Tema 1. Diseño Experimental

UNIVERSIDAD DEL ZULIA
FACULTAD DE INGENIERIA
DIVISIÓN DE ESTUDIOS PARA GRADUADOS
PROGRAMA DE DOCTORADO EN INGENIERIA
SEMINARIO: TOPICOS ESPECIALES DE ESTADÍSTICA EXPERIMENTAL
TEMA 1. DISEÑO EXPERIMENTAL
INSTRUCTOR:
DR. EDINSON E. JIMÉNEZ MEDINA
estadistica.edinson@gmail.com
+57 3174948112
Maracaibo, marzo de 2023

BIBLIOGRAFIA
1.- CASTEJON S, Osiris (2008). Diseño y análisis de experimentos con statistix.
Colección Textos Universitarios. Universidad del Zulia. Vice Rectorado Académico.
Producciones Editoriales C.A. Mérida, Venezuela.
2.- DANIEL, Wayne W (2007). Bioestadística. Base para el análisis de las ciencias
de la salud. Cuarta edición. Editorial LIMUSA, S.A de C.V. México, D.F.
3.- ESCALANTE VESQUEZ, EDGARDO J. (2014). Diseño y análisis de

experimentos. Editorial LIMUSA, S.A de C.V. México, D.F.
4.- HANKE, Jhon E y REITSCH, Arthur G (1995). Estadística para negocios.

Segunda edición. Mosby – Doyma Libros, S.A. – División IRWIN. España.
5.- MONTGOMERY, Douglas C (2008). Control estadístico de la calidad. Tercera

edición. Editorial LIMUSA, S.A de C.V. México, D.F.
6.- MONTGOMERY, Douglas C (2004). Diseño y análisis de experimentos. Segunda

edición. Editorial LIMUSA WILEY. México.
, D.F.
7.- NAVIDI, William (2006). Estadística para ingenieros y científicos. Mc Graw-Hill

Interamericana. México. D.F.
CONTENIDO
1. Diseño experimental (Definición)
1.1- Relación entre conocimiento, calidad, diseño de experimentos y método
científico.
1.2- Pasos del método científico.
1.3- Objetivos de un experimento.
1.4- Utilidad de los métodos de diseño experimental.
2. Pautas para el diseño de experimentos

3.1- Procedimiento para diseñar un experimento.
3. Breve historia del diseño experimental

I.- DISEÑO Y ANALISIS DE EXPERIMENTO
Definición 1: El diseño experimental (o experimento diseñado), es una prueba o serie de

pruebas en las que se hacen cambios intencionales en las variables de entrada de un
proceso para poder observar e identificar los cambios correspondientes en la respuesta de
salida.
Definición 2: “--- conjunto de técnicas estadísticas usadas para planear experimentos y
analizar sus resultados de manera ordenada y eficiente……” (Montgomery, 2008).
1.1.- RELACION ENTRE CONOCIMIENTO, CALIDAD, DISEÑO DE EXPERIMENTOS Y

METODO CIENTIFICO
“...en el nivel mas fundamental, el nacimiento de la calidad consiste en la generación de
conocimiento” (Box 1997 citado por Escalante (2014).
La finalidad del diseño de experimento es obtener información para generar

conocimiento que pueda ser usado para mejorar productos y procesos.
Como todo proceso genera información, es importante tener los medios para
aprovecharla y usarla para obtener mejores productos. …//…
Dr. Edinson E. Jiménez M

…//…
¿Cuándo los descubrimientos dejan de ocurrir por casualidad?

En el pasado los descubrimientos ocurrían por casualidad, cuando se produce una
coincidencia entre un “evento critico” y un “observador perceptivo” en el mismo lugar, en el
mismo tiempo (Box 1998, citado por Escalante 2014).
Luego, por medio del diseño experimental, estos descubrimientos pueden ser planeados y
realizados de manera que no hay que esperar a tener la coincidencia de eventos que
anteriormente llevaba a descubrimientos importantes.
El mejoramiento continuo se lleva a cabo, a través de la lógica del método científico, el cual
esta basado en el ciclo inducción – deducción.
1- Definir el problema.
2- Desarrollar una hipótesis o modelo.
1.2- PASOS 3- Aplicar el modelo (Deducción).
DEL 4- Obtener información, realizar pruebas.
METODO 5- Comparar los resultados con el modelo y aceptar la hipótesis
CIENTIFICO o generar una nueva.
6 Repetir desde el paso 2 hasta obtener los resultados
deseados.*
* El ciclo se repite hasta que el nivel de conocimiento del proceso sea
adecuado.
…//…
Escenario para mostrar una aplicación trivial del ciclo inducción – deducción.
Una persona desea probar la siguiente hipótesis, H0: “Toda enfermedad se cura teniendo
reposo solamente”
- Deducción: Si la hipótesis anterior es cierta, la persona deduce “no es necesario ir al
medico”
- Realidad: la persona no se mejoro de la enfermedad.
- Inducción: basándose en su realidad, la persona induce una nueva hipótesis que se ajuste
mas a la realidad, H1: “Toda enfermedad se cura asistiendo al medico y teniendo reposo
solamente”
- Deducción: Si la nueva hipótesis es cierta, la persona asistirá al medico sin cumplir con la
prescripción indicada.
- Realidad: la persona se agravo de la enfermedad.
- Inducción: la persona ahora genera (induce) otra nueva hipótesis que le ayude a entender
su proceso de enfermedad y recuperación de su salud, H2: “Toda enfermedad se cura
asistiendo al medico, cumpliendo con su prescripción y teniendo reposo”.
Esta ultima hipótesis le ayudara a entender a esta persona, el proceso de curación de las
enfermedades y recuperación de la salud. …//…

…//…
“El principal uso del diseño de experimentos es encontrar la combinación optima de

los parámetros de operación. Es decir, determinar que variables afectan al
proceso/producto y en que niveles operan mejor (optimización.) (Taguchi 1987, citado
por Escalante 2014).
Un proceso o producto es robusto cuando este es insensible a los efectos de la

variación, aunque tales efectos de variación no hayan sido eliminadas.
1.3- OBJETIVOS DE UN EXPERIMENTO
1. Determinar cuales son las variables que ejercen mayor influencia sobre la
variable respuesta (Y).
2. Determinar donde ajustar las X que ejercen mayor influencia para que Y esté
cerca de la especificación nominal.
3. Determinar donde ajustar las X que ejercen mayor influencia para que la
variabilidad de Y sea pequeña.
4. Determinar donde ajustar las X que ejercen mayor influencia para que los
efectos de las variables no controladas Z se minimicen.

Los métodos del proceso experimental pueden aplicarse, sea en el desarrollo del
proceso o en la corrección de problemas del proceso a fin de mejorar el desempeño, o
bien para obtener un proceso que sea robusto o insensible a las fuentes de variabilidad
externas.
Los métodos de control estadísticos de procesos (SPC) y el diseño experimental (DOE),

son dos herramientas muy poderosas para el mejoramiento y la optimización de
procesos, guardan una estrecha relación.
Por ejemplo, si un proceso se encuentra bajo control estadístico pero sigue teniendo una
capacidad pobre, será necesaria mejorar la capacidad del proceso para reducir la
variabilidad. Los experimentos diseñados pueden ofrecer una manera más efectiva que
el control estadístico de proceso para este fin.

En esencia,
Es un método estadístico pasivo: se observa el proceso y

El control
estadístico
se aguarda hasta contar con cierta información que llevará
de procesos a un cambio útil. Sin embargo, si el proceso está bajo
(SPC) control, la información pasiva quizás no produzca mucha
información útil.
Es un método estadístico activo: se llevarán a cabo en

El diseño realidad una serie de pruebas en el proceso haciendo
experimental cambios en las entradas y observando los cambios
(DOE) correspondientes en las salidas, lo cual producirá
información que puede llevar al mejoramiento del proceso.
Dr. Edinson E. Jimenez M

1.4- Utilidad de los métodos de diseño experimental
a) Establecer el control estadístico de un proceso.

b) Identificación de variables que más influyen en un proceso.
c) En las actividades de ingeniería de diseño, en las que se desarrollan nuevos
productos y se mejoran los existentes.
En resumen, el diseño experimental es útil para:

a) la caracterización de un proceso y,
b) la optimización de un proceso (entre otras formas de utilización).

2.- Pautas para el diseño de los experimentos (Montgomery, 2008:577-579)
El uso de este enfoque requiere de que todos los participantes del experimento tengan
desde su inicio, una idea clara del objetivo del mismo, de cuales son los factores a ser
estudiados, cómo va a conducirse el experimento y al menos el conocimiento
cualitativo de la forma en que se analizaran los resultados.
2.1- Procedimiento para diseñar un experimento
1) Identificación y Una exposición clara del problema y de los objetivos del experimento con
exposición del frecuencia contribuyen sustancialmente para conseguir una mejor comprensión
problema del proceso y la solución final del problema.
El experimentador debe elegir los factores que se harán variar en el

2) Elección de los experimento, los rangos en que se harán variar esos factores y los niveles
factores y los
específicos en los que se realizarán las corridas.
niveles
El experimentador debe tener la seguridad de que la variable en realidad

3. Selección de la
proporciona información útil sobre el proceso bajo estudio. La mayoría de las
variable de
respuesta veces, el promedio y la desviación estándar de la característica medida, será
la variable respuesta.
*Los tres (3) procedimientos anteriores, es lo que se conoce como Planeación pre- experimental.

…//…
Realizados los procedimientos anteriores de manera correcta, la elección del

diseño experimental se hace relativamente fácil.
4. Elección Esta incluye:

del diseño a) La consideración del tamaño de la muestra (el número de replicas)
experimental b) Selección apropiada del orden de las corridas en los ensayos experimentales
y,
c) Uso o no de la separación en bloques u otra restricción de la aleatorización
5) Realización
Los errores en el procedimiento experimental en está etapa generalmente
del
destruirán la validez del experimento.
experimento
6) Análisis de Se utilizarán métodos estadísticos para analizar los datos a fin de que los
datos resultados y las conclusiones sean objetivas y no de carácter apreciativo.
…//…
Dr Edinson E. Jiménez M
…//…
Una vez analizados los datos, el experimento debe llegar a conclusiones

prácticas acerca de los resultados y recomendar un curso de acción.
Con frecuencia son útiles los métodos gráficos en la presentación de

7) Conclusiones y
resultados.
recomendaciones
También, la realización de corridas de seguimiento y pruebas de confirmación
son útiles para validar las conclusiones del experimento.

3.- BREVE HISTORIA DEL DISEÑO ESTADISTICO
ERA DE DESARROLLO PRECURSOS APORTES

Desarrollo ideas que llevaron a los tres
principios básicos del diseño experimental:
Agrícola (1920- 1935) Sir Ronald Fisher 1) Aleatorización
2) Realización de replicas
3) Formación de bloques
4) Incorporo los conceptos de diseño
factorial y el análisis de varianza
1) Desarrollo de la metodología de
superficies de respuesta.
2) Logran determinar la diferencia entre
los experimentos industriales de los
experimentos agrícolas, en dos
Industrial (1951) E. P Box y B. Wilson sentidos: a) la variable respuesta
puede observarse, por lo general, de
inmediato y b) el experimentador puede
obtener pronta información crucial de
un pequeño grupo de corridas que
puede usarse para planear el siguiente
experimento.
…//…
…//…
ERA DEL DESARROLLO PRECURSOS APORTES
Mejoramiento de calidad (finales de Genichi Taguchi y otros 1 )El uso de los experimentos
la década de 1970) diseñados se hizo mas
generalizados en las industrias
con piezas discretas.
2) Alternativas a los métodos
técnicos de Taguchi que
permiten que sus conceptos de
ingeniería se lleven a la
Desarrollo de varios enfoques practica de manera eficaz y
nuevos y útiles para los problemas Genichi Taguchi y otros eficiente.
experimentales en el mundo 3) Inclusión formal de la
industrial educación en diseño
experimental estadístico en los
programas de ingeniería de las
universidades.
!!MUCHAS GRACIAS !!
TRABAJO PRACTICO 1
Investigar y explicar las siguiente relaciones:
a) Entre el diseño de experimentos y el conocimiento.
b) Entre el diseño de experimentos y las definiciones de
calidad (clásica y moderna).
c) Caracterización de un proceso.
d) Desarrollar un ejemplo de como se desarrolla el ciclo
inducción – deducción.
¡¡MUCHAS GRACIAS¡¡
UNIVERSIDAD DEL ZULIA
FACULTAD DE INGENIERIA
DIVISIÓN DE ESTUDIOS PARA GRADUADOS
PROGRAMA DE DOCTORADO EN INGENIERIA
SEMINARIO: TOPICOS ESPECIALES DE ESTADÍSTICA EXPERIMENTAL
EXPERIMENTOS FACTORIALES
(Primera Parte)
INSTRUCTOR:
DR. EDINSON E. JIMÉNEZ MEDINA
estadistica.edinson@gmail.com
+573174948112
Maracaibo, marzo de 2023

BIBLIOGRAFIA
1.- CASTEJON S, Osiris (2008). Diseño y análisis de experimentos con statistix. Colección Textos Universitarios.
Universidad del Zulia. Vice Rectorado Académico. Producciones Editoriales C.A. Mérida, Venezuela.
2.- DANIEL, Wayne W (2007). Bioestadística. Base para el análisis de las ciencias de la salud. Cuarta edición.
Editorial LIMUSA, S.A de C.V. México, D.F.
3,- ESCALANTE VASQUEZ Edgardob J (20014). Diseño y análisis de experimentos. Primera edición. Editorial
LIMUSA. México, D.F.
4.- HANKE, Jhon E y REITSCH, Arthur G (1995). Estadística para negocios. Segunda edición. Mosby – Doyma
Libros, S.A. – División IRWIN. España.
5.- MONTGOMERY, Douglas C (2008). Control estadístico de la calidad. Tercera edición. Editorial LIMUSA, S.A de
C.V. México, D.F.
6.- MONTGOMERY, Douglas C (2004). Diseño y análisis de experimentos. Segunda edición. Editorial LIMUSA
WILEY. México. D.F.
7.- NAVIDI, William (2006). Estadística para ingenieros y científicos. Mc Graw-Hill Interamericana. México. D.F.
8.- PALACIOS Severo (xxxx). Estadística experimental. Aplicada a ciencia e ingeniería. Primera edición. Edición
CONCYTEC. Lima – Perú.
CONTENIDO
1. Experimentos factoriales (definición)

1.1- Ejemplo de un experimento factorial
1.2- Interacción de factores
2. Diseños de modelos factoriales

2.1- Diseño completamente aleatorizado (ANOVA de un factor)
2.2- Diseño por bloques completos aleatorizados (Dos factores)
2.3- Diseño de mediciones repetidas (un solo factor)
2.4- Diseño de cuadrado latino y greco-latino
1. EXPERIMENTOS FACTORIALES
MODELO GENERAL DE UN PROCESO
Procesos de entrada
Controlables
x1 x2 …………. xp
Entrada PROCESO Salida (Y)
z1 z2 .………….zp
Procesos de entrada
No controlables
Fuente: Montgomery (2008). Control estadístico de la calidad. P. 572 …//…

EXPERIMENTOS FACTORIALES (Definiciones)
…un experimento puede definirse como una prueba o serie de pruebas en las que se
hacen cambios deliberados en las variables de entrada de un proceso o sistema, para
observar e identificar las razones de los cambios que pudieran observarse en la
respuesta de salida…. (Montgomery, 2004).
Luego, por experimento factorial se entiende que en cada ensayo o replica completa del
experimento se investigan todas las combinaciones posibles de los niveles de los
factores.
Cuando en un experimento son varios los factores de interés, deberá usarse un diseño
factorial. En estos diseños, los factores se hacen variar al mismo tiempo.
Por tanto, si hay dos factores A y B con a niveles del factor A y b niveles del factor B,
entonces cada replica contiene las ab combinaciones posibles.
El efecto de un factor se define como el cambio en la respuesta producido por un cambio

en el nivel del factor. A este se le llama efecto primario porque se refiere a los factores
primarios del estudio.
…//…
1.1- Ejemplo de experimento factorial

Considérense los datos de la figura 1. En este diseño factorial, los dos factores A y B
tienen dos niveles denotados por “ – “ y “ + “. A estos niveles se les llama “bajo” y “alto”,
respectivamente.
Figura 1
20 40
F +
a
c
t
o
r - 10 30
“B”
- +
Factor “A”
El efecto principal del factor A es la diferencia entre la respuesta promedio del nivel alto
de A y la respuesta promedio del nivel bajo de A. …//…

…//…
Luego, para el factor A:
30  40 10  20 70 30
FA = YA+ - YA- = 2

2
 
2 2 FA  35  15  20
Interpretación: cambiar el factor A del nivel bajo (-) al nivel alto (+) produce un incremento
de la respuesta, en promedio de 20 unidades.
Factor B
20  40 10  30 60 40
FB = YB+ - YB- =
2

2
 
2 2 FB  30  20  10
Interpretación: cambiar el factor B del nivel bajo (-) al nivel alto (+) produce un
incremento de la respuesta, en promedio de 10 unidades.
…//…
…//…
1.2- Interacción de factores
En algunos experimentos, la diferencia de la respuesta entre los niveles de un factor no

es la misma para todos los niveles de los factores restantes. Cuando esto ocurre ,
existe una interacción entre factores.
Figura 2
F + 20 0
a
c
t
o -
10 30
r
“B”
- +
Factor “A”
En el nivel bajo del efecto B, el efecto A es: A = 30 – 10 = 20
En el nivel alto del efecto B, el efecto A es: A = 0 – 20 = -20
…//…
…//…
* Puesto que el efecto de A depende del nivel elegido para el efecto B, existe interacción
entre A y B. Cuando la interacción es grande, los efectos principales correspondientes
tienen escaso significado.
Por ejemplo, al utilizar los datos de la figura 2, se encuentra que el efecto principal de A es:
30  0 10  20
FA    15  15  0
2 2
Significa esto que ¿A no tiene ningún efecto?
Al examinarse el efecto principal de A con diferentes niveles del factor B, se observa que
este no es el caso. El efecto del factor A depende de los niveles del factor B.
Por tanto, el conocimiento de la interacción AB es más útil que el conocimiento del efecto
principal. Una interacción significativa puede enmascarar la significación de los efectos
principales.
…//…

…//…
Ilustración de la interacción gráficamente
Respuesta Respuesta
50 50
B+
40 40
B- B-
30 30
B+
B+
20 20
B-
10 B-
10
B+
Factor A 0 Factor A
0 - + - +
Nota: los experimentos factoriales son la única manera de detectar interacciones.
El método de un factor, a la vez es ineficiente; requerirá más experimentación que un

diseño factorial, no existiendo la seguridad de que producirá los resultados correctos.

2.- Diseño completamente aleatorizado (ANOVA de un factor)
Es el tipo más simple de análisis de variancia (también conocido como análisis de la

variancia unilateral), en el cual se investiga una sola fuente de variación o factor.
Es una extensión a tres o más muestras del procedimiento de la prueba t para utilizarlo
en dos o mas muestras independientes.
Luego, se puede afirmar que utilizar la prueba t con dos muestras independientes es
un caso específico del análisis de varianza unilateral (un solo factor).
En una situación característica, se quiere utilizar el análisis de la variancia unilateral

para probar la hipótesis nula que indica que tres o más tratamientos son igualmente
eficaces.
El experimento se diseña de tal forma que los tratamientos de interés se asignan de

manera totalmente aleatoria a los individuos u objetos en los que se han de realizar las
determinaciones para medir la eficacia de los tratamientos . Esta es la razón por la que
el procedimiento se llama diseño de experimentación completamente aleatorizado.
…//…

Es posible asignar aleatoriamente individuos para tratamiento como sigue:
Suponga que se cuenta con 16 individuos para participar en un experimento, en el que

se pretende comparar cuatro (4) medicamentos. Se numeran los individuos del 1 al 16,
después, a partir de la tabla de números aleatorios se seleccionan consecutivamente,
sin repetir, los números del 1 al 16. Desarrollo.
Individuos disponibles
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Números aleatorios
03 06 15 11 16 08 04 13 02 05 01 07 09 10 14 12
03 06 15 11 16 08 04 13 02 05 01 07 09 10 14 12
Tratamiento A Tratamiento B Tratamiento C Tratamiento D

Pasos de la prueba de hipótesis
Una vez decidido que el diseño completamente aleatorizado es el diseño adecuado, se

procede con los pasos de la prueba de hipótesis.
1- Descripción de los datos: las mediciones u observaciones que resultan de un diseño

experimental completamente aleatorizado, junto con las medias y los totales que
puedan calcularse a partir de los datos, pueden presentarse si así conviene en forma
tabular.
2- Supuestos: es necesario especificar el modelo para el experimento descrito. El
análisis de la varianza unilateral (un solo factor) puede escribirse como sigue:
xij    j  ij ; i = 1, 2, …… , n , j = 1, 2, ….. , k
Los términos de este modelo se define de la siguiente forma:
µ: Representa la media de todas las k-medias poblacionales, se le conoce como la

gran media.
‫ح‬: Representa la diferencia entre la media de la j-ésima población y la gran media. Se le
conoce como efecto del tratamiento. …//…
…//…
: representa la cantidad en que difieren una medición individual de la media

ij
poblacional a la que pertenece. Se le conoce como término del error.
Componentes del modelo: al revisar el modelo es posible apreciar que una

observación representativa a partir del conjunto completo de datos bajo estudio está
compuesto de:
1. La gran media
2. Efecto del tratamiento, y
3. Término del error que representa la desviación de la observación a
partir de su media grupal.
En la mayoría de las situaciones, el interés está solamente en los k-tratamientos.

Cualquier inferencia que se haga, se aplica únicamente a estos tratamientos y no se
pretende ampliar la inferencia a cualquier otro conjunto mayor de tratamientos.
Cuando se establecen tales restricciones para los objetivos inferenciales, el modelo se

conoce como modelo I, o modelo de efectos fijos.

3. Hipótesis:
Ho: µ1 = µ2 = …… = µk
Hl: µ1 ≠ µ2 ≠ …… ≠ µk
También, si las medias de las poblaciones son iguales, y el efecto de cada

tratamiento es igual a cero, las hipótesis pueden escribirse como sigue:
Ho: ‫ح‬j = 0, j = 1, 2, ….k
Hl: No todas las ‫ح‬j = 0
4. Estadística de prueba (R.V*): La estadística de prueba para el análisis de variancia

es unilateral, es el cálculo de la razón entre los cuadrados medios de los tratamientos
entre los cuadrados medios del error.
La distribución del estadístico de prueba sigue una distribución F (de Snedecor)

cuando H0 es verdadera y se cumplen las suposiciones del modelo.
*Razón de Variabilidad

…//…
5. Regla de decisión: En general, la regla de decisión es rechazar la hipótesis nula si

el valor calculado para la razón de variabilidad (R.V) es mayor o igual que el valor
crítico de F con nivel ᾳ.
6. Calculo de la estadística de prueba (además, el valor p)
7. Decisión estadística: Con un nivel de significación (ᾳ) del 5% (0,05), se tiene entonces.
Si R.V (F) es > F Tabla entonces se rechaza la Hipótesis nula (H0)
Utilizando el valor de p, la conclusión seria: Si el valor p es < ᾳ se rechaza la H0.
8. Conclusión: si se acepta la hipótesis nula (Ho), se concluye que probablemente

todas las medias poblacionales son iguales. Si se rechaza la H0, se concluye que no
todas las medias poblacionales son iguales.
…//…

…//…
EJEMPLO 2:
En un proceso de fabricación de vidrio se desea saber si la temperatura afecta la

densidad del vidrio. Se realizaron pruebas y se obtuvieron las siguientes resultados:
TEMPERATURA DENSIDAD
1 4,5 7,8 6,7
2 3,8 5,6 9,1
3 7,6 4,6 7,6
4 3,5 3,5 4,8
Se pretende saber si los cuatro niveles de temperaturas tienen diferentes efectos en

la densidad promedio de los vidrios. Utilice un nivel de significación del 5%.
Tomado del libro de Escalante (2014: p.43)

Ho: µ1 = µ2 = µ3 = µ4 = 0
HA: µ1 ≠ µ2 ≠ µ3 ≠ µ4 ≠ 0
α = 5% (0,05) Nivel de significación

N = 12
a =4
Regla de Decisión
CM δ
Si > F(a, N-a) Se rechaza la H0
CME
De igual manera
Si el valor p < α Se rechaza la H0

Conclusión: Si se rechaza la H0, significa que los tratamientos no son
iguales. Luego, al menos uno de ellos es diferente a los demás.

Instrucciones a ser utilizadas en el Software STATISTIX
a) Para el análisis estadístico de los datos:

General
Statistics Linear Models Analysis of Variance
AOV/AOCV
Variable dependiente:
Var de Resp: Dens-Vidrio
Variables independientes:
Niveles de Temperatura
b) Para el análisis gráfico de los datos
Sumary
Statistics Box and Whisker Plot
Statistics

Analisis de los resultados
Student Edition of Statistix 9.0
24/03/2023
Analysis of Variance Table for DENSIDAD
Source DF SS MS F P
TEMPERAT 3 13.6667 4.55556 1.21 0.3653
Error 8 30.0000 3.75000
Total 11 43.6667
Grand Mean 5.1667 CV 37.48

Regla de decisión
Si CMδ / CME > F(4; 8; 0,05) Se rechaza la H 0
Como 1,21 < 3,84 No se rechaza la Ho
De igual manera: Si p < α Se rechaza la Ho
Como 0,3653 > 0,05 No se rechaza la Ho
Como no se rechaza la H0, significa que las medias son iguales y en consecuencia
no existen diferencias significativas en la densidad del vidrio.
2.1- Diseños por bloques completos aleatorizados (Dos factores)
Es un diseño en el que las unidades (llamadas de experimentación) a las que se aplican

los tratamientos son subdivididas en grupos homogéneos llamados bloques, de tal
manera que el numero de unidades de experimentación en un bloque es igual al número
(o a un múltiplo del mismo) de tratamientos en estudio (Fisher, 1925).
El concepto de bloques, fue introducido en agricultura; al observarse que en los campos

experimentales en agricultura marcaban una heterogeneidad de fertilidad, lo que
complicaba la asignación de los tratamientos de un punto a otro, de aquí que el bloque
permitía la participación de la variabilidad inherente en el campo experimental después
de la asignación de los tratamientos. Esta variabilidad podría ser observada en los
siguientes componentes:
1) Entre tratamientos - Diferencias entre tratamiento
2) Dentro de bloques
3) Entre bloques (Palacios p.134)
Luego, se asignan los tratamientos en forma aleatoria a las unidades experimentales

dentro de cada bloque. Cada uno de los tratamientos aparece en todos los bloques, y
cada bloque recibe todos los tratamientos. …//…

…//…
Objetivo del diseño

El objetivo al utilizar el diseño por bloques completos y aleatorizados, es aislar y
eliminar del término de error la variación atribuible a los bloques y asegurar que las
medias del tratamiento estén libres de los efectos del bloque.
La eficacia del diseño depende de la capacidad de conseguir bloques homogéneos de

unidades de experimentación. Esta capacidad depende del conocimiento de los
investigadores acerca del material experimental.
Cuando el diseño se utiliza con eficacia, el cuadrado medio del error en la tabla
ANOVA se reduce, aumenta la razón de variabilidad y mejora la probabilidad de
rechazar la hipótesis nula (H0).
El diseño por bloques completos y aleatorizados también se puede utilizar de manera

eficaz cuando el experimento se lleva a cabo en más de un laboratorio (bloque) o
cuando se requieren varios días (bloques) para terminarlo.
…//…

…//…
Ventajas
1- Su diseño es de fácil comprensión.
2- Las complicaciones que puedan surgir en el transcurso de un experimento con
este diseño, son fáciles de controlar.
El despliegue de los datos de un experimento que utiliza el diseño por bloques

completos y aleatorizados pueden ser presentados en tablas.
A continuación se muestra un ejemplo.

TABLA DE VALORES ALEATORIOS PARA EL DISEÑO
POR BLOQUES COMPLETOS Y ALEATORIZADOS
Tratamientos
Bloques 1 2 3 ……. k Total Media
1 x11 x12 x13 ……. x1k T1. X1.
2 x21 x22 x23 ……. x2k T2. X2.
3 x31 x32 x33 ……. x3k T3. X3.
. . . . . . . .
. . . . . . . .
. . . . . . . .
n xn1 xn2 xn3 ……. xnk Tn. Xn.
Total T.1 T.2 T.3 …….. T.k T..
Media x.1 x.2 x.3 …… x.k x..
La técnica para analizar los datos de un diseño por bloques completos y

aleatorizados se llama análisis de la variancia bilateral, porque una observación se
clasifica con base en dos criterios: el bloque al que pertenece y el grupo de
tratamiento del cual forma parte. …//…

…//…
El modelo para el diseño por bloques completos y aleatorizados es como sigue:
xij    i  j  ij I = 1, 2 , ……. , n ; j = 1, 2, …… , k
Donde:
Xij es el valor representativo de toda la población.
µ es una constante desconocida.
βi representa un efecto del bloque que refleja el hecho de que la unidad de
experimentación cae en el i-ésimo bloque.
‫ ح‬representa el efecto de un tratamiento que refleja el hecho de que la unidad
de experimentación recibe el j-esimo tratamiento.
ϱij es un componente residual que representa todas las fuentes de variación
que no son tratamientos ni bloques.

EJEMPLO 3
Un fisioterapeuta tenia como propósito comparar tres métodos para enseñar a sus
pacientes a utilizar cierto mecanismo protésico. Consideró que el porcentaje de
aprendizaje seria diferente en pacientes con diferentes edades, y quiso diseñar un
experimento en el que la edad fuera tomada en cuenta. El diseño por bloques
completos y aleatorizados es un diseño adecuado para el fisioterapeuta.
Con respecto a los datos, escogió al azar a tres pacientes por grupo para formar cinco
grupos de edad para que participaran en el experimento, y a cada uno de los pacientes
en cada grupo de edad se le asigno al azar un método de enseñanza. Los métodos de
instrucción forman tres (3) tratamientos, y los cinco (5) grupos de edad son los bloques.
Supuesto del modelo: se supone que cada una de las 15 observaciones a ser obtenidas
forman una muestra aleatoria de tamaño 1 a partir de una de las 15 poblaciones
definidas por la combinación de bloques y tratamientos.
Hipótesis: Ho: ‫ح‬j = 0 ; j = 1, 2, 3

Hl: no todas las ‫ح‬j = 0
A continuación los datos.

Tiempo (en días) necesario para aprender
a utilizar cierto aparato protésico
Método de enseñanza
Grupo Grupo A B C Total Media
de edad de edad
< 20 < 20 7 9 10 26 8.67

20 a 20 a 8 9 10 27 9.00
29 29
30 a 30 a 9 9 12 30 10.00
39 39
40 a 40 a 10 9 12 31 10.33
49 49
50 y + 50 y + 11 12 14 37 12.33
Total Total 45 48 58 151
Media Media 9.0 9.6 11.6 10.07
Dr. Edinson E. Jiménez M.

Hoja de trabajo para el STATISTIX
Línea C1 C2 C3
1 7 1 1
2 9 1 2
3 10 1 3
4 8 2 1
5 9 2 2
6 10 2 3
7 9 3 1
8 9 3 2
9 12 3 3
10 10 4 1
11 9 4 2
12 12 4 3
13 11 5 1
14 12 5 2
15 14 5 3
Statistics General
Linear Models Analysis of Variance
AOV/AOCV
Var de Resp: Tiempo en días
Factores:
G de edad, Met. enseñanza
Statistics Sumary
Box and Whisker Plot
Statistics

Análisis de varianza
Student Edition of Statistix 9.0 31/03/2023, 4:18:13 p. m.
Analysis of Variance Table for C1
Source DF SS MS F P
C2 4 24.9333 6.23333 14.38 0.0010
C3 2 18.5333 9.26667 21.38 0.0006
Error 8 3.4667 0.43333
Total 14
Note: SS are marginal (type III) sums of squares
Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 0.14285 0.14285 0.30 0.6004
Remainder 7 3.32382 0.47483
Variables: C1: Utilización de mecanismo protésico (%)

C2: Grupos de edad (5)
C3: Métodos de instrucción o enseñanza (3)
a) Análisis de los resultados para los grupos de edad
Hipótesis: Ho: ‫ح‬j = 0 ; j = 1, 2, 3, 4, 5
α = 5% (0,05)
Regla de decisión:
a) Usando la distribución F de Snedecor
Si CMC2/CME > F (4; 8; 0,05) Se Rechaza la Ho.
Si 6,23333 / 0,43333 > 3,84 Se Rechaza la H0.
Lueg0o, 14,3847 > 3,84 Se Rechaza la H0.

b) Usando el p valor
Si p < 0,05 ; Si 0,0010 < 0,05 Se Rechaza la H0
Conclusión: Como se rechaza la H0, significa que los efectos ‫ح‬j no son Iguales a cero (0). Luego,
al menos uno es diferente de cero. En consecuencia, existe evidencia estadística para afirmar que
existe diferencia entre los grupos de edad, con un 95% de confianza. .
Dr. Edinson E. Jimenez M.
b) Análisis de los resultados para los métodos de enseñanzas
Hipótesis: Ho: ‫ح‬j = 0 ; j = 1, 2, 3
α = 5% (0,05)
Regla de decisión:
Si CMC3/CME > F (2; 8; 0,05) Se Rechaza la Ho.
Si 9,26667 / 0,43333 > 4,46 Se Rechaza la H0.
Luego, 21,38 > 4,46 Se Rechaza la H0.

Si p < 0,05 ; Si 0,0006 < 0,05 Se Rechaza la H0
Conclusión: Como se rechaza la H0, significa que los efectos ‫ح‬j no son Iguales a cero (0). Luego,
al menos uno es diferente de cero. En consecuencia, existe evidencia estadística para afirmar que
los métodos de enseñanza son diferentes entre si, con un 95% de confianza.
EJEMPLO 4
Se quiere determinar si cuatro (4) puntas diferentes producen o no lecturas diferentes en
una máquina para probar su dureza. Un experimento como éste podría ser parte de un
estudio de la aptitud de la calibración de los instrumentos. La máquina funciona
presionando la punta de un ejemplar de prueba de metal, y por la profundidad de la
depresión resultante puede determinarse la dureza del ejemplar. El experimentador ha
decidido obtener cuatro (4) observaciones para cada punta. Hay un solo factor (el tipo de
punta), y un diseño completamente aleatorizado de un solo factor consistiría en asignar al
azar cada una de las 4x4 = 16 corridas a una unidad experimental, es decir, a un ejemplar
de prueba de metal, y observar que resulta de la lectura de la dureza. Por lo tanto se
necesitarían 16 ejemplares de prueba de metal en este experimento, uno por cada corrida
del diseño.
Existe un problema potencialmente serio con un experimento por completo aleatorizado en

esta situación de diseño. Si los ejemplares de prueba de metal difieren ligeramente en sus
durezas, como podría ocurrir si se tomaran de lingotes que se produjeron con
temperaturas diferentes, las unidades experimentales (las unidades de prueba)
contribuirían a la variabilidad observada en los datos de la dureza. Como resultado, el
error experimental experimentará tanto el error aleatorio como la variabilidad entre los
ejemplares de prueba

DISEÑO DE BLOQUES COMPLETOS ALEATORIZADOS
PARA EL EXPERIMENTO DE LA PRUEBA DE LA DUREZA
Ejemplar de prueba
Tipo de 1 2 3 4
Punta
1 9.3 9.4 9.6 10.0

2 9.4 9.3 9.8 9.9
3 9.2 9.4 9.5 9.7
4 9.7 9.6 10.0 10.2

Hoja de prueba para el Statistix
Línea Dureza T.P (Tao) E.P (βi)
1 9,3 1 1
2 9,4 1 2
3 9,6 1 3
4 10,0 1 4
5 9,4 2 1
6 9,23 2 2
7 9,8 2 3
8 9,9 2 4
9 9,2 3 1
10 9,4 3 2
11 9,5 3 3
12 9,7 3 4
13 9,7 4 1
14 9,6 4 2
15 10,0 4 3
16 10,2 4 4
Statistics Analysis of Variance General

Linear Models
AOV/AOCV
Var de Resp: Dureza
Factores:
T de punta, Ejem de prueba

Sumary
Statistics Statistics Box and Whisker Plot

Análisis de varianza – Prueba de Dureza
Analysis of Variance Table for Dureza
Source DF SS MS F P
T 3 0.68750 0.22917 1.94 0.1936
E 3 0.68750 0.22917 1.94 0.1936
Error 9 1.06250 0.11806
Total 15 2.43750
Tukey's 1 Degree of Freedom Test for Nonadditivity

Source DF SS MS F P
Nonadditivity 1 0.63275 0.63275 11.78 0.0089
Remainder 8 0.42975 0.05372
Variables: T. Tipo de punta (4)
E Ejemplar de prueba (4)

Análisis de los resultados para el tipo de punta (T.P)
Hipótesis: Ho: ‫ح‬j = 0 ; j = 1, 2, 3, 4
α = 5% (0,05)
Regla de decisión:
Si CMT.P/CME > F (3; 9; 0,05) Se Rechaza la Ho.
Si 0,22917 / 0,11806 > 3,86 Se Rechaza la H0.
Lueg0o, 1,94 < 3,86 No se Rechaza la H0.

Si p < 0,05 ; Si 0,1936 > 0,05 No se Rechaza la H0
Conclusión: Como no se rechaza la H0, significa que los efectos ‫ح‬j son Iguales a cero (0). Luego,
no existe evidencia estadística que permita afirmar la existencia de diferencia entre los tipos de
punta, con un 95% de confianza..
3. Diseño de mediciones repetidas (un solo factor)
El diseño de mediciones repetidas es aquel en el que, para una misma variable, se

hacen mediciones sobre cada individuo en dos o más ocasiones distintas.
Estas ocasiones distintas durante las que se toman las mediciones pueden ser puntos
distintos en el tiempo o diferentes condiciones, como tratamientos diferentes.
La utilización del diseño de mediciones repetidas, generalmente se da cuando se quiere

controlar la variabilidad entre los individuos estudiados.
Ventajas de su utilización
- Capacidad para controlar variaciones extrañas entre los individuos.
- Requiere de menos individuos para aplicar el diseño, que otros diseños en los
que se utilizan diferentes individuos para cada ocasión en que se toman las
mediciones. …//…

…//…
Desventajas
- Se debe tener cuidado con el efecto acarreado. Es decir, cuando se evalúan dos
o más tratamientos, los investigadores deben asegurarse de que las respuestas
de los individuos para un tratamiento no reflejan el efecto residual del tratamiento
anterior. Este problema puede resolverse dejando pasar tiempo suficiente entre los
tratamientos.
- Otro posible problema es el efecto posición. Un individuo puede responder al

último tratamiento en secuencia de manera diferente como habría respondido si
dicho tratamiento hubiera sido el primero en secuencia. Aleatorizar la secuencia de
aplicación de tratamientos independientemente para cada individuo, es una
manera de resolver tal situación.
El diseño de mediciones repetidas con un solo factor, es aquel en el que se agrega una
variable adicional a la variable tratamiento. Esto con el fin de medir y aislar su
contribución a la variabilidad total entre las observaciones.
En este diseño, cada individuo recibe cada uno de los tratamientos. El orden en el que
los individuos son expuestos a los tratamiento, si hay la posibilidad, es al azar. La
aleatorización se aplica de manera independiente sobre cada individuo.
Supuestos del modelo (diseño aditivo de efectos fijos)
1. Los individuos estudiados forman una muestra aleatoria simple extraída de una
población con individuos similares.
2. Cada una de las observaciones es una muestra aleatoria simple e
independiente de tamaño 1 extraída de cada una de las kn poblaciones, donde n
es el número de individuos y k es el número de tratamientos a los que se expone
el individuo.
3. Las kn poblaciones tienen medias potencialmente diferentes, pero todas las

poblaciones tienen la misma variancia.
4. Los k tratamientos son fijos, es decir, son los únicos tratamientos respecto a
los que se tiene interés en la situación actual. No se pretende hacer inferencias
para un conjunto mayor de tratamientos.
5. No hay interacción entre los tratamientos y los individuos. Esto es, los
tratamientos y los efectos en los individuos son aditivos.

El modelo
El modelo para el diseño de mediciones repetidas con un solo factor aditivo de

efectos fijos es el siguiente:
xij     i  j  ij I = 1, 2, … , n ; j = 1, 2, … , k
Este modelo es igual al modelo de diseños por bloques completos y aleatorizados

estudiado anteriormente.
Ejemplo 3
Un investigador estudio los efectos de las alteraciones en la composición dietética
sobre el gasto de energía y balance de nutrientes en los seres humanos. Una de las
medidas empleadas para el gasto energético era una cantidad llamada cociente
respiratorio (CR). En la tabla que se presenta a continuación se muestran, para tres
puntos diferentes en el tiempo, los cocientes respiratorios diarios (24 horas), con una
dieta alta en calorías en los ocho individuos que participaron en el estudio. Se pretende
saber si existe diferencia entre el CR medio y los tres puntos en el tiempo.
Dr. Edinson E. Jiménez M .

Cocientes de respiración diarias (24 horas)
registradas en tres ocasiones diferentes
Individuo Inicial Día 3 Día 7 Total
1 0,800 0,809 0,832 2,441
2 0,819 0,858 0,835 2,512
3 0,886 0,865 0,837 2,588
4 0,824 0,876 0,900 2,600
5 0,820 0,903 0,877 2,600
6 0,906 0,820 0,865 2,591
7 0,800 0,867 0,857 2,524
8 0,837 0,852 0,847 2,536
Total 6,692 6,850 6,850 20,392
Dr. Edinson E. Jiménez M .

Hoja de prueba para el Statistix
Coef. Resp Individuos Tiempos
0,800 1 1
0,809 1 2
0,832 1 3
0,819 2 1
0,858 2 2
0,835 2 3
0,886 3 1
0,865 3 2
0,837 3 3
0,824 4 1
0,876 4 2
0,900 4 3
0,820 5 1
0,903 5 2
0,877 5 3
0,906 6 1
0,820 6 2
0,865 6 3
0,800 7 1
0,867 7 2
0,857 7 3
0,837 8 1
0,852 8 2
0,847 8 3

1. Hipótesis
H0: µIni = µD3 = µD7
HA: No todas las µ son iguales
2. Estadística de prueba
Si p < Nivel de significación (ᾳ) Se rechaza la hipótesis nula (Ho)
3. Conclusión en base a los resultados
Instrucciones en STATISTIX
STATISTICS LINEAR MODELS ANALYSIS OF VARIANCE
GENERAL AOV/AOCV
V. DEP: Coc. Resp (CR)

V. CATEG: INDIV. TIEMPOS

Análisis de varianza – Coeficiente respiratorio
Analysis of Variance Table for Coef
Source DF SS MS F P
Tiempos 2 0.00208 0.00104 1.04 0.3698
Error 21 0.02093 0.00100
Total 23 0.02301
Variables: Coeficiente Respiratorio – Gasto de energía

Momentos en el tiempo (3)
Análisis de los resultados para los momentos en el tiempo
Hipótesis: Ho: ‫ح‬j = 0 ; j = 1, 2, 3

α = 5% (0,05)
Regla de decisión:
Si CMTpo/CME > F (2; 21; 0,05) Se Rechaza la Ho.
Si 0,00104 / 0,00100 > 3,465 Se Rechaza la H0.
Luego, 1,04 < 3,465 No se Rechaza la H0.

Si p < 0,05 ; Si 0,3698 > 0,05 No se Rechaza la H0
Conclusión: Como no se rechaza la H0, significa que los efectos ‫ح‬j son Iguales a cero (0). Luego,
no existe evidencia estadística que permita afirmar que existe diferencia entre los tres (3) puntos en
el tiempo, con un 95% de confianza.
4- Diseño de cuadrados: Latino y Greco - latino
a) Diseño de cuadrado latino

El diseño de cuadrado latino es una extensión lógica y natural del diseño en bloques
completos al azar y poseen una serie de características muy similares.
Tiene como propósito el control de la variación del material experimental. A medida

que éste se hace más heterogéneo es preciso controlar la variación bloqueando por
cada característica que varíe.
Así, el diseño de cuadrado latino (o doble bloqueo) se trata como su nombre lo indica,
de controlar dos fuentes de variación existentes, reconocidas por el investigador entre
las unidades experimentales.
Luego, el diseño de cuadrado latino se usa para eliminar dos fuentes de variabilidad
perturbadora; es decir, permite hacer la formación de bloques sistemática en dos
direcciones. Por lo tanto, los renglones y las columnas representan en realidad dos
restricciones sobre la aleatorización (Montgomery, 2004).
El investigador al controlar estas dos fuentes logra reducir la varianza del error
posibilitando la expresión de la diferencia entre los tratamientos, si es que existe.
(Castejón, 2008) …//…

…//…
En general, un cuadrado latino para p factores, o cuadrado latino p x p, es un cuadrado

con p renglones y p columnas. Cada una de las p2 resultantes contiene una de las p
letras que corresponden a los tratamientos, y cada letra ocurre una y sólo una vez en
cada renglón y columna.
Algunos ejemplos de cuadrados latinos:
4x4 5X5 6X6

ABDC ADEBC ADCBEF
BCAD DACBE BAECFD
CDBA CBEDA CEDFAB
DACB BEACD DCFBEA
ECDAB FBADCE
EFBADC
El modelo estadístico de un cuadrado latino es:
i = 1, 2, ….., p
yijk    i  j  k  ijk j = 1, 2, …. , p
K = 1, 2, …., p

…//…
La definición del modelo anterior es como sigue:
Yijk = es la observación en el renglón i-ésimo y la columna k-ésima en el tratamiento

j-ésimo
µ = es la media global (o general)
ᾳi = es el efecto del renglón i – ésimo (Cuadrado Latino)
‫ح‬j = es el efecto del tratamiento j - ésimo
βk = es el efecto de la columna k - ésima
ϱijk = es el error aleatorio (o error experimental)
Dr.Edinson E. Jiménez M
Ejemplo 5 (Montgomery, 2004:144)
Suponga que un experimentador estudia los efectos que tienen cinco (5)
formulaciones diferentes de la carga propulsora utilizados en los sistemas de
expulsión de la tripulación de un avión basado en la rapidez de combustión. Cada
formulación se hace con un lote de materia prima que sólo alcanza para producir
cinco formulaciones. Además, las formulaciones son preparadas por varios
operadores y pueden haber diferencias sustanciales en las habilidades y experiencia
de los operadores. Por lo tanto, al parecer hay dos factores perturbadores que serán
“calculados en promedio” en el diseño: los lotes de materia prima y los operadores.
El diseño apropiado para este problema, consiste en probar exactamente las

formulaciones una vez con cada uno de los cinco operadores.
En la tabla siguiente, se presentan los datos del experimento

Diseño de cuadrado latino para el problema de la carga propulsora
Operadores
Lote 1 2 3 4 5
MP
1 A24 B20 C19 D24 E24
2 B17 C24 D30 E27 A36
3 C18 D38 E26 A27 B21
4 D26 E31 A26 B23 C22
5 E22 A30 B20 C29 D31

Hoja de datos para el STATISTICS
Cuad. Lat Lote MP Operario Var. Resp
1 1 1 1 24
2 2 1 2 20
3 3 1 3 19
4 4 1 4 24
5 5 1 5 24
6 2 2 1 17
7 3 2 2 24
8 4 2 3 30
9 5 2 4 27
10 1 2 5 36
11 3 3 1 18
12 4 3 2 38
13 5 3 3 26

Hoja de datos para el STATISTICS (Continuación)
Cuad. Lat Lote MP Operario Var. Resp
14 1 3 4 27
15 2 3 5 21
16 4 4 1 26
17 5 4 2 31
18 1 4 3 26
19 2 4 4 23
20 3 4 5 22
21 5 5 1 22
22 1 5 2 30
23 2 5 3 20
24 3 5 4 29
25 4 5 5 31

1. Hipótesis
H0: µA = µB = …….. = µE
HA: No todas las µi son iguales
Instrucciones en STATISTIX
STATISTICS LINEAR MODELS ANALYSIS OF VARIANCE
Latin Square Desing
V. DEP: Rapidez de Comb. (VR)

V. Fila: Lote MP; V. Columna: Oper
V. Trat: Cuad. Latino

Análisis de Varianza – Cuadrado Latino
Latin Square AOV Table for Var
Source DF SS MS F P
Lote 4 68.640 17.1600
Operadore 4 109.040 27.2600
Cuad 4 269.840 67.4600 9.17 0.0012
Error 12 88.320 7.3600
Total 24 535.840
Variables: Materia Prima (5)

Operadores (5)
Regla de decisión: Si p < α Se Rechaza la H0.

0,0012 < 0,05 Se Rechaza la Ho
Conclusión: Como se rechaza la Ho, significa que los valores promedios de las cargas propulsoras son
diferentes. Luego, existe evidencia estadística para afirmar que las formulaciones preparadas por los
operadores son diferentes entre si, con un 95% de confianza.
1. Hipótesis
H0: µA = µB = …….. = µE
HA: No todas las µi son iguales
Si 0,0012 < 0,05 Se Rechaza la H0.
Conclusión: Como se Rechaza la H0. significa que en promedio el efecto de las materias
primas y operarios no son iguales. Luego, existe evidencia estadística que permita afirmar
la existencia de diferencias entre las materias primas utilizadas y los operarios, con un
95% de confianza.

TRABAJO PRACTICO
1.- Desarrollar los análisis gráficos planteados en los ejemplos vistos

en clase.
2.- Desarrollar un ejemplo practico sobre el Diseño Graco Latino
(Definición, cálculos y análisis).
Fecha de entrega: 11:59 pm del viernes 14 de abril de 2023
Formación de grupos: Dos integrantes

Muchas gracias

Tema 1. Diseño Experimental

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 1. Diseño Experimental

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DEL ZULIA

TEMA 1. DISEÑO EXPERIMENTAL

Maracaibo, marzo de 2023

3.- ESCALANTE VESQUEZ, EDGARDO J. (2014). Diseño y análisis de

4.- HANKE, Jhon E y REITSCH, Arthur G (1995). Estadística para negocios.

5.- MONTGOMERY, Douglas C (2008). Control estadístico de la calidad. Tercera

6.- MONTGOMERY, Douglas C (2004). Diseño y análisis de experimentos. Segunda

7.- NAVIDI, William (2006). Estadística para ingenieros y científicos. Mc Graw-Hill

2. Pautas para el diseño de experimentos

3. Breve historia del diseño experimental

Definición 1: El diseño experimental (o experimento diseñado), es una prueba o serie de

1.1.- RELACION ENTRE CONOCIMIENTO, CALIDAD, DISEÑO DE EXPERIMENTOS Y

La finalidad del diseño de experimento es obtener información para generar

Dr. Edinson E. Jiménez M

¿Cuándo los descubrimientos dejan de ocurrir por casualidad?

Dr. Edinson E. Jiménez M

“El principal uso del diseño de experimentos es encontrar la combinación optima de

Un proceso o producto es robusto cuando este es insensible a los efectos de la

1.3- OBJETIVOS DE UN EXPERIMENTO

Dr. Edinson E. Jiménez M

Los métodos de control estadísticos de procesos (SPC) y el diseño experimental (DOE),

Dr. Edinson E. Jiménez M

Es un método estadístico pasivo: se observa el proceso y

Es un método estadístico activo: se llevarán a cabo en

Dr. Edinson E. Jimenez M

a) Establecer el control estadístico de un proceso.

En resumen, el diseño experimental es útil para:

Dr. Edinson E. Jiménez M

2.1- Procedimiento para diseñar un experimento

El experimentador debe elegir los factores que se harán variar en el

El experimentador debe tener la seguridad de que la variable en realidad

Dr. Edinson E. Jiménez M

Realizados los procedimientos anteriores de manera correcta, la elección del

4. Elección Esta incluye:

Una vez analizados los datos, el experimento debe llegar a conclusiones

Con frecuencia son útiles los métodos gráficos en la presentación de

Dr. Edinson E. Jiménez M

ERA DE DESARROLLO PRECURSOS APORTES

ERA DEL DESARROLLO PRECURSOS APORTES

Investigar y explicar las siguiente relaciones:

a) Entre el diseño de experimentos y el conocimiento.

b) Entre el diseño de experimentos y las definiciones de

calidad (clásica y moderna).

d) Desarrollar un ejemplo de como se desarrolla el ciclo

Maracaibo, marzo de 2023

1. Experimentos factoriales (definición)

2. Diseños de modelos factoriales

MODELO GENERAL DE UN PROCESO

Entrada PROCESO Salida (Y)

Fuente: Montgomery (2008). Control estadístico de la calidad. P. 572 …//…

Dr. Edinson E. Jiménez M

El efecto de un factor se define como el cambio en la respuesta producido por un cambio

1.1- Ejemplo de experimento factorial

Dr. Edinson E. Jiménez M

Luego, para el factor A:

En algunos experimentos, la diferencia de la respuesta entre los niveles de un factor no

Significa esto que ¿A no tiene ningún efecto?

Dr. Edinson E. Jiménez M

Ilustración de la interacción gráficamente

Nota: los experimentos factoriales son la única manera de detectar interacciones.

El método de un factor, a la vez es ineficiente; requerirá más experimentación que un

Dr. Edinson E. Jiménez M