Diseño de Experimentos

“DEBEMOS HACER ALGUNAS PREGUNTAS A LA NATURALEZA, Y DE PREFERENCIA, UNA A LA VEZ”

Día 1.

Prestest:

Defina:

1. Diseño de experimentos
2. Muestra
3. Variables
4. Hipótesis
5. Tipos de hipótesis
6. Análisis de varianza
7. Grados de libertad
8. Intervalos de confianza
9. ¿Qué es el error aleatorio y qué es el error experimental?
10. Aleatorización
11. Bloqueo
12. Repetición
13. Señale las etapas en el diseño de un experimento, así como algunos aspectos clave de
cada una de ellas.
14. Se tiene un experimento en el que los factores a estudiar y sus niveles son los siguientes:
temperatura (10, 20 y 30°C); tiempo (60 y 90 minutos). Elabore una lista de todos los
posibles tratamientos de este diseño.

Modulo I. Conceptos Estadísticos Básicos

Módulo 1.1

1.1.1 Medidas de tendencia central. Promedio, Media, Moda.

1.1.2 Medidas de variabilidad: Varianza, Desviación Estándar, Rango Intercuartílico

Módulo 1.2

1.2.1 Pruebas de Hipótesis

1.2.2 Intervalos de Confianza

Módulo 1.3

1.3.1 Probabilidades
1.3.2 Tipos de Variables

1.3.3 Distribuciones para variables discretas2

1.3.4 Distribuciones para variables Continuas

Módulo 1.4

1.4.1 Regresión Lineal

Media y desviación estándar

Cuatro estudiantes realizan cada uno un mismo análisis en el que exactamente 10.00
ml de hidróxido de sodio 0,1 M es valorado con ácido clorhídrico 0,1 M. Cada
estudiante repite la valoración cinco veces y obtienen los siguientes resultados.
Estudiante Resultados
A 10.08 10.11 10.09 10.10 10.12
B 9.88 10.14 10.02 9.80 10.21
C 10.19 9.79 9.69 10.05 9.78
D 10.04 9.98 10.02 9.97 10.04

∑ xᵢ
a. Calcule la media para cada estudiante x=
n
b. Calcule la desviación estándar S =raíz de ∑ᵢ ( xᵢ−x ¿²/n-1
c. Calcule la Varianza= el cuadrado de la desviación estandar, S²

Procedimiento para el Diseño de un Histograma.

La elaboración de un histograma tiene como objeto mostrar el modelo de variación

general inherente a los datos. Se debe elaborar con precisión aun cuando se tengan que
tomar algunas decisiones arbitrarias. Se puede alterar la forma si se hacen variar la
medida y el ancho de clase.
1. Contar el número de observaciones en el conjunto de datos.

A manera de ilustración se utilizara el conjunto de datos de la siguiente tabla que

recoge una serie de resultados de 50 determinaciones de la concentración de ion
nitrato, con dos cifras significativas en una muestra concreta de agua.
 Tabla 1.2. Resultados de 50 determinaciones de concentración de ion nitrato,

0.51 0.51 0.51 0.50 0.51 0.49 0.52 0.53 0.50 0.47
0.51 0.52 0.53 0.48 0.49 0.50 0.52 0.49 0.49 0.50
0.49 0.48 0.46 0.49 0.49 0.48 0.49 0.49 0.51 0.47
0.51 0.51 0.51 0.48 0.50 0.47 0.50 0.51 0.49 0.48
0.51 0.50 0.50 0.53 0.52 0.52 0.50 0.50 0.51 0.51

2. Determinar el rango R, para el conjunto de datos.

El rango se encuentra hallando la diferencia entre el valor más pequeño y el valor

más grande de los valores contenidos en la tabla, es decir:

R= X max – X min

3. Determinar el número de clases (K)

Existen diversas maneras de determinar el número de clases, una es la siguiente:

2

a) Con el número de observaciones

Numero de observaciones Numero de clases

Menos de 50 5–7
50 – 100 6 – 10
100 – 250 7 – 12
Sobre 250 10 – 20

b) Con el número de clases:

Numero de clases = 1 + 3.33 log 10 N

c) Otra forma es usar la siguiente ecuación

Numero de clases = √ N

4. Determinar el ancho de clase.

Ancho de Clase = R/K

 Se recomienda redondear el ancho de clase a un número conveniente.

5. Determinar los límites de clase

Se determinan los límites de los intervalos de manera que incluyan los valores mínimos y
máximos y se colocan en la tabla de frecuencias.
a) Primero se determina el límite inferior de la primera clase y se le suma la amplitud
del intervalo para obtener el límite entre la primera y la segunda clase.
b) Una vez hecho esto hay que cerciorarse que la primera clase contiene el valor
mínimo.
c) El límite inferior de la primera clase se ubica a ½ de la unidad de medida a partir
del valor mínimo observado.
Ejemplo: 987.7 – 0.05 = 987.65
d) Luego se sigue sumando la amplitud del intervalo al valor previo para obtener el
segundo límite, tercero y así sucesivamente y se cerciora que la última clase
contenga el valor máximo.
Ejemplo: 987.65 + 3.48= 991.13;
e) Finalmente se agrega de manera consecutiva el ancho de clase al límite inferior de
cada clase hasta que se obtenga el número total de clases.
Ejemplo:

6. Calcular el punto medio de la clase

El punto medio se halla usando la siguiente ecuación;

Punto medio de la clase= suma de los limites inferior y superior de la clase/2

7. Construir tabla de frecuencias basado en los valores del número de clases, ancho
de clase y límites de clase del paso 5.

Límites de clase Xi Fi
 8. Construir histograma

 guía de ejercicios para practicar los fundamentos de estadística que

incluyen cálculos de media, moda, desviación estándar y rangos
intercuartílicos:
1. Calcula la media, moda y desviación estándar de los siguientes
datos: 5, 7, 8, 9, 10.
2. Calcula la media, moda y desviación estándar de los siguientes
datos: 2, 4, 6, 8, 10.
3. Calcula la media, moda y desviación estándar de los siguientes
datos: 4, 4, 6, 8, 10.
4. Calcula el rango intercuartílico de los siguientes datos: 2, 4, 6, 8, 10.
5. Calcula el rango intercuartílico de los siguientes datos: 3, 7, 8, 9, 10.
6. Calcula el rango intercuartílico de los siguientes datos: 4, 4, 6, 8, 10.
7. Calcula la media, moda y desviación estándar de los siguientes
datos: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
8. Calcula el rango intercuartílico de los siguientes datos: 1, 2, 3, 4, 5,
6, 7, 8, 9, 10.
9. Calcula la media, moda y desviación estándar de los siguientes
datos: 2, 2, 2, 2, 2, 2, 2, 2, 2, 10.
10.Calcula el rango intercuartílico de los siguientes datos: 2, 2, 2, 2, 2,
2, 2, 2, 2, 10.
Recuerda que la media es la suma de todos los datos dividida entre el
número total de datos,

Día 2
¿Y si construimos un lego?

Propiedades de la Media y la Varianza Muestral

La media muestral y es un estimador de la media poblacional µ₁ lo mismo que la varianza muestral

S² lo es para la varianza poblacional σ².
Grados de libertad

La cantidad n – 1 se denomina El número de grados de libertad de una suma de cuadrados; es

igual número de términos independientes en dicha suma si y es una variable aleatoria con varianza
σ² y S = ∑ (y₁ - ӯ)².

Distribución de probabilidad

La estructura probabilística de una variable aleatoria, digamos y, se describe por su distribución de

probabilidad. A menudo la distribución de probabilidad de y, representada por p(y) se denomina
función de probabilidad cuando y es discreta. Si y es continua usualmente la distribución de
probabilidad f (y) se denomina función de densidad de probabilidad de y.

En las distribuciones de probabilidad discretas y continuas hipotéticas, nótese que la distribución

de probabilidad de y está representada por la altura de la función, mientras que en el caso
continuo el área bajo la curva asociada a un intervalo representa la probabilidad.

Tanto la distribución normal estándar como la T de Student son simétricas y centradas en cero,
mientras que las distribuciones ji-cuadrada y F son sesgadas y sólo toman valores positivos. Las
cuatro distribuciones están relacionadas entre sí, ya que las distribuciones T de Student, ji-
cuadrada y F se definen en términos de la distribución normal estándar.

Los parámetros que definen por completo las distribuciones T de Student, ji-cuadrada y F, reciben
el nombre de grados de libertad, que tienen que ver con los tamaños muestrales involucrados. Por
ejemplo, si se tiene una muestra de tamaño 20, será de interés una distribución T de Student con
19 grados de libertad para hacer inferencia sobre la media poblacional; o una ji-cuadrada con 19
grados de libertad para hacer inferencias sobre la varianza poblacional.

Intervalo de confianza para una media

Por definición de intervalo de confianza se trata de encontrar dos números L y U, tales que el
parámetro m se encuentre entre ellos con una probabilidad de 1 – a.

Esto es

P (L ‹=µ‹= u) = 1-a
Planteamiento de una hipótesis estadística

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 que es obtenida de la población.

Una vez planteada la hipótesis, se toma una muestra aleatoria de la población de estudio o se
obtienen datos mediante un experimento planeado de acuerdo con la hipótesis.

Estadístico de prueba

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 no la hipótesis nula H₀. Al conjunto de posibles valores
del estadístico de prueba que llevan a rechazar H₀, se le llama región o intervalo de rechazo para la
prueba, y a los posibles valores donde no se rechaza H₀ se les llama región o intervalo de
aceptación.

Contraste de significación

Comparación de una media experimental con un valor conocido

Al hacer un contraste de significación se prueba la veracidad de hipótesis nula Ho.

Ejemplo: en un método para determinar selenoura en agua, se obtuvieron los siguientes valores
para muestras de agua de grifo adicionadas con 50 ng/ml de selenoura.

50.4, 50.7, 49.1, 51.1 ng/ml

¿Hay alguna Evidencia de error sistemático?

Para decidir si la diferencia entre x y µ es significativa, es decir, contrastar Ho, se calcula el

estadístico t:

t= ( x - µ)√ n/s

La media de los valores es del 50.06% y la desviación estándar 0.956.

Si se adopta la hipótesis nula de que no hay error sistemático, µ= 50, empleando la ecuación
tenemos:

 T= (50.06 – 50) √ 5/0.956= 0.14

 De la tabla A2 se busca el valor critico de t₄= 2.78 para P= 0.05.
 Puesto que el valor de t es menor a t₄, se acepta la hipótesis nula.
Tamaño de la muestra.

En ocasiones es necesario calcular el tamaño de muestra n para lograr que la estimación de una
media poblacional m tenga como error máximo a un número E. En este caso, como el error de
estimación está dado por E = t(a/2, n – 1) S/÷``n, entonces despejando n obtenemos que

Como t(a/2, n – 1) depende de n y ésta es la incógnita, entonces para propósitos prácticos y con
tamaños de muestra mayores que 30, el valor de t(a/2, n – 1) puede tomarse como 2. De esta
manera:

4 S²
n=
E²

Selección del tamaño Muestral

Uno de los aspectos más importantes de cualquier diseño experimental es la selección del tamaño
apropiado de la muestra. Dicha selección y la probabilidad β del error tipo II están muy
relacionados. Supongamos que se prueban las hipótesis:

H₀:µ₁=µ₂

H₁:µ₁≠µ₂

Y que las medias no son iguales, de manera que δ= µ₁-µ₂. La probabilidad del error tipo II depende
de la diferencia verdadera que hay entre las medias δ. La grafica β contra δ en el caso de un valor
particular del tamaño de la muestra, se conoce como curva característica de operación o curva OC
de la prueba. (BUSCAR)

Intervalos de Confianza

A menudo es preferible proporcionar un intervalo que se espera contenga el o los parámetros

bajo estudio. Con el objeto de definir un intervalo de confianza supongamos que θ es un
parámetro desconocido. Para obtener una estimación de este intervalo se necesita la
determinación de dos estadísticos L y U.

P(L‹=0‹=U) = 1 – α

Sea el intervalo

(L‹=0‹=U)
Se denomina intervalo de confianza de 100 (1-α) por ciento para el parámetro θ. Los estadísticos L
y U se conocen como límite superior e inferior de confianza y 1-α se denomina coeficiente de
confianza.

Comparación de dos medias experimentales

Útil para contrastar si existen diferencias significativas o la existencia de errores sistemáticos en

resultados obtenidos de métodos distintos. Tomando como hipótesis nula que ambos métodos
generan el mismo resultado, es decir H₀: µ₁=µ₂.

Se basa en una estimación conjunta de la desviación estándar s, a partir de dos desviaciones

estándar individuales S₁ y S₂.

Para lo cual tenemos el estadístico t:

t= ( x 1−x ₂)/s
√ 1
n₁
❑ +1/n ₂ 1.1

Donde s se calcula a partir de:

S²= (n₁-1) s₁² + (n₂-1) s₂²/ (n₁+n₂-2) 1.2

Ejemplo: en una comparación de dos métodos para la determinación de cromo en muestras de

hierba de centeno se obtuvieron los siguientes resultados (mg/Kg).

Método 1: Media=1.48; Desviación estándar= 0.28

Método 2: Media=2.33; Desviación estándar= 0.31

Para cada método se realizaron 6 determinaciones

¿Existen diferencias significativas entre los métodos?

Sustituyendo en 1.2

S²= (5 x 0.28²+ 5 x 0.31²) / (5+5-2)= 0.1745

S= 0.295

Sustituyendo en la ec. 1.1 tenemos:

t= 2.33- 1.48/ 0.295

√ 1 1 =4.56
+
5 5

Luego de la tabla A.2 buscamos t₈ = 2.1 (P= 0.05)

Conclusión: dado que t es mayor al valor de t₈, la diferencia entre los dos resultados es significativa
a nivel del 5 %, por lo que se rechaza la hipótesis nula.

Plantear ejercicio de práctica

Errores tipo I y tipo II

Probar una hipótesis estadística es una decisión probabilística, por lo que existe el riesgo de
cometer un error tipo I o un error tipo II. El primero ocurre cuando se rechaza H0 cuando ésta es
verdadera, y el error tipo II es cuando se acepta H0 y ésta es falsa. En toda prueba de hipótesis
cada tipo de error tiene una probabilidad de ocurrir. Con a y b se denotan las probabilidades de los
errores tipo I y II, respectivamente. Así,

a = P{error tipo I} = probabilidad de rechazar H₀ siendo verdadera

b = P{error tipo II} = probabilidad de aceptar H₀ siendo falsa.

Día 3
Introducción al diseño de experimentos

 Diseños para  Diseños  ANOVA  Ciencias

comparar dos o completamente al  Diagrama de Biológicas y
más tratamientos azar Cajas Agrícolas
 Diseños de bloques  Prueba de
completos al azar contraste
 Diseño de cuadros
latinos
 Diseños para  Diseños factoriales   Ciencias
estudiar el efecto 2ᴷ técnicas,
de varios factores  Diseños factoriales química,
sobre una o más 3ᴷ farmacéutic
variables de a,
respuesta microbiologí
a, genética

Módulo II. Pasos para el Diseño de experimentos.

1. Planteamiento del problema

2. Elección de factores y niveles
3. Selección de variables de respuesta
4. Elección del diseño experimental
5. Ejecución de experimento
6. Análisis de datos
Análisis de varianza

El análisis de Varianza o ANOVA es una técnica estadística que se utiliza para

estimar las diferentes causas de variación. Se puede usar para separar la variación
debida al error sistemático de cualquier otra variación que venga provocada por
cambiar algún factor de control.

El método ANOVA contrasta si la diferencia entre las medias muéstrales es

demasiado grande para explicarse mediante errores aleatorios.
Ejemplo. Peso de costales. Un fabricante de dulces compra costales de azúcar a
cierto ingenio. Según los vendedores, los costales tienen un peso medio de 50.1 kg,
con una varianza de (s2 = 0.5). El comprador sospecha que el peso medio es
menor. Para confirmar su sospecha decide contrastar las hipótesis:

H₀: µ = 50.1
Hₐ : µ < 50.1

Con un nivel de significancia de 5% (a = 0.05). Para ello, selecciona de manera

aleatoria tres bultos de cada uno de los siguientes cinco pedidos. Pesa los 15
bultos y obtiene que x = 49.4 y S² = 1.2. De esta manera, el estadístico de prueba
calculado de acuerdo con la expresión (2.8), está dado por,

La tabla siguiente muestra los resultados obtenidos en una investigación sobre la

estabilidad de un reactivo fluorescente bajo diferentes condiciones de
almacenamiento. Los valores proporcionados son las señales de fluorescencia en
unidades arbitrarias de disoluciones diluidas de la misma concentración. Se
tomaron tres medidas de cada muestra.
Estudiar la variación dentro de las muestras y entre muestras.

Formato de agrupación de datos

Medidas Medias
Muestra 1 X₁₁,X₁₂,X₁₃…Xn x₁
Muestra 2 X₂₁, x₂₂,X₃₂…x₂ɳ x₂
Muestra j Xj₁,Xj₂,Xj₃…Xjn xɳ

Media Global

Ejemplo: fluorescencia de Disoluciones Almacenadas en diferentes condiciones

Condiciones Medidas Repetidas Medias

A. Preparada Reciente 102, 100, 101
B. Almacenada en una 101, 101, 104
hora de oscuridad
C. Almacenada en una 97, 95, 99
hora con luz tenue
 D. Almacenada en una 90, 92, 94
hora con luz brillante
Media Global

Paso 1. Calcular las medias individuales.

Paso 2. Calcular la media global.
Paso 3. Calcular la variación dentro de muestras de la siguiente manera:

∑ ( x−x ¿²/n-1
Varianza de la muestra A= (102-101)²- (100-101)²- (101-101)²/3-1= 1

Repetir para las demás medidas…

Paso 4. Calcular la estimación entre Muestras

σ²₀= ∑ ᵢ∑ ᴊ ( xᵢᴊ− x ᵢ)2 / h( n−1)

σ²=Va+ Vb+ Vc…Vn/n
V= Varianzas Individuales
N= Número de varianzas

Paso 5. Calcular los grados de libertad

Estimación individual: g.l= n-1*total de muestras

Paso 6. Calcular la variación entre Muestras

Estimación de σ²₀ entre muestras= n∑ ᵢ ( x ᵢ−x )2 /( h−1)

Grados de libertad (h−1)

Experimentos con un solo factor

Ejemplo: un ingeniero de desarrollo está interesado en maximizar la resistencia de la tensión de

una nueva fibra sintética que empleara en la manufactura de tela para camisas. El ingeniero sabe
que la resistencia es influida por el porcentaje de algodón presente en la fibra. Sospecha que
elevar el contenido de algodón incrementara la resistencia, además de que el contenido de
algodón debe variar aproximadamente entre 10 y 40 %. El ingeniero decide probar muestra a 5
niveles de porcentaje de algodón: 15, 20, 25, 30 y 35 %. Asimismo decide ensayar cinco muestras a
cada nivel de contenido de algodón.

Niveles:

% de Algodón Numero de corrida

15 1 2 3 4 5
20 6 7 8 9 10
25 11 12 13 14 15
30 16 17 18 19 20
35 21 22 23 24 25

Secuencia de Prueba Numero de corrida Porcentaje de Algodón

1 8 20
2 18 30
3 10 20
4 23 35
5 17 30
6 5 15
7 14 25
8 6 20
9 15 25
10 20 30
11 9 20
12 4 15
13 12 25
14 7 20
15 1 15
16 24 35
17 21 35
18 11 25
19 2 15
20 13 25
21 22 35
22 16 30
23 25 35
24 19 30
25 3 15

Observaciones
% de Algodón 1 2 3 4 5 Total Promedio
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
 30 19 25 22 19 23
35 7 10 11 15 11

Tarea. Construir diagrama de Cajas.

Ejercicio de análisis sensorial

Uso de un software estadístico

Los métodos estadísticos tratados en el presente capítulo son más fáciles de aplicar si se
utiliza un software para hacer los cálculos. Prácticamente en cualquier software
estadístico se incluyen los métodos aquí tratados. Por ejemplo, en Statgraphics se
incluyen en los menús de Describe y Compare que aparecen en la pantalla principal.

En particular, para hacer una estimación puntual y por intervalo, para la media y la
desviación estándar, la secuencia a elegir es la siguiente: Describe Æ Numeric data Æ
One-variable analysis; entonces, se declara la variable a analizar, la cual fue previamente
capturada en una columna de la hoja de datos y después se pide Confidence intervals en
las opciones tabulares y se especifica el nivel de confianza deseado.

En Excel
Para hacer cálculos estadísticos en Excel se utilizan las funciones (fx) estadísticas y la
opción Análisis de datos dentro del menú de Herramientas. Si no estuviera activada la
opción de Análisis2 de datos, ésta se activa usando la opción Complementos que está
dentro del mismo menú de Herramientas. Para probar la hipótesis o encontrar
intervalos de confianza para un parámetro, se usa la secuencia: Herramientas Æ
Análisis de datos Æ Estadística descriptiva. Ahí se activa el cuadro u opción Nivel de
confianza para la media. En todos los casos, después de señalar el análisis que se desea
hacer, se abrirá una ventana en la que se especifica el rango de celdas donde se
encuentran los datos y las estadísticas deseadas.
En caso de comparar las medias de dos poblaciones suponiendo varianzas desconocidas
pero iguales, la secuencia es: Herramientas Æ Análisis de datos Æ Prueba t para dos
muestras suponiendo varianzas iguales. Para probar la igualdad de dos medias usando
muestras pareadas la secuencia es: Herramientas Æ Análisis de datos
Æ Prueba t para medias de dos muestras emparejadas. Al final, para probar la igualdad
de las varianzas se utiliza la serie de comandos: Herramientas Æ Análisis de datos Æ
Prueba F para varianzas de dos muestras.
Módulo III. Diseños al azar

Pasos para el ANOVA

1. Suma total de cuadrados o variabilidad total de los datos:

2. Suma de cuadrados de tratamientos o variabilidad debida a la diferencia entre métodos

3. Suma de cuadrados del error o variabilidad dentro de métodos.

4. Cuadrados medios de tratamientos y del error (efecto ponderado de cada fuente de variación)

Formato de entrega:
Como aleatorizar?

Paso 1. Asignar una secuencia numérica a las unidades experimentales.

Paso 2. Obtener una permutación aleatoria de la secuencia numérica y anotarlos en el orden de la

permutación. Una permutación aleatoria se obtiene tomando una sucesión de números con dos o
tres dígitos de una tabla de números aleatorios y ordenarlos de menor a mayor.

Ejemplo: 1 6 7 12 5 3 10 9 2 8 4 11

Paso 3. Asignar un tratamiento a cada grupo de dos, tres o cuatro muestras.

Ejemplo

Muestras 167 12 5 3 10 9 2 8 4 11
Tratamiento A B C D

Día 3.

I. Diseño de Bloques Completamente al Azar (DBCA)

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 no a
otros factores que no se consideran en el estudio.
Factores de bloque
Son las variables adicionales al factor de interés que se incorporan de manera explícita en
un experimento comparativo para no sesgar la comparación.
Fuentes de variabilidad
Son los factores que provocan la variabilidad en los datos.
En un diseño en bloques completos al azar (DBCA) se consideran tres fuentes de
variabilidad: el factor de tratamientos, el factor de bloque y el error aleatorio, es decir, se
tienen tres posibles “culpables” de la variabilidad presente en los datos. La palabra
completo en el nombre del diseño se debe a que en cada bloque se prueban todos los
tratamientos, o sea, los bloques están completos. La aleatorización se hace dentro de cada
bloque; por lo tanto, no se realiza de manera total como en el diseño completamente al
azar. El hecho de que existan bloques hace que no sea práctico o que incluso sea
imposible aleatorizar en su totalidad.
Arreglo de los datos en un diseño en bloques completos al azar.

Hipótesis a probar
La hipótesis de interés es la misma para todos los diseños comparativos, y está dada por:

H₀: µ₁=µ₂…µn
Análisis de varianza

La hipótesis dada se prueba con un análisis de varianza con dos criterios de clasificación,
porque se controlan dos fuentes de variación.
ANOVA para un DBCA
Fórmulas para calcular las sumas de cuadrados

Ejemplo
Se plantea la comparación de cuatro métodos de ensamble, ahora se va a controlar
activamente en el experimento a los operadores que realizarán el ensamble, lo que da
lugar al siguiente diseño en bloques completos al azar.
 II. Diseño cuadrado latino

Diseño en el que se controlan dos factores de bloque y uno de tratamientos; los tres factores
tienen la misma cantidad de niveles. Los tratamientos se representan por letras latinas y se
distribuyen en forma adecuada en un cuadro.
Reto 1. Ejercicios para el diseño de Experimentos I

1. Elija un artículo de una publicación en su campo de estudio que proporcione los resultados
de un experimento comparativo o un estudio por observación. Identifique:
a. Hipótesis de investigación
b. Tratamientos
c. Unidades experimentales
d. Tipo de diseño experimental
e. Criterios de agrupamiento, bloquizacion o compatibilidad.

2. Elija una situación práctica en su campo de estudio en su campo de estudio y describa un

problema cuya solución deba determinarse de forma experimental e identifique.

a. Hipótesis de investigación
b. Tratamientos
c. Unidades experimentales

3. La siguiente tabla representa un estudio de los métodos de entrenamiento para ejercicios

aeróbicos (método A y B). con una muestra de 19 voluntarios con su sexo y edad, todos
 sanos en el rango normal de peso para su edad, sexo y estatura, se probaron 8 individuos
en cada método por lo que solo se usaran 16.
a. Explique cómo agruparía los individuos antes de asignarles un tratamiento para
mantener el mínimo valor de varianza del error experimental.
b. Explique porque agrupo de la manera elegida.
c. Muestre los grupos de tratamiento.

Individuo Sexo Edad

1 M 54
2 M 38
3 F 41
4 F 18
5 F 19
6 F 39
7 M 51
8 F 44
9 M 62
10 M 18
11 M 31
12 F 18
13 M 58
14 M 74
15 F 58
16 F 21
17 M 35
18 M 34
19 F 38

4. Presentación

Situación
Hipótesis de
investigación
Diseño del
tratamiento
Diseño de
experimento

Día 4. Diseños factoriales

1. Abrir pagina
2. Capturar datos de simulador