Вы находитесь на странице: 1из 124

Diseño Experimental

1
Introducción al Diseño de
Experimentos

2
Diseño Experimental

Diseño de experimentos

El diseño de experimentos es un conjunto de técnicas


activas, en el sentido de que no esperan que el proceso
mande las señales útiles, sino que este se “manipula” para
que proporcione la información que se requiere.

3
Diseño Experimental

Problemas típicos que pueden resolverse mediante


el diseño y el análisis de experimentos:

4
Diseño Experimental

Proceso interactivo de la experimentación

El proceso de generación de aprendizaje y conocimiento


como un ciclo de retroalimentación

5
Diseño Experimental

Definiciones básicas

Experimento: es un cambio en las condiciones de


operación de su sistema o proceso, que se hace para medir
el efecto del cambio sobre una o varias variables.

Unidad experimental: es la pieza o muestra que se utiliza


para generar un valor que sea representativo del resultado
del experimento.

Variables, factores y niveles: son los distintos tipos de


variables o factores que intervienen en el proceso.

6
Diseño Experimental

Variables de un proceso

Preguntas a
responder al diseñar
un experimento

7
Diseño Experimental

Definiciones básicas

Variables de respuesta: son aquellas a través de las


cuales se conoce el efecto o resultados de la prueba
experimental. El objetivo de muchos estudios es mejorar la
variable de respuesta. Usualmente se denotan con la letra y.

Factores controlables: son variables de proceso o


características de los materiales experimentales que se
pueden fijar en un nivel dado. Se les llama también
variables de entrada, condiciones de proceso, variables de
diseño, parámetros del proceso, las x del proceso, factores.

8
Diseño Experimental

Definiciones básicas

Factores no controlables o de ruido: son variables o


características de materiales y métodos que no se pueden
controlar durante el experimento. Un factor no controlable
puede convertirse en controlable cuando se dispone del
mecanismo o la tecnología para ello.

Factores estudiados: son las variables que se investigan


en el experimento, respecto de cómo influyen o afectan a
las variables de respuesta.

9
Diseño Experimental

Definiciones básicas

Niveles: son los diferentes valores que se asignan a cada


factor estudiado en un diseño experimental.

Tratamientos: es cada combinación de niveles de todos


los factores estudiados.

10
Diseño Experimental

Definiciones básicas

Error:
Al realizar un experimento siempre hay una parte de la
variabilidad observada en la respuesta que no puede ser
explicada por los factores estudiados. Esta variabilidad
debida a causas comunes o aleatorias constituye el error
aleatorio. Este error absorbe los errores que el
experimentador comente y, si son graves, hablaremos de
error experimental. Si éste predomina, la determinación
de cuáles de los factores estudiados tienen un efecto real
sobre la variable de respuesta será difícil o incluso,
imposible.
11
Diseño Experimental

Factores y variables en la fabricación de un envase de plástico

12
Diseño Experimental

Etapas en el diseño de experimentos

❑ Planeación y realización
❑ Análisis e interpretación
❑ Control y conclusiones finales

13
Diseño Experimental

Sobre el uso de métodos estadísticos

❑ El conocimiento no estadístico es vital.

❑ Es necesario reconocer la diferencia entre


significación estadística e importancia práctica.

❑ Es preferible apostarle más a la experimentación


secuencial que a un experimento único y
definitivo.

14
Diseño Experimental

❑ Aleatorización.
Principios básicos del
diseño experimental ❑ Repetición.

❑ Bloqueo.

15
Diseño Experimental

Sobre la selección del diseño

16
Diseño Experimental

Clasificación de los diseños

17
Población y muestra

18
Diseño Experimental

Población y muestra
POBLACIÓN:

Es todo conjunto de elementos, definido por una o más características, de


las que gozan todos los elementos que lo componen, y sólo ellos.
En muestreo, se entiende por población a la totalidad del universo que
interesa conocer, y que es necesario que esté bien definido para que se
sepa en todo momento qué elementos lo componen. Conviene recordar
que población es el conjunto de elementos a los cuales se quieren inferir
los resultados.

19
Diseño Experimental

Población y muestra
MUESTRA:

En todas las ocasiones en que no es posible o conveniente realizar un


censo, lo que hacemos es trabajar con una muestra, entendiendo por tal
una parte representativa y adecuada de la población.
Para que una muestra sea representativa, y por lo tanto útil, debe de
reflejar las semejanzas y diferencias encontradas en la población,
ejemplificar las características y tendencias de la misma. Cuando decimos
que una muestra es representativa indicamos que reúne
aproximadamente las características de la población que son importantes
para la investigación.
Cuando decimos que una muestra es adecuada, nos referimos a que
contiene el número de unidades de estudio, tal que permita aplicar
pruebas estadísticas que den validez a la inferencia de los resultados a la
población.
20
Diseño Experimental

Ventajas del muestreo


• Costos reducidos.
• Mayor rapidez para obtener resultados.
• Mayor exactitud o mejor calidad de la información debido a los
siguientes factores:
a) Volumen de trabajo reducido.
b) Puede existir mayor supervisión en el trabajo.
c) Se puede dar más entrenamiento al personal.
d) Menor probabilidad de cometer errores durante el
procesamiento de la información.
• Factibilidad de hacer el estudio cuando la toma de datos implica
técnicas destructivas, por ejemplo:
a) Pruebas de germinación.
b) Análisis de sangre.
c) Control de calidad.
21
Diseño Experimental

Desventajas del muestreo


• Siempre está presente el error de muestreo producto de la
variabilidad intrínseca de los elementos del universo, existen
diferencias entre las medidas muestrales (estadísticos) y los
parámetros poblacionales llamada Error de Muestreo.
El término error no debe entenderse como sinónimo de
equivocación.
También suelen introducirse errores por otras vías, los cuales se
denominan errores sistemáticos: Los cuales son:
- Imputables al observador.
- Imputables al método de observación o medición.
- Imputables a lo observado (unidad de muestreo).

22
Estimación por intervalos de
confianza

23
Diseño Experimental

Algunos conceptos

α = probabilidad de que el intervalo NO incluya al


verdadero valor del parámetro.

1 – α = probabilidad de que el intervalo incluya al


verdadero valor del parámetro
= nivel de confianza

Ejemplo: α = 5% = 0.05
1 – α = 95% = 0.95

24
Diseño Experimental

Teorema del límite central

Sea X1, X2, … Xn es una muestra aleatoria de una


distribución con media μ y varianza σ².
Entonces, si n es suficientemente grande, X tiene
aproximadamente una distribución normal con
μ =μ
X
σ
σ =
X √n
25
Diseño Experimental

Intervalo de confianza al 95%


(para la media μ siendo σ conocida)

σ σ
x - 1.96 ≤ μ ≤ x + 1.96
√n √n

26
Diseño Experimental

Tabla de la distribución normal estándar

27
Diseño Experimental

Algunos niveles de confianza

Nivel de confianza α Normal z


estándar
95% 0.95 0.05 0.975 1.96
97% 0.97 0.03 0.985 2.17
99% 0.99 0.01 0.995 2.58
90% 0.90 0.10 0.959 1.65

28
Diseño Experimental

Ejercicio

Un grupo de investigadores en medicina desean estimar el


cambio medio de presión sanguínea por paciente en un
sanatorio. Se ha seleccionado una muestra al azar de 30
pacientes y se halló una media de 5 puls/seg. Los
investigadores saben que, según estudios anteriores, la
desviación estándar de los cambios de presión sanguínea
para todos los pacientes es de 3 puls/seg. Se desea estimar
el cambio medio de la presión sanguínea por paciente con
un intervalo del 95% de confianza, suponiendo que la
variable aleatoria “cambios de presión sanguínea” tiene una
distribución normal.
29
Intervalos de confianza para
muestras pequeñas

30
Diseño Experimental

Muestras pequeñas

Cuando estamos tratando con una muestra aleatoria de una


población normal con n<30 y σ desconocida,

Si x y s son los valores de la media y la desviación estándar


de una muestra aleatoria de tamaño n de una población
normal entonces un intervalo con (1-α)100% de confianza
para la media de la población es
s s
x – t α , n-1 . < μ < x+t .
α , n-1
2 √n 2 √n

31
Diseño Experimental

32
Diseño Experimental

Ejercicio 1

Un fabricante de pinturas quiere determinar el tiempo


promedio de secado de una pintura para muros interiores. Si
para 12 áreas de prueba del mismo tamaño ha obtenido una
media de tiempo de secado de 66.3 minutos y una
desviación estándar de 8.4 minutos, construya un intervalo
de confianza del 95% para la media verdadera μ.

33
Diseño Experimental

Ejercicio 2

Los siguientes datos son los puntajes obtenidos para 18


personas en una escala de depresión (mayor puntaje
significa mayor depresión).
2 5 6 8 8 9 9 10 11
11 13 14 15 16 17 18 19 20

Construir un intervalo de confianza para la depresión


promedio de la población a un nivel de confianza del 95%.

34
Diseño Experimental

Ejercicio 3

Los siguientes datos son los puntajes obtenidos para 45


personas en una escala de depresión (mayor puntaje
significa mayor depresión).
2 5 6 8 8 9 9 10 11
11 11 13 13 14 14 14 14 14
14 15 15 16 16 16 16 16 16
16 16 17 17 17 18 18 18 19
19 19 19 19 19 19 19 20 20

Construir un intervalo de confianza para la depresión


promedio de la población a un nivel de confianza del 95%.
35
Intervalos de confianza para
proporciones

36
Diseño Experimental

Intervalo de confianza al 95%


para la proporción

p (1-p ) p (1-p )
p - 1.96 ≤ p ≤ p + 1.96
√ n √ n

37
Diseño Experimental

Ejercicio 1

En un estudio de prevalencia de factores de riesgo


en una cohorte de 412 mujeres mayores de 15
años en cierta región se encontró que el 17.6%
eran hipertensas. Determine un intervalo de
confianza al 95% para la proporción de mujeres
hipertensas en la región estudiada.

38
Diseño Experimental

Ejercicio 2

Estamos interesados en conocer el consumo diario


medio de cigarrillos entre los alumnos de cierta
universidad. Seleccionada una muestra aleatoria de
100 alumnos se observó que fumaban una media
de 8 cigarrillos diarios. Si admitimos que la varianza
de dicho consumo es de 16 cigarrillos 2 en el
colectivo total, estime dicho consumo medio con un
nivel de confianza del 90%.

39
Intervalos de confianza para
la diferencia de medias

40
Diseño Experimental

Intervalo de confianza para la


diferencia de medias

Si x 1 y x 2 son los valores de las medias de muestras


aleatorias independientes de tamaños n y n de poblaciones
1 2

normales con las varianzas conocidas σ 12 y σ22 entonces un


intervalo de confianza para la diferencia entre las dos
medias de las poblaciones es

41
Diseño Experimental

Intervalo de confianza para la


diferencia de medias

2 2
σ1 σ2
( x1 - x2 ) - z + ≤ μ 1 - μ2 ≤
√ n1 n2

2 2
σ1 σ2
( x1 - x2 ) + z +
√ n1 n2
42
Diseño Experimental

Intervalo de confianza para la


diferencia de medias

En virtud del teorema del límite central esta fórmula puede


usarse también para muestras aleatorias independientes de
poblaciones no normales con varianzas conocidas cuando
los valores de n 1 y n2 son grandes (mayores que 30).

43
Diseño Experimental

Intervalo de confianza para la


diferencia de medias

Si las varianzas σ12 y σ22 son desconocidas, entonces se


sustituyen sus valores en la fórmula por s 2y s 2 y se procede
1 2

como antes.

44
Diseño Experimental

Ejercicio 1

Construya un intervalo de confianza al 94% para la


diferencia entre las vidas medias de dos clases de
bombillos dado que una muestra aleatoria de 40
bombillos de la primera clase duró un promedio de
418 horas de uso continuo y 50 bombillos de la
segunda clase duraron en promedio 402 horas de
uso continuo. Las desviaciones estándar de las
poblaciones se sabe que son σ1 = 26 y σ2 =22 (en
horas).

45
Límites de confianza para la
varianza poblacional

46
Diseño Experimental

Intervalo de confianza para la


varianza poblacional
2
Si s es el valor de la varianza de una muestra
aleatoria de tamaño n de una población normal,
entonces un intervalo de confianza del (1-α)100%
2
para σ es

47
Diseño Experimental

Intervalo de confianza para la


varianza poblacional
2
Si s es el valor de la varianza de una muestra
aleatoria de tamaño n de una población normal,
entonces un intervalo de confianza del (1-α)100%
2
para σ es
2 2
(n-1) s 2
(n-1) s
< σ <
2 2
χ α , n-1
χ
1 - α , n-1
2 2
48
Diseño Experimental

Tabla de la distribución chi-cuadrado

49
Diseño Experimental

Ejercicio 1

En 16 corridas de prueba el consumo de gasolina


de un motor experimental tiene una desviación
estándar de 2.2 galones. Construya un intervalo de
2
confianza del 99% para σ que mide la verdadera
variabilidad del consumo de gasolina del motor.

50
Tamaño de la muestra

51
Diseño Experimental

Tamaño de la muestra

“… no existe una fórmula mágica que


diga el tamaño perfecto para su
investigación… La elección de un
tamaño de muestra se parece a
decidir cuánta comida llevar para un
día de campo”
Sharon L. Lohr
en Muestreo: Diseño y Análisis, pág. 41
52
Diseño Experimental

Tamaño de la muestra

1. Pregunte “¿Qué se espera de la muestra?, ¿Cuánta precisión


necesito?, ¿Cuáles son las consecuencias de los resultados de la
muestra?, ¿Cuál es la cantidad de error tolerable?”
2. Determine una ecuación que relacione el tamaño de la muestra
n y sus expectativas de la muestra.
3. Estime todas las cantidades conocidas y despeje n.
4. Si el tamaño de la muestra es mucho mayor que lo permisible,
regrese y ajuste algunas expectativas y trate de nuevo. Puede
ocurrir que no pueda alcanzar la precisión deseada con los
recursos disponibles; en ese caso, decida incluso si realiza el
estudio o no.

53
Diseño Experimental

Tamaño de la muestra

Se quiere estimar la proporción de recetas del


nuevo recetario de Better Homes & Gardens que
no utilizan productos animales. Se plantea extraer
una muestra aleatoria simple de las 1251 recetas y
se quiere utilizar un intervalo de confianza al 95%
con un margen de error de 0.03. Calcule el tamaño
de la muestra.

54
Diseño Experimental

Tamaño de la muestra

Muchas encuestas de opinión pública


especifican el uso de una tamaño de muestra
cercano a 1100. Este número proviene de
redondear el valor anterior de n0.

Para poblaciones grandes, el tamaño de la


muestra y no la proporción de la población
que forma la muestra, determina la precisión.
55
Diseño Experimental

Tamaño de la muestra

¿Cuántas mujeres será necesario estudiar para


estimar la prevalencia de dolor lumbar en una
población de embarazadas?. Considere un nivel de
confianza del 95%, un error máximo admitido del
8% y un valor de prevalencia conocido por la
bibliografía del 20%.

56
Diseño Experimental

Tamaño de la muestra

En el Informe General del IX Censo Nacional de


Población y Vivienda 2010 que aparece en el sitio
www.one.gob.do de la Oficina Nacional de Estadística
se plantea que el Distrito Nacional tiene 965,040
habitantes. Suponga que se quiere estimar, a partir de
esos datos, la proporción de personas vacunadas
contra la poliomielitis que viven en el Distrito Nacional.
¿Cuál debe ser el tamaño de la muestra si se desea que
la estimación tenga un nivel de confianza del 95% y un
margen de error de 0.04 ?

57
Diseño Experimental

Tamaño de la muestra

Se planea un estudio con el interés de conocer el


promedio de horas semanales trabajadas por las
mujeres del servicio doméstico. La muestra será
extraída de una población de 10000 mujeres que
figuran en los registros de la Seguridad Social y de las
cuales se conoce a través de un estudio piloto que su
varianza es de 9.648. Trabajando con un nivel de
confianza de 0.95 y estando dispuestos a admitir un
error máximo de 0.1, ¿cuál debe ser el tamaño
muestral que se emplee?

58
Pruebas de hipótesis

59
Diseño Experimental

Como muchas de las hipótesis se formulan en el lenguaje


“no hay diferencias”, se usa el término hipótesis nula,
aunque el término es válido para cualquier hipótesis que
quisiéramos probar.

Se consideran siempre dos hipótesis:


H 0 : hipótesis nula (ejemplo: μ1 = μ 2 )
H : hipótesis alternativa (ejemplo: μ > μ )
1 1 2

60
Diseño Experimental

Prueba de hipótesis

Procedimiento de prueba: Es una regla, basada en datos muestrales,


para decidir si se rechaza o no Ho.

Un procedimiento de prueba consta de:


• Un estadístico de prueba, o sea, una función de los datos
muestrales en los cuales ha de basarse la decisión (rechazar Ho, no
rechazar Ho)
• Una región de rechazo, que es el conjunto de todos los valores del
estadístico de prueba para los cuales Ho será rechazada.

La hipótesis nula será rechazada si y solo si el valor del estadístico de


prueba observado o calculado queda en la región de rechazo.

61
Diseño Experimental

Hay cuatro posibilidades:

Realidad

Ho es cierta Ho es falsa

No rechazar
ok (error Tipo II)
Ho
Decisión
estadística
Rechazar Ho (error Tipo I) ok

62
Diseño Experimental

Prueba de hipótesis

La probabilidad de cometer un error de tipo I se


denota por α.

La probabilidad de cometer un error de tipo II se


denota por β.

63
Diseño Experimental

Prueba de hipótesis

Si el tamaño de la muestra y el estadístico de


prueba ya están fijos entonces, si se reduce el
tamaño de la región de rechazo para disminuir α,
se obtiene un valor más grande de β.

En la práctica se fija el valor de α, lo cual se conoce


como nivel de significación de la prueba. Son
usuales los niveles de significación 0.1, 0.05 y 0.01.

64
Pruebas de hipótesis para la
media

65
Diseño Experimental

Pruebas de hipótesis sobre la media

Consideremos la hipótesis nula H0: μ = μ0


Si H0 es verdadera entonces μ = μ0
X
X – μ0
El estadístico z = es una medida natural de
σ la distancia entre X (estima-
dor de μ) y μ0 (valor espera-
√n do cuando H0 es verdadera)

Si la distancia es demasiado grande H0 debe ser rechazada.

66
Diseño Experimental

Pruebas de hipótesis sobre la media

Si n es grande y σ es desconocida usaremos

X – μ0
el estadístico z =
s

√n

67
Diseño Experimental

Pruebas de hipótesis sobre la media

Si el tamaño de la muestra es pequeño y σ es desconocida


usaremos

X – μ0
el estadístico t = que tiene una distribución t
s con n-1 grados de libertad

√n

68
Diseño Experimental

69
Diseño Experimental

Ejercicio

Las especificaciones para cierta clase de cinta piden una


media de la resistencia al rompimiento de 185 libras. Si
cinco piezas, seleccionadas aleatoriamente de diferentes
rollos, tienen una resistencia al rompimiento de 171.6,
191.8, 178.3, 184.9 y 189.1 libras, pruebe la hipótesis nula
μ=185 libras contra la hipótesis alternativa μ‹185 libras en
el nivel 0.05 de significación.

70
Pruebas de hipótesis para la
diferencia de medias

71
Diseño Experimental

Pruebas de hipótesis sobre la diferencia


de medias

Supongamos que tenemos dos muestras aleatorias


independientes de tamaños n1 y n2 de dos poblaciones
normales que tienen las medias μ1 y μ2 y las desviaciones
estándar conocidas σ1 y σ2 entonces para las pruebas de
hipótesis:

Ho: μ1 – μ2 = δ

contra las hipótesis alternativas

H1: μ1 – μ2 ≠ δ , H1: μ1 – μ2 > δ , H1: μ1 – μ2 < δ


72
Diseño Experimental

Pruebas de hipótesis sobre la diferencia


de medias

Usaremos el estadígrafo de prueba

x1 – x2 – δ
z=
2 2
σ1 + σ2
√ n1 n2

Las regiones respectivas son |z| ≥ Zc , z ≥ Zc , z ≤ -Zc

73
Diseño Experimental

Pruebas de hipótesis sobre la diferencia


de medias

Si σ1 y σ2 son desconocidas y n1 y n2 suficientemente grandes

x1 – x2 – δ
z=
2 2
s1 + s2
√ n1 n2

74
Diseño Experimental

Ejercicio
Se hace un experimento para determinar si el contenido promedio de
nicotina de una clase de cigarrillos excede al de otra clase en 0.20
miligramos. Si 50 cigarrillos de la primera clase tuvieron en promedio un
contenido de nicotina de 2.61 miligramos con una desviación estándar
de 0.12 miligramos en tanto que 40 cigarrillos de la otra clase tuvieron
un contenido promedio de nicotina de 2.38 miligramos, con una
desviación estándar de 0.14 miligramos, pruebe la hipótesis nula “el
contenido promedio de nicotina de la primera clase de cigarrillos excede
en 0.20 miligramos al de la segunda” contra la hipótesis alternativa “el
contenido promedio de nicotina de la primera clase de cigarrillos no
excede en 0.20 miligramos al de la segunda”. Considere el nivel de
significación 0.1.

75
Análisis de varianza (ANOVA)

76
Diseño Experimental

Análisis de varianza

El análisis de varianza, o más brevemente, ANOVA, es un


método estadístico para decidir si las diferencias entre
dos o más medias muestrales se puede atribuir al azar o
si hay diferencias reales entre las medias de las poblaciones
muestreadas.

77
Diseño Experimental

Análisis de varianza

Ejemplos

• ¿Hay diferencias en la eficacia de tres métodos para


enseñar una lengua extranjera?
• ¿Hay diferencias en los efectos de cinco marcas
diferentes de gasolina con respecto a la eficiencia de
operación de un motor?
• ¿Hay diferencias en cuanto al crecimiento de bacterias en
cuatro soluciones azucaradas: glucosa, fructosa, sucrosa y
una mezcla de las tres?

78
Diseño Experimental

Análisis de varianza de un factor

También se llama unifactorial, unidireccional, en un sentido.

Hay un solo factor.

Hay varios niveles o tratamientos.

79
Diseño Experimental

Origen de la Suma de Grados de Cuadrado F


variación cuadrados libertad medio
Tratamientos SCTr k-1

Error SCE k(n-1)

Total STC kn-1

80
Diseño Experimental

Análisis de varianza de un factor

Se quiere comparar la acción limpiadora de tres


detergentes. Se tomaron 15 muestras de tela blanca, que se
mancharon con tinta china y luego se lavaron a máquina
usando los tres tipos de detergente. Los resultados de las
lecturas de blancura fueron:
Detergente A 77 81 71 76 80
Detergente B 72 58 74 66 70
Detergente C 76 85 82 80 77

Pruebe, en el nivel 0.01 de significación, si las diferencias


entre las medias de las lecturas de blancura son
significativas.
81
Diseño Experimental

Análisis de varianza de un factor

Tres grupos de seis conejillos de indias se inyectaron, cada


uno, con respectivamente 0.5 miligramos, 1.0 miligramos,
1.5 miligramos de un nuevo tranquilizante. A continuación
se muestra el número de minutos que tardaron en quedarse
dormidos
0.5 miligramos 21 23 19 24 25 23
1.0 miligramos 19 21 20 18 22 20
1.5 miligramos 15 10 13 14 11 15

Pruebe, en el nivel 0.05 de significación, si se puede


rechazar la hipótesis nula de que las diferencias en
dosificación no tienen efecto.
82
Comparaciones o pruebas de
rango múltiples

83
Diseño Experimental

Método LSD (diferencia mínima significativa)

84
Diseño Experimental

Método de Tukey

85
Diseño Experimental

Método de Tukey

86
ANOVA bifactorial

87
Diseño Experimental

Origen de la Suma de Grados de Cuadrado medio F


variación cuadrados libertad
Tratamientos SCTr k-1

Bloques SCB n-1 B

Error SCE (k-1)(n-1)

Total STC kn-1

88
Diseño Experimental

ANOVA bifactorial
Los datos sobre los tiempos (en minutos) que le tomó a cierta persona
conducir su vehículo hasta su trabajo, de lunes a viernes, por cuatro
rutas diferentes, fueron las siguientes:
Lunes Martes Miércoles Jueves Viernes

Ruta 1 22 26 25 25 31

Ruta 2 25 27 28 26 29

Ruta 3 26 29 33 30 33

Ruta 4 26 28 27 30 30

¿Hay diferencias entre los promedios verdaderos de tiempo que tarda la


persona en conducir al trabajo teniendo en cuenta las cuatro rutas y los
cinco días de la semana? Considere el nivel de significación 0.05

89
Diseño Experimental

ANOVA bifactorial
Considere los siguientes datos de un experimento para comparar tres
marcas diferentes de plumas y cuatro tratamientos de lavado distintos
con respecto a su capacidad de eliminar manchas en un tipo particular
de tela. La variable de respuesta es un indicador cualitativo del cambio
de color total de la tela, mientras más bajo es este valor más manchas
fueron eliminadas. ¿Existe alguna diferencia entre el cambio de color
promedio verdadero debido a las diferentes marcas de pluma o a los
distintos tratamientos de lavado? Considere α=0.05
Tratamiento 1 Tratamiento 2 Tratamiento 3 Tratamiento 4

Marca de pluma 1 0.97 0.48 0.48 0.46

Marca de pluma 2 0.77 0.14 0.22 0.25

Marca de pluma 3 0.67 0.39 0.57 0.19

90
Cuadrado Latino

91
Diseño Experimental

Cuadrado Latino
Supongamos que quiere estudiar el efecto de distintos tipos de
semilla en el rendimiento del trigo y se considera que el dicho
rendimiento pueden influir los tipos de abonos e insecticidas
empleados.

Si, por ejemplo, son 4 tipos de semilla, 5 tipos de abono y 3 tipos de


insecticida, se necesitarían 4x5x3=60 unidades experimentales en un
diseño completo en bloques aleatorizados. Esto pudiera ser inviable o
demasiado costoso.

Se puede recurrir a un diseño en bloques incompletos aleatorizados,


seleccionando una parte del diseño completo. Uno de esos diseños es
el Modelo en Cuadrado Latino.

92
Diseño Experimental

Cuadrado Latino
Es un diseño apropiado cuando además de estudiar el
factor principal es necesario controlar dos fuentes de
variabilidad o variables de bloque. En estos diseños el
número de niveles del factor principal tiene que coincidir
con el número de niveles de las dos variables de bloque
o factores secundarios y se debe suponer que no hay
interacción entre ninguna pareja de factores.

93
Diseño Experimental

Cuadrado Latino

94
Diseño Experimental

Cuadrado Latino

1. Se elige el cuadrado 2. Filas se ordenan 3. Columnas se ordenan


latino aleatoriamente aleatoriamente

95
Diseño Experimental

Cuadrado Latino
EJEMPLO

Factor principal: tipo de semilla


Factores de bloque: tipo de insecticida
tipo de abono

96
Diseño Experimental

Cuadrado Latino

97
Diseño Experimental

Cuadrado Latino

98
Diseño Experimental

Cuadrado Latino

99
Diseño Experimental

Cuadrado Latino
Ejercicio:

100
Diseño Experimental

Cuadrado Latino
Ejercicio (continuación):

101
Diseño Experimental

Cuadrado Latino
Tabla ANOVA del ejercicio:

102
Cuadrado Greco-latino

103
Diseño Experimental

Cuadrado Greco-latino

Es una extensión del modelo cuadrado latino en


la que se incluye una tercera variable de control
o variable de bloque.

104
Diseño Experimental

Cuadrado Greco-latino

105
Diseño Experimental

Cuadrado Greco-latino

106
Diseño Experimental

Cuadrado Greco-latino

107
Diseño Experimental

Cuadrado Greco-latino

108
Diseño Experimental

Cuadrado Greco-latino

109
Diseño Experimental

Cuadrado Greco-latino

110
Diseño Experimental

Cuadrado Greco-latino

111
Diseño Experimental

Cuadrado Greco-latino

112
Diseño Experimental

Cuadrado Greco-latino

113
114
Diseño Experimental

Diseños factoriales

Ya vimos los diseños en bloques, en los cuales sólo se tiene un


factor de tratamientos, y el resto son factores de bloques que
tienen una importancia secundaria en la investigación
experimental.

El objetivo de un diseño factorial es estudiar el efecto de varios


factores sobre una o varias respuestas, cuando se tiene el mismo
interés sobre todos los factores.

Uno de los objetivos particulares más importantes que en


ocasiones tiene un diseño factorial es determinar una
combinación de niveles de los factores en la que el desempeño
del proceso sea mejor.

115
Diseño Experimental

116
Diseño Experimental

117
Diseño Experimental

Ejercicio

118
Diseño Experimental

Cálculo de los efectos


principales y de interacción
119
Diseño Experimental

Tabla ANOVA (tres factores)

120
121
Diseño Experimental

122
Diseño Experimental

123
Diseño Experimental

124