You are on page 1of 16

DISEÑO UNIFACTORIALES.

TRABAJO PRESENTADO POR:

JORGE ALBERTO DIAZ


JOSÈ ALEJANDRO GÒMEZ VANEGAS 10.001.349
WHASHINGTON RAMOS
JIOVANY PEREZ VALENCIA
ROBERTO EMILIO TIRADO

DISEÑO EXPERIMENTAL

GRUPO COLABORATIVO
30156_48

TUTOR:

CAMPO RIANO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

CEAD- TURBO

2018
INTRODUCCIÓN

En el desarrollo de este trabajo se realiza el estudio de dos situaciones de diseño

experimental diferentes, diseños unifactoriales, en la primera se analizan cuatro

métodos distintos de dietas para cerdos, para lo cual se aplica cuatro veces los

cuatro métodos de forma aleatoria, de los cuales se obtiene como resultado un

peso final en los cerdos, siendo más eficiente la dieta que obtiene mayor peso, el

cual es el objeto de análisis en el experimento a fin de determinar cuál dieta es la

más adecuada, para lo cual se desarrolla la tabla ANOVA con sus respectivos

resultados.

En el segundo experimento se estudia el efecto en cuatro diferentes orígenes de

semillas de maíz en cuanto a su rendimiento, debido a los diferentes tipos de

semilla y de abonos empleados, este experimento se lleva a cabo en bloques, con

lo cual se procede a realizar los cálculos de varianza y se elabora la

correspondiente tabla de ANOVA en diseño latino en la cual se recogen los

respectivos resultados de cada uno.


Apéndice 3

1. A partir de la lectura del capítulo 3 del libro análisis y diseños de


experimentos, aplique los conceptos del diseño completamente al azar
(DCA) y análisis de varianza para el siguiente enunciado.

COMPARACION DE 4 DIETAS EN CERDOS


El equipo de desarrollo e innovación que lo componen zootecnistas e
ingenieros de alimentos de una empresa de cárnica evalúa el efecto de cuatro
tipos de dietas (D1, D2, D3, D4), sobre el peso final de los cerdos (entendiendo
que a mayor peso en los cerdos la dieta realizada es más eficiente). En
primera instancia, la estrategia experimental es aplicar cuatro veces los cuatro
tipos de dieta en orden completamente al aleatorio (las 16 pruebas al azar).
Los pesos (kg) de los cerdos obtenidos en la investigación se muestran en la
siguiente tabla.

TIPOS DE DIETAS
D1 D2 D3 D4
99.98 134.67 105.43 118.67
100.56 133.87 103.45 120.01
102.32 135.12 104.98 122.20
101.99 134.62 102.45 119.88

a. Formule el interrogante del problema de investigación.

El interrogante de investigación seria.


¿Existe diferencia en la eficiencia promedio en los diferentes tipos de dieta?
b. Formule las hipótesis correspondientes (igualdad y alterna).

El objetivo del análisis de varianza en el Diseño Completamente al Azar según


Gutiérrez (2008) p. 66, es probar la hipótesis de igualdad de los tratamientos con
respecto a la media de la correspondiente variable de respuesta.

La Hipótesis nula: No hay diferencia en las medias de los pesos de cada dieta.

𝐻0 = 𝜇𝐷1 = 𝜇𝐷2 = 𝜇𝐷3 = 𝜇𝐷4

La hipótesis alternativa: Al menos existen dos medias en las dietas que son
diferentes.

𝐻𝐴 = 𝜇𝐷𝑖 ≠ 𝜇𝐷𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 ≠ 𝑗

c. Realice los cálculos correspondientes al análisis de varianza y elabore


la tabla ANOVA,  = 0.05.

Se tiene:

Número de tratamientos 𝑘 = 4

Número de observaciones por tratamiento 𝑛𝑖 = 4

Número total de mediciones 𝑁 = 16

Toda la información necesaria para calcular el estadístico 𝐹0 hasta llegar al 𝑣𝑎𝑙𝑜 −


𝑝 se escribe en la llamada tabla de análisis de varianza (ANOVA), la cual se debe
diligenciar en la siguiente tabla.

Fuente de Suma de cuadrados Grados de Cuadrado Estadístico Significancia


variabilidad FV SC libertad GL medio CM de prueba observada
𝐹0 𝑉𝑎𝑙𝑜𝑟 − 𝑝

Tratamientos 𝑘 𝑘−1 𝑆𝐶𝐷𝐼𝐸 𝐶𝑀𝐷𝐼𝐸 𝑃(𝐹 > 𝐹0)


𝑌𝑖. 2 𝑌.. 2 𝐶𝑀𝐷𝐼𝐸
𝑆𝐶𝐷𝐼𝐸 = ∑ − 𝑘−1 𝐶𝑀𝐸
𝑛𝑖 𝑁
𝑖=1

Error 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝐷𝐼𝐸 𝑁−𝑘 𝑆𝐶𝐸


𝐶𝑀𝐸
𝑁−𝑘
𝑘 𝑛𝑖
Total 𝑌.. 2 𝑁−1
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗 2 −
𝑁
𝑖=1 𝑗=1

 Suma total de cuadrados o variabilidad total de los datos:

4 4
𝑌. .2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗 −
𝑁
𝑖=1 𝑗=1

Donde:

𝑘 𝑛𝑖 4 4

∑ ∑ 𝑌𝑖𝑗 = ∑ ∑ 𝑌𝑖𝑗 = (99,98)2 + (134,67)2 + ⋯ + (102,45)2 + (119,88)2 = 214540,015


𝑖=1 𝑗=1 𝑖=1 𝑗=1

𝑘 𝑛𝑖

𝑌. . = ∑ ∑ 𝑌𝑖𝑗 = 99,88 + 134,67 + ⋯ + 102,45 + 119,88 = 1840,20


𝑖=1 𝑗=1

𝑌. .2 = (1840,20)2 = 3386336,04

3.386.336
𝑺𝑪𝑻 = 214540,015 − = 𝟐𝟖𝟗𝟒, 𝟎𝟏𝟐
16

Suma de cuadrados de tratamientos o variabilidad debida a la diferencia entre


tipos de dieta:

𝑘
𝑌𝑖. 2 𝑌. .2
𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ −
𝑘 𝑁
𝑖=1

Donde
𝑘 4 4 4 4
𝑌𝑖. 2 𝑌1. 2 𝑌2. 2 𝑌3. 2 𝑌3. 2
∑ = ∑ +∑ + ∑ +∑
𝑘 4 4 4 4
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1

∑ 𝑌1 2 = (99,98 + 100,56 + 102,32 + 101,99)2


𝑖=1

∑ 𝑌2 2 = (134,67 + 133,87 + 135,12 + 134,62)2


𝑖=1

∑ 𝑌3 2 = (105,43 + 103,45 + 104,98 + 102,45)2


𝑖=1

∑ 𝑌4 2 = (118,67 + 120,01 + 122,20 + 119,88)2


𝑖=1

(404,852 + 538,282 + 416,312 + 480,762 ) 1840,22


𝑺𝑪𝑻𝑹𝑨𝑻 = − = 𝟐𝟖𝟕𝟕, 𝟐𝟔𝟔
4 16

Suma de cuadrados del error o variabilidad dentro de tipos de dieta

𝑺𝑪𝑬 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 = 2894,012 − 2877,266 = 𝟏𝟔, 𝟕𝟒𝟔

Cuadrados medios de tratamientos y del error (efecto ponderado de cada fuente


de variación):

𝑆𝐶𝑇𝑅𝐴𝑇 2877,266
𝑪𝑴𝑻𝑹𝑨𝑻 = = = 𝟗𝟓𝟗, 𝟎𝟖𝟗
𝐾−1 4−1

𝑆𝐶𝐸 16,746
𝑪𝑴𝑬 = = = 1,395
𝑁 − 𝐾 16 − 4

Estadístico de prueba
𝐶𝑀𝑇𝑅𝐴𝑇 959,089
𝑭𝑶 = = = 687,272
𝐶𝑀𝐸 1,395

Fuente de Suma de Grados de Cuadrado Estadístico Significancia


variabilidad cuadrados libertad GL medio CM de prueba 𝐹0 observada
FV SC 𝑉𝑎𝑙𝑜𝑟 − 𝑝

Tratamientos 2877,266 3 959,089 687,272 1,0982 ∗ 10−13

Error 16,746 12 1,395

Total 2894,012 15

d. A partir de los criterios del resultado del valor – P y FO (son dos


criterios diferentes), que se puede concluir con respecto a las
hipótesis planteadas?

Se lee en tablas de la distribución 𝐹, el valor crítico para 𝛼 = 0,05 es 𝐹0,05, 3, 12 =


3,49.

Como:

𝐹0 = 687,272 > 𝐹0,05, 3, 12 = 3,49

Entonces se rechaza 𝐻0 .

Según las tablas como 𝛼 = 0,05 > 𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 1,0982 ∗ 10−13 se rechaza la
hipótesis nula.

Se concluye De acuerdo a la tabla de ANOVA, se puede rechazar la


hipótesis nula al 95% de confianza, es decir que al menos una de las
dietas produce resultados diferentes sobre el peso de los cerdos.
e. Describa cual es la función y para qué es utilizado el método Tukey,
después del análisis de varianza de los resultados? Dentro del
concepto responda si es necesario utilizar este método si aceptamos
o rechazamos la hipótesis de igualdad.

Su función es.

 Se calcula el valor crítico de todas las comparaciones por pares.


 Se obtiene el error estándar de cada promedio.
 Obtener el Tα.
 Calcular la diferencia de las medias y realizar las comparaciones con el
valor crítico.
 Hacer las conclusiones

Sirve para.

 Probar todas las diferencias entre medias de tratamientos de una


experiencia.
 La única exigencia es que el número de repeticiones sea constante en
todos los tratamientos
 Este método sirve para comparar las medias de los tratamientos, dos a dos,
o sea para evaluar las hipótesis.
 El método tukey sirve para comparar las diferencias entre las medias
muéstrales con el valor crítico.
 Se utiliza el método tukey cuando se ha rechazado la hipótesis.

2. A partir de la lectura del capítulo 4 del libro análisis y diseños de


experimentos, aplique los conceptos del diseño en cuadro latino (DCL) y
análisis de varianza para el siguiente enunciado.

En un centro de investigación de agricultura se requiere estudiar el efecto de


distintos tipos de semilla en el rendimiento del maíz y se considera que en
dicho rendimiento también pueden influir los tipos de abonos empleados.
Así, el factor de interés es el origen de la semilla (A, B, C y D) y se controla
dos factores de bloques el tipo de semilla y el tipo de abono en función de la
variable de respuesta.

Tipo de abono Tipo de semilla


1 2 3 4
1 C=33 D=38 A=28 B=50
2 B=30 C=39 D=27 A=49
3 A=32 B=41 C=25 D=49
4 D=33 A=40 B=26 C=52

Hipótesis Nula: El origen de la semilla no tiene efecto en el rendimiento del maíz

𝐻0 = 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷

Hipótesis alterna: Al menos dos orígenes de semillas tienen efecto diferente en el


rendimiento del maíz

𝐻𝐴 = 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 ≠ 𝑗 = 𝐴, 𝐵, 𝐶, 𝐷

f. Realice los cálculos correspondientes al análisis de varianza y elabore


la tabla ANOVA  = 0.05.

El ANOVA para el diseño en cuadro latino se muestra en la siguiente tabla.

Fuente de Suma de Grados Cuadrad 𝐹0 Valor-p


de o
variabilida cuadrad
d os libertad medio

Tratamien 𝑆𝐶𝑇𝑅𝐴𝑇 𝑘−1 𝐶𝑀𝑇𝑅𝐴𝑇 𝐶𝑀𝑇𝑅𝐴𝑇 𝑃(𝐹 > 𝐹0 )


𝐹0 =
𝐶𝑀𝐸
tos

Renglone 𝑆𝐶𝐵1 𝑘−1 𝐶𝑀𝐵1 𝐶𝑀𝐵1 𝑃(𝐹 > 𝐹0 )


𝐹0 =
𝐶𝑀𝐸
s

Columnas 𝑆𝐶𝐵2 𝑘−1 𝐶𝑀𝐵2 𝐶𝑀𝐵2 𝑃(𝐹 > 𝐹0 )


𝐹0 =
𝐶𝑀𝐸

Error 𝑆𝐶𝐸 (𝑘 − 2)(𝑘 − 1) 𝐶𝑀𝐸

Total 𝑆𝐶𝑇 𝑘2 − 1

Se tiene:

Número de tratamientos 𝑘 = 4

Número total de mediciones 𝑁 = 16

 Suma total de cuadrados o variabilidad total de los datos:

4 4
𝑌. .2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗 −
𝑁
𝑖=1 𝑗=1

𝑘 𝑛𝑖

𝑌. . = ∑ ∑ 𝑌𝑖𝑗 = 33 + 30 + 32 + 33 + 38 + 39 + 41 + 40 + 28 + 27 + 25 + 26 + 50 + 49
𝑖=1 𝑗=1
+ 49 + 52 = 592
𝑌. .2 = (592)2

Reemplazando:
𝑺𝑪𝑻 = (332 + 302 + 322 + 332 ) + (382 + 392 + 412 + 402 )
5922
+ (282 + 272 + 252 + 262 ) + (502 + 492 + 492 + 522 ) −
16
5922
𝑺𝑪𝑻 = 23,168 − = 𝟏. 𝟐𝟔𝟒
16

 Suma de cuadrados de renglones 𝑅𝑗


∑ 𝑅1 2 + ∑ 𝑅2 2 + ∑ 𝑅3 2 + ∑ 𝑅4 2 𝑌. .2
𝑆𝐶𝐵1 = −
𝑘 𝑁

𝑆𝐶𝐵1
(33 + 38 + 28 + 50)2 + (30 + 39 + 27 + 49)2 + (32 + 41 + 25 + 49)2 + (33 + 40 + 26 + 52)2
=
4
350464

16

𝑆𝐶𝐵1 = 21909 − 21904 = 𝟓

 Suma de cuadrados de columnas 𝐶𝑙

∑ 𝐶1 2 + ∑ 𝐶2 2 + ∑ 𝐶3 2 + ∑ 𝐶4 2 𝑌. .2
𝑆𝐶𝐵2 = −
𝑘 𝑁

𝑆𝐶𝐵1
(33 + 30 + 32 + 33)2 + (38 + 39 + 41 + 40)2 + (28 + 27 + 25 + 26)2 + (50 + 49 + 49 + 52)2
=
4
5922

16

(1282 + 1582 + 1062 + 2002 ) 5922


𝑺𝑪𝑩𝟐 = −
4 16
𝑺𝑪𝑩𝟐 = 23.146 − 21.904 = 𝟏. 𝟐𝟒𝟐

 Suma de cuadrados de tratamientos A, B, C y D

𝑘
𝑌𝑖. 2 𝑌. .2
𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ −
𝑘 𝑁
𝑖=1

𝑆𝐶𝑇𝑅𝐴𝑇
(28 + 49 + 32 + 40)2 + (50 + 30 + 41 + 26)2 + (33 + 39 + 25 + 52)2 + (38 + 27 + 49 + 33)2
=
4
5922

16
(1492 + 1472 + 1492 + 1472 ) 5922
𝑺𝑪𝑻𝑹𝑨𝑻 = −
4 16

𝑺𝑪𝑻𝑹𝑨𝑻 = 𝟏

 Suma de cuadrados del error 𝑆𝐶𝐸

𝑺𝑪𝑬 = 𝑺𝑪𝑻 − 𝑺𝑪𝑻𝑹𝑨𝑻 − 𝑺𝑪𝑩𝟏 − 𝑺𝑪𝑩𝟐

𝑺𝑪𝑬 = 1.264 − 1 − 5 − 1.242 = 𝟏𝟔

 Cuadrados medios de tratamientos, del error, renglón y columna

𝑆𝐶𝑇𝑅𝐴𝑇 𝑆𝐶𝐸 𝑆𝐶𝐵1 𝑆𝐶𝐵1


𝐶𝑀𝑇𝑅𝐴𝑇 = ; 𝐶𝑀𝐸 = ; 𝐶𝑀𝐵1 = ; 𝐶𝑀𝐵2 =
𝑘−1 (𝑘 − 2)(𝑘 − 1) 𝑘−1 𝑘−1

Reemplazamos

1
𝐶𝑀𝑇𝑅𝐴𝑇 = = 0,333
3

16 16
𝐶𝑀𝐸 = = = 2,667
(4 − 2)(4 − 1) 6

5
𝐶𝑀𝐵1 = = 1,667
3

1242
𝐶𝑀𝐵2 = = 414
3

𝐶𝑀𝑇𝑅𝐴𝑇 0,333
𝐹0 = = = 0,125
𝐶𝑀𝐸 2,667

𝐶𝑀𝐵1 1,667
𝐹0 = = = 0,625
𝐶𝑀𝐸 2,667

𝐶𝑀𝐵2 414
𝐹0 = = = 155,230
𝐶𝑀𝐸 2,667
Llenado la tabla ANOVA

Fuente de Suma de Grados de Cuadrado 𝐹0 Valor-p


variabilidad cuadrados libertad medio

Origen 1 3 0,333 0,125 0,942


semilla

Abono 5 3 1,667 0,625 0,625

Semillas 1242 3 414 155,230 4,479 ∗ 10−6

Error 16 6 2,667

Total 1264 15

g. A partir de los criterios del resultado del valor – P y FO (son dos


criterios diferentes), que se puede concluir con respecto a las
hipótesis planteadas?

Se lee en tablas de la distribución 𝐹, el valor crítico para 𝛼 = 0,05 es

𝐹0,05, 3, 6 = 4,76

Origen de la semilla.

Resulta que 𝐹0,05, 3, 6 = 4,76 > 𝐹0 = 0,125 lo cual acepta la hipótesis nula;
estadísticamente el origen de la semilla es igual o no tiene efectos sobre la
respuesta, estadísticamente nulos. También se confirma porque:

𝛼 = 0,05 < 𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 0,942

Tipo de abono

Resulta que 𝐹0,05, 3, 6 = 4,76 > 𝐹0 = 0,625 lo cual acepta la hipótesis nula;
estadísticamente el tipo abono es igual o no tiene efectos sobre la respuesta,
estadísticamente nulos. También se confirma porque:
𝛼 = 0,05 < 𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 0,625

Tipo de semilla

Como 𝐹0,05, 3, 6 = 4,76 < 𝐹0 = 155,23 se rechaza la hipótesis nula;


estadísticamente el tipo de semilla si tiene efectos sobre el tratamiento. También
se confirma porque:

𝛼 = 0,05 > 𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 4,479 ∗ 10−6

Se puede concluir que el tipo de abono al igual que el origen de la


semilla, no generan diferencias entre el rendimiento del maíz. Por el
contrario, el tipo de semilla si presenta al menos una diferencia respecto
al rendimiento del maíz.

.
CONCLUSIONES

El trabajo de experimental se presenta como una herramienta útil y eficaz a la

hora de la toma de decisiones, mediante la utilización de elementos como los

bloques, ANOVA cuadros latinos y la aplicación de operaciones para la

realización de cálculos de varianza, tal y como se realizó en los dos experimentos

expuestos en el documento, se puede llegar a resultados concluyentes que

determinaran en adelante el futuro del proyecto que se propone realizar o la

innovación científica que permita hacer más eficientes los procesos.


REFERENCIA BIBLIOGRAFICA

Mesa, J., Brossard, L. & Guerrero, J. (2010). Estrategia de utilización del diseño de

experimentos. Tecnología Química, 18(3):101-111, 1998. La Habana, CU:

Universidad de Oriente. Consultado el 28/05/17 en:

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=4&docID=10

365561&tm=1480120603158

Balzarini, M. (2013). Estadística y biometría: ilustraciones del uso e Infostat en problemas

de agronomía. Editorial Brujas. Consultado el 28/05/17 en:

http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10890015

&ppg=102

Gutiérrez, H. & De La Vara, R. (2008): Análisis y Diseño de Experimentos. Segunda

Edición. México: McGraw-Hill Interamericana Editores, S.A.

Kuehl, R. O. (2001). Diseño de Experimentos. Segunda Edición. México: Thomson

Editores, S.A.