Diseño de experimentos de un factor

Competencias
1. Identificar dentro de la familia de los diseños experimentales, aquellos utilizados en la
comparación de tratamientos.

2. Diferenciar los distintos modelos estadísticos y los análisis de varianzas en

experimentos con un sólo factor.

3. Realizar las diversas pruebas de rangos múltiples y la comparación por contrastes.

4. Verificar los supuestos del modelo estadístico en diseños con un solo factor.

2.1. Familia de diseños para comparar tratamientos.

Los diseños experimentales más utilizados para comparar tratamientos son:

1. Diseño completamente al azar (DCA)

2. Diseño en bloque completamente al azar (DBCA)
3. Diseño en cuadro latino (DCL)
4. Diseño en cuadro grecolatino (DCGL)

La diferencia fundamental entre estos diseños es el número de factores de bloque que

incorporan o controlan de forma explícita durante el experimento. La comparación de los
tratamientos en cuanto a la respuesta media que logran, en cualquiera de estos diseños, se
hace mediante la hipótesis

que se prueba con la técnica estadística llamada Análisis de Varianza (ANOVA) con uno, dos,
tres o cuatro criterios de clasificación, dependiendo del número de factores de bloques
incorporados al diseño.
El modelo estadístico que describe el comportamiento de la variable observada Y en cada diseño,
incorpora un término adicional por cada factor de bloqueo controlado.

De acuerdo con los modelos dados en la tabla, para cada diseño comparativo se tienen al menos
dos fuentes de variabilidad: los tratamientos o niveles del factor de interés y el error aleatorio.

Se agrega una nueva fuente de variabilidad por cada factor de bloque que se controla
directamente. Se observa que los diseños suponen que no hay efectos de interacción entre los
factores, lo cual sería lo deseable que ocurra; de no ocurrir así, tal efecto se recarga al error y el
problema de comparación no se resuelve con éxito.

Un efecto de interacción entre dos factores hace referencia a que el efecto de cada factor
depende del nivel en que se encuentra el otro.

2.2. El modelo de efectos fijos

El modelo de efectos fijos (es cuando se estudian todos los posibles tratamientos) de análisis de
la varianza se aplica a situaciones en las que el experimentador ha sometido al grupo o material
analizado a varios factores, cada uno de los cuales le afecta sólo a la media, permaneciendo la
"variable respuesta" con una distribución normal.

Este modelo se supone cuando el investigador se interesa únicamente por los niveles del factor
presentes en el experimento, por lo que cualquier variación observada en las puntuaciones se
deberá al error experimental.
2.3. Diseño completamente al azar y ANOVA
Muchas comparaciones, como las antes mencionadas, se hacen con base en el diseño
completamente al azar (DCA), que es el más simple de todos los diseños que se utilizan para
comparar dos o más tratamientos, dado que sólo consideran dos fuentes de variabilidad: los
tratamientos y el error aleatorio. En la siguiente unidad veremos diseños que consideran la
influencia de otras fuentes de variabilidad (bloques).

Este diseño se llama completamente al azar porque todas las corridas experimentales se
realizan en orden aleatorio completo. De esta manera, si durante el estudio se hacen en total
N pruebas, éstas se corren al azar, de manera que los posibles efectos ambientales y temporales
se vayan repartiendo equitativamente entre los tratamientos.
Ejemplo 1
Comparación de cuatro métodos de ensamble. Un equipo de mejora investiga el efecto de
cuatro métodos de ensamble A, B, C y D, sobre el tiempo de ensamble en minutos con un nivel
de significancia de 0.05. En primera instancia, la estrategia experimental es aplicar cuatro veces
los cuatro métodos de ensamble en orden completamente aleatorio (las 16 pruebas en orden
aleatorio). Los tiempos de ensamble obtenidos se muestran en la tabla 2.1. Si se usa el diseño
completamente al azar (DCA), se supone que, además del método de ensamble, no existe
ningún otro factor que influya de manera significativa sobre la variable de respuesta (tiempo de
ensamble)
Ejemplo 2
Comparación de cuatro tipos de cuero. Un fabricante de calzado desea mejorar la calidad de
las suelas, las cuales se pueden hacer con uno de los cuatro tipos de cuero A, B, C y D disponibles
en el mercado. Para ello, prueba los cueros con una máquina que hace pasar los zapatos por
una superficie abrasiva; la suela de éstos se desgasta al pasarla por dicha superficie. Como
criterio de desgaste se usa la pérdida de peso después de un número fijo de ciclos. Se prueban
en orden aleatorio 24 zapatos, seis de cada tipo de cuero. Al hacer las pruebas en orden
completamente al azar se evitan sesgos y las mediciones en un tipo de cuero resultan
independientes de las demás. Los datos (en miligramos) sobre el desgaste de cada tipo de cuero
se muestran en la tabla 2.2

El análisis de la varianza de un criterio (ANOVA de un criterio) es una metodología para analizar

la variación entre muestras y la variación al interior de las mismas con varianzas, en lugar de
rangos. Como tal, es un método estadístico útil para comparar dos o más medias poblacionales.

El objetivo del análisis de varianza en el DCA es probar las hipótesis de igualdad de los
tratamientos con respecto a la media de la correspondiente variable de respuesta:

Nota: Primeramente explicare el cálculo manual tradicional para ANOVA, posteriormente el

simplificado y más práctico, así como su solución utilizando un paquete computacional.
Método dentro
El método dentro de estimación de la varianza produce una estimación válida sin importar si la
hipótesis nula de las medias poblacionales iguales es cierta. Esto se debe a que la variabilidad
de los valores de la muestra se determina comparando cada elemento en los datos con la media
muestral. Cada valor de la muestra obtenido de la población A se compara con la media
muestral A; cada elemento obtenido de la población B se compara con la media muestral B, y
así sucesivamente. La ecuación para calcular la estimación de la varianza con el método dentro
es:
El número adecuado de grados de libertad para el método dentro se calcula como c(n-1) si el
número de observaciones en cada grupo es igual. Como a cada elemento del grupo se le resta
la media de ese grupo, sólo (n-1) elementos de cada grupo pueden variar. Además, como se
tienen c grupos, c se multiplica por (n-1) para obtener los grados de libertad para el método
dentro.
La tabla ANOVA contiene columnas con las fuentes de variación, las sumas de cuadrados, los
grados de libertad, las estimaciones de la varianza y el valor F para el procedimiento de análisis
de varianza.

Retomando el problema del efecto de cuatro métodos de ensamble A, B, C y D, sobre el tiempo

de ensamble en minutos tenemos:
El valor de F calculado por tabla cuando tenemos un nivel de significancia de 0,05 y 3 grados de
libertad en el numerador y 12 grados de libertad en el denominador es F0,05 (3,12) = 3,49

Como nuestro estadístico de prueba F (9,42) excede el valor crítico tabulado (3,49), rechazamos
la hipótesis nula y aceptamos la alterna, concluyendo que sí hay diferencia o efecto de los
métodos de ensamble en cuanto a su tiempo promedio.

Ahora veremos el procedimiento y notación más comúnmente utilizado para la solución de

ANOVA
ANOVA
Como ya lo mencionamos el objetivo del análisis de varianza en el DCA es probar la hipótesis
de igualdad de los tratamientos con respecto a la media de correspondiente variable de respuesta.
Para probar la hipótesis dada por la relación:

mediante la técnica de ANOVA, lo primero es descomponer la variabilidad total de los datos

en sus dos componentes: la variabilidad debida a tratamientos y la que corresponde al error
aleatorio (equivalente al método entre y método dentro), como se hace a continuación.
Análisis del ejemplo 1 (comparación de cuatro tipos de métodos de ensamble). La interrogante
que se planteó en el problema de la comparación entre los cuatro tipos de métodos de
ensamble fue: ¿existen diferencias entre el tiempo promedio de los diferentes métodos de
ensamble? La respuesta a esta pregunta es el resultado de contrastar las hipótesis:
Resultados arrojados en un paquete computacional (Excel y Minitab), para el ejemplo 1 de los
tiempos de ensamble para los cuatro métodos.

Diagrama de cajas simultáneos

Los diagramas de cajas es una herramienta para describir el comportamiento e unos datos, y es
de suma utilidad para comparar procesos, tratamientos y, en general, para hacer análisis por
estratos (lotes, proveedores, turnos). En el resultado arrojado por Minitab se observa en la
figura (figura 2.1) que el método C parece diferente al los métodos A y B en cuanto a sus medias;
la media del método D también se ve diferente a la media del método A. Por otra parte, se
observa un poco más de variabilidad en el método C que en todos los demás. Lo que sigue es
verificar que lo que se observa en el diagrama de cajas implica diferencias significativas entre
los distintos tratamientos; por lo tanto, es necesario hacer pruebas estadísticas porque los
datos que se analizan en los diagramas de cajas son muestras.

En general, cuando los diagramas no se traslapan es probable que los tratamientos

correspondientes sean diferentes entre sí, y la probabilidad es mayor en la medida que los
diagramas están basados en más datos. Cuando se traslapan un poco puede ser que haya o no
diferencias significativas, y en cualquier caso es conveniente utilizar una prueba estadística para
determinar cuáles diferencias son significativas. Estas pruebas se verán en la siguiente sección.

Análisis del ejemplo 2 (comparación de cuatro tipos de cuero). La interrogante que se planteó
en el problema de la comparación entre los cuatro tipos de cuero fue: ¿existen diferencias entre
el desgaste promedio de los diferentes tipos de cuero? La respuesta a esta pregunta es el
resultado de contrastar las hipótesis:
En el resultado de comparación de parejas arrojado por minitab, por el método de LSD,
observamos que este nos indica los intervalos de confianza para las comparaciones de cada par
de muestras, por lo que debemos tomar el punto medio de cada comparación (centro) y
contrastarlo con el valor del estadístico t de student obtenido en tablas (2,42) y tomar la
decisión que corresponda
En las comparaciones donde la diferencia observada es mayor que el rango respectivo, se
concluye que esas medias son significativamente diferentes. Si dos medias caen entre otras
dos que no son muy diferentes, entonces esas dos medias poblacionales también se
consideran estadísticamente iguales.

Ejemplo. Supongamos que nos interesa probar las seis hipótesis para los cuatro métodos de
ensamble del problema anterior.

Estos rangos se comparan con las diferencias de medias de acuerdo al método descrito
anteriormente.
Método de Dunnet (Comparación de tratamientos con un control).
En muchos problemas científicos y de ingeniería no interesa extraer inferencias con respecto a
todas las posibles comparaciones entre las medias de los tratamientos. En su lugar, el
experimento a menudo dicta la necesidad de comparar de manera simultánea cada tratamiento
con un control. Por ejemplo, al comparar varios medicamentos para el resfriado es conveniente
que uno de los tratamientos sea que los pacientes no utilicen ningún medicamento, esto sirve
como referencia para decidir la posible utilidad de los medicamentos.

Un procedimiento de prueba desarrollado por C.W. Dunnett determina diferencias

significativas entre cada media del tratamiento y el control, en un solo nivel de significancia.

Ejemplo. Para ilustrar el procedimiento de Dunnett , consideremos los datos experimentales de

la siguiente tabla para la clasificación unilateral donde se estudia el efecto de tres catalizadores
sobre el rendimiento de una reacción. Un cuarto tratamiento, sin ningún catalizador, se utiliza
como control.
2.5. Verificación de los supuestos del modelo
La validez de los resultados obtenidos en cualquier análisis de varianza queda supeditada a que
los supuestos del modelo se cumplan. Estos supuestos son:
A) Normalidad
B) Varianza constante (igual varianza de los tratamientos)
C) Independencia
Para comprobar cada supuesto existen pruebas analíticas y gráficas que veremos a
continuación. Por sencillez, muchas veces se prefieren las pruebas gráficas. Éstas tienen el
inconveniente de que no son exactas, pero aun así , en la mayoría de las situaciones prácticas
proporcionan la evidencia suficiente en contra o a favor de los supuestos.
las escalas de tal manera que si los residuos siguen una distribución normal, al graficarlos tienden
a quedar alineados en una línea recta; por lo tanto, si claramente no se alinean se concluye que el
supuesto de normalidad no es correcto.

Cabe enfatizar el hecho de que el ajuste de los puntos a una recta no tiene que ser perfecto,
dado que el análisis de varianza resiste pequeñas y moderadas desviaciones al supuesto de
normalidad.
Independencia
La suposición de independencia en los residuos puede verificarse si se grafica el orden en que
se colectó un dato contra el residuo correspondiente. De esta manera, si al graficar en el eje
horizontal el tiempo (orden de corrida) y en el eje vertical los residuos, se detecta una tendencia
o patrón no aleatorio claramente definido, esto es evidencia de que existe una correlación entre
los errores y, por lo tanto, el supuesto de independencia no se cumple. Si el comportamiento
de los puntos es aleatorio dentro de una banda horizontal, el supuesto se está cumpliendo.

La violación de este supuesto generalmente indica deficiencias en la planeación y ejecución del

experimento; asimismo, puede ser un indicador de que no se aplico en forma correcta el
principio de aleatorización, o de que conforme se fueron realizando las pruebas experimentales
aparecieron factores que afectaron la respuesta observada. Por ello, en caso de tener
problemas con este supuesto, las conclusiones que se obtienen del análisis son endebles y por
ello es mejor revisar lo hecho y tratar de investigar por qué no se cumplió con ese supuesto de
independencia, a fin de reconsiderar la situación.

En el ejemplo para comparar los cuatro tipos de cuero, las gráficas resultantes figuras 2.2 y 2.3.
Se observa el cumplimiento de los supuestos de normalidad y varianza constante, sin embargo,
en las dos gráficas es notorio un punto que se aleja bastante del resto, el cual es un punto
aberrante cuyo origen debe investigarse

Elección del tamaño de la muestra

Una decisión importante en cualquier diseño de experimentos es decidir el número de replicas

que se hará por cada tratamiento (tamaño de muestra). Por lo general, si se esperan diferencias
pequeñas entre tratamientos será necesario un mayor tamaño de muestra.

Aunque existen varios métodos para estimar el tamaño muestral, muchas veces tienen poca
aplicabilidad porque requieren cierto conocimiento previo sobre la varianza del error
experimental.
Si recurrimos a la experiencia vemos que el número de réplicas en la mayoría de las situaciones
experimentales en las que se involucra un factor varía entre cinco y diez; incluso, en algún caso
puede llegar hasta 30. La tendencia podría inclinarse por un extremo de este rango e incluso
salirse de éste, de acuerdo con las siguientes consideraciones:


 A menor diferencia que se espera en los tratamientos, mayor será la cantidad de réplicas
si se quieren detectar diferencias significativas, y viceversa, es decir, si se esperan
grandes diferencias quizá con pocas replicas sea suficiente

 Si se espera mucha variación dentro de cada tratamiento, debido a la variación de fuentes

no controladas como métodos de medición, medio ambiente, materia prima, etc.,
entonces se necesitarán más réplicas

 Si son varios tratamientos (cuatro o más), entonces éste es un punto favorable para reducir
el número de réplicas.

Además de lo anterior, es preciso considerar los costos y el tiempo global del experimento. De
aquí que si toman en cuenta las consideraciones antes expuestas se podrá establecer el tamaño
de muestra que permita responder en una primera fase las preguntas más importantes que se
plantearon con el experimento
2.6. Uso de un software estadístico
Excel
a) En una hoja de Excel capturar primeramente la tabla de datos
b) En la misma hoja de cálculo seleccionar del cintillo superior Datos, luego Análisis de datos
c) Seleccionar análisis de varianza de un factor en la ventana desplegada
d) En rango de entrada (en ventana de captura) seleccionar todos los grupos, incluyendo su
rótulo (sombrearlos con el mouse), automáticamente se incluyen.

e) En el siguiente recuadro seleccionar si nuestros datos están ordenados en filia o columnas,

además indicar si tenemos rótulos en los encabezados, e indicar que los resultados los arroje en
una hoja nueva

Nota: Si no aparece Análisis de datos en la parte superior derecha de la hoja de cálculo, se deberá
de activar de la siguiente manera:
En el símbolo del sistema en la parte superior izquierda de los encabezados dar clic.

 En la ventana desplegada seleccionar opciones de Excel en la parte inferior dando un clic.

 De la ventana desplegada señalar en el menú del lado izquierdo complementos

 De la ventana desplegada en el lado derecho, señalar en la parte inferior de la misma ir

con un clic.

 De la ventana desplegada palomear el recuadro de herramientas para análisis, y aceptar

 Nota como no está instalada esta herramienta el sistema nos preguntara si queremos
instalarla a lo que indicaremos que si, y la instalara en un par de minutos.
Minitab
 En la hoja de cálculo que despliega Minitab capturar nuestra tabla de datos indicando sus
correspondientes rótulos en la primer fila que no está numerada

 En el cintillo superior indicar con el mouse Estadísticas

 Del menú desplegado seleccionar ANOVA, en el menú desplegado seleccionar Un solo

factor (Desapilado) y dar clic con el mouse

 En ventana de captura desplegada (Análisis de varianza- Un solo factor), en la parte

izquierda aparecerán automáticamente los grupos de tabla de datos

 En el cuadro superior derecho (Respuestas (en columnas separadas)) indicar separando

por un espacio (sin comas) los nombres de las columnas que generalmente son letras,
esto también se logra dando doble clic en cada letra del cuadro de la izquierda,
automáticamente son capturadas

 En nivel de confianza por default es 95%

 Señalar Aceptar y nos arrojara el resultado ANOVA en la parte superior de la hoja de

calculo
 Si queremos hacer comparaciones de rango múltiples, entonces señalamos de la ventana
anterior comparaciones dando un clic.

 En la ventana desplegada señalaremos las comparaciones que queramos, y en control

nivel del grupo indicamos la A, y damos clic en aceptar
 Si queremos las gráficas del supuesto del modelo entonces, damos clic a gráficas
(antepenúltima ventana) y señalamos tres en uno y damos clic en aceptar