INSTITUTO TECNOLÓGICO DE CHETUMAL

ASIGNATURA:
ESTADÍSTICAS ADMINISTRATIVAS II

ALUMNO:
MELENDEZ RYAN WALTER

CORREO INSTITUCIONAL:
[email protected]

GRUPO:
C3B

DOCENTE:
GARCIA GUZMAN JAVIER

FECHA DE ENTREGA:
17/11/2024

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.
12
4.4 Identificación de los efectos de los diseños experimentales ………………….. pág.
15
4.5 La importancia de la aleatorización de los especímenes de prueba………….. pág.
19
4.6 Supuestos estadísticos en las pruebas experimentales………………………... pág.
20
4.7 Prueba de Duncan …………………....……………………………………......… pág.
20
4.8 Aplicaciones industriales …………………………………….………..………..…. pág.
26
Conclusión …………………………………………….…………………………….... pág.
30
Bibliografías ……………………………………………………………………….….. pág.
30

2
Introducción al tema

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 de 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.

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.

3
Conceptualización
El diseño experimental es una técnica estadística que permite identificar y cuantificar
las causas de un efecto dentro de un estudio experimental. Es un diseño experimental
se manipulan deliberadamente una o más variables, vinculadas a las causas, para
medir el efecto que tienen en otra variable de interés.

Importancia
El diseño experimental busca entonces a través de una serie de herramientas
estadísticas aplicadas metodizar los ensayos de prueba y error para encontrar la mejor
combinación de variables independientes que optimice una variable de respuesta en
unas circunstancias determinadas. El análisis experimental se basa en la comprensión
de la variación que presenta los datos de salida de un problema. La variación siempre
está presente en todos los procesos de la naturaleza y por ende en los procesos
humanos, la planeación de un experimento permite identificar las fuentes de que la
producen, clasificarlas y tomar decisiones con respecto a ellas.

Alcances del diseño experimental en el ámbito empresarial.

El diseño experimental se distingue por el hecho de definir y controlar las variables
independientes antes de lanzarlas al mercado, intentando distintos tipos de estímulos a
los que respondan los clientes, antes de observar como ocurre verdaderamente.

Puede establecer diferentes en su respuesta que pueden atribuirse a los estímulos en

cuestión, como el envoltorio o color de un producto, y no a otros factores, como la
disponibilidad limitada del producto. Aplicar los métodos de diseño experimental
requiere juicio empresarial y un grado de sofisticación matemática y estadística.

Hoy en día, las empresas pueden recopilar información detallada de los clientes con
mayor sencillez y pueden emplear dichos datos para crear modelos que predigan la
respuesta del consumidor con mayor rapidez y precisión.

1. Una compañía telefónica está interesada en conocer la influencia de varios factores

en la variable duración de una llamada telefónica. Los factores que se consideran
son los siguientes: hora a la que se produce la llamada; día de la semana en que se
realiza la llamada; zona de la ciudad desde la que se hace la llamada; sexo del que

4
 realiza la llamada; tipo de teléfono (público o privado) desde el que se realiza la
llamada.

2. El diseño experimental se distingue por el hecho de definir y controlar las variables

independientes antes de lanzarlas al mercado, intentando distintos tipos de
estímulos, a los que respondan los clientes, antes de observar como ocurre
verdaderamente.

4.2 Clasificación de los diseños experimentales

Existen muchos diseños experimentales para estudiar la gran diversidad de problemas

o situaciones que ocurren en la práctica. Esta cantidad de diseños hace necesario
saber cómo elegir el más adecuado para una situación dada y, por ende, es preciso
conocer cómo es que se clasifican los diseños de acuerdo con su objetivo y su alcance.
Los cinco aspectos que más influyen en la selección de un diseño experimental, en el
sentido de que cuando cambian por lo general nos llevan a cambiar de diseño, son:

1. El objetivo del experimento.

2. El número de factores a estudiar.
3. El número de ni veles que se prueban en cada factor.
4. Los efectos que interesa investigar (relación factores respuesta).
5. El costo del experimento, tiempo y precisión deseada.

Estos cinco puntos no son independientes entre sí, pero es importante señalarlos de
manera separada, ya que al cambiar cualquiera de ellos generalmente cambia el
diseño experimental a utilizar. Con base en algunos de estos cinco puntos es posible
clasificar los diseños como lo hacemos a continuación.

El objetivo del experimento se utiliza como un criterio general de clasificación de los

diseños experimentales, mientras que los otros cuatro puntos son útiles para
subclasificarlos. En este sentido, de acuerdo con su objetivo y sin pretender ser
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
5. Diseños para hacer el producto o proceso insensible a factores no controlables.

Imagen 1. Clasificación de los diseños experimentales

Diseños factoriales
En este tipo de diseños, el investigador manipula dos o más variables independientes e
incluyen dos o más niveles de presencia en cada una de ellas. La denominación de
este tipo de diseños se hace por el número de variables independientes y el número de
niveles de cada una de ellas. Como ejemplos tenemos:

a) Un diseño 2 x 2, quiere decir que se emplean dos variables independientes con dos
niveles.
b) Un diseño 3 x 3 quiere decir que se emplearán tres tipos de variables
independientes con tres categorías o niveles.
Los números no necesariamente tienen que ser iguales. En este tipo de diseño, el
número de grupo se calcula multiplicando los números que lo componen: para un
diseño 2 x 2, el total de grupos experimentales es de 4; para un diseño 3 x 3 x 2, el total
de grupos será 18.

La gran ventaja de este tipo de diseños radica en el hecho de que le permite al

investigador evaluarlos efectos de cada variable independiente sobre la dependiente
por separado, además de evaluarlos efectos de las variables independientes
conjuntamente. Hay dos tipos de efectos a evaluar: los efectos de cada variable

6
independiente, también llamados efectos principales y los efectos de interacción entre
dos o más variables independientes.

En el cuadro 3 se muestra un ejemplo de posibles resultados de un diseño 3x2 en el

cual se pretende estudiar el efecto que produce un plan de entrenamiento de fuerza a
intensidades de 20%, 50% y 80%, sobre la variable género (hombres mujeres). Los
resultados se dan en unidades relativas (peso levantado / peso corporal). En los casos
A y B se dan solo efectos principales sin efectos interactivos; en los casos C y E, solo
efectos interactivos; en el caso F, no existen efectos. Cuadro 3. 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 sobre la variable género. Los
resultados se presentan en forma relativa (Peso levantado / peso corporal). Y se
analizan los efectos principales e interacciones

Diseño completamente aleatorio

Este diseño es el más sencillo, eficiente y se origina por la asignación aleatoria de los
tratamientos a un conjunto de unidades experimentales previamente determinado. En
este diseño usamos “k” tratamientos, asignándose cada uno al azar a “n” unidades
experimentales; para cada unidad seleccionamos al azar un número de 1 a k para
decidir que tratamiento debemos aplicar a esa unidad experimental. Si no existen
restricciones, con excepción del requerimiento de igual número de unidades
experimentales por tratamiento, entonces se dice que el experimento tiene un diseño
completamente aleatorio. En este caso, todas las unidades experimentales tienen la
misma probabilidad de recibir cualquiera de los tratamientos y las unidades
experimentales son independientes. Después que se ha efectuado el experimento,
tenemos un grupo de datos consistente en las “kn” respuestas de las unidades
experimentales, clasificadas en “k” grupos de acuerdo con los tratamientos que se
aplicaron. Suponemos:

1. Que los valores observados en cualquiera de los grupos constituyen una

muestra aleatoria de todas las posibles respuestas bajo ese tratamiento para
todas las unidades experimentales.
2. Que la variación entre las unidades tratadas de la misma manera es igual para
todos los tratamientos.

7
 3. Que las respuestas se distribuyen normalmente.

La aleatorización completa puede ser apropiada cuando, a) donde el material

experimental es homogéneo; b) donde es probable que una parte apreciable de las
unidades se destruyan; y c) en experimentos pequeños en donde la mayor precisión de
otros diseños no compensa la pérdida de grados de libertad del error.

Diseño de bloques al azar

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 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

8
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 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:

GRUPO
1 2 3 4
110 111 113 118
109 116 108 123
105 109 109 125
SUMA: 324 336 330 366 1356
MEDIA: 108 112 110 122 113

9
Tabla 2. Datos de métodos de enseñanza
Prueba de la Hipótesis nula: No hay diferencia significativa entre los métodos de
enseñanza.

Contra la hipótesis alterna HA: Si hay diferencia significativa entre los métodos de
enseñanza.

Como primer paso al construir un análisis de varianza encontramos los totales y las
medias, como se muestra en la tabla de datos. Hallamos entonces las sumas de
cuadrados de la siguiente manera:

Paso 1. La suma total de cuadrados es

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

Paso 2. La suma de cuadrados entre grupos es

2
2 + (112 − 113)2 + (110 − 113)2 + (122 − 113)2 =
∑(xij − x … ) = 3[(108 − 113)
3(116) = 348
Paso 3. La suma de cuadrados dentro de los grupos se obtiene más fácilmente como
la diferencia entre la suma total de cuadrados y la suma de cuadrados entre los grupos
(Tabla 3)

2
∑(xij − Xi … ) = 428 – 348 = 80

Fuente gl. gl. cm. Fcal. Ftab

(0.05)
Entre grupos 3 348 116 11.6 7,591
Dentro de los 8 80 10
grupos
Totales 11 428

Tabla 3. Análisis de varianza para los datos

Fcal > F tabulada entonces el Ho se rechaza, y, por tanto, hay diferencia
significativa entre los métodos de enseñanza.

10
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 preprueba – 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
R: Replica o repetición
R: asignación al azar o aleatorización

11
E: emparejamiento o nivelación
G: grupo de sujetos
X: tratamiento, estimulo o condición experimental.
O: medición de los sujetos de un grupo: ausencia de estímulo en la variable
independiente Definiciones:
Tratamientos: Son las condiciones (procesos, técnicas, operaciones) las cuales
distinguen las poblaciones de interés. Cada tratamiento define únicamente una
población.

Control: Es la capacidad que tiene el investigador para elegir según su voluntad los
elementos que intervienen en la investigación.

Efecto: Es el cambio en la variable de respuesta por el cambio de nivel de un factor.

Factores controlables: Son aquellos con un grado de control, es decir que se pueden
manejar, variar o manipular con gran finalidad.

Factores ruido: Son aquellos sobre los cuales el grado de control es menor y el
manejo es más fácil.

Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales
pueden estudiar.

Corrida o unidad experimental: Entre al cual se aplica el tratamiento y sobre el cual

se mide la variabilidad de respuesta.

Partición: Proceso que distribuye la suma total de cuadrados y de grados de libertad

entre sus diversos componentes.

Interacción: Efecto que se produce cuando los niveles (valores) de un factor

interactúan con los niveles del otro factor e influyen en la variable de respuesta.
Cuando uno o más factores trabajan juntos para producir un efecto diferente que los
efectos producidos.

Diseño de bloqueos aleatorizado: En el que se obtiene simultáneamente

conclusiones acerca de dos o más factores.

12
Experimento factorial: Diseño experimental en el que se obtiene simultáneamente
conclusiones.

Combinación: Es la asignación de un solo nivel a un factor, o de varios niveles a

todos los factores es una corrida experimental.

Variable de respuesta: Es el resultado de una corrida experimental. Variable a

estudiar.

Corrida experimental: Implementación de cada una de las interacciones.

Bloque: Agrupación planeada de factores o combinaciones. Se realiza a manera de

minimizar la variación no incluida en el diseño.

Replicación: Es una repetición del experimento básico o el número de veces que se

replica cada uno de los tratamientos.

Bloqueo: Es una técnica usada para incrementar la precisión de un experimento

mediante la eliminación de variación introducida por los factores ruido. Un bloque es
una porción de material experimental que debe ser más homogéneo que todo el
conjunto de material experimental.

Aleatorización: Es el principio básico fundamental en el uso de métodos estadísticos

en diseño experimental. Por aleatorización se entiende que, la asignación del material
experimental a los tratamientos y el orden.

Análisis de varianza (Anova): Es el proceso de subdividir la variabilidad total de las

observaciones experimentales en porciones atribuibles a fuentes de variación
conocidas. Este es el método estadístico más utilizado en el análisis de experimentos
Ejemplos

El Ingeniero Gregorio Ortega Cosme realiza un experimento para provocar el efecto de

5 dietas para engorda para chivos que se encuentran en el sector

pecuario las dietas utilizadas fueron: T 1 (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

13
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
a)
T5 T1 T2 T4 T5
T3 T2 T4 T2 T1
T2 T4 T1 T5 T4
T3 T5 T4 T1 T1
T3 T2 T5 T3 T3

Tabla 4. Representación del diseño experimental completamente al azar

b) Para realizar lo de este inciso una vez aplicado los tratamientos a los chivos se
midió su peso y los resultados fueron los siguientes

1350 980 1200 1400 1420

1300 1230 1350 1250 1050
1390 1380 1100 1550 1420
1180 1600 1500 1000 1120
1200 1250 1490 1170 1050

Tabla 5. Resultados del diseño experimental completamente al azar

4.4 Identificación de los efectos de los diseños experimentales

La experimentación forma parte natural de la mayoría de las investigaciones científicas

e industriales, en muchas de las cuales, los resultados del proceso de interés se ven
afectados por la presencia de distintos factores, cuya influencia puede estar oculta por
la variabilidad de los muéstrales. Es fundamental conocer los efectos que influyen
realmente y estimar esta influencia. Para conseguir esto es necesario experimental y
observar la variable de respuesta. Del análisis y estudio de la información recogida se
obtienen las conclusiones.

14
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.

15
Otra posible estrategia de bloqueo sería experimentar con cuatro operadores (cuatro
bloques), donde cada uno de ellos prueba en orden aleatorio las cuatro máquinas; en
este segundo caso, la comparación de las máquinas quizás es más real

Existen numerosos diseños experimentales cada uno adecuado para analizar cierto
tipo de pregunta. Sin embargo, todos los diseños experimentales comparten los tres
siguientes rasgos.

a) La selección aleatoria de las unidades experimentales. Esto evita el sesgo del

muestreo.
b) El número de las repeticiones. Esto permite la cuantificación del error
experimental.
c) El control local de las condiciones. Esto ayuda a la reducción del error
experimental.
Inconvenientes de la experimentación tradicional
• Es necesario un gran número de pruebas
• Las conclusiones obtenidas en el estudio de cada factor tienen un campo de
validez muy restringida
• No es posible estudiar la existencia de interacción entre los factores
• Es inviable, en muchos casos, por problemas de tiempo o costo
• Las técnicas de diseño de experimentos se basan en estudiar simultáneamente
los efectos de todos los factores de interés, son más eficaces y proporcionan mejores
resultados con un menor coste
Definir los objetivos del experimento
• Identificar todas las posibles, fuentes de valoración, incluyendo factores de
tratamiento y sus niveles, unidades experimentales
• Factores de bloque, factores de ruido y covariables
• Elegir una regla de asignación de las unidades experimentales a las condiciones
de estudio-tratamientos
• Especificar las medidas con que se trabajara la respuesta, del procedimiento
experimental y anticiparse a las posibles dificultades
• Ejecutar un experimento piloto
• Especificar el modelo
• Esquematizar los pasos del análisis
• Determinar el tamaño muestral
• Revisar las decisiones anteriores
• Codificarlas si se considera necesario

16
Importancia de aleatorización
La aleatorización consiste en que tanto la asignación del material experimental como el
orden en que se realizan las pruebas individuales o ensayos se determinan
aleatoriamente y la importancia de esta consiste en:

a) Garantizar la validez de la estimación del error experimental

b) Garantizar la independencia de los errores o que las observaciones sean
variables aleatorias independientes
Esto es necesario para obtener pruebas de significancia válidas y estimados de
intervalos. Eliminar el sesgo de tal manera que no desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños que pudieran estar
presentes.

Diseños experimentales

Tabla de
ANOVA
Fuente de Var. S.C. gl. cm Fc
Tratamiento 972.3 6 162 3.61*
Error 1122.9 25 44.9
Total 209.52 31 0

Tabla 7. Tabla de ANOVA

2. Cálculo de datos perdidos

La simplicidad y la flexibilidad del diseño no se ven afectadas por algunos datos
perdidos. Supongamos que en un ensayo con el fertilizante de potasio nos
encontramos dos grupos (A y B) de datos perdidos

Cálculos de datos perdidos

K20/ha R1 R2 R3 Totales Tx
40.4 0.00 8 7.93 15.93 T
60.5 8.14 8.15 7.87 24.16
80.6 7.76 B 7.74 15.50 T
120.8 7.17 7.57 7.8 22.54
161 7.46 7.68 7.21 22.55
30.58 B 31.4 B 38.55 100.48

17
Tabla 8. Datos perdidos en el ensayo de fertilizantes
El procedimiento de siguientes cálculos el diseño nos permite el cálculo de datos
perdidos, para su reemplazo. El procedimiento es como sigue:

8.00+7.93
Promedio = = 7.96

2
𝑟𝐵+𝑡𝑇−𝐺𝑡𝑜𝑡𝑎𝑙 (𝑟−1)(𝑡−1)

Yi =

b= = 7.91

a= = 7.86

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

4.5 La importancia de la aleatorización de los especímenes de prueba

La aleatorización consiste en que tanto la asignación del material experimental como el

orden que se realizan las obras o ensayos se determinan aleatoriamente y la
importancia de esta consiste en:

1. Garantizar la validez de la estimación del error experimental

2. Garantizar la independencia de los errores experimental.
3. Eliminar los sesgos de tal manera de tal manera que no se desfavorezca o
discrimine a los tratamientos y permita cancelar los efectos extraños que pudieran estar
presentes.
La aleatorización hace valida la prueba, haciéndola apropiada para analizar los datos
como si la suposición de errores independientes fuera cierta. 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.

18
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 aun
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 estadísticas

La aleatorización consiste en un procedimiento realizado para llevar a cabo la

asignación en los ensayos clínicos de pacientes y tratamiento, es decir, que tanto el
material experimental como el orden en que se realizan las pruebas individuales se

19
 fijan de forma aleatoria o al azar, donde cuyo propósito es evitar los sesgos de
selección. 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. Aun quedara algo de correlación, pero en ninguna cantidad
de aleatorización puede eliminar totalmente. Es decir, en cualquier experimento, la
independencia de errores completa t verdadera es solo ideal y nunca puede logarse.
Sin, embargo por todos conceptos, debe buscarse tal independencia y la aleatorización
es la mejor técnica empleada para lograr el fin deseado.

Principal importancia.

• Posibilita encubrir a los pacientes en la asignación de tratamiento antes del ensayo de

tal forma que no pueda saberse, quien es el paciente, a que orden pertenece ni cuál es
el tratamiento que se le asigna.
• Eliminar el sesgo con el objeto de que no desfavorezca o discriminen los tratamientos
permitiendo evitar los efectos de factores extraños.
• Garantizar la validez de la estimación del error experimental.

4.6 Prueba de Duncan

Supuestos estadísticos en las pruebas experimentales

A. Aditividad
Los factores o componentes del modelo estático son aditivos, es decir la variable
respuesta es la suma de los efectos del modelo estadístico.
B. Linealidad.
La relación existente entre los factores o componentes del modelo estadístico es del
tipo lineal.

C. Normalidad.
Los valores resultados del experimento provienen de una distribución de probabilidad
“Normal” con media m y varianza S2. Es el ajuste de los datos, en mayor o menor
medida, a la curva normal; por independencia el que las “n” observaciones hayan sido
aleatoriamente extraídas y sean independientes entre sí.

20
 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

Fuentes de Suma de Grados de Cuadrado

F0
variación cuadrados libertad medio
Tratamientos SStratamiento a -1 MStratamiento
Error SSE a (n-1) MSE MStratamiento/MSE
Total SST an - 1

Tabla 9. Tabla ANOVA para diseño completamente aleatorio

Tamaños de muestras iguales
𝒂 𝐧 𝟐

𝐒𝐒𝟏 = ∑ ∑ 𝐲𝐢𝐣𝟐 − 𝐲𝐍…

𝒊̇=𝟏𝐣=𝟏

Donde:

• a = cantidad de tratamientos

𝑦𝑖𝑗 = replica j del tratamiento i 

• n = cantidad de replicas
• y… = gran total
• N = total de observaciones

𝑺𝑺𝑬 = 𝑺𝑺𝑻 − 𝑺𝑺𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐

21
 Tamaños de muestras diferentes

𝐒𝟏 = ∑ 𝒂∑ 𝐲𝐧 𝐲…𝟐
𝟐
𝐢𝐣 − 𝐍
𝒊̇=𝟏𝐣=𝟏

Donde:

• a = cantidad de tratamientos

𝑦𝑖𝑗 = replica j del tratamiento i 

• n = cantidad de replicas
• y… = gran total
• N = total de observaciones

𝑺𝑺𝑬 = 𝑺𝑺𝑻 − 𝑺𝑺𝑻𝒓𝒂𝒕𝒂𝒎𝒊𝒆𝒏𝒕𝒐

Hipótesis

𝑯𝟎 = 𝒕𝟏 = 𝒕𝟐 = 𝒕𝟑 = ⋯ = 𝒕𝒊

𝑯𝟏 = 𝒕𝟏 ≠ 𝟎 𝒑𝒂𝒓𝒂 𝒂𝒍 𝒎𝒆𝒏𝒐𝒔 𝒖𝒏𝒂 𝒊

Se rechaza 𝐻0 si el valor –p ≤ a 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

qp ̅Yi − ̅Yir

diseños balanceados. Para aplicar esta prueba al nivel 𝑎 se debe pasar por las
Donde p es el número de medias inclusive entre las dos medias a comparar para

siguientes etapas:

promedio, 𝑠𝑦̅𝑖, el cual es dado por la expresión:

1. Determine el error estándar (desviación estándar) de cada

22
 C
√M E
E

𝑠𝑦̅𝑖 = r

Donde el CMEE es obtenido de la tabla Anova

2. Con los grados de libertad del error y el nivel de significancia 𝑎 determinar los valores
de rp (intervalos o amplitudes estandarizadas significativos) utilizando las tablas de
amplitudes estandarizadas de Duncan dadas por Harter (1960) y que se encuentran en
el libro de Miller (1992). Para encontrar estos valores, se requieren los grados de
libertad del error y el valor de p = 2, 3, … , t.

3. Determinar las amplitudes mínimas significativas denotadas por Rp, p = 2, 3, … , t

calculados por la expresión:

4. Se ordenan de manera creciente los resultados promedios

del experimento

5. Se comparan las medias ordenadas así: comienza a comparar

en el siguiente orden:
a) El promedio más alto, con el más bajo, comparando esta diferencia con el intervalo
mínimo significativo . Si esta diferencia es no significativa entonces todas las otras
diferencias son no significantes. Si la diferencia es significativa se continua con b)
b) Posteriormente se calcula la diferencia entre el valor más alto y el penúltimo y
se compara con el intervalo mínimo significativo
c) Este procedimiento se continúa hasta que todas las medias se han comparado con la
media más grande .

d) A continuación, se compara la segunda media más grande con la más pequeña

y se compara con el intervalo mínimo significativo .

23
 Este proceso continúa hasta que han sido comparadas las diferencias entre todos
t(t−1)
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

y
y
son los tamaños de muestra correspondientes a las medias de tratamientos menos
pequeño y más grande respectivamente.

24
 EJEMPLO 1.

Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:

1. El error estándar de la media es

𝑠𝑦̅𝑖

2. Determinación de los intervalos significativos como

Utilización la tabla VII del Apéndice de y
Montgomery se tiene:

𝑟0.05(2, 20) = 2.95

𝑟0.05(3,20) = 2.95

𝑟0.05(4,20) = 2.95

𝑟0.05(5,20) = 2.95

3. Los rangos mínimos significativos son:

𝑅2= 𝑟0.05(2,20) 𝑠𝑦̅𝑖 = (2.95)(1.27) = 3.75

𝑅3= 𝑟0.05(3,20) 𝑠𝑦̅𝑖 = (3.10)(1.27) = 3.94
𝑅4= 𝑟0.05(5,20) 𝑠𝑦̅𝑖 = (3.25)(1.27) = 4.13

4. Las medias ordenadas ascendentemente son:

5. Comparación de las medias

25
26
 lOMoARcPSD|47419102

* se compara con porque entre hay inclusive medias.

y
Al presentar en un diagrama de líneas los resultados se tiene:

4.7 Aplicaciones Industriales

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

aplicado a un gran número de industrias, la optimización de recursos, la identificación
de causas de variabilidad son algunos de los objetivos del diseño de experimentos
aplicados en nivel industrial.

Industrias 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.

27
 lOMoARcPSD|47419102

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.
Ejemplo
Un fabricante de papel para hacer bolsas comestibles se encuentra interesado en
mejorar la resistencia a la tensión del producto. El departamento de ingeniería del
producto piensa que la resistencia a la tensión en una función de la concentración de
madera dura en la pulpa y que el rango de concentraciones de madera de interés
practico entre el 5% y 20%. El equipo de ingenieros responsables del estudio decide
investigar cuatros niveles de concentración de madera dura: 5%, 10%, 15% y 20%.
Deciden hacer seis ejemplares de prueba con cada nivel de concentración, utilizando
una planta piloto. Las 24 muestras se aprueban, en orden aleatorio, con una máquina
de laboratorio para aprobar la resistencia.

Concentración Observaciones
de madera dura Totales
1 2 3 4 5 6
5% 7 8 15 11 9 10 60
10% 12 17 13 18 19 15 94
15% 14 18 19 17 16 18 102
20% 19 25 22 23 18 20 127
383

28
 lOMoARcPSD|47419102

Tabla 10. Tabla de ejemplares de prueba para cada nivel de concentración

Conclusión
De manera personal, y a manera de conclusión, puedo decir que el diseño
experimental es de gran importancia y de gran utilidad no solo en la industria, si no
como se ha visto anteriormente, dicho diseño es de gran utilidad en diversas áreas
tales como la informática, la biotecnología, la industria y el área farmacéutica entre
muchas otras, debido a que dicho diseño nos permite reducir al máximo la variabilidad
de los procesos, estudiando los factores que son considerados como de más alta
influencia sobre un proceso.
De esta manera, a través del diseño experimental para un factor, la industria o
cualquier otra área que aplique o utilice dicho diseño podrá corregir defectos en sus
procesos, reducir tiempos, dinero y esfuerzos, así como analizar y detectar errores
para poder corregirlos en los diversos procesos que lleva a cabo.

Bibliografía
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

29
 lOMoARcPSD|47419102

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_ADMINISTRATIVA
_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

30