Modulo 30156 2 Diseno Experimental

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES

CONTENIDO DIDCTICO DEL CUSO: 90001 METODOLOGA DE TRABAJO ACADMICO
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA
PROGRAMA DE INGENIERIA DE ALIMENTOS
30156 DISEO EXPERIMENTAL

CAMPO ELIAS RIAO LUNA
(Director Nacional)
FREDY JARAMILLO
Acreditador
BOGOT
Diciembre de 2011

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
Aspectos de Propiedad intelectual

El contenido didctico del curso acadmico ``Diseo Experimental``, fue diseado
inicialmente en el ao 2004 por el Ing. Qumico. MSc. Campo Elas Riao Luna,
docente de la UNAD, ubicado en la sede Jos Celestino Mutis.
Profesional que se ha desempeado como docente y tutor de la UNAD a partir del
2003, anteriormente trabajo como investigador cientfico II en CENICAFE.
De all que el mdulo trae ejemplos de trabajos de investigacin realizados por
estudiantes, docentes y el autor. Esta es la segunda actualizacin del mdulo, el
cual se ofrece con carcter estrictamente educativo. Razn por la cual se ha
recurrido a los conocimientos y experiencias de varios autores de textos regulares
sobre las temticas expuestas para tratar los temas ms relevantes en este primer
contacto con la investigacin programada. Se seleccionaron las temticas que se
consideraron importantes (amplio uso) para adelantar trabajos de investigacin en
ciencias agrarias, bsicas e ingeniera y les sirvan de punto de partida para tu
aprendizaje autnomo y profundizar en las temticas.
La versin del contenido didctico que actualmente se presenta tiene como
caractersticas:
1) Reorganizacin de los contenidos relacionados con las dos unidades y las
lecciones.
2) Repaso y verificacin de los conceptos tericos tratados.
Las temticas pueden ser actualizadas acorde con el desarrollo del curso. De
acontecer esto se informara oportunamente.

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.

Para la solucin numrica con software (es) estadsticos se ha programado el plan

de trabajo siguiente.
Plan de trabajos prcticos con el paquete estadstico Stat Graphics y/o SPSS
Laboratorio prctico 1.- Manejo de datos: organizacin, almacenamiento y

tratamiento.
Laboratorio prctico 2.- Estadstica descriptiva
Laboratorio prctico 3.- ANOVA. De una sola va, -diseo en bloque
aleatorizado, diseo de dos factores-diseo de tres factores- (cuadrados latinos)
Laboratorio prctico 4. Diseos factoriales 2k y 3 k
Laboratorio prctico 5. Anlisis de Regresin.
Key Word: ANOVA con Stat Graphics
1- http://e-stadistica.bio.ucm.es/disexp/guia_rapida_statgraphics.html

INDICE DE CONTENIDO
El contenido programtico para el curso de diseo experimental est en la

tabla 1.
Tabla 1. Contenidos temticos para el curso de diseo de experimental
UNIDADES DIDCTICAS
CAPITULOS
UNIDAD UNO: UTILIZACIN CAPTULO
1.
DE
LOS
MTODOS Introduccin Al Diseo
ESTADSTICOS
DE De Experimentos
CONTRASTE
EN
LA
EXPERIMENTACIN.
CAPTULO 2. Contraste
de
hiptesis
comparaciones simples
CAPTULO 3. Tipos de
diseo experimentales
UNIDAD DOS: DISEOS Captulo 4. Diseos

FACTORIALES y 2K
Factoriales Generales
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

Listado de figuras y tablas

Figura 1. Ronald Fisher
Figura 2. Mapa conceptual del diseo experimental
Figura 3. El proceso del diseo experimental
Figura 4. Portada del programa Statgraphics
Figura 5.Representacin de un experimento factorial
Figura 6.Un experimento factorial
Tabla 1. Contenidos temticos para el curso de diseo de experimental
Tabla 2. Ejemplo de un reporte del anlisis de varianza
Tabla 3. Tratamientos de experimento sobre fertilizacin
Tabla 4. Procedimiento estadstico para la comprobacin de hiptesis
Tabla 5. Anlisis de varianza para los tratamientos con un solo factor, en un
diseo totalmente aleatorizado o completamente al azar.
Tabla 6. Recopilacin y presentacin de los resultados de los tratamientos, en un
diseo de bloques completos al azar.
Tabla 8. Recopilacin y presentacin de los resultados de los tratamientos, en
cuadro latino.
Tabla 9. Arreglo de los resultados de los tratamientos, en cuadro latino.
Tabla 10. Arreglo de los resultados de los tratamientos, en cuadro Greco-Latino.
Tabla 11. ANOVA para el diseo de cuadro greco latino*
Tabla 12. ANOVA para el diseo factorial a x b
Tabla 13. Resultados del ensayo NOVA para el diseo factorial a x b
Tabla 14. ANOVA para el ejemplo de diseo factorial a x b
Tabla 15. Signos algebraicos para calcular los efectos en un diseo 22
Tabla 16. ANOVA para un diseo factorial 22
Tabla 17. Respuestas para el ejemplo de diseo factorial 22
Tabla 18. Matriz para el ejemplo de diseo factorial 22
Tabla 19. Anlisis de varianza para el ejemplo de diseo factorial 22
Tabla 20. Combinacin de los tratamientos para un diseo 23
Tabla 22. Calculo del Anlisis de varianza para un diseo factorial 23
Tabla 23. Datos de la viscosidad de la bebida desarrollada.
Tabla 24. Promedio y factores calculados para el ejemplo de la viscosidad
Tabla 25. Anlisis de la varianza para la viscosidad de la bebida desarrollada.
Tabla 26. Resultados estimados para los datos de viscosidad con la ecuacin de
regresin encontrada para el ejemplo anterior, utilizando el programa Stat
Graphics.
Tabla 27. Ecuaciones para el estimativo de una regresin lineal simple
Tabla 28. Grado de asociacin de los coeficientes de correlacin para un conjunto
de datos.
Tabla 29. Modelos de regresin lineal simple
Tabla 30. Transformaciones usadas para datos

El proceso del diseo experimental

El Diseo de Experimentos tuvo su inicio terico a partir de 1935 por Sir Ronald
A. Fisher, quin sent la base de la teora del Diseo Experimental y que a la
fecha se encuentra bastante desarrollada y ampliada. Actualmente las
aplicaciones son mltiples, especialmente en la investigacin de las ciencias
naturales, ingeniera, laboratorios y casi todas las ramas de las ciencias sociales.
La experimentacin proporciona los datos experimentales, en contraste con los
datos de la observacin; los datos de la observacin se representan como su
nombre indica por observaciones de las unidades elementales de una poblacin o
de una muestra, y no deben ser cambiados ni modificados por ningn intento de
parte de un investigador en el curso de la observacin.
Figura 1. Ronald Fisher

Red Semntica-Diseo Experimental
Figura 2. Mapa conceptual del diseo experimental

Contenidos Unidad 1
Nombre de la Unidad
UTILIZACIN DE LOS MTODOS ESTADSTICOS DE CONTRASTE

EN LA EXPERIMENTACIN
Introduccin
La experimentacin juega un papel fundamental en todos los campos

de la investigacin y el desarrollo. El objetivo de la experimentacin es
obtener informacin de calidad y confiable. Informacin que debe
permitir el desarrollo de nuevos productos y procesos, comprender
mejor un sistema y tomar decisiones sobre como optimizarlo adems el
de comprobar hiptesis cientficas, etc.
Obviamente la experimentacin se debe planificar (disear)
cuidadosamente para que proporcione la informacin buscada. Dicha
planificacin debe considerar dos aspectos importantes relacionados
con toda experimentacin.
El diseo de un experimento es la secuencia completa de los pasos
que se deben tomar de antemano, para planear y asegurar la
obtencin de toda la informacin relevante y adecuada al problema
bajo investigacin, la cual ser analizada estadsticamente para
obtener conclusiones vlidas y objetivas con respecto a los objetivos
planteados.
Un Diseo Experimental es una prueba o serie de pruebas en las
cuales existen cambios deliberados en las variables de entrada de un
proceso o sistema, de tal manera que sea posible observar e identificar
las causas de los cambios que se producen en la respuesta de salida.
Para responder al reto que le plantea su proyecto acadmico, la
Universidad, desde la perspectiva de ser abierta y a distancia, se ha
propuesto crear las condiciones que le permitan consolidar
cientficamente los currculos, con este propsito se ofrece el modulo
de diseo experimental de aplicacin a todas los programas de la
UNAD, con el fin de aprender a planificar de una manera razonable los
trabajos de grado y las diferentes investigaciones que se propongan,
reconfirmando las tcnicas necesarias para realizar con xito dicha
labor y sustentar objetivamente los resultados a travs de la
investigacin planificada.
Se pretende con este modulo y gua proporcionar y suministrar los
elementos, los conceptos y la informacin necesaria para el desarrollo
de las actividades a tener presentes para la planificacin y el desarrollo
de un proyecto de investigacin, con el fin de inducir a los docentes y
estudiantes en la aplicacin de estrategias que conduzcan al correcto
planteamiento, desarrollo y formulacin de actividades propias de la
investigacin con racionalizacin de los recursos asignados.
Justificacin
Intencionalidades
Formativas
10

CAPITULO 1: LA INVESTIGACIN Y EL DISEO EXPERIMENTAL

La experimentacin juega un papel fundamental en todos los campos de la
investigacin y el desarrollo. El objetivo de la experimentacin es obtener
informacin de calidad y confiable. Informacin que debe permitir el desarrollo de
nuevos productos y procesos, comprender mejor un sistema y tomar decisiones
sobre como optimizarlo adems el de comprobar hiptesis cientficas, etc.
Obviamente la experimentacin se debe planificar (disear) cuidadosamente para
que proporcione la informacin buscada. Dicha planificacin debe considerar dos
aspectos importantes relacionados con toda experimentacin.
El diseo de un experimento es la secuencia completa de los pasos que se deben
tomar de antemano, para planear y asegurar la obtencin de toda la informacin
relevante y adecuada al problema bajo investigacin, la cual ser analizada
estadsticamente para obtener conclusiones vlidas y objetivas con respecto a los
objetivos planteados.
Un Diseo Experimental es una prueba o serie de pruebas en las cuales existen
cambios deliberados en las variables de entrada de un proceso o sistema, de tal
manera que sea posible observar e identificar las causas de los cambios que se
producen en la respuesta de salida.
Esquema de un proceso o sistema experimental:
Figura 3. El proceso del diseo experimental
Revisemos el enlace: La estadstica, instrumento de investigacin cientfica.

Tomado
de
Tomado
de:
portalsej.jalisco.gob.mx/unidadesupn.../antonio_ramirez_ramirez.pdf. Con fines netamente educativos.
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

Experimento aleatorio. Actividad que tiene como resultado o que produce un

evento. Prueba donde existen dos o ms resultados posibles, y no se pude
anticipar cul de ellos va a ocurrir.
Tratamiento: Es un conjunto particular de condiciones experimentales definidas
por el investigador.
Son el conjunto de circunstancias creadas por el experimento, en respuesta a la
hiptesis de investigacin y son el centro de la misma.
Factor: Es un grupo especfico de tratamientos. (Ejemplo, Temperatura, humedad,
tipos de suelos, etc.).
Niveles Del Factor: Son diversas categoras de un factor. (Por ejemplo, los
niveles de temperatura son 20C, 30C, etc.). Un factor Cuantitativo tiene niveles
asociados con puntos ordenados en alguna escala de medicin, como
temperatura; mientras que los niveles de un factor cualitativo representan distintas
categoras o clasificaciones, como tipo de suelo, que no se puede acomodar
conforme a alguna magnitud.
Rplica: Son las repeticiones que se realizan del experimento bsico.
Unidad Experimental: Es el material experimental unitario que recibe la
aplicacin de un tratamiento.
Es la entidad fsica o el sujeto expuesto al tratamiento independientemente de las
otras unidades. La unidad experimental una vez expuesta al tratamiento constituye
una sola rplica del tratamiento.
Es el objeto o espacio al cual se aplica el tratamiento y donde se mide y analiza la
variable que se investiga.
Es el elemento que se est estudiando.
Unidad muestral: Es una fraccin de la unidad experimental que se utiliza para
medir el efecto de un tratamiento.
Error experimental: Es una medida de variacin que existe entre dos o ms
unidades experimentales, que han recibido la aplicacin de un mismo tratamiento
de manera idntica e independiente.
Factores Controlables: Son aquellos parmetros o caractersticas del producto o
proceso, para los cuales se prueban distintas variables o valores con el fin de
estudiar cmo influyen sobre los resultados.
13

Factores Incontrolables: Son aquellos parmetros o caractersticas del producto

o proceso, que es imposible de controlar al momento de desarrollar el
experimento.
Variabilidad Natural: es la variacin entre las unidades experimentales, que el
experimentador no puede controlar ni eliminar.
Variable Dependiente: es la variable que se desea examinar o estudiar en un
experimento. (Variable Respuesta).
Leccin 2: Tipos de tratamientos y errores experimentales

Los siguientes conceptos que se definen a continuacin se utilizarn en el
desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991), Padrn (1996) y de Kuehl (2001).
A continuacin se presentan ejemplos de tratamientos en algunas reas, tales
como:
Experimentaciones Agrcolas, un tratamiento puede referirse a:
Marca de Fertilizante.
Cantidad de Fertilizante.
Profundidad del Sembrado.
Variedad de Semilla.
Combinacin de Cantidad de Fertilizante y Profundidad de Sembrado; esto es
una combinacin de tratamientos.
etc.
Experimentaciones de Nutricin Animal, un tratamiento puede referirse a:
Cra de Ganado Lanar
Sexo de los Animales
Padre del Animal Experimental
Tipo de Alimento
14

Racin Particular de Alimento de un Animal.

Raza del Animal
etc.
Error Experimental: Es una medida de variacin que existe entre dos o ms
unidades experimentales, que han recibido la aplicacin de un mismo tratamiento
de manera idntica e independiente.
Factores Controlables: Son aquellos parmetros o caractersticas del producto o
proceso, para los cuales se prueban distintas variables o valores con el fin de
estudiar cmo influyen sobre los resultados.
Factores Incontrolables: Son aquellos parmetros o caractersticas del producto
o proceso, que es imposible de controlar al momento de desarrollar el
experimento.
Variabilidad Natural: es la variacin entre las unidades experimentales, que el
experimentador no puede controlar ni eliminar.
Variable Dependiente: es la variable que se desea examinar o estudiar en un
experimento. (Variable Respuesta).
Leccin 3: Principios bsicos en el diseo de experimentos

Acorde con Cochran & Cox (2001) los tres principios bsicos del Diseo de un
experimento son:
1. Replicacin (Obtencin de Rplicas).
Este principio se refiere al nmero de veces que se aplica un tratamiento a las
unidades experimentales. El cual tiene dos propiedades importantes, la primera
permite al experimentador obtener la estimacin del error experimental; esta
estimacin se convierte en la unidad bsica para determinar si las diferencias
observadas en los datos son estadsticamente significativas o para determinar la
amplitud de un intervalo de confianza, y la segunda permite al experimentador
calcular una estimacin ms precisa del efecto medio de cualquier factor en el
experimento, si se usa la media de la muestra, como una estimacin de dicho
efecto. Lo que significa que la varianza de la media de la muestra se define como
2y = / n; donde 2 es la varianza de los datos y n el nmero de rplicas.
15

La implicacin prctica de esto es que si el nmero de rplicas es pequea (n=1)

probablemente no se podra obtener inferencias satisfactorias con respecto al
efecto del tratamiento; es decir, que la diferencia observada podra ser resultado,
exclusivamente, del error experimental. El nmero de rplicas afecta la precisin
de las estimaciones de las medias de tratamientos y la potencia de las pruebas
estadsticas para detectar las diferencias entre las medias de los grupos en los
tratamientos. Pero puede ser muy costosa econmicamente la incorporacin de
una rplica en el Experimento.
Leccin 4: Las tcnicas utilizadas en el diseo de experimentos

Igualmente Cochran & Cox (2001) describen que las tcnicas que se deben utilizar
en un Diseo de experimento son:
El Bloqueo
El bloqueo proporciona control local del ambiente para reducir la variabilidad
natural. Las unidades experimentales se distribuyen en grupos de unidades
similares, con base en un factor o factores que se espera o se sabe que tienen
alguna relacin con la variable respuesta o con la medicin que se supone
responde de manera diferente a los diversos tratamientos.
Es decir, que consiste en la distribucin de las unidades experimentales en
bloques de tal manera que las unidades dentro de un bloque sean relativamente
homogneas; ya que unidades experimentales heterogneas producen valores
grandes en la varianza del error experimental, es as que la mayor parte de la
variacin predecible entre las unidades queda confundida con el efecto de los
bloques.
Los cuatro criterios que se usan con ms frecuencia para llevar a cabo el bloque
en las unidades experimentales son:
1) Proximidad (parcelas vecinas).
2) Caractersticas Fsicas (edad o peso).
3) Tiempo (Tiempo de desarrollo).
4) Administracin de tareas en el experimento.
Balanceo: Es el bloqueo y la asignacin de los tratamientos a las unidades
experimentales de modo que resulte una configuracin balanceada. La
comparacin precisa entre los tratamientos requiere la seleccin de unidades
experimentales uniformes para reducir el error experimental. La naturaleza del
16

experimento seala el equilibrio entre la variedad de las condiciones y la

uniformidad de las unidades experimentales. Por ejemplo, si se trata de un
experimento con vacas lecheras, la uniformidad de las unidades experimentales
requiere elegir vacas de la misma cra, en la misma etapa de lactancia y con un
nmero similar de lactancia.
Agrupamiento: Es la colocacin de un conjunto de unidades experimentales
homogneas en grupos, de modo que los diferentes grupos puedan sujetarse a
distintos tratamientos. Estos grupos pueden constar de diferente nmero de
unidades experimentales.
En los tres principios analizados anteriormente el objetivo principal es disminuir en
gran medida la Variabilidad Natural o error experimental, a continuacin se
presenta un ejemplo en el cual se evidencia este objetivo.
Ejemplo
Se hace una investigacin sobre el efecto de administrar 10 mg. de vitamina B12
por libra de racin a cerdos en crecimiento, se tomaron ocho lotes de seis cerdos,
cada uno tratados por pares. Los lotes se separaron por la administracin de
diferentes niveles de aureomicina. Se mide el aumento diario promedio del peso
de tres cerdos (libras).
Tratamientos
Unidades experimentales
Variable Respuesta
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.
Leccin 5: Control local, aleatorizacin y procedimiento para el diseo

experimental
Bicking (s.f), Cochran & Cox (2001) describen que 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.
Ejemplo: Se llev a cabo un experimento para determinar la eficacia de 6
fertilizantes de nitrgeno para una cierta variedad de maz. Se contaba con 24
parcelas experimentales.
17

Considerando que puede existir mucha variabilidad entre las parcelas

experimentales, se decidi usar un diseo de experimento que pudiera tener la
capacidad de controlar esta variabilidad. Cada uno de los seis fertilizantes fue
aplicado a cuatro parcelas experimentales, siguiendo el mtodo de aleatorizacin
del diseo utilizado y cada parcela experimental tena cinco surcos de plantas de
maz. Luego se obtuvo la cosecha de plantas, de cada una de las parcelas se
tomaron solamente tres surcos y fueron los centrales. Las plantas cosechadas se
llevaron al laboratorio para determinar el rendimiento por medio del peso de las
semillas, haciendo esto separadamente para cada una de las parcelas.
En el ejemplo planteado se puede observar:
Hay seis tratamientos que son los seis fertilizantes.
Hay veinticuatro unidades experimentales, que son las parcelas
experimentales.
La unidad muestral no es la totalidad de la unidad experimental sino
una parte de ella (las 4 parcelas).
El investigador toma la decisin de cosechar tres surcos centrales
en cada unidad experimental; ya que considera que de esta manera se
puede evitar cualquier efecto del fertilizante que se aplica a una parcela y
que pueda influir el resultado de las parcelas vecinas.
El nmero de rplicas es igual a cuatro por cada tratamiento.
Existe un control local ya que el investigador habr usado un diseo
(por ejemplo: El Diseo de Bloques Aleatorios; el cual se estudiara en el
detalle en la siguiente unidad programtica), que controla la variabilidad
entre las parcelas en el campo experimental.
La variable respuesta en este experimento es el rendimiento.
Forma de aleatorizar un experimento
1) Asignar nmeros a cada una de las parcelas experimentales de 1
a 24.
2) Elaborar cuadrados de papel con los mismos nmeros de las
parcelas (1 a 24) y luego colocarlos en un recipiente.
3) Sacar al azar una por una las tarjetas del recipiente.
4) Existen 6 tratamientos, que son los seis fertilizantes y como el
nmero de rplicas es igual a cuatro entonces los primeros cuatro nmeros
18

sacados que corresponden a las primeras cuatro parcelas sern asignadas

al fertilizante nmero uno.
5) Los segundos cuatro nmeros sacados que corresponden a las
segundas cuatro parcelas sern asignadas al fertilizante nmero dos.
6) Y as sucesivamente hasta obtener los ltimos cuatro nmeros
que corresponden a las cuatro parcelas que sern asignadas al fertilizante
nmero seis.
En general, un experimento de este tipo puede tener simultneamente otras
variables respuestas como por ejemplo: altura de plantas, grosor de las plantas,
determinacin del contenido de humedad de los granos, etc. Pero en el anlisis
del experimento el rendimiento es la variable de inters para el investigador.
A pesar de haber tomado todas las precauciones necesarias en la conduccin del
experimento, se podr decir que siempre existir el Error Experimental en
cualquier experimento, no importa que tan bien sea planteado y conducido el
experimento. Basta con observar y comparar los valores del rendimiento para dos
ms parcelas que han recibido la aplicacin de un mismo fertilizante. Estos
valores no sern iguales y por lo tanto el error experimental no es nulo y existe.
Algunas de las razones por las cuales puede surgir el Error Experimental en este
experimento son las siguientes:
1) Las parcelas experimentales en el campo deben tener variacin en la fertilidad
del suelo, textura del suelo, pH del suelo, pendiente, la cantidad de luz solar que
puede recibir cada planta, etc.
2) El nmero total de plantas por cada parcela podra no ser igual. Esto puede
ocurrir por defectos en la calidad de las semillas y el mtodo de siembra utilizado.
3) Puede existir prdida del material experimental cosechado que se lleva al
laboratorio para determinar el peso.
4) Puede existir limitacin y defectos en la mquina que se usa para determinar el
peso del material que se ha cosechado.
5) Puede existir variacin de criterios y tcnicas que usan diferentes personas que
han trabajado en la conduccin del experimento.
Control Local: Consiste en el uso de tcnicas de bloqueo, balanceo y
agrupamiento de las unidades experimentales para asegurar que el diseo usado
sea eficiente; ya que los objetivos de la mayora de los experimentos son las
comparaciones claras y exactas entre los tratamientos a travs de un conjunto
apropiado de condiciones. Estos objetivos requieren estimaciones precisas de las
19

medias y poderosas pruebas estadsticas, lo cual se puede obtener reduciendo la

varianza del error experimental. El uso adecuado del control local describe las
acciones que emplea un investigador para reducir o controlar la magnitud de la
estimacin del error experimental; incrementando la exactitud de las
observaciones y estableciendo la base de la inferencia del estudio.
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

Calcular una estadstica de muestra.
Recomendacin se debe hablar de "no rechazar" una hiptesis en lugar de

"aceptar", ya que las pruebas no son concluyentes.
Estadstico de prueba.
Una vez planteada la hiptesis, se toma una muestra aleatoria (o se obtienen
datos mediante un experimento planeado de acuerdo a la hiptesis de la poblacin
en estudio). El estadstico de prueba es un nmero calculado a partir de los datos
y la hiptesis nula, cuya magnitud permite discernir si se rechaza o se acepta la
hiptesis nula Ho Al conjunto de posibles valores del estadstico de prueba que
llevan a rechazar Ho,se le llama regin o intervalo de rechazo para la prueba, y a
los posibles valores donde no se rechaza Hl les llama regin o intervalo de
aceptacin.
Por ejemplo, para las hiptesis planteadas el estadstico de prueba est dado por
0.08 Zo = vlO.08 (1- 0.08) / n' Ecuacin 1
Anlisis de datos. (2, 3, 7 y varios autores)
El anlisis depende del nivel de medicin de las variables, de la manera como se
hayan formulado las hiptesis, el inters del investigador en el problema que est
investigando.
Podemos usar una serie de nmeros conocidos como estadstica sumaria para
describir las caractersticas del conjunto de datos. Dos de estas caractersticas
son de particular importancia para los responsables de tomar decisiones: la de
tendencia central y la de dispersin, entre los cuales tenemos la mediana, la
moda, medidas de tendencia central, desviacin media, la dispersin, sesgo en
curvas y graficas, curtosis, la media aritmtica, la mediana, la moda, la dispersin,
distribucin de frecuencias, histogramas, la varianza de una poblacin,
puntuaciones Z, razones y tazas, anlisis de varianza.
Ppruebas de hiptesis.
En general una prueba de hiptesis comienza con una teora o aseveracin
relativa a cierto parmetro de una poblacin para lo cual se definen dos hiptesis
conocidas como:
La Hiptesis nula Ho la cual es la hiptesis que se prueba siempre.
22

Y la Hiptesis alternativa H1 que se establece como el opuesto a la

hiptesis nula y representa la conclusin que se apoya si la hiptesis nula
se rechaza.
En lo que se conoce como metodologa de prueba de hiptesis clsica, se

recomiendan los siguientes puntos a tener en cuenta:
La Hiptesis nula Ho siempre se refiere a un valor especifico del parmetro

de poblacin (como ) , no al estadstico maestral ( como )
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.
Ejemplo y procedimiento a desarrollar para una prueba de hiptesis

propiamente dicha.
Una organizacin de consumidores esta interesada en determinar si existe
diferencia en el peso entre diferentes marcas de cajas de 500 gramos de cereales
para el desayuno, para lo cual acepta una varianza de 10 gramos.
Para el efecto el estudiante (de ser posible) recopilara 25 datos, los almacenara en
una tabla y los analizara; se aconseja trabajar con una significancia del 5%.
Los pasos a seguir para la prueba de hiptesis son los siguientes:
1. Establezca la hiptesis nula Ho. sta debe expresarse en trminos estadsticos.
Por ejemplo: Al probar si la cantidad promedio de llenado es 500 gramos, la
hiptesis nula asegura que ( ) es igual a 500gramos.
2. Establezca la hiptesis alternativa H1. Tambin debe expresarse en trminos
estadsticos.
Al probar si la cantidad promedio de llenado es de 500 gramos, la hiptesis
alternativa asegura que ( ) es inferior a 500 gramos.
3. Elija el nivel de significancia. ste se determina despus de tomar en cuenta los
riesgos especificados de cometer errores tipo I y tipo II en una situacin particular.
La compaa eligi = 0.05.
4. Elija el tamao de la muestra n. ste se determina despus de tomar en cuenta
los riesgos especificados de cometer errores tipo I y tipo II (es decir, los niveles
23

seleccionados de a y de considerar las restricciones de presupuesto al realizar el

estudio.
En este caso se pesaron 25 cajas de cereal seleccionadas al azar.
5. Determine la tcnica estadstica adecuada y la estadstica de prueba
correspondiente que se usar. Dado que si se conoce por que la compaa
especific que eran 15 gramos, se eligi una prueba Z.
6. Establezca los valores crticos que dividen las regiones de rechazo y no
rechazo. Una vez especificadas las hiptesis nula y alternativa y determinados el
nivel de significancia y el tamao de la muestra, se pueden encontrar los valores
crticos para la distribucin estadstica adecuada, de manera que se puedan
indicar las regiones de rechazo y no rechazo.
Para el caso se utilizaran los valores + 1.96 Y - 1 .96 para definir las regiones
porque el estadstico Z se refiere a la distribucin normal estndar.
7. Recopile los datos y calcule el valor muestral del estadstico de prueba
adecuado.
Realice una toma de datos (determinacin) y calcule la X media = ....... gramos,
entonces y obtenga el valor Z = + ...........
8. Determine si el estadstico de prueba est en la regin de rechazo o de no
rechazo. El valor calculado del estadstico de prueba se compara con los valores
crticos de la distribucin muestral apropiada para determinar en qu regin se
encuentra.
En este caso, Z= +...... est en la regin de rechazo o no rechazo porque - 1.96 <
Z == +.... < + 1 .96.
9. Tome una decisin estadstica. Si el estadstico d prueba est en la regin de
no rechazo, la hiptesis nula, Ho no se puede rechazar; si el estadstico de prueba
est en la regin de rechazo, la hiptesis nula se rechaza.
10. Exprese la decisin estadstica en trminos de una situacin particular.
De ser afirmativa la diferencia entre las cantidades, que accin correctiva
propondras y aplicaras?
Error experimental
En todo proceso experimental se presentan dos clases de variaciones: la variacin
inherente al material experimental, al que se aplican los tratamientos y la que
proviene de la falta de uniformidad en la realizacin fsica del experimento o
24

variaciones externas a la experimentacin (como las ambientales, etc) que tienden

a enmascarar el efecto de los tratamientos.
Para expresar estas variaciones ajenas a los tratamientos los estadsticos aplican
el trmino error experimental; trmino que no quiere decir equivocacin, sino que
incluye todo tipo de variacin externa ajena al material experimental.
Este error experimental es la medida de variacin que existe entre las
observaciones de unidades experimentales en el mismo tratamiento, es decir, la
variacin no proveniente de los tratamientos.
Para los fines de clculo en las ecuaciones se expresa con la letra
Errores tipo I y tipo II. (8)

Cuando se contrastan o se prueban las hiptesis se pueden cometer dos tipos de
errores por los siguientes motivos:
La prueba de hiptesis comienza con una suposicin, llamada hiptesis,
que hacemos con respecto a un parmetro de poblacin.
Despus recolectamos y clasificamos los datos, aplicamos la estadstica
seleccionada a las muestras y usamos esta informacin para decidir qu
tan probable es que sea correcto nuestro parmetro de poblacin acerca
del cual hicimos la hiptesis.
Debemos establecer el valor supuesto (hipotetizado) del parmetro de
poblacin antes de comenzar a tomar la muestra.
La suposicin que deseamos probar se conoce como hiptesis nula, y se
simboliza por H0.
Siempre que rechazamos la hiptesis, la conclusin que s aceptamos se
llama hiptesis alternativa y se simboliza por H1.
*** El rechazo de una hiptesis nula cuando es cierta se denomina error de tipo
I, y su probabilidad (que es tambin el nivel de significancia) se simboliza como
. ***
*** El hecho de aceptar una hiptesis nula cuando es falsa se denomina error
de tipo II, y su probabilidad se simboliza como . ***
La probabilidad de cometer un tipo de error puede reducirse slo si

deseamos incrementar la probabilidad de cometer el otro tipo de error.
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

Las modalidades ms recomendadas para disminuir el error son:

En toda marcha experimental que se realice se debe
a) Utilizar unidades experimentales muy uniformes, como materias primas
homogneas, procesos, densidad de muestras, etctera.
b) Tamao adecuado de la unidad experimental.
e) Eliminacin de la competencia entre tratamientos.
d) Distribucin adecuada de los tratamientos mediante sorteos (azar).
e) Usar el nmero adecuado de repeticiones para cada tratamiento.
f) Poner todos los tratamientos en igualdad de condiciones, de manera que si
alguno es superior a los dems, se pueda probar.
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

Leccin 3: Anlisis de varianza-ANDEVA

Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) el
anlisis de varianza fue ideado por Sir Ronald Fisher en 1925, de gran aplicacin
cuando en una investigacin se tiene el propsito de corrobar por medio del
anlisis estadstico los efectos de uno o ms factores sobre el comportamiento de
una caracterstica o variable dependiente.
El ANAVA (Analysis of variance) o Anova; 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, compara dos o
ms medias.
Esta tcnica tiene como objetivo identificar la importancia de los diferentes
factores tratamientos en estudio y determinar cmo interactan entre s.
El ANOVA es una prueba semejante a la prueba t de Student, en cuanto a la
prctica, pero la comparacin entre grupos no es a travs de la media y su
desviacin estndar, sino a travs de la varianza de la variable numrica y, en
cada grupo de la variable categrica x.
Bsicamente el anlisis de Varianza, se utiliza para corroborar si la significacin
de diferencias entre medias de dos o ms grupos, son o no debidas al azar.
La cifra estadstica obtenida con el ANOVA es la razn F.
F= Estimacin entre los tratamientos / Estimacin dentro de los tratamientos.
Suponiendo que se analizan 2 grupos, el ANAVA o el ANOVA, analiza las
variaciones entre los dos grupos (inter-grupal) y la compara con la variacin dentro
de cada grupo (intra-grupal), para obtener mediante una suma de cuadrados el
valor de F.
Si las diferencias de varianza entre cada grupo son mayores que las intragrupales, seguramente existen diferencias significativas entre los grupos que no
son debidas al azar.
Los grupos se definen como en la prueba t eligiendo una variable categrica. La
variable a analizar debe ser numrica y de distribucin simtrica.
Bases del anlisis de la varianza.
Los supuestos que validan el anlisis varianza son:
a. Los errores son independientes
28

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
Dentro del Error
N-k
SCE
SCE /(N-K)
Total
N-1
SCT
SCTotal / (KN
- 1)
p-valor
F
P (F>F0
)
K= Numero de tratamientos o niveles o grupos del factor de inters

N= Nmero total datos reportados
n = Nmero total de datos por grupo
Ejemplos de resolucin de ANAVAS o ANOVAS se realizaran en captulos
siguientes y apndices al final del mdulo.
Los grados de libertad son uno menos que el nmero de observaciones para cada
fuente de variacin.
Leccin 4: Prueba de diferencia significativa mnima (DSM) de Fisher

Diferencia mnima significativa (LSD). Es la diferencia mnima que debe haber
entre dos medias mustrales para poder considerar que dos tratamientos son
diferentes.
Discusin
Cuando para un diseo experimental se rechaza la hiptesis de igualdad entre los
tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre s.
Para averiguarlo se emplean los mtodos de comparacin de medias, uno de
estos mtodos (formulas) es el LSD o (DMS) o diferencia minina significativa. Esta
debe ser utilizada solo para comparar medias adyacentes en un arreglo ordenado,
aunque tambin se puede emplear para comparar las medias con un testigo o
tratamiento estndar.
La DMS es una prueba de t de Student que utiliza la varianza combinada.
30

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
Los valores acompaados por igual letra no presentan diferencias

estadsticamente significativas al 95% de confianza.
X1
X2
X3
X1
-
X2
1064 - 1838
-
X3
1064-1886
1838-1886
31

Leccin 5: Modelo estadstico

La finalidad de una serie de experimentos es determinar un modelo estadstico
que refleje la creencia respecto a la relacin entre los tratamientos y las
observaciones.
Cada resultado del experimento si este se repite n veces, est determinado por la
media general y el efecto del tratamiento.
La identificacin de este fenmeno y la comprobacin de las suposiciones se
hacen en el momento de proponerlo basndose en el siguiente modelo
matemtico:
Ecuacin 8
Modelo matemtico Ecuacin 9

En donde
i= 1,., k numero de tratamientos
j=1,., r nmero de repeticiones
u= promedio de todas las unidades experimentales del experimento = o segn el
caso.
i =
la diferencia entre el promedio ( i) y el resultado cuando se tiene la

combinacin de factores determinada por el tratamiento i.
Como hay variaciones no controlables, la inexactitud de las mediciones,
conforman un factor llamado error experimental (
).
El modelo finalmente se expresa como:
Ecuacin del Modelo estadstico 9
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

Por medio del anlisis de covarianza, se puede calcular el efecto de la bondad de

las raciones, eliminando la parte correspondiente a los pesos iniciales.
Recomendaciones
Al plantear un estudio estadstico, definir claramente la poblacin objeto de

anlisis.
Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
Especificar qu se va a medir, las unidades a usar y la forma de registro.
Ecuacin de Modelo estadstico 9
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


dependiente Y.
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?
Por medio del anlisis de covarianza, se puede calcular el efecto de la bondad de
las raciones, eliminando la parte correspondiente a los pesos iniciales.
Recomendaciones
Al plantear un estudio estadstico, definir claramente la poblacin objeto de

anlisis.
Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
Especificar qu se va a medir, las unidades a usar y la forma de registro.
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

1. Diseos para comparar dos o ms tratamientos.

2. Diseos para estudiar el efecto de varios factores sobre la(s) respuesta(s). 3.
Diseos para determinar el punto ptimo de operacin de un proceso.
4. Diseos para la optimizacin de una mezcla.
5. Diseos para hacer el producto insensible a factores no controlables.
Ejemplos de los anteriores son los que se van a tratar en este curso como los
citados a continuacin:
Diseo Completo al Azar, Diseo de Bloques Completos al azar, diseo de Cuadro
Latino, diseo de Cuadro Greco Latino, diseo factorial 2K, diseos factoriales 3K
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

Paradjicamente, el uso de la computadora ha generado nuevos problemas. Uno

de ellos es que se corre el riesgo de desarrollar anlisis que constituyen slo un
ejercicio de uso de software, sin dedicar el suficiente tiempo a analizar la
coherencia y lgica detrs de los mismos.
Algunos ejemplos son:
Determinar medias y desviaciones estndar de variables con escala

nominal, debido a que en la tabla de datos figuran cdigos numricos de las
distintas categoras.
Calcular la media y el desvo estndar de los nmeros que identifican cada
formulario.
Asignar un nmero a cada individuo segn el orden que ocupa, y concluir
que su distribucin es simtrica.
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

Adems, ayudan a cambiar el nfasis de los tradicionales "problemas de planteo"

a "estudios de casos".
En el desarrollo de "estudios de casos", el uso de la computadora implica dar
mayor importancia a temas que antes no se priorizaban. Cuando se fomenta a los
alumnos que desarrollen una investigacin donde deban recolectar datos, se
plantea el problema de cmo organizar luego la tabla de datos. Proponemos incluir
en los cursos un capitulo dedicado a la creacin de estas tablas.
De los programas adecuados para el manejo, el procesamiento y anlisis de datos
citamos los siguientes:
EXCELL, SPS, MINITAB, SAS, STATISTICAL, STATGRAPHICS, CURVE
EXPERT; etc. sin embargo con la utilizacin de una calculadora tambin es
posible la realizacin de la gran mayora de las operaciones involucradas en el
procesamiento de los datos.
Figura 4. Portada del programa Statgraphics

* Se le asigna el nombre de hoja de clculo a un hoja que esta divida en renglones
y columnas, al cruce de ellos se le denomina celdas sobre las cuales se almacena
informacin (letras o nmeros) que podemos usar para realizar operaciones, tales
como sumas, restas, multiplicaciones, divisiones, clculos financieros,
estadsticos, de ingeniera, amortizaciones, etc.
Revisar los enlaces de Apendices 1_Repaso a la estadistica en la
pgina del curso.
38

Leccin 2: Diseos unifactoriales

De Montgomery (1991) y Cochran & Cox (2001) extractanos que:
Los experimentos de una variable se realizan para averiguar cmo una variable
experimental afecta una o ms variables de respuesta. En este tipo de
experimentos, los tratamientos son simplemente niveles seleccionados de la
variable experimental.
Dependiendo de la variable experimental seleccionada, los tratamientos pueden
diferir ya sea cualitativa o cuantitativamente.
Dise de experimentos sin bloquear.
A estos experimentos algunos autores (Montgomery, 1991 y Cochran & Cox,
2001) los denominan diseo totalmente aleatorizado o completamente al azar, es
el diseo ms simple y se usa cuando las unidades experimentales son
homogneas, tienen las mismas posibilidades de recibir cualquier tratamiento y la
variacin entre ellas es muy pequea.
Como en los experimentos de laboratorio, de invernadero en experimentos en
donde las condiciones ambientales son controladas, en algunos casos este diseo
necesita solo una replica con un solo criterio de clasificacin.
Por lo tanto:
1. Es fcil de planear.
2. Es flexible en cuanto al nmero de tratamientos y repeticiones, el lmite est
dado por el nmero de unidades experimentales en general.
3. No es necesario que el nmero de tratamientos sea igual al nmero de
repeticiones.
4. No se estiman unidades o muestras perdidas.
5. El nmero de grados de libertad para el error aumenta por no tener muchas
restricciones.
Las desventajas del diseo completamente al azar son:
No es eficiente con material experimental heterogneo.
Puesto que no existen restricciones en cuanto a la aleatoriedad, el error
experimental incluye la variacin total entre unidades experimentales.
39

El anlisis de varianza para el diseo completamente al azar se muestra

en las tablas 25 y 26.
Procedimiento estadstico para la comprobacin de hiptesis en un diseo al

azar.
El procedimiento a seguir es comn y debe ser acorde con lo planteado en la
siguiente tabla.
Tabla 4. Procedimiento estadstico para la comprobacin de hiptesis
INFORMACION RECOPILADA SOBRE

RESPUESTA A LOS TRATAMIENTOS
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
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 )
k= Numero de tratamientos o niveles o grupos del factor de inters

N= Nmero total de datos reportados
n = Numero total por grupo
El procedimiento consiste en calcular la suma del cuadrado de los tratamientos, la
suma de los cuadrados totales y por diferencia la suma de cuadrados del error.
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.
Leccin 3: Diseos de bloques completos al azar

El objetivo del diseo de bloques completos al azar (DBCA) es reunir las unidades
experimentales a las cuales se aplicaran los tratamientos, en bloques de cierto
tamao, de tal modo que los tratamientos se efecten dentro de cada bloque, la
variabilidad entre unidades experimentales de bloques diferentes ser mayor que
entre unidades del mismo bloque, como consecuencia, las diferencias
encontradas entre unidades se deben principalmente a la discrepancia entre
tratamientos. La disparidad que no se deba tratamiento, se elimina por el diseo y
forma parte del error experimental. De acuerdo con esto, es fcil observar que la
variabilidad entre bloques no afecta las diferencias entre medias de tratamientos,
41

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

Procedimiento estadstico para la comprobacin de hiptesis en un diseo

de bloques completos al azar.
El procedimiento a seguir es comn y debe ser acorde con lo planteado en la
siguiente tabla.
diseo de bloques completos al azar.
BLOQUES
Tratam B1
B2
B3
B4
Y i.
r1
XT1B1
XT1B2
XT1B3
XT1B4
r2
XT2B1
XT2B2
XT2B3
XT2B4
r3
XT3B1
XT3B2
XT3B3
XT3B4
r4
XT4B1
XT4B2
XT4B3
XT4B4
Y.j
B1
B2
B3
B4
ANOVA para un diseo en bloques completos al azar (DBCA) (Varios autores)

La metodologa de anlisis a emplear es el ANOVA a dos criterios de clasificacin.
En este caso, el anlisis de varianza particiona la variabilidad total de la
informacin en tres componentes: una primera debida al efecto de los tratamientos
(Suma de Cuadrados Entre Tratamientos), la segunda a efecto de los bloques
(Suma de Cuadrados de Bloques), y finalmente el Error Experimental (Suma de
Cuadrados del Error = S.C. del error).
En la misma forma se particionan los grados de libertad.
El rechazo o no de la hiptesis nula depende del valor del estadstico F:
F = (S. C. de Tratamientos / t - 1) / (S. C. del Error / (t - 1) (r - 1)) Ecuacin 10
Comparacin de medias de tratamiento en el diseo de bloques completos al
azar (BCA)
Cuando para este diseo se rechaza la hiptesis de igualdad entre los
tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre s.
Para averiguarlo se emplean los mtodos de comparacin de medias, uno de
estos mtodos (formulas) es el LSD diferencia mnima significativa (Ecuacin 9) en
donde se sustituye el numero de replicas por el numero de bloques, y tambin se
deben cambiar los grados de libertad del error en el caso de bloques esta dado
por (b-1)(tratam-1).
Para K tratamientos se tienen un total de k(k-1)/2 pares de medias.
43

K=tratamientos b= bloques N = Total de experiencias n= numero de observaciones

para cada tratamiento.
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
de los resultados de los tratamientos, en

A
B
C
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]->
La eleccin del cuadro latino se realiza antes de la obtencin de los datos.
45

Procedimiento estadstico para la comprobacin de hiptesis en un diseo de

bloques en cuadro latino.
Ver apndice 3.
Leccin5. Diseo en cuadro greco latino
Cuando se tiene un cuarto factor de bloque a controlar activamente en el diseo
de cuadro latino como por ejemplo si en el ejercicio del numeral 1.19.5 se decide
considerar el sitio de realizacin del experimento o la procedencia de un
ingrediente para el producto considerado.
Este diseo se denomina cuadro greco latino (DCGL), en el cual los niveles de el
nuevo factor se denotan por las letras griegas a; representndose los tratamiento
con las letras latinas A, B, C y D.
En el diseo en cuadrado greco-latino se superponen dos cuadrados latinos,
resultando el siguiente modelo matemtico:
Yijl i j l k ijl
i= 1,., l
j=1,., b
Ecuacin 12
numero de tratamientos
numero de bloques
i = efecto debido al bloque 1

j = efecto debido al bloque 2
l = efecto debido al tratamiento

l
cto debido al tratamiento 2
l , , ,
El inconveniente de este modelo es que su utilizacin es muy restrictiva. Adems

pueden no existir cuadrados greco latinos de determinadas condiciones.
Formacin y tabulacin de los datos experimentales en un cuadrado greco
latino.
Tabla 10. Arreglo de los resultados de los tratamientos, en cuadro Greco-Latino.

BLOQUES II
Y ..k
46

1
BLOQUES I
Y i..
3
4
.
Yi
A=Yl1l B=Y2 C=Y331 D=Y44

11
B=Y21
2
D=Y43
2
B
2
C=Y313 C=Y3
=Y443
22
A
D=Y41
D=Y =Y533
A=Y54
4
42
A=Y1 B=Y23f
2f
F=YjJ1
A=Y1j2
B=Y2j3
C=Y3j4
C=Y34f
J=YJjf
Yl
Procedimiento estadstico para la comprobacin de hiptesis en un diseo

de bloques en cuadro greco latino.
El procedimiento a seguir esta planteado en el apndice 4.
ANAVA para el diseo grecolatino.
Tabla 11. ANOVA para el diseo de cuadro greco latino*
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
P(F > Fa)
k-1
CMcolumn
F colmn=
P(F > Fa)
CMcolumn/CM
47

Er
Tratamientos
Letra griega
SCtratgiega
k-1
Error
SCE
(k - 2)(k -1)
Total
SCT
k2 - 1
CMtaratgriega
Ftratlgrieg=CM
P (F >
Fa
taratgriega
CMErr
*Tomado de Gutierrez, H, et all. Anlisis de experimentos. Captulo Cuatro 132

SCT = SCtrat + SCBl + SCB2 + SCE
Ecuacin 13
y los grados de libertad correspondientes son

k2 -1 = (k -1) + (k -1) + (k -1) + (k - 2)(k -1) Ecuacin 14
48

UNIDAD DOS: DISEOS FACTORIALES y 2K

Captulo 4. Diseos Factoriales Generales
En ingeniera muchos de los experimentos se llevan a cabo para estudiar los
efectos producidos por dos o ms factores.
El desplazamiento de estos dentro de un dominio experimental es costoso adems
las limitaciones de tiempo obligan al experimentador a ejecutar slo los
experimentos imprescindibles.
Razn por la cual los experimentadores y matemticos idearon los diesos
experimentales factoriales.
Leccin 1: Definiciones bsicas diseo factorial.

Los diseos experimentales permiten variar simultneamente varios factores pero
evitndose que se vaya en la misma direccin. Y se complementan de tal modo
que la informacin buscada se obtiene combinando las respuestas de todos ellos.
El efecto de un factor se define como el cambio en respuesta producido por un
cambio en el nivel del factor. En algunos experimentos podemos encontrar que la
diferencia en respuesta entre los niveles de un factor no es la misma en todos los
niveles del otro factor.
Cuando esto ocurre se dice que hay iteracin entre los factores.
En un experimento factorial se analizan todas las posibles combinaciones de los
niveles de los factores en cada rplica del experimento. Por ejemplo, si el factor A
tiene a niveles y el factor B tiene b niveles entonces cada replica tiene ab
combinaciones posibles como muestra la figura 1.
Arreglo factorial
El conjunto de experimentos individuales o tratamientos que se forman al
considerar las posibilidades de combinacin para este diseo factorial es el
mostrado en las figuras QQQQ:
Leccin 2: Experimento factorial o mover un factor a la vez

Investigadores de todos los campos llevan a cabo experimentos con la finalidad
49

de descubrir algo acerca de un proceso o sistema particular.- un experimento es

una prueba. El diseo experimental se define como una prueba o una serie de
pruebas en las que se hacen cambios deliberados en las variables de entrada de
un proceso o sistema para observar e identificar las razones de los cambios que
pudieran observarse en la respuesta de salida (Montgomery, 2003).
El ms sencillo de los enfoques experimentales es cuando se investiga sobre un

solo factor- este evala el efecto de un parmetro mientras lo dems se mantiene
constantes-cuando hay varios factores.
Este enfoque requiere de amplios conocimientos tcnicos sobre lo que se va a
analizar adems de tener experiencia prctica.
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

Leccin 3: Diseo factorial con dos factores A X B

Existe otro enfoque para trabajar con varios factores por medio de
experimentacin factorial. Esta estrategia consiste en variar los factores en
conjunto, en lugar de uno a la vez.
En el diseo se usan todas las combinaciones de los niveles de los factores. Por
ejemplo, un diseo factorial AxB es un diseo de dos factores, cada uno con dos
niveles (Montgomery,2003). Ver figura Q
Figura 5.Representacin de un experimento factorial
Figura 6.Un experimento factorial

51

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
Hiptesis que se prueban con la tcnica de anlisis de varianza (conocida).

Procedimiento estadstico para la comprobacin de una hiptesis en un
diseo factorial
El anlisis de varianza se calcula de una manera similar a los primeros numerales
del presente capitulo.
La ecuacin fundamental de ANOVA est dada por la suma de los cuadrados y se
expresa de la siguiente manera teniendo el factor A con a niveles y el factor B con
b niveles:
52

Calculo de la suma de cuadrados del error.

SSCT = SSCA+ SSCB + SSCAB + SSCE Ecuacin 15
Calculo de la suma de cuadrados del error
SSCE= SSCT - SSCA-SSCB - SSCAB
Ecuacin 16
Suma de cuadrados totales:
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)
Modelo estadstico para un diseo factorial

Cualquier observacin en el diseo factorial se puede representar por el modelo;
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
Leccin 4. Ventajas y desventajas de los Experimentos Factoriales

Podemos resaltar entre varias las siguientes:
54

1. Economa en el material experimental pues se obtiene informacin sobre

varios factores sin incrementar el tamao del experimento.
2. Permiten el estudio de la interaccin, o sea determinan el grado y la forma
en la cual se modifica el efecto de un factor por los niveles de otro factor
Desventajas de los diseos factoriales
Una desventaja de los experimentos factoriales es que requieren un gran nmero
de tratamientos, especialmente cuando se tienen muchos factores o muchos
niveles de un mismo factor. Este hecho tiene los siguientes efectos:
1. Si se desea usar bloques completos es difcil encontrar grupos de unidades
experimentales homogneas para aplicar todos los tratamientos.
2. Se aumenta el costo del experimento al tener muchas unidades
experimentales; esto se minimiza usando factoriales fraccionados donde se
prueba una sola parte de todo el conjunto de tratamientos.
Los experimentos factoriales se pueden ejecutar bajo cualquier tipo de diseo de
control de error o un sub muestreo o con covariables.
En este modulo slo se presentaran anlisis de experimentos factoriales de dos
factores bajo un DCA y o DBCA.
Leccin 5. Ejemplo de un diseo factorial solucionado con Stat Graphics

Se corre un diseo factorial 3x2 con 2 replicas para investigar el encogimiento de
un producto despus del proceso de estandarizado.
Los factores investigados son. A: Temperatura de la bodega de almacenamiento (
tres niveles, T1, T2 y T3) y contenido del preservante (material de curado) a dos
niveles, B1 y B2. Los datos obtenidos se muestran en la tabla siguiente:
Hiptesis de investigacin: la temperatura y los aditamentos influyen en

el tamao final del producto.
Diseo del experimento: una masa bien homognea para la confeccin

del producto se dividen en seis porciones iguales y a cada una de ellas se
les mezcla el porcentaje del ingrediente seleccionado.
Tabla 13. Resultados del ensayo NOVA para el diseo factorial a x b
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
** Elabore el ANAVA para este proceso y socialcelo con los compaeros en el

grupo de curso.
Stat Graphics
Diligenciamos la tabla QQQ zamos la suma por fila y por columnas para facilidad
de los clculos.
Calculando la suma de cuadrados de los efectos
SSCT , SSCA, , SSCB , SSCAB
Tabla 14. ANOVA para el ejemplo de diseo factorial a x b
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
Fo
p-value
Ecuac
Ecuac
Ecuac
Ecuac
EFECTOA
EFECTOB
EFECTOAB
Error
Total
* Que conclusiones sacaras?
56

U-2- Capitulo dos: Diseos Factoriales 2K

Leccin 1: Codificacin de variables
La codificacin consiste en asignar valores numricos o alfanumricos (cdigos) a
cada una de las variables con el fin de facilitar el tratamiento de los datos.
Los niveles de los factores para el diseo factorial se pueden codificar con los
smbolos +1 ( nivel superior) y -1 ( nivel inferior); para proporcionar un marco de
trabajo uniforme y apropiado para investigar los efectos de los factores (variables)
en cualquier regin experimental en la que los valores reales de los factores
dependen de la diferencia entre los valores altos y bajos.
Ecuacin 24
Diferencia = (X M Xn) Ecuacin 65
(X M Xn) = diferencia entre los valores mximo y mnimo.
= el valor en el experimento
= el valor medio en el experimento
Leccin 2: Diseo factorial 2K

Definiciones
Los diseos factoriales 2k son diseos en los que se trabaja con k factores, todos
ellos con dos niveles (se suelen denotar + y -). Estos diseos son adecuados para
tratar el tipo de problemas descritos porque permiten trabajar con un nmero
elevado de factores y son vlidos para estrategias secuenciales.
En este diseo se consideran solo dos factores, A y B, cada uno con dos niveles.
Se acostumbra denominar el nivel inferior de los factores como -1 o tambin A1
57

Y el nivel inferior por 1 o tambin A2.

Es la estrategia ms adecuada para conocer simultneamente qu efecto tienen k
factores sobre una respuesta y descubrir si interaccionan entre ellos.
Para la notacin utilizada k = numero de factores.
Y 2 (bse) es el nmero de niveles seleccionados.
Las interacciones suelen ser muy corrientes y a veces son los efectos ms
importantes, por lo que conocerlas es imprescindible para comprender el
comportamiento de muchos sistemas.
ste describe los experimentos ms adecuados para conocer simultneamente
qu efecto tienen k factores sobre una respuesta y descubrir si interaccionan entre
ellos.
Al no haber factores correlacionados se evitan experimentos redundantes.
Adems, los experimentos se complementan de tal modo que la informacin
buscada se obtiene combinando las respuestas de todos ellos.
Efecto de un factor en un diseo 22

La influencia que tiene un factor sobre la variable de respuesta como el cambio en
la respuesta cuando un factor cambia de su nivel inferior a su nivel superior,
promediado sobre los dems factores.
Procedimiento
Calculo del efecto de un factor en un diseo 22
La influencia que tiene un factor sobre la variable de respuesta como el cambio en
la respuesta cuando un factor cambia de su nivel inferior a su nivel superior,
promediado sobre los dems factores
PRUEBA
AXB
Combinacin
REPETICIONES
PROMEDIO
de los
tratamientos
1
2
3
+
-
+
-
Y
1
Y
2
Y
..
Y
n
(1)
a
b
58

4
ab
a) El efecto promedio de A es definido como:

A = 1/2n {[ab-b]+[a-(1)]}
A = 1/2n [ab + a b -(1)] Ecuacin 25
b) El efecto promedio de B es definido como:
B = 1/2n {[ab-a]+[b-(1)]}
B = 1/2n {[ab + b a - (1)]} Ecuacin 26
c) El efecto de interaccin de AB es definido como:
AB = 1/2n {[ab-b]-[a-(1)]}
AB = 1/2n [ab + (1)-a-b] Ecuacin 27
n = nmero de repeticiones o replicas
d) la suma de cuadrados de los efectos se calcula a partir de los contrastes y se
definen como:
SS= [Efecto]2[2k-2]n Ecuacin 28
Tambin puede ser calculada
d1) Para el factor A este se calcula con:
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
Ejemplo de un diseo experimental factorial 22

Los pasos a seguir en la resolucin de un ejercicio o situacin de ingeniera en
donde se aplique un diseo experimental son los siguientes:
1- Planteamiento del problema
Se quiere comprobar el rendimiento de una reaccin con un nuevo catalizador.
Por tanto, se pretende determinar en qu grado la temperatura y el tiempo influyen
en el rendimiento de reaccin y cmo este se puede variar para mejorarlo.
2- Factores y dominio experimental
Para lo cual acorde con la experiencia previa, la revisin bibliografa o las
necesidades de la experimentacin (criterios de rentabilidad, limitaciones
60

experimentales), se debe escoger qu factores interesa estudiar y qu valores

pueden tomar (el dominio experimental).
La tabla 35 muestra los dos factores escogidos. Como ambos factores son
continuos, su dominio experimental se expresa con los valores mximo y mnimo
que pueden tomar.
Para lo cual se acord que el tiempo de reaccin no debera ser inferior a 8 horas
para que el proceso fuera rentable, y superior a 6 horas para asegurar un buen
rendimiento; adems el rango de temperatura de trabajo debe ser superior a los
(40C) pero sin exceder los 80C.
La tabla 35 tambin muestra la notacin codificada ms habitual para factores
continuos: se asigna el valor 1 al extremo inferior del dominio experimental y el
valor +1 al extremo superior 2.
Para simplificar a menudo slo se indican y +.
Es necesario definir la correspondencia entre variables reales y codificadas porque
el diseo de experimentos describe la experimentacin ptima empleando
variables codificadas (X1, X2,...) sin dimensin. De este modo las herramientas
matemticas y estadsticas son generales y se pueden aplicar a cada problema
concreto.
La experimentacin ms econmica (mnimo nmero de experimentos) es aquella
en la que cada factor toma slo dos valores (niveles). Y la que proporcionar la
informacin con menor incertidumbre es aquella en la que estos valores son los
extremos del dominio experimental, 1 y +1.
Esta misma tabla 17 muestra la matriz de experimentos que se obtiene
combinando los dos niveles de los dos factores. Cada fila es un experimento y
cada columna es un factor estudiado.
Tabla 17. Respuestas para el ejemplo de diseo factorial 22
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

Tabla 18. Matriz para el ejemplo de diseo factorial 22

PRUEBA
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 = 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)
Leccin 3: Diseos factoriales 23

Definiciones
Diseo factorial de tres factores con dos niveles cada uno.
Un diseo factorial de 23 involucra a tres factores A,B,C, todos con dos niveles sus
combinaciones se muestran en la tabla siguiente.
Si tenemos un factorial con 3 factores cada uno con 2 niveles, las posibles
combinaciones de este experimento forman los vrtices de un cubo como se
muestra en la figura 5.
Al variar un factor a la vez solo se pueden explorar la mitad de las posibles
combinaciones.
En la figura 4 podemos notar los espacios vacos de las combinaciones sin
explorar.
Efecto de un factor en un diseo 23
Es la influencia que tiene un factor sobre la variable de respuesta (cambio en la
respuesta) cuando un factor cambia de su nivel inferior a su nivel superior,
promediado sobre los dems factores.
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

2
+
+
+
+
+
+
+
+
+
+
+
+
+
b
ab
c
ac
bc
abc
Tabla 21. Signos algebraicos para calcular los efectos en un diseo 2 3
COMBINACIN DE LOS
TRATAMIENTOS
EFECTO FACTORIAL
(1)
a
b
ab
c
ac
bc
abc
+
+
+
+
+
+
+
+
AXB
AXC
BXC
AXBXC
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
a) El efecto promedio de A es definido como: a b ab c ac bc abc

A = 1/2n{[-(1)+a -b+ab-c+ac-bc+abc]} Ecuacin 34
A = 1/2n[ a+ab+abc b - bc -(1)] Ecuacin 35
B = 1/2n{[-(1)-a+b+ab-c-ac+bc+abc]}
B = 1/2n{[ ab + b+bc+abc a-c-ac - (1)]} Ecuacin 36
c) El efecto de interaccion de AB es definido como:
AB = 1/2n{[(1)-a-b+ab+c-ac-bc+abc]}
64

AB = 1/2n{[(1) +abc+ab+c -a-b-ac-bc]} Ecuacin 37

n = numero de repeticiones o replicas
d) El efecto de interaccion de AC es definido como:

AC = 1/2n{[(1)-a+b-ab-c+ac-bc+abc]}
AC = 1/2n{[(1) +b+ac+abc a -ab-c-bc]} Ecuacin 38
e) El efecto de interaccion de ABC es definido como:
ABC = 1/2n{[(-1)+a+b-ab+c-ac-bc+abc]}
ABC = 1/2n{[ a +b+c+abc (1) -ab-ac-bc]} Ecuacin 39
f) la suma de cuadrados es definida como:
SS= [Efecto]2[2k-2]n Ecuacin 40
Tambin pueden ser calculados.
Calculo de la suma de cuadrados totales
Ecuacin 98.1
g) Calculo de la suma de cuadrados del error.
SSE= SST-SSA-SSB-SSAB Ecuacin 41
h) Analisis de residuos
Ecuacin 42
Anlisis de varianza para un diseo factorial 23

Tabla 22. Calculo del Anlisis de varianza para un diseo factorial 23
65

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
Leccin 4. Solucin de un diseo factorial 23 con Stat Graphics

En una empresa productora de bebidas achocolatadas ha tenido problemas con la
viscosidad de cierta bebida de chocolate. Se cree que tres ingredientes que se
agregan en pequeas cantidades son con los que se puede resolver este
66

problema, por lo que es necesario explorar la situacin; para ello se corre un

experimento 23 con dos rplicas. Con los resultados obtenidos:
Tabla 23. Datos de la viscosidad de la bebida desarrollada.
INGREDIENTE INGREDIENTE
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
Tabla 24. Promedio y factores calculados para el ejemplo de la viscosidad

Promedio
Factor A
Factor B
Factor C
Factor AB
Factor AC
Factor BC
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
Tabla 25. Anlisis de la varianza para la viscosidad de la bebida desarrollada.
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
La ecuacin ajustada para el modelo es

VISCOSIDAD = 15,6621 + 0,125129*Factor_A + 0,525302*Factor_B +
1,46273*Factor_C + 0,262307*Factor_A*Factor_B Estando los valores de las variables especificados en su forma original.
0,049982*Factor_A*Factor_C +
0,349848*Factor_B*Factor_C.
Ecuacin 37.
R-cuadrado (ajustado para los grados de libertad) = 12,4516 porciento

Error estandar = 1,73255
Media absoluta del error = 0,61255
Tabla 45. Valores para el r2, el error estndar para el ejemplo de la viscosidad de
la bebida desarrollada.
El valor estadstico de R2indica que el modelo ajustado explica el 87,4931% de la
variabilidad de la viscosidad, es mas apropiado para comparar modelos con
diferente numero de variables independientes es de 12,455%
El estimativo del error estndar muestra que la desviacin estndar del error de
los residuos es de 1,73255.
68

La media absoluta de error (MAE) fue de 0,61255 el cual es el valor promedio de

los residuos.
Tabla 26. Resultados estimados para los datos de viscosidad con la ecuacin de
regresin encontrada para el ejemplo anterior, utilizando el programa Stat
Graphics.
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

Leccin 5. Otros diseos experimentales y diseo de parcelas divididas

Para la temtica se consultaron a Padrn, 1996; Montgomery, 2000 y Gil, 2001.
El diseo experimental de parcelas divididas es un factorial conducido de tal
manera que la unidad experimental con respecto a uno o ms factores es una
subunidad de la unidad experimental con respecto a otros factores. Los
experimentos con parcelas divididas son frecuentemente usados por necesidad
cuando un factor debe ser aplicado a una unidad experimental extensa, mientras
que otros factores son ms apropiados aplicarlos a las subunidades-provenientes
de la primera. Tambin este diseo es utilizado por la conveniencia o facilidad de
aplicar diferentes factores a diferentes unidades con tamaos distintos. El diseo
de parcelas divididas tambin puede ser usado para incrementar la precisin del
efecto estimado por la aplicacin de un factor a las subunidades.
En este diseo se utilizan bloques, un mismo conjunto de tratamientos entran en
cada bloque, y ese conjunto da origen a otro conjunto de tratamientos. El primer
conjunto se le denomina tratamientos principales o parcelas completas o parcelas
principales, el segundo conjunto se le denomina tratamientos secundarios o
subparcelas o parcelas divididas. Es un diseo comnmente utilizado cuando se
tienen partes grandes de cierta materia prima (parcela principal) y cada parte
grande se divide en partes pequeas (subparcelas). El trmino tiene antecedentes
agrcolas porque las parcelas grandes eran grandes extensiones de tierra y las
parcelas pequeas eran pequeas reas de tierra. Los bloques generalmente
corresponden a repeticiones del experimento o a distintos entornos para llevarlo a
cabo.
Este estudio requiere de modelos de anlisis de varianza con dos o ms tipos de
errores experimentales y modelos de regresin. En muchos casos, estos
procedimientos modificados producen los resultados apropiados. Sin embargo,
estos mtodos son frecuentemente incmodos y confusos de utilizar. En algunos
casos, y ms importante, estos procedimientos para modelos de efectos fijos no
pueden ser modificados para producir la estadstica apropiada para los objetivos
de la investigacin (Littell et al., 1991).
Error experimental: variacin en respuesta bajo las mismas condiciones de
prueba. Tambin se denomina error residual.
CAPTULO 3. Regresin lineal y superficies de respuesta

Leccin 1. Introduccin y el significado de la regresin y suposiciones
bsicas
70

El anlisis de regresin es til para averiguar la forma probable de la relacin entre

las variables y cuando se utiliza ste mtodo, el objetivo final generalmente
consiste en predecir o estimar el valor de una variable que corresponde a un valor
determinado de otra.
Con base a los resultados obtenidos a partir de los anlisis realizados a la muestra
representativa, extrada de una poblacin determinada, el investigador estar en
capacidad de comprender y conocer minuciosamente la naturaleza y
comportamiento de la poblacin en la que se encuentra interesado.
Regresin lineal simple. (2, 3, 7 y varios autores)
El anlisis de regresin es til para averiguar la forma probable de la relacin entre
las variables y cuando se utiliza ste mtodo, el objetivo final generalmente
consiste en predecir o estimar el valor de una variable que corresponde a un valor
determinado de otra.
Por otro lado, el anlisis de correlacin, se refiere a la medicin de la intensidad
existente entre las relaciones de las variables. Cuando se calculan los coeficientes
de correlacin de un conjunto de datos, el inters se centra en el grado de
compatibilidad existente entre las variables que integran el problema.
Tabla 27. Ecuaciones para el estimativo de una regresin lineal simple
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
Tambin es representada como
Y 0 1 X Ecuacin 49
En donde
0 a int er sec cion
1 b pendiente
cambio en el error. Variable aleatoria
71

Leccin 2. Coeficientes de correlacin.

Una correlacin es el grado de relacin entre dos o ms variables que busca
determinar en que medida una lnea u otra ecuacin describe o explica dicha
relacin.
Se encuentran dentro de un rango que va desde -1 hasta 1 rango que explica el
alcance y la valoracin de dicho coeficiente y la direccin de la correlacin. Tabla
49.
Tabla 28. Grado de asociacin de los coeficientes de correlacin para un conjunto
de datos. (varios autores)
COEFICIENTE DE CORRELACIN
-1.00
- 0.95
- 0.50
- 0.10
0.0
+ 0.10
+ 0.50
+ 0.95
+ 1.00
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
El grado de asociacin, mientras ms cerca este de la unidad, en una u otra

direccin, mayor es la correlacin.
Generalmente en la mayora de los trabajos de investigacin se busca establecer
una correlacin lineal, ya sea positiva o negativa, no se puede considerar que
todas las relaciones entre dos variables (X y Y) forman una lnea recta. (ver
capitulo siguiente).
Existen muchas correlaciones de carcter curvilneo que indican que una variable
aumenta a medida que la otra se incrementa hasta que la relacin misma se
invierte, de tal manera que una variable decrece finalmente mientras que la otra
sigue en aumento, es decir, que la relacin entre X y Y que en un principio es
positiva se convierte en negativa, o aquella que, en un comienzo es negativa se
convierte en positiva; por ejemplo en una reaccin qumica o en una reaccin
bioqumica.
Leccin 3. Transformacin de datos
72

Regresin lineal mltiple.

El anlisis de regresin lineal mltiple consiste en generar modelos de regresin
con ms de una variable independiente (X1, X2, X3..); el modelo de regresin
lineal mltiple es representado por:
Y 0 1 X 1 2 X 2 ........ k X k Ecuacin 50
k = numero de variables (Xs)
Tabla 29. Modelos de regresin lineal simple

ECUACIN
Y e a bX
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
Transformacin de datos. (3, 7, 8, 27 y varios autores)

En la prctica muchos de los procesos experimentales no siguen una distribucin
normal con varianza constante y aunque el procedimiento de ANOVA es robusto y
admite desviaciones moderadas al realizar un anlisis estadstico con resultados
que no cumplen con los supuestos acerca del modelo estadstico, se puede llegar
a una conclusin y decisin errnea.
Para lo cual mediante una transformacin adecuada puede conseguirse que una
variable que no se distribuye normalmente pase a tener una distribucin casi
normal; por ejemplo un cambio de escala puede variar la media y la varianza de la
variable as como su relacin con respecto a otras variables al igual que la forma
de la distribucin de una variable cambia con la escala.
Las poblaciones con varianzas desiguales pueden convertirse en varianzas
homogneas mediante una transformacin apropiada.
Las transformaciones ms usadas se presentan en la tabla siguiente:
Tabla 30. Transformaciones usadas para datos
73

Transformacin apropiada
Y ln(Y )
'
Y log 10 (Y ) Ecuac 56
'
Tipo de transformacin
Transformacin logartmica
Y ' Y 1 / 2 Ecuacin 57
Transformacin de la raz cuadrada
Y ' Y 1 Ecuacin 58
Transformacin del reciproco
Leccin 4. Correlacin mltiple y ANCOVA

Si en la ecuacin anterior es necesaria ms de una variable independiente(X1,
X2...) se aplica el trmino de "correlacin mltiple".
Los clculos para este tipo de correlacin son ms dispendiosos y la interpretacin
de sus resultados ms complejo. La inclusin de variables adicionales incrementa
los datos necesarios y puede tambin adicionarse un considerable costo al
estudio.
Las razones principales para cambiar el anlisis de una dos o ms variables
independientes son:
Existe una relacin lgica, y una sola variable independiente no proporciona un
coeficiente de correlacin suficientemente satisfactorio.
El coeficiente de correlacin mltiple representa la proporcin de variacin en Y
que explica el conjunto de variables explicativas seleccionadas. (3, 7, 8, 27 y
varios autores)
Anlisis de Covarianza-ANCOVA
El anlisis de covarianza es un procedimiento muy importante en experimentacin,
pero lamentablemente no se usa con frecuencia.
dependiente Y.
respuesta final y de la unidad experimental.
Los objetivos del anlisis de covarianza son:
74

a) Disminuir el error experimental con el respectivo aumento en precisin del

experimento.
b) Ajustar los promedios de los tratamientos.
c) Interpretar mejor los resultados en el experimento, especialmente en lo
relacionado con la naturaleza de los efectos de los tratamientos.
d) Estimar el valor de las unidades perdidas en los experimentos.
Leccin 5. Superficies de respuesta

Los diseos factoriales son tiles para el tamizado de factores- para identificar los
factores ms importantes que afectan el desempeo de un proceso o
caracterizacin del proceso (Montgomery, 2004).
Una vez que se ha identificado el subconjunto adecuado de variables del proceso,
generalmente el paso siguiente es la optimizacin del proceso, que implica
encontrar el conjunto de condiciones de operacin de las variables del proceso
que producen el mejor desempeo del mismo (Cochran & Cox, 2001).
Puede resultar til ajustar una curva de respuesta a los niveles de un factor
cuantitativo para que el investigador cuente con una ecuacin que relacione la
respuesta con el factor. Esta ecuacin pude utilizarse para hacer interpolaciones,
es decir, para predecir la respuesta en niveles intermedios entre los factores,
respecto de los que se utilizaron realmente en el experimento.
Cuando al menos dos de los factores son cuantitativos, puede ajustarse una
superficie de respuesta para predecir con varias combinaciones de los factores
de diseo (Christensen, 1990).
En este sentido cabe destacar la metodologa de superficies de respuesta (RSM),
como el enfoque de optimizacin ms exitoso y generalizado. En general, se usan
mtodos de regresin lineal para ajustar estos modelos a los datos experimentales
(Cox, 1978). Adems, los efectos de los factores cuantitativos pueden
representarse con efectos polinomiales con un solo grado de libertad. De manera
similar, es posible hacer la particin de las interacciones de factores cuantitativos
en componentes de interaccin con un solo grado de libertad.
La superficie de respuesta se usa como gua para variar gradualmente los factores
controlables que afectan la respuesta de manera tal que se mejore el valor de la
respuesta. Una vez que el cambio de los factores controlables no origine una
mejora predecible en la variable de la respuesta, se puede aplicar un mtodo de
75

experimentacin ms sofisticado para encontrar la superficie de respuesta

operativa
final
del
proceso
de
inters.
Supongamos que un investigador desea encontrar los niveles de la variable x1 y
de x2 que maximicen el rendimiento Y de un proceso. El rendimiento del proceso
es una funcin de los niveles de la variable x1 y x2: Y=f(x1,x2)+psilon
Donde epsilon representa el ruido o error observado en la respuesta Y. Si el valor
de la respuesta se denota por E(Y)=f(x1,x2) entonces la superficie representada
por E(Y)=f(x1,x2)se llama superficie de respuesta.
Mtodo de Superficie de respuesta (RSM): es la grfica de la respuesta del
sistema vs los factores del sistema. RSM emplea el diseo experimental para
descubrir la forma de la superficie de respuesta y aprovecha los conceptos
geomtricos
Variable de respuesta: Variable que muestra los resultados observados de un
tratamiento experimental, es la variable dependiente
Modelo de Superficie de Respuesta para un diseo 2k
Un aspecto interesante de los diseos factoriales 2k es que si se codifican las
variables al intervalo [-1,1] entonces, se puede obtener el modelo de regresin
correspondiente con relativa facilidad (Montgomery & Vining, 2002). Consideremos
por ejemplo el diseo 22. En este diseo se tienen dos efectos principales, A y B y
la interaccin AB. El modelo de regresin correspondiste es:
y 0 1 x1 2 x2 12 x1 x2
59
Donde x1 representa el factor A, x2 representa el factor B, y el producto entre x1 y

x2 representa la interaccin entre A y B. Los parmetros del modelo de regresin,
1, 2, 12 se pueden demostrar que son iguales a la mitad de las estimaciones de
los efectos correspondientes, mientras que 0 es igual a la gran media. En
general, se tiene que:
Cualquier Parmetro en el modelo de Regresin
Efecto en ANOVA
2
60
0 gran promedio promedio de todas las observaciones
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

transformacin correspondiste. Esta transformacin se ilustra en la figura

siguiente:
Factor en escala
normalizada
+1
Bajo
Factor en
Alto
escala real
-1
Figura 7. Transformacin usada para encontrar el modelo de regresin en un

diseo 2k
Esto nos lleva a la ecuacin de transformacin- revisemos numeral anterior:
2 x Bajo Alto
xcod. real
62
Alto Bajo
La cual se puede utilizar para obtener el modelo de regresin en las unidades
originales en las que se miden los factores de inters. Esto transforma la ecuacin
Error! No se encuentra el origen de la referencia. en el modelo:
2 x A ABajo AAlto
2 x BBajo B Alto
2 B
y 0 1
B B
AAlto ABajo
Alto
Bajo
2 x A ABajo AAlto 2 x B BBajo B Alto
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

utilizar para interpolar cualquier valor intermedio de la variable respuesta sin

problemas pero no se debe utilizar para extrapolar.
Adicin de puntos centrales en un diseo 2k
Un aspecto muy importante en el empleo de diseos factoriales de dos niveles es
la hiptesis de linealidad en los efectos de los factores. Claro est que la linealidad
perfecta es innecesaria, y el sistema 2k trabaja muy bien aun cuando la suposicin
de linealidad es slo aproximada. Sin embargo, existe un mtodo para replicar
ciertos puntos en el diseo 2k factorial que proporciona proteccin contra la
curvatura y permite una estimacin independiente del error que ha de obtenerse.
El mtodo consiste en aadir puntos centrales al diseo 2k. stos coinciden de
nC rplicas de las corridas en el punto xi = 0 (i= 1, 2,, k). Una razn importante
para aadir rplicas de las corridas en el centro del diseo es que los puntos
centrales no tienen impacto en las estimaciones usuales de los efectos en un
diseo 2k. Se supone que los k factores son cuantitativos.
ab
b
Alto (+)
Corrida
Central
Medio
Bajo (-)
(1)
Medio
Bajo (-)
a
Alto (+)
Figura 8. Representacin geomtrica del diseo 22 con corridas centrales o

puntos centrales
Para ilustrar este enfoque, considrese un diseo 2 2 con una observacin en cada
uno de los puntos factoriales (-, -), (+, -), (-, +) y (+, +), y nC observaciones en los
puntos centrales (0, 0). La Figura 8. ilustra esta situacin. Sean y F y y C los
promedios de las cuatro corridas en los cuatro puntos factoriales y el promedio de
las nC corridas en el punto central, respectivamente. Si la diferencia y F - y C es
pequea, entonces los puntos centrales se encuentran sobre el plano que pasa
por todos los puntos factoriales, o cerca de l, y no hay curvatura. Por otra parte,
y F - y C es grande, entonces la curvatura est presente. Una suma de
si
cuadrados de un grado de libertad para la curvatura est dada por:
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

manera ms especfica, cuando se aaden puntos al centro del diseo 2k,

entonces el modelo que se considera es
k
Y 0 j x j ij xi x j jj x 2
j 1
i j i j
65
j 1
donde las jj son efectos cuadrticos puros. La prueba de curvatura consiste, en

realidad, de la prueba de las hiptesis
k
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.
Surface Plot of Res
95
90
Res
85
80
0
-1
-1
0
1
Grafica 9. Ejemplo de una superficie de respuesta
Revisar ejemplos de los apndices
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
Humedad ceniza grasa
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

a) Describa detalladamente el diseo del experimento que programaron

los profesionales a cargo del proyecto. Se deben identificar los
elementos que intervienen en el estudio experimental.
Rta: Es un diseo completamente al azar. Se trata de un experimento de
una variable (en este caso la localizacin). En el cual se pretenda medir su
efecto sobre el contenido qumico (bromatolgico) de las muestras tomadas
(tres por cada localidad) y partir de los resultados generados y que se
presentan en la tabla 1, realizar los anlisis respetivos.
Los elementos que intervienen en el diseo experimental son: Las
ocho localidades (variables), las unidades de anlisis u observacin objeto
de la evaluacin (planta de pltano) las personas que toman los datos, el
laboratorio donde se hace los anlisis y quien organiza, procesa y e
interpreta los datos.
b) Se podra asociar un modelo matemtico a la experimentacin
desarrollada?
No; no se hablo de tratamiento.
Ho:
*=
Ha: al menos una humedad es diferente de las dems.

C) El nmero de muestras fue apropiado? Justifique su respuesta atreves de
una formula.
Para obtener el tamao de la muestra de una poblacin determinada se
requiere tomar en cuenta los siguientes factores:
1- El tiempo y los recursos disponibles.
2- Las tcnicas de muestreo.
3- Las tcnicas de anlisis de datos.
4- La estimacin de la varianza.
5- El margen de error mximo posible.
6- El nivel de confianza.
Esta frmula se utiliza cuando se desconoce el tamao de la poblacin.

n=
n = tamao de la muestra.
Z= intervalo de confianza.
E= error de muestreo aceptable.
=desviacin estndar.
Entonces tenemos:-intervalo de confianza=98%
Error de muestreo aceptable=2%
Desviacin estndar= para calcular.
82

Calculo de desviacin estndar: La desviacin estndar corresponde a

la raz cuadrada de la variacin(S).
*Clculo del nmero de muestras: Utilizando los tres valores correspondientes al
resultado de la humedad (13,1-12,2-12,1)
VARIANZA:
=
Desviacin estndar:
S=
=0,54
Aplicamos la frmula para calcular el nmero de muestras, tenemos:
n=
*Calculando el numero de muestras utilizando los ocho valores correspondientes a

los resultados de la humedad (10; 7.1; 14; 13; 1; 12.2; 12.1; 14) de la tabla.
VARIANZA:
=
DESVIACION ESTANDAR:
S=
=2,3
Aplicando la frmula para obtener el nmero de muestra tenemos:

n=
83

d) Qu tipo de informacin grafica se podra construir con los datos tomados?

-Podramos generar un diagrama de columna agrupada para representar cada
caracterstica Bromatolgica de las tres harinas de pltano que elegimos.
tambin podemos representar la gran media de las tres harinas en sus

caractersticas
bromatolgicas
atreves
de
un
diagrama
circular.
e) Determine el intervalo de confianza para la proporcin de varianza de una de

las propiedades determinadas
84

Tabla de valores de Z de los diferentes niveles de confianza

Nivel de
99.73% 99% 98% 96%
Confianza
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
80% 68.27% 50%

1.00
0.6745
aqu es de 98% y si nos fijamos en la tabla podemos
f) Se podra concluir que existen diferencias significativas entre la harina

proveniente de las diferentes localidades?
Sustente sus conclusiones utilizando un mtodo estadstico de comparacin
apropiado por ejemplo Duncan y Tukey.
PRUEBA DE TUKEY:
Se realizan comparaciones mltiples que son posibles con t tratamientos. Para
esto se procede a aplicar la siguiente ecuacin: DMS= EE.
DONDE q es el valor que se encuentra en las tablas de Tukey con el nmero de
tratamientos, los grados de libertad del error y el nivel de significancia deseado.
El mtodo es hallar todas las comparaciones posibles con t tratamientos que son
t(t-1)/2 poniendo las medias en orden creciente y decreciente y restando de la
media mayor todas las medias, despus a la siguiente mayor le restamos las
dems medias y as sucesivamente hasta que se termine, si esta diferencias de
medias superan la DMS , se dice que las medias son significativas, en caso
contrario no son significativas o estadsticamente .
1) Ordenamos la media de mayor a menor
HP7
HP5
HP6
19,43
17,316
16,7833
2) Hallamos el valor de DMS =
= (4,18) (3,83)=16,0094
3) Se busca la diferencia entre todas las medias para lo cual se implementa la

siguiente Tabulacin.
HP7
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).
Diseo experimental totalmente aleatorizado

Rosquillas
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
La dureza se evala despus de seis das de almacenamiento a 10*C.
Tabla 13. Datos obtenidos en la determinacin de la dureza para el ejemplo de las

rosquillas.
Tratamientos
Dureza o variable de respuesta

Total
Media
Determinacin
c/trata
(Und / cmt)
miento
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
Solucin: con los datos de la tabla desarrollamos las siguientes operaciones:

1- Sumamos todos los resultados individuales (determinaciones de la dureza)
o sumatoria total.
n
Yij y ij 7+9 +5+10+8+9+10+9+12 = 79

j 1
2- Podemos calcular la media por tratamiento y la gran media.

a= nmero de tratamientos.
r=repeticiones de haberse realizado.
N= total de mediciones-datos (N= anr).
r=1 solo una medida por tratamiento.
Yij1 Yij
7+9 +5= 21
21/ 3 = 7
10+8+9= 27
27/3 = 9
10+9+12= 31
31/3= 10.33
Gran media 79/ 9 = 8.77

n
Y 79 Obsrvese que es igual a Yij y ij

j 1
3- Elevamos al cuadrado cada uno de los datos u observaciones registradas.

Cada observacin de cada tratamiento se eleva al cuadrado.
a

i 1
j 1
yij
2 = {(7)2+ (9)2 + (5)2+ (10)2 + (8)2+ (9)2+ (10)2+ (9)2 + (12)2} =

89

(49)+ 81+25+100+64+81+100+81+144= 725
3.1. Calculamos
Y ..2
N = {(79)2/3x3} = 693.4444
Conocido tambin como factor de correccin

4- Elevamos al cuadrado la suma horizontal de los tratamientos (hallados en
2) estos valores (cuadrados) para cada tratamiento se suman.
Aplicamos la frmula para calcular la suma de cuadrados por tratamiento= SCt.
SCtratamientos = [{(21)2+ (27)2 + (31)2}]/3 -- {(79)2/3x3} =
SCtratamientos = {441 + 749+ 961}/ 3 693.44444= 717- 693.4444= 23.5555
5- Todos los valores-determinaciones (producto cuadrado) se suman, con esta
calculamos la suma total de cuadrados.
a
SCTotal
i 1
j 1
yij
2 Y ..2
SCTotal = {(7)2+ (9)2 + (5)2+(10)2 + (8)2+ (9)2+ (10)2+(9)2 + (12)2}- {(79)2/3x3 }=

SCTotal = 725 693.4444= 31.5556
SCT=SCE+SCt
SCT SCt = SCE
SCE = 31.5556 - 23.5555= 8.0
6- Calculo de los grados de libertad
6.1.
Libertad de los tratamientos= 3-1 = 2
6.2.
Libertad total= 9-1= 8
6.3.
Libertad total - Libertad de los tratamientos = 8-2 = 6
7. Calculo de los cuadrados medios

7.1 . Cuadrado medio de los tratamientos
CMtratamient = SCtrata/ libertad tratamieno
CMtratamient = 23.5555/ 2 = 11.77775
90

7.2 . Cuadrado medio del error

CMerror = SCerror/ libertad error
CMerror = 8 / 6 = 1.3333
7.3. Cuadrado medio total
CMtotal = SCtotal/ libertad total
CMtotal =31.5556 / 8 = 3.9445
Tabla 14. Anlisis de varianza para evaluar el efecto de los aditivos en
elaboracin de rosquillas.
Grados
de
Libertad
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
SSTotales / (kn -1)
Como la razn de varianza calculada-8.83 para los tratamientos es menor que la

reportada-propuesta en la tablas de valores criticos de distribucin F -19.3 para 2
grados de libertad en el numerador (tratamientos) y 6 en el denominador (error)
para una significancia-alfa de 5%, concluimos que al menos un tratamiento es
diferente.
Entonces la pregunta del investigador es: Cul de ellos?.
U establecer especficamente cules son las medias que difieren entre s en forma
significativa.
Para el efecto utilizamos los llamados mtodos de comparaciones mltiples como
la mnima diferencia significativa (LSD), el mtodo de Tuckey y el mtodo de
Dunnett.
La Diferencia Mnima Significativa (DMS) esta es la diferencia entre dos medias,
basadas en la prueba t de Student, empleando el valor de la varianza del error. El
valor de la LSD se encuentra referido a la distribucin de t por la siguiente
relacin:
- Media del tratamiento B = Sd (t)
91

-k
N-K = grados de libertad del error = 6
/ n) ) es el error tpico de la media
n= 3- nmero de muestras en experimentacin por tratamiento.

-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
Si la diferencia entre dos promedios seguidos excede el valor de 2.3, se la declara

significativa al nivel del 5%.
En este ejemplo, la LSD indica que no hay diferencias significativas entre
tratamientos adyacentes, pero la F de la ANALISIS DE LA VARIANZA indica que
s existen diferencias si se comparan medias no adyacentes, en este caso, el
investigador podra optar por otro tipo de prueba de rango mltiple.
Por ejemplo si utilizamos adems la prueba de rango mltiple para las rosquillas:
95% LSD, obtenemos los siguientes resultados:
Tabla 15. Anlisis de homogeneidad y contraste de las rosquillas.

Tratamiento
Muestras
Media
Homogeneidad
del grupo
Contraste (Diferencia)
A-B
( -2)
92

XX
B-C
(-3.33)*
10.33
B-C
(-1,33)
* Indica diferencia estadsticamente significativa

Comprobando que el tratamiento seleccionado es el que presenta mejores
condiciones para ser aplicado a la rosquilla.
Solucin por computadora
Hay muchos paquetes de software de estadstica que cuentan con la capacidad
para probar hiptesis estadsticas. SPSS- EXCELL-
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
AGP FDN FDI
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
Datos tomados con fines educativos

Identifique con toda precisin: las unidades experimentales, los factores, los
tratamientos, las variables y dems caractersticas que intervienen en el estudio
que realizo tu equipo de trabajo.
Igualmente te solicitamos que de respuesta a las siguientes preguntas:
a) Qu tipo de diseo siguieron los profesionales a cargo del estudio?
b) Plantee el modelo matemtico, justificando su respuesta.
c) Establezca las suposiciones necesarias para el anlisis de varianza de los
datos. Realice el anlisis de varianza.
d) Pruebe la hiptesis que no hay diferencias entre las medias de los tratamientos
con la prueba de F a un nivel de significancia de 0,05.
e) Se puede decir que hay diferencias entre los distintos sustratos?
f) Y, en que otro tipo de situacin experimental para su trabajo disciplinar, se
podra presentar este tipo de anlisis. Describa el ejemplo
Desarrollo
-Los factores: El alga cultiva en superficie.
94
8.12
7.96
8.86
8.58
6.42

-Las unidades experimentales del presente ejercicio son: composicin de

aminocidos de un alga.
-Los tratamientos: los cinco sustratos diferentes.
-Variables: resultados de la composicin de aminocidos.
a) Tipo de diseo: despus de analizado este ejercicio parece ser que presenta el
nivel descriptivo ya que describe las caractersticas de la composicin de
aminocidos del alga y su comportamiento en los cinco sustratos.
b) El modelo matemtico: se va a utilizar el anlisis de varianza (Esta medida nos
permite identificar la diferencia promedio que hay entre cada uno de los valores
respecto a su punto central (Media ) (ANOVA), esta se utiliza para determinar
una razn de las diferencias observadas, el nivel de margen de error y as mismo
para comprobar la hiptesis que se presenta mas adelante.
c) Anlisis de varianza:
Para este ejercicio se trabajara con los siguientes sustratos:
Composicin Bromatolgica (% Bs) De La Harina De un alga desconocida. Segn
dos Sustratos Alimenticios.
Aminocidos
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

= 259,97/11 (sustratos) = 23.633

Sustrato 2:
S2
= 262,99/11 = 23,908
Media total entre los dos sustratos:
S1 + S2 /22
522,96/22 = 23,770
Suma total de los cuadrados:
xt2 = X2 - (X)2 = 29961 (522,96)2 = 29961 12431,23
------- -----------N 22
= 17529,77
Suma de los cuadrados entre los dos sustratos:
xb2 = (X1)2 + (X2)2 + ....- (X)2
------- -------- ---------=
n1 n2 N
= (259,97)2/11 + (262,99)2/11 (522,96)2/22 = 0,41
Entonces
Suma de los cuadrados dentro de los sustratos:
Esta se puede calcular restando la suma de los cuadrados entre los grupos y la
suma total de los cuadrados.
xb2 = 17529,77 0,41 = 17529,36
Sacamos luego un resumen de las varianzas respecto de los dos sustratos S1 y
S2.
96

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

de Alimentos, donde se presentan estos ejemplos de anlisis, por ejemplo: anlisis

de porciones con cierta muestras de alimentos, experimentos acerca del empleo
de qumicos para alguna prueba de laboratorio, hay mucho ejemplos lo que se
debe tener en cuenta y es muy importante tomar el anlisis correcto.
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.
a. Qu tipo de diseo experimental siguieron los proyectantes? Por qu?

El diseo que siguieron los proyectantes fue el cuadro Greco latino, el cual tiene
las siguientes caractersticas:
v Es un diseo con cuatro factores a k niveles
v Se asume que no hay interacciones
v Requiere k2 observaciones
v El diseo factorial completo requiere k4
v Cada nivel de un factor aparece una vez con cada nivel de los otros factores
v Es una superposicin de dos cuadrados latinos
Cada letra griega aparece una vez en cada fila, en cada columna y una con cada
letra latina
99

En los arreglos por bloques, se pueden analizar 4 factores, introduciendo un

cuarto factor o bloque en un diseo cuadrado latino, siguiendo las mismas reglas
utilizadas para introducir un tercer factor en un diseo cuadrado de dos factores. A
este cuarto factor o bloque se le denomina Componente GRIEGO, ya que se
utilizan letras griegas para identificar sus niveles, a la adicin de un diseo
cuadrado latino y un cuarto factor, se le llama Diseo Cuadrado Greco-Latino.
b. Defina la variable, los tratamientos, elige una significancia apropiada.
TRATAMIENTOS:
Las diferentes dietas
VARIABLES:
El peso de los animales
c. Calcule el ANOVA.
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
Existe una confiabilidad de 15 %.

Para F 0.05, 4, 8 = 3.84, entonces tenemos:
Raza: Como la Fo (0,50) < F 0.05, 4, 8 = 3.84, entonces se Acepta Ho, la raza no
es fuente de variacin para la respuesta.
Peso: Como la Fo (0,82) < F 0.05, 4, 8 = 3.84, entonces se Acepta Ho, el peso no
es fuente de variacin para la respuesta.
Como la Fo (12,9) > F 0.05, 4, 8 = 3. 84,
Ho. Se rechaza, el primer complemento alimenticio es el que causa variacin.
Como la Fo (0,38) < F 0.05, 4, 8 = 3.84,
Ho. Se acepta, el segundo complemento no es fuente de variacin.
a. Se podran realizar comparaciones entre medias? Justifique su respuesta.
La hiptesis nula
H0: m1 - m2 = d0
Generalmente d0=0
Hay 3 situaciones distintas:
1
conocidos (poco frecuente).
102

desconocidos pero iguales.
desconocidos pero distintos.
Los estadsticos son distintos (z en 1 y t en 2 y 3) pero el procedimiento es el

mismo. En los 3 casos se supone que las muestras son independientes; si no lo
fueran hay otro estadstico (t pareada).
Todos asumen normalidad. Si no se cumpliera hay que usar los llamados test no
paramtricos.
e. En caso afirmativo determine la mejor de ellas
N efectivo de replicacin = 5
COMPARACIN
A-E
DIFERENCIA PROMEDIO PROMEDIO DMS

1
2
10.8
23.6
12.8
5.4781
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.
a. Represente grficamente los datos y calcule los efectos correspondientes y las

interacciones de cada uno de los factores.
b. Determine cules de estos efectos son importantes usando la tabla de anlisis
de varianza.
c. Determine los residuos.
d. Ajuste un modelo estadstico para estos datos
e. Reporte las conclusiones obtenidas.
Nota: Representar los datos. Interpretar los resultados enunciando las hiptesis.
Solucin al ejercicio
Geomtricamente las combinaciones de tratamientos que se encuentran en la
tabla anterior, se representan de la siguiente forma:
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

: Efecto de la interaccin entre el i-simo nivel de A y el j-simo nivel de B

: Efecto de la interaccin entre el i-simo nivel de A y el k-simo nivel de C
: Efecto de la interaccin entre el j-simo nivel de B y el k-simo nivel de C
: Efecto de la interaccin entre el i-simo nivel de A, j-simo nivel de B y el
K-simo nivel de C
: Componente del error aleatorio (error natural)
Tabla de hiptesis
Forma verbal de las Hiptesis a probar:

a) H0: La velocidad de corte no influye significativamente en la duracin del
dispositivo utilizado-sierra
H1: La velocidad de corte influye significativamente en la duracin del dispositivo
utilizado-sierra
106

b) H0: La congelacin IQF no influye significativamente en la duracin del

H1: La congelacin IQF influye significativamente en la duracin del dispositivo
utilizado-sierra
c) H0: El ngulo de corte no influye significativamente en la duracin del
H1: El ngulo de corte influye significativamente en la duracin del dispositivo
utilizado-sierra
d) H0: La velocidad de corte y la congelacin IQF no influyen significativamente
H1: La velocidad de corte y la congelacin IQF influyen significativamente en la
duracin del dispositivo utilizado-sierra
e) H0: La velocidad de corte y el ngulo de corte no influyen significativamente en
la duracin del dispositivo utilizado-sierra
H1: La velocidad de corte y el ngulo de corte influyen significativamente la
f) H0: La congelacin IQF y el ngulo de corte no influyen significativamente en la
H1: La congelacin IQF y el ngulo de corte influyen significativamente en la
g) H0: La velocidad de corte, la congelacin IQF y el ngulo de corte no influyen
significativamente en la duracin del dispositivo utilizado-sierra
H1: La velocidad de corte, la congelacin IQF y el ngulo de corte influyen
a=2 , b=2 , c=2 , n=2 , i=1,2 , j=1,2 , k=1,2
Estimacin de los efectos promedios de los factores principales e

interacciones
Efecto A: velocidad de corte
Efecto B: congelacin IQF
Efecto C: ngulo de corte
107

Efecto velocidad de corte

A=
1 [a- (1) + ab b + ac c + abc - bc]

4n
A=
1
[760-532+1024-702+783-893+811-1105]
4(2)
A=
1 [3378-3232]
8
A = 18.25
Efecto congelacin IQF

B=
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
Efecto ngulo de corte

C=
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
Efecto promedio de ABC

ABC=
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
Los valores encontrados para cada uno de los efectos significan:

El efecto de la velocidad de corte es positivo e igual a 18.25; significa que
se espera un aumento de 18.25 en la duracin del dispositivo utilizadosierra
El efecto de la congelacin IQF es positivo e igual a 84.25; significa que se
espera un aumento de 84.25 en la duracin del dispositivo utilizado-sierra
El efecto de del ngulo de corte es positivo e igual a 71.75; significa que se
espera un aumento de 71.75 en la duracin del dispositivo utilizado-sierra
El efecto de la velocidad de corte y la congelacin IQF es negativo (-11.25);
significa que la combinacin de ambos no afecta en la duracin del
El efecto de la velocidad de corte y el ngulo de corte es negativo (-119.25);
El efecto de la congelacin IQF y el ngulo de corte es negativo (-24.25);
El efecto de la velocidad de corte, la congelacin IQF y el ngulo de corte
es negativo (-35.13); significa que la combinacin de los tres no afecta en la
Contrastes para los efectos principales e interacciones:

Los contrastes son el resultado de lo que se encuentra entre parntesis de los
efectos
Contraste A = 146
Contraste B= 674
Contraste C= 574
Contraste AB= -90
110

Contraste AC= -954

Contraste BC= -194
Contraste ABC= -281
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

SSAC= (contraste AC)2

8n
SSAC= (-954)2
16
SSAC= 56882.25
SSBC= (contraste BC)2

8n
SSBC= (-194)2
16
SSBC=2352.25
SSABC= (contraste ABC)2
8n
SSABC= (-281)2
16
SSABC= 4935.06
SUMA DE CUADRATOS TOTAL
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
SST = 2865344 2730756.25

SST = 134587.75
Suma De Cuadrados Del Error

SSE = SST - SSA SSB SSC SSAB SSAC SSBC SSABC
112

SsE=
134587.75 1332.25 28392.25 20592.25 506.25 56882.25 2352.25 4935.06
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
MSA = SSA = 1332.25 = 1332.25

a-1
21
MSB = SSB = 1332.25 = 28392.25
b-1
21
MSC = SSA = 1332.25 = 20592.25
c-1
21
MSAB = SSA
(a-1)(b-1)
= 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)
Fo = MSA = 1332.25 = 0.54

MSE
2449.39
Fo = MSB = 28392.25 = 11.59
MSE
2449.39
Fo = MSC = 20592.25 = 8.40
MSE
2449.39
113

Fo = MSAB = 506.25 = 0.20

MSE
2449.39
Fo = MSAC = 56882.25 = 23.2
MSE
2449.39
Fo = MSBC = 2352.25 = 0.96
MSE
2449.39
Fo = MAABC = 4935.06 = 2.01
MSE
2449.39
Tabla Anlisis De Varianza

FUENTES
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

AB
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
Tomando = 0.05 para obtener el F de tablas con un grado de libertad del

numerador y 8(n-1)= 8(2-1) = 8 en el denominador, se tiene que:
F, 1,8(n-1) = F0.05, 1,8 = 5.32
Conclusiones
Revismoslas, analicmoslas y fijemos nuestra posicin acorde con criterios
estadsticos.
a) Para el caso del factor A (velocidad de corte) el F0 < F Tablas (0.54<5.32); por
lo tanto, se acepta H0 y se rechaza H1; es decir, que velocidad de corte no influye
b) Para el caso del factor B (congelacin IQF) el F0 > F Tablas (11.59 >5.32); por
lo tanto, se rechaza H0 y se acepta H1; es decir, que la congelacin IQF influye
c) Para el caso del factor C (ngulo de corte) el F0 > F Tablas (8.40>5.32); por lo
tanto, se rechaza H0 y se acepta H1; es decir, que el ngulo de corte influye
d) Para el caso de la interaccin del Factor A y el factor B (velocidad de corte y
congelacin IQF) el F0 < F Tablas (0.20<5.32); por lo tanto, se acepta H0 y se
rechaza H1; es decir, que la velocidad de corte y la congelacin IQF no influyen
e) Para el caso de la interaccin del Factor A y el factor C (velocidad de corte y el
ngulo de corte) el F0 >F Tablas (23.2>5.32); por lo tanto, se rechaza H0; es decir,
que la velocidad de corte y el ngulo de corte influyen significativamente en la
duracin del dispositivo utilizado-sierra.
f) Para el caso de la interaccin del Factor B y el factor C (congelacin IQF y
ngulo de corte ) el F0 < F Tablas (0.96<5.32); por lo tanto, se acepta H0 y se
rechaza H1; es decir, que la congelacin IQF y el ngulo de corte no influyen
significativamente en la duracin del dispositivo utilizado-sierra.
115

g) Para el caso de la interaccin del Factor A, factor B y el factor C (velocidad de

corte, congelacin IQF y ngulo de corte) el F0 < F Tablas (2.01<5.32); por lo
tanto, se acepta H0 y se rechaza H1; es decir, que la velocidad de corte,
congelacin IQF y ngulo de corte no influyen significativamente en la duracin del
dispositivo utilizado-sierra.
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
Diseo factorial. Diseo experimental que incorpora uno o ms niveles de dos o

ms variables independientes.
Desarrollo Experimental: Trabajo sistemtico sobre el conocimiento ya existente,
adquirido a travs de investigaciones o experiencias prcticas, que se dirige a
producir nuevos materiales, productos, sistemas o mtodos; instalar nuevos
procedimientos, sistemas o servicios; o mejorar sustancialmente los producidos
instalados.
Error experimental: medida de la variacin que existe entre las observaciones de
unidades experimentales en el mismo tratamiento.
Estadstica: Subdisciplina de las Matemticas que rene y evala datos numricos
y los trata de tal manera que la relacin entre esos datos se muestra claramente.
Innovacin: se entiende por innovacin tecnolgica la transformacin de una idea
en un producto nuevo o mejorado que se introduce en el mercado.
117

Interaccin: Una interaccin ocurre cuando el efecto de un factor de entrada en la

salida depende del nivel de otro factor de entrada. A veces se pierden con los
diseos factoriales fraccionales.
Sin interaccin
Interaccin
moderada
Interaccin
fuerte
Interaccin
fuerte
Investigacin bsica: es la investigacin original, terica o experimental, llevada a

cabo principalmente con objeto de adquirir nuevos conocimientos o una mayor
comprensin de los fenmenos y observaciones en estudio, sin el propsito de
ninguna
aplicacin
particular.
Investigacin aplicada: es tambin investigacin original llevada a cabo para
adquirir nuevos conocimientos. Sin embargo, va dirigida principalmente hacia
objetivos especficos eminentemente prcticos. Sus resultados son vlidos para un
nico o limitado nmero de productos, operaciones, mtodos o sistemas. El
conocimiento o informacin derivado de ella es, con frecuencia, patentado o bien,
guardado como secreto.
Metodologa: Trmino utilizado en sentido amplio que generalmente se refiere a
estrategias,
tcnicas o procedimientos usados en estudios experimentales, descriptivos o
aplicados.
Prototipo o modelo: Primer ejemplar construido industrialmente, de una mquina,
vehculo, aparato, etc., y destinado a experimentar en funcionamiento sus
cualidades y caractersticas, con vistas a la construccin en serie.
Proyecto de investigacin. Se entiende el proceso de indagacin sistemtica y
planificada sobre un determinado problema temtico, inscrito dentro de una lnea
de investigacin, y en el marco global de un programa investigativo, tendiente a
indagar por una de las temticas particulares denotadas en la lnea.
Repeticin. El nmero de veces que un tratamiento aparece en el experimento.
118

Testigo: Es el tratamiento de comparacin adicional, que no debe faltar en un

experimento.
Tratamiento: es una de las formas que en cantidad o calidad, el factor a estudiar
toma durante el experimento.
Unidad experimental: Es el objeto o espacio al cual se aplica el tratamiento y
donde se mide y analiza la variable que se investiga. En los experimentos
pecuarios la unidad.
Variable independiente es una observacin hecha en cada unidad experimental
antes de aplicar los tratamientos, e indica hasta cierto grado la respuesta final de
la unidad experimental.
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

16. Padrn, E. (1996). Diseos experimentales con aplicacin a la agricultura.

Editorial trillas. Mexico, 320 p.
17. Ostle B. (1975). Estadstica Aplicada. Limusa-Wiley, Mxico, 420 p.
18. Montgomery, Douglas. Diseo y anlisis de experimentos. Grupo Editorial
ibero Amrica, 1a Edicin, Mxico, 589 p.
Direcciones de las pginas Web.

www.virtual.unal.edu.co/cursos/ciencias/2000352/ www.fao.org/docrep/T0848S/t0848s03.htm.pci204.cindoc.csic.es/tesauros/Tes_Psi
c/HTML/PSI_D6.HTM
http://www.sas.com/software/index.html
www.educarchile.cl/eduteca/estadistica/esc_medic.htm
es.wikipedia.org/wiki
121

Modulo 30156 2 Diseno Experimental

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modulo 30156 2 Diseno Experimental

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

30156 DISEO EXPERIMENTAL

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

Aspectos de Propiedad intelectual

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Para la solucin numrica con software (es) estadsticos se ha programado el plan

Laboratorio prctico 1.- Manejo de datos: organizacin, almacenamiento y

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

El contenido programtico para el curso de diseo experimental est en la

UNIDAD DOS: DISEOS Captulo 4. Diseos

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Listado de figuras y tablas

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

El proceso del diseo experimental

Figura 1. Ronald Fisher

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Red Semntica-Diseo Experimental

Figura 2. Mapa conceptual del diseo experimental

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

UTILIZACIN DE LOS MTODOS ESTADSTICOS DE CONTRASTE

La experimentacin juega un papel fundamental en todos los campos

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

CAPITULO 1: LA INVESTIGACIN Y EL DISEO EXPERIMENTAL

Figura 3. El proceso del diseo experimental

Revisemos el enlace: La estadstica, instrumento de investigacin cientfica.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Experimento aleatorio. Actividad que tiene como resultado o que produce un

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Factores Incontrolables: Son aquellos parmetros o caractersticas del producto

Leccin 2: Tipos de tratamientos y errores experimentales

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Racin Particular de Alimento de un Animal.

Leccin 3: Principios bsicos en el diseo de experimentos

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

La implicacin prctica de esto es que si el nmero de rplicas es pequea (n=1)

Leccin 4: Las tcnicas utilizadas en el diseo de experimentos

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

experimento seala el equilibrio entre la variedad de las condiciones y la

Leccin 5: Control local, aleatorizacin y procedimiento para el diseo

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Considerando que puede existir mucha variabilidad entre las parcelas

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

sacados que corresponden a las primeras cuatro parcelas sern asignadas

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

medias y poderosas pruebas estadsticas, lo cual se puede obtener reduciendo la

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Calcular una estadstica de muestra.

Recomendacin se debe hablar de "no rechazar" una hiptesis en lugar de

La Hiptesis nula Ho la cual es la hiptesis que se prueba siempre.

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

Y la Hiptesis alternativa H1 que se establece como el opuesto a la

En lo que se conoce como metodologa de prueba de hiptesis clsica, se

La Hiptesis nula Ho siempre se refiere a un valor especifico del parmetro

Ejemplo y procedimiento a desarrollar para una prueba de hiptesis

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

seleccionados de a y de considerar las restricciones de presupuesto al realizar el