Mòdulo - 30156 - 2 9 1 12 PDF

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

CONTENIDO DIDÁCTICO DEL CUSO: 90001 – METODOLOGÍA DE TRABAJO ACADÉMICO
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA
PROGRAMA DE INGENIERIA DE ALIMENTOS
30156 – DISEÑO EXPERIMENTAL
CAMPO ELIAS RIAÑO LUNA

(Director Nacional)
FREDY JARAMILLO
Acreditador
BOGOTÁ
Diciembre de 2011
1
ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
Aspectos de Propiedad intelectual
El contenido didáctico del curso académico ``Diseño Experimental``, fue diseñado

inicialmente en el año 2004 por el Ing. Químico. MSc. Campo Elías Riaño Luna,
docente de la UNAD, ubicado en la sede José Celestino Mutis.
Profesional que se ha desempeñado como docente y tutor de la UNAD a partir del

2003, anteriormente trabajo como investigador científico II en CENICAFE.
De allí que el módulo trae ejemplos de trabajos de investigación realizados por

estudiantes, docentes y el autor. Esta es la segunda actualización del módulo, el
cual se ofrece con carácter estrictamente educativo. Razón por la cual se ha
recurrido a los conocimientos y experiencias de varios autores de textos regulares
sobre las temáticas expuestas para tratar los temas más relevantes en este primer
contacto con la investigación programada. Se seleccionaron las temáticas que se
consideraron importantes (amplio uso) para adelantar trabajos de investigación en
ciencias agrarias, básicas e ingeniería y les sirvan de punto de partida para tu
aprendizaje autónomo y profundizar en las temáticas.
La versión del contenido didáctico que actualmente se presenta tiene como

características:
1) Reorganización de los contenidos relacionados con las dos unidades y las

lecciones.
2) Repaso y verificación de los conceptos teóricos tratados.
Las temáticas pueden ser actualizadas acorde con el desarrollo del curso. De
acontecer esto se informara oportunamente.
2
INTRODUCCIÓN
En la UNAD se viene adelantando a través del rediseño curricular un plan

estratégico para la formación y capacitación en investigación disciplinar y
formativa, con el fin de continuar con el refuerzo de los procesos de acreditación
de los programas.
Condición que exige entre otras la formación integral de talento humano en ciencia
y tecnología, capaz de investigar y transformar su entorno regional haciendo uso
racional de los recursos disponibles, mediante la modalidad de educación abierta y
a distancia.
Con este objeto se propone como curso obligatorio el diseño experimental cuyo
contenido induce a los estudiantes a la aplicación de los principios estadísticos en
la investigación.
Curso complementario a los dos (2) primeros módulos sobre cultura investigativa
que se ofrecen en la UNAD, para todos los programas.; el contenido de este dará
los lineamientos para una de las etapas importantes en todo proceso de
investigación como es la planificación de la experimentación y la comprobación de
hipótesis.
El material ha sido organizado de forma que el estudiante repase los conceptos y

procedimientos estadísticos vistos en semestres anteriores y los aplique a la
resolución de problemas específicos de cada profesión-con una planificación
previa.
La forma de resolver los diseños experimentales de más amplio uso, se presentan

en los apéndices con ejemplos atinentes a la unidad 1 y 2. Estos apéndices se irán
incrementando acorde con el desarrollo del curso. Igualmente estudiantes y
tutores deben consultar las OVAS presentadas para cada unidad en la página
principal del curso.
Pero siempre teniendo en cuenta que: El enfoque-objetivo del diseño de

experimentos es determinar cuáles variables están influenciando la respuesta de
interés. Una vez que dichas variables son identificadas, se obtiene un estimado
aproximado de la superficie de respuesta por medio de modelos factoriales
especiales.
Además en los trabajos colaborativos se incentiva a los estudiantes y docentes

sobre la forma y la importancia de obtener información rápida, de utilidad, con
ventajas económicas para el desarrollo de los trabajos de grado y proyectos de
investigación en la UNAD.
3
Para la solución numérica con software (es) estadísticos se ha programado el plan

de trabajo siguiente.
Plan de trabajos prácticos con el paquete estadístico Stat Graphics y/o SPSS
Laboratorio práctico 1.- Manejo de datos: organización, almacenamiento y

tratamiento.
Laboratorio práctico 2.- Estadística descriptiva
Laboratorio práctico 3.- ANOVA. De una sola vía, -diseño en bloque
aleatorizado, diseño de dos factores-diseño de tres factores- (cuadrados latinos)
Laboratorio práctico 4. Diseños factoriales 2k y 3 k
Laboratorio práctico 5. Análisis de Regresión.
Key Word: ANOVA con Stat Graphics
1- http://e-stadistica.bio.ucm.es/disexp/guia_rapida_statgraphics.html
4
INDICE DE CONTENIDO
El contenido programático para el curso de diseño experimental está en la

tabla 1.
Tabla 1. Contenidos temáticos para el curso de diseño de experimental
UNIDADES DIDÁCTICAS CAPITULOS LECCIONES

UNIDAD UNO: UTILIZACIÓN CAPÍTULO 1. Lección 1: Conceptos básicos del
DE LOS MÉTODOS Introducción Al Diseño diseño experimental
ESTADÍSTICOS DE De Experimentos Lección 2: Tipos de tratamientos y
CONTRASTE EN LA errores experimentales
EXPERIMENTACIÓN. Lección 3: Principios básicos en el
diseño de experimentos
Lección 4: Las técnicas utilizadas en
el diseño de experimentos
Lección 5: Control local,
aleatorización y procedimiento para el
diseño experimental
CAPÍTULO 2. Contraste Lección 1: Comprobación de
de hipótesis hipótesis
comparaciones simples Lección 2: Prueba de t
Lección 3: Análisis de varianza-
ANDEVA
Lección 4: Prueba de diferencia
significativa mínima (DSM) de Fisher
Lección 5: Modelo estadístico
CAPÍTULO 3. Tipos de Lección 1: El uso de las
diseño experimentales computadoras y software
especializado
Lección 2: Diseños unifactoriales
Lección 3: Diseños de bloques
completos al azar
Lección 4: Diseño de cuadro latino
Lección 5: Diseño de cuadro Greco
Latino
UNIDAD DOS: DISEÑOS Capítulo 4. Diseños Lección 1: Definiciones básicas
FACTORIALES y 2K Factoriales Generales diseño factorial.
Lección 2: Experimento factorial o
mover un factor a la vez
Lección 3: Diseño factorial con dos
5
factores A X B
Lección 4: Ventajas y desventajas
de los Experimentos Factoriales
Lección 5: Ejemplo de un diseño
factorial solucionado con Stat
Graphics
Capítulo 2. Diseños Lección 1: Codificación de variables
Factoriales 2k Lección 2: Diseño Factorial 2k
Lección 3: Diseños factoriales 23
Lección 4. Solución de un diseño
factorial 23 con Stat Graphics
Lección 5: Otros diseños
experimentales.
Capítulo 3. Regresión Lección 1: Introducción y el
lineal y superficies de significado de la regresión y
respuesta suposiciones básicas
Lección 2: Coeficientes de
correlación.
Lección 3: Transformación de datos
Lección 4: Correlación múltiple y
ANCOVA
Lección 5: Superficies de respuesta
6
Listado de figuras y tablas
Figura 1. Ronald Fisher

Figura 2. Mapa conceptual del diseño experimental
Figura 3. El proceso del diseño experimental
Figura 4. Portada del programa Statgraphics
Figura 5.Representaciòn de un experimento factorial
Figura 6.Un experimento factorial
Tabla 1. Contenidos temáticos para el curso de diseño de experimental
Tabla 2. Ejemplo de un reporte del análisis de varianza
Tabla 3. Tratamientos de experimento sobre fertilización
Tabla 4. Procedimiento estadístico para la comprobación de hipótesis
Tabla 5. Análisis de varianza para los tratamientos con un solo factor, en un
diseño totalmente aleatorizado o completamente al azar.
Tabla 6. Recopilación y presentación de los resultados de los tratamientos, en un
diseño de bloques completos al azar.
Tabla 8. Recopilación y presentación 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 diseño de cuadro greco latino*
Tabla 12. ANOVA para el diseño factorial a x b
Tabla 13. Resultados del ensayo NOVA para el diseño factorial a x b
Tabla 14. ANOVA para el ejemplo de diseño factorial a x b
Tabla 15. Signos algebraicos para calcular los efectos en un diseño 22
Tabla 16. ANOVA para un diseño factorial 22
Tabla 17. Respuestas para el ejemplo de diseño factorial 22
Tabla 18. Matriz para el ejemplo de diseño factorial 22
Tabla 19. Análisis de varianza para el ejemplo de diseño factorial 22
Tabla 20. Combinación de los tratamientos para un diseño 23
Tabla 22. Calculo del Análisis de varianza para un diseño 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. Análisis de la varianza para la viscosidad de la bebida desarrollada.
Tabla 26. Resultados estimados para los datos de viscosidad con la ecuación de
regresión encontrada para el ejemplo anterior, utilizando el programa Stat
Graphics.
Tabla 27. Ecuaciones para el estimativo de una regresión lineal simple
Tabla 28. Grado de asociación de los coeficientes de correlación para un conjunto
de datos.
Tabla 29. Modelos de regresión lineal simple
Tabla 30. Transformaciones usadas para datos
7
El proceso del diseño experimental
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald
A. Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la
fecha se encuentra bastante desarrollada y ampliada. Actualmente las
aplicaciones son múltiples, especialmente en la investigación de las ciencias
naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias sociales.
La experimentación proporciona los datos experimentales, en contraste con los
datos de la observación; los datos de la observación se representan como su
nombre indica por observaciones de las unidades elementales de una población o
de una muestra, y no deben ser cambiados ni modificados por ningún intento de
parte de un investigador en el curso de la observación.
Figura 1. Ronald Fisher
8
Red Semántica-Diseño Experimental
Figura 2. Mapa conceptual del diseño experimental
9
Contenidos Unidad 1
Nombre de la Unidad UTILIZACIÓN DE LOS MÉTODOS ESTADÍSTICOS DE CONTRASTE

EN LA EXPERIMENTACIÓN
Introducción La experimentación juega un papel fundamental en todos los campos

de la investigación y el desarrollo. El objetivo de la experimentación es
obtener información de calidad y confiable. Información que debe
permitir el desarrollo de nuevos productos y procesos, comprender
mejor un sistema y tomar decisiones sobre como optimizarlo además el
de comprobar hipótesis científicas, etc.
Obviamente la experimentación se debe planificar (diseñar)
cuidadosamente para que proporcione la información buscada. Dicha
planificación debe considerar dos aspectos importantes relacionados
con toda experimentación.
El diseño de un experimento es la secuencia completa de los pasos
que se deben tomar de antemano, para planear y asegurar la
obtención de toda la información relevante y adecuada al problema
bajo investigación, la cual será analizada estadísticamente para
obtener conclusiones válidas y objetivas con respecto a los objetivos
planteados.
Un Diseño 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.
Justificación Para responder al reto que le plantea su proyecto académico, la
Universidad, desde la perspectiva de ser abierta y a distancia, se ha
propuesto crear las condiciones que le permitan consolidar
científicamente los currículos, con este propósito se ofrece el modulo
de diseño experimental de aplicación 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 técnicas necesarias para realizar con éxito dicha
labor y sustentar objetivamente los resultados a través de la
investigación planificada.
Intencionalidades Se pretende con este modulo y guía proporcionar y suministrar los
Formativas elementos, los conceptos y la información necesaria para el desarrollo
de las actividades a tener presentes para la planificación y el desarrollo
de un proyecto de investigación, con el fin de inducir a los docentes y
estudiantes en la aplicación de estrategias que conduzcan al correcto
planteamiento, desarrollo y formulación de actividades propias de la
investigación con racionalización de los recursos asignados.
10
CAPITULO 1: LA INVESTIGACIÓN Y EL DISEÑO EXPERIMENTAL
La experimentación juega un papel fundamental en todos los campos de la

investigación y el desarrollo. El objetivo de la experimentación es obtener
información de calidad y confiable. Información que debe permitir el desarrollo de
nuevos productos y procesos, comprender mejor un sistema y tomar decisiones
sobre como optimizarlo además el de comprobar hipótesis científicas, etc.
Obviamente la experimentación se debe planificar (diseñar) cuidadosamente para

que proporcione la información buscada. Dicha planificación debe considerar dos
aspectos importantes relacionados con toda experimentación.
El diseño de un experimento es la secuencia completa de los pasos que se deben

tomar de antemano, para planear y asegurar la obtención de toda la información
relevante y adecuada al problema bajo investigación, la cual será analizada
estadísticamente para obtener conclusiones válidas y objetivas con respecto a los
objetivos planteados.
Un Diseño 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 diseño experimental
Revisemos el enlace: La estadística, instrumento de investigación científica.
Tomado de Tomado de: portalsej.jalisco.gob.mx/unidades-

upn.../antonio_ramirez_ramirez.pdf. Con fines netamente educativos.
11
Lecciones-C_1-U_1
Lección 1: Conceptos básicos del diseño experimental
Los siguientes conceptos que se definen a continuación se utilizarán en el

desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991) y de Kuehl (2001).
Definiciones
Diseño: Consiste en planificar la forma de hacer el experimento, materiales y

métodos a usar, etc.
Experimento. Conjunto de reglas usadas para obtener una muestra de la

población y al concluir el ensayo obtener información acerca de la población.
Un experimento es un procedimiento mediante el cual se trata de comprobar

(confirmar o verificar) una o varias hipótesis relacionadas con un determinado
fenómeno, mediante la observación y medición 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 operación de un sistema o proceso para

obtener una muestra de la población y al concluir el ensayo obtener información
acerca de la población o del producto obtenido.
Por ejemplo variar las condiciones de operación (temperatura, presión, velocidad

de agitación de un proceso, las raciones para semovientes, dosis de
agroquímicos).
O la utilización de diferentes proporciones de materias primas y aditivos para

mejorar la condición de un producto de consumo masivo.
La experimentación constituye uno de los pasos del método científico.
Ejemplos de sistemas experimentales son:
- Una reacción química y/o bioquímica, cuyo rendimiento (Y) puede ser función,
entre otros, del tiempo de reacción (t1), la temperatura de la reacción (T2) y el tipo
de microorganismo (Mo1) utilizado. Otras variables que pueden influir son, por
ejemplo, la presentación de los sustratos, la velocidad de agitación,....
12
Experimento aleatorio. Actividad que tiene como resultado o que produce un

evento. Prueba donde existen dos o más resultados posibles, y no se pude
anticipar cuál 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

hipótesis de investigación y son el centro de la misma.
Factor: Es un grupo específico de tratamientos. (Ejemplo, Temperatura, humedad,

tipos de suelos, etc.).
Niveles Del Factor: Son diversas categorías de un factor. (Por ejemplo, los
niveles de temperatura son 20°C, 30°C, etc.). Un factor Cuantitativo tiene niveles
asociados con puntos ordenados en alguna escala de medición, como
temperatura; mientras que los niveles de un factor cualitativo representan distintas
categorías o clasificaciones, como tipo de suelo, que no se puede acomodar
conforme a alguna magnitud.
Réplica: Son las repeticiones que se realizan del experimento básico.
Unidad Experimental: Es el material experimental unitario que recibe la

aplicación de un tratamiento.
Es la entidad física o el sujeto expuesto al tratamiento independientemente de las

otras unidades. La unidad experimental una vez expuesta al tratamiento constituye
una sola réplica 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 está estudiando.
Unidad muestral: Es una fracción de la unidad experimental que se utiliza para

medir el efecto de un tratamiento.
Error experimental: Es una medida de variación que existe entre dos o más
unidades experimentales, que han recibido la aplicación de un mismo tratamiento
de manera idéntica e independiente.
Factores Controlables: Son aquellos parámetros o características del producto o

proceso, para los cuales se prueban distintas variables o valores con el fin de
estudiar cómo influyen sobre los resultados.
13
Factores Incontrolables: Son aquellos parámetros o características del producto

o proceso, que es imposible de controlar al momento de desarrollar el
experimento.
Variabilidad Natural: es la variación 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).
Lección 2: Tipos de tratamientos y errores experimentales
Los siguientes conceptos que se definen a continuación se utilizarán en el

desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991), Padrón (1996) y de Kuehl (2001).
A continuación se presentan ejemplos de tratamientos en algunas áreas, tales

como:
Experimentaciones Agrícolas, un tratamiento puede referirse a:
♦ Marca de Fertilizante.
♦ Cantidad de Fertilizante.
♦ Profundidad del Sembrado.
♦ Variedad de Semilla.
♦ Combinación de Cantidad de Fertilizante y Profundidad de Sembrado; esto es

una combinación de tratamientos.
♦ etc.
Experimentaciones de Nutrición Animal, un tratamiento puede referirse a:
♦ Cría de Ganado Lanar
♦ Sexo de los Animales
♦ Padre del Animal Experimental
♦ Tipo de Alimento
14
♦ Ración Particular de Alimento de un Animal.
♦ Raza del Animal
♦ etc.
Error Experimental: Es una medida de variación que existe entre dos o más
unidades experimentales, que han recibido la aplicación de un mismo tratamiento
de manera idéntica e independiente.
Factores Controlables: Son aquellos parámetros o características del producto o

proceso, para los cuales se prueban distintas variables o valores con el fin de
estudiar cómo influyen sobre los resultados.
Factores Incontrolables: Son aquellos parámetros o características del producto

o proceso, que es imposible de controlar al momento de desarrollar el
experimento.
Variabilidad Natural: es la variación 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).
Lección 3: Principios básicos en el diseño de experimentos
Acorde con Cochran & Cox (2001) los tres principios básicos del Diseño de un
experimento son:
1. Replicación (Obtención de Réplicas).
Este principio se refiere al número de veces que se aplica un tratamiento a las

unidades experimentales. El cual tiene dos propiedades importantes, la primera
permite al experimentador obtener la estimación del error experimental; esta
estimación se convierte en la unidad básica para determinar si las diferencias
observadas en los datos son estadísticamente significativas o para determinar la
amplitud de un intervalo de confianza, y la segunda permite al experimentador
calcular una estimación más precisa del efecto medio de cualquier factor en el
experimento, si se usa la media de la muestra, como una estimación de dicho
efecto. Lo que significa que la varianza de la media de la muestra se define como
σ2y = σ/ n; donde σ2 es la varianza de los datos y n el número de réplicas.
15
La implicación práctica de esto es que si el número de réplicas es pequeña (n=1)

probablemente no se podría obtener inferencias satisfactorias con respecto al
efecto del tratamiento; es decir, que la diferencia observada podría ser resultado,
exclusivamente, del error experimental. El número de réplicas afecta la precisión
de las estimaciones de las medias de tratamientos y la potencia de las pruebas
estadísticas para detectar las diferencias entre las medias de los grupos en los
tratamientos. Pero puede ser muy costosa económicamente la incorporación de
una réplica en el Experimento.
Lección 4: Las técnicas utilizadas en el diseño de experimentos
Igualmente Cochran & Cox (2001) describen que las técnicas que se deben utilizar
en un Diseño 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 relación con la variable respuesta o con la medición que se supone
responde de manera diferente a los diversos tratamientos.
Es decir, que consiste en la distribución de las unidades experimentales en

bloques de tal manera que las unidades dentro de un bloque sean relativamente
homogéneas; ya que unidades experimentales heterogéneas producen valores
grandes en la varianza del error experimental, es así que la mayor parte de la
variación predecible entre las unidades queda confundida con el efecto de los
bloques.
Los cuatro criterios que se usan con más frecuencia para llevar a cabo el bloque
en las unidades experimentales son:
1) Proximidad (parcelas vecinas).
2) Características Físicas (edad o peso).
3) Tiempo (Tiempo de desarrollo).
4) Administración de tareas en el experimento.
Balanceo: Es el bloqueo y la asignación de los tratamientos a las unidades

experimentales de modo que resulte una configuración balanceada. La
comparación precisa entre los tratamientos requiere la selección de unidades
experimentales uniformes para reducir el error experimental. La naturaleza del
16
experimento señala 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 cría, en la misma etapa de lactancia y con un
número similar de lactancia.
Agrupamiento: Es la colocación de un conjunto de unidades experimentales

homogéneas en grupos, de modo que los diferentes grupos puedan sujetarse a
distintos tratamientos. Estos grupos pueden constar de diferente número de
unidades experimentales.
En los tres principios analizados anteriormente el objetivo principal es disminuir en

gran medida la Variabilidad Natural o error experimental, a continuación se
presenta un ejemplo en el cual se evidencia este objetivo.
Ejemplo
Se hace una investigación sobre el efecto de administrar 10 mg. de vitamina B12

por libra de ración a cerdos en crecimiento, se tomaron ocho lotes de seis cerdos,
cada uno tratados por pares. Los lotes se separaron por la administración de
diferentes niveles de aureomicina. Se mide el aumento diario promedio del peso
de tres cerdos (libras).
Tratamientos Sin B12

Con B12
Unidades experimentales Cerdos
Variable Respuesta 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 así como se obtiene una muestra
lo más homogénea posible, y que en el experimento sólo intervenga la variabilidad
natural, reduciendo así el error experimental.
Lección 5: Control local, aleatorizaciòn y procedimiento para el diseño

experimental
Bicking (s.f), Cochran & Cox (2001) describen que la aleatorización 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 llevó a cabo un experimento para determinar la eficacia de 6

fertilizantes de nitrógeno para una cierta variedad de maíz. Se contaba con 24
parcelas experimentales.
17
Considerando que puede existir mucha variabilidad entre las parcelas

experimentales, se decidió usar un diseño 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 método de aleatorización
del diseño utilizado y cada parcela experimental tenía cinco surcos de plantas de
maíz. 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 decisión 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 número de réplicas es igual a cuatro por cada tratamiento.
• Existe un control local ya que el investigador habrá usado un diseño

(por ejemplo: El Diseño de Bloques Aleatorios; el cual se estudiara en el
detalle en la siguiente unidad programática), 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 números a cada una de las parcelas experimentales de 1

a 24.
2) Elaborar cuadrados de papel con los mismos números 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

número de réplicas es igual a cuatro entonces los primeros cuatro números
18
sacados que corresponden a las primeras cuatro parcelas serán asignadas

al fertilizante número uno.
5) Los segundos cuatro números sacados que corresponden a las

segundas cuatro parcelas serán asignadas al fertilizante número dos.
6) Y así sucesivamente hasta obtener los últimos cuatro números

que corresponden a las cuatro parcelas que serán asignadas al fertilizante
número seis.
En general, un experimento de este tipo puede tener simultáneamente otras

variables respuestas como por ejemplo: altura de plantas, grosor de las plantas,
determinación del contenido de humedad de los granos, etc. Pero en el análisis
del experimento el rendimiento es la variable de interés para el investigador.
A pesar de haber tomado todas las precauciones necesarias en la conducción del

experimento, se podrá decir que siempre existirá 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
ó más parcelas que han recibido la aplicación de un mismo fertilizante. Estos
valores no serán 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 variación 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 número total de plantas por cada parcela podría no ser igual. Esto puede
ocurrir por defectos en la calidad de las semillas y el método de siembra utilizado.
3) Puede existir pérdida del material experimental cosechado que se lleva al

laboratorio para determinar el peso.
4) Puede existir limitación y defectos en la máquina que se usa para determinar el

peso del material que se ha cosechado.
5) Puede existir variación de criterios y técnicas que usan diferentes personas que
han trabajado en la conducción del experimento.
Control Local: Consiste en el uso de técnicas de bloqueo, balanceo y

agrupamiento de las unidades experimentales para asegurar que el diseño usado
sea eficiente; ya que los objetivos de la mayoría de los experimentos son las
comparaciones claras y exactas entre los tratamientos a través de un conjunto
apropiado de condiciones. Estos objetivos requieren estimaciones precisas de las
19
medias y poderosas pruebas estadísticas, 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
estimación 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 HIPÓTESIS COMPARACIONES SIMPLES.
Etimológicamente Hipótesis es la suposición de una verdad que debe ser

verificada o rechazada.
Es una explicación que al comienzo de una investigación 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 tecnológico y ciclo profesional del mismo compilador)
Una hipótesis estadística es una afirmación sobre los valores de los parámetros de
una población o proceso, que es susceptible de probarse a partir de la información
contenida en una muestra representativa obtenida de una población. Por ejemplo,
la afirmación "este proceso produce menos del 6% de defectuosos" se puede
plantear estadísticamente, en términos de, proporción p desconocida de artículos
defectuosos que genera el proceso.
Ho : p =0.06 (la proporción de defectuosos es 0.06)
HA: p < 0.06 (la proporción es menor a 0.06)
Lecciones - C_2-U_1
Lección 1: Comprobación de hipótesis
Para las siguiente lección se tomaron como referente a Bavaresco (1979), Bunge
(1980) y Berenson, Levine & Krehbiel (2001).
Formulación y prueba de hipótesis
Una hipótesis es una afirmación acerca de algo.
En estadística, puede ser una suposición acerca del valor de un parámetro

desconocido.
La prueba es el medio de verificación para saber si algo es verdadero o falso y

hasta qué grado podemos decir que sea verdadero o falso.
Pasos en la prueba de hipótesis:

 -hipótesis.

21

 Calcular una estadística de muestra.

Recomendación se debe hablar de "no rechazar" una hipótesis en lugar de

"aceptar", ya que las pruebas no son concluyentes.
Estadístico de prueba.
Una vez planteada la hipótesis, se toma una muestra aleatoria (o se obtienen

datos mediante un experimento planeado de acuerdo a la hipótesis de la población
en estudio). El estadístico de prueba es un número calculado a partir de los datos
y la hipótesis nula, cuya magnitud permite discernir si se rechaza o se acepta la
hipótesis nula Ho Al conjunto de posibles valores del estadístico de prueba que
llevan a rechazar Ho,se le llama región o intervalo de rechazo para la prueba, y a
los posibles valores donde no se rechaza Hl les llama región o intervalo de
aceptación.
Por ejemplo, para las hipótesis planteadas el estadístico de prueba está dado por
0.08 Zo = vlO.08 (1- 0.08) / n' Ecuación 1
Análisis de datos. (2, 3, 7 y varios autores)
El análisis depende del nivel de medición de las variables, de la manera como se

hayan formulado las hipótesis, el interés del investigador en el problema que esté
investigando.
Podemos usar una serie de números conocidos como estadística sumaria para
describir las características del conjunto de datos. Dos de estas características
son de particular importancia para los responsables de tomar decisiones: la de
tendencia central y la de dispersión, entre los cuales tenemos la mediana, la
moda, medidas de tendencia central, desviación media, la dispersión, sesgo en
curvas y graficas, curtosis, la media aritmética, la mediana, la moda, la dispersión,
distribución de frecuencias, histogramas, la varianza de una población,
puntuaciones Z, razones y tazas, análisis de varianza.
Ppruebas de hipótesis.
En general una prueba de hipótesis comienza con una teoría o aseveración

relativa a cierto parámetro de una población para lo cual se definen dos hipótesis
conocidas como:
 La Hipótesis nula Ho la cual es la hipótesis que se prueba siempre.
22
 Y la Hipótesis alternativa H1 que se establece como el opuesto a la

hipótesis nula y representa la conclusión que se apoya si la hipótesis nula
se rechaza.
En lo que se conoce como metodología de prueba de hipótesis clásica, se

recomiendan los siguientes puntos a tener en cuenta:
 La Hipótesis nula Ho siempre se refiere a un valor especifico del parámetro

de población (como ) , no al estadístico maestral ( como )
A partir de este numeral se deben consultar las tablas que se encuentran e textos
de estadística como las tablas t-Student, de distribución F, comparación de medias
de Duncan, etc.
Ejemplo y procedimiento a desarrollar para una prueba de hipótesis

propiamente dicha.
Una organización 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 hipótesis son los siguientes:
1. Establezca la hipótesis nula Ho. Ésta debe expresarse en términos estadísticos.
Por ejemplo: Al probar si la cantidad promedio de llenado es 500 gramos, la

hipótesis nula asegura que ( ) es igual a 500gramos.
2. Establezca la hipótesis alternativa H1. También debe expresarse en términos

estadísticos.
Al probar si la cantidad promedio de llenado es de 500 gramos, la hipótesis

alternativa asegura que ( ) es inferior a 500 gramos.
3. Elija el nivel de significancia. Éste se determina después de tomar en cuenta los

riesgos especificados de cometer errores tipo I y tipo II en una situación particular.
La compañía eligió = 0.05.
4. Elija el tamaño de la muestra n. Éste se determina después 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 técnica estadística adecuada y la estadística de prueba

correspondiente que se usará. Dado que si se conoce por que la compañía
especificó que eran 15 gramos, se eligió una prueba Z.
6. Establezca los valores críticos que dividen las regiones de rechazo y no

rechazo. Una vez especificadas las hipótesis nula y alternativa y determinados el
nivel de significancia y el tamaño de la muestra, se pueden encontrar los valores
críticos para la distribución estadística 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 estadístico Z se refiere a la distribución normal estándar.
7. Recopile los datos y calcule el valor muestral del estadístico de prueba

adecuado.
Realice una toma de datos (determinación) y calcule la X media = ....... gramos,

entonces y obtenga el valor Z = + ...........
8. Determine si el estadístico de prueba está en la región de rechazo o de no

rechazo. El valor calculado del estadístico de prueba se compara con los valores
críticos de la distribución muestral apropiada para determinar en qué región se
encuentra.
En este caso, Z= +...... está en la región de rechazo o no rechazo porque - 1.96 <
Z == +.... < + 1 .96.
9. Tome una decisión estadística. Si el estadístico dé prueba está en la región de

no rechazo, la hipótesis nula, Ho no se puede rechazar; si el estadístico de prueba
está en la región de rechazo, la hipótesis nula se rechaza.
10. Exprese la decisión estadística en términos de una situación particular.
De ser afirmativa la diferencia entre las cantidades, que acción correctiva

propondrías y aplicarías?
Error experimental
En todo proceso experimental se presentan dos clases de variaciones: la variación

inherente al material experimental, al que se aplican los tratamientos y la que
proviene de la falta de uniformidad en la realización física del experimento o
24
variaciones externas a la experimentación (como las ambientales, etc) que tienden

a enmascarar el efecto de los tratamientos.
Para expresar estas variaciones ajenas a los tratamientos los estadísticos aplican
el término error experimental; término que no quiere decir equivocación, sino que
incluye todo tipo de variación externa ajena al material experimental.
Este error experimental es la medida de variación que existe entre las

observaciones de unidades experimentales en el mismo tratamiento, es decir, la
variación no proveniente de los tratamientos.
Para los fines de cálculo en las ecuaciones se expresa con la letra 
Errores tipo I y tipo II. (8)

Cuando se contrastan o se prueban las hipótesis se pueden cometer dos tipos de
errores por los siguientes motivos:
 La prueba de hipótesis comienza con una suposición, llamada hipótesis,
que hacemos con respecto a un parámetro de población.
 Después recolectamos y clasificamos los datos, aplicamos la estadística
seleccionada a las muestras y usamos esta información para decidir qué
tan probable es que sea correcto nuestro parámetro de población acerca
del cual hicimos la hipótesis.
 Debemos establecer el valor supuesto (hipotetizado) del parámetro de
población antes de comenzar a tomar la muestra.
 La suposición que deseamos probar se conoce como hipótesis nula, y se
simboliza por H0.
 Siempre que rechazamos la hipótesis, la conclusión que sí aceptamos se
llama hipótesis alternativa y se simboliza por H1.
*** El rechazo de una hipótesis nula cuando es cierta se denomina error de tipo
I, y su probabilidad (que es también el nivel de significancia) se simboliza como
 . ***
*** El hecho de aceptar una hipótesis 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 sólo si

deseamos incrementar la probabilidad de cometer el otro tipo de error.
Con el propósito 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 más recomendadas para disminuir el error son:

En toda marcha experimental que se realice se debe
a) Utilizar unidades experimentales muy uniformes, como materias primas
homogéneas, procesos, densidad de muestras, etcétera.
b) Tamaño adecuado de la unidad experimental.
e) Eliminación de la competencia entre tratamientos.
d) Distribución adecuada de los tratamientos mediante sorteos (azar).

e) Usar el número adecuado de repeticiones para cada tratamiento.
f) Poner todos los tratamientos en igualdad de condiciones, de manera que si
alguno es superior a los demás, se pueda probar.
Lección 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 estudió primero, en 1890. Student en realidad era un
matemático llamado William Gosset, empleado por la Cervecería Guiness, quien
se vio obligado a usar el pseudónimo de Student, debido a que por política de la
compañía se tenía prohibido a los empleados publicar sus investigaciones.
Gosset descubrió que cuando una observación procede de una distribución

normal, las medias se distribuyen de manera normal, sólo sí se conoce la
verdadera desviación estándar de la población.
La prueba de t se emplea mucho en todas las áreas de la ciencia.
La distribución de t, es similar a la distribución de z la cual se explicó en numeral

anterior y, uno de sus mayores usos, es responder a interrogantes de
investigación sobre medias y cuando se desconoce la verdadera desviación
estándar.
26
Ecuaciónes 2 y 3
S, es la desviación estándar
Para usar una prueba t con una muestra, se supone que los datos numéricos se
obtienen de una manera independiente y representan una muestra aleatoria de
una población que sigue una distribución normal.
En la práctica, se ha encontrado que siempre que la muestra no es muy pequeña

y la población no tenga un sesgo grande, la distribución t proporciona una
aproximación a la distribución muestral de la media cuando (sigma) no se conoce.
Prueba de t para la diferencia entre dos medias
El cálculo de la prueba de t para la diferencia entre dos medias se realiza con
Ecuaciónes 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 apéndice 1.
27
Lección 3: Análisis de varianza-ANDEVA
Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) el
análisis de varianza fue ideado por Sir Ronald Fisher en 1925, de gran aplicación
cuando en una investigación se tiene el propósito de corrobar por medio del
análisis estadístico los efectos de uno o más factores sobre el comportamiento de
una característica o variable dependiente.
El ANAVA (Analysis of variance) o Anova; es una técnica estadística que sirve

para analizar la variación total de los resultados experimentales de un diseño en
particular, descomponiéndolo en fuentes de variación independientes atribuibles a
cada uno de los efectos en que constituye el diseño experimental, compara dos o
más medias.
Esta técnica tiene como objetivo identificar la importancia de los diferentes

factores ó tratamientos en estudio y determinar cómo interactúan entre sí.
El ANOVA es una prueba semejante a la prueba t de Student, en cuanto a la

práctica, pero la comparación entre grupos no es a través de la media y su
desviación estándar, sino a través de la varianza de la variable numérica “y”, en
cada grupo de la variable categórica “x”.
Básicamente el análisis de Varianza, se utiliza para corroborar si la significación

de diferencias entre medias de dos o más grupos, son o no debidas al azar.
La cifra estadística obtenida con el ANOVA es la razón F.
F= Estimación entre los tratamientos / Estimación 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 variación 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 intra-
grupales, 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 categórica. La

variable a analizar debe ser numérica y de distribución simétrica.
Bases del análisis de la varianza.
Los supuestos que validan el análisis varianza son:
a. Los errores son independientes
28
b. Los errores están normalmente distribuidos con media cero y varianza constante
c. Existe homogeneidad de varianza entre los tratamientos.
Supónganse k muestras aleatorias independientes, de tamaño n, extraídas de una
única población normal. A partir de ellas existen dos maneras independientes de

estimar la varianza de la población (S2)
1) Una varianza dentro de los grupos (ya que sólo 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 también un estimador
centrado y más 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 términos
independientes de la suma de cuadrados.
2) Otra llamada varianza entre grupos (sólo 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 también 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 hipótesis de que las k

muestras provengan de la misma población.
La distribución muestral del cociente de dos estimaciones independientes de la

varianza de una población normal es una razón con distribución F con los grados
de libertad correspondientes al numerador y denominador respectivamente, por lo
tanto se puede contrastar dicha hipótesis usando esa distribución.
Variación total = Variación dentro de los tratamientos+ Variación entre los

tratamientos
Suma de cuadrados total = Suma de cuadrados dentro+Suma de cuadrados entre
Variación total =
Tabla 2. Ejemplo de un reporte del análisis de varianza
29
Fuente de Grados SC CM F0 p-valor

variación de Suma de Cuadrados Razón
Libertad cuadrados medios F
Entre k-1 SCtratamient SCtrat /(K-1) SCtrat/ P (F>F0

Tratamientos SCME )
Dentro del Error N-k SCE SCE /(N-K)
Total N-1 SCT SCTotal / (KN

- 1)
K= Numero de tratamientos o niveles o grupos del factor de interés
N= Número total datos reportados
n = Número total de datos por grupo
Ejemplos de resolución de ANAVAS o ANOVAS se realizaran en capítulos

siguientes y apéndices al final del mòdulo.
Los grados de libertad son uno menos que el número de observaciones para cada
fuente de variación.
Lección 4: Prueba de diferencia significativa mínima (DSM) de Fisher
Diferencia mínima significativa (LSD). Es la diferencia mínima que debe haber

entre dos medias muéstrales para poder considerar que dos tratamientos son
diferentes.
Discusión
Cuando para un diseño experimental se rechaza la hipótesis de igualdad entre los

tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre sí.
Para averiguarlo se emplean los métodos de comparación de medias, uno de

estos métodos (formulas) es el LSD o (DMS) o diferencia minina significativa. Esta
debe ser utilizada solo para comparar medias adyacentes en un arreglo ordenado,
aunque también se puede emplear para comparar las medias con un testigo o
tratamiento estándar.
La DMS es una prueba de t de Student que utiliza la varianza combinada.
30
Ecuación 6 …………..t=
Ecuación 7………….Sd
r = Número de repeticiones
CME = Cuadrado medio del error
El valor de t se toma de la tabla de los apéndices 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 fertilización en la altura de arboles de una especie
forrajera, obteniéndose los siguientes resultados.
Tabla 3. Tratamientos de experimento sobre fertilización
Tratamiento IBIOM (cm3)

Media CV (%)
T1 1064 a * 93
T2 1838 a * 60
T3 1886 a * 61
Diferencia Mínima Significativa DMS 962 cm3
Los valores acompañados por igual letra no presentan diferencias

estadísticamente significativas al 95% de confianza.
X1 X2 X3
X1 - 1064 - 1838 1064-1886
X2 - - 1838-1886
X3 - - -
31
Lección 5: Modelo estadístico
La finalidad de una serie de experimentos es determinar un modelo estadístico

que refleje la creencia respecto a la relación entre los tratamientos y las
observaciones.
Cada resultado del experimento si este se repite n veces, está determinado por la
media general y el efecto del tratamiento.
La identificación de este fenómeno y la comprobación de las suposiciones se

hacen en el momento de proponerlo basándose en el siguiente modelo
matemático:
Ecuación 8
Modelo matemático Ecuación 9
En donde
i= 1,……., k numero de tratamientos
j=1,…., r número de repeticiones
u= promedio de todas las unidades experimentales del experimento = o según el

caso.
i = la diferencia entre el promedio (  i) y el resultado cuando se tiene la

combinación 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:
Ecuación del Modelo estadístico 9
32
Análisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hipótesis.
Cuando la hipótesis se refiere a los parámetros del fenómeno se convierte

entonces en hipótesis estadística como la variabilidad del clima, de una
temperatura en un proceso así se disponga de métodos de medida con bastante
precisión 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 estadística para

minimizarlo y probar las hipótesis con un grado importante de certeza.
El análisis de covarianza es un procedimiento muy importante en experimentación

para la verificación de las hipótesis, pero lamentablemente no se usa con
frecuencia.
El análisis de covarianza permite realizar ajustes con las respuestas de las

unidades experimentales en las que se varía 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 así el efecto de ese factor.
El análisis de covarianza entre muchas utilidades, se puede,utilizar también para

ajustar las respuestas de las unidades de experimentación de promedios de dos o
mas factores variables denominadas covariables.
Utiliza el análisis de varianza y el de regresión para eliminar la variabilidad que

existe en la variable independiente X; también ajusta medias de tratamiento y así
estima mucho mejor el efecto de la variable independiente X sobre la variable
dependiente Y.
La variable independiente X es una observación 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 variación 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 análisis 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 estadístico, definir claramente la población objeto de

análisis.
 Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
 Especificar qué se va a medir, las unidades a usar y la forma de registro.
Ecuación de Modelo estadístico 9
Análisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hipótesis.
Cuando la hipótesis se refiere a los parámetros del fenómeno se convierte

entonces en hipótesis estadística como la variabilidad del clima, de una
temperatura en un proceso así se disponga de métodos de medida con bastante
precisión 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 estadística para

minimizarlo y probar las hipótesis con un grado importante de certeza.
El análisis de covarianza es un procedimiento muy importante en experimentación

para la verificación de las hipótesis, pero lamentablemente no se usa con
frecuencia.
El análisis de covarianza permite realizar ajustes con las respuestas de las

unidades experimentales en las que se varía 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 así el efecto de ese factor.
El análisis de covarianza entre muchas utilidades, se puede ,utilizar también para

ajustar las respuestas de las unidades de experimentación 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 variación 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 análisis 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 estadístico, definir claramente la población objeto de

análisis.
 Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
 Especificar qué se va a medir, las unidades a usar y la forma de registro.
CAPITULO 3-U_1
CAPITULO 3: TIPOS DE DISEÑO EXPERIMENTALES
Para dar solución al gran número de situaciones y problemas teóricos prácticos

que se presentan en la ingeniería y en otras actividades profesionales se han
propuesto un buen numero de diseños experimentales cantidad que hacen
necesario saber elegir el más adecuado para la situación que se quiere resolver,
de allí que es conveniente conocer su clasificación de acuerdo a su alcance dentro
del objetivo en propuesto.
Definiciones
Clasificación: de acuerdo con su objetivo y su utilización, sin pretender ser
exhaustivo, los diseños se pueden clasificar como:
35
1. Diseños para comparar dos o más tratamientos.
2. Diseños para estudiar el efecto de varios factores sobre la(s) respuesta(s). 3.

Diseños para determinar el punto óptimo de operación de un proceso.
4. Diseños para la optimización de una mezcla.
5. Diseños 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 continuación:
Diseño Completo al Azar, Diseño de Bloques Completos al azar, diseño de Cuadro

Latino, diseño de Cuadro Greco Latino, diseño factorial 2K, diseños factoriales 3K
LECCIONES-C_3-U_1
Lección 1: El uso de las computadoras y software especializado
El uso de las computadoras y software especializado
Los primeros usos del software estadístico en la enseñanza de la estadística han

sido la presentación de "output" impresos a los alumnos para interpretar
resultados.
La simulación es un ejemplo de cómo utilizar el computador en la estadística

aplicada. Existen software que simulan sistemas físicos, sociales o empresariales.
Uno de las más 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 áreas de análisis multivariado fueron las más beneficiadas por el uso de la
computadora. Las técnicas a utilizar no se ven limitadas a pesar de que el número
de variables sea considerable, ya que los problemas de cálculo se minimizan.
Tampoco los gráficos resultan un escollo. Algunos profesores, en ausencia de
impedimentos de cálculos, le piden al alumno que aplique tales o cuales métodos,
incentivando de esta forma la destreza en el uso del software (y el conocimiento
de muchas de sus variantes). Sin embargo, no hay una enseñanza orientada a la
resolución de problemas (porque no se ha planteado un problema) sino a la
aplicación de técnicas estadística sin un claro objetivo.
36
Paradójicamente, el uso de la computadora ha generado nuevos problemas. Uno

de ellos es que se corre el riesgo de desarrollar análisis que constituyen sólo un
ejercicio de uso de software, sin dedicar el suficiente tiempo a analizar la
coherencia y lógica detrás de los mismos.
Algunos ejemplos son:
 Determinar medias y desviaciones estándar de variables con escala

nominal, debido a que en la tabla de datos figuran códigos numéricos de las
distintas categorías.
 Calcular la media y el desvío estándar de los números que identifican cada
formulario.
 Asignar un número a cada individuo según el orden que ocupa, y concluir
que su distribución es simétrica.
Cuando los cálculos llevaban mucho tiempo, se debía pensar si era necesario
realizar tal operación. Ahora que los cálculos no son obstáculo, muchas veces no
se piensa qué es lo que se está haciendo. El momento de reflexión se realiza
después de la etapa de cálculo y no antes. Ahora se dedica tiempo y esfuerzo en
descartar análisis e indicadores sin sentido.
Los Software estadísticos que facilitan una variedad de técnicas estadísticas

descriptiva e inferencial, poco a poco, están cambiando la enseñanza de esta
disciplina. Ya no es necesario concentrarse mucho en el manejo de fórmulas
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
enseñanza de estadística. Nuestra opinión es que si bien las opciones anteriores
no son excluyentes, se debe insistir más en el sentido de las técnicas, en su
aplicación apropiada y en la buena interpretación de los resultados.
Un uso de la planilla electrónica que recomendamos especialmente es su

aplicación para comprender la relación entre el coeficiente de correlación lineal de
Pearson y el diagrama de dispersión. La planilla electrónica permite observar en
forma simultánea los efectos que provoca la modificación de algún dato en el
diagrama de dispersión y en el coeficiente de correlación.
La enseñanza de la práctica de la estadística debería basarse en la resolución de

estudios de casos. El software adecuado podría apoyar cursos basados en el
estudio de casos, para presentar problemas prácticos que requieren:
1. La formulación de hipótesis
2. La recolección de datos
3. La comprobación de hipótesis
4. La comunicación de resultados e ideas
37
Además, ayudan a cambiar el énfasis 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 investigación donde deban recolectar datos, se
plantea el problema de cómo organizar luego la tabla de datos. Proponemos incluir
en los cursos un capitulo dedicado a la creación de estas tablas.
De los programas adecuados para el manejo, el procesamiento y análisis de datos

citamos los siguientes:
EXCELL, SPS, MINITAB, SAS, STATISTICAL, STATGRAPHICS, CURVE

EXPERT; etc. sin embargo con la utilización de una calculadora también es
posible la realización de la gran mayoría de las operaciones involucradas en el
procesamiento de los datos.
Figura 4. Portada del programa Statgraphics
* Se le asigna el nombre de hoja de cálculo a un hoja que esta divida en renglones

y columnas, al cruce de ellos se le denomina celdas sobre las cuales se almacena
información (letras o números) que podemos usar para realizar operaciones, tales
como sumas, restas, multiplicaciones, divisiones, cálculos financieros,
estadísticos, de ingeniería, amortizaciones, etc.
 Revisar los enlaces de Apendices 1_Repaso a la estadistica en la
página del curso.
38
Lección 2: Diseños unifactoriales
De Montgomery (1991) y Cochran & Cox (2001) extractanos que:
Los experimentos de una variable se realizan para averiguar cómo una variable
experimental afecta una o más 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.
Diseñó de experimentos sin bloquear.
A estos experimentos algunos autores (Montgomery, 1991 y Cochran & Cox,

2001) los denominan diseño totalmente aleatorizado o completamente al azar, es
el diseño más simple y se usa cuando las unidades experimentales son
homogéneas, tienen las mismas posibilidades de recibir cualquier tratamiento y la
variación entre ellas es muy pequeña.
Como en los experimentos de laboratorio, de invernadero en experimentos en

donde las condiciones ambientales son controladas, en algunos casos este diseño
necesita solo una replica con un solo criterio de clasificación.
Por lo tanto:
1. Es fácil de planear.
2. Es flexible en cuanto al número de tratamientos y repeticiones, el límite está

dado por el número de unidades experimentales en general.
3. No es necesario que el número de tratamientos sea igual al número de

repeticiones.
4. No se estiman unidades o muestras perdidas.
5. El número de grados de libertad para el error aumenta por no tener muchas

restricciones.
Las desventajas del diseño completamente al azar son:

 No es eficiente con material experimental heterogéneo.
 Puesto que no existen restricciones en cuanto a la aleatoriedad, el error
experimental incluye la variación total entre unidades experimentales.
39
 El análisis de varianza para el diseño completamente al azar se muestra

en las tablas 25 y 26.
Procedimiento estadístico para la comprobación de hipótesis en un diseño al

azar.
El procedimiento a seguir es común y debe ser acorde con lo planteado en la

siguiente tabla.
Tabla 4. Procedimiento estadístico para la comprobación de hipótesis
INFORMACION RECOPILADA SOBRE LA OPERACIONES

RESPUESTA A LOS TRATAMIENTOS ARITMETICAS A
DESARROLLAR PARA EL
CALCULO DEL ANAVA
OBSERVACIONES A B C 1. = suma de
cuadrados de todas
F1A1 F1B1 F1C1 las observaciones
F2A1 F2B1 F2C1 2. Suma de los datos
3. Número total de
F3A1 F3B1 F3C1 mediciones
4. Media de los datos
Total por 5. Efecto del método
tratamiento = Y observada - Y media
Numero de datos n N n
por tratamiento
Media por
tratamiento
Gran media
Suma de SCT
cuadrados totales
Suma de SCt
cuadrados de los
tratamientos
Y el ANAVA en la siguiente tabla
Tabla 5. Análisis de varianza para los tratamientos con un solo factor, en un

Fuente de Grados de SC CM F0 p-valor
variación Libertad
Suma de Cuadrados Razón
40
cuadrados medios
Tratamientos k-1 SCtrat SCtrat /(k-1) SCtrat / CME P (F>F0 )
Error N-k SCE SCE /(N-k)
Total N-1 SCT SCMT / (kn -1)
k= Numero de tratamientos o niveles o grupos del factor de interés
N= Número 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 1 2 3
A F1A1 F2A1 F3A1
B F1B1 F2B1 F3B1
C F1C1 F2C1 F3C1
D F1D1 F2D1 F3D1
E F1A1 F2A1 FjeAJ
F1A1 hasta FJEAJ son los análisis o las muestras recolectadas o tomadas
Para aclarar el concepto del procedimiento que se sigue revisemos el apéndice 2.
Lección 3: Diseños de bloques completos al azar
El objetivo del diseño de bloques completos al azar (DBCA) es reunir las unidades
experimentales a las cuales se aplicaran los tratamientos, en bloques de cierto
tamaño, de tal modo que los tratamientos se efectúen dentro de cada bloque, la
variabilidad entre unidades experimentales de bloques diferentes será 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 diseño y
forma parte del error experimental. De acuerdo con esto, es fácil 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 así los bloques y
tratamientos son ortogonales.
En este diseño el material experimental es dividido en grupos de unidades

experimentales (UE) lo más homogéneas posible. Cada uno de los grupos es una
sola prueba o repetición.
El objeto en todas las etapas del experimento es de mantener el error

experimental dentro de cada grupo tan pequeño como sea posible en la práctica.
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 diseño (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 están completos
Ventajas
Las principales ventajas de bloques al azar son las siguientes:

1. Por medio de la agrupación comúnmente se obtienen resultados más
exactos que cuando se usan diseños completamente al azar.
2. Puede incluirse cualquier numero de repeticiones.
El análisis estadístico 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
combinación específica de las medias de los tratamientos.
4. Ningún otro diseño se usa tan frecuentemente como los bloques al azar.
Aleatorización.
La aleatorización 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 estadístico para la comprobación de hipótesis en un diseño

de bloques completos al azar.
El procedimiento a seguir es común y debe ser acorde con lo planteado en la

siguiente tabla.

diseño de bloques completos al azar.
BLOQUES
Tratam B1 B2 B3 B4 Y i.
r1 XT1B1 XT1B2 XT1B3 XT1B4
Y.j B1 B2 B3 B4
ANOVA para un diseño en bloques completos al azar (DBCA) (Varios autores)
La metodología de análisis a emplear es el ANOVA a dos criterios de clasificación.

En este caso, el análisis de varianza particiona la variabilidad total de la
información 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 hipótesis nula depende del valor del estadístico F:
F = (S. C. de Tratamientos / t - 1) / (S. C. del Error / (t - 1) (r - 1)) Ecuación 10
Comparación de medias de tratamiento en el diseño de bloques completos al

azar (BCA)
Cuando para este diseño se rechaza la hipótesis de igualdad entre los

tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre sí.
Para averiguarlo se emplean los métodos de comparación de medias, uno de

estos métodos (formulas) es el LSD diferencia mínima significativa (Ecuación 9) en
donde se sustituye el numero de replicas por el numero de bloques, y también 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.
Ecuación 11
El valor de t se toma de las tablas de la distribución T de Student con N-K grados

de libertad del error.
Ejemplo de bloques completos al azar (BCA) (Varios autores). Revisemos el

apéndice 2.
Lección 4: Diseño 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 agronómico, especialmente en los casos de suelos con
tendencias en fertilidad en dos direcciones.
Diseño que contempla el control de dos factores de bloque, además del factor de
tratamientos y los tres factores tienen la misma cantidad de niveles.
Considerándose 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 sólo
una vez en cada fila y una sola vez en cada columna (Latin square design). El
interés se centra en un solo factor, los tratamientos, pero se imponen dos
restricciones a la aleatorización en un cuadro como el ejemplo de la tabla del
siguiente numeral.
Formación y tabulación 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 típicas o estandar (en la primera fila y en la primera
columna se tiene la misma distribución).
Tabla 8. Recopilación y presentación de los resultados de los tratamientos, en

cuadro latino.
A B C D A B C D A B C D A B C D
B A D C B C D A B D A C B A D C
C D B A C D A B C A D B C D A B
44
D C A B D A B C D C B A D C B A
De cada cuadro se obtienen 144 formas diferentes, en total se tienen 576 cuadros
diferentes.
Un diseño de este tipo sólo es posible cuando el número de niveles de ambas

restricciones sea igual al número 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 (diseño por
bloques) o aleatorizado bajo la condición de “equilibrio” requerida para un
cuadrado latino. Designemos los tratamientos por T1 ,T2 y T 3 . Una asignación
equilibrada respecto al orden de administración puede ser
Arreglo de los datos en un diseño de Cuadro latino.
Para facilitar el entendimiento de este diseño 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 II
1 2 3 4 … J Yi..
BLOQUES 1 A=Yl1l B=Y221 C=Y331 D=Y4411 … F=YjJ1 Yi..1
I B=Y212 A=Y1j2
2 C=Y313 C=Y322 D=Y432 E=Y442 …. B=Y2j3 Yi..2
D=Y414 D=Y423
3 A B =Y443 … C=Y3j4 Yi..3
….. F =Y524 =Y533
4 A=Y544 .. … Yi..4
..... A=Y12f F=Y634
. C=Y34f …. … Yi..,,
F=Yf1f B=Y23f
. … J=YJjf Yi..f
f
Yj.. Y1.. Y2.. Yj.. Yj.. Ynj.. Yj.. <!--[if
!supportMisalignedColumns]-
->
La elección del cuadro latino se realiza antes de la obtención de los datos.
45
Procedimiento estadístico para la comprobación de hipótesis en un diseño de

bloques en cuadro latino.
Ver apéndice 3.
Lección5. Diseño en cuadro greco latino
Cuando se tiene un cuarto factor de bloque a controlar activamente en el diseño

de cuadro latino como por ejemplo si en el ejercicio del numeral 1.19.5 se decide
considerar el sitio de realización del experimento o la procedencia de un
ingrediente para el producto considerado.
Este diseño se denomina cuadro greco latino (DCGL), en el cual los niveles de el
nuevo factor se denotan por las letras griegas a; representándose los tratamiento
con las letras latinas A, B, C y D.
En el diseño en cuadrado greco-latino se superponen dos cuadrados latinos,
resultando el siguiente modelo matemático:
Yijl     i   j   l  k   ijl Ecuación 12
i= 1,……., l numero de tratamientos

j=1,…., b 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 utilización es muy restrictiva. Además
pueden no existir cuadrados greco latinos de determinadas condiciones.
Formación y tabulación 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 2 3 4 Yi…
1  A=Yl1l  B=Y2  C=Y331  D=Y44 F=YjJ1

 B=Y21 11 A=Y1j2
BLOQUES I 2 2
 D=Y43 B=Y2j3
B
 C=Y313  C=Y3
2
Y i.. 3 2
C=Y3j4
 D=Y41 22 A =Y443
4
4
 D=Y =Y533  A=Y54 …
. 42
 A=Y1  B=Y23f
4 …
.
2f
 C=Y34f J=YJjf
f
Y…l
Procedimiento estadístico para la comprobación de hipótesis en un diseño

de bloques en cuadro greco latino.
El procedimiento a seguir esta planteado en el apéndice 4.
ANAVA para el diseño grecolatino.
Tabla 11. ANOVA para el diseño de cuadro greco latino*
FUENTES DE SUMA DE GRADOS CUADRADOS

VARIABILIDAD CUADRADOS DE MEDIOS Fo P-value
LIBERTAD
Tratamientos SCtratlatin k-1 CMtratalatin Ftralat = P (F >

Letra latin CMtratlatin/ Fa)
CMEr
Renglones SCrenglo k-1 CMrenglo Fre = P(F > Fa)

CMrenglol
/CMEr
Columnas SCcolumn k-1 CMcolumn F colmn= P(F > Fa)

CMcolumn/CM
47
Er
Tratamientos SCtratgiega k-1 CMtaratgriega Ftratlgrieg=CM P (F >
Letra griega taratgriega Fa
Error SCE (k - 2)(k -1) CMErr
Total SCT k2 - 1
*Tomado de Gutierrez, H, et all. Análisis de experimentos. Capítulo Cuatro 132
SCT = SCtrat + SCBl + SCB2 + SCE Ecuación 13
y los grados de libertad correspondientes son
k2 -1 = (k -1) + (k -1) + (k -1) + (k - 2)(k -1) Ecuación 14
48
UNIDAD DOS: DISEÑOS FACTORIALES y 2K
Capítulo 4. Diseños Factoriales Generales
En ingeniería muchos de los experimentos se llevan a cabo para estudiar los

efectos producidos por dos o más factores.
El desplazamiento de estos dentro de un dominio experimental es costoso además

las limitaciones de tiempo obligan al experimentador a ejecutar sólo los
experimentos imprescindibles.
Razón por la cual los experimentadores y matemáticos idearon los diesños

experimentales factoriales.
Lección 1: Definiciones básicas diseño factorial.
Los diseños experimentales permiten variar simultáneamente varios factores pero

evitándose que se vaya en la misma dirección. Y se complementan de tal modo
que la información 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 iteración entre los factores.
En un experimento factorial se analizan todas las posibles combinaciones de los

niveles de los factores en cada réplica 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 combinación para este diseño factorial es el
mostrado en las figuras QQQQ:
Lección 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 diseño 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 más sencillo de los enfoques experimentales es cuando se investiga sobre un

solo factor- este evalúa el efecto de un parámetro mientras lo demás se mantiene
constantes-cuando hay varios factores.
Este enfoque requiere de amplios conocimientos técnicos sobre lo que se va a

analizar además de tener experiencia práctica.
En este método tradicional solo se varia un factor cada vez -no es lo mejor pues
implica más experimentos de los necesarios y se obtiene información parcial pues
no muestran la interacción entre los factores; las interacciones en un experimento
son corrientes y son los efectos más 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 demás fijos.
Posteriormente se mueve el nivel del siguiente factor y sucesivamente se va

cambiando el nivel de cada factor. Esta estrategia tiene límites en el momento de
evaluar la información de los efectos de los factores. De 10 datos sólo 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 combinación, y si no resulta, se cambia por otra
según la experiencia. Esto puede continuar por mucho tiempo hasta llegar a una
solución.
-Seguidamente cuando se obtiene un resultado con beneficio en la primera
prueba, ya no se realizan más pruebas para buscar una solución que dé mejores
resultados (Montgomery, 2003).
Observación atener en cuenta: Hay interacción cuando uno de los factores no

produce el mismo efecto en la respuesta con niveles diferentes de otro factor
(Montgomery, 2003).
50
Lección 3: Diseño factorial con dos factores A X B
Existe otro enfoque para trabajar con varios factores por medio de
experimentación factorial. Esta estrategia consiste en variar los factores en
conjunto, en lugar de uno a la vez.
En el diseño se usan todas las combinaciones de los niveles de los factores. Por
ejemplo, un diseño factorial AxB es un diseño de dos factores, cada uno con dos
niveles (Montgomery,2003). Ver figura Q
Figura 5.Representaciòn de un experimento factorial
Figura 6.Un experimento factorial
51
Hipótesis 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 hipótesis también se pueden plantear de la siguiente manera:
H0 : =0
HA : para algún i
H0 : =0
HB :
H0 :
HAB: para algún ij
Hipótesis que se prueban con la técnica de análisis de varianza (conocida).
Procedimiento estadístico para la comprobación de una hipótesis en un

diseño factorial
El análisis de varianza se calcula de una manera similar a los primeros numerales

del presente capitulo.
La ecuación fundamental de ANOVA está 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 Ecuación 15
Calculo de la suma de cuadrados del error
SSCE= SSCT - SSCA-SSCB - SSCAB Ecuación 16
Suma de cuadrados totales:
Ecuaciones 17 a 19
Es conveniente obtener la suma de los cuadrados de la interacción, 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":
Ecuación 20
Esta suma de cuadrados también contiene SSCA y SSCB. Por lo tanto, el segundo
paso es calcular la suma de cuadrados de la interacción como sigue:
SSCAB = SSCSubtotales - SSCA-SSCB Ecuación 21
o SSCE= SSCT - SSSubtotales
ANOVA para el diseño factorial (a x b) o de dos factores
Tabla 12. ANOVA para el diseño factorial a x b
53
Suma de Grados de Cuadrados Fo p-valor

cuadrados libertad medios
EFECTOA SCA a-1 CMA Fo = CMTRAT P(F >
/ CME Fo)
EFECTOB SCB b-1 CMB Fo = CMB / P(F >
CME Fo)
EFECTOAB SCAB (a -l)(b -1) CMTRAT
Error SCE ab(n-1) CME
Total SCT abn-1 CMTRAT
Modelo estadístico para un diseño factorial
Cualquier observación en el diseño factorial se puede representar por el modelo;
Ecuación
22
i= 1,……., a numero de tratamientos
j=1,…., b numero de bloques
k= 1,2,..n
= media general, también denominada
= efecto debido al i-esimo nivel del factor A, también denominada
= efecto debido al j-esimo nivel del factor B, también denominada .
= representa al efecto de interacción en la combinación ij, también denominada .
= es el error aleatorio que supone una distribución con media cero y varianza
constante
Estando el modelo de regresión descrito por :
Ecuación 23
Lección 4. Ventajas y desventajas de los Experimentos Factoriales
Podemos resaltar entre varias las siguientes:
54
1. Economía en el material experimental pues se obtiene información sobre

varios factores sin incrementar el tamaño del experimento.
2. Permiten el estudio de la interacción, 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 diseños factoriales
Una desventaja de los experimentos factoriales es que requieren un gran número

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 difícil encontrar grupos de unidades

experimentales homogéneas 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 diseño de

control de error o un sub muestreo o con covariables.
En este modulo sólo se presentaran análisis de experimentos factoriales de dos

factores bajo un DCA y o DBCA.
Lección 5. Ejemplo de un diseño factorial solucionado con Stat Graphics
Se corre un diseño factorial 3x2 con 2 replicas para investigar el encogimiento de

un producto después 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:
 Hipótesis de investigación: la temperatura y los aditamentos influyen en

el tamaño final del producto.
 Diseño del experimento: una masa bien homogénea para la confección

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 diseño factorial a x b
Temperatura
T1 T2 T3
55
Empaque B1 3,9 4,2 4,3 3.81 3.72 3.84 4 3,8 3,4

B2 3,5 3,8 4,0 3.37 3.50 3,6 3,9 4,1 4,3
** Elabore el ANAVA para este proceso y socialícelo con los compañeros en el

grupo de curso.
Stat Graphics
Diligenciamos la tabla QQQ zamos la suma por fila y por columnas para facilidad
de los cálculos.
Calculando la suma de cuadrados de los efectos
SSCT , SSCA, , SSCB , SSCAB
Tabla 14. ANOVA para el ejemplo de diseño factorial a x b
Suma de Grados de Cuadrados Fo p-value

Ecuac
Ecuac Ecuac Ecuac
EFECTOA
EFECTOB
EFECTOAB
Error
Total
* Que conclusiones sacarías?
56
U-2- Capitulo dos: Diseños Factoriales 2K
Lección 1: Codificación de variables
La codificación consiste en asignar valores numéricos o alfanuméricos (códigos) a

cada una de las variables con el fin de facilitar el tratamiento de los datos.
Los niveles de los factores para el diseño factorial se pueden codificar con los
símbolos +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 región experimental en la que los valores reales de los factores
dependen de la diferencia entre los valores altos y bajos.
Ecuación 24
Diferencia = ½ (X M– Xn) Ecuación 65
(X M– Xn) = diferencia entre los valores máximo y mínimo.
= el valor en el experimento
= el valor medio en el experimento
Lección 2: Diseño factorial 2K
Definiciones
Los diseños factoriales 2k son diseños en los que se trabaja con k factores, todos
ellos con dos niveles (se suelen denotar + y -). Estos diseños son adecuados para
tratar el tipo de problemas descritos porque permiten trabajar con un número
elevado de factores y son válidos para estrategias secuenciales.
En este diseño 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 también A1
57
Y el nivel inferior por 1 o también A2.
Es la estrategia más adecuada para conocer simultáneamente qué efecto tienen k

factores sobre una respuesta y descubrir si interaccionan entre ellos.
Para la notación utilizada k = numero de factores.
Y 2 (báse) es el número de niveles seleccionados.
Las interacciones suelen ser muy corrientes y a veces son los efectos más
importantes, por lo que conocerlas es imprescindible para comprender el
comportamiento de muchos sistemas.
Éste describe los experimentos más adecuados para conocer simultáneamente

qué efecto tienen k factores sobre una respuesta y descubrir si interaccionan entre
ellos.
Al no haber factores correlacionados se evitan experimentos redundantes.

Además, los experimentos se complementan de tal modo que la información
buscada se obtiene combinando las respuestas de todos ellos.
Efecto de un factor en un diseño 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 demás factores.
Procedimiento
Calculo del efecto de un factor en un diseño 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 demás factores
PRUEBA A B AXB Combinación REPETICIONES PROMEDIO

de los
tratamientos Y Y Y Y
1 2 .. n
1
- - + (1)
2
+ - - a
3
- + - 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)] Ecuación 25
b) El efecto promedio de B es definido como:
B = 1/2n {[ab-a]+[b-(1)]}
B = 1/2n {[ab + b – a - (1)]} Ecuación 26
c) El efecto de interacción de AB es definido como:
AB = 1/2n {[ab-b]-[a-(1)]}
AB = 1/2n [ab + (1)-a-b] Ecuación 27
n = número 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 Ecuación 28
También puede ser calculada
d1) Para el factor A este se calcula con:
Ecuación 29
d2. De B
Ecuación 30
d3. De AB
Ecuación 31
d4. Calculo de la suma de cuadrados totales
59
Ecuación 32
N = número de pruebas
d5. Calculo de la suma de cuadrados del error
SCE= SCT-SCA-SCB-SCAB Ecuación 33
ANOVA para un diseño factorial 22
Con los productos de las ecuaciones del numeral anterior debemos construir la
siguiente tabla.
Tabla 16. ANOVA para un diseño factorial 22

EFECTOA SCA 1 CMA Fo = CMA / P(F >

CME Fo)
EFECTOB SCB 1 CMB Fo = CMB / P(F >
CME Fo)
EFECTOAB SCAB 1 CMAB Fo = CMAB/ P(F >
CME Fo)
Error SCE 4(n-1) CME
Total SCT n22-1
Ejemplo de un diseño experimental factorial 22
Los pasos a seguir en la resolución de un ejercicio o situación de ingeniería en

donde se aplique un diseño experimental son los siguientes:
1- Planteamiento del problema
Se quiere comprobar el rendimiento de una reacción con un nuevo catalizador.
Por tanto, se pretende determinar en qué grado la temperatura y el tiempo influyen

en el rendimiento de reacción y cómo este se puede variar para mejorarlo.
2- Factores y dominio experimental
Para lo cual acorde con la experiencia previa, la revisión bibliografía o las

necesidades de la experimentación (criterios de rentabilidad, limitaciones
60
experimentales), se debe escoger qué factores interesa estudiar y qué 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 máximo y mínimo
que pueden tomar.
Para lo cual se acordó que el tiempo de reacción no debería ser inferior a 8 horas
para que el proceso fuera rentable, y superior a 6 horas para asegurar un buen
rendimiento; además el rango de temperatura de trabajo debe ser superior a los
(40ºC) pero sin exceder los 80ºC.
La tabla 35 también muestra la notación codificada más 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 sólo se indican – y +.
Es necesario definir la correspondencia entre variables reales y codificadas porque

el diseño de experimentos describe la experimentación óptima empleando
variables codificadas (X1, X2,...) sin dimensión. De este modo las herramientas
matemáticas y estadísticas son generales y se pueden aplicar a cada problema
concreto.
La experimentación más económica (mínimo número de experimentos) es aquella

en la que cada factor toma sólo dos valores (niveles). Y la que proporcionará la
información 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 diseño factorial 22
Matriz de Plan de Respuesta
experimentos experimentación (% rendimiento)

x1 x2 Tiempo Temperatura(ºC) Corrida Corrida Corrida
1 2 2
(h)
1 - - 6 40 49 48 49
2 + - 8 40 54 58 55
3 - + 6 60 70 72 73
4 + + 8 60 78 55 56
61
Tabla 18. Matriz para el ejemplo de diseño factorial 22

PRUEBA A B AXB Combinación Repeticiones Y
de los
tratamientos PROMEDIO
x1 x2 x1 x2
Y Y Y
1 2 3
1
- - + (1) 49 48 49 48,66666667
2
+ - - a 54 58 55 55,66666667
3
- + - b 70 72 73 71,66666667
4
+ + + ab 78 55 56 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 interacción de AB es definido como:
AB = 1/2n{[ ab-b]-[a-(1)]}
AB = 1/2n[ ab+(1)-a-b] =
AB = -9
n = número de repeticiones o replicas
Tabla 19. Análisis de varianza para el ejemplo de diseño factorial 22

EFECTOA 176,3333333 176,3333333 0,032713984 P(F >

Fo)
62
EFECTOB 507 1 507 0,094060433 P(F >

Fo)
EFECTOAB 264,4533907 1 264,4533907 0,049062328 P(F >
Fo)
Error 43121,21328 8 5390,151659
Total SCT 11
Lección 3: Diseños factoriales 23
Definiciones
Diseño factorial de tres factores con dos niveles cada uno.
Un diseño 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 vértices 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 vacíos de las combinaciones sin

explorar.
Efecto de un factor en un diseño 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 demás factores.
Discusión
El efecto de un factor en un diseño 23, se calcula como se explica en las tablas

siguientes:
Tabla 20. Combinación de los tratamientos para un diseño 23

COMBINACIÓN
DE
CORRIDA A B AXB AXC BXC AXBXC TRATAMIENTOS
C
1 - - - (1)
+ + + -
63
2 + - - a
- - + +
3 - + - b
- + - +
4 + + + ab
+ - - -
5 - - + c
+ - - +
6 + - + ac
- + - -
7 - + + bc
- - + -
8 + + + abc
+ + + +
Tabla 21. Signos algebraicos para calcular los efectos en un diseño 2 3
COMBINACIÓN DE LOS EFECTO FACTORIAL

TRATAMIENTOS
I A B AXB AXC BXC AXBXC

C
- - -
(1) + + + + -
+ - -
a + - - + +
- + -
b + - + - +
+ + -
ab + + - - -
- - +
c + + - - +
+ - +
ac + - + - -
- + +
bc + - - + -
+ + +
abc + + + + +
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]} Ecuación 34
A = 1/2n[ a+ab+abc – b - bc -(1)] Ecuación 35
B = 1/2n{[-(1)-a+b+ab-c-ac+bc+abc]}
B = 1/2n{[ ab + b+bc+abc – a-c-ac - (1)]} Ecuación 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]} Ecuación 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]} Ecuación 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]} Ecuación 39
f) la suma de cuadrados es definida como:
SS= [Efecto]2[2k-2]n Ecuación 40
También pueden ser calculados.
Calculo de la suma de cuadrados totales
Ecuación 98.1
g) Calculo de la suma de cuadrados del error.
SSE= SST-SSA-SSB-SSAB Ecuación 41
h) Analisis de residuos
Ecuación 42
Análisis de varianza para un diseño factorial 23
Tabla 22. Calculo del Análisis de varianza para un diseño factorial 23
65
Suma de Grados de Cuadrados Fo p-valor

EFECTOA SCA 1 CMA Fo = CMA / P(F >

CME Fo)
EFECTOB SCB 1 CMB Fo = CMB / P(F >

CME Fo)
EFECTOC SCC 1 CMC Fo = CMC / P(F >

CME Fo)
EFECTOAB SCAB 1 CMAB Fo = CMAB/ P(F >

CME Fo)
EFECTOAC SCAC 1 CMAC Fo = CMAC / P(F >

CME Fo)
EFECTOBC SCBC 1 CMBC Fo = CMBC / P(F >

CME Fo)
EFECTOABC SCABC 1 CMABC Fo = CMABC P(F >

/ CME Fo)
Error SCE 23(n-1) CME
Total SCT n23-1
Coeficientes de determinación
Estos coeficientes miden la proporción o el coeficiente de variabilidad en los datos

experimentales que es explicada por el modelo considerado.
Ecuación 43
Ecuación 44
Lección 4. Solución de un diseño 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 pequeñas cantidades son con los que se puede resolver este
66
problema, por lo que es necesario explorar la situación; para ello se corre un

experimento 23 con dos réplicas. Con los resultados obtenidos:
Tabla 23. Datos de la viscosidad de la bebida desarrollada.
INGREDIENTE INGREDIENTE INGREDIENTE VISCOSIDAD

y1 y2 Ym
A B C
-1 -1 -1 13,3 13,7 13,4985184
+1 -1 -1 14,7 14,4 14,5492268
-1 +1 -1 14,6 14,5 14,5499141
+1 +1 -1 14,3 14,1 14,1996479
-1 -1 +1 16,9 17,2 17,0493402
+1 -1 +1 15,5 15,4 15,4499191
-1 +1 +1 17,0 17,1 17,0499267
+1 +1 +1 18,9 19,0 18,949934
Tabla 24. Promedio y factores calculados para el ejemplo de la viscosidad
Promedio 15,6621 +/- 0,61255

Factor A 0,250257 +/- 1,2251
Factor B 1,0506 +/- 1,2251
Factor C 2,92545 +/- 1,2251
Factor AB 0,524613 +/- 1,2251
Factor AC -0,099964 +/- 1,2251
Factor BC 0,699696 +/- 1,2251
Tabla 25. Análisis de la varianza para la viscosidad de la bebida desarrollada.
Suma de Grados de Cuadrados F p

Factor_A 0,125257 1 0,125257 0,04 0,8717
Factor_B 2,20754 1 2,20754 0,74 0,5487
Factor_C 17,1166 1 17,1166 5,70 0,2525
AB 0,550439 1 0,550439 0,18 0,7424
AC 0,0199856 1 0,0199856 0,01 0,9482
BC 0,979149 1 0,979149 0,33 0,6696
67
Total error 3,00174 1 3,00174

Total 24,0007 1
(corr.)
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 regresión de la ecuación de los datos de viscosidad de

la bebida desarrollada en el ejemplo anterior.
Constante = 15,6621 Factor_A = 0,125129

Factor_B = 0,525302 Factor_C = 1,46273
AB = 0,262307 AC = -0,049982
BC = 0,349848 R2 = 87,4931
La ecuación 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. Ecuación 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 estándar para el ejemplo de la viscosidad de
la bebida desarrollada.
El valor estadístico 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 estándar muestra que la desviación estándar 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 ecuación de
regresión encontrada para el ejemplo anterior, utilizando el programa Stat
Graphics.
Datos Valor observado Valor fijado Lower 95,0% Upper 95,0%

CL for Mean CL
1 13,4985 14,1111 -6,48132 34,7035
2 14,5492 13,9367 -6,65571 34,5291
3 14,5499 13,9374 -6,65502 34,5298
4 14,1996 14,8122 -5,78019 35,4046
5 17,0493 16,4368 -4,1556 37,0292
6 15,4499 16,0625 -4,52992 36,6549
7 17,0499 17,6625 -2,92991 38,2549
8 18,9499 18,3374 -2,255 38,9298
Presentación de resultados.
La interpretación de los resultados sugerimos realizarlos en el siguiente orden y

las siguientes recomendaciones:
1) Valor medio
2) Efectos principales
3) Efectos de interacción de dos factores
4) No olvidar que existe interacción cuando el efecto de un factor es diferente a

distintos niveles de otro(s) factor(es). Esto se puede comprender fácilmente si
evaluamos el efecto de cada factor por pares de experimentos.
5) Efecto de interacción de tres factores
Por ejemplo para el ejercicio de la viscosidad se deberían presentar las siguientes

graficas.
Figura 16. Efectos medios para el ejemplo de la viscosidad.
69
Lección 5. Otros diseños experimentales y diseño de parcelas divididas

Para la temática se consultaron a Padrón, 1996; Montgomery, 2000 y Gil, 2001.
El diseño experimental de parcelas divididas es un factorial conducido de tal

manera que la unidad experimental con respecto a uno o más 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 más apropiados aplicarlos a las subunidades-provenientes
de la primera. También este diseño es utilizado por la conveniencia o facilidad de
aplicar diferentes factores a diferentes unidades con tamaños distintos. El diseño
de parcelas divididas también puede ser usado para incrementar la precisión del
efecto estimado por la aplicación de un factor a las subunidades.
En este diseño 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 diseño comúnmente utilizado cuando se
tienen partes grandes de cierta materia prima (parcela principal) y cada parte
grande se divide en partes pequeñas (subparcelas). El término tiene antecedentes
agrícolas porque las parcelas grandes eran grandes extensiones de tierra y las
parcelas pequeñas eran pequeñas áreas de tierra. Los bloques generalmente
corresponden a repeticiones del experimento o a distintos entornos para llevarlo a
cabo.
Este estudio requiere de modelos de análisis de varianza con dos o más tipos de
errores experimentales y modelos de regresión. En muchos casos, estos
procedimientos modificados producen los resultados apropiados. Sin embargo,
estos métodos son frecuentemente incómodos y confusos de utilizar. En algunos
casos, y más importante, estos procedimientos para modelos de efectos fijos no
pueden ser modificados para producir la estadística apropiada para los objetivos
de la investigación (Littell et al., 1991).
Error experimental: variación en respuesta bajo las mismas condiciones de

prueba. También se denomina error residual.
CAPÍTULO 3. Regresión lineal y superficies de respuesta
Lección 1. Introducción y el significado de la regresión y suposiciones

básicas
70
El análisis de regresión es útil para averiguar la forma probable de la relación entre

las variables y cuando se utiliza éste método, 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 análisis realizados a la muestra
representativa, extraída de una población determinada, el investigador estará en
capacidad de comprender y conocer minuciosamente la naturaleza y
comportamiento de la población en la que se encuentra interesado.
Regresión lineal simple. (2, 3, 7 y varios autores)

El análisis de regresión es útil para averiguar la forma probable de la relación entre
las variables y cuando se utiliza éste método, 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 análisis de correlación, se refiere a la medición de la intensidad

existente entre las relaciones de las variables. Cuando se calculan los coeficientes
de correlación de un conjunto de datos, el interés se centra en el grado de
compatibilidad existente entre las variables que integran el problema.
Tabla 27. Ecuaciones para el estimativo de una regresión lineal simple
Y  a  bX Ecuación 45
b  { XY [ X  Y n]} X 2
 [ X 2 n] Ecuación 46
a   Y  b X n Ecuación 47
r  { XY [ X  Y n]}   X  [ X 2 n Y  Y 2 n

Ecuación 48
También es representada como
Y   0  1 X   Ecuación 49
En donde
 0  a  int er sec cion 1  b  pendiente
  cambio en el error. Variable aleatoria
71
Lección 2. Coeficientes de correlación.
Una correlación es el grado de relación entre dos o más variables que busca
determinar en que medida una línea u otra ecuación describe o explica dicha
relación.
Se encuentran dentro de un rango que va desde -1 hasta 1 rango que explica el

alcance y la valoración de dicho coeficiente y la dirección de la correlación. Tabla
49.
Tabla 28. Grado de asociación de los coeficientes de correlación para un conjunto

de datos. (varios autores)
COEFICIENTE DE CORRELACIÓN INTERPRETACIÓN

-1.00 Correlación negativa perfecta
- 0.95 Correlación negativa fuerte
- 0.50 Correlación negativa moderada
- 0.10 Correlación negativa débil
0.0 No existe ninguna correlación
+ 0.10 Correlación positiva débil
+ 0.50 Correlación positiva moderada
+ 0.95 Correlación positiva fuerte
+ 1.00 Correlación positiva perfecta
El grado de asociación, mientras más cerca este de la unidad, en una u otra

dirección, mayor es la correlación.
Generalmente en la mayoría de los trabajos de investigación se busca establecer

una correlación lineal, ya sea positiva o negativa, no se puede considerar que
todas las relaciones entre dos variables (X y Y) forman una línea recta. (ver
capitulo siguiente).
Existen muchas correlaciones de carácter curvilíneo que indican que una variable
aumenta a medida que la otra se incrementa hasta que la relación misma se
invierte, de tal manera que una variable decrece finalmente mientras que la otra
sigue en aumento, es decir, que la relación 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 reacción química o en una reacción
bioquímica.
Lección 3. Transformación de datos
72
Regresión lineal múltiple.

El análisis de regresión lineal múltiple consiste en generar modelos de regresión
con más de una variable independiente (X1, X2, X3…..); el modelo de regresión
lineal múltiple es representado por:
Y   0  1 X 1   2 X 2  ........   k X k   Ecuación 50
k = numero de variables (Xs)
Tabla 29. Modelos de regresión lineal simple
ECUACIÓN MODELO
Y  e a bX Exponencial Ecuación 51
Y 1 (a  bX )
El reciproco Ecuación 52
Y  aX ) b Multiplicativo Ecuación 53
Y  a  b ln( X ) Logarítmico Ecuación 54
Y  ab (X ) Reciproco
Ecuación 55
Transformación de datos. (3, 7, 8, 27 y varios autores)
En la práctica muchos de los procesos experimentales no siguen una distribución

normal con varianza constante y aunque el procedimiento de ANOVA es robusto y
admite desviaciones moderadas al realizar un análisis estadístico con resultados
que no cumplen con los supuestos acerca del modelo estadístico, se puede llegar
a una conclusión y decisión errónea.
Para lo cual mediante una transformación adecuada puede conseguirse que una
variable que no se distribuye normalmente pase a tener una distribución casi
normal; por ejemplo un cambio de escala puede variar la media y la varianza de la
variable así como su relación con respecto a otras variables al igual que la forma
de la distribución de una variable cambia con la escala.
Las poblaciones con varianzas desiguales pueden convertirse en varianzas

homogéneas mediante una transformación apropiada.
Las transformaciones más usadas se presentan en la tabla siguiente:
Tabla 30. Transformaciones usadas para datos
73
Transformación apropiada Tipo de transformación

Y  ln(Y )
'
O Y  log 10 (Y ) Ecuac 56
' Transformación logarítmica
Y '  Y 1 / 2 Ecuación 57 Transformación de la raíz cuadrada
Y '  Y 1 Ecuación 58 Transformación del reciproco
Lección 4. Correlación múltiple y ANCOVA
Si en la ecuación anterior es necesaria más de una variable independiente(X1,

X2...) se aplica el término de "correlación múltiple".
Los cálculos para este tipo de correlación son más dispendiosos y la interpretación
de sus resultados más complejo. La inclusión de variables adicionales incrementa
los datos necesarios y puede también adicionarse un considerable costo al
estudio.
Las razones principales para cambiar el análisis de una á dos o más variables
independientes son:
Existe una relación lógica, y una sola variable independiente no proporciona un

coeficiente de correlación suficientemente satisfactorio.
El coeficiente de correlación múltiple representa la proporción de variación en Y

que explica el conjunto de variables explicativas seleccionadas. (3, 7, 8, 27 y
varios autores)
Análisis de Covarianza-ANCOVA
El análisis de covarianza es un procedimiento muy importante en experimentación,

pero lamentablemente no se usa con frecuencia.

dependiente Y.

respuesta final y de la unidad experimental.
Los objetivos del análisis de covarianza son:
74
a) Disminuir el error experimental con el respectivo aumento en precisión 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.
Lección 5. Superficies de respuesta

Los diseños factoriales son útiles para el tamizado de factores- para identificar los
factores más importantes que afectan el desempeño de un proceso o
caracterización del proceso (Montgomery, 2004).
Una vez que se ha identificado el subconjunto adecuado de variables del proceso,
generalmente el paso siguiente es la optimización del proceso, que implica
encontrar el conjunto de condiciones de operación de las variables del proceso
que producen el mejor desempeño del mismo (Cochran & Cox, 2001).
Puede resultar útil ajustar una curva de respuesta a los niveles de un factor
cuantitativo para que el investigador cuente con una ecuación que relacione la
respuesta con el factor. Esta ecuación 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 diseño (Christensen, 1990).
En este sentido cabe destacar la metodología de superficies de respuesta (RSM),
como el enfoque de optimización más exitoso y generalizado. En general, se usan
métodos de regresión lineal para ajustar estos modelos a los datos experimentales
(Cox, 1978). Además, los efectos de los factores cuantitativos pueden
representarse con efectos polinomiales con un solo grado de libertad. De manera
similar, es posible hacer la partición de las interacciones de factores cuantitativos
en componentes de interacción con un solo grado de libertad.
La superficie de respuesta se usa como guía 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 método de
75
experimentación más sofisticado para encontrar la superficie de respuesta

operativa final del proceso de interés.
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 función de los niveles de la variable x1 y x2: Y=f(x1,x2)+épsilon
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.
Método de Superficie de respuesta (RSM): es la gráfica de la respuesta del
sistema vs los factores del sistema. RSM emplea el diseño experimental para
descubrir la forma de la superficie de respuesta y aprovecha los conceptos
geométricos
Variable de respuesta: Variable que muestra los resultados observados de un
tratamiento experimental, es la variable dependiente
Modelo de Superficie de Respuesta para un diseño 2k

Un aspecto interesante de los diseños factoriales 2k es que si se codifican las
variables al intervalo [-1,1] entonces, se puede obtener el modelo de regresión
correspondiente con relativa facilidad (Montgomery & Vining, 2002). Consideremos
por ejemplo el diseño 22. En este diseño se tienen dos efectos principales, A y B y
la interacción AB. El modelo de regresión 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 interacción entre A y B. Los parámetros del modelo de regresión,
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:
Efecto en ANOVA
Cualquier Parámetro en el modelo de Regresión  60
2
Y
¡Error! No
hay texto
0  gran promedio  promedio de todas las observaciones con el estilo
especificado
en el
documento.1
Se debe recordar que los valores de las variables en el modelo de regresión están
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
transformación correspondiste. Esta transformación se ilustra en la figura

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

diseño 2k
Esto nos lleva a la ecuación de transformación- revisemos numeral anterior:

2 x  Bajo  Alto
xcod.  real 62
Alto  Bajo
La cual se puede utilizar para obtener el modelo de regresión en las unidades

originales en las que se miden los factores de interés. Esto transforma la ecuación
¡Error! No se encuentra el origen de la referencia. en el modelo:
 2 x A  ABajo  AAlto   2 x  BBajo  B Alto 

y   0  1    2  B 
 AAlto  ABajo   B B 
   Alto Bajo 
63
 2 x A  ABajo  AAlto  2 x B  BBajo  B Alto 
 12   
 A  A  B  B 
 Alto Bajo  Alto Bajo 
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 regresión, 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 está codificado) o desde el valor bajo al alto si la
variable o factor no está codificado. Es decir, el modelo de regresión se puede
77
utilizar para interpolar cualquier valor intermedio de la variable respuesta sin

problemas pero no se debe utilizar para extrapolar.
Adición de puntos centrales en un diseño 2k

Un aspecto muy importante en el empleo de diseños factoriales de dos niveles es
la hipótesis de linealidad en los efectos de los factores. Claro está que la linealidad
perfecta es innecesaria, y el sistema 2k trabaja muy bien aun cuando la suposición
de linealidad es sólo aproximada. Sin embargo, existe un método para replicar
ciertos puntos en el diseño 2k factorial que proporciona protección contra la
curvatura y permite una estimación independiente del error que ha de obtenerse.
El método consiste en añadir puntos centrales al diseño 2k. Éstos coinciden de
nC réplicas de las corridas en el punto xi = 0 (i= 1, 2,…, k). Una razón importante
para añadir réplicas de las corridas en el centro del diseño es que los puntos
centrales no tienen impacto en las estimaciones usuales de los efectos en un
diseño 2k. Se supone que los k factores son cuantitativos.
b ab
Alto (+)
Corrida
Central
Medio
Bajo (-)
Medio a
(1)
Bajo (-) Alto (+)
Figura 8. Representación geométrica del diseño 22 con corridas centrales o
puntos centrales
Para ilustrar este enfoque, considérese un diseño 2 2 con una observación en cada
uno de los puntos factoriales (-, -), (+, -), (-, +) y (+, +), y nC observaciones en los
puntos centrales (0, 0). La Figura 8. ilustra esta situación. 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
pequeña, entonces los puntos centrales se encuentran sobre el plano que pasa
por todos los puntos factoriales, o cerca de él, y no hay curvatura. Por otra parte,
si y F - y C es grande, entonces la curvatura está presente. Una suma de
cuadrados de un grado de libertad para la curvatura está dada por:
n n y  y C 
2
SS Curvatura  F C F 64
nF  nC
donde, en general, nF es el número de puntos en el diseño factorial. Esta cantidad
puede ser comparada con el error cuadrático medio para probar la curvatura. De
78
manera más específica, cuando se añaden puntos al centro del diseño 2k,
entonces el modelo que se considera es
k k
Y   0    j x j    ij xi x j    jj x 2   65
j 1 i j i j j 1
donde las βjj son efectos cuadráticos puros. La prueba de curvatura consiste, en
realidad, de la prueba de las hipótesis
k
H 0 :   jj  0
j 1
k
66
H 1 :   jj  0
j 1
Por otra parte, si los puntos factoriales en el diseño no están replicados, entonces
pueden emplearse los nC puntos centrales para construir una estimación del error
con nC -1 grados de libertad.
Surface Plot of Res
95
90
Res 85
80 1
0
-1
B
0 -1
A 1
Grafica 9. Ejemplo de una superficie de respuesta
Revisar ejemplos de los apéndices
79
Apéndices
En los siguientes apéndices-ejemplos resueltos de diseños experimentales

encontraras cuatro ejercicios para analizarlos y tenerlos de guías para los trabajos
colaborativos a realizar.
80
Apéndice 1
Repaso de la estadística aprendida en cursos anteriores
Recientemente un instituto de certificación de normas técnicas realizo una
investigación sobre la composición bromatológica 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
árboles, en tres épocas de cosecha diferente pero consecutiva, procesaron el
material y determinaron algunas propiedades físico-químicas, reportada en la tabla
1.
Tabla 1. Composición química de harinas de plátano, de ocho localidades
diferentes (%)**
Característica/procede Humedad Ceniza grasa Proteína Almidón Fibra

ncia
Harina de platano-1 10 2,5 1 7,12 60-72 1
Harina de platano-2 7,5 2,1 0,1 12,8 23
Harina de platano-3 14 8 12 13
Harina de platano-4 14 11 1 21
Harina de platano-5 13.1 3,6 1.2 21,3 60,8 3,9
Harina de platano-6 12.2 2 1.5 8 73 4
Harina de platano-7 12.1 3,5 18 78,5 4,5
Harina de platano-8 14 6 3 11,5 11
Solución
Verifiquemos el desarrollo numérico del ejercicio
Características/pro Humedad ceniza grasa proteína Almidón fibra total Media

cedencia
Harina de platano- 13.1 3,6 1.2 21,3 60,8 3,9 103,9 17,31
5
Harina de platano- 12.2 2 1.5 8 73 4 100,7 16,78
6
Harina de platano- 12.1 3,5 18 78,5 4,5 116,6 19,43
7
TOTAL 37,4
GRAN MEDIA 12,5
81
a) Describa detalladamente el diseño del experimento que programaron

los profesionales a cargo del proyecto. Se deben identificar los
elementos que intervienen en el estudio experimental.
Rta: Es un diseño completamente al azar. Se trata de un experimento de

una variable (en este caso la localización). En el cual se pretenda medir su
efecto sobre el contenido químico (bromatológico) de las muestras tomadas
(tres por cada localidad) y partir de los resultados generados y que se
presentan en la tabla 1, realizar los análisis respetivos.
Los elementos que intervienen en el diseño experimental son: Las
ocho localidades (variables), las unidades de análisis u observación objeto
de la evaluación (planta de plátano) las personas que toman los datos, el
laboratorio donde se hace los análisis y quien organiza, procesa y e
interpreta los datos.
b) Se podría asociar un modelo matemático a la experimentación
desarrollada?
No; no se hablo de tratamiento.
Ho: *=
Ha: al menos una humedad es diferente de las demás.
C) El número de muestras fue apropiado? Justifique su respuesta atreves de

una formula.
Para obtener el tamaño de la muestra de una población determinada se
requiere tomar en cuenta los siguientes factores:
1- El tiempo y los recursos disponibles.
2- Las técnicas de muestreo.
3- Las técnicas de análisis de datos.
4- La estimación de la varianza.
5- El margen de error máximo posible.
6- El nivel de confianza.
Esta fórmula se utiliza cuando se desconoce el tamaño de la población.
n=
n = tamaño de la muestra.
Z= intervalo de confianza.
E= error de muestreo aceptable.
=desviación estándar.
Entonces tenemos:-intervalo de confianza=98%
Error de muestreo aceptable=2%
Desviación estándar= para calcular.
82
Calculo de desviación estándar: La desviación estándar corresponde a

la raíz cuadrada de la variación(S).
*Cálculo del número de muestras: Utilizando los tres valores correspondientes al

resultado de la humedad (13,1-12,2-12,1)
VARIANZA:
Desviación estándar:
S= =0,54
Aplicamos la fórmula para calcular el número 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 fórmula para obtener el número de muestra tenemos:
n= =
83
d) ¿Qué tipo de información grafica se podría construir con los datos tomados?
-Podríamos generar un diagrama de columna agrupada para representar cada

característica Bromatológica de las tres harinas de plátano que elegimos.
-
también podemos representar la gran media de las tres harinas en sus
características bromatológicas atreves de un diagrama
circular.
e) Determine el intervalo de confianza para la proporción 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% 95.45% 95% 90% 80% 68.27% 50%
Confianza
Valores
3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745
de Z
El nivel de confianza aquí es de 98% y si nos fijamos en la tabla podemos

ver que es de 2.33
f) ¿Se podría concluir que existen diferencias significativas entre la harina

proveniente de las diferentes localidades?
Sustente sus conclusiones utilizando un método estadístico de comparación
apropiado por ejemplo Duncan y Tukey.
PRUEBA DE TUKEY:
Se realizan comparaciones múltiples que son posibles con t tratamientos. Para
esto se procede a aplicar la siguiente ecuación: DMS= EE.
DONDE q es el valor que se encuentra en las tablas de Tukey con el número de

tratamientos, los grados de libertad del error y el nivel de significancia deseado.
El método 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, después a la siguiente mayor le restamos las
demás medias y así 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 estadísticamente .
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 Tabulación.
HP7 HP5 HP6
19,43 17,31 16,78
85
HP6 16,78 2,65 0,53 0,0

HP5 17,31 2,12 0,0
HP7 19,43 0,0
DMS=16,0094
4) HP7 HP5 HP6

19,43 17,31 16,78
CONCLUSIÓN: 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
Apéndice 2
Aplicación práctica
Experimentos sin bloquear - Diseño totalmente aleatorizado o

completamente al azar
Ejemplo
Se quiere mejorar las propiedades de transportabilidad, manejo y presentación de

las rosquillas elaboradas por una panificadora, para tal efecto de determinara el
efecto que sobre la dureza de estas tiene la incorporación de tres aditivos en la
misma proporción; los aditivos se incorporaran individualmente en la masa
elaborada (amasijo).
Diseño experimental totalmente aleatorizado
Rosquillas
3 1 8 5 4 2 6 7
9
Ingrediente A Ingrediente B Ingrediente C
Figura 12. Diagrama de flujo para la producción de rosquillas a partir de una masa
estandarizada.
Para el estudio los investigadores emplearon un diseño de experimentos completo
al azar o sin bloquear-simple y balanceado por que todos los tratamientos tienen el
mismo número de datos.
Hipótesis de investigación: La hipótesis planteada es que al menos uno de los
tres ingredientes mejorara la dureza final de las rosquillas.
H0 : U1=U2=U3
87
Y la hipótesis alterna
HA: U1 # U2 # U3
Diseño del experimento: una masa bien homogénea para la confección 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 asignándole una secuencia de números aleatorios a
las unidades experimentales, utilizando una de las tablas de permutación de
donde se toma una permutación 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 aleatorización hecha.
Tabla 12. De aleatorización para el ejemplo de las rosquillas
3 1 8 5 9 4 2 6 7
Tratamiento
o aditivo A A A B B B C C C
La dureza se evalúa después de seis días de almacenamiento a 10*C.
Tabla 13. Datos obtenidos en la determinación de la dureza para el ejemplo de las

rosquillas.
Tratamientos Dureza o variable de respuesta

Determinación Total Media
c/trata
(Und / cmt) miento
Secuencia de 3 7 1
experimentación
Aditivo A 7 9 5 21 7
Secuencia de 5 8 4
experimentación
88
Aditivo B 10 8 9 27 9
Secuencia de 2 9 6
experimentación
Aditivo C 10 9 12 31 10.33
Gran media 79 8.77
Solución: 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= número de tratamientos.
r=repeticiones de haberse realizado.
N= total de mediciones-datos (N= anr).
r=1 solo una medida por tratamiento.
Yij1  Yij n
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 Obsérvese que es igual a Yij   y ij
j 1
3- Elevamos al cuadrado cada uno de los datos u observaciones registradas.

Cada observación de cada tratamiento se eleva al cuadrado.
a n
 
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 también como factor de corrección

4- Elevamos al cuadrado la suma horizontal de los tratamientos (hallados en
2) estos valores (cuadrados) para cada tratamiento se suman.
Aplicamos la fórmula 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 n
SCTotal    yij 2   Y ..2 N 
i 1 j 1
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. Análisis de varianza para evaluar el efecto de los aditivos en la
elaboración de rosquillas.
Grados SC CM F0 p-valor
Fuente de de Suma de Cuadrados Razon
variación Libertad cuadrados medios Ecuac
Ecuac Ecuac Ecuac
Tratamientos 3-1=2 23.5555 11.77775 8.83 0,1004
Error 6 8 1.3333
Total (9-1)=8 31.5556 SSTotales / (kn -1)
Como la razón de varianza calculada-8.83 para los tratamientos es menor que la

reportada-propuesta en la tablas de valores criticos de distribución 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: ¿ Cuál de ellos?.
U establecer específicamente cuáles son las medias que difieren entre sí en forma
significativa.
Para el efecto utilizamos los llamados métodos de comparaciones múltiples como

la mínima diferencia significativa (LSD), el método de Tuckey y el método de
Dunnett.
La Diferencia Mínima 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 distribución de t por la siguiente
relación:
- Media del tratamiento B = Sd (t)

91
½
-k
N-K = grados de libertad del error = 6
2
/ n) ) ½ es el error típico de la media
n= 3- número de muestras en experimentación por tratamiento.
-k 1.3333/ 3) ½
S= t -k (0.888888) ½
S= t (0.9428)
t = 2.44 extractado de las tablas de puntos críticos para la
distribución 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
sí existen diferencias si se comparan medias no adyacentes, en este caso, el
investigador podría optar por otro tipo de prueba de rango múltiple.
Por ejemplo si utilizamos además la prueba de rango múltiple para las rosquillas:
95% LSD, obtenemos los siguientes resultados:
Tabla 15. Análisis de homogeneidad y contraste de las rosquillas.
Tratamiento Muestras Media Homogeneidad Contraste (Diferencia)

del grupo
A 3 7 X A-B ( -2)
92
B 3 9 XX B-C (-3.33)*
C 3 10.33 X B-C (-1,33)
* Indica diferencia estadísticamente significativa

Comprobando que el tratamiento seleccionado es el que presenta mejores
condiciones para ser aplicado a la rosquilla.
Solución por computadora
Hay muchos paquetes de software de estadística que cuentan con la capacidad
para probar hipótesis estadísticas. SPSS- EXCELL-
93
Apéndice 3
Un grupo de profesionales-del que Ud hace parte, desarrollo un proyecto de

investigación el cual tenía como meta estudiar la composición de amino ácidos de
una alga cultivada en superficie en cuatro sustratos diferentes. Obteniéndose los
siguientes resultados:
Tabla 6. Composición Bromatológica (% Bs) De La Harina De un alga

desconocida. Según Los Sustratos Alimenticios/ **
Sustrato MatSec ProtC ProtV ProS Grasa EB AcGrasS AGI AGP FDN FDI
Tot
S1 19.9 57.29 51.16 90.26 4.81 19.74 3.12 1.32 1.43 2.82 8.12
S2 20.1 56.67 50.91 91.00 5.75 20.08 3.89 1.87 1.85 2.91 7.96
S3 21.6 53.98 48.62 88.78 4.37 18.91 3.01 1.98 1.85 3.13 8.86
S4 19.9 56.59 49.96 91.78 5.75 18.09 3.10 1.79 1.37 2.82 8.58
S5 16.13 39.23 46.96 85.76 4.07 12.54 3.17 1.10 1.21 2.21 6.42
Datos tomados con fines educativos
Identifique con toda precisión: las unidades experimentales, los factores, los
tratamientos, las variables y demás características que intervienen en el estudio
que realizo tu equipo de trabajo.
Igualmente te solicitamos que de respuesta a las siguientes preguntas:
a) ¿Qué tipo de diseño siguieron los profesionales a cargo del estudio?
b) Plantee el modelo matemático, justificando su respuesta.
c) Establezca las suposiciones necesarias para el análisis de varianza de los

datos. Realice el análisis de varianza.
d) Pruebe la hipótesis 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 situación experimental para su trabajo disciplinar, se

podría presentar este tipo de análisis. Describa el ejemplo
Desarrollo
-Los factores: El alga cultiva en superficie.
94
-Las unidades experimentales del presente ejercicio son: composición de

aminoácidos de un alga.
-Los tratamientos: los cinco sustratos diferentes.
-Variables: resultados de la composición de aminoácidos.
a) Tipo de diseño: después de analizado este ejercicio parece ser que presenta el
nivel descriptivo ya que describe las características de la composición de
aminoácidos del alga y su comportamiento en los cinco sustratos.
b) El modelo matemático: se va a utilizar el análisis 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 razón de las diferencias observadas, el nivel de margen de error y así mismo
para comprobar la hipótesis que se presenta mas adelante.
c) Análisis de varianza:
Para este ejercicio se trabajara con los siguientes sustratos:
Composición Bromatológica (% Bs) De La Harina De un alga desconocida. Según

dos Sustratos Alimenticios.
Aminoácidos S1 X X2 S2 X X2
MatSec 19.9 396.01 20.1 404.01
ProtC 57.29 3282.144 56.67 3211.488
ProtV 51.16 2617.345 50.91 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
ẋ = 259,97/11 (sustratos) = 23.633
Sustrato 2:
S2
ẋ = 262,99/11 = 23,908
Media total entre los dos sustratos:
S1 + S2 /22
522,96/22 = 23,770
Suma total de los cuadrados:
Σ xt2 = ΣX2 - (ΣX)2 = 29961 – (522,96)2 = 29961 – 12431,23
------- ------------
N 22
= 17529,77
Suma de los cuadrados entre los dos sustratos:
Σ xb2 = (ΣX1)2 + Σ(X2)2 + ....- (ΣX)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.
Σ 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 SS df MS F Nivel de
varianza signo
Suma de 0,41 1 0.41 0,0004677 0,05
los
cuadrados
entre dos
sustratos
Suma de 17529,36 20 876,468
los
cuadrados
dentro de
los
sustratos
TOTAL 17529,77 21
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 así:
0,41/1 = 0,41 y 17529,36/20 = 876,468.
d) Hipótesis: no existe diferencias entre las medias de los tratamientos.
Para hallar el producto final, o sea la razón 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 razón F3, con el fin de determinar si esta tiene significancia estadística.
Localizando los grados de libertad entre grupos (numerador) y el número de

grados de libertad dentro de los grupos (denominador), encontramos: los grados
de libertad son 1 y 20, lo cual establece una razón 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 razón F igual o mayor
que la encontrada en la tabla, entonces la diferencia hubiera sido significativa y se
rechazaría la hipótesis nula.
f) Y, en que otro tipo de situación experimental para su trabajo disciplinar, se

podría presentar este tipo de análisis: Existen muchas situaciones en la Ingeniería
97
de Alimentos, donde se presentan estos ejemplos de análisis, por ejemplo: análisis

de porciones con cierta muestras de alimentos, experimentos acerca del empleo
de químicos para alguna prueba de laboratorio, hay mucho ejemplos lo que se
debe tener en cuenta y es muy importante tomar el análisis correcto.
98
Apéndice 4
Un equipo de ingenieros de alimentos y zootecnistas realizó un experimento, con

el fin de mejorar las condiciones de una dieta para semovientes, agregado dos
complementos alimenticios diferentes a sus ingredientes básicos (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 iníciales (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 continuación,
especifique si es correcto el diseño seguido, de respuesta a las siguientes
inquietudes, realizando y desarrollando los cálculos según el caso.
a. Qué tipo de diseño experimental siguieron los proyectantes? ¿Por qué?
El diseño que siguieron los proyectantes fue el cuadro Greco latino, el cual tiene
las siguientes características:
v Es un diseño con cuatro factores a k niveles
v Se asume que no hay interacciones
v Requiere k2 observaciones
v El diseño factorial completo requiere k4
v Cada nivel de un factor aparece una vez con cada nivel de los otros factores
v Es una superposición 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 diseño cuadrado latino, siguiendo las mismas reglas
utilizadas para introducir un tercer factor en un diseño 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 adición de un diseño
cuadrado latino y un cuarto factor, se le llama Diseño 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 SC CM Fo 5% 1%
DE
101
LIBERTAD
TRATAMIENTOS 4 350,56 87,64 12,90722 3,84 7,01
COLUMNAS 4 22,16 5,54 0,815906 3,84 7,01
4° Factor 4 10,16 2,54 0,37408 3,84 7,01
HILERAS 4 13,36 3,34 0,4919 3,84 7,01
ERROR 8 54,32 6,79
TOTAL 24 450,56
SẊ=√6,79/5 = 0.521.
Sd=√2(6,79)/5 = 1,648.
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 variación 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 variación 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 variación.
Como la Fo (0,38) < F 0.05, 4, 8 = 3.84,
Ho. Se acepta, el segundo complemento no es fuente de variación.
a. ¿Se podrían realizar comparaciones entre medias? Justifique su respuesta.
La hipótesis nula
H0: m1 - m2 = d0
Generalmente d0=0
Hay 3 situaciones distintas:
1º conocidos (poco frecuente).
102
2º desconocidos pero iguales.
3º desconocidos pero distintos.
Los estadísticos 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 estadístico (t pareada).
Todos asumen normalidad. Si no se cumpliera hay que usar los llamados test no
paramétricos.
e. En caso afirmativo determine la mejor de ellas
Nº efectivo de replicación = 5
COMPARACIÓN DIFERENCIA PROMEDIO PROMEDIO DMS CONCLUSIÓN

1 2
A-E 10.8 23.6 12.8 5.4781 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 habría que tomar
datos adicionales?
Si porque con estos datos se pudo identificar diferencias significativas, y

determinar cuál tratamiento causa variación.
103
Apéndice 5
Diseño factorial
Un ingeniero está interesado en el efecto de la velocidad de corte (A) en la dureza

de una pierna de bovino (tejido muscular y hueso) congelada instantáneamente
por IQF (B) y el ángulo de corte (C) sobre la duración del dispositivo utilizado-
sierra. Para lo cual el equipo de trabajo eligió dos niveles para cada factor y corrió
dos réplicas en un diseño factorial 23. La tabla siguiente presenta los datos de
tiempo de duración (en horas) de la herramienta.
a. Represente gráficamente los datos y calcule los efectos correspondientes y las

interacciones de cada uno de los factores.
b. Determine cuáles de estos efectos son importantes usando la tabla de análisis
de varianza.
c. Determine los residuos.
d. Ajuste un modelo estadístico para estos datos
e. Reporte las conclusiones obtenidas.
Nota: Representar los datos. Interpretar los resultados enunciando las hipótesis.
Solución al ejercicio
Geométricamente las combinaciones de tratamientos que se encuentran en la
tabla anterior, se representan de la siguiente forma:
104
COMBINACION REPLICA TOTAL

DE I II
TRATAMIENTOS
(1) 221 311 532
a 325 435 760
b 354 348 702
ab 552 472 1024
c 440 453 893
ac 406 377 783
bc 605 500 1105
abc 392 419 811
6610
Modelo estadístico
Donde,
µ: efecto medio general
li: efecto del i-ésimo nivel del factor A
βj: efecto del j-ésimo nivel del factor B
γk: efecto del k ésimo nivel del factor C
105
: Efecto de la interacción entre el i-ésimo nivel de A y el j-ésimo nivel de B
: Efecto de la interacción entre el i-ésimo nivel de A y el k-ésimo nivel de C
: Efecto de la interacción entre el j-ésimo nivel de B y el k-ésimo nivel de C
: Efecto de la interacción entre el i-ésimo nivel de A, j-ésimo nivel de B y el

K-ésimo nivel de C
: Componente del error aleatorio (error natural)

Tabla de hipótesis
Forma verbal de las Hipótesis a probar:

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

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

interacciones
Efecto A: velocidad de corte
Efecto B: congelación IQF
Efecto C: ángulo 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 congelación 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 [3642-2968]
8
B= 84.25
Efecto ángulo 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 [3592-3018]
8
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 [3260-3350]
8
AB= -11.25
Efecto promedio AC
AC= 1 [(1)-a+b-ab-c+ac-bc+abc]
4n
AC= 1 [532-760+702-1024-893+783-1105+811]
4(2)
AC= 1 [2828-3782]
8
AC= -119.25
Efecto promedio BC
BC= 1 [(1)+a-b-ab-c-ac+bc+abc]
4n
BC= 1 [532+760-702-1024-893-783+1105+811]
4(2)
BC= 1 [3208-3402]
8
BC=-24.25
Efecto promedio de ABC
ABC= 1 [abc-bc-ac+c-ab+b+a-(1)]
4n
ABC= 1 [811-1105-783+893-1024+702+760-532]
4(2)
ABC= 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 duración del dispositivo utilizado-
sierra
 El efecto de la congelación IQF es positivo e igual a 84.25; significa que se

espera un aumento de 84.25 en la duración del dispositivo utilizado-sierra
 El efecto de del ángulo de corte es positivo e igual a 71.75; significa que se

espera un aumento de 71.75 en la duración del dispositivo utilizado-sierra
 El efecto de la velocidad de corte y la congelación IQF es negativo (-11.25);

significa que la combinación de ambos no afecta en la duración del
 El efecto de la velocidad de corte y el ángulo de corte es negativo (-119.25);

 El efecto de la congelación IQF y el ángulo de corte es negativo (-24.25);

 El efecto de la velocidad de corte, la congelación IQF y el ángulo de corte

es negativo (-35.13); significa que la combinación 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 paréntesis 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 2–1
MSB = SSB = 1332.25 = 28392.25

b-1 2–1
MSC = SSA = 1332.25 = 20592.25

c-1 2–1
MSAB = SSA = 1332.25 = 506.25

(a-1)(b-1) 1x1
MSAC = SSA = 1332.25 = 56882.25

(a-1)(c-1) 1x1
MSBC = SSA = 1332.25 = 2352.25

(b-1)(c-1) 1x1
MSABC = SSA = 1332.25 = 4935.06

(a-1)(b-1)(c-1) 1x1x1
MSE = SSA = 1332.25 = 2449.39875

abc(n-1) 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 Análisis De Varianza
FUENTES DE GRADOS DE SUMA DE CUADRADOS VALOR DE F F CRÍTICA

VARIACION LIBERTAD CUADRADOS MEDIOS (1,8,0.05)
A 1 1332.25 1332.25 0.54 5.32
B 1 28392.25 28392.25 11.59
C 1 20592.25 20592.25 8.40
114
AB 1 506.25 506.25 0.20

AC 1 56882.25 56882.25 23.2
BC 1 2352.25 2352.25 0.96
ABC 1 4935.06 4935.06 2.01
ERROR 8 19595.19 2449.39875
TOTAL 15 134587.75
Tomando α= 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:
Fα, 1,8(n-1) = F0.05, 1,8 = 5.32
Conclusiones
Revisémoslas, analicémoslas y fijemos nuestra posición acorde con criterios

estadísticos.
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 (congelación IQF) el F0 > F Tablas (11.59 >5.32); por
lo tanto, se rechaza H0 y se acepta H1; es decir, que la congelación IQF influye
c) Para el caso del factor C (ángulo de corte) el F0 > F Tablas (8.40>5.32); por lo
tanto, se rechaza H0 y se acepta H1; es decir, que el ángulo de corte influye
d) Para el caso de la interacción del Factor A y el factor B (velocidad de corte y

congelación 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 congelación IQF no influyen
e) Para el caso de la interacción del Factor A y el factor C (velocidad de corte y el

ángulo 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 ángulo de corte influyen significativamente en la
duración del dispositivo utilizado-sierra.
f) Para el caso de la interacción del Factor B y el factor C (congelación IQF y

ángulo de corte ) el F0 < F Tablas (0.96<5.32); por lo tanto, se acepta H0 y se
rechaza H1; es decir, que la congelación IQF y el ángulo de corte no influyen
significativamente en la duración del dispositivo utilizado-sierra.
115
g) Para el caso de la interacción del Factor A, factor B y el factor C (velocidad de

corte, congelación IQF y ángulo 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,
congelación IQF y ángulo de corte no influyen significativamente en la duración del
dispositivo utilizado-sierra.
116
GLOSARIO
Análisis de varianza: Es una técnica estadística que sirve para analizar la variación
total de los resultados experimentales de un diseño en particular,
descomponiéndolo en fuentes de variación independientes atribuibles a cada uno
de los efectos en que constituye el diseño experimental.
Análisis multivariante: Cualquier técnica estadística diseñada para medir la

influencia de varias variables independientes actuando simultáneamente en más
de una variable dependiente.
Bloque: conjunto de unidades experimentales lo más homogénea posible, en el

cual, aparecen todos los tratamientos una sola vez.
Diseño al azar: se usa cuando las unidades experimentales son homogéneas, y la

variación entre ellas es muy pequeña.
Diseño de bloques: se presenta cuando se reúnen las unidades experimentales a

las cuales se les aplicaran los tratamientos, en bloques de cierto tamaño, de tal
forma que los tratamientos se efectúen dentro de cada bloque.
Diseño experimental: Plan general del procedimiento para llevar a cabo un

experimento en función de unos datos específicos deseados.
Diseño factorial. Diseño experimental que incorpora uno o más niveles de dos o
más variables independientes.
Desarrollo Experimental: Trabajo sistemático sobre el conocimiento ya existente,

adquirido a través de investigaciones o experiencias prácticas, que se dirige a
producir nuevos materiales, productos, sistemas o métodos; instalar nuevos
procedimientos, sistemas o servicios; o mejorar sustancialmente los producidos
instalados.
Error experimental: medida de la variación que existe entre las observaciones de

unidades experimentales en el mismo tratamiento.
Estadística: Subdisciplina de las Matemáticas que reúne y evalúa datos numéricos

y los trata de tal manera que la relación entre esos datos se muestra claramente.
Innovación: se entiende por innovación tecnológica la transformación de una idea

en un producto nuevo o mejorado que se introduce en el mercado.
117
Interacción: Una interacción 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
diseños factoriales fraccionales.
Sin interacción Interacción Interacción Interacción

moderada fuerte fuerte
Investigación básica: es la investigación original, teórica o experimental, llevada a

cabo principalmente con objeto de adquirir nuevos conocimientos o una mayor
comprensión de los fenómenos y observaciones en estudio, sin el propósito de
ninguna aplicación particular.
Investigación aplicada: es también investigación original llevada a cabo para

adquirir nuevos conocimientos. Sin embargo, va dirigida principalmente hacia
objetivos específicos eminentemente prácticos. Sus resultados son válidos para un
único o limitado número de productos, operaciones, métodos o sistemas. El
conocimiento o información derivado de ella es, con frecuencia, patentado o bien,
guardado como secreto.
Metodología: Término utilizado en sentido amplio que generalmente se refiere a

estrategias,
técnicas o procedimientos usados en estudios experimentales, descriptivos o
aplicados.
Prototipo o modelo: Primer ejemplar construido industrialmente, de una máquina,

vehículo, aparato, etc., y destinado a experimentar en funcionamiento sus
cualidades y características, con vistas a la construcción en serie.
Proyecto de investigación. Se entiende el proceso de indagación sistemática y

planificada sobre un determinado problema temático, inscrito dentro de una línea
de investigación, y en el marco global de un programa investigativo, tendiente a
indagar por una de las temáticas particulares denotadas en la línea.
Repetición. El número de veces que un tratamiento aparece en el experimento.
118
Testigo: Es el tratamiento de comparación 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 observación 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 técnicas de la investigación. Edit. Scott, Foresman &

Co. 4ª edición. Gienview, Illinois, USA. (1ª Edición: 1974).
2. Berenson, M., Levine, D. & Krehbiel, T. (2001). Estadística para administración.

Edit, Pearson, 2a Edición, México, 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). Estadística paso a paso. Edit Trillas. 5ª Edic, México.

682 p.
6. Cochran, W. & Cox, G. (2001). Diseños 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). Bioestadística médica. Edit, manual moderno. 3

Edición. Mexco, 435p.
9. Hernández, R. (2003). Metodología de la investigación. 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). Estadística 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). Diseño de experimentos. Thompson Learning, .2da edición.

México.
14. Méndez I. (1980). Lineamientos Generales para la planeación de

Experimentos. Monografía No. 15, Vol. 15 IIMAS.
15. Montgomery, D. (1991). Diseño y análisis de experimentos. Grupo editorial

Iberoamérica. 589 p.
120
16. Padrón, E. (1996). Diseños experimentales con aplicación a la agricultura.

Editorial trillas. Mexico, 320 p.
17. Ostle B. (1975). Estadística Aplicada. Limusa-Wiley, México, 420 p.
18. Montgomery, Douglas. Diseño y análisis de experimentos. Grupo Editorial

ibero América, 1a Edición, México, 589 p.
Direcciones de las páginas 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

Mòdulo - 30156 - 2 9 1 12 PDF

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

Mòdulo - 30156 - 2 9 1 12 PDF

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

PROGRAMA DE INGENIERIA DE ALIMENTOS

30156 – DISEÑO EXPERIMENTAL

CAMPO ELIAS RIAÑO LUNA

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

Aspectos de Propiedad intelectual

El contenido didáctico del curso académico ``Diseño Experimental``, fue diseñado

Profesional que se ha desempeñado como docente y tutor de la UNAD a partir del

De allí que el módulo trae ejemplos de trabajos de investigación realizados por

La versión del contenido didáctico que actualmente se presenta tiene como

1) Reorganización de los contenidos relacionados con las dos unidades y las

2) Repaso y verificación de los conceptos teóricos tratados.

En la UNAD se viene adelantando a través del rediseño curricular un plan

El material ha sido organizado de forma que el estudiante repase los conceptos y

La forma de resolver los diseños experimentales de más amplio uso, se presentan

Pero siempre teniendo en cuenta que: El enfoque-objetivo del diseño de

Además en los trabajos colaborativos se incentiva a los estudiantes y docentes

Para la solución numérica con software (es) estadísticos se ha programado el plan

Laboratorio práctico 1.- Manejo de datos: organización, almacenamiento y

El contenido programático para el curso de diseño experimental está en la

Tabla 1. Contenidos temáticos para el curso de diseño de experimental

UNIDADES DIDÁCTICAS CAPITULOS LECCIONES

Listado de figuras y tablas

Figura 1. Ronald Fisher

El proceso del diseño experimental

Figura 1. Ronald Fisher

Red Semántica-Diseño Experimental

Figura 2. Mapa conceptual del diseño experimental

Nombre de la Unidad UTILIZACIÓN DE LOS MÉTODOS ESTADÍSTICOS DE CONTRASTE

Introducción La experimentación juega un papel fundamental en todos los campos

CAPITULO 1: LA INVESTIGACIÓN Y EL DISEÑO EXPERIMENTAL

La experimentación juega un papel fundamental en todos los campos de la

Obviamente la experimentación se debe planificar (diseñar) cuidadosamente para

El diseño de un experimento es la secuencia completa de los pasos que se deben

Un Diseño Experimental es una prueba o serie de pruebas en las cuales existen

Esquema de un proceso o sistema experimental:

Figura 3. El proceso del diseño experimental

Revisemos el enlace: La estadística, instrumento de investigación científica.

Tomado de Tomado de: portalsej.jalisco.gob.mx/unidades-

Lección 1: Conceptos básicos del diseño experimental

Los siguientes conceptos que se definen a continuación se utilizarán en el

Diseño: Consiste en planificar la forma de hacer el experimento, materiales y

Experimento. Conjunto de reglas usadas para obtener una muestra de la

Un experimento es un procedimiento mediante el cual se trata de comprobar

Es un cambio en las condiciones de operación de un sistema o proceso para

Por ejemplo variar las condiciones de operación (temperatura, presión, velocidad

O la utilización de diferentes proporciones de materias primas y aditivos para

La experimentación constituye uno de los pasos del método científico.

Ejemplos de sistemas experimentales son:

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

Tratamiento: Es un conjunto particular de condiciones experimentales definidas

Son el conjunto de circunstancias creadas por el experimento, en respuesta a la

Factor: Es un grupo específico de tratamientos. (Ejemplo, Temperatura, humedad,

Réplica: Son las repeticiones que se realizan del experimento básico.

Unidad Experimental: Es el material experimental unitario que recibe la

Es la entidad física o el sujeto expuesto al tratamiento independientemente de las

Es el objeto o espacio al cual se aplica el tratamiento y donde se mide y analiza la

Es el elemento que se está estudiando.

Unidad muestral: Es una fracción de la unidad experimental que se utiliza para

Factores Controlables: Son aquellos parámetros o características del producto o

Factores Incontrolables: Son aquellos parámetros o características del producto