UNIDAD 2.

TAREA INTERMEDIA – DISEÑO EXPERIMENTAL

PRESENTADO POR

MIRTA DARIZ PARADA SALAZAR

CODIGO: 1118541968
GRUPO: 203018_11

TUTORA
JESSICA ALMEIDA BRAGA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA “UNAD”

ECAPMA
OCTUBRE DE 2018
1. ¿En qué consiste el diseño experimental?
El diseño experimental consiste en una base de estadísticas donde podemos identificar
diversas cosas. El objetivo de la experimentación es obtener información de calidad.
Información que permita desarrollar nuevos productos y procesos, comprender mejor un
sistema (un proceso industrial, un procedimiento analítico,...) y tomar decisiones sobre
como optimizarlo y mejorar su calidad. la experimentación es única ya que implica la
manipulación de ciertos aspectos de un sistema real y la observación de los efectos de
esta manipulación.
2. ¿Cuáles son los diseños experimentales más usados en ciencias agropecuarias y
cuáles son sus posibles usos?

Los diseños más frecuentes usados en el campo agropecuario son:

Diseño completamente al azar

Se sugiere este diseño para experimentación con temas de: métodos de preparación
de siembra, aplicación del agua de regadío, manejo del cultivo versus el uso de los
herbicidas para el control de malezas, etc. También es útil en experimentos con
animales cuando existe cierta uniformidad bien sea genética, por peso, edad, etc.

Diseños de bloques al azar Cuadrado latino

Los diseños de bloques y cuadrados latinos aleatorizados son

generalmente útiles en los experimentos de fertilizante donde el número
de factores interesados es razonablemente pequeño. Para las pruebas de
fertilizante donde 2 o más fertilizantes se aplican a 2 o más niveles,el experimento
factorial es particularmente apropiado.

Parcelas divididas

En aquellos ensayos que se usa maquinaria agrícola o riego, ensayos de cultivares por
ejemplo de maíz, es aconsejable usar algún tipo de diseño de parcela o bloque dividido.

3. ¿Qué es una tabla ANOVA y cuál es su utilidad en estadística?

P a r a e l a u t o r ( Herrera, 2013). La técnica conocida como análisis de varianza
(ANAVA oANOVA), fue desarrollada por Ronald Aymer Fisher para facilitar el análisis e
interpretación del o s d a t o s d e s d e e n s a y o s d e c a m p o y e x p e r i m e n t o s d e
l a b o r a t o r i o , e n l a a g r i c u l t u r a e investigaciones biológicas (Einsenhart, 1947).El
ANAVA, es una de las técnicas más utilizadas en el proceso de investigación. Norell
 (2003).Es descrito por Tejedor (1999): Khan y Rayner (2003) y Spiegel e t
a l . (2003) como unacolección de modelos estadísticos y sus procedimientos
asociados, apropiada para evaluar laigualdad entre poblaciones o tratamientos, en
la cual la varianza esta fraccionada en ciertoscomponentes, debido a diferentes
factores o variables explicativas, incluidas en el modelo. (P.8)El análisis de la varianza
se emplea en la industria, en el control de procesos, como en ellaboratorio
de análisis, para el control de métodos analíticos. Los ejemplos de aplicación
sonmúltiples, pudiéndose agrupar, según el objetivo que persiguen, en dos
principalmente: lacomparación de múltiples columnas de datos y la estimación de los
componentes de variación deun proceso (Boqué y Maroto, s.f.)
4. ¿Qué es un diseño completamente al azar, cuáles son sus ventajas, desventajas, en
qué casos se usa?

El diseño completamente al azar es la clase de diseño experimental más sencillo que

existe. En esta clase de diseño, los tratamientos son asignados a las unidades
experimentales de forma totalmente al azar, en donde, cada unidad
experimental tiene la misma posibilidad de recibir cualquier tratamiento (Kuehl,
2001).

El diseño al completo azar se utiliza cuando las condiciones del sitio o lugar experimental
son totalmente homogéneas

El diseño al completo azar tiene varias ventajas y desventajas

Ventajes:

a) Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento se hayan

perdido, o rechacen por alguna causa el método de análisis sigue siendo sencillo. La
pérdida relativa de información debida a los datos faltantes, es de menos importancia que
en cualquier otro sistema.
b) La flexibilidad. Puede utilizarse cualquier número de tratamientos y repeticiones y
pueden variar a voluntad del investigador el numero de repeticiones de un tratamiento a
otro, pero no es recomendable sino existe una buena razón. Todo el material
experimental disponible puede usarse, lo cual es una ventaja en experimentos
preliminares pequeños donde el material experimental de que se dispone es escaso.
c) El número de grados de libertad es máximo en comparación con otros modelos, el modelo
estadístico sigue siendo fácil aún cuando se pierdan unidades experimentales .
d) Aún cuando el dato de algún tratamiento se hayan perdido, o rechacen por alguna causa
el método de análisis sigue siendo sencillo

Desventajas:
a) La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de
estimar el error stándar por unidad experimental (error experimental) con un mayor
grado de precisión
b) No siempre puede garantizarse condiciones de homogeneidad. No se asegura,
ninguna forma para aseverar que las unidades reciben un tratamiento similar a aquellas
que reciben otro tratamiento, toda la variación que existe entre las unidades pasa a
formar parte del error experimental.
5. ¿Explique en qué situaciones se aplica un diseño en bloques al azar, cuáles son sus ventajas y
desventajas?
Conocido como diseño de doble vía, se aplica cuando el material es heterogéneo. las
unidades experimentales homogéneas se agrupan formando grupos homogéneos
llamados bloques. Tratamientos A, B, C, D, E Bloque I : B A E C D Bloque II : C B D E A
Bloque III: B E A D C Bloque IV: D C A E B Las fuente de variación para el análisis estadístico
son: Fuentes Grados de libertad Tratamiento (t-1) = 4 Bloques (r-1) = 3 Error (t-1)(r-1)=12.
El diseño de bloques completos al azar surge por la necesidad que tiene el investigador de
ejercer un control local de la variación dado la existencia de un material experimental
heterogéneo.
Ventajas
a. Elimina una fuente de variación del error, aumentando de esta forma la presicion
del ensayo. La presicion del ensayo se mide a travez del coeficiente de variación
CV(%) = S/Y PROMEDIO X100.
b. permite una gran flexibilidad en la relación tratamiento bloque, siempre y cuando
se reserven un número igual o de un múltiplo de tratamientos por unidad
experimental.
c. La perdida de información por bloque o tratamoiento no dificulta el análisis
estadístico.
d. Permite aplicar el principio de confusión al hacer coincidir los bloques con las
ciertas variables que influyen sobre la respuesta pero que no son de interés para el
investigador.
Desventajas
a. No es apropiado para un numero elevado de tratamientos , se rrecomienda entre
6 y 24 tratamientos.
b. No es aconsejable cuando existe una gran variación en mas de una variable en el
material experimental.
c. Si el efecto de bloque no es significativo se trabaja innecesariamente con
disminución de los grados de libertad para el error y la consecuente disminución
de la precisión.
d. Si resulta una interaccion entre bloque y tratamiento, se invalida la prueba F.
6¿En qué se diferencian los factores de los tratamientos y por qué?
Los factores son aquellas fuentes de variación cuyo efecto se desean estudiar,
— Factores tratamiento: son aquellas fuentes cuyo efecto sobre la respuesta es de
particular interés para el experimentador.
— Factores nuisance: son aquellas fuentes que no son de interés directo pero que se
contemplan en el diseño para reducir la variabilidad no planificada.
pueden ser cualitativos o cuantitativos.
Ejm. Factores Cualitativos y sus niveles:

- Proveedor (diferentes proveedores de una materia prima),

- Tipo de maquina(diferentes tipos o marcas de máquinas),
- Tipo de procesador ( los procesadores de los que quiere comprar su velocidad de
ejecución).
- El sexo( hombre y mujer).
Ejm de factores cuantitativos

- Tamaño de memoria( diferente tamaño de memoria y ordenadores),

- Droga (distintas cantidades de las drogas)
- La temperatura(conjunto de temperaturas seleccionadas en unos rangos de
interés)
Cuando en un experimento se trabaja con mas de un factor se denomina tratamiento a
cada una de las combinaciones de niveles de los distintos factores.
Tratamiento: El tratamiento es el proceso de modificación de factores de una unidad
experimental y cuyos efectos van a ser medidos y comparados.

7¿En qué situaciones se aplica un diseño factorial?,

Un diseño factorial es utilizado generalmente por los científicos que desean comprender
el efecto de dos o más variables independientes respecto de una única variable
dependiente.

Los investigadores sociales suelen utilizar diseños factoriales para evaluar los efectos de
los métodos de enseñanza, teniendo en cuenta la influencia de los factores socio-
económicos y la experiencia.
Es común que en las ciencias agrarias se u7tilicen diseños factoriales por la necesidad de
las pruebas de campo para probar el efecto de las variables en los cultivos. En esos
estudios a gran escala, es difícil y poco práctico aislar y probar cada variable
individualmente.

Los experimentos factoriales permiten manipulaciones sutiles de un número mayor de

variables interdependientes. Si bien el método presenta limitaciones, es útil para
una investigación más eficiente y para permitir que los métodos estadísticos fuertes
expongan todas las correlaciones.

8¿Cuándo no se cumplen los supuestos de normalidad y varianza constante, que puede

hacerse? explique las diferentes posibilidades
El no cumplimiento de los supuestos, por el modelo, puede afectar tanto el nivel de
significancia como la potencia de la prueba. Por lo general el error Tipo I resulta mayor
que el especificado, y, como, resultado se informa de demasiadas diferencias significativas
entre los tratamientos.

Existen al menos tres maneras de solucionar o minimizar el problema por falta de

normalidad y varianza heterogénea en los residuos.

a.) Utilizar métodos de análisis no paramétricos, que no requieren las suposiciones de

normalidad y varianza constante

b.) Hacer el análisis mediante modelos lineales generalizados (GLM), en los que se ajusta
un modelo lineal usando otras distribuciones diferentes a la normal, donde la varianza no
tiene por qué ser constante

c.) Hacer el análisis sobre la respuesta transformada a una escala en la que los
supuestos se cumplan.

Para corregir o minimizar los problemas de falta de normalidad y de varianza constante

depende del tipo de relación que existe entre la media y la varianza de Y. esta relación se
puede visualizar en la gráfica de residuos vs. Predichos. Según lo pronunciado que sea la
forma de corneta, de los puntos en dicha grafica se determina la transformación más
adecuada

9¿Cuáles son las pruebas de medias más empleadas?

Existen dos grupos de pruebas de significación estadística, el referido a las paramétricas y

el relacionado con las no paramétricas, con rasgos distintivos que las caracterizan.
 Las pruebas paramétricas son para datos numéricos (escalas de intervalos o razones) y,
por lo general, están basadas en las propiedades de la distribución normal o gausiana,
para la variable dependiente. Se manifiesta cuando los datos son mediciones repetidas de
la misma variable, en unidades de muestreo extraídas al azar de la población y cuando la
muestra es grande. Las pruebas posibles a utilizar son: la "t"

-Las observaciones deben ser independientes entre sí.

-Las poblaciones deben hacerse en poblaciones distribuidas normalmente.

-Estas poblaciones deben tener la misma varianza.

-Las variables deben haberse medido por lo menos en una escala de intervalo de manera
que sea posible utilizar las operaciones aritméticas. Las pruebas no paramétricas son
utilizadas con variables nominales y ordinales, no asumen un tipo particular de
distribución, se aceptan distribuciones no normales, la exigencia en cuanto al tamaño de
la muestra es menor que en el caso de las paramétricas

-Las pruebas estadísticas no paramétricas pueden usarse para probar hipótesis que
requieren:

a) Solo una muestra.

b) Dos muestras relacionadas.

c) Dos muestras independientes.

d) Para k muestras relacionadas.

e) Para k muestras independientes.

f) Análisis de la varianza (ANOVA)

10¿cuál es el propósito al aplicar pruebas de comparación de medias?

La comparación de medias en un sentido más general, abarca la comparación de los valores de
una variable continua según los valores de una variable (o factor) que se puede resumir en dos o
más categorías y que englobaríamos dentro de las pruebas para datos independientes, así como la
comparación de los valores de una variable continua evaluada en dos o más momentos en el y que
englobaríamos dentro de las pruebas para datos apareados.

Existen varias pruebas estadísticas que permiten comparar las medias de una variable continua
entre dos o más grupos. Cada una de estas pruebas ha sido diseñada para poder ser aplicada
cuando se cumplen una serie de supuestos necesarios, bajo diferentes condiciones de aplicación.
(Moral Irene)

11¿Cuál es la diferencia entre la prueba de Tukey y la prueba de Duncan?

El Test de DUNCAN es un test de comparaciones múltiples. Permite comparar las medias
de los niveles de un factor después de haber rechazado la Hipótesis nula de igualdad de
medias mediante la técnica ANOVA
TUKEY es una prueba de simplicidad dispone de límites de confianza. Ramírez y Castillo
(1985),
El método de Tukey se utiliza en ANOVA para crear intervalos de confianza para todas las
diferencias en parejas entre las medias de los niveles de los factores mientras controla la
tasa de error por familia en un nivel especificado.
Ejercicios
En 1977 Opina y Salamanca evaluaron el efecto de la materia orgánica proveniente de materiales
tales como gallinaza, cascarilla de arroz y ceniza, de esta última en la asimilabilidad del fósforo de
las rocas fosfóricas de Pesca (Boyacá) y Baraya (Huila), en un suelo ácido de los Llanos Orientales.
Se utilizó como fuente química de P el superfosfato triple. La cantidad de P aplicada equivale a 450
kg/ha de PO.

Una de las variables de respuesta medida fue el rendimiento en g/materia de frijol caupí.
Los datos obtenidos se presentan en el cuadro siguiente:
Materia Repeticiones
Orgánica I II III IV
1 0,6 0,57 0,55 1,83
2 1,43 2,72 4,43 1,52
3 3,78 6,12 6,08 4,56
4 0,59 0,54 0,6 0,61
5 0,58 0,54 0,63 0,72
6 0,87 0,54 0,86 0,79
7 0,74 0,85 0,7 0,61
8 0,87 1,39 0,81 1,07
9 2,67 2,88 2,57 3,51
10 2,87 5,04 5,59 5,21
11 1,3 0,72 0,73 1,18
12 0,69 0,96 0,71 0,69
13 1,64 1,37 0,95 1,05
14 1,73 1,26 0,75 1,1
15 2,86 3,64 4,26 4,66
16 4,61 6,34 5,4 4,74
 17 9,2 8,55 4,91 6,79
18 2,26 1,95 4,45 2,16
19 2,43 1,97 1,96 3,,1
20 4,69 2,6 4,13 5,04
21 3,94 4,94 3,7 3,99
22 2,22 2,0 1,5 1,24
23 2,99 4,41 7,76 3,65
24 7,05 4,7 5,62 5,74
25 1,93 1,67 1,43 1,24
26 2,77 2,69 1,17 1,86
27 1,82 1,79 1,77 2,04
28 1,93 2,16 1,73 2,42

a. Determine qué tipo de diseño experimental empleado

El tipo diseño experimental, Diseño completamente al azar. Se trata de un experimento de
una variable (en este caso materia orgánica). Para una cantidad aplicada equivalente a 450
Kg/Ha de PO se pretende medir el efecto sobre el rendimiento en gramos de fríjol caupí.

b. Plantee las hipótesis que interesa contrastar en el análisis de varianza de este experimento.

La Hipótesis Nula (𝑯𝟎 ) quiere decir qué: No hay ningún efecto en la materia orgánica, de
acuerdo a cada tratamiento, por tanto, son iguales
𝐻0 : 𝜏1 = 𝜏2 = 𝜏3 = ⋯ = 𝜏28 = 0
La Hipótesis Alternativa (𝑯𝟏 ) quiere decir qué: Existe al menos un efecto en la materia orgánica,
en alguno de sus grupos, por tanto, es diferente de cero.

𝐻1 : 𝜏𝑖 ≠ 0
c. ¿Cuál es la unidad experimental?
La unidad experimental corresponde a cada unidad de materia orgánica de frijol caupí.

d. ¿Cuál es la unidad de observación?

La unidad de observación corresponde al rendimiento en g/materia de frijol caupí.

e. ¿Cuáles son y cuántos tratamientos se desea comparar?

 El número de tratamientos o niveles es de 28, el cual se compara a través de 4
observaciones o repeticiones donde se está viendo el rendimiento en g/materia de frijol
caupí
f. Describa matemáticamente el modelo lineal a utilizar, especificando cada uno de
sus términos.
𝑖 = 1, 2, … 𝑛𝐴
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 +∈𝑖𝑗 {
𝑗 = 1, 2, … 𝑛
De donde:
𝑌𝑖𝑗 : Representa cada una de las observaciones del experimento

𝜇: Representa una media aritmética general

𝜏𝑖 : Representa el efecto del i-ésimo tratamiento o el i-ésimo nivel del factor.
∈𝑖𝑗 : Representa el residuo o lo que NO se puede explicar de acuerdo con la aleatoriedad que
se tiene la observación respectiva, y que sigue una distribución normal 𝑁(0, 𝜎 2 ), con media
cero y varianza 𝜎 2

g. Realice en Excel el análisis de varianza utilizando la herramienta de análisis de

datos de Excel o en programa estadístico.
Análisis de Varianza.
Tabla Resumen
Grupos Cuenta Suma Promedio Varianza
1 4 3,55 0,8875 0,395225
2 4 10,1 2,525 1,9587
3 4 20,54 5,135 1,3433
4 4 2,34 0,585 0,00096667
5 4 2,47 0,6175 0,006025
6 4 3,06 0,765 0,02376667
7 4 2,9 0,725 0,0099
8 4 4,14 1,035 0,06836667
9 4 11,63 2,9075 0,178025
10 4 18,71 4,6775 1,50489167
11 4 3,93 0,9825 0,090825
12 4 3,05 0,7625 0,017425
13 4 5,01 1,2525 0,098825
14 4 4,84 1,21 0,16553333
15 4 15,42 3,855 0,6161
16 4 21,09 5,2725 0,62609167
17 4 29,45 7,3625 3,70969167
 18 4 10,82 2,705 1,37003333
19 4 9,46 2,365 0,28816667
20 4 16,46 4,115 1,16056667
21 4 16,57 4,1425 0,29869167
22 4 6,96 1,74 0,20186667
23 4 18,81 4,7025 4,491425
24 4 23,11 5,7775 0,93549167
25 4 6,27 1,5675 0,08935833
26 4 8,49 2,1225 0,57249167
27 4 7,42 1,855 0,01563333
28 4 8,24 2,06 0,08846667

ANÁLISIS DE VARIANZA (ANOVA)

Origen de las Suma de Grados de Promedio de los F Probabilidad Valor crítico

variaciones cuadrados libertad cuadrados para F
Entre grupos 377,38175 27 13,97710185 19,2542428 1,20127E-25 1,618852486
Dentro de los 60,97755 84 0,725923214
grupos

Total 438,3593 111

h. Aplique a las medias la prueba de comparación múltiple de Tukey.

Si corresponde.
i. Concluya de acuerdo con los resultados obtenidos.
De acuerdo al P-Valor (Valor de Probabilidad), 1,20127 × 10−25 el cual es demasiado
pequeño, o prácticamente cero. Lo cual implica que se rechaza la hipótesis nula, y se puede decir que:
si Existe al menos un efecto en la materia orgánica, en alguno de sus grupos, por tanto, es diferente
de cero.

2. En un estudio se permite reducir el tiempo de permanencia de la vaca con el ternero

y por consiguiente aumentar la producción de leche por vaca-día. Se evaluó la variable
peso corporal (kg) en terneros hasta 112 días de nacidos. Fueron probados
amamantamiento restringido (R) y amamantamiento tradicional (T).
En el cuadro se registra el peso corporal de los animales cada 28 días.
Tabla 2. Datos de peso corporal (kg) de los terneros.
Amamantamiento Restringido Amamantamiento Tradicional
Terneros (R) (T)
 Día Día Día Día Día Día Día Día Día Día
0 28 56 84 112 0 28 56 84 112
1 41 50 63 92 118 43 60 68 101 119
2 32 41 52 66 93 37 48 60 81 103
3 41 55 70 92 114 36 47 71 88 103
4 31 41 53 77 99 41 60 75 98 113
5 38 52 77 88 117 42 58 80 101 113
De acuerdo a los datos presentados y a la distribución del experimento resuelva:

a. ¿Qué tipo de diseño experimental es y por qué?

El diseño factorial 2x5 con 5 réplicas para reducir el tiempo de permanencia de la vaca con el
ternero y por consiguiente aumentar la producción de leche por vaca-día. Se probará dos tipos
de amamantamiento (restringido AR y tradicional AT) cada 28 días (0, 28, 56, 84 y 112); para 5
terneros.

b. ¿Cuál es el modelo matemático? Para cada ítem en el ejercicio planteado indique a que
corresponde cada término del modelo

El modelo matemático es un análisis de varianza ANOVA de diseño factorial a X

j =subíndice que representa el tratamiento (“amamantamiento”). J =2

k= subíndice que representa los días. K=5
n = 5 réplicas N = 5 (2) (5) = 50
Se calcula el GL; grados de libertad; para cada variable:
GLA = J – 1 GLB = K – 1 GLAB = ( J – 1 )*( K – 1 )
GLE = N – JK GLT = N - 1
Calculamos la suma de cuadrados:
∑i∑j∑k Y2ijk = 286263
SCT = ∑i∑j∑k Y2ijk - (T2 / N) = 35772.58
SCA = [(∑j T2j+ / nK) – (T2 / N)] = 468.18
SCB = [(∑k T2+k / nJ) – (T2 / N)] = 32464.48
SCE = ∑i∑j∑k Y2 ijk – (∑i∑j T2 jk / n) = 2713.2
SCAB = SCT – SCA – SCB – SCE = 126.72
Calculamos los cuadrados medios:
CMA = SCA / GLA = 468.18
CMB = SCB / GLB = 8116.12
CMAB = SCAB / GLAB = 31.68
CMError = SCError / GLError = 67.83
Valor F calculado
FA = CMA / CME = 6.90
FB = CMB / CME = 119.65
FAB = CMAB / CME = 0.47

c. Plantee las hipótesis.

H0 (A): Las medias de los tratamientos son iguales.

H0 (B): Las medias de los días (cada 28) son iguales.
H0(AB): No hay interacción entre tratamiento y días.
H1(A): Las medias de los tratamientos no son iguales.
H1 (B): Las medias de los días no son iguales.
H1 (AB): Hay interacción entre tratamientos y días.

d. Realice el análisis de varianza en Excel, aplicando las fórmulas, la tabla del Análisis de
Varianza (ANOVA) debe recoger los valores de SC, CM, GL, F calculado, F tabulado y
probabilidad realizados con fórmula debidamente evidenciable y relacionando las
operaciones. Los análisis deben ser producto de las fórmulas o elaborados en el archivo
Excel o en algún software estadístico.

Tabla 3. ANOVA para el diseño factorial a x b

Valor F tabulado

FA ~ 0,99F1,40 = distr.f.inv(0.01; gl num; gl den) = 7.31

FB ~ 0,99F4,40 = distr.f.inv(0.01; gl num; gl den) = 3.83
FAB ~ 0,99F4,40 = distr.f.inv(0.01; gl num; gl den) = 3.83

e. ¿Según el análisis de varianza hay diferencias significativas? Justifique la respuesta

FA ≤ 0,99F1,40 => 6.90 ≤ 7.31 Aceptar H0(A)

FB ≥ 0,99F4,40 => 119.65 ≥ 3.83 Rechazar H0(B)
FAB ≤ 0,99F4,40 => 0.47 ≤ 3.83 Aceptar H0(AB)
La F calculada para el Factor B; resulta mayor que la F tabulada, es significativa en el nivel
0.01 por lo cual se rechaza la hipótesis nula H0(B).

f. Si encuentra diferencias estadísticas significativas, realice la prueba de Tukey en Excel

relacionando las operaciones.

Se realiza la prueba de Tukey al Factor B; tiene mayor diferencia estadística significativa

DMS Tukey = 1-α q v, N-JK√ [CME / (N/v)]

q aparece en la tabla Cuantiles de la distribución de Tukey q(n, m) α= 0.01

v = n° de medias que se están comparando:
 Fragmento Cuantiles de la distribución de Tukey q(n, m) α= 0.01
DMS Tukey = 0.99q5,40√ [67.83 / (50/5)]
DMS Tukey = 4.93√ [67.83 / (10)]
DMS Tukey = 4.93 * 2.60
DMS Tukey = 12.84

Difieren ư1 – ư2 – ư3 – ư4 – ư5

g. Discuta ampliamente los resultados, desde la perspectiva biológica.

El efecto del amamantamiento sobre el peso corporal (kg) no depende del tratamiento; ni del
periodo de valoración (28 días); en (prueba de Tukey) las medias cambian.

3. Un ingeniero está diseñando una batería que se usará en un dispositivo someterá a

variaciones de temperatura extrema en el campo. El único parámetro del diseño que
puede seleccionar en este punto es el material de la placa o ánodo de la batería, y tiene
tres selecciones posibles.
El ingeniero saber por experiencia, que la temperatura probablemente afectará la vida
efectiva de la batería y decide probar tres materiales de la placa con tres niveles de
temperatura (15, 70 y 125◦F).
Se prueban cuatro baterías con cada combinación del material de la placa y la
temperatura, y las 36 pruebas se corren de manera aleatoria.

Tabla 3. Datos de la vida (en horas) para diseño de la batería.

Tipo de Temperatura (◦F)
material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60

De acuerdo con los datos presentados y a la distribución del experimento resuelva:

a. ¿Qué tipo de diseño experimental es y por qué?

El diseño es un arreglo factorial de múltiples factores en este caso dos factores, tipo de material y
temperatura con tres niveles cada uno

Factores: 2 Réplicas: 4
Corridas base: 9 Total de corridas: 36
Bloques base: 1 Total de bloques: 1

b. ¿Cuál es el modelo matemático? Para cada ítem en el ejercicio planteado indique a que
corresponde cada término del modelo

𝑦𝑖𝑗𝑘 = 𝜇 + 𝑎𝑖 + 𝛽𝑗 + (𝑎𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘 𝑖 = 1; 2; … ; 𝑎

𝑗 = 1; 2; … ; 𝑏

𝑘 = 1; 2; … ; 𝑛

𝒚𝒊𝒋𝒌 = Observación ijk − ésima

𝜇 = Media global

𝑎𝑖 = Efecto nivel i − ésimo del factor A(renglones)

𝛽𝑗 = Efecto del nivel j − ésimo del factor B( columnas)

(aβ)ij = Efecto de la interacción entre ai y βj

εijk = Error aleatorio tal que εijk ~ N(0, σ2 )

c. ¿Plantee las hipótesis que interesa contrastar con el análisis de varianza de este
experimento?

Factor A = Material

Factor B = Temperatura

𝑯𝑶 : ∝1 = ⋯ =∝1 = 𝑂 ( 𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴 𝑛𝑜 𝑖𝑛𝑓𝑙𝑢𝑦𝑒)

𝑯𝟏 : 𝑎𝑙𝑔ú𝑛 ∝𝑖 ≠ 0 (𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴 𝑖𝑛𝑓𝑙𝑢𝑦𝑒)

𝑯𝟎 : 𝛽1 = ⋯ = 𝛽𝑏 = 0 ( 𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵 𝑛𝑜 𝑖𝑛𝑓𝑙𝑢𝑦𝑒)

𝑯𝟏 : 𝑎𝑙𝑔ú𝑛 (𝛽1 ≠ 0 (𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵 𝑖𝑛𝑓𝑙𝑢𝑦𝑒)

𝑯𝟎 : (∝ 𝛽)11 = ⋯ = (∝ 𝛽)𝑎𝑏 = 0 (𝑛𝑜 ℎ𝑎𝑦 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛)

𝑯𝟏 : 𝑎𝑙𝑔ú𝑛 (∝ 𝛽)𝑖𝑗 ≠ 0 (ℎ𝑎𝑦 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛)

d. Realice el análisis de varianza en Excel o en algún software estadístico, con la tabla

del Análisis de Varianza (ANOVA) debe recoger los valores de SC, CM, GL, F
calculado, F tabulado y probabilidad realizados con fórmula debidamente
evidenciable y relacionando las operaciones. Los análisis deben ser producto de las
fórmulas o elaborados en el archivo Excel o en algún software estadístico.

Análisis de Varianza (Anova)

Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 8 58973 7371,6 11,12 0,000
Lineal 4 49455 12363,7 18,65 0,000
Material 2 10410 5205,1 7,85 0,002
Temperatura 2 39045 19522,3 29,45 0,000
Interacciones de 2 términos 4 9518 2379,5 3,59 0,018
Material*Temperatura 4 9518 2379,5 3,59 0,018
Error 27 17901 663,0
Total 35 76874
 e. ¿Según el análisis de varianza hay diferencias significativas? Justifique su
respuesta.

Respecto al material según el análisis de varianza el valor de P es 0.002, por lo tanto existe
diferencia significativa a un nivel de confianza del 0.05, es decir las horas de vida de la
batería si es afectada según el material con que se construya la batería.

En cuanto a la temperatura según el análisis de varianza el valor de P es 0.000, por lo tanto

existe diferencia significativa a un nivel de confianza del 0.05, es decir las horas de vida de
la batería si es afectada según la temperatura a que se exponga la batería.
En lo referente a la combinación entre el tipo de material y la temperatura según el análisis
de varianza el valor de P es 0.018, por lo tanto existe diferencia significativa a un nivel de
confianza del 0.05, es decir las horas de vida de la batería si es afectada según la
combinación entre los materiales y los niveles de temperatura a la que se expone la batería.

f. Si encuentra diferencias estadísticas significativas, realice la prueba de Tukey en

Excel relacionando las operaciones.

g. ¿Qué efectos tienen el tipo de material y la temperatura sobre la vida de la batería?

El material numero dos (2) y (3) tres, resisten mejor la temperatura que el material un (1),
mientras que la temperatura de 15 grados permite mayor durabilidad de la batería que la
temperatura de 70 y 125 grados.

BIBLIOGRAFIA
Principios básicos del diseño de experimentos. Tomado de
dm.udc.es/asignaturas/estadistica2/sec2_3.html
Mellado Jesus diseños experimentales tomado de
www.uaaan.mx/~jmelbos/disexp/deapu1a.pdf
pdf. diseño factorial tomado de: https://explorable.com/es/diseno-factorial
J Ferré. Introducción al diseño estadístico de experimentos pdf. Tomado de :
www.quimica.urv.es/quimio/general/dis.pdf

I.Moral .comparacion de medias. Tomado de:

www.revistaseden.org/files/12-CAP%2012.pdf

Capri Anthony,Anne E. Egger . la experimentación en la investigación científica, tomado de:

https://www.visionlearning.com/es/library/Proceso-de-la-Ciencia/49/La-Experimentaci%C3%B3n-
en-la-Investigacion-Cient%C3%ADfica/150
García Villalpando, J., & Castillo Morales, A., & Ramírez Guzmán, M., & Rendón Sánchez, G., & Larqué
Saavedra, M. (2001). Comparación de los procedimientos de Tukey, Duncan, Dunnett, Hsu y Bechhofer para
selección de medias.Agrociencia, 35 (1), 79-86.