TECNOLÓGICO NACIONAL DE

MÉXICOTECNOLOGICO DEL VALLE DE ETLA

NODO:
Unión Hidalgo
Materia:
Estadística y Diseño de Experimentos
Nombre del Proyecto
Análisis de Experimentos de un Factor
Alumno:
Shunashi Guadalupe Barrera Cristóbal
Asesor:
Oscar Eduardo Guerra Cañada
Grupo: 2RA

Unión Hidalgo, Oaxaca

MAYO/15/2020
INDICE
INTRODUCCIÓN............................................................................................................................3
ANÁLISIS DE EXPERIMENTOS DE UN FACTOR.............................................................................5
INTRODUCCIÓN A LOS EXPERIMENTÓ CON FACTORES................................................................5
FAMILIA DE DISEÑO PARA COMPARAR TRATAMIENTOS.............................................................7
MODELO DE EFECTOS FIJOS........................................................................................................8
MODELOS DE EFECTOS ALEATORIOS............................................................................................9
MODELO POR BLOQUES COMPLETAMENTE ALEATORIOS.........................................................10
CONCLUSIÓN..............................................................................................................................12
BIBLIOGRAFÍA.............................................................................................................................13
INTRODUCCIÓN
Los modelos de diseño de experimentos son modelos estadísticos clásicos
cuyo objetivo es averiguar si unos determinados factores influyen en una
variable de interés y, si existe influencia de algún factor, cuantificar dicha
influencia.

Unos ejemplos donde habría que utilizar estos modelos son los
siguientes:
 En el rendimiento de un determinado tipo de máquina
(unidades producidas por día): sede sea estudiar la influencia
del trabajador que la maneja y la marca de la máquina.
 Se quiere estudiar la influencia de un tipo de pila eléctrica y de la
marca, en la duración de las pilas.
 Una compañía telefónica está interesada en conocer la
influencia de varios factores en
la variable duración de una llamada telefónica. Los factores que se
consideran son los siguientes: hora a la que se produce la llamada; día de
la semana en que se realiza la llamada; zona de la ciudad desde la que se
hace la llamada; sexo del que realiza la llamada; tipo de teléfono (público
o privado) desde el que se realiza la llamada.
 Una compañía de software está interesada en
estudiar la variable porcentaje en que se
comprime un fichero, al utilizar un programa de
compresión teniendo en cuenta el tipo de
programa utilizado y el tipo de fichero que se
comprime.
 Se quiere estudiar el rendimiento de los alumnos en una asignatura
y, para ello, se desean controlar diferentes factores: profesor que
imparte la asignatura; método de enseñanza; sexo del alumno.

La metodología del diseño de experimentos se basa en la

experimentación. Es sabido que sí se repite un experimento, en
condiciones indistinguibles, los resultados presentan una cierta
variabilidad. Si la experimentación se realiza en un laboratorio donde la
mayoría de las causas de variabilidad están muy controladas, el error
experimental será pequeño y habrá poca variación en los resultados del
experimento. Pero si se experimenta en procesos industriales o
administrativos la variabilidad será mayor en la mayoría de los casos.
El objetivo del diseño de experimentos es estudiar si cuando se utiliza un
determinado tratamiento se produce una mejora en el proceso o no. Para
ello se debe experimentar aplicando el tratamiento y no aplicándolo. Si la
variabilidad experimental es grande, sólo se detectará la influencia del uso
del tratamiento cuando éste produzca grandes cambios en relación con el
error de observación.
La metodología del diseño de experimentos estudia cómo variar las
condiciones habituales de realización de un proceso empírico para
aumentar la probabilidad de detectar cambios significativos en la
respuesta; de esta forma se obtiene un mayor conocimiento del
comportamiento del proceso de interés.
Para que la metodología de diseño de experimentos sea eficaz es
fundamental que el experimento esté bien diseñado.
Un experimento se realiza por alguno de los siguientes motivos:
 Determinar las principales causas de variación en la respuesta.
 Encontrar las condiciones experimentales con las que se consigue
un valor extremo en la
variable de interés o respuesta.
 Comparar las respuestas en diferentes niveles de observación de
variables controladas.
 Obtener un modelo estadístico-matemático que permita hacer
predicciones de respuestas futuras.
La utilización de los modelos de diseño de experimentos se basa en la
experimentación yen el análisis de los resultados que se obtienen en un
experimento bien planificado. En muy pocas ocasiones es posible utilizar
estos métodos a partir de datos disponibles o datos históricos, aunque
también se puede aprender de los estudios realizados a partir de datos
recogidos por observación, de forma aleatoria y no planificada.
ANÁLISIS DE EXPERIMENTOS DE UN FACTOR

INTRODUCCIÓN A LOS EXPERIMENTÓ CON

FACTORES
Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de interés
y, si existe influencia de algún factor, cuantificar dicha influencia.
Unos ejemplos donde habría que utilizar estos modelos son los siguientes:
o En el rendimiento de un determinado tipo de máquina (unidades producidas
por día): se desea estudiar la influencia del trabajador que la maneja y la marca
de la máquina.
o Se quiere estudiar la influencia de un tipo de pila eléctrica y de la marca, en la
duración de las pilas.
o Una compañía telefónica está interesada en conocer la influencia de varios
factores en la variable duración de una llamada telefónica. Los factores que se
consideran son los siguientes: hora a la que se produce la llamada; día de la
semana en que se realiza la llamada; zona de la ciudad desde la que se hace la
llamada; sexo del que realiza la llamada; tipo de teléfono (público o privado)
desde el que se realiza la llamada.
o Una compañía de software está interesada en estudiar la variable porcentaje
en que se comprime un fichero, al utilizar un programa de compresión
teniendo en cuenta el tipo de programa utilizado y el tipo de fichero que se
comprime.
o Se quiere estudiar el rendimiento de los alumnos en una asignatura y, para
ello, se desean controlar diferentes factores: profesor que imparte la
asignatura; método de enseñanza; sexo del alumno.

La metodología del diseño de experimentos se basa en la experimentación. Es sabido

que si se repite un experimento, en condiciones indistinguibles, los resultados
presentan una cierta variabilidad. Si la experimentación se realiza en un laboratorio
donde la mayoría de las
causas de variabilidad están muy controladas, el error experimental será pequeño y
habrá poca variación en los resultados del experimento. Pero si se experimenta en
procesos industriales o administrativos la variabilidad será mayor en la mayoría de los
casos.
El objetivo del diseño de experimentos es estudiar si cuando se utiliza un determinado
tratamiento se produce una mejora en el proceso o no. Para ello se debe experimentar
aplicando el tratamiento y no aplicándolo. Si la variabilidad experimental es grande,
sólo se detectará la
influencia del uso del tratamiento cuando éste produzca grandes cambios en relación
con el error de observación.
La metodología del diseño de experimentos estudia cómo variar las condiciones
habituales
de realización de un proceso empírico para aumentar la probabilidad de detectar
cambios significativos en la respuesta; de esta forma se obtiene un mayor
conocimiento del comportamiento
del proceso de interés.
Para que la metodología de diseño de experimentos sea eficaz es fundamental que el
experimento esté bien diseñado.
Un experimento se realiza por alguno de los siguientes motivos:

 Determinar las principales causas de variación en la respuesta.

 Encontrar las condiciones experimentales con las que se consigue un
valor extremo en la variable de interés o respuesta.
 Comparar las respuestas en diferentes niveles de observación de
variables controladas.
 Obtener un modelo estadístico-matemático que permita hacer
predicciones de respuestas futuras.
La utilización de los modelos de diseño de experimentos se basa en la experimentación
y en el análisis de los resultados que se obtienen en un experimento bien planificado.
En muy pocas ocasiones es posible utilizar estos métodos a partir de datos disponibles
o datos históricos, aunque también se puede aprender de los estudios realizados a
partir de datos recogidos por observación, de forma aleatoria y no planificada. En el
análisis estadístico de datos históricos se pueden cometer diferentes errores, los más
comunes son los siguientes:
1. Inconsistencia de los datos: Los procesos cambian con el tiempo, se producen
cambios. en el personal (cambios de personas, mejoras del personal por procesos de
aprendizaje, motivación, ...), cambios en las máquinas (reposiciones, reparaciones,
envejecimiento, ...).
Estos cambios tienen influencia en los datos recogidos, lo que hace que los datos
históricos sean poco fiables, sobre todo si se han recogido en un amplio espacio de
tiempo.
2. Variables con fuerte correlación: Puede ocurrir que en el proceso existan dos o más
variables altamente correlacionadas que pueden llevar a situaciones confusas. Por
ejemplo,en el proceso hay dos variables X1 y X2 fuertemente correlacionadas que
influyen en la respuesta, pero si en los datos que se tiene aumenta al mismo tiempo el
valor de las dos variables no es posible distinguir si la influencia es debida a una u otra
o a ambas variables (confusión de los efectos). Otra situación problemática se presenta
si solo se dispone de datos de una variable (por ejemplo de X1 y no de X2), lo que
puede llevar a pensar que la variable influyente es la X1 cuando, en realidad, la
variable influyente es la X2 (variable oculta).
3. El rango de las variables controladas es limitado: Si el rango de una de las variables
importantes e influyentes en el proceso es pequeño, no se puede saber su influencia
fuera dé ese rango y puede quedar oculta su relación con la variable de interés o lo
cambios que se producen en la relación fuera del rango observado. Esto suele ocurrir
cuando se utilizan los datos recogidos al trabajar el proceso en condiciones normales y
no se experimenta (cambiando las condiciones de funcionamiento) para observar el
comportamiento del proceso en situaciones nuevas.

FAMILIA DE DISEÑO PARA COMPARAR

TRATAMIENTOS
Los diseños experimentales más utilizados para comparar tratamientos son:
1. Diseño completamente al azar (DCA)
2. Diseño en bloque completamente al azar (DBCA)
3. Diseño en cuadro latino (DCL)
4. Diseño en cuadro grecolatino (DCGL)
La diferencia fundamental entre estos diseños es el número de factores de bloque que
incorporan o controlan de forma explícita durante el experimento. La comparación de
los tratamientos en cuanto a la respuesta media que logran, en cualquiera de estos
diseños, se hace mediante la hipótesis.

Que se prueba con la técnica estadística llamada Análisis de Varianza (ANOVA) con
uno, dos, tres o cuatro criterios de clasificación, dependiendo del número de factores
de bloques incorporados al diseño.
El modelo estadístico que describe el comportamiento de la variable observada Y en
cada diseño, incorpora un término adicional por cada factor de bloqueo controlado.
De acuerdo con los modelos dados en la tabla, para cada diseño comparativo se tienen
al menos dos fuentes de variabilidad: los tratamientos o niveles del factor de interés y
el error aleatorio.
Se agrega una nueva fuente de variabilidad por cada factor de bloque que se controla
directamente. Se observa que los diseños suponen que no hay efectos de interacción
entre los factores, lo cual sería lo deseable que ocurra; de no ocurrir así, tal efecto se
recarga al error y el problema de comparación no se resuelve con éxito.
Un efecto de interacción entre dos factores hace referencia a que el efecto de cada
factor depende del nivel en que se encuentra el otro.

MODELO DE EFECTOS FIJOS

Los modelos de regresión de datos anidados, realizan distintas hipótesis
sobre el coportamiento de los residuos, el más elemental y el más
consistente es el de Efectos Fijos. Este modelo es el que implica menos
suposiciones sobre el comportamiento de los residuos. Supone que el
modelo a estimar es ahora:

es decir supone que el error (εit) puede descomponerse en dos una parte
fija, constante para cada individuo (vi) y otra aleatoria que cumple los
requisitos MCO (uit) (εit = vi + uit), lo que es equivalente a obtener una
tendencia general por regresión dando a cada individuo un punto de
origen (ordenadas) distinto.
Esta operación puede realizarse de varias formas, una de ellas es
introduciendo una dummy por cada individuo (eliminando una de ellas
por motivos estadísticos) y estimando por MCO.
Otra es calculando las diferencias. Así, si (3) es cierto, también es cierto
que:

puede resolverse fácilmente por MCO. Los programas informáticos (i.e.

stata) la estiman generalmente con este segundo método,
descomponiendo, además la varianza en dos: intro y entre grupos.

MODELOS DE EFECTOS ALEATORIOS

El modelo de efectos aleatorios tiene la misma especificación que el de
efectos fijos con la salvedad de que vi, en lugar de ser un valor fijo para
cada individuo y constante a lo largo del tiempo para cada individuo, es
una variable aleatoria con un valor medio vi y una varianza Var(vi) ≠ 0. Es
decir la especificación del modelo es igual a

salvo que ahora vi es una variable aleatoria. Este modelo es más eficiente
(la varianza de la estimación es menor) pero menos consistente que el de
efectos fijos, es decir es más exacto en el cálculo del valor del parámetro
pero este puede estar más sesgado que el de efectos fijos.

¿Qué significa que vi es una variable aleatoria? Significa que no estamos

seguros del valor exacto en el origen que pueda tener cada individuo sino
que pensamos que este, probablemente gravitará en torno a un valor
central.
Eso suele ocurrir cuando tomamos una muestra de un gran universo de
individuos.
Por ejemplo sabemos que los niños aprueban más si estudian más y
sabemos que hay niños más inteligentes que otros entonces supondremos
que cada niño parte de un punto de origen distinto (probablemente
superior para los individuos más inteligentes) y, a partir de ahí, existe una
relación entre trabajo y calificaciones.
Sin embargo no podemos evaluar a todos los niños del mundo sino sólo
una muestra. En este caso es evidente que, es posible que, si en lugar de
escoger esa muestra hubiésemos elegido otra los resultados del origen y
de la pendiente fuesen distintos, es decir no estamos seguros del origen
del que parten lo niños en función de su coeficiente intelectual, pues ¡ala!
ya tenemos una vi aleatoria.

MODELO POR BLOQUES COMPLETAMENTE

ALEATORIOS
En todo diseño de experimento se desea que el error experimental sea lo
más pequeño posible. Por lo tanto, en la situación descrita se debe
sustraer del error experimental lavariabilidad producida por las parcelas
de terreno. Para ello, el experimentador puede:
 Considerar parcelas de terreno muy homogéneas.
 bien, formar bloques de terreno de manera que el terreno
de cada bloque sea lo más homogéneo posible y los bloques
entre sí sean heterogéneos.
En esta última situación, cada bloque se divide en I parcelas de terreno,
tantas como tratamientos y cada tratamiento se prueba en cada uno de
los bloques. Los I tratamientos,en este caso las I variedades del
fertilizante, se asignan al azar a cada una de las I parcelas del bloque; esto
se hace con asignación aleatoria independientemente en cada bloque.
Cuando se realizan diseños en bloques aleatorizados, que no puedan
realizarse los ensayos de todos los tratamientos dentro de cada bloque,
debido, por ejemplo, a la escasez de recursos del experimento o al tamaño
físico de los bloques. Es decir, no se puede aplicar
cada fertilizante en cada bloque. En estos casos, es posible usar diseños
aleatorizados por bloques en los que no todos los tratamientos se
encuentran representados en cada bloque, y aquellos que sí están
representados en uno en particular se ensayan en él una sola vez.
Estos diseños se conocen como diseños por bloques incompletos
Recordemos que en el diseño completamente aleatorizado asignábamos
los tratamientos al azar a las parcelas sin restricción alguna, mientras que
en el diseño en bloques aleatorizados primero agrupamos las parcelas en
bloques y a continuación asignamos los tratamientos a las parcelas en
cada bloque. Podemos decir, por tanto, que un diseño en
bloque aleatorizados es un diseño con aleatorización restringida en el cual
las unidades experimentales son primero clasificadas en grupos
homogéneos, llamados bloques, y los tratamientos son entonces
asignados aleatoriamente dentro de los bloques.
Esta estrategia de diseño mejora efectivamente la precisión en las
comparaciones al reducir la variabilidad residual. Dicho diseño es quizás el
diseño experimental más ampliamente utilizado. En la práctica, las
situaciones en las que este diseño se aplica son muy numerosas y pueden
identificarse fácilmente.
En este modelo intervienen dos factores, el factor tratamiento y el factor
bloque. Al primero es usual llamarlo factor principal mientras que al
segundo factor secundario, puesto que
nuestro interés fundamentalmente está centrado en el primero y el factor
bloque se introduce en el modelo para eliminar su influencia en la variable
respuesta.
Nuestro objetivo es estimar los efectos de los tratamientos y de los
bloques y contrastar la hipótesis de que todos los niveles del factor
principal producen el mismo efecto, frente a la alternativa de que al
menos dos difieren significativamente. También es de interéscontrastar la
igualdad de los efectos de los bloques.
CONCLUSIÓN
Los productos y los procesos industriales se conciben o modifican
partiendo de requisitos funcionales y económicos. Uno de los criterios a
tener en cuenta y que va ligado tanto al aspecto funcional como al de
rentabilidad económica es el de la “robustez”, es decir, la insensibilidad
del funcionamiento ante diversas fuentes de variación no controlables.
La manera más eficaz de atacar este problema es desde la fase del diseño
utilizando la experimentación con factores controlables y con aquellos
factores ruido que se supone afectarán más a las características de
calidad. A partir de los resultados de estos experimentos se seleccionan
las condiciones en los factores de control más robustas al efecto de los
factores ruido.
Los dos métodos más extendidos en la práctica industrial parten de
diseños muy diferentes para, en un caso modelar la superficie asociada a
la variabilidad transmitida por los factores ruido, y en el otro modelar la
característica estudiada Y, incluyendo en el modelo los efectos de los
factores ruido. Por este segundo método, tomando la parte del modelo
asociada a los factores ruido, se puede estudiar el comportamiento de σZ
2(Y).

BIBLIOGRAFÍA
George E.P. Box, William G. Hunter and Stuart Hunter, Statistics
for Experimentes: Design, Innovation, and Discovery, Second
Edition, Wiley 2005
MONTGOMERY, C.D.; G.C, RUNGER. 2010. Segunda edición.
Probabilidad y Estadística. LIMUSA WILEY
Hausman, J., McFadden, C. (1984): “Specification test in f”,
Econometrica, 52, 1219-1240
https://es.scribd.com/doc/249266040/4-4-Modelo-de-Efectos-
AleatoriosGarcía Leal, J. & Lara Porras, A.M. (1998). “Diseño
Estadístico de Experimentos. Análisis de la Varianza.” Grupo
Editorial Universitario.
Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos,
Análisis de la Varianza y Temas Relacionados: Tratamiento
Informático mediante SPSS” Proyecto Sur de Ediciones.