Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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 2
El mtodo de experimentacin (figura 1.1) debe:
Asegurar las condiciones para las cuales se obtiene la mejor precisin posible
con un mnimo de ensayos.
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.
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.
"
#!
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 26
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:
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 27
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:
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 28
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 29
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
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 28
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 y
i
? 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(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
varianza de esta respuesta es
%
. 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
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(+ y1 + y2 + y3 + y4) = V(y1) + V(y2) + V(y3) + V(y4)
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 28
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 y
i
? 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(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
varianza de esta respuesta es
%
. 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:
!
"
#
"
$
%
$
&
$
#
!
#
")
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 28
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 y
i
? 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(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
varianza de esta respuesta es
%
. 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:
!
"
#
"
$
%
$
&
$
#
!
#
")
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 30
La varianza de una diferencia es igual a:
V( y1 + y2 y3 + y4) = V(y1) + V(y2) + V(y3) + V(y4)
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:
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.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 28
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 y
i
? 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(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
varianza de esta respuesta es
%
. 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:
!
"
#
"
$
%
$
&
$
#
!
#
")
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 28
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 y
i
? 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(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
varianza de esta respuesta es
%
. 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:
!
"
#
"
$
%
$
&
$
#
!
#
")
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 29
!
"
#
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 I ntervalo 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.
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.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 29
!
"
#
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 I ntervalo 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.
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.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 29
!
"
#
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 I ntervalo 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.
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 31
La estimacin de la desviacin estndar de una poblacin 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 Ic depende:
- De la probabilidad elegida por el usuario; esta probabilidad
frecuentemente es de 95 a 99%;
- De la calidad de la desviacin estndar calculada.
Se tiene:
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 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
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
2. Estadstica Aplicada 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 29
!
"
#
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 I ntervalo 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.
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 32
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
2. Estadstica Aplicada 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 33
3. Primer Diseo de Experimentos Paso a Paso
1. Comprensin y planteamiento del problema
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.
2. Eleccin de los factores controlados y sus niveles
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.
4. Eleccin del diseo experimental
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)
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
3. Primer Diseo de Experimentos
Paso a Paso
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 34
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
3. Primer Diseo de Experimentos
Paso a Paso
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 35
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
Ensayo No. Temperatura
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
5. Realizar el experimento
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
Ensayo No. Temperatura
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
3. Primer Diseo de Experimentos
Paso a Paso
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 36
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:
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
3. Primer Diseo de Experimentos
Paso a Paso
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 37
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
3. Primer Diseo de Experimentos
Paso a Paso
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 38
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:
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
3. Primer Diseo de Experimentos
Paso a Paso
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 39
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
3. Primer Diseo de Experimentos
Paso a Paso
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 40
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)
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 41
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 42
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
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 40
Supongamos que despus de haber rechazado la hiptesis nula con base en una prueba
F de anlisis de varianza, se desea probar H
0
: P
i
= P
j3
para toda i = j4. Esto puede
hacerse empleando la estadstica t.
Suponiendo una hiptesis alterna bilateral, la pareja de medias P
i
y P
j
se consideran
diferentes si
La cantidad
se denomina mnima diferencia significativa.
Si el diseo es balanceado, entonces n
1
= n
2
. n
a
= 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
LSD Y Y j i ! se concluye que las medias poblacionales P
i
y P
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
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
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 40
Supongamos que despus de haber rechazado la hiptesis nula con base en una prueba
F de anlisis de varianza, se desea probar H
0
: P
i
= P
j3
para toda i = j4. Esto puede
hacerse empleando la estadstica t.
Suponiendo una hiptesis alterna bilateral, la pareja de medias P
i
y P
j
se consideran
diferentes si
La cantidad
se denomina mnima diferencia significativa.
Si el diseo es balanceado, entonces n
1
= n
2
. n
a
= 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
LSD Y Y j i ! se concluye que las medias poblacionales P
i
y P
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
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
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 40
Supongamos que despus de haber rechazado la hiptesis nula con base en una prueba
F de anlisis de varianza, se desea probar H
0
: P
i
= P
j3
para toda i = j4. Esto puede
hacerse empleando la estadstica t.
Suponiendo una hiptesis alterna bilateral, la pareja de medias P
i
y P
j
se consideran
diferentes si
La cantidad
se denomina mnima diferencia significativa.
Si el diseo es balanceado, entonces n
1
= n
2
. n
a
= 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
LSD Y Y j i ! se concluye que las medias poblacionales P
i
y P
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
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
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 40
Supongamos que despus de haber rechazado la hiptesis nula con base en una prueba
F de anlisis de varianza, se desea probar H
0
: P
i
= P
j3
para toda i = j4. Esto puede
hacerse empleando la estadstica t.
Suponiendo una hiptesis alterna bilateral, la pareja de medias P
i
y P
j
se consideran
diferentes si
La cantidad
se denomina mnima diferencia significativa.
Si el diseo es balanceado, entonces n
1
= n
2
. n
a
= 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
LSD Y Y j i ! se concluye que las medias poblacionales P
i
y P
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
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 43
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:
En el anlisis de varianza se puede ver que el calor de cuadrado medio del error es
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
Como 10.3 > 6.92 por lo tanto el tipo de envase A es diferente al tipo de envase B.
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.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 40
Supongamos que despus de haber rechazado la hiptesis nula con base en una prueba
F de anlisis de varianza, se desea probar H
0
: P
i
= P
j3
para toda i = j4. Esto puede
hacerse empleando la estadstica t.
Suponiendo una hiptesis alterna bilateral, la pareja de medias P
i
y P
j
se consideran
diferentes si
La cantidad
se denomina mnima diferencia significativa.
Si el diseo es balanceado, entonces n
1
= n
2
. n
a
= 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
LSD Y Y j i ! se concluye que las medias poblacionales P
i
y P
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
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 44
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:
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 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
mediante la siguiente frmula:
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 45
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
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
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 46
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
mediante la siguiente frmula:
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 47
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 48
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).
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 49
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 50
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.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 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).
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 51
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.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
4. Experimentos Unifactoriales
(Comparacin de Tratamientos)
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 52
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
5. Diseo en Bloques Aleatorizados
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 53
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
--------------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
--------------------------------------------------------------------------------
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:
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
5. Diseo en Bloques Aleatorizados
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 54
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
--------------------------------------------------------------------------------
Method: 95.0 percent LSD
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
--------------------------------------------------------------------------------
Contrast Difference +/- Limits
--------------------------------------------------------------------------------
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
--------------------------------------------------------------------------------
* denotes a statistically significant difference.
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
5. Diseo en Bloques Aleatorizados
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 55
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
En esta figura se presentan grficamente los niveles del factor contra los residuales. En
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
5. Diseo en Bloques Aleatorizados
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 56
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
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 conseguir una grfica de probabilidad se sigue el procedimiento antes
descrito.
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 el supuesto de normalidad.
[I NTRODUCCI N AL DISEO DE E XPERI MENT OS] 5. Diseo en Bloques Aleatorizados
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 54
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 conseguir una grfica de probabilidad se sigue el procedimiento antes
descrito.
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 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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
5. Diseo en Bloques Aleatorizados
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 57
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
6. Experimentos Multifactoriales
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 58
()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
--------------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
--------------------------------------------------------------------------------
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
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
6. Experimentos Multifactoriales
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 59
Comparando este valor con las medias de cada tratamiento, obtenemos la siguiente
tabla:
Multiple Range Tests for %_Friabilidad by %_Almidn
--------------------------------------------------------------------------------
Method: 95.0 percent LSD
%_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
--------------------------------------------------------------------------------
Contrast Difference +/- Limits
--------------------------------------------------------------------------------
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
--------------------------------------------------------------------------------
Method: 95.0 percent LSD
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
--------------------------------------------------------------------------------
Contrast Difference +/- Limits
--------------------------------------------------------------------------------
APregelatinizado - Almidn *-0.16555 0.0149423
APregelatinizado - Dextrina *-0.308058 0.0149423
Almidn - Dextrina *-0.142508 0.0149423
--------------------------------------------------------------------------------
* denotes a statistically significant difference.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
6. Experimentos Multifactoriales
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 60
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.
[INTRODUCCIN AL DISEO DE EXPERIMENTOS]
6. Experimentos Multifactoriales
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 61
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:
Las conclusiones obtenidas para cada factor tienen un campo de validez muy
restringido.
No existe curvatura