Investigación Documental

Diseño Experimental para Un Factor

López Vicente Beatriz Adriana

Ingeniería en Gestión Empresarial, Instituto Tecnológico de Tuxtla

Gutiérrez.

Estadística Inferencial II

Rene Javier Than Marquez

11 de noviembre del 2023

Indice
4.1 Introducción........................................................................................................................................ 4
Conceptualización ............................................................................................................................... 4
Importancia ............................................................................................................................................ 5
Alcances del diseño experimental en el ámbito empresarial................................................... 5
Ejemplos ................................................................................................................................................. 6
4.2 Clasificación de los diseños experimentales ............................................................................ 7
Imagen 1. clasificación de los diseños experimentales ................................................................... 8
Diseños factoriales .............................................................................................................................. 9
Diseño completamente aleatorio ................................................................................................... 10
Diseño de bloques al azar................................................................................................................ 11
Diseño de cuadros latino y grecolatino ....................................................................................... 12
Ejemplos ............................................................................................................................................... 13
Tabla 1. Ejemplo de resultados en un diseño factorial de 3 x 2 .................................................... 13
Ejemplo 2. Diseño completamente aleatorio .............................................................................. 14
Tabla 2. Datos de métodos de enseñanza. ...................................................................................... 14
Tabla 3. Análisis de varianza para los datos. ................................................................................... 15
4.3 Nomenclatura y simbología en el diseño experimental ........................................................ 16
Nomenclatura ...................................................................................................................................... 16
Diseño de pre prueba – posprueba con un solo grupo ....................................................... 16
Desventajas del diseño ................................................................................................................ 17
Simbología ........................................................................................................................................... 17
Definiciones ......................................................................................................................................... 17
Ejemplos ............................................................................................................................................... 20
Tabla 4. Representación del diseño experimental completamente al azar ................................. 20
Tabla 5. Resultados del diseño experimental completamente al azar ......................................... 20
4.4 Identificación de los efectos de los diseños experimentales. ............................................ 21
Aleatorización ..................................................................................................................................... 21
Repetición ............................................................................................................................................ 22
Bloqueo ................................................................................................................................................ 22
Inconvenientes de la experimentación tradicional ................................................................... 23
Definir los objetivos del experimento........................................................................................... 24
 Importancia de aleatorización ........................................................................................................ 25
Ejemplos ............................................................................................................................................... 25
Tabla 6. Rendimiento de una especie vegetal basado en fertilizante y época de aplicación. . 26
Tabla 7. Tabla de ANOVA .................................................................................................................... 26
Tabla 8. Datos perdidos en el ensayo de fertilizantes .................................................................... 26
4.5 La importancia de la aleatorización de los especímenes de prueba................................. 27
Ejemplos ............................................................................................................................................... 29
Principal importancia ........................................................................................................................ 29
Supuestos estadísticos en las pruebas experimentales. ............................................................ 30
Tabla 9. Tabla ANOVA para diseño completamente aleatorio. ...................................................... 31
4.6 Prueba de Duncan ........................................................................................................................... 32
Ejemplos ............................................................................................................................................... 35
Ejemplo 2.............................................................................................................................................. 37
Imagen 2. Rangos mínimos. Ejemplo de prueba de Duncan........................................................ 38
4.8 Aplicaciones Industriales .............................................................................................................. 38
Industrias pequeñas o de base ...................................................................................................... 38
Química pesada .............................................................................................................................. 38
Industrias de bienes de equipo ...................................................................................................... 39
Maquinaria ....................................................................................................................................... 39
Materiales de construcción ............................................................................................................. 39
Producción de vehículos industriales .......................................................................................... 40
Industria aeronáutica ........................................................................................................................ 40
Informática y telecomunicaciones ................................................................................................ 40
Biotecnología ...................................................................................................................................... 41
Ejemplos ............................................................................................................................................... 41
Tabla 10. Tabla de ejemplares de prueba para cada nivel de concentración. ............................ 42
Conclusión ............................................................................................................................................... 42
Bibliografías ............................................................................................................................................ 42
4.1 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 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 niveles 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 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 exhaustivos, 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.

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.

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 “k n” 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

La máquina funciona presionando la punta contra una muestra de metal y determinando

la dureza de la muestra por la profundidad de la marca realizada. Existe un solo factor,

tipo de punta, y el diseño factorial completamente al azar consiste en asignar

aleatoriamente cada uno de los 4 X 4 = 16 ensayos a la unidad experimental, es decir, la

probeta metálica, y tomar las lecturas de dureza correspondientes. Como resultado, el

error experimental refleja tanto el error aleatorio como la variabilidad entre muestras. Es

deseable que el error experimental sea lo más pequeño posible; En otras palabras, el

objetivo es restar del error experimental la variabilidad causada por las muestras de

prueba.

El diseño que logra esto requiere que cada punta se pruebe una vez en cada uno de

cuatro tubos diferentes. Este diseño se conoce como diseño de bloques completos al

azar. Con este diseño, los bloques o muestras forman una unidad experimental más

uniforme con la que se comparan las puntas.

Esta estrategia de diseño mejora efectivamente la precisión en la comparación al eliminar

la variabilidad entre 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

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.

Tabla 1. Ejemplo de resultados en un diseño factorial de 3 x 2

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:

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;

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

Paso 2. La suma de cuadrados entre grupos es;

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

∑ (xij−Xi…)2 = 428 – 348 = 80

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.

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 – posprueba 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
• 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.

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.

c)

Tabla 4. Representación del diseño experimental completamente al azar

d) Para realizar lo de este inciso una vez aplicado los tratamientos a los chivos se

midió su peso y los resultados fueron los siguientes:

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 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:

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

Tabla 6. Rendimiento de una especie vegetal basado en fertilizante y época de

aplicación.

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

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:

Promedio = 8.00+7.932/2 = 7.96

Yi = 𝑟𝐵+𝑡𝑇−𝐺𝑡𝑜𝑡𝑎𝑙(𝑟−1) (𝑡−1)

b = 3(31.40) +5(15.50) −(100.48+7.96) (3−1) (5−1) = 7.91

a = 3(30.58) +5(15.93) −(100.48+7.91) (3−1) (5−1) = 7.86

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

perdido.

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.

Por lo 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.

A veces, el concepto de aleatorización se introduce como una herramienta para “eliminar”

tendencias. En otras palabras, la aleatorización es como un seguro; Esto siempre es una

buena idea y, a veces, incluso mejor de lo que esperábamos. La aleatorización se define

como la asignación de tratamientos a unidades experimentales que fueron asignadas al

azar.

Esto también nos indica la importancia de la aleatorización porque proporciona

estimaciones confiables de la varianza del error para métodos de inferencia estadística

válidos para evaluar y probar hipótesis en un experimento. No debemos olvidar que uno

de los principios de la indiferencia estadística es que los elementos de la muestra no son

representativos de la población;

Asimismo, los datos recogidos en un experimento deben ser representativos de lo

ocurrido, sin embargo, si se ha hecho una selección cuidadosa y controlada de las

unidades experimentales en un experimento realizado con una muestra aleatoria, es aún

más probable que las unidades a las que se destinará aplicar

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.

Ejemplos

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

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.

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.

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 provienen 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 comportamiento 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.

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

Tabla 9. Tabla ANOVA para diseño completamente aleatorio.

Tamaño de muestras iguales

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

Tamaños de muestras diferentes

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

Se rechaza 𝐻0 si el valor –p ≤ a

4.6 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.

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, 𝑠𝑦𝑖, el cual es

dado por la expresión:

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.

Este proceso continúa hasta que han sido comparadas las diferencias entre todos los

t(t−1) /2 posibles pares.

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

Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:
1. El error estándar de la media es
2. Determinación de los intervalos

significativos como a=0.5 y gl. del error=20 Utilización la tabla VII del Apéndice de

Montgomery se tiene:

3. Los rangos mínimos significativos son:

4. Las medias ordenadas ascendentemente son:

5. Comparación de las medias

* se compara con porque entre y hay inclusive 5 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.

4.8 Aplicaciones Industriales

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

a un gran número de industrias, la optimización de recursos, la identificación de causas

de variabilidad son algunos de los objetivos del diseño de experimentos aplicados en

nivel industrial.

Industrias pequeñas o de base

Química pesada

Estudio de la composición para la elaboración de productos: Estudio de los valores más

apropiados para la elaboración de compuestos químicos que requieran diversos

componentes. Análisis del efecto de las condiciones del entorno en la elaboración del

producto como la temperatura ambiente, humedad relativa etc.

Industrias de bienes de equipo

Maquinaria

Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el diseño

de experimentos como herramienta para determinar y mejorar los índices de capacidad

de un proceso concreto apoyándose en estudios de reproducibilidad y repetitividad.

Diseño de motores eléctricos: Estudio de las características constructivas del motor y

su influencia en variables importantes como la pérdida de flujo y la constante de

velocidad.

Diseño de electrodos: Estudio de los esfuerzos en los electrodos en función de la fuerza

de aplicación y el tamaño del electrodo.

Diseño de elementos de sujeción: Análisis de la influencia de los parámetros

geométricos en la resistencia de los remaches.

Materiales de construcción

Estudios de corrosión: Estudios de la influencia del tiempo en la corrosión de aceros

de construcción y metales en general.

Aplicaciones en el mecanizado: estudio de la variabilidad en los procesos de

mecanizado, ayuda a la reducción de piezas defectuosas y aumento de la capacidad de

producción.
Producción de vehículos industriales

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

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

Industria aeronáutica

Optimización del proceso de anodizado y pintado: optimizar los procesos de

anodizado y pintado para conseguir una buena protección anticorrosión.

Informática y telecomunicaciones

Estudio del rendimiento de una red informática: Realizando simulaciones es posible

cuantificar el rendimiento y las variables críticas que hacen que la transferencia de datos

en la red sea económicamente rentable.

Mejora del rendimiento de un procesador: Se usa para determinar el impacto que

tienen variables importantes como la temperatura y las horas de uso en el rendimiento

del procesador.

Reducción del tiempo del CPU: El estudio se basa en la aplicación del diseño de

experimentos para determinar la mejor combinación de factores que reduzcan el tiempo

de CPU.

Optimización de materiales en semiconductores: Estudio de las propiedades

eléctricas del arseniuro de galio dopado con silano.

Diseño de filtros pasivos: se utiliza el diseño de experimentos para determinar los

valores de las tolerancias de los componentes para optimizar los circuitos.

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

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

Ejemplos

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.
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.

Bibliografías

(s.f.). Obtenido de 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 A.G.

(s.f.). Obtenido de 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-Aleatorizacion-

de-Prueba

(s.f.). Obtenido de Bustos, R. (2020). Diseño experimental para un factor. StuDocu.

Recuperado 25 de noviembre de 2021, de https://www.studocu.com/es-

mx/document/instituto-politecnico-nacional/estadistica/estadistica-iii-

investigacion-del-diseno-experimental-para-un-fact

(s.f.). Obtenido de Gutiérrez H. y De la Vara R. (2008) Análisis y diseño de experimentos;

México: McGraw Hill

(s.f.). Obtenido de Badii, M.H, J. Castillo, M. Rodríguez, A. Wong & P. Villalpando (2007)

Diseños experimentales e investigación científica; Universidad Autónoma de

Nuevo León: México

(s.f.). Obtenido de Soto, M. (2016, 26 enero). NOMENCLATURA Y SIMBOLOGIA EN EL

DISEÑO EXPERIMENTAL. Apuntes - MoRaRzL. Recuperado 25 de noviembre de

2021