Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modulo 30156 2 Diseno Experimental
Modulo 30156 2 Diseno Experimental
FREDY JARAMILLO
Acreditador
BOGOT
Diciembre de 2011
INTRODUCCIN
En la UNAD se viene adelantando a travs del rediseo curricular un plan
estratgico para la formacin y capacitacin en investigacin disciplinar y
formativa, con el fin de continuar con el refuerzo de los procesos de acreditacin
de los programas.
Condicin que exige entre otras la formacin integral de talento humano en ciencia
y tecnologa, capaz de investigar y transformar su entorno regional haciendo uso
racional de los recursos disponibles, mediante la modalidad de educacin abierta y
a distancia.
Con este objeto se propone como curso obligatorio el diseo experimental cuyo
contenido induce a los estudiantes a la aplicacin de los principios estadsticos en
la investigacin.
Curso complementario a los dos (2) primeros mdulos sobre cultura investigativa
que se ofrecen en la UNAD, para todos los programas.; el contenido de este dar
los lineamientos para una de las etapas importantes en todo proceso de
investigacin como es la planificacin de la experimentacin y la comprobacin de
hiptesis.
El material ha sido organizado de forma que el estudiante repase los conceptos y
procedimientos estadsticos vistos en semestres anteriores y los aplique a la
resolucin de problemas especficos de cada profesin-con una planificacin
previa.
La forma de resolver los diseos experimentales de ms amplio uso, se presentan
en los apndices con ejemplos atinentes a la unidad 1 y 2. Estos apndices se irn
incrementando acorde con el desarrollo del curso. Igualmente estudiantes y
tutores deben consultar las OVAS presentadas para cada unidad en la pgina
principal del curso.
Pero siempre teniendo en cuenta que: El enfoque-objetivo del diseo de
experimentos es determinar cules variables estn influenciando la respuesta de
inters. Una vez que dichas variables son identificadas, se obtiene un estimado
aproximado de la superficie de respuesta por medio de modelos factoriales
especiales.
Adems en los trabajos colaborativos se incentiva a los estudiantes y docentes
sobre la forma y la importancia de obtener informacin rpida, de utilidad, con
ventajas econmicas para el desarrollo de los trabajos de grado y proyectos de
investigacin en la UNAD.
INDICE DE CONTENIDO
CAPTULO 2. Contraste
de
hiptesis
comparaciones simples
CAPTULO 3. Tipos de
diseo experimentales
LECCIONES
Leccin 1: Conceptos bsicos del
diseo experimental
Leccin 2: Tipos de tratamientos y
errores experimentales
Leccin 3: Principios bsicos en el
diseo de experimentos
Leccin 4: Las tcnicas utilizadas en
el diseo de experimentos
Leccin
5:
Control
local,
aleatorizacin y procedimiento para el
diseo experimental
Leccin
1:
Comprobacin
de
hiptesis
Leccin 2: Prueba de t
Leccin 3: Anlisis de varianzaANDEVA
Leccin 4: Prueba de diferencia
significativa mnima (DSM) de Fisher
Leccin 5: Modelo estadstico
Leccin 1: El uso de las
computadoras
y
software
especializado
Leccin 2: Diseos unifactoriales
Leccin 3: Diseos de bloques
completos al azar
Leccin 4: Diseo de cuadro latino
Leccin 5: Diseo de cuadro Greco
Latino
Leccin 1: Definiciones bsicas
diseo factorial.
Leccin 2: Experimento factorial o
mover un factor a la vez
Leccin 3: Diseo factorial con dos
5
factores A X B
Leccin 4: Ventajas y desventajas
de los Experimentos Factoriales
Leccin 5: Ejemplo de un diseo
factorial
solucionado
con
Stat
Graphics
Captulo 2. Diseos Leccin 1: Codificacin de variables
Factoriales 2k
Leccin 2: Diseo Factorial 2k
Leccin 3: Diseos factoriales 23
Leccin 4. Solucin de un diseo
factorial 23 con Stat Graphics
Leccin
5:
Otros
diseos
experimentales.
Captulo 3. Regresin
Leccin 1: Introduccin y el
lineal y superficies de
significado de la regresin y
suposiciones bsicas
respuesta
Leccin
2:
Coeficientes
de
correlacin.
Leccin 3: Transformacin de datos
Leccin 4: Correlacin mltiple y
ANCOVA
Leccin 5: Superficies de respuesta
Contenidos Unidad 1
Nombre de la Unidad
Introduccin
Justificacin
Intencionalidades
Formativas
10
11
Lecciones-C_1-U_1
Leccin 1: Conceptos bsicos del diseo experimental
Los siguientes conceptos que se definen a continuacin se utilizarn en el
desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991) y de Kuehl (2001).
Definiciones
Diseo: Consiste en planificar la forma de hacer el experimento, materiales y
mtodos a usar, etc.
Experimento. Conjunto de reglas usadas para obtener una muestra de la
poblacin y al concluir el ensayo obtener informacin acerca de la poblacin.
Un experimento es un procedimiento mediante el cual se trata de comprobar
(confirmar o verificar) una o varias hiptesis relacionadas con un determinado
fenmeno, mediante la observacin y medicin de las variables que influyen en el
mismo.
Por ejemplo todas las pruebas de laboratorio y las pruebas de campo que realices
para desarrollar tu trabajo de grado.
Es un cambio en las condiciones de operacin de un sistema o proceso para
obtener una muestra de la poblacin y al concluir el ensayo obtener informacin
acerca de la poblacin o del producto obtenido.
Por ejemplo variar las condiciones de operacin (temperatura, presin, velocidad
de agitacin de un proceso, las raciones para semovientes, dosis de
agroqumicos).
O la utilizacin de diferentes proporciones de materias primas y aditivos para
mejorar la condicin de un producto de consumo masivo.
La experimentacin constituye uno de los pasos del mtodo cientfico.
Ejemplos de sistemas experimentales son:
- Una reaccin qumica y/o bioqumica, cuyo rendimiento (Y) puede ser funcin,
entre otros, del tiempo de reaccin (t1), la temperatura de la reaccin (T2) y el tipo
de microorganismo (Mo1) utilizado. Otras variables que pueden influir son, por
ejemplo, la presentacin de los sustratos, la velocidad de agitacin,....
12
13
15
Sin B12
Con B12
Cerdos
Aumento de peso
Para llevar a cabo este experimento se deben agrupar los cerdos de la misma
raza, edad y sexo, de forma aleatoria; ya que estas tres situaciones afectan
significativamente en el peso de los cerdos. Y es as como se obtiene una muestra
lo ms homognea posible, y que en el experimento slo intervenga la variabilidad
natural, reduciendo as el error experimental.
20
CAPITULO 2-U_1
CONTRASTE DE HIPTESIS COMPARACIONES SIMPLES.
Etimolgicamente Hiptesis es la suposicin de una verdad que debe ser
verificada o rechazada.
Es una explicacin que al comienzo de una investigacin se le da a un hecho, es
una conjetura a la realidad.
Y sirve para orientar al investigador en el encuentro de una verdad.(Ver modulo de
trabajo de grado ciclo tecnolgico y ciclo profesional del mismo compilador)
Una hiptesis estadstica es una afirmacin sobre los valores de los parmetros de
una poblacin o proceso, que es susceptible de probarse a partir de la informacin
contenida en una muestra representativa obtenida de una poblacin. Por ejemplo,
la afirmacin "este proceso produce menos del 6% de defectuosos" se puede
plantear estadsticamente, en trminos de, proporcin p desconocida de artculos
defectuosos que genera el proceso.
Ho : p =0.06 (la proporcin de defectuosos es 0.06)
HA: p < 0.06 (la proporcin es menor a 0.06)
Lecciones - C_2-U_1
Leccin 1: Comprobacin de hiptesis
Para las siguiente leccin se tomaron como referente a Bavaresco (1979), Bunge
(1980) y Berenson, Levine & Krehbiel (2001).
Formulacin y prueba de hiptesis
Una hiptesis es una afirmacin acerca de algo.
En estadstica, puede ser una suposicin acerca del valor de un parmetro
desconocido.
La prueba es el medio de verificacin para saber si algo es verdadero o falso y
hasta qu grado podemos decir que sea verdadero o falso.
Pasos en la prueba de hiptesis:
-hiptesis.
21
22
A partir de este numeral se deben consultar las tablas que se encuentran e textos
de estadstica como las tablas t-Student, de distribucin F, comparacin de medias
de Duncan, etc.
24
Con el propsito de obtener una (probabilidad) baja, tendremos que tolerar una
probabilidad alta; sin embargo el nivel de significancia adecuado se debe
decidir acorde con los costos y desventajas vinculadas con ambos tipos de
errores.
25
Leccin 2: Prueba de t
Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) la
prueba de t es conocida a veces como prueba de t de Student, por recibir el
nombre de la persona que la estudi primero, en 1890. Student en realidad era un
matemtico llamado William Gosset, empleado por la Cervecera Guiness, quien
se vio obligado a usar el pseudnimo de Student, debido a que por poltica de la
compaa se tena prohibido a los empleados publicar sus investigaciones.
Gosset descubri que cuando una observacin procede de una distribucin
normal, las medias se distribuyen de manera normal, slo s se conoce la
verdadera desviacin estndar de la poblacin.
La prueba de t se emplea mucho en todas las reas de la ciencia.
La distribucin de t, es similar a la distribucin de z la cual se explic en numeral
anterior y, uno de sus mayores usos, es responder a interrogantes de
investigacin sobre medias y cuando se desconoce la verdadera desviacin
estndar.
26
Ecuacines 2 y 3
S, es la desviacin estndar
Para usar una prueba t con una muestra, se supone que los datos numricos se
obtienen de una manera independiente y representan una muestra aleatoria de
una poblacin que sigue una distribucin normal.
En la prctica, se ha encontrado que siempre que la muestra no es muy pequea
y la poblacin no tenga un sesgo grande, la distribucin t proporciona una
aproximacin a la distribucin muestral de la media cuando (sigma) no se conoce.
Prueba de t para la diferencia entre dos medias
El clculo de la prueba de t para la diferencia entre dos medias se realiza con
Ecuacines 4 y 5
S2p = varianza combinada
X1,2 = medias de la muestra tomadas de las poblaciones respectivamente
S1,2 = varianzas de la muestra tomadas de las poblaciones respectivamente
Ver ejercicio resuelto- en el apndice 1.
27
b. Los errores estn normalmente distribuidos con media cero y varianza constante
c. Existe homogeneidad de varianza entre los tratamientos.
Supnganse k muestras aleatorias independientes, de tamao n, extradas de una
nica poblacin normal. A partir de ellas existen dos maneras independientes de
estimar la varianza de la poblacin (S2)
1) Una varianza dentro de los grupos (ya que slo contribuye a ella la varianza dentro
de las muestras), o varianza de error, o cuadrados medios del error, y
habitualmente representada por SCError (Mean Square Error) que se calcula como
la media de las k varianzas muestrales (cada varianza muestral es un estimador
centrado de S2 y la media de k estimadores centrados es tambin un estimador
centrado y ms eficiente que todos ellos).
SCError es un cociente: al numerador se le llama suma de cuadrados del error y se
representa por SCE y al denominador grados de libertad por ser los trminos
independientes de la suma de cuadrados.
2) Otra llamada varianza entre grupos (slo contribuye a ella la varianza entre las
distintas muestras), o varianza de los tratamientos, o cuadrados medios de los
tratamientos y representada por SCtrat o MSB (Mean Square Between).
Se calcula a partir de la varianza de las medias muestrales y es tambin un
cociente; al numerador se le llama suma de cuadrados de los tratamientos (se le
representa por SCtrat) y al denominador (k-1) grados de libertad.
SCtrat y SCError , estiman la varianza poblacional en la hiptesis de que las k
muestras provengan de la misma poblacin.
La distribucin muestral del cociente de dos estimaciones independientes de la
varianza de una poblacin normal es una razn con distribucin F con los grados
de libertad correspondientes al numerador y denominador respectivamente, por lo
tanto se puede contrastar dicha hiptesis usando esa distribucin.
Variacin total = Variacin dentro de los tratamientos+ Variacin entre los
tratamientos
Suma de cuadrados total = Suma de cuadrados dentro+Suma de cuadrados entre
Variacin total =
Tabla 2. Ejemplo de un reporte del anlisis de varianza
29
Fuente
variacin
de
Grados
de
Libertad
SC
CM
F0
Suma
de
cuadrados
Cuadrados
medios
Razn
Entre
Tratamientos
k-1
SCtratamient
SCtrat /(K-1)
SCtrat/
SCME
N-k
SCE
SCE /(N-K)
Total
N-1
SCT
SCTotal / (KN
- 1)
p-valor
F
P (F>F0
)
Ecuacin 6 ..t=
Ecuacin 7.Sd
r = Nmero de repeticiones
CME = Cuadrado medio del error
El valor de t se toma de la tabla de los apndices con los grados de libertad del
error. Usualmente la significancia es considerada entre 1% y 5%.
Ejemplo
En un experimento desarrollados por un grupo de profesionales se determino el
efecto de tres tratamientos de fertilizacin en la altura de arboles de una especie
forrajera, obtenindose los siguientes resultados.
Tabla 3. Tratamientos de experimento sobre fertilizacin
Tratamiento
IBIOM (cm3)
Media
T1
1064 a *
T2
1838 a *
T3
1886 a *
Diferencia Mnima Significativa DMS 962 cm3
CV (%)
93
60
61
X1
X2
X3
X1
-
X2
1064 - 1838
-
X3
1064-1886
1838-1886
31
Ecuacin 8
i =
32
Anlisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hiptesis.
Cuando la hiptesis se refiere a los parmetros del fenmeno se convierte
entonces en hiptesis estadstica como la variabilidad del clima, de una
temperatura en un proceso as se disponga de mtodos de medida con bastante
precisin y exactitud, sin olvidar que el resultado de todo experimento tiene un
componente llamado error, generalmente debido al azar.
Este efecto aleatorio obliga al investigador a recurrir a la estadstica para
minimizarlo y probar las hiptesis con un grado importante de certeza.
El anlisis de covarianza es un procedimiento muy importante en experimentacin
para la verificacin de las hiptesis, pero lamentablemente no se usa con
frecuencia.
El anlisis de covarianza permite realizar ajustes con las respuestas de las
unidades experimentales en las que se vara un factor medible, con la respuesta
que se hubiese obtenido, si todas las unidades experimentales hubiesen tenido, el
valor promedio del factor variable, para eliminar as el efecto de ese factor.
El anlisis de covarianza entre muchas utilidades, se puede,utilizar tambin para
ajustar las respuestas de las unidades de experimentacin de promedios de dos o
mas factores variables denominadas covariables.
Utiliza el anlisis de varianza y el de regresin para eliminar la variabilidad que
existe en la variable independiente X; tambin ajusta medias de tratamiento y as
estima mucho mejor el efecto de la variable independiente X sobre la variable
dependiente Y.
La variable independiente X es una observacin hecha en cada unidad
experimental antes de aplicar los tratamientos, e indica hasta cierto grado la
respuesta final Y de la unidad experimental.
Por ejemplo en una granja asistida por la UNAD se realizo un experimento con el
fin estudiar la conveniencia de raciones alimenticias en la ganancia de peso de los
anteriores para lo cual se les determinaron los pesos iniciales X y el consumo de
alimento Y; si los investigadores utilizan diferentes raciones las diferencias fisicas
y efectos que presentan los semovientes pueden ser o no ser significativas, por la
calidad de las raciones. Por lo tanto se deben preguntar si: Al existir variacin en
los pesos iniciales de los semovientes, la diferencia que se presentan en los pesos
finales es debido a las propiedades de alguna de las raciones? O que en un alto
porcentaje se deban a las diferencias de los pesos iniciales?
33
Anlisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hiptesis.
Cuando la hiptesis se refiere a los parmetros del fenmeno se convierte
entonces en hiptesis estadstica como la variabilidad del clima, de una
temperatura en un proceso as se disponga de mtodos de medida con bastante
precisin y exactitud, sin olvidar que el resultado de todo experimento tiene un
componente llamado error, generalmente debido al azar.
Este efecto aleatorio obliga al investigador a recurrir a la estadstica para
minimizarlo y probar las hiptesis con un grado importante de certeza.
El anlisis de covarianza es un procedimiento muy importante en experimentacin
para la verificacin de las hiptesis, pero lamentablemente no se usa con
frecuencia.
El anlisis de covarianza permite realizar ajustes con las respuestas de las
unidades experimentales en las que se vara un factor medible, con la respuesta
que se hubiese obtenido, si todas las unidades experimentales hubiesen tenido, el
valor promedio del factor variable, para eliminar as el efecto de ese factor.
El anlisis de covarianza entre muchas utilidades, se puede ,utilizar tambin para
ajustar las respuestas de las unidades de experimentacin de promedios de dos o
mas factores variables denominadas covariables.
34
CAPITULO 3-U_1
CAPITULO 3: TIPOS DE DISEO EXPERIMENTALES
Para dar solucin al gran nmero de situaciones y problemas tericos prcticos
que se presentan en la ingeniera y en otras actividades profesionales se han
propuesto un buen numero de diseos experimentales cantidad que hacen
necesario saber elegir el ms adecuado para la situacin que se quiere resolver,
de all que es conveniente conocer su clasificacin de acuerdo a su alcance dentro
del
objetivo
en
propuesto.
Definiciones
Clasificacin: de acuerdo con su objetivo y su utilizacin, sin pretender ser
exhaustivo, los diseos se pueden clasificar como:
35
LECCIONES-C_3-U_1
Leccin 1: El uso de las computadoras y software especializado
El uso de las computadoras y software especializado
Los primeros usos del software estadstico en la enseanza de la estadstica han
sido la presentacin de "output" impresos a los alumnos para interpretar
resultados.
La simulacin es un ejemplo de cmo utilizar el computador en la estadstica
aplicada. Existen software que simulan sistemas fsicos, sociales o empresariales.
Uno de las ms sencillos y conocidos trata de simular la toma de decisiones en
diversos escenarios y analizar sus resultados en un entorno competitivo. El
alumno debe manejar varias variables en procura de maximizar las ganancias de
su empresa.
Las reas de anlisis multivariado fueron las ms beneficiadas por el uso de la
computadora. Las tcnicas a utilizar no se ven limitadas a pesar de que el nmero
de variables sea considerable, ya que los problemas de clculo se minimizan.
Tampoco los grficos resultan un escollo. Algunos profesores, en ausencia de
impedimentos de clculos, le piden al alumno que aplique tales o cuales mtodos,
incentivando de esta forma la destreza en el uso del software (y el conocimiento
de muchas de sus variantes). Sin embargo, no hay una enseanza orientada a la
resolucin de problemas (porque no se ha planteado un problema) sino a la
aplicacin de tcnicas estadstica sin un claro objetivo.
36
Cuando los clculos llevaban mucho tiempo, se deba pensar si era necesario
realizar tal operacin. Ahora que los clculos no son obstculo, muchas veces no
se piensa qu es lo que se est haciendo. El momento de reflexin se realiza
despus de la etapa de clculo y no antes. Ahora se dedica tiempo y esfuerzo en
descartar anlisis e indicadores sin sentido.
Los Software estadsticos que facilitan una variedad de tcnicas estadsticas
descriptiva e inferencial, poco a poco, estn cambiando la enseanza de esta
disciplina. Ya no es necesario concentrarse mucho en el manejo de frmulas
engorrosas. Esto puede conducir, a pretender el mismo objetivo que antes pero
demorando menos o a usar la computadora para potenciar las posibilidades de la
enseanza de estadstica. Nuestra opinin es que si bien las opciones anteriores
no son excluyentes, se debe insistir ms en el sentido de las tcnicas, en su
aplicacin apropiada y en la buena interpretacin de los resultados.
Un uso de la planilla electrnica que recomendamos especialmente es su
aplicacin para comprender la relacin entre el coeficiente de correlacin lineal de
Pearson y el diagrama de dispersin. La planilla electrnica permite observar en
forma simultnea los efectos que provoca la modificacin de algn dato en el
diagrama de dispersin y en el coeficiente de correlacin.
La enseanza de la prctica de la estadstica debera basarse en la resolucin de
estudios de casos. El software adecuado podra apoyar cursos basados en el
estudio de casos, para presentar problemas prcticos que requieren:
1.
2.
3.
4.
La formulacin de hiptesis
La recoleccin de datos
La comprobacin de hiptesis
La comunicacin de resultados e ideas
37
38
39
OBSERVACIONES
A
F1A1
F2A1
F3A1
Total
tratamiento
por
Numero de datos n
por tratamiento
Media
tratamiento
LA OPERACIONES
ARITMETICAS
A
DESARROLLAR PARA EL
CALCULO DEL ANAVA
B
C
1. =
suma
de
cuadrados de todas
F1B1 F1C1
las observaciones
F2B1 F2C1
2. Suma de los datos
3. Nmero total de
mediciones
F3B1 F3C1
4. Media de los datos
5. Efecto del mtodo
= Y observada - Y media
N
n
por
Gran media
Suma
de SCT
cuadrados totales
Suma
de SCt
cuadrados de los
tratamientos
Y el ANAVA en la siguiente tabla
Tabla 5. Anlisis de varianza para los tratamientos con un solo factor, en un
diseo totalmente aleatorizado o completamente al azar.
Fuente
de Grados de SC
CM
F0
p-valor
variacin
Libertad
Suma de Cuadrados Razn
40
Tratamientos
Error
Total
k-1
N-k
N-1
cuadrados medios
SCtrat
SCtrat /(k-1)
SCtrat / CME
SCE
SCE /(N-k)
SCT
SCMT / (kn -1)
P (F>F0 )
NIVEL
A
B
C
D
E
1
F1A1
F1B1
F1C1
F1D1
F1A1
2
F2A1
F2B1
F2C1
F2D1
F2A1
3
F3A1
F3B1
F3C1
F3D1
FjeAJ
F1A1 hasta FJEAJ son los anlisis o las muestras recolectadas o tomadas
Para aclarar el concepto del procedimiento que se sigue revisemos el apndice 2.
porque en cada bloque aparece una vez por tratamiento y as los bloques y
tratamientos son ortogonales.
En este diseo el material experimental es dividido en grupos de unidades
experimentales (UE) lo ms homogneas posible. Cada uno de los grupos es una
sola prueba o repeticin.
El objeto en todas las etapas del experimento es de mantener el error
experimental dentro de cada grupo tan pequeo como sea posible en la prctica.
Los conjuntos o grupos son llamados bloques.
Dentro de cada bloque las (UE) son asignadas aleatoriamente, cada tratamiento
ocurre exactamente una vez en un bloque.
Fuentes de variabilidad.
En este diseo (DBCA) se consideran tres fuentes de variabilidad: el factor de
tratamientos, el factor de bloques y el error aleatorio es decir, se tienen tres
posibles responsables de la variabilidad que presenten los datos obtenidos.
Se denominan completos porque en cada bloque se prueban todos los
tratamientos, es decir, que los bloques estn completos
Ventajas
Las principales ventajas de bloques al azar son las siguientes:
1. Por medio de la agrupacin comnmente se obtienen resultados ms
exactos que cuando se usan diseos completamente al azar.
2. Puede incluirse cualquier numero de repeticiones.
El anlisis estadstico es el acostumbrado.
3. Si la varianza del error experimental es mayor para algunos tratamientos que
para otros aun puede obtenerse un error insesgado para probar cualquier
combinacin especfica de las medias de los tratamientos.
4. Ningn otro diseo se usa tan frecuentemente como los bloques al azar.
Aleatorizacin.
La aleatorizacin es realizada cuando las unidades se han agrupado y los
tratamientos han sido asignados al azar a las unidades dentro de cada grupo.
El nombre de bloques completos al azar es debido a que en cada bloque (por
ejemplo un operador, un semoviente, una parcela) se prueban todos los
tratamientos (completo) en orden aleatorio.
42
Ecuacin 11
El valor de t se toma de las tablas de la distribucin T de Student con N-K grados
de libertad del error.
Ejemplo de bloques completos al azar (BCA) (Varios autores). Revisemos el
apndice 2.
Leccin 4: Diseo de cuadro latino
El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field
Experiments, J. Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones
fueron en el campo agronmico, especialmente en los casos de suelos con
tendencias en fertilidad en dos direcciones.
Diseo que contempla el control de dos factores de bloque, adems del factor de
tratamientos y los tres factores tienen la misma cantidad de niveles.
Considerndose cuatro fuentes de variabilidad que vienen siendo los dos factores
de bloque, el tratamiento y el error aleatorizado.
El primer factor de bloqueo se representa en los renglones o filas, el segundo
factor de bloqueo se representa en las columnas y los tratamientos se representan
por letras latinas y se distribuyen en forma tal que cada tratamiento aparece slo
una vez en cada fila y una sola vez en cada columna (Latin square design). El
inters se centra en un solo factor, los tratamientos, pero se imponen dos
restricciones a la aleatorizacin en un cuadro como el ejemplo de la tabla del
siguiente numeral.
Formacin y tabulacin de los datos experimentales en un cuadrado latino.
Suponga 4 tratamientos A, B, C y D, con estos tratamientos se pueden formar 4
cuadros diferentes llamadas tpicas o estandar (en la primera fila y en la primera
columna se tiene la misma distribucin).
Tabla 8. Recopilacin y presentacin
cuadro latino.
A
B
C
D
A
B
C
D
B
C
D
A
B
A
D
C
C
D
A
B
C
D
B
A
B
D
A
C
A
D
D
C
B
A
B
C
B
A
D
C
D
A
D
C
B
44
De cada cuadro se obtienen 144 formas diferentes, en total se tienen 576 cuadros
diferentes.
Un diseo de este tipo slo es posible cuando el nmero de niveles de ambas
restricciones sea igual al nmero de niveles del tratamiento.
Por ejemplo, en una granja experimental si administramos tres medicamentos
(tratamientos) a tres cabras con diferentes . El orden en el que los caprinos
reciben los tratamientos puede ser completamente aleatorizado (diseo por
bloques) o aleatorizado bajo la condicin de equilibrio requerida para un
cuadrado latino. Designemos los tratamientos por T1 ,T2 y T 3 . Una asignacin
equilibrada respecto al orden de administracin puede ser
Arreglo de los datos en un diseo de Cuadro latino.
Para facilitar el entendimiento de este diseo se debe seguir como ejemplo el
recomendado por varios autores y presentado en la siguiente tabla:
Tabla 9. Arreglo de los resultados de los tratamientos, en cuadro latino.
BLOQUES
I
BLOQUES II
1
2
3
1 A=Yl1l B=Y221 C=Y331
B=Y212
2 C=Y313 C=Y322 D=Y432
D=Y414 D=Y423
3
A
F
=Y
..
524 =Y533
4
A=Y12f F=Y634
.....
.
F=Yf1f
B=Y23f
.
D=Y4411
E=Y442
J
Yi..
F=YjJ1 Yi..1
A=Y1j2
B=Y2j3 Yi..2
B =Y443
C=Y3j4 Yi..3
A=Y544
..
Yi..4
C=Y34f
Yi..,,
J=YJjf
Yi..f
f
Yj..
Y1..
Y2..
Yj..
Yj..
Ynj.. Yj..
<!--[if
!supportMisalignedColumns]->
45
Yijl i j l k ijl
i= 1,., l
j=1,., b
Ecuacin 12
numero de tratamientos
numero de bloques
l , , ,
46
1
BLOQUES I
Y i..
3
4
.
Yi
A=Y1 B=Y23f
2f
F=YjJ1
A=Y1j2
B=Y2j3
C=Y3j4
C=Y34f
J=YJjf
Yl
FUENTES DE
VARIABILIDAD
SUMA DE
CUADRADOS
GRADOS CUADRADOS
DE
MEDIOS
LIBERTAD
Tratamientos
Letra latin
SCtratlatin
k-1
Renglones
SCrenglo
Columnas
SCcolumn
Fo
P-value
CMtratalatin
Ftralat =
CMtratlatin/
CMEr
P (F >
Fa)
k-1
CMrenglo
Fre =
CMrenglol
/CMEr
k-1
CMcolumn
F colmn=
P(F > Fa)
CMcolumn/CM
47
Tratamientos
Letra griega
SCtratgiega
k-1
Error
SCE
(k - 2)(k -1)
Total
SCT
k2 - 1
CMtaratgriega
Ftratlgrieg=CM
P (F >
Fa
taratgriega
CMErr
Ecuacin 13
48
En este mtodo tradicional solo se varia un factor cada vez -no es lo mejor pues
implica ms experimentos de los necesarios y se obtiene informacin parcial pues
no muestran la interaccin entre los factores; las interacciones en un experimento
son corrientes y son los efectos ms importantes para comprender el
comportamiento de muchos sistemas.
Consiste en seleccionar un punto de partida de cada factor, luego, se va moviendo
el nivel de un solo factor, manteniendo los dems fijos.
Posteriormente se mueve el nivel del siguiente factor y sucesivamente se va
cambiando el nivel de cada factor. Esta estrategia tiene lmites en el momento de
evaluar la informacin de los efectos de los factores. De 10 datos slo dos se usan
para comparar con los otros dos.
Desventajas:
-La desventaja de un factor a la vez es que no se pueden observar interacciones
entre factores (Montgomery, 2003).
-Inicialmente se determina una combinacin, y si no resulta, se cambia por otra
segn la experiencia. Esto puede continuar por mucho tiempo hasta llegar a una
solucin.
-Seguidamente cuando se obtiene un resultado con beneficio en la primera
prueba, ya no se realizan ms pruebas para buscar una solucin que d mejores
resultados (Montgomery, 2003).
Observacin atener en cuenta: Hay interaccin cuando uno de los factores no
produce el mismo efecto en la respuesta con niveles diferentes de otro factor
(Montgomery, 2003).
50
Hiptesis a probar
H0 : Efecto A = 0
Ha: Efecto A # 0
H0 : Efecto B = 0
Ha: Efecto B # 0
H0 : Efecto AB = 0
Ha: Efecto AB # 0
Si efecto A= Si efecto B=
Las hiptesis tambin se pueden plantear de la siguiente manera:
H0 :
=0
HA : para algn i
H0 :
=0
HB :
H0 :
HAB:
para algn ij
Ecuacin 16
Ecuaciones 17 a 19
Es conveniente obtener la suma de los cuadrados de la interaccin, SS AB, en dos
fases.
Primero, se calcula la suma de cuadrados entre los totales de las celdas ab que se
conoce como la suma de cuadrados debido a "subtotales":
Ecuacin 20
Esta suma de cuadrados tambin contiene SSCA y SSCB. Por lo tanto, el segundo
paso es calcular la suma de cuadrados de la interaccin como sigue:
SSCAB = SSCSubtotales - SSCA-SSCB Ecuacin 21
o SSCE= SSCT - SSSubtotales
ANOVA para el diseo factorial (a x b) o de dos factores
Tabla 12. ANOVA para el diseo factorial a x b
53
EFECTOA
Suma de
cuadrados
SCA
Grados de
libertad
a-1
EFECTOB
SCB
b-1
EFECTOAB
Error
Total
SCAB
SCE
SCT
(a -l)(b -1)
ab(n-1)
abn-1
Cuadrados
Fo
medios
CMA
Fo = CMTRAT
/ CME
CMB
Fo = CMB /
CME
CMTRAT
CME
CMTRAT
p-valor
P(F >
Fo)
P(F >
Fo)
Ecuacin
22
i= 1,., a numero de tratamientos
j=1,., b numero de bloques
k= 1,2,..n
= media general, tambin denominada
= efecto debido al i-esimo nivel del factor A, tambin denominada
= efecto debido al j-esimo nivel del factor B, tambin denominada .
= representa al efecto de interaccin en la combinacin ij, tambin denominada .
= es el error aleatorio que supone una distribucin con media cero y varianza
constante
Estando el modelo de regresin descrito por :
Ecuacin 23
T1
Temperatura
T2
T3
55
Empaque
B1
B2
3,9
3,5
4,2
3,8
4,3
4,0
3.81
3.37
3.72
3.50
3.84
3,6
4
3,9
3,8
4,1
3,4
4,3
Grados de
libertad
Cuadrados
medios
Fo
p-value
Ecuac
Ecuac
Ecuac
Ecuac
EFECTOA
EFECTOB
EFECTOAB
Error
Total
* Que conclusiones sacaras?
56
Ecuacin 24
Diferencia = (X M Xn) Ecuacin 65
(X M Xn) = diferencia entre los valores mximo y mnimo.
= el valor en el experimento
57
AXB
Combinacin
REPETICIONES
PROMEDIO
de los
tratamientos
1
2
3
+
-
+
-
Y
1
Y
2
Y
..
Y
n
(1)
a
b
58
ab
Ecuacin 29
d2. De B
Ecuacin 30
d3. De AB
Ecuacin 31
d4. Calculo de la suma de cuadrados totales
59
Ecuacin 32
N = nmero de pruebas
d5. Calculo de la suma de cuadrados del error
SCE= SCT-SCA-SCB-SCAB Ecuacin 33
ANOVA para un diseo factorial 22
Con los productos de las ecuaciones del numeral anterior debemos construir la
siguiente tabla.
Tabla 16. ANOVA para un diseo factorial 22
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
Fo
p-value
EFECTOA
SCA
CMA
EFECTOB
SCB
CMB
EFECTOAB
SCAB
CMAB
Fo = CMA /
CME
Fo = CMB /
CME
Fo = CMAB/
CME
P(F >
Fo)
P(F >
Fo)
P(F >
Fo)
Error
Total
SCE
SCT
4(n-1)
n22-1
CME
60
1
2
3
4
Matriz de
Plan de
Respuesta
experimentos
x1
x2
experimentacin
Tiempo Temperatura(C)
(% rendimiento)
Corrida
Corrida Corrida
1
2
2
+
+
+
+
(h)
6
8
6
8
40
40
60
60
49
54
70
78
48
58
72
55
49
55
73
56
61
AXB
Combinacin
Repeticiones
de los
x1
1
2
3
4
+
+
x2
+
+
x1 x2
tratamientos
+
+
(1)
a
b
ab
PROMEDIO
Y
1
Y
2
Y
3
49
54
70
78
48
58
72
55
49
55
73
56
48,66666667
55,66666667
71,66666667
63
Pasos a seguir
a) El efecto promedio de A es definido como:
A = 1/2n[ ab+a b -(1)]
A = 1/2n[ ab+a b -(1)]
A= 7,666
b) El efecto promedio de B es definido como:
B = 1/2n{[ ab + b a - (1)]}
B = 13
c) El efecto de interaccin de AB es definido como:
AB = 1/2n{[ ab-b]-[a-(1)]}
AB = 1/2n[ ab+(1)-a-b] =
AB = -9
n = nmero de repeticiones o replicas
Tabla 19. Anlisis de varianza para el ejemplo de diseo factorial 22
Suma de
cuadrados
EFECTOA
176,3333333
Grados de
libertad
Cuadrados
medios
Fo
176,3333333 0,032713984
p-value
P(F >
Fo)
62
EFECTOB
507
507
0,094060433
EFECTOAB
264,4533907
264,4533907 0,049062328
Error
Total
43121,21328
SCT
8
11
5390,151659
P(F >
Fo)
P(F >
Fo)
Discusin
El efecto de un factor en un diseo 23, se calcula como se explica en las tablas
siguientes:
Tabla 20. Combinacin de los tratamientos para un diseo 23
COMBINACIN
DE
CORRIDA
AXB
AXC
BXC
AXBXC
TRATAMIENTOS
(1)
63
+
+
+
+
+
+
+
+
+
+
+
+
+
b
ab
c
ac
bc
abc
COMBINACIN DE LOS
TRATAMIENTOS
EFECTO FACTORIAL
(1)
a
b
ab
c
ac
bc
abc
+
+
+
+
+
+
+
+
AXB
AXC
BXC
AXBXC
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
64
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
Fo
p-valor
EFECTOA
SCA
CMA
Fo = CMA /
CME
P(F >
Fo)
EFECTOB
SCB
CMB
Fo = CMB /
CME
P(F >
Fo)
EFECTOC
SCC
CMC
Fo = CMC /
CME
P(F >
Fo)
EFECTOAB
SCAB
CMAB
Fo = CMAB/
CME
P(F >
Fo)
EFECTOAC
SCAC
CMAC
Fo = CMAC /
CME
P(F >
Fo)
EFECTOBC
SCBC
CMBC
Fo = CMBC /
CME
P(F >
Fo)
EFECTOABC
SCABC
CMABC
Fo = CMABC
/ CME
P(F >
Fo)
Error
SCE
23(n-1)
CME
Total
SCT
n23-1
Coeficientes de determinacin
Estos coeficientes miden la proporcin o el coeficiente de variabilidad en los datos
experimentales que es explicada por el modelo considerado.
Ecuacin 43
Ecuacin 44
INGREDIENTE
y1
A
-1
+1
-1
+1
-1
+1
-1
+1
B
-1
-1
+1
+1
-1
-1
+1
+1
C
-1
-1
-1
-1
+1
+1
+1
+1
VISCOSIDAD
y2
Ym
13,3
14,7
14,6
14,3
16,9
15,5
17,0
18,9
13,7
14,4
14,5
14,1
17,2
15,4
17,1
19,0
13,4985184
14,5492268
14,5499141
14,1996479
17,0493402
15,4499191
17,0499267
18,949934
15,6621
0,250257
1,0506
2,92545
0,524613
-0,099964
0,699696
+/- 0,61255
+/- 1,2251
+/- 1,2251
+/- 1,2251
+/- 1,2251
+/- 1,2251
+/- 1,2251
Factor_A
Factor_B
Factor_C
AB
AC
BC
Suma de
cuadrados
0,125257
2,20754
17,1166
0,550439
0,0199856
0,979149
Grados de
libertad
1
1
1
1
1
1
Cuadrados
medios
0,125257
2,20754
17,1166
0,550439
0,0199856
0,979149
0,04
0,74
5,70
0,18
0,01
0,33
0,8717
0,5487
0,2525
0,7424
0,9482
0,6696
67
Total error
Total
(corr.)
3,00174
24,0007
1
1
3,00174
Para este caso hay cero efectos que sean de valor p menor que 0,05, lo cual nos
indica que son significativamente diferentes de cero al nivel de confidencia del
95%.
Tabla 44. Coeficientes de regresin de la ecuacin de los datos de viscosidad de
la bebida desarrollada en el ejemplo anterior.
Constante
= 15,6621
Factor_A
= 0,125129
Factor_B
AB
BC
= 0,525302
= 0,262307
= 0,349848
Factor_C
AC
R2
= 1,46273
= -0,049982
= 87,4931
Ecuacin 37.
68
Datos
1
2
3
4
5
6
7
8
Valor observado
Valor fijado
13,4985
14,5492
14,5499
14,1996
17,0493
15,4499
17,0499
18,9499
14,1111
13,9367
13,9374
14,8122
16,4368
16,0625
17,6625
18,3374
Lower 95,0%
CL for Mean
-6,48132
-6,65571
-6,65502
-5,78019
-4,1556
-4,52992
-2,92991
-2,255
Upper 95,0%
CL
34,7035
34,5291
34,5298
35,4046
37,0292
36,6549
38,2549
38,9298
Presentacin de resultados.
La interpretacin de los resultados sugerimos realizarlos en el siguiente orden y
las siguientes recomendaciones:
1) Valor medio
2) Efectos principales
3) Efectos de interaccin de dos factores
4) No olvidar que existe interaccin cuando el efecto de un factor es diferente a
distintos niveles de otro(s) factor(es). Esto se puede comprender fcilmente si
evaluamos el efecto de cada factor por pares de experimentos.
5) Efecto de interaccin de tres factores
Por ejemplo para el ejercicio de la viscosidad se deberan presentar las siguientes
graficas.
Figura 16. Efectos medios para el ejemplo de la viscosidad.
69
Y a bX
Ecuacin 45
b { XY [ X Y
a Y b X
r { XY [ X Y
n]}
[ X 2
n] Ecuacin 46
Ecuacin 47
n]}
[ X 2
Y Y 2
Ecuacin 48
Y 0 1 X Ecuacin 49
En donde
0 a int er sec cion
1 b pendiente
cambio en el error. Variable aleatoria
71
INTERPRETACIN
Correlacin negativa perfecta
Correlacin negativa fuerte
Correlacin negativa moderada
Correlacin negativa dbil
No existe ninguna correlacin
Correlacin positiva dbil
Correlacin positiva moderada
Correlacin positiva fuerte
Correlacin positiva perfecta
72
Y 0 1 X 1 2 X 2 ........ k X k Ecuacin 50
k = numero de variables (Xs)
Y 1
(a bX )
Y aX )
Y a b ln( X )
b
Y ab
(X )
MODELO
Exponencial
Ecuacin 51
El reciproco
Multiplicativo
Ecuacin 52
Ecuacin 53
Logartmico
Reciproco
Ecuacin 54
Ecuacin 55
73
Transformacin apropiada
Y ln(Y )
'
Y log 10 (Y ) Ecuac 56
'
Tipo de transformacin
Transformacin logartmica
Y ' Y 1 / 2 Ecuacin 57
Y ' Y 1 Ecuacin 58
y 0 1 x1 2 x2 12 x1 x2
59
Efecto en ANOVA
2
60
Error!
No
hay
texto
con el estilo
especificado
en
el
documento.1
Se debe recordar que los valores de las variables en el modelo de regresin estn
codificadas al intervalo [-1, 1]. Esto quiere decir que si se quiere expresar el
modelo en las unidades en las que realmente se mide la variable se debe hacer la
76
Bajo
Factor en
Alto
escala real
-1
B B
AAlto ABajo
Alto
Bajo
12
B B
A
Alto
Bajo
Alto
Bajo
63
Sin embargo, siempre se prefiere trabajar el modelo con las variables codificadas
(en el intervalo [-1,1])
Si los factores son cuantitativos, el modelo de regresin, se puede utilizar, con
toda confianza, para predecir el valor de la variable respuesta para cualquier punto
entre -1 y 1 (si el factor o variable est codificado) o desde el valor bajo al alto si la
variable o factor no est codificado. Es decir, el modelo de regresin se puede
77
ab
b
Alto (+)
Corrida
Central
Medio
Bajo (-)
(1)
Medio
Bajo (-)
a
Alto (+)
n n y y C
SS Curvatura F C F
64
nF nC
donde, en general, nF es el nmero de puntos en el diseo factorial. Esta cantidad
puede ser comparada con el error cuadrtico medio para probar la curvatura. De
2
78
Y 0 j x j ij xi x j jj x 2
j 1
i j i j
65
j 1
H 0 : jj 0
j 1
66
H 1 : jj 0
j 1
Por otra parte, si los puntos factoriales en el diseo no estn replicados, entonces
pueden emplearse los nC puntos centrales para construir una estimacin del error
con nC -1 grados de libertad.
95
90
Res
85
80
0
-1
-1
0
1
79
Apndices
En los siguientes apndices-ejemplos resueltos de diseos experimentales
encontraras cuatro ejercicios para analizarlos y tenerlos de guas para los trabajos
colaborativos a realizar.
80
Apndice 1
Repaso de la estadstica aprendida en cursos anteriores
Recientemente un instituto de certificacin de normas tcnicas realizo una
investigacin sobre la composicin bromatolgica de alimentos. Estudio en donde
se pretende lograr una confiabilidad del 98%, una probabilidad esperada del 55%
y no cometer un error superior al 2 %.
Los interesados tomaron muestras del producto vegetal directamente de los
rboles, en tres pocas de cosecha diferente pero consecutiva, procesaron el
material y determinaron algunas propiedades fsico-qumicas, reportada en la tabla
1.
Tabla 1. Composicin qumica de harinas de pltano, de ocho localidades
diferentes (%)**
Caracterstica/procede
ncia
Harina de platano-1
Harina de platano-2
Harina de platano-3
Harina de platano-4
Harina de platano-5
Harina de platano-6
Harina de platano-7
Harina de platano-8
Humedad Ceniza
grasa
Protena
Almidn
Fibra
10
7,5
14
14
13.1
12.2
12.1
14
1
0,1
12
1
1.2
1.5
7,12
12,8
13
21
21,3
8
18
11,5
60-72
1
23
60,8
73
78,5
3,9
4
4,5
11
2,5
2,1
8
11
3,6
2
3,5
6
Solucin
Verifiquemos el desarrollo numrico del ejercicio
Caractersticas/pro
cedencia
protena
Almidn
fibra
total
Media
Harina de platano5
Harina de platano6
Harina de platano7
TOTAL
GRAN MEDIA
13.1
3,6
1.2
21,3
60,8
3,9
103,9
17,31
12.2
1.5
73
100,7
16,78
12.1
3,5
18
78,5
4,5
116,6
19,43
37,4
12,5
81
*=
Desviacin estndar:
S=
=0,54
Aplicamos la frmula para calcular el nmero de muestras, tenemos:
n=
=
DESVIACION ESTANDAR:
S=
=2,3
83
circular.
95.45% 95%
90%
Valores
de Z
2.00
1.645 1.28
3.00
2.58
El nivel de confianza
ver que es de 2.33
2.33 2.05
1.96
0.6745
17,316
16,7833
= (4,18) (3,83)=16,0094
HP5
19,43
17,31
HP6
16,78
85
HP6
16,78
2,65
0,53
HP5
17,31
2,12
0,0
HP7
19,43
0,0
0,0
DMS=16,0094
4)
HP7
HP5
HP6
19,43
17,31
16,78
CONCLUSIN: Las Harinas no tienen mayor diferencia entre HP5 Y HP6, si hay
diferencia significativa entre HP7 y HP6, las medias de todas estas con respeto
DMS son significativas.
86
Apndice 2
Aplicacin prctica
Experimentos sin bloquear - Diseo totalmente aleatorizado o
completamente al azar
Ejemplo
Se quiere mejorar las propiedades de transportabilidad, manejo y presentacin de
las rosquillas elaboradas por una panificadora, para tal efecto de determinara el
efecto que sobre la dureza de estas tiene la incorporacin de tres aditivos en la
misma proporcin; los aditivos se incorporaran individualmente en la masa
elaborada (amasijo).
Ingrediente A
Ingrediente B
Ingrediente C
Figura 12. Diagrama de flujo para la produccin de rosquillas a partir de una masa
estandarizada.
Para el estudio los investigadores emplearon un diseo de experimentos completo
al azar o sin bloquear-simple y balanceado por que todos los tratamientos tienen el
mismo nmero de datos.
Hiptesis de investigacin: La hiptesis planteada es que al menos uno de los
tres ingredientes mejorara la dureza final de las rosquillas.
H0 : U1=U2=U3
87
Y la hiptesis alterna
HA: U1 # U2 # U3
Diseo del experimento: una masa bien homognea para la confeccin de las
rosquillas se divide en seis porciones iguales y a cada dos de ellas se les mezcla
el ingrediente seleccionado.
El primer paso es aleatorizar asignndole una secuencia de nmeros aleatorios a
las unidades experimentales, utilizando una de las tablas de permutacin de
donde se toma una permutacin aleatoria por ejemplo:
318594267, asignar el primer tratamiento a las tres porciones del tratamiento A,
los dos siguientes al tratamiento B y finalmente los otros dos restantes al
tratamiento C
En la tabla siguiente se resume la aleatorizacin hecha.
Tabla 12. De aleatorizacin para el ejemplo de las rosquillas
Tratamiento
o aditivo
Secuencia de
experimentacin
Aditivo A
Secuencia de
experimentacin
21
88
Aditivo B
10
Secuencia de
experimentacin
Aditivo C
10
27
31
10.33
12
Gran media
79
8.77
Yij1 Yij
7+9 +5= 21
21/ 3 = 7
10+8+9= 27
27/3 = 9
10+9+12= 31
31/3= 10.33
i 1
j 1
yij
3.1. Calculamos
Y ..2
N = {(79)2/3x3} = 693.4444
SCTotal
i 1
j 1
yij
2 Y ..2
6.2.
6.3.
SC
CM
F0
Suma de
cuadrados
Cuadrados
medios
Razon
Ecuac
Ecuac
Ecuac
Tratamientos
3-1=2
23.5555
11.77775
Error
1.3333
Total
(9-1)=8
31.5556
Fuente de
variacin
la
p-valor
Ecuac
8.83
0,1004
-k
S= t
-k
1.3333/ 3)
(0.888888)
S= t
(0.9428)
t
= 2.44 extractado de las tablas de puntos crticos para la
distribucin T de Student con los grados de libertad del error.
S = 2.44 (0.9428)
S= 2.3
Las diferencias entre las medias son
A - B = -2
A - C = -3
B - C = 1,33
Muestras
Media
Homogeneidad
del grupo
Contraste (Diferencia)
A-B
( -2)
92
XX
B-C
(-3.33)*
10.33
B-C
(-1,33)
93
Apndice 3
Un grupo de profesionales-del que Ud hace parte, desarrollo un proyecto de
investigacin el cual tena como meta estudiar la composicin de amino cidos de
una alga cultivada en superficie en cuatro sustratos diferentes. Obtenindose los
siguientes resultados:
Tabla 6. Composicin Bromatolgica (% Bs) De La Harina De un alga
desconocida. Segn Los Sustratos Alimenticios/ **
Sustrato MatSec ProtC ProtV ProS
S1
S2
S3
S4
S5
19.9
20.1
21.6
19.9
16.13
57.29
56.67
53.98
56.59
39.23
51.16
50.91
48.62
49.96
46.96
90.26
91.00
88.78
91.78
85.76
Grasa
Tot
4.81
5.75
4.37
5.75
4.07
EB
AcGrasS AGI
19.74
20.08
18.91
18.09
12.54
3.12
3.89
3.01
3.10
3.17
1.43
1.85
1.85
1.37
1.21
1.32
1.87
1.98
1.79
1.10
2.82
2.91
3.13
2.82
2.21
8.12
7.96
8.86
8.58
6.42
S1 X
X2
S2 X
X2
MatSec
19.9
396.01
20.1
404.01
ProtC
ProtV
57.29
51.16
3282.144
2617.345
56.67
50.91
3211.488
2591.828
ProS
90.26
8146.867
91.00
8281
GrasaTot
4.81
23.136
5.75
33.0625
EB
19.74
389.667
20.08
403.2064
AcGrasS
3.12
9.7344
3.89
15.1321
AGI
1.32
1.7424
1.87
3.4969
AGP
1.43
2.0449
1.85
3.4225
FDN
2.82
7.9524
2.91
8.4681
FDI
8.12
65.9344
7.96
63.3616
TOTAL
259,97
14942,54
262,99
15018,46
Sustrato 1:
S1 (total)/ 11(sustratos total)
95
Fuente de
varianza
Suma de
los
cuadrados
entre dos
sustratos
Suma de
los
cuadrados
dentro de
los
sustratos
TOTAL
SS
df
MS
0,41
0.41
0,0004677
17529,36
20
876,468
17529,77
21
Nivel de
signo
0,05
df: son los grados de libertad asociado a cada fuente de varianza, el numero de
grados de libertad de la varianza entre grupos (G-1) es 2-1 = 1 y los grados de
libertad de la varianza dentro de los grupos es: 11 1 +11 1 = 20.
MS: cuadrado de la media entre los grupos y el cuadrado de la media dentro de
los grupos. Se obtienen dividiendo la suma de los cuadrados as:
0,41/1 = 0,41 y 17529,36/20 = 876,468.
d) Hiptesis: no existe diferencias entre las medias de los tratamientos.
Para hallar el producto final, o sea la razn F, se divide el cuadrado de la media
entre los grupos y el cuadrado de la media dentro de los grupos previamente
obtenidos:
F = 0,41/876,468 = 0,0004677
e) Se puede decir que hay diferencias entre los distintos sustratos? mirar la tabla
de la razn F3, con el fin de determinar si esta tiene significancia estadstica.
Localizando los grados de libertad entre grupos (numerador) y el nmero de
grados de libertad dentro de los grupos (denominador), encontramos: los grados
de libertad son 1 y 20, lo cual establece una razn de F de 4,3513.
F calculada en el ejemplo anterior resulta menor que el valor anterior, no es
significativa en el nivel 0,05, ya que si se hubiera obtenido la razn F igual o mayor
que la encontrada en la tabla, entonces la diferencia hubiera sido significativa y se
rechazara la hiptesis nula.
f) Y, en que otro tipo de situacin experimental para su trabajo disciplinar, se
podra presentar este tipo de anlisis: Existen muchas situaciones en la Ingeniera
97
98
Apndice 4
Un equipo de ingenieros de alimentos y zootecnistas realiz un experimento, con
el fin de mejorar las condiciones de una dieta para semovientes, agregado dos
complementos alimenticios diferentes a sus ingredientes bsicos (cinco
porcentajes diferentes). Las distintas calidades del primero se indican con las
letras latinas y las del segundo por las letras griegas. Se suministra la dieta a los
animales clasificados de acuerdo con cinco pesos inciales (W1, W2, W3, W4, W5)
y cinco razas diferentes (R1,R2, R3, R4, R5). Los incrementos de peso logrado
por el tiempo del experimento se muestran en la tabla dada a continuacin,
especifique si es correcto el diseo seguido, de respuesta a las siguientes
inquietudes, realizando y desarrollando los clculos segn el caso.
99
100
FACTOR DE CORRECCION
FC: (X)2 / 25
FC: 185761/ 25
FC: 7430,44
SUMA DE LOS CUADRADOS TOTAL
SCTotal: 7881-7430,44
SCTotal: 450,56
SCHileras: 13,36
SCColumnas: 22,16
SCTratamientos: 350,56
SC4 Factor: 10,16
SCError: 54,32
Ft
FUENTES
GRADOS
DE
SC
CM
Fo
5%
1%
101
LIBERTAD
TRATAMIENTOS 4
COLUMNAS
4
4 Factor
4
HILERAS
4
ERROR
8
TOTAL
24
S=6,79/5 = 0.521.
Sd=2(6,79)/5 = 1,648.
350,56
22,16
10,16
13,36
54,32
450,56
87,64
5,54
2,54
3,34
6,79
12,90722
0,815906
0,37408
0,4919
3,84
3,84
3,84
3,84
7,01
7,01
7,01
7,01
102
CONCLUSIN
sig.
A-D
8.4
23.6
15.2
5.4781
Sig.
A-C
8.0
23.6
15.6
5.4781
Sig.
A-B
4.6
23.6
19.0
5.4781
No sig.
C-E
6.2
19.0
12.8
5.4781
Sig.
C-D
3.8
19.0
15.2
5.4781
No sig.
C-B
3.4
19.0
15.6
5.4781
No sig.
B-E
2.8
15.6
12.8
5.4781
No sig.
B-D
0.4
15.6
15.2
5.4781
No sig.
D-E
2.4
15.6
12.8
5.4781
No sig.
e) Consideras que los datos tomados son suficientes? O habra que tomar
datos adicionales?
Si porque con estos datos se pudo identificar diferencias significativas, y
determinar cul tratamiento causa variacin.
103
Apndice 5
Diseo factorial
Un ingeniero est interesado en el efecto de la velocidad de corte (A) en la dureza
de una pierna de bovino (tejido muscular y hueso) congelada instantneamente
por IQF (B) y el ngulo de corte (C) sobre la duracin del dispositivo utilizadosierra. Para lo cual el equipo de trabajo eligi dos niveles para cada factor y corri
dos rplicas en un diseo factorial 23. La tabla siguiente presenta los datos de
tiempo de duracin (en horas) de la herramienta.
104
COMBINACION
DE
TRATAMIENTOS
(1)
a
b
ab
c
ac
bc
abc
REPLICA
TOTAL
II
221
325
354
552
440
406
605
392
311
435
348
472
453
377
500
419
532
760
702
1024
893
783
1105
811
6610
Modelo estadstico
Donde,
: efecto medio general
li: efecto del i-simo nivel del factor A
j: efecto del j-simo nivel del factor B
k: efecto del k simo nivel del factor C
105
106
107
A=
1
[760-532+1024-702+783-893+811-1105]
4(2)
A=
1 [3378-3232]
8
A = 18.25
1 [b+ab+bc+abc-(1)-a-c-ac]
4n
B=
1
[702+1024+1105+811-532-760-893-783]
4(2)
B= 1
8
[3642-2968]
B= 84.25
1 [c+ac+bc+abc-(1)-a-b-ab]
4n
C=
1 [893+783+1105+811-532-760-702-1024]
4(2)
C=
1
8
[3592-3018]
C= 71.75
Efecto promedio de AB
AB=
1 [(1)-a-b+ab+c-ac-bc+abc]
4n
108
AB=
1 [532-760-702+1024+893-783-1105+811]
4(2)
AB=
1
8
[3260-3350]
AB= -11.25
Efecto promedio AC
AC=
1 [(1)-a+b-ab-c+ac-bc+abc]
4n
AC= 1
4(2)
[532-760+702-1024-893+783-1105+811]
AC=
[2828-3782]
1
8
AC= -119.25
Efecto promedio BC
BC=
BC=
1 [(1)+a-b-ab-c-ac+bc+abc]
4n
1 [532+760-702-1024-893-783+1105+811]
4(2)
BC=
1
8
[3208-3402]
BC=-24.25
ABC=
ABC=
1 [abc-bc-ac+c-ab+b+a-(1)]
4n
1 [811-1105-783+893-1024+702+760-532]
4(2)
1 [3166-3447]
8
109
ABC= -35.13
Contraste A = 146
Contraste B= 674
Contraste C= 574
Contraste AB= -90
110
Suma De Cuadrados
SSA= (contraste A)2
8n
SSA= (146)2
16
SSA = 1332.25
SSB= (contraste B)2
8n
SSB= (674)2
16
SSB = 28392.25
SSC= (contraste C)2
8n
SSC= (574)2
16
SSC= 20592.25
SSAB= (contraste AB)2
8n
SSAB= (-90)2
16
SSAB=506.25
111
SST= [(221)2+(311)2+(325)2+(435)2+(354)2+(348)2+(552)2+(472)2+(440)2+(453)2+(406)2+(377)2+(605)2
2
2
2
2
+(500) +(392) +(419) ] (6610)
16
112
SsE=
SSE = 19595.19
SSE: Tiene 8(n -1) grados de libertad; porque cada suma de los efectos
principales e interacciones tienen un grado de libertad cada una.
Media de cuadrados
= 1332.25 = 506.25
1x1
MSAC = SSA
(a-1)(c-1)
= 1332.25 = 56882.25
1x1
MSBC = SSA
(b-1)(c-1)
= 1332.25 = 2352.25
1x1
MSABC = SSA
(a-1)(b-1)(c-1)
MSE = SSA
abc(n-1)
= 1332.25 = 4935.06
1x1x1
= 1332.25 = 2449.39875
2x2x2(1)
DE
GRADOS
DE
SUMA
DE
CUADRADOS
VALOR DE F
VARIACION
LIBERTAD
CUADRADOS
MEDIOS
1332.25
1332.25
0.54
28392.25
28392.25
11.59
20592.25
20592.25
8.40
F CRTICA
(1,8,0.05)
5.32
114
506.25
506.25
0.20
AC
56882.25
56882.25
23.2
BC
2352.25
2352.25
0.96
ABC
4935.06
4935.06
2.01
ERROR
19595.19
2449.39875
TOTAL
15
134587.75
116
GLOSARIO
Anlisis de varianza: Es una tcnica estadstica que sirve para analizar la variacin
total de los resultados experimentales de un diseo en particular,
descomponindolo en fuentes de variacin independientes atribuibles a cada uno
de los efectos en que constituye el diseo experimental.
Anlisis multivariante: Cualquier tcnica estadstica diseada para medir la
influencia de varias variables independientes actuando simultneamente en ms
de una variable dependiente.
Bloque: conjunto de unidades experimentales lo ms homognea posible, en el
cual, aparecen todos los tratamientos una sola vez.
Diseo al azar: se usa cuando las unidades experimentales son homogneas, y la
variacin entre ellas es muy pequea.
Diseo de bloques: se presenta cuando se renen las unidades experimentales a
las cuales se les aplicaran los tratamientos, en bloques de cierto tamao, de tal
forma que los tratamientos se efecten dentro de cada bloque.
Diseo experimental: Plan general del procedimiento para llevar a
experimento en funcin de unos datos especficos deseados.
cabo un
117
Interaccin
moderada
Interaccin
fuerte
Interaccin
fuerte
118
119
Referencias
1. Bavaresco, A. (1979). Las tcnicas de la investigacin. Edit. Scott, Foresman &
Co. 4 edicin. Gienview, Illinois, USA. (1 Edicin: 1974).
2. Berenson, M., Levine, D. & Krehbiel, T. (2001). Estadstica para administracin.
Edit, Pearson, 2a Edicin, Mxico, 734p
3. Bicking, A.(s.f). Some Uses of statistics en the Planning of Experiments.
Industrial Quality Control, Vol. 10 No. 4.
4. Bunge, M. (1980). Ciencia y desarrollo. Edit. Siglo Veinte. Buenos Aires,
Argentina.
5. Christensen, H. (1990). Estadstica paso a paso. Edit Trillas. 5 Edic, Mxico.
682 p.
6. Cochran, W. & Cox, G. (2001). Diseos experimentales. Edit, Trillas, 5
reimpresion. Mexico, 661p.
7. Cox, D. (1978). Planning of Experiments. John Wiley and Sons, Inc. New York,
700p.
8. Dawson, B. & Trapp, R. (2002). Bioestadstica mdica. Edit, manual moderno. 3
Edicin. Mexco, 435p.
9. Hernndez, R. (2003). Metodologa de la investigacin. Edit Mac Graw hill.
Mexico, 692 p.
10. Hinkelmann, K. (1994). Design and analysis of experiments. Vol I, edit. John
Wiley & sons, inc.495 p.
11. Howard, B. (2004). Estadstica paso a paso. Edit, Trillas, 3 edicion.Mexico,
682p.
12. Kempthorne O. (1952). The Design and Analysis of Experiments. John Wiley
and Sons. New York, 420 p.
13. Kuehl, O. (2000). Diseo de experimentos. Thompson Learning, .2da edicin.
Mxico.
14. Mndez I. (1980). Lineamientos Generales para la planeacin de
Experimentos. Monografa No. 15, Vol. 15 IIMAS.
15. Montgomery, D. (1991). Diseo y anlisis de experimentos. Grupo editorial
Iberoamrica. 589 p.
120
121