Tema 1. Introducción Al Diseño de Experimentos: Módulo 1

Diseo de Experimentos
Tema
Mdulo 1
Mdulo 1. Conceptos fundamentales de diseo de experimentos
Tema 1. Introduccin al diseo de experimentos

Para resolver situaciones de falla en un proceso industrial, es cada da ms frecuente realizar una planeacin de
mantenimiento predictivo basado en mediciones y estadsticas generadas a partir de los datos recabados. Para
determinar el proceso a seguir en este tipo de mantenimiento es necesario determinar los parmetros del proceso
con base en el diseo de algn experimento.
As como en este proceso, el diseo de experimentos es necesario tambin ante otras situaciones que estn sujetas
a variables aleatorias.
Checkpoint: Los conceptos de experimento, modelo y variable. El concepto de diseo de experimentos.
1.1 Conceptos bsicos

Un experimento es una serie de pasos a travs de los cuales se trata de probar una o varias posibilidades en
la que se encuentra una determinada situacin.
A travs de una o varias pruebas se determinan los parmetros estadsticos que nos muestren la
aproximacin entre el modelo supuesto del proceso (industrial u otro) y el mundo real, conocido
aproximadamente a travs de datos obtenidos por mediciones.
Tipo del modelo, puede ser:
a.
Una relacin funcional, en general a travs de una ecuacin que aproxime la relacin entre las
variables (x, y), de tal forma que y = f(x) y algn indicador que nos muestra qu tan ajustada es la
aproximacin del modelo con el proceso fsico.
b.
Simplemente un conjunto de indicadores estadsticos, como la media, la varianza, la propia

distribucin de probabilidad de la poblacin estudiada, etc. As que, tomando en cuenta los conceptos
anteriormente expuestos, un diseo estadstico de experimentos se refiere al proceso que hay que seguir
para determinar las relaciones entre el modelo supuesto y el fenmeno fsico real.
En este proceso diferentes autores presentan etapas a seguir para realizar el diseo experimental, la
metrologa necesaria para recabar datos que nos den informacin relevante y el proceso de experimentacin,
propiamente dicho.
Las variables escogidas para realizar el experimento deben ser significativas; esto es, tomar en cuenta las
variables que son relevantes en el fenmeno en cuestin: hay que tomar en cuenta que estas variables son
muy probablemente la causa de la variabilidad del proceso:
Variables de control (de entrada al proceso)
Variables del proceso
[Escriba aqu]
Pg. 1 de 101
Tema
Mdulo 1
Variables aleatorias externas al proceso, que interfieren con el resultado esperado y que no son
controlables al 100%; por ejemplo, aspectos ambientales como la temperatura, la humedad, el ruido,
etc.
1.2 Definiciones elementales
Diseo de experimentos: Se refiere al proceso de planear el experimento de tal forma que se recaben datos
adecuados que puedan analizarse con mtodos estadsticos que llevarn a conclusiones vlidas y objetivas
(Montgomery, 2005).
Esta planeacin ha de tener tambin las siguientes caractersticas:
1.
Que sea desde un enfoque cientfico
2.
Que llegue a conclusiones nuevas
3.
Que incluya mtodos propios de ingeniera
Figura 1.1 Diagrama de control de un proceso
Experimento: Es un cambio en las condiciones de operacin de un sistema o proceso, que se hace con el
objetivo de medir el efecto del cambio sobre una o varias propiedades del producto o resultado (Gutirrez,
2008).
Proceso (estocstico): aquel que es influido por variables (de entrada y salida), factores (que influyen en el
estudio) y perturbaciones aleatorios.
Unidad experimental: es el conjunto de elementos de muestra, los equipos para tomar dicha muestra y la
metodologa que se sigue para que los resultados sean confiables.
Variables
De entrada
De salida
Dado que se busca una relacin y = f(x) es necesario

identificar tambin las variables de entrada
Dado que se busca una relacin y = f(x) es necesario

identificar las variables de salida (dependientes) y,
[Escriba aqu]
Pg. 2 de 101
Tema
Mdulo 1
(independientes) x, que influyen principalmente en

la salida.
que se medirn en cada experimento.
Factores:
Controlables
Mensurando
Son todas las variables que pueden llegar a ser

motivo de estudio, ya que forman parte del proceso
en experimentacin. El control que se tenga sobre
ellas depende del tipo de variable manejada:
elctrica, mecnica, qumica, dureza, etc.
Se refiere a la variable en particular, que va a ser

motivo de estudio durante el experimento
Perturbaciones:
Ruido
Interferencia
Distorsin
Se refiere a las variables aleatorias,

de diferente naturaleza a la
variable en estudio, externas al
proceso en estudio y que por lo
tanto no son controlables; sin
embargo, al llegar a determinar su
influencia en el proceso, con el
adecuado sistema de control se
puede llegar a darle estabilidad al
experimento
Se refiere a las variables aleatorias

de la misma naturaleza a la
variable en estudio, externas al
proceso en estudio y que por lo
tanto no son controlables; sin
embargo, al llegar a determinar su
influencia en el proceso, con el
adecuado sistema de control se
puede llegar a darle estabilidad al
experimento.
Se refiere a las variables

aleatorias internas al proceso
en estudio, y que aunque
tampoco
pueden
ser
totalmente
controlables,
pueden ser disminuidas con
un rediseo del proceso.
Factores:
Niveles:
Son los coeficientes que acompaan a cada variable
o factor involucrado en el proceso, y que va ser
estudiado en un diseo experimental.
ejemplo, si tenemos los elementos del proceso
compuesto de las variables v1 y v2 y los factores f1
y f2, cada uno de ellos puede ser acompaado de
un factor a, b, c o d, quedando las variables: av1 y
bv2 y los factores cf1 y df2.
[Escriba aqu]
Tratamientos:
Una combinacin de niveles de todos los factores.
ejemplo, si el proceso est determinado por la
funcin y = f(x), y es una funcin lineal, entonces la
combinacin de variables y factores puede quedar
como y = av1 + bv2 + cf1 + df2
Pg. 3 de 101
Tema
Mdulo 1
Ejemplo: determinar las variables y factores, a diversos niveles, que intervienen en el proceso de la extrusin
del plstico:
Figura 1.2 Mquina extrusora

Proceso: mquina extrusora
Variable
Factor controlable
Factor de ruido
Nivel
Velocidad del husillo
SI
NO
Dado por el proceso
Temperatura del can
SI
NO
Dado por el proceso
Presin en el molde
SI
NO
Dado por el proceso
Color
SI
NO
Dado por el proceso
Calidad del plstico
NO
SI
Dentro de las especificaciones del proveedor
Temperatura ambiental
NO
SI
Semicontrolada por ventiladores
Humedad ambiental
NO
SI
Sin control
Tabla 1: Mquina extrusora

Otro concepto importante en la medicin es la incertidumbre de la medicin, cuando son varios los factores
que intervienen en el proceso. La incertidumbre es un parmetro que nos indica la variabilidad del proceso,
debida a varios factores involucrados.
1.3 Usos de los modelos experimentales
Una caracterstica de un experimento bien realizado es que sigue un modelo de diseo. El modelo se debe
escoger de acuerdo a las caractersticas que se desean observar. Para ello es necesario tomar en cuenta, entre
otros, los siguientes cuestionamientos:
Los factores a diversos niveles, qu efecto tienen sobre las variables de salida?
Al utilizar varios factores, se van a comparar entre s?
Coinciden el valor mximo o mnimo del modelo con los valores del proceso?
Se desea redisear el modelo?
Se desea controlar factores, no ruido?
[Escriba aqu]
Pg. 4 de 101
Tema
Mdulo 1
Comparaciones simples:
Comparaciones simples
Cierre: Todo anlisis y diseo est fundamentado en la aplicacin que va a tener una teora bien fundamentada. Es
por esto que debemos tener claros los conceptos involucrados en nuestro experimento, a travs del cual se
pretende probar una o varias hiptesis.
Igualmente, si pretendemos generar o analizar un modelo, debemos definir una serie de trminos y variables que
nos ayuden a caminar por el proceso de experimentacin.
Referencias bibliogrficas
Gutirrez, H. y De la Vara, R. (2008). Anlisis y diseo de experimentos (2 ed.). Mxico: McGraw Hill.
Montgomery, D. (2012). Diseo de experimentos (2 ed.). Mxico: Limusa Wiley.
Tema 2. Modelos experimentales

El diseo de experimentos es vital para que la ciencia obtenga avances significativos y la sociedad incremente su
nivel de vida. Sin embargo, al aplicar el mtodo cientfico surgen infinidad de posibles maneras de agrupar la
informacin; una gran cantidad de posibles modos de obtener mediciones y datos concretos.
En este tema vers que existen diversas etapas en el diseo experimental que te permiten definir con claridad los
procedimientos para el logro exitoso de un experimento; estudiars el proceso para lograr estas etapas y su
aplicacin prctica.
Por ejemplo, al automatizar la lnea de armado de los automviles se incluyen brazos robticos para el ensamble
de las partes, y es necesario realizar un monitoreo de la precisin con que realizan su trabajo, ya que con el
tiempo se van desajustando. Existen muchos sistemas para realizar este monitoreo y para elegir el mejor, se
sugiere realizar un proceso de experimentacin siguiendo todas sus etapas.
Checkpoint: Las etapas del diseo experimental y sus principios bsicos. El proceso de experimentacin.
[Escriba aqu]
Pg. 5 de 101
Tema
Mdulo 1
2.1 Metrologa: etapas del diseo experimental (7 etapas): Montgomery (2012) propone 7 etapas para el
diseo de experimentos:
Etapa 1. Reconocer y establecer el problema
Etapa 1
Etapa 2,
3
Ante una situacin de mantenimiento o mejora de un proceso, el primer paso que debe dar el
experimentador es identificar una serie de problemas a resolver para lograr los objetivos
propuestos. De entre ellos hay que elegir aquel problema que ms impacte en el
mantenimiento o la mejora del proceso
Etapa 2. Seleccin de factores, niveles y rangos
Etapa 3. Seleccin de la variable de respuesta
Como en el paso anterior, el experimentador identifica las variables de salida del proceso para
elegir aquella o aquellas que sean ms significativas.
Una vez identificadas las variables se procede a la seleccin de los factores que influyan a las
variables; a continuacin se han de asignar los niveles y rangos que deben tener los factores.
Etapa 4. Seleccin del diseo experimental
Una vez que se termina la planeacin previa al experimento, hay que determinar:
Etapa 4
a.
Tamao de la muestra
b.
Orden de ejecucin
c.
Restricciones
El diseo experimental tambin puede ser realizado utilizando algn paquete estadstico, que
decidir el mejor diseo en funcin de datos de entrada como son los factores, niveles y
rangos
Etapa 5. Realizar el experimento
Etapa 5
Al realizar el experimento se ha de seguir el plan previamente realizado; sin embargo, si al

realizar el experimento se ve conveniente redefinir el plan, este debe ser redefinido.
Etapa 6. Anlisis estadstico de los datos
Etapa 6
Como en la etapa 4, para realizar el anlisis estadstico de los datos el diseo experimental
puede utilizar algn paquete estadstico, que realizar clculos y grficas de forma automtica
Etapa 7. Conclusiones y recomendaciones
Etapa 7
Para concluir es necesario que el experimentador que particip en la realizacin del

experimento muestre sus propias conclusiones, y de acuerdo a estas y a problemas que
quedaron pendientes de especificar realice las recomendaciones que crea conveniente.
[Escriba aqu]
Pg. 6 de 101
Tema
Mdulo 1
Las primeras tres etapas son en realidad una planeacin previa al experimento.
Las etapas 2 y 3 pueden realizarse simultneamente o en orden inverso (primero la etapa 3 y despus la
etapa 2).
2.2 Principios bsicos del diseo experimental:

Gutirrez (2008) propone los siguientes principios bsicos para el diseo de experimentos:
Observabilida
d
Aleatorizaci
n:
Cualquier cosa observada se aprecia con variabilidad, as lo que se observa una vez no
puede ser observado de la misma manera en una segunda o tercera vez.
Para conseguir la independencia de los errores, el proceso de aleatorizacin se debe
seguir en las corridas, materiales y equipos utilizados en el experimento.
Repeticin:
Es correr ms de una vez un tratamiento o combinacin de factores, cuidando de no

cambiar factores como son el experimentador, el equipo de medicin, etc. Si se cambia
alguno de ellos estamos hablando de reproducibilidad, y no de repetitividad.
Bloqueo:
Ya seleccionados los factores que se relacionan con la variable de salida, hay que controlar
los niveles de ellos, desde el mnimo nivel de cero (la anulacin del factor) hasta el mximo
nivel.
2.3 Proceso de experimentacin

Un experimento es una serie de pasos a travs de los cuales se trata de probar una o varias posibilidades en
la que se encuentra una determinada situacin.
A travs de una o varias pruebas se determinan los parmetros estadsticos que nos muestren la
aproximacin entre el modelo supuesto del proceso (industrial u otro) y el mundo real, conocido
aproximadamente a travs de datos obtenidos por mediciones.
El modelo puede ser:
[Escriba aqu]
Pg. 7 de 101
Tema
Mdulo 1
1.
Una relacin funcional, en general a travs de una ecuacin que aproxime la relacin entre las
variables (x, y), de tal forma que y = f(x) y algn indicador que nos muestra qu tan ajustada es la
aproximacin del modelo con el proceso fsico.
2.
Simplemente un conjunto de indicadores estadsticos, como la media, la varianza, la propia

distribucin de probabilidad de la poblacin estudiada, etc.
As que, tomando en cuenta los conceptos anteriormente expuestos, un diseo estadstico de experimentos
se refiere al proceso que hay que seguir para determinar las relaciones entre el modelo supuesto y el
fenmeno fsico real.
En este proceso diferentes autores presentan etapas a seguir para realizar el diseo experimental, la
metrologa necesaria para recabar datos que nos den informacin relevante y el proceso de experimentacin,
propiamente dicho.
Las variables escogidas para realizar el experimento deben ser significativas; esto es, tomar en cuenta las
variables que son relevantes en el fenmeno en cuestin: hay que tomar en cuenta que estas variables son
muy probablemente la causa de la variabilidad del proceso:
1.
2.
3.
Variables de control (de entrada al proceso)

Variables del proceso
Variables aleatorias externas al proceso, que interfieren con el resultado esperado y que no son
controlables al 100%; como por ejemplo aspectos ambientales como la temperatura, la humedad, el
ruido, etc.
Cierre: Es necesario seguir etapas bien definidas para llevar a cabo un experimento: las primeras etapas para
realizar una planeacin previa al experimento; y las etapas subsecuentes para llevarlo a cabo. Terminando con las
conclusiones y recomendaciones pertinentes al proceso llevado, siempre cuidando que durante todo el proceso de
experimentacin se respeten los principios bsicos del diseo experimental.
Referencias bibliogrficas:
Tema 3. Conceptos bsicos para la prueba de hipotesis

Para la correcta utilizacin de un modelo experimental hay que tomar en cuenta los parmetros estadsticos
bsicos.
Por lo que en este tema se presentarn los principales estadsticos que utilizaremos, como la media, varianza,
desviacin estndar, histogramas, grficas de caja, muestreos, etc.
[Escriba aqu]
Pg. 8 de 101
Tema
Mdulo 1
Si por ejemplo en una escuela quieres saber si existe un buen nivel de lectura y redaccin en el grupo de quinto de
primaria, puedes calcular la media y compararla con la media del nivel de lectura y redaccin de otras escuelas.
Estadsticos ms especializados se repasarn a lo largo del curso.
Checkpoint: Las caractersticas que deben tener los parmetros del muestreo. La representacin grfica de los
diferentes tipos de distribuciones muestrales.
3.1 Conceptos bsicos de estadstica
Media o
valor
esperado:
Varianza:
equivale a la
media del
error
cuadrtico; el
error
cuadrtico de
cada i-simo
valor est
dado por (xi)2.
Desviacin
Para un conjunto de datos

discretos x1, x2, ..., xn, con
probabilidad p(xi ), se
calcula con la sumatoria
mostrada a continuacin:
continuos representados
por su funcin de
probabilidad, f(x), se calcula
con la integral mostrada a
continuacin:
discretos x1, x2, ..., xn, con
probabilidad p(xi ), se
calcula como la suma de
todos los errores respecto
a la media poblacional
(donde n es el nmero de
datos):
continuos representados
por su funcin de
probabilidad f(x), se calcula
con la integral mostrada a
continuacin:
es la raz cuadrada de la
[Escriba aqu]
Pg. 9 de 101
estndar:
Tema
Mdulo 1
varianza.
Histograma: es una grfica en forma de barras, en la que el rea de cada barra es proporcional a la
frecuencia con que se repite una variable (Ver el ejemplo).
Distribucin de probabilidad continua: dado que una variable continua tiene infinidad de valores posibles,
no se puede deducir la probabilidad de un valor especfico de la variable. Es por esto que la probabilidad se
calcula a partir del intervalo dentro de la distribucin de probabilidad (ver el siguiente Ejemplo).
Grfica de caja: es una grfica, dividida en cuarteles. Al rectngulo se le llama caja y a los dos brazos se les
llama bigotes. El valor central es la mediana (ver el Ejemplo 1).
Durante 10 das, se tomaron 200 muestras (20 por da) del denier de rafia de polipropileno
producido por una mquina extrusora de plstico.
Notas:
1 denier = 1 gramo por 9.000 metros
Rafia (los hilos que salen del proceso de extrusin)
Obtener:
a.
La media del denier
b.
La desviacin estndar del denier
c.
El histograma del denier con ajuste a la distribucin normal
d.
La grafica de caja (denier vs da)
Solucin: utilizando el programa Minitab se obtuvieron los siguientes resultados

(resaltando con negritas los solicitados en el ejemplo):
Variable
[Escriba aqu]
N*
media
Media del error

estndar
Desv.Est. Mnimo
Q1|
Mediana
Pg. 10 de 101
Denier
Denier
Tema
200
2499.7
Mdulo 1
3.79
53.6
2400
2456.0
2503.0
Figura 3.1 Histograma de
Figura 3.2 Grfica de caja de Denier
3.2 Muestreo
Muestreo aleatorio: de acuerdo a Montgomery, D. (2012), se le llama al proceso en el cual una muestra de
tamao n puede ser sacada de una poblacin de tamao N con un nmero de combinaciones sin repeticin:
[Escriba aqu]
Pg. 11 de 101
Tema
Mdulo 1
Por ejemplo: una muestra de tamao n = 3 sacada de una poblacin de tamao N

= 100, se puede realizar de:
Muestreo aleatorio
Dada la gran cantidad de muestras posibles es necesario disponer de algn
mecanismo para obtener dicha muestra: este mecanismo puede ser el uso de
tablas de nmeros aleatorios o la utilizacin de funciones de alguna hoja de datos.
Por ejemplo: con Excel podemos incluir la frmula =FACT(100)/(FACT(1003)*FACT(3)) y as obtener el resultado
Media
o
esperado:
valor
De acuerdo a Montgomery, D. (2012), para un conjunto de datos muestrales x1,

x2, ..., xn se calcula como la suma de todos los valores dividida entre n grados de
libertad (donde n es el nmero de datos):
Equivale a la media del error cuadrtico; el error cuadrtico de cada i-simo valor
est dado por (xi - )2
Varianza:
Para un conjunto de datos discretos x1, x2, ..., xn, se calcula como la suma de todos
los errores respecto a la media muestral , dividida entre n - 1 grados de libertad
(donde n es el nmero de datos):
Desviacin
estndar: es la raz
cuadrada de la
varianza:
S= 2
Por ejemplo: deseamos obtener la media y la desviacin estndar de una muestra n

= 20:
x
10 11 12 13 14 15 16 17 18 19 20
y 28 33 26 26 27 27 28 28 30 25 32 26 25 30 29 27 32 27 31 31
Utilizando Excel, obtenemos = 28.4 y S = 2.458
3.3 Distribuciones mustrales

Histograma: es una grfica en forma de barras en la que el rea de cada barra es proporcional a la frecuencia
con que se repite una variable.
[Escriba aqu]
Pg. 12 de 101
Tema
Mdulo 1
La distribucin normal: Para Montgomery, D. (2012), la siguiente es la expresin de la distribucin normal de

una variable aleatoria x, perteneciente a una poblacin de media y varianza 2:
Si la media = 0 y la varianza 2 = 1 tenemos la distribucin normal estndar. Si sustituimos:
Queda la siguiente frmula:
Figura 3.3 Grfica de distribucin

Teorema del lmite central: si x1, x2, ..., xn, es una muestra de n variables aleatorias e independientes, con
media , extradas de una poblacin con media y varianza 2, entonces existe una variable aleatoria z que
tiende a la normalidad (distribucin gaussiana) cuando n :
Determinar el grado de normalidad que tienen:

a.
Los nmeros aleatorios generados con una hoja de clculo (en este ejemplo con
Excel)
[Escriba aqu]
Pg. 13 de 101
b.
Tema
Mdulo 1
El promedio de los mismos nmeros
Nota: la prueba de normalidad de Anderson-Darling la presenta Minitab al realizar el

anlisis. No es inters de este tema demostrar dicha prueba.
a.
Generamos en una hoja de datos 300 muestras aleatorias (3 columnas de 100

valores cada una) con la funcin = 100*ALEATORIO()
b.
Obtenemos la media , con la funcin = PROMEDIO (nmero 1: nmero 300) y la

desviacin estndar , con la funcin = DESVEST (nmero 1: nmero 300)
c.
En una cuarta columna calculamos el promedio de tres muestras,

funcin = PROMEDIO (nmero 1: nmero 3)
d.
En la quinta columna calculamos los correspondientes valores de z con la

ecuacin
e.
Copiamos los 300 valores de x a una columna de Minitab
f.
Copiamos los 100 valores de z a otra columna de Minitab
g.
, con la
Realizamos la prueba de normalidad de Anderson-Darling con la siguiente

secuencia de funciones de Minitab: Estadsticas > Estadsticas bsicas > Resumen
grfico
[Escriba aqu]
Pg. 14 de 101
Tema
Mdulo 1
Figura 3.4 Diagrama de control de un proceso

h.
Observamos los resultados: la distribucin de los 300 nmeros x tiene un Acuadrado = 4.44, por lo tanto se aleja de la normalidad; la distribucin de los 100
nmeros z tiene un A-cuadrado = 0.23, por lo tanto se acerca a la normalidad.
La distribucin Ji cuadrada (
): La siguiente, segn Montgomery, D. (2012), es expresin de la distribucin
Ji cuadrada para una muestra de tamao n: x1, x2, ..., xn
Determinar el valor de X2 a partir de una muestra de tamao n = 100 obtenida de una

poblacin de varianza conocida = 3.
a.
Generamos en una hoja de datos una columna con 100 muestras aleatorias
=10*ALEATORIO()
b.
Obtenemos la media , con lo datos de la primera columna utilizando la funcin =

PROMEDIO (nmero 1: nmero 100) = 4.658
c.
En la segunda columna calculamos los correspondientes valores de (xi - )2
[Escriba aqu]
Pg. 15 de 101
d.
e.
Tema
Mdulo 1
Obtenemos la suma
, con lo datos de la segunda columna
utilizando la funcin: = SUMA (nmero 1: nmero 100) = 668.9
Calculamos el valor de
, con la frmula
= 223
La distribucin t para dos muestras, es segn Montgomery, D. (2012):
Determinar el valor de t0 a partir de dos muestra de tamao n1= 10 y n2 = 12 obtenidas de

dos poblaciones de varianza desconocida.
a.
Generamos en una hoja de datos una columna con 10 muestras aleatorias

=10*ALEATORIO(),
b.
Generamos en una hoja de datos otra columna con 12 muestras aleatorias

=9*ALEATORIO(),
c.
Obtenemos la media 1, con lo datos de la primera columna utilizando la funcin =

PROMEDIO (nmero 1: nmero 10) = 4.880.
d.
Obtenemos la media 2, con lo datos de la segunda columna utilizando la funcin =

PROMEDIO (nmero 1: nmero 12) = 3.9517.
e.
Obtenemos la varianza S1, con lo datos de la primera columna utilizando la funcin =

VAR (nmero 1: nmero 10) = 6.534.
f.
Calculamos la varianza combinada con n1 + n2 2 grados de libertad con la

expresin:
= 7.403
g.
Calculamos el valor de t0 con la frmula:
[Escriba aqu]
Pg. 16 de 101
Tema
Mdulo 1
= 0.7968.
Cierre: Aunque, como se indic en la introduccin, los estadsticos necesarios para cada tema se repasarn a lo
largo del curso, aqu se presentaron los estadsticos ms utilizados para el diseo de experimentos. Hay que
familiarizarse con algn programa de probabilidad y estadstica que nos ayude a resolver los problemas y que nos
presente resultados en forma de tablas o grficas. Adems es una herramienta bsica para comprobar resultados.
Referencia bibliogrfica: Montgomery, D. (2012). Diseo de experimentos (2a ed.). Mxico: Limusa Wiley.
Tema 4. Pruebas de hiptesis 2

Un paso muy importante en el anlisis y diseo de experimentos, despus de la planeacin preexperimental, es la
seleccin del diseo experimental, en el cual hay que seleccionar la prueba de hiptesis que ms convenga para el
caso en estudio.
Por lo que hay que tener a la mano el abanico de posibilidades. En este tema veremos las pruebas respecto a la
media de la poblacin o de la muestra, segn convenga.
Este anlisis se realiza de acuerdo a si queremos comparar la media con un valor preestablecido o si lo queremos
hacer comparando dos medias.
Checkpoint: Cmo distinguir entre utilizar una prueba de medias con varianza conocida o varianza desconocida.
Cmo distinguir entre utilizar una prueba de dos colas o de una cola.
4.1 Pruebas de hiptesis sobre dos medias

Para realizar las pruebas de hiptesis sobre dos medias, existen dos procedimientos en general, las que se
refieren a las pruebas con varianza conocida y con varianza desconocida, las que se estudiarn en los
siguientes apartados.
Suponiendo que tomamos dos muestras, desde diferentes poblaciones, calculamos sus medias y sus
desviaciones estndar. Iniciamos nuestro modelado suponiendo que tienen distribucin normal, as que
graficamos ambas distribuciones para ver grficamente sus relaciones:
[Escriba aqu]
Pg. 17 de 101
Tema
Mdulo 1
Figura 4.1 Distribuciones estadsticas de dos muestras
Una prueba estadstica para verificar con mejor precisin la relacin que existe entre las dos poblaciones
desde las cuales se extrajeron las muestras, puede ser la verificacin respecto a la diferencia de ambas
medias:
Llamamos la hiptesis nula a la igualdad entre las medias en estudio: 1 = 2
Llamamos la hiptesis alterna o alternativa a la desigualdad entre las medias en estudio.
Puede ser de tres tipos de hiptesis:
Cuando suponemos que son simplemente diferentes
Cuando suponemos que una de ellas es mayor que la otra
Cuando suponemos que una de ellas es menor que la otra
Despus hay que fijar un criterio para aceptar o rechazar la hiptesis nula. Si aceptamos la hiptesis nula
significa que rechazamos la alterativa, y si rechazamos la hiptesis nula significa que aceptamos la alternativa.
(no tiene error y si tiene error)
[Escriba aqu]
Pg. 18 de 101
Tema
Mdulo 1
Se acepta la hipostesis
Se rechaza la hiptesis
Error tipo alfa

Error tipo Beta
Intervalo de confianza: Segn Montgomery (2012) un intervalo de confianza se fija de acuerdo al coeficiente
de confianza (1 - ). Si tomamos una muestra aleatoria de tamao n, con media de una poblacin con
varianza conocida 2, entonces el intervalo de confianza est dado por la expresin:
4.2 Pruebas de hiptesis sobre dos medias con varianza conocida

El estadstico de prueba, sobre una media poblacional 0, con varianza 2 conocida respecto a otra media , de
una muestra de tamao n:
Esta frmula se utiliza en las siguientes pruebas:

Prueba sobre una media
Prueba
H0:
H1:
= 0
[Escriba aqu]
Criterio de rechazo
Pg. 19 de 101
Tema
Mdulo 1
> 0
< 0
El estadstico de prueba, sobre una media

de tamao n2 con varianza, 22 conocida:
, de tamao n1 con varianza 12 conocida, respecto a otra media
Se utiliza en las siguientes pruebas:

Prueba sobre dos medias
Prueba
H0:
H1:
1 2
1 = 2
1 > 2
Ejempl
o
Criterio de rechazo
1 < 2
Probar la hiptesis de que H0: 1 = 2 y H1: 1 > 2 respecto a dos poblaciones de varianzas
conocidas 12 = 8.4 y 22 = 7.2.
1.
Se toman dos muestras iguales: n1 = 10 y n2 = 10.
2.
Se calculan las medias muestrales:
3.
Se calcula:
4.
Se determina:
5.
Se realiza la comparacin:
= 102.5 y
= 99.6
Soluci
n
[Escriba aqu]
para
= 0.05
>
Pg. 20 de 101
Tema
Mdulo 1
4.3 Pruebas de hiptesis sobre dos medias con varianza desconocida: Para Montgomery (2012) el
estadstico de prueba sobre una media poblacional , con varianza desconocida respecto a otra media , de
tamao n, se representa con la siguiente frmula:

Prueba
H0:
H1:
1 (dos colas)
Criterio de rechazo
2 (una cola)
= 0
> 0
3 (una cola)
< 0
El estadstico de prueba, sobre una muestra de media 1, de tamao n1 y con varianza S12, respecto a otra
muestra de media 2, de tamao n2 y con varianza, S22, representa los grados de libertad.
Esta frmula se utiliza en la siguiente prueba:

Prueba
[Escriba aqu]
H0:
H1:
Criterio de rechazo
Pg. 21 de 101
1
Tema
1 < 2
1 = 2
Mdulo 1
1 > 2
Si en el caso anterior S12 = S22 = S el estadstico de prueba, sobre una muestra de media 1, de tamao
n1 respecto a otra muestra de media 2, de tamao n2, representa los grados de libertad.
= n1 + n2 - 2
Esta frmula se utiliza en la siguiente prueba:
Prueba
H0:
H1:
1 = 2
1 2
Ejemplo
Criterio de rechazo
Probar la hiptesis de que H0: 1 = 2 y H1: 1 > 2 respecto a dos poblaciones de varianzas
desconocidas.
1.
Se toman dos muestras iguales: n1 = 10 y n2 = 10.
2.
Se calculan las medias muestrales:
3.
Se calculan las varianzas muestrales: S1 = 8.4 y S2 = 7.2
4.
Se calcula:
5.
Se determina:
6.
= 102.5 y
= 99.6
Soluci
n
[Escriba aqu]
para
= 0.05
<-
Pg. 22 de 101
Tema
Mdulo 1
Cierre: Al tener clasificadas las diversas pruebas de hiptesis, se tomarn decisiones con mayor certeza al
seleccionar la prueba que ms convenga para el caso en estudio. De aqu que hay que tener a la mano la variedad
de pruebas que pueden ser realizadas. De acuerdo al proceso en estudio, se extraen las variables que se desean
verificar.
Referencia bibliogrfica: Montgomery, D. (2012). Diseo de experimentos (2a ed.). Mxico: Limusa Wiley.
Tema 5. Pruebas de hiptesis 3

Un paso muy importante en el anlisis y diseo de experimentos, despus de la planeacin preexperimental, es la
seleccin del diseo experimental; en el cual hay que seleccionar la prueba de hiptesis que ms convenga para el
caso en estudio. Debido a lo anterior, es necesario tener a la mano el abanico de posibilidades.
En este tema veremos las pruebas respecto a la varianza de la poblacin o de la muestra, segn convenga.
Este anlisis se realiza de acuerdo a si queremos comparar la varianza con un valor preestablecido o si lo queremos
hacer comparando dos varianzas.
Checkpoint: Cmo distinguir entre utilizar una prueba sobre una varianza o sobre dos varianzas. Cmo distinguir
entre utilizar una prueba de dos colas o de una cola.
5.1 Pruebas de hiptesis sobre una varianza: De acuerdo a Montgomery, D. (2012), el estadstico de prueba,
sobre una varianza poblacional (02 )conocida, respecto a otra varianza S2, obtenida de una muestra de tamao
n:

Prueba
H0:
H1:
2 = 02
02
[Escriba aqu]
Criterio de rechazo
2 > 02
Pg. 23 de 101
Tema
Ejemplo
Soluci
n:
Mdulo 1
2 < 02
Probar la hiptesis de que H0: 2 = 02 y H1: 2 > 02 respecto a una poblacin con distribucin
normal con varianza 2 = 2.4 si 02 = 1.3.
1.
Se toman una muestras: n = 10
2.
Se calcula la varianza muestral: S2 = 1.9
3.
Se calcula:
4.
Se determina:
9 de libertad y
=
para
( 101 ) 1.9 17.1

=
=13.15
1.3
1.3
= 0.05 en la tabla de Tstudent de cola a la derecha con
= 0.05 el valor es: 1.833

Falta encontral el limite de control para despes comparar
5.
5.2 Pruebas de hiptesis sobre dos varianzas: Para Montgomery, D. (2012) el estadstico de prueba, sobre
una varianza S12, obtenida de una muestra de tamao n1, respecto a otra varianza S22, obtenida de una muestra
de tamao n2 es:

Prueba
H0:
H1:
Criterio de rechazo
[Escriba aqu]
Pg. 24 de 101
Tema
Mdulo 1
2
3
Ejemplo
Probar la hiptesis de que H0: 12 = 22 y H1: 12 > 22 respecto a dos poblaciones con distribucin
normal.
Soluci
n:
1.
Se toman dos muestras iguales: n1 = 10 y n2 = 10
2.
Se calculan las varianzas muestrales: S1 = 8.4 y S2 = 7.2
3.
Se calcula
4.
Se determina
5.
Se realiza la comparacin
para
= 0.05
5.3 Prueba de hiptesis sobre dos poblaciones: El objetivo de este tema tiene dos partes:
1.
Recapitular, en forma de diagramas de flujo, las pruebas de hiptesis estudiadas en los temas
anteriores.
2.
Reflexionar sobre la dependencia e independencia de las variables, as como de su correspondiente

intervalo de confianza.
Parte 1.
Diagrama de flujo 5.1 Pruebas de hiptesis sobre las medias
[Escriba aqu]
Pg. 25 de 101
Tema
Mdulo 1
Diagramas
de flujo de
las pruebas
de hiptesis
(medias
varianzas
conocidas,
distribucin
normal)
Parte 2.
Reflexionar
sobre la
dependencia
e
independenc
Diagrama de flujo 5.2 Pruebas de hiptesis sobre las varianzas
a.
Definicin: dos o ms muestras son dependientes si se han obtenido de entre los

mismos individuos.
b.
Diferencia de medias en dos muestras dependientes: Para Juan, A. (s. f.) el

intervalo de confianza a nivel de confianza = 1 - , para d = A - B viene dado por
la ecuacin:
[Escriba aqu]
Pg. 26 de 101
En la que
ia de las
variables,
as como de
su
correspondie
nte intervalo
de
confianza:
Tema
es el valor que, en una t-Student con n-1 grados de libertad,
deja a su derecha un rea

aleatoria dependiente.
c.
Mdulo 1
; y Sd es la desviacin estndar muestral de la variable
Diferencia de medias en dos muestras independientes
El intervalo de confianza, a nivel de confianza = 1 ecuacin:
Donde
, para A - B viene dado por la
es el valor que, en una t-Student con los grados
de libertad indicados, deja a su derecha un rea

de las muestras.
, y SA, SB son las desviaciones estndar
Cierre: Adems de las pruebas mostradas en el apartado anterior, aqu se presentaron diversas pruebas de
hiptesis para la toma de decisiones, tambin con mayor certeza al seleccionarla para prueba que ms convenga
para el caso en estudio.
As pues, con estas pruebas se ampla el elenco necesario de pruebas que pueden ser realizadas y que hay que
tener a la mano cuando, de acuerdo al proceso en estudio, se desee probar la variabilidad de alguna de sus
variables.
Juan,
A.
(s.
f.).
Contraste
de
hiptesis
de
dos
poblaciones.
Recuperado
de
http://www.uoc.edu/in3/emath/docs/CH_2Pob.pdf
[Escriba aqu]
Pg. 27 de 101
Tema
Mdulo 1
Tema 6. Diseo completamente aleatorio 1

El diseo completamente aleatorio se ha popularizado en ambientes de la industria qumica, con animales y con
produccin de plantas de diversas ndoles.
Actualmente, ha tomado impulso en otras clases de ambientes industriales, como productoras de derivados del
polipropileno o la industria metalmecnica, ya que en ellas tambin se pueden hacer los arreglos necesarios para
aplicar sus tcnicas:
La asignacin de los tratamientos completamente al azar a las muestras del experimento, ya sean
elementos individuales o grupos de individuos (de animales, plantas, tornillos o parmetros mtricos).
La homogeneidad de las muestras para disminuir el error inherente al experimento.
La aplicacin de tcnicas del anlisis de covarianza.
La utilizacin con arreglos de tratamiento de tipo factorial.

Adems, hay que considerar que en este tipo de diseo se asume que los datos son obtenidos de una poblacin
con distribucin normal.
Checkpoint: Las etapas para el diseo de experimentos de Montgomery y Gutirrez . Los conceptos: tratamiento,
observacin, factor de efectos fijos balanceados, estimacin puntual y estimacin por intervalo.
6.1 Caractersticas de diseo y notacin
Caractersticas: Como se describi en el mdulo anterior, Montgomery (2012) presenta siete etapas para el
diseo de experimentos.
A su vez, Gutirrez y De la Vara (2008) incluyen bsicamente las siete etapas mencionadas, sin embargo, al
dividir el proceso en once etapas, presenta con un mayor detalle las caractersticas de cada una de ellas, como
se presenta a continuacin:
Seccin 1: Planeacin y
diseo
[Escriba aqu]
a.
Definir el problema o el objetivo.
b.
Hacer un esquema del estudio donde se seale el problema

planteado.
c.
Determinar los factores que deben investigarse, de acuerdo a su

posible impacto en el problema.
d.
Elegir las variables de respuesta que sern medidas en cada punto del
diseo, y verificar que se miden de manera confiable.
e.
Seleccionar el diseo experimental adecuado a los factores que se

tienen y al objetivo del experimento.
f.
Planear y organizar el trabajo experimental.
g.
Realizar el experimento.
Pg. 28 de 101
Seccin 2: Anlisis e
interpretacin
Seccin 3: Conclusiones
finales
Tema
Mdulo 1
h.
Hacer un anlisis detallado de los resultados experimentales.
i.
Interpretar resultados.
j.
Hacer corridas confirmatorias del proceso en el mejor tratamiento.
k.
Cerrar y concluir el proyecto adecuadamente.
Notacin
Al considerar varios tratamientos, la representacin de las variables, los factores, los estadsticos, de manera
abreviada y no con toda la extensin de la palabra, tiene una representacin especial.
Existe un tipo de notacin consistente en colocar en el subndice un punto. En este tipo de notacin, el punto
significa que se est realizando la suma sobre la variable mostrada en el mismo subndice.
Algunas de estas representaciones son las siguientes:
i es el nmero del tratamiento que se est realizando de entre k tratamientos y puede tener el valor: i
= 1, 2, , k.
j es el nmero de observacin que se est tomando de entre las n i observaciones a llevar a cabo
dentro de cada uno de los k tratamientos; esto es, estamos dentro del i-simo tratamiento, y puede tener
el valor: j = 1, 2, , ni.
Yij es la j-sima observacin en el tratamiento i.
Yi es la suma de las observaciones del tratamiento i, y se calcula con la frmula siguiente:
es la media de las observaciones del i-simo tratamiento, y se calcula con la frmula siguiente:
Y es la suma total de las N = n1 + n2 + + nk mediciones, y se calcula con la frmula siguiente:
[Escriba aqu]
Pg. 29 de 101
Tema
Mdulo 1
es la media global o promedio de todas las observaciones, y se calcula con la frmula siguiente:
Ejemplo
Para realizar un experimento, se toman 3 tratamientos. Para cada tratamiento existen las observaciones
mostradas en la siguiente tabla:
Tratamiento
Observaciones
10
7, 1, 3, 5, 8, 2, 3, 5, 6, 1
12
4, 4, 3, 2, 1, 5, 7, 1, 1, 8, 2, 5
1, 6, 8, 4, 4, 2, 3, 1
Tabla 1. Tratamientos y observaciones
1.
Qu valor tiene k?
2.
Si consideramos el tratamiento i = 3, qu valor tiene n?
3.
Qu valor tiene Y36?
4.
Para las condiciones de la pregunta 2, qu valor tiene Yi?
Solucin:
1.
Dado que existen 3 tratamientos, k = 3.
2.
Dado que el tratamiento i = 3, tiene 8 observaciones, n = 8
3.
Dado que en el tratamiento k = 3, el 6 elemento es un 2, Y36 = 2
4.
Dado que la suma de todos los elementos de la muestra del tratamiento k = 3: 1+ 6+ 8+ 4+ 4+ 2+ 3+

1 = 29, resulta que Y3 = 29
6.2 Modelo de un factor de efectos fijos balanceados

Seleccionar el diseo experimental adecuado a los factores que se tienen y al objetivo del experimento es la
decisin central, tanto en la etapa 4 de Montgomery como en la etapa 5 de Gutirrez.
As, a lo largo del mdulo 1 se aplicaron mtodos estadsticos para el diseo de experimentos, basados en la
comparacin de dos poblaciones diferentes, tanto en su comparacin de medias (con varianza conocida o
desconocida), como en su comparacin de varianzas (bajo el supuesto de normalidad en la distribucin de las
poblaciones puestas a prueba).
Tambin podemos realizar nuestras comparaciones, si consideramos no ya dos factores a comparar, sino un
solo factor pero con dos o ms niveles.
[Escriba aqu]
Pg. 30 de 101
As, cuando las observaciones
Tema
, que siguen el modelo
Mdulo 1
(dependen de la media poblacional
de los tratamientos,
y del error,
debido a la medicin), se observan despus de utilizar todos los
tratamientos posibles, decimos que se trata de un modelo de efectos fijos.
Este modelo se utiliza cuando son pocos los tratamientos, de tal forma que se puedan utilizar todos ellos. Al
utilizar todos los tratamientos, los parmetros de nuestra ecuacin se ajustarn mejor a la realidad.
Notacin
SSTr es la varianza del error entre tratamientos, y se
obtiene con la expresin:
SSE es la varianza del error dentro de los
tratamientos, y se obtiene con la expresin:
SST = SSTr + SSE
MSTr = SSTr / (a - 1) donde a - 1 son los grados de libertad.
MSE = SSE / (N - a) donde N - a son los grados de libertad.
Ejemplo:
Una empresa productora de bolsas de plstico est interesada en probar si una nueva cantidad
de carbonato de calcio (CaCO3) para una nueva aplicacin hace que aumente la dureza
(Mohs) de las bolsas. En pruebas anteriores se ha observado que la modificacin en la cantidad
de carbonato hace variar la dureza, y se sospecha que a mayor cantidad de carbonato, la dureza
aumenta. Por la experiencia se sabe que para el tipo de bolsa realizada hasta el momento
(PEAN-APM) una cantidad del 8% al 15% es suficiente, pero para el nuevo tipo de bolsa (PEBDL)
aumentar la dureza de 14 al 20%.
Solucin:
Se decide realizar un experimento con:

1.
Cuatro niveles a = 4.
2.
Tres pruebas n = 3, para cada uno de los cuatro niveles, a*n = 12.
3.
Esto nos da que hay que realizar 12 corridas, a*n = 12, como se muestra en las columnas
2, 3 y 4 de la Tabla 2.
4.
En orden aleatorio, como se muestra en las columnas 5, 6 y 7 de la misma tabla. As, la
[Escriba aqu]
Pg. 31 de 101
Tema
Mdulo 1
corrida experimental 12 ser la primera en ser realizada, despus ser la corrida 6, etc., y al
final la corrida 11.
La generacin de nmeros aleatorios se realiz utilizando Minitab: Calc > Datos aleatorios >
Muestreo por columnas.
% de CaCO3
14
16
18
20
Corrida Experimental
Orden de ejecucin (aleatorio)
1
2
3
3
5
7
4
5
6
11
8
2
7
8
9
4
9
6
10
11
12
10
12
1
Tabla 2. Corridas experimentales
Prueba
1 2 3 Total Promedio
14
9 10 4
23
7.667
16
8 3 12 23
7.667
18
5 16 3
24
8
20
9 4 11 24
8
Suma:
94
7.834
Tabla 3. Resultados
% de CaCO3
6.3 Estimacin puntual de los efectos y de la variable de respuesta

Una poblacin se define por sus parmetros estadsticos:
1.
La media, cuyo smbolo es la letra griega .
2.
La desviacin estndar, cuyo smbolo es la letra griega s, o en su caso por la varianza, cuyo smbolo es
la letra griega
3.
La proporcin de artculos defectuosos, cuyo smbolo es la letra p.
Sin embargo, es frecuente que, ante un proceso industrial, estos parmetros sean desconocidos; lo que
dificulta la toma de decisiones.
La alternativa es realizar una estimacin de estos estadsticos, para lo cual se cuenta con dos
procedimientos.
[Escriba aqu]
Pg. 32 de 101
Tema
Mdulo 1
Se estiman los parmetros por medio de una muestra de tamao n, siguiendo los
siguientes procedimientos:
La media se estima por medio de la media de la muestra , que se representa con

el smbolo .
La varianza
se estima por medio de la varianza de la muestra S2, que se
representa con el smbolo
1.
Estimaci
n puntual
2.
Estimaci
n por
intervalo
La proporcin p se estima por medio de la proporcin

x, tomados de una muestra de tamao n, en la que
de elementos defectuosos
.
Ejemplo: se cuenta con una mquina de empaquetado de caf en bolsas de 1 kg, pero no
se conocen los parmetros estadsticos, por lo que se desea realizar un experimento para
conocerlos.
Solucin:
Para conocer los datos estadsticos de la mquina de empaquetado automtico de caf, se
sigui el siguiente procedimiento:
a.
Se registr el peso de 100 paquetes de caf: n = 100.
b.
Se calcul la media de la muestra:

1.00382 kg. Esta media se puede utilizar como
una estimacin puntual de la media del proceso.
c.
Se calcul la varianza de la muestra: S2 = 0.000545 kg, la cual se puede utilizar como

una estimacin puntual de la varianza del proceso.
d.
Se registr el nmero de bolsas defectuosas x = 2. Se hace una estimacin puntual

de la proporcin de defectuosos del proceso = x/n = 2/100 = 0.02.
Para verificar los datos estadsticos de la mquina de empaquetado automtico de caf se

repiti el procedimiento, registrando el peso de 100 paquetes de caf: n = 100, obteniendo
los siguientes resultados:
Se calcul la media de la muestra:
=0.000504 kg.
=1.00243 kg., as como la varianza de la misma: S2
Como se puede observar, al repetir el procedimiento anterior para estimar puntualmente

los estadsticos, es probable que no se obtengan los mismos resultados. El propsito es
generar un parmetro desconocido , de tal forma que este se encuentre dentro de un
[Escriba aqu]
Pg. 33 de 101
Tema
intervalo de confianza 100(
Mdulo 1
) %, y determinar dos valores (L y U), de tal forma que la
probabilidad de que se encuentre entre estos dos valores sea igual a

expresado por medio de la ecuacin:
, que puede ser
Cierre: Aunque se tengan los escalones de la escalera de la experimentacin perfectamente ensamblados, no todo
experimento se resuelve en forma automtica. Existe el riesgo de querer subir de dos en dos y saltar escalones
intermedios.
Diversos autores nos han presentado una ruta a seguir para proceder al anlisis y diseo de experimentos. Sin
embargo, si no se tiene bien planteado el problema a analizar, adems de las variables involucradas y los factores
de mayor impacto con todos sus niveles, va a ser muy deficiente el planteamiento del diseo experimental y, por lo
tanto, su solucin. Al dar mal el primer paso va a ser muy difcil corregir una vez avanzado el proceso.
Adems, hay que tener a la mano los conceptos estadsticos para realizar un correcto anlisis y una acertada
interpretacin.
Referencias bibliogrficas:
Gutirrez, H. y De la Vara, R. (2008). Anlisis y diseo de experimentos (2 ed.). Mxico: McGraw-Hill.
Montgomery, D. (2012). Diseo de experimentos (2 ed.). Mxico. Limusa Wiley.
Tema 7. Diseo completamente aleatorio 2

En el tema anterior se analiz el modelo de un factor de efectos fijos balanceados, considerando un solo factor con
dos o ms niveles y con diversos tratamientos. Para ellos hay tres formas de representar los resultados del anlisis:
1. Utilizando una tabla, como se vio en el tema anterior.
2. Determinando una ecuacin que nos relacione las variables dependientes con las independientes. Este tema se
enfoca en esta representacin y, a su vez, sirve como una introduccin analtica al concepto de anlisis de varianza.
3. Utilizando diagramas. En matemticas por lo general las grficas nos presentan las relaciones funcionales de las
variables y=f(x), ya en el campo de la probabilidad y estadstica. Esta representacin grfica va ms all, como se
analizar en la segunda y tercer seccin de este tema.
Checkpoint: Las representaciones por medio de ecuaciones lineales y los modelos ANOVA, medias y efectos. Los
conceptos de error aleatorio de la medicin, valor esperado, diagrama de cajas, datos mtricos, datos categricos y
datos ordenados por rango, las grficas de medias, las grficas de intervalos y las grficas de valores individuales .
7.1 Anlisis de varianza (One Way ANOVA)
[Escriba aqu]
Pg. 34 de 101
Tema
Mdulo 1
Adems de presentar los resultados del anlisis en una tabla o por medio de una grfica, es posible
representarlos con un modelo, una ecuacin que relacione los resultados. Por ejemplo, se toma una muestra
y, y se presenta en la siguiente tabla:
x
16
Se analizan los datos y se determina que y es una funcin de x dada por la ecuacin y=0.5 (2x), la cual puede
ser representada con la siguiente grfica:
Si queremos relacionar la ij_sima observacin yij con la media obtenida en el tratamiento i y con la muestra
j, la forma ms sencilla de realizar esta relacin est dada por medio de la siguiente ecuacin:
Ecuacin lineal 1
En la que
es el error aleatorio de la medicin.
Esta ecuacin es un modelo de medias.

Si consideramos que la media de los errores es cero, entonces el valor esperado de la ij_sima observacin
ser:
Una forma alternativa es relacionar la observacin con

aleatorio.
[Escriba aqu]
, el efecto del i_simo tratamiento, en lugar del error
Pg. 35 de 101
Tema
Mdulo 1
Tomando esto en consideracin, otra forma lineal y, por lo tanto, la forma ms sencilla de realizar esta
relacin est dada con la siguiente ecuacin:
Ecuacin lineal 2
Esta ecuacin es entonces un modelo de efectos.

Desde luego, esta ecuacin supone que:
Dado que en estas ecuaciones lineales, 1 y 2, la variable dependiente yij depende de una sola variable
independiente (desde el punto de vista de la definicin de una funcin), ya sea el error aleatorio, para la
primera ecuacin, o del efecto del i_simo tratamiento, para la segunda ecuacin, son llamadas como anlisis
de varianza de un solo factor (tratamiento) o de una sola va.
En estos modelos observamos dos parmetros:
1.
La media
que viene a ser el valor esperado de la observacin.
2.
El error aleatorio
de la medicin
parmetros asociados a los tratamientos
que es la diferencia entre medicin
y el valor esperado y los
Como se va a ver en los siguientes temas, el anlisis de varianza (ANOVA) es el mtodo ms utilizado en el
anlisis experimental. Est basado en el estadstico F, que viene a ser la relacin entre dos variables aleatorias
ji cuadradas divididas entre sus correspondientes grados de libertad. A su vez, el estadstico ji cuadrado
depende de un solo parmetro: sus grados de libertad. Por lo que se concluye que ANOVA simplifica mucho
las decisiones.
7.2 Diagrama de cajas
Los datos pueden ser de tres formas: mtricos, ordenados por rango y categricos. Esto lo podemos ver
ejemplificado durante una competencia deportiva de carreras:
Se toma con bastante precisin el tiempo de los recorridos (datos mtricos).
[Escriba aqu]
Pg. 36 de 101
Tema
Mdulo 1
Pero lo que interesa al final de cuentas es ver quien lleg en primer lugar, quin en segundo, hasta ver
quin lleg al ltimo (datos ordenados por rango).
Al final de cuentas, lo que importa es si subiste o no al podio, y si fue medalla de oro, de plata o de
cobre (datos categricos).
As, los estadsticos, segn esta clasificacin, son los siguientes:

1.
La media y la varianza para una observacin se obtienen sobre datos mtricos. Las distribuciones de
probabilidad, en sus diversas formas, y las grficas de medias se obtienen a partir de este tipo de datos.
2.
Las proporciones para una observacin se obtienen sobre datos categricos. Claro que una
observacin puede ser mtrica y ms adelante organizarla por categoras. Pasando por un histograma, se
puede aproximar este tipo de datos a algn tipo de distribucin de probabilidad.
3.
La mediana y los cuartiles para una observacin se obtienen sobre datos ordenados por rango.
Igual que en el caso anterior, una observacin puede ser mtrica y ms adelante ordenarla por rangos y,
posiblemente, ms adelante por categoras.
Un diagrama de caja es una forma grfica de representar la mediana, los cuarteles y los extremos de los
datos. La distancia entre la media y los cuarteles se representan por un rectngulo o caja, y la distancia entre
los cuarteles y los valores extremos se representan por lneas rectas que se conocen como bigotes por la
apariencia
que
da
en
los
diagramas.
Ejemplo:
Realiza el diagrama de caja, con los datos de los tres tratamientos del ejemplo de la seccin 6.1 de este curso,
registrados en la Tabla 1 (Tratamientos y observaciones).
Solucin:
Sobre una tabla:
1.
Registramos los datos.
2.
Ordenamos por rango (de menor a mayor).
3.
Observamos y registramos el mnimo, el mximo y la mediana.
[Escriba aqu]
Pg. 37 de 101
Tema
Mdulo 1
4.
Para el tratamiento 1, observamos y calculamos Q1=2-0.25=1.75 y Q3=6+0.25=6.25.
5.
Para el tratamiento 2, observamos y calculamos Q1=1.5-0.25=1.25 y Q3=5.
6.
Para el tratamiento 3, observamos y calculamos Q1 = 1.5-0.25=1.25 y Q3=5.
7.
Copiamos los datos a Minitab, generando tres columnas.
8.
Comprobamos los resultados: Estadsticas > Estadsticas bsicas > Mostrar estadsticas descriptivas.
9.
Generamos el diagrama de caja: Grfica > Grfica de caja.
Tratamiento
Datos
Ordenados por rango Mnimo
Q1
Q2: Mediana
Q3
Mximo
135823561
11233 | 55678 =
1.75
6.25
443215711825
111 | 223 | 445 | 578
1.25
3.5
16844231
11 | 23 | 44 | 68
1.25
3.5
Tabla 1. Pasos para realizar el diagrama de caja

10.
Estadsticas descriptivas generadas con Minitab:
11.
Diagrama de caja:
[Escriba aqu]
Pg. 38 de 101
Tema
Mdulo 1
Grfica de caja
7.3 Grficas de medias
Adems de presentar los datos mtricos en una tabla o por medio de una frmula lineal, existen otras
opciones que pueden ser muy significativas.
La grfica de intervalos: se utiliza para graficar medias e intervalos de confianza o barras de error para una
o ms variables. Una grfica de intervalo ilustra una medida de la tendencia central y la variabilidad de los
datos.
Nota: por opcin predeterminada, Minitab muestra intervalos de confianza de 95%. Para cambiar el tipo de
presentacin o la configuracin de una grfica especfica, utilice Editor > Editar barra de intervalo > Opciones.
Para cambiar el tipo de presentacin o la configuracin de todas las grficas de intervalo futuras, utilice
Herramientas > Opciones > Grficas individuales > Grficas de intervalo.
Tambin se pueden generar con las instrucciones: Estadsticas > ANOVA > Grficas de intervalo.
Grfica > Grfica de intervalos.
[Escriba aqu]
Pg. 39 de 101
Tema
Mdulo 1
Grfica de intervalos
La grfica de valores individuales: se utiliza para evaluar y comparar las distribuciones de muestra, al
graficar valores individuales para cada variable o grupo en una columna vertical, con lo cual resulta ms fcil
detectar valores atpicos y ver la distribucin (ayuda de Minitab).
Nota: si varios puntos tienen el mismo valor, por opcin predeterminada Minitab los desplaza simtricamente
desde el centro, de modo que cada punto idntico se pueda ver.
Grfica > Grfica de valores individuales.
[Escriba aqu]
Pg. 40 de 101
Tema
Mdulo 1
Grfica de valores individuales

Cierre: La utilizacin de tablas, ecuaciones o diagramas para representar nuestros datos es importante, pero hay
que recordar que la interpretacin de los datos involucrados es el objetivo principal del investigador. No hay que
perderse en el proceso, sino ir al fondo del contenido de la informacin.
Recuerda, no es que nos interese conocer unos datos perfectamente organizados yij, una ecuacin que nos
represente funcionalmente las variables dependientes en funcin de las independientes y=f(x), o una grfica que
visualmente nos impresione la pupila, lo que nos interesa es conocer y comprender la informacin contenida en
esas representaciones.
[Escriba aqu]
Pg. 41 de 101
[Escriba aqu]
Tema
Mdulo 1
Pg. 42 de 101
Tema 8
Mdulo 2
Tema 8. Pruebas de rangos mltiples

Si observamos la siguiente grfica, se ve que tiene un crecimiento exponencial; pero
si repetimos el experimento, se ver igual el resultado?, o bien, al cambiar el
tratamiento con el que se realiz, se ver igual?
Cuando se trata de comparar pares de medias de tratamientos, disponemos de las
siguientes pruebas:
1. De comparaciones mltiples (LSD-Least Significant Difference)
2. De Tukey
3. De rangos de Duncan
En este tema trataremos estas pruebas para hacer una adecuada interpretacin de
datos que nos lleve a la toma de decisin correcta.
Checkpoint: La varianza del error entre, dentro y total, y los grados de libertad para los tratamientos. Las pruebas de comparaciones
mltiples (LSD, Least Significant Difference), de Tukey y Rangos de Duncan.
Explicacin
Para los ejemplos de los subtemas 8.1, 8.2 y 8.3, utilizaremos las siguientes tablas:
Tratamiento
Error
Total
Suma de
Grados de
Cuadrados
cuadrados
libertad
medios
SSTr =62
3
20.6667
SSE = 92.6667
8
11.5833
SST =154.667
11
Tabla 1. Resultados del ANOVA
Estadstico F0
1.7841727
En la que:
a.
SSTr es la varianza del error entre tratamientos, y se obtiene con la frmula:
b.
SSE es la varianza del error dentro de los tratamientos, y se obtiene con la frmula:
c.
SST = SSTr + SSE es la varianza del error total, y se obtiene con la frmula:
SST = SSTr + SSE
i=
[Escriba aqu]
j=
1
14
2
17
n=
3
12
Promedio
14.3333
Suma
43
Pg. 43 de 101
a=
2
3
4
Tema 8
B
C
D
10
10
10
19
17
18
Tabla 2. Clculos previos
Mdulo 2
16
10
19
12
13
18
36
39
54
8.1 Pruebas de comparaciones mltiples (LSD least significant difference / diferencia mnima
significativa) O PRUEBA DE FISHER
La prueba de comparaciones mltiples tambin conocida como mtodo Fisher de diferencia mnima
significativa (Least Significant Difference) consiste en probar que las medias de dos poblaciones con a
tratamientos son significativamente diferentes. De tal forma que la hiptesis nula se plantea con la expresin
siguiente:
Realizamos una prueba de una cola, de tal forma que la hiptesis alterna se plantea con la expresin
siguiente:
El procedimiento para realizar la prueba es el siguiente:

1.
Una vez obtenidos los datos en la tabla del modelo de un factor de efectos fijos balanceados (ver tema
6.2).
2.
Definir el nivel de significancia para realizar la prueba.
3.
Obtener
4.
Calcular MSE.
5.
a partir de una tabla. Por ejemplo la Tabla A.4 de Walpole (2012).
Calcular el valor del estadstico LSD:

Si las muestras son del mismo tamao, n = n1 = n2, es decir, el diseo est balanceado, calculamos el
estadstico LSD con la siguiente frmula:
Si el diseo no est balanceado, es decir, para muestras de tamao diferente n1 y n2, calculamos el
estadstico LSD con la siguiente frmula:
[Escriba aqu]
Pg. 44 de 101
Tema 8
Mdulo 2
6.
A continuacin realizamos una tabla con el valor absoluto de las diferencias entre tratamientos:
7.
Aceptamos la hiptesis nula s:
Ejemplo
Probar que las medias de dos poblaciones con 4 tratamientos son significativamente diferentes si ya
disponemos de las medias
(Resultados del ANOVA).
de los 4 tratamientos realizados en un experimento anterior: ver Tabla 1
Tratamient
o
Error
Total
Suma de
cuadrados
Grados de
libertad
SSTr =62
SSE = 92.6667
SST =154.667
3
8
11
Cuadrados
medios
Estadstico
F0
20.6667
1.7841727
11.5833
Solucin:
1.
Tabla del modelo de un factor de efectos fijos balanceados con N = a*n = 12: Ver Tabla 2 (Clculos
previos).
j=
i=
a=
1
2
3
4
A
B
C
D
1
14
10
10
17
n=
2.
Definimos que
3.
De la Tabla A.4 de Walpole (2012) obtenemos que
4.
MSE = 11.5833.
5.
Calcular el valor del estadstico LSD:
[Escriba aqu]
Promed
3
io
Suma
12 14.3333 43
16
12
36
10
13
39
19
18
54
2
17
10
19
18
, por lo tanto
.
.
Pg. 45 de 101
6.
Tema 8
Mdulo 2
Tabla con el valor absoluto de las diferencias entre tratamientos (sin repeticin):
| 12 13 |
< 9.526
Se acepta
| 12 14 |
< 9.526
Se acepta
| 12 18 |
< 9.526
Se acepta
| 13 14 |
< 9.526
Se acepta
| 13 18 |
< 9.526
Se acepta
| 14 18 |
< 9.526
Se acepta
Tabla 3. Tabla de Resultados

7.
Rechazamos la hiptesis nula y, por lo tanto, aceptamos la hiptesis alterna s:
8.2 Prueba de Tukey

La prueba de Tukey consiste en probar que las medias de dos poblaciones con a tratamientos son
significativamente diferentes. De tal forma que la hiptesis nula se plantea con la expresin siguiente:
Realizamos una prueba de dos colas, de tal forma que la hiptesis alterna se plantea con la expresin
siguiente:

1.
6.2).
2.
Definir el nivel de significancia para realizar la prueba.
3.
Obtener
a partir de una tabla. Por ejemplo, la Tabla VIII de Montgomery (2012), en la que f son
los grados de libertad asociados con MSE.
4.
Calcular MSE.
5.
Calcular el valor del estadstico
con la siguiente frmula:
[Escriba aqu]
Pg. 46 de 101
Tema 8
Mdulo 2
6.
A continuacin realizamos una tabla con el valor absoluto de las diferencias entre tratamientos:
7.
Ejemplo
de los 4 tratamientos realizados en un experimento anterior; ver Tabla 1
(resultados del ANOVA).
Solucin:
1.
Tabla del modelo de un factor de efectos fijos balanceados con N = a*n = 12: Tabla 2. (clculos
previos).
2.
Definimos que:
.
3.
De la Tabla VIII obtenemos que
.
4.
MSE = 11.5833
5.
6.
.
Tabla con el valor absoluto de las diferencias entre tratamientos:
| 12 13 |
1
< 8.91
Se acepta
| 12 14 |
2
< 8.91
Se acepta
| 12 18 |
2
< 8.91
Se acepta
| 13 14 |
1
< 8.91
Se acepta
| 13 18 |
5
< 8.91
Se acepta
| 14 18 |
4
< 8.91
Se acepta
Tabla 4. Tabla de Resultados
7.

; ver resultados en la Tabla 1. Tabla de Resultados.
NOTA: se observa que los resultados coinciden con la prueba LSD.

8.3 Prueba de rangos de Duncan
[Escriba aqu]
Pg. 47 de 101
Tema 8
Mdulo 2
La prueba de rangos de Duncan consiste en probar que las medias de dos poblaciones con a tratamientos
son significativamente diferentes a travs de los rangos mnimos significativos (LSR, Least Significant Ranges).
1.
6.2).
2.
Se ordenan por rango (de menor a mayor).
3.
Se calcula MSE.
4.
Calcular el error estndar
5.
Definir el nivel de significancia
6.
7.
8.
Obtener
(2012).
con la siguiente frmula:
para realizar la prueba.
, para p = 2,3,,a partir de una tabla. Por ejemplo, la Tabla VII de Montgomery
Calcular los n - 1 LSR con la siguiente frmula:

A continuacin realizamos una tabla con las diferencias entre las medias de los tratamientos (mayor
menos menor):
e incluimos en cada lnea la comparacin con los Rp.
9.
Rechazamos la hiptesis nula y, por lo tanto, aceptamos la hiptesis alterna si existen diferencia
significativas:
Ejemplo
de los 4 tratamientos realizados en un experimento anterior; ver Tabla 1
(resultados del ANOVA).
Solucin:
1.
Tabla del modelo de un factor de efectos fijos balanceados con N = a*n = 12; ver la Tabla 2. (Clculos
previos).
2.
Se ordenan por rango (de menor a mayor); ver la Tabla 5 (clculos).
Paso 2:
Paso 6:
[Escriba aqu]
Paso 7: LSRs
Paso 8: Diferencias y comparaciones
Pg. 48 de 101
Tema 8
R0.05(2,8) =
3.26
R0.05(3,8) =
3.39
R0.05(4,8) =
3.47
R2 = 3.26*1.965 =
6.41
R3 = 3.39*1.965 =
6.67
R4 = 3.47*1.965 =
6.82
Mdulo 2
4 vs.3: 18-14.34=
4.34 < 6.41
4 vs.3: 18-13=
5.34 < 6.67
4 vs.1: 18-12=
6 < 6.82
3 vs.2: 14.34-3=
1.34 < 6.41
3 vs.1: 14.34-12=
2.34 < 6.67
2 vs.1: 13-12=
1 <6.41
Tabla 5. Clculos
3.
Observamos en la Tabla 1 (resultados del ANOVA) que MSE = 11.5833.
4.
Calcular:
5.
Definimos que
6.
A partir de la Tabla VII de Montgomery obtenemos los rangos significativos. Ver la Tabla 3 (clculos).
7.
Calcular los (n 1) LSR. Ver la Tabla 5 (clculos).
8.
Diferencias entre las medias de los tratamientos (mayor menos menor):
.
.
e incluimos en cada lnea la comparacin con los Rp.

9.
Dado que en todas las desigualdades:

aceptamos la hiptesis nula de que si existen diferencias significativas.
Cierre
Al realizar la comparacin entre pares de medias de tratamientos con cualquiera de las tres pruebas estudiadas, hay que
efectuar los procedimientos con mucho cuidado para poder tomar la mejor decisin posible.
De tal suerte que las pruebas de hiptesis que se realicen sean significativamente diferentes, y as lleguen a ser aceptadas
o rechazadas con toda certeza.
Por ejemplo: para probar que la eficiencia de una gasolina con dos aditivos A y B son significativamente diferentes,
podemos hacer uso de las pruebas sobre la diferencia de medias con comparaciones mltiples (LSD), Tukey o rangos de
Duncan.
Walpole, R., Myers, R. y Myers, S. (2012). Probabilidad y estadstica para ingeniera y ciencias (9 ed.). Mxico:
Pearson.
[Escriba aqu]
Pg. 49 de 101
Tema 8
Mdulo 2
Tema 9. Pruebas para la adecuacin del modelo

Y si no se cumplen los tres supuestos
1.
Que la expresin
2.
Que los errores

aunque sea desconocida. Nota:
3.
?:
nos describa a cada una de las observaciones.
tengan una Distribucin Normal con media cero y varianza constante,
.
Que la distribucin de los errores est bajo el supuesto de Independencia.
Las pruebas estudiadas, de diferencia entre las medias, no son procedimientos exactos al aplicar el anlisis de
varianza. Qu se puede hacer en este caso?
Dado que por lo general no se cumplen estos supuestos, NID (Normal, Independent Distribution), se realiza un
anlisis sobre los residuos.
Checkpoint: Los conceptos de normalidad e independencia, residuos y la condicin
Anderson-Darling y la prueba de Bartlett.
. El coeficiente de
9.1 Normalidad
De acuerdo a Montgomery (2012), para verificar si nuestros residuos siguen el supuesto de normalidad
podemos realizar dos acciones:
1.
2.
Comprobar, a travs de un histograma con su correspondiente ajuste, a la normal:

a.
Que tan ajustado est un conjunto de observaciones con la normal.
b.
Que la media sea aproximadamente igual a cero: x=-0.00987 0.
c.
Que la varianza sea constante, para lo cual hay que realizar varias veces el muestreo y
as comprobar este supuesto.
Comprobar a travs de una grfica de probabilidades de residuos, adems de que la media
sea aproximadamente igual a cero y que la varianza sea constante la aproximacin a la
normalidad a travs del coeficiente de Anderson-Darling, o el de Ryan-Joiner o el de KolmogorovSmirnov.
Para realizar una prueba para saber si los datos de una muestra provienen de una distribucin especfica se
utiliza la prueba de Anderson-Darling. Esta es una prueba no paramtrica que se obtiene con la frmula:
[Escriba aqu]
Pg. 50 de 101
Tema 8
Mdulo 2
El valor de AD se puede obtener fcilmente desde algn software como Minitab, como veremos en el siguiente
ejemplo:
La grfica 1 nos presenta un histograma de los residuos de 166 observaciones respecto a su media, con una
aproximacin a la normal
; observamos que con media cero
y varianza constante
Grfica 1. Histograma de frecuencia de los residuos

La grfica 2 nos presenta una aproximacin a la probabilidad normal de los residuos dada por el coeficiente
de Anderson-Darling = 0.639.
Observamos en la grfica una funcin de aproximacin lineal, obtenida a travs de un modelo de regresin
lineal simple.
[Escriba aqu]
Pg. 51 de 101
Tema 8
Mdulo 2
Grfica 2. Porcentaje contra probabilidad de residuos.

9.2 Varianza constante e independencia
Para verificar el supuesto de varianza constante, se puede realizar la prueba de hiptesis:
.
La prueba de Bartlett se utiliza para comprobar la hiptesis anterior y consiste en el siguiente
procedimiento:
1.
Calcular la varianza de cada tratamiento.
2.
Calcular el Sp, la estimacin combinada con la frmula:
3.
Calcular b, el valor de una variable aleatoria B (con distribucin de Bartlett) con la frmula:
4.
Obtener el valor crtico
[Escriba aqu]
de alguna tabla, por ejemplo la tabla A.10 de Walpole (2012).
Pg. 52 de 101
5.
Tema 8
Comparar
Mdulo 2
rechazamos H0 y aceptamos H1.

Ejemplo
Tomando los datos del tema 8, determinar s:
Con un nivel de significancia
Si tenemos que existen 4 tratamientos, A, B, C y D, cada uno con n1 = n2 = n3 = n4 =3 elementos, de tal forma
que N = n1 + n2 + n3 + n4 = 12; ver columnas 1 a 6 de la Tabla 1 (Datos y resultados parciales):
a=
n=
i=
j=
1
2
3
1
A
14
17
12
2
B
10
10
16
3
C
10
19
10
4
D
17
18
19
Tabla 1. Datos y resultados parciales
Paso 1
s2
6.34
12
27
1
1.
Calcular la varianza de cada tratamiento, ver la columna 7 de la Tabla 1 (Datos y resultados parciales).
2.
Calcular la estimacin combinada:

Sp2 = [(3-1) (6.34)+ (3-1) (12)+ (3-1) (27)+ (3-1) (1)] / (12 - 3) = 10.298
3.
Calcular el valor de b, la variable aleatoria B (con distribucin de Bartlett):

b = [(6.34)2 + (12)2 + (27)2 + (1)2)]1/(12-4) / 10.298 = 0.2277
4.
Obtener, de la tabla A.10 de Walpole (2012), el valor crtico:

b4(0.05; 12) = 0.8317
5.
Comparar b con b4:
Dado que b = 0.2277 < b4 = 0.8317, rechazamos H0 y aceptamos H1; los cuatro tratamientos no son
significativamente diferentes.
9.3 Residuos
Para ilustrar un posible anlisis de residuos, lo iremos haciendo a travs de un ejemplo directamente:
1.
Tomamos los datos de la seccin anterior, ver las columnas 1 a 6 de la Tabla 2 (datos y resultados
parciales).
[Escriba aqu]
Pg. 53 de 101
2.
Tema 8
Mdulo 2
Calculamos la media de cada tratamiento, ver la columna 7 de la Tabla 2 (Datos y resultados parciales).
Sabiendo que MSE =11.5833
n= Paso 2:
a=
Paso 3:
ei1
ei2
Paso 4:
i=
j=
Media
ei3
di1
di2
14
17
12
14.33 -0.330 2.67 -2.33 -0.097 0.785 -0.685
10
10
16
12
-2
-2
-0.588 -0.588 1.18
10
19
10
13
-3
-3
-0.882 1.76 -0.882
17
18
19
18
-1
-0.294
di3
0.294
Tabla 2. Datos y resultados parciales

3.
Calculamos los residuos (el error eij de cada elemento yij respecto a su correspondiente media):
.
Ver las columnas 8 a 10 de la Tabla 2 (Datos y resultados parciales).
La siguiente grfica nos presenta los residuos respecto al orden de observacin:
[Escriba aqu]
Pg. 54 de 101
Tema 8
Mdulo 2
Grfica 1. Residuos contra orden de observacin: R = f [ k ]

4.
Calculamos los residuos estndar

; observamos que el mayor valor atpico d32 = 1.76 es
menor que 3 o 4 desviaciones estndar, por lo que no nos debe de preocupar.
Ver d32 en la columna 12 de la Tabla 2. (Datos y resultados parciales).
5.
Finalmente, podemos observar grficamente en la Grfica 4. Residuos contra valor ajustado, que no
hay alguna concentracin de residuos, lo que nos hace ver que se cumple muy probablemente la
condicin
[Escriba aqu]
Pg. 55 de 101
Tema 8
Mdulo 2
Grfica 4. Residuos contra valor ajustado

Cierre
En la imagen se presenta una bscula, que nos determina el peso del objeto medido, sin embargo:
No nos dice la distribucin de probabilidad que tiene la poblacin de donde se sacaron los objetos medidos.
Por ejemplo, si la poblacin sigue una distribucin normal.
No nos dice si la poblacin tiene una media constante o de acuerdo a especificaciones.
No nos dice si la poblacin tiene una varianza constante, que no se ve afectada por factores como la
temperatura, la humedad, etc.
Tampoco nos dice la cantidad de residuos, es decir, los valores que salen del promedio ni si se sigue el
concepto de independencia.
Sin embargo, con los conceptos estudiados en este tema podemos realizar varias pruebas para la adecuacin del
modelo que nos lleve a obtener la informacin y datos importantes para la toma de decisiones.
Referencia bibliogrfica
Tema 10. Tamao de la muestra
[Escriba aqu]
Pg. 56 de 101
Tema 8
Mdulo 2
Se ha mostrado que una vez planteadas nuestras hiptesis y recolectadas nuestras muestras podemos aceptarlas o
rechazarlas. Este proceso de aceptacin y rechazo por lo general se realiza al comparar nuestros clculos con algn
estadstico.
Pero surge la pregunta, de qu tamao deben ser las muestras?, por ejemplo, observando la figura, nos
preguntamos qu tan ajustados estn los datos tomados a la funcin propuesta?, basta un ciclo para saberlo?
Checkpoint: Los procedimientos de curvas caractersticas, desviacin estndar e intervalo de confianza. Los
conceptos de potencia de la prueba, desviacin estndar de un conjunto de muestras aleatorias y el estadstico t de
Student.
10.1 Curvas caractersticas

Podemos determinar el tamao de las corridas necesarias de un experimento, obteniendo el valor de la
potencia de la prueba
, en la que es la probabilidad de error tipo II:
, por lo que la potencia de la prueba:
El valor de lo obtenemos a travs de curvas caractersticas, por ejemplo las que presenta Montgomery
(2012) en la Tabla V.
La utilizacin de las tablas la demostraremos a travs del siguiente ejemplo:
Se desea estudiar la resistencia de fluencia del acero A36 producido, utilizando cuatro tcnicas diferentes A, B,
C y D; rechazamos la hiptesis
utilizando un nivel de significancia
.
Solucin:
Paso 1. Se realiza el experimento con los cuatro tratamientos (tcnicas), obteniendo los resultados mostrados
en las columnas 3 a 6 de la Tabla 1. Resultados preliminares.
i
1
2
3
4
Tcnica
1
2
3
4
Sy (resistencia de fluencia (MPa)

285
250
254
251
254
251
250
254
250
253
251
254
252
253
253
252
260
252.25
252
252.5
=
1016.75
= 254.2
5.8125
-1.9375
-2.1875
-1.6875
=45.172
Tabla 1. Resultados preliminares

Paso 2. Calculamos:
a) La media de cada tratamiento
b) La suma de todas ellas
[Escriba aqu]
Pg. 57 de 101
Tema 8
Mdulo 2
c) La media de las medias , obteniendo los resultados mostrados en la columna 7 de la Tabla 1 (resultados
preliminares).
Paso 3. Calculamos:
a)
b) La suma de todas ellas, obteniendo los resultados mostrados en la columna 7 de la Tabla 1 (Resultados
preliminares).
Paso 4. Suponiendo que
obtenemos que:
Y calculamos, para valores de n = 2 en adelante, aquel valor obteniendo los resultados mostrados en la
columna 2 de la Tabla 2 (Resultados finales).
n
2
2.52 1.5875
0.6
0.4
3.78 1.9442
0.29
0.71
5.04
2.245
12
0.054
0.946
6.3
2.51
16
0.032
0.968
Tabla 2. Resultados finales

Paso 5. Buscamos en la curva caracterstica de la Tabla V de Montgomery (2012) para
con [
grados de libertad, ver Curvas 1 (Operating
characteristics curves for the fixed-effects model analysis of variance).
[Escriba aqu]
Pg. 58 de 101
Tema 8
Mdulo 2
Curvas 1. Operating characteristics curves for the fixed-effects model analysis of variance
Imagen obtenida de
http://www.iuma.ulpgc.es/~nunez/mastertecnologiastelecomunicacion/Tema3DisenodeExperimentos/Montgomery-Runger3rd2003Ch-13.pdf. Solo para fines educativos.
Obteniendo los resultados mostrados en la columna 7 de la Tabla 2 (resultados finales).

Paso 6. Observamos en la Tabla 2 (Resultados finales) que con valores de
rechazamos H0.
Paso 7. Observamos que con valores de
mnimo n = 4 (
).
, por lo que
, y aceptamos H0, as que tomamos como tamao
10.2 Desviacin estndar

Montgomery (2012) propone el clculo de
[Escriba aqu]
de acuerdo a la siguiente frmula:
Pg. 59 de 101
Tema 8
Frmula en la que el trmino

muestras aleatrias,
Mdulo 2
se refiere a la desviacin estndar de un conjunto de

, respecto a la varianza
Ejemplo:
Si tomamos los datos de la resistencia de fluencia del acero A36, y calculamos el valor de suponiendo que
se desea detectar un incremento de 20%, con una probabilidad de al menos 0.90 y utilizando un nivel de
significancia
.
Solucin:
Paso 1. Realizar el experimento; ver tabla 1 del ejemplo anterior.
Paso 2. Calculamos:
a) La media de cada tratamiento.
b) La suma de todas ellas.
c) La media de las medias, - ; ver tabla 1 del ejemplo anterior.
Paso 3. Calculamos:
a)
.
b) La suma de todas ellas: Ver Tabla 1 del ejemplo anterior.
Paso 4. Suponiendo que
obtenemos que:
Y con esto calculamos valores de para n = 8, 9, 10 y 11, obteniendo los resultados mostrados en la columna
2 de la Tabla 3 (resultados finales):
n
8
9
10
11
[Escriba aqu]
1.8668
3
28
0.21
1.98
3
32
0.12
2.0871
3
36
0.083
2.189
3
40
0.053
Tabla 3. Resultados finales
0.79
0.88
0.917
0.947
Pg. 60 de 101
Tema 8
Mdulo 2
Paso 5. Buscamos en la curva caracterstica de la Tabla V de Montgomery (2012) para

con [
grados de libertad.
Ver Curvas 2 (Operating characteristics curves for the fixed-effects model analysis of variance).
Curvas 2. Operating characteristics curves for the fixed-effects model analysis of variance.
Imagen obtenida de
http://www.iuma.ulpgc.es/~nunez/mastertecnologiastelecomunicacion/Tema3DisenodeExperimentos/Montgomery-Runger3rd2003Ch-13.pdf. Solo para fines educativos.
Obteniendo los resultados mostrados en la columna 6 de la Tabla 3. (Resultados finales).

Paso 6. Observamos en la Tabla 3 (resultados finales), que con valores de
rechazamos H0.
Paso 7. Observamos que con valores de
tamao mnimo n = 10 (
, por lo que
, y aceptamos H0, as que tomamos como

).
Observamos que al considerar la desviacin estndar, aumenta el tamao de la muestra.
[Escriba aqu]
Pg. 61 de 101
Tema 8
Mdulo 2
10.3 Intervalo de confianza

Adems del clculo del tamao de la muestra, utilizando las curvas caractersticas a partir de
o a partir de
al considerar un incremento en la desviacin estndar, es posible realizar el clculo considerando al
estadstico t de Student:
En un intervalo de confianza para

varianza deseada
de tal forma que
puede ser estimada a partir de la
quedando, para fines de clculo, la frmula:
Para utilizar esta metodologa, hay que seguir los siguientes pasos:
Paso 1. Obtener el valor del nmero de tratamientos , y asignar un valor al nivel de significancia .
Paso 2. Calcular los grados de libertad
Paso 3. Obtener de tablas, el valor de
Paso 3. Calculamos
para diversos valores de n.

en la que
. Ver resultados en la columna 4 de la tabla 3. (Resultados).
Paso 4. Tomar una decisin; comparar

partir de La comparacin, sea la menor.
y seleccionar el valor de n cuya diferencia, a
Ejemplo:
Si tomamos los datos de la resistencia de fluencia del acero A36, calculamos el valor del intervalo
para diferentes valores de n.
Solucin:
Paso 1. Obtenemos que el valor del nmero de tratamientos
significancia
.
Paso 2. Calculamos los grados de libertad
3 (Resultados).
, y asignamos un valor al nivel de

. Ver resultados en la columna 2 de la Tabla
[Escriba aqu]
Pg. 62 de 101
4
3
2
Tema 8
12
8
4
2.175
2.306
2.776
4.61
5.65
8.33
Tabla 3. Resultados
Mdulo 2
1.61
2.65
5.33
Paso 3. Obtenemos de tablas el valor de

para {
y para los valores de
calculados, ver resultados en la columna 3 de la Tabla 3 (Resultados).
Paso 4. Calculamos
previamente
, ver resultados en la columna 4 de la Tabla 3 (Resultados).
Paso 5. Decisin. Dado que todos los valores calculados de

son mayores que 3, seleccionamos
el valor de n = 4, ya que nos da una diferencia menor, ver resultados en la columna 5 de la Tabla 3
(Resultados).
Cierre
Para retomar la pregunta que nos hacamos en la introduccin referente al tamao que deben de tener las muestras,
podemos ver que existen varios procedimientos para responder esta pregunta.
Sin embargo, ahora surge una nueva pregunta: qu beneficios trae poder usar estos procedimientos para definir la
muestra?
Con las curvas caractersticas se combinan ecuaciones con mtodos grficos.
Con la desviacin estndar tambin se hace una combinacin de ecuaciones con mtodos grficos.
Con el intervalo de confianza, en la que se combinan las ecuaciones de decisin con valores en tablas.
Referencia bibliogrfica
Tema 11. Diseos de bloques completos

Los diseos de bloques completos se utilizan en casos en donde dos o ms factores influyen en la respuesta. Como
por ejemplo, tener un indicador de la velocidad de un avin en la que intervienen no solo los parmetros propios
de la nave, como el flujo de combustible o el propio diseo del fuselaje y las alas, sino tambin aspectos externos
como la velocidad del viento o el grado de humedad, etc.
El diseo de bloques completos es muy til para resolver este tipo de problemas con multi-parmetros.
Checkpoint: El diseo de experimentos con base en los diseos de bloques y factoriales. Los conceptos:
tratamiento con base en letras latinas, tratamiento con base en letras griegas, renglones, columnas y total
11.1 Diseos de bloques completos aleatorios
[Escriba aqu]
Pg. 63 de 101
Tema 8
Mdulo 2
El diseo de bloques completos aleatorios se utiliza cuando queremos comparar tratamientos o determinar el
efecto de un factor en especial.
La Tabla 1 nos muestra el lugar en que hay que colocar los factores para el anlisis de varianza para el diseo
de bloques completos aleatorios:
Fuente de
variacin
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
F0
Tratamientos
Bloques
Error
Total
Tabla 1. Anlisis de varianza para el diseo de bloques completos aleatorios
Cada factor de la Tabla 1 se calcula segn las frmulas descritas en la siguiente tabla (Tabla 2):
Tabla 2. Frmulas
Ejemplo: Un ingeniero desea probar el efecto de colocar cuatro diferentes tipos de capacitores en la
frecuencia de oscilacin de un oscilador, que espera sea de 100 MHz. Para la prueba, el ingeniero decide
realizar un anlisis de varianza para el diseo de bloques completos aleatorios que consiste en utilizar cada
tipo de capacitor en cinco osciladores diferentes y realizar la decisin con un nivel de significancia
.
Solucin.
Paso 1. El orden en que se elige el amplificador y su correspondiente capacitor es al azar.
[Escriba aqu]
Pg. 64 de 101
Tema 8
Mdulo 2
En la siguiente tabla (Tabla 3) se muestra la frecuencia de oscilacin (en MHz) de los cinco amplificadores con
los cuatro capacitores:
Amplificador
Capacit
1
2
3
4
5
or
1
98.9
97.3 102.6 104.1 103.2
2
104.0
103.4 100.5 97.0
98.0
3
98.3
101.3 101.2 95.5 100.9
4
104.4
101.5 98.7 101.8 97.0
Tabla 3. Frecuencia de oscilacin (en MHz)
Paso 2. Para simplificar el procedimiento le restamos 100 a cada valor medido y calculamos
Capacitor
(b=4)
1
2
3
4
1
-1.1
4.0
-1.7
4.4
5.6
31.5
Amplificador (a=5)
2
3
4
(Tabla 4).
-2.7
2.6
4.1
3.2
3.4
0.5
-3.0
-2.0
1.3
1.2
-4.5
0.9
1.5
-1.3
1.8
-3.0
3.5
3.1
-1.6
-0.9
12.3
9.3
2.6
0.81
Tabla 4. Frecuencias relativas a 100 MHz
6.2
2.9
-2.8
3.4
38.36
8.17
7.77
11.71
66.0
56.51
Paso 3. Realizamos los clculos utilizando las frmulas de las tablas 1 y 2. Las operaciones y los resultados se
muestran en la siguiente tabla (Tabla 5):
Fuente de
variacin
Suma de cuadrados
Grados de
libertad
Cuadrados medios
F0
Tratamien
tos
Bloques
Error
[Escriba aqu]
Pg. 65 de 101
Tema 8
Mdulo 2
Total
Tabla 5. Operaciones y resultados
Paso 4. Dado que
es mayor que
no afectan a la frecuencia de oscilacin.
concluimos que los diferentes tipos de capacitores
11.2 Diseo de cuadro latino

El diseo de cuadro latino se utiliza cuando se desea comparar tres factores, dos de ellos (
) llamados de
bloque y el tercero ( ) llamado de tratamiento.

El modelo estadstico est dado por la expresin:
Se le llama cuadro latino, ya que adems de los dos factores a comparar se realiza un tercer cotejo de
acuerdo a la letra latina correspondiente.
A continuacin se incluyen dos ejemplos de dicho orden (que puede ser diferente): uno para p=4: cuadro 4 X 4
y otro para p=5: cuadro 5 X 5.
4X4
5X5
NOTA: el valor de p puede ser mayor a 5.

La Tabla 6 nos muestra los factores para el anlisis de varianza en el diseo de cuadro latino:
Fuente de
variacin
[Escriba aqu]
Suma de cuadrados
Grados de
libertad
Cuadrados
medios
Pg. 66 de 101
F0
Tema 8
Mdulo 2
Tratamient
os (Letras
latinas)
Renglones
Columnas
Error
Total
Tabla 6. Anlisis de varianza para el diseo de cuadro latino
Ejemplo: para el ejemplo de la seccin anterior, el ingeniero desea probar el efecto de colocar cuatro
diferentes tipos de resistencias adems de los cuatro diferentes tipos de capacitores en la frecuencia de
oscilacin de un oscilador, que espera sea de 100 MHz. Para la prueba el ingeniero decide llevar a cabo un
anlisis de varianza en el diseo de cuadro latino y realizar la decisin con un nivel de significancia
.
Solucin.
Paso 1. El orden en que se elige el amplificador y su correspondiente capacitor es al azar.
En la siguiente tabla (Tabla 7) se muestra la frecuencia de oscilacin (en MHz) con los cuatro capacitores y las
cuatro resistencias:
Resistencia
Capacitor
98.17
98.04
99.40
96.11
98.81
101.42
97.57
100.53
103.33
103.96
104.29
102.59
[Escriba aqu]
Pg. 67 de 101
Tema 8
95.02
Mdulo 2
101.57
107.24
96.55
Tabla 7. Frecuencia de oscilacin (en MHz) con los cuatro capacitores y las cuatro resistencias
Paso 2. En la siguiente tabla (Tabla 8), se codifican los datos, respecto a la frecuencia deseada y se asignan las
letras latinas.
Resistencia
Capacitor
k=1
k=2
k=3
k=4
i=1
-1.83
-1.96
-0.60
-3.89
i=2
-1.19
1.42
-2.43
0.53
i=3
3.33
3.96
4.29
2.59
i=4
-4.98
1.57
7.24
-3.45
Tabla 8. Datos codificados y letras latinas

Paso 3. Calculamos SS, MS y F0 para p=4.
Para realizar las operaciones utilizamos la hoja de clculo anexa, colocando los datos registrados con fondo
amarillo.
Paso 4. Comparar el valor obtenido de
y tomar una decisin: Dado
que
concluimos que no hay una diferencia significativa en el uso de diferentes
marcas de resistencias y capacitores en la frecuencia obtenida de los osciladores.
11.3 Diseo de cuadro grecolatino
El diseo de cuadro grecolatino se utiliza cuando se desea comparar cuatro factores, dos de ellos (
llamados de bloque y los otros dos (
latinas
) llamados de tratamiento y se identifican con letras griegas y
El modelo estadstico est dado por la expresin:
Se le llama cuadro grecolatino ya que adems de los dos factores a comparar se realiza una tercera
comparacin de acuerdo a la combinacin de letra griega y latina correspondiente.
[Escriba aqu]
Pg. 68 de 101
Tema 8
Mdulo 2
A continuacin se incluyen dos ejemplos de dicho orden (que puede ser diferente): uno para p=4: cuadro 4 X 4
y otro para p=5: cuadro 5 X 5.
4X4
5X5
NOTA: el valor de p puede ser mayor a 5.

El procedimiento para el anlisis de varianza en el diseo de cuadro grecolatino se muestra en la siguiente
tabla (Tabla 9):
Fuente de variacin
Suma de cuadrados
Grados de libertad
Tratamientos (letras latinas)

Tratamientos (letras griegas)
Renglones
Columnas
Error
Total
Tabla 9. Anlisis de varianza para el diseo de cuadro grecolatino
Ejemplo: Para el ejemplo de la seccin anterior, el ingeniero desea probar la influencia del procedimiento de
ensamble de los osciladores adems del efecto de los cuatro diferentes tipos de resistencias y de los cuatro
diferentes tipos de capacitores en la frecuencia de oscilacin de un oscilador, que espera sea de 100 MHz.
Para la prueba, el ingeniero desea llevar a cabo un anlisis de varianza para el diseo de cuadro grecolatino y
realizar la decisin con un nivel de significancia
.
Solucin.
[Escriba aqu]
Pg. 69 de 101
Tema 8
Mdulo 2
Paso 1. El amplificador y su correspondiente capacitor se eligen al azar.

En la siguiente tabla (Tabla 10) se muestra la frecuencia de oscilacin (en MHz) con los cuatro capacitores y las
cuatro resistencias:
Resistencia
Capacitor
98.17
98.04
99.40
96.11
98.81
101.42
97.57
100.53
103.33
103.96
104.29
102.59
95.02
101.57
107.24
96.55
Tabla 10. Frecuencia de oscilacin (en MHz) con los cuatro capacitores y las cuatro resistencias
Paso 2. Se codifican los datos, respecto a la frecuencia deseada y se asignan las letras griegas y latinas.
Resistencia
Capacitor
k=1
k=2
k=3
k=4
i=1
-1.83
-1.96
-0.60
-3.89
i=2
-1.19
1.42
-2.43
0.53
i=3
3.33
3.96
4.29
2.59
i=4
-4.98
1.57
7.24
-3.45
Tabla 11. Datos codificados y letras grecolatinas

Paso 3. Calculamos SS, MS y F0 para p=4.
Para realizar las operaciones utilizamos la hoja de clculo anexa, colocando los datos registrados con fondo
amarillo.
Paso 4. Comparar el valor obtenido de
y tomar una decisin: dado
que
concluimos que no hay una diferencia significativa en el uso de diversos
procedimientos de ensamble y de las diferentes marcas de resistencias y capacitores en la frecuencia
obtenida de los osciladores.
Cierre
[Escriba aqu]
Pg. 70 de 101
Tema 8
Mdulo 2
Al utilizar los bloques completos, disponemos de una buena variedad de mtodos: de inicio el diseo de bloques
completos y en general para determinar la relacin que dos factores tienen con la variable de respuesta.
Si deseamos aumentar un factor, podemos utilizar los diseos de cuadro latino y basados en los bloques completos
incluimos en ellos un nuevo parmetro, indicado a base de letras latinas.
Y si deseamos aumentar un factor ms, podemos utilizar los diseos de cuadro grecolatino, que basados en los
diseos de cuadro latino incluimos en ellos un nuevo parmetro, indicado a base de letras griegas.
Tema 12. Diseos factoriales 2k y 3k

En el tema 11 analizamos algunos mtodos para tomar decisiones donde se ven involucrados dos, tres o hasta cuatro
factores.
Sin embargo, si deseamos aumentar la eficiencia en los experimentos en los que se desea estudiar los efectos de dos o
ms factores, el diseo factorial es una alternativa.
En este tipo de diseo no solo se estudian las relaciones funcionales de la respuesta en relacin con los factores sino
tambin las interacciones entre ellos.
Antes de iniciar con los diseos factoriales veremos algunos conceptos bsicos, las ventajas del diseo factorial y cmo
realizar una estimacin puntual de los efectos promedio y de las variables de respuesta.
Checkpoint: Las definiciones bsicas y ventajas del diseo factorial 2 k y 3k. Las ventajas del diseo factorial y cmo
realizar una estimacin puntual de los efectos promedio y de las variables de respuesta
12.1 Definiciones bsicas

Montgomery (2012) nos presenta los siguientes conceptos respecto al diseo factorial:
1.
Es el diseo ms eficiente para los experimentos en los que se desea estudiar los efectos de dos o ms
factores.
2.
En cada ensayo o rplica completa del experimento se investigan todas las combinaciones posibles de
los niveles de los factores.
3.
Factores cruzados, s el factor A tiene a niveles y el factor B tiene b niveles, entonces cada rplica
contiene ab combinaciones.
4.
Efecto principal, se le llama al cambio en la respuesta producido por un cambio en el nivel del factor.
Por ejemplo, el experimento de la Figura 12.1 tiene dos factores y cada factor con dos niveles: bajo (-) y alto
(+).
El efecto principal del factor A se calcula como:
[Escriba aqu]
Pg. 71 de 101
Tema 8
Mdulo 2
El efecto principal del factor B se calcula como:
Figura 12.1 Experimento factorial de dos factores con la respuesta (y) indicada en los vrtices
Figura 12.2 Experimento factorial de dos factores con interaccin

5.
Incremento de la respuesta promedio, en la operacin anterior, decimos que hay un incremento de

la respuesta promedio de A = 21, cuando el factor A cambia del nivel bajo al nivel alto o decimos que hay
un incremento de la respuesta promedio de B = 21, cuando el factor B cambia del nivel bajo al nivel alto.
[Escriba aqu]
Pg. 72 de 101
6.
Tema 8
Mdulo 2
Interaccin, ocurre cuando en un experimento encontramos que la diferencia en la respuesta entre

los niveles de un factor no es la misma que entre los niveles del otro factor, por ejemplo, el experimento
de la Figura 2 en el nivel bajo del factor B (B-) el efecto A es:
A = 50 20 = 30
Y en el nivel alto del factor B (B+) el efecto A es:

A = 12 40 = -28
7.
La magnitud del efecto de interaccin: Se calcula con el promedio de los dos efectos anteriores:
|A| = (- 28 -30)/2 = -29
Grficamente podemos ver en la Figura 12.3 un experimento factorial sin interaccin mientras que en las
Figura 12.4 podemos ver un experimento factorial con interaccin
Figura 12.3. Experimento factorial sin interaccin
Figura 12.4. Experimento factorial con interaccin
[Escriba aqu]
Pg. 73 de 101
8.
9.
10.
Tema 8
Mdulo 2
Factor cuantitativo, son las variables las que se les puede asignar una cantidad analgica, como a la
temperatura, presin, tiempo, etc.
Modelo de regresin, un factor cuantitativo que puede ser representado con una funcin:
Grfica de superficie de respuesta: Se le llama as a la representacin grfica de un modelo de
regresin.
Ejemplo: Graficar la funcin:

Solucin:
Utilizando el software WolframAlpha, obtenido de WolframAlpha (2013) se grafic la funcin:
Grfica 1. Superficie de respuesta del modelo de regresin

12.2 Ventajas del diseo factorial
Puede ser estudiado el efecto individual y de interaccin de cada factor.
Pueden cambiar de tamao sobre la marcha a medida que el experimento lo requiera.
Se pueden correr los diseos factoriales en forma fraccionada.
Se pueden combinar con diseos de bloques si as lo requiere el experimento.
No requiere de matemticas complicadas, la mayora de las veces se trabajan con base en
representaciones de funciones lineales.
Para ilustrar la ventaja de los diseos factoriales, Montgomery (2012) propone el siguiente ejemplo, que se
ilustra en la Figura 12.5:
[Escriba aqu]
Pg. 74 de 101
Tema 8
Mdulo 2
Figura 12.5. Ejemplo de diseo factorial

En la Figura 12.5 podemos ver lo siguiente:
a.
Dos factores A y B
b.
Dos niveles para cada factor A-, A+, B- y B+
c.
Tres combinaciones de los niveles de los factores: A-A+, A-B+ y A+Bd.
El efecto de cambiar el factor A: A+B- - A-B+
e.
El efecto de cambiar el factor B: A-B+ - A-BPara disminuir el error se requieren algunas observaciones:
Es deseable tambin analizar la combinacin A+B+ (que no aparece en la Figura 12.5, por lo que se pueden
llegar a realizar tambin los siguientes efectos:
a.
El efecto de cambiar el factor A: A+B- - A-Bb.
El efecto de cambiar el factor B: A+B+ - A-B+
c.
De la misma forma es posible tomar dos estimados del efecto B.
d.
La eficiencia relativa, , en funcin del nmero de factores, se calcula con la frmula lineal:
e.
As, para 2 factores,
y al aumentar un factor,
, la eficiencia relativa sube a
12.3 Estimacin puntual de los efectos promedio y de las variables de respuesta

En el subtema 6.3 vimos algunos conceptos de la estimacin puntual de los efectos promedio y de las
variables de respuesta, ahora relacionaremos estos conceptos con el diseo por bloques:
Una poblacin analizada por bloques, puede ser definida por una funcin; en el caso del diseo de cuadro
grecolatino esta funcin es:
En donde:
[Escriba aqu]
Pg. 75 de 101
a.
b.
c.
d.
e.
f.
Tema 8
Mdulo 2
es la media de las observaciones

.
es el parmetro asignado a los renglones.
es el parmetro asignado a los tratamientos (letra latina).
es el parmetro asignado a los tratamientos (letra griega).
es el parmetro asignado a las columnas.
es el error debido a la diferencia entre la media de las observaciones y la influencia de los
tratamientos.
Como se haba mencionado en el subtema 6.3, es frecuente que ante un proceso industrial, estos parmetros
sean desconocidos, lo que dificulta la toma de decisiones.
Una alternativa es realizar una estimacin puntual de estos estadsticos.
En la estimacin puntual, se evalan los parmetros por medio de una muestra de tamao, p, siguiendo los
siguientes procedimientos:
a.
La media, , se estima a travs de la media de la muestra, , que se representa con el smbolo .
b.
El parmetro , se estima a travs de la media de la muestra

con el smbolo .
, dado por
, que se representa
c.
El parmetro , se estima a travs de la media de la muestra

representa con el smbolo .
, dado por
, que se
d.
El parmetro
, se estima a travs de la media de la muestra
, dado por
, que se
e.
El parmetro
, se estima a travs de la media de la muestra
, dado por
, que se
Ejemplo: Realiza una estimacin puntual tomando como referencia los parmetros calculados en el subtema
11.2 (Diseo de cuadro latino)
Solucin:
Tomando los datos del ejemplo anterior, calculamos los parmetros deseados.
[Escriba aqu]
Pg. 76 de 101
Tema 8
Mdulo 2
Tabla 1. Clculos para la estimacin de parmetros

Cierre
En este tema se han visto las bases del diseo factorial, repasando algunos conceptos bsicos como:
1.
Factores cruzados
2.
Efecto principal
3.
Incremento de la respuesta promedio
4.
Interaccin
5.
Magnitud del efecto de interaccin.
6.
Factor cuantitativo
7.
Modelo de regresin
8.
Grfica de superficie de respuesta
Adems, has visto que el diseo factorial presenta algunas ventajas como:
1.
El estudio del efecto individual y de interaccin de cada factor
2.
El tamao variable
3.
El fraccionamiento
[Escriba aqu]
Pg. 77 de 101
4.
5.
Tema 8
Mdulo 2
La combinacin con diseos de bloques

Las matemticas sencillas
Ahora sabes realizar la estimacin puntual de algunos parmetros, de modo que ya tienes las bases necesarias
para iniciar el estudio de los diseos factoriales.
Wolfram Alpha LLC. (2013). Wolfram|alpha: Computational knowledge engine. Recuperado de

http://www.wolframalpha.com/
Tema 13. Diseos factoriales 2k
Cundo se utilizan los diseos factoriales?

1.
Cuando existen mltiples factores.
2.
Cuando deseamos conocer la respuesta en funcin de la combinacin de varios factores.
3.
Cuando tenemos factores cuantitativos y cualitativos.
As que, si consideramos dos niveles en cada factor y tomamos k factores en consideracin, la combinacin de ellos
estar dada por su correspondiente producto:
.
Checkpoint: Los conceptos relacionados con los diseo factoriales 2k. Los procedimientos para realizar el anlisis
del diseo factorial 22, 23 y 2k y su solucin con el software Design Expert.
13.1 Diseos factoriales 22

El caso ms general, conocido como 22, es cuando tenemos solo dos factores, A y B, de tal suerte que la
combinacin de ellos estar dada por su correspondiente producto:
De aqu que este tipo de diseo experimental es llamado diseo factorial .

Como en todo sistema binario, los niveles pueden ser designados como0 (cero) o 1 (uno), alto o bajo, +
o -, A o B, etc.
Gutirrez (2008) propone la siguiente secuencia para llegar al ANOVA:
[Escriba aqu]
Pg. 78 de 101
Tema 8
Mdulo 2
Diagrama 1. Proceso para llegar al ANOVA

Efectos factoriales
Notacin de Yates
AB
(1)
ab
Tabla 1. Notacin de Yates y signos para calcular los efectos en el diseo factorial 2 2
Fuente de variacin
Contraste
Tabla 2. Contrastes para realizar la prueba de un experimento a base de diseos factoriales 2 2

Dado que los diseos factoriales 22 suponen que k=2, asignamos a cada factor la siguiente notacin
estandarizada:
Factor
Efecto
Factor A
Factor B
Interaccin del factor A con el factor B
AB
Efecto medio
Tabla 3. Efectos medios de los diseos factoriales 22
[Escriba aqu]
Pg. 79 de 101
Tema 8
Mdulo 2
Tabla 4. Frmulas para los conceptos de la tabla ANOVA

Para realizar la prueba de un experimento a base de diseos factoriales 22 se utiliza la tabla ANOVA mostrada
a continuacin:
Fuente de
varianza
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
A
B
AB
Error
Total
Tabla 5. Tabla ANOVA para realizar la prueba de un experimento a base de diseos factoriales 2 2
Ejemplo: Se desea estudiar el efecto del dimetro de un cilindro neumtico (factor A) y la presin (factor B)
sobre la fuerza de carga del cilindro (respuesta). La prueba ser con 3 rplicas. Se utilizar para la prueba
cilindros de 20mm y 25mm y presiones de 400kPa y 600kPa.
Solucin:
Factor
Niveles
Unidad
Dimetro
20
25
mm
Presin
400
600
kPa
Tabla 6. Propuesta de estudio.

A: Dimetro
B: Presin
x1
X2
20mm
400kPa
-1
-1
113
104
116
333
25mm
400kPa
+1
-1
174
151
162
487
[Escriba aqu]
Fuerza, N
Total
Pg. 80 de 101
Tema 8
Mdulo 2
20mm
600kPa
-1
+1
145
169
138
452
25mm
600kPa
+1
+1
244
226
276
746
Tabla 7. Diseo y datos

Aunque contamos con todas las frmulas para los clculos, podemos hacer uso del software Design Expert
7.0.0 Trial;(se colocan en azul los pasos para utilizar el software):
File New Design Seleccionar:
2-Level Factorial 2^2 Replicates: 3
2-Level Factorial Design:
Blocks: 1
Name
Units
Type
A
B
Center point per block: 0 Continue

Low
High
Numeric
-1
Numeric
-1
A:A
B:B
R1
Continue
Responses: 1
Units
Name
R1
Introducir los datos en la columna R1:
Std
Run
[Escriba aqu]
Factor 1
Factor 2
Response 1
-1.00
-1.00
113
-1.00
-1.00
104
-1.00
-1.00
116
1.00
-1.00
174
1.00
-1.00
151
11
1.00
-1.00
162
-1.00
1.00
145
-1.00
1.00
169
10
-1.00
1.00
138
10
1.00
1.00
244
11
12
1.00
1.00
226
12
1.00
1.00
276
Pg. 81 de 101
Tema 8
Mdulo 2
Carpeta: Notes for MyDesign Analysis:

R1 (Empty)
R1 Ceja: Effects Recuadro izquierdo: Effects list
Se presentan los resultados, traducidos los encabezados y anexando la columna Contraste:
Fuente
Contraste
Modelo
Suma de
Grados de
Cuadrados
Valor
Valor_p
cuadrados
libertad
Medios
Prob > F
40098.00
3.00
13366.00
39.07
< 0.0001
A-A
430.00
15408.33
1.00
15408.33
45.04
0.0002
B-B
526.00
23056.33
1.00
23056.33
67.40
< 0.0001
AB
140.00
1633.33
1.00
1633.33
4.77
0.0604
Error
2736.67
8.00
342.08
Total
42834.67
11.00
significant
Tabla 6. Tabla ANOVA con los resultados de la prueba del experimento a base de diseos factoriales 22
Conclusiones:
1.
Dado que el valor_p del modelo es menor a 0.05 es significante.
2.
Dado que el valor_p de A es menor a 0.05 es significante.
3.
Dado que el valor_p de B es menor a 0.05 es significante.
4.
Dado que el valor_p de AB es mayor a 0.05 no es significante.
Es el proceso de los diseos factoriales 22 ms complicado que, por ejemplo, los cuadros latinos? Dado que
este tipo de problemas se resuelve a travs de un cuadro ANOVA, la complejidad viene a ser la misma.
Adems, al utilizar software como el Design Expert los clculos se simplifican muchsimo. Esto no quiere decir
que el problema no se pueda resolver con una hoja de clculo.
Sin embargo, utilizando Design Expert es posible obtener otros resultados:
1.
En forma de ecuacin como por ejemplo el modelo de regresin.
2.
En forma de tabla como por ejemplo, los valores para el modelo de regresin.
3.
En forma grfica como por ejemplo: la curva normal de los residuos o los residuos en funcin de los
predecibles o de contorno o en 3D para superficies de respuesta.

Aunque el caso ms general es cuando tenemos solo dos factores, A y B, se pueden dar dos situaciones:
1.
Se puede desear estimar la respuesta al aumentar un factor adicional.
2.
De origen el problema presenta no dos sino tres factores.
[Escriba aqu]
Pg. 82 de 101
Tema 8
Mdulo 2
Por ejemplo: la velocidad del motor del automvil depende del octanaje de la gasolina, de la chispa de las
bujas y del grado de mezcla con el aire.
De tal suerte que la combinacin de ellos estar dada por su correspondiente producto:
De aqu que este tipo de diseo experimental es llamado diseo factorial 2 .

3
Como en todo sistema binario, los niveles pueden ser designados como 0 (cero) o 1 (uno), alto o bajo,
+ o -, A o B, etc.
I
AB
AC
BC
ABC
(1)
ab
ac
bc
abc
Tabla 2. Signos para calcular los efectos en el diseo factorial 2

Fuente de
variacin
Suma de
cuadrados
Grados de
libertad
Grados medios
F0
Valor_P
A
B
C
AB
AC
BC
ABC
Error
Total
Tabla 3. Tabla ANOVA para realizar la prueba de un experimento a base de diseos factoriales 2 2
Fuente de variacin
[Escriba aqu]
Contraste
Pg. 83 de 101
Tema 8
Mdulo 2
A
B
C
AB
AC
BC
ABC
Tabla 4. Contrastes para realizar la prueba de un experimento a base de diseos factoriales 2 3
Tabla 5. Frmulas para los conceptos de la tabla ANOVA

Ejemplo: Babu, Katha y Mar (2000) nos presentan un ejemplo del diseo factorial 23 a travs de un diseo
experimental para mejorar la clasificacin de las imgenes de circuitos impresos con componentes o sin ellos,
cuando son inspeccionados por un sistema visual automatizado de inspeccin.
Solucin:
Los factores y sus niveles estn descritos en la siguiente tabla:
Factor
Niveles
Alto
Bajo
Unidad
Apertura del iris
1.6
2.8
Nmero de detencin
ngulo de iluminacin
90
45
Grados
Corriente
0.6
0.3
Amperes
Tabla 6. Los factores y sus niveles estn descritos en la siguiente tabla

La ecuacin de regresin obtenida con el Design Expert se muestra a continuacin:
[Escriba aqu]
Pg. 84 de 101
Tema 8
Mdulo 2
Imagen obtenida de http://www.wiley.com/../ Solo para fines educativos

El ANOVA obtenida con el Design Expert se muestra a continuacin:
[Escriba aqu]
Pg. 85 de 101
Tema 8
Mdulo 2
Imagen obtenida de http://www.wiley.com/../ Solo para fines educativos
Para un anlisis ms detallado se recomienda consultar el documento original.
Para que nuestro anlisis no necesite ser remolcado por no dotarlo de los requerimientos necesarios como
un auto al que no se le puso suficiente gasolina, carga de batera, bomba de agua en buen estado, etc., es muy
recomendable seguir los pasos del anlisis en forma adecuada.
1.
Contrastes
2.
Efectos
3.
Suma de cuadrados
4.
ANOVA
Los dos primeros son responsabilidad plena del diseador y los dos ltimos pueden ser resueltos por un
buen programa de computadora, pero el diseador no se aparta de la eleccin correcta de los parmetros, de
la introduccin en orden de los datos y de la correcta interpretacin de los resultados.
13.3 Diseos factoriales
Pareciera que andar en bicicleta es solo un deporte de pista o de montaa, pero adems de lo deportivo Qu
experimentacin puede realizarse pedaleando una bicicleta?
Sera prcticamente interminable si nos ponemos a contar los factores que afectan la velocidad de una
bicicleta y por lo tanto el tiempo del recorrido.
Afortunadamente se cuenta con diseos factoriales mayores a
Este es el diseo factorial
oa
en la que se supone que k es mayor a tres.
Significa k factores con 2 niveles cada uno.

efectos.
Montgomery (2012) propone el siguiente procedimiento para realizar el anlisis
1
Estima los efectos de los factores
Forma el modelo inicial
Realiza la prueba estadstica
Refina el modelo
Analiza resultados
Interpreta resultados
Tabla 8. Procedimiento de anlisis para un diseo 2k

El clculo del k_simo contraste se calcula con la frmula:
[Escriba aqu]
Pg. 86 de 101
Tema 8
Mdulo 2
La fuente de variacin, la suma de cuadrados y los grados de libertad para el diseo

siguiente tabla:
Fuente de variacin
se presentan en la
Suma de cuadrados
Grados de libertad
Tabla 9. Tabla ANOVA para un diseo 2k (parcial)

Ejemplo: Kandaswamy y Selvaraj (2000) nos presentan un ejemplo del diseo factorial 2 k para k=4 a travs de
un diseo experimental que determina los factores que afectan el tiempo para andar en bicicleta a travs de
un experimento bicicletero.
Solucin:
Los factores y sus niveles estn descritos en la siguiente tabla:
Factor
Niveles
Bajo
Alto
Presin en las llantas
40
60
Engranaje
Bajo
Alto
Altura del asiento
36
42
Direccin del viento
En contra
A favor
Unidad
psi
Pulgadas
Tabla 11. Los factores y sus niveles estn descritos en la siguiente tabla
La ecuacin de regresin obtenida con el Design Expert se muestra a continuacin:
Tiempo = 134.55 - 6.34*A 9.69*B 4.49*C 2.16*D 2.41*AB 1.52*BD
[Escriba aqu]
Pg. 87 de 101
Tema 8
Mdulo 2
El ANOVA obtenida con el Design Expert se muestra a continuacin:

Suma de
Grados de
Cuadrados
Valor
Prob > F
Fuente
Cuadrados
libertad
Medios
Bloque
6.5664063
6.56640625
Modelo
2674.1984
445.6997396
87.76338
< 0.0001
644.01751
644.0175063
126.8144
< 0.0001
1502.1438
1502.143806
295.7893
< 0.0001
322.83106
322.8310563
63.56913
< 0.0001
74.952306
74.95230625
14.75897
0.0049
AB
93.074256
93.07425625
18.32739
0.0027
BD
37.179506
37.17950625
7.32107
0.0268
Residuos
40.6274
5.078425
Total
2721.3922
15
significant
Conclusiones: Dado que todos los valores de (Prob > F) < 0.05 se concluye que todos los factores son
significativos.
Se recomienda consultar a Kandaswamy y Selvaraj (2000) para un anlisis ms detallado de:
1.
Media grfica normal.
2.
Grfica normal de residuos.
3.
Grfica de residuos contra corridas.
4.
Grfica de residuos contra predichos.
5.
Grfica de residuos contra presin del aire.
6.
Grfica de residuos contra engranaje.
7.
Grfica de residuos contra altura del asiento.
8.
Grfica de residuos contra presin del aire.
9.
Grfica de residuos contra direccin del viento.
10.
Grficas de interacciones.
11.
Tabla de factores R.
[Escriba aqu]
Pg. 88 de 101
Tema 8
Mdulo 2
Cierre
As que no solo se pedalea por deporte o por diversin, tambin nos podemos detener y pedalear para el
avance de la ciencia.
Aunque en estos ejemplos se ha estado utilizando el programa Design Expert para resolver los problemas,
hay que aclarar que otros programas de cmputo tambin nos pueden servir como el Minitab o el SPSS o an
el Excel.
Despus de analizar este ejemplo de aplicacin del diseo factorial2k para k = 4, te invito a voltear a tu
derredor y ver que el mundo se presenta ya no como un todo, sino como un conjunto de componentes que
dependen de varios factores Cules identificas?
Babu, P., Katha, S., y Mar, L. (2000). An experimental design for improving the accurate classification of the
images of present and absent components in printed circuit boards when inspected by an automated visual
inspection system. Recuperado de:
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/automated_visual_inspection.doc
Kandaswamy, P. y Selvaraj, V. (2000). Estudio de los factores que afectan el tiempo para andar en bicicleta
a travs de un experimento bicicletero. Recuperado de
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/bikes.doc
Tema 14. Diseos factoriales 3k

Un diseo factorial en el que se tengan ms de 2 factores con ms de 3 niveles, puede ser resuelto con un diseo
factorial 3k. As que, si deseamos fabricar un pastel de ms de 2 pisos y con ms de 10 ingredientes diferentes
puede ser que la receta 2k no sea suficiente, as que optamos por cambiar de opcin: el diseo factoriales 3 k.
Igual que con el diseo 2k los diseos factoriales 3k se utilizan s:
1.
Hay ms factores que en el 2k.
2.
Deseamos conocer la respuesta en funcin de la combinacin de varios factores.
3.
Si existen factores cuantitativos y cualitativos.
[Escriba aqu]
Pg. 89 de 101
Tema 8
Mdulo 2
Si consideramos tres niveles en cada factor y tomamos k factores en consideracin, la combinacin de ellos estar
dada por su correspondiente producto:
.
Checkpoint: Los conceptos relacionados con los diseo factoriales 3k. Los procedimientos para realizar el anlisis
del diseo factorial 32 , 33 y 3k y su solucin con el software Design Expert.

significa que el experimento se realiza con 2 factores (A y B) y con 3 niveles cada uno (0, 1 y 2).
Para este diseo el nmero de efectos se calcula con la frmula:
El siguiente dibujo nos muestra las posibles combinaciones y los efectos:
Dibujo 1. Combinacin de tratamientos en un diseo 32

Para este tipo de diseo en la siguiente tabla se presentan los grados de libertad:
Fuente
A-A
B-B
AB
Error
Total
Grados de
libertad
2
2
4
Tabla 1. Grados de libertad en un diseo 32

Las sumas de cuadrados A-A, B-B y AB pueden ser calculadas con las frmulas presentadas en temas
anteriores.
Ejemplo: Pitarque (2003) nos presenta el siguiente ejemplo del diseo factorial 3 2 a travs de un diseo
experimental donde se manipula por un lado un grupo control y dos grupos tratamentales y por otro lado el
[Escriba aqu]
Pg. 90 de 101
Tema 8
Mdulo 2
sexo. Es decir estamos hablando de un diseo factorial inter 32 donde asignamos al azar 5 sujetos a cada uno
de los 6 tratamientos.
Solucin:
Para resolver este problema se utiliz el programa SPSS siguiendo la secuencia de comandos:
Analizar modelo general lineal univariante dependientes (colocar VD) factores fijos (VI) opciones:
1.
Test de homogeneidad.
2.
Pruebas post hoc sobre los efectos principales.
3.
Medias para las 2 VI.
4.
Medias para la interaccin de las 2 VI.
Los resultados obtenidos fueron los siguientes:
Grupo 1
Grupo 2
Grupo 3
TOTAL
(control) (experimental) (experimental)
Mujeres
5.2
8.4
10.2
7.9
Hombre
3.6
3.0
1.6
2.7
s
TOTAL
4.4
5.7
5.9
Tabla 1. Resultado de Medias
Univariate Homogenity of Variance Test
Cochrans C(4;6) =
Bartlett-Box F(5;741) =
,25000, P = 1,000 (approx.)

,35076, P = ,882
Tabla 2. Resultado de pruebas de homogeneidad
Fuente de variacin
Dentro+residuos
Grupo
Sexo
Grupo por sexo
(Modelo)
(Total)
Suma de
Grados de Cuadrados
cuadrados
libertad
medios
27,20
24
1,13
13,27
2
6,63
202,80
1
202,80
61,40
2
30,70
277,47
5
55,49
304,67
29
10,51
Tabla 3. Resultado del ANOVA
Valor_P
5,85
178,94
27,09
48,96
,009
,000
,000
,000
Conclusiones: dado que todos los valores de (Valor_P) < 0.05 se concluye que todos los factores son
significativos.
Se recomienda consultar el documento original (Pitarque, 2003), para un anlisis ms detallado.
[Escriba aqu]
Pg. 91 de 101
Tema 8
Mdulo 2

significa 3 factores con 3 niveles cada uno,
efectos.
Dibujo 1. Combinacin de tratamientos en un diseo 33
Grados de libertad:
1.
Observamos que existen 27 combinaciones de tratamientos lo que nos da 26 grados de libertad.
2.
Cada efecto medio tiene 2 grados de libertad.
3.
Cada interaccin de dos factores tiene 4 grados de libertad.
4.
Cada interaccin de tres factores tiene 8 grados de libertad.
5.
En total existen
6.
Para el error existen
grados de libertad para n rplicas.

grados de libertad.
Ejemplo: Purvis y Gallagher (2000) nos presentan el siguiente ejemplo del diseo factorial 3 3 a travs de un
diseo experimental para establecer unos valores nuevos de la potencia, la presin y la relacin de gas que
sern utilizados en un nuevo ajuste de 1.2cm.
Solucin:
Se establecen los niveles bajo, medio y alto:
Niveles
Unidad
Bajo
Medio
Alto
A
Potencia
600
750
900
W
B
Presin
300
385
470
mT
C
CF4:CHF3
1.8
2.2
2.6
Tabla 4. Los factores y sus niveles estn descritos en la siguiente tabla.
Factor
[Escriba aqu]
Pg. 92 de 101
Tema 8
Mdulo 2
Se introducen los datos en el Design Expert obteniendo el siguiente resultado:

Fuente de Suma de Grados de
variacin cuadrados
libertad
Bloque
43560.00
1
Modelo 9.315E+006
2
A
1.674E+006
1
B
7.640E+006
1
Curvatura
4120-90
Residuos
Cor Total
95855.00
9.458E+006
Cuadrados
medios
43560.00
4.657E+006
1.674E+006
7.640E+006
242.93
87.34
398.53
4120-90
0.21
Valor_p
< 0.0001 significativo
0.0002
< 0.0001
NO
0.6624
significativo
5
19171.00
9
Tabla 5. Resultado del ANOVA
Se genera el modelo de regresin:
Conclusiones:
1.
Dado que (Valor_p del Modelo) < 0.01 se concluye que es significativo.
2.
Dado que (Valor_p de A) < 0.01 se concluye que es significativo.
3.
Dado que (Valor_p de B) < 0.01 se concluye que es significativo.
4.
Dado que (Valor_p de la Curvatura) > 0.01 se concluye que es no es significativo.
Se recomienda consultar el documento original (Purvis y Gallagher, 2000) para un anlisis ms detallado.
14.3 Diseos factoriales 3k
significa k factores con 3 niveles cada uno.
efectos.
Lo estudiado en los diseos 3 y 3 puede ser utilizado para el diseo factorial 3k.
2
Montgomery (2012) nos indica que en el caso de k = 4, se utiliza la notacin 0120 para la combinacin de
tratamientos con los factores A y D a los niveles bajos, B al nivel medio y C al nivel alto.
Existen
Existen
combinaciones de tratamientos.
grados de libertad entre ellos.
Ejemplo: Crear un diseo factorial
para k = 4.
Solucin:
[Escriba aqu]
Pg. 93 de 101
Tema 8
Mdulo 2
Utilizando Minitab, seguimos la secuencia:

Estadsticas DOE Factorial Crear diseo factorial:
1.
Diseo factorial completo general
2.
Nmero de factores = 4
3.
Diseos:
a.
Nmero de niveles (A=3; B=3; C=3; D=3)
b.
Nmero de rplicas = 1
c.
Aceptar
4.
Factores:
a.
Introducir los 12 valores
b.
Aceptar
5.
6.
Resultados
a.
Tabla de resumen y tabla de diseo
b.
Aceptar
Aceptar
Resultados:
Diseo factorial de mltiples niveles
Factores: 4 Rplicas: 1
Corridas base: 81 Total de corridas: 81
Bloques base: 1 Total de bloques: 1
Nmero de niveles: 3, 3, 3, 3
Tabla de diseo (aleatorizada)
Una vez organizado el diseo se procede al anlisis de varianza, como se ha visto en los temas anteriores.
Cierre
Ahora s, a volar!, Ahora ya cuentas con las herramientas necesarias para resolver problemas de la vida cotidiana
con diseos de mltiples factores como el que se presenta en la fbrica de pasteles.
Pitarque,
A.
(2003).
Mtodos
y
diseos
de
investigacin.
Recuperado
de
http://www.uv.es/pitarque/TRANSPARENCIAS.pdf
Purvis, D. y Gallagher, M. (2000). Plasma etch tool gap distance DOE final report. Recuperado de
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/plasma_text.doc
[Escriba aqu]
Pg. 94 de 101
Tema 8
Mdulo 2
Tema 15. Diseos factoriales fraccionados

Si en el diseo del experimento existiera el problema de que hay demasiados factores y niveles, existe la opcin de
fraccionar el problema y llegar a tomar decisiones con muy buen nivel de significancia.
No es necesario, como vamos a ver, tomar todos los factores involucrados, as que podemos tomar:
1.
La fraccin del diseo 2k.
2.
La fraccin del diseo 2k.
3.
Y an decidir por un diseo factorial fraccionado general 2 k-p si la cantidad de factores y sus relaciones lo
justifican.
4. Checkpoint: Los conceptos: fraccin
del diseo 2k, 2k-p corridas, fuente de variacin, suma de
cuadrados, grados de libertad, el estadstico F y el valor_p.
5. Los conceptos relacionados con los diseos factoriales fraccin
del diseo, con 2k-p corridas.
6. Los procedimientos para realizar el anlisis del diseo factorial fraccin del diseo 2 k, fraccin del
diseo 2k, diseo factorial fraccionado general 2k-p y su solucin con el software Design Expert.
15.1 Fraccin del diseo 2k

Cuando crece el nmero de factores, de tal forma que por ejemplo si k = 6 se necesitan 64 corridas con 63
grados de libertad distribuidos de la siguiente forma:
1.
6 para los efectos medios.
2.
15 para las interacciones entre dos factores.
3.
42 para las interacciones entre tres factores.
Podemos observar que la mayora de los grados de libertad corresponden a las interacciones entre tres
factores (42), de tal forma que el diseador puede llegar a considerar que no son significativos y realizar el
diseo solo con los efectos medios y las interacciones entre dos factores; a este tipo de diseo se le conoce
como fraccin del diseo 2k
Debido a que la fraccin del diseo 2k contiene 2k-1 corridas se le conoce como diseo factorial fraccionado
2k-1.
Ejemplo: Null, Shiau, Skinner y Wee (2000) se dieron a la tarea de determinar los factores que afectan la altura
de un pastel y realizaron el anlisis que se presenta a continuacin:
Se determinaron los factores y sus niveles, mostrados en la siguiente tabla: se establecen los niveles bajo,
medio y alto.
Factor
A
[Escriba aqu]
Temperatura del horno
Niveles
Bajo Medio Alto
275
350 425
Unidad
Grados
Pg. 95 de 101
Tema 8
B
C
D
Mdulo 2
Levadura
1/16
1/8
1/4 Cucharadita
Leche
1/3
5/12 1/2
Taza
Harina
1/2 1 1/4
2
Cucharadita
Tabla 1. Los factores y sus niveles.
Se introducen los datos en el Design Expert considerando un diseo 24-1 (2k-1 para k = 4) con una rplica,
obteniendo el siguiente resultado:
Ecuacin de regresin
Fuente de
variacin
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
Valor_p
Efectos medios
17.523
4.381
4.13
0.099
0.155
0.052
0.05
0.984
4.244
4.003
0.241
21.922
4
1
3
11
1.061
4.003
0.080
49.92
0.006
Interacciones
dobles
Error residual
Curvatura
Error puro
Total
NO
significativo
NO
significativo
significativo
15.2 Fraccin del diseo 2k

Otro diseo factorial para un gran nmero de factores es el de la fraccin del diseo 2 k.
Debido a que la fraccin del diseo 2k contiene 2k-2 corridas se le conoce como diseo factorial fraccionado
2k-2.
Ejemplo: Tomando como referencia el ejemplo que presenta Montgomery (2012), se decide hacer un diseo
para determinar los factores que influyen en la merma del proceso de inyeccin por molde.
Solucin:
Primero determin los factores a analizar:
1.
A: Temperatura del molde.
2.
B: Velocidad del tonillo.
3.
C: Tiempo de retencin.
4.
D: Tiempo del ciclo.
5.
E: Tamao de la compuerta.
6.
F: Presin de sujecin.
Como segundo paso decidi realizar un diseo
Primero se realiza la tabla para la construccin del diseo
[Escriba aqu]
con los Generadores I=ABCE e I=BCDF:
Pg. 96 de 101
Corrida
Tema 8
A
+
+
+
+
+
+
+
+
+
+
+
+
8
9
10
11
12
13
14
15
16
Diseo Bsico
B
C
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
D
+
+
+
+
+
+
+
+
Mdulo 2
E=ABC
F=BCD
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
Merma (x10)
Tabla 2. Construccin del diseo

con los Generadores I=ABCE e I=BCDF
A continuacin se realizan las observaciones de la merma y se registran en la columna Merma (x10).

Se introducen los datos a nuestro sistema de clculo y obtenemos los resultados:
1.
2.
Funcin de regresin:
Para un anlisis ms detallado de los Efectos, Suma de Cuadrados y los dems Coeficientes de
Regresin se recomienda consultar la referencia de Montgomery (2012).
15.3 Diseo factorial fraccionado general 2k-p

Debido a que la fraccin
del diseo 2k contiene 2k-p corridas se le conoce como diseo factorial
fraccionado 2k-p.
Ejemplo: Se desea realizar un diseo experimental para simular la manufactura de semiconductores.
Solucin:
Rasmidatta, Tseng y Rastogi (2013) identifican los siguientes 8 factores con sus correspondientes niveles:
Factor
Nivel
Rango
Operador
[Escriba aqu]
Pg. 97 de 101
1
2
3
4
5
6
7
8
Tema 8
Mdulo 2
OP_DIFF
2
2
4
OP_PHOTO
2
2
4
OP_ETCH
2
3
5
OP_WET
2
2
4
OP_MOVE
2
35
55
Release Rate
2
18k
19k
Dispatching Rules
2
FIFO
Same Setup
Stockers Qty.
2
2
4
Tabla 3. Factores con sus correspondientes niveles.
Dado que k=8, se decide disminuir a 4 el exponente del diseo, por lo que se realizar el experimento basado
en un diseo factorial fraccionado 28-4 ( 2k-p con k=8 y p=4).
Adems se decide tomar como variables de salida:
1.
El tiempo promedio por ciclo.
2.
El rendimiento.
Se introducen los datos del experimento y se realizan los clculos, dando los siguientes resultados en las
tablas:
1.
ANOVA para el tiempo promedio por ciclo.
2.
ANOVA para el rendimiento.
Fuente de
variacin
Modelo
A
G
AG
Curvatura
Residuos
Falta de ajuste
Error puro
Total
Fuente de
variacin
Modelo
A
Suma de
cuadrados
3094696.40
2440544.15
510956.81
143195.44
852.64
7832.96
5791.66
2041.30
3103382
Grados de
Cuadrados
F
libertad
medios
3
1031565.47
2238.82
1
2040544.15
5296.75
1
510956.81
1108.94
1
143195.44
310.78
1
852.64
1.85
17
460.76
13
445.51
0.872996454
4
510.33
21
Tabla 4. ANOVA para el tiempo promedio por ciclo
Suma de
cuadrados
14050525.55
13028404.55
[Escriba aqu]
Grados de
libertad
2
1
Cuadrados
medios
7025262.77
13028404.55
Valor_p
<0.0001
<0.0001
<0.0001
<0.0001
0.1915
NO significativo
0.6215
NO significativo
Valor_p
4574.10
8482.71
<0.0001
<0.0001
significativo
significativo
Pg. 98 de 101
AG
Curvatura
Residuos
Falta de ajuste
Error puro
Cor total
1022121.00
560.48
27645.79
17847.12
9798.67
14078731.82
Tema 8
1
1022121.00
665.50
1
560.48
0.36
18
1535.88
14
1274.79
0.52
4
2449.67
21
Tabla 5. ANOVA para el rendimiento
Mdulo 2
<0.0001
0.5533
NO significativo
0.8373
NO significativo
Cierre
En la competencia deportiva de pista, por lo general, se busca llegar primero.
En la competencia profesional, por lo general, se busca ser el mejor para obtener los contratos o el puesto deseado.
En la competencia matemtica, por lo general, se busca tener la metodologa correcta para resolver nuestras
ecuaciones matemticas con exactitud.
En la competencia del diseo experimental, por lo general, se busca disponer de la metodologa necesaria para
resolver nuestros diseos estadsticos dentro de un nivel significativo.
Aqu terminamos un mtodo fraccionado, pero con los conocimientos suficientes para disear y resolver casi
cualquier experimento que tengamos que realizar.
Felicidades!
Null, C., Shiau, J., Skinner, K. y Wee, C. (2000). Analysis of factors affecting cupcake heigh. Recuperado de
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/cupcake_heigh.doc
Rasmidatta, C, Tseng, C. y Rastogi, A. (2013). Experimental design in simulation of semiconductor

manufacturing.
Recuperado
de
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/semiconductor_manufacturing.doc
[Escriba aqu]
Pg. 99 de 101
[Escriba aqu]
Tema 8
Mdulo 2
Pg. 100 de 101
[Escriba aqu]
Tema 8
Mdulo 2
Pg. 101 de 101

Tema 1. Introducción Al Diseño de Experimentos: Módulo 1

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tema 1. Introducción Al Diseño de Experimentos: Módulo 1

Încărcat de

Drepturi de autor:

Formate disponibile

Diseo de Experimentos

Mdulo 1. Conceptos fundamentales de diseo de experimentos

Tema 1. Introduccin al diseo de experimentos

1.1 Conceptos bsicos

Simplemente un conjunto de indicadores estadsticos, como la media, la varianza, la propia

Que sea desde un enfoque cientfico

Que llegue a conclusiones nuevas

Que incluya mtodos propios de ingeniera

Figura 1.1 Diagrama de control de un proceso

Dado que se busca una relacin y = f(x) es necesario

Dado que se busca una relacin y = f(x) es necesario

(independientes) x, que influyen principalmente en

que se medirn en cada experimento.

Son todas las variables que pueden llegar a ser

Se refiere a la variable en particular, que va a ser

Se refiere a las variables aleatorias,

Se refiere a las variables aleatorias

Se refiere a las variables

Figura 1.2 Mquina extrusora

Velocidad del husillo

Dado por el proceso

Temperatura del can

Dado por el proceso

Dado por el proceso

Dado por el proceso

Calidad del plstico

Dentro de las especificaciones del proveedor

Semicontrolada por ventiladores

Tabla 1: Mquina extrusora

Montgomery, D. (2012). Diseo de experimentos (2 ed.). Mxico: Limusa Wiley.

Tema 2. Modelos experimentales

Al realizar el experimento se ha de seguir el plan previamente realizado; sin embargo, si al

Para concluir es necesario que el experimentador que particip en la realizacin del

2.2 Principios bsicos del diseo experimental:

Es correr ms de una vez un tratamiento o combinacin de factores, cuidando de no

2.3 Proceso de experimentacin

Simplemente un conjunto de indicadores estadsticos, como la media, la varianza, la propia

Variables de control (de entrada al proceso)

Montgomery, D. (2012). Diseo de experimentos (2 ed.). Mxico: Limusa Wiley.

Tema 3. Conceptos bsicos para la prueba de hipotesis

3.1 Conceptos bsicos de estadstica

Para un conjunto de datos

La media del denier

La desviacin estndar del denier

El histograma del denier con ajuste a la distribucin normal

La grafica de caja (denier vs da)

Solucin: utilizando el programa Minitab se obtuvieron los siguientes resultados

Media del error

Figura 3.1 Histograma de

Figura 3.2 Grfica de caja de Denier

Por ejemplo: una muestra de tamao n = 3 sacada de una poblacin de tamao N

De acuerdo a Montgomery, D. (2012), para un conjunto de datos muestrales x1,

Por ejemplo: deseamos obtener la media y la desviacin estndar de una muestra n

3.3 Distribuciones mustrales

La distribucin normal: Para Montgomery, D. (2012), la siguiente es la expresin de la distribucin normal de

Si la media = 0 y la varianza 2 = 1 tenemos la distribucin normal estndar. Si sustituimos:

Queda la siguiente frmula:

Figura 3.3 Grfica de distribucin

Determinar el grado de normalidad que tienen:

El promedio de los mismos nmeros

Nota: la prueba de normalidad de Anderson-Darling la presenta Minitab al realizar el

Generamos en una hoja de datos 300 muestras aleatorias (3 columnas de 100

Obtenemos la media , con la funcin = PROMEDIO (nmero 1: nmero 300) y la