ÍNDICE GENERAL

Introducción…………………….........……………………………………………. pág. 3
4. Diseño experimental para un factor ………………………………………. pág. 4
4.1 Introducción, conceptualización, importancia y alcance del diseño experimental
en el ámbito empresarial …………………………………….……. pág. 4
4.2 Clasificación de los diseños experimentales……………………………… pág. 5
4.3 Nomenclatura y simbología en el diseño experimental ………………….. pág.
12
4.4 Identificación de los efectos de los diseños experimentales ……………. pág. 15
4.5 La importancia de la aleatorización de los especímenes de prueba… pág. 19
4.6 Prueba de Duncan …………………....……………………………………… pág.
20
4.7 Aplicaciones industriales ……………………………………………..……. pág. 26
Conclusión………………………………………………………………………... pág. 30
Bibliografías ……………………………………………………………………….. pág. 31

lOMoA
 lOMoARcPSD|16813518

En el trabajo que se presentara a continuación hablaremos acerca de los diseños

experimentales para un factor, en donde principalmente entendemos como diseño
experimental al esquema de cómo realizar un experimento. El objetivo
fundamental de los diseños experimentales radica en el determinar si existe una
diferencia significativa entre los diferentes tratamientos del experimento y en caso
que la respuesta es afirmativa, cuál sería la magnitud de esta diferencia.
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A.
Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la fecha
se encuentra bastante desarrollada y ampliada. Actualmente las aplicaciones son
múltiples, especialmente en la investigación de las ciencias naturales, ingeniería,
laboratorios y casi todas las ramas de las ciencias sociales.
El diseño de experimental ha resultado ser una herramienta de gran impacto en la
actualidad para el progreso de la industria, debido a que contribuye a conocer los
procesos de una manera más profunda, lo cual permite hacer mejoras en calidad y
bajar los costos de producción por medio de métodos estadísticos.

4.1 Introducción, conceptualización, importancia y alcance del diseño

experimental en el ámbito empresarial
 lOMoARcPSD|16813518

Introducción
El diseño experimental suele plantearse cuando se requiere analizar una característica
cualitativa sometida a un único factor. Este único factor debe de tener una influencia
significativa sobre la característica cualitativa.
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher,
quién sentó la base de la teoría del Diseño Experimental y que a la fecha se encuentra
bastante desarrollada y ampliada. Actualmente las aplicaciones son múltiples,
especialmente en la investigación de las ciencias naturales, ingeniería, laboratorios y casi
todas las ramas de las ciencias sociales.
La experimentación proporciona los datos experimentales, en contraste con los datos de
la observación; los datos de la observación se representan como su nombre indica por
observaciones de las unidades elementales de una población o de una muestra, y no
deben ser cambiados ni modificados por ningún intento de parte de un investigador en el
curso de la observación.
Conceptualización
El diseño experimental es una técnica estadística que permite identificar y cuantificar las
causas de un efecto dentro de un estudio experimental. Es un diseño experimental se
manipulan deliberadamente una o más variables, vinculadas a las causas, para medir el
efecto que tienen en otra variable de interés.
Importancia
El diseño experimental busca entonces a través de una serie de herramientas estadísticas
aplicadas metodizar los ensayos de prueba y error para encontrar la mejor combinación
de variables independientes que optimice una variable de respuesta en unas
circunstancias determinadas. El análisis experimental se basa en la comprensión de la
variación que presenta los datos de salida de un problema. La variación siempre está
presente en todos los procesos de la naturaleza y por

2
 lOMoARcPSD|16813518

ende en los procesos humanos, la planeación de un experimento permite identificar las

fuentes de que la producen, clasificarlas y tomar decisiones con respecto a ellas.
Alcances del diseño experimental en el ámbito empresarial.
El diseño experimental se distingue por el hecho de definir y controlar las variables
independientes antes de lanzarlas al mercado, intentando distintos tipos de estímulos a
los que respondan los clientes, antes de observar como ocurre verdaderamente.
Puede establecer diferentes en su respuesta que pueden atribuirse a los estímulos en
cuestión, como el envoltorio o color de un producto, y no a otros factores, como la
disponibilidad limitada del producto. Aplicar los métodos de diseño experimental requiere
juicio empresarial y un grado de sofisticación matemática y estadística.
Hoy en día, las empresas pueden recopilar información detallada de los clientes con
mayor sencillez y pueden emplear dichos datos para crear modelos que predigan la

respuesta del consumidor con mayor rapidez y precisión. Ejemplos

1. Una compañía telefónica está interesada en conocer la influencia de varios factores en

la variable duración de una llamada telefónica. Los factores que se consideran son los
siguientes: hora a la que se produce la llamada; día de la semana en que se realiza la
llamada; zona de la ciudad desde la que se hace la llamada; sexo del que realiza la
llamada; tipo de teléfono (público o privado) desde el que se realiza la llamada.

2. El diseño experimental se distingue por el hecho de definir y controlar las variables

independientes antes de lanzarlas al mercado, intentando distintos tipos de estímulos,
a los que respondan los clientes, antes de observar como ocurre verdaderamente

4.2 Clasificación de los diseños

experimentales
Existen muchos diseños experimentales para estudiar la gran diversidad de problemas o
situaciones que ocurren en la práctica. Esta cantidad de diseños hace necesario saber
cómo elegir el más adecuado para una situación dada y, por ende, es preciso conocer
cómo es que se clasifican los diseños de acuerdo con su objetivo y su alcance. Los cinco
aspectos que más influyen en la selección de un diseño experimental, en el sentido de
que cuando cambian por lo general nos llevan a cambiar de diseño, son:

1. El objetivo del experimento.

2. El número de factores a estudiar.
3. El número de ni veles que se prueban en cada factor.
4. Los efectos que interesa investigar (relación factores respuesta).
5. El costo del experimento, tiempo y precisión deseada.

Estos cinco puntos no son independientes entre sí, pero es importante señalarlos de
manera separada, ya que al cambiar cualquiera de ellos generalmente cambia el diseño

)
 lOMoARcPSD|16813518

experimental a utilizar. Con base en algunos de estos cinco puntos es posible clasificar los
diseños como lo hacemos a continuación.
El objetivo del experimento se utiliza como un criterio general de clasificación de los
diseños experimentales, mientras que los otros cuatro puntos son útiles para
subclasificarlos. En este sentido, de acuerdo con su objetivo y sin pretender ser
exhaustivo s, los diseños se pueden clasificar como:

1. Diseños para comparar dos o más tratamientos.

2. Diseños para estudiar el efecto de varios factores sobre la (s) respuesta (s).
3. Diseños para determinar el punto óptimo de operación del proceso.
4. Diseños para la optimización de una mezcla.
5. Diseños para hacer el producto o proceso insensible a factores no controlables.

Imagen 1. Clasificación de los diseños experimentales

Diseños factoriales
En este tipo de diseños, el investigador manipula dos o más variables independientes e
incluyen dos o más niveles de presencia en cada una de ellas. La denominación de este
tipo de diseños se hace por el número de variables independientes y el número de niveles
de cada una de ellas. Como ejemplos tenemos:
a) Un diseño 2 x 2, quiere decir que se emplean dos variables independientes con dos
niveles.
b) Un diseño 3 x 3 quiere decir que se emplearán tres tipos de variables independientes
con tres categorías o niveles.
Los números no necesariamente tienen que ser iguales. En este tipo de diseño, el número
de grupo se calcula multiplicando los números que lo componen: para un diseño 2 x 2, el
total de grupos experimentales es de 4; para un diseño 3 x 3 x 2, el total de grupos será
18.

)
 lOMoARcPSD|16813518

La gran ventaja de este tipo de diseños radica en el hecho de que le permite al

investigador evaluarlos efectos de cada variable independiente sobre la dependiente por
separado, además de evaluarlos efectos de las variables independientes conjuntamente.
Hay dos tipos de efectos a evaluar: los efectos de cada variable independiente, también
llamados efectos principales y los efectos de interacción entre dos o más variables
independientes.
En el cuadro 3 se muestra un ejemplo de posibles resultados de un diseño 3x2 en el cual
se pretende estudiar el efecto que produce un plan de entrenamiento de fuerza a
intensidades de 20%, 50% y 80%, sobre la variable género (hombres mujeres). Los
resultados se dan en unidades relativas (peso levantado / peso corporal). En los casos A y
B se dan solo efectos principales sin efectos interactivos; en los casos C y E, solo efectos
interactivos; en el caso F, no existen efectos. Cuadro 3. Ejemplos de resultados en un
diseño factorial 3x2, en el cual se pretende analizar el efecto de un plan de entrenamiento
de fuerza con tres niveles de intensidad sobre la variable género. Los resultados se
presentan en forma relativa (Peso levantado / peso corporal). Y se analizan los efectos
principales e interacciones
Diseño completamente aleatorio
Este diseño es el más sencillo, eficiente y se origina por la asignación aleatoria de los
tratamientos a un conjunto de unidades experimentales previamente determinado. En este
diseño usamos “k” tratamientos, asignándose cada uno al azar a “n” unidades
experimentales; para cada unidad seleccionamos al azar un número de 1 a k para decidir
que tratamiento debemos aplicar a esa unidad experimental. Si no existen restricciones,
con excepción del requerimiento de igual número de unidades experimentales por
tratamiento, entonces se dice que el experimento tiene un diseño completamente
aleatorio. En este caso, todas las unidades experimentales tienen la misma probabilidad
de recibir cualquiera de los tratamientos y las unidades experimentales son
independientes. Después que se ha efectuado el experimento, tenemos un grupo de datos
consistente en las “kn” respuestas de las unidades experimentales, clasificadas en “k”
grupos de acuerdo con los tratamientos que se aplicaron. Suponemos:
1. Que los valores observados en cualquiera de los grupos constituyen una muestra
aleatoria de todas las posibles respuestas bajo ese tratamiento para todas las
unidades experimentales.
2. Que la variación entre las unidades tratadas de la misma manera es igual para
todos los tratamientos.
3. Que las respuestas se distribuyen normalmente.

La aleatorización completa puede ser apropiada cuando, a) donde el material

experimental es homogéneo; b) donde es probable que una parte apreciable de las
unidades se destruyan; y c) en experimentos pequeños en donde la mayor precisión de
otros diseños no compensa la pérdida de grados de libertad del error.
Diseño de bloques al azar
En muchos problemas de investigación es necesario diseñar experimentos en los que
pueda controlarse sistemáticamente la variabilidad producida por diferentes fuentes
extrañas. Por ejemplo, supongamos que se desea determinar si cuatro diferentes puntas
producen una diferencia en las lecturas de un equipo para medir la dureza. La máquina
funciona presionando la punta sobre una probeta de metal y determinando la dureza de la
probeta a partir de la profundidad de la marca que se produce. Se ha decidido obtener

)
 lOMoARcPSD|16813518

cuatro observaciones para cada punta. Solo existe un factor–tipo de punta y el diseño de
un factor completamente aleatorizado consiste en asignar aleatoriamente cada uno de los
4 X 4 = 16 ensayos a una unidad experimental, o sea una probeta de metal y tomar las
lecturas de la dureza correspondiente. Por lo tanto, se requerirían de 16 probetas de metal
para realizar este experimento, una para cada ensayo (Anexo A). En principio existe un
problema serio con el diseño completamente aleatorizado en esta situación. Si las
probetas son ligeramente distintas en cuanto dureza, como sería el caso si provinieran de
diferentes vaciados, las unidades experimentales (probetas o especímenes) contribuyen a
la variabilidad observada en la lectura de dureza. Como resultado, el error experimental
refleja tanto el error aleatorio como la variabilidad entre probetas. Se desea que el error
experimental sea lo más pequeño posible; en otras palabras, se busca sustraer del error
experimental la variabilidad producida por las probetas. Un diseño que logre esto requiere
que se pruebe cada punta, una vez, en cada una de las cuatro probetas diferentes. Este
diseño se conoce como diseño aleatorio por bloques completos. La palabra completo
indica que todos los tratamientos (puntas) son probadas en cada bloque (probetas). Si se
usa este diseño, los bloques o probetas forman una unidad experimental más homogénea
con la cual comparan las puntas. Esta estrategia de diseño mejora efectivamente la
precisión en la comparación al eliminar la variabilidad entre

)
 lOMoARcPSD|16813

probetas. El orden en que las cuatro puntas deben de ser probadas en cada bloque se
determina aleatoriamente.
Diseño de cuadros latino y grecolatino
No cualquier arreglo de letras latinas en forma de cuadro es un cuadro latino. La regla
fundamental es que cada letra debe aparecer sólo una vez en cada renglón y en cada
columna. Siempre es fácil construir un cuadro latino estándar: en el que en la primera
columna y en el primer renglón aparecen las letras en orden alfabético.
Con el diseño en cuadro grecolatino (DCGL) se controlan tres factores de bloque, además
del factor de tratamientos. Se llama cuadro grecolatino porque los cuatro factores
involucrados se prueban en la misma cantidad de niveles, de aquí que se pueda escribir
como un cuadro; además, se utilizan letras latinas para denotar a los tratamientos y letras
griegas para nombrar a los niveles del tercer factor de bloque. Al igual que en el cuadro
latino, cada letra (latinas y griegas) debe aparecer sólo una vez en cada renglón y en
cada columna. Además, cada par de letras debe aparecer sólo una vez en todo el arreglo.

Ejemplos
Ejemplo 1. Diseño factorial
Ejemplos de resultados en un diseño factorial 3x2, en el cual se pretende analizar el
efecto de un plan de entrenamiento de fuerza con tres niveles de intensidad (20%, 50% y
80%) sobre la variable género (hombres y mujeres). Los resultados se presentan en forma
relativa (Peso levantado / peso corporal). Y se analizan los efectos principales e
interacciones

Downloaded by EDUARDO CERVANTES (educerva10@gmail.com)

Tabla 1. Ejemplos de resultados en un diseño factorial 3x2
Ejemplo 2. Diseño completamente aleatorio
Se probaron 4 métodos de enseñanza en 12 estudiantes. Los estudiantes se asignan
aleatoriamente a los métodos de enseñanza (tres estudiantes para cada método). La
aleatorización evita la asignación sistemática de los mejores estudiantes a algún método.
Supongamos que al final del período de entrenamiento los estudiantes toman una prueba
estandarizada, alcanzando los resultados de la siguiente tabla:

8
 GRUPO

1 2 3 4
110 111 113 118
109 116 108 123
105 109 109 125
SUMA: 324 336 330 366 1356
MEDIA: 108 112 110 122 113

Tabla 2. Datos de métodos de enseñanza

Prueba de la Hipótesis nula: No hay diferencia significativa entre los métodos de enseñanza.
Contra la hipótesis alterna HA: Si hay diferencia significativa entre los métodos de enseñanza.
Como primer paso al construir un análisis de varianza encontramos los totales y las
medias, como se muestra en la tabla de datos. Hallamos entonces las sumas de
cuadrados de la siguiente manera:
Paso 1. La suma total de cuadrados es

2
2
+ (109 − 113)2 + (105 − 113)2 + (111 − 113)2 + ⋯ +
∑(xij − x … ) = (110 − 113)
(125 − 113)2 = 428

Paso 2. La suma de cuadrados entre grupos es

2
2 + (112 − 113)2 + (110 − 113)2 + (122 − 113)2 =
∑(xij − x … ) = 3[(108 − 113)
3(116) = 348

Paso 3. La suma de cuadrados dentro de los grupos se obtiene más fácilmente como la
diferencia entre la suma total de cuadrados y la suma de cuadrados entre los grupos
(Tabla 3)
2
∑(xij − Xi … ) = 428 – 348 = 80
Fuente gl. gl. cm. Fcal. Ftab (0.05)
Entre grupos 3 348 116 11.6 7,591
Dentro de los grupos 8 80 10
Totales 11 428

Tabla 3. Análisis de varianza para los datos

Fcal > F tabulada entonces el Ho se rechaza, y, por tanto, hay diferencia significativa entre los
métodos de enseñanza

9
4.3 Nomenclatura y simbología en el diseño
experimental

Es un diseño experimental de clasificación simple, se trata de comparar varios grupos

generalmente llamados “métodos o tratamientos”.
Para hacer la comparación se usa una variable de respuesta cuantitativa Y que es medida
en cada uno de los grupos. Los grupos también pueden ser los niveles de una variable

cualitativa que es llamada factor. Nomenclatura.

• Pre experimentos: Son aquellos cuyo grado de control es mínimo.
• No existe manipulación de la variable.
• En los pre experimentos se encuentran los estudios de caso con una sola medición.
• Estos no contienen los requisitos mínimos de un experimento verdadero.
• No existe la manipulación de las variables independiente.
• No existe referencias de esta variable antes del estímulo.
• No contiene varios grupos de comparación.
No se pueden controlar la invalidación interna.
Diseño de pre prueba – pos prueba con un solo grupo.

• Este diseño se aplica una prueba previa al tratamiento, luego se administra el tratamiento
y se finaliza con una prueba luego del tratamiento.
• Uno de los puntos favorables en comparación al método anterior es que se posee una
referencia lineal y se puede ver el estado en que se encontraba la variable del estilo antes
del estímulo.
Desventajas del diseño.

• Una de las ventajas de este tipo de diseño es que no existe la manipulación ni grupo con
el cual se establezca una comparación.
• En este año pueden inferir las internas de invalidación como son la historia, fatiga,
maduración entre otros Simbología.

• T: tratamientos
• C: control
• F: factores
• A: números de tratamientos
• N: tamaño de muestra

10
 lOMoARcPSD|16813518

• R: Replica o repetición
• R: asignación al azar o aleatorización
• E: emparejamiento o nivelación
• G: grupo de sujetos
• X: tratamiento, estimulo o condición experimental.
• O: medición de los sujetos de un grupo: ausencia de estímulo en la variable independiente
Definiciones:
Tratamientos: Son las condiciones (procesos, técnicas, operaciones) las cuales
distinguen las poblaciones de interés. Cada tratamiento define únicamente una población.
Control: Es la capacidad que tiene el investigador para elegir según su voluntad los elementos que
intervienen en la investigación.
Efecto: Es el cambio en la variable de respuesta por el cambio de nivel de un factor.
Factores controlables: Son aquellos con un grado de control, es decir que se pueden
manejar, variar o manipular con gran finalidad.
Factores ruido: Son aquellos sobre los cuales el grado de control es menor y el manejo es más
fácil.
Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales pueden
estudiar.
Corrida o unidad experimental: Entre al cual se aplica el tratamiento y sobre el cual se
mide la variabilidad de respuesta.
Partición: Proceso que distribuye la suma total de cuadrados y de grados de libertad entre sus
diversos componentes.
Interacción: Efecto que se produce cuando los niveles (valores) de un factor interactúan
con los niveles del otro factor e influyen en la variable de respuesta. Cuando uno o más
factores trabajan juntos para producir un efecto diferente que los efectos producidos.
Diseño de bloqueos aleatorizado: En el que se obtiene simultáneamente conclusiones acerca de
dos o más factores.
Experimento factorial: Diseño experimental en el que se obtiene simultáneamente conclusiones.
Combinación: Es la asignación de un solo nivel a un factor, o de varios niveles a todos los
factores es una corrida experimental.
Variable de respuesta: Es el resultado de una corrida experimental. Variable a estudiar.
Corrida experimental: Implementación de cada una de las interacciones.
Bloque: Agrupación planeada de factores o combinaciones. Se realiza a manera de
minimizar la variación no incluida en el diseño.
Replicación: Es una repetición del experimento básico o el número de veces que se replica
cada uno de los tratamientos.

11
 lOMoARcPSD|1681351

Bloqueo: Es una técnica usada para incrementar la precisión de un experimento

mediante la eliminación de variación introducida por los factores ruido. Un bloque es una
porción de material experimental que debe ser más homogéneo que todo el conjunto de
material experimental.
Aleatorización: Es el principio básico fundamental en el uso de métodos estadísticos en
diseño experimental. Por aleatorización se entiende que, la asignación del material
experimental a los tratamientos y el orden.
Análisis de varianza (Anova): Es el proceso de subdividir la variabilidad total de las
observaciones experimentales en porciones atribuibles a fuentes de variación conocidas.
Este es el método estadístico más utilizado en el análisis de experimentos Ejemplos
El Ingeniero Gregorio Ortega Cosme realiza un experimento para provocar el efecto de 5 dietas
para engorda para chivos que se encuentran en el sector
pecuario las dietas utilizadas fueron: T1 (testigo), T2, (melosa), T3 (cebo), T4 (maíz), T5
(sorgo). Este tratamiento se aplicará con la finalidad de ver cual daba mayor peso a los
chivos. Para realizar dicho experimento se hará 5 repeticiones por tratamiento, es decir se
les aplicaran dichos tratamientos a 25 animales. Con dicha información haga lo siguiente:
a) Represente el diseño experimental completamente al azar

b) Realice el análisis de la varianza con la confiabilidad del 95% para ver si existe diferencia entre
estos tratamientos
a)
T5 T1 T2 T4 T5
T3 T2 T4 T2 T1
T2 T4 T1 T5 T4
T3 T5 T4 T1 T1
T3 T2 T5 T3 T3

Tabla 4. Representación del diseño experimental

completamente al azar
b) Para realizar lo de este inciso una vez aplicado los tratamientos a los chivos se midió su peso
y los resultados fueron los siguientes

1350 980 1200 1400 1420

1300 1230 1350 1250 1050
1390 1380 1100 1550 1420
1180 1600 1500 1000 1120
1200 1250 1490 1170 1050
 lOMoARcPSD|1681351

Tabla 5. Resultados del diseño experimental

completamente al azar

4.4 Identificación de los efectos de los diseños experimentales

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

industriales, en muchas de las cuales, los resultados del proceso de interés se ven
afectados por la presencia de distintos factores, cuya influencia puede estar oculta por la
variabilidad de los muéstrales. Es fundamental conocer los efectos que influyen realmente
y estimar esta influencia. Para conseguir esto es necesario experimental y observar la
variable de respuesta. Del análisis y estudio de la información recogida se obtienen las
conclusiones.
Aleatorización
Consiste en hacer las corridas experimentales en orden aleatorio (al azar) y con material
también seleccionado aleatoriamente. Este principio aumenta la probabilidad de que el
supuesto de independencia de los errores se cumpla, lo cual es un requisito para la
validez de las pruebas de estadísticas que se realizan. También es una manera de
asegurar que las pequeñas diferencias provocadas por materiales, equipo y todos los
factores no controlados, se repartan de manera homogénea en todos los tratamientos.
Por ejemplo, una evidencia de incumplimiento o violación de este principio se manifiesta
cuando el resultado obtenido en una prueba está muy influenciado por la prueba
inmediata anterior.
Repetición
Es correr más de una vez un tratamiento o una combinación de factores. Es preciso no
confundir este principio con medir varias veces el mismo resultado experimental. Repetir
es volver a realizar un tratamiento, pero no inmediatamente después de haber corrido el
mismo tratamiento, sino cuando corresponda de acuerdo con la aleatorización. Las
repeticiones permiten distinguir mejor qué parte de la variabilidad total de los datos se
debe al error aleatorio y cuál a los factores. Cuando no se hacen repeticiones no hay
manera de estimar la variabilidad natural o el error aleatorio, y esto dificulta la
construcción de estadísticas realistas en el análisis de los datos.
Bloqueo
Consiste en nulificar o tomar en cuenta, en forma adecuada, todos los factores que
puedan afectarla respuesta observada. Al bloquear, se supone que el subconjunto de
datos que se obtengan dentro de cada bloque (nivel particular del factor bloqueado), debe
resultar más homogéneo que el conjunto total de datos. Por ejemplo, si se quieren
comparar cuatro máquinas, es importante tomaren cuenta al operador de las máquinas,
en especial si se cree que la habilidad y los conocimientos del operador pueden influir en
 lOMoARcPSD|1681351

el resultado. Una posible estrategia de bloqueo del factor operador, sería que un mismo
operador realizara todas las pruebas del experimento.
Otra posible estrategia de bloqueo sería experimentar con cuatro operadores (cuatro
bloques), donde cada uno de ellos prueba en orden aleatorio las cuatro máquinas; en este
segundo caso, la comparación de las máquinas quizás es más real
Existen numerosos diseños experimentales cada uno adecuado para analizar cierto tipo
de pregunta. Sin embargo, todos los diseños experimentales comparten los tres
siguientes rasgos.
a) La selección aleatoria de las unidades experimentales. Esto evita el sesgo del muestreo.
b) El número de las repeticiones. Esto permite la cuantificación del error experimental.
c) El control local de las condiciones. Esto ayuda a la reducción del error experimental.
Inconvenientes de la experimentación tradicional

• Es necesario un gran número de pruebas

• Las conclusiones obtenidas en el estudio de cada factor tienen un campo de validez muy
restringida
• No es posible estudiar la existencia de interacción entre los factores
• Es inviable, en muchos casos, por problemas de tiempo o costo
• Las técnicas de diseño de experimentos se basan en estudiar simultáneamente los efectos de
todos los factores de interés, son más eficaces y proporcionan mejores resultados con un
menor coste
Definir los objetivos del experimento

• Identificar todas las posibles, fuentes de valoración, incluyendo factores de tratamiento y sus
niveles, unidades experimentales
• Factores de bloque, factores de ruido y covariables
• Elegir una regla de asignación de las unidades experimentales a las condiciones de estudio-
tratamientos
• Especificar las medidas con que se trabajara la respuesta, del procedimiento experimental y
anticiparse a las posibles dificultades
• Ejecutar un experimento piloto
• Especificar el modelo
• Esquematizar los pasos del análisis
• Determinar el tamaño muestral
• Revisar las decisiones anteriores
• Codificarlas si se considera necesario
Importancia de aleatorización
La aleatorización consiste en que tanto la asignación del material experimental como el
orden en que se realizan las pruebas individuales o ensayos se determinan
aleatoriamente y la importancia de esta consiste en:
 lOMoARcPSD|1681351

a) Garantizar la validez de la estimación del error experimental

b) Garantizar la independencia de los errores o que las observaciones sean variables aleatorias
independientes
Esto es necesario para obtener pruebas de significancia válidas y estimados de
intervalos. Eliminar el sesgo de tal manera que no desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños que pudieran estar
presentes. Ejemplos
1. Se aplicaron tres dosis de unos fertilizantes en dos épocas de primavera (P) y de otoño
(O). Los resultados sobre el rendimiento de cultivo de una especie vegetal se
presentan en la Tabla 3. Prueba de la hipótesis nula en la cual no existen efecto de
dosis y época sobre el rendimiento de cultivo.
Diseños experimentales
P1 O1 P2 O2 P3 O3 Testigo
9 30 16 10 17 12 30
9 7 10 18 4 7 10 18
16 21 18 24 4 16 24 32
4 9 18 12 4 17 29 26
19
67 62 73 22 57 75 106
𝚺 = 𝟑𝟖
16.8 15.5 18.2 5.8 14.2 18.75 26.5
𝐱̅ = 𝟗. 𝟓

Tabla 6. Rendimiento de una especie vegetal basado en

fertilizante y época de aplicación
 lOMoARcPSD|16813518

Tabla de ANOVA

Fuente de Var. S.C. gl. cm Fc

Tratamiento 972.3 6 162 3.61*
Error 1122.9 25 44.9
Total 209.52 31 0

Tabla 7. Tabla de ANOVA

2. Calculo de datos perdidos
La simplicidad y la flexibilidad del diseño no se ven afectadas por algunos datos perdidos.
Supongamos que en un ensayo con el fertilizante de potasio nos encontramos dos grupos
(A y B) de datos perdidos
Cálculos de datos perdidos

K20/ha R1 R2 R3 Totales Tx
40.4 0.00 8 7.93 15.93 T
60.5 8.14 8.15 7.87 24.16
80.6 7.76 B 7.74 15.50 T
120.8 7.17 7.57 7.8 22.54
161 7.46 7.68 7.21 22.55
30.58 31.4 38.55 100.48
B B

Tabla 8. Datos perdidos en el ensayo de fertilizantes

El procedimiento de siguientes cálculos el diseño nos permite el cálculo de datos perdidos, para su
reemplazo. El procedimiento es como sigue:
8.00+7.93
Promedio = = 7.96
2
𝑟𝐵+𝑡𝑇−𝐺𝑡𝑜𝑡𝑎𝑙 (𝑟−1)(𝑡−1)

Yi =

b= = 7.91

a= = 7.86
Donde, Yi = la fórmula para datos perdidos, a = primer dato perdido, b = segundo dato perdido

16
 lOMoARcPSD|16813518

4.5 La importancia de la aleatorización de los especímenes de

prueba
La aleatorización consiste en que tanto la asignación del material experimental como el
orden que se realizan las obras o ensayos se determinan aleatoriamente y la importancia
de esta consiste en:
1. Garantizar la validez de la estimación del error experimental
2. Garantizar la independencia de los errores experimental.
3. Eliminar los sesgos de tal manera de tal manera que no se desfavorezca o discrimine a los
tratamientos y permita cancelar los efectos extraños que pudieran estar presentes.
La aleatorización hace valida la prueba, haciéndola apropiada para analizar los datos
como si la suposición de errores independientes fuera cierta. Observarse que no hemos
dicho que la aleatorización garantiza independencia, sino solo que la razón de esta
distinción debe ser clara: los errores asociados con unidades experimentales que son
adyacentes en espacio y tiempo. Es decir, en cualquier experimento, de la independencia
de errores completa y verdadera es solo ideal y nunca puede lograrse. Sin embargo, por
todo el concepto, debe buscarse tal independencia y la aleatorización es a mejor
empleada para lograr el fin deseado.
Algunas veces se introduce el concepto de aleatorización como un instrumento para
“eliminar” tendencias. Para ilustrar el razonamiento en que se basa este procedimiento A
y B debe ser parcial a favor de B, si existe un efecto de aprendizaje. Sin embargo, si cada
vez que tuvo que investigarse un nuevo compuesto, el analista hubo de decidir al azar
cuál procedimiento usar primero, la tendencia pudo haber sido reducida, tal vez eliminada.
Pero, podía haberse logrado algo más. Si tuviese actuando otras tendencias, también se
podrían haber eliminado sus efectos. En otras palabras, la aleatorización es como un
seguro; siempre es una buena idea y algunas veces es aún mejor de que esperábamos.
Se define la aleatorización como la asignación de tratamientos a unidades experimentales que se
han obtenido de manera aleatoria.
Esto también nos habla de la importancia de la de la aleatorización ya que esta
proporciona estimaciones validas de la varianza del error para métodos de inferencia
estadística justificados para la estimación y pruebas de hipótesis en el experimento.
No debemos olvidar que uno de los principios de la indiferencia estadística es que los
elementos de la muestra sin representativos de la población, de igual manera, los datos
colectados de un experimento deben ser representativos de lo que ha ocurrido, sin
embargo, si sobre las unidades experimentales se ha hecho una selección cuidadosa y
supervisada al efectuar el experimento que se hace con la muestra aleatoria, más aun
suponga, que las unidades a las que se les aplicara uno de tres tratamientos provenientes
de lotes de producción elaborados por 3 máquinas diferentes.
En pocas palabras aleatorización, aumenta la probabilidad que el supuesto de
independencia entre las observaciones, que recordemos es básico para la validez de las
pruebas estadísticas Ejemplo
La aleatorización consiste en un procedimiento realizado para llevar a cabo la asignación
en los ensayos clínicos de pacientes y tratamiento, es decir, que tanto el material

17
 lOMoARcPSD|16813518

experimental como el orden en que se realizan las pruebas individuales se fijan de forma
aleatoria o al azar, donde cuyo propósito es evitar los sesgos de selección. La razón de
esta distinción debe ser clara: los errores asociados con unidades experimentales que son
adyacentes en espacio o tiempo, tenderán a correlacionarse, y todo lo que hace la
aleatorización es asegurarnos que el efecto de esta correlación, sobre cualquier
comparación entre los tratamientos, se hará tan pequeña como sea posible. Aun quedara
algo de correlación, pero en ninguna cantidad de aleatorización puede eliminar
totalmente. Es decir, en cualquier experimento, la independencia de errores completa t
verdadera es solo ideal y nunca puede logarse. Sin, embargo por todos conceptos, debe
buscarse tal independencia y la aleatorización es la mejor técnica empleada para lograr el
fin deseado.

Principal importancia.

• Posibilita encubrir a los pacientes en la asignación de tratamiento antes del ensayo de tal forma
que no pueda saberse, quien es el paciente, a que orden pertenece ni cuál es el tratamiento que
se le asigna.
• Eliminar el sesgo con el objeto de que no desfavorezca o discriminen los tratamientos permitiendo
evitar los efectos de factores extraños.
• Garantizar la validez de la estimación del error experimental.

4.6 Prueba de Duncan

Supuestos estadísticos en las pruebas experimentales

A. Aditividad
Los factores o componentes del modelo estático son aditivos, es decir la variable
respuesta es la suma de los efectos del modelo estadístico. B. Linealidad.
La relación existente entre los factores o componentes del modelo estadístico es del tipo
lineal.
C. Normalidad.
Los valores resultados del experimento proviene de una distribución de probabilidad
“Normal” con media m y varianza S2. Es el ajuste de los datos, en mayor o menor medida,
a la curva normal; por independencia el que las “n” observaciones hayan sido
aleatoriamente extraídas y sean independientes entre sí. D. Independencia.
Los resultados observados de un experimento son independientes entre sí.
Dos variables estadísticas son estadísticamente independientes cuando el compo
rtamiento estadístico de una de ellas no se ve afectado por los valores que toma la otra;
esto es cuando las relativas de las distribuciones condicionadas no se ven afectadas por
la condición, y coinciden en todos los casos con las frecuencias relativas marginales.

18
 lOMoARcPSD|16813518

E. Variancias Homogéneas.
Las diversas poblaciones generadas por la aplicación de dos o más tratamientos tienen
variancias homogéneas (variancia común).
Tabla ANOVA para diseño completamente aleatorizado
Fuentes de Suma de Grados de Cuadrado
F0
variación cuadrados libertad medio
Tratamientos SStratamiento a -1 MStratamiento
Error SSE a (n-1) MSE MStratamiento/MSE
Total SST an - 1

Tabla 9. Tabla ANOVA para diseño completamente aleatorio

Tamaños de muestras iguales
𝒂 𝐧 𝟐

𝟐− 𝐲…
𝐒𝐒𝟏 = ∑ ∑ 𝐲𝐢𝐣 𝐍
𝒊̇=𝟏 𝐣=𝟏

Donde:

• a = cantidad de tratamientos
• n = cantidad de replicas  𝑦𝑖𝑗 = replica j del tratamiento i  y… = gran total
• N = total de observacion

19
 lOMoARcPSD|16813518

𝑺𝑺𝑬 = 𝑺𝑺𝑻 − 𝑺𝑺𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐

Tamaños de muestras diferentes

𝒂 𝐧 𝐲…𝟐
𝟐
𝐒𝟏 = ∑ ∑ 𝐲𝐢𝐣 − 𝐍
𝒊̇=𝟏 𝐣=𝟏

Donde:

• a = cantidad de tratamientos
• n = cantidad de replicas  𝑦𝑖𝑗 = replica j del tratamiento i  y… = gran total
• N = total de observaciones

𝑺𝑺𝑬 = 𝑺𝑺𝑻 − 𝑺𝑺𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐

Hipótesis

𝑯𝟎 = 𝒕𝟏 = 𝒕𝟐 = 𝒕𝟑 = ⋯ = 𝒕𝒊

𝑯𝟏 = 𝒕𝟏 ≠ 𝟎 𝒑𝒂𝒓𝒂 𝒂𝒍 𝒎𝒆𝒏𝒐𝒔 𝒖𝒏𝒂 𝒊

Se rechaza 𝐻0 si el valor –p ≤ a Prueba de

Duncan
Se utiliza para comparar todos los pares de medias. Fue desarrollado por primera vez por
Duncan en 1951 pero posteriormente él mismo modificó su primer método generando el
que ahora se denomina Nuevo método de Rango Múltiple de Duncan. Esta prueba no
requiere de una prueba previa de F, como sucede con la DMS o sea que aún sin ser
significativa la prueba F puede llevarse a cabo.
La estadística de Prueba es denotada, por qp

̅ Yi − ̅Yir
qp

Donde p es el número de medias inclusive entre las dos medias a comparar para
diseños balanceados. Para aplicar esta prueba al nivel 𝑎 se debe pasar por las
siguientes etapas:
1. Determine el error estándar (desviación estándar) de
cada promedio, 𝑠𝑦̅𝑖, el cual es dado por la expresión:

20

Downloaded by EDUARDO CERVANTES (educerva10@gmail.com)

 lOMoARcPSD|16813518

CMEE
√
𝑠𝑦̅𝑖 = r

Donde el CMEE es obtenido de la tabla Anova

2. Con los grados de libertad del error y el nivel de significancia 𝑎 determinar los
valores de rp (intervalos o amplitudes estandarizadas significativos) utilizando
las tablas de amplitudes estandarizadas de Duncan dadas por Harter (1960) y
que se encuentran en el libro de Miller (1992). Para encontrar estos valores, se
requieren los grados de libertad del error y el valor de p = 2, 3, … , t.

3. Determinar las amplitudes mínimas significativas denotadas por Rp, p = 2, 3,

… , t calculados por la expresión:

4. Se ordenan de manera creciente los resultados promedios

del experimento

5. Se comparan las medias ordenadas así: comienza a

comparar en el siguiente orden:
a) El promedio más alto, con el más bajo, comparando esta diferencia con el
intervalo mínimo significativo . Si esta diferencia es no significativa entonces todas las
otras diferencias son no significantes. Si la diferencia es significativa se continua con
b)
b) Posteriormente se calcula la diferencia entre el valor más alto y el penúltimo
y se compara con el intervalo mínimo significativo
c) Este procedimiento se continúa hasta que todas las medias se han comparado con la
media más grande .

d) A continuación se compara la segunda media más grande con la más pequeña

y se compara con el intervalo mínimo significativo .

21
 lOMoARcPSD|16813518

Este proceso continúa hasta que han sido comparadas las diferencias entre todos
t(t−1) los
posibles pares. 2
Si una diferencia observada es mayor que el intervalo mínimo significativo, se concluye
que la pareja de medias comparadas es significativamente diferente.
Para evitar contradicciones, ninguna diferencia entre una pareja de medias se considera
significativamente diferentes si éstas se encuentran entre otras dos que no difieren
significativamente. A manera de ilustración se tiene:
Cuando el diseño es desbalanceado pero los tamaños de réplicas difieren marcadamente
este método puede adaptarse utilizando en vez de en la estadística, el valor de la media
armónica de los tamaños de muestras

o alternativamente se puede reemplazar a por la media armónica de las medias

extremas, donde

y y son los tamaños de muestra correspondientes a las medias de

tratamientos menos pequeño y más grande respectivamente. Ejemplos

EJEMPLO 1.

Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:

1. El error estándar de la media es

22
 lOMoARcPSD|16813518

𝑠𝑦̅𝑖
2. Determinación de los intervalos significativos como
y
Utilización la tabla VII del Apéndice de
Montgomery se tiene:

𝑟0.05(2, 20) = 2.95

𝑟0.05(3,20) = 2.95
𝑟0.05(4,20) = 2.95 𝑟0.05(5,20)
= 2.95

3. Los rangos mínimos significativos son:

𝑅2= 𝑟0.05(2,20) 𝑠𝑦̅𝑖 = (2.95)(1.27) = 3.75

𝑅3= 𝑟0.05(3,20) 𝑠𝑦̅𝑖 = (3.10)(1.27) = 3.94
𝑅4= 𝑟0.05(5,20) 𝑠𝑦̅𝑖 = (3.25)(1.27) = 4.13

4. Las medias ordenadas ascendentemente son:

5. Comparación de las medias

23
lOMoARcPSD|16813518

24
 lOMoARcPSD|16813518

* se compara con porque entre y hay inclusive medias.

Al presentar en un diagrama de líneas los resultados se tiene:

EJEMPLO 2.

De la tabla de rangos significantes de Duncan dada en el apéndice, para a = 0.05

y 12 grados de libertad, se leen los rangos r0.05(2, 12) = 3.08, r0.05(3, 12) = 3.23
y r0.05(4, 12) = 3.33. Con esta información, los rangos mínimos significantes son:

Imagen 2. Rangos mínimos. Ejemplo de prueba de Duncan

Las cuatro medias muéstrales acomodadas en orden ascendente son: YA = 7.25, YB =
8.50, YD =10.50 y YC = 12.75. De aquí se obtienen las diferencias en el orden dado por el
método de Duncan y se van comparando con el rango correspondiente. En general, las
pruebas de Duncan y LSD tienen un desempeño similar.

4.7 Aplicaciones Industriales

El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser

aplicado a un gran número de industrias, la optimización de recursos, la
identificación de causas de variabilidad son algunos de los objetivos del diseño de
experimentos aplicados en nivel industrial.

25
 lOMoARcPSD|16813518

Industrias pesadas o de base

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

Industrias de bienes de equipo

Maquinaria
Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el
diseño de experimentos como herramienta para determinar y mejorar los índices de
capacidad de un proceso concreto apoyándose en estudios de reproducibilidad y
repetitividad.
Diseño de motores eléctricos: Estudio de las características constructivas del
motor y su influencia en variables importantes como la pérdida de flujo y la
constante de velocidad.
Diseño de electrodos: Estudio de los esfuerzos en los electrodos en función de la
fuerza de aplicación y el tamaño del electrodo.
Diseño de elementos de sujeción: Análisis de la influencia de los parámetros
geométricos en la resistencia de los remaches.

Materiales de construcción
Estudios de corrosión: Estudios de la influencia del tiempo en la corrosión de
aceros de construcción y metales en general.
Aplicaciones en el mecanizado: estudio de la variabilidad en los procesos de
mecanizado, ayuda a la reducción de piezas defectuosas y aumento de la
capacidad de producción.

A.G. Producción de vehículos industriales

Estudio de procesos de soldadura: estudio de un proceso de soldadura, para

determinar las variables que influyen en la resistencia de la soldadura.

26
 lOMoARcPSD|16813518

Industria Aeronáutica
Optimización del proceso de anodizado y pintado: optimizar los procesos de
anodizado y pintado para conseguir una buena protección anticorrosión.

Informática y telecomunicaciones
Estudio del rendimiento de una red informática: Realizando simulaciones es
posible cuantificar el rendimiento y las variables críticas que hacen que la
transferencia de datos en la red sea económicamente rentable.
Mejora del rendimiento de un procesador: Se usa para determinar el impacto
que tienen variables importantes como la temperatura y las horas de uso en el
rendimiento del procesador.
Reducción del tiempo del CPU: El estudio se basa en la aplicación del diseño de
experimentos para determinar la mejor combinación de factores que reduzcan el
tiempo de CPU.
Optimización de materiales en semiconductores: Estudio de las propiedades
eléctricas del arsienuro de galio dopado con silano
Diseño de filtros pasivos: se utiliza el diseño de experimentos para determinar
los valores de las tolerancias de los componentes para optimizar los circuitos.

Operaciones en un sistema de fangos activos: optimizar y entender las

reacciones que se dan en el tratamiento secundario de una EDAR, por ejemplo,
los fangos activos.

Biotecnología

27
 lOMoARcPSD|16813518

Ejemplo
Un fabricante de papel para hacer bolsas comestibles, se encuentra interesado en mejorar
la resistencia a la tensión del producto. El departamento de ingeniería del producto piensa
que la resistencia a la tensión en una función de la concentración de madera dura en la
pulpa y que el rango de concentraciones de madera de interés practico entre el 5% y 20%.
El equipo de ingenieros responsables del estudio decide investigar cuatros niveles de
concentración de madera dura: 5%, 10%, 15% y 20%. Deciden hacer seis ejemplares de
prueba con cada nivel de concentración, utilizando una planta piloto. Las 24 muestras se
aprueban, en orden aleatorio, con una máquina de laboratorio para aprobar la resistencia.

Concentración de Observaciones
madera dura Totales
1 2 3 4 5 6
5% 7 8 15 11 9 10 60
10% 12 17 13 18 19 15 94
15% 14 18 19 17 16 18 102
20% 19 25 22 23 18 20 127
383

Tabla 10. Tabla de ejemplares de prueba para cada nivel de

concentración

Conclusión
De manera personal, y a manera de conclusión, puedo decir que el diseño
experimental es de gran importancia y de gran utilidad no solo en la industria, si no
como se ha visto anteriormente, dicho diseño es de gran utilidad en diversas áreas
tales como la informática, la biotecnología, la industria y el área farmacéutica entre
muchas otras, debido a que dicho diseño nos permite reducir al máximo la
variabilidad de los procesos, estudiando los factores que son considerados como
de más alta influencia sobre un proceso.
De esta manera, a través del diseño experimental para un factor, la industria o
cualquier otra área que aplique o utilice dicho diseño podrá corregir defectos en
sus procesos, reducir tiempos, dinero y esfuerzos, así como analizar y detectar
errores para poder corregirlos en los diversos procesos que lleva a cabo.

28
 lOMoARcPSD|16813518

BIBLIOGRAFIAS

Bustos, R. (2020). Diseño experimental para un factor. StuDocu. Recuperado 25 de

noviembre de 2021, de https://www.studocu.com/es-mx/document/institutopolitecnico-
nacional/estadistica/estadistica-iii-investigacion-del-disenoexperimental-para-un-factor/
8418982
Gutiérrez H. y De la Vara R. (2008) Análisis y diseño de experimentos; México:
McGraw Hill https://www.academia.edu/41280762/Analisis_y_diseno_experimentos
Badii, M.H, J. Castillo, M. Rodríguez, A. Wong & P. Villalpando (2007) Diseños
experimentales e investigación científica; Universidad Autónoma de Nuevo León: México
http://eprints.uanl.mx/12482/1/A5.pdf
Soto, M. (2016, 26 enero). NOMENCLATURA Y SIMBOLOGIA EN EL DISEÑO
EXPERIMENTAL. Apuntes - MoRaRzL. Recuperado 25 de noviembre de 2021, de
https://www.clubensayos.com/Ciencia/NOMENCLATURA-Y-SIMBOLOGIA-EN-ELDISE
%C3%91O-EXPERIMENTAL/3110298.html
Jiménez, C. P. (2019). Identificación de los efectos de los diseños experimentales.
SlidePlayer. Recuperado 25 de noviembre de 2021, de
https://slideplayer.es/slide/14808223/
Hernández D. (2014) La importancia de la aleatorización de los experimentos de prueba.
Recuperado 25 de noviembre de 2021, de
https://es.scribd.com/doc/220947358/4-5-La-Importancia-de-La-Aleatorizacionde-Prueba
Olivares, B. M. (2018, 15 abril). ESTADISTICA ADMINISTRATIVA UNIDAD. Academia.
Recuperado 25 de noviembre de 2021, de
https://www.academia.edu/36415293/ESTADISTICA_ESTADISTICA_ADMINISTRATIVA
_UNIDAD
Rivera H. (2016, 15 mayo). Diseño Experimental. Universidad Nacional de Colombia.
Recuperado 25 de noviembre de 2021, de
http://red.unal.edu.co/cursos/ciencias/2000352/html/un3/cont_317-60.html

29
lOMoARcPSD|16813518

30