INSTITUTO TECNOLOGICO DE SALINA

CRUZ

ESTADISTICA INFERENCIAL II

UNIDAD 5: DISEÑO EXPERIMENTAL CON

BLOQUES AL AZAR Y DISEÑO
FACTORIALES.

PROFESOR: ESTEBAN GUTEMBERG OVIEDO

ALUMNO: ESCUDERO BAÑOS

MAXIMILIANO

1
Contenido
INTRODUCCIÓN............................................................................................................................................... 3
DISEÑO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEÑOS FACTORIALES ........................................ 4
5.1METODOLOGÍA DEL DISEÑO EXPERIMENTAL DE BLOQUES AL AZAR ............................................. 5
Modelo estadístico...................................................................................................................................... 6
Hipótesis a probar ...................................................................................................................................... 6
Análisis de varianza .................................................................................................................................... 7
EJEMPLO................................................................................................................................................... 7
5.2 DISEÑO EXPERIMENTAL FACTORIALES ............................................................................................. 8
5.3 DISEÑO FACTORIAL CON 2K ................................................................................................................ 9
Efecto principal y efecto de interacción ....................................................................................................... 9
EJEMPLO................................................................................................................................................. 10
5.4 DISEÑO DE CUADRADO LATINO. ....................................................................................................... 12
EJEMPLO................................................................................................................................................. 15
5.5DISEÑO EN CUADROS GRECOLATINOS............................................................................................. 17
EJEMPLO................................................................................................................................................. 19
Modelo lineal general: promedio vs. Método; operador; orden; lugar ........................................................ 20
BIBLIOGRAFIA................................................................................................................................................ 21

2
 INTRODUCCIÓN

En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los

resultados. Un factor de ruido es un factor que probablemente tiene un efecto en la respuesta pero
que no nos interesa estudiar.
Si el factor de ruido es desconocido y no controlable, la solución es la aleatorización, que tiende a
distribuir los niveles y efectos de este factor entre todas las u.e. Si el factor de ruido es conocido y no
controlable, pero por lo menos podemos medir su valor en cada corrida del experimento, entonces
podemos compensarlo usando análisis de covarianza.
Si el factor de ruido es conocido y controlable, se utilizan bloques para eliminar su efecto en la
comparación estadística de los tratamientos.

3
DISEÑO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEÑOS FACTORIALES
Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un factor,
es deseable que las posibles diferencias se deban principalmente al factor de
interés y no a otros factores que no se consideran en el estudio. Cuando esto no
ocurre y existen otros factores que no se controlan o nulifican para hacer la
comparación, las conclusiones podrían ser afectadas sensiblemente.

Por ejemplo, supongamos que se quieren comparar varias máquinas, si cada

máquina es manejada por un operador diferente y se sabe que éste tiene una
influencia en el resultado, entonces es claro que el factor operador debe tomarse
en cuenta si se quiere comparar a las máquinas de manera justa.

Un operador más hábil puede hacer ver a su máquina (aunque ésta sea la peor)
como la que tiene el mejor desempeño, lo cual impide hacer una comparación
adecuada de los equipos.

Para evitar este sesgo hay dos maneras de anular el posible efecto del factor
operador: la manera lógica es utilizar el mismo operador en las cuatro máquinas;
sin embargo, tal estrategia no siempre es aconsejable, ya que utilizar el mismo
sujeto elimina el efecto del factor operador pero restringe la validez de la
comparación con dicho operador, y es posible que el resultado no se mantenga al
utilizar a otros operadores.

La otra forma de anular el efecto operador en la comparación consiste en que

cada operador trabaje durante el experimento con cada una de las máquinas. Esta
estrategia es la más recomendable, ya que utilizar a todos los operadores con
todas las máquinas permite tener resultados de la comparación que son válidos
para todos los operadores. Esta forma de nulificar el efecto de operadores, recibe
el nombre de bloque.

4
5.1METODOLOGÍA DEL DISEÑO EXPERIMENTAL DE BLOQUES AL
AZAR

Los factores de bloque entran al estudio en un nivel de importancia secundaria con

respecto al factor de interés y, en este sentido, se puede afirmar que se estudia un
solo factor, porque es uno el factor de interés.

En un diseño en bloques completos al azar (DBCA) se consideran tres fuentes de

variabilidad:
 El factor de tratamientos
 El factor de bloque
 El error aleatorio

Es decir, se tienen tres posibles ¨culpables¨ de la variabilidad presente en los

datos. La palabra completo en el nombre del diseño se debe a que en cada bloque
se prueban todos los tratamientos, o sea, los bloques están completos. La
aleatorización se hace dentro de cada bloque; por lo tanto, no se realiza de
manera total como en el diseño completamente al azar.

Los factores de bloqueo que aparecen en la práctica son: Turno, lote, día, tipo de
material, línea de producción, operador, maquina, método, etc.

Supongamos una situación experimental con k tratamientos y b bloques. El

aspecto de los datos para este caso se muestra en la tabla. Considerando una
repetición en cada combinación de tratamiento y bloque.

5
Modelo estadístico
Cuando se decide utilizar un DBCA, el experimentador piensa que cada medición será
el resultado del efecto del tratamiento donde se encuentre, del efecto al que pertenece
y de cierto error que se espera sea aleatorio. El modelo estadístico para este diseño
está dado por:

Hipótesis a probar
La hipótesis de interés es la misma para todos los diseños comparativos, y está
pada por:

Que también se puede expresar como

En cualquiera de estas hipótesis la afirmación a probar es que la respuesta media

poblacional lograda con cada tratamiento es la misma para los k tratamientos y
que, por lo tanto, cada respuesta media µi es igual a la media global poblacional µ.
De manera alternativa, es posible afirmar que todos los efectos de tratamiento
sobre la variable de respuesta son nulos, porque cuando el efecto Ti= µi- µ=0,
entonces necesariamente la respuesta media del tratamiento es igual a la media
global (µi=µ).

6
Análisis de varianza
La hipótesis dada se prueba con un análisis de varianza con dos criterios de
clasificación, porque se controlan dos fuentes de variación: el factor de
tratamientos y el factor de bloque.
Los cálculos necesarios pueden ser manuales, pero siempre es más práctico
hacerlos con un software estadístico, porque además proporciona muchas otras
opciones gráficas y tabulares útiles (no sólo el ANOVA).

EJEMPLO
Se comparan cuatro métodos de ensamble, ahora se va a controlar activamente
en el experimento a los operadores que realizaran el ensamble, lo que da lugar al
siguiente diseño en bloques completamente al azar.

La variable de respuesta son los minutos en que se realiza el ensamble. Para

comparar los cuatro métodos se plantea la hipótesis:

La cual se prueba mediante el análisis de varianza dado en la siguiente tabla

7
5.2 DISEÑO EXPERIMENTAL FACTORIALES
Es frecuente que en muchos procesos existan varios factores de los que es
necesario investigar de manera simultánea su influencia sobre una o varias
variables de respuesta, donde cada factor tiene la misma importancia a priori
desde el momento que se decide estudiarlo, y es poco justificable suponer de
antemano que los factores no interactúan entre sí. Los diseños experimentales
que permiten estudiar de manera simultánea el efecto de varios factores son los
llamados diseños factoriales.

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una

o varias respuestas o características de calidad y determinar una combinación de
niveles de los factores en la cual el desempeño del proceso sea mejor que en las
condiciones de operación actuales; es decir, encontrar nuevas condiciones de
operación del proceso que eliminen o disminuyan ciertos problema de calidad en
la variable de salida.

Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador,
la presencia o ausencia de una operación previa, etc.), o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para poder estudiar la manera
en que incluye cada factor sobre la variable respuesta, es necesario elegir al
menos dos niveles de prueba para cada uno de ellos (tres máquinas, dos
operadores, tres velocidades, dos temperaturas, etc.). Con el diseño factorial
completa se corren aleatoriamente en el proceso todas las posibles
combinaciones que pueden formarse con los niveles seleccionados.
Un diseño de experimentos factorial o arreglo factorial es el conjunto de puntos
experimentales o tratamientos que pueden formarse considerando todas las
posibles combinaciones de los niveles de los factores. Por ejemplo, con k = 2
factores, ambos con dos niveles de prueba, se forma el diseño factorial 2x2=2 2,
que consiste de cuatro combinaciones o puntos experimentales.

Considerando otra vez k = 2 factores, pero ahora uno con tres niveles y el otro con
dos niveles, se pueden construir 3 x 2 combinaciones que dan lugar al diseño
8
Factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita el
número de tratamientos que lo componen. Para obtener el número de corridas
experimentales se multiplica el número de tratamientos por el número de réplicas,
donde una réplica se lleva a cabo cada vez que se repite el arreglo completo.

Más en general, la familia de diseños factoriales 2k consiste de k factores, todos

con dos niveles de prueba; y la familia de diseños factoriales consiste de k
factores.

Cada uno con tres niveles de prueba. Es claro que si los k factores no tienen la
misma cantidad de niveles, entonces no se puede factorizar de esta forma, y debe
escribirse el producto de manera más explícita: por ejemplo con k = 3 factores, el
primero con cuatro niveles y los dos restantes con dos niveles, se tiene el diseño
factorial 4x2x2=4x22, que consiste de 16 combinaciones de niveles diferentes.

5.3 DISEÑO FACTORIAL CON 2K

El experimento factorial más sencillo es en el que intervienen solamente dos

factores, por ejemplo, A y B. Hay niveles del factor A y niveles del factor B. El
experimento tiene réplicas y cada réplica contiene todas las combinaciones de
tratamientos ab.
Considere los factores A y B con a y b (a, b≥2) niveles de prueba,
respectivamente. Con ellos se puede construir el arreglo o diseño factorial axb,
que consiste de tratamientos. Se llama réplica cada repetición completa del
arreglo factorial. Los diseños factoriales que involucran menos de cuatro factores
se corren replicados para poder tener la potencia necesaria en las pruebas
estadísticas sobre los efecto de interés, de tal forma que si se hacen réplicas, el
número total de corridas experimentales es (axb).

Efecto principal y efecto de interacción

El efecto de un factor se define como el cambio observado en la variable de

9
respuesta debido a un cambio de nivel de tal factor. En particular, los efectos
principales son los cambios en la media de la variable de respuesta que se deben
a la acción individual de cada factor. En términos matemáticos, el efecto principal
de un factor con dos niveles es la diferencia entre la respuesta media observada
cuando tal factor estuvo en su primer nivel, y la respuesta media observada
cuando el factor estuvo en su segundo nivel.

EJEMPLO
Diseño factorial 22. Suponga que en un proceso de fermentación tequilera, se
tienen dos factores A: tipo de levadura y B: temperatura, cada uno con dos niveles
denotados por respectivamente A1=1, A2=2, A3=3. La respuesta de interés es el
rendimiento del proceso de fermentación. En la tabla 4.1 se muestran los cuatro
tratamientos o puntos del diseño factorial 22, y entre paréntesis se ha indicado
cada nivel con los códigos (1, -1). En el experimento original cada tratamiento se
corrió tres veces (tres réplicas), lo cual da un total de 12 corridas del proceso pero,
por simplicidad, en la última columna de la tabla siguiente sólo se anotaron los
resultados de la primera réplica.

Por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte,
se dice que dos factores interactúan entre sí o tienen un efecto de interacción
sobre la variable de respuesta, cuando el efecto de un factor depende del nivel en
10
que se encuentra el otro. Por ejemplo, los factores A y B interactúan si el efecto de
A es muy diferente en cada nivel de B, o viceversa.

Efecto A (con B bajo) = 41 - 28 = 13

Y cuando la temperatura es alta, el efecto de A es:

Efecto A (con B alta) = 45 - 63 = 13

Como estos dos efectos de A en función del nivel de B son muy diferentes,
entonces es evidencia de que la elección más conveniente del nivel de A depende
del nivel en que esté B, y viceversa. Es decir, eso es evidencia de que los factores
de A y B interactúan sobre Y. En la práctica, el cálculo del efecto A en cada nivel
de B no se hace, y más bien se calcula el efecto global de la interacción de los dos
factores, que se denotan por AB y se calculan como la diferencia entre la
respuesta media cuando ambos factores se encuentran en el m ismo nivel: (-1, -1);
(1, 1), y la respuesta media cuando los factores se encuentran en niveles
opuestos: (-1, 1) (1, -1). Para el ejemplo, el efecto de interacción levadura x
temperatura está dado por

Los valores absolutos (sin importar el signo) de los efectos principales y del efecto
de interacción son una medida de importancia de su efecto sobre la variable de
respuesta. Sin embargo, como se tienen estimaciones muéstrales, para saber si
los efectos son estadísticamente significativos (diferentes de coro).

11
5.4 DISEÑO DE CUADRADO LATINO.
En el diseño en cuadro latino (DCL) se controlan dos factores de bloque y se
estudia un factor de tratamientos, por lo que se tienen cuatro fuentes de
variabilidad que pueden afectar la respuesta observada, estas son:
5.3.1 Los tratamientos
5.3.2 El factor de bloque I (renglones)
5.3.3 El factor de bloque II (columnas)
5.3.4 El error aleatorio

Se llama cuadro latino por dos razones: es un cuadro debido a que tiene la
restricción adicional de que los tres factores involucrados se prueban en la misma
cantidad de niveles, y es latino porque se utilizan letras latinas para denotar a los
tratamientos o niveles del factor de interés. Sean A, B, C,…, K, los k tratamientos
a comparar, por lo tanto ambos factores de bloques tienen también k niveles cada
uno. El aspecto de los datos se muestra en la siguiente tabla.

Ahora se necesitan al menos tres subíndices, por ejemplo, la respuesta Y313 se

generó en el tratamiento tres (C), en el primer nivel del factor renglón y en el tercer
nivel del factor columna.

El modelo estadístico para describir el comportamiento de las observaciones está

dado por

12
Donde Yijl es la observación del tratamiento i, en el nivel j, del factor renglón y en
el nivel del factor columna; Ɛijl el error atribuible a dicha observación. De acuerdo
con este modelo, la variabilidad total presente en los datos se puede descomponer
como

Y los grados de libertad correspondientes son

El ANOVA para el diseño en cuadro latino se muestra en la tabla siguiente. En él

se prueba la hipótesis sobre los efectos de tratamiento del factor renglón y del
factor columna. Otra vez, la hipótesis fundamental es la de los tratamientos; las
otras dos proporcionan un adicional al objetivo inicial y permiten comprobar la
relevancia de controlar los factores de bloque.

13
Selección y aleatorización de un cuadro latino. No cualquier arreglo

de letras latinas en forma de cuadro es cuadro latino, la regla fundamental es que

cada letra debe aparecer sólo una vez en cada renglón y en cada columna. Un
cuadro latino estándar es aquel en el que en la primera columna y en el primer
renglón aparecen las letras en orden alfabético. Por ejemplo, un cuadro latino
estándar de tamaño cuatro está dado por:

Existen además los siguientes tres cuadros latinos de dimensión cuatro:

Para cuatro tratamientos se pueden construir un total de 576 cuadros latinos de

los cuales cuatro son estándar. La selección del diseño debería ser elegir uno al
azar de los 576 posibles; no obstante, es prácticamente imposible construirlos a
todos para seleccionar uno al azar. Sin embargo, ocurre que dado un cuadro
latino, cualquier intercambio de columnas o de renglones es también cuadro latino,
por eso la estrategia de selección y aleatorización recomendada en la práctica es
la siguiente:

5.3.5 Se construye el cuadro latino estándar más sencillo.

5.3.6 Se aleatoriza el orden de los renglones (o columnas) y
posteriormente se aleatoriza el orden de las columnas (o
renglones).
5.3.7 Por último, los tratamientos a comparar se asignan en forma
aleatoria a las letras latinas.
14
El cuadro latino tiene dos restricciones a la aleatorización debido a los dos
factores de bloque, lo que implica que a la hora de correr el experimento no hay
ningún margen de aleatorización. Es decir, se puede correr por columna o por
renglón según convenga. Lo que no es correcto es hacer todas las pruebas de un
tratamiento, y luego todas las de otro, y así sucesivamente, puesto que se puede
introducir ruido adicional debido a factores no controlables que cambian con el
tiempo.

EJEMPLO

Comparación de cuatro marcas de llantas. Una compañía de mensajería está

interesada en determinar cuál marca de llantas tiene mayor duración en términos
del desgaste. Para ello se planea un experimento en cuadro latino, en el que se
comparan las cuatro marcas de llantas sometiéndolas a una prueba de 32 000
kilómetros de recorrido, utilizando cuatro diferentes tipos de auto y las cuatro
posiciones posibles de las llantas en el auto. Así, el factor de interés es el tipo de
llantas o marca, y se controlan dos factores de bloque: el tipo de carro y la
posición de la llanta en el auto. Estos factores de bloque se controlan ya que, por
experiencia, se sabe que el tipo de carro y la posición de la llanta tienen efecto en
el desgaste de la misma.
La elección del cuadro latino a utilizar se hace antes de obtener los datos. Para
ello, a partir de un cuadro latino inicial se aleatorizan las columnas y los renglones;
después, las diferentes marcas de llantas se asignan de manera aleatoria a las
letras latinas que denotan los niveles del factor de interés

15
Las pruebas se hacen al mismo tiempo con choferes, a quienes se les instruye
para que manejen de manera similar sobre el mismo terreno para los cuatro
automóviles. Al hacer las pruebas de los cuatro autos al mismo tiempo se evita el
efecto del ambiente en el desgaste; asimismo, el conductor y el tipo de terreno
podrían influir, pero se considera suficiente mantenerlos lo más homogéneo
posible durante el experimento. El diseño y los datos observados se muestran en
la tabla anterior. Se mide la diferencia máxima entre el grosor de la llanta nueva y
el grosor de la llanta después de recorrido los 32 000 kilómetros. Obviamente, a
mayor diferencia en grosor mayor desgaste. Las unidades de medición son
milésimas de pulgada

Se observa que nuestro punto crítico tanto para la posición, el tipo de carro y las
marcas es de 4,76. Concluimos que en las marcas y posición no existe evidencia
de que esta influya por lo que se acepta la hipótesis nula de que son iguales a un
nivel de significancia de a = 0,05. En cuanto al tipo de carro observamos que este
si influye en el desgaste de las llantas por lo que rechazamos la hipótesis nula

16
5.5DISEÑO EN CUADROS GRECOLATINOS

Con el diseño en cuadro grecolatino (DCGL) se controlan tres factores de bloque,

además del factor de tratamiento. Se llama cuadro grecolatino porque los cuatro
factores involucrados se prueban en la misma cantidad de niveles, de aquí que se
pueda escribir como un cuadro (ver tabla 3.5); además, se utilizan letras latinas
para denotar a los tratamientos y letras griegas para nombrar a los niveles del
tercer factor de bloque.

Al igual que en el cuadro latino, cada letra

(latinas y griegas) debe aparecer sólo una
vez en cada renglón y en cada columna.
Además, cada par de letras debe aparecer
sólo una vez en todo el arreglo. El modelo
estadístico que describe a las mediciones
en un cuadro grecolatino está dado por

17
Al igual que en el cuadro latino, cada letra (latinas y griegas) debe aparecer sólo
una vez en cada renglón y en cada columna. Además, cada par de letras debe
aparecer sólo una vez en todo el arreglo. El modelo estadístico que describe a las
mediciones en un cuadro grecolatino está dado por

donde Yijlm es la observación o respuesta que se encuentra en el tratamiento (i -

ésima letra latina), en el renglón j , en la columna y en la m-ésima letra griega Ti;
es el efecto del tratamiento i , Yi es el efecto del renglón Si , representa el efecto
de la columna y representa el efecto de la -ésima letra griega, que son los niveles
del tercer factor de bloque; el término representa el error aleatorio atribuible a la
medición. Es importante no confundir las letras griegas del modelo que
representan efectos, con las letras griegas en el diseño que simbolizan a los
niveles del tercer factor de bloque. La variabilidad total presente en los datos se
puede partir de la manera usual como

Donde las sumas SCb1, SCb2, SCb3 miden la variabilidad debida a los factores de
bloque renglón, columna y de letras griegas, respectivamente. Para k tratamientos,
los grados de libertad correspondientes a cada suma son

18
Un bosquejo del análisis de varianza se muestra en la tabla 3.6, en la cual se
prueban las hipótesis de igualdad de letras latinas (tratamientos), de renglones, de
columnas y de letras griegas

EJEMPLO

En el caso del ejemplo donde se comparan los cuatro métodos de ensamble y se

tiene el factor de bloque operador, se podrían tener dos factores de bloque
adicionales:
5.3.8 Orden en el que se hace el ensamble
5.3.9 Lugar donde se hace
De acuerdo con esto, el diseño en cuadro grecolatino se observa en la siguiente
tabla.

19
Resultado arrojado en Minitab
Modelo lineal general: promedio vs. Método; operador; orden; lugar

El análisis de varianza para el ejemplo se aprecia que el único efecto significativo

son los tratamientos (métodos), y ninguno de los factores de bloque tiene un
efecto significativo sobre el tiempo de ensamble. El factor operador tiene un valor-
p bajo, lo cual indica que podría tener un efecto significativo; sin embargo, en este
experimento fue imposible detectarlo. Si contrastamos con respecto a F critica
para los cuatro casos F en tablas es F = 9,28, por lo cual se rechaza la hipótesis
nula para método, en cuanto para operador, orden y lugar se acepta.
20
 BIBLIOGRAFIA
Referencias
Jimenez Gonzales, R. (2012). Estadistica Inferencial II. Ensenada.
Tellez Piñenez, C. F., Lemus Polaina, D. F., & Guerrero Gomez, S. Y. (s.f.). Estadistica Inferencial con
aplicaiones en R. Los Libertadores.

(Jimenez Gonzales, 2012)

21