Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ALUMNO (A):
Daniela Rodríguez Bandala
Karla Yariela Vega Mota
Ana Karla Olivares Valdez
Anel Yamileth Hernández Lorenzo
Mariana Márquez Melgarejo
LICENCIATURA EN:
TEZIUTLÁN
LUGAR/FECHA:
Teziutlan, Pue. 12/07/2021
1.- ¿En qué situaciones se aplica un diseño de bloques completos al azar?
¿En qué difieren los factores de tratamientos y de bloque?
Cuando se quieren comparar ciertos
tratamientos o estudiar el efecto de un
factor, es deseable que las posibles
diferencias se deban principalmente al factor
de interés y ano a otros factores que no se
consideran en el estudio. Cuando esto no
ocurre y existen otros factores que no se
controlan o nulifican a la hora de hacer la
comparación, las conclusiones podrían ser
afectadas sensiblemente.
El diseño en bloques completos al azar se aplica cuando el efecto de un tratamiento
a comparar depende de otros factores que pueden influir en el resultado de
experimento y que deben de tomarse en cuenta para anular su posible efecto y
evitar sesgo al comparar los factores de interés. Para evitar este sesgo se deben
incluir estos factores adicionales en la experimentación y probarlos con cada uno de
los factores de interés de manera tal que puedan presentarse todas las
combinaciones posibles entre ambos para obtener resultados en la comparación
que sean válidos, esta forma de nulificar su efecto se llama bloqueo.
La diferencia entre los factores de tratamiento y los de bloque radica en que estos
últimos no se incluyen en el experimento de manera explícita por que interese
analizar su efecto, sino como un medio para estudiar de manera adecuada y eficaz
al factor de interés para no sesgar la comparación. Estos entran al estudio con un
nivel de importancia secundaria con respecto al factor de interés y la inclusión de
estos es un medio no un fin para lograr la comparación.
𝒚𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜷𝒋 + 𝜺𝒊𝒋 (𝒊 = 𝟏, 𝟐 … 𝒌; 𝒋 = 𝟏, 𝟐 … 𝒃)
En donde:
bloque j, y 𝜺𝒊𝒋 es el error aleatorio atribuible a la medición 𝒚𝒊𝒋 . Se supone que los
b) Interprete en forma práctica, por cada caso, lo que está estimando el cuadrado
medio: Como sabemos, la interpretación del cuadrado medio es representado por una
división de cada suma de los cuadrados que se tienen entre sus respectivos grados de
libertad pertenecientes a ellos.
En donde se sabe que el factor tratamiento tiene un gran efecto significativo en las
respuestas del experimento y su efecto del bloque no es significativo.
e) Con apoyo de un software obtenga el valor-p para cada caso. Interprete sus
resultados:
Teniendo en cuenta:
Valor p: TRATAMIENTO: 0.003 < 0.05 (En donde se rechaza HO)
Valor p: BLOQUE: 0.1014 > 0-05 (No se rechaza HO)
9. A continuación se muestran los datos para un diseño de bloques
al azar
Total global:
𝑌… = 15 + 29 + 20 = 64
ó
𝑌… = 14 + 19 + 8 + 23 = 64
B 7 9 3 10 𝑌2. =29
C 4 6 3 7 𝑌3. =20
Total por bloque 𝑌.1 =14 𝑌.2 =19 𝑌.3 =8 𝑌.4 =23 𝑌… =64
b) Calcule las sumas de cuadrados correspondientes:
𝑺𝑪𝑻𝑹𝑨𝑻 , 𝑺𝑪𝑩 , 𝑺𝑪𝑻 𝒚 𝑺𝑪𝑬
𝑌𝑖.2 𝑌… 2
• 𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ −
𝑏 𝑁
15 + 292 + 202 642
2
= − = 366.5 − 341.33
4 12
= 25.1666 … 𝑆𝐶𝑇𝑅𝐴𝑇
𝑌.𝑖 2 𝑦2
• 𝑆𝐶𝐵 = ∑ −
𝑘 𝑁
14 + 19 + 82 + 232 642
2 2
= − = 383.3333 − 341.3333
3 12
= 42 𝑆𝐶𝐵
𝑌2
• 𝑆𝐶𝑇 = ∑ ∑(𝑖𝑗)2 −
𝑁
= (32 + 7 + 4 + 42 + 92 + 62 + 22 + 32 + 32 + 62 + 102
2 2
2)
642
+7 − = 414 − 341.3333
12
= 72.6666 𝑆𝐶𝑇
Análisis de Varianza
Evidencia:
Conclusiones:
En la tabla de Análisis de Varianza o ANOVA, podemos observar que el valor de
probabilidad del tratamiento y de bloques es menor a lo estimado, es decir:
0.006 < 0.05 y 0.003 < 0.05
Por ello:
• Para los tratamientos: se rechaza la hipótesis nula de que las medias
de los tratamientos son iguales entre sí, aceptando la hipótesis
alternativa.
• Para los bloques: concluimos que hay diferencias entre bloques.
d) Obtenga la diferencia mínima significativa (LSD) para comparar
tratamientos en este diseño de bloques
Tabla obtenida con los datos capturados en Minitap:
Para bloque:
Para tratamiento:
Modelo Matemático:
𝒚𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜷𝒋 + 𝜺𝒊𝒋 𝒊 = 𝟏, 𝟐 … 𝒌; 𝒋 = 𝟏, 𝟐 … 𝒃
En donde:
• 𝒚𝒊𝒋 = 𝑩𝒍𝒂𝒄𝒖𝒓𝒂.
• 𝝁 = 𝑴𝒆𝒅𝒊𝒂 𝑮𝒍𝒐𝒃𝒂𝒍
• 𝝉𝒊 = 𝑬𝒇𝒆𝒄𝒕𝒐 𝒅𝒆𝒍 𝒕𝒊𝒑𝒐 𝒅𝒆 𝒅𝒆𝒕𝒆𝒓𝒈𝒆𝒏𝒕𝒆 (𝑬. 𝑭𝒂𝒄𝒕𝒐𝒓).
• 𝜷𝒋 = 𝑬𝒇𝒆𝒄𝒕𝒐 𝒅𝒆 𝒍𝒂 𝒍𝒂𝒗𝒂𝒅𝒐𝒓𝒂 (𝑬. 𝑩𝒍𝒐𝒒𝒖𝒆).
• 𝜺𝒊𝒋 = 𝑬𝒓𝒓𝒐𝒓 𝑨𝒍𝒆𝒂𝒕𝒐𝒓𝒊𝒐
Método
Codificación de factores (-1, 0, +1)
Información del factor
Factor Tipo Niveles Valores
Detergente Fijo 4 A, B, C, D
Lavadora Fijo 3 1, 2, 3
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Detergente 3 133.667 44.556 34.13 0.000
Lavadora 2 170.167 85.083 65.17 0.000
Error 6 7.833 1.306
Total 11 311.667
Coeficientes
Término Coef EE del coef. Valor T Valor p FIV
Constante 47.167 0.330 143.00 0.000
Detergente
A -0.833 0.571 -1.46 0.195 1.50
B 0.500 0.571 0.88 0.415 1.50
C 4.833 0.571 8.46 0.000 1.50
Lavadora
1 -1.167 0.466 -2.50 0.046 1.33
2 -3.917 0.466 -8.40 0.000 1.33
Ecuación de regresión
Blancura = 47.167 - 0.833 Detergente_A + 0.500 Detergente_B + 4.833 Detergente_C
- 4.500 Detergente_D - 1.167 Lavadora_1 - 3.917 Lavadora_2
+ 5.083 Lavadora_3
Ajustes y diagnósticos para observaciones poco comunes:
Obs Blancura Ajuste Resid Resid est.
8 37.000 38.750 -1.750 -2.17 R
Residuo grande R
Para el valor p obtenido con ayuda de Minitab, es de 0.000, por lo tanto como 0.000
es menor que 𝛼 = 0.05 (𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎), se rechaza la hipótesis nula (Ho), ya
que sí hay diferencias significativas entre los tipos de detergentes que presenta el
modelo. Y para saber cuál era el mejor detergente se realizaron las comparaciones
entre esto con las pruebas de Tukey y de Fisher y se obtuvieron los datos que
respondían a la cuestión ¿Cuál era el mejor detergente? Y la respuesta es que el
detergente C es el mejor de los cuatro ya que obtuvo el valor más alto de blancura y
una media de 52.000, entonces se recomienda usar este detergente.
Y en el caso de las lavadoras no se encontraron diferencias significativas que
afectaran la blancura de la ropa.
19. Se comprueba el peso en gramos de un material de tres
proveedores: A, B y C, por tres diferentes inspectores: I, II y III,
utilizando tres diferentes escalas 1,2 y 3. El experimento se lleva a
cabo como el siguiente cuadro latino:
Para poder contestar las preguntas siguientes es importante realizar la tabla ANOVA
de los datos requeridos, la cual al capturar los datos en Minitab es la siguiente:
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Escala 2 32.8889 16.4444 148.00 0.007
Inspector 2 0.2222 0.1111 1.00 0.500
Proveedores 2 10.8889 5.4444 49.00 0.020
Error 2 0.2222 0.1111
Total 8 44.2222
𝐻0 ; 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷
𝐻1 ; 𝜇𝑖 ≠ 𝜇𝑗
Por lo tanto, 𝐹𝐶𝑎𝑙 > 𝐹𝑇𝑎𝑏𝑙𝑎𝑠 = 49 > 19; de este modo, se rechaza la hipótesis nula
(𝐻0 ) que afirma que todas las medias de los proveedores son iguales, y se acepta
la hipótesis alternativa (𝐻𝐴 ) que nos dice que al menos dos tipos de proveedores
son diferentes.
Conclusión: al aceptar 𝐻𝐴 , aceptamos que al menos hay un tipo de proveedores
diferentes, por lo tanto, si hay diferencias entre los proveedores, esa diferencia es
significativa.
𝐻0 ; 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷
• La hipótesis es: 𝐻1 ; 𝜇𝑖 ≠ 𝜇𝑗
Método
Codificación de factores (-1, 0, +1)
Información del factor Análisis de Varianza
Factor Tipo Niveles Valores Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Proveedor Fijo 3 A, B, C Proveedor 2 10.8889 5.4444 0.66 0.566
Inspector Fijo 3 1, 2, 3 Inspector 2 0.2222 0.1111 0.01 0.987
Error 4 33.1111 8.2778
Total 8 44.2222
Coeficientes
Término Coef EE del coef. Valor T Valor p FIV
Constante 12.444 0.959 12.98 0.000
Proveedor
A 1.22 1.36 0.90 0.418 1.33
B 0.22 1.36 0.16 0.878 1.33
Inspector
1 -0.11 1.36 -0.08 0.939 1.33
2 0.22 1.36 0.16 0.878 1.33
Ecuación de regresión
Gramos = 12.444 + 1.22 Proveedor_A + 0.22 Proveedor_B - 1.44 Proveedor_C
- 0.11 Inspector_1
+ 0.22 Inspector_2 - 0.11 Inspector_3
BIBLIOGRAFIA:
I. Fuente pregunta 3: Gutiérrez, H., De la Vara, R . (2° edición, 2008). Diseño de
Bloques. En Análisis y Diseño de Experimentos (pp. 100-109). México: McGRAW-
HILL/INTERAMERICANA EDITORES, S.A. de C.V.
ALUMNO (A):
Daniela Rodríguez Bandala
Karla Yariela Vega Mota
Ana Karla Olivares Valdez
Anel Yamileth Hernández Lorenzo
Mariana Márquez Melgarejo
LICENCIATURA EN:
TEZIUTLÁN
LUGAR/FECHA:
Teziutlan, Pue. 12/07/2021
Diseño teórico:
Diseño de experimentos: Los modelos de
diseños de experimentos, son modelos
estadísticos clásicos, cuyo objetivo es
averiguar si unos determinados factores
influyen en la variable de interés y, si existe
influencia de algún factor, cuantificarla.
METODOLOGÍA
La metodología del diseño de experimentos se basa en la experimentación. Es
conocido que, si se repite un experimento, en condiciones indistinguibles, los
resultados presentan variabilidad que puede ser grande o pequeña. Si la
experimentación se realiza en un laboratorio donde la mayoría de las causas
de variabilidad están muy controladas, el error experimental será pequeño y
habrá poca variación en los resultados del experimento. Pero si se
experimentan en procesos industriales la variabilidad es grande en la mayoría
de los casos.
El objetivo del diseño experimental: es estudiar si utilizar un determinado
tratamiento produce una mejora en el proceso o no, para ello se debe
experimentar usando el tratamiento, y no utilizándolo. Si la variabilidad
experimental es grande, solo se detectará la influencia del uso del tratamiento
cuando este produzca grandes cambios en relación con el error de
observación.
Los experimentos son una parte natural del proceso de toma de decisiones en
la ingeniería.
Diseño completamente al azar:
El diseño completamente al azar es el más sencillo de los diseños de
experimentos que tratan de comparar dos o más tratamientos, puesto que sólo
considera dos fuentes de variabilidad: los tratamientos y el error aleatorio.
Este tipo de diseño se llama completamente al azar porque todas las
repeticiones experimentales se realizan en orden aleatorio completo, pues no
se han tenido en cuenta otros factores de interés. Si durante el estudio se
hacen N pruebas, éstas se deben realizar al azar, de forma que los posibles
efectos ambientales y temporales se vayan repartiendo equitativamente entre
los tratamientos.
El número de repeticiones a realizar en cada tratamiento depende de la
variabilidad que se espera observar en los datos, a la diferencia mínima que el
experimentador considera que es importante detectar y al nivel de confianza que
se desea tener en las conclusiones. Normalmente se recomiendan entre 10 y 30
mediciones en cada tratamiento. Con 10 mediciones se podrían detectar
diferencias de medias mayores o iguales a 1,5
sigmas con una probabilidad alta, y con 30
mediciones se podrían detectar diferencias
mayores o iguales a 0,7 sigmas.
Se utiliza el análisis de la varianza (ANOVA) para
comprobar si existen diferencias en las medias.
Fundamentalmente este análisis consiste en
separar la contribución de cada fuente de variación
en la variación total observada. Sin embargo, éste
ANOVA está supeditado a los siguientes
supuestos que deben verificarse:
• Normalidad
• Varianza constante (igual varianza en los tratamientos)
• Independencia
Ventajas
• Cuando en un experimento las unidades experimentales se arreglan bajo
un Diseño completamente al azar se tienen las siguientes ventajas:
• Flexibilidad: Cualquier número de tratamientos y cualquier número de
réplicas pueden ser usadas, siempre y cuando se tengan suficientes UE
homogéneas.
• Análisis Estadístico simple: el análisis estadístico es simple ya sea cuando
todos los tratamientos tengan igual número de réplicas (balanceado),
diferente número de réplicas (desbalanceado) o pérdida de datos, caso
en el cual se trata como un análisis desbalanceado.
• Máximo número de grados de libertad para el error: Esto ocurre porque el
diseño tiene solo dos fuentes de variación que son los tratamientos y el
error y los grados de libertad para este error están dados por la expresión
.
• Precisión: Es muy preciso si se tienen en cuenta UE homogéneas.
Desventajas
• Se puede obtener baja precisión cuando las unidades experimentales no
sean muy homogéneas y así ser ineficiente.
Usos
• Es recomendado cuando es posible que gran parte de las UE no
respondan al tratamiento o puedan perderse durante el experimento.
• Es útil en experimentos en los que el número de UE es limitado, ya que
provee el máximo número de grados de libertad del error.
Diseño de práctica.
Tipo de diseño a aplicar: diseño completamente al azar.
Hipótesis nula: El cambio del aditivo para hornear NO influye en la
esponjosidad de un pan.
Objetivo de la practica:
Realizar una propuesta de un experimento en el cual podamos realizar un análisis
aplicando el diseño experimental.
Materiales:
• Fresas. • Queso crema.
• Polvo para hornear. • Licuadora.
• Horno. • Dos moldes de pan.
• Bicarbonato de sodio. • Cucharas.
• Leche. • Tazas medidoras.
Procedimiento:
Preparación de dos panes.
1. Realice dos panes de fresa, ambos con los mismos ingredientes, el mismo
tiempo de cocción, y usando las mismas cantidades, solo sustituyendo el
polvo para hornear, por bicarbonato de sodio (este cumple con dar la
esponjosidad al pan.
Variable de respuesta:
✓ Aditivo para esponjosidad. ✓ Pan con levadura.
✓ 1 factor. ✓ Pan con bicarbonato de sodio.
✓ Esponjosidad en panes.
Resultado:
Como Fo>fa.
Ho se rechaza y decimos que el cambio del aditivo SI influye ya que si es
significativo.