DOE1 Ed

INTRODUCCIN AL DISEO
DE EXPERIMENTOS
aplicado a las Ciencias Naturales y Exactas
Froyln Mario Espinoza Escalante
4
3
2
1
9
8
0
5
6
7
3
2
1
4
6
F r o y l n Ma r i o E s p i n o z a E s c a l a n t e Pgina 1
1.1 INTRODUCCIN AL DISEO DE EXPERIMENTOS
Todo proceso biotecnolgico es un sistema en el que convergen personas, otros seres
vivos tanto de naturaleza vegetal, animal o microbiana, equipos y procedimientos de
trabajo. El proceso genera una salida, que puede ser tanto un producto como una
respuesta determinada. La respuesta estar definida por propiedades fsicas, qumicas,
mecnicas, etc. que en conjunto determinarn el aspecto y el comportamiento del
proceso.

Por lo general, existen algunas caractersticas que son crticas para establecer el
comportamiento del proceso. Normalmente se realizan mediciones de estas
caractersticas y se obtienen datos numricos. Si se miden estas caractersticas en la
respuesta del proceso, se observar que los valores numricos presentan una fluctuacin
entre las distintas repeticiones del proceso. Debido a que la respuesta del proceso es
producto de una interaccin mltiple de factores como se dijo anteriormente, cualquier
cambio en los valores de estos factores afectar la salida.
Las caractersticas del producto, son debidas a una serie de factores que interactan ya
sea en cuanto a valores de proceso o bien en cuanto ingredientes del mismo, si este
fuera una mezcla. Por ejemplo, si la salida del proceso son frascos de mayonesa y la
caracterstica de calidad fuera el peso del frasco y su contenido, veramos que a medida
que se fabrica el producto las mediciones de peso varan al azar, aunque mantenindose
cerca de un valor central. La calidad de los procesos no podra ser mejorada mientras
no haya datos suficientes, precisos y concretos que indiquen que el proceso esta bajo
control, esto significa que necesitamos utilizar ciertas medidas para seguirle la pista a
los resultados (Alvarenga y Valladares, 2007).
El uso de las herramientas de calidad es una parte extremadamente valiosa de la mejora
continua que puede aclarar su situacin, ensearle sus opciones e indicarle la
importancia relativa de varias circunstancias y si algunas de las que se eligieron han
tenido algn efecto (Alvarenga y Valladares, 2007). En resumen, se puede decir que es
necesario trabajar ms ampliamente en actividades de control de calidad enfocadas a la
prevencin durante las fases de diseo del producto y del proceso; y para esto el diseo
de experimentos es fundamental. Esto se reconoce cada da ms en los medios
industriales, y esta metodologa cada da se utiliza ms en las diferentes ramas
industriales en todo el mundo, por su relativa sencillez, utilidad y eficiencia tanto en
resolver problemas, buscar mejoras y para buscar innovaciones (nuevos productos,
materiales o procesos).
DEFINICIN: Un experimento es una serie de pruebas en las que se inducen de
manera planeada cambios deliberados en las variables de entrada de un proceso, con el
propsito de ver cmo influyen en una caracterstica de calidad de salida.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
1. Introduccin al Diseo de
Experimentos
El mtodo de experimentacin (figura 1.1) debe:
Facilitar la interpretacin de los resultados.
Minimizar el nmero de ensayos sin sacrificar nunca la calidad.
Asegurar las condiciones para las cuales se obtiene la mejor precisin posible
con un mnimo de ensayos.
Lograr obtener la mxima eficiencia con el mnimo de experimentos y en

consecuencia, el costo mnimo.
Figura 1.1 Esquema de un Diseo de Experimentos
En un experimento bien planeado se pueden contestar por lo general tres preguntas
bsicas:
a) Cules factores influyen de manera significativa en la variable de respuesta?
a) Cul es la relacin entre los factores estudiados y la variable de respuesta (Y)?
a) Qu niveles de los factores controlados optimizan la variable de respuesta?
El anlisis de resultados se facilita por la eleccin inicial de los experimentos. Los
resultados sern fciles de interpretar y ricos en conocimiento si se han preparado bien
los experimentos. Sin embargo, cuando se emprende un estudio no se conocen los
resultados, por ello se recomienda avanzar progresivamente para saber reorientar los
ensayos en funcin de los primeros resultados. Un primer boceto permitir orientar
mejor los ensayos nicamente con los aspectos de inters del estudio y abandonar las
vas sin resultados.
El xito de un experimento radica en la calidad de su planeacin. Lo cual se convierte
en un obstculo maysculo si tomamos en cuenta que uno de los hbitos poco
Experimentos
PROCESO
Factores Controlados
X1 X2 . . . . . X3
Materia prima
Componentes
Producto
Z1 Z2 . . . . . Z3
favorecidos por las personas en las organizaciones es la planeacin. Es comn que
aunque se tenga conocimientos de diseo de experimentos, se quiera empezar a realizar
pruebas antes de conceptualizar el problema y decidir la mejor estrategia experimental
para abordarlo. Por ello se recomienda de manera primordial seguir a detalle y de
manera secuencial los siguientes pasos para disear y analizar un experimento.
1.2 TERMINOLOGA BSICA
Experimento: Conjunto de pruebas cuyo objetivo es obtener informacin, para
fundamentar conclusiones y decisiones, y as cumplir con objetivos.
Factores Controlados: Variables cualitativas o cuantitativas que son estudiadas durante
el experimento para ver si influyen o no en la variable de respuesta. Su identificacin
requiere de conocimiento previo. Para estudiar el efecto de estos factores es necesario
que durante las pruebas experimentales el experimentador asigne y controle los niveles
o valores que va a tomar cada uno, de tal forma que no est variando
indiscriminadamente, sino que tenga un papel (valor) controlado con el propsito de
poder apreciar su efecto cuando cambia de valor. Por ejemplo, si un factor a estudiar es
una temperatura de un horno para ver como influye en la eficiencia del proceso de
horneado, entonces el experimentador debe asignar dos niveles por lo menos en los que
se estudiar el efecto de la temperatura, de tal forma que al comparar esos efectos se
tenga una idea de cmo influye la temperatura en el proceso de horneado.
Es frecuente que los factores a estudiar en un experimento sean las principales variables
de entrada del proceso. Recordar que estas variables, son por lo general las variables de
control del proceso, tales como temperatura, velocidad, tipo de material, etc. Es
necesario definirlas en un nivel adecuado para que el proceso realice correctamente su
funcin. Se espera que los cambios en estas variables se reflejen en las variables de
salida.
Factores no Controlables: Son variables que no se estudian durante los experimentos,
ya sea porque se puede suponer que no influyen sobre la variable de respuesta, o porque
es difcil o incosteable controlarlos (fijarlas a un nivel o valor determinado). Si un factor
que no se estudia durante el experimento tiene posibilidades de influir de manera
importante sobre la variable de respuesta, las pruebas experimentales deben hacerse de
tal manera que el efecto del factor sea mnimo. En general todos los factores no
estudiados deben permanecer lo ms invariantes posible durante los experimentos para
anular o disminuir el efecto que pudieran tener.
Factores estudiados: Son las variables que se investigan en el experimento, en cuanto a
cmo influyen o afectan a la(s) variable(s) de respuesta. Los factores estudiados pueden
ser factores controlables o no controlables, donde estos ltimos fue posible y de inters
controlarlos durante el experimento. Para que un factor pueda ser estudiado es necesario
que durante el experimento se haya probado en al menos dos niveles o condiciones.
En principio, cualquier factor, sea controlable o no, puede tener alguna influencia en la
variable de respuesta que se refleja en su media o en su variabilidad. Para fines de un
Experimentos
diseo de experimentos deben seleccionarse los factores que se considera, por
conocimiento del proceso y conjeturas, que pueden tener efecto sobre la respuesta de
inters. Y parte de la problemtica a superar durante el diseo es ver la manera en que
se controlar durante el experimento un factor que normalmente no es controlable.
Tipos de factores:
La construccin de los planes y la interpretacin de los resultados, depende en gran
medida de los tipos de factores involucrados en el estudio.
Factores continuos: La presin es un ejemplo. En un intervalo de valores de
presin dados se pueden elegir una infinidad de valores, son valores continuos.
Factores discretos: Slo pueden tomar valores particulares. Estos valores no son
forzosamente nominales, pueden ser nmeros, letras, propiedades o un nmero
que no necesariamente tiene significado numrico.
Factores ordinales: Se denomina as a aquellos valores que tiene un orden
lgico. Por ejemplo, grande, mediano, pequeo, o primero, segundo, tercero.
Factores boleanos: Son factores discretos que slo pueden tomar uno de dos
valores: alto o bajo, abierto o cerrado, blanco o negro, etc.
La frontera es a veces difusa entre los diferentes tipos de factores. Un color puede
considerarse como factor discreto, pero si se introduce la nocin de longitud de onda
puede ser continuo.
Variable de Respuesta: Esta define la forma en que el proceso o producto responde a
las variaciones de los factores controlados, y son el objetivo del experimento. Es decir,
las variables de respuesta son por lo general variables de salida del proceso, y
recordemos que estas son por lo general las caractersticas de calidad del producto o en
las que se refleja, desde el punto de vista de ingeniera, la eficiencia del proceso. Por lo
que las variables de respuesta son las variables objetivo o las variables problema.
Tratamiento: Combinacin de variantes y/o niveles de cada factor que se utiliza en
cada prueba experimental.
Espacio Experimental: Un factor continuo puede representarse por un eje graduado y
orientado. Si hay un segundo factor continuo, se representa, a l tambin, con un eje
graduado y orientado. El segundo eje se localiza de manera ortogonal al primero.
Obtenindose as un plano cartesiano que define un espacio euclidiano de dos
dimensiones. A este espacio se le llama Espacio experimental. El espacio experimental
comprende todos los puntos del plan factor 1 x factor 2 y cada uno de ellos representa
un experimento, figura 1.2.
Experimentos
Figura 1.2. Espacio Experimental para dos factores
Si hay tres factores, se puede representar por un espacio en 3 dimensiones. En caso de
haber ms factores, slo se puede representar de forma matemtica, ya que se est
hablando de hipervolmenes de n dimensiones, donde n > 3.
Dominio de un Factor: Los valores dados a un factor para realizar un experimento se
denominan niveles, figura 1.3.
70 C 650 C
Temperatura del horno
-1 +1 Nivel bajo Nivel alto
Figura 1.3. Dominio de un factor
Cuando estudiamos la influencia de un factor, en general, nos limitamos a sus
variaciones entre dos lmites. El lmite inferior es el nivel bajo. Y el lmite superior es el
nivel alto.
Es el experimentador quien define estos dos niveles en funcin de las especificaciones
del estudio. El conjunto de todos los valores que puede tomar el factor entre los niveles
bajo y alto se denomina dominio de variacin del factor o simplemente dominio del
factor.
El dominio de un factor est dado por la capacidad operativa del instrumental, los
equipos y los materiales en general, tanto fsicos como biolgicos.
Al interior del dominio de un factor continuo, todos los valores son posibles. Podemos
por tanto elegir dos o ms niveles segn lo que se desee.
Dominio del Estudio: En la prctica, el experimentador elige una parte del espacio
experimental para realizar su estudio. Esta zona particular del especio experimental se
Experimentos
Factor 1
Factor 2
denomina dominio del estudio. Este dominio est definido por los niveles alto y bajo de
todos los factores y eventualmente por las restricciones entre los factores.
Considerando el factor Temperatura del horno como factor A y como factor B al tiempo
de exposicin a la las diferentes temperaturas posibles. El nivel bajo puede definirse
como el tiempo mnimo de exposicin necesaria para generar un cambio en la variable
de respuesta, sea 10 minutos, y el nivel bajo como el tiempo mximo de exposicin
posible dadas restricciones fsicas, qumicas, biolgicas, funcionales y/o monetarias, sea
para este ejemplo 50 minutos. Si no hay ms restricciones a considerar, el dominio de
estudio est representado por todas las combinaciones posibles del rango de
temperaturas entre 70 y 650C y de tiempo entre 10 y 50 minutos, figura 1.4.
Puede haber restricciones en el dominio de estudio. Por ejemplo, puede ser imprctico
exponer el objeto de estudio a 650C durante 50 minutos por ser demasiado tiempo a
una temperatura tan elevada. La figura 1.5 ilustra una reduccin posible del dominio de
estudio inicial.
Error aleatorio: Es la suma de efectos debidos a muchas pequeas causas, que por ser
pequeas no son identificables. Es error aleatorio el pequeo efecto que pudieran tener
los factores que no se controlan, as como la variabilidad de las mediciones hechas bajo
las mismas condiciones. El error aleatorio absorbe todos los errores que el
experimentador comete durante los experimentos, y si estos son graves, el error deja de
ser aleatorio y puede imposibilitarse detectar cuales factores controlados tienen un
efecto real sobre la respuesta.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
1. Introduccin al Diseo
de Experimentos

F r o y l n Ma r i o E s p i n o z a E s c a l a n t e

Pgina 6
Dominio del Estudio: En la prctica, el experimentador elige una parte del espacio
experimental para realizar su estudio. Esta zona particular del especio experimental se
denomina dominio del estudio. Este dominio est definido por los niveles alto y bajo de
todos los factores y eventualmente por las restricciones entre los factores.

Considerando el factor Temperatura del horno como factor A y como factor B al tiempo
de exposicin a la las diferentes temperaturas posibles. El nivel bajo puede definirse
como el tiempo mnimo de exposicin necesaria para generar un cambio en la variable
de respuesta, sea 10 minutos, y el nivel bajo como el tiempo mximo de exposicin
posible dadas restricciones fsicas, qumicas, biolgicas, funcionales y/o monetarias, sea
para este ejemplo 50 minutos. Si no hay ms restricciones a considerar, el dominio de
estudio est representado por todas las combinaciones posibles del rango de
temperaturas entre 70 y 650C y de tiempo entre 10 y 50 minutos, figura 1.4.

Puede haber restricciones en el dominio de estudio. Por ejemplo, puede ser imprctico
exponer el objeto de estudio a 650C durante 50 minutos por ser demasiado tiempo a
una temperatura tan elevada. La figura 1.5 ilustra una reduccin posible del dominio de
estudio inicial.

Er ror aleatorio: Es la suma de efectos debidos a muchas pequeas causas, que por ser
pequeas no son identificables. Es error aleatorio el pequeo efecto que pudieran tener
los factores que no se controlan, as como la variabilidad de las mediciones hechas bajo
las mismas condiciones. El error aleatorio absorbe todos los errores que el
experimentador comete durante los experimentos, y si estos son graves, el error deja de
ser aleatorio y puede imposibilitarse detectar cuales factores controlados tienen un
efecto real sobre la respuesta.

Figura 1.4. Dominio de Estudio

Dominio
del
estudio
-1 +1
+1

-1
50 min

10 min
Factor 2
Tiempo
Factor 1
Temperatura
70 C 650 C
Figura 1.4. Dominio de Estudio
Experimentos
de Experimentos


Pgina 7

Figura 1.5. Dominio de estudio con restricciones

Variables Centradas Reducidas

Dado que se le asigna el valor arbitrario 1 al nivel bajo de un factor y el valor +1 al
nivel alto, se efectan dos modificaciones importantes:

Se mueven las medidas originales. En el experimento del horno, el punto
medio del intervalo [1;+1] corresponde a un valor de 360C. El valor
numrico del nuevo origen, cero, difiere del origen expresado en las
unidades corrientes.

Se ha cambiado la unidad de medicin. Por ejemplo, si el nivel bajo del
IDFWRUtemperaturaHV70 C y el nivel alto es 650 C, hay 580 C entre
estos dos valores, esto es, 580 veces la unidad de temperatura. Entre 1 y
+1 hay dos nuevas unidades: la unidad nueva vale 290 C, a la cual se le
dar el nombre de paso (step).

Estas dos modificaciones llevan a la introduccin de nuevas variables que se denominan
variables centradas reducidas (v.c.r): centradas para indicar el cambio desde el origen y
reducidas para sealar la nueva unidad. Se utiliza igualmente el trmino de variables
codificadas o unidades codificadas.

El pasaje de las variables de origen A en niveles codificados x, e inversamente, se
obtiene por la frmula siguiente (A
0
es el valor central en unidades corrientes):

Dominio
del
estudio
-1 +1
+1

-1
50 min

10 min
Factor 2
Tiempo
Factor 1
Temperatura
70 C 650 C
Zona excluida
Figura 1.5. Dominio de estudio con restricciones
Variables Centradas Reducidas
Dado que se le asigna el valor arbitrario 1 al nivel bajo de un factor y el valor +1 al
nivel alto, se efectan dos modificaciones importantes:
Se mueven las medidas originales. En el experimento del horno, el punto
medio del intervalo [1;+1] corresponde a un valor de 360C. El valor
numrico del nuevo origen, cero, difiere del origen expresado en las
unidades corrientes.
Se ha cambiado la unidad de medicin. Por ejemplo, si el nivel bajo del
factor temperatura es 70 C y el nivel alto es 650 C, hay 580 C entre
estos dos valores, esto es, 580 veces la unidad de temperatura. Entre 1 y
+1 hay dos nuevas unidades: la unidad nueva vale 290 C, a la cual se le
dar el nombre de paso (step).
Estas dos modificaciones llevan a la introduccin de nuevas variables que se denominan
variables centradas reducidas (v.c.r): centradas para indicar el cambio desde el origen y
reducidas para sealar la nueva unidad. Se utiliza igualmente el trmino de variables
codificadas o unidades codificadas.
El pasaje de las variables de origen A en niveles codificados x, e inversamente, se
obtiene por la frmula siguiente (A0 es el valor central en unidades corrientes):
Experimentos
ec. 1.1
El inters de las variables codificadas es poder presentar los diseos de experimentos de
la misma manera que pertenecen
Aplicacin 1
Un experimentador elige para el factor tiempo 10 minutos como nivel bajo y 50
minutos como nivel alto. Cul es en valores codificados, el valor de la velocidad de 40
minutos? Se calcula el paso del factor velocidad. El paso es igual a la media de la
diferencia entre el nivel alto y el bajo:
A0 es el valor central entre el nivel alto y el bajo, es decir, la media de la sumatoria del
nivel alto y el nivel bajo:
Aplicando la ecuacin 1.1:
Para este ejemplo, el tiempo de 40 minutos es igual a +0.5 en variables codificadas.
Aplicacin 2
Se puede encontrar tambin el valor del tiempo normal conociendo el valor codificado.
Cul es, en unidades normales, el valor del tiempo de +0.4 en unidades codificadas?
Escribiendo la ecuacin 1.1
Donde: A = +0.4 x 20 + 30 = 38
El tiempo codificada de +0.4 corresponde a un tiempo de 38 minutos.
Puntos Experimentales
En un espacio de dos dimensiones, el nivel i del factor 1, denotado como x1,i , y el nivel
j del factor 2, denotado como x2,j , puede considerarse como las coordenadas de un
punto del espacio experimental o del dominio de estudio (figura 1.6). Por ejemplo, si el
Experimentos
nivel de temperatura es de 70C y se aplica un tiempo de 10 min, las coordenadas
correspondientes al punto experimental son:
x1,i = 70 C
x2,j = 10 min
Un experimento hecho es entonces representado por un punto en un sistema de ejes.
Esta es la razn por la cual un experimento frecuentemente se designa por la expresin
punto experimental, punto de experimentacin o bien, simplemente punto. Un diseo de
experimentos es por lo tanto representado por un conjunto de puntos experimentales, los
cuales estn situados en el espacio experimental. En el ejemplo que se abord de inicio,
el experimento es someter el producto a una temperatura de 150C durante 25 minutos.
de Experimentos


Pgina 9
Un experimento hecho es entonces representado por un punto en un sistema de ejes.
Esta es la razn por la cual un experimento frecuentemente se designa por la expresin
punto experimental, punto de experimentacin o bien, simplemente punto. Un diseo de
experimentos es por lo tanto representado por un conjunto de puntos experimentales, los
cuales estn situados en el espacio experimental. En el ejemplo que se abord de inicio,
el experimento es someter el producto a una temperatura de 150C durante 25 minutos.

Figura 1.6. En el espacio experimental, los niveles de los factores
definen los puntos experimentales

Hasta tres factores, es posible disear el dominio de estudio. Con ms de tres factores,
se utiliza una representacin de tabla, llmese matricial, ms general ya que permite
representar los puntos experimentales sobre un hipervolumen con dimensiones igual al
nmero de columnas.

1.3 DISEO DE E XPERI MENT OS

1.3.1 Metodologa de los planes sin restricciones

La eleccin del nmero y posicin de los puntos experimentales es el problema
fundamental de los diseos de experimentos. Se busca realizar el mnimo de
experimentos y reducir lo ms posible la influencia del error experimental en el
modelado matemtico que servir para tomar las decisiones. Se busca lograr el objetivo
considerando las propiedades matemticas y estadsticas que producen las respuestas de
los factores. Ya que no hay restricciones en el dominio de estudio, existen diseos
clsicos que poseen excelentes cualidades estadsticas y que permiten modelar la
respuesta en las mejores condiciones (figura 1.7). Cuando existen restricciones, es
necesario construir diseos experimentales que conduzcan tambin, a las buenas
cualidades estadsticas y a un buen modelado de las respuestas.

Factor 2
Punto experimental
Factor 1
Tiempo
Temperatura
25 min x
2
,
j

150 C x
1
,
i

Figura 1.6. En el espacio experimental, los niveles de los factores
definen los puntos experimentales
Hasta tres factores, es posible disear el dominio de estudio. Con ms de tres factores,
se utiliza una representacin de tabla, llmese matricial, ms general ya que permite
representar los puntos experimentales sobre un hipervolumen con dimensiones igual al
nmero de columnas.
1.3 DISEO DE EXPERIMENTOS
1.3.1 Metodologa de los planes sin restricciones
La eleccin del nmero y posicin de los puntos experimentales es el problema
fundamental de los diseos de experimentos. Se busca realizar el mnimo de
experimentos y reducir lo ms posible la influencia del error experimental en el
modelado matemtico que servir para tomar las decisiones. Se busca lograr el objetivo
considerando las propiedades matemticas y estadsticas que producen las respuestas de
los factores. Ya que no hay restricciones en el dominio de estudio, existen diseos
clsicos que poseen excelentes cualidades estadsticas y que permiten modelar la
respuesta en las mejores condiciones (figura 1.7). Cuando existen restricciones, es
Experimentos
necesario construir diseos experimentales que conduzcan tambin, a las buenas
cualidades estadsticas y a un buen modelado de las respuestas.
Figura 1.7 Ejemplo de la disposicin de los puntos experimentales en un dominio
sin restricciones

1.3.2 Metodologa en planes con restricciones
El procedimiento de construccin de diseos donde el dominio est restringido es el
siguiente:
1. Definir el dominio de cada uno de los factores (nivel alto y nivel bajo).

2. Definir las restricciones que presentan los factores. Estas restricciones son expresadas
por las relaciones de desigualdad entre los factores y ellas definen las zonas
autorizadas, es decir, aquellas donde los experimentos son posibles, y las zonas
prohibidas, es decir, aquellas donde los experimentos no deben ser ejecutados.

3. Se definen los niveles de los factores ms interesantes para el estudio, otros diferentes
a los niveles alto y bajo. Frecuentemente entre 2 y 5 niveles suplementarios por factor.
4. Se construye una retcula que absorba todas las combinaciones de los niveles de los
factores. Esta retcula no debe contener otros que los puntos realistas, es decir,
aquellos autorizados por el dominio. Estos puntos constituyen los puntos candidatos
(figura 1.8).
de Experimentos


Pgina 10

Figura 1.7 Ej emplo de la disposicin de los puntos experimentales en un dominio
sin restricciones

1.3.2 Metodologa en planes con restricciones

El procedimiento de construccin de diseos donde el dominio est restringido es el
siguiente:

1. Definir el dominio de cada uno de los factores (nivel alto y nivel bajo).

2. Definir las restricciones que presentan los factores. Estas restricciones son expresadas
por las relaciones de desigualdad entre los factores y ellas definen las zonas autorizadas,
es decir, aquellas donde los experimentos son posibles, y las zonas prohibidas, es decir,
aquellas donde los experimentos no deben ser ejecutados.

3. Se definen los niveles de los factores ms interesantes para el estudio, otros diferentes
a los niveles alto y bajo. Frecuentemente entre 2 y 5 niveles suplementarios por factor.

4. Se construye una retcula que absorba todas las combinaciones de los niveles de los
factores. Esta retcula no debe contener otros que los puntos realistas, es decir, aquellos
autorizados por el dominio. Estos puntos constituyen los puntos candidatos (figura 1.8).

Factor 2
Factor 1
+1

- 1
-1 +1
Experimentos
de Experimentos


Pgina 11

Figura 1.8. La retcula muestra los puntos candidatos a constitui r los experimentos
posibles en el dominio de estudio

5. Elegimos una funcin que relacione a priori la respuesta de los factores.

6. Se seleccionan, en funcin de un criterio de optimizacin elegido, el nmero y la
localizacin de los puntos experimentales ms tiles para el modelado del fenmeno de
estudio (figura 1.9). Esta seleccin exige largos clculos y no es posible sin la ayuda de
un software de diseo de experimentos. O bien, se pueden tomar en cuenta aquellos
puntos predeterminados por los modelos experimentales existentes.

Figura 1.9. El software selecciona los mejores puntos de experimentacin

1.3.3 Superficie de Respuesta

A cada punto del dominio de estudio corresponde una respuesta. Al conjunto de todos
los puntos del dominio de estudio corresponde un conjunto de respuestas que se
localizan sobre una superficie llamada superficie de respuesta (figura 1.10).

Factor 2
Factor 1
-1 +1
70 650 Temperatura (C)
Tiempo
(minutos)

50 +1

10 -1
Factor 2
Factor 1
-1 +1
Tiempo
(min)

50 +1

10 -1
Figura 1.8. La retcula muestra los puntos candidatos a constituir los experimentos
localizacin de los puntos experimentales ms tiles para el modelado del fenmeno
de estudio (figura 1.9). Esta seleccin exige largos clculos y no es posible sin la
ayuda de un software de diseo de experimentos. O bien, se pueden tomar en cuenta
aquellos puntos predeterminados por los modelos experimentales existentes.
de Experimentos


Pgina 11

Figura 1.8. La retcula muestra los puntos candidatos a constitui r los experimentos


localizacin de los puntos experimentales ms tiles para el modelado del fenmeno de
estudio (figura 1.9). Esta seleccin exige largos clculos y no es posible sin la ayuda de
un software de diseo de experimentos. O bien, se pueden tomar en cuenta aquellos
puntos predeterminados por los modelos experimentales existentes.




Factor 2
Factor 1
-1 +1
Tiempo
(minutos)

50 +1

10 -1
Factor 2
Factor 1
-1 +1
Tiempo
(min)

50 +1

10 -1
Experimentos
Figura 1.10. El conjunto de las respuestas que corresponden a todos los puntos del
dominio de estudio forman la superficie de respuesta.
En general, no se conocen excepto algunas respuestas, aquellas que corresponden a los
puntos experimentales obtenidos por experimentacin. Las respuestas desconocidas
para obtener la superficie de respuesta se interpolan con la ayuda de un modelo
matemtico. Los puntos experimentales obtenidos por la teora de los diseos de
experimentos aseguran la mejor precisin posible sobre la forma y la posicin de la
superficie de respuesta.
1.3.4 Modelado matemtico a priori de la respuesta
Modelado matemtico
En la ausencia de toda la informacin sobre la funcin que liga a la respuesta de los
factores se provee una ley a priori, una ley de evolucin tal que la formulacin ms
general es la siguiente:
Ec. 1.2
Esta funcin es muy general y se usa para desarrollar un lmite de Taylor-McLaurin, es
decir, una aproximacin. Si las derivadas pueden ser consideradas como constantes, el
desarrollo de lo anterior toma la forma de un polinomio de grado ms o menos elevado:
Ec. 1.3
donde:
Experimentos
- y es la variable de inters del experimentador; esta es la respuesta o la variable de
inters,
- xi representa un nivel del factor i,
- xj representa un nivel del factor j,
- a0, ai, aij, aii son los coeficientes del polinomio.
Este modelo se denomina modelo a priori o el modelo postulado.
Los modelos establecidos son los modelos de previsin de valores en los cuales el
dominio de estudio, dominio que siempre se debe precisar. Este no es un modelo terico
basado en las leyes fisicoqumicas o mecnicas. En algunas contadas ocasiones, es
posible utilizar las leyes tericas conocidas.
Modelado experimental
Deben aportarse dos complementos al modelo puramente matemtico antes descrito.
El primer complemento es la falta de ajuste. Esta expresin se traduce en el hecho de
que el modelo elegido por el experimentador en los experimentos es probablemente un
poco diferente que el modelo real que rige el fenmeno de estudio. Hay una diferencia
entre estos dos modelos. Esta diferencia es la falta de ajuste (lack of fit en ingls), se
denota por la letra .
El segundo complemento es el precio de contemplar la naturaleza aleatoria de la
respuesta. En efecto, en el caso general, si se mide muchas veces una respuesta en un
mismo punto experimental, no se obtendran exactamente los mismos resultados. Hay
una dispersin de resultados. Las dispersiones as constatadas son denominadas errores
aleatorios o errores experimentales (pure error en ingls) y se denota por la letra .
La relacin general 1.2 debe ser modificada de la siguiente manera:
Ec. 1.4
Esta relacin ser explotada ms adelante.
Sistema de Ecuaciones
Cada punto experimental aporta un valor de la respuesta. O cada respuesta est
modelada por un polinomio donde los coeficientes son valores desconocidos que hace
falta determinar. Para fines de diseo de experimentos, se tiene un sistema de n
ecuaciones (si hay n ensayos) en p incgnitas (si hay p coeficientes en el modelo
elegido a priori). Este sistema se escribe de una manera simple en notacin matricial:
y = Xa + e
donde:
-y es el vector de respuestas;
Experimentos
-X es la matriz de clculo de coeficientes o matriz del modelo que depende de los
puntos experimentales elegidos para ejecutar el diseo y el modelo postulado;
-a es el vector de coeficientes;
-e es el vector de errores.
Este sistema, en general, no puede ser resuelto simplemente porque el nmero de
ecuaciones es inferior al nmero de incgnitas. En efecto, hay n ecuaciones y p
incgnitas. Esta resolucin no puede completarse a menos que sea con la utilizacin de
un mtodo de regresin. La mayor parte de las veces este mtodo se basa en los criterios
de optimizacin mnimos cuadrados. Se obtienen as, las estimaciones de los
coeficientes que se denotan por:
El resultado del clculo es:
frmula en la que la matriz X es la matriz transpuesta de X. Existe una cantidad de
software que ejecutan este clculo y que dan directamente los valores de los
coeficientes.
Intervienen constantemente dos matrices en la teora de los diseos de experimentos:
- La matriz de informacin XX;
- La matriz de dispersin (XX)
-1
.
Experimentos
1.4 ERRORES TPICOS EN EL ANLISIS Y DISEO DE EXPERIMENTOS
El diseo de experimentos trata de fenmenos que son observables y repetibles. Sin
pensamiento estadstico, los conceptos de observabilidad y repetitibilidad son
inherentemente contradictorios. Ya que cualquier cosa observada se aprecia con
variabilidad; nada ocurre exactamente de la misma forma dos veces, incluso mediciones
del mismo evento varan. As que, qu se quiere decir cuando la ciencia demanda que
una observacin sea repetible?, Qu repeticin es repeticin?, Cundo un resultado es
el mismo o difiere confirmacin o contradiccin? Estas preguntas no pueden ser
coherentemente contestadas sin el fundamento del pensamiento estadstico. Por
ejemplo: alguien da una nueva receta de chocolate. Te dicen que no falla. Pero lo
pruebas y no sale, en el segundo y en el tercer intento s. La receta est comprobada
completamente?. (Los chocolates tienen ms de 800 ingredientes individuales que
pueden ser separados).
Primer Error
Uno de los principales errores en el anlisis y diseo de experimentos es el siguiente
caso: En una industria se est buscando aumentar el rendimiento de un proceso qumico.
Un grupo de mejora propone tres alternativas y realizan cinco pruebas experimentales
con cada una, despus de la experimentacin se procede a calcular los promedios de
rendimiento de cada alternativa y dichos resultados son graficados como se muestra a
continuacin, figura 1.6.
de Experimentos


Pgina 15
Rendimiento de un Proceso Qumico
0%
5%
10%
15%
20%
25%
30%
35%
40%
A3 A1 A2
Proceso
R
e
n
d
i
m
i
e
n
t
o
1.4 ERRORES TPI COS EN E L ANLISIS Y DISEO DE E XPERI MENT OS

El diseo de experimentos trata de fenmenos que son observables y repetibles. Sin
pensamiento estadstico, los conceptos de observabilidad y repetitibilidad son
inherentemente contradictorios. Ya que cualquier cosa observada se aprecia con
variabilidad; nada ocurre exactamente de la misma forma dos veces, incluso mediciones
del mismo evento varan. As que, qu se quiere decir cuando la ciencia demanda que
una observacin sea repetible?, Qu repeticin es repeticin?, Cundo un resultado es
el mismo o difiere confirmacin o contradiccin? Estas preguntas no pueden ser
coherentemente contestadas sin el fundamento del pensamiento estadstico. Por
ejemplo: alguien da una nueva receta de chocolate. Te dicen que no falla. Pero lo
pruebas y no sale, en el segundo y en el tercer intento s. La receta est comprobada
completamente?. (Los chocolates tienen ms de 800 ingredientes individuales que
pueden ser separados).

Primer Er ror

Uno de los principales errores en el anlisis y diseo de experimentos es el siguiente
caso: En una industria se est buscando aumentar el rendimiento de un proceso qumico.
Un grupo de mejora propone tres alternativas y realizan cinco pruebas experimentales
con cada una, despus de la experimentacin se procede a calcular los promedios de
rendimiento de cada alternativa y dichos resultados son graficados como se muestra a
continuacin, figura 1.6.

Figura 1.6. Histograma comparativo para el rendimiento de tres procesos

La alternativa tres (A3) es mejor?

Claro que no. No podemos concluir que la alternativa tres es mejor si solo estamos
hablando de promedios. Para ello es necesario analizar adems del promedio, la
variabilidad. De esta forma, si analizamos la siguiente grfica, observamos que la
alternativa 3 presenta mayor variacin, figura 1.7, por lo que haberse decidido por esta
alternativa hubiera sido un error.
Figura 1.6. Histograma comparativo para el rendimiento de tres procesos
La alternativa tres (A3) es mejor?
Claro que no. No podemos concluir que la alternativa tres es mejor si solo estamos
hablando de promedios. Para ello es necesario analizar adems del promedio, la
Experimentos
variabilidad. De esta forma, si analizamos la siguiente grfica, observamos que la
alternativa 3 presenta mayor variacin, figura 1.7, por lo que haberse decidido por esta
alternativa hubiera sido un error.
de Experimentos


Pgina 16
Grfi co de Caja y Bigotes para Rendi miento
A1 A2 A3
17
21
25
29
33
37
41
R
e
n
d
i
m
i
e
n
t
o
Proceso

Figura 1.7. Grfico de caj a y bigotes para la comparacin de procesos

Segundo Er ror

Otro de los errores es la falta de aleatorizacin. Suponga un proceso en que se desea
medir la humedad final de un producto secado por uno de 4 diferentes mtodos. Para
llevar a cabo este anlisis, se toman 15 muestras aleatorias de cada secador, y se colocan
las del secador 1 en la parte trasera del horno, las del secador 2 adelante, y as hasta que
las del secador 4 quedan en la parte frontal. El error en este experimento es que no se
est considerando el efecto de la posicin en el horno en la determinacin.

Tercer Er ror

La experimentacin con exceso de factores y/o variables de respuesta, es un problema
que se presenta comnmente en los procesos. Este tipo de error afectar principalmente
los costos de llevar a cabo la prueba, con lo cual no se cumplen los estatutos antes
mencionados para el desarrollo de un buen diseo de experimentos. Para evitar este tipo
de error, deben considerarse aquellos factores controlados (variables de entrada) que
signifiquen, de acuerdo a la experiencia o datos previos, el mayor efecto sobre la(s)
variable(s) dependiente(s); respecto a las variables dependientes, ser necesario analizar
aquellas que resulten determinantes, sean aquellas que tendrn mayor impacto en los
costos, la calidad, el desempeo, etc. del producto.

Cuarto Er ror

Basarse en ideas subjetivas como: 'yo creo, 'siempre se ha trabajado asi, 'creo que la
solucion es esta; ocasionan que realice una sobre experimentacion aumentando los
recursos y sin obtener buenos resultados. Siempre se debe ser totalmente objetivo,
basndose en los resultados concretos.

Figura 1.7. Grfico de caja y bigotes para la comparacin de procesos
Segundo Error
Otro de los errores es la falta de aleatorizacin. Suponga un proceso en que se desea
medir la humedad final de un producto secado por uno de 4 diferentes mtodos. Para
llevar a cabo este anlisis, se toman 15 muestras aleatorias de cada secador, y se colocan
las del secador 1 en la parte trasera del horno, las del secador 2 adelante, y as hasta que
las del secador 4 quedan en la parte frontal. El error en este experimento es que no se
est considerando el efecto de la posicin en el horno en la determinacin.
Tercer Error
La experimentacin con exceso de factores y/o variables de respuesta, es un problema
que se presenta comnmente en los procesos. Este tipo de error afectar principalmente
los costos de llevar a cabo la prueba, con lo cual no se cumplen los estatutos antes
mencionados para el desarrollo de un buen diseo de experimentos. Para evitar este tipo
de error, deben considerarse aquellos factores controlados (variables de entrada) que
signifiquen, de acuerdo a la experiencia o datos previos, el mayor efecto sobre la(s)
variable(s) dependiente(s); respecto a las variables dependientes, ser necesario analizar
aquellas que resulten determinantes, sean aquellas que tendrn mayor impacto en los
costos, la calidad, el desempeo, etc. del producto.
Cuarto Error
Basarse en ideas subjetivas como: yo creo, siempre se ha trabajado as, creo que la
solucin es esta; ocasionan que realice una sobre experimentacin aumentando los
recursos y sin obtener buenos resultados. Siempre se debe ser totalmente objetivo,
basndose en los resultados concretos.
Experimentos
1.5. DIRECTRICES PARA REALIZAR UN EXPERIMENTO
1. Comprensin y planteamiento del problema
2. Eleccin de los factores controlados y sus niveles
3. Elegir la variable de respuesta
4. Eleccin del diseo experimental
5. Realizar el experimento
6. Analizar los datos estadsticamente
7. Conclusiones y recomendaciones
En este primer paso se debe hacer un esfuerzo especial por entender claramente el
problema o la situacin que se quiere abordar, en esa medida se estarn sentando las
bases para que el experimento sea exitoso. Por ello se recomienda contestar por escrito
las siguientes preguntas.
Por qu es importante?
Cmo afecta la calidad y la productividad?
En qu parte del proceso se da (Diagrama de Flujo)?
Cul es la situacin actual?
Cmo se ha intentado resolverlo?
A manera de conclusin Qu objetivo se persigue al realizar el experimento?
Para seleccionar adecuadamente las variables de entrada que estudiar durante el
experimento, y que cree que influyen en el problema, realice las siguientes actividades.
Detecte las posibles causas del problema
Ordene las causas en orden de importancia

Experimentos
De entre esas causas principales seleccione las que se pueden estudiar como
factores en un experimento. De alguna forma el experimento es una forma de
verificar si efectivamente estas causas son las principales.
A partir de lo anterior haga una lista de los factores que estudiar. Se recomienda
que en la etapa inicial de una investigacin se consideren en el diseo
experimental todos los factores que pudieran tener alguna influencia sobre la
caracterstica de calidad del producto.
Elija los niveles de cada factor. Generalmente se utilizan 2 3 niveles

equiespaciados en cada factor. Es importante la separacin que se elija entre un
nivel y otro en un factor dado. Los niveles muy juntos no sirven para detectar el
efecto de ese factor, mientras que en niveles muy separados pueden provocar un
cambio drstico en la respuesta o un producto que no sirva. Se debe recurrir al
conocimiento de la fsica del proceso, de tal forma que los niveles representen
opciones de bsqueda sobre en que nivel se debe operar el proceso. Una
pregunta clave en este sentido es: si se incrementa o disminuye el nivel actual
se puede encontrar algn resultado positivo?
Seleccione las restricciones, de haberlas.

Si el factor no es numrico, se deben seleccionar por lo menos dos situaciones
representativas de tal facto. Por ejemplo, si el facto es experiencia en la mano de obra,
entonces se selecciona como niveles de tal factor a dos operadores con experiencia muy
diferente. Si el factor es la influencia de una operacin previa en el material, entonces
los niveles pueden ser hacer y omitir la operacin.
3. Elegir la(s) variable(s) de respuesta
Son las variables de salida que se quieren corregir, sea reducir su variabilidad,
centrarlas, disminuir su valor o incrementarla.
Haga una lista de las variables de salida o caractersticas de calidad del producto
en las que se reflejan los cambios en los factores controlados.
De la lista anterior, seleccin una o ms aplicando los criterios siguientes: que se

puedan medir con relativa facilidad, que reflejen mejor la calidad del producto o
eficiencia del proceso.
Las mediciones de estas variables seleccionadas medirn el resultado de cada prueba
experimental.
Aqu se debe elegir el diseo experimental adecuado a los factores que se tienen y al
objetivo del experimento. Es decir el conjunto de pruebas que se van a correr, y esto
resulta de la cantidad de factores y niveles seleccionados; tambin el costo y tiempo en
Experimentos
que se ejecutara la cantidad de tratamientos (combinaciones resultantes). Por ello se
deben de contestar las siguientes preguntas:
En qu va a consistir cada prueba?
Cuntas corridas se requieren para hacer una rplica completa?
Elegir el diseo y decidir el nmero de pruebas (costo vs. necesidad) y el orden.
Organizar el trabajo experimental asignando responsabilidades y precisando

necesidades de tiempo, medio, etc.
Registrar los datos en un formato adecuado.

6. Analizar los datos estadsticamente
El anlisis estadstico depende del diseo empleado. Se debe tener presente que las
conclusiones de un experimento bien diseado se pueden sacar fcilmente an con
mtodos estadsticos elementales, y por el contrario, el anlisis estadstico ms
sofisticado no puede salvar de la basura un experimento mal planeado. En general hay
tres preguntas que deben quedar claras:
Qu factores y efectos influyen significativamente en la respuesta, y cules no?
Qu relacin hay entre la variable de respuesta y los efectos principales?
Qu condiciones en proceso son las mejores?
Aqu se deben evaluar los resultados obtenidos, teniendo en mente la magnitud antes y
despus del experimento.
7. Conclusiones y recomendaciones
Con base al anlisis estadstico se deben atender los siguientes puntos:
Qu combinacin de niveles de los factores reducen el problema?
Qu combinacin o solucin se sugiere?
Hacer pruebas de confirmacin
Comparar la magnitud del problema antes y despus
Medir impacto en trminos de dinero y calidad
Experimentos
Qu medidas se deben tomar para generalizar los resultados experimentales? Hacer
recomendaciones, plan, etc.
Cmo se puede evitar la recurrencia del mismo problema? Informar o justificar
medidas preventivas, involucrando a los afectados.
Repasar el procedimiento seguido y documentarlo.
Principales experiencias y enseanzas obtenidas.
Planear el trabajo futuro.
1.6 PRINCIPIOS DEL DISEO DE EXPERIMENTOS
Adems de la eleccin del diseo y en la realizacin del experimento se deben aplicar
los tres principios bsicos del diseo de experimentos: aleatorizacin, repeticin y
bloqueo. De la aplicacin de estos, depender que los datos obtenidos sean tiles
(representativos) para responder a las preguntas planteadas y de esta manera obtener
conclusiones vlidas y objetivas.
Aleatorizacin
Las corridas experimentales deben ser en orden aleatorio y con material seleccionado
tambin aleatoriamente. Es una manera de asegurar que las pequeas diferencias
provocadas por materiales, equipo y todos los factores no controlados (no estudiados),
se repartan homogneamente en todos los tratamientos.
Repeticin
Se refiere a correr o probar ms de una vez en un tratamiento o combinacin dada. Las
repeticiones permiten distinguir mejor que parte de la variabilidad total de los datos se
debe al error aleatorio y cul a los factores. Repetir tambin aumenta la confiabilidad de
las mediciones, ya que las repeticiones en el mismo tratamiento se esperan
razonablemente parecidas. Cuatro repeticiones por nivel son suficientes y vlidas.
Bloqueo
Permite controlar en forma adecuada a todos los factores que puedan afectar la
respuesta observada. El nombre de este principio se deriva de experimentos agrcolas en
los cuales se controla el efecto de parcela (bloque) al comparar varios tratamientos. Al
bloquear se supone que el subconjunto de datos obtenidos sobre un nivel particular de
un factor bloqueado, deben resultar ms homogneos que el conjunto total de datos. As
pues, por cada factor de ruido que se controla se dice que se est bloqueando en esa
direccin. Con el principio de bloqueo, se logra una mayor precisin del experimento.
Experimentos
De la aplicacin de estos, depender que los datos obtenidos sean tiles
(representativos) para responder a las preguntas planteadas y de esa manera obtener
conclusiones vlidas y objetivas.

Experimentos
2. ESTADSTICA APLICADA AL DISEO DE EXPERIMENTOS
A travs del diseo de experimentos se estiman los coeficientes de un modelo
matemtico a priori que se utiliza para establecer las relaciones de la respuesta con los
factores influyentes. Entre ms grandes sean los coeficientes asociados a cada uno de
los factores, mayor ser la importancia del factor, sin embargo, hasta este punto de
conocimiento es imposible conocer cules de estos factores son realmente importantes,
es necesario definir qu valor es grande o pequeo, por lo tanto es necesario contar con
un estndar de comparacin el cual indicar cuales de los coeficientes ( y por tanto
factores) son importantes y deben permanecer en el modelo matemtico y cules pueden
ser eliminados. Es aqu donde es necesario hacer una evaluacin de la incertidumbre
asociada a los coeficientes. Hay dos fuentes de error en la determinacin de los
coeficientes de un modelo. El primero error est asociado a cada respuesta, este es el
error experimental. El segundo error es el modelo matemtico por s mismo que no es
ms que una representacin ms o menos buena de un fenmeno de estudio, esto es la
falta de ajuste. La incertidumbre est descrita por estos dos tipos de errores.
Cuando se realiza muchas veces el mismo experimento en las mismas condiciones de
operacin y se mide la misma respuesta, se encuentran valores que son aproximados
entre ellos, pero que al mismo tiempo son diferentes entre ellos. Hay una dispersin de
medidas. Esta dispersin implica que las respuestas son nmeros aleatorios. Hay un
error experimental asociado a cada determinacin de una respuesta. Este error
experimental se transmite a los coeficientes.
De igual manera, hay una diferencia entre el modelo postulado por el experimentador y
el modelo real. Esta diferencia es la falta de ajuste entre los dos modelos. Este error
tambin se transmite a los coeficientes del modelo. Estos son los dos tipos de error, el
error experimental y el error de ajuste, que van a servir para evaluar la importancia de
los coeficientes. Por ejemplo, si el error de apreciacin sobre un coeficiente es de 5 y si
este coeficiente vale 4, este ser considerado como despreciable y como no influyente.
En contraparte, un coeficiente de valor 30 ser considerado como influyente. Por lo
tanto, es importante conocer el error que se comete en la estimacin de los coeficientes.
Para comprender este estudio y llevarlo a cabo de la manera adecuada, es necesario
conocer las bases estadsticas que se utilizan para hacer los clculos y aplicar los
razonamientos correctos. Las computadoras liberan de la parte de los clculos, pero es
necesario ser capaces de interpretar los valores estadsticos que son arrojados por estas.
Primero, se abordar una breve introduccin de los dos valores estadsticos ms
importantes, la media y la desviacin estndar. Despus se vern las nociones de
poblacin, de muestra y de distribucin. Se har nfasis en el rol preponderante de la
desviacin tpica que sirve de estndar para evaluar la importancia de un valor aleatorio.
Se ver como la desviacin tpica permite calcular el Valor P (p value, en ingls) que
mide la probabilidad de que un evento no ocurra. El objetivo de este captulo es precisar
las nociones que permiten evaluar y mejorar el ajuste del modelo postulado en la
representacin de los resultados experimentales. En la mayora de los casos estas
2. Estadstica Aplicada al Diseo de
Experimentos
nociones ayudarn a encontrar el modelo que represente de la mejor manera posible los
hechos experimentales y que deber permitir hacer predicciones de una cualidad.
2.1 Error Experimental
Para comprender este concepto es necesario definir antes dos ms, la media y la
desviacin estndar.
Media. Por definicin, la media aritmtica de un conjunto de valores es la suma de
todos los valores divididos por el nmero de valores.

Ejemplo: 11.1, 12.6, 10.4, 11.9
La media de estos valores es:
Desviacin estndar. La definicin de la desviacin estndar es menos simple que la de
la media. Puede definirse en un paso a paso con los datos anteriores.
1. Calcular las desviaciones con respecto a la media, es decir, la diferencia entre cada
valor y la media:
11.1 11.5 = 0.4
12.6 11.5 = + 1.1
10.4 11.5 = 1.1
11.9 11.5 = + 0.4
Note que la suma de las desviaciones con respecto a la media es igual a cero. Se puede
demostrar que esto es siempre verdadero en todos los casos:
Es por eso que no se puede tomar la suma de las desviaciones como la medida de
dispersin. Por tal motivo es necesario eliminar el signo negativo a travs de elevar cada
una de las diferencias al cuadrado.
2. Estas diferencias son elevadas al cuadrado y sumadas. Se obtiene de esta manera la
suma de cuadrados de las desviaciones con respecto a la media.
( 0.4)
2
+ (1.1)
2
+ ( 1.1)
2
+ (0.4)
2
= 0.16 + 1.21 + 1.21 + 0.16 = +2.74
3. Esta suma es dividida por el nmero de valores menos 1:
Experimentos
2.74 / (4 1) = 0.9133
Esta cantidad se denomina como varianza. Es un valor fundamental de la ciencia
estadstica. Se encuentra en todas partes y es un valor de mucha utilidad.
4. Finalmente la desviacin estndar se genera al obtener la raz cuadrada de la
varianza:
Por qu la raz cuadrada de la varianza? Simplemente para expresar la dispersin en las
mismas unidades que las dadas originalmente y las mismas unidades de la media. De
este modo se facilitan las comparaciones. En efecto, cuando se elevan al cuadrado las
desviaciones con respecto a la media, tambin se eleva al cuadrado la unidad de
medicin. La varianza se expresa entonces con una unidad que tiene por dimensin el
cuadrado de las unidades originales.
Afortunadamente las computadoras estn para hacer los clculos e indican directamente
el valor de la desviacin estndar de los datos de respuestas.
Qu significan estos dos valores, media y desviacin estndar? Cmo se utilizan?
Si se tiene una serie de respuestas efectuadas en un mismo punto experimental, se
pueden calcular la media y la desviacin estndar de la serie. Pero Se puede decir por
adelantado, con una fuerte probabilidad de no equivocarse, cul ser el valor de una
nueva medicin efectuada en un mismo punto experimental? Es altamente probable que
no sea muy diferente de la media. Si en lugar de indicar una cifra, se indica un intervalo,
se tendrn menos posibilidades de equivocarse. Si se dice el valor estar entre tal y tal
valor, se incrementan las posibilidades de prediccin de la media. Si se toma un
intervalo ms grande, habr ms posibilidades de hacer una buena prediccin. Los
estadistas han calculado la probabilidad que uno tiene de no equivocarse, y esto es
gracias a la desviacin estndar.
Para profundizar en estas preguntas importantes, se vern a continuacin las nociones
de poblacin, muestra, distribucin, grados de libertad y transmisin de error.
2.2 Poblacin
Suponga que realiza muchas mediciones en las mismas condiciones experimentales.
Usted obtendr una serie de valores que estn muy aproximados entre s pero que son
ligeramente diferentes entre ellos. Imagine que sigue las mediciones hasta obtener una
infinidad de ellas. El conjunto de estos valores forman una poblacin de nmeros
aleatorios caracterizados por:
- el valor central de las mediciones, denominado media poblacional es denotado por ;
- la desviacin tpica de la poblacin, se denota por poblacional ;
- la distribucin.
Experimentos
2.3 Muestra
Desde un punto de vista estadstico, obtener una muestra de n valores, es tomar al azar n
valores de una poblacin de todos los valores posibles. El valor de n es pequeo en
comparacin con el nmero de individuos de la poblacin. Una muestra de n valores se
caracteriza por:
- El valor medio de las mediciones; sea una muestra de n respuestas, yi; la media es
calculada por medio de la relacin:
- La desviacin estndar de la muestra es denotada por, s;
- El histograma de valores.
2.4. De la muestra a la poblacin
Es muy raro que se puedan conocer las caractersticas de la poblacin de manera
directa. La media que es ms frecuentemente utilizada es estimada a partir de las
caractersticas de la muestra. Los estadistas que analizan este problema concluyen que:
- La mejor estimacin de la media de una poblacin, es la media de la muestra.
La mejor estimacin de = de la muestra
- la mejor estimacin de la desviacin estndar de la poblacin se denota por medio de
la letra . Est dada por la relacin:
= mejor estimacin de s =
Experimentos


Pgina 24
- La desviacin estndar de la muestra es denotada por, s;
- El histograma de valores.

2.4. De la muestra a la poblacin

Es muy raro que se puedan conocer las caractersticas de la poblacin de manera
directa. La media que es ms frecuentemente utilizada es estimada a partir de las
caractersticas de la muestra. Los estadistas que analizan este problema concluyen que:

- La mejor estimacin de la media de una poblacin, es la media de la muestra.

La mejor estimacin de = de la muestra

- la mejor estimacin de la desviacin estndar de la poblacin se denota por medio de
la letra . Esta dada por la relacion:

mejor estimacion de s =
!
!

"
#!

Es necesario sealar que el denominador es n 1 y no n.

2.5. Grados de libertad

Sea n las respuestas medidas independientemente las unas de las otras. No existe
relacin matemtica entre ellas. Las n desviaciones con respecto a la media no son
independientes. En efecto, existe una relacin matemtica entre las desviaciones.
Cuando se conocen n 1, se puede calcular la ltima con la relacin matemtica. Por
ejemplo, retomando el ejemplo de las cuatro desviaciones con respecto a la media del
ejemplo (vea el ejemplo de desviacin estndar). Las tres primeras desviaciones son:

0.4 +1.1 1.1

La cuarta desviacin se obtiene fcilmente puesto que la suma de las desviaciones
siempre es igual a cero:

4 desviacin 0.4 + 1.1 1.1 = 0
4 desviacin = 0.4

Hay solamente n 1 desviaciones independientes. Se dice que la serie de n
desviaciones estndar posee n 1 grados de libertad ( g.l.). El nmero de grados de
libertad es importante porque interviene en las numerosas frmulas estadsticas.

2.6 Distribucin de probabilidad

En tanto que se han medido los valores de una muestra, se obtiene un histograma
regular y, para un nmero infinito de valores, es decir, para una poblacin, se tiene una
reparticin que se llama distribucin. Es posible describir la distribucin de una
poblacin por medio de una relacin matemtica. Por ejemplo, la distribucin ms
comn de encontrar en los diseos de experimentos es la distribucin normal o
Es necesario sealar que el denominador es n 1 y no n.
2.5. Grados de libertad
Sea n las respuestas medidas independientemente las unas de las otras. No existe
relacin matemtica entre ellas. Las n desviaciones con respecto a la media no son
independientes. En efecto, existe una relacin matemtica entre las desviaciones.
Cuando se conocen n 1, se puede calcular la ltima con la relacin matemtica. Por
ejemplo, retomando el ejemplo de las cuatro desviaciones con respecto a la media del
ejemplo (vea el ejemplo de desviacin estndar). Las tres primeras desviaciones son:
0.4 +1.1 1.1
La cuarta desviacin se obtiene fcilmente puesto que la suma de las desviaciones
siempre es igual a cero:
4 desviacin 0.4 + 1.1 1.1 = 0
4 desviacin = 0.4
Experimentos
Hay solamente n 1 desviaciones independientes. Se dice que la serie de n
desviaciones estndar posee n 1 grados de libertad ( g.l.). El nmero de grados de
libertad es importante porque interviene en las numerosas frmulas estadsticas.
2.6 Distribucin de probabilidad
En tanto que se han medido los valores de una muestra, se obtiene un histograma
regular y, para un nmero infinito de valores, es decir, para una poblacin, se tiene una
reparticin que se llama distribucin. Es posible describir la distribucin de una
poblacin por medio de una relacin matemtica. Por ejemplo, la distribucin ms
comn de encontrar en los diseos de experimentos es la distribucin normal o
distribucin de Laplace Gauss. Esta distribucin es ilustrada por una curva que tiene
el aspecto de una campana y est definida por la relacin:
Esta distribucin est perfectamente definida por la media de la poblacin y por la
desviacin estndar poblacional . Se pueden reducir todas las distribuciones Laplace
Gauss a la distribucin normal teniendo una media cero y una desviacin tpica uno.
2.6.1 Principales propiedades de la distribucin normal
La lectura de la curva de Laplace Gauss consiste en observar la superficie que est
bajo la curva. La superficie total representa todos los valores posibles de la poblacin.
La probabilidad de que un valor sea superior a 1.2 (o todo valor dado) es representado
por la superficie comprendida entre 1.2 e infinito:
Experimentos
La probabilidad de que un valor sea inferior a 0.8 (o todo valor dado) est representada
por la superficie comprendida entre menos infinito y 0.8
Finalmente, la probabilidad de que un valor est comprendido entre 0.5 y 1.5 (o
cualquier valor) est representada por la superficie comprendida entre estos dos valores:
Experimentos
Por ejemplo, est demostrado que 68.26% de los valores de la poblacin estn
comprendidos entre menos una desviacin estndar y ms una desviacin estndar con
respecto a la media poblacional. Se puede deducir entonces, que si se toma un valor al
azar dentro de una poblacin de distribucin normal, se tienen 68.26% de posibilidades
de tomar un valor comprendido entre y 32% de posibilidades de tomar un valor
fuera de ese intervalo.
De la misma manera, se ha mostrado que 95% de los valores de la poblacin se
encuentran entre 1.96 desviaciones estndar y +1.96 desviaciones estndar con
respecto a la media de la poblacin. Una muestra al azar de una poblacin de distribuci
normal tendr un valor comprendido entre 1.96 en el 95% de los casos. En el 5%
de los casos, se tomar un valor externo al intervalo.
Finalmente, en el intervalo 3, hay 99.74% de los valores de la poblacin. Hay
aproximadamente 2.5 oportunidades de 1000 de tomar un valor que difiera de las tres
desviaciones estndar con respecto a la media poblacional.
Experimentos
En todos los casos, es la desviacin estndar poblacional la que se toma como primera
referencia. Este estadstico es de vital importancia puesto que gracias a l se puede
estimar la dispersin de las mediciones. Se toma la estimacin de la desviacin estndar
poblacional como la medida del error experimental.
2.7 Transmisin del error
Desde el punto de vista estadstico, determinar una respuesta, es tomar al azar un valor
de una poblacin de estas respuestas. Esta poblacin posee una distribucin, una media
y una desviacin estndar. En la mayora de los casos, la distribucin de respuestas es
una distribucin de Laplace Gauss y la desviacin tpica de esta poblacin es una
medida del error experimental. Si tomamos ms respuestas al azar, ellas tienen ms
probabilidades de estar repartidas alrededor de la media.
Si se realizan muchas mediciones de la respuesta en el punto central, se puede calcular
la media de estas respuestas:
Cmo repercuten sobre la media los errores cometidos sobre las respuestas yi? Los
estadistas han estudiado este problema y se han percatado de que los errores no son
aditivos. El error cometido sobre la media no es 4 veces el error cometido sobre una
respuesta. Para resolver este problema, es necesario introducir un nuevo valor: la
varianza. Por definicin, la varianza de una respuesta V(yi) es el cuadrado de su
desviacin estndar, es decir que si la desviacin estndar de la respuesta yi es sy, la
varianza de esta respuesta es
Experimentos


Pgina 28


!
"
#
$
"
$
%
$
&
$
#

Cmo repercuten sobre la media los errores cometidos sobre las respuestas y
i
? Los
varianza. Por definicin, la varianza de una respuesta V(y
i
) es el cuadrado de su
desviacin estndar, es decir que si la desviacin estndar de la respuesta y
i
es s
y
, la
%
. La relacin que da una estimacin de la varianza
%
de
la poblacin de respuestas es:

%
!
!
"
"
!"

Se constata que la varianza es igual a la suma de los cuadrados de las desviaciones con
respecto a la media dividido por el nmero de grados de libertad de las deviaciones con
respecto a la media. De una manera general, la varianza de una serie de hechos es
obtenida de la misma manera: se divide la suma de los cuadrados de las desviaciones
con respecto a la media por el nmero de grados de libertad de la serie de hechos. Esta
regla ser ampliamente utilizada en el anlisis de varianza.

Las varianzas se suman no importa el signo (positivo o negativo) que tenga la respuesta.
La varianza de una suma es igual a:

V(+ y
1
+ y
2
+ y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)

La varianza de una diferencia es igual a:

V( y
1
+ y
2
y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)

En la frmula de la media, hay un coeficiente 1/4. Cuando se pasa a la varianza, este
coeficiente se eleva al cuadrado. La varianza de la media es igual a:

!
"
#
"
$
%
$
&
$
#
!
"
#
"
$
%
$
&
$ '
#
(

Si las varianzas de las respuestas son iguales entre ellas, se dice que hay homogeneidad
y la relacin anterior se convierte en:

!
"
#
"
$
%
$
&
$
#
!
#
")

. La relacin que da una estimacin de la varianza de
V(+ y1 + y2 + y3 + y4) = V(y1) + V(y2) + V(y3) + V(y4)
Experimentos


Pgina 28


!
"
#
$
"
$
%
$
&
$
#

i
? Los
i
i
es s
y
, la
%
%
de

%
!
!
"
"
!"



V(+ y
1
+ y
2
+ y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


V( y
1
+ y
2
y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


!
"
#
"
$
%
$
&
$
#
!
"
#
"
$
%
$
&
$ '
#
(


!
"
#
"
$
%
$
&
$
#
!
#
")

Experimentos


Pgina 28


!
"
#
$
"
$
%
$
&
$
#

i
? Los
i
i
es s
y
, la
%
%
de

%
!
!
"
"
!"



V(+ y
1
+ y
2
+ y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


V( y
1
+ y
2
y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


!
"
#
"
$
%
$
&
$
#
!
"
#
"
$
%
$
&
$ '
#
(


!
"
#
"
$
%
$
&
$
#
!
#
")

Experimentos
V( y1 + y2 y3 + y4) = V(y1) + V(y2) + V(y3) + V(y4)
Tomando la raz cuadrada de ambos miembros de la ecuacin y reemplazando por n el
nmero de respuestas que intervienen en la frmula de la media:
Sea:
La desviacin estndar de la media es igual a la desviacin estndar de las respuestas
individuales divididas por la raz cuadrada del nmero de respuestas individuales que
intervienen en el clculo de la media. Esta relacin indica que entre n sea ms grande,
mayor es la precisin de la media.
La dispersin de la media es ms dbil que la dispersin de las respuestas. Por lo tanto
se tiene una mejor precisin en la estimacin de la media que sobre las respuestas
mismas.
2.8 Intervalo de confianza para respuestas
Se vio hasta ahora la importancia de la desviacin estndar de la poblacin de
respuestas que se considera como una evaluacin del error experimental o un error puro.
Experimentos


Pgina 28


!
"
#
$
"
$
%
$
&
$
#

i
? Los
i
i
es s
y
, la
%
%
de

%
!
!
"
"
!"



V(+ y
1
+ y
2
+ y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


V( y
1
+ y
2
y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


!
"
#
"
$
%
$
&
$
#
!
"
#
"
$
%
$
&
$ '
#
(


!
"
#
"
$
%
$
&
$
#
!
#
")

Experimentos


Pgina 28


!
"
#
$
"
$
%
$
&
$
#

i
? Los
i
i
es s
y
, la
%
%
de

%
!
!
"
"
!"



V(+ y
1
+ y
2
+ y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


V( y
1
+ y
2
y
3
+ y
4
) = V(y
1
) + V(y
2
) + V(y
3
) + V(y
4
)


!
"
#
"
$
%
$
&
$
#
!
"
#
"
$
%
$
&
$ '
#
(


!
"
#
"
$
%
$
&
$
#
!
#
")

Experimentos


Pgina 29

!
"
#


!

Sea:


mismas.

2.8 I ntervalo de confianza para respuestas

La estimacion de la desviacion estandar de una poblacion de respuestas a partir de una
muestra se obtiene con la ayuda de la relacin:

!
"
"
!"

Pero la calidad de esta estimacin depende del nmero de valores n tomados en cuenta
para calcular la desviacin estndar. Si la muestra contiene muchas mediciones, la
desviacin estndar calculada ser de buena calidad, es decir prxima a la desviacin
estndar poblacional. Si la muestra contiene pocas mediciones, la desviacin estndar
calculada ser de menor calidad y ser necesario tomar precauciones suplementarias
para su utilizacin. El intervalo de confianza I
c
depende:

- De la probabilidad elegida por el usuario; esta probabilidad
frecuentemente es de 95 a 99%;
- De la calidad de la desviacin estndar calculada.

Experimentos


Pgina 29

!
"
#


!

Sea:


mismas.



!
"
"
!"

c
depende:


Experimentos


Pgina 29

!
"
#


!

Sea:


mismas.



!
"
"
!"

c
depende:


Experimentos
La estimacin de la desviacin estndar de una poblacin de respuestas a partir de una
para su utilizacin. El intervalo de confianza Ic depende:
Se tiene:
Experimentos


Pgina 30
Se tiene:
! "

La tabla siguiente indica los valores de k en funcin de la probabilidad elegida por el
usuario (porcentaje del caso o de la hiptesis es correcta) y de la calidad de la
desviacin estndar calculada (nmero de mediciones que se hayan utilizado para
calcular s).

Nmero de desviaciones estndar que deben tomarse en cuenta para determinar la
probabilidad de que la media de la poblacin se encuentre dentro del intervalo de
confianza

Nmero de mediciones que si rvieron para calcular s
2 3 4 5 10 20
% del caso o
la hiptesis
es correcta
70%
1.96 1.38 1.25 1.19 1.10 1.06 1.03
90%
6.31 2.92 2.35 2.12 1.83 1.73 1.64
95%
12.71 4.3 3.18 2.78 2.26 2.06 1.96
99%
63.66 9.92 5.84 4.60 3.25 2.86 2.58

Si la muestra posee un gran nmero de valores independientes, la calidad de la
desviacin estndar es buena. Se observa esta situacin en las industrias o los
laboratorios de control que provienen diariamente de las mismas mediciones de los
mismos productos. Suponga la eleccin de una probabilidad de 95%. En ese caso, si se
efecta una medicin y
i
, se puede decir que se tienen 95% de posibilidades de que el
intervalo y
i
1.96 s contiene la media de la poblacin.

En el caso de los diseos de experimentos, es raro que n sea elevado. Se tiene que, lo
ms seguido, realizar algunas mediciones de la respuesta en el mismo punto de
experimentacin, en general al centro del dominio experimental. Esto es, es necesario
hacer repeticiones de las mediciones hechas en las mismas condiciones experimentales.
Suponga que la desviacin estndar se ha obtenido con 5 mediciones de repeticin y
que se desea una probabilidad de 95%. En este caso, si se efecta la medicin de una y
i
,
se tendr un 95% de posibilidades de que el intervalo y
i
2.78 s contenga la media de la
poblacin. Con 10 mediciones de repeticin para el clculo de la desviacin estndar, se
puede decir que se tienen 95% de posibilidades de que el intervalo y
i
2.26 s contenga
la media de la poblacin.
La tabla siguiente indica los valores de k en funcin de la probabilidad elegida por el
usuario (porcentaje del caso o de la hiptesis es correcta) y de la calidad de la
desviacin estndar calculada (nmero de mediciones que se hayan utilizado para
calcular s).
Nmero de desviaciones estndar que deben tomarse en cuenta para determinar la
probabilidad de que la media de la poblacin se encuentre dentro del intervalo de
confianza
Nmero de mediciones que sirvieron para calcular s Nmero de mediciones que sirvieron para calcular s Nmero de mediciones que sirvieron para calcular s Nmero de mediciones que sirvieron para calcular s Nmero de mediciones que sirvieron para calcular s Nmero de mediciones que sirvieron para calcular s Nmero de mediciones que sirvieron para calcular s
2 3 4 5 10 20
% del caso o la
h i p t e s i s e s
correcta
70% 1.96 1.38 1.25 1.19 1.10 1.06 1.03 % del caso o la
h i p t e s i s e s
correcta
90% 6.31 2.92 2.35 2.12 1.83 1.73 1.64
% del caso o la
h i p t e s i s e s
correcta
95% 12.71 4.3 3.18 2.78 2.26 2.06 1.96
% del caso o la
h i p t e s i s e s
correcta
99% 63.66 9.92 5.84 4.60 3.25 2.86 2.58
Si la muestra posee un gran nmero de valores independientes, la calidad de la
desviacin estndar es buena. Se observa esta situacin en las industrias o los
laboratorios de control que provienen diariamente de las mismas mediciones de los
mismos productos. Suponga la eleccin de una probabilidad de 95%. En ese caso, si se
efecta una medicin yi, se puede decir que se tienen 95% de posibilidades de que el
intervalo yi 1.96 s contiene la media de la poblacin.
En el caso de los diseos de experimentos, es raro que n sea elevado. Se tiene que, lo
ms seguido, realizar algunas mediciones de la respuesta en el mismo punto de
Experimentos


Pgina 29

!
"
#


!

Sea:


mismas.



!
"
"
!"

c
depende:


Experimentos
experimentacin, en general al centro del dominio experimental. Esto es, es necesario
hacer repeticiones de las mediciones hechas en las mismas condiciones experimentales.
Suponga que la desviacin estndar se ha obtenido con 5 mediciones de repeticin y
que se desea una probabilidad de 95%. En este caso, si se efecta la medicin de una yi,
se tendr un 95% de posibilidades de que el intervalo yi 2.78 s contenga la media de la
poblacin. Con 10 mediciones de repeticin para el clculo de la desviacin estndar, se
puede decir que se tienen 95% de posibilidades de que el intervalo yi 2.26 s contenga
la media de la poblacin.
Experimentos
3. Primer Diseo de Experimentos Paso a Paso
En el desarrollo de un nuevo producto alimenticio se desea determinar el efecto de la
temperatura de escaldado de los ingredientes y el tiempo de tratamiento sobre la vida de
anaquel de un producto.
Por qu es importante? El lanzamiento de un nuevo producto al mercado requiere
su previa evaluacin para determinar mxima durabilidad.
Cmo afecta la calidad y la productividad? Los factores de proceso en un nuevo
producto afectan considerablemente la calidad final del mismo.
En qu parte del proceso se da (Diagrama de Flujo)?
Lavado de ingredientes pelado y/o cortado cocinado envasado
etiquetado almacenaje
Cul es la situacin actual? Se desconocen las mejores condiciones de proceso en
las cuales se maximice la vida de anaquel del nuevo producto.
Cmo se ha intentado resolverlo? No hay estudios previos.
A manera de conclusin Qu objetivo se persigue al realizar el experimento?
Determinar el efecto del tipo de envase en la vida de anaquel del nuevo producto.
Se desean evaluar dos temperaturas de escaldado (70 y 90C) y dos tiempos de
tratamiento (5 y 20 segundos).
3. Elegir la(s) variable(s) de respuesta
La variable de salida es nica, y es la vida til en das. Restriccin: No hay.
En qu va a consistir cada prueba? Se probarn las diferentes combinaciones de
temperatura contra tiempo.
Cuntas corridas se requieren para hacer una rplica completa? Cuatro (Tabla
2.1)
3. Primer Diseo de Experimentos
Paso a Paso
Tabla 2.1 Factores y dominio del estudio
Factor Nivel bajo ( - ) Nivel alto ( + )
Temperatura (1) 70C 90C
Tiempo (2) 5 seg 20 seg
Habiendo dos factores cada uno con dos niveles, el ms simple de los diseos es el
factorial 2
2
. La denominacin 2
2
significa: el 2 del exponente indica el nmero de
factores, el 2 de base indica el nmero de niveles de factor. Este diseo se adapta bien a
las necesidades del problema planteado porque corresponde exactamente a dos factores
cada uno con dos niveles. Los puntos experimentales son los niveles altos y bajos sobre
el plano cartesiano.
Se puede presentar el diseo de muchas maneras que se complementan las unas a las
otras. Se puede abordar el diseo del dominio de estudio en un espacio experimental,
ajustar despus los puntos experimentales y contemplar las coordenadas (figura 2.1). Se
pueden tambin representar los experimentos a realizar en forma de tabla, utilizando las
magnitudes habituales o legales (C y segundos), o bien los valores codificados. Con las
magnitudes legales, la tabla toma el nombre de tabla de experimentacin o de matriz de
experimentacin. Con las magnitudes codificadas, la tabla toma el nombre de diseo de
experimento o matriz de experimentos.
La primera columna de la matriz de experimentacin se utiliza para indicar el nmero
de ensayos (Tabla 2.2) y se pueden nominar, es decir, adicionar un nombre. La segunda
columna corresponde al primer factor, se indican aqu de manera sucesiva los niveles de
factor que se van a evaluar. La tercera columna corresponde al segundo factor y se
indican igualmente los niveles de factor. El primer ensayo, ensayo No. 1 o ensayo A,
ser ejecutado con una temperatura de 70C y 5 seg de tratamiento. El segundo ensayo,
ensayo No. 2 o ensayo B, ser ejecutado con una temperatura de 90C y 5 seg de
tratamiento. As sucesivamente se indica el orden de los ensayos y las combinaciones.
Figura 2.1. Representacin del plan de experimentacin
Paso a Paso
Tabla 2.2. Matriz de Experimentacin
Ensayo No. Temperatura
Factor 1
Tiempo
Factor 2
1 (A)
2 (B)
3 (C)
4 (D)
70C
90C
70C
90C
5 seg
5 seg
20 seg
20 seg
La primer columna de la matriz de experimentos (Tabla 2.3) se utiliza de la misma
manera para indicar los nmeros de ensayos. La segunda columna es para el primer
factor, se indican de manera sucesiva los niveles que se corrern en cada factor, pero
esta vez de forma codificada. La tercera columna contiene los niveles del segundo
factor. En la parte inferior se indican los valores correspondientes a cada nivel
codificado.
Tabla 2.3. Matriz de Experimentos
Factor 1
Tiempo
Factor 2
1 (A)
2 (B)
3 (C)
4 (D)
-1
-1
+1
+1
-1
+1
-1
+1
Nivel -1 70C 5 seg
Nivel +1 90C 20 seg
Es la parte tcnica del estudio. Es necesario que los ensayos sean llevados a cabo con el
mayor cuidado y debe tenerse especial cuidado en la calidad de los resultados. Para el
ejemplo que se est trabajando, el orden de los ensayos tiene poca importancia, pero
como se ver ms adelante, no es siempre el mismo caso. En el caso del estudio en
curso, es difcil cambiar la temperatura de un ensayo al otro. Por lo tanto, se corrern
primero los dos experimentos correspondientes a la temperatura ms baja, y despus la
temperatura ms alta. En ambos caso slo se cambia el tiempo de tratamiento.
Se ejecut el experimento, y los resultados se muestran en la tabla 2.4.
Tabla 2.4. Matriz de Experimentos y Resultados
Factor 1
Tiempo
Factor 2
Duracin
(das)
1 (A)
2 (B)
3 (C)
4 (D)
-1
-1
+1
+1
-1
+1
-1
+1
10
15
24
17
Nivel -1 70C 5 seg
Nivel +1 90C 20 seg

Significado de los coeficientes
La duracin medida, no parece fcil de interpretar de manera simple. Se podra tener
inters en saber cul es la vida til del producto cuando se aplica un tratamiento de
Paso a Paso
85C durante 15 segundos? o cul es la duracin cuando se aplica un tratamiento de
70C durante 10 segundos?. Las respuestas a estas preguntas existen. Estas respuestas se
encuentran entre los resultados obtenidos pero no se pueden ver. Har falta que se
transformen los resultados brutos para tener una visin clara y precisa. Esta es la frase
de interpretacin. Los software de diseo de experimentos toman importancia aqu,
puesto que son ellos los que ayudarn a realizar todas las transformaciones que son
necesarias y todas las ilustraciones que ayudarn a comprender los resultados.
El modelo postulado para los planes factoriales 2
2
completos es:
donde:
- y es la respuesta, en este ejemplo, es la vida de anaquel.
- x1 representa el nivel del factor 1 (temperatura).
- x2 representa el nivel del factor 2 (tiempo).
- x1x2 es el producto de los niveles de los factores 1 y 2; es decir, la interaccin.
- a0 es la constante del modelo
- a1 es la constante del factor 1
- a2 es la constante del factor 2
- a12 es la constante de la interaccin de los factores.
Este modelo se denomina modelo polinomial de primer grado con interacciones.
Significado del coeficiente constante
Para encontrar el significado del coeficiente constante a0, es suficiente dar valor cero
(unidades codificadas) a los niveles de los factores. El punto representativo del
experimento correspondiente es por tanto el centro del dominio de estudio y la respuesta
en este punto tiene un valor y0.
Sustituyendo en la ecuacin 2.1, se tiene:
El valor del coeficiente constante a0 es igual a la respuesta en el centro del dominio de
estudio.
Significado del coeficiente del factor 1
Considrense los dos puntos C y D, que corresponden a los valores altos del factor 1.
Las coordenadas de estos puntos son, en unidades codificadas:
Paso a Paso

La respuesta en el punto C es y3, respuesta que puede ser escrita reemplazando los
niveles por sus valores en unidades codificadas:
La respuesta para el punto D es y4, que se puede escribir de la misma forma que la
anterior:
Sumando las dos respuestas y3 y y4:
Haciendo el mismo clculo para los puntos A y B que se encuentran en el nivel bajo del
factor 1 y las respuestas respectivas son y1 y y2. Se obtiene:
Si se restan estas dos ltimas ecuaciones, se obtiene:
Ecuacin que se puede escribir como:
O bien, es la media de la respuesta a nivel alto del factor 1. Se le nombra a esto
como media . En cuanto a la expresin , es la media de la respuesta del nivel
bajo del factor 1, sea . De tal forma que se puede escribir:
El coeficiente a1 es por lo tanto la diferencia media entre la media del nivel alto del
factor 1 y la media del nivel bajo del mismo factor 1. Cuando hay un cambio de nivel
bajo a nivel alto, la respuesta vara, en promedio, como la diferencia . Si esta
diferencia es grande, la respuesta varia mucho, si la diferencia es despreciable, la
Paso a Paso
respuesta vara poco. Se tiene entonces el promedio de variacin en funcin del factor 1.
Esta es la razn por la que se denomina al coeficiente a1 como efecto del factor 1.
Sabiendo las cuatro respuestas, se puede calcular fcilmente el coeficiente:
El efecto del factor temperatura (factor 1) es de +4 das a los 80C. Esto significa que, si
la temperatura pasa de 70 a 80C, la duracin del producto aumenta, en promedio, 4
das a los 80C. Si la temperatura pasa de 70 a 90C, la duracin aumenta, en promedio,
8 das.
Representacin del coeficiente del factor 1
La variacin en la respuesta de la media de la respuesta al nivel alto del factor 1, , y
la media de la respuesta del nivel bajo del mismo factor, es , es decir, dos
veces el coeficiente a1. El coeficiente a1 es por lo tanto igual a la variacin de la
respuesta entre y0, respuesta al centro del dominio de estudio, y , media de la
respuesta del nivel alto del factor 1. Se puede ver al factor a1 como la pendiente de la
recta . Se puede decir tambin que el coeficiente a1 es igual a la variacin
media de la respuesta cuando el factor 1 pasa del nivel cero al nivel alto. Este representa
por lo tanto, la influencia del factor 1 sobre el dominio de estudio (figura 2.4).
Significado del coeficiente del factor 2
De la misma manera, se puede mostrar que el coeficiente a2 es igual a la variacin
media de la respuesta cuando el factor 2 pasa del nivel bajo al nivel alto. Esto representa
la influencia del factor 2 sobre el dominio de estudio. Se denomina efecto del factor 2.
En la figura 2.4, esquina inferior derecha, se puede observar el efecto del factor 2.
Figura 2.4. Ilustracin del efecto de los factores y sus combinaciones; efecto del
factor 1, esquina superior izquierda.
Significado del coeficiente a12
Se puede calcular el significado a12 por un mtodo anlogo al utilizado para los
coeficientes a1 y a2. El coeficiente a12 es igual a:
Paso a Paso
O bien, es el efecto medio del factor 1, cuando el nivel 2 est en su nivel alto,
menos la media del factor 1, cuando el nivel 2 est en nivel alto. Y es la media
del efecto del factor 1, cuando el factor 2 est en su nivel bajo. El coeficiente a12 es la
media de la diferencia entre estos dos efectos.
El coeficiente a12 mide la variacin del efecto del factor 1 cuando el factor 2 es
modificado. Se puede mostrar que el mismo coeficiente a12 mide igualmente la
variacin del efecto del factor 2 cuando el nivel del factor 1 es tambin modificado.
El coeficiente a12 se denomina interaccin de los factores 1 y 2. Si hay efecto de
interaccin las medias son diferentes.
Para el ejemplo a12 es 6.
Interpretacin de los coeficientes
- coeficiente constante: a0 = 16.5
- coeficiente del factor 1 (temperatura): a1 = 8.0 (el efecto medio es 4.0)
- coeficiente del factor 2 (tiempo): a2 = - 1.0 (el efecto medio es -0.5)
- coeficiente de interaccin: a12 = 16.5
De tal forma que se puede reporta el valor de estos coeficientes en la ecuacin original
del modelo:
y = 16.5 + 8.0 x1 1.0 x2 6.0
Paso a Paso
4. EXPERIMENTOS UNIFACTORIALES
(COMPARACIN DE TRATAMIENTOS)
En el desarrollo de un nuevo producto alimenticio se desea comparar el efecto del tipo
de envase sobre la vida de anaquel de un producto. Existen tres tipos de envases A, B y
C. Se realizan 10 rplicas de cada tipo de envase y al final se mide los das de duracin.
Los datos obtenidos se muestran en la tabla siguiente:
Factor Factor Respuesta: Das de duracin Media
T i p o d e
envase
A
23 28 21 27 35 41 37 30 32 36 31.0 T i p o d e
envase
B
35 36 29 40 43 49 51 28 50 52 41.3
T i p o d e
envase
C
50 43 36 34 45 52 52 43 44 34 43.3
Hiptesis del experimento:
Hiptesis Nula:
H0 : No influye el tipo de envase en la vida de anaquel de un producto.
Hiptesis Alternativa:
H1 : El tipo de envase influye en la vida de anaquel de un producto.
Para determinar con cual hiptesis nos quedamos, es necesario realizar un Anlisis de
Varianza (Analysis of Variance, ANOVA).
4.1 ANLISIS ESTADSTICO DE EXPERIMENTOS CON UN FACTOR
(ANOVA)
Es una tcnica estadstica muy poderosa para el estudio del efecto de uno o ms factores
sobre la media de una variable (y la varianza de la variable). La idea bsica es
descomponer la variabilidad total observada de los datos en las partes asociadas a cada
factor estudiado ms una parte residual.
La magnitud de cada uno de los trminos en que se descompone la variabilidad total se
cuantifica mediante las respectivas sumas de cuadrados (SC). La comparacin de la SC
asociada a cada efecto con la SCresidual permite ver si dicho efecto es o no significativo.
Para hacer la comparacin cada SC se divide por sus grados de libertad, obtenindose
as los Cuadrados Medios. Considerando los datos del ejemplo:
Suma de cuadrados total: mide la variabilidad total en los datos.
(23 38.53)
2
+ (34 38.53)
2
+ + (34 38.53)
2
= 2409.5
Grados de libertad totales: nmero de datosmenos uno (30 1 = 29)
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
Suma de Cuadrados de Tratamientos: Mide la variabilidad en los datos asociada a cada
tipo de envase.
10 x (31.0 38.53)
2
+ 10 x (41.3 38.53)
2
+ 10 x (41.3 38.53)
2
= 871.3
Grados de libertad: nmero de tratamientos menos uno (3 1 = 2)
Suma de Cuadrados Residual: mide la variabilidad que no es debida a las diferencias
entre tipo de envase (variabilidad interna de cada tipo de envase, errores de medida).
(23 31)
2
+ (28 31)
2
+ + (36 31)
2
+ (35 41.3)
2
+ (36 41.3)
2
+ + (52 41.3)
2
+ (50 43.3)
2
+ (43 43.3)
2
+ + (34 43.3)
2
=1538.2
Grados de libertad: 30 3 = 27
Nota: SCtotal = SCtratamientos + SCresidual (2409.5 = 871.3 + 1538.2)
Si la hiptesis nula es cierta, las medias muestrales sern parecidas (y por tanto
parecidas a la media total) y la Suma de Cuadrados de Tratamientos ser pequea.
Pero, qu debemos interpretar como pequea?
Si H0 es cierta la razn F = CMtratamiento/CMresidual se distribuye como una F de Fisher
con 2 y 27 g.l. Y si no es cierta H0 la F-ratio (o Fcalculada) es mayor que un F2,27. Por lo
que si F-ratio excede el valor crtico de una F2,27 se rechaza H0. Por consiguiente el tipo
de envase si influye en la vida de anaquel de un producto alimenticio (o lo que es lo
mismo, si existen diferencias en los promedios de cada tipo de envase). Lo anterior se
puede sintetizar en la siguiente tabla conocida como tabla de ANOVA.
ANOVA Table for Duracin by Tipo
Analysis of Variance
-----------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
-----------------------------------------------------------------------------
Between groups 871.267 2 435.633 7.65 0.0023
Within groups 1538.2 27 56.9704
-----------------------------------------------------------------------------
Total (Corr.) 2409.47 29
Ntese que el ANOVA slo nos indica si existen diferencias entre los envases, pero no
establece cual es mejor. Para ello se requiere hacer un anlisis complementario conocido
como Prueba de Rangos Mltiples.
La prueba de rangos mltiples consiste en comparacin de medias de los tratamientos.
4. 2 COMPARACIN DE PAREJAS DE MEDIAS DE TRATAMIENTOS
Supongamos que lo que interesa es comparar todas las parejas de las medias de
tratamiento y que las hiptesis nulas que se desean probar son H0 : i = j1 para toda i
2j
Mtodo de la Mnima Diferencia Significativa (LSD, Least Significant Difference)
Supongamos que despus de haber rechazado la hiptesis nula con base en una prueba
F de anlisis de varianza, se desea probar H0 : i = j3 para toda i j4. Esto puede
hacerse empleando la estadstica t.
Suponiendo una hiptesis alterna bilateral, la pareja de medias i y j se consideran
diferentes si
La cantidad
se denomina mnima diferencia significativa.
Si el diseo es balanceado, entonces n1 = n2 = = na = n
y
Para usar el procedimiento de la LSD, simplemente se compraran las diferencias
observadas entre cada par de promedios con el valor correspondiente de la LSD. Si
se concluye que las medias poblacionales i y j son diferentes.
Ejemplo: Continuando con el ejercicio anterior, se tiene que:
Tipo de envase
A
B
C
Media
31.0
41.3
43.3


Pgina 40
F de anlisis de varianza, se desea probar H
0
: P
i
= P
j3
para toda i = j4. Esto puede

Suponiendo una hiptesis alterna bilateral, la pareja de medias P
i
y P
j
se consideran
diferentes si

La cantidad


Si el diseo es balanceado, entonces n
1
= n
2
. n
a
= n

y

LSD Y Y j i ! se concluye que las medias poblacionales P
i
y P
j
son diferentes.


Tipo de
envase
A
B
C
Media

31.0
41.3
43.3

Analizando las tablas de la distribucin t student, para un nivel de confianza 0.05
y 27 grados de libertad, el valor del estadstico t es:

052 . 2
27 , 025 . 0 3 30 , 2 / 05 . 0 , 2 /

t t t
a N D

En el anlisis de varianza se puede ver que el calor de cuadrado medio del error es

CM
Error
= 56.97 y como n = 10, el valor del LSD es

Comparando las medias del tipo de envase A y el tipo de envase B, tenemos que
|31 41.3| = 10.3

Como 10.3 > 6.92 por lo tanto el tipo de envase A es diferente al tipo de envase B.
) / 1 / 1 (
0
j i E
j i
n n CM
Y Y
t
) / 1 / 1 (
, 2 / j i E a N j i
n n CM t Y Y !
D
) / 1 / 1 (
, 2 / j i E a N
n n CM t LSD
D
n
CM
t LSD
E
a N
2
, 2 /
D
9265 . 6
10
) 97 . 56 ( 2
052 . 2
2
, 2 /

n
CM
t LSD
E
a N D


Pgina 40
0
: P
i
= P
j3

i
y P
j
se consideran
diferentes si

La cantidad


1
= n
2
. n
a
= n

y

i
y P
j
son diferentes.


Tipo de
envase
A
B
C
Media

31.0
41.3
43.3


052 . 2
27 , 025 . 0 3 30 , 2 / 05 . 0 , 2 /

t t t
a N D


CM
Error

|31 41.3| = 10.3

) / 1 / 1 (
0
j i E
j i
n n CM
Y Y
t
) / 1 / 1 (
, 2 / j i E a N j i
n n CM t Y Y !
D
) / 1 / 1 (
, 2 / j i E a N
n n CM t LSD
D
n
CM
t LSD
E
a N
2
, 2 /
D
9265 . 6
10
) 97 . 56 ( 2
052 . 2
2
, 2 /

n
CM
t LSD
E
a N D


Pgina 40
0
: P
i
= P
j3

i
y P
j
se consideran
diferentes si

La cantidad


1
= n
2
. n
a
= n

y

i
y P
j
son diferentes.


Tipo de
envase
A
B
C
Media

31.0
41.3
43.3


052 . 2
27 , 025 . 0 3 30 , 2 / 05 . 0 , 2 /

t t t
a N D


CM
Error

|31 41.3| = 10.3

) / 1 / 1 (
0
j i E
j i
n n CM
Y Y
t
) / 1 / 1 (
, 2 / j i E a N j i
n n CM t Y Y !
D
) / 1 / 1 (
, 2 / j i E a N
n n CM t LSD
D
n
CM
t LSD
E
a N
2
, 2 /
D
9265 . 6
10
) 97 . 56 ( 2
052 . 2
2
, 2 /

n
CM
t LSD
E
a N D


Pgina 40
0
: P
i
= P
j3

i
y P
j
se consideran
diferentes si

La cantidad


1
= n
2
. n
a
= n

y

i
y P
j
son diferentes.


Tipo de
envase
A
B
C
Media

31.0
41.3
43.3


052 . 2
27 , 025 . 0 3 30 , 2 / 05 . 0 , 2 /

t t t
a N D


CM
Error

|31 41.3| = 10.3

) / 1 / 1 (
0
j i E
j i
n n CM
Y Y
t
) / 1 / 1 (
, 2 / j i E a N j i
n n CM t Y Y !
D
) / 1 / 1 (
, 2 / j i E a N
n n CM t LSD
D
n
CM
t LSD
E
a N
2
, 2 /
D
9265 . 6
10
) 97 . 56 ( 2
052 . 2
2
, 2 /

n
CM
t LSD
E
a N D
Analizando las tablas de la distribucin t student, para un nivel de confianza = 0.05
CMError = 56.97 y como n = 10, el valor del LSD es
Comparando las medias del tipo de envase A y el tipo de envase B, tenemos que |
31 41.3| = 10.3
Comparando las medias del tipo de envase A y el tipo de envase C, se tiene que:
|31 43.3| = 12.3
Como 12.3 > 6.92 por lo tanto el tipo de envase A es diferente al tipo de envase C.
Comparando las medias del tipo de envase B y el tipo de envase C, se tiene que:
|41.3 43.3| = 2.3
Como 2 > 6.92 por lo tanto no hay diferencias entre el tipo de envase C y el tipo de
envase B.
De acuerdo a los resultados anteriores podemos concluir que el tipo de envase A es el
menos recomendable, ya que presenta menor promedio que los otros dos, por
consiguiente se puede decidir por cualquiera de los dos tipos de envase restantes, es
decir el tipo B o el tipo C, ya que en ellos no se encontraron diferencias.
Multiple Range Tests for Duracion by Tipo
--------------------------------------------------------------------------------
Method: 95.0 percent LSD
Tipo Count Mean Homogeneous Groups
--------------------------------------------------------------------------------
A 10 31.0 X
B 10 41.3 X
C 10 43.3 X
--------------------------------------------------------------------------------
Contrast Difference +/- Limits
--------------------------------------------------------------------------------
A - B *-10.3 6.92599
A - C *-12.3 6.92599
B - C -2.0 6.92599
--------------------------------------------------------------------------------
* denotes a statistically significant difference.


Pgina 40
0
: P
i
= P
j3

i
y P
j
se consideran
diferentes si

La cantidad


1
= n
2
. n
a
= n

y

i
y P
j
son diferentes.


Tipo de
envase
A
B
C
Media

31.0
41.3
43.3


052 . 2
27 , 025 . 0 3 30 , 2 / 05 . 0 , 2 /

t t t
a N D


CM
Error

|31 41.3| = 10.3

) / 1 / 1 (
0
j i E
j i
n n CM
Y Y
t
) / 1 / 1 (
, 2 / j i E a N j i
n n CM t Y Y !
D
) / 1 / 1 (
, 2 / j i E a N
n n CM t LSD
D
n
CM
t LSD
E
a N
2
, 2 /
D
9265 . 6
10
) 97 . 56 ( 2
052 . 2
2
, 2 /

n
CM
t LSD
E
a N D
Una grfica representativa de estos resultados es la grfica de medias. La siguiente
figura es la grfica de medias de ejemplo que se est trabajando.
Ntese que esta grfica confirma los resultados anteriores.
4.3 SUPUESTOS
Algo fundamental en el anlisis de varianza son los supuestos de los residuales. Se
deben cumplir tres:
1. Los residuales deben ser independientes
2. Los residuales deben tener varianza constante
3. Los residuales se distribuyen normalmente
Si alguno de esos tres no se cumple es suficiente para invalidar el anlisis de varianza.
Para verificar estos tres supuestos se deben calcular primeramente los residuales
mediante la siguiente frmula:


Pgina 42
A B C
Residual Plot for Duracion
-14
-9
-4
1
6
11
16
r
e
s
i
d
u
a
l
Tipo
4.3 SUPUEST OS

Algo fundamental en el anlisis de varianza son los supuestos de los residuales. Se
deben cumplir tres:

1. Los residuales deben ser independientes
2. Los residuales deben tener varianza constante
3. Los residuales se distribuyen normalmente

Si alguno de esos tres no se cumple es suficiente para invalidar el anlisis de varianza.
Para verificar estos tres supuestos se deben calcular primeramente los residuales

Los residuales se calculan tomando el dato y restndole su media, es decir, la media del
tratamiento al cual pertenece.

La grfica de residuales indica si la variacin est homognea entre los tratamientos. La
grfica no debe presentar patrones de comportamiento. Si la grfica presenta una forma
de 'embudo, indicaria una diIerencia de la variacion muy grande, lo que implica que
existen factores determinantes (como el cansancio, el desgaste, etc) a lo largo del
perodo de tiempo que afectaron la variacin.

Si las condiciones empleadas en el experimento fueron las correctas y an as aparece
en la grfica un embudo, esto implicara que no es un experimento unifactorial, y por lo
tanto debe usarse otro diseo.

Entre mejor formado el embudo en la grfica, mayor es la variacin y por lo tanto el
experimento est mal hecho.

4.3.1 SUPUESTO DE VARI ANZA CONSTANTE

Para verificar el supuesto de varianza constante, es necesario realizar la siguiente
grfica:

Grfica de Residuales vs Niveles de Factor

En esta figura se presentan grficamente los niveles del factor contra los residuales. En
esta grfica no debe presentarse ningn patrn de comportamiento. La variacin de los
Y y e
ij ij

Los residuales se calculan tomando el dato y restndole su media, es decir, la media del
tratamiento al cual pertenece.
La grfica de residuales indica si la variacin est homognea entre los tratamientos. La
grfica no debe presentar patrones de comportamiento. Si la grfica presenta una forma
de embudo, indicara una diferencia de la variacin muy grande, lo que implica que
existen factores determinantes (como el cansancio, el desgaste, etc) a lo largo del
perodo de tiempo que afectaron la variacin.
Si las condiciones empleadas en el experimento fueron las correctas y an as aparece
en la grfica un embudo, esto implicara que no es un experimento unifactorial, y por lo
tanto debe usarse otro diseo.
Entre mejor formado el embudo en la grfica, mayor es la variacin y por lo tanto el
experimento est mal hecho.
4.3.1 SUPUESTO DE VARIANZA CONSTANTE

Para verificar el supuesto de varianza constante, es necesario realizar la siguiente
grfica:
Grfica de Residuales vs Niveles de Factor
esta grfica no debe presentarse ningn patrn de comportamiento. La variacin de los
puntos tanto de los niveles A, B y C no deben presentar diferencias. No se debe
distinguir la presencia de un embudo. En este caso no se presenta un patrn inusual por
lo que podemos concluir que si se cumple el supuesto de varianza.
4.3.2 SUPUESTO DE INDEPENDENCIA
Para verificar este supuesto de independencia se requiere tener el orden de corrida
experimental, es decir, se deben escribir cada uno de los resultados de acuerdo a como
se fueron obteniendo. Despus se grafican como se indica a continuacin:
En esta grfica se presenta grficamente el nmero de corrida contra el valor del
residual. En esta grfica no se debe presentar ningn tipo de patrn de comportamiento,
los puntos deben verse completamente dispersos. De acuerdo a esta grfica se puede
concluir que si se cumple el supuesto de independencia.
4.3.3 SUPUESTO DE NORMALIDAD
Un procedimiento til consiste en construir una grfica de probabilidad normal de los
residuos. Una grfica de este tipo es la representacin de la distribucin acumulada de
los residuos sobre papel de probabilidad normal, en otras palabras, es papel para
grficas cuya escala de ordenadas es tal que la distribucin normal acumulada sea una
recta. Para construir una grfica de probabilidad normal se hace el siguiente
procedimiento:
1. Se ordenan los residuos en orden ascendente.
2. A cada residuo se le calcula su punto de probabilidad acumulada
donde k es la posicin del dato.
N es el nmero total de datos.
3. Se grafica eij en el eje de las Xs y los en el eje de las Ys
como se muestra a continuacin.
En esta grfica se puede ver que la mayora de los puntos se ajustan a la lnea recta, lo
que significa que los residuales si cumplen con el supuesto de normalidad.
4.4 PRUEBA F
Como en el tema anterior, para decidir entre ambas hiptesis, hemos de calcular un
estadstico de contraste (una F emprica) y contrastarlo con un valor crtico (una F
terica).
Una prueba F consiste en un cociente entre dos varianzas: F = s
2
entre/s
2
dentro
Para realizar la prueba F resulta necesario descomponer la varianza total (s
2
total) en dos
componentes: s
2
entre y s
2
dentro.
El anlisis de la varianza es un procedimiento aritmtico que permite la descomposicin
de la varianza total en varianzas parciales. El cociente entre las varianzas permite
obtener un valor de F calculado (Fc), el cual se compara con un F de tabla (Ft) para un
determinado nivel de significacin (por ejemplo = 0.05) y los grados de libertad de
los tratamientos y del error. Los programas de computacin calculan directamente el P
(la probabilidad) del test.
Varianza total
Se puede considerar a la variacin total como la resultante de dos fuentes de variacin:
una fuente de variacin debida a las diferencias entre grupos o tratamientos, sealadas
por los promedios de stos y otra debida a la diferencia dentro de los tratamientos, que
se calcula sobre la base de las diferencias entre las observaciones de cada tratamiento.
Varianza entre tratamientos
Para aislar la variacin entre los grupos necesitamos suprimir la variacin dentro de los
tratamientos. Podemos obtener este resultado haciendo a todos los individuos de un
mismo grupo iguales entre s e iguales a la media del grupo. Mediante esta operacin, la
variacin entre los grupos no se modifica mientras que toda la variacin dentro del
grupo queda anulada.
Varianza dentro de tratamientos
Para obtener la varianza dentro de los grupos debemos tener en cuenta solamente la
variacin entre las observaciones de un mismo tratamiento. La variacin dentro de un
tratamiento se debe a las desviaciones que presentan los valores individuales en ese
grupo en relacin con la media de ese grupo.

4.5 CORRIENDO EL DISEO EN STATGRAPHICS CENTURION XV
1. Introduzca los datos en el orden de corrida (esto no cambia los resultados del
ANOVA pero le servir para comprobar uno de los supuestos).
2. Seleccione en la barra de herramientas COMPARE --- Analysis of Variance ---
One-Way ANOVAy haga clic (enter).
3. En el cuadro de dilogo que aparece, seleccione la variable independiente y haga
clic en el botn marcado en negro, despus seleccione el factor y de clic en el
botn correspondiente. D clic en OK para finalizar.
4. Aparece la siguiente ventana predeterminada.
5. Los siguientes botones son de mximo inters para todos los anlisis futuros
(slo aparecen al haber un anlisis activo):

INPUT DIALOG (primer botn) le permitir cambiar los datos para el anlisis,
aparece de nuevo el cuadro de dilogo indicado en el punto 3. Puede utilizarse para
corregir errores o bien para hacer un anlisis de otra variable de respuesta.
TABLES (segundo botn) despliega la serie de anlisis que se pueden hacer segn
los datos y el propio diseo seleccionado. Aparece la siguiente ventana:

Analysis Summary, como lo indica el nombre despliega un breve resumen de los
datos.
Summary Statistics, despliega los estadsticos bsicos para el diseo (Nmero de
datos, media, mediana, moda, desviacin estndar, etc.).
ANOVA Table, despliega el anlisis de varianza como ya se mostr antes.
Table of Means, despliega una tabla donde se muestra el tratamiento, el nmero de
datos que contiene, la media, el error estndar, el lmite superior e inferior para cada
tratamiento.
Multiple Range Test, por default muestra la tabla para la prueba LSD.
Variante Check, despliega una serie de anlisis que prueban el cumplimiento de los
supuestos.
Kruskal-Wallis Test, verifica la hiptesis nula de que las medias son iguales. Se
debe usar cuando el supuesto de normalidad dentro de los niveles no es del todo
claro. Esta prueba es ms potente que la de ANOVA.
Moods Median Test, verifica la hiptesis que todas las medias de los tratamientos
son iguales. Es menos potente que la prueba de Kuskal-Wallis.
GRAPHS (tercer botn), despliega los tipos de grficas posibles de acuerdo al
diseo en cuestin y el tipo de informacin introducida.


Pgina 48
T ABL ES (segundo botn) despliega la serie de anlisis que se pueden hacer segn
los datos y el propio diseo seleccionado. Aparece la siguiente ventana:

Analysis Summary, como lo indica el nombre despliega un breve resumen de los
datos.
Summary Statistics, despliega los estadsticos bsicos para el diseo (Nmero de
datos, media, mediana, moda, desviacin estndar, etc.).
ANOVA Table, despliega el anlisis de varianza como ya se mostr antes.
Table of Means, despliega una tabla donde se muestra el tratamiento, el nmero de
datos que contiene, la media, el error estndar, el lmite superior e inferior para cada
tratamiento.
Multiple Range Test, por default muestra la tabla para la prueba LSD.
Variante Check, despliega una serie de anlisis que prueban el cumplimiento de los
supuestos.
Kruskal-Wallis Test, verifica la hiptesis nula de que las medias son iguales. Se
debe usar cuando el supuesto de normalidad dentro de los niveles no es del todo
claro. Esta prueba es ms potente que la de ANOVA.
Moods Median Test, verifica la hiptesis que todas las medias de los tratamientos
son iguales. Es menos potente que la prueba de Kuskal-Wallis.

GRAPHS (tercer botn), despliega los tipos de grficas posibles de acuerdo al
diseo en cuestin y el tipo
de informacin introducida.

Scatterplot, es el diagrama de puntos.
Graphical ANOVA, despliega las medias de cada tratamiento con el valor P (P-
value).
Scatterplot, es el diagrama de puntos.
Graphical ANOVA, despliega las medias de cada tratamiento con el valor P (P-
value).
Means plot, muestra la grfica para la prueba LSD como ya se mostr (aunque
despliega cualquier grfico de comparacin de medias que se seleccione).
Box-and-Whisker Plot, muestra el diagrama de cajas y bigotes.
Residual plot, se utilizan para comprobar los supuestos.
Analysis of Means (ANOM) Plot, presenta una grfica similar a las grficas de
control utilizadas en Control de Calidad pero solamente con las medias para cada
tratamiento.
Medians Plot, a diferencia de la grfica de medias, muestra las medianas.
SAVE RESULTS (cuarto botn) se utiliza para guardar los datos. Para efectos de
este curso se utilizar para comprobar el supuesto de normalidad.
6. Al obtener la tabla de rangos mltiples (seleccionndola del men de tablas), si
hace clic con el botn derecho del ratn sobre el espacio que ocupa la tabla
aparece un cuadro de dilogo mostrado:
Al hacer click sobre la opcin Pane Options aparece un nuevo cuadro de dilogo
donde puede seleccionar la prueba de rangos mltiples que desee (LSD, Tukey,
Scheffe, Bonferroni, Student-Newman-Keuls, Duncan) y el nivel de significancia.
7. Finalmente si usted quiere editar la informacin del anlisis o utilizarla en un
procesador de texto, haga clic con el ratn sobre cualquier parte de la pantalla de
anlisis y seleccione Copy Analysis to StatReporter desde ah podr copiar con
facilidad cualquier anlisis o incluso editarlo.


Pgina 49
Means plot, muestra la grfica para la prueba LSD como ya se mostr (aunque
despliega cualquier grfico de comparacin de medias que se seleccione).
Box-and-Whisker Plot, muestra el diagrama de cajas y bigotes.
Residual plot, se utilizan para comprobar los supuestos.
Analysis of Means (ANOM) Plot, presenta una grfica similar a las grficas de
control utilizadas en Control de Calidad pero solamente con las medias para cada
tratamiento.
Medians Plot, a diferencia de la grfica de medias, muestra las medianas.

SAVE RESUL TS (cuarto botn) se utiliza para guardar los datos. Para efectos de
este curso se utilizar para comprobar el supuesto de normalidad.

6. Al obtener la tabla de rangos mltiples (seleccionndola del men de tablas), si hace
clic con el botn derecho del ratn sobre el espacio que ocupa la tabla aparece un
cuadro de dilogo mostrado:

Al hacer click sobre la opcin Pane OptiRQV aparece un nuevo cuadro de dilogo
donde puede seleccionar la prueba de rangos mltiples que desee (LSD, Tukey,
Scheffe, Bonferroni, Student-Newman-Keuls, Duncan) y el nivel de significancia.

7. Finalmente si usted quiere editar la informacin del anlisis o utilizarla en un
procesador de texto, haga clic con el ratn sobre cualquier parte de la pantalla de
anlisis y seleccione &RS\$QDO\VLVWR6WDW5HSRUWHU desde ah podr copiar con
facilidad cualquier anlisis o incluso editarlo.

5. DISEO EN BLOQUES ALEATORIZADOS
En muchos experimentos adems de que interesa investigar la influencia de un
factor controlado sobre la variable de respuesta como en la seccin anterior, existe
una fuente de variacin adicional (bloque) que puede y deber ser sistematizada y
controlada durante el experimento con el propsito de disminuir el error
experimental y obtener mejores conclusiones sobre el factor controlado.
DE ESTA MANERA EL ERROR EXPERIMENTAL SE REDUCIR Y LA
PRECISIN DEL DISEO AUMENTAR
Ejemplo:
Se dise un experimento para estudiar el rendimiento de cuatro detergentes. Las
siguientes lecturas de blancura se obtuvieron con un equipo especial diseado
para 12 cargas de lavado distribuidas en tres modelos de lavadoras:
Detergente Lavadora 1 Lavadora 2 Lavadora 3 Media
A 45 43 51 46.3
B 47 44 52 47.6
C 50 49 57 52
D 42 37 49 42.6
Media 46 43.2 52.2 47.16
Variable de Respuesta: Blancura
Factor Controlado: Tipo de Detergente
Bloque: Tipo de Lavadora
Modelo Matemtico o Modelo Estadstico:
i = 1, 2, , a; j = 1, 2, , b
donde
Hiptesis
H0: no hay efecto del tipo de detergente en la blancura de la ropa.
H1: si hay efecto del tipo de detergente en la blancura de la ropa.
Es claro que lo que interesa investigar es si los cuatro detergentes son iguales o
diferentes. Y si son diferentes, cul es mejor? Pero se tiene una variable extraa, el
equipo de lavado, que puede influir en la blancura, y por lo tanto es necesario
5. Diseo en Bloques Aleatorizados
bloquearla. Esto es necesario puesto que en cualquier experimento, la variabilidad que
surge de un factor perturbador puede afectar los resultados.
Factor Perturbador: Es un factor del diseo que probablemente tenga efecto sobre la
respuesta, pero en el que no existe inters especfico.
Respecto al Diseo Unifactorial el Diseo de Bloques tiene las siguientes similitudes y
diferencias:
Diseo Unifactorial: SCTotal = SCTrat + SCError
Diseo de Bloques: SCTotal = SCTrat(Factor) + SCBloque + SCError
La suma de cuadrados total es igual en ambos casos en el sentido de que incluye la
variabilidad total de los datos.
La suma de cuadrados del error es menor en bloques porque este se divide en SCBloques y
SCError; mientras que en un unifactorial, est integro.
El anlisis de varianza para el diseo en bloques (lavadora) con el factor detergente es:
Analysis of Variance for Blancura - Type III Sums of Squares
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
MAIN EFFECTS
A:Detergente 133.667 3 44.5556 34.13 0.0004
B:Lavadora 170.167 2 85.0833 65.17 0.0001
RESIDUAL 7.83333 6 1.30556
--------------------------------------------------------------------------------
TOTAL (CORRECTED) 311.667 11
--------------------------------------------------------------------------------
All F-ratios are based on the residual mean square error.
Para un nivel de confianza = 0.05 se puede concluir que si existen diferencias
significativas entre los tipos de detergentes.
Con el propsito de ver cual detergente es mejor, se realiz la prueba de rangos
mltiples con el mtodo LSD, que a continuacin se muestra:
Mtodo de la Mnima Diferencia Significativa para un Diseo por Bloques
Una vez rechazada la hiptesis nula con base en una prueba F de anlisis de varianza, se
desea probar las diferencias para cada una de las medias de los detergentes.
Suponiendo una hiptesis alterna, dos medias se consideran diferentes si:
La cantidad
es la diferencia mnima significativa.
Continuando con el ejemplo, tenemos que:
Detergente Media
A 46.3
B 47.6
C 52.0
D 42.6
Analizando las tablas de distribucin t-student para un nivel de confianza = 0.05 y 6
grados de libertad [(a-1)(b-1) = (4 1)(3 1) = 6 g.l.] el valor del estadstico t es:
En el anlisis de varianza se puede ver que el valor del cuadrado medio del error es:
CMError = 1.30556 y como b = 3, el valor del LSD es
Comparando las medias de los detergentes con este valor como ya se mostr en el
diseo unifactorial se obtienen las diferencias, Statgraphics Plus despliega esta tabla de
rangos mltiples:
Multiple Range Tests for Blancura by Detergente
--------------------------------------------------------------------------------
Detergente Count LS Mean LS Sigma Homogeneous Groups
--------------------------------------------------------------------------------
D 3 42.6667 0.659686 X
A 3 46.3333 0.659686 X
B 3 47.6667 0.659686 X
C 3 52.0 0.659686 X
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
A - B -1.33333 2.28282
A - C *-5.66667 2.28282
A - D *3.66667 2.28282
B - C *-4.33333 2.28282
B - D *5.0 2.28282
C - D *9.33333 2.28282
--------------------------------------------------------------------------------
Con esta prueba podemos ver que el detergente que es mejor para la blancura es el C, ya
que presenta mayor promedio y es diferente a los dems.
SUPUESTOS
Al igual que en el diseo unifactorial, en el diseo por bloques tambin es necesario que
se verifiquen los supuestos de los residuales.
Varianza Constante
esta grfica no debe presentarse ningn tipo de patrn de comportamiento. La variacin
de los puntos tanto de los niveles A, B, C y D no deben presentar diferencias. No se
debe distinguir la presencia de un embudo. En este caso no se presenta patrn inusual
por lo que podemos concluir que si se cumple el supuesto de varianza constante.
Supuesto de Independencia
Bloque
Detergentes Detergentes Detergentes Detergentes
Bloque
A B C D
1 (2) (1) (4) (3)
2 (4) (1) (2) (3)
3 (2) (1) (4) (3)
Por ejemplo, el detergente A se corri en la segunda corrida dentro de la lavadora uno,
en la corrida cuatro dentro de la lavadora dos y en la segunda corrida dentro de la
lavadora tres, y as para los otros detergentes.
En esta grfica se presenta el nmero de corrida contra el valor del residual. Tampoco se
debe presentar algn tipo de patrn de comportamiento, los puntos deben verse
completamente dispersos. De acuerdo a esta grfica se puede concluir que si se cumple
el supuesto de independencia.
Supuesto de Normalidad
recta. Para conseguir una grfica de probabilidad se sigue el procedimiento antes
descrito.
que significa que los residuales si cumplen el supuesto de normalidad.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS] 5. Diseo en Bloques Aleatorizados


Pgina 54
Supuesto de Normalidad

recta. Para conseguir una grfica de probabilidad se sigue el procedimiento antes
descrito.

que significa que los residuales si cumplen el supuesto de normalidad.

Normal Probability Plot
-1.8 -0.8 0.2 1.2 2.2
RESIDUALS
0.1
1
5
20
50
80
95
99
99.9
p
e
r
c
e
n
t
a
g
e
6. EXPERIMENTOS MULTIFACTORIALES
Principios y Definiciones Bsicas
Los arreglos factoriales se utilizan cuando en una investigacin se pretende estudiar
simultneamente la influencia del cambio de nivel de varios factores sobre la variable
de respuesta. Se entiende como diseo factorial cuando cara repeticin o rplica
completa del experimento incluye a todas las combinaciones posibles de los niveles de
los factores bajo estudio. Este tipo de diseos permite estimar los efectos simples de los
factores y el efecto de las interacciones de dichos factores.
El efecto de un factor simple (o principal) se define como el cambio producido en la
variable de respuesta debido al cambio de un nivel a otro en el factor.
El efecto de interaccin de dos factores se define como el cambio producido en la
variable de respuesta al cambiar los niveles de un factor con respecto a los niveles del
otro factor.
EJEMPLO DE EXPERIMENTOS DE DOS FACTORES
Se desea investigar el efecto del tipo y cantidad (%) de almidn sobre la friabilidad (%)
de tabletas.
% Almidn % Almidn % Almidn
Tipo de Almidn 26% 30% 40%
Pregelanitizado
0.7782 0.4272 0.7192
Pregelanitizado
0.7654 0.4336 0.6742
Pregelanitizado
0.7592 0.4552 0.6892
Pregelanitizado
0.7758 0.4771 0.7023
Almidn
0.7856 0.6273 0.9562
Almidn
0.8093 0.6592 0.9656
Almidn
0.8126 0.6692 0.9656
Almidn
0.8172 0.6523 0.9231
Dextrina
0.8543 0.8023 1.1356
Dextrina
0.8792 0.7986 1.1923
Dextrina
0.8723 0.7992 1.1643
Dextrina
0.8993 0.7827 1.1732

El diseo que se est utilizando es un Multifactorial 3x3. Cuyo modelo estadstico es:
donde
Yijk es el % de friabilidad
es la media general
i es el efecto del tipo de almidn
j es el efecto del % de almidn
6. Experimentos Multifactoriales
()ij es el efecto de la interaccin tipo de almidn - % de almidn
ijk error aleatorio
Hiptesis
1. Ho: i=0 H1: i0
(hay o no hay efecto del tipo de almidn)
2. Ho: i=0 H1: i0
(hay o no hay efecto del % de almidn)
3. Ho:()ij=0 H1:()ij0
(hay o no hay efecto de la interaccin tipo - % de almidn)
Analysis of Variance for %_Friabilidad - Type III Sums of Squares
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
MAIN EFFECTS
A:T_Almidn 0.570461 2 0.285231 896.38 0.0000
B:%_Almidn 0.571596 2 0.285798 898.17 0.0000
INTERACTIONS
AB 0.140087 4 0.0350218 110.06 0.0000
RESIDUAL 0.00859146 27 0.000318202
--------------------------------------------------------------------------------
TOTAL (CORRECTED) 1.29074 35
--------------------------------------------------------------------------------
All F-ratios are based on the residual mean square error.
Se observa que hay diferencias significativas con un 95% de confianza para los factores
individuales y para la interaccin tipo de almidn - % de almidn dado que los P-value son
menores que =0.05.
PRUEBA DE LSD PARA EL FACTOR B (% Almidn)
donde t(/2, ab(n-1)) es la t-student con una de confianza estadstica y con ab(n-1)
grados de libertad.
a = nmero de niveles del factor A
b = nmero de niveles del factor B
n = nmero de rplicas
CMError es el cuadrado medio del error.
Para nuestro ejemplo, tenemos que
t(0.05/2,27) = 2.052
CMError = 0.000318, b = 3 y n = 4
Comparando este valor con las medias de cada tratamiento, obtenemos la siguiente
tabla:
Multiple Range Tests for %_Friabilidad by %_Almidn
--------------------------------------------------------------------------------
%_Almidn Count LS Mean LS Sigma Homogeneous Groups
--------------------------------------------------------------------------------
30 12 0.631992 0.00514945 X
26 12 0.817367 0.00514945 X
40 12 0.9384 0.00514945 X
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
26 - 30 *0.185375 0.0149423
26 - 40 *-0.121033 0.0149423
30 - 40 *-0.306408 0.0149423
--------------------------------------------------------------------------------
Grfica de Medias:
Lo mismo se puede hacer para el otro factor, obtenindose:
Multiple Range Tests for %_Friabilidad by T_Almidn
--------------------------------------------------------------------------------
T_Almidn Count LS Mean LS Sigma Homogeneous Groups
--------------------------------------------------------------------------------
APregelatinizad12 0.63805 0.00514945 X
Almidn 12 0.8036 0.00514945 X
Dextrina 12 0.946108 0.00514945 X
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
APregelatinizado - Almidn *-0.16555 0.0149423
APregelatinizado - Dextrina *-0.308058 0.0149423
Almidn - Dextrina *-0.142508 0.0149423
--------------------------------------------------------------------------------
Conclusiones: Tanto para el porcentaje de almidn como para el tipo de almidn se
observan 3 grupos homogneos, en este caso, todos los tratamiento son diferentes entre
s, como se desea maximizar la friabilidad, se considera que con 40% de Dextrina se
obtienen los mejores resultados, dadas sus medias.
Sin embargo, en este tipo de problemas, una grfica til es la grfica de interaccin, que
nos muestra como se comporta la variable de respuesta con respecto a los factores.

Se puede observar en la grfica que para todos los casos la dextrina presenta la mayor
friabilidad, y para todos los tipos de almidn el 40% es la cantidad de almidn que
presenta mayor friabilidad.
Conclusiones:
Con base a la prueba de LSD para el tipo de almidn se recomienda utilizar dextrina.
Con base a la prueba de LSD para la cantidad de almidn se recomienda utilizar 40%.
De acuerdo a la grfica de interaccin se recomienda utilizar dextrina a un 40%.
Con base a los resultados anteriores se pude concluir que el utilizar dextrina al 40%
maximiza el % de friabilidad de las tabletas.
7. EXPERIMENTOS FACTORIALES (Diseos 2
k
)
Los diseos factoriales son ampliamente utilizados en experimentos en los que
intervienen varios factores para estudiar el conjunto de stos sobre una respuesta. Un
caso especial e importante ocurre cuando se tienen k factores, cada uno con dos niveles:
Cuantitativos (valores de temperatura, presin o tiempo), o Cualitativos (dos mquinas,
dos operadores, los niveles superior e inferior de un factor, la ausencia o presencia de un
factor).
Una rplica completa de tal diseo requiere que se recopilen 2*2**2 = 2
k

observaciones y que se conoce como diseo factorial. Se supone que:
1) los factores son fijos,
2) los diseos son completamente aleatorizados, y
3) se satisface la suposicin de normalidad.
En la mayora de los problemas reales los factores que pueden afectar a la variable de
respuesta estudiada son numerosos. El procedimiento tpico (y equivocado) para
abordar este tipo de problemas, es hacer pruebas. ste es desaconsejable porque:
Es muy costoso (exige muchas pruebas)
Las conclusiones obtenidas para cada factor tienen un campo de validez muy
restringido.
No permite detectar la presencia de interacciones.
No garantiza la obtencin de las condiciones ptimas.

La alternativa: Diseo de Experimentos para Estudiar Simultneamente Todos los
Factores.
El diseo 2
k
es particularmente til en las primeras fases del trabajo experimental,
cuando es probable que haya muchos factores por investigar si tienen influencia sobre la
variable de respuesta.
Este diseo es el ms econmico en el sentido de que es el diseo factorial completo
que implica el menor nmero de corridas con las cuales pueden estudiarse k factores.
Debido a que slo hay dos niveles para cada factor, debe suponerse que la respuesta es
aproximadamente lineal en el intervalo de los niveles elegidos de los factores.
Por diseo factorial se entiende: Cuando cada repeticin o rplica completa del
experimento se estudian todas las combinaciones posibles de los niveles de los factores.
Los diseos factoriales son los ms caros y por tanto los menos utilizados por las
empresas.
7. Experimentos Factoriales (Diseos
2
k
)
Los diseos 2
k
son diseos en donde se reduce el nmero de experimentos
tratamientos, son recomendado cuando se estudiantuchos factores y es el inicio de una
investigacin donde no se ha hecho nada.
Se tienen dos niveles por cada factor, uno alto y otro bajo, al hacer el experimento se
detecta entonces si hay algn cambio o comportamiento.
La falla en el diseo es que si el resultado o comportamiento no es lineal, no se
detectar cambio al final pues slo son dos puntos los que se toman en cuenta y no los
intermedios.
DISEO 2
3
Un diseo de las serie 2
k
es aquel que tiene tres factores, A, B y C, cada uno con dos
niveles. Este diseo se conoce como diseo factorial 2
3
. Arbitrariamente, los niveles del
factor pueden llamarse inferior y superior.
Por convencin, el efecto de un factor se denota por la letra latina mayscula. De este
modo A se refiere al efecto del factor A, B se refiere al efecto del factor B, y AB
se refiere a la interaccin A-B. En el diseo 2
3
, los niveles bajo y alto de los efectos A,
B y C se denotan por y +, respectivamente.
Problema:
Un ingeniero est interesado en el efecto que tiene la rapidez de corte (factor A), la
configuracin (factor B) y el ngulo de corte (factor C) sobre la resistencia de una
herramienta. Se eligen dos niveles de cada factor y se realiza un diseo factorial 2
3
con
dos rplicas. Los resultados se muestran a continuacin:
Combinacin A B C Rplica I Rplica II
(1)
a
b
ab
c
ac
bc
abc
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
18.2
27.2
15.9
41.0
12.9
22.4
15.1
36.3
18.9
24.0
14.5
43.9
14.4
22.5
14.2
39.9
Variable de Respuesta: Resistencia de una herramienta
Factores Controlados:
Rapidez de corte (A)
Configuracin (B)
ngulo de Corte (C)
Hiptesis:
2
k
)
H0 : No influye la rapidez de corte en la resistencia de una herramienta.
H1 : Si influye la rapidez de corte en la resistencia de una herramienta.
H0 : No influye la configuracin en la resistencia de una herramienta.
H1 : Si influye la configuracin en la resistencia de una herramienta.
H0 : No influye el ngulo de corte en la resistencia de una herramienta.
H1 : Si influye el ngulo de corte en la resistencia de una herramienta.
H0 : No hay efecto de interaccin entre la rapidez de corte y la configuracin la
resistencia de una herramienta.
H1 : Si hay efecto de interaccin entre la rapidez de corte y la configuracin la
H0 : No hay efecto de interaccin entre la rapidez de corte y el ngulo de corte la
H1 : Si hay efecto de interaccin entre la rapidez de corte y el ngulo de corte la
H0 : No hay efecto de interaccin entre la configuracin y el ngulo de corte la
H1 : Si hay efecto de interaccin entre la configuracin y el ngulo de corte la
H0 : No hay efecto de interaccin entre la rapidez de corte, la configuracin y el ngulo
de corte la resistencia de una herramienta.
H1 : Si hay efecto de interaccin entre la rapidez de corte, la configuracin y el ngulo
de corte la resistencia de una herramienta.
SOLUCIN ESTADSTICA DEL DISEO 2
3
1. Calcular los signos de las interacciones
Combinacin A B C ab ac bc abc RepI RepII
Suma
(1)
a
b
ab
c
ac
bc
abc
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
+
-
-
+
+
-
-
+
+
-
+
-
-
+
-
+
+
+
-
-
-
-
+
+
-
+
+
-
+
-
-
+
18.2
27.2
15.9
41.0
12.9
22.4
15.1
36.3
18.9
24.0
14.5
43.9
14.4
22.5
14.2
39.9
37.1
51.2
30.4
84.9
27.3
44.9
29.3
76.2
Nota: Statgraphics hace esto por usted.
2. Calcular los contrastes de los efectos. El contraste se define como el efecto total y se
obtiene mediante la siguiente ecuacin modelo:
2
k
)
Contraste(A) = (A+)-(A-)=(51.2+84.9+44.9+76.2)-(37.1+30.4+27.3+29.3)=133.1
As se calcula para cada uno de los factores e interacciones.
3. Se calculan los efectos promedios mediante la siguiente ecuacin modelo:
Efecto Promedio (A) = Contraste(A)/(2
k-1
)n=133.1/(2
3-1
)*2=133.1/8=16.63
k es el nmero de factores y n es el nmero de rplicas.
Tabla de Estimaciones de los Efectos Promedio para la Resistencia
Estimated effects for Resistencia
----------------------------------------------------------------------
average = 23.8312 +/- 0.38084
A:Rapidez = 16.6375 +/- 0.76168
B:Configuracion = 7.5375 +/- 0.76168
C:Angulo = -3.2375 +/- 0.76168
AB = 8.7125 +/- 0.76168
AC = -0.5125 +/- 0.76168
BC = 0.7875 +/- 0.76168
ABC = -1.3875 +/- 0.76168
----------------------------------------------------------------------
Standard errors are based on total error with 8 d.f.
4. Se hace la grfica de Pareto para determinar cuales son los factores ms importantes
y cuales son los no importantes.
De acuerdo a la grfica, los efecto ms importantes son Rapidez, Configuracin y el
efecto de la Interaccin Rapidez Configuracin.
5. Suma de Cuadrados
SS(A) = (Contraste(A))
2
/(2
k
)n=((A+)-(A-))
2
/(2
k
)n=(133.1)
2
/(8*2)=1107.22
2
k
)
En la primera parte de la ecuacin se suma cada dato de las rplicas al cuadrado. En la
segunda parte se suman los datos de las rplicas y se divide por el nmero de datos.
SSTotal = 10796.68 9086-85 = 1709.84
SSError = SSTotal SSA SSB SSC SSab SSac SSbc SSabc
SSError = 1709.84 1107.22 227.25 41.92 303.63 1.05 2.48 7.70 = 18.565
6. Grados de libertad
Efecto Grados de Libertad
a
b
c
ab
ac
bc
abc
error
Total
a 1 = 2 1 = 1
b 1 = 2 1 = 1
c 1 = 2 1 = 1
(a 1)(b 1) = 1 x 1 = 1
(a 1)(c 1) = 1 x 1 = 1
(b 1)(c 1) = 1 x 1 = 1
(a-1)(b-1)(c-1) = 1x1x1=1
abc(n 1) = 2x2x2x2 = 8
n 1 = 16 1 = 15
7. Cuadrados Medios
CMA = SSA / (a 1) = 1107.22/1 = 1107.22
CMabc = SSabc / (a 1)(b 1)(c 1) = 7.70 / 1 = 7.70
CMError = SSError / abc(n 1) = 18.565/8 = 2.32
8. Clculo de la F
Efecto A CMA / CMError = 1107.22/2.32 = 477.25
2
k
)
Analysis of Variance for Resistencia
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
A:Rapidez 1107.23 1 1107.23 477.12 0.0000
B:Configuracion 227.256 1 227.256 97.93 0.0000
C:Angulo 41.9256 1 41.9256 18.07 0.0028
AB 303.631 1 303.631 130.84 0.0000
AC 1.05063 1 1.05063 0.45 0.5200
BC 2.48063 1 2.48063 1.07 0.3314
ABC 7.70063 1 7.70063 3.32 0.1060
Total error 18.565 8 2.32063
--------------------------------------------------------------------------------
Total (corr.) 1709.83 15
R-squared = 98.9142 percent
R-squared (adjusted for d.f.) = 97.9642 percent
Standard Error of Est. = 1.52336
R-squared = (SSTotal SSError)/SSTotal = (1709.83 18.565)/1709.83 = 0.989142
R-squared (adjusted for d.f.) = (CMTotal CMError)/CMTotal
9. Conclusiones del ANOVA
Son significativos los efectos de la rapidez de corte (A), la configuracin (B), el ngulo
de corte (C) y la interaccin de la rapidez y la configuracin, con una confianza
estadstica del 95%.
10. Grfica de Pareto Estandarizada
De acuerdo a esta grfica los efectos significativos, son Rapidez, Configuracin,
ngulo de corte y la interaccin Rapidez Configuracin, esto con un 95% de
confianza.
2
k
)
11. Anlisis Complementario
Grficas de Efectos
Existe un efecto positivo cuando se cambia de nivel bajo a nivel alto. Se recomienda
usar nivel alto de la rapidez de corte.
Existe un efecto positivo cuando se cambia de nivel bajo a nivel alto. Se recomienda
usar un nivel alto de configuracin.
Se observa un efecto negativo cuando se cambia de nivel bajo a nivel alto. Se
recomienda usar el nivel bajo del ngulo.
2
k
)
Si se trabaja en el nivel bajo de la rapidez de corte y se cambia de nivel bajo a nivel alto
en la configuracin se observa que no hay un cambio en la resistencia.
Si se trabaja en nivel alto de la rapidez de corte y se cambia de nivel bajo a nivel alto en
la configuracin se nota un incremento en la resistencia.
Se recomienda usar nivel alto de la rapidez de corte y nivel alto de la configuracin.
Conclusin y Recomendacin
Los efectos significativos son: Rapidez de corte, configuracin y ngulo de corte,
adems de la interaccin de rapidez de corte y configuracin. Los niveles recomendado
para obtener la mayor resistencia son nivel alto de rapidez de corte, nivel alto de
configuracin y nivel bajo de ngulo de corte.
PASOS PARA EL ANLISIS ESTADSTICO DE UN DISEO 2
K
1. Entender el problema
- Tipo de factores controlados
- Variable de respuesta (maximizar, minimiza, objetivo)
2. Estimar efectos y graficarlos en Pareto
Ver cuales efectos parecen significativos. Apoyarse en la grfica de
Daniel.
3. Hacer un ANOVA
4. Verificar supuestos
- Igualdad de varianza inducida por los niveles de los factores.
- Varianza similar (Residuales contra Pedichos)
- Normalidad e Independencia
2
k
)
5. Optimizar (elegir la mejor combinacin)
Fijar niveles en el orden que Pareto ubic los efectos. Recurrir a la
grfica de efectos para aclarar y confirmar.
6. Conclusiones
CORRIENDO EL DISEO EN STATGRAPHICS CENTURION (PANTALLAS)
1. En la barra de herramientas, seleccione DOE Design Creation Create New
Design
2. En el cuadro de dilogo seleccione Screening. Seleccione el nmero de variables de
respuesta y el nmero de factores. Haga clic en OK. Nota: El nmero de niveles de
factor no se define en esta ventana. Recuerde que el Nmero de factores experimentales
se refiere a la cantidad de variables que analiza para verificar la influencia sobre un
tratamiento, no a la cantidad de niveles que le haya asignado a cada una.
2
k
)
3. Aparece la siguiente ventana:
En esta ventana usted deber indicar el nombre de cada factor, si lo desea puede definir
los valores correspondientes al nivel bajo y alto o dejarlo as como aparece
predeterminado, esto ltimo equivale a evaluar el diseo en niveles codificados. Puede
tambin incluir las unidades en que se estar midiendo, si omite este valor no hay
problema. Active la casilla continuous cuando la variable sea continua o desactvela si
la variable es discreta o bien, solamente le interese evaluar el efecto puntual de esos
niveles, de esta manera el programa no har extrapolacin.
4. Una vez que haya definido los valores de los factores, aparece la siguiente ventana:
Escriba el nombre de la variable de respuesta adems de las unidades si es que desea
hacer esto ltimo. Despus haga clic en OK. Si se ha equivocado o quiere verificar algo
haga clic en BACK para regresar a la ventana anterior.
2
k
)
5. Seleccione el tipo de diseo que desea:
Para desplegar los diseos posibles haga clic en el botn de flecha que est a la extrema
derecha de la pantalla. El diseo en este caso es un Factorial 2
3
, por lo cual bastara con
hacer clic en OK. Si desea cambiar el diseo puede desplazarse en el men con las
flechas hacia arriba o hacia abajo o bien directamente con el puntero del ratn, una vez
finalizada la seleccin haga clic en OK.
6. Aparecer el cuadro de dilogo de opciones, que para este diseo es como sigue:
Como predeterminado en este modelo de 3 factores se definen 8 corridas
experimentales con 1 g.l. en el error. Nos da la opcin de incluir puntos centrales en el
2
k
)
diseo, eso indica que a cada factor le dar un valor medio aparte de los ya establecidos
alto y bajo. En la casilla Number del recuadro Centerpoints elija cuntos puntos
centrales se agregarn a cada factor. En el recuadro Placement, indique si usted quiere
que Statgraphics haga la aleatorizacin (seleccionando Random) de los puntos
centrales; si seleccona Spaced le incluir los puntos centrales entre las corridas del
diseo; si selecciona First, los puntos centrales se indicarn como las primeras corridas
y Last hace lo contrario.
En el recuadro Replicate Design seleccione el nmero de replicas del experimento, en el
caso del ejemplo teclee 1, esto es, un diseo con una rplica, es decir, la corrida original
ms una corrida de rplica. Active la casilla Randomize si usted desea que Statgraphics
aleatorice el orden de corrida de cada experimento por usted. Finalmente haga clic en
OK.
Nota: Este diseo no incluye puntos centrales, as que dejaremos el nmero
preestablecido cero (0).
7. Aparecer la pantalla con la informacin del diseo.
2
k
)
8. Al hacer clic en DataBook en el men que aparece a la izquierda de la ventana,
aparecer la matriz de diseo experimental:
En este caso aparecen los tratamientos en orden especfico (sin aleatorizar). La columna
BLOCK indica el grupo de experimentos, marca con el 1 los tratamientos que se corren
primero para completar una corrida experimental y con el 2 los tratamientos que se
corrieron por separado para completar otra corrida.
9. Introduzca los datos de la variable de respuesta correspondientes y luego en la barra
de herramientas seleccione DOE Design Analysis Analyze Design
Ejemplo: Un producto qumico se produce en un recipiente a presin. Se realiza un
experimento factorial en la planta piloto para estudiar los efecto que se cree influyen
sobre la tasa de filtracin de ese producto. Los cuatro factores son temperatura (A),
presin (B), concentracin de reactivos (C) y rapidez de mezclado (D). Cada factores
esta presente en dos niveles. El ingeniero de proceso est interesado en maximizar la
rapidez de filtracin. Las condiciones actuales dan por resultado una velocidad de
filtracin aproximadamente de 75 gal/h. adems en el proceso se utiliza actualmente
el nivel alto del factor C (concentracin de reactivos). El ingeniero desea reducir todo
lo posible esta concentracin de reactivos, pero ha sido incapaz de hacerlo en virtud
de que ello siempre ha dado por resultado menores velocidades de filtracin. Cada
2
k
)
factor est presente en dos niveles. Los datos recopilados se presentan a
continuacin:
Factor_A Factor_B Factor_C Factor_D Combinacin
Rapidez de
Filtracin
-1 -1 -1 -1 (1) 45
1 -1 -1 -1 a 71
-1 1 -1 -1 b 48
1 1 -1 -1 ab 65
-1 -1 1 -1 c 68
1 -1 1 -1 ac 60
-1 1 1 -1 bc 80
1 1 1 -1 abc 65
-1 -1 -1 1 d 43
1 -1 -1 1 ad 100
-1 1 -1 1 bd 45
1 1 -1 1 abd 104
-1 -1 1 1 cd 75
1 -1 1 1 acd 86
-1 1 1 1 bcd 70
1 1 1 1 abcd 96
1. Grfica de Pareto
Conforme a esta grfica los efectos importantes son: A, AC, AD, D, C.
2
k
)
2. Grfica de Daniel
Los efectos significativos son aquellos que estn fuera de la lnea, en este caso son A,
C, D, AC, AD.
Estos son los 5 efectos posibles significativos: A, AD, D, C, AC. No hay efectos
triples y cudruples que sean significativos. Lo que nos permite eliminar todas las
interacciones triples y cudruples, dejando slo las interacciones dobles.
3. Eliminando Efectos No Significativos. Dar clic con el botn derecho del ratn
sobre el espacio de la grfica de Pareto, aparece el siguiente cuadro de dilogo.
En Maximum order effects se escribe con nmero el orden mayor de interacciones,
en este caso se tienen 4. Hay dos formas de eliminar los efectos triples y cudruples.
La primera es escribir en el espacio de Efecto de Mximo Orden el nmero 2, eso
elimina efectos superiores a 2. Sin embargo en algunas ocasiones sin embargo puede
suceder que algn efecto de mayor orden sea significativo entonces lo que se hace es
eliminar los no significativos, para eso se utiliza el botn Exclude
2
k
)
Aparece el cuadro de dilogo siguiente:
Aqu aparecen todos los factores con sus interacciones, se da doble clic en el factor a
eliminar, y se van eliminando uno por uno. En esta ocasin utilizaremos la Pantalla
de Maximum Order Effects y tecleamos el 2, as eliminamos de una vez las
interacciones triples y cudruples.
Analysis of Variance for Rap_Filtr
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
A:Factor_A 1870.56 1 1870.56 73.18 0.0004
B:Factor_B 39.0625 1 39.0625 1.53 0.2713
C:Factor_C 390.063 1 390.063 15.26 0.0113
D:Factor_D 855.563 1 855.563 33.47 0.0022
AB 0.0625 1 0.0625 0.00 0.9625
AC 1314.06 1 1314.06 51.41 0.0008
AD 1105.56 1 1105.56 43.25 0.0012
BC 22.5625 1 22.5625 0.88 0.3906
BD 0.5625 1 0.5625 0.02 0.8879
CD 5.0625 1 5.0625 0.20 0.6749
Total error 127.813 5 25.5625
--------------------------------------------------------------------------------
Total (corr.) 5730.94 15
El nuevo Pareto y la Tabla de ANOVA muestran los efectos significativos. Aquellos
con P-Value menor a 0.05 sern los que se tomen como siginificativos. Para el
ejemplo son, A, C, D, AC, AD. Sin embargo, los grados de libertad de este ANOVA
son slo 5, se necesitan mnimo 8, por lo cual se van eliminando los efectos con
menor significancia. El primero que habra que eliminar es la interaccin AB. Esto se
2
k
)
hace como se indic antes con el botn Exclude una vez excluidos los factores no
significativos queda el siguiente ANOVA.
Analysis of Variance for Rap_Filtr
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
A:Factor_A 1870.56 1 1870.56 95.86 0.0000
C:Factor_C 390.063 1 390.063 19.99 0.0012
D:Factor_D 855.563 1 855.563 43.85 0.0001
AC 1314.06 1 1314.06 67.34 0.0000
AD 1105.56 1 1105.56 56.66 0.0000
Total error 195.125 10 19.5125
--------------------------------------------------------------------------------
Total (corr.) 5730.94 15
Nota: Cada que se elimina un factor es necesario observar como cambi la tabla de
ANOVA y verificar si algn efecto que no era significativo se convirti en
significativo.
Entonces, con una confianza estadstica del 95% los efectos que son significativos
son los siguientes: A, C, D, AC, AD. El error est bien estimado ya que cuenta con 10
g.l. El R
2
ajustado es bastante bueno, de 94.8929% y mejor que el ANOVA anterior.
4. Anlisis Complementarios.
GRFICAS DE EFECTO PROMEDIO
Se observa un efecto positivo, cuando se cambia de nivel bajo a nivel alto
incrementndose la tasa de filtracin. Para mayor rapidez entonces se recomienda
usar el nivel alto del efecto simple A.
2
k
)
Para el efecto simple del Factor C
Se observa un efecto positivo cuando se cambia de nivel bajo a nivel alto
utilizar un nivel alto de C.

Se observa un efecto positivo cuando se cambia de nivel bajo a nivel alto
utilizar un nivel alto de D.
GRFICAS DE INTERACCIONES
Interaccin AC
2
k
)
Cuando se fija en nivel alto el efecto de C y se cambia el factor A de nivel bajo a
nivel alto, la tasa de filtracin cambia ligeramente. Cuando se fija C en nivel bajo y
se cambia el factor A de nivel bajo a nivel alto la tasa de filtracin se incrementa de
notablemente.
Interaccin AD
Cuando se fija el factor D a nivel bajo, un cambio en los niveles de A no presenta
diferencias notables, sin embargo esto si se observa cuando el factor D se ha fijado en
nivel alto, el nivel alto de A da mejores resultados.
DISCUSIN DE RESULTADOS
Por los resultados de la tabla de ANOVA y el Pareto, encontramos que el efecto de la
interaccin AC es ms importante que el efecto simple de C, lo que hace que
aparentemente los resultados de la grfica de efectos de C y la grfica de interaccin
de AC se contradigan. Ya que la primera grfica recomienda usar el nivel alto de C
mientras que la segunda recomienda que se use el nivel bajo de C. En estos casos
cuando la interaccin de un efecto es ms importante que el efecto simple, se toman
en cuenta los resultados de la interaccin. Por consiguiente conforme a los resultados
anteriores la combinacin que se recomienda utilizar es la de nivel alto del efecto A,
nivel bajo del efecto C y nivel alto del efecto D y el efecto B se trabajar en el nivel
que ms convenga (ya sea el de menor costo o el de mayor facilidad de aplicacin) ya
que el factor no influye ni por si slo ni en interaccin con otro.
2
k
)
GRFICA DE RESPUESTA
En las grficas se puede observar que la combinacin que maximiza la rapidez de
filtracin es: Nivel alto de A, nivel bajo de C, nivel alto de D, sin importar el nivel de
B.
La grfica de superficie nos permite analizar el efecto de dos factores a la vez cuando
los dems se mantienen fijos, de acuerdo a la regin por color se observa un valor de
la variable de respuesta.
2
k
)
OTROS CRITERIOS ADICIONALES PARA PODER DECIDIR SI SE MANDA
UN EFECTO O NO AL ERROR ALEATORIO
1. Los efectos cuyos ANOVAS preliminares andan alrededor de 0.20 o menores
no se excluyen del anlisis necesariamente. Esta decisin es ms confiable
cuando dichos ANOVAS preliminares ya alcanzaron al menos 8 grados de
libertad para el error. Si primero se excluyen los efectos que son claramente
no significativos de acuerdo a la grfica de Daniel y al Parteo, se pueden
lograr ANOVAS cuyas significancias dan informacin til para excluir o no
los efectos restantes.
2. Los grados de libertad del error deben ser al menos 8 grados de libertad para
tener un ANOVA ms confiable.
3. El R
2
ajustado del modelo en los ANOVAS preliminares, cuando se van
eliminando efectos que no son significativos, el estadstico R
2
ajustado crece.
En el momento que se elimina un efecto y este estadstico decrece, significa
que ese efecto no debe excluirse, aunque tambin se toma la magnitud del
decrecimiento. Se requiere que el decrecimiento mencionado sea de cuando
menos el 3% para que valga la pena incluir el efecto de nuevo.
2
k
)
8. FRACCIONES FACTORIALES
Si el numero de factores a estudiar no es reducido los planes factoriales equilibrados
(por ejemplo. los planes 2
k
) exigen un nmero muy elevado de pruebas.
Ejemplo: Estudio para mejorar el proceso de activacin de un catalizador con el fin de
aumentar su productividad en el reactor. Factores potencialmente interesante ( Asociados
sobre todo a diferentes parmetros del perfil de temperatura en el activador): 11 Nmero
de activaciones a realizar en un 2
11
=2048!
SOLUCIN
EMPLEAR COMO DISEO UNA FRACCIN FACTORIAL
En el ejemplo bastara realizar slo 16 pruebas ! (adecuadamente escogidas entre las
2048 posibles) para poder estimar los efectos simples de los 11 factores (usando el
"Orthogonal Array" que Taguclii denomina L11).
Fracciones Factoriales: Planteamiento
*En principio un plan 2
k
permite estudiar un nmero muy elevado de posibles efectos. Por
ejemplo a partir de los 64 resultados de un diseo 2
6
es posible estudiar:
6 Efectos Simples
15 Interacciones Dobles
20 Interacciones Triples
15 Interacciones Cudruples
6 Interacciones Quntuples
1 Interaccin Sextuple
Cada uno de estos efectos se estima con una gran precisin, como la diferencia entre las
medias de dos conjuntos de 32 observaciones cada uno.
*La mayor parte de estos 63 efectos sern inexistentes (vg. muy posiblemente
todas las interacciones de orden mayor que 2 y muchas de las interacciones dobles).
Adems la precisin obtenida puede ser innecesariamente elevada para el estudio.
*No sera posible reducir el tamao del experimento, sacrificando algo la precisin y la
posibilidad de estudiar interacciones de orden elevado?.

8. Fracciones Factoriales (Diseos 2
k-n
)
SOLUCIN
USAR FRACCIONES FACTORIALES!
DISEO FRACCIN UN MEDIO 2
k-1
* El diseo fraccin un medio consiste en tomar la mitad de combinaciones de un
diseo 2
k
completo.
*Se usa en las primeras fases de experimentacin.
* Se recomienda aplicar cuando se estudian de 4 a 6 factores.
PROCEDIMIENTO PARA OBTENER UN DISEO FRACCIN UN MEDIO
Supongamos que se quiere investigar la influencia de 4 factores en una variable de
respuesta. El diseo 2
k
arrojara 16 pruebas, pero es posible estudiar el efecto de los 4
factores en la mitad de las pruebas. Para construir un modelo 2
k-1
existen dos mtodos:
1) Construir un plan completo asociado a k-1 de los factores y asociar el factor restante
a la interaccin entre los k-1 primeros.
Prueba A B C D=ABC
1 - - - -
2 + - - +
3 - + - +
4 + + - -
5 - - + +
6 + - + -
7 - + + -
8 + + + +
Primero se crea el diseo con tres factores A, B y C, luego se calculan los signos del
factor D con los signos de interaccin.
2) Construir un plan 2
k
y seleccionar slo las pruebas que correspondan al signo
positivo (o al -) de la interaccin de orden ms elevado. Ejemplo (usando el mtodo
dos):
k-n
)
Plan 2
4-1
Prueba A B C ABCD
1 - - - +
2 + - - +
3 - + - +
4 + + - +
5 - - + +
6 + - + +
7 - + + +
8 + + + +
Al efecto utilizado para construir la fraccin (es decir, al que tiene el mismo signo en
todas las pruebas, en el ejemplo ABCD) se denomina generador de la fraccin. El
nmero de letras del generador se denomina resolucin de la fraccin expresndose en
nmeros romanos, en el ejemplo el diseo es de resolucin IV.
Una fraccin factorial permite estudiar el efecto de k factores con el menor nmero de
pruebas que el que exigira un plan factorial completo (la reduccin en el nmero de
pruebas puede ser muy importante)
A cambio de:
*No poder estudiar ciertos efectos (los generadores de la fraccin que son en general
interacciones de orden elevado).
*Confundir entre si algunos efectos de los que se pueden estudiar (por ejemplo, el
efecto simple de A con la interaccin BCD o la interaccin AB con la CD).
Una "buena" fraccin factorial debe:
-No confundir nunca efectos simples entre s.
-Procurar no confundir efectos simples con interacciones dobles.
-De ser posible, no confundir tampoco interacciones dobles entre s.
Regla practica para estudiar la confusin de efectos.
*A1 efecto utilizado para construir la fraccin (es decir, al que tiene el mismo signo en
todas las pruebas) se denomina generador de la fraccin. El nmero de letras del
generador se denomina resolucin de la fraccin expresndose en nmeros romanos.
*Los planes 2
k-1
tiene un slo generador que normalmente es la interaccin de orden
ms elevado. Los planes 2
k-p
, cuyo nmero de pruebas es menor que la mitad del plan
completo (por ejemplo la cuarta o la octava parte), tiene varios generadores.
k-n
)
*E1 efecto asociado al generador no puede estudiarse.
* Cualquier otro efecto esta confundido con el que resulta de multiplicar las letras del
efecto por las del generador y tachar los cuadrados.
En ej empl o: gener ador ABCD ( r esol uci n I V) A se confunde con:
A*ABCD=A
2
BCD=BCD
AB con: AB*ABCD = A
2
B
2
CD = CD
De acuerdo con esta regla:
En las fracciones Resolucin III por lo menos un efecto simple estar confundido con
alguna interaccin doble.
En las fracciones Resolucin IV los efecto simples no estarn confundidos con
interacciones dobles.
En las fracciones Resolucin V (generadores de 5 letras) las interacciones dobles no
estarn confundidas entre s.
k-n
)
9. SUPERFICIE DE RESPUESTA
Este tipo de diseos normalmente se emplean en las ltimas fases de la

experimentacin.
Su aplicacin se hace indispensable, si despus de haber identificado los factores

significativos (a travs de experimentos de diagnstico), se considera necesario
explorar la relacin entre factor y la variable dependiente dentro de la regin
experimental, y no solamente en las fronteras (como se hace en los diseos
factoriales).
Estos diseos y su optimizacin constituyen la fase final; por lo tanto, en

algunos casos, no se requerir de su utilizacin.
Tratar de emplear esta tcnica antes de haber identificado (mediante el uso de

experimentos de diagnstico, experiencia o teora) cuales factores son
relevantes, generalmente conducir a resultados incompletos (imprecisos).
9.1 INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE
RESPUESTA
La Metodologa de Superficie de Respuesta (MSR) es un conjunto de tcnicas tiles
para modelar y analizar problemas en los cuales una respuesta de inters es INFLUIDA
por varias variables (factores, de 2 a 6), y el objetivo es optimizar esta respuesta.
La MSR se emplea en las siguientes etapas:
1. MSR es secuencial. Si se est lejos del punto ptimo la MSR gua eficaz y
rpidamente a la cercana del ptimo.
2. Estando cerca del ptimo se usa un diseo apropiado para que con los datos
obtenidos se determine una ecuacin general que se emplear para proyecciones.
3. Aplicacin de tcnicas de regresin lineal mltiple para seleccionar la mejor
ecuacin que modele el comportamiento de los datos.
4. Anlisis de la superficie ajustada mediante grficas de contorno y otras tcnicas
matemticas y numricas.
Ejemplo, supngase que un ingeniero qumico desea determinar los niveles de
temperatura (x1) y presin (x2) que maximizan el rendimiento (y) de un proceso. El
rendimiento del proceso es funcin de los niveles de temperatura y presin, es decir:
y = f(x1, x2) +
9. Superficie de Respuesta
donde representa el ruido o error observado en la respuesta y. Si la respuesta esperada
se denota por E(y) = f (x1,x2) = , entonces la superficie es representada por = f
(x1,x2).
Es posible representar grficamente la superficie de respuesta como se muestra en la
siguiente figura, donde se grafica contra los niveles de x1 y x2. Obsrvese que la
respuesta se representa como una superficie slida en un espacio tridimensional.

Para visualizar mejor la forma de una superficie de respuesta, a menudo se grafican los
contornos de dicha superficie como se muestra en la figura siguiente. En esta grfica de
contornos se trazan lneas de respuesta constante en el plano x1, x2.
En la mayora de los problemas de MSR, la forma de la relacin entre la variable de
respuesta y las variables independientes se desconoce. Por ello, el primer paso en la
MSR consiste en determinar una aproximacin apropiada a la relacin funcional real
entre y y el conjunto de variables independientes. Por lo general se emplea un
polinomio de orden bajo sobre alguna regin de las variables independientes. Si la
respuesta es descrita adecuadamente por una funcin lineal de las variables
independientes, la funcin de aproximacin es el modelo de primer orden
y = 0 + 1x1 + 2x2 + + kxk +
Cuando existe curvatura, debe usarse un polinomio de mayor grado, por ejemplo el
modelo de segundo orden,
Casi todos los problemas de MSR utilizan uno o ambos polinomios de aproximacin.
Por supuesto, es improbable que un modelo polinomial sea una aproximacin razonable
de la relacin funcional real sobre todo el dominio de las variables independientes. Sin
embargo, funcionan muy bien en regiones relativamente pequeas de las variables
independientes.
El mtodo de mnimos cuadrados, sirve para estimar los parmetros del polinomio de
aproximacin. El anlisis de la superficie de respuesta se hace luego en trminos de la
superficie ajustada. Tal anlisis ser una aproximacin equivalente al anlisis del
sistema real, si la superficie ajustada es una aproximacin adecuada a la funcin de
respuesta real. La estimacin de los parmetros del modelo se hace ms eficazmente si
se utilizan los diseos experimentales apropiados para recopilar datos. A menudo, los
diseos usados para ajustar superficies de respuesta se denominan diseos de superficie
de respuesta.
La MSR es una tcnica secuencial. A menudo, cuando se considera un punto sobre la
superficie de respuesta alejado del ptimo, como las condiciones de operacin actuales
de la figura anterior de contornos, el polinomio de primer grado es apropiado porque
existe poca curvatura en el sistema. En este caso, el objetivo consiste en guiar al
experimentador rpida y eficientemente la cercana general del punto ptimo. Una vez
que se ha determinado la regin del punto ptimo, puede emplearse un modelo ms
elaborado, como por ejemplo una superficie de respuesta de segundo grado, y realizar
un anlisis para localizar el ptimo. A partir de la grfica de contornos anterior se
observa que el anlisis de la superficie de respuesta puede interpretarse como el
ascenso de una loma, donde la cima representa el punto de la respuesta mxima. Si el
ptimo real es un punto de respuesta mnima, se puede pensar en el descenso hacia un
valle.
El objetivo eventual de la MSR consiste en determinar las condiciones de operacin
ptima para un sistema, o determinar la regin del espacio de los factores en la que se
satisfacen las condiciones de operacin. La MSR no se usa principalmente para obtener
un mayor rendimiento del mecanismo fsico del sistema, a pesar de que la MSR puede
ser til para adquirir dicho conocimiento. Ms an, debe observarse que el ptimo de
la MSR se utiliza en el sentido espacial. Los procedimientos de la MSR para escalar
una loma garantizan la convergencia slo hacia un ptimo relativo.
9.2 MTODOLOGA DE MXIMA PENDIENTE DE ASCENSO
Con frecuencia, la estimacin inicial de las condiciones de operacin ptimas par un
sistema estar alejada del ptimo real. En tales circunstancias, el objetivo del
experimento es moverse rpidamente a la vecindad general del ptimo. Se deseaa usar
un procedimiento experimental simple y econmicamente eficiente. En la lejana de un
ptimo, generalmente se supone que el modelo de primer orden es una aproximacin
adecuada a la superficie real en regiones pequeas de las Xs.
El mtodo de mxima pendiente con ascenso es un procedimiento para recorrer
secuencialmente a lo largo de la trayectoria de la mxima pendiente; en otras palabras,
en la direccin del mximo incremento de la respuesta. Por supuesto, si se desea la
minimizacin se hablar del mtodo de mxima pendiente en descenso. El modelo de
primer orden ajustado es
y = 0 + 1x1 + 2x2 + + kxk +
y la superficie de respuesta, o sea, las curvas de nivel de consta de una serie de rectas
paralelas, como se muestra en la figura que sigue. La direccin de ascenso mximo es
aquella en la que aumenta ms rpidamente. Esta direccin es paralela a la normal de
la superficie de respuesta ajustada. Por lo regular, la trayectoria de mxima pendiente en
ascenso se toma como la recta que atraviesa el centro de la regin de inters y es normal
a la superficie ajustada. Por lo tanto, los incrementos a lo largo de la trayectoria son
proporcionales a los coeficientes de regresin i. El tamao del incremento lo determina
el experimentador con base a su experiencia con el proceso u otras consideraciones
prcticas.
Los experimentos se llevan a cabo a lo largo de la trayectoria e mximo ascenso hasta
que deje de observarse un incremento adicional en la respuesta. Entonces puede
ajustarse un nuevo modelo de primer orden, determinar una nueva trayectoria de
ascenso mximo y continuar con el procedimiento. Por ltimo, el experimentador
llegar a la cercana del ptimo. Usualmente esto sucede cuando ocurre una falta de
ajuste del modelo de primer orden.
Ejemplo: Una ingeniera qumica est interesada en determinar las condiciones de
operacin que maximizan el rendimiento de una reaccin. Dos variables controlables
influyen en este rendimiento: el tiempo y la temperatura de reaccin. Actualmente ella
opera sobre el proceso con un tiempo de reaccin de 35 minutos y a una temperatura de
155 F. esto produce un rendimiento de cerca de 40%. Ya que es poco probable que esta
regin contenga al ptimo, se ajustar un modelo de primer orden y se aplicar el
mtodo de ascenso mximo.
La ingeniera decide que la regin de exploracin para ajustar el modelo de primer orden
debe ser (30, 40) minutos de reaccin y (150, 160) F. Por lo que efecta el siguiente
diseo experimental.
Variables Naturales Variables Naturales Variables Codificadas Variables Codificadas Respuesta
1 2 x1 x2 Y
30
30
40
40
35
35
35
35
35
150
160
150
160
155
155
155
155
155
-1
-1
1
1
0
0
0
0
0
-1
1
-1
1
0
0
0
0
0
39.3
40.0
40.9
41.5
40.3
40.6
40.7
40.2
40.6
Para simplificar los clculos, las variables independientes se codifican al intervalo (-1,
1). Por lo tanto, si 1 representa la variable natural tiempo y 2 la variable natural
temperatura, entonces las variables codificadas son x1 y x2 mediante las siguientes
ecuaciones:
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS] 9. Superficie de Respuesta


Pgina 84

y = E
0
+ E
1
x
1
+ E
2
x
2
E
k
x
k
+ H

y la superficie de respuesta, o sea, las curvas de nivel de y consta de una serie de rectas
paralelas, como se muestra en la figura que sigue. La direccin de ascenso mximo es
aquella en la que y aumenta ms rpidamente. Esta direccin es paralela a la normal de
la superficie de respuesta ajustada. Por lo regular, la trayectoria de mxima pendiente en
ascenso se toma como la recta que atraviesa el centro de la regin de inters y es normal
a la superficie ajustada. Por lo tanto, los incrementos a lo largo de la trayectoria son
proporcionales a los coeficientes de regresin E
i
. El tamao del incremento lo determina
el experimentador con base a su experiencia con el proceso u otras consideraciones
prcticas.

Los experimentos se llevan a cabo a lo largo de la trayectoria e mximo ascenso hasta
que deje de observarse un incremento adicional en la respuesta. Entonces puede
ajustarse un nuevo modelo de primer orden, determinar una nueva trayectoria de
ascenso mximo y continuar con el procedimiento. Por ltimo, el experimentador
llegar a la cercana del ptimo. Usualmente esto sucede cuando ocurre una falta de
ajuste del modelo de primer orden.

Ejemplo: Una ingeniera qumica est interesada en determinar las condiciones de
operacin que maximizan el rendimiento de una reaccin. Dos variables controlables
influyen en este rendimiento: el tiempo y la temperatura de reaccin. Actualmente ella
opera sobre el proceso con un tiempo de reaccin de 35 minutos y a una temperatura de
155 F. esto produce un rendimiento de cerca de 40%. Ya que es poco probable que esta
regin contenga al ptimo, se ajustar un modelo de primer orden y se aplicar el
mtodo de ascenso mximo.

La ingeniera decide que la regin de exploracin para ajustar el modelo de primer orden
debe ser (30, 40) minutos de reaccin y (150, 160) F. Por lo que efecta el siguiente
diseo experimental.

10 y
20 y 30 y 40 y 50 y
Trayectoria de mxima
pendiente en ascenso
Regin de la superficie
de respuesta de primer
orden ajustada
X
2

X
1

En las ecuaciones se resta a la variable natural el punto central de esa variable y se
divide por la diferencia entre el mximo y el punto central.
Ntese que el diseo experimental usado por la ingeniera es un diseo 2
2
con cinco
puntos centrales. Las observaciones repetidas en el centro se utilizan para estimar el
error experimental y permitir una prueba de adecuacin del modelo de primer orden.
Asimismo, el modelo est centrado alrededor de las condiciones actuales de operacin
del proceso.
Pero antes de explorar la trayectoria de mximo ascenso, son necesarios los siguientes
pasos:
1. Realizar un anlisis de varianza para ver la significancia de los factores (aqu
podemos ver si hay curvatura o no).
2. Encontrar el modelo de regresin de primer orden.
3. Investigar la idoneidad del modelo de primer orden mediante el ANOVA (aqu
se puede utilizar el Forward o Backward).
Resultados del primer paso:
Analysis of Variance for Y
--------------------------------------------------------------------------------
--------------------------------------------------------------------------------
A:x1 2.4025 1 2.4025 51.12 0.0020
B:x2 0.4225 1 0.4225 8.99 0.0400
AB 0.0025 1 0.0025 0.05 0.8289
Lack-of-fit 0.00672222 1 0.00672222 0.14 0.7245
Pure error 0.188 4 0.047
--------------------------------------------------------------------------------
Total (corr.) 3.02222 8
No existe curvatura
Tiempo y temperatura son significativos
No hay efecto de interaccin
Por lo tanto se requiere un modelo de primer orden.

Resultados del segundo paso:
Regression coeffs. for Y
----------------------------------------------------------------------
constant = 40.4556
A:x1 = 0.775
B:x2 = 0.325
----------------------------------------------------------------------
Y = 40.4556 + 0.775*x1 + 0.325*x2
Ntese que se omiti la interaccin de x1 y x2 ya que no fue estadsticamente
significativa.
Resultados del tercer paso:
Es necesario investigar la idoneidad del modelo (se utiliza el mtodo de forward porque
son niveles codificados, si fueran niveles naturales se usa backward) encontramos que:
Multiple Regression Analysis
-----------------------------------------------------------------------------
Dependent variable: Y
-----------------------------------------------------------------------------
Standard T
Parameter Estimate Error Statistic P-Value
-----------------------------------------------------------------------------
CONSTANT 40.4556 0.060434 669.418 0.0000
x1 0.775 0.0906509 8.54928 0.0001
x2 0.325 0.0906509 3.58518 0.0116
-----------------------------------------------------------------------------
Analysis of Variance
-----------------------------------------------------------------------------
-----------------------------------------------------------------------------
Model 2.825 2 1.4125 42.97 0.0003
Residual 0.197222 6 0.0328704
-----------------------------------------------------------------------------
Total (Corr.) 3.02222 8
Standard Error of Est. = 0.181302
Stepwise regression
-------------------
Method: forward selection
F-to-enter: 4.0
F-to-remove: 4.0
Step 0:
---------
0 variables in the model. 8 d.f. for error.
R-squared = 0.00% Adjusted R-squared = 0.00% MSE = 0.377778
Step 1:
---------
Adding variable x1 with F-to-enter = 27.1372
Step 2:
---------
Adding variable x2 with F-to-enter = 12.8535
Final model selected.
The StatAdvisor
---------------
The output shows the results of fitting a multiple linear
regression model to describe the relationship between Y and 2
independent variables. The equation of the fitted model is
Y = 40.4556 + 0.775*x1 + 0.325*x2
Dado que en el ANOVA el P-Value es de 0.0003, se concluye que el modelo es
significativo al 95%.
10. PRCTICAS
Prctica 1. Se registraron experimentalmente los tiempos necesarios (horas) para que
una reaccin qumica dada se complete al 50 %.
40 52 55 47 60 67 52 45 53 55
48 62 69 62 64 65 48 50 54 57
a) Obtenga el histograma y el polgono de frecuencias absolutas.
b) Obtenga el diagrama de caja e interprete el mismo.
c) Determine el valor que corresponde al percentil 50 (P50). Qu indica este y a qu
medida de tendencia central corresponde? A partir de que valores de percentil se
pueden determinar los cuartiles primero y tercero?
d) Calcule las siguientes medidas de tendencia central: moda, mediana, media aritmtica
y media geomtrica.
e) Calcule las siguientes medidas de dispersin: recorrido, varianza, desviacin
estndar, desviacin estndar relativa (coeficiente de variacin) y desviacin estndar
de la media (error estndar de la media).
Prctica 2. Al determinar la turbidez de una muestra de agua repetidamente se
obtuvieron los siguientes resultados (unidades arbitrarias).
10 12 12 16 8 11 17 23 15 10 10
c) Determine el valor que corresponde al percentil 50 (P50). A qu valor cuartil
corresponde? Qu indican cada una de estas caractersticas?
d) Describa el conjunto de datos a partir de medidas de tendencia central y de
dispersin.
Prctica 3. Al analizar el contenido de cobre residual en una muestra tratada mediante
un procedimiento, para recuperar dicho elemento de disoluciones concentradas de
desechos en un proceso industrial, se obtuvieron los siguientes resultados de
concentracin de cobre en g/L:
7.3 8.4 9.3 10 10.6 10.5 10.6 10.8 9.2 10.2 8.5 10.9 9.1
c) Determine el valor del segundo cuartil (Q2).
d) Describa el conjunto de datos empleando medidas numricas descriptivas de
tendencia central y de dispersin.
10. Prcticas
Prctica 4. El tiempo de caducidad de un medicamento se determin midiendo la
concentracin del principio activo en el tiempo. Los resultados de diferentes muestras
son los siguientes:
t (das) 108 124 124 106 115 138 163 159 134 139
a) Diga si los datos de tiempo tienen distribucin normal.
b) Obtenga la curva de distribucin y analice su simetra.
c) Obtenga el diagrama de caja e interprete el mismo.
d) Determine los cuartiles primero, segundo y tercero haciendo uso de los datos que
brinda la ojiva porcentual.
Prctica 5. Dos investigadores (A y B) determinan la viscosidad de una sustancia
orgnica lquida por el mismo mtodo. Los resultados obtenidos (en unidades relativas)
son:
A 15.1 15.3 15.8 15.3 14.5 15.4 15.1 15.4 15.2 15.4 15.7 15.6 15.1 14.9 15.2
B 14.9 14.8 15.9 15.0 15.3 17.3 15.5 15.7 15.4 15.5 14.7 15.2 15.6 14.9 15.8
a) Compruebe si los datos tienen distribucin normal.
b) Calcule la media y el intervalo de confianza en cada caso.
c) Diga si existen diferencias significativas entre las varianzas de los datos obtenidos
por ambos investigadores.
d) Puede afirmarse que existen diferencias significativas entre las medias obtenidas por
ambos investigadores?
e) Calcule la media general de los datos y su intervalo de confianza.
Prctica 6. Se evala la cantidad de semen eyaculado, en varones que presentan niveles
elevados de Antgeno Prosttico Especifico, siendo un grupo el del problema y el otro
de control:
Problema: 5, 7, 3, 4, 5, 3, 6.
Control: 3, 3, 4, 6, 5, 7, 4.
Son iguales los niveles de eyaculado? Explique
Prctica 7. Se efecta un experimento para establecer la dosis letal (DL) de una droga.
Para lo cual se utilizan dos especies distintas de ratones. Los resultados se obtuvieron en
gr de la droga utilizada hasta la muerte del roedor; siendo estos:
Especie Mus musculus: 0.5, 0.4, 0.6, 0.4, 0.3, 0.5.
Especie Microtus ochrogaster: 0.8, 0.5, 0.6, 0.6, 0.7, 0.8, 0.7.
Influye la especie del roedor en el efecto de la droga? Explique.
10. Prcticas
Prctica 8. Se realiza un experimento para determinar si existe diferencia entre la
temperatura que alcanzan los animales infectados con 2 tipos diferentes de
hemoparasitos (Babesia y Anaplasma). El experimento se realizan con 6 animales por
parsito y se midi la temperatura en C, obtenindose los siguientes resultados:
Babesia: 39.5, 40.2, 38.7, 40.6, 39.7, 41.0
Anaplasma: 38.5, 39.0, 38.2, 40.1, 39.8, 39.2
Existen diferencias en el aumento de la temperatura por efecto de la infeccin de los
parsitos? Explique.

Prctica 9. Se realizaron mediciones del ndice de refraccin de una sustancia, en 2
laboratorios diferentes usando el mismo mtodo. Los valores obtenidos son:
Lab. I 1.0417 1.0222 1.0310 1.0119 1.0214 1.0216 1.0515 1.0420
Lab. II 1.0210 1.0109 1.0213 1.0211 1.0210 1.0108 1.0209 1.0214
a) Compruebe si los datos obtenidos en cada laboratorio tienen distribucin normal.
b) Calcule la media y su intervalo de confianza para cada conjunto de datos.
c) Existen diferencias significativas entre las medias obtenidas por ambos mtodos?
Qu puede decir con respecto al mtodo utilizado para la determinacin del ndice de
refraccin?
Prctica 10. Se determin el contenido de nquel en un mineral mediante la tcnica de
valoracin complejomtrica por dos vas diferentes: directa y retroceso. Los resultados
obtenidos en % en masa son:
Directa
1.011 0.986 0.992 0.982 0.990 0.988 0.997
Directa
0.994 0.995 0.998 0.989 0.995 0.996 0.999
Retroceso
0.975 0.981 0.996 0.984 0.974 0.983 0.983
Retroceso
0.979 0.980 0.965 0.987 0.973 0.985 0.989
a) Determine distribucin normal.
b) Calcule la media y su intervalo de confianza para cada conjunto de datos.
e) Existen diferencias significativas entre los mtodos estudiados para la determinacin
de nquel?
Prctica 11. La tropsfera es la capa de la atmsfera que se encuentra ms cerca de la
superficie de la tierra. El ozono (O3) es un gas muy txico que puede causar graves
problemas de salud. El Ozono troposfrico es un contaminante secundario que se forma
a partir de otros contaminantes atmosfricos primarios (xidos de nitrgeno y otros
compuestos orgnicos) en presencia de una elevada radiacin solar, especialmente en
primavera y verano, fundamentalmente en las horas de medioda. Es por ello que en las
grandes ciudades, la medicin de la concentracin de ozono superficial se realiza de
manera sistemtica y existe un sistema de aviso a la poblacin cuando los niveles de
ozono alcanzan cierto valor lmite. A continuacin se reportan los umbrales de
10. Prcticas
informacin y alerta a la poblacin.
Umbral
g de O3/m de
aire
Consecuencias
Informacin 180
Las personas que tienen problemas respiratorios podran ver
agravada su patologa.
Alerta 360
La superacin de este umbral significa un riesgo para la salud
humana.
En cada una de las siguientes tablas aparecen valores de concentracin de ozono
troposfrico (g de O3 / m de aire) en una gran ciudad en el horario de mxima
radiacin solar. Cada valor en la misma tabla corresponde a una estacin experimental
de medicin diferente (46 estaciones ubicadas en diferentes zonas de una misma ciudad)
Considerando que las 2 mediciones se realizaron en los mismos puntos de una misma
ciudad 2 das diferentes:
a) Plantee las hiptesis nula y alternativa para cada anlisis que vaya a realizar.
b) Hgales la prueba de distribucin normal.
c) Complete la siguiente tabla (redondeando los valores segn el error)
10. Prcticas
Estadgrafo Unidades 1er da 2do da
Media
I n t e r v a l o d e
conf i anza de l a
media
Varianza
Desviacin Estndar
d) Analice si las varianzas son homogneas (en el caso que sea necesario)
e) Diga si existen diferencias estadsticamente significativas en las concentraciones
de ozono troposfrico
f) Diga si las autoridades deben emitir algn aviso a la poblacin. Especifique cul
y explique.
g) Qu anlisis realizara usted de los resultados obtenidos?
Considerando que las 2 mediciones se realizaron en dos ciudades diferentes el
mismo dia:
h) Plantee las hiptesis nula y alternativa
i) Hgales la prueba de distribucin normal.
j) Complete la siguiente tabla (redondeando los valores segn el error)
Estadgrafo Unidades 1er da 2do da
Media
I n t e r v a l o d e
conf i anza de l a
media
Varianza
Desviacin Estndar
k) Analice si las varianzas son homogneas (en el caso que sea necesario)
l) Diga si existen diferencias estadsticamente significativas en las concentraciones
de ozono troposfrico
m) Diga si las autoridades deben emitir algn aviso a la poblacin. Especifique cul
y explique.
n) Qu anlisis realizara usted de los resultados obtenidos?
Prctica 12. Los niveles de estrgenos (E4) en mujeres durante la ovulacin es de 280
pg/ml en promedio. En un estudio se les determin los niveles de E4 a mujeres de 3
distintas edades (20, 30 y 40 aos aprox.), dando como resultado los valores que en la
siguiente tabla se presentan:
20 437, 380, 400, 420, 350, 370, 400.
30 250, 300, 320, 325, 290, 270.
40 122, 180, 200, 150, 190.
10. Prcticas
Influye de alguna forma la edad en la produccin de E4? Explique
Prctica 13. Se est estudiando la resistencia a la tensin de cemento Prtland. Cuatro
tcnicas de mezclado pueden ser usadas econmicamente. Se han recolectado los
siguientes datos:
Tcnica de
Mezclado
Resistencia a la tensin (lb/pulg
2
) Resistencia a la tensin (lb/pulg
2
2
2
)
1 3129 3000 2865 2890
2 3200 3300 2975 3150
3 2800 2900 2985 3050
4 2600 2700 2600 2765
Influye la tcnica de mezclado en la resistencia a la tensin del cemento?
Prctica 14. Estn considerndose seis diferentes mquinas para su uso en la
manufactura de sellos de goma. Estas estn siendo comparadas con respecto a la
resistencia de tensin del producto. Se utiliza una muestra aleatoria de 4 sellos de cada
mquina para determinar si la resistencia promedio a la tensin varia de mquina a
mquina o no. Las siguientes son las mediciones de resistencia a la tensin.
Mquina Resistencia a la tensin Resistencia a la tensin Resistencia a la tensin Resistencia a la tensin
1 17.5 16.9 15.8 18.6
2 16.4 19.2 17.7 15.4
3 20.3 15.7 17.8 18.9
4 14.6 16.7 20.8 18.9
5 17.5 19.2 16.5 20.5
6 18.3 16.2 17.5 20.1
Prctica 15. Los datos que se presentan enseguida son rendimientos en toneladas por
hectrea de un pasto con 3 niveles de fertilizacin nitrogenada. El diseo fue
completamente aleatorizado, con 5 repeticiones por tratamiento.
Niveles de Nitrgeno Niveles de Nitrgeno Niveles de Nitrgeno
N1 N2 N3
14.823 25.151 32.605
14.676 25.401 32.460
14.720 25.131 32.256
14.514 25.031 32.669
15.065 25.267 32.111
10. Prcticas
Prctica 16. Se desea investigar el efecto del pH en el crecimiento de cierto
microorganismo en un medio especfico. Para ello se realiza un experimento, teniendo
como punto de partida la misma cantidad de microorganismos. Se hacen cuatro
repeticiones y se obtienen los siguientes resultados. Estos datos son evidencia
suficiente para afirmar que los niveles de pH donde se logra mejor y mayor crecimiento
son el 3 y el 2, respectivamente? Explique.
Nivel de pH Crecimiento promedio (en%)
1
2
3
80
105
75
Prctica 17. Se desea investigar la influencia de la temperatura en el rendimiento de un
proceso qumico, en particular interesa investigar un rango de temperatura entre 60 y
120 C. Se tienen recursos para realizar 20 corridas experimentales.
a) Los niveles de temperatura con los que experimentan son 60, 65, 70 y 120;
haciendo cinco repeticiones con cada nivel. Considera que es adecuado el
diseo experimental usado? Argumente, y de ser necesario proponga
alternativas.
b) El orden en que decidieron hacer las corridas experimentales para facilitar el
trabajo experimental fue primero las cinco de nivel bajo de temperatura, luego
las cinco del siguiente nivel, y as hasta finalizar. Es correcto lo que hicieron?
Argumente.
c) Para hacer el anlisis estadstico, comparan mediante una prueba T de Student de
dos en dos niveles de temperatura, y en base en esto obtuvieron conclusiones.
Es adecuado tal anlisis? Argumente, y en su caso proponga alternativas.
Prctica 18. Se hace un estudio sobre la efectividad de tres marcas de spray para matar
moscas. Para ello, cada spray se aplica a un grupo de 100 moscas, y se cuenta el nmero
de moscas muertas, expresado en porcentajes. Se hacen seis rplicas y los resultados
obtenidos se muestran en seguida.
Nmero de rplicas Nmero de rplicas Nmero de rplicas Nmero de rplicas Nmero de rplicas Nmero de rplicas
Marca de spray 1 2 3 4 5 6
1
2
3
72
55
64
65
59
74
67
68
61
75
70
58
62
53
51
73
50
69
a) Formule la hiptesis adecuada y el modelo estadstico.
b) Existe diferencia entre la efectividad promedio de los sprays?
c) Hay algn spray mejor? Argumente.
d) D un intervalo al 95% de confianza para la efectividad promedio (porcentaje)
de cada una de las marcas.
e) Dibuje las grficas de medias y los diagramas de caja simultneos. Interprtelos.
f) Verifique los supuestos de normalidad y de igual varianza en tres marcas.
10. Prcticas
Prctica 19. Para estudiar la confiabilidad de ciertos tableros electrnicos para carros,
se someten a un envejecimiento acelerado durante 100 horas a determinada temperatura,
midindose como variable de inters la intensidad de la corriente que circula entre dos
puntos, cuyos valores aumentan con el deterioro. Se probaron 20 mdulos repartidos
equitativamente en cinco temperaturas y los resultados obtenidos son:
20C 40C 60C 80C 100C
15 17 23 28 45
18 21 19 32 51
13 11 25 34 57
12 16 22 31 48
a) Realice el anlisis de varianza para estos datos, para estudiar si la temperatura
afecta la intensidad de corriente promedio.
b) La temperatura tiene efecto sobre la variabilidad de las intensidades? Es decir,
verifique si hay igual varianza entre los diferentes tratamientos.
Prctica 20. En una empresa manufacturera se propone un tratamiento para reducir el
porcentaje de productos defectuosos. Para validar esta propuesta se dise un
experimento en el que se produca con o sin la propuesta de mejora. Cada corrida
experimental consisti en producir un lote y la variable de respuesta es el porcentaje de
productos defectuosos. Se hicieron 25 rplicas para cada tratamiento. Los datos
obtenidos se muestran a continuacin:
Con tratamiento 5.3
2.2
4.0
1.1
4.9
2.0
4.0
3.0
2.6
3.1
2.1
2.1
5.1
1.2
4.1
3.3
4.1
2.1
3.2
4.0
5.1
2.0
2.2
3.0
4.1
Sin tratamiento 8.0
8.7
13.2
11.3
7.2
4.5
8.2
6.6
9.1
9.2
6.7
10.2
12.2
10.6
16.3
13.3
9.2
5.2
6.4
6.2
7.2
8.0
17.2
4.8
12.3
a) Las diferencias son significativas estadsticamente?
b) Cul es el porcentaje de defectos que se esperan con el nuevo tratamiento?
c) Cuantifique el nivel de reduccin logrado con el nuevo tratamiento.
Prctica 21. En una empresa lechera se tienen varios silos para almacenar leche
(cisternas de 60 000 L). Un aspecto crtico para que se conserve la leche es la
temperatura de almacenamiento. Tradicionalmente se han usado termmetros de
mercurio (Mer) para verificar que la temperatura sea la adecuada; pero se han comprado
termmetros electrnicos (Rtd) para facilitar el proceso de medicin. Sin embargo, se
duda de las mediciones de estos nuevos dispositivos. Para aclarar dudas y diagnosticar
la situacin, durante cinco das se toman mediciones con ambos tipos de termmetros
en varios silos (a la misma hora). Los datos para los cinco silos se muestran en seguida:
10. Prcticas
Medicin 1 Medicin 1 Medicin 2 Medicin 2 Medicin 3 Medicin 3 Medicin 4 Medicin 4 Medicin 5 Medicin 5
Silo Mer Rtd Mer Rtd Mer Rtd Mer Rtd Mer Rtd
A
B
C
D
E
4.0
5.0
4.5
2.5
4.0
2.6
6.4
3.3
3.1
0.0
4.0
6.0
4.0
4.0
4.0
2.8
6.4
1.4
5.0
0.4
5.0
2.0
3.5
6.5
3.5
5.0
2.3
1.8
6.6
0.6
0.5
4.0
2.0
4.5
2.0
0.0
4.2
-1.9
2.7
-4.0
3.0
4.0
3.0
4.0
4.0
2.4
4.0
-7.6
6.3
-6.3
a) Observe los datos y establezca una conjetura acerca de la confiabilidad de las
mediciones con Rtd (del termmetro de mercurio no hay duda).
b) Mediante ANOVA compare la temperatura de los silos utilizando los datos del
termmetro de mercurio nicamente. Obtenga conclusiones.
c) Compare la temperatura de los silos utilizando slo los datos de Rtd. Obtenga
conclusiones.
d) Las conclusiones obtenidas en los incisos anteriores son iguales?
e) Datos pareados. Otra forma de analizar los datos anteriores es calcular la
diferencia de temperatura que registra el mtodo de mercurio con respecto al que
registra el mtodo Rtd, para cada da en cada silo. Entonces calcule tales
diferencias y haga el anlisis, para ello primero formule una hiptesis y
prubelas mediante ANOVA.
f) Cules son sus conclusiones del anlisis anterior? Son las mismas que antes?
g) Cul anlisis cree que es ms apropiado, por separado o el de las diferencias?
Prctica 22. A continuacin se muestra parte del ANOVA para un diseo en bloques,
que tiene tres tratamientos y cinco bloques, con una sola repeticin en tratamiento-
bloque.
Fuente de variacin S. de
cuadrados
G. de
libertad
C. medio Razn F P-value
Tratamiento
Bloque
600
850
Error 500
Total 14

a) Agregar en esta tabla los grados de libertad, el cuadrado medio y la razn F para
cada una de las fuentes de variacin.
b) Interprete en forma prctica para cada caso lo que est estimando el cuadrado
medio.
c) Escriba el modelo estadstico y las hiptesis pertinentes.
d) Apoyndose en tablas de la distribucin F, decida si se acepta o rechaza la
hiptesis.
10. Prcticas
Prctica 23. Una de las variables crticas en el proceso de ensamble del brazo lector de
una disco duro es el ngulo que forma con el cuerpo principal de la cabeza lectora. Se
corre un experimento con el objetivo de comparar dos equipos que miden dicho ngulo
en unidades de radianes. Se decide utilizar como factor de bloque a los operadores de
los equipos. Los resultados se muestran en la siguiente tabla:
Equipo Equipo Equipo Equipo Equipo Equipo Equipo Equipo Equipo Equipo
11111 22222
Operador
1
1.328,
1.113
0.985,
1.057
1.316,
1.144
1.553,
1.485
1.310,
1.386
1.273,
0.789
0.985,
0.671
1.134,
0.554
1.412,
1.386
0.917,
1.289
Operador
2
1.269,
1.093
1.268,
0.984
1.091,
1.087
1.195,
1.482
1.380,
1.442
1.036,
0.201
0.783,
0.900
1.108,
0.916
1.129,
1.434
1.132,
1.223
Operador
3
1.440,
1.150
1.079,
1.190
1.389,
1.247
1.611,
1.617
1.445,
1.574
1.454,
1.018
1.063,
1.050
1.219,
0.997
1.602,
1.538
1.583,
1.478
a) Plantee el modelo y las hiptesis adecuadas al problema.
b) Existen diferencias entre los equipos? Argumente estadsticamente.
c) Existe diferencia entre los operadores?
d) Dibuje los diagramas de cajas simultneos y las grficas de medias para ambos
factores. Interprtelos.
e) Verifique los supuestos de normalidad e igualdad de varianza entre tratamientos,
as como la posible presencia de puntos aberrantes.
Prctica 24. Tres empresas (A, B y C) concursan para venderle a la polica un equipo
para la determinacin de alcohol en el aliento. Los equipos son de diferentes precios,
por lo que se hace una prueba con un equipo de cada compaa para determinar si existe
diferencia entre estos. La prueba consiste en la medicin de etanol (Valor de Referencia
< 0.80 p.p.m.) a l persona l de oficina de la polica de diferentes edades. Los resultados
obtenidos fueron:
Existen diferencias en las mediciones de etanol con los equipos?
Existen diferencias en las mediciones de etanol a diferentes edades?
Prctica 25. En un experimento realizado en el cultivo de soya se ensayaron varios
niveles de humedad aprovechable y varios niveles de fsforo. Los tratamientos son:
1. 20% de humedad y 30kg/Ha de fsforo
El experimento se realiz con 6 repeticiones. Los bloques fueron franjas de terreno
relativamente uniformes. La variable de medida fue el rendimiento de grano (en Kg).
10. Prcticas
Tratamientos Tratamientos Tratamientos Tratamientos
Bloque
Tratamientos Tratamientos Tratamientos Tratamientos
1 2 3
4
I
II
III
IV
V
VI
7.3
7.2
7.6
7.2
7.5
7.6
6.8
5.5
6.8
6.5
6.8
7.1
6.7
7.3
6.8
7.4
7.5
6.3
5.7
6.9
6.4
6.1
6.4
6.3
Prctica 26. La presin arterial promedio de un individuo es de 100 (80-120). Se toman
muestras de las tres zonas del estado (Altos, Centro y Costa) a individuos seleccionados
al azar de diversas edades y se les mide la presin arterial para determinar si la altitud a
la que viven influye en esta presin. Los resultados obtenidos son:
Edades
Zonas Zonas Zonas
Edades
ALTOS CENTRO COSTA
I 110 95 100
II 115 98 98
III 105 102 94
IV 108 104 99
V 104 100 92
Es la altitud un factor que influya en la presin arterial de los individuos?
Es la edad un factor que influya en la presin arterial de los individuos?
Prctica 27. En Design and Analysis of Experiments, 4a edicin (Jhon Wiley and Sons),
D.C. Montgomery describe un experimento para determinar el efecto de cuatro
diferentes tipos de puntas en un probador de dureza, sobre la dureza observada de una
aleacin metlica. Se obtuvieron cuatro ejemplares de prueba de la aleacin, y cada
punta se prob una vez en cada ejemplar, produciendo los siguientes datos:
Tipo de punta
Ejemplar de prueba Ejemplar de prueba Ejemplar de prueba Ejemplar de prueba
Tipo de punta
1 2 3
4
1
2
3
4
9.3
9.4
9.2
9.7
9.4
9.3
9.4
9.6
9.6
9.8
9.5
10.0
10.0
9.9
9.7
10.2

a) Hay una diferencia en las mediciones de la dureza entre las puntas?
b) Use el mtodo grfico para investigar diferencias especficas entre las puntas.
c) Analice los residuales del experimento.
10. Prcticas
Prctica 28. En un artculo de Food Technology Journal (Vol. 10, pp. 39-42) se
describe un estudio sobre el contenido de protopectina de tomates durante el
almacenaje. Se seleccionaron cuatro tiempos de almacenaje y se analizaron muestras de
nueve lotes de tomates. El contenido de protopectina (expresado como la fraccin
soluble de cido clorhdrico mg/kg) se presenta en la tabla abajo.
Tiempo de
almacenaje
Lote Lote Lote Lote Lote Lote Lote Lote Lote Tiempo de
almacenaje
1 2 3 4 5 6 7 8 9
0 das
1694.0 989.0 917.3 346.1 1260.0 965.6 1123.0 1106.0 1116.0
7 das
1802.0 1074.0 278.8 1375.0 544.0 672.2 818.0 406.8 461.6
14 das
1568.0 646.6 1820.0 1150.0 983.7 395.3 422.3 420.0 409.5
21 das
415.5 845.4 377.6 279.4 447.8 272.1 394.1 356.4 351.2
a) Los investigadores de este estudio plantearon la hiptesis de que el contenido
medio de protopectina sera diferente en tiempos de almacenaje diferentes. Es
posible confirmar esta hiptesis con una prueba estadstica usando =0.05?
b) Encuentre el valor P para la prueba del inciso a).
c) Qu tiempos de almacenaje especficos son diferentes? Estara usted de
acuerdo con la afirmacin de que el contenido de protopectina disminuye
cuando el tiempo de almacenaje se incrementa?
d) Analice los residuales de este experimento.
Prctica 29. Tres diferentes soluciones para lavar envases estn siendo comparadas con
el objeto de estudiar su efectividad en el retraso del crecimiento de bacterias en envases
de leche de 5 galones. El anlisis se realiza en un laboratorio y solo pueden efectuarse
tres pruebas en un mismo da. Como los das son una fuente de variabilidad, el
experimentador decide usar un diseo aleatorizado por bloques. Las observaciones se
recopilaron durante cuatro das y los datos aparecen a continuacin.
Solucin
Das Das Das Das
Solucin
1 2 3
4
1
2
3
13
16
5
22
24
4
18
17
1
39
44
22
10. Prcticas
Prctica 30. Se desea investigar el efecto de la abertura de malla, tipo de suspensin y
temperatura de ciclaje en el volumen de sedimentacin (%) de una suspensin.
Volumen de Sedimentacin (%) Volumen de Sedimentacin (%) Volumen de Sedimentacin (%) Volumen de Sedimentacin (%) Volumen de Sedimentacin (%) Volumen de Sedimentacin (%) Volumen de Sedimentacin (%) Volumen de Sedimentacin (%)
Suspensin
AAAA BBBB
Abertura de Malla
(M)
40 40 60 60 40 40 60 60
Tem
pera
tura
de
Cicla
je
0 C
72
75
75
60
70
70
86
73
73
67
68
68
67
68
65
62
65
65
76
80
80
71
80
80
Tem
pera
tura
de
Cicla
je
30 C
55
53
53
55
55
55
52
52
57
52
54
54
44
44
45
48
48
45
60
60
60
67
67
65
Prctica 31. Se estn investigando los efectos sobre la resistencia del papel que
producen el porcentaje de la concentracin de fibra de madrea en la pulpa, la presin del
tanque y el tiempo de coccin de la pulpa. Se seleccionan tres niveles de concentracin
de madera y de la presin, y dos niveles de tiempo de coccin. Se realiza un
experimento factorial con dos replicas y se recopilan los datos.
Presin durante el tiempo de coccin
de 3h
de 3h
de 3h
de 4h
de 4h
de 4h
[%Fibra] 400 500 650 400 500 650
2
196.6
196.0
197.7
196.0
199.8
199.4
198.4
198.6
199.6
200.4
200.6
200.9
4
198.5
197.2
196.0
196.9
198.4
197.6
197.5
198.1
198.7
198.0
199.6
199.0
8
197.5
196.6
195.6
196.2
197.4
198.1
197.6
198.4
197.0
197.8
198.5
199.8
Prctica 32. A continuacin se muestra la parte del ANOVA para un diseo factorial 3 x
5 con dos rplicas, el factor A con tres niveles y el factor B con cinco.
Fuente de variacin S. de
cuadrados
G. de
libertad
C. medio Razn F P-value
A
B
AB
800
900
300
Error 400
Total
a) Suponga efectos fijos, anote el modelo estadstico apropiado y formule la
hiptesis a probar para este experimento.
b) Agregue en esta tabla los grados libertad, el cuadrado medio y la razn F para
cada una de las fuentes de variacin.
10. Prcticas
c) Explique de manera esquemtica cmo calculara el p-value para A, por
ejemplo.
d) Con la informacin disponible se pueden hacer conjeturas sobre cules de las
fuentes de variacin son significativas estadsticamente? Argumente.
Prctica 33. Para mejorar la resistencia a la torsin de las adhesiones de componentes
electrnicos sobre placas, se estudiaron dos tipos de pegamentos (A y B) y tres
temperaturas de curado (60, 80 y 100C). En cada combinacin se analizaron dos
componentes y los resultados obtenidos son los siguientes:
Curado Curado Curado
60 80 100
Pegamento A 2.5
2.8
3.8
3.4
4.0
4.2
Pegamento B 1.6
1.2
3.2
2.8
4.3
4.7
a) Plantee la hiptesis de inters para este problema, y el modelo estadstico
correspondiente.
b) Construya el ANOVA y decida cules efectos estn activos.
c) Dibuje las grficas de efectos y determine con ellas el mejor tratamiento.
d) Estime la resistencia a la torsin en el mejor tratamiento.
e) Verifique residuos.
Prctica 34. Se desea investigar de que manera afecta el tiempo de curado y el tipo de
acelerante en la resistencia de caucho vulcanizado. Se realiza un experimento y se
obtienen los siguientes datos:
Temperatura de
cura a 14C
(minutos)
Acelerante Acelerante Acelerante Temperatura de
cura a 14C
(minutos)
A B C
40 3900
3600
4300
3700
3700
4100
60 4100
3500
4200
3900
3900
4000
80 4000
3800
4300
3600
3600
3800
a) Seale el nombre del diseo de experimento utilizado y el modelo estadstico.
b) Formule claramente todas las hiptesis que se pueden probar.
c) Realice el anlisis estadstico apropiado para probar las hiptesis que formul.
d) Hay algn tiempo de cura que es mejor para aumentar la resistencia?
Argumente.
e) Algn acelerante es mejor? Explique.
f) Hay alguna combinacin de tiempo acelerante que sea mejor?
10. Prcticas
g) Explique grficamente cmo se obtuvo en la computadora el p-value para
tiempo de cura.
h) Verifique que se cumplan los supuestos. En caso de que no se cumpliera el
supuesto de varianza constante para el tiempo de cura, qu significara eso y
cmo pudiera corregirse?
Prctica 35. El gran inters del oro est en que no se oxida y se mantiene siempre
brillante y con su bello color dorado. Pero, es un metal caro y es por lo que muchos de
los objetos son solamente recubiertos por una fina capa de oro que los protege y les da
la apariencia de oro macizo. En joyera las placas de oro son recubiertas de un depsito
de oro que debe tener el mismo aspecto que el oro pero tambin las mismas propiedades
de resistencia mecnica que aseguren su longevidad. Estos depsitos son efectuados por
electrlisis. El metal a recubrir de oro es sumergido en una solucin que contiene una
sal de oro y est conectada al ctodo de una pila elctrica. Este depsito debe poseer
buenas propiedades mecnicas para resistir las diferentes actividades a las que puede
someterse. Para mejorar la calidad, se acostumbra formar aleaciones para adicionar
otros metales en presencia de aditivos. Las aleaciones ms utilizadas son generalmente a
base de nquel o cobalto.
En un estudio, se examinan las aleaciones de oro y cobalto. Para tal fin se realiz una
solucin de electrolitos conteniendo los cianuros de ambos metales. Los objetivos del
estudio son:
- Realizar el depsito a la ms alta velocidad posible respecto a las demandas de
calidad.
- Obtener un contenido de cobalto comprendido entre 3500 y 4500 ppm en la
aleacin del depsito.
Las variables de respuesta que permiten evaluar los objetivos son:
- La primera respuesta corresponde al primer objetivo. Se elegir la velocidad de
depsito y ser medida en milogramos por minuto (mg/min). Para asegurar la
rentabilidad del proceso, es necesaria una velocidad de depsito de al menos 80
mg/min.
- La segunda respuesta corresponde al segundo objetivo. Se elige la cantidad de
cobalto en la aleacin. Esta cantidad ser medida en partes por milln (ppm).
Para asegurar la calidad del depsito, la cantidad de cobalto en la aleacin debe
estar comprendida entre 3500 y 4500 ppm.
Se ha detectado una lista de factores que influyen en las variables de respuesta y se
agrupan en dos categoras: los que podrn ser estudiados en el diseo y aquellos que no
sern estudiados pero que se fijarn sus valores durante todo el estudio. Los tres factores
a estudiar en el diseo son:
- Concentracin de oro en la solucin de electrolitos,
- Densidad de corriente,
- Concentracin de cobalto en la solucin de electrolitos.
10. Prcticas
Los otros factores seleccionados que pueden modificar la respuesta sern fijados a un
nivel constante para todos los ensayos
Los niveles de los factores con sus respectivos niveles se resumen en la tabla siguiente:
Factor Nivel bajo (-) Nivel Alto (+)
Concentracin de oro (1) 2 g/L 15 g/L
Densidad de corriente (2) 5 A/dm
2
25 A/dm
2
Concentracin de cobalto (3) 0.5 g/L 1.5 g/L
A B C Velocidad
Contenido
de cobalto
mg/min ppm
-1 -1 -1 53 4100
1 -1 -1 122 3510
-1 1 -1 20 3950
1 1 -1 125 1270
-1 -1 1 48 4870
1 -1 1 70 2810
-1 1 1 68 7750
1 1 1 134 3580
a) Escriba el modelo matemtico y las hiptesis correspondientes.
b) Para cada uno de las variables de respuesta haga un ANOVA, presente la
ecuacin de regresin, las grficas de efectos, las grficas de interaccin y la
grfica de superficie de respuesta.
c) Interprete los resultados.
10. Prcticas
Prctica 36. En el rea de SMT se busca reducir los efectos ocasionados por
impresiones de soldadura en pasta inadecuada. Se corre un diseo 2
4
con tres rplicas,
cuyos factores son: altura de la mesa (A), velocidad de separacin (B), velocidad de
impresin (C) y presin de los squeeges (D). La variable de respuesta es la altura de la
impresin de soldadura en pasta. Cada prueba experimental consisti en correr diez
tarjetas de manera consecutiva, a cada tarjeta se le midi la altura. Con estos diez datos
se calcul la media y la desviacin estndar, para analizar el efectos de los factores
sobre ambas.
Media
Factores Factores Factores Factores Rplicas Rplicas Rplicas Factores Factores Factores Factores Rplicas Rplicas Rplicas
Cd A B C D I II III Cd A B C D I II III
(1) -1 -1 -1 -1 6.821 6.291 6.268 d -1 -1 -1 1 5.468 5.329 5.256
A 1 -1 -1 -1 6.941 6.591 6.715 ad 1 -1 -1 1 5.786 5.394 5.356
B -1 1 -1 -1 6.392 5.803 6.231 bd -1 1 -1 1 5.763 5.284 5.455
Ab 1 1 -1 -1 6.643 6.607 6.580 abd 1 1 -1 1 5.544 5.394 5.726
C -1 -1 1 -1 6.848 6.467 6.649 cd -1 -1 1 1 6.126 6.009 5.761
Ac 1 -1 1 -1 8.736 7.257 7.394 acd 1 -1 1 1 6.605 6.192 5.468
Bc -1 1 1 -1 6.761 6.422 6.442 bcd -1 1 1 1 6.556 5.603 5.462
Abc 1 1 1 -1 7.753 7.072 7.229 abcd 1 1 1 1 6.675 6.332 6.161
Desviacin Estndar
Factores Factores Factores Factores Rplicas Rplicas Rplicas Factores Factores Factores Factores Rplicas Rplicas Rplicas
Cd A B C D I II III Cd A B C D I II III
(1) -1 -1 -1 -1 .1742 .1769 .2300 d -1 -1 -1 1 .2823 .1458 .1418
A 1 -1 -1 -1 .2802 .5086 .3373 ad 1 -1 -1 1 .5145 .2407 .1827
B -1 1 -1 -1 .1751 .4134 .3687 bd -1 1 -1 1 .1409 .2093 .2115
Ab 1 1 -1 -1 .2904 .1859 .2398 abd 1 1 -1 1 .1892 .1340 .2244
C -1 -1 1 -1 .2747 .1877 .1796 cd -1 -1 1 1 .2947 .3355 .2692
Ac 1 -1 1 -1 .8019 .7505 .5402 acd 1 -1 1 1 .3781 .5015 .2647
Bc -1 1 1 -1 .1646 .2148 .2263 bcd -1 1 1 1 .2571 .2551 .1806
Abc 1 1 1 -1 .6374 .5975 .3252 abcd 1 1 1 1 .2161 .3739 .4878
10. Prcticas
Practica 37. Con el objetivo de mejorar el rendimiento de un proceso de manufactura
de un circuito integrado, se investigaron 5 factores un diseo 2
5-1
. Los cinco factores
fueron A= apertura del diafragma (pequea, grande), B= tiempo de exposicin (20%
abajo y arriba del nominal), C= tiempo de revelado (30,45 seg), D= dimensin de la
pantalla (pequea, grande), E = tiempo de corrosin selectiva (14.5 y 15.5 seg). A
continuacin se presenta la construccin del diseo.
A B C D E Contraccin
-1 -1 -1 -1 1 8
1 -1 -1 -1 -1 9
-1 1 -1 -1 -1 34
1 1 -1 -1 1 52
-1 -1 1 -1 -1 16
1 -1 1 -1 1 22
-1 1 1 -1 1 45
1 1 1 -1 -1 60
-1 -1 -1 1 -1 6
1 -1 -1 1 1 10
-1 1 -1 1 1 30
1 1 -1 1 -1 50
-1 -1 1 1 1 15
1 -1 1 1 -1 21
-1 1 1 1 -1 44
1 1 1 1 1 63
10. Prcticas
Prctica 38. Se realiz un experimento de 16 corridas en una planta de manufactura de
semiconductores a fin de estudiar los efectos de seis factores sobre la curvatura o
combadura de los dispositivos sustrato producidos. Las seis variables y sus niveles se
presentan enseguida:
Corrida
Temperatura
de laminacin
(C) A
Tiempo de
laminacin
(s) B
Presin de
laminacin
(tons) C
Temperatura
de ignicin
(C) D
t del ciclo de
ignicin (H)
E=ABC
Pto de roco
de ignicin
(C) F=ACD
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
55
75
55
75
55
75
55
75
55
75
55
75
55
75
55
75
10
10
25
25
10
10
25
25
10
10
25
25
10
10
25
25
5
5
5
5
10
10
10
10
5
5
5
5
10
10
10
10
1580
1580
1580
1580
1580
1580
1580
1580
1620
1620
1620
1620
1620
1620
1620
1620
17.5
29
29
17.5
29
17.5
17.5
29
17.5
29
29
17.5
29
17.5
17.5
29
20
26
20
26
26
20
26
20
26
20
26
20
20
26
20
26
Combadura para cada rplica (pulg/pulg)
Corrida
1 2 3 4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0.0167
0.0062
0.0041
0.0073
0.0047
0.0219
0.0121
0.0255
0.0032
0.0078
0.0043
0.0186
0.011
0.0065
0.0155
0.0093
0.0128
0.0066
0.0043
0.0081
0.0047
0.0258
0.009
0.025
0.0023
0.0158
0.0027
0.0137
0.0086
0.0109
0.0158
0.0124
0.0149
0.0044
0.0042
0.0039
0.004
0.0147
0.0092
0.0226
0.0077
0.006
0.0028
0.0158
0.0101
0.0126
0.0145
0.011
0.0185
0.002
0.005
0.003
0.0089
0.0296
0.0086
0.0169
0.0069
0.0045
0.0028
0.0159
0.0158
0.0071
0.0145
0.0133
10. Prcticas
Prctica 39. Con el propsito de mejorar el rendimiento de un proceso, se decide
correr un diseo de composicin central, teniendo como factores temperatura (125 nivel
actual) y presin (25 nivel actual). El diseo y los datos obtenidos se muestran a
continuacin.
X1 X2 Y
110 15 35
140 15 51
110 35 41
140 35 50
103.787 25 42
146.213 25 65
125 10.8579 43
125 39.1421 45
125 25 62
125 25 63
125 25 64
125 25 61
Prctica 40. En el rea de desarrollo de una empresa se pretende obtener un nuevo
polmero de bajo peso molecular, de lograrse esto, se obtendr un polmero que
funcione como dispersante en la industria cermica. De acuerdo a conocimientos
tcnicos que se tienen, se considera que los factores crticos son: persulfato de sodio
(NaPS), cido hipofosforoso (H3PO2) y el isopropanol (IPA). Para encontrar las
condiciones ptimas de estos tres factores, se corri el diseo de superficie de respuesta
(Box-Behnken):
Tratamiento NaPS HPO IPA Peso mol. Viscosidad
1 0 0 0 8392 1075
2 -1 -1 0 9895 2325
3 1 -1 0 9204 1575
4 -1 1 0 7882 690
5 1 1 0 7105 420
6 -1 0 -1 8939 1188
7 1 0 -1 8548 930
8 0 0 0 8598 920
9 -1 0 1 9152 1275
10 1 0 1 8992 860
11 0 -1 -1 10504 5600
12 0 1 -1 7462 540
13 0 -1 1 9368 1225
14 0 1 1 7772 620
15 0 0 0 8440 1015
10. Prcticas
a) Realice un anlisis estadstico completo para la variable peso molecular.
Obtenga: factores ms importantes, un modelo depurado, calidad del modelo,
verificacin de supuestos.
b) Cules son las condiciones que minimizan el peso molecular?
c) Haga lo mismo que antes, pero para la variable viscosidad
Prctica 41. Se tienen dos combustibles (A y B) y el rendimiento obtenido con cada
uno as como de la combinacin 50% : 50% de los combustibles A:B en 5 casos
separados se muestra a continuacin:
Caso A B A:B
1
2
3
4
5
17
12
6
10
9
10
18
6
20
12
15
15
4
12
12
En que casos los combustibles son sinrgicos? En cuales de los casos los
combustibles son antagnicos y en cuales de los casos no son sinrgico ni antagnicos?

10. Prcticas
Alonso Becerra, E. y Morera Boado C. (2010). Estadstica y Diseo de Experimentos:
ejercicios. Universidad de la Habana. Disponible en lnea en: http://www.fq.uh.cu/dpto/
qf/docencia/pregrado/estadistica/estadistica_diseno_ejercicios.pdf consultado en marzo
de 2010.

Daniel, W.W. (2007). Bioestadstica: base para el anlisis de las ciencias de la salud. 4
Edicin. Limusa-Wiley, Mxico. 897 pp.
Goupy, J. y Creighto, L. (2006). Introduccin a los diseos de experimentos. 3 Edicin,
Editorial Dunod, Francia. 324 pp.
Gutirrez-Pulido, H. y De la Vara-Salazar, R. (2004). Control Estadstico de calidad y
Seis Sigma. 1 Edicin. McGraw-Hill, Mxico. 636 pp.
Gutirrez-Pulido, H. y De la Vara-Salazar, R. (2004). Anlisis y Diseo de
Experimentos. 1 Edicin. McGraw-Hill, Mxico. 636 pp.
Montgomery, D.C. y Runger, G.C. (2006). Probabilidad y Estadstica Aplicada a la
Ingeniera. 2 Edicin, Mxico. 984 p.
Rodrguez-Feliciano, M.A. (2010). El diseo experimental en las ciencias de la salud.
Disponible en lnea: http://www.scribd.com/doc/3481124/Diseno-experimental-en-las-
ciencias-de-la-salud consultado en Marzo de 2010.
11. Referencias Bibliogrficas

DOE1 Ed

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

DOE1 Ed

Enviado por

Direitos autorais:

Formatos disponíveis

INTRODUCCIN AL DISEO

Facilitar la interpretacin de los resultados.

Minimizar el nmero de ensayos sin sacrificar nunca la calidad.

Lograr obtener la mxima eficiencia con el mnimo de experimentos y en

Detecte las posibles causas del problema

Ordene las causas en orden de importancia

Elija los niveles de cada factor. Generalmente se utilizan 2 3 niveles

Seleccione las restricciones, de haberlas.

De la lista anterior, seleccin una o ms aplicando los criterios siguientes: que se

Organizar el trabajo experimental asignando responsabilidades y precisando

Registrar los datos en un formato adecuado.

Es muy costoso (exige muchas pruebas)

No permite detectar la presencia de interacciones.

No garantiza la obtencin de las condiciones ptimas.

Este tipo de diseos normalmente se emplean en las ltimas fases de la

Su aplicacin se hace indispensable, si despus de haber identificado los factores

Estos diseos y su optimizacin constituyen la fase final; por lo tanto, en

Tratar de emplear esta tcnica antes de haber identificado (mediante el uso de

Tiempo y temperatura son significativos

No hay efecto de interaccin

Por lo tanto se requiere un modelo de primer orden.

Você também pode gostar