INSTITUTO TECNOLOGICO

DE CIUDAD MADERO
TECNOLOGICO NACIONAL
DE MADERO

Alumno: Nadia Arely Francisco Hernández

Docente: Gabriela Malibrán Domínguez

Estadística Inferencial II

Unidad 5

Tema:
Diseño y análisis de experimentos de un solo
factor. Diseño foda

23/ Mayo/ 2024

pág. 1
Índice

Introducción…………………………………………........…………..……pág. 3

4. Diseño experimental para un factor ……………………..……. ……pág. 4

4.1 Introducción, conceptualización, importancia y alcance del diseño

experimental en el ámbito empresarial ………………………….………pág. 4

4.2 Clasificación de los diseños experimentales ………………….……pág. 5

4.3 Nomenclatura y simbología en el diseño experimental ………..…pág. 10

4.4 Identificación de los efectos de los diseños experimentales ….…pág. 12

4.5 La importancia de la aleatorización de los especímenes de prueba… pág15

4.6 Prueba de Duncan ………………………………………….………pág. 16

4.7 Aplicaciones industriales ……………………………………………pág. 19

conclusión …………………………………………………………………pág. 20

bibliografías………………………………………………………………….pag.21

pág. 2
Introducción
En el trabajo que se presentara a continuación hablaremos acerca de los diseños
experimentales para un factor, en donde principalmente entendemos como
diseño experimental al esquema de cómo realizar un experimento. El objetivo
fundamental de los diseños experimentales radica en el determinar si existe una
diferencia significativa entre los diferentes tratamientos del experimento y en
caso que la respuesta es afirmativa, cuál sería la magnitud de esta diferencia. 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. El diseño
de experimental ha resultado ser una herramienta de gran impacto en la
actualidad para el progreso de la industria, debido a que contribuye a conocer
los procesos de una manera más profunda, lo cual permite hacer mejoras en
calidad y bajar los costos de producción por medio de métodos estadísticos.

pág. 3
4. Diseño experimental para un factor
4.1 Introducción, conceptualización, importancia y alcance del diseño
experimental en el ámbito empresarial
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.
Ejemplo
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.

pág. 4
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.
El objetivo del experimento se utiliza como un criterio general de clasificación de
los diseños experimentales, mientras que los otros cuatro puntos son útiles para
subclasificarlos. En este sentido, de acuerdo con su objetivo y sin pretender ser
exhaustivo s, los diseños se pueden clasificar como:
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.

pág. 5
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.
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.
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;
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
En muchos problemas de investigación es necesario diseñar experimentos en
los que pueda controlarse sistemáticamente la variabilidad producida por
diferentes fuentes extrañas. Por ejemplo, supongamos que se desea determinar
si cuatro diferentes puntas producen una diferencia en las lecturas de un equipo
para medir la dureza. La máquina funciona presionando la punta sobre una
probeta de metal y determinando la dureza de la probeta a partir de la
profundidad de la marca que se produce. Se ha decidido obtener cuatro
observaciones para cada punta. Solo existe un factor–tipo de punta y el diseño
de un factor completamente aleatorizado consiste en asignar aleatoriamente
cada uno de los 4 X 4 = 16 ensayos a una unidad experimental, o sea una probeta
de metal y tomar las lecturas de la dureza correspondiente. Por lo tanto, se
requerirían de 16 probetas de metal para realizar este experimento, una para
cada ensayo (Anexo A). En principio existe un problema serio con el diseño
pág. 6
completamente aleatorizado en esta situación. Si las probetas son ligeramente
distintas en cuanto dureza, como sería el caso si provinieran de diferentes
vaciados, las unidades experimentales (probetas o especímenes) contribuyen a
la variabilidad observada en la lectura de dureza. Como resultado, el error
experimental refleja tanto el error aleatorio como la variabilidad entre probetas.
Se desea que el error experimental sea lo más pequeño posible; en otras
palabras, se busca sustraer del error experimental la variabilidad producida por
las probetas. Un diseño que logre esto requiere que se pruebe cada punta, una
vez, en cada una de las cuatro probetas diferentes. Este diseño se conoce como
diseño aleatorio por bloques completos. La palabra completo indica que todos
los tratamientos (puntas) son probadas en cada bloque (probetas). Si se usa este
diseño, los bloques o probetas forman una unidad experimental más homogénea
con la cual comparan las puntas. Esta estrategia de diseño mejora efectivamente
la precisión en la comparación al eliminar la variabilidad entre 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.

Ejemplo 1.
Diseño factorial Ejemplos de resultados en un diseño factorial 3x2, en el cual se
pretende analizar el efecto de un plan de entrenamiento de fuerza con tres
niveles de intensidad (20%, 50% y 80%) sobre la variable género (hombres y
mujeres). Los resultados se presentan en forma relativa (Peso levantado / peso
corporal). Y se analizan los efectos principales e interacciones

pág. 7
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:

pág. 8
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:

pág. 9
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 – pos prueba 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
4.3 Nomenclatura y simbología en el diseño experimental A.G.

pág. 10
• 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
Ejemplo
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

pág. 11
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.
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.

pág. 12
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

pág. 13
que no desfavorezca o discrimine a los tratamientos y permite cancelar los
efectos de factores extraños que pudieran estar presentes.
Ejemplo
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.

pág. 14
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. Observarse
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. 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, podía haberse
logrado algo más. Si tuviese actuando otras tendencias, también se podrían
haber eliminado sus efectos. En otras palabras, la aleatorización es como un
seguro; siempre es una buena idea y algunas veces es aún mejor de que
esperábamos. Se define la aleatorización como la asignación de tratamientos a
unidades experimentales que se han obtenido de manera aleatoria. Esto también
nos habla de la importancia de la de la aleatorización ya que esta proporciona
estimaciones validas de la varianza del error para métodos de inferencia
estadística justificados para la estimación y pruebas de hipótesis en el
experimento. No debemos olvidar que uno de los principios de la indiferencia
estadística es que los elementos de la muestra sin representativos de la
población, de igual manera, los datos colectados de un experimento deben ser
representativos de lo que ha ocurrido, sin embargo, si sobre las unidades
experimentales se ha hecho una selección cuidadosa y supervisada al efectuar
el experimento que se hace con la muestra aleatoria, más aún suponga, que las
unidades a las que se les aplicara uno de tres tratamientos provenientes de lotes
de producción elaborados por 3 máquinas diferentes.
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 estadística.

pág. 15
4.6 Prueba de Duncan
Supuestos estadísticos en las pruebas experimentales
A. Aditivitad: 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

pág. 16
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, 𝑠𝑦̅𝑖 , 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:
pág. 17
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) 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

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

pág. 18
4.7 Aplicaciones Industriales
Industrias 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.
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.

pág. 19
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.

pág. 20
Bibliografías
Bustos, R. (2020). Diseño experimental para un factor. StuDocu. Recuperado 25
de noviembre de 2021, de https://www.studocu.com/es-
mx/document/institutopolitecnico-nacional/estadistica/estadistica-iii-
investigacion-del-disenoexperimental-para-un-factor/8418982
Gutiérrez H. y De la Vara R. (2008) Análisis y diseño de experimentos; México:
McGraw Hill
https://www.academia.edu/41280762/Analisis_y_diseno_experimentos
Badii, M.H, J. Castillo, M. Rodríguez, A. Wong & P. Villalpando (2007) Diseños
experimentales e investigación científica; Universidad Autónoma de Nuevo León:
México http://eprints.uanl.mx/12482/1/A5.pdf Soto, M. (2016, 26 enero).
NOMENCLATURA Y SIMBOLOGIA EN EL DISEÑO EXPERIMENTAL. Apuntes -
MoRaRzL. Recuperado 25 de noviembre de 2021, de
https://www.clubensayos.com/Ciencia/NOMENCLATURA-Y-SIMBOLOGIA-EN-
ELDISE%C3%91O-EXPERIMENTAL/3110298.html
Jiménez, C. P. (2019). Identificación de los efectos de los diseños
experimentales. SlidePlayer. Recuperado 25 de noviembre de 2021, de
https://slideplayer.es/slide/14808223/ 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-
Aleatorizacionde-Prueba Olivares, B. M. (2018, 15 abril). ESTADISTICA
ADMINISTRATIVA UNIDAD. Academia. Recuperado 25 de noviembre de 2021,
de
https://www.academia.edu/36415293/ESTADISTICA_ESTADISTICA_ADMINIS
TRATIVA _UNIDAD 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

pág. 21