“Siempre responsable de lo cultivado”

Actividad No. 6
Análisis de caso 5

Materia:
Diseño de Experimentos

Docente:
Mtro. Marco Antonio Hernández De Ita

Equipo 10
Integrantes:
Diego Alan Diaz Córdoba
a010072662@my.uvm.edu.mx
Emilio Pérez Gutiérrez
a020003836@my.uvm.edu.mx
Reyes Gabriel Rojas Elizondo
a440253894@my.uvm.edu.mx
Ariel Alejandro Soto Albarrán
a100041758@my.uvm.edu.mx

UVM (Online) CDMX 15 de abril de 2024.

1
Índice
Introducción ............................................................................................................................................... 3
Desarrollo del problema ......................................................................................................................... 4
A) ¿Cuál es la expresión para la diferencia mínima significativa (LSD) para comparar
los niveles de factor B, sin tomar en cuenta el posible efecto de interacción? ...................... 5
B) Contesta el inciso anterior, pero ahora para el factor A. .................................................. 6
C) Contesta los dos incisos anteriores, pero ahora toma en cuenta el efecto de
interacción. ................................................................................................................................................ 6
D) ¿Cuándo se espera que ambas formas de proceder arrojen conclusiones
similares? ................................................................................................................................................... 6
Conclusiones ............................................................................................................................................. 7

2
Introducción

El diseño de experimentos es una herramienta poderosa para obtener información precisa y

confiable sobre la relación entre variables. Ofrece oportunidades para mejorar habilidades de
investigación, desarrollar el pensamiento crítico y tomar decisiones informadas.

Definición Diseño Factorial:

El diseño factorial es una estructura de investigación en la que se manipulan simultáneamente

dos o más variables independientes o de tratamiento. En función de la cantidad de factores o
variables de tratamiento, los formatos factoriales se denominan, también, diseños de tratamientos
x tratamientos, tratamientos x tratamientos x tratamientos, etc., y se simbolizan por AxB, AxBxC,
etc.

Ventajas del diseño factorial

Aumenta la potencia estadística de la prueba de la razón F. Al analizar conjuntamente el efecto

de dos o más variables independientes, si realmente estos factores están relacionados con la
variable dependiente, el término residual será menor en el diseño factorial que si se analiza cada
una de estas variables unifactorialmente. Por lo tanto, el diseño factorial es, en principio, más
potente (la potencia estadística es mayor que varios diseños unifactoriales, puesto que cada uno
de los factores reduce el componente residual del modelo factorial o término de error
Al introducir varias variables independientes como factores en el diseño, los efectos asociados a
tales factores se sustraen del término de error. En consecuencia, se reduce la variancia de error
y se incrementa la potencia de la prueba estadística.

LSD:(Less Significant Difference)

La cantidad LSD se llama diferencia mínima Diferencia mínima significativa (LSD) Es la diferencia
mínima que debe haber entre dos medias muestrales para considerar que dos tratamientos son
diferentes ya que es la diferencia mínima que debe existir entre dos medias muestrales para
considerar que los tratamientos correspondientes son significativamente diferentes. Así, cada
diferencia de medias muestrales en valor absoluto que sea mayor que el número LSD se declara
significativa. Note que, si el diseño es balanceado, es decir, si n1 = n2 = … = nk = n, la diferencia
mínima significativa se reduce a

LSD_ =t ((α/2 ab(n-k)) √ (2CMe ln)

En caso de rechazar H0 se acepta la hipótesis alternativa HA: i es igual o diferente de j la cual

nos dice que las medias de los tratamientos i y j son diferentes. El método LSD tiene una potencia
importante, por lo que en ocasiones declara significativas aun pequeñas diferencias.

3
Desarrollo del problema

Cuando se realiza un Análisis de Varianza (ANOVA) en un diseño factorial AxB con N réplicas, y
se detecta que ambos factores influyen en la variable de respuesta, surge la necesidad de
comparar las medidas de los niveles de cada factor para determinar cuáles de ellas son diferentes
entre sí.

Para realizar estas comparaciones, puedes utilizar pruebas post hoc específicas. Algunas de las
más comunes son:

1. Tukey (HSD): Esta prueba compara todas las combinaciones posibles de medias entre los
niveles de los factores. Es útil cuando tienes más de dos niveles en cada factor.

2. Bonferroni: Ajusta el nivel de significancia para controlar el error tipo I. Es más conservador
que otras pruebas post hoc.

3. Duncan: Similar a Tukey, pero menos conservador. Adecuado para diseños con pocos niveles.

4. LSD (Least Significant Difference): Simple y rápido, pero solo se debe usar si se ha rechazado
la hipótesis nula en el ANOVA.

Recuerda que debes ajustar el valor de significancia (alfa) para controlar el error global. Además,
es importante considerar el contexto y la interpretación práctica al evaluar las diferencias entre
los niveles de los factores.

Cuando se hace un ANOVA de un discurso factorial del tipo a x b con n réplicas, se detecta que:

4
 A) ¿Cuál es la expresión para la diferencia mínima significativa (LSD) para
comparar los niveles de factor B, sin tomar en cuenta el posible efecto de
interacción?

Una vez que se rechazó H0 en el ANOVA, el problema es probar la igualdad de todos

los posibles pares de medias con la hipótesis:

H0: mi = mi
HA: mi ≠ mj

para toda i π j. Para k tratamientos se tienen en total k (k – 1)/2 pares de medias. Por ejemplo, si
k = 4 existen 4 × 3/2 = 6 posibles pares de medias. El estadístico de prueba para cada una de las
hipótesis dadas en la fórmula, la cual es la correspondiente diferencia en valor absoluto entre sus
medias muestrales 𝒀 ̅ 𝒊. − 𝒀
̅ 𝒋. Se rechaza la hipótesis H0: mi = mj sí ocurre que:

1 1
𝐿𝑆𝐷𝐵 = 𝑡𝛼𝑎𝑏(𝑛−1) √𝐶𝑀ⅇ ( + )
2 𝑛𝐴 𝑛𝐴

Donde el valor de tα/2, N – k se lee en las tablas de la distribución T de Student con N – k grados
de libertad que corresponden al error, el CME es el cuadrado medio del error y se obtiene de la
tabla de ANOVA, ni y nj son el número de observaciones para los tratamientos i y j,
respectivamente. La cantidad LSD se llama diferencia mínima significativa (least significant
difference), ya que es la diferencia mínima que debe existir entre dos medias muestrales para
considerar que los tratamientos correspondientes son significativamente diferentes. Así, cada
diferencia de medias muestrales en valor absoluto que sea mayor que el número LSD se declara
significativa. Note que, si el diseño es balanceado, es decir, si n1 = n2 = … = nk = n, la diferencia
mínima significativa se reduce a:

En caso de rechazar H0 se acepta la hipótesis alternativa HA: mi ≠ mj, la cual nos dice que las
medias de los tratamientos i y j son diferentes. El método LSD tiene una potencia importante, por
lo que en ocasiones declara significativas aun pequeñas diferencias.

La Diferencia Mínima Significativa (LSD) es una prueba post hoc utilizada para comparar los
niveles de un factor después de haber realizado un Análisis de Varianza (ANOVA). Esta prueba
se aplica cuando se rechaza la hipótesis nula en el ANOVA, lo que indica que al menos uno de
los grupos probados difiere de los otros grupos. El LSD permite hacer comparaciones directas
entre dos medias de dos grupos individuales.

5
 B) Contesta el inciso anterior, pero ahora para el factor A.

1 1
𝐿𝑆𝐷𝐴 = 𝑡𝛼𝑎𝑏(𝑛−1) √𝐶𝑀ⅇ ( + )
2 𝑛 𝑛

C) Contesta los dos incisos anteriores, pero ahora toma en cuenta el efecto de
interacción.

1 1
𝐿𝑆𝐷𝐵2(𝐴) = 𝑡𝛼𝑎𝑏(𝑛−1) √𝐶𝑀ⅇ ( + )
2 𝑛 𝑛

D) ¿Cuándo se espera que ambas formas de proceder arrojen conclusiones

similares?

Ya sea que sean diferencias significativas o no se espera que en ambas situaciones haya
similitud, pero cuando no hay diferencias significativas, los factores cuantitativos o cualitativos,
no sufren alguna alteración.

6
Conclusiones

Para probar estas hipótesis con el método LSD, habría que calcular las diferencias muestrales
en valor absoluto y compararlas con la diferencia mínima significativa. Cabe aclarar que este
análisis es engañoso cuando el efecto de interacción es significativo. Por ello, y sólo por ilustrar
el método, se prueban las hipótesis del factor A ignorando por el momento la interacción. La
diferencia mínima significativa para comparar los niveles i y l del factor A, está dada por:

donde tα/2, ab (n – 1) es el punto porcentual 100(1 – a/2) de la distribución T de Student, ab (n –

1) los grados de libertad del cuadrado medio del error, nAi y nAj son el total de observaciones en
los niveles i y l del factor A, que se están comparando. De esta manera definimos que es un
diseño balanceado nAi = nAj

Verificación de supuestos

Los supuestos de normalidad, varianza constante e independencia de los residuos en un diseño

factorial se verifican principalmente con los métodos gráficos para diseños con un solo factor.
También se pueden aplicar los métodos analíticos en los de dos factores.

7
Referencias Bibliográficas

Hidalgo, U. A. D. E. de. (s/f.). Diseño de experimentos y su aplicación en la industria. Haga clic

para ver más opciones [Archivo PDF]. Recuperado 26 de octubre de 2022, de
https://www.uaeh.edu.mx/scige/boletin/sahagun/n1/e1.html

Melo, O, López, L y Melo, S. (2020). Diseño de experimentos: métodos y aplicaciones. Haga clic
para ver más opciones [Archivo PDF]. Recuperado de
http://ciencias.bogota.unal.edu.co/fileadmin/Facultad_de_Ciencias/Publicaciones/Imagenes/Port
adas_Libros/Estadistica/Diseno_de_Experimentos/DisenodeExperimentos.pdf

Gutiérrez, H., De la Vara Salazar, R. (2012). Análisis y diseño de experimentos. Haga clic para
ver más opciones [Archivo PDF]. Recuperado de
https://gc.scalahed.com/recursos/files/r161r/w19537w/analisis_y_diseno_experimentos.pdf