Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
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:
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
)
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
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
2
2
+ (109 − 113)2 + (105 − 113)2 + (111 − 113)2 + ⋯ +
∑(xij − x … ) = (110 − 113)
(125 − 113)2 = 428
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
9
4.3 Nomenclatura y simbología en el diseño
experimental
• 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
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
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
• 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
Tabla de ANOVA
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
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
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.
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
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
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
𝑯𝟎 = 𝒕𝟏 = 𝒕𝟐 = 𝒕𝟑 = ⋯ = 𝒕𝒊
̅ 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
CMEE
√
𝑠𝑦̅𝑖 = r
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.
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
Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:
22
lOMoARcPSD|16813518
𝑠𝑦̅𝑖
2. Determinación de los intervalos significativos como
y
Utilización la tabla VII del Apéndice de
Montgomery se tiene:
23
lOMoARcPSD|16813518
24
lOMoARcPSD|16813518
EJEMPLO 2.
25
lOMoARcPSD|16813518
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.
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.
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
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
29
lOMoARcPSD|16813518
30