Diseño Experimental

Diseño Experimental
1
Introducción al Diseño de
Experimentos
2
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
Problemas típicos que pueden resolverse mediante

el diseño y el análisis de experimentos:
4
Proceso interactivo de la experimentación
El proceso de generación de aprendizaje y conocimiento

como un ciclo de retroalimentación
5
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
Variables de un proceso
Preguntas a
responder al diseñar
un experimento
7
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
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
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
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
Factores y variables en la fabricación de un envase de plástico
12
Etapas en el diseño de experimentos
❑ Planeación y realización
❑ Análisis e interpretación
❑ Control y conclusiones finales
13
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
❑ Aleatorización.
Principios básicos del
diseño experimental ❑ Repetición.
❑ Bloqueo.
15
Sobre la selección del diseño
16
Clasificación de los diseños
17
Población y muestra
18
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
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
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
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
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
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
Intervalo de confianza al 95%

(para la media μ siendo σ conocida)
σ σ
x - 1.96 ≤ μ ≤ x + 1.96
√n √n
26
Tabla de la distribución normal estándar
27
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
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
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
32
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
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
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
proporciones
36
Intervalo de confianza al 95%

para la proporción
p (1-p ) p (1-p )
p - 1.96 ≤ p ≤ p + 1.96
√ n √ n
37
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
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
la diferencia de medias
40
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

2 2
σ1 σ2
( x1 - x2 ) - z + ≤ μ 1 - μ2 ≤
√ n1 n2
2 2
σ1 σ2
( x1 - x2 ) + z +
√ n1 n2
42

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

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
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

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

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
Tabla de la distribución chi-cuadrado
49
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
“… 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
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
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
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
¿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
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
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
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
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
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
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
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
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
Si n es grande y σ es desconocida usaremos
X – μ0
el estadístico z =
s
√n
67
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
69
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
71
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

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

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
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
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
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
Análisis de varianza de un factor
También se llama unifactorial, unidireccional, en un sentido.
Hay un solo factor.
Hay varios niveles o tratamientos.
79
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
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
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
Método LSD (diferencia mínima significativa)
84
Método de Tukey
85
Método de Tukey
86
ANOVA bifactorial
87
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
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
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
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
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
Cuadrado Latino
94
Cuadrado Latino
1. Se elige el cuadrado 2. Filas se ordenan 3. Columnas se ordenan

latino aleatoriamente aleatoriamente
95
Cuadrado Latino
EJEMPLO
Factor principal: tipo de semilla

Factores de bloque: tipo de insecticida
tipo de abono
96
Cuadrado Latino
97
Cuadrado Latino
98
Cuadrado Latino
99
Cuadrado Latino
Ejercicio:
100
Cuadrado Latino
Ejercicio (continuación):
101
Cuadrado Latino
Tabla ANOVA del ejercicio:
102
Cuadrado Greco-latino
103
Es una extensión del modelo cuadrado latino en

la que se incluye una tercera variable de control
o variable de bloque.
104
105
106
107
108
109
110
111
112
113
114
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
116
117
Ejercicio
118
Cálculo de los efectos

principales y de interacción
119
Tabla ANOVA (tres factores)
120
121
122
123
124

Diseño Experimental

Cargado por

Copyright:

Formatos disponibles

Diseño Experimental

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseño Experimental

Cargado por

Copyright:

Formatos disponibles

Diseño Experimental

El diseño de experimentos es un conjunto de técnicas

Problemas típicos que pueden resolverse mediante

Proceso interactivo de la experimentación

El proceso de generación de aprendizaje y conocimiento

Experimento: es un cambio en las condiciones de

Unidad experimental: es la pieza o muestra que se utiliza

Variables, factores y niveles: son los distintos tipos de

Variables de respuesta: son aquellas a través de las

Factores controlables: son variables de proceso o

Factores no controlables o de ruido: son variables o

Factores estudiados: son las variables que se investigan

Niveles: son los diferentes valores que se asignan a cada

Tratamientos: es cada combinación de niveles de todos

Factores y variables en la fabricación de un envase de plástico

Etapas en el diseño de experimentos

Sobre el uso de métodos estadísticos

❑ El conocimiento no estadístico es vital.

❑ Es necesario reconocer la diferencia entre

❑ Es preferible apostarle más a la experimentación

Sobre la selección del diseño

Clasificación de los diseños

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

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

Ventajas del muestreo

Desventajas del muestreo

α = probabilidad de que el intervalo NO incluya al

1 – α = probabilidad de que el intervalo incluya al

Teorema del límite central

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

Intervalo de confianza al 95%

Tabla de la distribución normal estándar

Algunos niveles de confianza

Nivel de confianza α Normal z

Un grupo de investigadores en medicina desean estimar el

Cuando estamos tratando con una muestra aleatoria de una

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

Un fabricante de pinturas quiere determinar el tiempo

Los siguientes datos son los puntajes obtenidos para 18

Construir un intervalo de confianza para la depresión

Los siguientes datos son los puntajes obtenidos para 45

Construir un intervalo de confianza para la depresión

Intervalo de confianza al 95%

En un estudio de prevalencia de factores de riesgo

Estamos interesados en conocer el consumo diario

Intervalo de confianza para la

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

normales con las varianzas conocidas σ 12 y σ22 entonces un

Intervalo de confianza para la

Intervalo de confianza para la

En virtud del teorema del límite central esta fórmula puede

Intervalo de confianza para la

Si las varianzas σ12 y σ22 son desconocidas, entonces se

Construya un intervalo de confianza al 94% para la

Intervalo de confianza para la

Intervalo de confianza para la

Tabla de la distribución chi-cuadrado

En 16 corridas de prueba el consumo de gasolina

“… no existe una fórmula mágica que