MODULO Diseno Experimental

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD
ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES

CONTENIDO DIDÁCTICO DEL CUSO: 90001 – METODOLOGÍA DE TRABAJO ACADÉMICO
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA
PROGRAMA DE INGENIERIA DE ALIMENTOS
30156 – DISEÑO EXPERIMENTAL
CAMPO ELIAS RIAÑO LUNA

(Director Nacional)
FREDY JARAMILLO
Acreditador
BOGOTÁ
Diciembre de 2011
1
ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
Aspectos de Propiedad intelectual
El contenido didáctico del curso académico ``Diseño Experimental``, fue diseñado

inicialmente en el año 2004 por el Ing. Químico. MSc. Campo Elías Riaño Luna,
docente de la UNAD, ubicado en la sede José Celestino Mutis.
Profesional que se ha desempeñado como docente y tutor de la UNAD a partir del

2003, anteriormente trabajo como investigador científico II en CENICAFE.
De allí que el módulo trae ejemplos de trabajos de investigación realizados por

estudiantes, docentes y el autor. Esta es la segunda actualización del módulo, el
cual se ofrece con carácter estrictamente educativo. Razón por la cual se ha
recurrido a los conocimientos y experiencias de varios autores de textos regulares
sobre las temáticas expuestas para tratar los temas más relevantes en este primer
contacto con la investigación programada. Se seleccionaron las temáticas que se
consideraron importantes (amplio uso) para adelantar trabajos de investigación en
ciencias agrarias, básicas e ingeniería y les sirvan de punto de partida para tu
aprendizaje autónomo y profundizar en las tematicas.
La versión del contenido didáctico que actualmente se presenta tiene como

características:
1) Reorganización de los contenidos relacionados con las dos unidades y las

lecciones.
2) Repaso y verificación de los conceptos teóricos tratados.
Las temáticas pueden ser actualizadas acorde con el desarrollo del curso. De
acontecer esto se informara oportunamente.
2
INTRODUCCIÓN
En la UNAD se viene adelantando a través del rediseño curricular un plan

estratégico para la formación y capacitación en investigación disciplinar y
formativa, con el fin de continuar con el refuerzo de los procesos de acreditación
de los programas.
Condición que exige entre otras la formación integral de talento humano en ciencia
y tecnología, capaz de investigar y transformar su entorno regional haciendo uso
racional de los recursos disponibles, mediante la modalidad de educación abierta y
a distancia.
Con este objeto se propone como curso obligatorio el diseño experimental cuyo
contenido induce a los estudiantes a la aplicación de los principios estadísticos en
la investigación.
Curso complementario a los dos (2) primeros módulos sobre cultura investigativa
que se ofrecen en la UNAD, para todos los programas.; el contenido de este dará
los lineamientos para una de las etapas importantes en todo proceso de
investigación como es la planificación de la experimentación y la comprobación de
hipótesis.
El material ha sido organizado de forma que el estudiante repase los conceptos y

procedimientos estadísticos vistos en semestres anteriores y los aplique a la
resolución de problemas específicos de cada profesión-con una planificación
previa.
La forma de resolver los diseños experimentales de más amplio uso, se presentan

en los apéndices 1, 1.a, 2, 3 y 4-para la unidad 1. Estos apéndices se irán
incrementando acorde con el desarrollo del curso. Igualmente estudiantes y
tutores deben consultar las OVAS presentadas para cada unidad en la página
principal del curso.
3
Además en los trabajos colaborativos se incentiva a los estudiantes y docentes

sobre la forma y la importancia de obtener información rápida, de utilidad, con
ventajas económicas para el desarrollo de los trabajos de grado y proyectos de
investigación en la UNAD.
Para la solución numérica con software (es) estadísticos se ha programado el plan

de trabajo siguiente.
Plan de trabajos prácticos con el paquete estadístico Stat Graphics
Laboratorio práctico 1.- Manejo de datos: organización, almacenamiento y

tratamiento.
Laboratorio práctico 2.- Estadística descriptiva
Laboratorio práctico 3.- ANOVA. De una sola vía, -diseño en bloque

aleatorizado, diseño de dos factores-diseño de tres factores- (cuadrados latinos)
Laboratorio práctico 4. Diseños factoriales 2k y 3 k
Laboratorio práctico 5. Análisis de Regresión.
Key Word: ANOVA con Stat Graphics
1- http://e-stadistica.bio.ucm.es/disexp/guia_rapida_statgraphics.html
4
INDICE DE CONTENIDO
El contenido programático para el curso de diseño experimental está en la

tabla 2.
Tabla 2. Contenidos temáticos para el curso de diseño de experimental
UNIDADES DIDÁCTICAS CAPITULOS LECCIONES

UNIDAD UNO: CAPÍTULO 1. Lección 1: Conceptos
UTILIZACIÓN DE LOS Introducción Al básicos del diseño
MÉTODOS Diseño De experimental
ESTADÍSTICOS DE Experimentos Lección 2: Tipos de
CONTRASTE EN LA tratamientos y errores
EXPERIMENTACIÓN. experimentales
Lección 3: Principios básicos
en el diseño de experimentos
Lección 4: Las técnicas
utilizadas en el diseño de
experimentos
Lección 5: Control local,
aleatorizaciòn y
procedimiento para el diseño
experimental
CAPÍTULO 2. Lección 1: Comprobación de
Contraste de hipótesis
hipótesis Lección 2: Prueba de t
comparaciones Lección 3: Análisis de
simples varianza-ANDEVA
Lección 4: Prueba de
diferencia significativa mínima
(DSM) de Fisher
Lecciòn 5: Modelo
estadístico
CAPÍTULO 3. Tipos Lección 1: El uso de las
de diseño computadoras y software
experimentales especializado
Lección 2: Diseños
unifactoriales
Lección 3: Diseños de
5
bloques completos al azar

Lección 4: Diseño de cuadro
latino
Lección 5: Diseño de cuadro
Greco Latino
UNIDAD DOS: DISEÑOS CAPÍTULO 1. Lección 1: Definiciones
FACTORIALES y 2K Diseños factoriales básicas diseño factorial.
Lección 2: Experimento
factorial o mover un factor a la
vez
Lección 3: Diseño factorial
con dos factores
factoriales con tres factores
factoriales generales
CAPÍTULO 2. Lección 1: Diseño 22
DISEÑOS Lección 2: Diseño23
K
FACTORIALES 2 Lección 3: Diseño 2k
Lección 4: Superficies de
respuesta
Lección 5: Otros diseños
experimentales.
CAPÍTULO 3. Lección 1: Introducción y el
Análisis de significado de la regresión y
regresión lineal y suposiciones básicas
superficies de Lección 2: Estimación por
respuesta mínimos cuadrados
Lección 3: Propiedades
generales de los estimadores
de mínimos cuadrados
Lección 4: Introducción a las
superficies de respuesta
Lección 5: Ejemplo de
cálculo de superficies de
respuesta
6
El proceso del diseño experimental
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald
A. Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la
fecha se encuentra bastante desarrollada y ampliada. Actualmente las
aplicaciones son múltiples, especialmente en la investigación de las ciencias
naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias sociales.
La experimentación proporciona los datos experimentales, en contraste con los
datos de la observación; los datos de la observación se representan como su
nombre indica por observaciones de las unidades elementales de una población o
de una muestra, y no deben ser cambiados ni modificados por ningún intento de
parte de un investigador en el curso de la observación.
7
Red Semantica-Diseño Experimental
8
Contenidos Unidad 1
Nombre de la Unidad UTILIZACIÓN DE LOS MÉTODOS ESTADÍSTICOS DE CONTRAS

LA EXPERIMENTACIÓN
UNO
Introducción La experimentación juega un papel fundamental en todos los campo
investigación y el desarrollo. El objetivo de la experimentación es o
información de calidad y confiable. Información que debe perm
desarrollo de nuevos productos y procesos, comprender mejor un sis
tomar decisiones sobre como optimizarlo además el de com
hipótesis científicas, etc.
Obviamente la experimentación se debe planificar (d
cuidadosamente para que proporcione la información buscada.
planificación debe considerar dos aspectos importantes relacionad
toda experimentación.
El diseño de un experimento es la secuencia completa de los pasos
deben tomar de antemano, para planear y asegurar la obtención de
información relevante y adecuada al problema bajo investigación,
será analizada estadísticamente para obtener conclusiones vá
objetivas con respecto a los objetivos planteados.
Un Diseño Experimental es una prueba o serie de pruebas en las
existen cambios deliberados en las variables de entrada de un pro
sistema, de tal manera que sea posible observar e identificar las cau
los cambios que se producen en la respuesta de salida.
Justificación Para responder al reto que le plantea su proyecto académ
Universidad, desde la perspectiva de ser abierta y a distancia,
propuesto crear las condiciones que le permitan consolidar científica
los currículos, con este propósito se ofrece el modulo de
experimental de aplicación a todas los programas de la UNAD, con e
aprender a planificar de una manera razonable los trabajos de grad
diferentes investigaciones que se propongan, reconfirmando las té
necesarias para realizar con éxito dicha labor y sustentar objetivame
resultados a través de la investigación planificada.
Intencionalidades Se pretende con este modulo y guía proporcionar y suminist
Formativas elementos, los conceptos y la información necesaria para el desarr
las actividades a tener presentes para la planificación y el desarrollo
proyecto de investigación, con el fin de inducir a los docentes y estu
en la aplicación de estrategias que conduzcan al correcto plantea
desarrollo y formulación de actividades propias de la investigaci
racionalización de los recursos asignados.
Denominación de capítulos Capítulo 1. Introducción al diseño de experimentos
Capítulo 2. Contraste de hipótesis comparaciones simples.
Unidad 1 Capítulo 3. Tipos de diseño experimentales
9
CAPITULO 1: LA INVESTIGACIÓN Y EL DISEÑO EXPERIMENTAL
La experimentación juega un papel fundamental en todos los campos de la

investigación y el desarrollo. El objetivo de la experimentación es obtener
información de calidad y confiable. Información que debe permitir el desarrollo de
nuevos productos y procesos, comprender mejor un sistema y tomar decisiones
sobre como optimizarlo además el de comprobar hipótesis científicas, etc.
Obviamente la experimentación se debe planificar (diseñar) cuidadosamente para

que proporcione la información buscada. Dicha planificación debe considerar dos
aspectos importantes relacionados con toda experimentación.
El diseño de un experimento es la secuencia completa de los pasos que se deben

tomar de antemano, para planear y asegurar la obtención de toda la información
relevante y adecuada al problema bajo investigación, la cual será analizada
estadísticamente para obtener conclusiones válidas y objetivas con respecto a los
objetivos planteados.
Un Diseño 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:
10
Figura 1. El proceso del diseño experimental
Revisemos el enlace: La estadística, instrumento de investigación científica.
Tomado de Tomado de: portalsej.jalisco.gob.mx/unidades-

upn.../antonio_ramirez_ramirez.pdf. Con fines netamente educativos.
Lecciones-C_1-U_1
Lección 1: Conceptos básicos del diseño experimental
Los siguientes conceptos que se definen a continuación se utilizarán en el

desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991) y de Kuehl (2001).
Definiciones
Diseño: Consiste en planificar la forma de hacer el experimento, materiales y

métodos a usar, etc.
Experimento. Conjunto de reglas usadas para obtener una muestra de la

población y al concluir el ensayo obtener información acerca de la población.
Un experimento es un procedimiento mediante el cual se trata de comprobar

(confirmar o verificar) una o varias hipótesis relacionadas con un determinado
fenómeno, mediante la observación y medición de las variables que influyen en el
mismo.
11
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 operación de un sistema o proceso para

obtener una muestra de la población y al concluir el ensayo obtener información
acerca de la población o del producto obtenido.
Por ejemplo variar las condiciones de operación (temperatura, presión, velocidad

de agitación de un proceso, las raciones para semovientes, dosis de
agroquímicos).
O la utilización de diferentes proporciones de materias primas y aditivos para

mejorar la condición de un producto de consumo masivo.
La experimentación constituye uno de los pasos del método científico.
Ejemplos de sistemas experimentales son:
- Una reacción química y/o bioquímica, cuyo rendimiento (Y) puede ser función,
entre otros, del tiempo de reacción (t1), la temperatura de la reacción (T2) y el tipo
de microorganismo (Mo1) utilizado. Otras variables que pueden influir son, por
ejemplo, la presentación de los sustratos, la velocidad de agitación,....
Experimento aleatorio. Actividad que tiene como resultado o que produce un

evento. Prueba donde existen dos o más resultados posibles, y no se pude
anticipar cuál 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

hipótesis de investigación y son el centro de la misma.
12
Factor: Es un grupo específico de tratamientos. (Ejemplo, Temperatura, humedad,

tipos de suelos, etc.).
Niveles Del Factor: Son diversas categorías de un factor. (Por ejemplo, los
niveles de temperatura son 20°C, 30°C, etc.). Un factor Cuantitativo tiene niveles
asociados con puntos ordenados en alguna escala de medición, como
temperatura; mientras que los niveles de un factor cualitativo representan distintas
categorías o clasificaciones, como tipo de suelo, que no se puede acomodar
conforme a alguna magnitud.
Réplica: Son las repeticiones que se realizan del experimento básico.
Unidad Experimental: Es el material experimental unitario que recibe la

aplicación de un tratamiento.
Es la entidad física o el sujeto expuesto al tratamiento independientemente de las

otras unidades. La unidad experimental una vez expuesta al tratamiento constituye
una sola réplica 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 está estudiando.
Unidad muestral: Es una fracción de la unidad experimental que se utiliza para

medir el efecto de un tratamiento.
Error experimental: Es una medida de variación que existe entre dos o más
unidades experimentales, que han recibido la aplicación de un mismo tratamiento
de manera idéntica e independiente.
Factores Controlables: Son aquellos parámetros o características del producto o

proceso, para los cuales se prueban distintas variables o valores con el fin de
estudiar cómo influyen sobre los resultados.
13
Factores Incontrolables: Son aquellos parámetros o características del producto

o proceso, que es imposible de controlar al momento de desarrollar el
experimento.
Variabilidad Natural: es la variación 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).
Lección 2: Tipos de tratamientos y errores experimentales
Los siguientes conceptos que se definen a continuación se utilizarán en el

desarrollo de las unidades posteriores; los cuales fueron retomados de
Montgomery (1991), Padrón (1996) y de Kuehl (2001).
A continuación se presentan ejemplos de tratamientos en algunas áreas, tales

como:
Experimentaciones Agrícolas, un tratamiento puede referirse a:
♦ Marca de Fertilizante.
♦ Cantidad de Fertilizante.
♦ Profundidad del Sembrado.
♦ Variedad de Semilla.
♦ Combinación de Cantidad de Fertilizante y Profundidad de Sembrado; esto es

una combinación de tratamientos.
♦ etc.
14
Experimentaciones de Nutrición Animal, un tratamiento puede referirse a:
♦ Cría de Ganado Lanar
♦ Sexo de los Animales
♦ Padre del Animal Experimental
♦ Tipo de Alimento
♦ Ración Particular de Alimento de un Animal.
♦ Raza del Animal
♦ etc.
Error Experimental: Es una medida de variación que existe entre dos o más
unidades experimentales, que han recibido la aplicación de un mismo tratamiento
de manera idéntica e independiente.
Factores Controlables: Son aquellos parámetros o características del producto o

proceso, para los cuales se prueban distintas variables o valores con el fin de
estudiar cómo influyen sobre los resultados.
Factores Incontrolables: Son aquellos parámetros o características del producto

o proceso, que es imposible de controlar al momento de desarrollar el
experimento.
Variabilidad Natural: es la variación 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).
15
Lección 3: Principios básicos en el diseño de experimentos
Acorde con Cochran & Cox (2001) los tres principios básicos del Diseño de un
experimento son:
1. Replicación (Obtención de Réplicas).
Este principio se refiere al número de veces que se aplica un tratamiento a las

unidades experimentales. El cual tiene dos propiedades importantes, la primera
permite al experimentador obtener la estimación del error experimental; esta
estimación se convierte en la unidad básica para determinar si las diferencias
observadas en los datos son estadísticamente significativas o para determinar la
amplitud de un intervalo de confianza, y la segunda permite al experimentador
calcular una estimación más precisa del efecto medio de cualquier factor en el
experimento, si se usa la media de la muestra, como una estimación de dicho
efecto. Lo que significa que la varianza de la media de la muestra se define como
σ2y = σ/ n; donde σ2 es la varianza de los datos y n el número de réplicas.
La implicación práctica de esto es que si el número de réplicas es pequeña (n=1)

probablemente no se podría obtener inferencias satisfactorias con respecto al
efecto del tratamiento; es decir, que la diferencia observada podría ser resultado,
exclusivamente, del error experimental. El número de réplicas afecta la precisión
de las estimaciones de las medias de tratamientos y la potencia de las pruebas
estadísticas para detectar las diferencias entre las medias de los grupos en los
tratamientos. Pero puede ser muy costosa económicamente la incorporación de
una réplica en el Experimento.
Lección 4: Las técnicas utilizadas en el diseño de experimentos
16
Igualmente Cochran & Cox (2001) describen que las técnicas que se deben utilizar
en un Diseño 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 relación con la variable respuesta o con la medición que se supone
responde de manera diferente a los diversos tratamientos.
Es decir, que consiste en la distribución de las unidades experimentales en

bloques de tal manera que las unidades dentro de un bloque sean relativamente
homogéneas; ya que unidades experimentales heterogéneas producen valores
grandes en la varianza del error experimental, es así que la mayor parte de la
variación predecible entre las unidades queda confundida con el efecto de los
bloques.
Los cuatro criterios que se usan con más frecuencia para llevar a cabo el bloque
en las unidades experimentales son:
1) Proximidad (parcelas vecinas).
2) Características Físicas (edad o peso).
3) Tiempo (Tiempo de desarrollo).
4) Administración de tareas en el experimento.
Balanceo: Es el bloqueo y la asignación de los tratamientos a las unidades

experimentales de modo que resulte una configuración balanceada. La
comparación precisa entre los tratamientos requiere la selección de unidades
experimentales uniformes para reducir el error experimental. La naturaleza del
experimento señala el equilibrio entre la variedad de las condiciones y la
17
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 cría, en la misma etapa de lactancia y con un
número similar de lactancia.
Agrupamiento: Es la colocación de un conjunto de unidades experimentales

homogéneas en grupos, de modo que los diferentes grupos puedan sujetarse a
distintos tratamientos. Estos grupos pueden constar de diferente número de
unidades experimentales.
En los tres principios analizados anteriormente el objetivo principal es disminuir en

gran medida la Variabilidad Natural o error experimental, a continuación se
presenta un ejemplo en el cual se evidencia este objetivo.
Ejemplo
Se hace una investigación sobre el efecto de administrar 10 mg. de vitamina B12

por libra de ración a cerdos en crecimiento, se tomaron ocho lotes de seis cerdos,
cada uno tratados por pares. Los lotes se separaron por la administración 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 así como se obtiene una muestra
lo más homogénea posible, y que en el experimento sólo intervenga la variabilidad
natural, reduciendo así el error experimental.
18
Lección 5: Control local, aleatorizaciòn y procedimiento para el diseño

experimental
Bicking (s.f), Cochran & Cox (2001) describen que la aleatorización 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 llevó a cabo un experimento para determinar la eficacia de 6

fertilizantes de nitrógeno para una cierta variedad de maíz. Se contaba con 24
parcelas experimentales.
Considerando que puede existir mucha variabilidad entre las parcelas

experimentales, se decidió usar un diseño 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 método de aleatorización
del diseño utilizado y cada parcela experimental tenía cinco surcos de plantas de
maíz. 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 decisión de cosechar tres surcos centrales

en cada unidad experimental; ya que considera que de esta manera se
19
puede evitar cualquier efecto del fertilizante que se aplica a una parcela y
que pueda influir el resultado de las parcelas vecinas.
• El número de réplicas es igual a cuatro por cada tratamiento.
• Existe un control local ya que el investigador habrá usado un diseño

(por ejemplo: El Diseño de Bloques Aleatorios; el cual se estudiara en el
detalle en la siguiente unidad programática), 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 números a cada una de las parcelas experimentales de 1

a 24.
2) Elaborar cuadrados de papel con los mismos números 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

número de réplicas es igual a cuatro entonces los primeros cuatro números
sacados que corresponden a las primeras cuatro parcelas serán asignadas
al fertilizante número uno.
5) Los segundos cuatro números sacados que corresponden a las

segundas cuatro parcelas serán asignadas al fertilizante número dos.
6) Y así sucesivamente hasta obtener los últimos cuatro números

que corresponden a las cuatro parcelas que serán asignadas al fertilizante
número seis.
20
En general, un experimento de este tipo puede tener simultáneamente otras

variables respuestas como por ejemplo: altura de plantas, grosor de las plantas,
determinación del contenido de humedad de los granos, etc. Pero en el análisis
del experimento el rendimiento es la variable de interés para el investigador.
A pesar de haber tomado todas las precauciones necesarias en la conducción del

experimento, se podrá decir que siempre existirá 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
ó más parcelas que han recibido la aplicación de un mismo fertilizante. Estos
valores no serán 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 variación 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 número total de plantas por cada parcela podría no ser igual. Esto puede
ocurrir por defectos en la calidad de las semillas y el método de siembra utilizado.
3) Puede existir pérdida del material experimental cosechado que se lleva al

laboratorio para determinar el peso.
4) Puede existir limitación y defectos en la máquina que se usa para determinar el

peso del material que se ha cosechado.
5) Puede existir variación de criterios y técnicas que usan diferentes personas que
han trabajado en la conducción del experimento.
Control Local: Consiste en el uso de técnicas de bloqueo, balanceo y

agrupamiento de las unidades experimentales para asegurar que el diseño usado
21
sea eficiente; ya que los objetivos de la mayoría de los experimentos son las
comparaciones claras y exactas entre los tratamientos a través de un conjunto
apropiado de condiciones. Estos objetivos requieren estimaciones precisas de las
medias y poderosas pruebas estadísticas, 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
estimación del error experimental; incrementando la exactitud de las
observaciones y estableciendo la base de la inferencia del estudio.
22
CAPITULO 2-U_1
CONTRASTE DE HIPÓTESIS COMPARACIONES SIMPLES.
Etimológicamente Hipótesis es la suposición de una verdad que debe ser

verificada o rechazada.
Es una explicación que al comienzo de una investigación 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 tecnológico y ciclo profesional del mismo compilador)
Una hipótesis estadística es una afirmación sobre los valores de los parámetros de
una población o proceso, que es susceptible de probarse a partir de la información
contenida en una muestra representativa obtenida de una población. Por ejemplo,
la afirmación "este proceso produce menos del 6% de defectuosos" se puede
plantear estadísticamente, en términos de, proporción p desconocida de artículos
defectuosos que genera el proceso.
Ho : p =0.06 (la proporción de defectuosos es 0.06)
HA: p < 0.06 (la proporción es menor a 0.06)
Lecciones - C_2-U_1
Lección 1: Comprobación de hipótesis
Para las siguiente lección se tomaron como referente a Bavaresco (1979), Bunge
(1980) y Berenson, Levine & Krehbiel (2001).
23
Formulación y prueba de hipótesis
Una hipótesis es una afirmación acerca de algo.
En estadística, puede ser una suposición acerca del valor de un parámetro

desconocido.
La prueba es el medio de verificación para saber si algo es verdadero o falso y

hasta qué grado podemos decir que sea verdadero o falso.
Pasos en la prueba de hipótesis:
-hipótesis.
Calcular una estadística de muestra.
Recomendación se debe hablar de "no rechazar" una hipótesis en lugar de

"aceptar", ya que las pruebas no son concluyentes.
Estadístico de prueba.
Una vez planteada la hipótesis, se toma una muestra aleatoria (o se obtienen

datos mediante un experimento planeado de acuerdo a la hipótesis de la población
en estudio). El estadístico de prueba es un número calculado a partir de los datos
y la hipótesis nula, cuya magnitud permite discernir si se rechaza o se acepta la
hipótesis nula Ho Al conjunto de posibles valores del estadístico de prueba que
llevan a rechazar Ho,se le llama región o interur de rechazo para la prueba, y a los
24
posibles valores donde no se rechaza Hl les llama región o intervalo de

aceptación.
Por ejemplo, para las hipótesis planteadas el estadístico de prueba está dado por
0.08 Zo = vlO.08(1- 0.08) / n'
Análisis de datos. (2, 3, 7 y varios autores)
El análisis depende del nivel de medición de las variables, de la manera como se

hayan formulado las hipótesis, el interés del investigador en el problema que esté
investigando.
Podemos usar una serie de números conocidos como estadística sumaria para
describir las características del conjunto de datos. Dos de estas características
son de particular importancia para los responsables de tomar decisiones: la de
tendencia central y la de dispersión, entre los cuales tenemos la mediana, la
moda, medidas de tendencia central, desviación media, la dispersión, sesgo en
curvas y graficas, curtosis, la media aritmética, la mediana, la moda, la dispersión,
distribución de frecuencias, histogramas, la varianza de una población,
puntuaciones Z, razones y tazas, análisis de varianza.
Pruebas de hipótesis.
En general una prueba de hipótesis comienza con una teoría o aseveración

relativa a cierto parámetro de una población para lo cual se definen dos hipótesis
conocidas como:
 La Hipótesis nula Ho la cual es la hipótesis que se prueba siempre.

 Y la Hipótesis alternativa H1 que se establece como el opuesto a la
hipótesis nula y representa la conclusión que se apoya si la hipótesis nula
se rechaza.
25
En lo que se conoce como metodología de prueba de hipótesis clásica, se

recomiendan los siguientes puntos a tener en cuenta:
 La Hipótesis nula Ho siempre se refiere a un valor especifico del parámetro

de población (como ) , no al estadístico maestral ( como )
A partir de este numeral se deben consultar las tablas que se encuentran e textos
de estadística como las tablas t-Student, de distribución F, comparación de medias
de Duncan, etc.
Ejemplo y procedimiento a desarrollar para una prueba de hipótesis propiamente

dicha.
Una organización 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 hipótesis son los siguientes:
1. Establezca la hipótesis nula Ho. Ésta debe expresarse en términos estadísticos.
Por ejemplo: Al probar si la cantidad promedio de llenado es 500 gramos, la

hipótesis nula asegura que ( ) es igual a 500gramos.
2. Establezca la hipótesis alternativa H1. También debe expresarse en términos

estadísticos.
Al probar si la cantidad promedio de llenado es de 500 gramos, la hipótesis

alternativa asegura que ( ) es inferior a 500 gramos.
26
3. Elija el nivel de significancia. Éste se determina después de tomar en cuenta los

riesgos especificados de cometer errores tipo I y tipo II en una situación particular.
La compañia eligió = 0.05.
4. Elija el tamaño de la muestra n. Éste se determina después 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 técnica estadística adecuada y la estadística de prueba

correspondiente que se usará. Dado que si se conoce por que la compañía
especificó que eran 15 gramos, se eligió una prueba Z.
6. Establezca los valores críticos que dividen las regiones de rechazo y no

rechazo. Una vez especificadas las hipótesis nula y alternativa y determinados el
nivel de significancia y el tamaño de la muestra, se pueden encontrar los valores
críticos para la distribución estadística 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 estadístico Z se refiere a la distribución normal estándar.
7. Recopile los datos y calcule el valor muestral del estadístico de prueba

adecuado.
Realice una toma de datos (determinación) y calcule la X media = ....... gramos,

entonces y obtenga el valor Z = + ...........
8. Determine si el estadístico de prueba está en la región de rechazo o de no

rechazo. El valor calculado del estadístico de prueba se compara con los valores
27
críticos de la distribución muestral apropiada para determinar en qué región se

encuentra.
En este caso, . Z= +...... está en la región de rechazo o no rechazo porque - 1.96 <
Z == +.... < + 1 .96.
9. Tome una decisión estadística. Si el estadístico dé prueba está en la región de

no rechazo, la hipótesis nula, Ho no se puede rechazar; si el estadístico de prueba
está en la región de rechazo, la hipótesis nula se rechaza.
10. Exprese la decisión estadística en términos de una situación particular.
De ser afirmativa la diferencia entre las cantidades, que acción correctiva

propondrías y aplicarías?
Error experimental
En todo proceso experimental se presentan dos clases de variaciones: la variación

inherente al material experimental, al que se aplican los tratamientos y la que
proviene de la falta de uniformidad en la realización física del experimento o
variaciones externas a la experimentación (como las ambientales, etc) que tienden
a enmascarar el efecto de los tratamientos.
Para expresar estas variaciones ajenas a los tratamientos los estadísticos aplican
el término error experimental; término que no quiere decir equivocación, sino que
incluye todo tipo de variación externa ajena al material experimental.
Este error experimental es la medida de variación que existe entre las

observaciones de unidades experimentales en el mismo tratamiento, es decir, la
variación no proveniente de los tratamientos.
Para los fines de cálculo en las ecuaciones se expresa con la letra 
Errores tipo I y tipo II. (8)
28
Cuando se contrastan o se prueban las hipótesis se pueden cometer dos tipos de

errores por los siguientes motivos:
 La prueba de hipótesis comienza con una suposición, llamada hipótesis,
que hacemos con respecto a un parámetro de población.
 Después recolectamos y clasificamos los datos, aplicamos la estadística
seleccionada a las muestras y usamos esta información para decidir qué
tan probable es que sea correcto nuestro parámetro de población acerca
del cual hicimos la hipótesis.
 Debemos establecer el valor supuesto (hipotetizado) del parámetro de
población antes de comenzar a tomar la muestra.
 La suposición que deseamos probar se conoce como hipótesis nula, y se
simboliza por H0.
 Siempre que rechazamos la hipótesis, la conclusión que sí aceptamos se
llama hipótesis alternativa y se simboliza por H1.
*** El rechazo de una hipótesis nula cuando es cierta se denomina error de tipo
I, y su probabilidad (que es también el nivel de significancia) se simboliza como
 . ***
*** El hecho de aceptar una hipótesis 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 sólo si

deseamos incrementar la probabilidad de cometer el otro tipo de error.
Con el propósito de obtener una (probabilidad)  baja, tendremos que tolerar una
probabilidad  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 más recomendadas para disminuir el error son:
En toda marcha experimental que se realice se debe
a) Utilizar unidades experimentales muy uniformes, como materias primas

homogéneas, procesos, densidad de muestras, etcétera.
b) Tamaño adecuado de la unidad experimental.
e) Eliminación de la competencia entre tratamientos.
d) Distribución adecuada de los tratamientos mediante sorteos (azar).
e) Usar el número adecuado de repeticiones para cada tratamiento.
29
f) Poner todos los tratamientos en igualdad de condiciones, de manera que si

alguno es superior a los demás, se pueda probar.
Lección 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 estudió primero, en 1890. Student en realidad era un
matemático llamado William Gosset, empleado por la Cervecería Guiness, quien
se vio obligado a usar el pseudónimo de Student, debido a que por política de la
compañía se tenía prohibido a los empleados publicar sus investigaciones.
Gosset descubrió que cuando una observación procede de una distribución

normal, las medias se distribuyen de manera normal, sólo sí se conoce la
verdadera desviación estándar de la población.
La prueba de t se emplea mucho en todas las áreas de la ciencia.
La distribución de t, es similar a la distribución de z la cual se explicó en numeral

anterior y, uno de sus mayores usos, es responder a interrogantes de
investigación sobre medias y cuando se desconoce la verdadera desviación
estándar.
Ecuación 1
S, es la desviación estándar
30
Para usar una prueba t con una muestra, se supone que los datos numéricos se
obtienen de una manera independiente y representan una muestra aleatoria de
una población que sigue una distribución normal.
En la práctica, se ha encontrado que siempre que la muestra no es muy pequeña

y la población no tenga un sesgo grande, la distribución t proporciona una
aproximación a la distribución muestral de la media cuando (sigma) no se conoce.
Ejercicio resuelto-ver ejemplo en el apéndice 1.
Prueba de t para la diferencia entre dos medias
El cálculo de la prueba de t para la diferencia entre dos medias se realiza con
Ecuación 2 y Ecuación
3
S2p = varianza combinada
X1,2 = medias de la muestra tomadas de las poblaciones respectivamente
S1,2 = varianzas de la muestra tomadas de las poblaciones respectivamente
Ejercicio resuelto
Lección 3: Análisis de varianza-ANDEVA
Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) el
análisis de varianza fue ideado por Sir Ronald Fisher en 1925, de gran aplicación
cuando en una investigación se tiene el propósito de corrobar por medio del
31
análisis estadístico los efectos de uno o más factores sobre el comportamiento de

una característica o variable dependiente.
El ANAVA (Analysis of variance) o Anova; es una técnica estadística que sirve

para analizar la variación total de los resultados experimentales de un diseño en
particular, descomponiéndolo en fuentes de variación independientes atribuibles a
cada uno de los efectos en que constituye el diseño experimental, compara dos o
más medias.
Esta técnica tiene como objetivo identificar la importancia de los diferentes

factores ó tratamientos en estudio y determinar cómo interactúan entre sí.
El ANOVA es una prueba semejante a la prueba t de Student, en cuanto a la

práctica, pero la comparación entre grupos no es a través de la media y su
desviación estándar, sino a través de la varianza de la variable numérica “y”, en
cada grupo de la variable categórica “x”.
Básicamente el análisis de Varianza, se utiliza para corroborar si la significación

de diferencias entre medias de dos o más grupos, son o no debidas al azar.
La cifra estadística obtenida con el ANOVA es la razón F.
F= Estimación entre los tratamientos / Estimación 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 variación 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.
32
Los grupos se definen como en la prueba t eligiendo una variable categórica. La

variable a analizar debe ser numérica y de distribución simétrica.
Bases del análisis de la varianza.
Los supuestos que validan el análisis varianza son:
a. Los errores son independientes
b. Los errores están normalmente distribuidos con media cero y varianza constante
c. Existe homogeneidad de varianza entre los tratamientos.
Supónganse k muestras aleatorias independientes, de tamaño n, extraídas de una
única población normal. A partir de ellas existen dos maneras independientes de

estimar la varianza de la población (S2)
1) Una varianza dentro de los grupos (ya que sólo contribuye a ella la varianza dentro
de las muestras), o varianza de error, o cuadrados medios del error, y
habitualmente representada por SCError (Mean Square Error) que se calcula como
la media de las k varianzas muestrales (cada varianza muestral es un estimador
centrado de S2 y la media de k estimadores centrados es también un estimador
centrado y más eficiente que todos ellos).
SCError es un cociente: al numerador se le llama suma de cuadrados del error y se

representa por SCE y al denominador grados de libertad por ser los términos
independientes de la suma de cuadrados.
2) Otra llamada varianza entre grupos (sólo contribuye a ella la varianza entre las
distintas muestras), o varianza de los tratamientos, o cuadrados medios de los
tratamientos y representada por SCtrat o MSB (Mean Square Between).
33
Se calcula a partir de la varianza de las medias muestrales y es también un

cociente; al numerador se le llama suma de cuadrados de los tratamientos (se le
representa por SCtrat) y al denominador (k-1) grados de libertad.
SCtrat y SCError , estiman la varianza poblacional en la hipótesis de que las k

muestras provengan de la misma población.
La distribución muestral del cociente de dos estimaciones independientes de la

varianza de una población normal es una razón con distribución F con los grados
de libertad correspondientes al numerador y denominador respectivamente, por lo
tanto se puede contrastar dicha hipótesis usando esa distribución.
Variación total = Variación dentro de los tratamientos+ Variación entre los

tratamientos
Suma de cuadrados total = Suma de cuadrados dentro+Suma de cuadrados entre
Variación total =
Tabla 3. Ejemplo de un reporte del análisis de varianza
Fuente de Grados SC CM F0 p-valor

variación de Suma de Cuadrados Razón
Libertad cuadrados medios F
Entre k-1 SCtratamient SCtrat /(K-1) SCtrat/ P (F>F0

Tratamientos SCME )
Dentro del Error N-k SCE SCE /(N-K)
Total N-1 SCT SCTotal / (KN

- 1)
34
K= Numero de tratamientos o niveles o grupos del factor de interés
N= Número total datos reportados
n = Número total de datos por grupo
Ejemplos de resolución de ANAVAS o ANOVAS se realizaran en capítulos

siguientes y apéndices al final del mòdulo.
Los grados de libertad son uno menos que el número de observaciones para cada
fuente de variación.
Lección 4: Prueba de diferencia significativa mínima (DSM) de Fisher
Diferencia mínima significativa (LSD). Es la diferencia mínima que debe haber

entre dos medias muéstrales para poder considerar que dos tratamientos son
diferentes.
Discusión
Cuando para un diseño experimental se rechaza la hipótesis de igualdad entre los

tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre sí.
Para averiguarlo se emplean los métodos de comparación de medias, uno de

estos métodos (formulas) es el LSD o (DMS) o diferencia minina significativa. Esta
debe ser utilizada solo para comparar medias adyacentes en un arreglo ordenado,
aunque también se puede emplear para comparar las medias con un testigo o
tratamiento estándar.
La DMS es una prueba de t de Student que utiliza la varianza combinada.
Ecuaciòn 4 …………..t=
35
Ecuaciòn 5………….Sd
r = Número de repeticiones
CME = Cuadrado medio del error Ecuación 5
El valor de t se toma de la tabla de los apéndices 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 fertilización en la altura de
arboles de una especie forrajera, obteniéndose los siguientes resultados.
Tabla 4, Tratamientos de experimento sobre fertilización
Tratamiento IBIOM (cm3)

Media CV (%)
T1 1064 a * 93
T2 1838 a * 60
T3 1886 a * 61
Diferencia Mínima Significativa DMS 962 cm3
36
Los valores acompañados por igual letra no presentan diferencias

estadísticamente significativas al 95% de confianza.
X1 X2 X3
X1 - 1064 - 1838 1064-1886
X2 - - 1838-1886
X3 - - -
Lección 5: Modelo estadístico
La finalidad de una serie de experimentos es determinar un modelo estadístico

que refleje la creencia respecto a la relación entre los tratamientos y las
observaciones.
Cada resultado del experimento si este se repite n veces, está determinado por la
media general y el efecto del tratamiento.
La identificación de este fenómeno y la comprobación de las suposiciones se

hacen en el momento de proponerlo basándose en el siguiente modelo
matemático:
Modelo matemático Ecuación 6
En donde
i= 1,……., k numero de tratamientos
37
j=1,…., r número de repeticiones
u= promedio de todas las unidades experimentales del experimento = o según el

caso.
i = la diferencia entre el promedio (  i) y el resultado cuando se tiene la

combinación de factores determinada por el tratamiento i.
Como hay variaciones no controlables, la inexactitud de las mediciones,

conforman un factor llamado error experimental ( ). 
El modelo finalmente se expresa como:
Ecuación del Modelo estadístico 7
Análisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hipótesis.
Cuando la hipótesis se refiere a los parámetros del fenómeno se convierte

entonces en hipótesis estadística como la variabilidad del clima, de una
temperatura en un proceso así se disponga de métodos de medida con bastante
precisión 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 estadística para

minimizarlo y probar las hipótesis con un grado importante de certeza.
El análisis de covarianza es un procedimiento muy importante en experimentación

para la verificación de las hipótesis, pero lamentablemente no se usa con
frecuencia.
El análisis de covarianza permite realizar ajustes con las respuestas de las

unidades experimentales en las que se varía 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 así el efecto de ese factor.
El análisis de covarianza entre muchas utilidades, se puede,utilizar también para

ajustar las respuestas de las unidades de experimentación de promedios de dos o
mas factores variables denominadas covariables.
38
Utiliza el análisis de varianza y el de regresión para eliminar la variabilidad que

existe en la variable independiente X; también ajusta medias de tratamiento y así
estima mucho mejor el efecto de la variable independiente X sobre la variable
dependiente Y.
La variable independiente X es una observación 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 variación 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 análisis 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 estadístico, definir claramente la población objeto de

análisis.
 Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
 Especificar qué se va a medir, las unidades a usar y la forma de registro.
Ecuación de Modelo estadístico 7
Análisis de Covarianza.
Lo que se busca en cada, experimento es la veracidad de una hipótesis.
Cuando la hipótesis se refiere a los parámetros del fenómeno se convierte

entonces en hipótesis estadística como la variabilidad del clima, de una
39
temperatura en un proceso así se disponga de métodos de medida con bastante

precisión 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 estadística para

minimizarlo y probar las hipótesis con un grado importante de certeza.
El análisis de covarianza es un procedimiento muy importante en experimentación

para la verificación de las hipótesis, pero lamentablemente no se usa con
frecuencia.
El análisis de covarianza permite realizar ajustes con las respuestas de las

unidades experimentales en las que se varía 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 así el efecto de ese factor.
El análisis de covarianza entre muchas utilidades, se puede ,utilizar también para

ajustar las respuestas de las unidades de experimentación de promedios de dos o
mas factores variables denominadas covariables.
Utiliza el análisis de varianza y el de regresión para eliminar la variabilidad que

existe en la variable independiente X; también ajusta medias de tratamiento y así
estima mucho mejor el efecto de la variable independiente X sobre la variable
dependiente Y.
La variable independiente X es una observación 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
40
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 variación 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 análisis 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 estadístico, definir claramente la población objeto de

análisis.
 Si se trabaja con muestras, definir las condiciones que deben reunir antes
de extraerlas.
 Especificar qué se va a medir, las unidades a usar y la forma de registro.
CAPITULO 3-U_1
CAPITULO 3: TIPOS DE DISEÑO EXPERIMENTALES
Para dar solución al gran número de situaciones y problemas

teóricos prácticos que se presentan en la ingeniería y en otras actividades
profesionales se han propuesto un buen numero de diseños experimentales
cantidad que hacen necesario saber elegir el más adecuado para la
situación que se quiere resolver, de allí que es conveniente conocer su
clasificación de acuerdo a su alcance dentro del objetivo en propuesto.
Definiciones
Clasificación: de acuerdo con su objetivo y su utilización, sin pretender ser
exhaustivo, los diseños se pueden clasificar como:
1. Diseños para comparar dos o más tratamientos.
41
2. Diseños para estudiar el efecto de varios factores sobre la(s) respuesta(s). 3.

Diseños para determinar el punto óptimo de operación de un proceso.
4. Diseños para la optimización de una mezcla.
5. Diseños 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 continuación:
Diseño Completo al Azar, Diseño de Bloques Completos al azar, diseño de Cuadro

Latino, diseño de Cuadro Greco Latino, diseño factorial 2K, diseños factoriales 3K
LECCIONES-C_3-U_1
Lección 1: El uso de las computadoras y software especializado
El uso de las computadoras y software especializado
Los primeros usos del software estadístico en la enseñanza de la estadística han

sido la presentación de "output" impresos a los alumnos para interpretar
resultados.
La simulación es un ejemplo de cómo utilizar el computador en la estadística

aplicada. Existen software que simulan sistemas físicos, sociales o empresariales.
Uno de las más 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 áreas de análisis multivariado fueron las más beneficiadas por el uso de la
computadora. Las técnicas a utilizar no se ven limitadas a pesar de que el número
42
de variables sea considerable, ya que los problemas de cálculo se minimizan.

Tampoco los gráficos resultan un escollo. Algunos profesores, en ausencia de
impedimentos de cálculos, le piden al alumno que aplique tales o cuales métodos,
incentivando de esta forma la destreza en el uso del software (y el conocimiento
de muchas de sus variantes). Sin embargo, no hay una enseñanza orientada a la
resolución de problemas (porque no se ha planteado un problema) sino a la
aplicación de técnicas estadística sin un claro objetivo.
Paradójicamente, el uso de la computadora ha generado nuevos problemas. Uno

de ellos es que se corre el riesgo de desarrollar análisis que constituyen sólo un
ejercicio de uso de software, sin dedicar el suficiente tiempo a analizar la
coherencia y lógica detrás de los mismos.
Algunos ejemplos son:
 Determinar medias y desviaciones estándar de variables con escala

nominal, debido a que en la tabla de datos figuran códigos numéricos de las
distintas categorías.
 Calcular la media y el desvío estándar de los números que identifican cada
formulario.
 Asignar un número a cada individuo según el orden que ocupa, y concluir
que su distribución es simétrica.
Cuando los cálculos llevaban mucho tiempo, se debía pensar si era necesario
realizar tal operación. Ahora que los cálculos no son obstáculo, muchas veces no
se piensa qué es lo que se está haciendo. El momento de reflexión se realiza
después de la etapa de cálculo y no antes. Ahora se dedica tiempo y esfuerzo en
descartar análisis e indicadores sin sentido.
Los Software estadísticos que facilitan una variedad de técnicas estadísticas

descriptiva e inferencial, poco a poco, están cambiando la enseñanza de esta
disciplina. Ya no es necesario concentrarse mucho en el manejo de fórmulas
engorrosas. Esto puede conducir, a pretender el mismo objetivo que antes pero
43
demorando menos o a usar la computadora para potenciar las posibilidades de la

enseñanza de estadística. Nuestra opinión es que si bien las opciones anteriores
no son excluyentes, se debe insistir más en el sentido de las técnicas, en su
aplicación apropiada y en la buena interpretación de los resultados.
Un uso de la planilla electrónica que recomendamos especialmente es su

aplicación para comprender la relación entre el coeficiente de correlación lineal de
Pearson y el diagrama de dispersión. La planilla electrónica permite observar en
forma simultánea los efectos que provoca la modificación de algún dato en el
diagrama de dispersión y en el coeficiente de correlación.
La enseñanza de la práctica de la estadística debería basarse en la resolución de

estudios de casos. El software adecuado podría apoyar cursos basados en el
estudio de casos, para presentar problemas prácticos que requieren:
1. La formulación de hipótesis
2. La recolección de datos
3. La comprobación de hipótesis
4. La comunicación de resultados e ideas
Además, ayudan a cambiar el énfasis 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 investigación donde deban recolectar datos, se
plantea el problema de cómo organizar luego la tabla de datos. Proponemos incluir
en los cursos un capitulo dedicado a la creación de estas tablas.
De los programas adecuados para el manejo, el procesamiento y análisis de datos

citamos los siguientes:
EXCELL, SPS, MINITAB, SAS, STATISTICAL y otros.
44
STATGRAPHICS, CURVE EXPERT; etc. sin embargo con la utilización de una

calculadora también es posible la realización de la gran mayoría de las
operaciones involucradas en el procesamiento de los datos.
Figura 5. Portada del programa Statgraphics
* Se le asigna el nombre de hoja de cálculo a un hoja que esta divida en renglones

y columnas, al cruce de ellos se le denomina celdas sobre las cuales se almacena
información (letras o números) que podemos usar para realizar operaciones, tales
como sumas, restas, multiplicaciones, divisiones, cálculos financieros,
estadísticos, de ingeniería, amortizaciones, etc.
 Revisar los enlaces de Apendices 1_Repaso a la estadistica en la

página del curso.
Lección 2: Diseños unifactoriales
De Montgomery (1991) y Cochran & Cox (2001) extractanos que:
45
Los experimentos de una variable se realizan para averiguar cómo una variable
experimental afecta una o más 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.
Diseñó de experimentos sin bloquear.
A estos experimentos algunos autores (Montgomery, 1991 y Cochran & Cox,

2001) los denominan diseño totalmente aleatorizado o completamente al azar, es
el diseño más simple y se usa cuando las unidades experimentales son
homogéneas, tienen las mismas posibilidades de recibir cualquier tratamiento y la
variación entre ellas es muy pequeña.
Como en los experimentos de laboratorio, de invernadero en experimentos en

donde las condiciones ambientales son controladas, en algunos casos este diseño
necesita solo una replica con un solo criterio de clasificación.
Por lo tanto:
1. Es fácil de planear.
2. Es flexible en cuanto al número de tratamientos y repeticiones, el límite está

dado por el número de unidades experimentales en general.
3. No es necesario que el número de tratamientos sea igual al número de

repeticiones.
4. No se estiman unidades o muestras perdidas.
5. El número de grados de libertad para el error aumenta por no tener muchas

restricciones.
46
Las desventajas del diseño completamente al azar son:
experimental incluye la variación total entre unidades experimentales.
 El análisis de varianza para el diseño completamente al azar se muestra en

las tablas 25 y 26.
Procedimiento estadístico para la comprobación de hipótesis en un diseño al

azar.
El procedimiento a seguir es común y debe ser acorde con lo planteado en la

siguiente tabla.
Tabla 6. Procedimiento estadístico para la comprobación de hipótesis

INFORMACION RECOPILADA SOBRE LA OPERACIONES
RESPUESTA A LOS TRATAMIENTOS ARITMETICAS A
DESARROLLAR PARA EL
CALCULO DEL ANAVA
OBSERVACIONES A B C 1. = suma de
F1A1 F1B1 F1C1 cuadrados de todas
F2A1 F2B1 F2C1 las observaciones

2. Suma de los datos
F3A1 F3B1 F3C1
3. Número total de
Total por mediciones
tratamiento 4. Media de los datos
Numero de datos n N n 5. Efecto del método
por tratamiento = Y observada - Y media
Media por
tratamiento
Gran media
47
Suma de SCT
cuadrados totales
Suma de SCt
cuadrados de los
tratamientos
Y el ANAVA en la siguiente tabla
Tabla 7. Análisis de varianza para los tratamientos con un solo factor, en un

diseño totalmente aleatorizado o completamente al azar.
Fuente de Grados de SC CM F0 p-valor
variación Libertad
Suma de Cuadrados Razón
cuadrados medios
Tratamientos k-1 SCtrat SCtrat /(k-1) SCtrat / CME P (F>F0 )
Error N-k SCE SCE /(N-k)
Total N-1 SCT SCMT / (kn -1)
k= Numero de tratamientos o niveles o grupos del factor de interés
N= Número 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. Recopilación y presentación de los resultados de los tratamientos, en un

diseño totalmente aleatorizado o completamente al azar.
NIVEL 1 2 3
A F1A1 F2A1 F3A1
48
B F1B1 F2B1 F3B1

C F1C1 F2C1 F3C1
D F1D1 F2D1 F3D1
E F1A1 F2A1 FjeAJ
F1A1 hasta FJEAJ son los análisis o las muestras recolectadas o tomadas
Para aclarar el concepto del procedimiento que se sigue revisemos el apéndice 2.
Lección 3: Diseños de bloques completos al azar
El objetivo del diseño de bloques completos al azar (DBCA) es reunir las unidades
experimentales a las cuales se aplicaran los tratamientos, en bloques de cierto
tamaño, de tal modo que los tratamientos se efectúen dentro de cada bloque, la
variabilidad entre unidades experimentales de bloques diferentes será 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 diseño y
forma parte del error experimental. De acuerdo con esto, es fácil observar que la
variabilidad entre bloques no afecta las diferencias entre medias de tratamientos,
porque en cada bloque aparece una vez por tratamiento y así los bloques y
tratamientos son ortogonales.
En este diseño el material experimental es dividido en grupos de unidades

experimentales (UE) lo más homogéneas posible. Cada uno de los grupos es una
sola prueba o repetición.
El objeto en todas las etapas del experimento es de mantener el error

experimental dentro de cada grupo tan pequeño como sea posible en la práctica.
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.
49
Fuentes de variabilidad.
En este diseño (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 están completos
Ventajas
Las principales ventajas de bloques al azar son las siguientes:

1. Por medio de la agrupación comúnmente se obtienen resultados más
exactos que cuando se usan diseños completamente al azar.
2. Puede incluirse cualquier numero de repeticiones.
El análisis estadístico 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
combinación específica de las medias de los tratamientos.
4. Ningún otro diseño se usa tan frecuentemente como los bloques al azar.
Aleatorizacion.
La aleatorización 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 estadístico para la comprobación de hipótesis en un diseño

de bloques completos al azar.
50
El procedimiento a seguir es común y debe ser acorde con lo planteado en la

siguiente tabla.
Tabla 9. Recopilación y presentación de los resultados de los tratamientos, en un

diseño de bloques completos al azar.
BLOQUES
Tratam B1 B2 B3 B4 Y i.
r1 XT1B1 XT1B2 XT1B3 XT1B4
Y.j B1 B2 B3 B4
ANOVA para un diseño en bloques completos al azar (DBCA) (Varios autores)
La metodología de análisis a emplear es el ANOVA a dos criterios de clasificación.

En este caso, el análisis de varianza particiona la variabilidad total de la
información 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 hipótesis nula depende del valor del estadístico F:
F = (S. C. de Tratamientos / t - 1) / (S. C. del Error / (t - 1) (r - 1)) Ecuación 8
Comparación de medias de tratamiento en el diseño de bloques completos al

azar (BCA)
51
Cuando para este diseño se rechaza la hipótesis de igualdad entre los

tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre sí.
Para averiguarlo se emplean los métodos de comparación de medias, uno de

estos métodos (formulas) es el LSD diferencia mínima significativa (Ecuación 9) en
donde se sustituye el numero de replicas por el numero de bloques, y también 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.
Ecuación 9
El valor de t se toma de las tablas de la distribución T de Student con N-K grados

de libertad del error.
Ejemplo de bloques completos al azar (BCA) (Varios autores). Revisemos el

apéndice 2.
Lección 4: Diseño 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 agronómico, especialmente en los casos de suelos con
tendencias en fertilidad en dos direcciones.
Diseño que contempla el control de dos factores de bloque, además del factor de
tratamientos y los tres factores tienen la misma cantidad de niveles.
52
Considerándose 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 sólo
una vez en cada fila y una sola vez en cada columna (Latin square design). El
interés se centra en un solo factor, los tratamientos, pero se imponen dos
restricciones a la aleatorización en un cuadro como el ejemplo de la tabla del
siguiente numeral.
Formación y tabulación 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 típicas o estandar (en la primera fila y en la primera
columna se tiene la misma distribución).
Tabla 10. Recopilación y presentación 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 diseño de este tipo sólo es posible cuando el número de niveles de ambas

restricciones sea igual al número 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 (diseño por
53
bloques) o aleatorizado bajo la condición de “equilibrio” requerida para un

cuadrado latino. Designemos los tratamientos por T1 ,T2 y T 3 . Una asignación
equilibrada respecto al orden de administración puede ser
Arreglo de los datos en un diseño de Cuadro latino.
Para facilitar el entendimiento de este diseño 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 1 A=Yl1l B=Y221 C=Y331 D=Y4411 … F=YjJ1 Yi..1
I B=Y212 A=Y1j2
2 C=Y322 D=Y432 E=Y442 …. Yi..2
C=Y313 B=Y2j3
D=Y423
D=Y414
3 A B =Y443 … Yi..3
C=Y3j4
F =Y524 =Y533
…..
4 A=Y544 .. Yi..4
…
A=Y12f F=Y634
.....
. C=Y34f …. Yi..,,
…
B=Y23f
F=Yf1f
. … Yi..f
J=YJjf
f
Yj.. Y1.. Y2.. Yj.. Yj.. Ynj.. Yj.. <!--[if
!supportMisalignedColumns]-
->
La elección del cuadro latino se realiza antes de la obtención de los datos.
Procedimiento estadístico para la comprobación de hipótesis en un diseño de

bloques en cuadro latino.
Ver apéndice 3.
54
Lección5. Diseño en cuadro greco latino

Cuando se tiene un cuarto factor de bloque a controlar activamente en el diseño
de cuadro latino como por ejemplo si en el ejercicio del numeral 1.19.5 se decide
considerar el sitio de realización del experimento o la procedencia de un
ingrediente para el producto considerado.
Este diseño se denomina cuadro greco latino (DCGL), en el cual los niveles de el
nuevo factor se denotan por las letras griegas a; representándose los tratamiento
con las letras latinas A, B, C y D.
En el diseño en cuadrado greco-latino se superponen dos cuadrados latinos,
resultando el siguiente modelo matemático:
Yijl     i   j   l  k   ijl Ecuación 10
i= 1,……., l numero de tratamientos

j=1,…., b numero de bloques
 i = efecto debido al bloque 1
 j = efecto debido al bloque 2
 l = efecto debido al tratamiento
l  cto debido al tratamiento 2   l ,  , ,  
El inconveniente de este modelo es que su utilización es muy restrictiva. Además
pueden no existir cuadrados greco latinos de determinadas condiciones.
Formación y tabulación de los datos experimentales en un cuadrado greco

latino.
Tabla 12. Arreglo de los resultados de los tratamientos, en cuadro Greco-Latino.
BLOQUES II
55
Y ..k
1 2 3 4 Yi…
1  A=Yl1l  B=Y2  C=Y331  D=Y44 F=YjJ1

 B=Y21 11 A=Y1j2
BLOQUES I 2 2
 D=Y43 B=Y2j3
B
 C=Y313  C=Y3
2
Y i.. 3 2
C=Y3j4
 D=Y41 22 A =Y443
4
 D=Y =Y533  A=Y54 …
4
. 42
 B=Y23f
4 …
.  A=Y1
 C=Y34f J=YJjf
2f
f
Y…l
Procedimiento estadístico para la comprobación de hipótesis en un diseño

de bloques en cuadro greco latino.
El procedimiento a seguir esta planteado en el apéndice 4.
ANAVA para el diseño grecolatino.
Tabla 13. ANOVA para el diseño de cuadro greco latino*
FUENTES DE SUMA DE GRADOS CUADRADOS

VARIABILIDAD CUADRADOS DE MEDIOS Fo P-value
LIBERTAD
Tratamientos SCtratlatin k-1 CMtratalatin Ftralat = P (F >

Letra latin CMtratlatin/ Fa)
56
CMEr
Renglones SCrenglo k-1 CMrenglo Fre = P(F > Fa)

CMrenglol
/CMEr
Columnas SCcolumn k-1 CMcolumn F colmn= P(F > Fa)

CMcolumn/CM
Er
Tratamientos SCtratgiega k-1 CMtaratgriega Ftratlgrieg=CM P (F >
Letra griega taratgriega Fa
Error SCE (k - 2)(k -1) CMErr
Total SCT k2 - 1
*Tomado de Gutierrez, H, et all. Análisis de experimentos. Capítulo Cuatro 132
SCT = SCtrat + SCBl + SCB2 + SCE Ecuación 11
y los grados de libertad correspondientes son
k2 -1 = (k -1) + (k -1) + (k -1) + (k - 2)(k -1) Ecuación 12
57
UNIDAD DOS: DISEÑOS FACTORIALES y 2K
CAPÍTULO 4. Diseños factoriales
Lección 1: Definiciones básicas.
Lección 2: Experimento factorial o mover un factor a la vez
Lección 3: Diseño factorial con dos factores
Lección 4: Diseños factoriales con tres factores
Lección 5: Diseños factoriales generales
CAPÍTULO 5. DISEÑOS FACTORIALES 2K
Lección 1: Diseño 22.
Lección 2: Diseño 23 .
Lección 3: Diseño 2k
Lección 4: Diseño experimental de Placket Borman
Lección 5: Otros diseños experimentales
CAPÍTULO 6. SUPERFICIES DE RESPUESTA
Lección 1: Introducción y el significado de la regresión y

suposiciones básicas
Lección 2: Estimación por mínimos cuadrados
Lección 3: Propiedades generales de los estimadores de mínimos

cuadrados
Lección 4: Introducción a las superficies de respuesta
Lección 5: Ejemplo de cálculo de las superficies de respuesta
Esta unidad se entregara acorde con la agenda del curso.
58
Apéndices
En los siguientes apéndices-ejemplos resueltos de diseños experimentales

encontraras cuatro ejercicios para analizarlos y tenerlos de guías para los trabajos
colaborativos a realizar.
59
APENDICE 1
Repaso de la estadística aprendida en cursos anteriores
Recientemente un instituto de certificación de normas técnicas realizo una

investigación sobre la composición bromatológica 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

árboles, en tres épocas de cosecha diferente pero consecutiva, procesaron el
material y determinaron algunas propiedades físico-químicas, reportada en la tabla
1.
Tabla 1. Composición química de harinas de plátano, de ocho localidades

diferentes (%)**
Característica/procede Humedad Ceniza grasa Proteína Almidón Fibra

ncia
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 numérico del ejercicio
Características/pro Humedad ceniza grasa proteína Almidón fibra total Media

cedencia
Harina de platano- 13.1 3,6 1.2 21,3 60,8 3,9 103,9 17,31
5
Harina de platano- 12.2 2 1.5 8 73 4 100,7 16,78
6
Harina de platano- 12.1 3,5 18 78,5 4,5 116,6 19,43
7
60
TOTAL 37,4
GRAN MEDIA 12,5
a) Describa detalladamente el diseño del experimento que programaron

los profesionales a cargo del proyecto. Se deben identificar los
elementos que intervienen en el estudio experimental.
Rta: Es un diseño completamente al azar. Se trata de un experimento de

una variable (en este caso la localización). En el cual se pretenda medir su
efecto sobre el contenido químico (bromatológico) de las muestras tomadas
(tres por cada localidad) y partir de los resultados generados y que se
presentan en la tabla 1, realizar los análisis respetivos.
Los elementos que intervienen en el diseño experimental son: Las
ocho localidades (variables), las unidades de análisis u observación objeto
de la evaluación (planta de plátano) las personas que toman los datos, el
laboratorio donde se hace los análisis y quien organiza, procesa y e
interpreta los datos.
b) Se podría asociar un modelo matemático a la experimentación
desarrollada?
No; no se hablo de tratamiento.
Ho: *=
Ha: al menos una humedad es diferente de las demás.
C) El número de muestras fue apropiado? Justifique su respuesta atreves de

una formula.
Para obtener el tamaño de la muestra de una población determinada se

requiere tomar en cuenta los siguientes factores:
1- El tiempo y los recursos disponibles.
2- Las técnicas de muestreo.
3- Las técnicas de análisis de datos.
4- La estimación de la varianza.
5- El margen de error máximo posible.
6- El nivel de confianza.
Esta fórmula se utiliza cuando se desconoce el tamaño de la población.
61
n=
n = tamaño de la muestra.
Z= intervalo de confianza.
E= error de muestreo aceptable.
=desviación estándar.
Entonces tenemos:-intervalo de confianza=98%
Error de muestreo aceptable=2%
Desviación estándar= para calcular.
Calculo de desviación estándar: La desviación estándar corresponde a
la raíz cuadrada de la variación(S).
*Cálculo del número de muestras: Utilizando los tres valores correspondientes al

resultado de la humedad (13,1-12,2-12,1)
VARIANZA:
Desviación estándar:
S= =0,54
Aplicamos la fórmula para calcular el número 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:
62
DESVIACION ESTANDAR:
S= =2,3
Aplicando la fórmula para obtener el número de muestra tenemos:
n= =
d) ¿Qué tipo de información grafica se podría construir con los datos tomados?
-Podríamos generar un diagrama de columna agrupada para representar cada

característica Bromatológica de las tres harinas de plátano que elegimos.
-
también podemos representar la gran media de las tres harinas en sus
63
características bromatológicas atreves de un diagrama
circular.
e) Determine el intervalo de confianza para la proporción de varianza de una de

las propiedades determinadas
Tabla de valores de Z de los diferentes niveles de confianza
Nivel de
99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
Confianza
Valores
3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745
de Z
El nivel de confianza aquí es de 98% y si nos fijamos en la tabla podemos

ver que es de 2.33
f) ¿Se podría concluir que existen diferencias significativas entre la harina

proveniente de las diferentes localidades?
Sustente sus conclusiones utilizando un método estadístico de comparación

apropiado por ejemplo Duncan y Tukey.
PRUEBA DE TUKEY:
64
Se realizan comparaciones múltiples que son posibles con t tratamientos. Para

esto se procede a aplicar la siguiente ecuación: DMS= EE.
DONDE q es el valor que se encuentra en las tablas de Tukey con el número de

tratamientos, los grados de libertad del error y el nivel de significancia deseado.
El método 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, después a la siguiente mayor le restamos las
demás medias y así 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 estadísticamente .
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 Tabulación.
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
65
CONCLUSIÓN: 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.
66
Apéndice 2
Aplicación práctica
Experimentos sin bloquear - Diseño totalmente

aleatorizado o completamente al azar
Ejemplo
Se quiere mejorar las propiedades de transportabilidad, manejo y presentación de

las rosquillas elaboradas por una panificadora, para tal efecto de determinara el
efecto que sobre la dureza de estas tiene la incorporación de tres aditivos en la
misma proporción; los aditivos se incorporaran individualmente en la masa
elaborada (amasijo).
Diseño experimental totalmente aleatorizado
Rosquillas
3 1 8 5 4 2 6 7
9
Ingrediente A Ingrediente B Ingrediente C
Figura 12. Diagrama de flujo para la producción de rosquillas a partir de una masa
estandarizada.
Para el estudio los investigadores emplearon un diseño de experimentos completo

al azar o sin bloquear-simple y balanceado por que todos los tratamientos tienen el
mismo número de datos.
67
Hipótesis de investigación: La hipótesis planteada es que al menos uno de los

tres ingredientes mejorara la dureza final de las rosquillas.
H0 : U1=U2=U3
Y la hipótesis alterna
HA: U1 # U2 # U3
Diseño del experimento: una masa bien homogénea para la confección 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 asignándole una secuencia de números aleatorios a

las unidades experimentales, utilizando una de las tablas de permutación de
donde se toma una permutación 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 aleatorización hecha.
Tabla 12. De aleatorización 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 evalúa después de seis días de almacenamiento a 10*C.
Tabla 13. Datos obtenidos en la determinación de la dureza para el ejemplo de las

rosquillas.
68
Tratamientos Dureza o variable de respuesta

Determinación Total Media
c/trata
(Und / cmt) miento
Secuencia de 3 7 1
experimentación
Aditivo A 7 9 5 21 7
Secuencia de 5 8 4
experimentación
Aditivo B 10 8 9 27 9
Secuencia de 2 9 6
experimentación
Aditivo C 10 9 12 31 10.33
Gran media 79 8.77
Solución: con los datos de la tabla desarrollamos las siguientes operaciones:
1- Sumamos todos los resultados individuales (determinaciones de la dureza)

o sumatoria total.
n
Yij   y ij  7+9 +5+10+8+9+10+9+12 = 79
j 1
2- Podemos calcular la media por tratamiento y la gran media.

a= número de tratamientos.
r=repeticiones de haberse realizado.
N= total de mediciones-datos (N= anr).
r=1 solo una medida por tratamiento.
Yij1  Yij n
7+9 +5= 21 21/ 3 = 7

69
10+8+9= 27 27/3 = 9
10+9+12= 31 31/3= 10.33
Gran media 79/ 9 = 8.77
n
Y  79 Obsérvese que es igual a Yij   y ij
j 1
3- Elevamos al cuadrado cada uno de los datos u observaciones registradas.

Cada observación de cada tratamiento se eleva al cuadrado.
a n
 
i 1 j 1
yij 2 = {(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
 Y ..2 N  = {(79)2/3x3} = 693.4444
Conocido también como factor de corrección
4- Elevamos al cuadrado la suma horizontal de los tratamientos (hallados en

2) estos valores (cuadrados) para cada tratamiento se suman.
Aplicamos la fórmula para calcular la suma de cuadrados por tratamiento= SCt.
SCtratamientos = [{(21)2+ (27)2 + (31)2}]/3 -- {(79)2/3x3} =
SCtratamientos = {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.
a n
SCTotal    yij 2   Y ..2 N 
i 1 j 1
SCTotal = {(7)2+ (9)2 + (5)2+(10)2 + (8)2+ (9)2+ (10)2+(9)2 + (12)2}- {(79)2/3x3 }=
70
SCTotal = 725 – 693.4444= 31.5556
SCT=SCE+SCt
SCT – SCt = SCE
SCE = 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. Análisis de varianza para evaluar el efecto de los aditivos en la

elaboración de rosquillas.
Grados SC CM F0 p-valor
Fuente de de Suma de Cuadrados Razon
variación Libertad cuadrados medios Ecuac
Ecuac Ecuac Ecuac
Tratamientos 3-1=2 23.5555 11.77775 8.83 0,1004
Error 6 8 1.3333
71
Total (9-1)=8 31.5556 SSTotales / (kn -1)
Como la razón de varianza calculada-8.83 para los tratamientos es menor que la

reportada-propuesta en la tablas de valores criticos de distribución 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: ¿ Cuál de ellos?.
U establecer específicamente cuáles son las medias que difieren entre sí en forma
significativa.
Para el efecto utilizamos los llamados métodos de comparaciones múltiples como

la mínima diferencia significativa (LSD), el método de Tuckey y el método de
Dunnett.
La Diferencia Mínima 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 distribución de t por la siguiente
relación:
to A - Media del tratamiento B = Sd (t)

½
-k
N-K = grados de libertad del error = 6
2
/ n) ) ½ es el error típico de la media
n= 3- número de muestras en experimentación por tratamiento.
-k 1.3333/ 3) ½
S= t -k (0.888888) ½
S= t (0.9428)
t = 2.44 extractado de las tablas de puntos críticos para la

distribución T de Student con los grados de libertad del error.
S = 2.44 (0.9428)
72
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
sí existen diferencias si se comparan medias no adyacentes, en este caso, el
investigador podría optar por otro tipo de prueba de rango múltiple.
Por ejemplo si utilizamos además la prueba de rango múltiple para las rosquillas:
95% LSD, obtenemos los siguientes resultados:
Tabla 15. Análisis de homogeneidad y contraste de las rosquillas.
Tratamiento Muestras Media Homogeneidad Contraste (Diferencia)

del grupo
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 estadísticamente significativa
Comprobando que el tratamiento seleccionado es el que presenta mejores

condiciones para ser aplicado a la rosquilla.
Solución por computadora
Hay muchos paquetes de software de estadística que cuentan con la capacidad

para probar hipótesis estadísticas. SPSS- EXCELL-
73
APENDICE 3
Un grupo de profesionales-del que Ud hace parte, desarrollo un proyecto de

investigación el cual tenía como meta estudiar la composición de amino ácidos de
una alga cultivada en superficie en cuatro sustratos diferentes. Obteniéndose los
siguientes resultados:
Tabla 6. Composición Bromatológica (% Bs) De La Harina De un alga

desconocida. Según Los Sustratos Alimenticios/ **
Sustrato MatSec ProtC ProtV ProS Grasa EB AcGrasS AGI AGP FDN FDI
Tot
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 precisión: las unidades experimentales, los factores, los
tratamientos, las variables y demás características que intervienen en el estudio
que realizo tu equipo de trabajo.
Igualmente te solicitamos que de respuesta a las siguientes preguntas:
a) ¿Qué tipo de diseño siguieron los profesionales a cargo del estudio?
b) Plantee el modelo matemático, justificando su respuesta.
c) Establezca las suposiciones necesarias para el análisis de varianza de los

datos. Realice el análisis de varianza.
d) Pruebe la hipótesis 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 situación experimental para su trabajo disciplinar, se

podría presentar este tipo de análisis. Describa el ejemplo
Desarrollo
74
-Los factores: El alga cultiva en superficie.
-Las unidades experimentales del presente ejercicio son: composición de

aminoácidos de un alga.
-Los tratamientos: los cinco sustratos diferentes.
-Variables: resultados de la composición de aminoácidos.
a) Tipo de diseño: después de analizado este ejercicio parece ser que presenta el
nivel descriptivo ya que describe las características de la composición de
aminoácidos del alga y su comportamiento en los cinco sustratos.
b) El modelo matemático: se va a utilizar el análisis 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 razón de las diferencias observadas, el nivel de margen de error y así mismo
para comprobar la hipótesis que se presenta mas adelante.
c) Análisis de varianza:
Para este ejercicio se trabajara con los siguientes sustratos:
Composición Bromatológica (% Bs) De La Harina De un alga desconocida. Según

dos Sustratos Alimenticios.
Aminoácidos S1 X X2 S2 X X2
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:
75
S1 (total)/ 11(sustratos total)
ẋ = 259,97/11 (sustratos) = 23.633
Sustrato 2:
S2
ẋ = 262,99/11 = 23,908
Media total entre los dos sustratos:
S1 + S2 /22
522,96/22 = 23,770
Suma total de los cuadrados:
Σ xt2 = ΣX2 - (ΣX)2 = 29961 – (522,96)2 = 29961 – 12431,23
------- ------------
N 22
= 17529,77
Suma de los cuadrados entre los dos sustratos:
Σ xb2 = (ΣX1)2 + Σ(X2)2 + ....- (ΣX)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.
Σ xb2 = 17529,77 – 0,41 = 17529,36
76
Sacamos luego un resumen de las varianzas respecto de los dos sustratos S1 y

S2.
Fuente de SS df MS F Nivel de
varianza signo
Suma de 0,41 1 0.41 0,0004677 0,05
los
cuadrados
entre dos
sustratos
Suma de 17529,36 20 876,468
los
cuadrados
dentro de
los
sustratos
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 así:
0,41/1 = 0,41 y 17529,36/20 = 876,468.
d) Hipótesis: no existe diferencias entre las medias de los tratamientos.
Para hallar el producto final, o sea la razón 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 razón F3, con el fin de determinar si esta tiene significancia estadística.
Localizando los grados de libertad entre grupos (numerador) y el número de

grados de libertad dentro de los grupos (denominador), encontramos: los grados
de libertad son 1 y 20, lo cual establece una razón 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 razón F igual o mayor
que la encontrada en la tabla, entonces la diferencia hubiera sido significativa y se
rechazaría la hipótesis nula.
77
f) Y, en que otro tipo de situación experimental para su trabajo disciplinar, se

podría presentar este tipo de análisis: Existen muchas situaciones en la Ingeniería
de Alimentos, donde se presentan estos ejemplos de análisis, por ejemplo: análisis
de porciones con cierta muestras de alimentos, experimentos acerca del empleo
de químicos para alguna prueba de laboratorio, hay mucho ejemplos lo que se
debe tener en cuenta y es muy importante tomar el análisis correcto.
78
Un equipo de ingenieros de alimentos y zootecnistas realizó un experimento, con

el fin de mejorar las condiciones de una dieta para semovientes, agregado dos
complementos alimenticios diferentes a sus ingredientes básicos (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 iníciales (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 continuación,
especifique si es correcto el diseño seguido, de respuesta a las siguientes
inquietudes, realizando y desarrollando los cálculos según el caso.
a. Qué tipo de diseño experimental siguieron los proyectantes? ¿Por qué?
El diseño que siguieron los proyectantes fue el cuadro Greco latino, el cual tiene
las siguientes características:
v Es un diseño con cuatro factores a k niveles
v Se asume que no hay interacciones
v Requiere k2 observaciones
v El diseño factorial completo requiere k4
v Cada nivel de un factor aparece una vez con cada nivel de los otros factores
v Es una superposición de dos cuadrados latinos
Cada letra griega aparece una vez en cada fila, en cada columna y una con cada
letra latina
79
En los arreglos por bloques, se pueden analizar 4 factores, introduciendo un

cuarto factor o bloque en un diseño cuadrado latino, siguiendo las mismas reglas
utilizadas para introducir un tercer factor en un diseño 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 adición de un diseño
cuadrado latino y un cuarto factor, se le llama Diseño Cuadrado Greco-Latino.
b. Defina la variable, los tratamientos, elige una significancia apropiada.
TRATAMIENTOS:
Las diferentes dietas
VARIABLES:
80
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
SC4° Factor: 10,16
81
SCError: 54,32
Ft
FUENTES GRADOS SC CM Fo 5% 1%
DE
LIBERTAD
TRATAMIENTOS 4 350,56 87,64 12,90722 3,84 7,01
COLUMNAS 4 22,16 5,54 0,815906 3,84 7,01
4° Factor 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
SẊ=√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 variación 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 variación 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 variación.
Como la Fo (0,38) < F 0.05, 4, 8 = 3.84,
Ho. Se acepta, el segundo complemento no es fuente de variación.
a. ¿Se podrían realizar comparaciones entre medias? Justifique su respuesta.
La hipótesis nula
H0: m1 - m2 = d0
Generalmente d0=0
82
Hay 3 situaciones distintas:
1º conocidos (poco frecuente).
2º desconocidos pero iguales.
3º desconocidos pero distintos.
Los estadísticos 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 estadístico (t pareada).
Todos asumen normalidad. Si no se cumpliera hay que usar los llamados test no
paramétricos.
e. En caso afirmativo determine la mejor de ellas
Nº efectivo de replicación = 5
COMPARACIÓN DIFERENCIA PROMEDIO PROMEDIO DMS CONCLUSIÓN

1 2
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 habría que tomar
datos adicionales?
Si porque con estos datos se pudo identificar diferencias significativas, y

determinar cuál tratamiento causa variación.
83
GLOSARIO
Análisis de varianza: Es una técnica estadística que sirve para analizar la variación
total de los resultados experimentales de un diseño en particular,
descomponiéndolo en fuentes de variación independientes atribuibles a cada uno
de los efectos en que constituye el diseño experimental.
Análisis multivariante: Cualquier técnica estadística diseñada para medir la

influencia de varias variables independientes actuando simultáneamente en más
de una variable dependiente.
Bloque: conjunto de unidades experimentales lo más homogénea posible, en el

cual, aparecen todos los tratamientos una sola vez.
Diseño al azar: se usa cuando las unidades experimentales son homogéneas, y la

variación entre ellas es muy pequeña.
Diseño de bloques: se presenta cuando se reúnen las unidades experimentales a

las cuales se les aplicaran los tratamientos, en bloques de cierto tamaño, de tal
forma que los tratamientos se efectúen dentro de cada bloque.
Diseño experimental: Plan general del procedimiento para llevar a cabo un

experimento en función de unos datos específicos deseados.
Diseño factorial. Diseño experimental que incorpora uno o más niveles de dos o
más variables independientes.
Desarrollo Experimental: Trabajo sistemático sobre el conocimiento ya existente,

adquirido a través de investigaciones o experiencias prácticas, que se dirige a
producir nuevos materiales, productos, sistemas o métodos; instalar nuevos
procedimientos, sistemas o servicios; o mejorar sustancialmente los producidos
instalados.
Error experimental: medida de la variación que existe entre las observaciones de

unidades experimentales en el mismo tratamiento.
Estadística: Subdisciplina de las Matemáticas que reúne y evalúa datos numéricos

y los trata de tal manera que la relación entre esos datos se muestra claramente.
Innovación: se entiende por innovación tecnológica la transformación de una idea

en un producto nuevo o mejorado que se introduce en el mercado.
Investigación básica: es la investigación original, teórica o experimental, llevada a

cabo principalmente con objeto de adquirir nuevos conocimientos o una mayor
84
comprensión de los fenómenos y observaciones en estudio, sin el propósito de

ninguna aplicación particular.
Investigación aplicada: es también investigación original llevada a cabo para

adquirir nuevos conocimientos. Sin embargo, va dirigida principalmente hacia
objetivos específicos eminentemente prácticos. Sus resultados son válidos para un
único o limitado número de productos, operaciones, métodos o sistemas. El
conocimiento o información derivado de ella es, con frecuencia, patentado o bien,
guardado como secreto.
Metodología: Término utilizado en sentido amplio que generalmente se refiere a

estrategias,
técnicas o procedimientos usados en estudios experimentales, descriptivos o
aplicados.
Prototipo o modelo: Primer ejemplar construido industrialmente, de una máquina,

vehículo, aparato, etc., y destinado a experimentar en funcionamiento sus
cualidades y características, con vistas a la construcción en serie.
Proyecto de investigación. Se entiende el proceso de indagación sistemática y

planificada sobre un determinado problema temático, inscrito dentro de una línea
de investigación, y en el marco global de un programa investigativo, tendiente a
indagar por una de las temáticas particulares denotadas en la línea.
Repetición. El número de veces que un tratamiento aparece en el experimento.
Testigo: Es el tratamiento de comparación 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 observación hecha en cada unidad experimental

antes de aplicar los tratamientos, e indica hasta cierto grado la respuesta final de
la unidad experimental.
85
Fuentes documentales
Referencias
1. Bavaresco, A. (1979). Las técnicas de la investigación. Edit. Scott, Foresman &

Co. 4ª edición. Gienview, Illinois, USA. (1ª edición: 1974).
2. Berenson, M., Levine, D. & Krehbiel, T. (2001). Estadística para administración.

Edit, Pearson, 2a Edición, México, 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). Estadística paso a paso. Edit Trillas. 5ª Edic, México.

682 p.
6. Cochran, W. & Cox, G. (2001). Diseños 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). Bioestadística médica. Edit, manual moderno. 3

Edición. Mexco, 435p.
9. Hernández, R. (2003). Metodología de la investigación. 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). Estadística 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). Diseño de experimentos. Thompson Learning, .2da edición.

México.
86
14. Méndez I. (1980). Lineamientos Generales para la planeación de

Experimentos. Monografía No. 15, Vol. 15 IIMAS.
15. Montgomery, D. (1991). Diseño y análisis de experimentos. Grupo editorial

Iberoamérica. 589 p.
16. Padrón, E. (1996). Diseños experimentales con aplicación a la agricultura.

Editorial trillas. Mexico, 320 p.
17. Ostle B. (1975). Estadística Aplicada. Limusa-Wiley, México, 420 p.
18. Montgomery, Douglas. Diseño y análisis de experimentos. Grupo Editorial

ibero América, 1a Edición, México, 589 p.
Direcciones de las páginas 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
87

MODULO Diseno Experimental

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

MODULO Diseno Experimental

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

PROGRAMA DE INGENIERIA DE ALIMENTOS

30156 – DISEÑO EXPERIMENTAL

CAMPO ELIAS RIAÑO LUNA

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

Aspectos de Propiedad intelectual

El contenido didáctico del curso académico ``Diseño Experimental``, fue diseñado

Profesional que se ha desempeñado como docente y tutor de la UNAD a partir del

De allí que el módulo trae ejemplos de trabajos de investigación realizados por

La versión del contenido didáctico que actualmente se presenta tiene como

1) Reorganización de los contenidos relacionados con las dos unidades y las

2) Repaso y verificación de los conceptos teóricos tratados.

En la UNAD se viene adelantando a través del rediseño curricular un plan

El material ha sido organizado de forma que el estudiante repase los conceptos y

La forma de resolver los diseños experimentales de más amplio uso, se presentan

Además en los trabajos colaborativos se incentiva a los estudiantes y docentes

Para la solución numérica con software (es) estadísticos se ha programado el plan

Plan de trabajos prácticos con el paquete estadístico Stat Graphics

Laboratorio práctico 1.- Manejo de datos: organización, almacenamiento y

Laboratorio práctico 2.- Estadística descriptiva

Laboratorio práctico 3.- ANOVA. De una sola vía, -diseño en bloque

Laboratorio práctico 4. Diseños factoriales 2k y 3 k

Laboratorio práctico 5. Análisis de Regresión.

Key Word: ANOVA con Stat Graphics

El contenido programático para el curso de diseño experimental está en la

Tabla 2. Contenidos temáticos para el curso de diseño de experimental

UNIDADES DIDÁCTICAS CAPITULOS LECCIONES

bloques completos al azar

El proceso del diseño experimental

Red Semantica-Diseño Experimental

Nombre de la Unidad UTILIZACIÓN DE LOS MÉTODOS ESTADÍSTICOS DE CONTRAS

CAPITULO 1: LA INVESTIGACIÓN Y EL DISEÑO EXPERIMENTAL

La experimentación juega un papel fundamental en todos los campos de la

Obviamente la experimentación se debe planificar (diseñar) cuidadosamente para

El diseño de un experimento es la secuencia completa de los pasos que se deben

Un Diseño Experimental es una prueba o serie de pruebas en las cuales existen

Esquema de un proceso o sistema experimental:

Figura 1. El proceso del diseño experimental

Revisemos el enlace: La estadística, instrumento de investigación científica.

Tomado de Tomado de: portalsej.jalisco.gob.mx/unidades-

Lección 1: Conceptos básicos del diseño experimental

Los siguientes conceptos que se definen a continuación se utilizarán en el

Diseño: Consiste en planificar la forma de hacer el experimento, materiales y

Experimento. Conjunto de reglas usadas para obtener una muestra de la

Un experimento es un procedimiento mediante el cual se trata de comprobar

Es un cambio en las condiciones de operación de un sistema o proceso para

Por ejemplo variar las condiciones de operación (temperatura, presión, velocidad

O la utilización de diferentes proporciones de materias primas y aditivos para

La experimentación constituye uno de los pasos del método científico.

Ejemplos de sistemas experimentales son:

Experimento aleatorio. Actividad que tiene como resultado o que produce un

Tratamiento: Es un conjunto particular de condiciones experimentales definidas

Son el conjunto de circunstancias creadas por el experimento, en respuesta a la

Factor: Es un grupo específico de tratamientos. (Ejemplo, Temperatura, humedad,

Réplica: Son las repeticiones que se realizan del experimento básico.

Unidad Experimental: Es el material experimental unitario que recibe la

Es la entidad física o el sujeto expuesto al tratamiento independientemente de las

Es el objeto o espacio al cual se aplica el tratamiento y donde se mide y analiza la

Es el elemento que se está estudiando.

Unidad muestral: Es una fracción de la unidad experimental que se utiliza para

Factores Controlables: Son aquellos parámetros o características del producto o

Factores Incontrolables: Son aquellos parámetros o características del producto