1.

- Metodología

1.1.-Diseño de experimentos
El diseño de experimentos proporciona un medio poderoso para lograr mejoras innovadoras
en la calidad del producto y la eficiencia del proceso. Desde el punto de vista del campo de
la manufactura, esto puede reducir el número de experimentos requeridos cuando se toman
en cuenta los numerosos factores que afectan a los resultados experimentales (variable de
interés). Los diseños de experimentos pueden mostrar cómo llevar a cabo el menor número
de experimentos, manteniendo la información más importante. El proceso más importante
del diseño de experimentos es la determinación de los valores de las variables
independientes en la que se llevará a cabo un número limitado de experimentos1, además de
la optimización (minimización o maximización) del resultado del experimento.

1.1.1.- Diseño Factorial:

Los diseños factoriales son los diseños de experimentos más eficientes para estudiar el
efecto de dos o más factores sobre una variable de nuestro interés. Adicionalmente, se
define el efecto de un factor como el cambio en la respuesta producido por un cambio en el
nivel del factor. Con frecuencia se le llama efecto principal porque se refiere a los factores
de interés primario en el experimento2.
Para el caso en estudio construiremos nueve modelos basados en el diseño factorial, los
cuales servirán para analizar cada una de las de las características de calidad de interés en
los vinos. El siguiente cuadro de resumen muestra las diferentes características de calidad
de interés a analizar y los factores que influenciarán sobre la misma con sus respectivos
niveles:
𝑦 (𝑖) :Caracteristica de calidad i- Factor A: Tipo Factor B: Variedad Factor C: Tipo de
ésima del pisco de Zona de cepa pisco
𝑦 (1) :Ésteres A1:Lima B1:Quebranta C1: Pisco puro
𝑦 (2) :Aldehídos A2:Ica B2: C2: Pisco aromático
𝑦 (3) :Metanol A3:Arequipa B3: C3: Pisco acholado
𝑦 (4) :Fulfural A4:Tacna B4: C4:
𝑦 (5) :Alcoholes superiores A5:Moquegua B5: C5:
𝑦 (6) : Acidez volátil. B6:
𝑦 (7) :Extracto Seco B7:
𝑦 (8) :Grado alcohólico B8:Moscatet

1
“Application of design of experiment method for thrust force minimization in step-feed Micro
Drilling” por Dong-Woo Kim, Myeong-Woo Cho, Tae-Il Seo y Eung-Sug Lee
2
“Diseño y análisis de experimentos” – Douglas Montgomery – Pag. 170
Los modelos planteados serán de la forma:

𝑖 = 1, 2, … , 5
𝑗 = 1,2, … ,8
𝑦𝑖𝑗𝑘𝑙 (𝑚) = 𝜇 (𝑚) + 𝜏𝑖 (𝑚) + 𝛽𝑗 (𝑚) + 𝜆𝑘 (𝑚) + 𝜀 (𝑚) 𝑖𝑗𝑘𝑙 𝑘 = 1,2, … ,5
𝑙 = 1,2, … , 𝑟
{𝑚 = 1,2, … ,8

Donde :

𝑦𝑖𝑗𝑘𝑙 (𝑚) : Observación l-ésima de la característica de calidad m-ésima bajo el efecto de la i-

ésima zona, la j-ésima variedad de cepa y el k-ésimo tipo de pisco.

𝜇 (𝑚) : El efecto de la media global sobre la característica de calidad m-ésima.

𝜏𝑖 (𝑚) : Efecto medio del i-ésimo tipo de zona sobre la característica de calidad m-ésima.

𝛽𝑗 (𝑚) : Efecto medio de la j-ésima variedad de cepa sobre la característica de calidad m-

ésima.

𝜆𝑘 (𝑚) : Efecto medio del i-ésimo tipo de pisco sobre la característica de calidad m-ésima.

𝜀 (𝑚) 𝑖𝑗𝑘𝑙 :Error aleatorio del modelo asociado a la observación 𝑦𝑖𝑗𝑘𝑙 (𝑚) .

1.1.1.1.-Análisis de Varianza
El análisis de varianza (ANVA) es una técnica estadística que identifica los factores que
afectan significativamente los resultados experimentales y es la técnica a utilizar en este
trabajo para identificar los factores que afectan significativamente las diferentes
características de calidad del vino. Puesto que plantearemos ocho modelos (para cada una
de las características de calidad de pisco de interés), también desarrollaremos la misma
cantidad de tablas ANVA.

La metodología del ANVA consiste en la partición de las fuentes de variabilidad a través de

la suma de cuadrados, es decir se descompone la suma de cuadrados total en una suma de
cuadrados de la regresión, que es la explicada por la influencia de los factores en estudio, y
una suma de cuadrados debida al error:

∑ (𝑦𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̅ (𝑚) )2 = ∑ (𝑦̂𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̅ (𝑚) )2 + ∑ (𝑦𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̂𝑖𝑗𝑘𝑙 (𝑚) )2 3
𝑖,𝑗,𝑘,𝑙 𝑖,𝑗,𝑘,𝑙 𝑖,𝑗,𝑘,𝑙

3
Se considera el super-índice (m) para indicar de que se trata de la característica de calidad de pisco m-
ésima, para m=1,2,…,8.
A su vez la suma de cuadrados de la regresión se descompone para cada una de los factores
considerados en este estudio. Así se obtendrá lo siguiente:

∑ (𝑦𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̅ (𝑚) )2

𝑖,𝑗,𝑘,𝑙
𝑠𝑢𝑚𝑎 𝑑𝑒 𝑠𝑢𝑚𝑎 𝑑𝑒 𝑠𝑢𝑚𝑎 𝑑𝑒
𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠
𝑑𝑒𝑏𝑖𝑑𝑜 𝑎 𝑑𝑒𝑏𝑖𝑑𝑜 𝑎 𝑑𝑒𝑏𝑖𝑑𝑜 𝑎𝑙
𝑙𝑎 𝑧𝑜𝑛𝑎 𝑙𝑎 𝑐𝑒𝑝𝑎 𝑡𝑖𝑝𝑜 𝑑𝑒 𝑝𝑖𝑠𝑐𝑜
⏞ ⏞ ⏞
= ∑(𝑦̂𝑖 (𝑚) − 𝑦̅𝑖 (𝑚) )2 + ∑(𝑦̂ 𝑗 ̅𝑗 (𝑚) )2 + ∑(𝑦
(𝑚) − 𝑦 ̂𝑘 (𝑚) − 𝑦̅𝑘 (𝑚) )2
⏟
𝑗,𝑘,𝑙 ⏟
𝑖,𝑘,𝑙 ⏟
𝑖,𝑗,𝑙
𝑆𝐶𝑅(𝑧𝑜𝑛𝑎) 𝑆𝐶𝑅(𝑐𝑒𝑝𝑎) 𝑆𝐶𝑅(𝑝𝑖𝑠𝑐𝑜)
𝑆𝑈𝑀𝐴
𝐷𝐸 𝐶𝑈𝐴𝐷𝑅𝐴𝐷𝑂𝑆
𝐷𝐸𝐿 𝐸𝑅𝑅𝑂𝑅
⏞
+ ∑ (𝑦𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̂𝑖𝑗𝑘𝑙 (𝑚) )2
⏟
𝑖,𝑗,𝑘,𝑙
𝑆𝐶𝐸

Esta partición de sumas servirá para el contraste de las siguientes hipótesis:

𝐻1 0 : Las diferentes zonas de producción no generan diferencias en la característica de

calidad analizada.
𝐻1 𝑎 : Al menos una zona de producción genera diferencias en la característica de calidad
analizada.

𝐻20: Las diferentes variedades de cepa no generan diferencia en la característica de

calidad analizada.
2
𝐻 𝑎 : Al menos un tipo cepa genera diferencias en la característica de calidad analizada.

𝐻30: Los diferentes tipos de pisco no generan diferencia en la característica de calidad

analizada.
3
𝐻 𝑎 : Al menos un tipo de pisco genera diferencias en la característica de calidad
analizada.

Esto nos permite la construcción de los estadísticos F-parciales:

𝑆𝐶𝑅(𝑧𝑜𝑛𝑎) 𝑆𝐶𝐸 𝐶𝑀𝑅(𝑧𝑜𝑛𝑎)

⁄ = ∼ 𝐹(4, ) … 𝐵𝑎𝑗𝑜 𝐻1 0 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎
𝑔. 𝑙(𝑧𝑜𝑛𝑎) 𝑔. 𝑙(𝑒𝑟𝑟𝑜𝑟) 𝐶𝑀𝐸

𝑆𝐶𝑅(𝑐𝑒𝑝𝑎) 𝑆𝐶𝐸 𝐶𝑀𝑅(𝑐𝑒𝑝𝑎)

⁄ = ∼ 𝐹(7, ) … 𝐵𝑎𝑗𝑜 𝐻 2 0 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎
𝑔. 𝑙(𝑐𝑒𝑝𝑎) 𝑔. 𝑙(𝑒𝑟𝑟𝑜𝑟) 𝐶𝑀𝐸

𝑆𝐶𝑅(𝑝𝑖𝑠𝑐𝑜) 𝑆𝐶𝐸 𝐶𝑀𝑅(𝑝𝑖𝑠𝑐𝑜)

⁄ = ∼ 𝐹(4, ) … 𝐵𝑎𝑗𝑜 𝐻 3 0 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎
𝑔. 𝑙(𝑝𝑖𝑠𝑐𝑜) 𝑔. 𝑙(𝑒𝑟𝑟𝑜𝑟) 𝐶𝑀𝐸

Todos estos resultados son resumidos en la tabla ANVA, la cual compara los valores
calculados de los F-parciales y los compara con sus respectivos valores de tabla,
permitiéndonos probar la significancia de las hipótesis planteadas y por ende verificar
significativamente a la característica de calidad de pisco analizada.

Tabla ANVA del diseño factorial

grados
fuente de
de SC cuadrados medios F-parcial
variabilidad
libertad
Tipo de 𝑆𝐶𝑅(𝑧𝑜𝑛𝑎)⁄ 𝐶𝑀𝑅(𝑧𝑜𝑛𝑎)⁄
4 𝑆𝐶𝑅(𝑧𝑜𝑛𝑎) 𝐶𝑀𝑅(𝑧𝑜𝑛𝑎) =
zona 4 𝐶𝑀𝐸
7 𝑆𝐶𝑅(𝑐𝑒𝑝𝑎) 𝑆𝐶𝑅(𝑐𝑒𝑝𝑎)⁄ 𝐶𝑀𝑅(𝑐𝑒𝑝𝑎)⁄
Cepa 𝐶𝑀𝑅(𝑐𝑒𝑝𝑎) = 7 𝐶𝑀𝐸
Tipo de 𝑆𝐶𝑅(𝑝𝑖𝑠𝑐𝑜)⁄ 𝐶𝑀𝑅(𝑝𝑖𝑠𝑐𝑜)⁄
4 𝑆𝐶𝑅(𝑝𝑖𝑠𝑐𝑜) 𝐶𝑀𝑅(𝑝𝑖𝑠𝑐𝑜) =
pisco 4 𝐶𝑀𝐸
g.l. 𝐶𝑀𝐸 = 𝑆𝐶𝐸⁄𝑔. 𝑙. (𝑒𝑟𝑟𝑜𝑟)
𝑆𝐶𝐸
ERROR error
TOTAL 𝑆𝐶𝑇

Finalmente, se compara cada F-parcial con su respectivo valor en tablas de su estadístico de

prueba (bajo 𝐻 𝑖 0 cierta y un nivel de significancia dado) y si F-parcial es mayor a su
respectivo valor en tablas se rechaza la hipótesis nula, por lo que se afirmará que
estadísticamente existe suficiente evidencia para poder afirmar que el factor afecta
significativamente a la característica de calidad de pisco analizada, con un nivel de
significancia pre establecido.

1.1.1.1.1.- Pruebas de Comparación Múltiple

Si la tabla ANVA nos arroja que uno o más factores resultaron significativos, es decir que
se han rechazado las hipótesis nulas, entonces el siguiente paso es caracterizar la población
y saber que niveles de los factores producen las diferencias en mi característica de calidad
de pisco en estudio. Para ello haremos uso de las pruebas de comparación múltiple y en este
estudio en particular la prueba de Tukey será la más adecuada por ser esta la prueba más
potente.

1.1.1.1.2.- Prueba de Tukey

Se plantean las siguientes hipótesis en el factor que resulto ser significativo:

𝐻0 : 𝜇𝑖 = 𝜇𝑗
𝐻𝑎 : 𝜇𝑖 ≠ 𝜇𝑗
Para todo 𝑖 ≠ 𝑗
Donde:

𝜇𝑖 𝑦 𝜇𝑗 : Son el efecto total del nivel i-ésimo y el nivel j-ésimo respectivamente del factor
significativo sobre la característica de calidad de pisco analizada.
El procedimiento propuesto por Tukey hace uso del rango studentizado:

𝑦̅𝑚𝑎𝑥 − 𝑦̅𝑚𝑖𝑛
𝑞=
√𝐶𝑀𝐸/𝑛

Donde 𝑦̅𝑚𝑎𝑥 y 𝑦̅𝑚𝑖𝑛 son las medias muestrales mayor y menor respectivamente, sacadas de
un grupo de p medias muestrales. Se extraen los valores de tabla 𝑞𝛼 (𝑝; 𝑔𝑙 𝑒𝑟𝑟𝑜𝑟) para
construir el estadístico de contraste:

𝑇𝑐 = 𝑞𝛼 (𝑝; 𝑔𝑙 𝑒𝑟𝑟𝑜𝑟)√𝐶𝑀𝐸/𝑛

Cuando los grupos son de tamaños iguales, y

𝑞𝛼 (𝑝; 𝑔𝑙 𝑒𝑟𝑟𝑜𝑟) 1 1
𝑇𝑐 = √𝐶𝑀𝐸( + )
√2 𝑛𝑖 𝑛𝑗

Cuando los tamaños son diferentes

Finalmente se rechaza la hipótesis nula si el valor absoluto de la diferencia de medias

excede el valor de 𝑇𝑐 .