Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Universidad Técnica de Ambato: Facultad de Ciencias E Ingeniería en Alimentos Y Biotecnología
Universidad Técnica de Ambato: Facultad de Ciencias E Ingeniería en Alimentos Y Biotecnología
DATOS INFORMATIVOS.
Carrera: Alimentos
Integrantes:
- Damiano Paredes
- Salomé Navas
- Raquel Torres
- Bryan Chiluiza
- Isabel Morales
- Gabriel Camino
I. Tema:
Informe guía Ape Diseño Factorial 22 / 23 / 33
II. Introducción:
III. Objetivos:
Objetivo General
Analizar la diferencia significativa de los factores y niveles que presentan los
tratamientos mediante una tabla ANOVA de un diseño factorial 22, 23 y 33 para
aceptar o rechazar la hipótesis nula.
Objetivos específicos
• Identificar en qué se diferencia el diseño 2^n del 3^n en cuanto a sus
niveles y factores
• Determinar si existen diferencias significativas entre los factores y niveles
de los tratamientos utilizando una tabla ANOVA en un diseño factorial
2^2, 2^3 y 3^3, con el fin de aceptar o rechazar la hipótesis nula.
Ejercicos :
- Ejercicio 22
Modelo matemático
Hipótesis
R1 R2 R3 R4 𝑌𝑖𝑗 Ŷij
𝑎𝑜𝑏0 1 18,2 18,9 12,9 14,4 64,4 16,1
𝑎𝑜𝑏1 b 15,9 14,5 15,1 14,2 59,7 14,925
𝑎1𝑏0 a 27,2 24 22,4 22,5 96,1 24,025
𝑎1𝑏1 ab 41 43,9 36,3 39,9 161,1 40,275
102,3 101,3 86,7 91 381,3
I [ET]
𝑎𝑜𝑏0 1 124,1 381,3
𝑎𝑜𝑏1 b 257,2 60,3
𝑎1𝑏0 a -47 133,1
𝑎1𝑏1 ab 65 69,7
1 b a ab [ET]
1 -64,4 -59,7 -96,1 -161,1 -381,3
1 +64,4 +59,7 +96,1 +161,1 +381,3
b -64,4 +59,7 -96,1 +161,1 +60,3
a -64,4 -59,7 +96,1 +161,1 +133,1
ab +64,4 -59,7 -96,1 +161,1 +69,7
𝑌2
𝑆𝐶𝑇 = Σ𝑖 Σ𝑗 Σ𝑙 𝑌 2
𝑖𝑗𝑙
2𝑛 ∗ 𝑅
(381.3)2
𝑆𝐶𝑇 = (10796.69)
22 ∗ 4
𝑆𝐶𝑇 = 1709.83
1 𝑌2
𝑆𝐶𝑇𝑟 = Σ𝑖 Σ𝑗 Σ𝑙 𝑌 𝑖𝑗𝑙 𝑛
2
𝑅 2 ∗𝑅
1 (381.3)2
𝑆𝐶𝑇𝑟 = (42899.87) 2
4 2 ∗4
𝑆𝐶𝑇𝑟 = 1638.11
1 𝑌2
𝑆𝐶𝑅 = Σ𝑙 𝑌2 𝑙
2𝑛 2𝑛 ∗ 𝑅
1 (381.3)2
𝑆𝐶𝑅 = (36524.87)
22 22 ∗ 4
𝑆𝐶𝑅 = 44.36
SCE= 27.359
[𝐸𝑇 2 ]
𝑆𝐶𝐴 =
2𝑛 ∗ 𝑅
(133.31)2
𝑆𝐶𝐴 =
22 ∗ 4
𝑆𝐶𝐴 = 1107.22
[𝐸𝑇 2 ]
𝑆𝐶𝐵 =
2𝑛 ∗ 𝑅
(60.3)2
𝑆𝐶𝐵 =
22 ∗ 4
𝑆𝐶𝐵 = 227.25
[𝐸𝑇 2 ]
𝑆𝐶𝐴𝐵 = 𝑛
2 ∗𝑅
(69.7)2
𝑆𝐶𝐴𝐵 = 2
2 ∗4
𝑆𝐶𝐴𝐵 = 303.63
TABLA ANOVA
• Para un 95% de nivel de confianza se rechaza la Ho, por lo tanto, hay diferencia
significativa entre las réplicas.
• Para un 95% de nivel de confianza se rechaza la Ho, por lo tanto, hay diferencia
significativa entre los tamaños de broca.
• Para un 95% de nivel de confianza se rechaza lo Ho, por lo tanto, hay diferencia
significativa entre las velocidades.
• Suma de cuadrados de tratamientos.
Pruebas de comparación
Prueba de Tukey
𝐶𝑀𝐸
|Ӯj − Ӯj| > 𝑞𝑚𝑎𝑥, α k (n-1) √
𝑛
5.977
• Suma de cuadrados de las réplicas √
8
FACTOR A
𝐴0 = 124.1 / 8 = 15.51
Conclusión: Si hay diferencia significativa en los niveles del factor A, es decir entre los
tamaños de broca.
FACTOR B
𝐵0 = 160.5 / 8 = 20.06
𝐵1 = 220.8 / 8 = 27.6
Conclusión: Si hay diferencia significativa en los niveles del factor B, que corresponde
a la velocidad.
FACTOR DE LA INTERACCION AB
Prueba de Tukey
𝐶𝑀𝐸
|Ӯj − Ӯj| >Tα qα (k, N-k) √
𝑛
5.977
|Ӯj − Ӯj| > 4.20 √
4
- Ejercicio 23
r1 r2 r3 yijk
a0b0c0 1 22 31 25 78
a1b0c0 a 32 43 29 104
a0b1c0 b 35 34 50 119
a1b1c0 ab 55 47 46 148
a0b0c1 c 44 45 38 127
a1b0c1 cb 40 37 36 113
a0b1c1 ca 60 50 54 164
a1b1c1 abc 39 41 47 127
y..i 327 328 325 980
Diseño Factorial 𝟐𝒏
1. Modelo Matemático
2. Hipótesis
𝑯𝟎 = 𝐴𝑖 = 0 𝑯𝟎 = 𝐵𝑗 = 0 𝑯𝟎 = 𝐶𝑘 = 0
𝑯𝟏 = 𝐴𝑖 ≠ 0 𝑯𝟏 = 𝐵𝑗 ≠ 0 𝑯𝟏 = 𝐶𝑘 ≠ 0
r1 r2 r3 yijk Y I II
a0b0c0 1 22 31 25 78 26 182 449 980
a1b0c0 a 32 43 29 104 34,6666667 267 531 4
a0b1c0 b 35 34 50 119 39,6666667 240 55 136
a1b1c0 ab 55 47 46 148 49,3333333 291 -51 -20
a0b0c1 c 44 45 38 127 42,3333333 26 85 82
a1b0c1 cb 40 37 36 113 37,6666667 29 51 -106
a0b1c1 ca 60 50 54 164 54,6666667 -14 3 -34
a1b1c1 abc 39 41 47 127 42,3333333 -37 -23 -26
• Suma de cuadrados totales
2 𝑌... 2
𝑺𝑪𝑻 = ∑𝒊 ∑𝑗 ∑𝑘 ∑𝑙 𝑌𝑖𝑗𝑘𝑙 − 𝑛
2 ∗𝑅
∑𝒊 ∑𝑗 ∑𝑘 𝑌𝑖𝑗𝑘 2 𝑌... 2
𝑺𝑪𝑻𝒓 = − 𝑛
𝑅 2 ∗𝑅
𝐒𝐂𝐓𝐫 = 1612,666667
∑𝒊 ∑𝑗 ∑𝑘 𝑌𝑖𝑗𝑘 2 𝑌... 2
𝑺𝑪𝑻𝒓 = − 𝑛
𝑅 2 ∗𝑅
𝐒𝐂𝐑 = 0,583333333
𝐒𝐂𝐄 = 482,0833333
Suma de cuadrados de A
[𝑬𝑻]𝟐
𝐒𝐂(𝐀) =
𝟐𝒏 × 𝑹
[𝟒]𝟐
𝐒𝐂(𝐀) =
23 × 3
𝐒𝐂(𝐀) = 𝟎, 𝟔𝟔
Suma de cuadrados B
[136]2
𝐒𝐂(𝐁) = 3
2 ×3
𝐒𝐂(𝐁) = 𝟕𝟕𝟎, 𝟔𝟔
Sumas de cuadrados de AB
[−20]2
𝐒𝐂(𝐀𝐁) =
23 × 3
𝐒𝐂(𝐀𝐁) = 𝟏𝟔, 𝟔𝟔
Suma de cuadrados de C
[82]2
𝐒𝐂(𝐂) =
23 × 3
𝐒𝐂(𝐂) = 𝟐𝟖𝟎, 𝟏𝟔
Suma de cuadrados de AC
[−34]2
𝐒𝐂(𝐀𝐂) = 3
2 ×3
𝐒𝐂(𝐀𝐂) = 𝟒𝟖, 𝟏𝟔
Suma de cuadrados de BC
[−106]2
𝐒𝐂(𝐁𝐂) =
23 × 3
𝐒𝐂(𝐁𝐂) = 𝟒𝟔𝟖, 𝟏𝟔
𝐒𝐂(𝐀𝐁𝐂) = 𝟐𝟖, 𝟏𝟔
FV gl SC CM RV RV
R 2 0,58333 0,29 0,00000009 3,63
A 1 𝟎, 𝟔𝟔 𝟎, 𝟔𝟔 0,021 4.49
B 1 𝟕𝟕𝟎, 𝟔𝟔 𝟕𝟕𝟎, 𝟔𝟔 25,57 4.49
AB 1 𝟏𝟔, 𝟔𝟔 𝟏𝟔, 𝟔𝟔 0,55 4.49
C 1 𝟐𝟖𝟎, 𝟏𝟔 𝟐𝟖𝟎, 𝟏𝟔 9,29 4.49
AC 1 𝟒𝟖, 𝟏𝟔 𝟒𝟖, 𝟏𝟔 1,59 4.49
BC 1 𝟒𝟔𝟖, 𝟏𝟔 𝟒𝟔𝟖, 𝟏𝟔 16,20 4.49
ABC 1 𝟐𝟖, 𝟏𝟔 𝟐𝟖, 𝟏𝟔 0,93 4.49
E 16 482,0833333 30,13 - -
T 23 2095,333333 - - -
Fuente: Elaboración propia
Gráficos de conclusiones
-Réplicas
AB
BC
ABC
45
40
35
30
25
20
15
10
0
0 0,5 1 1,5 2 2,5
45
44
43
42
41
40
39
38
37
0 0,5 1 1,5 2 2,5
Diferencia Mínima Significativa (DMS) para B
2𝐶𝑀𝐴𝐶
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 𝑡𝛼/2 , 𝑘, 𝑔𝑙𝜀 √
𝐶𝐴
2(280,82)
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 2,12√
6
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 20,52
𝒃𝟎 𝒃𝟏
35,16 45,33
𝒃𝟎 35,16 10,17
𝒃𝟏 45,33
2𝐶𝑀𝐴𝐵
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 𝑡𝛼/2 , 𝑘, 𝑔𝑙𝜀 √
𝐵𝐴
2(770,67)
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 2,12√
6
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 33,97
𝑪𝟎 𝑪𝟏
37,41 44,25
𝑪𝟎 37,41 6,84
𝑪𝟏 44,25
Diferencia Mínima Significativa (DMS) para BA
2𝐶𝑀𝐴
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 𝑡𝛼/2 , 𝑘, 𝑔𝑙𝜀 √
𝐴
2(0,66)
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 2,12√
3
̅̅̅
|𝑌 ̅̅̅
.𝑗 − 𝑌.𝑗 | > 𝐷𝑀𝑆 = 1,40
𝐶0 𝑏0 𝐶1 𝑏0 𝐶0 𝑏1 𝐶1 𝑏1
30,33 40 44,5 48,5
𝐶0 𝑏0 30,33 - 9,67 14,17 18,17
𝐶1 𝑏0 40 - - 4,5 8,5
𝐶0 𝑏1 44,5 - - - 4
𝐶1 𝑏1 48,5 - - - -
Conclusión: Los tratamientos CB, presentan mayor diferencia significativa; porque tiene
la mayor cantidad de medias siendo un valor obtenido mayor que el valor obtenido en la
prueba DMS.
- Ejercicio 33
-
IV. Conclusiones:
V. Cuestionario:
1. ¿Qué diferencias existen en los análisis de varianza ANOVA de un diseño
factorial A*B*C y un diseño 2^n?
Son los efectos principales de cada factor, las interacciones entre los factores viendo
si uno depende del otro y el error experimental en el cual sabemos que este valor es
impredecible porque se tienen valores aleatorios todo esto es obteniendo sumas de
cuadrados de cada parámetro mencionado y sacando los grados de libertad al final
realizando los respectivos cálculos para ver la significancia de cada uno (Vallejo &
Livacic-Rojas, 2010).
- Ejercicio 33
VI. Conclusiones:
VII. Cuestionario:En el diseño factorial 3^n, se estudian tres o más factores, cada uno
con solo tres niveles y se usa para detectar interacciones de alto orden, la
posibilidad de analizar efectos no lineales y la capacidad para ajustar mejor el
modelo a los datos. En 2^k-p hay k factores y cada factor tiene dos niveles y
permite reducir el número de combinaciones posibles y su eficacia para detectar
interacciones de bajo orden. La interpretación de los resultados es más sencilla en
el diseño factorial 2^k-p que en la factorial 3^n, ya que se usan menos factores y
se reducen las posibles interacciones (León, 2004).
Siendo µ el efecto promedio global, τ^ el efecto del nivel i-esímo del factor A, β el
nivel j-ésimo del factor B, (τβ) el efecto de la interacción entre τ^ y β`, y ε^`b un
componente del error aleatorio. Con i=1,2,3 ; j=1,2,3; k=1,…,n (Fernández, 2020).
Las ventajas del diseño factorial 3^n son su capacidad para detectar interacciones de
alto orden, la posibilidad de analizar efectos no lineales y la capacidad para ajustar mejor
el modelo a los datos proporciona una mayor cantidad de información y permite detectar
patrones de comportamiento más complejos (Gutiérrez & De la Vara, 2012).
VIII. Bibliografía:
Pardo, A., Garrido, J., Ruiz, M. Á., & San Martín, R. (2007). La interacción entre factores
en el análisis de varianza: errores de interpretación. Psicothema, 19(2), 343-349.
Vallejo, G., Fernández, P., & Livacic-Rojas, P. (2010). Pruebas robustas para modelos
ANOVA de dos factores con varianzas heterogéneas. Psicológica, 31(1), 129-148.