Marina Garcia Montana Instituto Tecnológico de Piedras Negras Ingeniería en Gestión Empresarial GM2

1. MGM
1
Instituto Tecnológico de Piedras Negras.
Ingeniería en Gestión Empresarial
Investigación del tema 4:
¨Diseño experimental para un factor¨
Estadística inferencial 2
Docente: Rubi Valencia Velia del Pilar
Alumna: Marina Garcia Montana
Entrega: Miercoles 01 de diciembre del 2021

2. MGM
2
Índice
4.1 Introducción, conceptualización, importancia y alcance del diseño experimental
en el ámbito empresarial………………………………….…………………………….04
4.2 Clasificación de los diseños experimentales…………………………………….05
4.3 Nomenclatura y simbología en el diseño experimental…………………………09
4.4 Identificación de los efectos de los diseños experimentales…………………..11
4.5 La importancia de la autorización de los especímenes de prueba……………12
4.6 Supuestos estadísticos en las pruebas experimentales………………………..13
Figura f.6.1……………………………………………………………………………….13
Figura f.6.2……………………………………………………………………………….13
Figura f.6.3……………………………………………………………………………….13
Figura f.6.4……………………………………………………………………………….14
Figura f.6.5……………………………………………………………………………….14
Figura f.6.6……………………………………………………………………………….15
4.7 Prueba de Duncan………………………………………………………………….15
Figura f.7.1……………………………………………………………………………….16
Figura f.7.2……………………………………………………………………………….16
Figura f.7.3……………………………………………………………………………….17
Figura f.7.4……………………………………………………………………………….17
Figura f.7.5……………………………………………………………………………….17
Figura f.7.6……………………………………………………………………………….17
Figura f.7.7……………………………………………………………………………….18
Figura f.7.8……………………………………………………………………………….18
4.8 Aplicaciones industriales…………………………………………………………..18
Fuentes bibliograficas………………………………..………………………………….21
Conclusión………………………………………………………………………………..22

3. MGM
3
Introducción:
En esta investigación se hablará sobre el diseño experimental sobre un factor que
básicamente veremos una introducción, sus conceptos y su importancia, pero en
el ámbito empresarial. Ya que este contiene factores, variables, un nivel entre
otros.
También veremos acerca de sus clasificaciones la cual existe una variedad
algunas serian pre experimentales, diseño factorial entre otras mas que veremos
para que nos funciona y algunas características de estas. Otro tema que abarca
son las nomenclatura y simbología en el diseño experimental que son los
significados de símbolos con sus definiciones.
Lo cual conoces como identificar los efectos de esta mismo tema que básicamente
te explica como es, que busca y para que te sirve. Y por ultimo se mirara y
explicara acerca de la prueba de Duncan que se utiliza para comparar promedios,
y se aplica en situaciones o ejercicios relacionados con este tema, y como
aplicarlo en el ámbito empresarial.
4.1 Introducción,
conceptualización,
importancia y alcance del
diseño4.1 Introducción,
conceptualización,
importancia y alcance del
diseño

4. MGM
4
4.1 Introducción, conceptualización, importancia y alcance
del diseño experimental en el ámbito empresarial.
-Introducción
El diseño de experimentos con un factor constituye la versión más sencilla del
problema general de diseño de experimentos. Suele plantearse de la siguiente
manera: se requiere analizar una característica cualitativa X (que suele llamarse
variable respuesta), sometida a m niveles de un único factor. Fundamentalmente, el
interés de estudiarlo radica en si el factor tiene una influencia significativa sobre la
variable respuesta. Para esto, se obtendrá, para cada uno de los niveles una
muestra aleatoria de valores X. Estas observaciones Xij son observaciones
independientes con distribución N (µ+xij σ).
-Conceptualización
El diseño de experimentos ha sido creado por matemáticos y estadísticos, por loque
posee su propio lenguaje, el cual es necesario conocer para su mejor
comprensión y utilización, a continuación, se describen los términos más
importantes
Factor. - Una de las variables dependientes que son estudiadas en el experimento.
Esta puede ser cualitativa o cuantitativa.
Nivel. - Valores que puede tener el factor a estudiar.
Combinación. - Es la asignación de un solo nivel a un factor, o de varios niveles a
todos los factores en una corrida experimental.
Variable de respuesta. - s el resultado de una corrida experimental. Variable
a estudiar.
Efecto. - Es el cambio en la variable de respuesta por el cambio del nivel de unfactor.
Interacción. - Cuando uno o más factores trabajan juntos para producir un efecto
diferente que los efectos producidos por aquellos factores de manera individual.
Corrida experimental. - Implementación de cada una de las combinaciones.
Bloque. - Agrupación planeada de factores o combinaciones. Es realizada
de manera a minimizar la variación no incluida en el diseño, ejemplo puede ser el
turno de día de la semana.
Replicación. - Repetición de la corrida experimental.
-Alcance del diseño experimental
Para más de dos factores, 2k el experimento factorial se puede diseñar
recurrentemente de 2k-1 experimento factorial replegando los 2k-1 el experimento,
asignando el primer repliega al primer (o punto bajo) llano del nuevo factor, y el

5. MGM
5
segundo repliega al segundo (o colmo) llano. Este marco se puede generalizar
a,e.g., diseñando tres réplicas para los factores de tres niveles, etc.
Un experimento factorial permite la valoración de error experimental de
dos maneras. El experimento puede ser replegado, o principio de los
sparsity-de-efectos la poder se explote a menudo. La réplica es más
común para los experimentos pequeños y es una manera muy confiable
de determinar error experimental. Cuando el número de factores es grande
(típicamente más que cerca de 5 factores, pero éste varía por el uso), réplica del
diseño pueden llegar a ser operacionalmente difíciles.
4.2 Clasificación de los diseños experimentales
Diseño experimental. - Estrategia para el estudio preciso de un fenómeno
psicológico, según O’Nell (1968) es un modelo particular de variación y constancia.
El diseño experimental es una técnica estadística que permite cuantificar
las causas de un efecto dentro de un estudio experimental Se manipulan
deliberadamente una o más variables vinculadas a las causas para medir el efecto,
que tiene en otra variable de interés.
Diseño es igual a un esquema de acción. Objetivo: evidenciar la acción de los
factores experimentales y eliminar la influencia de los factores extraños, según
Matalón (1969)
Estructura del diseño experimental. - Es lógica y unitaria que implica dos
actividades: organizar los diferentes aspectos del experimento y el procedimiento
estadístico para interpretar los resultados del mismo.
Clasificación:
❖ Pre experimentales.
❖ Cuasi experimentales
❖ Experimentales
❖ Longitudinales
❖ Diseños Transversales
❖ Diseño de series cronológicas
❖ Diseño de muestras cronológicas equivalentes
❖ Diseño de grupo de control no equivalente
❖ Diseños experimentales de grupo
❖ Diseño de grupos aleatorios
❖ Diseño de grupos apareados
❖ Diseño factorial
❖ Diseños de series de tiempo o N=1
Diseños pre experiméntales

6. MGM
6
No tienen control sobre las variables extrañas y presentan problemas de validez
interna.
Características:
a) Es difícil establecer una relación biunívoca entre las variables dependiente
independiente.
b) No hay control sobre la selección de sujetos.
c) La comparación formal entre dos o más observaciones es limitada
d) Poco control de variables extrañas Según Campbell y Stanley(1978), tres de
estos diseños serían:
1) Diseño de estudio de caso con una sola medición. - Cuando el grupo ha sido
sometido a una variable independiente, existiendo una sola medición posterior
(postest)
2) Diseño pretest-postest de un solo grupo. - Se efectúa una observación
antes de introducir la variable independiente y otra después de su aplicación.
3) Diseño de comparación con un grupo estático. - Se trabaja con un grupo
experimental, que recibe la variable independiente y uno de control que no recibe
tratamiento alguno.
Diseños cuasi experimentales
Carecen de control sobre la programación de variables y sobre la selección de los
sujetos, presentada por lo regular en los estudios de campo.
Diseños experimentales
Tiene una serie de pautas a seguir:
❖ Plan determinado
❖ Variables independientes, a manipular
❖ Aplicación de tratamiento
❖ Repetición
❖ Orden para establecer un grado de confianza
❖ Buscar la validez interna y externa
Diseños Longitudinales
Un estudio longitudinal es un tipo de estudio observacional que investiga
al mismo grupo de gente de manera repetida a lo largo de un período.
Ofrecen indicadores más precisos de los cambios en las sociedades estudiadas, su
gran potencial permiten que sus consecuencias puedan aplicarse en otros
campos de las ciencias sociales. Son estudios que recogen datos en diferentes

7. MGM
7
puntos, a través del tiempo, para realizar inferencias acerca del cambio, sus
determinantes y consecuencias.
Diseños Transversales
Implican la recolección de datos en un solo corte en el tiempo, No
existe continuidad en el eje del tiempo, es observacional, descriptivo, medición de
prevalencia de la exposición y efecto de la muestra poblacional en un sólo momento
temporal, permite estimar la magnitud y distribución de una situación determinada
en un momento dado.
Diseño de series cronológicas
Toma una serie de mediciones antes de introducir el tratamiento sobre un grupo o
individuo, finalizadas las observaciones se somete al grupo o sujeto a
la intervención y posteriormente es retirada para volver a efectuar observaciones.
Ofrecen indicadores más precisos de los cambios en las sociedades estudiadas, su
gran potencial permite que sus consecuencias puedan aplicarse en otros
campos de las ciencias sociales.
Son estudios que recogen datos en diferentes puntos, a través del tiempo, para
realizar inferencias acerca del cambio, sus determinantes y consecuencias.
Diseños Transversales
Implican la recolección de datos en un solo corte en el tiempo, No
existe continuidad en el eje del tiempo, es observacional, descriptivo, medición de
prevalencia de la exposición y efecto de la muestra poblacional en un sólo momento
temporal, permite estimar la magnitud y distribución de una situación determinada
en un momento dado.
Diseño de series cronológicas
Toma una serie de mediciones antes de introducir el tratamiento sobre un grupo o
individuo, finalizadas las observaciones se somete al grupo o sujeto a
la intervención y posteriormente es retirada para volver a efectuar observaciones.
Diseño de muestras cronológicas equivalentes
Selecciona dos muestras iguales de una población a introducir de forma
intermitente la variable independiente n una de ellas, llamada experimental, la
muestra de control es observada sin la introducción del tratamiento.
Diseño de grupo de control no equivalente
Sé emplean grupos ya formados, se designa al azar cuál grupo será el control y cuál
el experimental, realizando observaciones antes y después del tratamiento.
Diseños experimentales de grupo

8. MGM
8
Hay comparación formal entre dos o más observaciones, medidas o
grupos, control de variables extrañas, manipulación de la variable
dependiente por el experimentador, relación biunívoca entre las variables
independiente y dependiente, selección de sujetos por parte del
experimentador, asignación aleatoria de los sujetos a los diferentes grupos. Estos
diseños comprenden los de grupo y los de N=1 o de series temporales.
Diseño de grupos aleatorios
Sé determina con exactitud la población de interés, se toma una muestra
representativa al azar de dicha población, se asigna aleatoriamente a los sujetos y
se aplica una prueba a ambos grupos antes y después de la introducción del
tratamiento.
Diseño de grupos apareados
Se designa a los sujetos a los grupos de control y experimental con base en una
prueba preliminar, de la tal manera que ambos grupos quedan constituidos
por parejas con característica similares. Sus limitantes son el tiempo que requiere
para el procedimiento y la mortalidad. El apareamiento puede ser:
1. De variables correlacionadas. - aparear sujetos en función de alguna variable que
se cree está relacionada con la que se estudia.
2. Por parejas similares. - se seleccionan sujetos con características
comunes (gemelos).
3. Por criterio de ejecución. - se seleccionan los pares que hayan obtenido
puntuaciones similares en una prueba determinada previamente.
Diseño factorial
Se requieren tantos grupos como combinaciones posibles existan entre
las variables, evalúa los efectos de la interacción de las variables
independientes especificadas.
Diseños de series de tiempo o N=1
Estrategia alternativa a los diseños de grupo, enfatiza el tomar medidas repetidas
través del tiempo de un mismo sujeto, realización de una serie de observaciones
controladas, cuando se observa estabilidad en la línea base se introduce
la variable independiente y se registra la variable dependiente, se trabaja con un
solo sujeto o grupo de sujetos funcionando cada uno como su propio control.
La formación de grupos por aleatorización
Diseño contrabalanceado o cruzado o de bloque aleatorio o de cuadro latino.- Se
prueba en determinada secuencia de condiciones al sujeto o grupo de sujetos
mientras que el otro está en una secuencia diferente. Los sujetos deben

9. MGM
9
ser asignados a las diferentes secuencias en forma aleatoria. Ventaja que el
sujeto constituye su propio control.
Limitación: el orden de los tratamientos puede afectar los resultados. La
formación de grupos por bloqueo
Se designa a los sujetos a los grupos de control y experimental con
base en una prueba preliminar, de la tal manera que ambos grupos quedan
constituidos por parejas con característica similares, de forma que cada bloque es
una réplica del experimento, sus limitantes son el tiempo que requiere para el
procedimiento y la mortalidad. El apareamiento puede ser:
1. De variables correlacionadas. - aparear sujetos en función de alguna variable
que se cree está relacionada con la que se estudia
2. Por parejas similares. - se seleccionan sujetos con características
comunes(gemelos).
3. 3. Por criterio de ejecución. - se seleccionan los pares que hayan
obtenido puntuaciones similares en una prueba determinada previamente.
4.3 Nomenclatura y simbología en el diseño experimental
En un diseño experimental de clasificación simple, se trata de comparar varios
grupos generalmente llamados Métodos o Tratamientos, como por ejemplo
diferentes maneras de tratar una enfermedad: con medicamentos,
quirúrgicamente, acupuntura, etc. Para hacer la comparación se usa una variable
de respuesta cuantitativa Y que es medida en cada uno de los grupos. Los grupos
también pueden ser los niveles de una variable cualitativa que es llamada Factor.
Simbología
❖ T= Tratamientos
❖ C= Control
❖ F= Factores
❖ A= Números de tratamientos
❖ N= Tamaños de la muestra
❖ R= Replica o Repetición
❖ R: asignación al azar o aleatoria
❖ E: emparejamiento o nivelación
❖ G: grupo de sujetos
❖ X: tratamiento, estímulo o condición experimental.
❖ O: medición de los sujetos de un grupo.―: ausencia de estímulo en
lavariable independiente (grupo testigo).

10. MGM
10
Definiciones
Tratamientos: Son las condiciones (procesos, técnicas, operaciones, etc.) las
cuales distinguen las poblaciones de interés. NOTA: Cada tratamiento
define únicamente una población
Control: Es la capacidad que tiene el investigador para elegir según su voluntad los
elementos que intervienen en la investigación.
Efecto: Es el cambio en la variable de respuesta por el cambio de nivel de un factor.
Factores: Son las variables las cuales se presume que afectan la característica de
interés en el proceso. Una de las variables dependientes que son estudiadas en el
experimento. Puede ser cualitativa o cuantitativa. Se dividen en dos tipos: factores
controlables y factores ruido
Factores controlables: son aquellos con un grado de control, es decir que
se pueden manejar, variar o manipular con gran facilidad.
Factores ruido: son aquéllos sobre los cuales el grado de control es menor y el
manejo es más difícil.
Niveles del factor: Son las diferentes categorías dentro de un factor de las cuales
puedes estudiar.
Corrida o unidad experimental: Ente al cual se aplica el tratamiento y sobre el cualse
mide la variable respuesta.
Partición: Proceso que distribuye la suma total de cuadrados y de
grados de libertad entre sus diversos componentes.
Interacción: Efecto que se produce cuando los niveles (valores) de un
factor interactúan con los niveles (valores) del otro factor e influyen en la variable de
respuesta. Cuando uno o más factores trabajan juntos para producir un efecto
diferente que los efectos producidos por aquellos factores de manera individual.
Diseño de bloques aleatorizado: Diseño de experimentos en el que se usa
la formación de bloques.
Experimento factorial: Diseño experimental en el que se obtienen simultáneamente
conclusiones acerca de dos o más factores.
Combinación: Es la asignación de un solo nivel a un factor, o de varios niveles a
todos los factores en una corrida experimental.
Variable de respuesta: Es el resultado de una corrida experimental. Variable a
estudiar.
Corrida experimental: Implementación de cada una de las interacciones.

11. MGM
11
Bloque: Agrupación planeada de factores o combinaciones. Se realiza a manera
de minimizar la variación no incluida en el diseño.
Replicación: Es una repetición del experimento básico o el número de veces que se
replican cada uno de los tratamientos.
Bloqueo: Es una técnica usada para incrementar la precisión de un experimento
mediante la eliminación de variación introducida por los factores ruido. Un bloquees
una porción de material experimental que debe ser más homogéneo que todoel
conjunto de material experimental.
Aleatorización: Es el principio básico fundamental en el uso de métodos
estadísticos en diseño experimental. Por aleatorización se entiende que,
la asignación del material experimental a los tratamientos y el orden en el cual las
corridas o pruebas individuales del experimento van a ser ejecutados se
determinan aleatoriamente
Análisis de varianza (anova)
Es el proceso de subdividir la variabilidad total de las observaciones
experimentales en porciones atribuibles a fuentes de variación conocidas. Este es
el método estadístico más utilizado en el análisis de experimentos.
4.4 Identificación de los efectos de los diseños experimentales.
El diseño experimental, como técnica de investigación toma importancia en los años
80’s, en donde se le da una aplicación estadística de los proyecto de seis sigma
buscando el famoso número 3.4 defectos por millón de unidades producidas.
El diseño experimental busca entonces a través de una serie de herramientas
estadísticas aplicadas metodizar los ensayos de prueba y de error para encontrar la
mejor combinación de variables independientes que optimice una variable de
respuesta en una circunstancia determinada. El diseño experimental prescribe una
serie de pautas relativas que variables hay que manipular, de qué manera, cuantas
veces hay que repetir el experimento y en qué orden, para poder establecer con un
grado de confianza predefinido las necesidades de una presunta relación de causa-
efecto.
El diseño experimental es una técnica estadística que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un diseño
experimental se manipulan deliberadamente una o más variables, vinculadas a las
causas, para medir el efecto que tienen en otra variable de interés.

12. MGM
12
4.5 La importancia de la aleatorización de los especímenes de
prueba.
La aleatorización consiste en que tanto la asignación del material experimental
como el orden en que se realizan las pruebas individuales o ensayos se determinan
aleatoriamente y la importancia de esta consiste en:
1. Garantizar la validez de la estimación del error experimental.
2. Garantizar la independencia de los errores o que las observaciones sean
variables aleatorias independientes. Esto es necesario para obtener pruebas de
significancia válidas y estimados de intervalos.
3. Eliminar el sesgo de tal manera que no se desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños que pudieran estar
presentes.
La aleatorización hace válida la prueba, haciéndola apropiada para analizar los
datos como si la suposición de errores independientes fuera cierta. Obsérvese que
no hemos dicho que la aleatorización garantiza independencia, sino sólo que la
aleatorización nos permite proceder como si la independencia fuera un hecho. La
razón de esta distinción debe ser clara: los errores asociados con unidades
experimentales que son adyacentes en espacio o tiempo, tenderán a
correlacionarse, y todo lo que hace la aleatorización es asegurarnos que el efecto
de esta correlación, sobre cualquier comparación entre los tratamientos, se hará tan
pequeña como sea posible. Aún quedará algo de correlación, pero ninguna cantidad
de aleatorización puede eliminarla totalmente. Es decir, en cualquier experimento,
la independencia de errores completa y verdadera es sólo ideal y nunca puede
lograrse. Sin embargo, por todos conceptos, debe buscarse tal independencia y la
aleatorización es la mejor técnica empleada para lograr el fin deseado.
Algunas veces se introduce el concepto de aleatorización como un instrumento para
“eliminar” tendencias. Para ilustrar el razonamiento en que se basa este
procedimiento A y B debe ser parcial a favor de B, si existe un efecto de aprendizaje.
Sin embargo, si cada vez que tuvo que investigarse un nuevo compuesto, el analista
hubo de decidir al azar cuál procedimiento usar primero, la tendencia pudo haber
sido reducida, tal vez eliminada. Pero, podría haberse logrado algo más. Si
estuviesen actuando otras tendencias, también se podrían haber eliminado sus
efectos (o al menos reducido) por medio de aleatorización. Es decir asignando
tratamientos al azar a las unidades experimentales, estamos tratando de certificar
que los tratamientos no serán favorecidos continuamente o perjudicados por fuentes
extrañas de variación, sobre las que no tenga control el experimentador o sobre los
cuales decida no ejercer control. En otras palabras, la aleatorización es como un
seguro; siempre es una buena idea y algunas veces es aún mejor de lo que
esperamos.

13. MGM
13
4.6 Supuestos estadísticos en las pruebas experimentales.
A. Aditividad -Los factores o componentes del modelo estadístico son aditivos, es
decir la variable respuesta es la suma de los efectos del modelo estadístico.
B. Linealidad -La relación existente entre los factores o componentes del modelo
estadístico es del tipo lineal.
C. Normalidad -Los valores resultados del experimento provienen de una
distribución de probabilidad “Normal” con media m y varianza s^2.
D. Independencia -Los resultados de un experimento son independientes entre sí.
E. Varianzas homogéneas -Las diversas poblaciones generadas por la aplicación
de dos o más tratamientos tienen variancias homogéneas (varianza común). 
Tabla ANOVA para diseño completamente aleatorizado.
TAMAÑOS DE MUESTRAS IGUALES
Dónde:
a: Cantidad de tratamientos
n: Cantidad de replicas
Yij: Replica j del tratamiento i
y...: Gran total
N: Total de observaciones
f.6.1
f.6.2
f.6.3

14. MGM
14
Dónde:
a: Cantidad de tratamientos
yi.: Sumatoria del tratamiento i
y...: Gran total
N: Total de observaciones
SSE=SST-SSTratamientos
TAMAÑOS DE MUESTRA DIFERENTES
Dónde:
a:
Cantidad de tratamientos
n: Cantidad de replicas
Yij: Replica j del tratamiento i
y..: Gran total
N: Total de observaciones
Dónde:
a: Cantidad de tratamientos
yi. Sumatoria del tratamiento i
y..: Gran total
ni: Observaciones del tratamiento i
N: Total
de observaciones
SSE=SST-SSTratamientos
f.6.4
f.6.5

15. MGM
15
HIPOTESIS
4.7 Prueba de Duncan.
Se usa para comparar cada promedio de tratamiento con cada uno de los otros
promedios, de una prueba de rango múltiple. De manera que cualquier diferencia
existente entre cualquier tratamiento contra otro se verá reflejado en este análisis.
Utiliza un nivel de significancia variable que depende del número de medias que
entran en cada etapa de comparación. La idea es que a medida que el número de
medias aumenta, la probabilidad de que se asemejen disminuye.
Para obtener los comparadores Duncan, se toman de la t6abla de Duncan los
valores de acuerdo al número de tratamientos y con los grados de libertad del error.
Cada uno de estos valores será multiplicando por el error estándar de l media
y estos serán los compradores para determinas cuales diferencias son
significativas.
El procedimiento se basa en la noción general de un rango studentizado. El
rango de cualquier subconjunto de p medias muéstrales debe exceder cierto valor
antes de que se encuentre que cualquiera de las p medias es diferente. Este
valor se llama rango de menor significancia para las p medias y de denota con
Rp.
❖ 𝑅𝑝 = 𝑟𝑝√
𝑠2
𝑛
Dónde:
Rp: son los rangos studentizado de menor significancia y depende del nivel
de significancia y den número de grados de libertad.
S: es el cuadrado medio del error y se toma de la tabla de análisis de varianza
n: es el número de elementos para un tratamiento específico.
p: representa el tamaño del conjunto de medias.
Rp: puede entre darse como la diferencia mínima que debe existir entre la
media más grande y la más pequeña de un conjunto de tamaño p.
f.6.6

16. MGM
16
Los pasos que debemos seguir para aplicar la prueba de Duncan son:
Calcular el valor de cada una de las medias correspondientes a cada
tratamiento y ordenarlas de mayor a menor
Determinar de una tabla los valores Rp para un valor de significancia a.
Calcular los Rp de acuerdo con la expresión anterior y tomar el valor
s2.
Probar por rangos que vayan de la media 1 a la p.
Si la hipótesis se cumple, es decir si Rp < mi+p –mi, terminamos.
Suponga que un experimento industrial un ingeniero está interesado en cómo
la absorción media de humedad en concreto varía entre cinco mezclas
diferentes de concreto. Las muestras se exponen a la humedad por 48 horas
y se decide que se prueben seis muestras para cada mezcla, por lo que se
requiere probar un total de 30 muestras. Con grado de significancia 5%.
Consideremos un ejemplo hipotético donde tenemos los siguientes valores
para las medias de 6 tratamientos.
Sacar de la tabla Duncan
Calculamos los Rp para nuestro ejemplo, tomando el valor de s2 = 2.45 del análisis
de varianza.
f.7.1
f.7.2

17. MGM
17
Comparación:
Finalmente, los rangos quedan
m = {[m4, m6, m3, m1], [m5], [m2]}
Ejemplo 2
Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:
1. El error estándar de la media es
2. Determinación de los intervalos significativos
como y Utilización la tabla VII del Apéndice de
Montgomery se tiene:
3. Los rangos mínimos significativos son:
4. Las medias ordenadas ascendentemente son:
f.7.3
f.7.4
f.7.5
f.7.6

18. MGM
18
5. Comparación de las medias
se compara con porque entre y hay inclusive medias.Ver numeral
4 .
Al presentar en u diagrama de líneas los resultados se tiene
4.8 Aplicaciones industriales.
El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser
aplicado a un gran número de industrias, la optimización de recursos, la
identificación de causas de variabilidad son algunos de los objetivos del diseño de
experimentos aplicados en nivel industrial.
APLICACIONES SEGÚN LA CLASIFICACIÓN DE LA INDUSTRIA
• INDÚSTRIAS PESADAS O DE BASE:
Química pesada: Estudio de la composición para la elaboración de productos:
Estudio de los valores más apropiados para la elaboración de compuestos químicos
que requieran diversos componentes. Análisis del efecto de las condiciones del
entorno en la elaboración del producto como la temperatura ambiente, humedad
relativa etc.
• INDUSTRIAS DE BIENES DE EQUIPO:
f.7.7
f.7.8

19. MGM
19
Maquinaria: Medida de la variabilidad de los instrumentos de medida: Es posible
aplicar el diseño de experimentos como herramienta para determinar y mejorar
los índices de capacidad de un proceso concreto apoyándose en estudios de
reproducibilidad y repetitividad.
Diseño de motores eléctricos: Estudio de las características constructivas del motor
y su influencia en variables importantes como la pérdida de flujo y la constante de
velocidad
Diseño de electrodos: Estudio de los esfuerzos en los electrodos en función de la
fuerza de aplicación y el tamaño del electrodo. Diseño de elementos de sujeción:
Análisis de la influencia de los parámetros geométricos en la resistencia de los
remaches.
MATERIALES DE CONSTRUCCIÓN
Estudios de corrosión: Estudios de la influencia del tiempo en la corrosión de aceros
de construcción y metales en general.
Aplicaciones en el mecanizado: Estudio de la variabilidad en los procesos de
mecanizado, ayuda a la reducción de piezas defectuosas y aumento de la capacidad
de producción.
Producción de vehículos industriales:
Estudio de procesos de soldadura: estudio de un proceso de soldadura, para
determinar las variables que influyen en la resistencia de la soldadura.
• INDUSTRIA AERONÁUTICA
Optimización del proceso de anodizado y pintado: Optimizar los procesos de
anodizado y pintado para conseguir una buena protección
anticorrosión.
• INDUSTRIAS LIGERAS O DE USO Y CONSUMO
INFORMÁTICA Y TELECOMUNICACIONES
Estudio del rendimiento de una red informática: Realizando simulaciones es posible
cuantificar el rendimiento y las variables críticas que hacen que la transferencia de
datos en la red sea económicamente rentable.
Mejora del rendimiento de un procesador: Se usa para determinar el impacto que
tienen variables importantes como la temperatura y las horas de uso en el
rendimiento del procesador

20. MGM
20
Reducción del tiempo del CPU: El estudio se basa en la aplicación del diseño de
experimentos para determinar la mejor combinación de factores que reduzcan
el tiempo de CPU.
Optimización de materiales en semiconductores: Estudio de las propiedades
eléctricas del arseniuro de galio dopado con silano.
Diseño de filtros pasivos: Se utiliza el diseño de experimentos para determinar
los valores de las tolerancias de los componentes para optimizar los circuitos
• INDUSTRIA BIOTECNOLOGÍA
Operaciones en un sistema de fangos activos: Optimizar y entender las reacciones
que se dan en el tratamiento secundario de una EDAR, por ejemplo, los fangos
activos.

21. MGM
21
Fuentes bibliográficas
https://idoc.pub/documents/unidad-4-diseo-experimental-para-un-factor-
2nv800kmerlk
baixardoc.com-unidad-4-estadistica-inferencial-ii.pdf
327783330-Unidad-4-Estadistica-Inferencial-II.docx - VSIP.INFO

22. MGM
22
Conclusión
Básicamente en este tema de diseño experimental nos dice para que nos sirve y
como podemos utilizarlo en el ámbito empresarial estadísticamente y tanto que tiene
diferentes tipos de clasificaciones que entran en ella. Y por que es importante para
aplicarlo en este ámbito empresarial, que son supuestos estadístico y contienen
diferentes fórmulas para que puedas resolver las situaciones etc.
Y como poder utilizar la prueba de Duncan y como podemos aplicarlo con este tema
y para que el día de mañana nos sirva y poder utilizarlo y resolverlo con algún
conocimiento. Ya que este tema se puede aplicar en el ámbito empresarial y en
diferentes áreas muy importantes que nos son de gran ayuda.