Diseño Experimental

1
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES
CONTENIDO DIDCTICO DEL CUSO: 90001 METODOLOGA DE TRABAJO ACADMICO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA
ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA
PROGRAMA DE INGENIERIA DE ALIMENTOS

30156 DISEO EXPERIMENTAL
CAMPO ELIAS RIAO LUNA
(Director Nacional)

FREDY JARAMILLO
Acreditador

BOGOT
Diciembre de 2011

2


ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

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

3


INTRODUCCIN

En la UNAD se viene adelantando a travs del rediseo curricular un plan
estratgico para la formacin y capacitacin en investigacin disciplinar y
formativa, con el fin de continuar con el refuerzo de los procesos de acreditacin
de los programas.
Condicin que exige entre otras la formacin integral de talento humano en ciencia
y tecnologa, capaz de investigar y transformar su entorno regional haciendo uso
racional de los recursos disponibles, mediante la modalidad de educacin abierta y
a distancia.
Con este objeto se propone como curso obligatorio el diseo experimental cuyo
contenido induce a los estudiantes a la aplicacin de los principios estadsticos en
la investigacin.
Curso complementario a los dos (2) primeros mdulos sobre cultura investigativa
que se ofrecen en la UNAD, para todos los programas.; el contenido de este dar
los lineamientos para una de las etapas importantes en todo proceso de
investigacin como es la planificacin de la experimentacin y la comprobacin de
hiptesis.
El material ha sido organizado de forma que el estudiante repase los conceptos y
procedimientos estadsticos vistos en semestres anteriores y los aplique a la
resolucin de problemas especficos de cada profesin-con una planificacin
previa.
La forma de resolver los diseos experimentales de ms amplio uso, se presentan
en los apndices 1, 1.a, 2, 3 y 4-para la unidad 1. Estos apndices se irn
incrementando acorde con el desarrollo del curso. Igualmente estudiantes y
tutores deben consultar las OVAS presentadas para cada unidad en la pgina
principal del curso.

4


Adems en los trabajos colaborativos se incentiva a los estudiantes y docentes
sobre la forma y la importancia de obtener informacin rpida, de utilidad, con
ventajas econmicas para el desarrollo de los trabajos de grado y proyectos de
investigacin en la UNAD.
Para la solucin numrica con software (es) estadsticos se ha programado el plan
de trabajo siguiente.

Plan de trabajos prcticos con el paquete estadstico Stat Graphics

Laboratorio prctico 1.- Manejo de datos: organizacin, almacenamiento y
tratamiento.
Laboratorio prctico 2.- Estadstica descriptiva
Laboratorio prctico 3.- ANOVA. De una sola va, -diseo en bloque
aleatorizado, diseo de dos factores-diseo de tres factores- (cuadrados latinos)
Laboratorio prctico 4. Diseos factoriales 2
k
y 3
k

Laboratorio prctico 5. Anlisis de Regresin.
Key Word: ANOVA con Stat Graphics
1- http://e-stadistica.bio.ucm.es/disexp/guia_rapida_statgraphics.html

5


INDICE DE CONTENIDO

El contenido programtico para el curso de diseo experimental est en la
tabla 2.
Tabla 2. Contenidos temticos para el curso de diseo de experimental

UNIDADES DIDCTICAS CAPITULOS LECCIONES
UNIDAD UNO:
UTILIZACIN DE LOS
MTODOS
ESTADSTICOS DE
CONTRASTE EN LA
EXPERIMENTACIN.
CAPTULO 1.
Introduccin Al
Diseo De
Experimentos
Leccin 1: Conceptos
bsicos del diseo
experimental
Leccin 2: Tipos de
tratamientos y errores
experimentales
Leccin 3: Principios bsicos
en el diseo de experimentos
Leccin 4: Las tcnicas
utilizadas en el diseo de
experimentos
Leccin 5: Control local,
aleatorizacin y
procedimiento para el diseo
experimental
CAPTULO 2.
Contraste de
hiptesis
comparaciones
simples
Leccin 1: Comprobacin de
hiptesis
Leccin 2: Prueba de t
Leccin 3: Anlisis de
varianza-ANDEVA
Leccin 4: Prueba de
diferencia significativa mnima
(DSM) de Fisher
Leccin 5: Modelo
estadstico
CAPTULO 3. Tipos
de diseo
experimentales
Leccin 1: El uso de las
computadoras y software
especializado
Leccin 2: Diseos
unifactoriales
Leccin 3: Diseos de

6


bloques completos al azar
Leccin 4: Diseo de cuadro
latino
Leccin 5: Diseo de cuadro
Greco Latino
UNIDAD DOS: DISEOS
FACTORIALES y 2
K

CAPTULO 1.
Diseos factoriales
Leccin 1: Definiciones
bsicas diseo factorial.
Leccin 2: Experimento
factorial o mover un factor a la
vez
Leccin 3: Diseo factorial
con dos factores
Leccin 4: Diseos
factoriales con tres factores
Leccin 5: Diseos
factoriales generales
CAPTULO 2.
DISEOS
FACTORIALES 2
K

Leccin 1: Diseo 2
2

Leccin 2: Diseo2
3

Leccin 3: Diseo 2
k

Leccin 4: Superficies de
respuesta
Leccin 5: Otros diseos
experimentales.
CAPTULO 3.
Anlisis de
regresin lineal y
superficies de
respuesta
Leccin 1: Introduccin y el
significado de la regresin y
suposiciones bsicas
Leccin 2: Estimacin por
mnimos cuadrados
Leccin 3: Propiedades
generales de los estimadores
de mnimos cuadrados
Leccin 4: Introduccin a las
superficies de respuesta
Leccin 5: Ejemplo de
clculo de superficies de
respuesta

7


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

8


Red Semantica-Diseo Experimental

9


Contenidos Unidad 1
Nombre de la Unidad
UNO
UTILIZACIN DE LOS MTODOS ESTADSTICOS DE CONTRASTE EN
LA EXPERIMENTACIN
Introduccin La experimentacin juega un papel fundamental en todos los campos de la
investigacin y el desarrollo. El objetivo de la experimentacin es obtener
informacin de calidad y confiable. Informacin que debe permitir el
desarrollo de nuevos productos y procesos, comprender mejor un sistema y
tomar decisiones sobre como optimizarlo adems el de comprobar
hiptesis cientficas, etc.
Obviamente la experimentacin se debe planificar (disear)
cuidadosamente para que proporcione la informacin buscada. Dicha
planificacin debe considerar dos aspectos importantes relacionados con
toda experimentacin.
El diseo de un experimento es la secuencia completa de los pasos que se
deben tomar de antemano, para planear y asegurar la obtencin de toda la
informacin relevante y adecuada al problema bajo investigacin, la cual
ser analizada estadsticamente para obtener conclusiones vlidas y
objetivas con respecto a los objetivos planteados.
Un Diseo Experimental es una prueba o serie de pruebas en las cuales
existen cambios deliberados en las variables de entrada de un proceso o
sistema, de tal manera que sea posible observar e identificar las causas de
los cambios que se producen en la respuesta de salida.
Justificacin Para responder al reto que le plantea su proyecto acadmico, la
Universidad, desde la perspectiva de ser abierta y a distancia, se ha
propuesto crear las condiciones que le permitan consolidar cientficamente
los currculos, con este propsito se ofrece el modulo de diseo
experimental de aplicacin a todas los programas de la UNAD, con el fin de
aprender a planificar de una manera razonable los trabajos de grado y las
diferentes investigaciones que se propongan, reconfirmando las tcnicas
necesarias para realizar con xito dicha labor y sustentar objetivamente los
resultados a travs de la investigacin planificada.
Intencionalidades
Formativas
Se pretende con este modulo y gua proporcionar y suministrar los
elementos, los conceptos y la informacin necesaria para el desarrollo de
las actividades a tener presentes para la planificacin y el desarrollo de un
proyecto de investigacin, con el fin de inducir a los docentes y estudiantes
en la aplicacin de estrategias que conduzcan al correcto planteamiento,
desarrollo y formulacin de actividades propias de la investigacin con
racionalizacin de los recursos asignados.
Denominacin de captulos
Unidad 1
Captulo 1. Introduccin al diseo de experimentos
Captulo 2. Contraste de hiptesis comparaciones simples.
Captulo 3. Tipos de diseo experimentales

10


CAPITULO 1: LA INVESTIGACIN Y EL DISEO EXPERIMENTAL
La experimentacin juega un papel fundamental en todos los campos de la
investigacin y el desarrollo. El objetivo de la experimentacin es obtener
informacin de calidad y confiable. Informacin que debe permitir el desarrollo de
nuevos productos y procesos, comprender mejor un sistema y tomar decisiones
sobre como optimizarlo adems el de comprobar hiptesis cientficas, etc.
Obviamente la experimentacin se debe planificar (disear) cuidadosamente para
que proporcione la informacin buscada. Dicha planificacin debe considerar dos
aspectos importantes relacionados con toda experimentacin.
El diseo de un experimento es la secuencia completa de los pasos que se deben
tomar de antemano, para planear y asegurar la obtencin de toda la informacin
relevante y adecuada al problema bajo investigacin, la cual ser analizada
estadsticamente para obtener conclusiones vlidas y objetivas con respecto a los
objetivos planteados.
Un Diseo Experimental es una prueba o serie de pruebas en las cuales existen
cambios deliberados en las variables de entrada de un proceso o sistema, de tal
manera que sea posible observar e identificar las causas de los cambios que se
producen en la respuesta de salida.
Esquema de un proceso o sistema experimental:

11


Figura 1. El proceso del diseo experimental

Revisemos el enlace: La estadstica, instrumento de investigacin cientfica.
Tomado de Tomado de: portalsej.jalisco.gob.mx/unidades-
upn.../antonio_ramirez_ramirez.pdf. Con fines netamente educativos.

Lecciones-C_1-U_1
Leccin 1: Conceptos bsicos del diseo experimental
Los siguientes conceptos que se definen a continuacin se utilizarn en el
desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991) y de Kuehl (2001).
Definiciones
Diseo: Consiste en planificar la forma de hacer el experimento, materiales y
mtodos a usar, etc.
Experimento. Conjunto de reglas usadas para obtener una muestra de la
poblacin y al concluir el ensayo obtener informacin acerca de la poblacin.
Un experimento es un procedimiento mediante el cual se trata de comprobar
(confirmar o verificar) una o varias hiptesis relacionadas con un determinado
fenmeno, mediante la observacin y medicin de las variables que influyen en el
mismo.

12


Por ejemplo todas las pruebas de laboratorio y las pruebas de campo que realices
para desarrollar tu trabajo de grado.
Es un cambio en las condiciones de operacin de un sistema o proceso para
obtener una muestra de la poblacin y al concluir el ensayo obtener informacin
acerca de la poblacin o del producto obtenido.
Por ejemplo variar las condiciones de operacin (temperatura, presin, velocidad
de agitacin de un proceso, las raciones para semovientes, dosis de
agroqumicos).
O la utilizacin de diferentes proporciones de materias primas y aditivos para
mejorar la condicin de un producto de consumo masivo.
La experimentacin constituye uno de los pasos del mtodo cientfico.
Ejemplos de sistemas experimentales son:
- Una reaccin qumica y/o bioqumica, cuyo rendimiento (Y) puede ser funcin,
entre otros, del tiempo de reaccin (t1), la temperatura de la reaccin (T2) y el tipo
de microorganismo (Mo1) utilizado. Otras variables que pueden influir son, por
ejemplo, la presentacin de los sustratos, la velocidad de agitacin,....
Experimento aleatorio. Actividad que tiene como resultado o que produce un
evento. Prueba donde existen dos o ms resultados posibles, y no se pude
anticipar cul de ellos va a ocurrir.
Tratamiento: Es un conjunto particular de condiciones experimentales definidas
por el investigador.
Son el conjunto de circunstancias creadas por el experimento, en respuesta a la
hiptesis de investigacin y son el centro de la misma.

13


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

14


Factores Incontrolables: Son aquellos parmetros o caractersticas del producto
o proceso, que es imposible de controlar al momento de desarrollar el
experimento.
Variabilidad Natural: es la variacin entre las unidades experimentales, que el
experimentador no puede controlar ni eliminar.
Variable Dependiente: es la variable que se desea examinar o estudiar en un
experimento. (Variable Respuesta).

Leccin 2: Tipos de tratamientos y errores experimentales
Los siguientes conceptos que se definen a continuacin se utilizarn en el
desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991), Padrn (1996) y de Kuehl (2001).
A continuacin se presentan ejemplos de tratamientos en algunas reas, tales
como:
Experimentaciones Agrcolas, un tratamiento puede referirse a:
Marca de Fertilizante.
Cantidad de Fertilizante.
Profundidad del Sembrado.
Variedad de Semilla.
Combinacin de Cantidad de Fertilizante y Profundidad de Sembrado; esto es
una combinacin de tratamientos.
etc.

15


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

16


Leccin 3: Principios bsicos en el diseo de experimentos
Acorde con Cochran & Cox (2001) los tres principios bsicos del Diseo de un
experimento son:
1. Replicacin (Obtencin de Rplicas).
Este principio se refiere al nmero de veces que se aplica un tratamiento a las
unidades experimentales. El cual tiene dos propiedades importantes, la primera
permite al experimentador obtener la estimacin del error experimental; esta
estimacin se convierte en la unidad bsica para determinar si las diferencias
observadas en los datos son estadsticamente significativas o para determinar la
amplitud de un intervalo de confianza, y la segunda permite al experimentador
calcular una estimacin ms precisa del efecto medio de cualquier factor en el
experimento, si se usa la media de la muestra, como una estimacin de dicho
efecto. Lo que significa que la varianza de la media de la muestra se define como
2
y
= / n; donde
2
es la varianza de los datos y n el nmero de rplicas.
La implicacin prctica de esto es que si el nmero de rplicas es pequea (n=1)
probablemente no se podra obtener inferencias satisfactorias con respecto al
efecto del tratamiento; es decir, que la diferencia observada podra ser resultado,
exclusivamente, del error experimental. El nmero de rplicas afecta la precisin
de las estimaciones de las medias de tratamientos y la potencia de las pruebas
estadsticas para detectar las diferencias entre las medias de los grupos en los
tratamientos. Pero puede ser muy costosa econmicamente la incorporacin de
una rplica en el Experimento.

Leccin 4: Las tcnicas utilizadas en el diseo de experimentos

17


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

18


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

19


Leccin 5: Control local, aleatorizacin y procedimiento para el diseo
experimental
Bicking (s.f), Cochran & Cox (2001) describen que la aleatorizacin es realizada
cuando las unidades se han agrupado y los tratamientos han sido asignados al
azar a las unidades dentro de cada grupo.
Ejemplo: Se llev a cabo un experimento para determinar la eficacia de 6
fertilizantes de nitrgeno para una cierta variedad de maz. Se contaba con 24
parcelas experimentales.
Considerando que puede existir mucha variabilidad entre las parcelas
experimentales, se decidi usar un diseo de experimento que pudiera tener la
capacidad de controlar esta variabilidad. Cada uno de los seis fertilizantes fue
aplicado a cuatro parcelas experimentales, siguiendo el mtodo de aleatorizacin
del diseo utilizado y cada parcela experimental tena cinco surcos de plantas de
maz. Luego se obtuvo la cosecha de plantas, de cada una de las parcelas se
tomaron solamente tres surcos y fueron los centrales. Las plantas cosechadas se
llevaron al laboratorio para determinar el rendimiento por medio del peso de las
semillas, haciendo esto separadamente para cada una de las parcelas.
En el ejemplo planteado se puede observar:
Hay seis tratamientos que son los seis fertilizantes.
Hay veinticuatro unidades experimentales, que son las parcelas
experimentales.
La unidad muestral no es la totalidad de la unidad experimental sino
una parte de ella (las 4 parcelas).
El investigador toma la decisin de cosechar tres surcos centrales
en cada unidad experimental; ya que considera que de esta manera se

20


puede evitar cualquier efecto del fertilizante que se aplica a una parcela y
que pueda influir el resultado de las parcelas vecinas.
El nmero de rplicas es igual a cuatro por cada tratamiento.
Existe un control local ya que el investigador habr usado un diseo
(por ejemplo: El Diseo de Bloques Aleatorios; el cual se estudiara en el
detalle en la siguiente unidad programtica), que controla la variabilidad
entre las parcelas en el campo experimental.
La variable respuesta en este experimento es el rendimiento.
Forma de aleatorizar un experimento
1) Asignar nmeros a cada una de las parcelas experimentales de 1
a 24.
2) Elaborar cuadrados de papel con los mismos nmeros de las
parcelas (1 a 24) y luego colocarlos en un recipiente.
3) Sacar al azar una por una las tarjetas del recipiente.
4) Existen 6 tratamientos, que son los seis fertilizantes y como el
nmero de rplicas es igual a cuatro entonces los primeros cuatro nmeros
sacados que corresponden a las primeras cuatro parcelas sern asignadas
al fertilizante nmero uno.
5) Los segundos cuatro nmeros sacados que corresponden a las
segundas cuatro parcelas sern asignadas al fertilizante nmero dos.
6) Y as sucesivamente hasta obtener los ltimos cuatro nmeros
que corresponden a las cuatro parcelas que sern asignadas al fertilizante
nmero seis.

21


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

22


sea eficiente; ya que los objetivos de la mayora de los experimentos son las
comparaciones claras y exactas entre los tratamientos a travs de un conjunto
apropiado de condiciones. Estos objetivos requieren estimaciones precisas de las
medias y poderosas pruebas estadsticas, lo cual se puede obtener reduciendo la
varianza del error experimental. El uso adecuado del control local describe las
acciones que emplea un investigador para reducir o controlar la magnitud de la
estimacin del error experimental; incrementando la exactitud de las
observaciones y estableciendo la base de la inferencia del estudio.

23


CAPITULO 2-U_1
CONTRASTE DE HIPTESIS COMPARACIONES SIMPLES.
Etimolgicamente Hiptesis es la suposicin de una verdad que debe ser
verificada o rechazada.
Es una explicacin que al comienzo de una investigacin se le da a un hecho, es
una conjetura a la realidad.
Y sirve para orientar al investigador en el encuentro de una verdad.(Ver modulo de
trabajo de grado ciclo tecnolgico y ciclo profesional del mismo compilador)
Una hiptesis estadstica es una afirmacin sobre los valores de los parmetros de
una poblacin o proceso, que es susceptible de probarse a partir de la informacin
contenida en una muestra representativa obtenida de una poblacin. Por ejemplo,
la afirmacin "este proceso produce menos del 6% de defectuosos" se puede
plantear estadsticamente, en trminos de, proporcin p desconocida de artculos
defectuosos que genera el proceso.
Ho : p =0.06 (la proporcin de defectuosos es 0.06)
HA: p < 0.06 (la proporcin es menor a 0.06)

Lecciones - C_2-U_1
Leccin 1: Comprobacin de hiptesis
Para las siguiente leccin se tomaron como referente a Bavaresco (1979), Bunge
(1980) y Berenson, Levine & Krehbiel (2001).

24


Formulacin y prueba de hiptesis
Una hiptesis es una afirmacin acerca de algo.
En estadstica, puede ser una suposicin acerca del valor de un parmetro
desconocido.
La prueba es el medio de verificacin para saber si algo es verdadero o falso y
hasta qu grado podemos decir que sea verdadero o falso.
Pasos en la prueba de hiptesis:

-hiptesis.

Calcular una estadstica de muestra.

Recomendacin se debe hablar de "no rechazar" una hiptesis en lugar de
"aceptar", ya que las pruebas no son concluyentes.
Estadstico de prueba.
Una vez planteada la hiptesis, se toma una muestra aleatoria (o se obtienen
datos mediante un experimento planeado de acuerdo a la hiptesis de la poblacin
en estudio). El estadstico de prueba es un nmero calculado a partir de los datos
y la hiptesis nula, cuya magnitud permite discernir si se rechaza o se acepta la
hiptesis nula Ho Al conjunto de posibles valores del estadstico de prueba que
llevan a rechazar Ho,se le llama regin o interur de rechazo para la prueba, y a los

25


posibles valores donde no se rechaza Hl les llama regin o intervalo de
aceptacin.
Por ejemplo, para las hiptesis planteadas el estadstico de prueba est dado por
0.08 Zo = vlO.08(1- 0.08) / n'
Anlisis de datos. (2, 3, 7 y varios autores)
El anlisis depende del nivel de medicin de las variables, de la manera como se
hayan formulado las hiptesis, el inters del investigador en el problema que est
investigando.
Podemos usar una serie de nmeros conocidos como estadstica sumaria para
describir las caractersticas del conjunto de datos. Dos de estas caractersticas
son de particular importancia para los responsables de tomar decisiones: la de
tendencia central y la de dispersin, entre los cuales tenemos la mediana, la
moda, medidas de tendencia central, desviacin media, la dispersin, sesgo en
curvas y graficas, curtosis, la media aritmtica, la mediana, la moda, la dispersin,
distribucin de frecuencias, histogramas, la varianza de una poblacin,
puntuaciones Z, razones y tazas, anlisis de varianza.
Pruebas de hiptesis.
En general una prueba de hiptesis comienza con una teora o aseveracin
relativa a cierto parmetro de una poblacin para lo cual se definen dos hiptesis
conocidas como:
- La Hiptesis nula H
o
la cual es la hiptesis que se prueba siempre.
- Y la Hiptesis alternativa H
1
que se establece como el opuesto a la
hiptesis nula y representa la conclusin que se apoya si la hiptesis nula
se rechaza.

26


En lo que se conoce como metodologa de prueba de hiptesis clsica, se
recomiendan los siguientes puntos a tener en cuenta:
- La Hiptesis nula H
o
siempre se refiere a un valor especifico del parmetro
de poblacin (como ) , no al estadstico maestral ( como )
A partir de este numeral se deben consultar las tablas que se encuentran e textos
de estadstica como las tablas t-Student, de distribucin F, comparacin de medias
de Duncan, etc.
Ejemplo y procedimiento a desarrollar para una prueba de hiptesis propiamente
dicha.
Una organizacin de consumidores esta interesada en determinar si existe
diferencia en el peso entre diferentes marcas de cajas de 500 gramos de cereales
para el desayuno, para lo cual acepta una varianza de 10 gramos.
Para el efecto el estudiante (de ser posible) recopilara 25 datos, los almacenara en
una tabla y los analizara; se aconseja trabajar con una significancia del 5%.
Los pasos a seguir para la prueba de hiptesis son los siguientes:
1. Establezca la hiptesis nula H
o
. sta debe expresarse en trminos estadsticos.
Por ejemplo: Al probar si la cantidad promedio de llenado es 500 gramos, la
hiptesis nula asegura que ( ) es igual a 500gramos.
2. Establezca la hiptesis alternativa H
1
. Tambin debe expresarse en trminos
estadsticos.
Al probar si la cantidad promedio de llenado es de 500 gramos, la hiptesis
alternativa asegura que ( ) es inferior a 500 gramos.

27


3. Elija el nivel de significancia. ste se determina despus de tomar en cuenta los
riesgos especificados de cometer errores tipo I y tipo II en una situacin particular.
La compaia eligi = 0.05.
4. Elija el tamao de la muestra n. ste se determina despus de tomar en cuenta
los riesgos especificados de cometer errores tipo I y tipo II (es decir, los niveles
seleccionados de a y de considerar las restricciones de presupuesto al realizar el
estudio.
En este caso se pesaron 25 cajas de cereal seleccionadas al azar.

5. Determine la tcnica estadstica adecuada y la estadstica de prueba
correspondiente que se usar. Dado que si se conoce por que la compaa
especific que eran 15 gramos, se eligi una prueba Z.
6. Establezca los valores crticos que dividen las regiones de rechazo y no
rechazo. Una vez especificadas las hiptesis nula y alternativa y determinados el
nivel de significancia y el tamao de la muestra, se pueden encontrar los valores
crticos para la distribucin estadstica adecuada, de manera que se puedan
indicar las regiones de rechazo y no rechazo.
Para el caso se utilizaran los valores + 1.96 Y - 1 .96 para definir las regiones
porque el estadstico Z se refiere a la distribucin normal estndar.
7. Recopile los datos y calcule el valor muestral del estadstico de prueba
adecuado.
Realice una toma de datos (determinacin) y calcule la X media = ....... gramos,
entonces y obtenga el valor Z = + ...........
8. Determine si el estadstico de prueba est en la regin de rechazo o de no
rechazo. El valor calculado del estadstico de prueba se compara con los valores

28


crticos de la distribucin muestral apropiada para determinar en qu regin se
encuentra.
En este caso, . Z= +...... est en la regin de rechazo o no rechazo porque - 1.96 <
Z == +.... < + 1 .96.
9. Tome una decisin estadstica. Si el estadstico d prueba est en la regin de
no rechazo, la hiptesis nula, Ho no se puede rechazar; si el estadstico de prueba
est en la regin de rechazo, la hiptesis nula se rechaza.
10. Exprese la decisin estadstica en trminos de una situacin particular.
De ser afirmativa la diferencia entre las cantidades, que accin correctiva
propondras y aplicaras?
Error experimental
En todo proceso experimental se presentan dos clases de variaciones: la variacin
inherente al material experimental, al que se aplican los tratamientos y la que
proviene de la falta de uniformidad en la realizacin fsica del experimento o
variaciones externas a la experimentacin (como las ambientales, etc) que tienden
a enmascarar el efecto de los tratamientos.
Para expresar estas variaciones ajenas a los tratamientos los estadsticos aplican
el trmino error experimental; trmino que no quiere decir equivocacin, sino que
incluye todo tipo de variacin externa ajena al material experimental.

Este error experimental es la medida de variacin que existe entre las
observaciones de unidades experimentales en el mismo tratamiento, es decir, la
variacin no proveniente de los tratamientos.
Para los fines de clculo en las ecuaciones se expresa con la letra
c

Errores tipo I y tipo II. (8)

29


Cuando se contrastan o se prueban las hiptesis se pueden cometer dos tipos de
errores por los siguientes motivos:
- La prueba de hiptesis comienza con una suposicin, llamada hiptesis,
que hacemos con respecto a un parmetro de poblacin.
- Despus recolectamos y clasificamos los datos, aplicamos la estadstica
seleccionada a las muestras y usamos esta informacin para decidir qu
tan probable es que sea correcto nuestro parmetro de poblacin acerca
del cual hicimos la hiptesis.
- Debemos establecer el valor supuesto (hipotetizado) del parmetro de
poblacin antes de comenzar a tomar la muestra.
- La suposicin que deseamos probar se conoce como hiptesis nula, y se
simboliza por H
0
.
- Siempre que rechazamos la hiptesis, la conclusin que s aceptamos se
llama hiptesis alternativa y se simboliza por H
1
.
*** El rechazo de una hiptesis nula cuando es cierta se denomina error de tipo
I, y su probabilidad (que es tambin el nivel de significancia) se simboliza como
o . ***
*** El hecho de aceptar una hiptesis nula cuando es falsa se denomina error
de tipo II, y su probabilidad se simboliza como | . ***
- La probabilidad de cometer un tipo de error puede reducirse slo si
deseamos incrementar la probabilidad de cometer el otro tipo de error.

Con el propsito de obtener una (probabilidad) | baja, tendremos que tolerar una
probabilidad o alta; sin embargo el nivel de significancia adecuado se debe
decidir acorde con los costos y desventajas vinculadas con ambos tipos de
errores.
Las modalidades ms recomendadas para disminuir el error son:
En toda marcha experimental que se realice se debe
a) Utilizar unidades experimentales muy uniformes, como materias primas
homogneas, procesos, densidad de muestras, etctera.
b) Tamao adecuado de la unidad experimental.
e) Eliminacin de la competencia entre tratamientos.
d) Distribucin adecuada de los tratamientos mediante sorteos (azar).
e) Usar el nmero adecuado de repeticiones para cada tratamiento.

30


f) Poner todos los tratamientos en igualdad de condiciones, de manera que si
alguno es superior a los dems, se pueda probar.

Leccin 2: Prueba de t
Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) la
prueba de t es conocida a veces como prueba de t de Student, por recibir el
nombre de la persona que la estudi primero, en 1890. Student en realidad era un
matemtico llamado William Gosset, empleado por la Cervecera Guiness, quien
se vio obligado a usar el pseudnimo de Student, debido a que por poltica de la
compaa se tena prohibido a los empleados publicar sus investigaciones.
Gosset descubri que cuando una observacin procede de una distribucin
normal, las medias se distribuyen de manera normal, slo s se conoce la
verdadera desviacin estndar de la poblacin.
La prueba de t se emplea mucho en todas las reas de la ciencia.
La distribucin de t, es similar a la distribucin de z la cual se explic en numeral
anterior y, uno de sus mayores usos, es responder a interrogantes de
investigacin sobre medias y cuando se desconoce la verdadera desviacin
estndar.
Ecuacin 1
S, es la desviacin estndar

31


Para usar una prueba t con una muestra, se supone que los datos numricos se
obtienen de una manera independiente y representan una muestra aleatoria de
una poblacin que sigue una distribucin normal.
En la prctica, se ha encontrado que siempre que la muestra no es muy pequea
y la poblacin no tenga un sesgo grande, la distribucin t proporciona una
aproximacin a la distribucin muestral de la media cuando (sigma) no se conoce.
Ejercicio resuelto-ver ejemplo en el apndice 1.
Prueba de t para la diferencia entre dos medias
El clculo de la prueba de t para la diferencia entre dos medias se realiza con
Ecuacin 2 y Ecuacin
3
S
2
p
= varianza combinada
X
1,2
= medias de la muestra tomadas de las poblaciones respectivamente
S
1,2
= varianzas de la muestra tomadas de las poblaciones respectivamente
Ejercicio resuelto
Leccin 3: Anlisis de varianza-ANDEVA
Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) el
anlisis de varianza fue ideado por Sir Ronald Fisher en 1925, de gran aplicacin
cuando en una investigacin se tiene el propsito de corrobar por medio del

32


anlisis estadstico los efectos de uno o ms factores sobre el comportamiento de
una caracterstica o variable dependiente.
El ANAVA (Analysis of variance) o Anova; es una tcnica estadstica que sirve
para analizar la variacin total de los resultados experimentales de un diseo en
particular, descomponindolo en fuentes de variacin independientes atribuibles a
cada uno de los efectos en que constituye el diseo experimental, compara dos o
ms medias.
Esta tcnica tiene como objetivo identificar la importancia de los diferentes
factores tratamientos en estudio y determinar cmo interactan entre s.
El ANOVA es una prueba semejante a la prueba t de Student, en cuanto a la
prctica, pero la comparacin entre grupos no es a travs de la media y su
desviacin estndar, sino a travs de la varianza de la variable numrica y, en
cada grupo de la variable categrica x.
Bsicamente el anlisis de Varianza, se utiliza para corroborar si la significacin
de diferencias entre medias de dos o ms grupos, son o no debidas al azar.
La cifra estadstica obtenida con el ANOVA es la razn F.
F= Estimacin entre los tratamientos / Estimacin dentro de los tratamientos.
Suponiendo que se analizan 2 grupos, el ANAVA o el ANOVA, analiza las
variaciones entre los dos grupos (inter-grupal) y la compara con la variacin dentro
de cada grupo (intra-grupal), para obtener mediante una suma de cuadrados el
valor de F.
Si las diferencias de varianza entre cada grupo son mayores que las intra-
grupales, seguramente existen diferencias significativas entre los grupos que no
son debidas al azar.

33


Los grupos se definen como en la prueba t eligiendo una variable categrica. La
variable a analizar debe ser numrica y de distribucin simtrica.
Bases del anlisis de la varianza.
Los supuestos que validan el anlisis varianza son:
a. Los errores son independientes
b. Los errores estn normalmente distribuidos con media cero y varianza constante
c. Existe homogeneidad de varianza entre los tratamientos.
Supnganse k muestras aleatorias independientes, de tamao n, extradas de una
nica poblacin normal. A partir de ellas existen dos maneras independientes de
estimar la varianza de la poblacin (S
2
)
1) Una varianza dentro de los grupos (ya que slo contribuye a ella la varianza dentro
de las muestras), o varianza de error, o cuadrados medios del error, y
habitualmente representada por SC
Error
(Mean Square Error) que se calcula como
la media de las k varianzas muestrales (cada varianza muestral es un estimador
centrado de S
2
y la media de k estimadores centrados es tambin un estimador
centrado y ms eficiente que todos ellos).
SC
Error
es un cociente: al numerador se le llama suma de cuadrados del error y se
representa por SC
E
y al denominador grados de libertad por ser los trminos
independientes de la suma de cuadrados.
2) Otra llamada varianza entre grupos (slo contribuye a ella la varianza entre las
distintas muestras), o varianza de los tratamientos, o cuadrados medios de los
tratamientos y representada por SC
trat
o MSB (Mean Square Between).

34


Se calcula a partir de la varianza de las medias muestrales y es tambin un
cociente; al numerador se le llama suma de cuadrados de los tratamientos (se le
representa por SC
trat
) y al denominador (k-1) grados de libertad.
SC
trat
y SC
Error
, estiman la varianza poblacional en la hiptesis de que las k
muestras provengan de la misma poblacin.
La distribucin muestral del cociente de dos estimaciones independientes de la
varianza de una poblacin normal es una razn con distribucin F con los grados
de libertad correspondientes al numerador y denominador respectivamente, por lo
tanto se puede contrastar dicha hiptesis usando esa distribucin.
Variacin total = Variacin dentro de los tratamientos+ Variacin entre los
tratamientos
Suma de cuadrados total = Suma de cuadrados dentro+Suma de cuadrados entre
Variacin total =
Tabla 3. Ejemplo de un reporte del anlisis de varianza
Fuente de
variacin
Grados
de
Libertad
SC
Suma de
cuadrados
CM
Cuadrados
medios
F
0

Razn
F
p-valor
Entre
Tratamientos
k-1 SC
tratamient
SC
trat
/(K-1) SC
trat
/
SCM
E

P (F>F
0
)
Dentro del Error N-k SC
E
SC
E
/(N-K)

Total N-1 SC
T

SC
Total
/ (KN
- 1)

35


K= Numero de tratamientos o niveles o grupos del factor de inters
N= Nmero total datos reportados
n = Nmero total de datos por grupo
Ejemplos de resolucin de ANAVAS o ANOVAS se realizaran en captulos
siguientes y apndices al final del mdulo.
Los grados de libertad son uno menos que el nmero de observaciones para cada
fuente de variacin.

Leccin 4: Prueba de diferencia significativa mnima (DSM) de Fisher
Diferencia mnima significativa (LSD). Es la diferencia mnima que debe haber
entre dos medias mustrales para poder considerar que dos tratamientos son
diferentes.
Discusin
Cuando para un diseo experimental se rechaza la hiptesis de igualdad entre los
tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre s.
Para averiguarlo se emplean los mtodos de comparacin de medias, uno de
estos mtodos (formulas) es el LSD o (DMS) o diferencia minina significativa. Esta
debe ser utilizada solo para comparar medias adyacentes en un arreglo ordenado,
aunque tambin se puede emplear para comparar las medias con un testigo o
tratamiento estndar.
La DMS es una prueba de t de Student que utiliza la varianza combinada.
Ecuacin 4 ..t=

36


Ecuacin 5.S
d

r = Nmero de repeticiones
CME = Cuadrado medio del error Ecuacin 5
El valor de t se toma de la tabla de los apndices con los grados de libertad del
error. Usualmente la significancia es considerada entre 1% y 5%.
Ejemplo
En un experimento desarrollados por un grupo de profesionales se
determino el efecto de tres tratamientos de fertilizacin en la altura de
arboles de una especie forrajera, obtenindose los siguientes resultados.

Tabla 4, Tratamientos de experimento sobre fertilizacin
Tratamiento IBIOM (cm3)
Media CV (%)
T1 1064 a * 93
T2 1838 a * 60
T3 1886 a * 61
Diferencia Mnima Significativa DMS 962 cm3

37


Los valores acompaados por igual letra no presentan diferencias
estadsticamente significativas al 95% de confianza.
X
1
X
2
X
3

X
1
- 1064 - 1838 1064-1886
X
2
- - 1838-1886
X
3
- - -

Leccin 5: Modelo estadstico
La finalidad de una serie de experimentos es determinar un modelo estadstico
que refleje la creencia respecto a la relacin entre los tratamientos y las
observaciones.
Cada resultado del experimento si este se repite n veces, est determinado por la
media general y el efecto del tratamiento.
La identificacin de este fenmeno y la comprobacin de las suposiciones se
hacen en el momento de proponerlo basndose en el siguiente modelo
matemtico:

Modelo matemtico Ecuacin 6
En donde
i= 1,., k numero de tratamientos

38


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

combinacin de factores determinada por el tratamiento i.
Como hay variaciones no controlables, la inexactitud de las mediciones,
conforman un factor llamado error experimental (
c
).
El modelo finalmente se expresa como:
Ecuacin del Modelo estadstico 7

Anlisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hiptesis.
Cuando la hiptesis se refiere a los parmetros del fenmeno se convierte
entonces en hiptesis estadstica como la variabilidad del clima, de una
temperatura en un proceso as se disponga de mtodos de medida con bastante
precisin y exactitud, sin olvidar que el resultado de todo experimento tiene un
componente llamado error, generalmente debido al azar.
Este efecto aleatorio obliga al investigador a recurrir a la estadstica para
minimizarlo y probar las hiptesis con un grado importante de certeza.
El anlisis de covarianza es un procedimiento muy importante en experimentacin
para la verificacin de las hiptesis, pero lamentablemente no se usa con
frecuencia.
El anlisis de covarianza permite realizar ajustes con las respuestas de las
unidades experimentales en las que se vara un factor medible, con la respuesta
que se hubiese obtenido, si todas las unidades experimentales hubiesen tenido, el
valor promedio del factor variable, para eliminar as el efecto de ese factor.
El anlisis de covarianza entre muchas utilidades, se puede,utilizar tambin para
ajustar las respuestas de las unidades de experimentacin de promedios de dos o
mas factores variables denominadas covariables.

39


Utiliza el anlisis de varianza y el de regresin para eliminar la variabilidad que
existe en la variable independiente X; tambin ajusta medias de tratamiento y as
estima mucho mejor el efecto de la variable independiente X sobre la variable
dependiente Y.
La variable independiente X es una observacin hecha en cada unidad
experimental antes de aplicar los tratamientos, e indica hasta cierto grado la
respuesta final Y de la unidad experimental.
Por ejemplo en una granja asistida por la UNAD se realizo un experimento con el
fin estudiar la conveniencia de raciones alimenticias en la ganancia de peso de los
anteriores para lo cual se les determinaron los pesos iniciales X y el consumo de
alimento Y; si los investigadores utilizan diferentes raciones las diferencias fisicas
y efectos que presentan los semovientes pueden ser o no ser significativas, por la
calidad de las raciones. Por lo tanto se deben preguntar si: Al existir variacin en
los pesos iniciales de los semovientes, la diferencia que se presentan en los pesos
finales es debido a las propiedades de alguna de las raciones? O que en un alto
porcentaje se deban a las diferencias de los pesos iniciales?
Por medio del anlisis de covarianza, se puede calcular el efecto de la bondad de
las raciones, eliminando la parte correspondiente a los pesos iniciales.
Recomendaciones
- Al plantear un estudio estadstico, definir claramente la poblacin objeto de
anlisis.
- Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
- Especificar qu se va a medir, las unidades a usar y la forma de registro.

Ecuacin de Modelo estadstico 7

Anlisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hiptesis.
Cuando la hiptesis se refiere a los parmetros del fenmeno se convierte
entonces en hiptesis estadstica como la variabilidad del clima, de una

40


temperatura en un proceso as se disponga de mtodos de medida con bastante
precisin y exactitud, sin olvidar que el resultado de todo experimento tiene un
componente llamado error, generalmente debido al azar.
Este efecto aleatorio obliga al investigador a recurrir a la estadstica para
minimizarlo y probar las hiptesis con un grado importante de certeza.
El anlisis de covarianza es un procedimiento muy importante en experimentacin
para la verificacin de las hiptesis, pero lamentablemente no se usa con
frecuencia.
El anlisis de covarianza permite realizar ajustes con las respuestas de las
unidades experimentales en las que se vara un factor medible, con la respuesta
que se hubiese obtenido, si todas las unidades experimentales hubiesen tenido, el
valor promedio del factor variable, para eliminar as el efecto de ese factor.
El anlisis de covarianza entre muchas utilidades, se puede ,utilizar tambin para
ajustar las respuestas de las unidades de experimentacin de promedios de dos o
mas factores variables denominadas covariables.
Utiliza el anlisis de varianza y el de regresin para eliminar la variabilidad que
existe en la variable independiente X; tambin ajusta medias de tratamiento y as
estima mucho mejor el efecto de la variable independiente X sobre la variable
dependiente Y.
La variable independiente X es una observacin hecha en cada unidad
experimental antes de aplicar los tratamientos, e indica hasta cierto grado la
respuesta final Y de la unidad experimental.
Por ejemplo en una granja asistida por la UNAD se realizo un experimento con el
fin estudiar la conveniencia de raciones alimenticias en la ganancia de peso de los
anteriores para lo cual se les determinaron los pesos iniciales X y el consumo de
alimento Y; si los investigadores utilizan diferentes raciones las diferencias fisicas

41


y efectos que presentan los semovientes pueden ser o no ser significativas, por la
calidad de las raciones. Por lo tanto se deben preguntar si: Al existir variacin en
los pesos iniciales de los semovientes, la diferencia que se presentan en los pesos
finales es debido a las propiedades de alguna de las raciones? O que en un alto
porcentaje se deban a las diferencias de los pesos iniciales?
Por medio del anlisis de covarianza, se puede calcular el efecto de la bondad de
las raciones, eliminando la parte correspondiente a los pesos iniciales.
Recomendaciones
- Al plantear un estudio estadstico, definir claramente la poblacin objeto de
anlisis.
- Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
- Especificar qu se va a medir, las unidades a usar y la forma de registro.
CAPITULO 3-U_1

CAPITULO 3: TIPOS DE DISEO EXPERIMENTALES
Para dar solucin al gran nmero de situaciones y problemas
tericos prcticos que se presentan en la ingeniera y en otras actividades
profesionales se han propuesto un buen numero de diseos experimentales
cantidad que hacen necesario saber elegir el ms adecuado para la
situacin que se quiere resolver, de all que es conveniente conocer su
clasificacin de acuerdo a su alcance dentro del objetivo en propuesto.
Definiciones
Clasificacin: de acuerdo con su objetivo y su utilizacin, sin pretender ser
exhaustivo, los diseos se pueden clasificar como:
1. Diseos para comparar dos o ms tratamientos.

42


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

LECCIONES-C_3-U_1
Leccin 1: El uso de las computadoras y software especializado
El uso de las computadoras y software especializado
Los primeros usos del software estadstico en la enseanza de la estadstica han
sido la presentacin de "output" impresos a los alumnos para interpretar
resultados.
La simulacin es un ejemplo de cmo utilizar el computador en la estadstica
aplicada. Existen software que simulan sistemas fsicos, sociales o empresariales.
Uno de las ms sencillos y conocidos trata de simular la toma de decisiones en
diversos escenarios y analizar sus resultados en un entorno competitivo. El
alumno debe manejar varias variables en procura de maximizar las ganancias de
su empresa.
Las reas de anlisis multivariado fueron las ms beneficiadas por el uso de la
computadora. Las tcnicas a utilizar no se ven limitadas a pesar de que el nmero

43


de variables sea considerable, ya que los problemas de clculo se minimizan.
Tampoco los grficos resultan un escollo. Algunos profesores, en ausencia de
impedimentos de clculos, le piden al alumno que aplique tales o cuales mtodos,
incentivando de esta forma la destreza en el uso del software (y el conocimiento
de muchas de sus variantes). Sin embargo, no hay una enseanza orientada a la
resolucin de problemas (porque no se ha planteado un problema) sino a la
aplicacin de tcnicas estadstica sin un claro objetivo.
Paradjicamente, el uso de la computadora ha generado nuevos problemas. Uno
de ellos es que se corre el riesgo de desarrollar anlisis que constituyen slo un
ejercicio de uso de software, sin dedicar el suficiente tiempo a analizar la
coherencia y lgica detrs de los mismos.
Algunos ejemplos son:
- Determinar medias y desviaciones estndar de variables con escala
nominal, debido a que en la tabla de datos figuran cdigos numricos de las
distintas categoras.
- Calcular la media y el desvo estndar de los nmeros que identifican cada
formulario.
- Asignar un nmero a cada individuo segn el orden que ocupa, y concluir
que su distribucin es simtrica.
Cuando los clculos llevaban mucho tiempo, se deba pensar si era necesario
realizar tal operacin. Ahora que los clculos no son obstculo, muchas veces no
se piensa qu es lo que se est haciendo. El momento de reflexin se realiza
despus de la etapa de clculo y no antes. Ahora se dedica tiempo y esfuerzo en
descartar anlisis e indicadores sin sentido.
Los Software estadsticos que facilitan una variedad de tcnicas estadsticas
descriptiva e inferencial, poco a poco, estn cambiando la enseanza de esta
disciplina. Ya no es necesario concentrarse mucho en el manejo de frmulas
engorrosas. Esto puede conducir, a pretender el mismo objetivo que antes pero

44


demorando menos o a usar la computadora para potenciar las posibilidades de la
enseanza de estadstica. Nuestra opinin es que si bien las opciones anteriores
no son excluyentes, se debe insistir ms en el sentido de las tcnicas, en su
aplicacin apropiada y en la buena interpretacin de los resultados.
Un uso de la planilla electrnica que recomendamos especialmente es su
aplicacin para comprender la relacin entre el coeficiente de correlacin lineal de
Pearson y el diagrama de dispersin. La planilla electrnica permite observar en
forma simultnea los efectos que provoca la modificacin de algn dato en el
diagrama de dispersin y en el coeficiente de correlacin.
La enseanza de la prctica de la estadstica debera basarse en la resolucin de
estudios de casos. El software adecuado podra apoyar cursos basados en el
estudio de casos, para presentar problemas prcticos que requieren:
1. La formulacin de hiptesis
2. La recoleccin de datos
3. La comprobacin de hiptesis
4. La comunicacin de resultados e ideas
Adems, ayudan a cambiar el nfasis de los tradicionales "problemas de planteo"
a "estudios de casos".
En el desarrollo de "estudios de casos", el uso de la computadora implica dar
mayor importancia a temas que antes no se priorizaban. Cuando se fomenta a los
alumnos que desarrollen una investigacin donde deban recolectar datos, se
plantea el problema de cmo organizar luego la tabla de datos. Proponemos incluir
en los cursos un capitulo dedicado a la creacin de estas tablas.
De los programas adecuados para el manejo, el procesamiento y anlisis de datos
citamos los siguientes:
EXCELL, SPS, MINITAB, SAS, STATISTICAL y otros.

45


STATGRAPHICS, CURVE EXPERT; etc. sin embargo con la utilizacin de una
calculadora tambin es posible la realizacin de la gran mayora de las
operaciones involucradas en el procesamiento de los datos.

Figura 5. Portada del programa Statgraphics
* Se le asigna el nombre de hoja de clculo a un hoja que esta divida en renglones
y columnas, al cruce de ellos se le denomina celdas sobre las cuales se almacena
informacin (letras o nmeros) que podemos usar para realizar operaciones, tales
como sumas, restas, multiplicaciones, divisiones, clculos financieros,
estadsticos, de ingeniera, amortizaciones, etc.
- Revisar los enlaces de Apendices 1_Repaso a la estadistica en la
pgina del curso.

Leccin 2: Diseos unifactoriales
De Montgomery (1991) y Cochran & Cox (2001) extractanos que:

46


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

47


Las desventajas del diseo completamente al azar son:

experimental incluye la variacin total entre unidades experimentales.
- El anlisis de varianza para el diseo completamente al azar se muestra en
las tablas 25 y 26.
Procedimiento estadstico para la comprobacin de hiptesis en un diseo al
azar.
El procedimiento a seguir es comn y debe ser acorde con lo planteado en la
siguiente tabla.
Tabla 6. Procedimiento estadstico para la comprobacin de hiptesis
INFORMACION RECOPILADA SOBRE LA
RESPUESTA A LOS TRATAMIENTOS
OPERACIONES
ARITMETICAS A
DESARROLLAR PARA EL
CALCULO DEL ANAVA
OBSERVACIONES A B C 1. = suma de
cuadrados de todas
las observaciones
2. Suma de los datos
3. Nmero total de
mediciones
4. Media de los datos
5. Efecto del mtodo
= Y
observada
- Y
media

F1A1 F1B1 F1C1
F2A1 F2B1 F2C1
F3A1 F3B1 F3C1
Total por
tratamiento

Numero de datos
por tratamiento
n N n
Media por
tratamiento

Gran media

48


Suma de
cuadrados totales
SC
T

Suma de
cuadrados de los
tratamientos
SCt
Y el ANAVA en la siguiente tabla
Tabla 7. Anlisis de varianza para los tratamientos con un solo factor, en un
diseo totalmente aleatorizado o completamente al azar.
Fuente de
variacin
Grados de
Libertad
SC
Suma de
cuadrados
CM
Cuadrados
medios
F
0

Razn
p-valor
Tratamientos k-1 SC
trat
SC
trat
/(k-1) SC
trat
/ CM
E
P (F>F
0
)
Error N-k SC
E
SC
E
/(N-k)
Total N-1 SC
T
SC
MT
/ (kn -1)
k= Numero de tratamientos o niveles o grupos del factor de inters
N= Nmero total de datos reportados
n = Numero total por grupo
El procedimiento consiste en calcular la suma del cuadrado de los tratamientos, la
suma de los cuadrados totales y por diferencia la suma de cuadrados del error.
Tabla 8. Recopilacin y presentacin de los resultados de los tratamientos, en un
diseo totalmente aleatorizado o completamente al azar.

NIVEL 1 2 3
A F1A1 F2A1 F3A1

49


B F1B1 F2B1 F3B1
C F1C1 F2C1 F3C1
D F1D1 F2D1 F3D1
E F1A1 F2A1 FjeA
J

F1A1 hasta FJEAJ son los anlisis o las muestras recolectadas o tomadas
Para aclarar el concepto del procedimiento que se sigue revisemos el apndice 2.
Leccin 3: Diseos de bloques completos al azar
El objetivo del diseo de bloques completos al azar (DBCA) es reunir las unidades
experimentales a las cuales se aplicaran los tratamientos, en bloques de cierto
tamao, de tal modo que los tratamientos se efecten dentro de cada bloque, la
variabilidad entre unidades experimentales de bloques diferentes ser mayor que
entre unidades del mismo bloque, como consecuencia, las diferencias
encontradas entre unidades se deben principalmente a la discrepancia entre
tratamientos. La disparidad que no se deba tratamiento, se elimina por el diseo y
forma parte del error experimental. De acuerdo con esto, es fcil observar que la
variabilidad entre bloques no afecta las diferencias entre medias de tratamientos,
porque en cada bloque aparece una vez por tratamiento y as los bloques y
tratamientos son ortogonales.
En este diseo el material experimental es dividido en grupos de unidades
experimentales (UE) lo ms homogneas posible. Cada uno de los grupos es una
sola prueba o repeticin.
El objeto en todas las etapas del experimento es de mantener el error
experimental dentro de cada grupo tan pequeo como sea posible en la prctica.
Los conjuntos o grupos son llamados bloques.
Dentro de cada bloque las (UE) son asignadas aleatoriamente, cada tratamiento
ocurre exactamente una vez en un bloque.

50


Fuentes de variabilidad.
En este diseo (DBCA) se consideran tres fuentes de variabilidad: el factor de
tratamientos, el factor de bloques y el error aleatorio es decir, se tienen tres
posibles responsables de la variabilidad que presenten los datos obtenidos.
Se denominan completos porque en cada bloque se prueban todos los
tratamientos, es decir, que los bloques estn completos
Ventajas
Las principales ventajas de bloques al azar son las siguientes:
1. Por medio de la agrupacin comnmente se obtienen resultados ms
exactos que cuando se usan diseos completamente al azar.
2. Puede incluirse cualquier numero de repeticiones.
El anlisis estadstico es el acostumbrado.
3. Si la varianza del error experimental es mayor para algunos tratamientos que
para otros aun puede obtenerse un error insesgado para probar cualquier
combinacin especfica de las medias de los tratamientos.
4. Ningn otro diseo se usa tan frecuentemente como los bloques al azar.
Aleatorizacion.
La aleatorizacin es realizada cuando las unidades se han agrupado y los
tratamientos han sido asignados al azar a las unidades dentro de cada grupo.
El nombre de bloques completos al azar es debido a que en cada bloque (por
ejemplo un operador, un semoviente, una parcela) se prueban todos los
tratamientos (completo) en orden aleatorio.
Procedimiento estadstico para la comprobacin de hiptesis en un diseo
de bloques completos al azar.

51


El procedimiento a seguir es comn y debe ser acorde con lo planteado en la
siguiente tabla.
Tabla 9. Recopilacin y presentacin de los resultados de los tratamientos, en un
diseo de bloques completos al azar.

BLOQUES

Tratam B1 B2 B3 B4 Y
i.

r
1
X
T1B1
X
T1B2
X
T1B3
X
T1B4

r
2
X
T2B1
X
T2B2
X
T2B3
X
T2B4

r
3
X
T3B1
X
T3B2
X
T3B3
X
T3B4

r
4
X
T4B1
X
T4B2
X
T4B3
X
T4B4

Y.j B1 B2 B3 B4

ANOVA para un diseo en bloques completos al azar (DBCA) (Varios autores)
La metodologa de anlisis a emplear es el ANOVA a dos criterios de clasificacin.
En este caso, el anlisis de varianza particiona la variabilidad total de la
informacin en tres componentes: una primera debida al efecto de los tratamientos
(Suma de Cuadrados Entre Tratamientos), la segunda a efecto de los bloques
(Suma de Cuadrados de Bloques), y finalmente el Error Experimental (Suma de
Cuadrados del Error = S.C. del error).
En la misma forma se particionan los grados de libertad.
El rechazo o no de la hiptesis nula depende del valor del estadstico F:
F = (S. C. de Tratamientos / t - 1) / (S. C. del Error / (t - 1) (r - 1)) Ecuacin 8
Comparacin de medias de tratamiento en el diseo de bloques completos al
azar (BCA)

52


Cuando para este diseo se rechaza la hiptesis de igualdad entre los
tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre s.
Para averiguarlo se emplean los mtodos de comparacin de medias, uno de
estos mtodos (formulas) es el LSD diferencia mnima significativa (Ecuacin 9) en
donde se sustituye el numero de replicas por el numero de bloques, y tambin se
deben cambiar los grados de libertad del error en el caso de bloques esta dado
por (b-1)(tratam-1).
Para K tratamientos se tienen un total de k(k-1)/2 pares de medias.
K=tratamientos b= bloques N = Total de experiencias n= numero de observaciones
para cada tratamiento.
Ecuacin 9
El valor de t se toma de las tablas de la distribucin T de Student con N-K grados
de libertad del error.
Ejemplo de bloques completos al azar (BCA) (Varios autores). Revisemos el
apndice 2.
Leccin 4: Diseo de cuadro latino
El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field
Experiments, J. Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones
fueron en el campo agronmico, especialmente en los casos de suelos con
tendencias en fertilidad en dos direcciones.
Diseo que contempla el control de dos factores de bloque, adems del factor de
tratamientos y los tres factores tienen la misma cantidad de niveles.

53


Considerndose cuatro fuentes de variabilidad que vienen siendo los dos factores
de bloque, el tratamiento y el error aleatorizado.
El primer factor de bloqueo se representa en los renglones o filas, el segundo
factor de bloqueo se representa en las columnas y los tratamientos se representan
por letras latinas y se distribuyen en forma tal que cada tratamiento aparece slo
una vez en cada fila y una sola vez en cada columna (Latin square design). El
inters se centra en un solo factor, los tratamientos, pero se imponen dos
restricciones a la aleatorizacin en un cuadro como el ejemplo de la tabla del
siguiente numeral.
Formacin y tabulacin de los datos experimentales en un cuadrado latino.
Suponga 4 tratamientos A, B, C y D, con estos tratamientos se pueden formar 4
cuadros diferentes llamadas tpicas o estandar (en la primera fila y en la primera
columna se tiene la misma distribucin).
Tabla 10. Recopilacin y presentacin 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
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 diseo de este tipo slo es posible cuando el nmero de niveles de ambas
restricciones sea igual al nmero de niveles del tratamiento.
Por ejemplo, en una granja experimental si administramos tres medicamentos
(tratamientos) a tres cabras con diferentes . El orden en el que los caprinos
reciben los tratamientos puede ser completamente aleatorizado (diseo por

54


bloques) o aleatorizado bajo la condicin de equilibrio requerida para un
cuadrado latino. Designemos los tratamientos por T1 ,T2 y T 3 . Una asignacin
equilibrada respecto al orden de administracin puede ser
Arreglo de los datos en un diseo de Cuadro latino.
Para facilitar el entendimiento de este diseo se debe seguir como ejemplo el
recomendado por varios autores y presentado en la siguiente tabla:
Tabla 11. Arreglo de los resultados de los tratamientos, en cuadro latino.
BLOQUES II
1 2 3 4 J Yi..
BLOQUES
I
1
2
3
4
.
.
f
A=Y
l1l

B=Y
212

C=Y
313
D=Y
414

..

.....

F=Y
f1f

B=Y
221

C=Y
322

D=Y4
23

F =Y
524

A=Y
12f

C=Y
331

D=Y
432

A
=Y
533

F=Y
634

B=Y
23f

D=Y
4411

E=Y
442

B =Y
443

A=Y
544

C=Y
34f

.

..
.

F=Y
jJ1

A=Y
1j2

B=Y
2j3

C=Y
3j4

J=Y
Jjf

Yi..1
Yi..2
Yi..3
Yi..4
Yi..,,
Yi..f
Yj.. Y1.. Y2.. Yj.. Yj.. Ynj.. Yj.. <!--[if
!supportMisalignedColumns]-
->

La eleccin del cuadro latino se realiza antes de la obtencin de los datos.
Procedimiento estadstico para la comprobacin de hiptesis en un diseo de
bloques en cuadro latino.
Ver apndice 3.

55


Leccin5. Diseo en cuadro greco latino
Cuando se tiene un cuarto factor de bloque a controlar activamente en el diseo
de cuadro latino como por ejemplo si en el ejercicio del numeral 1.19.5 se decide
considerar el sitio de realizacin del experimento o la procedencia de un
ingrediente para el producto considerado.
Este diseo se denomina cuadro greco latino (DCGL), en el cual los niveles de el
nuevo factor se denotan por las letras griegas a; representndose los tratamiento
con las letras latinas A, B, C y D.
En el diseo en cuadrado greco-latino se superponen dos cuadrados latinos,
resultando el siguiente modelo matemtico:

ijl k l j i ijl
Y c | o t + + + + + =
Ecuacin 10

i= 1,., l numero de tratamientos
j=1,., b numero de bloques
i
t
= efecto debido al bloque 1
j
= efecto debido al bloque 2

l
o
= efecto debido al tratamiento
=
l
q
cto debido al tratamiento 2
{ } e 0 | o , , ,
l

El inconveniente de este modelo es que su utilizacin es muy restrictiva. Adems
pueden no existir cuadrados greco latinos de determinadas condiciones.
Formacin y tabulacin de los datos experimentales en un cuadrado greco
latino.

Tabla 12. Arreglo de los resultados de los tratamientos, en cuadro Greco-Latino.

BLOQUES II

56


Y
..k

1 2 3 4 Yi

BLOQUES I
Y
i..

1
2
3
4
.
.
f

o A=Y
l1l

|
B=Y
21
2

0 C=Y
313
e D=Y
41
4

|
B=Y
2
2
0 C=Y
3
22

e D=Y
4
2

o A=Y
1
2f

0 C=Y
331
e D=Y
43
2

o A
=Y
533

|
B=Y
23f

e D=Y
44
11

|
B
=Y
443

o A=Y
54
4
0
C=Y
34f

F=Y
jJ1

A=Y
1j2

B=Y
2j3

C=Y
3j4

J=Y
Jjf

Yl

Procedimiento estadstico para la comprobacin de hiptesis en un diseo
de bloques en cuadro greco latino.
El procedimiento a seguir esta planteado en el apndice 4.

ANAVA para el diseo grecolatino.

Tabla 13. ANOVA para el diseo de cuadro greco latino*

FUENTES DE
VARIABILIDAD

SUMA DE
CUADRADOS

GRADOS
DE
LIBERTAD

CUADRADOS
MEDIOS

Fo

P-value

Tratamientos
Letra latin

SC
tratlatin

k-1

CM
tratalatin

F
tralat
=
CM
tratlatin
/

P (F >
Fa)

57


CM
Er

Renglones

SC
renglo

k-1

CM
renglo

F
re
=
CM
renglol

/CM
Er

P(F > Fa)

Columnas

SC
column

k-1

CM
column

F
colmn
=
CM
column
/CM
Er

P(F > Fa)
Tratamientos
Letra griega
SC
tratgiega
k-1 CM
taratgriega
F
tratlgrieg
=CM
taratgriega

P (F >
Fa

Error

SCE

(k - 2)(k -1)

CM
Err

Total

SCT

k
2
- 1

*Tomado de Gutierrez, H, et all. Anlisis de experimentos. Captulo Cuatro 132
SC
T
= SC
trat
+ SC
Bl
+ SC
B2
+ S
CE
Ecuacin 11
y los grados de libertad correspondientes son
k
2
-1 = (k -1) + (k -1) + (k -1) + (k - 2)(k -1) Ecuacin 12

58


UNIDAD DOS: DISEOS FACTORIALES y 2
K
CAPTULO 4. Diseos factoriales
Leccin 1: Definiciones bsicas.
Leccin 2: Experimento factorial o mover un factor a la vez
Leccin 3: Diseo factorial con dos factores
Leccin 4: Diseos factoriales con tres factores
Leccin 5: Diseos factoriales generales

CAPTULO 5. DISEOS FACTORIALES 2
K

Leccin 1: Diseo 2
2
.
Leccin 2: Diseo 2
3
.
Leccin 3: Diseo 2
k

Leccin 4: Diseo experimental de Placket Borman
Leccin 5: Otros diseos experimentales
CAPTULO 6. SUPERFICIES DE RESPUESTA
Leccin 1: Introduccin y el significado de la regresin y
suposiciones bsicas
Leccin 2: Estimacin por mnimos cuadrados
Leccin 3: Propiedades generales de los estimadores de mnimos
cuadrados
Leccin 4: Introduccin a las superficies de respuesta
Leccin 5: Ejemplo de clculo de las superficies de respuesta
Esta unidad se entregara acorde con la agenda del curso.

59


Apndices
En los siguientes apndices-ejemplos resueltos de diseos experimentales
encontraras cuatro ejercicios para analizarlos y tenerlos de guas para los trabajos
colaborativos a realizar.

60


APENDICE 1
Repaso de la estadstica aprendida en cursos anteriores
Recientemente un instituto de certificacin de normas tcnicas realizo una
investigacin sobre la composicin bromatolgica de alimentos. Estudio en donde
se pretende lograr una confiabilidad del 98%, una probabilidad esperada del 55%
y no cometer un error superior al 2 %.
Los interesados tomaron muestras del producto vegetal directamente de los
rboles, en tres pocas de cosecha diferente pero consecutiva, procesaron el
material y determinaron algunas propiedades fsico-qumicas, reportada en la tabla
1.
Tabla 1. Composicin qumica de harinas de pltano, de ocho localidades
diferentes (%)**
Caracterstica/procede
ncia
Humedad Ceniza grasa Protena Almidn Fibra
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

DESARROLLO DEL EJERCICIO
Verifiquemos el desarrollo numrico del ejercicio
Caractersticas/pro
cedencia

Humedad ceniza grasa protena Almidn fibra total Media

Harina de platano-
5
13.1 3,6 1.2 21,3 60,8 3,9 103,9 17,31
Harina de platano-
6
12.2 2 1.5 8 73 4 100,7 16,78
Harina de platano-
7
12.1 3,5 18 78,5 4,5 116,6 19,43

61


TOTAL 37,4
GRAN MEDIA 12,5

a) Describa detalladamente el diseo del experimento que programaron
los profesionales a cargo del proyecto. Se deben identificar los
elementos que intervienen en el estudio experimental.

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

Ho: *=

Ha: al menos una humedad es diferente de las dems.

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

Esta frmula se utiliza cuando se desconoce el tamao de la poblacin.

62


n =
n = tamao de la muestra.
Z= intervalo de confianza.
E= error de muestreo aceptable.
=desviacin estndar.
Entonces tenemos:-intervalo de confianza=98%
Error de muestreo aceptable=2%
Desviacin estndar= para calcular.
Calculo de desviacin estndar: La desviacin estndar corresponde a
la raz cuadrada de la variacin(S).

*Clculo del nmero de muestras: Utilizando los tres valores correspondientes al
resultado de la humedad (13,1-12,2-12,1)
VARIANZA:

=

Desviacin estndar:
S= =0,54

Aplicamos la frmula para calcular el nmero de muestras, tenemos:
n =

*Calculando el numero de muestras utilizando los ocho valores correspondientes a
los resultados de la humedad (10; 7.1; 14; 13; 1; 12.2; 12.1; 14) de la tabla.
VARIANZA:

63


=

DESVIACION ESTANDAR:

S= =2,3

Aplicando la frmula para obtener el nmero de muestra tenemos:

n = =

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

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

64


caractersticas bromatolgicas atreves de un diagrama
circular.

e) Determine el intervalo de confianza para la proporcin de varianza de una de
las propiedades determinadas

Tabla de valores de Z de los diferentes niveles de confianza
Nivel de
Confianza
99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
Valores
de Z
3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745
El nivel de confianza aqu es de 98% y si nos fijamos en la tabla podemos
ver que es de 2.33
f) Se podra concluir que existen diferencias significativas entre la harina
proveniente de las diferentes localidades?
Sustente sus conclusiones utilizando un mtodo estadstico de comparacin
apropiado por ejemplo Duncan y Tukey.

PRUEBA DE TUKEY:

65


Se realizan comparaciones mltiples que son posibles con t tratamientos. Para
esto se procede a aplicar la siguiente ecuacin: DMS= EE.
DONDE q es el valor que se encuentra en las tablas de Tukey con el nmero de
tratamientos, los grados de libertad del error y el nivel de significancia deseado.
El mtodo es hallar todas las comparaciones posibles con t tratamientos que son
t(t-1)/2 poniendo las medias en orden creciente y decreciente y restando de la
media mayor todas las medias, despus a la siguiente mayor le restamos las
dems medias y as sucesivamente hasta que se termine, si esta diferencias de
medias superan la DMS , se dice que las medias son significativas, en caso
contrario no son significativas o estadsticamente .
1) Ordenamos la media de mayor a menor
HP7 HP5 HP6

19,43 17,316 16,7833
2) Hallamos el valor de DMS = = (4,18) (3,83)=16,0094
3) Se busca la diferencia entre todas las medias para lo cual se implementa la
siguiente Tabulacin.
HP7 HP5 HP6
19,43 17,31 16,78
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

66


CONCLUSIN: Las Harinas no tienen mayor diferencia entre HP5 Y HP6, si hay
diferencia significativa entre HP7 y HP6, las medias de todas estas con respeto
DMS son significativas.

67


Apndice 2
Aplicacin prctica

Experimentos sin bloquear - Diseo totalmente
aleatorizado o completamente al azar

Ejemplo

Se quiere mejorar las propiedades de transportabilidad, manejo y presentacin de
las rosquillas elaboradas por una panificadora, para tal efecto de determinara el
efecto que sobre la dureza de estas tiene la incorporacin de tres aditivos en la
misma proporcin; los aditivos se incorporaran individualmente en la masa
elaborada (amasijo).

Figura 12. Diagrama de flujo para la produccin de rosquillas a partir de una masa
estandarizada.
Para el estudio los investigadores emplearon un diseo de experimentos completo
al azar o sin bloquear-simple y balanceado por que todos los tratamientos tienen el
mismo nmero de datos.
Rosquillas
Diseo experimental totalmente aleatorizado
3 8 5 4 2
7
Ingrediente A Ingrediente B Ingrediente B
Ingrediente C
1
9
6

68


Hiptesis de investigacin: La hiptesis planteada es que al menos uno de los
tres ingredientes mejorara la dureza final de las rosquillas.
H
0
: U
1
=U
2
=U
3

Y la hiptesis alterna
H
A
: U
1
# U
2
# U
3

Diseo del experimento: una masa bien homognea para la confeccin de las
rosquillas se divide en seis porciones iguales y a cada dos de ellas se les mezcla
el ingrediente seleccionado.
El primer paso es aleatorizar asignndole una secuencia de nmeros aleatorios a
las unidades experimentales, utilizando una de las tablas de permutacin de
donde se toma una permutacin aleatoria por ejemplo:
318594267, asignar el primer tratamiento a las tres porciones del tratamiento A,
los dos siguientes al tratamiento B y finalmente los otros dos restantes al
tratamiento C
En la tabla siguiente se resume la aleatorizacin hecha.

Tabla 12. De aleatorizacin para el ejemplo de las rosquillas

3

1

8

5

9

4

2

6

7
Tratamiento
o aditivo

A

A

A

B

B

B

C

C

C

La dureza se evala despus de seis das de almacenamiento a 10*C.

Tabla 13. Datos obtenidos en la determinacin de la dureza para el ejemplo de las
rosquillas.

69


Tratamientos Dureza o variable de respuesta
Determinacin
(U
nd
/ cmt)
Total Media
c/trata
miento

Secuencia de
experimentacin
3

7

1

Aditivo A 7 9 5 21 7

Secuencia de
experimentacin
5

8

4

Aditivo B 10 8 9 27 9

Secuencia de
experimentacin
2

9

6

Aditivo C 10 9 12 31 10.33

Gran media 79 8.77

Solucin: con los datos de la tabla desarrollamos las siguientes operaciones:
1- Sumamos todos los resultados individuales (determinaciones de la dureza)
o sumatoria total.
= =
=
n
j
ij
y Yij
1
7+9 +5+10+8+9+10+9+12 = 79
2- Podemos calcular la media por tratamiento y la gran media.
a= nmero de tratamientos.
r=repeticiones de haberse realizado.
N= total de mediciones-datos (N= anr).
r=1 solo una medida por tratamiento.

n Yij ij Y = 1
7+9 +5= 21 21/ 3 = 7

70


10+8+9= 27 27/3 = 9

10+9+12= 31 31/3= 10.33

Gran media 79/ 9 = 8.77

79 =
- -
Y Obsrvese que es igual a
=
=
n
j
ij
y Yij
1

3- Elevamos al cuadrado cada uno de los datos u observaciones registradas.
Cada observacin de cada tratamiento se eleva al cuadrado.

( )

= =
n
j
ij
a
i
y
1
2
1
= {(7)
2
+ (9)
2
+ (5)
2
+ (10)
2
+ (8)
2
+ (9)
2
+ (10)
2
+ (9)
2
+ (12)
2
} =
(49)+ 81+25+100+64+81+100+81+144= 725

3.1. Calculamos
| | N Y
2
..
= {(79)
2
/3x3} = 693.4444
Conocido tambin como factor de correccin
4- Elevamos al cuadrado la suma horizontal de los tratamientos (hallados en
2) estos valores (cuadrados) para cada tratamiento se suman.

Aplicamos la frmula para calcular la suma de cuadrados por tratamiento= SCt.

SC
tratamientos
= [{(21)
2
+ (27)
2
+ (31)
2
}]/3 -- {(79)
2
/3x3} =
SC
tratamientos
= {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.
( ) | | N Y y SC
n
j
ij
a
i
Total
2
1
2
1
.. =

= =

SC
Total
= {(7)
2
+ (9)
2
+ (5)
2
+(10)
2
+ (8)
2
+ (9)
2
+ (10)
2
+(9)
2
+ (12)
2
}- {(79)
2
/3x3 }=

71


SC
Total
= 725 693.4444= 31.5556
SC
T
=SC
E
+SCt
SC
T
SCt = SC
E
SC
E
= 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
7.2 . Cuadrado medio del error
CMerror = SCerror/ libertad error
CMerror = 8 / 6 = 1.3333
7.3. Cuadrado medio total
CMtotal = SCtotal/ libertad total
CMtotal =31.5556 / 8 = 3.9445
Tabla 14. Anlisis de varianza para evaluar el efecto de los aditivos en la
elaboracin de rosquillas.

Fuente de
variacin
Grados
de
Libertad
Ecuac
SC
Suma de
cuadrados
Ecuac
CM
Cuadrados
medios
Ecuac
F
0

Razon
Ecuac
p-valor
Tratamientos 3-1=2 23.5555 11.77775 8.83 0,1004
Error 6 8 1.3333

72


Total (9-1)=8 31.5556
SS
Totales
/ (kn -1)

Como la razn de varianza calculada-8.83 para los tratamientos es menor que la
reportada-propuesta en la tablas de valores criticos de distribucin F -19.3 para 2
grados de libertad en el numerador (tratamientos) y 6 en el denominador (error)
para una significancia-alfa de 5%, concluimos que al menos un tratamiento es
diferente.
Entonces la pregunta del investigador es: Cul de ellos?.
U establecer especficamente cules son las medias que difieren entre s en forma
significativa.
Para el efecto utilizamos los llamados mtodos de comparaciones mltiples como
la mnima diferencia significativa (LSD), el mtodo de Tuckey y el mtodo de
Dunnett.
La Diferencia Mnima Significativa (DMS) esta es la diferencia entre dos medias,
basadas en la prueba t de Student, empleando el valor de la varianza del error. El
valor de la LSD se encuentra referido a la distribucin de t por la siguiente
relacin:
to A - Media del tratamiento B = Sd (t)
-k

N-K = grados de libertad del error = 6

2
/ n) )
es el error tpico de la media

n= 3- nmero de muestras en experimentacin por tratamiento.
-k
1.3333/ 3)

S = t
-k
(0.888888)

S = t (0.9428)
t = 2.44

extractado

de las tablas de puntos crticos para la
distribucin T de Student con los grados de libertad del error.
S = 2.44 (0.9428)

73


S= 2.3
Las diferencias entre las medias son
A - B = -2
A - C = -3
B - C = 1,33

Si la diferencia entre dos promedios seguidos excede el valor de 2.3, se la declara
significativa al nivel del 5%.
En este ejemplo, la LSD indica que no hay diferencias significativas entre
tratamientos adyacentes, pero la F de la ANALISIS DE LA VARIANZA indica que
s existen diferencias si se comparan medias no adyacentes, en este caso, el
investigador podra optar por otro tipo de prueba de rango mltiple.
Por ejemplo si utilizamos adems la prueba de rango mltiple para las rosquillas:
95% LSD, obtenemos los siguientes resultados:

Tabla 15. Anlisis de homogeneidad y contraste de las rosquillas.

Tratamiento Muestras Media Homogeneidad
del grupo
Contraste (Diferencia)
A 3 7 X A-B ( -2)
B 3 9 XX B-C (-3.33)*
C 3 10.33 X B-C (-1,33)

* Indica diferencia estadsticamente significativa
Comprobando que el tratamiento seleccionado es el que presenta mejores
condiciones para ser aplicado a la rosquilla.
Solucin por computadora
Hay muchos paquetes de software de estadstica que cuentan con la capacidad
para probar hiptesis estadsticas. SPSS- EXCELL-

74


APENDICE 3
Un grupo de profesionales-del que Ud hace parte, desarrollo un proyecto de
investigacin el cual tena como meta estudiar la composicin de amino cidos de
una alga cultivada en superficie en cuatro sustratos diferentes. Obtenindose los
siguientes resultados:
Tabla 6. Composicin Bromatolgica (% Bs) De La Harina De un alga
desconocida. Segn Los Sustratos Alimenticios/ **
Sustrato MatSec ProtC ProtV ProS Grasa
Tot
EB AcGrasS AGI AGP FDN FDI
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 precisin: las unidades experimentales, los factores, los
tratamientos, las variables y dems caractersticas que intervienen en el estudio
que realizo tu equipo de trabajo.
Igualmente te solicitamos que de respuesta a las siguientes preguntas:
a) Qu tipo de diseo siguieron los profesionales a cargo del estudio?
b) Plantee el modelo matemtico, justificando su respuesta.
c) Establezca las suposiciones necesarias para el anlisis de varianza de los
datos. Realice el anlisis de varianza.
d) Pruebe la hiptesis que no hay diferencias entre las medias de los tratamientos
con la prueba de F a un nivel de significancia de 0,05.
e) Se puede decir que hay diferencias entre los distintos sustratos?
f) Y, en que otro tipo de situacin experimental para su trabajo disciplinar, se
podra presentar este tipo de anlisis. Describa el ejemplo
Desarrollo

75


-Los factores: El alga cultiva en superficie.
-Las unidades experimentales del presente ejercicio son: composicin de
aminocidos de un alga.
-Los tratamientos: los cinco sustratos diferentes.
-Variables: resultados de la composicin de aminocidos.
a) Tipo de diseo: despus de analizado este ejercicio parece ser que presenta el
nivel descriptivo ya que describe las caractersticas de la composicin de
aminocidos del alga y su comportamiento en los cinco sustratos.
b) El modelo matemtico: se va a utilizar el anlisis de varianza (Esta medida nos
permite identificar la diferencia promedio que hay entre cada uno de los valores
respecto a su punto central (Media ) (ANOVA), esta se utiliza para determinar
una razn de las diferencias observadas, el nivel de margen de error y as mismo
para comprobar la hiptesis que se presenta mas adelante.
c) Anlisis de varianza:
Para este ejercicio se trabajara con los siguientes sustratos:
Composicin Bromatolgica (% Bs) De La Harina De un alga desconocida. Segn
dos Sustratos Alimenticios.
Aminocidos S1 X X
2
S2 X X
2

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:

76


S1 (total)/ 11(sustratos total)
= 259,97/11 (sustratos) = 23.633
Sustrato 2:
S2
= 262,99/11 = 23,908
Media total entre los dos sustratos:
S1 + S2 /22
522,96/22 = 23,770
Suma total de los cuadrados:
xt
2
= X
2
- (X)
2
= 29961 (522,96)
2
= 29961 12431,23
------- ------------
N 22
= 17529,77
Suma de los cuadrados entre los dos sustratos:
xb
2
= (X1)
2
+ (X2)
2
+ ....- (X)
2

------- -------- ---------=
n1 n2 N
= (259,97)
2
/11 + (262,99)
2
/11 (522,96)
2
/22 = 0,41
Entonces
Suma de los cuadrados dentro de los sustratos:
Esta se puede calcular restando la suma de los cuadrados entre los grupos y la
suma total de los cuadrados.
xb
2
= 17529,77 0,41 = 17529,36

77


Sacamos luego un resumen de las varianzas respecto de los dos sustratos S1 y
S2.
Fuente de
varianza
SS df MS F Nivel de
signo
Suma de
los
cuadrados
entre dos
sustratos
0,41 1 0.41 0,0004677 0,05
Suma de
los
cuadrados
dentro de
los
sustratos
17529,36 20 876,468
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 as:
0,41/1 = 0,41 y 17529,36/20 = 876,468.
d) Hiptesis: no existe diferencias entre las medias de los tratamientos.
Para hallar el producto final, o sea la razn F, se divide el cuadrado de la media
entre los grupos y el cuadrado de la media dentro de los grupos previamente
obtenidos:
F = 0,41/876,468 = 0,0004677
e) Se puede decir que hay diferencias entre los distintos sustratos? mirar la tabla
de la razn F3, con el fin de determinar si esta tiene significancia estadstica.
Localizando los grados de libertad entre grupos (numerador) y el nmero de
grados de libertad dentro de los grupos (denominador), encontramos: los grados
de libertad son 1 y 20, lo cual establece una razn de F de 4,3513.
F calculada en el ejemplo anterior resulta menor que el valor anterior, no es
significativa en el nivel 0,05, ya que si se hubiera obtenido la razn F igual o mayor
que la encontrada en la tabla, entonces la diferencia hubiera sido significativa y se
rechazara la hiptesis nula.

78


f) Y, en que otro tipo de situacin experimental para su trabajo disciplinar, se
podra presentar este tipo de anlisis: Existen muchas situaciones en la Ingeniera
de Alimentos, donde se presentan estos ejemplos de anlisis, por ejemplo: anlisis
de porciones con cierta muestras de alimentos, experimentos acerca del empleo
de qumicos para alguna prueba de laboratorio, hay mucho ejemplos lo que se
debe tener en cuenta y es muy importante tomar el anlisis correcto.

79


Un equipo de ingenieros de alimentos y zootecnistas realiz un experimento, con
el fin de mejorar las condiciones de una dieta para semovientes, agregado dos
complementos alimenticios diferentes a sus ingredientes bsicos (cinco
porcentajes diferentes). Las distintas calidades del primero se indican con las
letras latinas y las del segundo por las letras griegas. Se suministra la dieta a los
animales clasificados de acuerdo con cinco pesos inciales (W1, W2, W3, W4, W5)
y cinco razas diferentes (R1,R2, R3, R4, R5). Los incrementos de peso logrado
por el tiempo del experimento se muestran en la tabla dada a continuacin,
especifique si es correcto el diseo seguido, de respuesta a las siguientes
inquietudes, realizando y desarrollando los clculos segn el caso.

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

80


En los arreglos por bloques, se pueden analizar 4 factores, introduciendo un
cuarto factor o bloque en un diseo cuadrado latino, siguiendo las mismas reglas
utilizadas para introducir un tercer factor en un diseo cuadrado de dos factores. A
este cuarto factor o bloque se le denomina Componente GRIEGO, ya que se
utilizan letras griegas para identificar sus niveles, a la adicin de un diseo
cuadrado latino y un cuarto factor, se le llama Diseo Cuadrado Greco-Latino.
b. Defina la variable, los tratamientos, elige una significancia apropiada.
TRATAMIENTOS:
Las diferentes dietas
VARIABLES:

81


El peso de los animales
c. Calcule el ANOVA.

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
SC4Factor: 10,16

82


SCError: 54,32
Ft
FUENTES GRADOS
DE
LIBERTAD
SC CM Fo 5% 1%
TRATAMIENTOS 4 350,56 87,64 12,90722 3,84 7,01
COLUMNAS 4 22,16 5,54 0,815906 3,84 7,01
4Factor 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
S=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 variacin para la respuesta.
Peso: Como la Fo (0,82) < F 0.05, 4, 8 = 3.84, entonces se Acepta Ho, el peso no
es fuente de variacin para la respuesta.
Como la Fo (12,9) > F 0.05, 4, 8 = 3. 84,
Ho. Se rechaza, el primer complemento alimenticio es el que causa variacin.
Como la Fo (0,38) < F 0.05, 4, 8 = 3.84,
Ho. Se acepta, el segundo complemento no es fuente de variacin.
a. Se podran realizar comparaciones entre medias? Justifique su respuesta.
La hiptesis nula
H
0
: m
1
- m
2
= d
0

Generalmente d
0
=0

83


Hay 3 situaciones distintas:
1 conocidos (poco frecuente).
2 desconocidos pero iguales.
3 desconocidos pero distintos.
Los estadsticos son distintos (z en 1 y t en 2 y 3) pero el procedimiento es el
mismo. En los 3 casos se supone que las muestras son independientes; si no lo
fueran hay otro estadstico (t pareada).
Todos asumen normalidad. Si no se cumpliera hay que usar los llamados test no
paramtricos.
e. En caso afirmativo determine la mejor de ellas
N efectivo de replicacin = 5
COMPARACIN DIFERENCIA
1
PROMEDIO
2
PROMEDIO DMS CONCLUSIN
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 habra que tomar
datos adicionales?
Si porque con estos datos se pudo identificar diferencias significativas, y
determinar cul tratamiento causa variacin.

84


GLOSARIO

Anlisis de varianza: Es una tcnica estadstica que sirve para analizar la variacin
total de los resultados experimentales de un diseo en particular,
descomponindolo en fuentes de variacin independientes atribuibles a cada uno
de los efectos en que constituye el diseo experimental.
Anlisis multivariante: Cualquier tcnica estadstica diseada para medir la
influencia de varias variables independientes actuando simultneamente en ms
de una variable dependiente.
Bloque: conjunto de unidades experimentales lo ms homognea posible, en el
cual, aparecen todos los tratamientos una sola vez.
Diseo al azar: se usa cuando las unidades experimentales son homogneas, y la
variacin entre ellas es muy pequea.
Diseo de bloques: se presenta cuando se renen las unidades experimentales a
las cuales se les aplicaran los tratamientos, en bloques de cierto tamao, de tal
forma que los tratamientos se efecten dentro de cada bloque.
Diseo experimental: Plan general del procedimiento para llevar a cabo un
experimento en funcin de unos datos especficos deseados.
Diseo factorial. Diseo experimental que incorpora uno o ms niveles de dos o
ms variables independientes.
Desarrollo Experimental: Trabajo sistemtico sobre el conocimiento ya existente,
adquirido a travs de investigaciones o experiencias prcticas, que se dirige a
producir nuevos materiales, productos, sistemas o mtodos; instalar nuevos
procedimientos, sistemas o servicios; o mejorar sustancialmente los producidos
instalados.
Error experimental: medida de la variacin que existe entre las observaciones de
unidades experimentales en el mismo tratamiento.
Estadstica: Subdisciplina de las Matemticas que rene y evala datos numricos
y los trata de tal manera que la relacin entre esos datos se muestra claramente.
Innovacin: se entiende por innovacin tecnolgica la transformacin de una idea
en un producto nuevo o mejorado que se introduce en el mercado.
Investigacin bsica: es la investigacin original, terica o experimental, llevada a
cabo principalmente con objeto de adquirir nuevos conocimientos o una mayor

85


comprensin de los fenmenos y observaciones en estudio, sin el propsito de
ninguna aplicacin particular.

Investigacin aplicada: es tambin investigacin original llevada a cabo para
adquirir nuevos conocimientos. Sin embargo, va dirigida principalmente hacia
objetivos especficos eminentemente prcticos. Sus resultados son vlidos para un
nico o limitado nmero de productos, operaciones, mtodos o sistemas. El
conocimiento o informacin derivado de ella es, con frecuencia, patentado o bien,
guardado como secreto.
Metodologa: Trmino utilizado en sentido amplio que generalmente se refiere a
estrategias,
tcnicas o procedimientos usados en estudios experimentales, descriptivos o
aplicados.
Prototipo o modelo: Primer ejemplar construido industrialmente, de una mquina,
vehculo, aparato, etc., y destinado a experimentar en funcionamiento sus
cualidades y caractersticas, con vistas a la construccin en serie.
Proyecto de investigacin. Se entiende el proceso de indagacin sistemtica y
planificada sobre un determinado problema temtico, inscrito dentro de una lnea
de investigacin, y en el marco global de un programa investigativo, tendiente a
indagar por una de las temticas particulares denotadas en la lnea.
Repeticin. El nmero de veces que un tratamiento aparece en el experimento.
Testigo: Es el tratamiento de comparacin adicional, que no debe faltar en un
experimento.
Tratamiento: es una de las formas que en cantidad o calidad, el factor a estudiar
toma durante el experimento.
Unidad experimental: Es el objeto o espacio al cual se aplica el tratamiento y
donde se mide y analiza la variable que se investiga. En los experimentos
pecuarios la unidad.
Variable independiente es una observacin hecha en cada unidad experimental
antes de aplicar los tratamientos, e indica hasta cierto grado la respuesta final de
la unidad experimental.

86


Fuentes documentales

Referencias
1. Bavaresco, A. (1979). Las tcnicas de la investigacin. Edit. Scott, Foresman &
Co. 4 edicin. Gienview, Illinois, USA. (1 edicin: 1974).
2. Berenson, M., Levine, D. & Krehbiel, T. (2001). Estadstica para administracin.
Edit, Pearson, 2a Edicin, Mxico, 734p
3. Bicking, A.(s.f). Some Uses of statistics en the Planning of Experiments.
Industrial Quality Control, Vol. 10 No. 4,.
4. Bunge, M. (1980). Ciencia y desarrollo. Edit. Siglo Veinte. Buenos Aires,
Argentina.
5. Christensen, H. (1990). Estadstica paso a paso. Edit Trillas. 5 Edic, Mxico.
682 p.
6. Cochran, W. & Cox, G. (2001). Diseos experimentales. Edit, Trillas, 5
reimpresion. Mexico, 661p.
7. Cox, D. (1978). Planning of Experiments. John Wiley and Sons, Inc. New York,
700p.
8. Dawson, B. & Trapp, R. (2002). Bioestadstica mdica. Edit, manual moderno. 3
Edicin. Mexco, 435p.
9. Hernndez, R. (2003). Metodologa de la investigacin. Edit Mac Graw hill.
Mexico, 692 p.
10. Hinkelmann, K. (1994). Design and analysis of experiments. Vol I, edit. John
Wiley & sons, inc.495 p.
11. Howard, B. (2004). Estadstica paso a paso. Edit, Trillas, 3 edicion.Mexico,
682p.
12. Kempthorne O. (1952). The Design and Analysis of Experiments. John Wiley
and Sons. New York, 420 p.
13. Kuehl, O. (2000). Diseo de experimentos. Thompson Learning, .2da edicin.
Mxico.

87


14. Mndez I. (1980). Lineamientos Generales para la planeacin de
Experimentos. Monografa No. 15, Vol. 15 IIMAS.
15. Montgomery, D. (1991). Diseo y anlisis de experimentos. Grupo editorial
Iberoamrica. 589 p.
16. Padrn, E. (1996). Diseos experimentales con aplicacin a la agricultura.
Editorial trillas. Mexico, 320 p.
17. Ostle B. (1975). Estadstica Aplicada. Limusa-Wiley, Mxico, 420 p.
18. Montgomery, Douglas. Diseo y anlisis de experimentos. Grupo Editorial
ibero Amrica, 1a Edicin, Mxico, 589 p.

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

Diseño Experimental

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Diseño Experimental

Uploaded by

Copyright:

Available Formats

1

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

i) y el resultado cuando se tiene la

= efecto debido al bloque 2

es el error tpico de la media

You might also like