Diseño de experimento con un solo factor

Los experimentos con un solo factor comprenden experimentos que se usan cuando el objetivo es comparar más de dos tratamientos, pero que corresponden a niveles de un mismo factor.

Vale la pena recordar que a los tratamientos también se les puede llamar niveles.

Algunos ejemplos podrían ser:

• Comparar dos o tres máquinas.
• Comparar varios procesos para la obtención de un producto o un resultado.
• Comparar varios materiales.
• Comparar dietas.
• Etc.

Con el fin de tomar una decisión en la solución de un problema real.

Por lo general las comparaciones se hacen en términos de las medias poblacionales, aunque también es importante la comparación de varianzas y capacidad actual para cumplir con ciertas especificaciones.

El diseño de un solo factor es el mas simple de todos, pues contempla solo dos fuentes de variabilidad: los tratamientos (o niveles) y el error aleatorio. Se denominan en algunas ocasiones diseños completamente aleatorizados por que las corridas experimentales se realizan en orden aleatorio, dado en este caso que no tienen restricciones impuestas por factores como el bloqueo.

Habitualmente un diseño de un solo factor aleatorio se compone de las siguientes características:

• Hipótesis y respectivas pruebas.
• Configuración matricial para recolección de los datos.

Una aproximación es la presentada a continuación:

Donde la ecuación que modela dicho fenómeno es de la siguiente manera:

En el siguiente vídeo se puede encontrar una aplicación práctica con la herramienta de análisis de datos en EXCEL 2010 y la plataforma STATGRAPHICS.

Single factor experiments include experiments that are used when the objective is to compare more than two treatments, but that correspond to levels of the same factor.

It is worth remembering that treatments can also be called levels.

Some examples could be:

• Compare two or three machines.
• Compare several processes to obtain a product or result.
• Compare various materials.
• Compare diets.
• Etc.

In order to make a decision in solving a real problem.

In general, comparisons are made in terms of population averages, although it is also important to compare variances and current capacity to meet certain specifications.

The design of a single factor is the simplest of all, as it contemplates only two sources of variability: treatments (or levels) and random error. They are sometimes called completely randomized designs because the experimental runs are done in random order, given in this case that they have no restrictions imposed by factors such as blocking.

Usually a single random factor design consists of the following characteristics:

• Hypothesis and respective tests.
• Matrix configuration for data collection.

An approximation is the one presented below: