INSTITUTO TECNOLÓGICO DE POCHUTLA

INGENIERÍA EN GESTIÓN EMPRESARIAL

ESTADISTICA INFERENCIAL 2

TRABAJO: DISEÑO EXPERIMENTAL CON BLOQUES AL AZAR Y

DISEÑOS FACTORIALES.

ING: GALET JARQUIN CRUZ

EQUIPO:
HERNANDEZ REYES BRISEIDA
GUAREZ ALMARAS HECTOR
LORENZO ORTIZ MARLIZETH
RUIZ MATIAS HILENIA TERESA
VASQUEZ HERNANDEZ AMAIRANI

GRADO: 5 SEMESTRE GRUPO: 5GE

INTRODUCCIÓN
Diseño experimental que sirve para estudiar el efecto individual y de interacción de varios

factores sobre una o varias respuestas .Es decir lo que se busca es estudiar la relación entre

factores y la respuesta, con la finalidad de conocer mejor como es esta relación y generar

conocimiento que permita tomar acciones y decisiones que mejoren el desempeño de

proceso.2Estadistica II Diseño factorial Uno de los objetivos particulares más importantes

que en general tiene un diseño factorial es determinar una combinación de niveles de los

factores en la cual el desempeño del proceso sea mejor que en las condiciones de operación

actuales, es decir, encontrar nuevas condiciones de operación que eliminen o disminuyan

cierto problema de calidad en la variable de salida.

DISEÑO EXPERIMENTAL CON BLOQUES AL AZAR Y DISEÑOS

FACTORIALES.
5.1 METODOLOGÍA DEL DISEÑO EXPERIMENTAL DE BLOQUES AL AZAR. En

muchos problemas de diseño experimental es necesario diseñar el experimento de modo

que sea posible controlar la variabilidad generada por un factor indeseable. El

procedimiento general para el diseño aleatorizado por bloques completos consiste en

seleccionar b bloques y realizar una réplica completa del experimento en cada uno de ellos.

En cada bloque existen a observaciones (una por cada nivel del factor), y el orden en que se

toman estas observaciones se asigna de manera aleatoria dentro del bloque. Suponga que

tiene interés en un solo factor que tiene a niveles, y que el experimento se efectúa en b

bloques. Las observaciones pueden presentarse con el modelo estadístico lineal Donde μ es

la media global, iτ es el efecto del i-ésimo tratamiento, jβ es el efecto del j ésimo bloque y

jiε es el término de error aleatorio, el cual se supone que tiene una distribución normal e

independiente con media cero y varianza ().En principio, los efectos de los tratamientos y

de bloques son considerados como factores fijos. Por otro lado, los efectos de los

tratamientos y de los bloques son definidos como desviaciones de la media global.

Para este diseño el modelo lineal está dado por

5.2 DISEÑO DE EXPERIMENTOS FACTORIALES. En cualquier experimento diseñado,

es siempre importante examinar los residuos y verificar si se violan las suposiciones básicas

(Normalidad, Independencia, Aditivita e Igualdad de varianzas) que pueden invalidar los

resultados. Los valores de los residuos del diseño aleatorizado por bloques completos se
obtienen, como es usual, por la diferencia entre los valores observados y los estimados El

análisis de varianza del modelo supone que las observaciones están distribuidas de manera

normal e independiente, con la misma varianza para cada tratamiento o nivel del factor.

Estas suposiciones deben verificarse mediante el análisis de los residuos. La suposición de

normalidad puede verificarse mediante la construcción de una gráfica de probabilidad

normal de los residuos. Para esto, los residuos se agrupan en una tabla de distribución de

frecuencias, se calcula la frecuencia relativa acumulada para cada valor y se grafican en una

hoja de papel de probabilidad normal. Si la suposición es válida los puntos tenderán a

agruparse sobre una línea recta que pasa por el punto medio. Así, por ejemplo, si el diseño

experimental es bloques al azar, el modelo es: yij = µ + τi + βj + ǫij

Respuesta = media general + efecto de tratamiento + efecto de bloque + error Si se trata de

un diseño factorial, los tratamientos se forman combinando los niveles de los factores en

estudio, de manera que el efecto del tratamiento τi se considera a su vez compuesto de los

efectos de los factores y sus interacciones. Por ejemplo, si son dos factores en estudio se

tiene: τi = τkl = αk + γl + ξkl

Las ventajas de los experimentos factoriales son:

1. Economía en el material experimental al obtener información sobre varios factores sin

aumentar el tamaño del experimento. Todas las u.e.se utilizan para la evaluación de los

efectos.
2. Se amplía la base de la inferencia en relación a un factor, ya que se estudia en las

diferentes condiciones representadas por los niveles de otros factores. Se amplía el rango de

validez del experimento.

3. Permite el estudio de la interacción, esto es, estudiar el grado y forma en la cual se

modifica el efecto de un factor por los niveles de los otros factores. Una desventaja de los

experimentos factoriales es que requiere un gran número de u. E., sobre todo cuando se

prueban muchos factores o muchos niveles de algunos factores, es decir, se tiene un número

grande de tratamientos. (Factoriales fraccionales) Suponga un diseño con dos factores: A

con a niveles y B con b niveles, en diseño completamente al azar. (Factorial a × b

completo, balanceado, efectos fijos)

5.3 DISEÑO FACTORIAL 2^k

En ocasiones, cuando se utiliza un diseño aleatorizado por bloques completos, alguna de las

observaciones en uno de los bloques puede faltar. Esto sucede debido algún descuido o

error, o por razones fuera del control del experimentador, como sería el caso de la pérdida

de alguna unidad experimental. Una observación faltante introduce un nuevo problema en

el análisis, ya que los tratamientos dejan de ser ortogonales a los bloques. En otras palabras,

cada tratamiento no ocurre en cada bloque. Existen dos formas generales de resolver el

problema de los valores faltantes. La primera es un análisis aproximado en el que se estima

la observación faltante. A continuación se efectúa el análisis de varianza usual como si la

observación estimada fuera un dato real, disminuyendo los grados de libertad del error en

uno. La segunda es un análisis exacto usando la prueba de significancia de regresión

general. Suponga que falta la observación correspondiente al tratamiento i y al bloque j.

Esta observación se representa mediante x el gran total con una observación faltante se
representará mediante y los totales del tratamiento y del bloque con un dato faltante como

y, respectivamente. Supongamos, además, que para estimar la observación faltante se elige

x, de manera que tenga una contribución mínima a la suma de cuadrados del error. Como la

suma de cuadrados del error está dada en donde R incluye todos los términos que no

contienen a x. Al derivar la SCE con respecto a x e igualar a cero se obtiene Como un

estimador para la observación faltante. El efecto de un factor se define como el cambio en

la respuesta producida por un cambio en el nivel del factor. Con frecuencia, éste se conoce

como efecto principal porque se refiere a los factores de interés primordial del experimento.

Por ejemplo, consideremos los datos de la tabla

1. El efecto principal del factor A podría interpretarse como la diferencia entre la respuesta

promedio en el primer y segundo nivel de ese factor.Numéricamente

Los diseños factoriales permiten estimar los efectos de un factor en diversos niveles de los

otros factores, produciendo conclusiones que son válidas sobre toda la extensión de las

condiciones experimentales.

2. Diseño factorial de dos factores El primer diseño de la serie 22 es aquel en el que solo

dos factores, A y B, cada uno con dos niveles. Este diseño se conoce como diseño factorial

22. Arbitrariamente, los niveles del factor pueden llamarse “bajo” y “alto”.

CONCLUSIÓN