados de libertad totales son la diferencia del total de datos menos uno y
finalmente los grados de libertad del error se obtienen por diferencia. Así mismo, debido
a que se aplicó un modelo de efectos fijos, los cuadrados medios se calculan dividiendo
la suma de cuadrados entre los grados de libertad y los valores de Fcal se obtienen
dividiendo el cuadrado medio del origen de variación entre el cuadrado medio del error.

Origen de la Grados de Suma de Cuadrado Sign
Fcal F0.05 F0.01
variación libertad cuadrados Medio .
Factor A 3–1=2 1496.97 748.48 56.27 3.40 5.61 0.01
Factor B 2–1=1 4382.21 4382.21 329.48 4.26 7.82 0.01
Factor C 2-1=1 982.71 982.71 73.88 4.26 7.82 0.01
Interacción AB (2)(1) = 2 5.86 2.93 0.22 3.40 No
Interacción AC (2)(1) = 2 61.58 30.79 2.31 3.40 No
Interacción BC (1)(1) = 1 60.50 60.50 4.54 4.26 7.82 0.05
Interacción ABC (2)(1)(1) = 2 115.87 57.93 4.35 3.40 5.61 0.05
Error 24 319.39 13.30
Total 35 7425.13
En la tabla 3.48, los valores de FA, FB y FC son mayores que F0.01 por lo que se rechaza H0
con α = 0.01. Los valores de FBC y FABC son mayores que F0.05 pero menores que F0.01 por
lo que se rechaza H0 con α = 0.05. Finalmente, los valores FAB y FAC son menores que F0.05
por lo que se acepta H0. Con lo que se concluye que al menos un nivel del: % de
polietileno, tratamiento térmico y la calcinación modifica la resistencia a la compresión
del material compuesto elaborado con α = 0.01. Así mismo al menos una interacción de:
tratamiento térmico-calcinación y % de polietileno-tratamiento térmico-calcinación,

modifica la resistencia a la compresión del material compuesto con α = 0.05. Por otra
parte las interacciones dobles % de polietileno-tratamiento térmico y % de polietileno-
calcinación no modifican la resistencia a la compresión.
De acuerdo a las conclusiones el modelo del fenómeno se establece como:

REFLEXIONES SOBRE EL DISEÑO DE EXPERIMENTOS
El diseño experimental es una herramienta muy importante para el Ingeniero

Químico cuyo desarrollo profesional esté ubicado en departamentos de Ingeniería,
optimización o que requiera la realización de un posgrado que implique la investigación
experimental.
Aunque no se trataron diseños como el cuadrado latino (Marques, 1990), el

cuadrado grecolatino (Miller et al. 1988), diseños simples como los empleados en
mezclas (Hinchen, 1969). Los conocimientos aportados en este capítulo, dan las bases
para que el Ingeniero Químico interesado en este campo, puede abordar por si mismo
estos y otros diseños sin gran dificultad.
Una parte trascendental para el futuro Ingeniero Químico, es que en su formación

se involucre en la realización de experimentos que le permitan obtener la información que
se tiene que procesar mediante el análisis de varianza. O mejor aún que participe en
proyectos de: investigación, creatividad, ciencia y/o tecnología que empleen diseños
experimentales, para que de esta forma aprenda las metodologías experimentales que
permiten la obtención de los datos, con los cuales se llegue a conclusiones objetivas.
Es importante que el Ingeniero químico, se capacite en la operación de programas

computacionales para el análisis de datos, ya que en ocasiones la cantidad de datos es
muy grande y la posibilidad de cometer errores es alta, cuando se realiza un cálculo
manual. El Alcode (Flores y López, 1993) y el Anavar, son programas desarrollados en el
Departamento de Ingeniería Química y Bioquímica del Instituto Tecnológico de
Zacatepec, que se operan fácilmente. Si se tienen conocimientos básicos de Excel, se
pueden estructurar secuencias de cálculo que facilitan el análisis de varianza, o se puede
emplear las rutinas estructuradas para el análisis de datos por Berk y Carey (2001).

EJERCICIOS DE REPASO
3.1. Sedano et al. (2001), en su trabajo para la puesta en marcha de un cromatógrafo HP

5890 serie A, con detector de captura de electrones, para el análisis de compuestos
orgánicos clorados, realizaron un experimento comparativo con un Cromatógrafo HP
5890 serie A con detector de ionización de flama, el cual se está empleando para
medición de dicho compuestos. En la tabla siguiente, se presentan los resultados
obtenidos al realizar una serie de determinaciones de diversos compuestos orgánicos
clorados, con ambos cromatógrafos. Determinar si existe diferencia significativa en las
cantidades determinadas por ambos cromatógrafos para cada compuesto.
Comparación de la sensibilidad de los detectores, a los compuestos clorados de los dos

cromatógrafos.
Cromatógrafo con
Cromatógrafo con
detector de
Componentes detector de captura de
ionización de flama
electrones (% área)
(% área)
2-cloropropano 0.178 23.580
1-cloropropano 0.167 11.848
3-cloropropeno 0.126 19.951
Trans 1,2-dicloroetileno 0.096 0.1330
1,1-dicloroetano 0.084 8.7400
Tetracloruro de carbono 0.089 0.1680
Benceno 0.265 11.831
Tricloroetileno 0.369 0.8180
Percloroetileno 0.486 1.0680
1,1,2-tricloroetano 0.401 3.7950
3.2. Para determinar la eficiencia en la transferencia de calor de cuatro tipos de

intercambiadores, un ingeniero Químico realiza un experimento totalmente al azar,
empleando las mismas condiciones de operación para cada cambiador y midiendo la
temperatura de salida del fluido de trabajo en condiciones de régimen estacionario como
respuesta. Los resultados se muestran en la siguiente tabla.
Temperatura de salida (oC)

Cambiador A Cambiador B Cambiador C Cambiador D
27 25 27 26
30 20 31 26
25 22 30 25
26 21 32 23
a) ¿Existe diferencia en la temperatura de salida de los diferentes tipos de cambiador?

b) Aplique la prueba del rango múltiple de Duncan y determine qué tipo de cambiador es
el que tiene la mayor eficiencia.

3.3. Arrieta et al. (2003), evaluaron la influencia de bacterias reductoras de sulfato (BSR)
en la velocidad de corrosión realizadas a muestras de acero al carbón de especificación
API-XL52, empleado para el transporte de hidrocarburos. Para medir la velocidad se
emplearon dos técnicas: resistencia a la polarización e impedancia electroquímica.
Ambas se emplearon a diferentes tiempos durante la prueba (la inoculación de las
bacterias se realizó a las 17:30 horas después de iniciada). Los resultados se presentan
en la tabla siguiente.
Velocidad de corrosión (mpa)

Tiempo (h)
Resistencia a la polarización Impedancia electroquímica
23.30 2.06 2.64
36.35 11.07 1.10
38.95 9.74 12.00
69.85 3.70
Determinar si los tiempos y técnicas presentan diferencias en la velocidad de corrosión.
3.4. Con la finalidad de determinar la toxicidad de tres tipos de extractos (Hoja, tallo y
raíz) de Lepidium virginicum, Rebolledo et al. (2002) llevaron a cabo un diseño en
bloques al azar, en donde se emplearon soluciones metanólicas de los tres tipos de
extractos en tres concentraciones diferentes (10, 100 y 1000 ppm) y una solución inocua
como testigo (DMSO). Para medir la toxicidad se emplearon larvas de Artemia salina
expuestas durante 24 horas. Los resultados de toxicidad en % de mortalidad se muestran
en la siguiente tabla.
Toxicidad (% de mortalidad)
Concentración
Extracto de Extracto de Extracto de Testigo
(ppm)
raíz hoja tallo (DMSO)
1000 21.80 11.20 9.90 14.90
100 18.60 9.80 8.30 10.00
10 17.20 11.10 7.10 2.90
a) Determinar si la concentración y el tipo de extracto modifican el % de mortalidad.

b) Empleando la prueba de Dunnett (Montgomery, 1998) determinar si los extractos
metanólicos de Lepidium virginicum son tóxicos.
3.5. Un ingeniero Químico, gerente de una fábrica de productos de cerámica, decide

evaluar la productividad de cuatro talleres que están bajo la responsabilidad de tres de
sus subalternos. La cantidad de piezas producidas por los talleres bajo la responsabilidad
de cada subalterno se presentan en la siguiente tabla.
Taller (piezas producidas)

T1 T2 T3 T4
S1 220 230 300 210
Subalterno S2 140 150 220 150
S3 200 180 270 220

a) Considerando a los subalternos como tratamientos y los talleres como bloques,

analizar los datos como una clasificación en dos direcciones.
b) Aplique la prueba del recorrido múltiple de Duncan y saque conclusiones, tanto para
los subalternos así como para los diferentes talleres
3.6. Nava et al. (2003) en su estudio sobre las propiedades reológicas de los yogures
realizaron un experimento para determinar la sinéresis de estos cuando se le añade
grenetina. En la siguiente tabla se muestran los resultados
Tabla 4. Prueba de sinéresis a yogures sin grenetina y con 0.5% de grenetina.

Tiempo (h)
Muestra
24 48 72
Yogur sin grenetina 64.3102 66.2325 67.0877
Yogur con incorporación inicial de
15.7765 10.6474 15.7700
grenetina al 0.5%
Yogur con incorporación media de
6.6311 6.0017 7.6556
grenetina al 0.5%
Yogur con incorporación final de
3.3354 2.8530 5.2706
grenetina al 0.5%
Realice un análisis de bloques al azar y saque conclusiones.
3.7 Con el objetivo de establecer la micropropagación de helechos, Flores et al. (2003),

aplicaron un diseño de bloques al azar, en donde utilizaron 5 medios de cultivo
(tratamientos) con diferentes cantidades de hormonas como se muestran en la tabla 1.
Tabla 1. Hormonas vegetales y sus diferentes concentraciones utilizadas.

Tratamiento T1 T2 T3 T4 T5
Auxinas 1 mL 1 mL 1 mL 2 mL 3 mL
Giberelinas 1 mL 2 mL 3 mL 1 mL 1 mL
La respuesta a la micropropagación es el crecimiento del helecho que se muestra en la

tabla 2. En donde faltan algunos datos.
Tabla 2. Crecimiento de los 6 tratamientos durante 7 semanas.

Crecimiento (mm)
Segunda Tercer Cuarta Quinta Sexta Séptima
Tratamiento
semana semana semana semana semana semana
T1 1 2 3 4 5 6
T2 - 0.3 0.6 0.9 1.2 1.5
T3 - 0.2 0.5 0.8 1.1 1.4
T4 0.2 0.5 0.8 1.1 1.4 1.7
T5 - 0.2 0.5 0.8 1.1 1.4

a) Mediante el análisis de varianza determinar si los tratamientos y el tiempo modifican el

crecimiento del helecho.
b) Mediante el recorrido múltiple de Duncan determinar que tratamiento y semana
presenta diferencias significativas con α = 0.05
3.8. Figueroa et al. (2003), en su trabajo de investigación cuyo propósito es establecer el

cultivo in vitro de Lepidium virginicum. Para realizar dicho propósito, aplicaron un diseño
de bloques al azar con repeticiones, en donde utilizaron 8 medios de cultivo
(tratamientos) con diferentes cantidades de fitohormonas como se muestran en la tabla 1.
Tabla 1. Concentraciones hormonales utilizadas en la inducción de morfogénesis.

Tratamiento Fitohormonas (mg / L)
T1 AIA 0.1 y CN 2
T2 AIA 0.5 y CN 2
T3 AIA 0.1 y CN 3
T4 AIA 0.5 y CN 3
T5 AIA 0.1 y BAP 2
T6 AIA 0.5 y BAP 2
T7 AIA 0.1 y BAP 3
T8 AIA 0.5 y BAP 3
Dichos medios de cultivo se aplicaron a tres tipos de explantes (bloques): cotiledón (C),
hipocótilo (H) y yema apical (Y) de L. virginicum. Con tres tiempos diferentes
(repeticiones): 15, 30 y 60 días. La respuesta medida fue el porcentaje de inducción de
morfogénesis. Los resultados se muestran en la tabla 2.
a) Analice los datos y determine si hay influencia del medio de cultivo, tipo de explante y
tiempo de desarrollo.
d) Empleando el recorrido múltiple de Duncan y determine cuales medios de cultivo,
explantes y tiempos son los que presentan mejores resultados.
Tabla 2. Resultados de la inducción de morfogénesis a partir de explantes de L.

virginicum
Porcentaje de inducción de morfogénesis
Tiempo t =15 d t = 30 d t = 60 d
Explante /
C H Y C H Y C H Y
Tratamiento
T1 20% 30% 70% 90% 30% 70% 100% 30% 78%
T2 20% 20% 80% 90% 20% 80% 90% 20% 100%
T3 40% 30% 90% 100% 40% 90% 100% 40% 100%
T4 0% 30% 90% 100% 30% 90% 100% 30% 100%
T5 30% 0% 80% 100% 0% 80% 100% 10% 100%
T6 20% 30% 80% 70% 40% 80% 70% 40% 100%
T7 20% 20% 80% 90% 20% 81% 90% 20% 100%
T8 50% 20% 60% 100% 20% 100% 100% 20% 100%

3.9. Con la finalidad de determinar la calidad de un producto tipo Crazy Fruit elaborado
con suero de leche, Salazar et al. (2001), emplearon un diseño experimental en bloques
al azar con repetición. En dicho diseño emplearon el tiempo como tratamientos, la
propiedad evaluada como bloques y el método de almacenamiento como repetición. Los
resultados se presentan en la siguiente tabla. Usando los siguientes valores numéricos al
análisis sensorial: E = 10, MB = 9 y B = 8, realizar el análisis estadístico a los datos y
obtenga las conclusiones correspondientes.
Vida de anaquel de crazy fruit

Sabor Color Olor Estabilidad
Refrigeración 5°C 1er. semana E E E E
2da. semana E E E E
3er. semana E E E E
4ta. semana E E E E
Medio ambiente 26 ° C 1er. semana E E E E
2da. semana E E E E
3er. semana MB E E E
4ta. semana MB MB MB E
Cámara climática 1er. semana E E E E
(humedad 80 +/- 5%) de 2da. semana MB E E E
humedad relativa 3er. semana MB MB MB E
temperatura (40+/- 5 °C) 4ta. semana B B B MB
3.10. López et al., llevaron a cabo un experimento para determinar el efecto de la presión
y el tiempo sobre la eliminación de ceras y lignina de bagazo de caña de azúcar, cuando
dicho bagazo se trataba con soluciones acuosas de NaOH. Los resultados se presentan
en la tabla siguiente. Analizar los datos y establecer si la presión y el tiempo modifican la
cantidad de ceras y lignina.
Presión (mm de Hg)

684 1459.5
Tiempo % ceras % lignina % ceras % lignina
(min)
0 2.2 18.2 2.2 20.7
30 1.6 11.9 1.8 9.7
60 1.1 11.0 0.2 10.7
90 1.0 12.7 0.3 10.6
120 1.2 13.3 0.3 10.3
150 1.9 13.5 0.3 10.5

3.11. Para determinar la influencia que tienen en el esfuerzo a la compresión de

materiales compuesto de cascarilla de arroz y cemento Portland, Álvarez (2001) empleó 5
métodos de elaboración: Vibro prensado con 5 y10 minutos (vibro-5m y vibro-10m),
hidroprensado con 0.5 y 2 toneladas de fuerza (prens-0.5 y prens-2.0) y vaciado; y 4
porcentajes en peso (base seca) de cascarilla de arroz (10, 20, 30 y 40 %) en la
elaboración del material. Los resultados se presentan en la tabla. Realice un análisis para
un diseño factorial de dos factores desbalanceado y obtenga las conclusiones
apropiadas.
Factor A Factor B Esfuerzo a la flexión

Experimento (método de (% de (MPa)
elaboración) cascarilla) Rep 1 Rep.2 Rep.3
1 vibro-5m 10 4.280 6.159 1.003

2 vibro-10m 10 4.915 5.111 2.670
3 prens-0.5t 10 5.215 5.676 5.118
4 prens-2.0t 10 2.442 2.314 1.841
5 vaciado 10 3.213 ------- 4.945
6 vibro-5m 20 5.802 5.734 5.111
7 vibro-10m 20 3.993 3.440 3.216
8 prens-0.5 20 1.227 1.148 1.276
9 prens-2.0t 20 1.174 3.168 1.394
10 vaciado 20 2.965 3.574 4.166
11 vibro-5m 30 3.673 2.721 1.973
12 vibro-10m 30 3.145 6.212 5.461
13 prens-0.5t 30 5.274 4.409 5.336
14 prens-2.0t 30 2.249 2.636 1.693
15 vaciado 30 1.548 1.851 2.556
16 vibro-5m 40 1.524 2.193 1.270
17 vibro-10m 40 1.649 0.710 1.278
18 prens-0.5t 40 2.386 2.410 1.831
19 prens-2.0t 40 0.775 0.453 1.707
20 vaciado 40 ------- 3.431 3.290
3.12. Considerando que la radiación gamma modifica la superficie del polietileno del alta
densidad (HDPE) y con la finalidad de determinar la influencia de la misma, al emplear
HDPE tratado con diferentes intensidades de radiación gamma en la elaboración de
materiales compuestos de cemento Portland. López et al. (2003), aplicaron un diseño
experimental en donde se uso HDPE irradiado a 4 diferente niveles de radiación y 3 % de
polietileno con lo que se elaboró el material compuesto. Los resultados de esfuerzo a la
compresión del material compuesto se muestran en la tabla.
Realice un análisis para un diseño factorial de dos factores y determine si la radiación, el

% de polietileno empleado y/o la interacción de ambas, modifica el esfuerzo a la
compresión del material compuesto elaborado

Ex Nivel de Nivel de
% de Esfuerzo en Mpa. Exp % de Esfuerzo en Mpa.
p radiación radiación
HDPE No. HDPE
No. KGy. 1 2 3 KGy. 1 2 3
1 0 4 3.45 3.80 4.05 7 50 6 6.16 7.05 8.24
2 10 4 8.60 10.09 11.29 8 100 6 8.43 9.09 6.13
3 50 4 7.85 14.28 9.45 9 0 8 0.99 0.85 0.57
4 100 4 11.29 7.59 8.88 10 10 8 5.26 4.36 6.07
5 0 6 2.11 1.45 1.45 11 50 8 7.32 5.18 6.09
6 10 6 10.68 10.25 6.59 12 100 8 5.62 5.91 5.63
3.13. Moreno et al. (2006) en el desarrollo de una nueva crema cosmética, determinaron
la medir la viscosidad como un parámetro que indica la estabilidad de la misma, cuando
fue sometida 5 diferentes temperatura, dos tipos de envase y 4 tiempos de
almacenamiento. En la tablas 1 y 2 se presentan los resultados de viscosidad en
centipoises de dos lotes elaborados exprofeso.
Tabla 1. Resultado del análisis de viscosidad lote LAB-D151.

Tiempo
1 mes 2 meses 3 meses 4 meses
Envase Envase Envase Envase
Temp (oC)
vidrio final vidrio final vidrio final vidrio final
4 26000 23300 23650 22800 33700 28700 31400 26250
Temp. Amb. 16450 16200 17500 14950 19800 14550 18550 15750
30 16350 16500 15650 15350 16700 15800 19350 15750
37 16750 16650 18300 15400 19700 16000 19950 15900
40 17250 17250 19200 17550 21100 17300 17850 19000
Tabla 2. Resultado del análisis de viscosidad lote LAB-D152.

Tiempo
1 mes 2 meses 3 meses 4 meses
Envase Envase Envase Envase
Temp (oC)
vidrio final vidrio final vidrio final vidrio final
4 13550 12550 15500 14950 17050 17650 18750 17450
Temp. Amb. 11500 11300 11200 11100 12050 11100 11900 11200
30 12800 12000 12250 11850 13500 12150 12700 11900
37 12400 12150 11950 11800 12700 12300 12500 11500
40 12400 12150 11950 12150 12900 11650 12600 12050
3.14. López et al. (2000), en su proyecto de investigación cuya finalidad es reciclar un

residuo peligroso por el proceso de adsorción, aplicaron un diseño factorial de 6x4 para

evaluar el efecto en la capacidad de adsorción de 6 soluciones de diferente concentración

del residuo peligroso (factor A): 1.07277, 2.14554, 3.21831, 4.29108, 5.36385 y 6.43662
g/L y que corresponden al nivel 1, 2, 3, 4, 5 y 6 respectivamente, presentados en la tabla
de datos. Dichas concentraciones están combinadas con cuatro cantidades de carbón
(factor B): 1, 2, 3 y 4 gramos y que corresponden a los mismos niveles. Los resultados se
presentan a continuación en donde la respuesta medida fue la concentración final de la
solución. Realice el análisis estadístico y saque conclusiones.
Exp. Concentración inicial Cantidad de Concentración final de la solución alcohólica (ppm)

No. de la solución (g/L) carbón Réplica 1 Réplica 2 Réplica 3
empleado (g)
1 1.07277 1 255.14 125.87 61.20
2 2.14554 1 513.72 449.08 546.05
3 3.21831 1 1114.94 1160.19 1160.19
4 4.29108 1 2323.84 1871.31 2032.93
5 5.36385 1 2905.66 2841.01 2970.31
6 6.43662 1 3940.01 3616.78 3422.84
7 1.07277 2 132.31 125.84 190.49
8 2.14554 2 339.18 190.49 125.84
9 3.21831 2 513.72 384.43 255.40
10 4.29108 2 1030.90 772.31 823.03
11 5.36385 2 1541.61 1483.43 1248.84
12 6.43662 2 2226.87 2129.90 1871.31
13 1.07277 3 216.35 3.44 3.44
14 2.14554 3 28.87 3.44 28.87
15 3.21831 3 319.78 125.84 125.84
16 4.29108 3 552.51 513.72 319.78
17 5.36385 3 733.52 578.37 843.42
18 6.43662 3 1418.78 901.61 998.58
19 1.07277 4 171.10 125.84 61.20
20 2.14554 4 106.45 132.74 132.74
21 3.21831 4 125.84 3.44 68.09
22 4.29108 4 293.92 125.84 28.87
23 5.36385 4 449.08 255.14 255.14
24 6.43662 4 500.79 449.08 319.78
Realizar un análisis para un diseño factorial de tres factores y determinar si los factores e
interacciones estudiados son significativos.
3.15. En su estudio para alargar la vida de anaquel de alimentos encurtidos, Zapata et al.
(2003) estudiaron el efecto que tenía la variación de la concentración del NaCl y el tiempo
en el pH, la acidez y el contenido de cloruros de dos materiales encurtidos: zanahoria y
cebolla en rebanadas. Los resultados se presentan en la tabla siguiente. Realice un
análisis estadístico para un diseño factorial de tres factores y determine si las variables
estudiadas son significativas.
Exp. Tipo de Tiempo Concentración pH Acidez Cloruros

No. Material (días) de Nacl (% P)

Factor A Factor B Factor C

1 Zanahoria 0 8 4 0.06 7.89
2 Zanahoria 0 9 4 0.06 8.77
3 Zanahoria 0 10 3.98 0.06 9.65
4 Zanahoria 0 12 3.95 0.06 11.99
5 Zanahoria 95 8 4.39 0.12 8.15
6 Zanahoria 95 9 4.15 0.09 9.28
7 Zanahoria 95 10 4.27 0.09 9.55
8 Zanahoria 95 12 4.24 0.09 11.85
9 Cebolla 0 8 3.95 0.12 8.19
10 Cebolla 0 9 4.01 0.12 9.13
11 Cebolla 0 10 3.93 0.18 9.53
12 Cebolla 0 12 3.93 0.12 12.28
13 Cebolla 95 8 4.33 0.09 8.19
14 Cebolla 95 9 4.45 0.12 9.06
15 Cebolla 95 10 4.25 0.15 9.36
16 Cebolla 95 12 4.3 0.09 11.42
3.16. López et al. (2005) en su trabajo de reutilización del polietileno de alta densidad
(HDPE) en materiales compuestos con cemento Portland, decidieron emplear un diseño
experimental para evaluar el efecto en la resistencia a la compresión del material
compuesto, al modificar el polietileno mediante un tratamiento térmico, con el empleo de
diferentes porcentajes de HDPE y sometiendo a temperatura de calcinación el material
compuesto elaborado. Los resultados se presentan en la tabla, realice el análisis y
obtenga las conclusiones correspondientes.
No. % de Tratamiento Temperatur Resistencia

Polietileno térmico a de En (Mpa).
(A) (B) calcinación
©. 1 2 3
1 4 Con Sin 51.82 47.63 55.40
2 6 Con Sin 42.96 51.80 49.6
8
3 8 Con Sin 42.57 41.29 41.3
0
4 4 Con 500oC 41.66 46.60 40.2
1
5 6 Con 500oC 40.56 38.12 32.3
2
6 8 Con 500oC 15.71 26.70 25.1
9
7 4 Sin Sin 30.48 28.79 26.3
8 6 Sin Sin 24.4 33.33 22.0
3
9 8 Sin Sin 12.84 8.31 16.0
4
10 4 Sin 500oC 25.69 23.02 22.6
1
11 6 Sin 500oC 12.55 12.41 12.4
3

12 8 Sin 500oC 7.75 7.14 8.21
3.17. Cortez y Coria (2000) en una parte de su proyecto ganador del Primer lugar
Nacional del Certamen Nacional Juvenil de Ciencia y Tecnología en el “Area Científica”,
Subtema “Ciencias Exactas” y en la categoría "AA", celebrado en Monterrey N. L.,
presentan un diseño experimental para determinar el efecto que tienen en la capacidad
de adsorción del carbón activado, el tamaño de carbón, la cantidad de carbón y la
concentración de la solución alcohólica de resina. En tabla se presentan los resultados de
los 72 experimentos realizados, en donde: el nivel 1, 2, 3. 4, 5 y 6 del tamaño de carbón
(factor A) corresponden a +12, -12 +14, -14 +16, -16 +18, -18 +20 y -20 +25
respectivamente; los niveles 1 y 2 de la cantidad de carbón (factor B) corresponde a 1 y 2
gramos; y los niveles 1, 2, 3, 4, 5 y 6 corresponden a una concentración (factor C) de 2,
4, 6, 8, 10 y 12 g/L respectivamente. La repuesta evaluada fue la capacidad de adsorción
en g de resina/g de carbón.
Capacidad Capacidad
Factor de adsorción Factor de adsorción
Exp Exp
gr /gr gr /gr
A B C 1 2 A B C 1 2
1 1 1 1 0.082 0.087 37 4 1 1 0.093 0.088
2 1 1 2 0.154 0.161 38 4 1 2 0.164 0.183
3 1 1 3 0.262 0.272 39 4 1 3 0.256 0.245
4 1 1 4 0.348 0.357 40 4 1 4 0.302 0.306
5 1 1 5 0.462 0.479 41 4 1 5 0.291 0.300
6 1 1 6 0.563 0.567 42 4 1 6 0.493 0.484
7 1 2 1 0.044 0.044 43 4 2 1 0.033 0.021
8 1 2 2 0.088 0.092 44 4 2 2 0.089 0.074
9 1 2 3 0.138 0.136 45 4 2 3 0.123 0.143
10 1 2 4 0.189 0.186 46 4 2 4 0.160 0.132
11 1 2 5 0.237 0.235 47 4 2 5 0.155 0.134
12 1 2 6 0.284 0.283 48 4 2 6 0.239 0.247
13 2 1 1 0.083 0.082 49 5 1 1 0.088 0.082
14 2 1 2 0.174 0.162 50 5 1 2 0.174 0.180
15 2 1 3 0.247 0.246 51 5 1 3 0.267 0.274
16 2 1 4 0.340 0.333 52 5 1 4 0.359 0.371
17 2 1 5 0.4430 0.440 53 5 1 5 0.451 0.471
18 2 1 6 0.538 0.533 54 5 1 6 0.559 0.568
19 2 2 1 0.033 0.029 55 5 2 1 0.036 0.045
20 2 2 2 0.086 0.087 56 5 2 2 0.082 0.083
21 2 2 3 0.130 0.130 57 5 2 3 0.126 0.140
22 2 2 4 0.177 0.189 58 5 2 4 0.180 0.187
23 2 2 5 0.233 0.230 59 5 2 5 0.233 0.241
24 2 2 6 0.283 0.281 60 5 2 6 0.287 0.289
25 3 1 1 0.083 0.078 61 6 1 1 0.085 0.096
26 3 1 2 0.173 0.151 62 6 1 2 0.168 0.168
27 3 1 3 0.257 0.251 63 6 1 3 0.268 0.284
28 3 1 4 0.304 0.285 64 6 1 4 0.365 0.377
29 3 1 5 0.304 0.291 65 6 1 5 0.480 0.505
30 3 1 6 0.495 0.474 66 6 1 6 0.584 0.605
31 3 2 1 0.023 0.038 67 6 2 1 0.045 0.035
32 3 2 2 0.088 0.090 68 6 2 2 0.083 0.079
33 3 2 3 0.128 0.134 69 6 2 3 0.141 0.143

34 3 2 4 0.162 0.158 70 6 2 4 0.192 0.186

35 3 2 5 0.139 0.156 71 6 2 5 0.256 0.253
36 3 2 6 0.252 0.252 72 6 2 6 0.304 0.301
Realizar el análisis de varianza correspondiente y determinar qué factores afectan al

proceso de adsorción.
Referencias
Álvarez Flores Marina, “La resistencia a la flexión en los materiales compuestos de

cascarilla de arroz”, Tesis de Licenciatura, Instituto Tecnológico de Zacatepec,
Zacatepec, Mor. México (2001)
Aquino Ruiz Cecilia., Porcayo Calderón Jesús y Salazar Montoya Juan Alfredo, “Efecto de
la temperatura y relación sólido-líquido en la caracterización reologica al flujo de cizalla
simple de extractos acuosos de avena (Avena sativa)”, Libro de Resúmenes del XI
Seminario sobre Residencias Profesionales en el Área de Ingeniería Química y
Bioquímica, Departamento de Ingeniería Química y Bioquímica Instituto Tecnológico de
Zacatepec, Zacatepec, Mor. México (2006)
Arrieta González Cinthya Dinorah, Porcayo Calderón Jesús y Martínez Gómez Lorenzo,
“Monitoreo de la actividad microbiana mediante técnicas electroquímicas”, Libro de
Resúmenes del Quinto Seminario sobre Residencias Profesionales en el Área de
Ingeniería Química y Bioquímica, Departamento de Ingeniería Química y Bioquímica
Instituto Tecnológico de Zacatepec, Zacatepec, Mor. México (2003)
Bahena Guzmán Marisol, “Elaboración de materiales compuestos de arroz y cemento

Pórtland por el método de hidroprensado”, Tesis de Licenciatura, Instituto Tecnológico de
Zacatexpec, Zacatepec, Mor. México (2001)
Berk Kenneth N. y Carey Patrick, Análisis de datos con Microsoft® Excel, Primera edición,
Thompson Learning editores, México, EUM (2001)
Cortez Figueroa Karla Jaqueline y Coria Cortés Laura, Incremento en la productividad

de un proceso para el reciclaje de un residuo peligroso”, Proyecto presentado en el
Certamen Nacional Juvenil de Ciencia y Tecnología 2000 (Fase Nacional), en el “Área
Científica”, Subtema “Ciencias Exactas” y en la categoría "AA". Celebrado en la Cd de
Monterrey, N. L., Ganador del Primer Lugar Nacional, Departamento de Ingeniería
Química y Bioquímica del Instituto Tecnológico de Zacatepec, Zacatepec Mor. EUM
(2000)
Figueroa Meneses Odette, Altamira Demetrio Javier, Osuna Torres Lidia Teresa,
“Micropropagación de lepidium virginicum (brassicaceae) planta con actividad
antiprotozoaria”, Libro de Resúmenes del Quinto Seminario sobre Residencias
Profesionales en el Área de Ingeniería Química y Bioquímica, Departamento de
Ingeniería Química y Bioquímica Instituto Tecnológico de Zacatepec, Zacatepec, Mor.
México (2003)

Flores Rojas Andrés y López Bailón Rodolfo, “Programas computacionales para

tratamiento de datos experimentales”, Depto. de Ingeniería Química y Bioquímica del
García Zapata Mariana, Cano Ochoa Carlos Felipe y Zamora Gutiérrez. Efraín A.
“Alargamiento de la vida útil de cebolla y zanahoria mediante el método de encurtido”,
Libro de Resúmenes del Sexto Seminario sobre Residencias Profesionales en el Área de
Hernández Flores Cecilia, Medellín Hernández Jorge N. y Casarrubias García Martín,

“Micropropagación de helechos”, Libro de Resúmenes del Quinto Seminario sobre
Residencias Profesionales en el Área de Ingeniería Química y Bioquímica, Departamento
de Ingeniería Química y Bioquímica Instituto Tecnológico de Zacatepec, Zacatepec, Mor.
México (2003)
Hinchen J. D., Practical Statistics for Chemical Research, Methuen & Co. Ltd. And
Science Paperbacks, U. S. A. (1969)
Hines William W. y Montgomery Douglas C., “Probabilidad y estadística para Ingeniería y

Administración”, 1a Edición, Ed. CECSA, México - EUM (1986)
López Bailón Rodolfo, Avilés Ortíz Roberto y Servín Olivares José María, “Lignina y Ceras
en Materiales Compuestos Formados por Bagazo de Caña de Azúcar y Cemento
Portland”, Información Tecnológica ISSN 0716-8756: 10 (2), 259 – 264 (1999).
López Bailón Rodolfo y Espín González Faustino, “Efecto de la temperatura en los

materiales compuestos de cemento Portland y polietileno con y sin tratamiento térmico”,
Memorias del XXVI Encuentro Nacional de la Academia Mexicana de Investigación y
Docencia en Ingeniería Química, Acapulco, Gro. México (2005)
López Bailón Rodolfo y Zavaleta Avejar Leonor, Adsorción de un Residuo Peligroso en

Carbón Activado para Reciclar Alcohol Isopropílico, Información Tecnológica (ISSN 0716-
8756): 11 (3) , 87 – 92 (2000).
López Bailón Rodolfo, Quiñónez Bahena Dorothy, Martínez Barrera Gonzalo y Álvarez
Castillo Alberto, “Efecto de la radiación gamma en el polietileno empleado en la
elaboración de materiales compuestos”, Memorias del XXIV Encuentro Nacional de la
Academia de Investigación y Docencia en Ingeniería Química, Ixtapa, Gro. México (2003)
Marques de Cantú María José, Probabilidad y Estadística para Ciencias Química

Biológicas, preedición, McGraw Hill, México - EUM (1990)
Miller Irwin, Freund John E. y Johnson Richard A., Probabilidad y Estadística para
Ingenieros, cuarta edición, Ed. Prentice-Hall Hispanoamericana, México (1988)

Montgomery, C. Douglas. Diseño y Análisis de Experimentos. Primera edición, Editorial

Ibero América, México, EUM (1998)
Nava Ide Berenice, Salazar Montoya J. A., Porcayo Calderón Jesús, “Aplicación del
modelo generalizado de maxwell para estudiar el comportamiento reológico de yogures
conteniendo grenetina”, Libro de Resúmenes del Sexto Seminario sobre Residencias
Profesionales en el Área de Ingeniería Química y Bioquímica, Departamento de
Ingeniería Química y Bioquímica Instituto Tecnológico de Zacatepec, Zacatepec, Mor.
México (2003)
Quinto Hernández Alfredo y López Bailón Rodolfo, “ANAVAR, Análisis de Varianza”.

Depto. de Ingeniería Química y Bioquímica del Instituto Tecnológico de Zacatepec,
Zacatepec, Mor. México (1995)
Saavedra Hernández Xochitl, Salado Carbajal Francisco y Martínez Osorio Lázaro,

“Implementación de metodología para determinar glucosa en caldo de fermentación con
el analizador bioquimicoYsi-2700 Select”, Libro de resúmenes del Sexto Seminario sobre
México (2003)
Salazar Guerrero Araceli, Hernández Campos Francisco Javier y Hernández G. Alfredo,

“Aprovechamiento del suero dulce de leche resultante de la elaboracion de queso”, Libro
de Resúmenes del Tercer Seminario sobre Residencias Profesionales en el Área de
Sanchez Rebolledo Lynnette, Rosales Pérez Jorge, Garduño María Luisa y Osuna
Torres Lidia T., “Producción del compuesto antiamibiano glucotropeolina en lepidium
virginicum micropropagado y silvestre”, Libro de Resúmenes del Quinto Seminario sobre
México (2003)
Sedano Bustos Taydeé, Medellín H. Jorge N. y Salgado D. Carmen, “Implantación,

optimización y puesta en marcha de un cromatógrafo hp5890 serie a con detector de
captura de electrones para análisis de compuestos clorados”, Libro de Resúmenes del
Segundo Seminario sobre Residencias Profesionales en el Área de Ingeniería Química y
Bioquímica, Departamento de Ingeniería Química y Bioquímica Instituto Tecnológico de
Zacatepec, Zacatepec, Mor. México (2001)
Uriostegui Trejo Araceli y Elba Banda Michaca Elba, “Efectos de los ciclos de
regeneración térmica en las propiedades del carbón activado, saturado en el reciclaje de
isopropanol”, Tesis de Licenciatura, Instituto Tecnológico de Zacatepec, Zacatepec, Mor.
México (2009)

Análisis Estadístico

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis Estadístico

Cargado por

Copyright:

Formatos disponibles

CAPÍTULO 3

ESTADÍSTICO experimental con lo

3.1 EXPERIMENTOS CON UN FACTOR

3.1.1 INTRODUCCIÓN A LOS EXPERIMENTOS CON FACTORES

3.1.1.1. ¿Qué es el diseño experimental?

Básicamente, un experimento es una prueba que se realiza para estudiar un

3.1.1.2. Importancia del diseño de experimentos

Los investigadores de todas las disciplinas, en especial los de Ingeniería Química,

A la hora de diseñar un experimento, es muy importante tener bien definido:

ANÁLISIS DE DATOS EXPERIMENTALESPágina 2

3.1.1.3. El error experimental

Cuando se realiza un experimento, es posible que exista un error en el momento

3.1.1.4. La metodología de la investigación y el diseño de experimentos

Fig.3.1. Metodología de la investigación y el diseño experimental

ANÁLISIS DE DATOS EXPERIMENTALESPágina 3

3.1.1.5. Clasificación del diseño de experimentos

a) Los diseños experimentales, de acuerdo a la manera de elegir los niveles de las

 El Modelo de Efectos Fijos, es aquel en donde los niveles de las variables

 El Modelo de Efectos Aleatorios, es aquel en donde los niveles del factor o

b) Por la forma en que se realiza el trabajo experimental, los diseños

 El diseño totalmente aleatorizado, es el diseño en donde se numeran todos

 El diseño en bloques al azar, es el diseño en donde las réplicas del mismo

c) Por la cantidad de réplicas en las diferentes condiciones experimentales del

ANÁLISIS DE DATOS EXPERIMENTALESPágina 4

 El diseño balanceado es aquél en donde la cantidad de réplicas en cada

 El diseño desbalanceado es aquél en donde la cantidad de réplicas en cada

3.1.2 MODELO DE EFECTOS FIJOS

3.1.2.1. Diseño totalmente aleatorizado

En muchas ocasiones el Ingeniero Químico se ve en la necesidad de elegir una

Tabla 3.1. Matriz de datos para el diseño totalmente aleatorizado

Para poder contrastar la hipótesis se supondrá que se trata de poblaciones

ANÁLISIS DE DATOS EXPERIMENTALESPágina 5

En donde: µ es el promedio de todos los datos, αi es el efecto debido al tratamiento

Con las siguientes hipótesis:

El procedimiento de prueba para la hipótesis planteada se conoce como Análisis

Y por consiguiente también por sus medias

Y si la hipótesis nula es cierta se tendrá una estimación de 2/n. Luego:

La ecuación 3.5 da una estimación de 2 basada en las diferencias entre las

ANÁLISIS DE DATOS EXPERIMENTALESPágina 6

La varianza muestral de las mn observaciones está dada por la ecuación 3.7. En

La suma de cuadrados, la cual es una manera de expresar la variación total de los

SCT = Suma de cuadrados totales

El teorema de Cochran (Hines y Montgomery, 1986), establece el sustento teórico

En donde yij es el valor de cada uno de los datos.

En donde Ti es el total de los n datos del i-ésimo tratamiento.

La suma de cuadrados del error se obtiene por diferencia:

ANÁLISIS DE DATOS EXPERIMENTALESPágina 7

Para facilitar el procedimiento de prueba de la hipótesis planteada, se construye la

Tabla 3.2. Tabla de ANOVA para el diseño totalmente aleatorizado

EJEMPLO 3.1. Saavedra et al. (2003) con la finalidad de implementar el analizador

Tabla 3.3.% de glucosa en caldos fermentativos de ácido cítrico

ANÁLISIS DE DATOS EXPERIMENTALESPágina 8

41435 – 9 0.54 0.33

¿Determinar si ambas técnicas producen los mismos resultados?

SOLUCIÓN: El análisis de varianza se lleva a cabo mediante la prueba de Fischer,

1. HIPÓLITO. Las hipótesis a contrastar son:

H0: 1 = 2 = .... = m= 0

Los pasos 2, 3 y 4 (estadístico de prueba, confianza y región de aceptación o rechazo),

Tabla 3.4. Reestructuración de la tabla 3.3

De la tabla 3.4 se tiene que: m = 2, n = 10 y T = 7.77. Empleando la ecuación 3.10 se

Con las ecuaciones 3.11, 3.12 y 3.13 se obtiene

Con esta información se construye la tabla 3.5

Tabla 3.5. Análisis de varianza para el ejemplo 3.1

ANÁLISIS DE DATOS EXPERIMENTALESPágina 9