Unidad 5 :Diseo de experimentos

En el campo de la industria es frecuente

hacer experimentos o pruebas con la
intencin de resolver un problema o
comprobar una idea (hiptesis).

Ejemplos
hacer algunos cambios en los materiales,
mtodos o condiciones de operacin de un
proceso
probar varias temperaturas en un reactor
qumico hasta encontrar la que d mejor
resultado
crear un nuevo material con la intencin de
lograr mejorar o eliminar algn problema.

Prueba y error
Sin embargo, es comn que estas
pruebas o experimentos se hagan sobre
la marcha, con base en el ensayo y error,
apelando a la experiencia y a la intuicin,
en lugar de seguir un plan experimental
adecuado que garantice una buena
respuesta a los interrogantes planteados.

El diseo estadstico de experimentos es

precisamente la forma ms eficaz de hacer
pruebas.
El diseo de experimento consiste en
determinar cuales pruebas se deben realizar
y de que manera, para obtener datos que
sean analizados estadsticamente.

Con el objetivo de que proporcionen

evidencias objetivas que permitan responder
los interrogantes planteados, y de esa
manera clarificar los aspectos inciertos de un
proceso, resolver un problema o lograr
mejoras.

Algunos problemas tpicos que pueden

resolverse con el diseo y el anlisis de
experimentos son los siguientes:
Comparar a dos o ms materiales con el fin
de elegir el que mejor cumple con los
requerimientos.
Comparar varios instrumentos de medicin
para verificar si trabajan con la misma
precisin y exactitud.

Para que sirven los E.D.

Determinar las variables de un proceso
que tienen impacto sobre una o ms
caractersticas del producto final.
Encontrar las condiciones de operacin
(temperatura, velocidad, humedad, presin)
donde se reduzcan los defectos o se logre
un mejor desempeo del proceso.

Para que sirven los E.D.

Reducir el tiempo de ciclo del proceso.

Hacer el proceso insensible o robusto a
oscilaciones de variables ambientales.
Apoyar el diseo o rediseo de nuevos
productos o procesos.
Ayudar a conocer y caracterizar nuevos
materiales.

Definiciones bsicas en el diseo de experimentos

Experimento:
Es un cambio en las condiciones de
operacin de un sistema o proceso, que se
hace con el objetivo de medir el efecto del
cambio sobre una o varias propiedades del
producto, proceso o resultado.

Definiciones bsicas en el diseo de experimentos

Por ejemplo, en un proceso qumico se

pueden probar diferentes temperaturas y
presiones y medir el cambio observado en
el rendimiento del proceso.

Unidad experimental
La unidad experimental es la pieza(s) o
muestra(s) que se utiliza(n) para generar un
valor que sea representativo del resultado
del
experimento o prueba.

Unidad experimental
En cada diseo de experimentos es
importante definir de manera cuidadosa la
unidad experimental, ya que sta puede ser
una pieza o muestra de una sustancia o un
conjunto de piezas producidas, dependiendo
del proceso que se estudia.

Por ejemplo, si se quiere investigar

alternativas para reducir el porcentaje de
piezas defectuosas, fabricadas con una
mezcla de PVC y polipropileno, en un
proceso que produce muchas piezas en un
lapso corto de tiempo, es claro que no sera
muy conveniente que la unidad experimental
fuera una sola pieza, en la cual se vea si en
una condicin experimental estaba
defectuosa o no.

Aqu la unidad experimental mas adecuada

sera una cierta cantidad de piezas que se
producen en las mismas condiciones
experimentales.

Definiciones bsicas en el diseo de

experimentos
Variables, factores y niveles
En todo proceso intervienen distintos tipos
de variables o factores.

Definiciones bsicas en el diseo de

experimentos
Variables de respuesta: a travs de estas
variables se conoce el efecto o los
resultados
de cada prueba experimental, por lo que
pueden ser caractersticas de la calidad de
un producto y/o variables que miden el
desempeo de un proceso.

Ejemplo de variable de respuesta

Por ejemplo: el rendimiento de un proceso
qumico
El objetivo de muchos estudios
experimentales es encontrar la forma de
mejorar las variables de respuesta.
Por lo general, estas variables se denotan
con la letra y

Factores controlables:
Son variables de proceso o caractersticas de los
materiales experimentales que se pueden fijar en
un nivel dado.
Son variables de entrada que usualmente se
controlan durante la operacin normal del
proceso y se distinguen porque existe la manera
o el mecanismo para cambiar o manipular su
nivel de operacin.

Ejemplos de Factores controlables

Si en un proceso se usa agua a 60 C,
entonces debe existir algn mecanismo que
permita fijar la temperatura del agua dentro
de algn rango de operacin.

Ejemplos de Factores controlables

Algunos factores que generalmente se
controlan son:
temperatura, tiempo de residencia, cantidad
de cierto reactivo, tipo de reactivo, mtodo de
operacin, velocidad, presin etc.

A los factores controlables tambin se los

llama variables de entrada, condiciones del
proceso, variables de diseo, parmetros
del proceso, las x de un proceso o
simplemente factores.

Factores no controlables o de ruido

Son variables y caractersticas de materiales y
mtodos que no se pueden controlar durante el
experimento o la operacin normal del
proceso.
Por ejemplo, algunos factores que suelen ser
no controlables son:

Factores no controlables o de ruido

- las variables ambientales (luz, humedad,
temperatura, partculas, ruido, etc).
- el nimo de los operadores.
- la calidad del material que se recibe del
proveedor.
Un factor que ahora es no controlable puede
convertirse en controlable cuando se cuenta
con el mecanismo o la tecnologa para ello .

Factores estudiados
Son las variables que se investigan en el
experimento, respecto de cmo influyen o
afectan a las variables de respuesta.
Para que un factor pueda ser estudiado es
necesario que durante el experimento, se
haya probado en al menos, dos niveles o
condiciones.

Definiciones bsicas en el diseo de experimentos

Niveles y tratamientos
Los diferentes valores que se asignan a cada
factor estudiado en un diseo experimental
se llaman niveles.
Una combinacin de niveles de todos los
factores estudiados se llama tratamiento o
punto de diseo.

Definiciones bsicas en el diseo de experimentos

Por ejemplo, si en un experimento se estudia

la influencia de la concentracin y la
temperatura, y se decide probar cada una en
dos niveles, entonces cada combinacin de
niveles (concentracin, temperatura) es un
tratamiento.
En este caso habra cuatro tratamientos.

Niveles y tratamientos
Tabla de tratamientos
Nivel de
Nivel de
concentracin temperatura

Tratamiento

Error aleatorio y error experimental:

Siempre que se realiza un estudio
experimental, parte de la variabilidad
observada en la respuesta no se podr
explicar por los factores estudiados.
Esto es, siempre habr un remanente de
variabilidad que se debe a causas
comunes o aleatorias, que generan la
variabilidad natural del proceso.

Definiciones bsicas en el diseo de experimentos

Error aleatorio y error experimental:

Esta variabilidad constituye el llamado error
aleatorio (incertidumbre estadstica).

Error aleatorio y error experimental

Por ejemplo, ser parte de este error

aleatorio, el pequeo efecto que tienen los
factores que no se estudiaron, siempre y
cuando se mantenga pequeo o
despreciable, as como la variabilidad de las
mediciones hechas bajo las mismas
condiciones.

Error aleatorio y error experimental

El error aleatorio tambin comprende

todos los errores que el experimentador
comete durante los experimentos, y si
stos son graves, mas que error aleatorio
hablaremos de error experimental

Principios bsicos del diseo de

experimento
El diseo de experimento trata de
fenmenos que son observables y
repetibles.
Cualquier cosa observada se aprecia con
variabilidad, nada ocurre exactamente de la
misma forma dos veces

De acuerdo a lo anterior, el punto de partida

para una correcta planeacin es aplicar los
principios bsicos del diseo de
experimentos: aleatorizacin, repeticin y
bloqueo.
La validez del anlisis de los datos se apoya
en estos principios.

Aleatorizacin
Consiste en hacer las corridas experimentales
en orden aleatorio (al azar) y con el material
tambin seleccionado aleatoriamente.
Este principio aumenta la probabilidad de que
el supuesto de independencia de los errores
se cumpla, lo cual es un requisito para la
validez de las pruebas de estadstica que se
realizan.

Tambin es una manera de asegurar que las

pequeas diferencias provocadas por
materiales, equipos y todos los factores no
controlados, se repartan de manera
homognea en todos los tratamientos.

Repeticin
Es correr ms de una vez un tratamiento o una
combinacin de factores.
Es preciso no confundir este principio con
medir varias veces el mismo resultado
experimental.

Repetir es volver a realizar un tratamiento,

pero no inmediatamente despus de haber
corrido el mismo tratamiento, sino cuando
corresponda de cuerdo con la aleatorizacin.
Las repeticiones permiten distinguir mejor
que parte de la variabilidad total de los datos
se debe al error aleatorio y cual a los
factores.

Bloqueo
Consiste en tomar en cuenta todos los
factores que pueden afectar a la respuesta
observada.
Por ejemplo, si se quiere comparar cuatro
maquinas, es importante tomar en cuenta el
operador de las mquinas, en especial si se
cree que la habilidad y los conocimientos del
operador pueden influir en el resultado.

Actividades
Suponga que se quiere estudiar el
desempeo de un automvil y lo que se
desea es encontrar los factores que ms
influyen en su rendimiento
Cuales podran ser las variables de
respuestas?
Cuales los factores a estudiar?
Cuales los factores no controlables o de
ruido?

Se quiere comparar el desgaste de dos

marcas de neumticos A y B, para lo cual se
eligen al azar 10 conductores particulares de
cierta ciudad .
A cinco de ellos , seleccionados al azar, se
les instala gratis los neumticos marca A y a
los cinco restantes, la marca B, con el
compromiso por escrito de permitir la
verificacin del desgaste cada tres meses.

a) Cree que este experimento permita la

comparacin justa del desgaste de las dos
marcas de neumticos?
b) Que consideraciones hara usted en
el experimento para mejorar la
comparacin?

Experimentos con un solo factor

En Probabilidad y Estadstica de segundo
ao vimos los mtodos para comparar dos
tratamientos o condiciones (poblaciones o
procesos), con la llamada prueba de
hiptesis.
Ahora vamos a comparar ms de dos
poblaciones o procesos, o grupos de
personas, o reactores qumicos

Ejemplo

En una industria qumica se desea

investigar la influencia de la temperatura en
el rendimiento de un proceso qumico. Las
corridas se realizarn en cuatro
temperaturas distintas.
Esto se hace con el fin de estudiar si
alguna de las temperaturas elegida es mejor
que la que se estaba usando hasta el
momento.

Modelo estadstico

Por lo general el inters del investigador est

centrado en comparar los tratamientos en cuanto
a sus medias poblacionales, sin olvidar que
tambin es importante compararlos con respecto a
sus varianza. As desde el
punto de vista estadstico, la hiptesis fundamental a
probar cuando se comparan varios tratamientos es:

H o : 1 2 ... k
H 1 : 1 j

Ejemplo
Un fabricante de butilglicol desea disminuir el
tiempo de una reaccin de sntesis, la cual se
puede hacer con uno de cuatro tipos de
catalizadores.
Se prueban en orden aleatorio 24 lotes, seis
de cada tipo de catalizador. Los datos, en
minutos, sobre el tiempo de reaccin de cada
tipo de catalizador se muestran en la tabla

Tabla de valores
Tipo de
cuero

Promedio

Observaciones

264

260

258

241

262

255

256,7

208

220

216

200

213

206

209,8

220

263

219

225

230

228

230,8

217

226

215

227

220

222

220,7

Teora general

Supongamos que se tienen k poblaciones,

independientes con medias y varianzas
desconocidas.
Las poblaciones pueden ser k mtodos de
produccin, k reactores, k grupos, etc

Teora general

En el caso de que los tratamientos tengan

efecto, las observaciones de la tabla se
podrn describir con el modelo estadstico
lineal dado por:

Yij i ij

Modelo estadstico

Donde es un parmetro de escala

comn a todos los tratamientos, llamada
media global, i es un parmetro
que mide el efecto del tratamiento i y

ij es el error atribuible a la medicin

(incertidumbre estadstica) .

Modelo estadstico

Este modelo implica que en el diseo

completamente al azar actuaran a lo sumo
dos fuentes de variabilidad: los
tratamientos y el error aleatorio.
La media global no se la considera una
fuente de variabilidad

Diferencias entre la media global y la media de los

tratamientos

Si la respuesta media de un tratamiento i

particular es muy diferente a la respuesta
media global, es un sntoma de que existe
un efecto de dicho tratamiento.

Diferencias entre la media global y la media de los

tratamientos

La diferencia que existen entre la media

global y las medias particulares deben ser
expuestas a un anlisis ANOVA para
saber si son estadsticamente significativas.

ANOVA para el diseo completamente al azar

El anlisis de la varianza (ANOVA) es la tcnica

central en el anlisis de datos experimentales.
La idea general es separar la variacin total en las
partes con las que contribuye cada fuente de
variacin en el experimento.
En nuestro caso, se separa la variabilidad debida
a los tratamientos y la debida al error.

ANOVA para el diseo completamente al azar

Cuando la primera predomina claramente

sobre segunda, es cuando se concluye que
los tratamientos tienen efecto, dicho de otra
manera las medias son diferentes.

ANOVA para el diseo completamente al azar

Cuando los tratamientos no predominan, es

que contribuyen igual que el error, se
concluye que las medias son iguales.

Notacin de puntos

Sirve para representar de manera abreviada

cantidades numricas que se pueden
calcular a partir de los datos
experimentales, donde Yij representa la
j-esima observacin en el tratamiento i.

Notacin de puntos

Las cantidades de inters son:

Suma de las observaciones del tratamiento
i= Yi.
Media de las observaciones del i-esimo
tratamiento= Y i.
Suma total de las N mediciones = Y ..
Media global o promedio de todas las
observaciones= Y ..

Descomposicin de la variabilidad total

Para probar la hiptesis nula, donde todas las

medias son iguales mediante la tcnica de
ANOVA, lo primero es descomponer la
variabilidad total de los datos en sus dos
componentes: la variabilidad debida al
tratamiento y la que corresponde al error
aleatorio.

Descomposicin de la variabilidad total

Una medida de la variabilidad total presente

en las observaciones de la tabla es la suma
total de cuadrados dada por,
2
k n
k
n
2
2 Y..
SCT Yij Y .. Yij
N
i 1 j 1
i 1 j 1

Descomposicin de la variabilidad total

Se suma y resta dentro del parntesis la media del
tratamiento i ( Y i. )

SCT

k n

i 1 j 1

Y Y
i.
ij

Y i. Y ..

Desarrollando el cuadrado

SCT ni Y i. Y ..
i 1

k ni

Yij Y i.
i 1 j 1

Sumas de cuadrados

Donde el primer componente es la suma de los

cuadrados de los tratamientos ( SCTRAT ) y el
segundo es la suma de cuadrados del error ( SC E ).
Al observar con detalle estas sumas de cuadrado se
aprecia que la SCTRAT
mide la variacin o
diferencias entre tratamientos, ya que si estos son
muy diferentes entre si, entonces la diferencia
Y i. Y ..
tender a ser grande en valor
absoluto.

Suma del cuadrado del error

Mientras que el segundo trmino ( SC E )

mide la variacin dentro de tratamientos, ya
que si hay mucha diferencia entre las
observaciones de cada tratamiento,
entonces Yij Y i. tender a ser grande en
valor absoluto.

Forma abreviada
En forma abreviada, esta descomposicin de la suma total
de cuadrados se puede escribir como:

SCT SCTRAT SC E
Ntese que

SCTRAT

tambin puede escribirse como:

2
k Yi. Y..2
SCTRAT

ni
N
i 1

Grados de libertad

Como hay en total N observaciones, SCT (suma

total de los tratamientos) tiene N -1 grados de
libertad.
Como hay k tratamientos o niveles del factor de
inters (A, B, C, D), SCTRAT tiene k -1 grados de
libertad.
Mientras que la
libertad.

SC E

tiene N k grados de

Cuadrados medios

Las sumas de los cuadrados divididas entre sus

respectivos grados de libertad se llaman cuadrados
medios. Los dos que ms interesan son el cuadrado
medio de tratamientos y el cuadrado medio del error,
que se denotan por
SCTRAT
CM TRAT
k 1

SC E
CM E
N k

Estadstico de prueba
Cuando la hiptesis nula es verdadera, ambos cuadrados
medios estiman la varianza 2 .

Con base en este hecho se construye el estadstico

de prueba como sigue: se sabe que SCTRAT y SC E
son independientes, por lo que SC E / 2
y SCTRAT / 2
son
dos variables aleatorias independientes con
distribucin ji-cuadrada con N k y k 1 grados de
libertad, respectivamente.

Estadstico de prueba

Entonces bajo el supuesto de que la

hiptesis nula es verdadera, el estadstico

CM TRAT
F o
CM E

Estadstico de prueba
Sigue una distribucin F con k 1 grados de libertad en el
numerador y N k grados de libertad en el denominador.
Si Fo es grande, se debe rechazar la hiptesis nula,
es decir que se rechaza que los tratamientos sean todos
Iguales.
En cambio si Fo
hiptesis nula.

es pequeo se confirma la validez de la

Es decir que elegido un determinado , si el valor p es

mas pequeo que l, se rechaza la hiptesis nula.

Tabla ANOVA

F.V

S.C

G.L.

C.M.

Trata
2
k
Y
Y..2 k 1 CM TRAT
mien SC
i
.

TRAT
N
tos
i 1 ni
N-k

Error

CM E

SC E SCT SCTRAT

Total

SCTRAT

k 1

k ni

2
Y
SCT Yij2 ..
N
i 1 j 1

N -1

SC E
N k

Fo

CM TRAT
CM E

Va
lor
P

Clculos

Y1. 264 260 258 ....1540

Y2. 1263
Y3. 1385
Y4.1327

Y.. 5515
ni 6

Clculos
k Y 2 Y 2 (1540) 2 (1263) 2 (1385) 2 (1327) 2 (5515) 2
SCTRAT i. ..

7019
N
6
24
i 1 ni

SCTRAT
7019
CM TRAT

2339
k 1
3
Y..2
(5515) 2
2
2
2
2
SCT Y
ij N (264) (260) ... (222) 24 9076
i 1 j 1

k ni

Clculos

SC E SCT SCTRAT 9076 7019 2057

CM E

SC E
2057

102,85
N k
20

CM TRAT
2339
F o

22,74
CM E
102,85

Conclusiones
Con 0,05 obtenemos el valor de f de tabla con 3
Grados de libertad en el numerador y 20 grados de
libertad en el numerador.

f 0,05;3;20 3,1
Como
es mucho mayor que
f 0,05;3;20
Fo
se rechaza
y se concluye que hay
Ho
diferencia estadsticamente significativa
entre los distintos tipos de catalizadores.
.

Conclusiones

Tambin calculamos el valor P que es la

f 22,74
probabilidad de que

Esto es igual a cero, lo que indica que

rechazar H o ha sido una idea fuerte.

Comparaciones o pruebas de rangos mltiples

Despus de que se rechaz la hiptesis nula

en un anlisis de varianza, es necesario ir a
detalle y ver cuales tratamientos son
diferentes.

Comparaciones o pruebas de rangos mltiples

Comparacin de parejas de medias de tratamientos

Cuando no se rechaza la hiptesis nula, el objetivo

del experimento est cubierto y la conclusin es que
los tratamientos no son diferentes.
Si por el contrario se rechaza la hiptesis nula , es
necesario investigar cuales tratamientos resultaron
diferentes o cuales provocaron la diferencia.
Estos interrogantes se responden probando la
igualdad de todos los posibles pares de medias.

Mtodo LSD (diferencia mnima significativa)

Este mtodo se basa en probar la igualdad

de todos los posibles pares de medias con
la hiptesis

H o : i j
H1 : i j

i j

Estadstico de prueba

El estadstico de prueba para cada una de las

6 hiptesis posibles es la correspondiente
diferencia en valor absoluto entren sus medias
muestrales. Se rechaza la hiptesis nula
H o : i j
Siempre que ocurra
1

1
LSD
Y i. Y j. t / 2, N k CM e

ni n j

Diferencia mnima significativa

La cantidad LSD se llama diferencia minima

significativa, ya que es la diferencia mnima
que debe existir entre dos medias
muestrales para considerar que los
tratamientos correspondientes son
significativamente diferentes.

Diferencia mnima significativa

As cada diferencia de medias muestrales en valor

absoluto que sea mayor que el numero LSD se
declara significativa.
Si todos los tratamientos tienen el mismo
nmero de rplicas, la cantidad LSD se reduce a:

LSD t / 2, N k 2CM e / n

Pares de hiptesis
Se prueban las seis posibles pares de hiptesis
Ho : A B

H1 : A B

H o : A c

H1 : A c

Ho : A D

H1 : A D

H o : B C

H1 : B C

Ho : B D

H1 : B D

H o : C D

H1 : C D

Valor t y LSD

Buscamos el valor t 0,025 de con 20 grados

de libertad = 2,085
LSD t / 2, N k 2CM e / n

2.102,85
2,085
12,20
6

Tabla para la diferencia de medias

Diferencia
poblacional

Diferencia
muestral

Decisin

A B

256,7 209,8 = 46,9

Significativa

A c

256,7 - 230,8 = 25,9

Significativa

A D

256,7 - 220,7 = 36

Significativa

B C

209,8 - 230,8 = 21

Significativa

B D

209,8 - 220,7 = 10,9

No Significativa

C D

230,8 - 220,7 = 10,1

No Significativa