Diseño Experimental para Ingenieria de Alimentos

Diseo Experimental Cria43
COMIT DIRECTIVO Jaime Alberto Leal Afanador Rector Roberto Salazar Ramos Vicerrector Acadmico
HERNAN MAURICIO PULIDO Decano Facultad de Ciencias Bsicas e Ingeniera
Celia del Carmen Lpez Secretaria Acadmica Facultad de Ciencias Bsicas e Ingeniera
Primera Edicin Copy Rigth Universidad Nacional Abierta y a Distancia ISBN 2005 Centro Nacional de Medios para el aprendizaje
PROGRAMA DE INGENIERA DE ALIMENTOS
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA BOGOT 2005
Campo Elas Riao Luna Ing. Qumico. MSc.
CONTENIDO Algo de historia del diseo experimental

OBJETIVOS DEL MODULO ES IMPORTANTE EL DISEO EXPERIMENTAL EN LAS CIENCIAS APLICADAS? COMO SE EVALUARA EL CURSO DE DISEO EXPERIMENTAL? UNIDAD PRIMERA: Fundamentos del diseo experimental
Algunas citas de inters Para no olvidar Cuando se inicia el diseo experimental? CAPITULO PRIMERO:La investigacin y el diseo experimental Preguntas de repaso y evaluacin. 1.1. Introduccin al diseo de experimentos 1.1.1. Propsitos de la investigacin. 1.2.El proyecto de investigacin. 1.3. Anteproyecto de investigacin. 1.4. Investigacin cientfica. 1.5. Investigacin aplicada. 1.6. Diseo de investigacin. 1.7. El mtodo cientfico. 1.8. Mtodos de investigacin. 1.9. Estilo de trabajo investigativo 1.9.1. Mtodo Inductivo 1.9.2. Mtodo Deductivo 1.9.3. Mtodo Hipottico- deductivo. 1.10. Niveles de investigacin 1.11. Etapas de un trabajo de investigacin 1.12. Fundamentos de la experimentacin. 1.13. Que es la observacin 1.14. Que es analizar? CAPITULO DOS: Definiciones bsicas en el diseo de experimentos 2.1. Diseo de experimentos en la investigacin. 2.2. Necesidad de disear experimentos. 2.3. Objetivos de un diseo de experimentos. 2.4. El diseo de experimentos en la industria. 2.5. Diseo experimental 2.6. Utilidad del Diseo Estadstico de Experimentos. 2.7. Experimento 2.8. Experimento aleatorio 2.9. Unidad experimental 2.11. Repetitividad (precisin) de un experimento 2.12. Reproducibilidad de un experimento CAPITULO TRES: Repaso a conceptos estadsticos 3.1. Variable. 3.2. Variable independiente. 3.3. Variable dependiente. 3.4. Ejemplo de variables independiente y dependiente
3.5. Variable de respuesta. 3.6. Factores 3.7. Nivel. 3.8. Niveles de variables 3.9. Tratamiento. 3.10.Testigo 3.11. Replica 3.12. Aleatorizacin. Tabla 1. Ejemplo de unidades experimentales a aleatorizar 3.13. Actividades a desarrollar 3.14. Respuesta a las preguntas CAPITULO CUARTO: Definiciones y herramientas estadsticas aplicadas a los diseos experimentales. 4.1. Poblacin y muestra. 4.2. Poblacin 4.2.1. Tipos de poblaciones 4.3. Individuos o elementos 4.5.Tipos de muestreo 4.5.1. Muestreo aleatorio simple 4.5.1. Muestreo estratificado 4.6.Datos obtenidos 4.7. Eleccin de la muestra. 4.8. Parmetro 4.12. Estimacin puntual y por intervalo. 4.13. La media aritmtica. 4.14. Clculo de la media a partir de datos no agrupados. 4.15. Clculo de la media de datos agrupados. 4.16. Varianza de una poblacin. 4.17. Desviacin estndar de una poblacin 4.18. Significancia estadstica p. 4.8. Tamao de la muestra 4.9. Ejemplo de determinacin de nmero de muestras. 4.9. Recomendaciones para la eleccin y tamao de muestra. 4.19. Hiptesis 4.20. Planteamiento de una hiptesis estadstica 4.21. Formulacin y prueba de hiptesis 4.22. Estadstico de prueba. 4.23. Anlisis de datos. 4.24. Ppruebas de hiptesis. 4.25. Pruebas de hiptesis Z para una media poblacional ( conocida) 4.26. Ejemplo y procedimiento a desarrollar para una prueba de hiptesis propiamente dicha. 4.27. Prueba de t. 4.28. Suposiciones de la prueba de t con una muestra. 4.29. Prueba de z para la diferencia entre dos medias. 4.30. Prueba de t para la diferencia entre dos medias 4.31. Grados de libertad. 4.32. Anlisis de la varianza. 4.33. Bases del anlisis de la varianza. 4.34. Diferencia mnima significativa
4.35. Error experimental 4.36. Errores tipo I y tipo II. 4.37. Las modalidades ms recomendadas para disminuir el error 4.38. Modelo estadstico. 4.39. Anlisis de Covarianza. 4.40. Recomendaciones 4.41. Software estadsticos para la solucin de problemas. 4.42. Ejercicio desarrollado 4.43. Ejercicios y actividades UNIDAD SEGUNDA: Diseos experimentales aplicados a la ingeniera de alimentos CAPITULO QUINTO: Clasificacin y seleccin de los diseos experimentales. 5.1. Caractersticas de los diseos experimentales. 5.2. Aspectos influyentes en la seleccin de un diseo experimental. 5.3. Clasificacin de los diseos experimentales acorde con su utilizacin. 5.4. Experimentos con un solo factor (anlisis de varianza) 5.4. 1. Experimentos de una variable 5.5. Dise de experimentos sin bloquear. 5.6. Procedimiento estadstico para la comprobacin de hiptesis en un diseo al azar. 5.7. Modelo estadstico para un diseo al azar. 5.8. Ejemplo de un diseo de experimentos sin bloquear CAPITULO SEIS: Diseo en bloques 6.1. Diseo de bloques completos al azar. 6.1.1. Caractersticas. 6.1.2. Fuentes de variabilidad. 6.1.3. Ventajas 6.1.4. Aleatorizacion. 6.2. Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques completos al azar. 6.3. Arreglo de los datos en un diseo de DBCA. 6.4. Modelo estadstico para un DBCA 6.5. Hiptesis a probar 6.6. ANOVA para un diseo en bloques completos al azar (DBCA) 6.7. Comparacin de medias de tratamiento en el diseo de bloques completos al azar (BCA) 6.8. Ejemplo de bloques completos al azar (BCA) 6.9. Ejercicio para realizar como actividad de grupo: 6.10. Ejercicio propuesto CAPITULO SIETE: Diseo en cuadro latino 7.1. Diseo en cuadro latino 7.2. Formacin y tabulacin de los datos experimentales en un cuadrado latino. 7.3. Arreglo de los datos en un diseo de Cuadro latino. 7.4. Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques en cuadro latino. 7.5. Anlisis del diseo de Cuadro latino 1.19.2 Hiptesis a probar 7.6. ANAVA para el diseo de cuadro latino. 7.7. Ejemplo para el diseo de cuadro latino..
7.8. Ejercicio propuestos CAPITULO OCHO: Diseo en cuadro grecolatino 8.1. Diseo en cuadro greco latino. 8.2. Formacin y tabulacin de los datos experimentales en un cuadrado greco latino. 8.3. Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques en cuadro greco latino. 8.5. Hiptesis a probar para el diseo greco latino 8.6. ANAVA para el diseo grecolatino. 8.7. Ejemplo para el diseo grecolatino. CAPITULO NUEVE: Diseos factoriales 9.1. Diseos factoriales 9.2. Ventajas de los Experimentos Factoriales 9.3. Desventajas de los diseos factoriales 9.4. Arreglo factorial 9.5. Modelo estadstico para un diseo factorial 9.6. Hiptesis a probar 9.7. ANOVA para el diseo factorial (a x b) o de dos factores 9.8. Ejemplo de un diseo factorial 9.9. Experimentos factoriales de dos vas 9.10. Factor en el diseo de dos vas. 9.11. Tratamiento en el diseo de dos vas. 9.12. Interaccin en el diseo de dos vas. 9.13. Pasos para llegar al ANOVA en un diseo experimental. CAPITULO DIEZ: Diseos factoriales 2k 10.1. Codificacin de las variables 10.2. El diseo factorial completo 2k 10.3. Efecto de un factor en un diseo 22 10.4. Anlisis de residuos 10.5. ANOVA para un diseo factorial 22 10.6. Ejemplo de un diseo experimental factorial 22 10.7. Factores y dominio experimental CAPITULO ONCE: Diseos factoriales de tres factores 11.1. Diseo factorial de tres factores con dos niveles cada uno. Tabla 38. Combinacin de los tratamientos para un diseo 23 11.2. Efecto de un factor en un diseo 23 11.3. Anlisis de varianza para un diseo factorial 23 11.4. Coeficientes de determinacin 11.5. Ejemplo de un diseo factorial 23 11.6. Presentacin de resultados. 11.7. Metodologa de la superficie de respuesta. Varios autores. 11.8. Regin experimental 11.9. Regin de operabilidad 11.10. Polinomio ortogonal. CAPITULO DOCE: Anlisis de regresin 12.1. Anlisis de regresin. 12.2. Regresin lineal simple. 12.3. Coeficientes de correlacin. 12.4. Otros modelos de regresin lineal simple. 12.5. Regresin lineal mltiple.
12.6. Correlacin mltiple. 12.7. Transformacin de datos. 12.8. Correlacin mltiple. 12.9. Anlisis de Covarianza. 12.10. Los objetivos del anlisis de covarianza son: 12.11. Software estadstico para la solucin de problemas. CAPITULO TRECE: Otros diseos 13.1. Diseos no experimentales. Varios autores 13.2. Recomendaciones 13.3. Ejercicios propuestos 13.4. Actividades a realizar para el capitulo primero de la unidad segunda APENDICE REFERENCIAS YBIBLIOGRAFIA Direcciones de las paginas Web.
INDICE DE TABLAS Y FIGURAS Figura 1. Red semntica para el diseo experimental en ingeniera de alimentos. Figura.2. sir Ronald Fisher. Cuadro 1. Contenidos del capitulo primero de la unidad primera Tabla 1. Ejemplo de unidades experimentales a aleatorizar Tabla 2. Actividades a desarrollar para los captulos uno a tres de la primera unidad Figura 3. Ejemplo de una unidad experimental u observacional. Tabla 4. Ejemplo de un anlisis de varianza Figura 4. ANOVA toma de decisin. Figura 5. Portada del programa Statgraphics. Figura 6. Hoja de clculo de excell *. Tabla 5. Produccin de canastillas de uchuva en seis veredas Figura 7.Varianza entre las diferentes fincas productoras de uchuvas. Tabla 6. Resumen estadstico de los datos totales recolectados de la produccin de uchuvas en cinco municipios de Cundinamarca. Tabla 7. Resumen estadstico de los datos recolectados por mes de la produccin de uchuvas en cinco municipios de Cundinamarca. Figura 8. Grafico de la produccin anual de uchuvas. Figura 9. Grafico de cajas y bigotes de la produccin mensual de uchuvas. Figura 10. Grafico de medias e intervalos para la produccin de uchuvas por finca. Tabla 8. Anlisis de varianza (ANAVA) par el ejemplo de las fincas productoras de uchuva. UNIDAD SEGUNDA: Diseos experimentales aplicados a la ingeniera de alimentos Tabla 9. Procedimiento estadstico para la comprobacin de hiptesis Tabla 10. Anlisis de varianza para los tratamientos con un solo factor, en un diseo totalmente aleatorizado o completamente al azar. Tabla 11. Recopilacin y presentacin de los resultados de los tratamientos, en un diseo totalmente aleatorizado o completamente al azar. Figura 12. Diagrama de flujo para la produccin de rosquillas a partir de una masa estandarizada. Tabla 12. De aleatorizacin para el ejemplo de las rosquillas Tabla 13. Datos obtenidos en la determinacin de la dureza para el ejemplo de las rosquillas. Tabla 14. Anlisis de varianza para evaluar el efecto de los aditivos en la elaboracin de rosquillas. Tabla 15. Anlisis de homogeneidad y contraste de las rosquillas. Tabla 16. Recopilacin y presentacin de los resultados de los tratamientos, en un diseo de bloques completos al azar. Tabla 17. Arreglo de los datos en un diseo de bloques completos al azar. Tabla 18. ANOVA para un diseo en bloques completos al azar Tabla 19. Datos obtenidos en la determinacin del contenido de slidos para el ejemplo de concentracin del jugo de tomate. Tabla 20. Procesamiento de los datos obtenidos en la determinacin del contenido de slidos para el ejemplo de concentracin del jugo de tomate.
Tabla 21. ANAVA para los datos obtenidos en la determinacin del contenido de slidos para el ejemplo de concentracin del jugo de tomate. Tabla 22. Recopilacin y presentacin de los resultados de los tratamientos, en cuadro latino. Tabla 23. Arreglo de los resultados de los tratamientos, en cuadro latino. Tabla 24. ANOVA para el diseo de cuadro latino* Tabla 25. Datos recolectados por los tecnlogos Tabla 26. Calculo de los tratamientos (3eros o letras) Tabla 27. ANOVA para el diseo de cuadro latino del ejemplo perdida de peso Tabla 28. Arreglo de los resultados de los tratamientos, en cuadro GrecoLatino. Tabla 29. ANOVA para el diseo de cuadro greco latino* Tabla 30. ANOVA para el ejemplo de diseo de cuadro greco latino* Tabla 30. ANOVA para el ejemplo de cuadro greco latino* Figura 11.Un experimento factorial Figura 12.Un experimento factorial Tabla 31. ANOVA para el diseo factorial a x b Tabla 32. Resultados del ensayo NOVA para el diseo factorial a x b Tabla 33. ANOVA para el ejemplo de diseo factorial a x b Tabla 34. Signos algebraicos para calcular los efectos en un diseo 22 Tabla 35. ANOVA para un diseo factorial 22 Tabla 36. Respuestas para el ejemplo de diseo factorial 22 Tabla 37. Matriz para el ejemplo de diseo factorial 22 Tabla 38. Anlisis de varianza para el ejemplo de diseo factorial 22 Tabla 38. Combinacin de los tratamientos para un diseo 23 Tabla 39. Signos algebraicos para calcular los efectos en un diseo 23 Tabla 40. Calculo del Anlisis de varianza para un diseo factorial 23 Tabla 41. Datos de la viscosidad de la bebida desarrollada. Tabla 42. Promedio y factores calculados para el ejemplo de la viscosidad Figura 13. Pasos para calcular el ANOVA en un diseo 2k Tabla 43. Anlisis de la varianza para la viscosidad de bebida desarrollada. Tabla 44. Coeficientes de regresin de la ecuacin de los datos de viscosidad de la bebida desarrollada en el ejemplo anterior. Tabla 45. Valores para el r2 , el error estndar para el ejemplo de la viscosidad de la bebida desarrollada. Tabla 46. Resultados estimados para los datos de viscosidad con la ecuacin de regresin encontrada para el ejemplo anterior. Figura 16. Efectos medios para el ejemplo de la viscosidad. Figura 17. Interacciones para el ejemplo de la viscosidad. Figura 18. Interacciones para el ejemplo de la viscosidad. Tabla 48. Ecuaciones para el estimativo de una regresin lineal simple Tabla 49. Grado de asociacin de los coeficientes de correlacin para un conjunto de datos. (varios autores) Tabla 50. Modelos de regresin lineal simple Tabla 51. Transformaciones usadas para datos Tabla 47. Actividades a desarrollar en el semestre acadmico.
10
11
UNIDAD PRIMERA: Fundamentos del diseo experimental
Definir
Planear
Trabajo de campoLaboratorio
Datos
12
Algo de historia del diseo experimental
El Diseo de Experimentos tuvo su inicio terico a partir de 1935 por Sir Ronald A. Fisher, quin sent la base de la teora del Diseo Experimental y que a la fecha se encuentra bastante desarrollada y ampliada. Actualmente las aplicaciones son mltiples, especialmente en la investigacin de las ciencias naturales, ingeniera, laboratorios y casi todas las ramas de las ciencias sociales. La experimentacin proporciona los datos experimentales, en contraste con los datos de la observacin; los datos de la observacin se representan como su nombre indica por observaciones de las unidades elementales de una poblacin o de una muestra, y no deben ser cambiados ni modificados por ningn intento de parte de un investigador en el curso de la observacin.
13
DISEO EXPERIMENTAL PARA INGENIERA DE ALIMENTOS Tiene como fn Aplicar correctamente la terminologa y conceptos utilizados en los procesos investigativos Conformados por Conocimientos de los tipos de diseo experimental de utilidad en su disciplina
comprende Comceptos metodologicos investigacin di i li
comprende
de
Conocimientos de tcnicas y herramientas analticas y estadisticas
Con el fin de
Con el fin de
Con el fin de
Claridad procesos
de
los
Buen diseo de una Diseo apropiado de investigacin una investigacin

Con el fin de
Utilizacin razonable de recursos en los trabajos de grado
Con el fin de
Con el fin de
Buen diseo de una investigacin

Formando pprofesionales con
Concepcin critica de la investigacin en la solucin de problemas propios de la disciplina.
COMUNIDADES ACADEMICAS Y LOCALES
RED SEMNTICA PARA EL DISEO EXPERIMENTAL EN INGENIERA DE ALIM Figura 1. Red semntica para el diseo experimental en ingeniera de alimentos.
14
OBJETIVOS DEL MODULO La UNAD y la Facultad de Ciencias Bsicas e ingeniera a travs de este modulo suministrara los elementos esenciales para que el alumno que se encuentra cursando los semestres octavo, noveno y dcimo del ciclo de ingeniera conozca el proceso que requiere la elaboracin de un trabajo de investigacin respaldado por un estudio estadstico, aplicado a una recogida y toma de datos experimentales productos de una metodologa debidamente planificada, con interpretacin de resultados hasta su posterior anlisis y conclusiones. Finalmente se pretende que el alumno sea capaz de planificar y elaborar, por s mismo, estudios con aplicacin de la estadstica, relacionados con los obtenidos por medio de la bsqueda de documentacin en bibliotecas, en los laboratorio, en centros especializados en diversos estudios, en analizar tendencias poblacionales, etc., y el uso y manejo de algn paquete de software estadstico adecuado.
15
ES IMPORTANTE EL DISEO EXPERIMENTAL EN LAS CIENCIAS APLICADAS? Pregunta que ha sido respondida por los siguientes autores: "El diseo es fundamental en el experimento. La idea expresada en la hiptesis tiene que ser convertida en experimentable a travs del diseo. Para Plutchik, "los diseos experimentales se consideran como formas de disponer las condiciones de un experimento de tal manera que se logren las respuestas a las preguntas del caso". Por eso, Kirk asegura que un diseo consiste en el papel conforme al cual s asignan o distribuyen los sujetos a las diferente condiciones experimentales. Al preparar el diseo, el experimentador establece con qu variable actuar, cules son las variables dependientes que espera relacionar con la VI, seala cmo anular la influencia negativa de las VE. Asimismo, establece, con cuntos sujetos se realizar el experimento y decide la manera de su seleccin." L. Gildomero Arista, Metodologa de la investigacin (p.
169)
16
COMO SE EVALUARA EL CURSO DE DISEO EXPERIMENTAL? -A travs de pruebas escritas de contenido terico-prctico, en las que se valorar la claridad conceptual, la capacidad de relacionar conceptos, la justificacin adecuada de los procedimientos estadsticos utilizados, la coherencia en el desarrollo de resolucin de problemas y ejercicios prcticos y la correccin y adecuacin de la interpretacin de los resultados obtenidos. - Mediante la realizacin de trabajos en grupos y ejercicios prcticos.
17
Algunas citas de inters
"Experimentar dice Robert Plutchik significa "ensayar" o "poner a prueba" (Fundamentos de la investigacin, 1975). Lo que se pone a prueba, en este caso, es una hiptesis, una probable solucin o respuesta transitoria de un problema planteado en la ciencia... Escuchemos al respecto, la palabra de Claude Bernard, un clsico del mtodo experimental" se da el nombre de observador dice- a aqul que aplica los procedimientos de investigacin simples o complejos, para hacer que los fenmenos que nos hace variar y que, por consiguiente, recoge tales como se los ofrece la Naturaleza. Se da el nombre de experimentador, al que emplea los procedimientos de investigacin, simples o complejos, para hacer que los fenmenos naturales varen o se modifiquen con un fin cualquiera, y as hacerlos aparecer en circunstancias o condiciones en que no los presente la Naturaleza. En este sentido, la observacin es la investigacin de un fenmeno natural, y la experiencia es la investigacin de un fenmeno modificado por el que investiga" (Introduccin al estudio de la medicina experimental, 1960).
18
Para no olvidar
Los mtodos experimentales son ampliamente usados en la investigacin bsica y aplicada pero con propsitos muy diferentes. La meta primaria en la investigacin cientfica normalmente es mostrar la importancia estadstica de un efecto que un factor particular ejerce en la variable dependiente de inters En la industria, la meta primaria es extraer la cantidad mxima de informacin imparcial con respecto a los factores que afectan un proceso, la produccin y la calidad del producto terminado. El propsito de un diseo experimental es proporcionar mtodos que permitan obtener la mayor cantidad de informacin vlida acerca de una investigacin, teniendo en cuenta el factor costo y el uso adecuado del material disponible mediante mtodos que permitan disminuir el error experimental.
19
Cuando se inicia el diseo experimental? El Diseo de Experimentos tuvo su inicio terico a partir de 1935 por Sir Ronald Aymer Fisher, matemtico ingles nacido en Londres el 17 de febrero de 1890 y fallecido en Adelaida, Australia, el 29 de julio de 1962. Desde 1919 y hasta 1933, trabajo para la Rothamsted Experimental Station, cerca de Harpenden, Inglaterra en la aplicacin de un exhaustivo anlisis estadstico a los datos de investigaciones agrcolas que el personal haba recolectado. Ejercicio que le permiti desarrollar y consolidar los principios bsicos del diseo y anlisis experimental que hasta la fecha son prcticas necesarias para llegar a resultados de investigacin vlidos. Estudiando y analizando estadsticamente experimentos relativos a los cultivos de trigo, desarroll el anlisis de varianza y unific sus ideas bsicas sobre los principios del diseo de experimentos. Figura..2. sir Ronald Fisher. Su primera obra el artculo "The Arrangement of Field Experiments" lo publico en, 1926; en ese importante artculo describi tres componentes fundamentales de los experimentos en el rea de pruebas agrcolas: control local de las condiciones de campo para reducir el error experimental, replicacin como un medio para estimar la varianza del error experimental y la aleatorizacion para obtener una estimacin valida de esa varianza. Fue quin sent la base de la teora del Diseo Experimental y que a la fecha se encuentra bastante desarrollada y ampliada. Actualmente las aplicaciones son mltiples, especialmente en la investigacin de las ciencias naturales, ingeniera, laboratorios y casi todas las ramas de las ciencias sociales.(20) La experimentacin proporciona los datos experimentales, en contraste con los datos de la observacin; los datos de la observacin se representan como su nombre indica por observaciones de las unidades elementales de una poblacin o de una muestra, y no deben ser cambiados ni modificados por ningn intento de parte de un investigador en el curso de la observacin. (30). Ningn otro investigador ha tenido tanto impacto en los principios estadsticos del diseo de experimentos en su tiempo como Ronald A. Fisher.
20
Preguntas de repaso y evaluacin. Qu se entiende por investigacin? Cmo se define la investigacin cientfica? Qu es un diseo de investigacin? Qu es un experimento? Qu tipo de estudio son las investigaciones experimentales? En experimentacin que significa repetitividad?
21
Capitulo 1.La investigacin y el diseo experimental

1.1. Introduccin al diseo de experimentos La experimentacin juega un papel fundamental en todos los campos de la investigacin y el desarrollo. El objetivo de la experimentacin es obtener informacin de calidad y confiable. Informacin que debe permitir el desarrollo de nuevos productos y procesos, comprender mejor un sistema y tomar decisiones sobre como optimizarlo adems el de comprobar hiptesis cientficas, etc. Obviamente la experimentacin se debe planificar (disear) cuidadosamente para que proporcione la informacin buscada. Dicha planificacin debe considerar dos aspectos importantes relacionados con toda experimentacin: 1.1.2. Propsitos de la investigacin. La investigacin debe cumplir con dos propsitos fundamentales: Producir conocimientos y teoras, entonces se habla de una investigacin bsica o pura. Resolver problemas prcticos, mediante la aplicacin del conocimiento, entonces se habla de la investigacin aplicada o emprica. Este debe ser el campo de investigacin para las escuelas de la UNAD, por lo tanto la poltica ser fortalecer y desarrollar la investigacin aplicada. 1.2.El proyecto de investigacin. Es un documento que elabora el investigador para especificar las caractersticas de la indagacin que va a realizar, generalmente va antecedido de un anteproyecto. En un proyecto es preciso completar mucho ms la informacin, profundizando y definiendo mejor lo tratado en el anteproyecto y agregndole lo relativo al diseo de la investigacin, as como un marco terico que haga comprensible el sentido de lo que se proyecta. (28). 1.3. Anteproyecto de investigacin. Es un documento similar pero menos preciso que se elabora al comenzar la investigacin, apenas se hayan definido sus caractersticas principales. En un anteproyecto deben exponerse las caractersticas del problema, su justificacin, los objetivos de la investigacin y (si las hubiere) las hiptesis a verificar. 1.4. Investigacin cientfica. Este tipo de investigacin esta basada en la aplicacin del mtodo cientfico para la obtencin de un nuevo saber que en la mayora de los casos pretende mover las fronteras de la ciencia. 1.5. Investigacin aplicada. Este tipo de investigacin esta basada en la aplicacin de las metodologas propias del desarrollo de cada una de las ingenieras..
22
1.6. Diseo de investigacin. Realizar el diseo de una investigacin significa llevar a la prctica los postulados generales del mtodo cientfico, planificando una serie de actividades sucesivas y organizadas donde se encuentran las pruebas que se han de efectuar y las tcnicas que se van a utilizar para recolectar y analizar los datos. 1.7. El mtodo cientfico. El mtodo cientfico es el procedimiento o conjunto de procedimientos que se utilizan para obtener conocimientos cientficos, el modelo de trabajo o pauta general que orienta la investigacin. Tanto la investigacin cientfica, bsica como la aplicada, implica un proceso que comprende varias etapas fundamentales a saber: Seleccin, planteamiento y anlisis del problema que se va a investigar. Delimitacin del tema. Formulacin del marco terico (conceptos antecedentes referentes bibliogrficos). Presentacin de la hiptesis explicativa. Diseo metodolgico. Recoleccin de datos. Procesamiento, anlisis e interpretacin de los datos. Confrontacin con la hiptesis. Presentacin del informe final de la investigacin. El estudio del mtodo - o de los mtodos, si se quiere dar al concepto un alcance ms general - se denomina metodologa, y abarca la justificacin y la discusin de su lgica interior, el anlisis de los diversos procedimientos concretos que se emplean en las investigaciones y la discusin acerca de sus caractersticas, cualidades y debilidades 1.8. Mtodos de investigacin. La palabra mtodo se deriva del griego META: a lo largo y ADOS: Camino El mtodo es la manera de proceder en cualquier dominio, ordenando la actividad a un fin lgico, es un mtodo. El diseo de un mtodo especfico, una serie de actividades sucesivas y organizadas, que deben adaptarse a las particularidades de cada investigacin y que nos indican las pruebas a efectuar y las tcnicas a utilizar para recolectar y analizar los datos. El mtodo cientfico se fundamenta en observar algunos fenmenos caractersticos para descubrir las leyes que los rigen. La observacin y generalizacin mtodo cientfico. son los elementos ms importantes del
23
Para dar estructura y fundamentacin a la construccin del cimiento terico de toda ciencia, la investigacin recurre a los mtodos, por pertenecer a los principios bsicos de nuestra manera de pensar e investigar, y son comunes a todas las ciencias y que sin modificar su forma o naturaleza son aplicables a diferentes materias: 1.9. Estilo de trabajo investigativo Los estilos de trabajo son mtodos peculiares de cada disciplina (por ejemplo: "el mtodo antropolgico") y las formas particulares de investigacin que se utilizan para resolver problemas especficos de indagacin, como cuando se habla del "mtodo cualitativo", el "mtodo experimental" o el "mtodo estadstico". No existe un nico mtodo de la ciencia, ya que no investigan del mismo modo el astrnomo, el fisico y el economista, el historiador y el qumico, el antroplogo y el bioqumico, el sicologo y el ingeniero. La experiencia histrica muestra, adems, que los procedimientos de la ciencia cambian, porque son distintos los problemas que se van planteando y los instrumentos de ayuda estan en continua evolucion. 1.9.1. Mtodo Inductivo Variante del mtodo cientfico en la que el investigador parte de la informacin recogida mediante sucesivas observaciones para, mediante la generalizacin, establecer una ley del mbito lo ms universal posible. (Ortiz, Uribe. Diccionario de
investigacin. Noriega editores)
1.9.2. Mtodo Deductivo Otro elemento del proceder cientfico es el uso sistemtico de la inferencia, o razonamiento deductivo. Inferir significa sacar consecuencias de un principio o supuesto. La inferencia opera durante la investigacin y, por lo general, de la siguiente manera: una vez formulada una hiptesis se deducen de ella posibles consecuencias prcticas, que luego son sometidas, a su vez, a verificacin.(28). 1.9.3. Mtodo Hipottico- deductivo. Procedimiento que consiste en desarrollar una teora empezando por formular sus puntos de partida o hiptesis bsicas y deduciendo luego sus consecuencias con la ayuda de las subyacentes teoras formales. (Ortiz) 1.10. Niveles de investigacin Existen diferentes niveles de investigacin, segn el grado de profundizacin, del rigor y exactitud y del mtodo empleado, a saber: Nivel descriptivo: Responde a las preguntas qu es esto?, cmo se comporta? Describe, las propiedades o caractersticas del objeto en estudio. Nivel clasificatorio: existe una sistematizacin de los datos obtenidos de acuerdo a un criterio previamente definido. Nivel aplicativo: Se busca la causa de un fenmeno o problema, teniendo en cuenta el contexto prctico y terico. 1.11. Etapas de un trabajo de investigacin
24
Las etapas de todo trabajo de investigacin se pueden resumir de la siguiente manera: a) Enunciado del problema. b) Objetivos generales y especficos. c) Formulacin de hiptesis. d) Seleccin del procedimiento y diseo experimentales. e) Realizacin del experimento. f) Aplicacin de los mtodos estadsticos a los resultados. g) Interpretacin de resultados h) Anlisis econmico y su utilidad prctica para la comunidad. 1.12. Fundamentos de la experimentacin. La experimentacin tiene como finalidad: a) El estudio de la variacin de una poblacin de seres vivos. b) La comparacin entre poblaciones y muestras para juzgar su semejanza. e) La interpretacin de resultados de experimentos biolgicos, agropecuarios y de ingeniera, en donde se comparan poblaciones o muestras sometidas a diferentes estudios o pertenecientes a diferentes variedades o razas. d) La determinacin de la relacin entre dos o ms variedades (correlacin y regresin). e) La aplicacin de mtodos para reducir las fuentes de error en la correlacin de datos. f) Y en poblaciones segregadas la separacin de la variacin atribuible a la seleccin de los genes debido al medio, en estudios de herencia cuantitativa. 1.13. Que es la observacin Es la recoleccin de los datos necesarios para un estudio. La observacin es un mtodo clsico de investigacin cientfica; adems, es la manera bsica por medio de la cual obtenemos informacin acerca del mundo que nos rodea. Se fundamenta en los siguientes principios bsicos: Debe tener un propsito especfico. Debe ser planeada cuidadosa y sistemticamente. Debe llevarse, por escrito, un control cuidadoso de la misma. Debe especificarse su duracin y frecuencia. Debe seguir los principios bsicos de confiabilidad y validez. 1.14. Que es analizar? Despus que el investigador realiza las pruebas o ensayos propuestos toma datos de la variable dependiente seguidamente procede a categorizarlos, ordenarlos y resumirlo en una forma tal que le de respuesta a las preguntas planteadas en ella. En resumen es la operacin intelectual que considera por separado las partes de un todo.
25
Capitulo 2. Definiciones bsicas en el diseo de experimentos

2.1. Diseo de experimentos en la investigacin. Disear un experimento significa planear un experimento de modo que rena la informacin pertinente al problema bajo investigacin. El diseo de un experimento es la secuencia completa de pasos tomados de antemano para asegurar que los datos apropiados se obtendrn de modo de modo que permitan un anlisis objetivo que conduzca a deducciones vlidas con respecto al problema establecido. 2.2. Necesidad de disear experimentos. Esta surge de la necesidad de responder a preguntas como: Cmo se va a medir el efecto? Cules son las caractersticas a analizar? Qu factores afectan las caractersticas que se van a analizar? Cules son los factores que se estudiaran en esta investigacin? Cuntas veces deber ejecutarse el experimento? Cul ser la forma de anlisis? A partir de que valores se considera importante el efecto? El diseo de experimentos es una herramienta que nos ayuda a hacerlo de forma sistemtica. 2.3. Objetivos de un diseo de experimentos. Entre los muchos objetivos se encuentran: Proporcionar la mxima cantidad de informacin pertinente al problema bajo investigacin. El diseo, plan o programa debe ser tan simple como sea posible. La investigacin debe efectuarse lo ms eficientemente posible; ahorrar tiempo, dinero, personal y material experimental. "Proporcionar la mxima cantidad de informacin al mnimo costo" 2.4. El diseo de experimentos en la industria. En el caso de la ingeniera es fundamental conocer el comportamiento de un sistema, determinar las variables que tienen incidencia en un proceso, optimizar los procesos y sus productos para la reduccin de los costos. El diseo de experimentos es una herramienta que ayuda a hacerlo de forma sistemtica. En las ciencias agrarias igualmente colabora con los profesionales de la disciplina en la planeacin, ejecucin, anlisis y conclusin de los experimentos realizados para determinar el comportamiento de una raza de semovientes a una dieta. 2.5. Diseo experimental Se entiende por diseo experimental, el proceso de planeamiento de un experimento, tal que se tomen datos apropiados con la mayor realidad posible, los cuales deben ser analizados mediante mtodos estadsticos que deriven conclusiones vlidas y objetivas. Podemos decir que la filosofa del diseo
26
experimental es la obtencin de informacin con una alta fidelidad sobre el mensaje de la naturaleza a un costo mnimo. Es el ordenamiento de las unidades experimentales para controlar y minimizar el error experimental. 2.6. Utilidad del Diseo Estadstico de Experimentos. El mtodo tradicional de experimentacin, el que quizs surge de forma ms intuitiva y acorde con la experiencia del experimentador como por ejemplo variar-un-factor-cada-vez fijado a partir de unas condiciones iniciales y en donde se realizan experimentos en los cuales todos los factores se mantienen constantes excepto el que est estudio. De este modo, la variacin de la respuesta (Y) se puede atribuir a la variacin del factor, y, por tanto, revela el efecto de ese factor. El procedimiento se repite para los otros factores. Mtodo que presenta inconvenientes importantes cuando existe interaccin entre factores. La solucin, por lo tanto, debe consistir en variar ms de un factor simultneamente al realizar un nuevo experimento solucin conocida como Diseo Estadstico de Experimentos (DEE), universalmente denominado diseo experimental, como la metodologa basada en ayudas matemticas y estadsticas cuyo objetivo es ayudar al investigador a: 1. Seleccionar la estrategia experimental ptima que permita obtener la informacin buscada con el mnimo coste. 2. Evaluar los resultados experimentales obtenidos, garantizando la mxima fiabilidad en las conclusiones que se obtengan. 2.7. Experimento Conjunto de reglas usadas para obtener una muestra de la poblacin y al concluir el ensayo obtener informacin acerca de la poblacin. Un experimento es un procedimiento mediante el cual se trata de comprobar (confirmar o verificar) una o varias hiptesis relacionadas con un determinado fenmeno, mediante la observacin y medicin de las variables que influyen en el mismo. Por ejemplo todas las pruebas de laboratorio y las pruebas de campo que realices para desarrollar tu trabajo de grado. Es un cambio en las condiciones de operacin de un sistema o proceso para obtener una muestra de la poblacin y al concluir el ensayo obtener informacin acerca de la poblacin o del producto obtenido. Por ejemplo variar las condiciones de operacin (temperatura, presin, velocidad de agitacin de un proceso, las raciones para semovientes, dosis de agroqumicos). O la utilizacin de diferentes proporciones de materias primas y aditivos para mejorar la condicin de un producto de consumo masivo.
27
La experimentacin constituye uno de los pasos del mtodo cientfico. Ejemplos de sistemas experimentales son: - Una reaccin qumica y/o bioqumica, cuyo rendimiento (Y) puede ser funcin, entre otros, del tiempo de reaccin (t1), la temperatura de la reaccin (T2) y el tipo de microorganismo (Mo1) utilizado. Otras variables que pueden influir son, por ejemplo, la presentacin de los sustratos, la velocidad de agitacin,.... 2.8. Experimento aleatorio Actividad que tiene como resultado o que produce un evento. Prueba donde existen dos o ms resultados posibles, y no se pude anticipar cul de ellos va a ocurrir. Cuando en tus ensayos que vienes realizando no puedes controlar completamente todas las variables intervinientes en el proceso como variaciones internas de una dieta alimenticia, materia prima, temperatura del ambiente, metabolismo de los animales que intervienen en el experimento.. 2.9. Unidad experimenta1 10 Es el material experimental al que se le aplica un tratamiento de manera uniforme. Es la variable que el experimentador manipula o unidad de anlisis, se caracteriza por unos atributos que la diferencia unas de otras parcial o totalmente; pueden someterse a ordenacin de acuerdo con algn criterio. Unidad experimental es el material (objeto del experimento)al que se aplica un tratamiento de manera uniforme. Tambin es la unidad de observacin, es la entidad (p.ej el alimento, la parcela,el semoviente, el catador) sobre la que se mide una o varias caractersticas de inters. Por ejemplo: Puede ser un producto a mejorar, un conjunto de materias primas (frutas, hortalizas, tejidos musculares), un lote de un producto, un tubo de ensayo, etctera. Un producto de panadera, una variedad de productos del agro (maiz, harina de trigo), frutas de una regin, tejidos musculares, un sustrato para ensayos biotecnolgicos. 2.10. Seleccin del material experimental. (8) El muestreo, o seleccin de las unidades experimentales que van a componer la muestra a analizar, debe disearse de modo que esta muestra sea representativa del fenmeno o la poblacin estudiada, de manera que los resultados obtenidos se puedan extrapolar a situaciones diferentes de las que se van a medir.
28
Los principales problemas que comprometen dicha representatividad son la falta de independencia de las muestras y el efecto de factores no controlados que puedan estar afectando los resultados. La eleccin de las unidades es de importancia; por ejemplo en la planeacin de experimentos de campo, se han hecho numerosos estudios de la variabilidad entre los rendimientos de materias primas provenientes de cultivos en parcelas de diferentes tamaos formas y de compaas o marcas, bajo tratamiento uniforme. Si los resultados del experimento van a ser aplicados a material no seleccionado, estos tipos de especializacin tienen desventajas potenciales. Las respuestas obtenidas para tratamientos sobre material experimental altamente seleccionado, pueden no ser las mismas que se obtienen de material no seleccionado. Es importante definir el criterio de uniformidad el cual se refiere al tratamiento; al material experimental y la tcnica. La cantidad de muestra debe ser la suficiente para permitir al experimentador realizar medidas auxiliares. 2.11. Repetitividad (precisin) de un experimento Es la variacin en las mediciones hechas por un solo operador en la misma unidad y con el mismo instrumento o equipo de medicin. Se define como la variacin alrededor de la media. Esta variacin debe ser pequea con respecto a las especificaciones y o la variacin del proceso. 2.12. Reproducibilidad de un experimento Variacin entre las medias de las mediciones hechas por varios analistas con las mismas unidades experimentales y con el mismo instrumento de medicin.
Capitulo 3.Repaso a conceptos estadsticos

3.1. Variable. Se pueden definir como todo aquello que vamos a medir, controlar y estudiar en una investigacin o estudio. Son propiedades que se manipulan, miden y controlan en el transcurso de una investigacin difieren entre si en muchos aspectos siendo el ms importante el papel que desempean en una investigacin y en el tipo de medicin que se aplica. Tambin se puede definir como variable a todo aquello que puede asumir diferentes valores, desde el punto de vista cuantitativo o cualitativo. Por lo tanto, es importante, antes de iniciar una investigacin, que sepamos cules son las variables que vamos a medir y la manera en que lo haremos. Es decir, todas las variables que intervienen en la experimentacin deben ser susceptibles de medicin.
29
Por ejemplo el tiempo es considerado siempre una variable, el dimetro que define el tamao de un producto agrcola, una temperatura de proceso, una sustancia a adicionar en una formulacin o racion, el tipo de soporte a utilizar para inmovilizar una enzima, un abono; etc.
Cubillos, Munca, Jos Miguel. Estadistica 1 Mdulo Autoformativo. Escuela Superior de Administracin Pblica Programa de Administracin Pblica Territorial.2002.
3.2. Variable independiente. Una variable independiente es aquella que, dentro de la relacin establecida, no depende de ninguna otra, aunque pudiera estar dependiente si estudiramos otro problema. Son las condiciones manipuladas por el investigador a fin de producir ciertos efectos. Es el valor de verdad que se le da a una hiptesis en relacin con la causa, 3.3. Variable dependiente. (29 y otros) La variable independiente es aquella propiedad de un fenmeno a la que se le va a evaluar su capacidad para influir, incidir o afectar a otras variables. Es el factor que el investigador observa o mide para determinar el efecto de la variable independiente. La variable dependiente es la variable respuesta o variable salida. 3.4. Ejemplo de variables independiente y dependiente Por ejemplo, si el ingeniero investigador va a probar la hiptesis de que al suministrar una cantidad (%)determinada levadura a un amasijo, el grado de dureza del producto final se incrementa. En este caso, la variable independiente estar representada por la cantidad de levadura manipulada por el experimentador, y la variable dependiente ser el grado de dureza de los productos obtenidos. 3.5. Variable de respuesta. Es una variable que el experimentador mide despus de llevar a cabo los tratamientos para ver cmo es afectada por la variable experimental. Por ejemplo al suministrar una racin a una cra de conejos y cuantificar despus de dos meses la ganancia en peso de cada uno de ellos.. 3.6. Factores Son las variables de proceso en una investigacin, que se pueden medir en una escala continua. Por ejemplo presin, temperatura, peso, concentracin. 3.7. Nivel. Un valor especfico dentro de una escala ya sea cualitativo o cuantitativo que toma la variable experimental seleccionada para el estudio.. 3.8. Niveles de variables Son los diferentes valores (manipulados acorde con lo deseado) que se asignan a cada factor estudiado(variable independiente) en un diseo experimental.
30
La variacin (manipulacin) de una variable independiente puede realizarse en dos o ms grados. Los niveles pueden ser tomados de una escala de medida universal como por ejemplo dos grados Celsius,10 gramos o en %; etc. El grupo con ausencia de manipulacin se denomina de control y el grupo con la presencia de la variable independiente es el grupo experimental. En otros experimentos la variable independiente se puede manipular en ms de dos grados; por ejemplo cuando se utilizan tres niveles y se representan asi: X1 = concentracin permisible de un preservante ( para pures, emulsiones carnicas, salsas, raciones, agroqumicos; etc) X2 = concentracin intermedia del mismo preservante. X2 = concentracin maxima del mismo preservante. X0 = ausencia de preservante o los purs, emulsiones carnicas, salsas, etc, en su estado natural. Una combinacin de todos los factores se llama tratamiento. 3.9. Tratamiento. Los tratamientos vienen a constituir los diferentes procedimientos, procesos, factores o materiales y cuyos efectos van a ser medidos y comparados. El tratamiento establece un conjunto de condiciones experimentales que deben imponerse a una unidad experimental dentro de los confines del diseo seleccionado. En un experimento de una variable, cada tratamiento es un nivel de la variable experimental. Ejemplo: Dosis de acidificante, de protena, proporcin de estabilizante, procedencia de las productos provenientes del agro, variedades de un cultivo determinado. La Dosis suministrada (%) de una sustancia para mejorar las condiciones de un alimento; el sustrato aplicado (difrentes % s de nutrientes) en un proceso biotecnolgico; la velocidad de enfriamiento (refrigeracin); las variedades de un producto agrcola (naranja tangelo, valencia, mangoss, etc); la composicin de una atmsfera de almacenamiento (% de los gases), etc. En un experimento se puede considerar una combinacin de varios factores simples por ejemplo la composicin, la temperatura, la presin, el tiempo, etc. 3.10. Testigo El testigo es el tratamiento de comparacin adicional, que no debe faltar en un experimento; por ejemplo, si se usan cinco tratamientos con acidulante, el
31
testigo puede ser aquel tratamiento que no incluye acidulante. La eleccin del tratamiento testigo es de gran importancia en cualquier investigacin, este se constituye como referencial del experimento y sirve para la comparacin de los tratamientos en prueba. El es el tratamiento de comparacin adicional, que no debe faltar en un experimento. Por ejemplo, si se quiere probar en una mermelada el grado de gelificacin al agregar una nueva pectina, el rendimiento de extraccin de un jugo de naranja al utilizar una nueva tcnica de extraccin; se planear el ensayo de tal manera que se incluya una mermelada con una pectina tradicional ampliamente conocida y en la extraccin se incluir la tcnica tradicional que se venia utilizando. 3.11. Replica A cada repeticin de un tratamiento se le llama rplica. Una repeticin completa de un tratamiento es una rplica. La rplica produce los siguientes efectos: 1. Por lo general, el promedio de varias rplicas de un tratamiento se acerca ms que cualquier prueba sola al "verdadero" efecto de ese tratamiento. 2. Observando la variacin entre rplicas del mismo tratamiento, es posible estimar la magnitud del error experimental. Esto permite determinar si las diferencias observadas entre tratamientos en una variable de respuesta, realmente son causadas por los tratamientos o slo se deben a las variables de interferencia. 3. Si se asigna de manera aleatoria material experimental a las diferentes rplicas, es posible reducir los sesgos que podran producir resultados engaosos. 3.12. Aleatorizacin. (8) Es una tcnica dentro del diseo experimental la cual tiene como fin primordial asignar al material experimental un orden para realizar las corridas o ensayos individuales del experimento este orden se realiza al azar. Ayuda a sacar del promedio los efectos de factores extraos que pudieran estar presentes. Si el nmero de unidades no excede de 16 pueden usarse las tablas de los libros de estadstica. Por ejemplo supongamos que hay 3 tratamientos, 2 de los cuales tienen 4 repeticiones y el tercero 8. En cualquier orden conveniente, se asignan los nmeros del 1 al 16 a las unidades.
32
Y acorde con las TABLA 1. del capitulo uno de la unidad uno ( Permutaciones al azar), permutaciones de: 5 para una permutacin al azar seleccionamos; por ejemplo: la columna ( ) que tiene el siguiente orden: 4 3 9 2 9 (para las primeras cinco columnas resaltadas y por ejemplo para las U12 - U16 9 6 9 8 1 Y comenzamos a dar estos cdigos a las unidades iniciando con la U1 y asi hasta finalizar con la U16 Tabla 1. Ejemplo de unidades experimentales a aleatorizar U1 U9 U2 U10 U3 U11 U4 U12 U5 U13 U6 U14 U7 U15 U8 U16
*** Por ejemplo, podra hacerse un experimento para averiguar cmo los distintos tipos de azcares afectan la textura o cmo las temperaturas del procesamiento afectan el contenido de humedad de un producto. La informacin obtenida hace posible manipular una o varias variables a fin de controlar otras.
3.14. Respuesta a las preguntas

Qu es investigacin? Segn Enrique Biermann, la investigacin obedece a diferentes conceptos, entre los cuales se resumen los siguientes: Es el proceso por el cual el hombre, partiendo de preguntas de diverso orden e importancia, busca obtener respuestas, para obtener diferentes objetivos Es un proceso de conocimiento y aprendizaje terico - prctico, que se desarrolla en diferentes fases, mediante el empleo de diferentes instrumentos o herramientas Qu es investigacin? Segn Enrique Biermann, la investigacin obedece a diferentes conceptos, entre los cuales se resumen los siguientes: Es el proceso por el cual el hombre, partiendo de preguntas de diverso orden e importancia, busca obtener respuestas, para obtener diferentes objetivos Es un proceso de conocimiento y aprendizaje terico - prctico, que se desarrolla en diferentes fases, mediante el empleo de diferentes instrumentos o herramientas En sntesis se puede decir que: investigar es buscar respuestas a diferentes incgnitas que se plantean ante cualquier suceso o problema pero, que en la medida que encontramos respuestas se presentan otras incgnitas, que nos obliga a seguir indagando. Entonces, qu es investigacin cientfica? La investigacin cientfica se puede definir, como un tipo de investigacin sistemtica, controlada, emprica y crtica, de proposiciones hipotticas, sobre las presumidas relaciones entre fenmenos naturales. Sistemtica y controlada implica, que tiene un mtodo y que los hechos no se dejan a la causalidad; emprica que se basa en fenmenos observables de la realidad y crtica que los hechos se plantean de manera objetiva, dejando a un lado las preferencias personales o juicios de valor.
33
TABLA 2. Actividades a desarrollar en el capitulo tres
Actividades Actividades Trabajo a realizar Cada estudiante debe en una serie de propuestas de investigacin identificar quin es la poblacin, la muestra e identificar de qu tipo son las variables que se incluyen. Para un trabajo de grado desarrollado en el ciclo profesional realice una investigacin estadstica sobre las caractersticas de las materias primas utilizadas. Ejercicio practico de estudio, reflexin y anlisis. Numeral 2.37 Y acorde con la tabla de permutaciones como realizara la estabilizacin de un producto desarrollado en el PEDT? *** O de una practica que hallas realizado en un curso tomado en la profesin que estudias.
Fecha de entrega
Fase de aprendizaje
Actividades N1
Trabajo para realizar por los estudiantes
Acorde con la programacin la convenida con el tutor
Reconocimiento
Actividades N2
Profundizacin
Actividades N3 Trabajo para realizar por los estudiantes Ejercicio propuesto por el docente del curso
Acorde con la programacin la convenida con el tutor Transferencia
34
Capitulo cuarto:
experimentales
Definiciones y herramientas aplicadas a los diseos
4.1. Poblacin y muestra. Poblacin o universo es cualquier conjunto de unidades o elementos como personas, fincas, producto agrcola, producto terminado, etc., claramente definidos para el que se calculan las estimaciones o se busca la informacin. En todo diseo experimental deben estar definidas las unidades, su contenido y extensin. Cuando es imposible obtener datos de todo el universo es conveniente extraer una muestra, subconjunto del universo, que sea representativa. En todo proyecto se debe especificar el tamao y tipo de muestreo a utilizar: 4.2. Poblacin Se encuentran varias definiciones para una poblacin transcribiremos algunas de ellas: Es el conjunto formado por todas las unidades objeto de un estudio estadstico. Tambin lo podemos definir como el conjunto de individuos o elementos que cumplen ciertas propiedades comunes. O como la coleccin de todos los elementos que se estn estudiando y sobre los cuales intentamos llegar a unas conclusiones. 4.2.1. Tipos de poblaciones En relacin al tamao de la poblacin, sta puede ser:
Finita, como es el caso del nmero de personas que integran una escuela, un panel de degustacin, los arboles de una finca, las reses de una granja experimental: etc.. Tambin todos los productos obtenidos en un da de proceso(tres turnos). Infinita, si por ejemplo estudiamos el mecanismo aleatorio que describe la secuencia de caras y sellos obtenida en el lanzamiento repetido de una moneda al aire, las reses que se puedan conseguir a nivel mundial, la produccin de un metabolito por determinados microorganismos de la selva amazonica.
Consideremos que se va a realizar una degustacin sensorial de un nuevo alimento en la poblacin formada por todos los estudiantes de la escuela (alimentos+sistemas+bsicas+regencia de farmacia) o poblacin finita. 4.3. Individuos o elementos
35
Personas u objetos que contienen cierta informacin que se desea estudiar. Por ejemplo todos los embutidos provenientes de un turno laboral al que se le han modificado algunas etapas de elaboracin. 4.4. Muestra Subconjunto
representativo
de
una
poblacin.
Puede ser el embutido(s) tomado(s) de una produccin para anlisis sensorial y fisicoqumico.
Unidad experimental
Unidad observacional
Bordura Un semoviente de un hato, una codorniz de una avcola. Figura 3. Ejemplo de una unidad experimental uobservacional. 4.5. Tipos de muestreo 4.5.1. Muestreo aleatorio simple En este tipo de muestreo cada elemento tiene la misma probalbilidad de ser elegido y todas las combinaciones son igualmente probables. La poblacin se supone probable. La seleccin se puede hacer con reemplazamiento o sin reemplazamiento; en el primer caso cada elemento puede seleccionarse mas de una vez mientras que en segundo puede seleccionarse solo una vez. Con reemplazamiento cuando en un estudio de almacenamiento de un comestible se toma la muestra empacada (una libra) se le realizan pruebas y se regresa la muestra al sitio de almacenamiento. 4.5.1. Muestreo estratificado En este caso la poblacin puede divirse en en grupos o en categoras(estratos). Por ejemplo se tiene una poblacin integrada por 200 reses para un estudio de parasitismo, para su estudio se clasifican acorde con las razas ( 20 normando, 30 santa getrudis, 100 holstein, 50 yersey), las edades y algn otro criterio que los investigadores consideren importante Despus de divididas las muestras pasa a ser un muestreo aleatorio simple.
36
4.6.Datos obtenidos Son los reportes que se obtienen producto de la actividad investigativa y dan conocimiento a la variabilidad de las observaciones del experimento. Estos usualmente son los reportados como Yi.. ; etc. En todos los ejercicios que se realizaran en el modulo. 4.7. Eleccin de la muestra. (Varios autores) Para que una muestra resulte representativa de toda la poblacin, debe ser lo suficientemente grande como para reflejar la variacin dentro de la misma. Por ejemplo, para evaluar el rendimiento en jugo por hectrea de una produccin de naranjas tangelo sembrada en una superficie de 30 hectreas, se podra medir el rendimiento de una hectrea y multiplicarlo por el nmero de hectreas del sitio de donde provienen. Sin embargo, el rendimiento entre rboles difiere considerablemente; sin duda se obtendr una estimacin ms exacta midiendo el rendimiento en jugo, por ejemplo, de 10 hectreas y obteniendo un resultado, ms verosmil y ms cercano al que se obtendra con la medicin de todas las plantas. 4.8. Parmetro Este es un termino empleado por los estadsticos para describir las caractersticas de las poblaciones y las muestras, se denominan as las mediciones de tendencia central y variacin, como la media y la desviacin estndar, de las caractersticas fijas e invariables de las poblaciones. Es decir es una funcin definida sobre los valores numricos de caractersticas medibles de una poblacin. 4.9. Estadstico Es una funcin definida sobre los valores numricos(observaciones) de una muestra. Puede ser la media, la varianza, etc. Tabla3. 4.12. Estimacin puntual y por intervalo. 30 Un estimador puntual de un parmetro desconocido, es un estadstico que genera un valor numrico simple que se utiliza para hacer una estimacin del valor del parmetro desconocido. Por ejemplo, tres parmetros relacionados con las caractersticas de calidad de un proceso, sobre los que frecuentemente se desea hacer inferencia, son: La media del proceso (poblacin), la varianza a2 o desviacin estndar a del proceso. 4.13. La media aritmtica. Es la resultante promedio de un conjunto de valores de los cuales algunos tienen ms frecuencia representativa. Cuando nos referimos al "promedio" de algo, estamos hablando de la media aritmtica.
37
Para encontrar la media aritmtica, sumamos los valores y el resultado lo dividimos entre el nmero de observaciones. La media de una poblacin se simboliza con (letra griega miu). El nmero de elementos de una poblacin se denota con la letra mayscula cursiva N. Por lo general, estadsticamente se utilizan letras del alfabeto latino para simbolizar la informacin sobre las muestras y letras del griego para referirnos a la informacin sobre poblaciones.
Tabla 3. Smbolos para los parmetros y estadsticos
CARACTERISTICA
SIMBOLO DEL PARAMETRO
SIMBOLO ESTADISTICO
Media Desviacin estandar
x
SD S2
Varianza
Correlacin Proporcin
r p
4.14. Clculo de la media a partir de datos no agrupados. (2, 3, 7) Media de la poblacin: =x/N X =x/n
Ecuacin 1 Ecuacin 2
Para calcular esta media, sumamos todas las observaciones. Los estadsticos se refieren a este tipo de datos como datos no agrupados. 4.15. Clculo de la media de datos agrupados. Para calcular este estadstico se deben tener en cuenta las siguientes consideraciones: Una distribucin de frecuencias consta de datos agrupados en clases.
38
Cada valor de una observacin cae dentro de alguna de las clases. No sabemos el valor individual de cada observacin. A partir de la informacin de la tabla, podemos calcular fcilmente una estimacin del valor de la media de estos datos agrupados. Para encontrar la media aritmtica de datos agrupados, primero calculamos el punto medio de cada clase. Para lograr que los puntos medios queden en cifras cerradas, redondeamos las cantidades. Despus, multiplicamos cada punto medio por la frecuencia de las observaciones de dicha clase, sumamos todos los resultados y dividimos esta suma entre el nmero total de observaciones de la muestra.
X = ( fX / n) Ecuacin 3
f = frecuencia de observaciones de cada clase x= punto medio de cada clase de la muestra n = nmero de observaciones de la muestra 4.16. Varianza de una poblacin. (2, 3, 7 y varios autores) Es igual a la suma de los cuadrados de las diferencias alrededor de la media de poblacin , dividida entre el tamao de la poblacin.
2 = ( X i )2
i =1
Ecuacin 4
(X
i =1
) 2 = Suma
de los cuadrados de las diferencias entre los valores X i y
Ecuacin 5
N = tamao de la poblacin 4.17. Desviacin estndar de una poblacin La desviacin estndar de la poblacin es:
[ ( X i ) 2
i =1
N ] Ecuacin 6
4.18. Significancia estadstica p. El valor p o de significacin observado de una prueba estadstica es el valor mas pequeo de ] con el cual puede rechazarse H0. Es el riesgo real de cometer un error tipo I, si se rechaza H0 con base en el valor observado del
39
estadstico de prueba.en otras palabras el valor p mide la fuerza de la evidencia contra H0 En la experimentacin, se acostumbra usar niveles de significancia del 5 y del 1 por ciento. Si el valor p es menor que un nivel de significacin ] preasignado, entoces puede rechazarse la hiptesis nula, e informar que los resultados son estadsticamente significativos en el nivel ] . Cuando la hiptesis nula es cierta, entonces se dice que la diferencia es significativa. Al informar acerca de la significacin estadstica muchos investigadores escriben ( p<0,05), para indicar que el valor p de la prueba era menor que 0,05, haciendo os resultados significativos en el nivel de 5%. En las revistas de que publican trabajos de investigacin esto se expresa como significativos (p<0,05) y el valor del criterio de la prueba se marca con un asterisco *. Si un valor del criterio de prueba tiene una probabilidad menor que el 1 por ciento cuando la hiptesis nula es verdadera, se dice que la diferencia es altamente significativa y el valor calculado del criterio de prueba se seala con dos asteriscos **. 4.8. Tamao de la muestra En un experimento tomar una muestra ms pequea de la necesaria naturalmente ser menos costosa pero conducir a resultados sin utilidad prctica puesto que el error estndar se incrementa a niveles inadmisibles. Una amplia variedad de frmulas se emplean para calcular cul es el tamao requerido de una muestra mientras que diversos programas de cmputo hacen los clculos de tamaos de las muestras para un gran nmero de diseos de estudios y de mtodos estadsticos. Lerman (1996) hizo una descripcin avanzada acerca de la lgica para calcular el tamao de una muestra para investigacin en ingeniera. En cualquier diseo experimental se debe decidir el numero de replicas que se realizara por cada tratamiento. Este numero de replicas determina el tamao de la muestra. Por ejemplo si se espera que se hallen pequeas diferencias en la respuesta final el nmero de muestra debe ser el mayor posible para detectar diferencias significativas. Y al contrario si las diferencias son grandes. Y por el contrario si son varios tratamientos se deben reducir las replicas. Tambin es muy importante considerar el costo, el material disponible y la disponibilidad de los equipos a utilizar. De all que es muy importante tener criterios para calcular, as sea aproximadamente, el tamao de la muestra. Para ello se usan frmulas
40
basadas en las propiedades de la distribucin normal y el error estndar que permiten calcular los intervalos de confianza para obtener una determinada probabilidad P. Para determinar el tamao de la muestra se deben considerar la confiabilidad, la probabilidad y el error muestral.
Por ejemplo sea la media de una poblacion y ancho del intervalo esta definido como;
x ,la media muestral el

(media de la
Ancho del int ervalo = X

__
__
Ecuacin 7
o sea la desviacin de X poblacin).
(media muestra/) con respecto a
X = (ZS ) / n
Ecuacin 8
Si Si
__
L X = d S, se puede decir que

n Ecuacin 9
__
d=Z S
n =Z S
2 2
d
Ecuacin 10
2
n=Z S d Entre las muchas formulas propuestas por los estadsticos para calcular el tamao de una muestra se consigue la siguiente si el investigador tiene pensado realizar el muestreo con reemplazamiento o de una poblacin infinita el numero de muestra a considerar es:
n = Z2 S2N / d2 (N-1)+Z2 S2 Ecuacin 11

N = Tamao de la poblacin
S = Recorrido de la variable (R.V) /6 = { [Valor mximo de la Variable - valor mnimo de laVariable ] / 6} Ecuacin 12 Donde Z = Coeficiente de confiabilidad y depende de la probabilidad deseada o valor critico correspondiente a un rea de (1- )/2 desde el centro de una distribucin normal. S= Desviacin estndar de la muestra.
n = Tamao de la muestra.
La frmula anterior requiere que se conozca la desviacin estndar la cual no se conoce y debe estimarse para lo cual se pueden utilizar los siguientes procedimientos:
41
- Se toma una muestra piloto de la poblacin. La varianza de esta muestra se usa como una estimacin de S2. - Si existen datos de estudios similares anteriores puede usarse como estimacin uno de ,ellos. 4.9. Ejemplo de determinacin de nmero de muestras. a) Poblacin infinita En una fabrica de conservas se establece una muestra de 700 mermeladas y una probabilidad de que algunas presenten histeresis (lloronas) en un 30%, con una confiabilidad del 95%, encontrar el error muestral. Como no se conoce la varianza supongamos que se toman al azar una serie de muestras (20 frascos) en dos turnos de proceso y se determina que tienen una desviacin estndar de S2 = 10 El siguiente paso es calcular el coeficiente de confiabilidad Z asociado a la confiabilidad del 95% Z = (1- )/2 = (1-5)/2= 2 Aplicando la formula
n = Z2 S2N / d2 (N-1)+Z2 S2
De que orden seria el tamao de la muestra a tomar? Y el error muestral si se hubieran tomado solo 10 frascos? b) Calcular el tamao de la muestra para el mismo producto (memelada) con una confiabilidad del 96% , un error del 1.5%, y una probabilidad de que el fenmeno acurra estimada en el 60%. n = Z02 PQ / E2 n = 9 (60)(40)/ 2.25 = 864 frascos 4.9. Recomendaciones para la eleccin y tamao de muestra. (8 y varios
autores)
Los investigadores deben conocer qu tan grande se necesita la muestra antes de comenzar una investigacin, porque de otra manera no podrn determinar la significancia cuando se presente o se requiera. Para calcular el tamao de la muestra a utilizar en una investigacin que requiere una media se debe responder a las siguientes cuatro preguntas: 1. Qu grado de significancia (grado o valor de p) requiere en relacin con la hiptesis de nulidad? 2. Cul es el grado de la potencia (igual a 1 o valor de r2 ) que desea? 3. Qu tan grande debe ser la diferencia ente la media y el valor estndar o norma para que la diferencia tenga importancia desde la ingeniera de alimentos?
42
4. Cul es una estimacin suficiente de la desviacin estndar en la poblacin? 4.19. Hiptesis Etimolgicamente es la suposicin de una verdad que debe ser verificada o rechazada. Es una explicacin que al comienzo de una investigacin se le da a un hecho, es una conjetura a la realidad. Y sirve para orientar al investigador en el encuentro de una verdad.(Ver modulo de
trabajo de grado ciclo tecnolgico y ciclo profesional del mismo compilador)
4.20. Planteamiento de una hiptesis estadstica Una hiptesis estadstica es una afirmacin sobre los valores de los parmetros de una poblacin o proceso, que es susceptible de probarse a partir de la informacin contenida en una muestra representativa obtenida de una poblacin. Por ejemplo, la afirmacin "este proceso produce menos del 6% de defectuosos" se puede plantear estadsticamente, en trminos de, proporcin p desconocida de artculos defectuosos que genera el proceso. Ho : p =0.06 (la proporcin de defectuosos es 0.06) HA: p < 0.06 (la proporcin es menor a 0.06) 4.21. Formulacin y prueba de hiptesis Una hiptesis es una afirmacin acerca de algo. En estadstica, puede ser una suposicin acerca del valor de un parmetro desconocido. La prueba es el medio de verificacin para saber si algo es verdadero o falso y hasta que grado podemos decir que sea verdadero o falso. Pasos en la prueba de hiptesis: Definir la hiptesis nula: suponer una hiptesis acerca de una poblacin. Formular una hiptesis alternativa: es una contra-hiptesis. Definir un criterio de decisin para rechazar o no la hiptesis nula. Inspeccionar los datos de la muestra. Calcular una estadstica de muestra. Utilizar la estadstica de muestra para evaluar la hiptesis.
Recomendacin se debe hablar de "no rechazar" una hiptesis en lugar de "aceptar", ya que las pruebas no son concluyentes. 4.22. Estadstico de prueba. Una vez planteada la hiptesis, se toma una muestra aleatoria (o se obtienen datos mediante un experimento planeado de acuerdo a la hiptesis de la poblacin en estudio). El estadstico de prueba es un nmero calculado a partir de los datos y la hiptesis nula, cuya magnitud permite discernir si se rechaza o
43
se acepta la hiptesis nula Ho Al conjunto de posibles valores del estadstico de prueba que llevan a rechazar Ho,se le llama regin o interur de rechazo para la prueba, y a los posibles valores donde no se rechaza Hl les llama regin o intervalo de aceptacin. Por ejemplo, para las hiptesis planteadas el estadstico de prueba est dado por 0.08 Zo = vlO.08(1- 0.08) / n' 4.23. Anlisis de datos. (2, 3, 7 y varios autores) El anlisis depende del nivel de medicin de las variables, de la manera como se hayan formulado las hiptesis, el inters del investigador en el problema que este investigando. Podemos usar una serie de nmeros conocidos como estadstica sumaria para describir las caractersticas del conjunto de datos. Dos de estas caractersticas son de particular importancia para los responsables de tomar decisiones: la de tendencia central y la de dispersin, entre los cuales tenemos la mediana, la moda, medidas de tendencia central, desviacin media, la dispersin, sesgo en curvas y graficas, curtosis, la media aritmtica, la mediana, la moda, la dispersin, distribucin de frecuencias, histogramas, la varianza de una poblacin, puntuaciones Z, razones y tazas, anlisis de varianza. 4.24. Pruebas de hiptesis. (2, 3, 7 y varios autores) En general una prueba de hiptesis comienza con una teora o aseveracin relativa a cierto parmetro de una poblacin para lo cual se definen dos hiptesis conocidas como: La Hiptesis nula Ho la cual es la hiptesis que se prueba siempre. Y la Hiptesis alternativa H1 que se establece como el opuesto a la hiptesis nula y representa la conclusin que se apoya si la hiptesis nula se rechaza.
En lo que se conoce como metodologa de prueba de hiptesis clsica, se recomiendan los siguientes puntos a tener en cuenta: La Hiptesis nula Ho siempre se refiere a un valor especifico del parmetro de poblacin (como ) , no al estadstico maestral ( como
X)
A partir de este numeral se deben consultar las tablas que se encuentran e textos de estadstica como las tablas T-Student, de distribucin F, comparacin de medias de Duncan, etc. 4.25. Pruebas de hiptesis Z para una media poblacional (
conocida)
Z = X
n ) Ecuacin 13
44
X = Media muestral observada; = media hipottica
El denominador representa el error estndar. 2 = Varianza de la poblacion 4.26. Ejemplo y procedimiento a desarrollar para una prueba de hiptesis propiamente dicha. Una organizacin de consumidores esta interesada en determinar si existe diferencia en el peso entre diferentes marcas de cajas de 500 gramos de cereales para el desayuno, para lo cual acepta una varianza de 10 gramos. Para el efecto el estudiante ( de ser posible) recopilara 25 datos, los almacenara en una tabla y los analizara; se aconseja trabajar con una significanca del 5%. Los pasos a seguir para la prueba de hiptesis son los siguientes: 1. Establezca la hiptesis nula Ho. sta debe expresarse en trminos estadsticos. Por ejemplo: Al probar si la cantidad promedio de llenado es 500 gramos, la hiptesis nula asegura que ( ) es igual a 500gramos. 2. Establezca la hiptesis alternativa H1. Tambin debe expresarse en trminos estadsticos. Al probar si la cantidad promedio de llenado es de 500 gramos, la hiptesis alternativa asegura que ( ) es inferior a 500 gramos. 3. Elija el nivel de significancia . ste se determina despus de tomar en cuenta los riesgos especificados de cometer errores tipo I y tipo II en una situacin particular. La compaia eligi = 0.05. 4. Elija el tamao de la muestra n. ste se determina despus de tomar en cuenta los riesgos especificados de cometer errores tipo I y tipo II ( es decir, los niveles seleccionados de a y y de considerar las restricciones de presupuesto al realizar el estudio. En este caso se pesaron 25 cajas de cereal seleccionadas al azar. 5. Determine la tcnica estadstica adecuada y la estadstica de prueba correspondiente que se usar. Dado que si se conoce por que la compaa especific que eran 15 gramos, se eligi una prueba Z. 6. Establezca los valores crticos que dividen las regiones de rechazo y no rechazo. Una vez especificadas las hiptesis nula y alternativa y determinados el nivel de significancia y el tamao de la muestra, se pueden encontrar los
45
valores crticos para la distribucin estadstica adecuada, de manera que se puedan indicar las regiones de rechazo y no rechazo. Para el caso se utilizaran los valores + 1.96 Y - 1 .96 para definir las regiones porque el estadstico Z se refiere a la distribucin normal estndar. 7. Recopile los datos y calcule el valor muestral del estadstico de prueba adecuado. Realice una toma de datos (determinacin) y calcule la gramos, entonces y obtenga el valor Z = + ........... X media = .......
8. Determine si el estadstico de prueba est en la regin de rechazo o de no rechazo. El valor calculado del estadstico de prueba se compara con los valores crticos de la distribucin muestral apropiada para determinar en qu regin se encuentra. En este caso, . Z= +...... esta en la regin de rechazo o no rechazo porque 1.96 < Z == +.... < + 1 .96. 9.Tome una decisin estadstica. Si el estadstico d prueba est en la regin de no rechazo, la hiptesis nula, Ho no se puede rechazar; si el estadstico de prueba est en la regin de rechazo, la hiptesis nula se rechaza. 10. Exprese la decisin estadstica en trminos de una situacin particular. De ser afirmativa la diferencia entre las cantidades, que accin correctiva propondras y aplicaras? 4.27. Prueba de t. (12) La prueba de t es conocida a veces como prueba de t de Student, por recibir el nombre de la persona que la estudi primero, en 1890. Student en realidad era un matemtico llamado William Gosset, empleado por la Cervecera Guiness, quien se vio obligado a usar el pseudnimo de Student, debido a que por poltica de la compaa se tena prohibido a los empleados publicar sus investigaciones. Gosset descubri que cuando una observacin procede de una distribucin normal, las medias se distribuyen de manera normal, slo s se conoce la verdadera desviacin estndar de la poblacin. La prueba de t se emplea mucho en todas las reas de la ciencia. La distribucin de t, es similar a la distribucin de z la cual se explic en numeral anterior y, uno de sus mayores usos, es responder a interrogantes de investigacin sobre medias y cuando se desconoce la verdadera desviacin estndar.
t = X
(S
n ) Ecuacin 14
46
S, es la desviacin estndar calculada por:

S = [ (X i X )2
i =1 n
n 1] Ecuacin 15
4.28. Suposiciones de la prueba de t con una muestra. (2) Para usar una prueba t con una muestra, se supone que los datos numricos se obtienen de una manera independiente y representan una muestra aleatoria de una poblacin que sigue una distribucin normal. En la prctica, se ha encontrado que siempre que la muestra no es muy pequea y la poblacin no tenga un sesgo grande, la distribucin t proporciona una aproximacin a la distribucin muestral de la media cuando (sigma) no se conoce.
4.29. Prueba de z para la diferencia entre dos medias. (2, 3, 7, 12 y varios

autores)
Z = (X 1 X 2
) (1 2 )
2 1
n1 ) + ( 2
n2
Ecuacin 16
X = Media de la muestra de la
poblacion 1 ;
1 2 = Media de la poblacion 1 1 2 = Varianza de la poblacion 1 ; n1 = tamao de la muestra tomada de la

poblacin 1
X2
= Media
de la muestra de la poblacion 2 ;
2 2 = Media de la poblacion 2
2 2 = Varianza de la poblacion 2 ; n2 = tamao de la muestra tomada de la
poblacin 2
El estadstico de prueba sigue una distribucin normal estndar.
H o : 1 = 2
1 2 = 0
H 1 : 1 # 2
1 2 #0
47
4.30. Prueba de t para la diferencia entre dos medias El clculo de la prueba de t para la diferencia entre dos medias se realiza con:
t = X1 X 2
) ( 1 2 )
(Sp{(1
n1
) + (1
n2 )}
Ecuacin 17
2 S = (n1 1) S12 + (n 2 1) S 2
(n1 1) + (n 2 1)
Ecuacin 18
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 4.31. Grados de libertad. Es el nmero de observaciones tomadas en exceso para estimar un parmetro.
(Lipson y Sheth 1973).
O el numero de variables menos el numero de relaciones lineales ( restriccin). 4.32. Anlisis de la varianza. (3, 7, 8, 27 y varios autores) El anlisis de varianza fue ideado por Sir Ronald Fisher en 1925, de gran aplicacin cuando en una investigacin se tiene el propsito de corrobar por medio del anlisis estadstico los efectos de uno o ms factores sobre el comportamiento de una caracterstica o variable dependiente. El como Anova (Analysis of variance) o Anava; es una tcnica estadstica que sirve para analizar la variacin total de los resultados experimentales de un diseo en particular, descomponindolo en fuentes de variacin independientes atribuibles a cada uno de los efectos en que constituye el diseo experimental, compara dos o ms medias. Esta tcnica tiene como objetivo identificar la importancia de los diferentes factores tratamientos en estudio y determinar como interactan entre s. El ANOVA es una prueba semejante a la prueba t de Student, en cuanto a la prctica, pero la comparacin entre grupos no es a travs de la media y su desviacin estndar, sino a travs de la varianza de la variable numrica y, en cada grupo de la variable categrica x. Bsicamente el anlisis de Varianza, se utiliza para corroborar si la significacin de diferencias entre medias de dos o mas grupos, son o no debidas al azar. La cifra estadstica obtenida con el Anova es la razn F. Suponiendo que se analizan 2 grupos, el Anova, analiza las variaciones entre los dos grupos (inter-grupal) y la compara con la variacin dentro de cada
48
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 intragrupales, seguramente existen diferencias significativas entre los grupos que no son debidas al azar. Los grupos se definen como en la prueba t eligiendo una variable categrica. La variable a analizar debe ser numrica y de distribucin simtrica. 4.33. Bases del anlisis de la varianza. Supnganse k muestras aleatorias independientes, de tamao n, extradas de una nica poblacin normal. A partir de ellas existen dos maneras independientes de estimar la varianza de la poblacin (S2) 1) Una varianza dentro de los grupos (ya que slo contribuye a ella la varianza dentro de las muestras), o varianza de error, o cuadrados medios del error, y habitualmente representada por 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 tambin un estimador centrado y ms 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 trminos independientes de la suma de cuadrados. 2) Otra llamada varianza entre grupos (slo contribuye a ella la varianza entre las distintas muestras), o varianza de los tratamientos, o cuadrados medios de los tratamientos y representada por SCtrat o MSB (Mean Square Between). Se calcula a partir de la varianza de las medias muestrales y es tambin un cociente; al numerador se le llama suma de cuadrados de los tratamientos (se le representa por SCtrat) y al denominador (k-1) grados de libertad. SCtrat y SCError , estiman la varianza poblacional en la hiptesis de que las k muestras provengan de la misma poblacin. La distribucin muestral del cociente de dos estimaciones independientes de la varianza de una poblacin normal es una razn con distribucin F con los grados de libertad correspondientes al numerador y denominador respectivamente, por lo tanto se puede contrastar dicha hiptesis usando esa distribucin. Variacin total =Variacin dentro de los tratamientos+ Variacin entre los tratamientos Suma de cuadrados total = Suma de cuadrados dentro+Suma de cuadrados entre
49
Variacin total =
Variacindentrodelos tratamientos=
Estimacion de la var ianza dentro de tratam =

k =1
[
j =1
nj
X IJ X
i
]2
nk
Ecuacin 19
Estimacion de la var ianza entre tratam = n j [

k =1
i . IJ
X General ]
k 1
Ecuacin 20
= media de cada grupo
i . IJ
X Genaral = Gran media

A estas estimaciones se les conoce con el nombre de media de suma de cuadrados. Obtenidas las estimaciones se halla la razn entre ellas, la cual es una estimacin F. F= Estimacin entre los tratamientos / Estimacin dentro de los tratamientos. Si en base a este contraste se rechaza la hiptesis de que SCtratamiento y SCME tenen la misma varianza, se puede rechazar la hiptesis de que las k medias provengan de una misma poblacin. Aceptando que las muestras provengan de poblaciones con la misma varianza, este rechazo implica que las medias poblacionales son distintas, de modo que con un nico contraste se contrasta la igualdad de k medias. Existe una tercera manera de estimar la varianza de la poblacin, aunque no es independiente de las anteriores. Si se consideran las kn (N) observaciones como una nica muestra, su varianza muestral tambin es un estimador centrado de S2. Se suele representar por CMT, se le denomina varianza total o cuadrados medios totales, es tambin un cociente y al numerador se le llama suma de cuadrados total y se representa por SCMT, y el denominador (kn -1) grados de libertad. Los resultados de un anlisis de varianza (anova) se suelen representar en una tabla como la siguiente:
50
Tabla 4. Ejemplo de un anlisis de varianza Grados de Libertad

k-1 N-k N-1
SC Suma de cuadrados
SCtratamient SCE SCT
CM Cuadrados medios
SCtrat /(K-1) SCE /(N-K) SCTotal / (KN 1)
F0 Razn F
SCtrat/ SCME
p-valor
Fuente de variacin
Entre Tratamientos Dentro del Error Total
P (F>F0 )
K= Numero de tratamientos o niveles o grupos del factor de inters N= Numero total datos reportados n = Numero total de datos por grupo
CMtratam = SCtratam / (K-1) CME
Ecuacin 21
= SCE /(N-k) Ecuacin 22

Ecuacin 23
Con F0 calculado como SCtrata / SCE
Y Con un elegido ( generalmente 5%), con unos grados de libertad en el numerador (k-1), con unos grados de libertad en el denominador (N-k) se encuentra el valor critico superior de la distribucin F, en una tabla de valores crticos como la del ejemplo del numeral 4.8, 4.9. El valor de F tabulada (Ft) se encuentra en las tablas con 4 grados de libertad en la horizontal o sea el numerador o tratamientos, y 15 grados de libertad en la vertical o sea el denominador o grados de libertad del error. Adems, con el nivel de significancia ya sea de 5% o de 1%. Al comparar el valor de F calculado con el valor de F tabulada para 5 y 1% de significancia, se observa que Fc es mayor que Ft, lo cual indica que hay significancia. Por lo tanto, se rechaza Ho, esto quiere decir que hay uno varios tratamientos mejores que los dems. Si Fc es menor Ft los resultados no son significativos. Esto indica que se acepta la hiptesis nula de que no existen diferencias entre los tratamientos. El valor significativo de F implica que los tratamientos no pertenecen a poblaciones con comn. Indica que los tratamientos difieren en forma significativa, pero no nos dice o seala cual de ellos es mejor. Una de las bases para estas pruebas son el error estndar de la media Sx y el error estndar para la diferencia entre medias de tratamientos Sd. En el ejemplo anterior estos valores serian: Sx = S2/r = 58.8/4 = 14.70 = 3.83 ; De donde S2 = cuadrado medio del error o varianza y, r = numero de repeticiones
51
GRAFICODEANOVA Ejemplodetomadedecisin
Distribucin Fisher
Fexcelente Alfa
ZonadenorechazodeHo OdenoaceptarHa Fc
Zonaderechazo DeHooaceptarHa
Figura 4. ANOVA toma de decisin. 4.34. Diferencia mnima significativa Es la diferencia mnima que debe haber entre dos medias mustrales para poder considerar que dos tratamientos son diferentes. Cuando para este diseo se rechaza la hiptesis de igualdad entre los tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre si. Para averiguarlo se emplean los mtodos de comparacin de medias, uno de estos mtodos(formulas) es el LSD diferencia minina significativa (Ecuacion 24) en donde se sustituye el numero de replicas por el numero de bloques, y tambin se deben cambiar los grados de libertad del error en el caso de bloques esta dado por (b-1)(tratam-1). Para Ktratamientos se tienen un total de k(k-1)/2 pares de medias. K=tratamientos b= bloques N = Total de experiencias observaciones para cada tratamiento. n= numero de
El valor de t / 2, N K se toma de las tablas de la distribucin T de Student con N-K grados de libertad del error.
LSD = t / 2, N K 2CME / n
Ecuacin 24
4.35. Error experimental En todo proceso experimental se presentan dos clases de variaciones: la variacin inherente al material experimental, al que se aplican los tratamientos y la que proviene de la falta de uniformidad en la realizacin fsica del
52
experimento o variaciones externas a la experimentacin (como las ambientales, etc) que tienden a enmascarar el efecto de los tratamientos. Para expresar estas variaciones ajenas a los tratamientos los estadsticos aplican el trmino error experimental; trmino que no quiere decir equivocacin, sino que incluye todo tipo de variacin externa ajena al material experimental. Este error experimental es la medida de variacin que existe entre las observaciones de unidades experimentales en el mismo tratamiento, es decir, la variacin no proveniente de los tratamientos. Para los fines de clculo en las ecuaciones se expresa con la letra
4.36. Errores tipo I y tipo II. (8) Cuando se contrastan o se prueban las hiptesis se pueden cometer dos tipos de errores por los siguientes motivos:
La prueba de hiptesis comienza con una suposicin, llamada hiptesis, que hacemos con respecto a un parmetro de poblacin. Despus recolectamos y clasificamos los datos, aplicamos la estadstica seleccionada a las muestras y usamos esta informacin para decidir qu tan probable es que sea correcto nuestro parmetro de poblacin acerca del cual hicimos la hiptesis. Debemos establecer el valor supuesto (hipotetizado) del parmetro de poblacin antes de comenzar a tomar la muestra. La suposicin que deseamos probar se conoce como hiptesis nula, y se simboliza por H0. Siempre que rechazamos la hiptesis, la conclusin que s aceptamos se llama hiptesis alternativa y se simboliza por H1.
*** El rechazo de una hiptesis nula cuando es cierta se denomina error de tipo I, y su probabilidad (que es tambin el nivel de significancia) se simboliza como . *** *** El hecho de aceptar una hiptesis nula cuando es falsa se denomina error de tipo II, y su probabilidad se simboliza como . ***
La probabilidad de cometer un tipo de error puede reducirse slo si deseamos incrementar la probabilidad de cometer el otro tipo de error.
Con el propsito de obtener una (probabilidad) baja, tendremos que tolerar una probabilidad alta; sin embargo el nivel de significancia adecuado se
53
debe decidir acorde con los costos y desventajas vinculadas con ambos tipos de errores. 4.37. Las modalidades ms recomendadas para disminuir el error son: En toda marcha experimental que se realice se debe a) Utilizar unidades experimentales muy uniformes, como materias primas homogneas, procesos, densidad de muestras, etctera. b) Tamao adecuado de la unidad experimental. e) Eliminacin de la competencia entre tratamientos. d) Distribucin adecuada de los tratamientos mediante sorteos (azar). e) Usar el nmero adecuado de repeticiones para cada tratamiento. f) Poner todos los tratamientos en igualdad de condiciones, de manera que si alguno es superior a los dems, se pueda probar. 4.38. Modelo estadstico. (Varios autores) La finalidad de una serie de experimentos es determinar un modelo estadstico que refleje la creencia respecto a la relacin entre los tratamientos y las observaciones. Cada resultado del experimento si este se repite n veces, esta determinado por la media general
y el efecto del tratamiento
La identificacin de este fenmeno y la comprobacin de las suposiciones se hacen en el momento de proponerlo basndose en el siguiente modelo matemtico:
Yij = + i
En donde i= 1,., k j=1,., r
Modelo matemtico Ecuacin 25
numero de tratamientos numero de repeticiones o
= promedio de todas las unidades experimentales del experimento = X

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

combinacin de factores determinada por el tratamiento i. Como hay variaciones no controlables, la inexactitud de las mediciones, conforman un factor llamado error experimental ( ). El modelo finalmente se expresa como:
Yij = + i + ij
Modelo estadstico Ecuacin 26
4.39. Anlisis de Covarianza. Lo que se busca en cada, experimento es la veracidad de una hiptesis.
54
Cuando la hiptesis se refiere a los parmetros del fenmeno se convierte entonces en hiptesis estadstica como la variabilidad del clima, de una temperatura en un proceso as se disponga de mtodos de medida con bastante precisin y exactitud, sin olvidar que el resultado de todo experimento tiene un componente llamado error, generalmente debido al azar. Este efecto aleatorio obliga al investigador a recurrir a la estadstica para minimizarlo y probar las hiptesis con un grado importante de certeza. El anlisis de covarianza es un procedimiento muy importante en experimentacin para la verificacin de las hiptesis, pero lamentablemente no se usa con frecuencia. El anlisis de covarianza permite realizar ajustes con las respuestas de las unidades experimentales en las que se vara un factor medible, con la respuesta que se hubiese obtenido, si todas las unidades experimentales hubiesen tenido, el valor promedio del factor variable, para eliminar as el efecto de ese factor. El anlisis de covarianza entre muchas utilidades, se puede ,utilizar tambin para ajustar las respuestas de las unidades de experimentacin de promedios de dos o mas factores variables denominadas covariables. Utiliza el anlisis de varianza y el de regresin para eliminar la variabilidad que existe en la variable independiente X; tambin ajusta medias de tratamiento y as estima mucho mejor el efecto de la variable independiente X sobre la variable dependiente Y. La variable independiente X es una observacin hecha en cada unidad experimental antes de aplicar los tratamientos, e indica hasta cierto grado la respuesta final Y de la unidad experimental. Por ejemplo en una granja asistida por la UNAD se realizo un experimento con el fin estudiar la conveniencia de raciones alimenticias en la ganancia de peso de los anteriores para lo cual se les determinaron los pesos iniciales X y el consumo de alimento Y; si los investigadores utilizan diferentes raciones las diferencias fisicas y efectos que presentan los semovientes pueden ser o no ser significativas, por la calidad de las raciones. Por lo tanto se deben preguntar si: Al existir variacin en los pesos iniciales de los semovientes, la diferencia que se presentan en los pesos finales es debido a las propiedades de alguna de las raciones? O que en un alto porcentaje se deban a las diferencias de los pesos iniciales? Por medio del anlisis de covarianza, se puede calcular el efecto de la bondad de las raciones, eliminando la parte correspondiente a los pesos iniciales. 4.40. Recomendaciones Al plantear un estudio estadstico, definir claramente la poblacin objeto de anlisis.
55
Si se trabaja con muestras, definir las condiciones que deben reunir antes de extraerlas. Especificar qu se va a medir, las unidades a usar y la forma de registro.
4.41. Software estadsticos para la solucin de problemas. De los programas adecuados para el manejo, el procesamiento y anlisis de datos citamos los siguientes: Excell, minitab, statgraphics, SAS, curve expert; etc. sin embargo con la utilizacin de una calculadora tambin es posible la realizacin de la gran mayora de las operaciones involucradas en el procesamiento de los datos.
Figura 5. Portada del programa Statgraphics.
56
Figura 6. Hoja de clculo de excell *.

* Se le asigna el nombre de hoja de clculo a un hoja que esta divida en renglones y columnas, al cruce de ellos se le denomina celdas sobre las cuales se almacena informacin (letras o nmeros) que podemos usar para realizar operaciones, tales como sumas, restas, multiplicaciones, divisiones, clculos financieros, estadsticos, de ingeniera, amortizaciones, etc.
4.42. Ejercicio desarrollado Ejercicio practico de estudio, reflexin y anlisis. En un proyecto de investigacin para la normalizacin de frutas se encontraron los siguientes datos de la produccin de canastillas de 50 kilos de uchuva de un tamao previamente seleccionado en 50 fincas del oriente de Cundinamarca: a) Con los datos anteriores y aplicando las formulas matemticas suministradas compruebe que los datos obtenidos para este ejemplo de partida en el proyecto de normalizacin de frutas se pueden presentar como:
Tabla 5. Produccin de canastillas de uchuva en seis veredas
Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5

49 30 50 40 53 33 40 60 48 36 61 60 41 38 47 32 52 59 43 56 44 38 43 30 45 51 43 42 47 60 39 36 47 51 44 64 39 39 48 40 31 66 49 69 45 44 58 31 35 36
57
Grupo 1
Grupo 2, ,,..
Grupo 5
Variacin interna 1
Variacin interna 2,.
Variacin interna 5
Variacin entre grupos
Figura 7.Varianza entre las diferentes fincas productoras de uchuvas.
Tabla 6. Resumen estadstico de los datos totales recolectados de la produccin de uchuvas en cinco municipios de Cundinamarca. Caractersticas estadsticas encontradas para el proyecto de normalizacin
Muestras totales(canastillas) Sumatoria total Promedio Varianza Desviacin estndar Valor Mnimo de produccin de uchuva Valor Mximo de produccin de uchuva Sesgo Curtosis o apuntamiento 50 2282,0 45,64 99,2963 9,96475 30,0
Enumere otras propiedades de inters para tener en cuenta en este ejercicio.
69,0 1,33489 -0,66762
58
Tabla 7. Resumen estadstico de los datos recolectados por mes de la produccin de uchuvas en cinco municipios de Cundinamarca.
M e S N fincas Promedio Varianza Desviacin estndar 11,2339 15,9374 Skewness estndar 0,402954 0,482584 Kurtosis estndar 0,1668 01 1,1925 8 1,0041 6 0,3705 86 1,4570 1 0,3340 78 -86 1,1074 7 0,9761 77 1,3006 0,6676 2 Sumatoria por grupo 224,0 230,0
1 2 3 4 5 6 7 8 9 1 0 S u m
5 5 5 5 5 5 5 5
44,8 46,0
126,2 254,0
46,0
15,0
3,87298
0,392837 0,950036 1,62367 0,574125
230,0
45,6 46,8 44,8
227,3 13,2 177,7
15,0765 3,63318 13,3304
228,0 234,0 224,0
46,4 46,2
68,3 163,70 ,7283 30,7 132,8
8,26438 12,7945
0,693964 0,139123
232,0 231,0
5 5
44,2 45,6
5,54076 11,5239
-1,4506 0,538284
221,0 228,0
50
45,64
99,296 3
9,96475
1,33489
2282,0
a- Revisa las graficas siguientes y sustenta si falta alguna de inters.?
PRODUCCION ANUAL DE UCHUVAS

70
CAJAS DE 50 KILOS
60 50 40 30 1 2 3 4 5 MES 6 7 8 9 10
Figura 8. Grafico de la produccin anual de uchuvas.

59
GRAFICO DE CAJAS Y BIGOTES

1 2 3 4 5 6 7 8 9 10 30 40 50 60 70
MES
PRODUCCION DE UCHUVA
Figura 9. Grafico de cajas y bigotes de la produccin mensual de uchuvas.
MEDIAS E INTERVALOS DEL 95% LSD

54 51
CJAS UCHUV
48 45 42 39 FINC 1 FINC 2 FINC 3

FINCAS
FINC 4
FINC 5
Figura 10. Grafico de medias e intervalos para la produccin de uchuvas por finca. b- Adems encuentre la mediana, la media, la frecuencia absoluta, el numero de muestras mnimas. c- Con los datos obtenidos elaboramos el cuadro de distribucin de frecuencias. d- El tamao de la muestra tomado es correcto? d-Que se podra concluir y decidir con los anteriores datos y que sugerencias se tendran.? e- Complete el siguiente cuadro de anlisis de mariaza para el ejercicio anterior con un nivel de confianza del 95,0%.
Tabla 8. Anlisis de varianza (ANAVA) par el ejemplo de las fincas productoras de uchuva.
60
Fuente de variacin Entre grupos (fincas) Dentro de los grupos = Error Total
Grados de Libertad.
4
SC Suma de cuadrados
SCtratam
CM Cuadrados medios
SCtratam /(k-1)
F0 Razn
0,03
p-valor
45
SCE
SCE /(N-k) SCMT / (kn -1)
49
4865,52
Y adems responda si este valor de F-prueba es mayor, menor o iguala al p tomado como 0,05 (5%)? Hay diferencia estadsticamente significativa en la produccin de uchuva de un mes a otro?
4.43. Ejercicios y actividades 1 - Revise un artculo de una revista con temas pertinentes con la ingeniera de alimentos y o las ciencias agrarias,: a) Tome de l las variables que intervienen y clasifquelas. b)Identifique el diseo experimental propuesto por los investigadores ejemplifique los conceptos de indicador y dimensin de una variable. c) El criterio dado para decidir si el experimento fue exitoso considera que fue el apropiado.? 2- Un ingeniero conduce un experimento para comparar la absorcin media de aceite esencial en un medio poroso. Para lo cual selecciona aleatoriamente una tira cinco posibles de un absorbente y lo divide en cinco pedazos uno de 3,5 centmetros, otro de cinco, ocho centmetros el siguiente, diez centmetros y trece centmetros el ultimo. Identifique la unidad experimental, los factores y los niveles de factor presentes en el experimento. Se podra anexar tomar otra divisin y dejarla al ambiente.? Como se le denominara? Se podra plantear de otra forma? 3- En un supermercado operando bajo condiciones controladas, se evalu, para 40 gndolas la temperatura alcanzada (20 con tubrculos y 20 con frutas) y se alcanzaron las siguientes temperaturas:
Tubrculos Frutas 8,5 8,4 8,7 8,2 8,8 8,7 8,9 8,6 8,7 8,3 8,3 8,5 8,7 8,3 8,4 8,5 8,2 8,4
61
a) Identifica los tratamientos que se compararon en este estudio? b) Las muestras de los vegetales son dependientes o independientes? Explique. e) Podramos decir que la temperatura promedio de los vegetales es igual para tubrculos y vegetales? 4- Los profesionales de una granja agropecuaria experimental estn tratando de tomar una dedicin para la compra de un complemento alimenticio para lo cual evalan las ofertas de dos proveedores de raciones alimenticias mediante la verificacin de ganancia en peso de dos lotes de semovientes y determinaron las siguientes ganancias en peso (Kgs). Proveedor 1 9 10 11 12 8 9 Proveedor 2 10 10 10 9 11 11
Calcular la media, la varianza, la desviacin estndar. Plantear las hiptesis, y que concluira de la ganancia en peso. Si consideramos un = 0.05. B) Si la empresa decide probar con otro proveedor que criterio aplicaras?. Para este complemento se obtuvo la siguiente informacin:
Proveedor 3 8 8 6 12 12 13 Probar objetivamente si existe diferencia significativa entre los proveedores.

Trabajo para desarrollar en casa y entregarlo al tutor.
62
UNIDAD SEGUNDA: Los diseos experimentales en la ingeniera de alimentos Capitulo quinto: Clasificacin de los diseos experimentales 5.1. Caractersticas de los diseos experimentales. (Varios autores) Los diseos experimentales deben tener entre otros las siguientes caractersticas: a. Simplicidad. La seleccin de los tratamientos y la disposicin experimental deber hacerse de la forma ms simple posible. b. Grado de precisin. El experimento deber tener la capacidad de medir diferencias entre tratamientos con los grados de precisin que desee el investigador. Para cumplir con este propsito se deber partir de un diseo y un nmero de repeticiones adecuados. c. Ausencia de error sistemtico. Se debe planear un experimento con el propsito de asegurar que las unidades experimentales que reciban un tratamiento no difieran sistemticamente de aquellas que reciben otro tratamiento, procurando de esta manera obtener una estimacin insesgada del efecto de tratamientos. d. Rango de validez de las conclusiones. Este deber ser tan amplio como sea posible. Los experimentos que contribuyen a aumentar el rango de validez del experimento son los experimentos replicados y los experimentos con estructuras factoriales. e. Clculo del grado de incertidumbre. En todo experimento existe algn grado de incertidumbre en cuanto a la validacin de las conclusiones. El experimento deber ser concebido de modo que sea posible calcular la probabilidad de obtener los resultados observados debido nicamente al azar. 5.2. Aaspectos influyentes en la seleccin de un diseo experimental.
(Varios autores)
Se puede decir que el nmero de diseos experimentales es tan amplio como el numero de situaciones a estudiar y dar respuesta y a la gran diversidad de problemas o situaciones que ocurren en la prctica diaria de las profesiones. De all que es importante saber cmo elegir el ms adecuado para la situacin o problema que se quiere resolver, por lo tanto la clasificacin de los diseos de acuerdo a su objetivo y a su alcance dentro del objetivo en cuestin. Los cinco aspectos que ms influyen en la seleccin de un diseo experimental son: a. El objetivo del experimento. b. El nmero de factores a controlar. c. El nmero de niveles que se prueban en cada factor. d. Los efectos que interesa investigar (relacin factores-respuesta). e. El costo del experimento, tiempo y precisin deseada. 5.3. Clasificacin de los diseos experimentales acorde con su utilizacin.
(Varios autores)
63
Para dar solucin al gran nmero de situaciones y problemas tericos prcticos que se presentan en la ingeniera y en otras actividades profesionales se han propuesto un buen numero de diseos experimentales cantidad que hacen necesario saber elegir el ms adecuado para la situacin que se quiere resolver, de all que es conveniente conocer su clasificacin de acuerdo a su alcance dentro del objetivo en propuesto. En este sentido, de acuerdo con su objetivo y sin pretender ser exhaustivo, los diseos se pueden clasificar como: 1. Diseos para comparar dos o ms tratamientos. 2. Diseos para estudiar el efecto de varios factores sobre la(s) respuesta(s ). 3. Diseos para determinar el punto ptimo de operacin de un proceso. 4. Diseos para la optimizacin de una mezcla. 5. Diseos para hacer el producto insensible a factores no controlables. Ejemplos de los anteriores son los que se van a tratar en este curso como los citados a continuacin : Diseo Completo al Azar, Diseo de Bloques Completos al azar, diseo de Cuadro Latino, diseo de Cuadro Greco Latino, diseo factorial 2K, diseos factoriales 3K. 5.4. Experimentos de una variable Los experimentos de una variable se realizan para averiguar cmo una variable experimental afecta una o ms variables de respuesta. En este tipo de experimentos, los tratamientos son simplemente niveles seleccionados de la variable experimental. Dependiendo de la variable experimental seleccionada, los tratamientos pueden diferir ya sea cualitativa o cuantitativamente. 5.5. Dise de experimentos sin bloquear. (Varios autores) A estos experimentos algunos autores los denominan diseo totalmente aleatorizado o completamente al azar, es el diseo ms simple y se usa cuando las unidades experimentales son homogneas, tienen las mismas posibilidades de recibir cualquier tratamiento y la variacin entre ellas es muy pequea. Como en los experimentos de laboratorio, de invernadero en experimentos en donde las condiciones ambientales son controladas, en algunos casos este diseo necesita solo una replica con un solo criterio de clasificacin. Por lo tanto: 1. Es fcil de planear. 2. Es flexible en cuanto al nmero de tratamientos y repeticiones, el lmite est dado por el nmero de unidades experimentales en general. 3. No es necesario que el nmero de tratamientos sea igual al nmero de repeticiones. 4. No se estiman unidades o muestras perdidas.
64
5. El nmero de grados de libertad para el error aumenta por no tener muchas restricciones. Las desventajas del diseo completamente al azar son: 1. No es eficiente con material experimental heterogneo. 6. Puesto que no existen restricciones en cuanto a la aleatoriedad, el error experimental incluye la variacin total entre unidades experimentales. El anlisis de varianza para el diseo completamente al azar se muestra en las tablas 25 y 26. 5.6. Procedimiento estadstico para la comprobacin de hiptesis en un diseo al azar. El procedimiento a seguir es comn y debe ser acorde con lo planteado en la siguiente tabla. Tabla 9. Procedimiento estadstico para la comprobacin de hiptesis
INFORMACION RECOPILADA SOBRE LA RESPUESTA A LOS TRATAMIENTOS
OPERACIONES ARITMETICAS A DESARROLLAR PARA EL CALCULO DEL ANAVA
OBSERVACIONES
F1A1 F2A1 F3A1
F1B1 F2B1 F3B1
F1C1 F2C1 F3C1
Total tratamiento
por
Yi.1
N
n
Numero de datos n por tratamiento Media tratamiento por
Yi .= Yi
1 j=
Yi. = Yi.
Gran media
Y .. = Y ..
n
N
1. = suma de cuadrados de todas las observaciones 2. Suma de los datos 3. Numero total de mediciones 4. Media de los datos 5. Efecto del mtodo = Y observada - Y media
N = an
Suma de SCT cuadrados totales Suma de SCt cuadrados de los tratamientos

65
Y el ANAVA en la siguiente tabla Tabla 10. Anlisis de varianza para los tratamientos con un solo factor, en un diseo totalmente aleatorizado o completamente al azar.
Grados de Libertad SC Suma de cuadrados
SCtrat SCE SCT
CM Cuadrados medios
SCtrat /(k-1) SCE /(N-k) SCMT / (kn -1)
F0 Razn
p-valor
Fuente de variacin Tratamientos Error Total
k-1 N-k N-1
SCtrat / CME
P (F>F0 )
k= Numero de tratamientos o niveles o grupos del factor de inters N= Numero 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 11. recopilacin y presentacin de los resultados de los tratamientos, en un diseo totalmente aleatorizado o completamente al azar.
NIVEL A B C D E
1 F1A1 F1B1 F1C1 F1D1 F1A1
2 F2A1 F2B1 F2C1 F2D1 F2A1
3 F3A1 F3B1 F3C1 F3D1 FjeAJ
X X
1
Yi.1
Y i..1
Yi.1
CT
F1A1 hasta FJEAJ son los anlisis o las muestras recolectadas o tomadas
Yij es cada hasta uno Fje de los datos representa dos como
F 1 A1
66
X = Y .. = Gran media
Ecuacin 28
Yi. = Yij
j =1
Ecuacin 27
Yi. = Yi.
Y .. = Yi j Ecuacin 29
j =1
a =1
Y .. = Y ..
Ecuacin 30
N = an
Ecuacin 31
N = datos totales registrados a = nmero de niveles de = A + B + C + D + E n = nmero de repeticiones = 1 + 2 + 3 + etc

SCTotal =
i =1 a Yij Y .. j =1 n 2
Ecuacin 32
SCTotal = n
i =1
a Y i. Y .. + i =1
Yij Yi. j =1 n
Ecuacin 33
SCTotal =
i =1
( Yij ) [ Y ..
2 j =1
Ecuacin 34
SS tratamientos = Yij
i =1
n [ Y ..2 / N
Ecuacin 35
SSTotal = SStratam + SSerror
Ecuacin 36
Cuadrado Medio de los trat = CMtratam = SCtratam /(k-1) Ecuacin 37 Cuadrado Medio del error = CME= SCerror /(N-k) Ecuacin 38 Con estos calcular el estadgrafo F0 como CMedio de tratT / CME 39 Ecuacin
Y con un elegido ( generalmente 5%), con unos grados de libertad en el numerador (k-1) de los tratamientos, con unos grados de libertad en el denominador (N-k) del error se encuentra el valor critico superior de la distribucin F, en una tabla de valores crticos como la de los apndices. Se realiza la comparacin P (F>F0 ) para determinar las hiptesis propuestas. Este diseo sigue un modelo estadstico. (24)
67
5.7. Modelo estadstico para un diseo al azar. (Varios autores) Generalmente es representado por la ecuacin siguiente:
Yij = + i + ij
= mediaglobal i = tratamientos ij = error
Ecuacin 40
5.8. Ejemplo de un diseo de experimentos sin bloquear Se quiere mejorar las propiedades de transportabilidad, manejo y presentacin de las rosquillas elaboradas por una panificadora, para tal efecto de determinara el efecto que sobre la dureza de estas tiene la incorporacin de tres aditivos en la misma proporcin; los aditivos se incorporaran individualmente en la masa elaborada (amasijo).
Diseo experimental totalmente aleatorizado Rosquilla
Ingrediente A
Ingrediente B
Ingrediente C
Figura 12. Diagrama de flujo para la produccin de rosquillas a partir de una masa estandarizada. Para el estudio se empleara un diseo de experimentos sin bloquear.
Hiptesis de investigacin: La hiptesis planteada es que al menos uno de los tres ingredientes mejorara la dureza final de las rosquillas.
68
Diseo del experimento: una masa bien homognea para la confeccin de las rosquillas se dividen en seis porciones iguales y a cada dos de ellas se les mezcla el ingrediente seleccionado.
La dureza se evala despus de seis das de almacenamiento a 10*C. El primer paso es aleatorizar asignndole una secuencia de nmeros aleatorios a las unidades experimentales, utilizando una de las tablas de permutacin de donde se toma una permutacin aleatoria por ejemplo: 318594267, asignar el primer tratamiento a las dos porciones del tratamiento A , los dos siguientes al tratamiento B y finalmente los otros dos restantes al tratamiento C En la tabla siguiente se resume la aleatorizacin hecha. Tabla 12. De aleatorizacin para el ejemplo de las rosquillas Porcion de masa Tratamiento o aditivo
3 A
1 A
7 A
5 B
4 B
8 B
2 C
6 C
9 C
Solucion: con los datos de la tabla desarrolle las operaciones indicadas
Yi. = Yij = 7+9 +5+10+8+9+10+9+12 = 79

j =1
Yi. = 79 / 9 = 8.77
SCTotal =
i =1
( Yij ) [ Y ..
2 j =1
SCT = {(7)2+(9)2 + (5)2+(10)2 + (8)2+ (9)2+ (10)2+(9)2 + (12)2}- {(8.77)2/3x3 }= SCtratamientos = [{(21)2+(27)2 + (31)2}]/3 -- {(8.77)2/3x3 }
= ..
SCT=SCE+SCt
SCT SCt = SCE
SCE = ..
69
Tabla 13. Datos obtenidos en la determinacin de la dureza para el ejemplo de las rosquillas. Tratamientos Dureza o variable de respuesta Determinacin Total Media (Und / cmt)
3 7 1
Varianza
Aditivo A
7
5
9
8
5
4
21
Aditivo B
10
2
8
9
9
6
27
Aditivo C Gran media
10
12
31
10.33
8.77
1.527
Tabla 14. Anlisis de varianza para evaluar el efecto de los aditivos en la elaboracin de rosquillas. Grados de Libertad Ecuac Tratamientos Error Total 3-1=2 6 (9-1)=8 SC Suma de cuadrados Ecuac 16,8889 14,6667 31,5556 CM Cuadrados medios Ecuac 8,44444 2,44444 SSTotales / (kn -1) 3,45 0,1004 F0 Razon Ecuac p-valor
Fuente de variacin
Si utilizamos adems la prueba de rango mltiple para las rosquillas: 95% LSD Tabla 15. Anlisis de homogeneidad y contraste de las rosquillas.
Tratamiento A B C
Muestras 3 3 3
Media 7 9 10.33
Homogeneidad del grupo X XX X
Contraste (Diferencia) A-B B-C B-C ( -2) (-3.33)* (-1,33)
* Indica diferencia estadsticamente significativa
70
Comprobando que el tratamiento seleccionado es el que presenta mejores condiciones para ser aplicado a la rosquilla.
Capitulo seis:
Diseo en bloques
6.1. Diseo de bloques completos al azar. (8) 6.1.1. Caractersticas. El objetivo del diseo de bloques completos al azar (DBCA) es reunir las unidades experimentales a las cuales se aplicaran los tratamientos, en bloques de cierto tamao, de tal modo que los tratamientos se efecten dentro de cada bloque, la variabilidad entre unidades experimentales de bloques diferentes ser mayor que entre unidades del mismo bloque, como consecuencia, las diferencias encontradas entre unidades se deben principalmente a la discrepancia entre tratamientos. La disparidad que no se deba tratamiento, se elimina por el diseo y forma parte del error experimental. De acuerdo con esto, es fcil observar que la variabilidad entre bloques no afecta las diferencias entre medias de tratamientos, porque en cada bloque aparece una vez por tratamiento y as los bloques y tratamientos son ortogonales. En este diseo el material experimental es dividido en grupos de unidades experimentales (UE) lo ms homogneas posible. Cada uno de los grupos es una sola prueba o repeticin. El objeto en todas las etapas del experimento es de mantener el error experimental dentro de cada grupo tan pequeo como sea posible en la prctica. Los conjuntos o grupos son llamados bloques. Dentro de cada bloque las (UE) son asignadas aleatoriamente, cada tratamiento ocurre exactamente una vez en un bloque. 6.1.2. Fuentes de variabilidad. En este diseo (DBCA) se consideran tres fuentes de variabilidad: el factor de tratamientos, el factor de bloques y el error aleatorio es decir, se tienen tres posibles responsables de la variabilidad que presenten los datos obtenidos. Se denominan completos porque en cada bloque se prueban todos los tratamientos, es decir, que los bloques estn completos 6.1.3. Ventajas Las principales ventajas de bloques al azar son las siguientes: 1. Por medio de la agrupacin comnmente se obtienen resultados ms exactos que cuando se usan diseos completamente al azar. Coch. 2. Puede incluirse cualquier numero de repeticiones. El anlisis estadstico es el acostumbrado.
71
3. Si la varianza del error experimental es mayor para algunos tratamientos que para otros aun puede obtenerse un error insesgado para probar cualquier combinacin especfica de las medias de los tratamientos. 4. Ningn otro diseo se usa tan frecuentemente como los bloques al azar.
6.1.4. Aleatorizacion. La aleatorizacin es realizada cuando las unidades se han agrupado y los tratamientos han sido asignados al azar a las unidades dentro de cada grupo. El nombre de bloques completos al azar es debido a que en cada bloque (por ejemplo un operador, un semoviente, una parcela) se prueban todos los tratamientos (completo) en orden aleatorio. 6.2. Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques completos al azar. El procedimiento a seguir es comn y debe ser acorde con lo planteado en la siguiente tabla. Tabla 16. Recopilacin y presentacin de los resultados de los tratamientos, en un diseo de bloques completos al azar.
BLOQUES
B1 Tratam XT1B1 r1 B2
XT1B2 XT2B2 XT3B2 XT4B2
B3
B4
r2 r3 r4 Y.j
XT2B1 XT3B1 XT4B1
Yi. B1
Yi. B2
Yi. B3
Yi. B4
X X X X
Y i.
R1 R2
R3 R4
Btotales
= Ttratotales..
X = Y ..
X = Y .. = Gran media
Y .s = Yij
j =1 a
Yi. = Yij Yi. =

j =1
Yij
j =1
Ecuacin 41
Ecuacin 42
Yi. = Yi
Ecuacin 43
Y ij = Y . j
Ecuacin 44
72
Y .. = Y ..
Gran media
Ecuacin 45
N = an
a
N = datos registrados totales a = nmero de niveles = A + B + C + D + E n = nmero de repeticiones = 1 + 2 + 3 + etc

b a
Y .. = Yi j = Yi = Y . j
i =1 j =1 i =1
Ecuacin 46
SCTotal =
SS Bloques = [
a
(Yij )
j =1
2
(Y ..) 2
Ecuacin 47
(Y . j )
i =1
a
a ] [(Y ..) 2
]
]
Ecuacin 48
SS tratamientos = [
(Y .i)
i =1
b ] [(Y ..) 2
Ecuacin 49
SSTotal = SSBloques + SSError
Ecuacin 50
6.3. Arreglo de los datos en un diseo de DBCA. (Varios autores) Se acostumbra seguir el siguiente arreglo. Tabla 17. Arreglo de los datos en un diseo de bloques completos al azar. TRATAMIENTOS 3 4 Y31 Y41 Y32 Y42 . Y33 Y43 Y34 Y44 .. . Y2f Y3f Y4f
Y.JB2 Y.JB3 Y.JB4 Y.JB..
BLOQUES
1 2 3 4 . f
1 Yll... Y12 Y13 Y14

.. .....
2 Y22 Y21 Y23 Y24
J Yj1 Yj2 Yj3 Yj4

YiB
Yi. B1 Yi. B2 Yi. B3

.. .
Y1f
Y.JB1
Yjf
Y.JBN
Yi. Bn.
Y.JBJ
6.4. Modelo estadstico para un DBCA Cualquier observacin en el DBCA, se puede representar por el modelo;
Yij = + i + j + ij
Ecuacin 51
73
i= 1,., k j=1,., b
numero de tratamientos
numero de bloques
j = efecto debido al bloque
6.5. Hiptesis a probar Las pruebas de hiptesis que se pueden efectuar dependen del tipo de modelo empleado.
Estas conclusiones pueden estar sujetas a error: Error de Tipo I: rechazar la igualdad de las medias de los tratamientos
cuando stas no difieren entre si.
Error de Tipo II: no rechazar la igualdad de las medias de los

tratamientos cuando stas difieren entre si.
H0 : Ha:
1 = 2 = 3 = ... k =
1#
j para algun i # j
Ecuacin 52
6.6. ANOVA para un diseo en bloques completos al azar (DBCA) (Varios

autores)
La metodologa de anlisis a emplear es el ANOVA a dos criterios de clasificacin. En este caso, el anlisis de varianza particiona la variabilidad total de la informacin en tres componentes: una primera debida al efecto de los tratamientos (Suma de Cuadrados Entre Tratamientos), la segunda a efecto de los bloques (Suma de Cuadrados de Bloques), y finalmente el Error Experimental (Suma de Cuadrados del Error). En la misma forma se particionan los grados de libertad. El rechazo o no de la hiptesis nula depende del valor del estadstico F: F = (S. C. de Tratamientos / t - 1) / (S. C. del Error / (t - 1) (r - 1)) Ecuacin 53 Tabla 18. ANOVA para un diseo en bloques completos al azar
Suma de cuadrados Ecuac
Grados de libertad Ecuac
Cuadrados medios Ecuac
Fo Ecuac
p-value
Tratamientos
SCtrat SCB
k-1 b-1
SCtrat CMB
Fo = SCtrat / CME Fo = CMB /
P(F > Fo) P(F > Fo) 74
Bloques
CME
Error
SCE SCT
(k -l)(b -1) N-1
CME
Total
6.7. Comparacin de medias de tratamiento en el diseo de bloques completos al azar (BCA) Cuando para este diseo se rechaza la hiptesis de igualdad entre los tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre si. Para averiguarlo se emplean los mtodos de comparacin de medias, uno de estos mtodos(formulas) es el LSD diferencia mnima significativa (Ecuacin .) en donde se sustituye el numero de replicas por el numero de bloques, y tambin se deben cambiar los grados de libertad del error en el caso de bloques esta dado por (b-1)(tratam-1). Para K tratamientos se tienen un total de k(k-1)/2 pares de medias. K=tratamientos b= bloques N = Total de experiencias observaciones para cada tratamiento. n= numero de
El valor de t / 2, N K se toma de las tablas de la distribucin T de Student con N-K grados de libertad del error.
LSD = t / 2, N K 2CME / n
Ecuacin 54
6.8. Ejemplo de bloques completos al azar (BCA) (Varios autores) Una empresa procesadora de jugos investiga el efecto de cuatro evaporadores en la velocidad de evaporacin (concentracin) de un jugo de tomate proveniente de cuatro localidades de la geografa nacional. Para lo cual se elabora un jugo con los tomates provenientes de una mima localidad y concentra cada uno de ellos en cuatro turnos en los cuatro evaporadores en orden completamente aleatorio. Como variable de respuesta se determina el tiempo de empleado para llegar a una concentracin de 20 grados brix. El resultado de las 16 pruebas se presentan el la tabla 9. Por favor realizas las operaciones indiadas y disctelas con el tutor.. Tabla 19. Datos obtenidos en la determinacin del contenido de slidos para el ejemplo de concentracin del jugo de tomate. Tratamientos = mtodos de concentracin
75
1 BLOQUES = Turnos 1 2 3 4 1.7 2.3 2 1.8
2 2.3 2.08 1.9 2
3 1.8 2.2 2.1 2.3
4 2.1 2.4 1.95 2
Para la realizacin de esta tabla se sigue el procedimiento que se ha venido siguiendo a travs de los ltimos cinco numerales. Tabla 20. Procesamiento de los datos obtenidos en la determinacin del contenido de slidos para el ejemplo de concentracin del jugo de tomate. Mtodos de concentracin 1 1.7 2.3 2 1,8 7,8 1,95 2 2.3 2.08 1.9 2 8,28 2,07 3 1.8 2.2 2.1 2.3 8,4 2,1 4 2.1 2.4 1.95 2 8,44 2,11 33.83 Totales por bloque 7,9 8,88 7,95 8,1 Medias
1 Turnos 2 3 4 Totales por tratamiento Media por tratamiento

n
1,975 2,245 1,9875 2,025
Yi. = Yij = 1.7+2.3+1.8+2.1+2.3+2.08+2.2+2.4+2+1.9+2.1+1.95+.+2.3+2=

j =1
Yi. = 79 / 9 = 8.77
a
SCTotal =
i =1
( Yij ) [ Y ..
2 j =1
SCT = {(1.7)2+(2.32 + (1.8)2+(2.1)2 +.+ (2)2+ (2.3)2+(2)2 }- {(33.83)2/4x4 }=
SCtratamientos = [{(7.8)2+(8.28)2 + (8.4)2+(8.44)}]/4 -- {(33.83)2/4x4 } SCBLOQUES = [{(7.9)2+(8.88)2 + (7.95)2+(8.1)}]/4 -- {(33.83)2/4x4 }
= ..
= ..
76
SCT=SCE+SCt
SCT SCt = SCE
SCE = .
Y el ANAVA elaborado para este ejemplo es el siguiente:
Tabla 21. ANAVA para los datos obtenidos en la determinacin del contenido de slidos para el ejemplo de concentracin del jugo de tomate. Suma de cuadrados Ecuac Grados de libertad Ecuac Cuadrados medios Ecuac Fo Ecuac p-value
Tratamientos MET DE CONCENTRA Bloques B:OPERARIOS Error
0,0661688
0,0220563
??
0,6662
0,191669
??
1,57
0,2641
0,367006
0,0407785
Total
0,624844
15
?? debes completar los faltantes de la tabla 9 anterior. Ninguno de los factores tiene efecto significativo concentraciones el nivel de confidencia del 95%. 6.9. Ejercicio para realizar como actividad de grupo: Realizar un ensayo sobre la siguiente pregunta: Cuando el numero de unidades experimentales no es igual que procedimiento se realiza? 6.10. Ejercicio propuesto Los profesionales de una empresa productora de quesos estn realizando un estudio sobre la forma de presentar y transportar una variedad de queso (Q) que comercializan para lo cual han realizado una serie de mediciones sobre la en el tiempo de
77
dureza (de los mismos) en seis muestras provenientes de procesos diferentes utilizando para ello tres instrumentos de medida (P)... Obteniendo los siguientes resultados:
Q1 Q2 Q3 Q4 Q5 Q6
P1 9,5 10 11,4 11,2 9,8 9,4
P2 12,3 13 11,2 9,6 11 9,1
P3 12 10,8 10,6 10,2 10,2 10,3
-Probar si la diferencias entre la dureza de los quesos es significativa y si la diferencia entre los instrumentos de medida es significativa. Plantear las respectivas hiptesis, y que concluira de la ganancia en peso. Si consideramos un = 0.01.
Capitulo siete:
Diseo en cuadro latino
7.1. Diseo en cuadro latino El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field Experiments, J. Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones fueron en el campo agronmico, especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones. Diseo que contempla el control de dos factores de bloque, adems del factor de tratamientos y los tres factores tienen la misma cantidad de niveles. Considerndose cuatro fuentes de variabilidad que vienen siendo los dos factores de bloque, el tratamiento y el error aleatorizado. El primer factor de bloqueo se representa en los renglones o filas, el segundo factor de bloqueo se representa en las columnas y los tratamientos se representan por letras latinas y se distribuyen en forma tal que cada tratamiento aparece slo una vez en cada fila y una sola vez en cada columna (Latin square design). El inters se centra en un solo factor, los tratamientos, pero se imponen dos restricciones a la aleatorizacin en un cuadro como el ejemplo de la tabla del siguiente numeral. 7.2. Formacin y tabulacin de los datos experimentales en un cuadrado latino. Suponga 4 tratamientos A,B,C y D, con estos tratamientos se pueden formar 4 cuadros diferentes llamadas tpicas o estandar (en la primera fila y en la primera columna se tiene la misma distribucin).
78
Tabla 22. Recopilacin y presentacin de los resultados de los tratamientos, en cuadro latino.
A B C D B A D C C D B A D C A B A B C D B C D A C D A B D A B C A B C D B D A C C A D B D C B A A B C D B A D C C D A B D C B A
De cada cuadro se obtienen 144 formas diferentes, en total se tienen 576 cuadros diferentes.
Un diseo de este tipo slo es posible cuando el nmero de niveles de ambas restricciones sea igual al nmero de niveles del tratamiento. Por ejemplo, en una granja experimental si administramos tres medicamentos (tratamientos) a tres cabras con diferentes . El orden en el que los caprinos reciben los tratamientos puede ser completamente aleatorizado (diseo por bloques) o aleatorizado bajo la condicin de equilibrio requerida para un cuadrado latino. Designemos los tratamientos por T1 ,T2 y T 3 . Una asignacin equilibrada respecto al orden de administracin puede ser 7.3. Arreglo de los datos en un diseo de Cuadro latino. Para facilitar el entendimiento de este diseo se debe seguir como ejemplo el recomendado por varios autores y presentado en la siguiente tabla: Tabla 23. Arreglo de los resultados de los tratamientos, en cuadro latino.
BLOQUES II
1 1 2 3 4 . . f
A=Yl1l B=Y212 C=Y313 D=Y414
.. .....
2
B=Y221 C=Y322 D=Y423 F =Y524 A=Y12f
3
C=Y331 D=Y432 A =Y533 F=Y634 B=Y23f
4
D=Y4411 E=Y442 B =Y443 A=Y544 C=Y34f
. .. .
J
F=YjJ1 A=Y1j2 B=Y2j3 C=Y3j4

Yi.. Yi..1 Yi..2 Yi..3 Yi..4 Yi..,, Yi..f

Y ... = Y ijk
BLOQUES I
F=Yf1f
J=YJjf
Yj..
Y1..
Y2..
Yj..
Yj..
Ynj..
Yj..
La eleccin del cuadro latino se realiza antes de la obtencin de los datos. 7.4. Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques en cuadro latino. El procedimiento a seguir es comn y debe ser acorde con lo planteado en la siguiente tabla.
79
Y ... = la suma de todos los datos de la tabla de resultados Y ... = Y ijk

Ecuacin 55
Yi.. = Yi..
Yij. = Y ...
SCTotal =
i
bn
n
Ecuacin 56 Ecuacin 58
Y j.. = Yj,\..
an Ecuacin 57
( Yijk ) [ Y ...
2 j k
N
2
Ecuacin 59
2 SStratamie nto = [ Yijk j =1
a ] Y ...
Ecuacin 60
Nota : Los tratamientos se definen con las letras latinas

2 SSrenglone s = Yijk i =1 b
b ] Y ...
c ] Y ...
2
Ecuacin 61
2 SScolumnas = [ Yijk k =1
Ecuacin 62
*Renglones primer factor de bloqueo **Columnas segundo factor de bloqueo A=b=c Los grados de libertad se cal SSTotales= SSrenglon+SScolumn+SStratamien+SSError Ecuacin 63 7.5. Anlisis del diseo de Cuadro latino (Varios autores) Cualquier observacin en el DBCA, se puede representar por el modelo;
Yijl = + i + j + l + ijl
j = efecto debido al bloque i = efecto debido al tratamiento
i= 1,., k j=1,., b
numero de tratamientos numero de bloques
Ecuacin 64
80
1.19.2 Hiptesis a probar
H0 : 1 = 2 = 3 = ... k =
Ha:
1 # j para algun
i # j
7.6. ANAVA para el diseo de cuadro latino. El anlisis de varianza se realiza siguiendo el mtodo tradicional para comparar tres factores y en igual numero de factores, para el efecto se deben diligenciar las casillas contempladas en la tabla 36 y a manera de ejemplo practico en la tabla 23.
Tabla 24. ANOVA para el diseo de cuadro latino*
FUENTES DE VARIABILIDAD
SUMA DE CUADRADOS
GRADOS CUADRADOS DE MEDIOS LIBERTAD k-1 CMTRAT
Fo
P-value
Tratamientos
SCTRAT
F= CMTRAT/ CME F = CMB l /CME F= CMB2/CME
P (F > Fa)
Renglones
SCBl
k-1
CMBl
P(F > Fa)
Columnas
SCB2
k-1
CMB2
P(F > Fa)
Error
SCE
(k - 2)(k -1) k2 - 1
CME
Total
SCT
*Tomado de Gutierrez, H, et all. Analisis de experimentos. Captulo Cuatro 132 SCT = SCtrat + SCBl + SCB2 + SCE Ecuacin 65
y los grados de libertad correspondientes son k2 -1 = (k -1) + (k -1) + (k -1) + (k - 2)(k -1) Ecuacin 66
81
7.7. Ejemplo para el diseo de cuadro latino. En una industria procesadora de alimentos se decide comprobar si es significativo la perdida en peso determinada en gramos de un producto almacenado en cuatro empaques diferentes A, B, C y D para lo cual se le solicita la comprobacin del mismo a cuatro diferentes tecnlogos I, II, III y IV, utilizando para el efecto cuatro balanzas diferentes 1, 2, 3 y 4, las determinaciones son llevadas a cabo siguiendo el modelo de cuadro latino de la tabla siguiente: El resultado de las 16 pruebas se presentan el la tabla 25. Tabla 25. Datos recolectados por los tecnlogos Tecnlogo I II III IV Mtodos de pesado - Balanzas 1 2 3 4 A= 503 B= 507 C=510 D=512 B=514 C=507 D=511 A=493 D=509 C=517 D=495 A=509 B=499 C=496 B=505 A=520
Procedimiento 1- Calcule la SCtratamientos (suma de cuadrados) acorde con la formula y la tabla . 1.1. Para lo cual se debe calcular la sumatoria de todas los tratamientos A, los B, los C y los D como:
A = 503 + 493 + 509 + 520 = 2025

D = 512 + 495 + 509 + 511 = 2027
Cada una de estas sumatorias se reemplaza en la ecuacin de los tratamientos. 2- Calcule la SC renglones (suma de cuadrados) acorde con la formula dada. 3- Calcule la SCcolumnas (suma de cuadrados) acorde con la formula 4- Calcule la SCTotales (suma de cuadrados) acorde con la formula Ec 10. 5- Determine el error por diferencia. SCE = SCT - SCtrat - SCBl - SCB2 6- Determine los grados de libertad correspondientes Ecuacin . 7- Calcule el ANAVA tabla . 8- Que se puede concluir
82
El estudiante debe seleccionar la formula adecuada de las anteriormente propuestas.
Tabla 26. Calculo de los tratamientos (3eros o letras)
Letra latina
A
Total de tratamiento
A=
En este ejemplo
A = 2025
Yl1l
B C D
B=
C=
D=
Y221 Y331 yi3
B =2025 C =2030 D =2027
Tabla 27. ANOVA para el diseo de cuadro latino del ejemplo perdida de peso
SUMA DE CUADRADOS Ecuac

74,1875
GRADOS DE LIBERTAD Ecuac

3
CUADRADOS MEDIOS Ecuac

24,7292
Fo Ecuac
0,28
P-value
Determinacin peso- balanza Operario
0,8355
??
106,229
1,22
??
0,9969
Empaque
4,1875
??
0,02
Error
522,375
87,0625
Total
919,438
15
?? Debes completar los faltantes de la tabla 27 anterior. No hay valores de P que sean menores de 0,05, y ningn factor presenta efecto significativo estadsticamente significativo en la perdida de peso en el nivel de 95% de confianza.
83
Cual seria tu conclusin y que se podra recomendar para ejercicio? 7.8. Ejercicio propuestos 1) Con el fin de determinar si se presentan efectos en el peso, debido a la posicin que pueden ocupar pollos de engorde, criados en jaula de 4 pisos (filas) y 4 casilleros (columnas). La variable analizada fue: Peso del pollo (kg.) a las 8 semanas de edad Casilleros Pisos 1 2 3 4 1 1.40(A) 1.35(B) 1.38(C) 1.39(D) 2 1.38(B) 1.28(A) 1.40(D) 1.39(C) 3 1.40(C) 1.45(D) 1.42(B) 1.40(A) 4 1.60(D) 1.62(C) 1.63(A) 1.60(B)
a) Formule y realice la Prueba de Hiptesis correspondiente. Use =0.05 b) Realice la prueba de Tukey para comparar si existe diferencia entre el tratamiento A y B. Use =0.05 c) Realice la prueba DLS para comparar si existe diferencia entre el tratamiento C y D. Use =0.01 d) Utilice la prueba t para comparar si el peso promedio utilizando el tratamiento C es menor al peso promedio usando el tratamiento B. Use =0.05
Capitulo ocho: Diseo en cuadro greco latino

8.1. Diseo en cuadro greco latino. Cuando se tiene un cuarto factor de bloque a controlar activamente en el diseo de cuadro latino como por ejemplo si en el ejercicio del numeral 1.19.5 se decide considerar el sitio de realizacin del experimento o la procedencia de un ingrediente para el producto considerado. Este diseo se denomina cuadro greco latino (DCGL), en el cual los niveles de el nuevo factor se denotan por las letras griegas , , , a; representndose los tratamiento con las letras latinas A, B, C y D. En el diseo en cuadrado greco-latino se superponen dos cuadrados latinos, resultando el siguiente modelo matemtico:
Yijl = + i + j + l + k + ijl
i= 1,., l j=1,., b numero de tratamientos numero de bloques
Ecuacin 67
i = efecto debido al bloque 1

84
j = efecto debido al bloque 2 l = efecto debido al tratamiento

l =
cto debido al tratamient2
{ l , , , }
El inconveniente de este modelo es que su utilizacin es muy restrictiva. Adems pueden no existir cuadrados greco latinos de determinadas condiciones. 8.2. Formacin y tabulacin de los datos experimentales en un cuadrado greco latino. Tabla 28. Arreglo de los resultados de los tratamientos, en cuadro GrecoLatino.
BLOQUES II Y ..k 3
1 1 2 3 4 . . f
2
l1l
Yi
4411 443
BLOQUES I Y i..
A=Y B=Y C=Y D=Y
212
313 414
B=Y C=Y C=Y D=Y A =Y D=Y4 B=Y A=Y

22 322 2 12f
331 432
533 23f
D=Y B =Y A=Y C=Y
544
F=YjJ1 A=Y1j2 B=Y2j3 C=Y3j4

34f
J=YJjf
Yl
8.3. Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques en cuadro greco latino. El procedimiento a seguir es comn y debe ser acorde con lo planteado en la siguiente tabla.
Y .... = la suma Y .... =
de todos
los
datos
de la tabla
de resultados
Y ijkl
SCTotal =
i
( Yijkl ) [ Y ...
2 j k l1
] Ecuacin 68
SStratamie nto letra latin = [ Y. 2.. j

j =1
p ] Y ....
N Ecuacin 69
Nota : Los tratamientos se definen con las letras latinas
85
2 SSrenglone s = Yi... i =1
p ] Y ....
p ] Y ....
p
2
Ecuacin 70
2 SScolumnas = [ Y.... L L =1
Pt
N Ecuacin 71
2
SStratamle trgriega = Y..2 . k

k =1
p ] Y ....
Ecuacin 72
*Renglones primer factor de bloqueo **Columnas segundo factor de bloqueo Tratamiento representado por las letras griegas
1 = 2 = =
Los grados de libertad se cal SSTotales= SSrenglon+SScolumn+SStratamienLatin+SStratamien;etrgriega+SSError Ecuacin 73 8.4. Anlisis del diseo de Cuadro greco latino (Varios autores) Cualquier observacin en el DBCA, se puede representar por el modelo;
Yijl = + i + j + l + ijl
j = efecto debido al bloque
i= 1,., k j=1,., b numero de tratamientos numero de bloques
Ecuacin 74
i = efecto debido al tratamiento

8.5. Hiptesis a probar para el diseo greco latino
H0 : Ha:
1 = 2 = 3 = ... k =
1 # j para algn
i # j
86
8.6. ANAVA para el diseo grecolatino.
Tabla 29. ANOVA para el diseo de cuadro greco latino*
SUMA DE CUADRADOS
GRADOS CUADRADOS DE MEDIOS LIBERTAD k-1 CMtratalatin
Fo
P-value
Tratamientos Letra latin
SCtratlatin
Ftralat = CMtratlatin/ CMEr Fre = CMrenglol /CMEr
P (F > Fa)
Renglones
SCrenglo
k-1
CMrenglo
P(F > Fa)
Columnas
SCcolumn
k-1
CMcolumn
F colmn= P(F > Fa) CMcolumn/CM

Er
Tratamientos Letra griega Error
SCtratgiega
k-1
CMtaratgriega
Ftratlgrieg=CM
taratgriega
P (F > Fa
SCE
(k - 2)(k -1) k2 - 1
CMErr
Total
SCT
*Tomado de Gutierrez, H, et all. Anlisis de experimentos. Captulo Cuatro 132 SCT = SCtrat + SCBl + SCB2 + SCE Ecuacin 75
y los grados de libertad correspondientes son k2 -1 = (k -1) + (k -1) + (k -1) + (k - 2)(k -1) Ecuacin 76
8.7. Ejemplo para el diseo grecolatino. Ejemplo de un cuadrado greco-latino (Pena, 2002) Se compara el rendimiento de tres procesos de fabricacin (A, B, C) en tres
condiciones experimentales (_ , , ) tres das distintos con tres procedimientos de medicin. El dise y los resultados obtenidos se indican en el cuadro.
87
Tabla 30. ANOVA para el ejemplo de diseo de cuadro greco latino* A

10 Dia 1 Dia2 13 8 Dia 3 11 Yi 34
Metodo 1
B A
C B A
10 31 10
Metodo 2 Metodo 3 yL
C
8
26 30 90
B
9 27
C
11 32
Y..1.=28 .Y..2.=32 ..Y..3.=30

Tabla 30. ANOVA para el ejemplo de cuadro greco latino*
SUMA DE CUADRADOS
GRADOS CUADRADOS DE MEDIOS LIBERTAD k-1 CMtratalatin
Fo
P-value
Tratamientos Letra latin
SCtratlatin
Ftralat = CMtratlatin/ CMEr Fre = CMrenglol /CMEr
P (F > Fa)
Renglones
SCrenglo
k-1
CMrenglo
P(F > Fa)
Columnas
SCcolumn
k-1
CMcolumn
F colmn= P(F > Fa) CMcolumn/CM

Er
Tratamientos Letra griega Error
SCtratgiega
k-1
CMtaratgriega
Ftratlgrieg=CM
taratgriega
P (F > Fa
SCE
(k - 2)(k -1) k2 - 1
CMErr
Total
SCT
88
Capitulo nueve:
Diseos factoriales
9.1. Diseos factoriales En ingeniera muchos de los experimentos se llevan a cabo para estudiar los efectos producidos por dos o mas factores. El desplazamiento de estos dentro de un dominio experimental es costoso adems las limitaciones de tiempo obligan al experimentador a ejecutar slo los experimentos imprescindibles. En los mtodos tradicionales solo se varia un factor cada vez esto no es lo mejor pues implica ms experimentos de los necesarios y se obtiene informacin parcial pues no muestran la interaccin entre los factores; las interacciones en un experimento son corrientes y son los efectos ms importantes para comprender el comportamiento de muchos sistemas. Los diseos experimentales permiten variar simultneamente varios factores pero evitndose que se vaya en la misma direccin. Y se complementan de tal modo que la informacin buscada se obtiene combinando las respuestas de todos ellos. 9.2. Ventajas de los Experimentos Factoriales Podemos resaltar entre varias las siguientes: 1. Economa en el material experimental pues se obtiene informacin sobre varios factores sin incrementar el tamao del experimento. 2. Permiten el estudio de la interaccin, o sea determinan el grado y la forma en la cual se modifica el efecto de un factor por los niveles de otro factor 9.3. Desventajas de los diseos factoriales Una desventaja de los experimentos factoriales es que requieren un gran nmero de tratamientos, especialmente cuando se tienen muchos factores o muchos niveles de un mismo factor. Este hecho tiene los siguientes efectos: 1. Si se desea usar bloques completos es difcil encontrar grupos de unidades experimentales homogneas para aplicar todos los tratamientos. 2. Se aumenta el costo del experimento al tener muchas unidades experimentales; esto se minimiza usando factoriales fraccionados donde se prueba una sola parte de todo el conjunto de tratamientos. Los experimentos factoriales se pueden ejecutar bajo cualquier tipo de diseo de control de error o un sub muestreo o con covariables. En este modulo slo se presentaran anlisis de experimentos factoriales de dos factores bajo un DCA y o DBCA.
89
9.4. Arreglo factorial El conjunto de experimentos individuales o tratamientos que se forman al considerar las posibilidades de combinacin para el diseo factorial es el mostrado en la tabla siguiente;
FACTOR B
FACTOR A
A1
B1
Figura 11.Un experimento factorial
B1 A1 FACTOR A A2
FACTOR B B2
Figura 12.Un experimento factorial 9.5. Modelo estadstico para un diseo factorial Cualquier observacin en el diseo factorial se puede representar por el modelo;
Yijl = + i + j + ( ) ij + ijk
Ecuacin 77
i= 1,., a numero de tratamientos j=1,., b numero de bloques k= 1,2,..n = media general, tambin denominada 0
i = efecto debido al i-esimo nivel del factor A, tambin denominada 1 = efecto debido al j-esimo nivel del factor B, tambin denominada 2 . ( ) ij = representa al efecto de interaccin en la combinacin ij, tambin
denominada 1 2 .
( ) ijk =
es el error aleatorio que supone una distribucin con media cero y
varianza constante
2
90
Estando el modelo de regresin descrito por :
Yijl = o + 1 X 1 + 2 X 2 + 1 2 X 1 X 2 + ijk
9.6. Hiptesis a probar H0 : Efecto A = 0 Ha: Efecto A # 0
Ecuacin 78
H0 : Efecto B = 0 Ha: Efecto B # 0 H0 : Efecto AB = 0 Ha: Efecto AB # 0 Si efecto A=
Si efecto B=
Las hiptesis tambin se pueden plantear de la siguiente manera: H0 : HA : H0 : HB : H0 : HAB:
1 = 2 = ... a
=0
#0
para algn i
1 = 2 = ... b = 0 j #0
( ) ij = 0 ( ) ij #0
para algn ij
Hiptesis que se prueban con la tcnica de anlisis de varianza (conocida). Calculo de la suma de cuadrados del error. SCE - SCT = SCA+ SCB + SCAB Ecuacin 79 Calculo de la suma de cuadrados del error SCE= SCT-SCA-SCB-SCAB Ecuacin 80
9.7. ANOVA para el diseo factorial (a x b) o de dos factores El anlisis de varianza se calcula de una manera similar a los primeros numerales del presente capitulo.
91
9.8. Ejemplo de un diseo factorial Se corre un diseo factorial 3x2 con 2 replicas para investigar el encogimiento de un producto despus del proceso de estandarizado. Tabla 31. ANOVA para el diseo factorial a
xb
Cuadrado s medios Fo p-value
Suma de cuadrados
Grados de libertad
EFECTOA
SCA SCB SCAB SCE SCT
a-1 b-1 (a -l)(b -1) ab(n-1) abn-1
CMA CMB CMTRAT CME CMTRAT
Fo = CMTRAT / CME Fo = CMB / CME
P(F > Fo) P(F > Fo)
EFECTOB
EFECTOAB
Error
Total
Los factores investigados son. A: Temperatura de la bodega de almacenamiento ( tres niveles, T1, T2 y T3) y contenido del preservante (material de curado) a dos niveles, B1 y B2. Los datos obtenidos se muestran en la tabla siguiente:
Hiptesis de investigacin: la temperatura y los aditamentos influyen en el tamao final del producto. Diseo del experimento: una masa bien homognea para la confeccin del producto se dividen en seis porciones iguales y a cada una de ellas se les mezcla el porcentaje del ingrediente seleccionado.
Tabla 32. Resultados del ensayo NOVA para el diseo factorial a Temperatura T2
4,3 4,0 3.81 3.37 3.72 3.50
xb
T3
4 3,9 3,8 4,1 3,4 4,3
T1 Empaque B1 B2
3,9 3,5 4,2 3,8
3.84 3,6
** Elabore el ANAVA para este proceso y socialcelo con los compaeros en el grupo de curso.
92
Tabla 33. ANOVA para el ejemplo de diseo factorial a
xb
Fo Ecuac p-value
Suma de cuadrados Ecuac
Grados de libertad Ecuac
Cuadrados medios Ecuac
EFECTOA
EFECTOB EFECTOAB
Error
Total
* Que conclusiones sacaras? 9.9. Experimentos factoriales de dos vas En un experimento factorial de dos vas se eligen dos variables experimentales y se seleccionan dos o ms niveles para cada una. Para cada combinacin de niveles habr un tratamiento. Aunque los experimentos factoriales comnmente son ms prolongados que los experimentos de una sola variable, por lo general producen mucho ms informacin en el tiempo que toman. Cuando se analizan resultados como los de la tabla 9 se debe siempre preguntar si las diferencias que se observan obedecen a los tratamientos aplicados o a alguna otra variable, que posiblemente se desconoce. El propsito del diseo experimental es comprobar si hay interaccin o no entre los factores. 9.10. Factor en el diseo de dos vas. Cuando se manejan en un solo experimento ms de una variable experimental, stas se conocen como factores experimentales. 9.11. Tratamiento en el diseo de dos vas. En un experimento factorial de dos vas un tratamiento es una combinacin de niveles de los dos factores. Si hay 11, niveles del factor 1 y 2 niveles del factor 2 entonces habr 11, por 11, tratamientos.
93
9.12. Interaccin en el diseo de dos vas. Si el efecto de un factor en la variable de respuesta es diferente para distintos niveles del otro factor, se dice que los factores presentan una interaccin. Las interacciones slo se hacen visibles con experimentos factoriales, lo que da a stos una ventaja importante sobre los experimentos de una variable. 9.13. Pasos para llegar al ANOVA en un diseo experimental. Para obtener el ANOVA por ejemplo en la tabla 42, 44 y otras para responder preguntas especificas sobre un experimento se debe: 1) Obtener los contrastes. O comparaciones entre las medias de los tratamientos. 2)Calcular los efectos. Ver ecuaciones 16,17 y 18. 3) Las sumas de cuadrados. Ver ecuaciones 19,20,21, 22, 23 y 24. 4) Realizar la prueba de significancia (FO). Ver tablas de ANOVA.
Capitulo diez:
Diseos factoriales 2k
10.1. Codificacin de las variables La codificacin consiste en asignar valores numricos o alfanumricos (cdigos) a cada una de las variables con el fin de facilitar el tratamiento de los datos. Los niveles de los factores para el diseo factorial se pueden codificar con los smbolos +1 ( nivel superior) y -1 ( nivel inferior); para proporcionar un marco de trabajo uniforme y apropiado para investigar los efectos de los factores (variables) en cualquier regin experimental en la que los valores reales de los factores dependen de los
X Codificada i = ( X i X ) / Diferencia
Diferencia = (X M Xn) Ecuacin 82
Ecuacin 81
(X M Xn) = diferencia entre los valores mximo y mnimo.
X i = es el valor de x
= el valor en el experimento
X = valor medio de los = el valor medio en el experimento k 10.2. El diseo factorial completo 2
Para la notacin utilizada k = numero de factores. Y
(bse) es el nmero de niveles seleccionados.
En este diseo se consideran solo dos factores, A y B, cada uno con dos niveles.
94
Se acostumbra denominar el nivel inferior de los factores como -1 o tambin A1 Y el nivel inferior por 1 o tambin A2.
Es la estrategia mas adecuada para conocer simultneamente qu efecto tienen k factores sobre una respuesta y descubrir si interaccionan entre ellos.
Las interacciones suelen ser muy corrientes y a veces son los efectos ms importantes, por lo que conocerlas es imprescindible para comprender el comportamiento de muchos sistemas. ste describe los experimentos ms adecuados para conocer simultneamente qu efecto tienen k factores sobre una respuesta y descubrir si interaccionan entre ellos. Al no haber factores correlacionados se evitan experimentos redundantes. Adems, los experimentos se complementan de tal modo que la informacin buscada se obtiene combinando las respuestas de todos ellos. Tabla 34. Signos algebraicos para calcular los efectos en un diseo 22
Combinaci PRUEBA A B AXB n de los tratamient os
Y 1 2
REPETICIONES
Y Y .. Y n
PROMEDIO
Y
1 2 3 4
+ +
+ +
+ +
(1) a b ab
10.3. Efecto de un factor en un diseo 22 La influencia que tiene un factor sobre la variable de respuesta como el cambio en la respuesta cuando un factor cambia de su nivel inferior a su nivel superior, promediado sobre los dems factores. a) El efecto promedio de A es definido como: A = 1/2n{[ ab-b]+[a-(1)]} A = 1/2n[ ab+a b -(1)] Ecuacin 83
b) El efecto promedio de B es definido como:
95
B = 1/2n{[ ab-a]+[b-(1)]} B = 1/2n{[ ab + b a - (1)]} Ecuacin 84 c) El efecto de interaccin de AB es definido como: AB = 1/2n{[ ab-b]-[a-(1)]} AB = 1/2n[ ab+(1)-a-b] Ecuacin 85
n = numero de repeticiones o replicas d) la suma de cuadrados de los efectos se calcula a partir de los contrastes y se definen como: SS= [Efecto]2[2k-2]n
Ecuacin 86
Tambin puede ser calculada d1) Para el factor A este se calcula con:
SC A = {[ab + a b (1)]}2 n 2 2 Ecuacin 87
d2. de B
SC B = {[ab a + b (1)]}2
d3. de AB
SC AB = {[ab + (1) a b]}2
n2 2 Ecuacin 88
n 2 2 Ecuacin 89
d4. Calculo de la suma de cuadrados totales
SS T =
i =1
Y
j =1 k =1
2 K =1
Y 2
Ecuacin 90
N = nmero de pruebas d5. Calculo de la suma de cuadrados del error SCE= SCT-SCA-SCB-SCAB Ecuacin 91
10.4. Anlisis de residuos Es un procedimiento til para la evaluacin del ajuste de una ecuacin de regresin. Los residuales se calculan cuando se encuentran diferencias entre el valor real y el valor de la variable dependiente y el valor predicho de la misma. En otras palabras un residual es la parte de Y que no est predicha por X..
96
El valor medio de los residuales es cero y como la pendiente se resta en el proceso de calculo de los residuales, la relacin entre estos y los valores de X tambin es cero.
Y = 0 + 1 X 1 + 2 X 2 + Ecuacin 92
10.5. ANOVA para un diseo factorial 22 Con los productos de las ecuaciones del numeral anterior debemos construir la siguiente tabla. 10.6. Ejemplo de un diseo experimental factorial 22 Los pasos a seguir en la resolucin de un ejercicio o situacin de ingeniera en donde se aplique un diseo experimental son los siguientes: 1- Planteamiento del problema Se quiere comprobar el rendimiento de una reaccin con un nuevo catalizador. Por tanto, se pretende determinar en qu grado la temperatura y el tiempo influyen en el rendimiento de reaccin y cmo este se puede variar para mejorarlo. 10.7. Factores y dominio experimental Para lo cual acorde con la experiencia previa, la revisin bibliografa o las necesidades de la experimentacin (criterios de rentabilidad, limitaciones experimentales), se debe escoger qu factores interesa estudiar y qu valores pueden tomar (el dominio experimental). Tabla 35. ANOVA para un diseo factorial 22 Suma de cuadrados Grados de libertad Cuadrados medios Fo p-value
EFECTOA EFECTOB EFECTOAB Error Total
SCA SCB SCAB SCE SCT
1 1 1 4(n-1)
CMA CMB CMAB CME
Fo = CMA / CME Fo = CMB / CME Fo = CMAB/ CME
P(F > Fo) P(F > Fo) P(F > Fo)
n22-1
La Tabla 35 muestra los dos factores escogidos. Como ambos factores son continuos, su dominio experimental se expresa con los valores mximo y mnimo que pueden tomar. Para lo cual se acord que el tiempo de reaccin no debera ser inferior a 8 horas para que el proceso fuera rentable, y superior a 6 horas para asegurar un
97
buen rendimiento; adems el rango de temperatura de trabajo debe ser superior a los (40C) pero sin exceder los 80C. La Tabla 35 tambin muestra la notacin codificada ms habitual para factores continuos: se asigna el valor 1 al extremo inferior del dominio experimental y el valor +1 al extremo superior 2. Para simplificar a menudo slo se indican y +. Es necesario definir la correspondencia entre variables reales y codificadas porque el diseo de experimentos describe la experimentacin ptima empleando variables codificadas (X1, X2,...) sin dimensin. De este modo las herramientas matemticas y estadsticas son generales y se pueden aplicar a cada problema concreto. La experimentacin ms econmica (mnimo nmero de experimentos) es aquella en la que cada factor toma slo dos valores (niveles). Y la que proporcionar la informacin con menor incertidumbre es aquella en la que estos valores son los extremos del dominio experimental, 1 y +1. Esta misma tabla 35 muestra la matriz de experimentos que se obtiene combinando los dos niveles de los dos factores. Cada fila es un experimento y cada columna es un factor estudiado. Tabla 36. Respuestas para el ejemplo de diseo factorial 22
Matriz de experimentos x1 1 2 3 4 + +
x2
Plan de experimentacin Tiempo (h) 6 8 6 8 Temperatura (C) 40 40 60 60
Respuesta (% rendimiento)
Corrida 1
49 54 70 78
Corrida 2
48 58 72 55
Corrida 2
49 55 73 56
+ +
Tabla 37. Matriz para el ejemplo de diseo factorial 22

Combinacin PRUEBA A B AXB de los tratamientos Y 1 Y 2 Y 3 Repeticiones Y PROMEDIO
x1
1 2 3 4
x2
x1 x2
+ +
+ +
+ +
(1) a b ab
49 54 70 78
48 58 72 55
49 55 73 56
48,66666667 55,66666667 71,66666667 63
Pasos a seguir a) El efecto promedio de A es definido como: A = 1/2n[ ab+a b -(1)]

98
A = 1/2n[ ab+a b -(1)] A= 7,666 b) El efecto promedio de B es definido como: B = 1/2n{[ ab + b a - (1)]} B = 13 c) El efecto de interaccin de AB es definido como: AB = 1/2n{[ ab-b]-[a-(1)]} AB = 1/2n[ ab+(1)-a-b] = AB = -9 n = numero de repeticiones o replicas Tabla 38. Anlisis de varianza para el ejemplo de diseo factorial 22
Suma de cuadrados EFECTOA EFECTOB EFECTOAB

176,3333333
Grados de libertad
Cuadrados medios
176,3333333
Fo
p-value
1 1 1
0,032713984
P(F > Fo)
507
507
0,094060433
P(F > Fo)
264,4533907
264,4533907 0,049062328
P(F > Fo)
Error Total
43121,21328
5390,151659
SCT
11
Capitulo once:
Diseo factorial de tres factores
11.1. Diseo factorial de tres factores con dos niveles cada uno. Un diseo factorial de 23 involucra a tres factores A,B,C, todos con dos niveles sus combinaciones se muestran en la tabla siguiente.
99
Tabla 38. Combinacin de los tratamientos para un diseo 23

COMBINACIN CORRIDA A B AXB AXC BXC AXBXC DE TRATAMIENTOS
C
1 2 3 4 5 6 7 8
+ + + +
+ + + +
+ + + + +
+ + + +
+ + + +
+ + + +
+ + + +
(1) a b ab c ac bc abc
11.2. Efecto de un factor en un diseo 23 Es la influencia que tiene un factor sobre la variable de respuesta (cambio en la respuesta) cuando un factor cambia de su nivel inferior a su nivel superior, promediado sobre los dems factores. Tabla 39. Signos algebraicos para calcular los efectos en un diseo 23
COMBINACIN DE LOS TRATAMIENTOS
EFECTO FACTORIAL
I
AXB
AXC
BXC
AXB XC
C
(1) a b ab c ac bc abc
+ + + + + + + +
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
a) El efecto promedio de A es definido como: a b ab c ac bc abc A = 1/2n{[-(1)+a -b+ab-c+ac-bc+abc]} Ecuacin 93

100
A = 1/2n[ a+ab+abc b - bc -(1)] Ecuacin 94 b) El efecto promedio de B es definido como: B = 1/2n{[-(1)-a+b+ab-c-ac+bc+abc]} B = 1/2n{[ ab + b+bc+abc a-c-ac - (1)]} Ecuacin 95 c) El efecto de interaccion de AB es definido como: AB = 1/2n{[(1)-a-b+ab+c-ac-bc+abc]} AB = 1/2n{[(1) +abc+ab+c -a-b-ac-bc]} Ecuacin 95 n = numero de repeticiones o replicas d) El efecto de interaccion de AC es definido como: AC = 1/2n{[(1)-a+b-ab-c+ac-bc+abc]} AC = 1/2n{[(1) +b+ac+abc a -ab-c-bc]} Ecuacin 96 n = numero de repeticiones o replicas e) El efecto de interaccion de ABC es definido como: ABC = 1/2n{[(-1)+a+b-ab+c-ac-bc+abc]} ABC = 1/2n{[ a +b+c+abc (1) -ab-ac-bc]} Ecuacin 97 n = numero de repeticiones o replicas f) la suma de cuadrados es definida como: SS= [Efecto]2[2k-2]n Ecuacin 98 Tambin pueden ser calculados. Calculo de la suma de cuadrados totales
SS T =
i =1
Y
j =1 k =1
2 K =1
Y 2
Ecuacin 98.1
g) Calculo de la suma de cuadrados del error. SSE= SST-SSA-SSB-SSAB Ecuacin 99 h) Analisis de residuos
Y = 0 + 1 X 1 + 2 X 2 +
Ecuacin 100
101
11.3. Anlisis de varianza para un diseo factorial 23 Tabla 40. Calculo del Anlisis de varianza para un diseo factorial 23
Suma de cuadrados
Grados de libertad
Cuadrado s medios
Fo
p-value
EFECTOA
SCA SCB SCC SCAB SCAC SCBC SCABC SCE SCT
1 1 1 1 1 1 1 23(n-1)
CMA CMB CMC CMAB CMAC CMBC CMABC CME
Fo = CMA / CME Fo = CMB / CME Fo = CMC / CME Fo = CMAB/ CME Fo = CMAC / CME Fo = CMBC / CME Fo = CMABC / CME
P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo)
EFECTOB
EFECTOC
EFECTOAB
EFECTOAC
EFECTOBC
EFECTOABC
Error
Total
n23-1
11.4. Coeficientes de determinacin Estos coeficientes miden la proporcin o el coeficiente de variabilidad en los datos experimentales que es explicada por el modelo considerado.
R2 = {
SCTotal SC Error / SCTotal ]100}
Ecuacin 101 Ecuacin 102
R 2 = [ SC Modelo / SCTotal ]100}
11.5. Ejemplo de un diseo factorial 23 En una empresa productora de bebidas achocolatadas ha tenido problemas con la viscosidad de cierta bebida de chocolate. Se cree que tres ingredientes
102
que se agregan en pequeas cantidades son con los que se puede resolver este problema, por lo que es necesario explorar la situacin; para ello se corre un experimento 23 con dos rplicas. Con los resultados obtenidos: Tabla 41. Datos de la viscosidad de la bebida desarrollada.
INGREDIENTE A INGREDIENTE B INGREDIENTE C
-1 +1 -1 +1 -1 +1 -1 +1
-1 -1 +1 +1 -1 -1 +1 +1
-1 -1 -1 -1 +1 +1 +1 +1
y1 13,3 14,7 14,6 14,3 16,9 15,5 17,0 18,9
VISCOSIDAD y2 Ym 13,4985184 13,7 14,5492268 14,4 14,5499141 14,5 14,1996479 14,1 17,0493402 17,2 15,4499191 15,4 17,0499267 17,1 18,949934 19,0
Tabla 42. Promedio y factores calculados para el ejemplo de la viscosidad Promedio Factor A Factor B Factor C Factor AB Factor AC Factor BC 15,6621 0,250257 1,0506 2,92545 0,524613 -0,099964 0,699696 +/- 0,61255 +/- 1,2251 +/- 1,2251 +/- 1,2251 +/- 1,2251 +/- 1,2251 +/- 1,2251
Tabla 43. Anlisis de la varianza para la viscosidad de bebida desarrollada. Suma de cuadrados 0,125257 2,20754 17,1166 0,550439 0,0199856 0,979149 3,00174 24,0007 Grados de libertad 1 1 1 1 1 1 1 1 Cuadrados medios 0,125257 2,20754 17,1166 0,550439 0,0199856 0,979149 3,00174 F 0,04 0,74 5,70 0,18 0,01 0,33 p 0,8717 0,5487 0,2525 0,7424 0,9482 0,6696
Factor_A Factor_B Factor_C AB AC BC Total error Total (corr.)
103
Figura 13. Pasos para calcular el ANOVA en un diseo 2k
Contrastes
Datos
Suma de cuadrados
Efectos
ANOVA
Para este caso hay cero efectos que sean de valor p menor que 0,05, lo cual nos indica que son significativamente diferentes de cero al nivel de confidencia del 95% Tabla 44. Coeficientes de regresin de la ecuacin de los datos de viscosidad de la bebida desarrollada en el ejemplo anterior. Constante Factor_B AB BC = 15,6621 = 0,525302 = 0,262307 = 0,349848 Factor_A Factor_C AC R2 = 0,125129 = 1,46273 = -0,049982 = 87,4931
La ecuacin ajustada para el modelo es
104
VISCOSIDAD = 15,6621 + 0,125129*Factor_A + 0,525302*Factor_B + 1,46273*Factor_C + 0,262307*Factor_A*Factor_B -
Estando los valores de las variables especificados en su forma original. 0,049982*Factor_A*Factor_C + 0,349848*Factor_B*Factor_C. Ecuacin 37. R-cuadrado (ajustado para los grados de libertad) = 12,4516 porciento Error estandar = 1,73255 Media absoluta del error = 0,61255 Tabla 45. Valores para el r2 , el error estndar para el ejemplo de la viscosidad de la bebida desarrollada. El valor estadstico de R2indica que el modelo ajustado explica el 87,4931% de la variabilidad de la viscosidad, es mas apropiado para comparar modelos con diferente numero de variables independientes es de 12,455% El estimativo del error estndar muestra que la desviacin estndar del error de los residuos es de 1,73255. La media absoluta de error (MAE) fue de 0,61255 el cual es el valor promedio de los residuos.
Tabla 46. Resultados estimados para los datos de viscosidad con la ecuacin de regresin encontrada para el ejemplo anterior. Datos 1 2 3 4 5 6 7 8 Valor observado
13,4985 14,5492 14,5499 14,1996 17,0493 15,4499 17,0499 18,9499
Valor fijado
14,1111 13,9367 13,9374 14,8122 16,4368 16,0625 17,6625 18,3374
Lower 95,0% CL for Mean -6,48132 -6,65571 -6,65502 -5,78019 -4,1556 -4,52992 -2,92991 -2,255
Upper 95,0% CL 34,7035 34,5291 34,5298 35,4046 37,0292 36,6549 38,2549 38,9298
11.6. Presentacin de resultados. La interpretacin de los resultados sugerimos realizarlos en el siguiente orden y las siguientes recomendaciones:
105
1) Valor medio 2) Efectos principales 3) Efectos de interaccin de dos factores 4) No olvidar que existe interaccin cuando el efecto de un factor es diferente a distintos niveles de otro(s) factor(es). Esto se puede comprender fcilmente si evaluamos el efecto de cada factor por pares de experimentos. 5)Efecto de interaccin de tres factores Por ejemplo para el ejercicio de la viscosidad se deberan presentar las siguientes graficas.
EFECTOS MEDIOS PARA LA VISCOSIDAD
18
VISCOSIDAD
17 16 15 14 -1.0 Factor_A 1.0 -1.0 Factor_B 1.0 -1.0 Factor_C 1.0
Figura 16. Efectos medios para el ejemplo de la viscosidad.
INTERACCION PARA LA VISCOSIDAD

18 + + + 16 15 14 -1.0 AB 1.0 + + +
VISCOSIDAD
17
-1.0 AC 1.0 -1.0 BC 1.0
Figura 17. Interacciones para el ejemplo de la viscosidad. 11.7. Metodologa de la superficie de respuesta. Varios autores. Se conoce como superficie de respuesta a la estrategia experimental o al experimento planeado para modelar y determinar como responden los niveles de un factor cuando se comparan con los de otro. Para el ejemplo de el ejercicio de la viscosidad la superficie de respuesta obtenida es la siguiente
106
GRAFICO DE SUPERFICIE DE RESPUESTA

Estim para la viscosidad ado
VISCOSIDAD
17 16.5 16 15.5 15 14.5 14
-1
-0.6
-0.2
0.2
0.6
Factor_A
-0.2 -1 -0.6
0.2 0.6
Factor_B
Figura 18. Interacciones para el ejemplo de la viscosidad.
11.8. Regin experimental Es el espacio delimitado por los rangos de experimentacin utilizados con cada factor. 11.9. Regin de operabilidad Conjunto de puntos donde el equipo o proceso puede ser operado. 11.10. Polinomio ortogonal. Son ecuaciones de regresin en las que cada una esta asociada con un exponente de la variable independiente, por ejemplo X, X1, X2 y todas son mutuamente independientes, es decir son ortogonales.
Capitulo doce: Anlisis de regresin

12.1. Anlisis de regresin. El anlisis de regresin es til para averiguar la forma probable de la relacin entre las variables y cuando se utiliza ste mtodo, el objetivo final generalmente consiste en predecir o estimar el valor de una variable que corresponde a un valor determinado de otra. Con base a los resultados obtenidos a partir de los anlisis realizados a la muestra representativa, extrada de una poblacin determinada, el investigador estar en capacidad de comprender y conocer minuciosamente la naturaleza y comportamiento de la poblacin en la que se encuentra interesado. 12.2. Regresin lineal simple. (2, 3, 7 y varios autores) El anlisis de regresin es til para averiguar la forma probable de la relacin entre las variables y cuando se utiliza ste mtodo, el objetivo final generalmente consiste en predecir o estimar el valor de una variable que corresponde a un valor determinado de otra. Por otro lado, el anlisis de correlacin, se refiere a la medicin de la intensidad existente entre las relaciones de las variables. Cuando se calculan los coeficientes de correlacin de un conjunto de datos, el inters se centra en el grado de compatibilidad existente entre las variables que integran el problema.
107
Tabla 48. Ecuaciones para el estimativo de una regresin lineal simple
Y = a + bX
Ecuacin 11
b = { XY [ X Y
n]}
[ X 2
n] Ecuacin 12
a = Y b X
Ecuacin 13
n]}
r = { XY [ X Y
[ ) X
[ X 2
][ Y Y 2
Ecuacin 14
Tambin es representada como
Y = 0 + 1 X + Ecuacin 15 En donde 0 = a = int er sec cion 1 = b = pendiente
= cambio en el error. Variable aleatoria

12.3. Coeficientes de correlacin. Una correlacin es el grado de relacin entre dos o ms variables que busca determinar en que medida una lnea u otra ecuacin describe o explica dicha relacin. Se encuentran dentro de un rango que va desde -1 hasta 1 rango que explica el alcance y la valoracin de dicho coeficiente y la direccin de la correlacin. Tabla 49. Tabla 49. Grado de asociacin de los coeficientes de correlacin para un conjunto de datos. (varios autores) COEFICIENTE DE CORRELACIN -1.00 - 0.95 - 0.50 - 0.10 0.0 + 0.10 + 0.50 + 0.95 + 1.00 INTERPRETACIN Correlacin negativa perfecta Correlacin negativa fuerte Correlacin negativa moderada Correlacin negativa dbil No existe ninguna correlacin Correlacin positiva dbil Correlacin positiva moderada Correlacin positiva fuerte Correlacin positiva perfecta
108
El grado de asociacin, mientras ms cerca este de la unidad, en una u otra direccin, mayor es la correlacin. Generalmente en la mayora de los trabajos de investigacin se busca establecer una correlacin lineal, ya sea positiva o negativa, no se puede considerar que todas las relaciones entre dos variables (X y Y) forman una lnea recta. (ver capitulo siguiente). Existen muchas correlaciones de carcter curvilneo que indican que una variable aumenta a medida que la otra se incrementa hasta que la relacin misma se invierte, de tal manera que una variable decrece finalmente mientras que la otra sigue en aumento, es decir, que la relacin entre X y Y que en un principio es positiva se convierte en negativa, o aquella que, en un comienzo es negativa se convierte en positiva; por ejemplo en una reaccin qumica o en una reaccin bioqumica. 12.4. Otros modelos de regresin lineal simple. (2, 3, 7 y varios autores) Tabla 50. Modelos de regresin lineal simple ECUACIN Y = e a +bX MODELO
Exponencial El reciproco Multiplicativo Logartmico Reciproco
Ecuacin 16 Ecuacin 17 Ecuacin 18 Ecuacin 19 Ecuacin 20
Y =1
(a + bX )
b
Y = aX ) Y = a + b ln( X ) Y = a+b
(X )
12.5. Regresin lineal mltiple. El anlisis de regresin lineal mltiple consiste en generar modelos de regresin con ms de una variable independiente (X1, X2, X3..); el modelo de regresin lineal mltiple es representado por:
Y = 0 + 1 X 1 + 2 X 2 + ........ + k X k + Ecuacin 30
k = numero de variables (Xs)
12.6. Correlacin mltiple. Si en la ecuacin anterior es necesaria ms de una variable independiente(X1, X2...) se aplica el trmino de "correlacin mltiple". Los clculos para este tipo de correlacin son ms dispendiosos y la interpretacin de sus resultados ms complejo. La inclusin de variables adicionales incrementa los datos necesarios y puede tambin adicionarse un considerable costo al estudio.
109
Las razones principales para cambiar el anlisis de una dos o ms variables independientes son: Existe una relacin lgica, y una sola variable independiente no proporciona un coeficiente de correlacin suficientemente satisfactorio. El coeficiente de correlacin mltiple representa la proporcin de variacin en Y que explica el conjunto de variables explicativas seleccionadas. (3, 7, 8, 27 y
varios autores)
12.7. Transformacin de datos. (3, 7, 8, 27 y varios autores) En la prctica muchos de los procesos experimentales no siguen una distribucin normal con varianza constante y aunque el procedimiento de anova es robusto y admite desviaciones moderadas el realizar un anlisis estadstico con resultados que no cumplen con los supuestos acerca del modelo estadstico, se puede llegar a una conclusin y decisin errnea. Para lo cual mediante una transformacin adecuada puede conseguirse que una variable que no se distribuye normalmente pase a tener una distribucin casi normal; por ejemplo un cambio de escala puede variar la media y la varianza de la variable as como su relacin con respecto a otras variables al igual que la forma de la distribucin de una variable cambia con la escala. Las poblaciones con varianzas desiguales pueden convertirse en varianzas homogneas mediante una transformacin apropiada. Las transformaciones ms usadas se presentan en la tabla siguiente: Tabla 51. Transformaciones usadas para datos Transformacin apropiada
Y ' = ln(Y ) O Y ' = log10 (Y )
Tipo de transformacin Transformacin logartmica Transformacin de la raz cuadrada Transformacin del reciproco
Y ' = Y 1 / 2 Y ' = Y 1
12.8. Correlacin mltiple. Si en la ecuacin anterior es necesaria ms de una variable independiente(X1, X2...) se aplica el trmino de "correlacin mltiple". Los clculos para este tipo de correlacin son ms dispendiosos y la interpretacin de sus resultados ms complejo. La inclusin de variables adicionales incrementa los datos necesarios y puede tambin adicionarse un considerable costo al estudio. Las razones principales para cambiar el anlisis de una dos o ms variables independientes son:
110
Existe una relacin lgica, y una sola variable independiente no proporciona un coeficiente de correlacin suficientemente satisfactorio. El coeficiente de correlacin mltiple representa la proporcin de variacin en Y que explica el conjunto de variables explicativas seleccionadas. (3, 7, 8, 27 y
varios autores)
12.9. Anlisis de Covarianza. El anlisis de covarianza es un procedimiento muy importante experimentacin, pero lamentablemente no se usa con frecuencia.
en
Utiliza el anlisis de varianza y el de regresin para eliminar la variabilidad que existe en la variable independiente X; tambin ajusta medias de tratamiento y as estima mucho mejor el efecto de la variable independiente X sobre la variable dependiente Y. La variable independiente X es una observacin hecha en cada unidad experimental antes de aplicar los tratamientos, e indica hasta cierto grado la respuesta final y de la unidad experimental. 12.10. Los objetivos del anlisis de covarianza son: a) Disminuir el error experimental con el respectivo aumento en precisin del experimento. b) Ajustar los promedios de los tratamientos. c) Interpretar mejor los resultados en el experimento, especialmente en lo relacionado con la naturaleza de los efectos de los tratamientos. d) Estimar el valor de las unidades perdidas en los experimentos. 12.11. Software estadstico para la solucin de problemas. De los programas adecuados para el manejo, el procesamiento y anlisis de datos citamos los siguientes: Excell, minitab, statgraphics, SAS, curve expert; etc. sin embargo con la utilizacin de una calculadora tambin es posible la realizacin de la gran mayora de las operaciones involucradas en el procesamiento de los datos.
Capitulo trece: Diseos no experimentales

13.1. Diseos no experimentales. Varios autores Es un diseo que se apoya en la observacin directa, la entrevista y la revisin de fuentes documentales; sin que se ejerza control, se manipule alguna sobre las variables bajo estudio, sino que se observa el desarrollo de las situaciones y acorde con un anlisis cuidadoso se intenta extraer explicaciones de cierta validez y como no hay control de las variables, se pueden presentar muchas fuentes de error que hacen dudar de su validez. 13.2. Recomendaciones La observacin cientfica debe seguir algunos principios bsicos:
111
1. 2. 3. 4. 5.
Debe tener un propsito especfico. Debe ser planeada cuidadosa y sistemticamente. Debe llevarse, por escrito, un control cuidadoso de la misma. Debe especificarse su duracin y frecuencia. Debe seguir los principios bsicos de validez y confiabilidad.
13.3. Ejercicios propuestos Resuelva los ejercicios siguientes y socialcelos con el tutor y compaeros en los momentos presnciales. Ejercicios para desarrollar Y socializar en los momentos presnciales acordados con el grupo. 1- Un ingeniero presenta el siguiente diseo factorial. Conteste los siguientes incisos sin utilizar un software computacional, es decir haga las operaciones que se le piden de manera manual. a) Que nombre recibe este diseo y por que.? b) cuales tratamientos tiene este diseo, cuantas replicas.? c) en total son doce las corridas experimentales las que se realizaron, seale en que orden debieron correrse y explique por que.? d) Seale los efectos que se pueden estudiar a travs de este diseo.
A + +
B + +
i 66 61 71 75
REPLICA ii iii 67 74 79 76 83 70 80 67
Total (1) = ? (a) = ? (b) = ? (ab) = ?
e) Obtenga los contrastes para los efectos principales de A y B y para la interaccin. f) Realice la grafica de la interaccin entre los factores A y B e interprete con detalle. Verdaderamente el factor B tiene influencia sobre el factor A. 2- A un ingeniero de alimentos le solicitan analizar la resistencia a la ruptura (Y) de un empaque para alimentos, para lo cal utiliza una escala numrica. Examina tres factores, cada uno a dos niveles, X1 = material plstico, X2 = humedad , X3 = direccin del rasguo. Decide obtener tres observaciones o replicas en cada combinacin, las mismas que se muestran en la siguiente tabla: a) Realice el ANAVA para estos datos. b) Interprete los datos significativos y que conclusin daras como ingeniero.?
112
X1 + + + +
X2 + + + +
X3 + + + +
Resistencia a la ruptura 2,3 3 3,25 4,1 2,9 2,1 3,8 3,9 4,5 3,2 5,1 5,1 4,9 5,7 3,7 4,3 5,3 3,2 4 2,8 5 3,5 2,7 4,7
BIBLIOGRAFIA 1. Bavaresco, Aura (1979): Las tcnicas de la investigacin. Edit. Scott, Foresman & Co. 4 edicin. Gienview, Illinois, USA. (1 edicin: 1974). 2. Berenson , Mark; Levine, David; Krehbiel, Timothy. Estadistica para administracin. Edit, pearson, 2a Edicion, mexico 2001, 734p 3. BickinG A. C. Some Uses of statistics en the Planning of Experiments. Industrial Quality Control, Vol. 10 No. 4, Enero 1954. 4. Bunge, Mario (1980): Ciencia y desarrollo. Edit. Siglo Veinte. Buenos Aires, Argentina. 5. Christensen, Howard. Estadstica paso a paso. Edit Trillas. 5 edic, 1990. Mxico. 682 p. 6. Cochran, Willian; Cox, Gertrude. Diseos experimentales. Edit, Trillas, 5 reimpresion. Mexico 2001, 661p. 7. Costamagna, Alicia, M. Mapas conceptuales como expresin de procesos de interrelacin para evaluar la evolucin del conocimiento de alumnos universitarios. Enseanza de la ciencia, 2001.19, (2), 309-318. 8. COX D. R. Planning of Experiments. John Wiley and Sons, Inc. New York, 1978. 700p. 9. Corts, Manuel; Snchez, William. Proyecto de investigacin y desarrollo tecnologico. Universidad Nacional Abierta y a Distancia. Facultad de Ciencias Bsicas e Ingeniera; Bogota; 2001; 313.Pgs. 10. Dawson, Beth; Trapp, Robert. Bioestadistica mdica. Edit, manual moderno. 3 Edicion. Mexico 2002, 435p. 11. FAOSTAT. 12. FSTA. Food science technology abstracts 13. Hernandez, Sampieri, Roberto. Metodologia de la investigacin. Edit Mac Graw hill. Mexico, 2003, 692 p. 14. Hinkelmann, Klaus. Design and analysis of experiments. Vol I, edit. john wiley & sons, inc.1994. 495p. 15. Howard, B, Cristensen. Estadistica paso a paso. Edit, Trillas, 3 edicion. Mexico 2004, 682p.
113
16. INSTITUTO COLOMBIANO DE NORMAS TECNICAS Y CERTIFICACIN Compendio de Normas Tcnicas Colombianas sobre Documentacin, Tesis y otros trabajos de grado. Santaf de Bogot: ICONTEC, 1996. 17. Kempthorne O. The Design and Analysis of Experiments. John Wiley and Sons. New York, 1952, p.10. 18. Kuehl, O, Robert. Diseo de experimentos. Thomson learning, .2da edicin. Mxico. 19. Mendez I. Lineamientos Generales para la planeacin de Experimentos. Monografa No. 15, Vol. 15 IIMAS. 1980. 20. Montgomery, Douglas. Diseo y anlisis de experimentos. Grupo editorial Iberoamrica.1991. 589p. 21. Novak, Joseph, D; Gowin, D, Bob. Aprendiendo a aprender. Edit. Martnez Roca, D.L. 1988. - 228 p. 22. Padrn, Corral, Emilio. Diseos experimentales con aplicacin a la agricultura. Editorial trillas, 1996. 23. Pereira, Manrrique. Coleccin de lecturas teora y praxis de la investigacin. Tomo I y II. UNAD, 2001. 24. Ostle B. Estadstica Aplicada. Limusa-Wiley, Mxico, 1975, Cap. 10 25. Montgomery, Douglas. Diseo y analisis de exprimentos. Grupo Editorial ibero america, 1a Edicion, mexico 1991, 589p. 26. Sabino, Carlos A. El proceso de investigacin. Ed. Lumen Humanitas. Argentina (1996). 27. Tamayo y Tamayo, Mario. El proceso de la investigacin cientfica. 3 ED.. ED. Limusa S.A. Mxico (1998) 28. Valds de Len, Gustavo. Acerca experimentacin en diseo. Mayo 2004. Direcciones de las paginas Web. www.virtual.unal.edu.co/cursos/ciencias/2000352/ www.fao.org/docrep/T0848S/t0848s03.htm.pci204.cindoc.csic.es/tesauros/Tes_ Psic/HTML/PSI_D6.HTM http://www.sas.com/software/index.html
www.educarchile.cl/eduteca/estadistica/esc_medic.htm es.wikipedia.org/wiki
de
la
posibilidad
de
114
APENDICES
Tabla 1.
Tomado de Gutierrez.
115
Tabla 2. Valores crticos de F
116
Tabla 3. Valores crticos de
117
Tabla 4. Prueba de Duncan 5%
118
Tabla 5. Tabla de probabilidades P y Q para n= 5
119
Tabla 6. Tabla de probabilidades P y Q para n= 15
120
Tabla 7. Valores t de Student
121

Diseño Experimental para Ingenieria de Alimentos

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Diseño Experimental para Ingenieria de Alimentos

Diunggah oleh

Hak Cipta:

Diseo Experimental Cria43

HERNAN MAURICIO PULIDO Decano Facultad de Ciencias Bsicas e Ingeniera

Diseo Experimental Cria43

PROGRAMA DE INGENIERA DE ALIMENTOS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA BOGOT 2005

Campo Elas Riao Luna Ing. Qumico. MSc.

Diseo Experimental Cria43

CONTENIDO Algo de historia del diseo experimental

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

UNIDAD PRIMERA: Fundamentos del diseo experimental

Diseo Experimental Cria43

Algo de historia del diseo experimental

Diseo Experimental Cria43

comprende Comceptos metodologicos investigacin di i li

Conocimientos de tcnicas y herramientas analticas y estadisticas

Buen diseo de una Diseo apropiado de investigacin una investigacin

Utilizacin razonable de recursos en los trabajos de grado

Buen diseo de una investigacin

Concepcin critica de la investigacin en la solucin de problemas propios de la disciplina.

COMUNIDADES ACADEMICAS Y LOCALES

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

Algunas citas de inters

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

Capitulo 1.La investigacin y el diseo experimental

Diseo Experimental Cria43

Diseo Experimental Cria43

Capitulo 2. Definiciones bsicas en el diseo de experimentos

Diseo Experimental Cria43

Capitulo 3.Repaso a conceptos estadsticos

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

3.14. Respuesta a las preguntas

Diseo Experimental Cria43

TABLA 2. Actividades a desarrollar en el capitulo tres

Trabajo para realizar por los estudiantes

Acorde con la programacin la convenida con el tutor

Acorde con la programacin la convenida con el tutor

Acorde con la programacin la convenida con el tutor

Acorde con la programacin la convenida con el tutor Transferencia

Diseo Experimental Cria43

Definiciones y herramientas aplicadas a los diseos

Diseo Experimental Cria43

Diseo Experimental Cria43

Diseo Experimental Cria43

Tabla 3. Smbolos para los parmetros y estadsticos

SIMBOLO DEL PARAMETRO

Media Desviacin estandar

de los cuadrados de las diferencias entre los valores X i y

Diseo Experimental Cria43

x ,la media muestral el

Ancho del int ervalo = X

o sea la desviacin de X poblacin).

(media muestra/) con respecto a

L X = d S, se puede decir que

n = Z2 S2N / d2 (N-1)+Z2 S2 Ecuacin 11