INGENIERÍA EN GESTIÓN EMPRESARIAL

ESTADISTICA INFERENCIAL II
PROFESORA:
PERLA IDANIA GARIBAY SOLIS

INVESTIGACION DE LA UNIDAD IV
DISEÑO EXPERIMENTAL PARA UN FACTOR

ALUMNO:
GÓMEZ NÚÑEZ ROBERTO CARLOS

Cd. y Puerto de Lázaro Cárdenas, Mich., octubre de 2016.

 UNIDAD IV DISEÑO EXPERIMENTAL PARA UN FACTOR

4.1 INTRODUCCIÓN, CONCEPTUALIZACIÓN, IMPORTANCIA Y ALCANCES DEL DISEÑO

EXPERIMENTAL EN EL ÁMBITO EMPRESARIAL.

• INTRODUCCIÒN:

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. En 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, como técnica de investigación, toma importancia en los años 80 en

donde se le da una aplicación estadística de los proyectos de Seis Sigma buscando el famoso
número de 3,4 defectos por millón de unidades producidas.

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 presentan 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.
 • ALCANSES:

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 cómo ocurre verdaderamente.

Puede establecer diferencias en su respuesta que pueden atribuirse a los estímulos en cuestión,
como el envoltorio o el 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.

4.2 CLASIFICACIÓN DE LOS DISEÑOS EXPERIMENTALES

Diseño Completamente Aleatorizado

 Es el diseño más simple y sencillo de realizar en el cual los tratamientos se

eligen al azar entre las unidades experimentales o viceversa.

 Este diseño tiene amplia aplicación cuando las unidades experimentales son muy
homogéneas.

Diseño en Bloques Completamente Aleatorizado

 Al estudiar la influencia de un factor sobre una variable cuantitativa es frecuente

que aparezcan otras variables o factores que también influyen y que deben ser
controladas.

 A estas variables se les denomina variables bloque y se caracterizan por:

No son el motivo de estudio sino que aparecen de forma natural y
obligada en el mismo.
Se asume que no tiene interacción con el factor en estudio.

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, como por ejemplo diferentes maneras
de tratar una enfermedad: con medicamentos, quirúrgicamente, acupuntura, etc. 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.
SIMBOLOGIA

T= Tratamientos
C= Control
F= Factores
A= Número de tratamientos
N= Tamaños de la muestra
R= Replica o repetición
R= Asignación al azar o aleatoria
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 (grupo testigo).

DEFINICIONES

Tratamientos: Son las condiciones las cuales distinguen las poblaciones de interés.
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: Son las variables las cuales se presume que afectan la característica de interés
en el proceso.
Factores controlables: Son aquellos con un grado de control, es decir que se pueden
manejar, variar o manipular con gran facilidad.
Factores ruido: Son aquellos sobre los cuales el grado de control es menor y el manejo
es más difícil.
Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales puedes
estudiar.
Corrida o unidad experimental: Ente al cual se aplica el tratamiento y sobre el cual se
mide la variable 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 de un factor interactúan con los
niveles del otro factor e influyen en la variable de la respuesta. Cuando uno o más
factores trabajan juntos para producir un efecto diferente que los efectos producidos por
aquellos factores de manera individual.
Diseño de bloques aleatorizado: Diseño de experimentos en el que se usa la formación
de bloques.
Experimento factorial: Diseño experimental en el que se obtienen simultáneamente
conclusiones acerca de dos o más factores.
Combinación: Es la asignación de un solo nivel a un factor, o de varios niveles a todos
los factores en 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 planteada 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
replican 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.
Aleatorización: Es el principio básico fundamental en el uso de métodos estadísticos en
diseño experimental.
Análisis de varianza (NOVA): 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.

4.4 IDENTIFICACIÓN DE LOS EFECTOS DE LOS DISEÑOS

EXPERIMENTALES.

El diseño experimental, como técnica de investigación toma importancia en los años

80’s, en donde se le da una aplicación estadística de los proyecto de seis sigma
buscando el famoso número 3.4 defectos por millón de unidades producidas.
El diseño experimental busca entonces a través de una serie de herramientas estadísticas
aplicadas metodizar los ensayos de prueba y de error para encontrar la mejor
combinación de variables independientes que optimice una variable de respuesta en una
circunstancia determinada.

El diseño experimental prescribe una serie de pautas relativas que variables hay que
manipular, de qué manera, cuantas veces hay que repetir el experimento y en qué orden,
para poder establecer con un grado de confianza predefinido las necesidades de una
presunta relación de causa-efecto.

El diseño experimental es una técnica estadística que permite identificar y cuantificar

las causas de un efecto dentro de un estudio experimental. En 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.

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 en que se realizan las pruebas individuales 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 o que las observaciones sean variables

aleatorias independientes. Esto es necesario para obtener pruebas de significancia
válidas y estimados de intervalos.

3. Eliminar el sesgo de tal manera que no se desfavorezca o discrimine a los

tratamientos y permite cancelar los efectos de factores extraños que pudieran estar
presentes.

La aleatorización hace válida la prueba, haciéndola apropiada para analizar los datos
como si la suposición de errores independientes fuera cierta. Obsérvese que no hemos
dicho que la aleatorización garantiza independencia, sino sólo que la aleatorización nos
permite proceder como si la independencia fuera un hecho. La razón de esta distinción
debe ser clara: los errores asociados con unidades experimentales que son adyacentes en
espacio o tiempo, tenderán a correlacionarse, y todo lo que hace la aleatorización es
asegurarnos que el efecto de esta correlación, sobre cualquier comparación entre los
tratamientos, se hará tan pequeña como sea posible. Aún quedará algo de correlación,
pero ninguna cantidad de aleatorización puede eliminarla totalmente. Es decir, en
cualquier experimento, la independencia de errores completa y verdadera es sólo ideal y
nunca puede lograrse. Sin embargo, por todos conceptos, debe buscarse tal
independencia y la aleatorización es la mejor técnica empleada para lograr el fin
deseado.

Algunas veces se introduce el concepto de aleatorización como un instrumento para

“eliminar” tendencias. Para ilustrar el razonamiento en que se basa este procedimiento
A y B debe ser parcial a favor de B, si existe un efecto de aprendizaje. Sin embargo, si
cada vez que tuvo que investigarse un nuevo compuesto, el analista hubo de decidir al
azar cuál procedimiento usar primero, la tendencia pudo haber sido reducida, tal vez
eliminada. Pero, podría haberse logrado algo más. Si estuviesen actuando otras
tendencias, también se podrían haber eliminado sus efectos (o al menos reducido) por
medio de aleatorización. Es decir asignando tratamientos al azar a las unidades
experimentales, estamos tratando de certificar que los tratamientos no serán favorecidos
continuamente o perjudicados por fuentes extrañas de variación, sobre las que no tenga
control el experimentador o sobre los cuales decida no ejercer control. En otras
palabras, la aleatorización es como un seguro; siempre es una buena idea y algunas
veces es aún mejor de lo que esperamos.

4.6 SUPUESTOS ESTADÍSTICOS EN LAS PRUEBAS EXPERIMENTALES.

A. Aditividad
-Los factores o componentes del modelo estadístico 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 s^2.

D. Independencia
-Los resultados de un experimento son independientes entre sí.

E. Varianzas homogéneas
-Las diversas poblaciones generadas por la aplicación de dos o más tratamientos
tienen variancias homogéneas (varianza común).

 Tabla ANOVA para diseño completamente aleatorizado.

 Fuente de Suma de Grados de Cuadrado Fo
variación cuadrados libertad medio
Tratamientos SStratamientos a-1 MStratamientos
Error SSE A(n-1) MSE MStratamientos/
MSE
Total SST An-1

TAMAÑOS DE MUESTRAS IGUALES

Dónde:
a: Cantidad de tratamientos
n: Cantidad de replicas
Yij: Replica j del tratamiento i
y…: Gran total
N: Total de observaciones

Dónde:
a: Cantidad de tratamientos
yi.: Sumatoria del tratamiento i
y…: Gran total
N: Total de observaciones

SSE=SST-SSTratamientos

TAMAÑOS DE MUESTRA DIFERENTES

Dónde:
a: Cantidad de tratamientos
n: Cantidad de replicas
Yij: Replica j del treatamiento i
y..: Gran total
N: Total de observaciones

Dónde:
 a: Cantidad de tratamientos
yi. Sumatoria del tratamiento i
y..: Gran total
ni: Observaciones del tratamiento i
N: Total de observaciones

SSE=SST-SSTratamientos

HIPOTESIS

4.7 PRUEBA DE DUNCAN.

Se usa para comparar cada promedio de tratamiento con cada uno de los otros
promedios, de una prueba de rango múltiple. De manera que cualquier diferencia
existente entre cualquier tratamiento contra otro se verá reflejado en este análisis.

Utiliza un nivel de significancia variable que depende del número de medias que entran
en cada etapa de comparación. La idea es que a medida que el número de medias
aumenta, la probabilidad de que se asemejen disminuye.

Para obtener los comparadores Duncan, se toman de la t6abla de Duncan los valores de
acuerdo al número de tratamientos y con los grados de libertad del error. Cada uno de
estos valores será multiplicando por el error estándar de l media y estos serán los
compradores para determinas cuales diferencias son significativas.

El procedimiento se basa en la noción general de un rango studentizado. El rango de

cualquier subconjunto de p medias muéstrales debe exceder cierto valor antes de que se
encuentre que cualquiera de las p medias es diferente. Este valor se llama rango de
menor significancia para las p medias y de denota con Rp.

Dónde:
Rp: son los rangos studentizado de menor significancia y depende del nivel de
significancia y den número de grados de libertad.
S: es el cuadrado medio del error y se toma de la tabla de análisis de varianza
n: es el número de elementos para un tratamiento específico.
p: representa el tamaño del conjunto de medias.

Rp: puede entenderse como la diferencia mínima que debe existir entre la media más
grande y la más pequeña de un conjunto de tamaño p.

Los pasos que debemos seguir para aplicar la prueba de Duncan son:

Calcular el valor de cada una de las medias correspondientes a cada tratamiento y

ordenarlas de mayor a menor

Determinar de una tabla los valores Rp para un valor de significancia a.

Calcular los Rp de acuerdo con la expresión anterior y tomar el valor s2.

Probar por rangos que vayan de la media 1 a la p.

Si la hipótesis se cumple, es decir si Rp < mi+p – mi, terminamos.

Suponga que un experimento industrial un ingeniero está interesado en cómo la

absorción media de humedad en concreto varía entre cinco mezclas diferentes de
concreto. Las muestras se exponen a la humedad por 48 horas y se decide que se
prueben seis muestras para cada mezcla, por lo que se requiere probar un total de 30
muestras. Con grado de significancia 5%.
Consideremos un ejemplo hipotético donde tenemos los siguientes valores para las
medias de 6 tratamientos.

Sacar de la tabla Duncan

Calculamos los Rp para nuestro ejemplo, tomando el valor de s2 = 2.45 del análisis de
varianza.

Comparación:
Finalmente los rangos quedan
m = {[m4, m6, m3, m1], [m5], [m2]}
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.

APLICACIONES SEGÚN LA CLASIFICACIÓN DE LA INDUSTRIA

 INDÚSTRIAS PESADAS O DE BASE:

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

 INDUSTRIAS DE BIENES DE EQUIPO:

Maquinaria:
Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el diseño de
experimentos como herramienta para determinar y mejorar los índices de capacidad de un
proceso concreto apoyándose en estudios de reproducibilidad y repetitividad.

Diseño de motores eléctricos:

Estudio de las características constructivas del motor y su influencia en variables importantes
como la pérdida de flujo y la constante de velocidad

Diseño de electrodos:
Estudio de los esfuerzos en los electrodos en función de la fuerza de aplicación y el tamaño del
electrodo.

Diseño de elementos de sujeción:

Análisis de la influencia de los parámetros geométricos en la resistencia de los remaches.

MATERIALES DE CONSTRUCCIÓN

Estudios de corrosión:
Estudios de la influencia del tiempo en la corrosión de aceros de construcción y metales en
general.

Aplicaciones en el mecanizado:
Estudio de la variabilidad en los procesos de mecanizado, ayuda a la reducción de piezas
defectuosas y aumento de la capacidad de producción.

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.

 INDUSTRIAS LIGERAS O DE USO Y CONSUMO

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.

 INDUSTRIA 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
BIBLIOGRAFIA
Arnau, J. (1978). Psicología Experimental enfoque metodológico. México: Ed. Trillas.
Pp. 345-353

Moreno, R. D., López, G. R., Cepeda, I. L., Alvarado. G. I. y Plancarte, C. P. (2000).

Diseños de Investigación. El proceso de Investigación. México.
UNAM. FES Iztacala. Pp. 1-13

Moreno, R. D., López, G. R., Cepeda, I. L., Alvarado. G. I. y Plancarte, C. P. (2000).

Diseños de Investigación. El proceso de Investigación. México.
UNAM. FES Iztacala. Pp.13-50.

https://www.clubensayos.com/Ciencia/45-La-Importancia-De-La-
Aleatorizaci%C3%B3n-De-Los/1375295.html

https://es.scribd.com/doc/145782736/Unidad-4-Diseno-experimental-para-un-factor

http://es.slideshare.net/alejandraaragonparra/145782736-
unidad4disenoexperimentalparaunfactor1