INSTITUTO TECNOLOGICO DE PIEDRAS NEGRAS

𝐸𝓈𝓉𝒶𝒹í𝓈𝓉𝒾𝒸𝒶
𝒾𝓃𝒻𝑒𝓇𝑒𝓃𝒸𝒾𝒶𝓁 𝐼𝐼

TEMA: Diseño experimental para un factor

UNIDAD 4

DOCENTE: Rubí Valencia Velia Del Pilar

DICIPULO

ESPINOZA PEREZ CRISTAL

NUMERO DE CONTROL: 19430230

QUINTO SEMESTRE UNIVERSITARIO

CARRERA: INGENIERIA EN GESTION EMPRESARIAL

Piedras Negras Coah.
Índice
Temario………3
Introducción
4.1 Introducción, conceptualización, importancia y alcance del diseño experimental en el
ámbito empresarial ……………..4

4.2 Clasificación de los diseños experimentales …………….5

4.3 Nomenclatura y simbología en el diseño experimental ………………9

4.4 Identificación de los efectos de los diseños experimentales …………11

4.5 La importancia de la aleatorización de los especímenes de prueba……….12

4.6 Prueba de Duncan ……………13

4.7 Aplicaciones industriales……………….15

Ejemplos Resueltos……………………18

Conclusión………………..29

Bibliografías ………………………..30

2
Temario:
4.1 Introducción, conceptualización, importancia y alcance del diseño experimental en el
ámbito empresarial

4.2 Clasificación de los diseños experimentales

4.3 Nomenclatura y simbología en el diseño experimental

4.4 Identificación de los efectos de los diseños experimentales

4.5 La importancia de la aleatorización de los especímenes de prueba

4.6 Prueba de Duncan

4.7 Aplicaciones industriales.

3
Introducción

Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo objetivo
es averiguar si unos determinados factores influyen en una variable de interés y, si existe
influencia de algún factor, cuantificar dicha influencia.

Unos ejemplos donde habría que utilizar estos modelos son los siguientes:

— En el rendimiento de un determinado tipo de máquina (unidades producidas por día):

se desea estudiar la influencia del trabajador que la maneja y la marca de la máquina.

— Se quiere estudiar la influencia de un tipo de pila eléctrica y de la marca, en la duración

de las pilas.

— Una compañía telefónica está interesada en conocer la influencia de varios factores en

la variable duración de una llamada telefónica. Los factores que se consideran son los

siguientes: hora a la que se produce la llamada; día de la semana en que se realiza la

llamada; zona de la ciudad desde la que se hace la llamada; sexo del que realiza la
llamada; tipo de teléfono (público o privado) desde el que se realiza la llamada.

— Una compañía de software está interesada en estudiar la variable porcentaje en que se

comprime un fichero, al utilizar un programa de compresión teniendo en cuenta el tipo

de programa utilizado y el tipo de fichero que se comprime.

— Se quiere estudiar el rendimiento de los alumnos en una asignatura y, para ello, se

desean controlar diferentes factores: profesor que imparte la asignatura; método de
enseñanza; sexo del alumno.

4
 4.1 Introducción, conceptualización, importancia y alcance del diseño
experimental en el ámbito empresarial

INTRODUCCIÒN: El diseño experimental suele plantearse cuando se requiere analizar

una característica cualitativa sometida a un único factor. Este único factor debe de tener
una influencia significativa sobre la característica cualitativa. El Diseño de Experimentos
tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la
teoría del Diseño Experimental y que a la fecha se encuentra bastante desarrollada y
ampliada. Actualmente las aplicaciones son múltiples, especialmente en la investigación
de las ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias
sociales. La experimentación proporciona los datos experimentales, en contraste con los
datos de la observación; los datos de la observación se representan como su nombre
indica por observaciones de las unidades elementales de una población o de una
muestra, y no deben ser cambiados ni modificados por ningún intento de parte de un
investigador en el curso de la observación.

• CONCEPTUALIZACIÓN: 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.

• IMPORTANCIA: El Diseño Experimental, como técnica de investigación, toma

importancia en los años 80 en donde se le da una aplicación estadística de los proyectos
de Seis Sigma buscando el famoso número de 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 error para encontrar la mejor
combinación de variables independientes que optimice una variable de respuesta en unas
circunstancias determinadas. El análisis experimental se basa en la comprensión de la
variación que presentan los datos de salida de un problema. La variación siempre está
presente en todos los procesos de la naturaleza y por ende en los procesos humanos, la
planeación de un experimento permite identificar las fuentes de que la producen,
clasificarlas y tomar decisiones con respecto a ellas.

• ALCANSES: El diseño experimental se distingue por el hecho de definir y controlar las

variables independientes antes de lanzarlas al mercado, intentando distintos tipos de
estímulos a los que respondan los clientes, antes de observar cómo ocurre

5
verdaderamente. Puede establecer diferencias en su respuesta que pueden atribuirse a
los estímulos en cuestión, como el envoltorio o el color de un producto, y no a otros
factores, como la disponibilidad limitada del producto. Aplicar los métodos de diseño
experimental requiere juicio empresarial y un grado de sofisticación matemática y
estadística. Hoy en día, las empresas pueden recopilar información detallada de los
clientes con mayor sencillez y pueden emplear dichos datos para crear modelos que
predigan la respuesta del consumidor con mayor rapidez y precisión.

4.2 Clasificación de los diseños experimentales

Diseño Completamente Aleatorizado Es el diseño más simple y sencillo de realizar en el

cual los tratamientos se eligen al azar entre las unidades experimentales o viceversa.
Este diseño tiene amplia aplicación cuando las unidades experimentales son muy
homogéneas. Diseño en Bloques Completamente Aleatorizado. Al estudiar la influencia
de un factor sobre una variable cuantitativa es frecuente que aparezcan otras variables o
factores que también influyen y que deben ser controladas. A estas variables se les
denomina variables bloque y se caracterizan por: No son el motivo de estudio, sino que
aparecen de forma natural y obligada en el mismo. Se asume que no tiene interacción con
el factor en estudio.

Seguidamente se presenta cuatro criterios de clasificación de los diseños experimentales

siguiendo la propuesta de Viader (1995) según el detalle:

El primer criterio clasifica los diseños en función del número de variables

independientes que se manipulan.

Se diferencia, así, entre diseños simples, en los que se manipula una sola variable
independiente, y diseños factoriales, en los que se manipulan dos o más variables
independientes. La ventaja del diseño factorial con relación al diseño simple es que nos
admite estudiar no solamente el efecto de cada una de las variables independientes
separadamente -los llamados efectos principales-, sino que también nos admite estudiar
el efecto conjunto de las mismas -los llamados efectos interactivos o de interacción entre
las variables-. Cabe precisar que el efecto interactivo recoge el efecto simultáneo de dos o
más variables independientes sobre la variable dependiente. De manera que con esta

6
información, el diseño factorial nos permitirá detectar si el efecto de una variable
independiente sobre la variable dependiente es diferente en función de con qué valor de
la otra variable independiente se combina. En términos técnicos, podremos estudiar los
efectos simples de cada variable independiente y determinar en qué medida difiere.

En virtud de lo expuesto anteriormente, el autor resalta que los diseños factoriales pueden
presentar una estructura de cruzamiento completa o pueden presentar una estructura
incompleta. Un diseño factorial con estructura de cruzamiento completa es aquél en el
que los distintos niveles de cada variable independiente se combinan con los distintos
niveles de la otra variable independiente, obteniéndose todas las posibles combinaciones
de valores. Un diseño factorial incompleto (aquí se incluyen los denominados diseños
fraccionados y los diseños anidados o jerárquicos) es aquél en el que no se utilizan todas
las posibles combinaciones entre valores de las variables independientes, sino que sólo
se utiliza una parte o fracción de éstas. Este tipo de diseños se utiliza cuando se trabaja
con muchas variables independientes, por lo que la estructura de cruzamiento completa
requeriría muchos grupos experimentales. El problema básico que presenta este tipo de
diseños es que no nos permiten estudiar todas las interacciones.

a) El segundo criterio clasifica los diseños en función del número de variables

dependientes que se registren.

Así nos encontramos con diseños univariables, en los que registra una sola variable
dependiente, y con diseños multivariables, en los que se registra más de una variable
dependiente.

b) El tercer criterio clasifica los diseños en función del número de observaciones por
sujeto y condición experimental.

Se diferencia así entre diseño transversal y diseño longitudinal. En el primero disponemos

de una sola medida u observación por sujeto y condición, mientras que en el segundo
disponemos de más de una medida u observación. La diferencia esencial entre uno y otro
tipo de diseño radica en el objetivo que persiguen. Si bien el primero se interesa en el
estudio de un fenómeno en un momento puntual del tiempo, el segundo por el contrario,
persigue el estudio de la evolución temporal del fenómeno de modo que, da respuesta a
cuestiones acerca de procesos como la persistencia, el cambio, el crecimiento o el
desarrollo (Pedhazur y Pedhazur Schmelkin, 1991).

7
c) El cuarto criterio de clasificación diferencia los diseños en función de su capacidad
para controlar las variables extrañas y reducir la variancia de error.

Esta reducción de la variancia de error repercute en que el diseño sea más o menos
sensible para detectar el efecto del tratamiento. Así, ordenados de menos a más
reducción de la varianza de error, tenemos los diseños de grupos al azar, los diseños de
bloques al azar y los diseños de medidas repetidas. Nos vamos a dedicar ahora a
presentar con más detalle cada uno de ellos.

Los diseños de grupos al azar se caracterizan porque en ellos la aleatorización interviene

a tres niveles (Viader, 1996).

Primero: la muestra se selecciona aleatoriamente de la población, con objeto de

que todos los individuos de la población tengan la misma probabilidad de
pertenecer a la muestra.
Segundo: los grupos se forman al azar, para que cualquier individuo de la muestra
tenga la misma probabilidad de pertenecer a uno u otro grupo.
Tercero: los tratamientos o valores de la variable independiente se asignan
aleatoriamente a los grupos experimentales, para que todos los grupos tengan la
misma probabilidad de recibir uno u otro tratamiento. La principal ventaja de este
tipo de diseños de investigación ya se ha comentado anteriormente: al formar los
grupos al azar, cualquier variable extraña que pudiera afectar a la variable
dependiente también quedará repartida al azar en los grupos, por lo que no
incidirá de forma sistemática sobre la variable dependiente que interesa al
investigador.

Como principales desventajas vamos a destacar dos

La primera es que necesitaremos un número amplio de sujetos o unidades que

formen parte de cada uno de los grupos para que se alcance la deseada
equivalencia inicial entre éstos.
La segunda es que presentan una elevada varianza del error, por lo que son
diseños poco sensibles para detectar el efecto de los tratamientos

8
 4.3 Nomenclatura y simbología en el diseño experimental

Es 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.

SIMBOLOGIA

T= Tratamientos

C= Control

F= Factores

A= Número 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, estimulo o condición experimental

O= Medición de los sujetos de un grupo ausencia de estímulo en la variable independiente

(grupo testigo).

DEFINICIONES Tratamientos: Son las condiciones las cuales distinguen las poblaciones
de interés. 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.

9
Factores controlables: Son aquellos con un grado de control, es decir que se pueden
manejar, variar o manipular con gran facilidad.

Factores ruido: Son aquellos 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 cual se

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 de un factor interactúan con los
niveles del otro factor e influyen en la variable de la 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.

Bloque: Agrupación planteada 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.

10
Aleatorización: Es el principio básico fundamental en el uso de métodos estadísticos en
diseño experimental.

Análisis de varianza (NOVA): 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 del proyecto de seis sigmas 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.

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.

11
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.

4.6 Prueba de Duncan

Se utiliza para comparar todos los pares de medias. Fue desarrollado por primera vez por
Duncan en 1951 pero posteriormente él mismo modificó su primer método generando el
que ahora se denomina Nuevo método de Rango Múltiple de Duncan. Esta prueba no
requiere de una prueba previa de F, como sucede con la DMS o sea que aún sin ser
significativa la prueba F puede llevarse a cabo.

12
La estadística de Prueba es denotada, por qp

Donde es el número de medias inclusives entre las dos medias a comparar para

diseños balanceados. Para aplicar esta prueba al nivel se debe pasar por las siguientes
etapas:

1. Determine el error estándar (desviación estándar) de cada promedio, , el cual

es dado por la expresión:

Donde el CM es obtenido de la tabla Anova

2. Con los grados de libertad del error y el nivel de significancia determinar los valores

de (intervalos o amplitudes estandarizadas significativos) utilizando las tablas de

amplitudes estandarizadas de Duncan dadas por Harter (1960) y que se encuentran en el
libro de Miller (1992). Para encontrar estos valores, se requieren los grados de libertad del

error y el valor de .

3. Determinar las amplitudes minimas significativas denotadas

por calculados por la expresión:

4. Se ordenan de manera creciente los resultados promedios del

experimento

5. Se comparan las medias ordenadas así:comienza a comparar

en el siguiente orden:

13
a) El promedio más alto, con el más bajo, comparando esta diferencia con el

intervalo mínimo significativo . Si esta diferencia es no significativa entonces todas las

otras diferencias son no significantes. Si la diferencia es significativa se continua con b)

b) Posteriormente se calcula la diferencia entre el valor más alto y el penúltimo y

se compara con el intervalo mínimo significativo

c) Este procedimiento se continúa hasta que todas las medias se han comparado con la

media más grande .

d) A continuación se compara la segunda media más grande con la más

pequeña y se compara con el intervalo mínimo significativo .

Este proceso continúa hasta que han sido comparadas las diferencias entre todos

los posibles pares.

Si una diferencia observada es mayor que el intervalo mínimo significativo, se concluye

que la pareja de medias comparadas es significativamente diferente.

Para evitar contradicciones, ninguna diferencia entre una pareja de medias se considera
significativamente diferentes si éstas se encuentran entre otras dos que no difieren
significativamente. A manera de ilustración se tiene:

14
Cuando el diseño es desbalanceado pero los tamaños de

réplicas difieren marcadamente este método puede adaptarse

utilizando en vez de en la estadística, el valor de la media armónica de los tamaños de

muestras

o alternativamente se puede reemplazar a por la media armónica de las medias

extremas, donde

y y son los tamaños de muestra correspondientes a las medias de tratamientos

menos pequeño y más grande respectivamente.

4.7 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.

•INDUSTRIAS 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

15
•INDUSTRIAS DE BIENES DE EQUIPO

•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

Farmacia y química ligera

•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. Reducción del tiempo del CPU: El estudio

16
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.

• 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.

17
Ejemplos Resueltos

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:

5. Comparación de las medias

18
 se

compara con porque entre y hay inclusive medias.Ver numeral 4 .

Al presentar en u diagrama de líneas los resultados se tiene

19
20
21
22
23
24
25
26
27
28
Conclusión:

En este trabajo podemos darnos cuenta de la importancia del diseño de experimentos, o

dicho de otra manera, el planear paso a paso las operaciones para así obtener un
resultado satisfactorio a nuestro problema planteado.

Para el diseño de un experimento debemos tener en cuenta los efectos y las

características de nuestro problema a resolver. Como se puede apreciar un diseño debe
de ser lo más sencillo posible y así poder ahorrar tiempo, inversión y personal, pero no
por eso se deben de olvidar considerar los principios básicos en el diseño.

Observamos el trabajo conjunto de los investigadores con los estadísticos que nos llevan
a obtener una mejor planeación del experimento, aunque tiene sus desventajas se puede
notar que actuando de manera correcta se puede cambiar la forma de ver de los
inconvenientes que puede representar el alto costo que se tiene con los estadísticos.

Podemos estar seguros de que si llevamos a cabo todos los elementos de la lista de
comprobación tendremos una planeación efectiva de nuestro experimento y así obtener
los resultados esperados.

29
Bibliografías

Arnau, J. (1978). Psicología Experimental enfoque metodológico. México: Ed. Trillas. Pp.
Moreno, R. D., López, G. R., Cepeda, I. L., Alvarado. G. I. y Plancarte, C. P. (2000).
Diseños de Investigación. El proceso de Investigación. México. UNAM. FES Iztacala. Pp.
1-13 Moreno, R. D., López, G. R., Cepeda, I. L., Alvarado. G. I. y Plancarte, C. P. (2000).
DViader, M. (1996) Diseños y análisis de experimentos en ciencias del comportamiento.
Barcelona: PPU. diseños de Investigación. El proceso de Investigación. México. UNAM.
FES Iztacala.

30