INTRODUCCIN El diseo experimental, hoy en da se est utilizando con mucho xito la inclusin de ciencias como la estadstica, Para evaluar

las muestras de los productos creados por diversas empresas con el fin de establecer la bondad de dichos productos creados por diversas empresas al ser ingeridos por las diferentes especies. El objetivo que se persigue es la normalizacin. Conocer el estados de los productos en cuanto a su humedad, su protena fibra cruda y sus estratos son de gran ayuda para los productores de animales ya que se pueden con gran certeza calcular los estados de nutricin de sus productos, as como las formas ms adecuadas d almacenar los alimentos para sus diferentes fines. Es de anotar que en un diseo experimental es clave conocer y aplicar formulas u trabajos estadsticos para recoger y cuantificar los datos teniendo resultados ms exactos y confiables. Estos se aplican en cualquier tipo de investigacin y para cualquier rama o carrera profesional, adems de trabajos que requieran de recoleccin de datos y clasificacin, obteniendo as probabilidades estadsticas que nos permitan conocer los diferentes sucesos que rodean la planificacin de diseo experimental.

OBJETIVOS

GENERAL: Identificar esta materia como base muy importante en la formulacin de proyectos, conociendo las propiedades de las frmulas contenidas en el mdulo, haciendo de estas una herramienta que nos ahorrar trabajo y multiplicar los resultados obtenidos. Este curso es de gran importancia en el desarrollo de nuestra vida profesional, como parte fundamental del xito personal o empresarial. ESPECFICOS: Realizar los ejercicios con las diferentes frmulas contenidas en el mdulo con el fin de realizar los ejercicios propuestos en la gua de actividades. Reconocer la base esencial de los diseos planteados haciendo uso de los conocimientos estadsticos para determinar la efectividad de la metodologa planteada.

Intervalo de confianza para la media de una poblacin De una poblacin de media y desviacin tpica se pueden tomar muestras de elementos. Cada una de estas muestras tiene a su vez una media ( ). Se puede demostrar que la media de todas las medias mustrales coincide con la media poblacional:2 Pero adems, si el tamao de las muestras es lo suficientemente grande,3 la distribucin de medias mustrales es, prcticamente, una distribucin normal (o gaussiana) con media y una desviacin tpica dada por la siguiente expresin: como sigue: . Si estandarizamos, . Esto se representa se sigue que:

En una distribucin Z ~ N(0, 1) puede calcularse fcilmente un intervalo dentro del cual caigan un determinado porcentaje de las observaciones, esto es, es sencillo hallar z1 y z2 tales que P[z1 z z2] = 1 - , donde (1 - )100 es el porcentaje deseado (vase el uso de las tablas en una distribucin normal). Se desea obtener una expresin tal que En esta distribucin normal de medias se puede calcular el intervalo de confianza donde se encontrar la media poblacional si slo se conoce una media muestral ( ), con una confianza determinada. Habitualmente se manejan valores de confianza del 95 y del 99 por ciento. A este valor se le llamar (debido a que es el error que se cometer, un trmino opuesto). Para ello se necesita calcular el punto o, mejor dicho, su versin estandarizada

o valor crtico junto con su "opuesto en la distribucin" . Estos puntos delimitan la probabilidad para el intervalo, como se muestra en la siguiente imagen:

Dicho punto es el nmero tal que:

Y en la versin estandarizada se cumple que:

As:

Haciendo operaciones es posible despejar

para obtener el intervalo:

De lo cual se obtendr el intervalo de confianza:

Obsrvese que el intervalo de confianza viene dado por la media maestral del valor crtico Si no se conoce por el error estndar .

el producto

y n es grande (habitualmente se toma n 30):4

, donde s es la desviacin tpica de una muestra.

Aproximaciones para el valor y 2,576 para

para los niveles de confianza estndar son 1,96 para .5

El tamao de una muestra es el nmero de individuos que contiene. Una frmula muy extendida que orienta sobre el clculo del tamao de la muestra para datos globales es la siguiente1 :

N: es el tamao de la poblacin o universo (nmero total de posibles encuestados). k: es una constante que depende del nivel de confianza que asignemos. El nivel de confianza indica la probabilidad de que los resultados de nuestra investigacin sean ciertos: un 95,5 % de confianza es lo mismo que decir que nos podemos equivocar con una probabilidad del 4,5%. Los valores de k se obtienen de la tabla de la distribucin normal estndar N(0,1). Los valores de k ms utilizados y sus niveles de confianza son: Valor de k 1,15 1,28 1,44 1,65 1,96 2,24 2,58 Nivel de confianza 75% 80% 85% 90% 95% 97,5% 99% (Por tanto si pretendemos obtener un nivel de confianza del 95% necesitamos poner en la frmula k=1,96) Otra frmula para calcular el tamao de la muestra es: n=(N^2 Z^2)/((N-1) e^2+^2 Z^2 ) Donde: n = el tamao de la muestra. N = tamao de la poblacin. = Desviacin estndar de la poblacin, que generalmente cuando no se tiene su valor, suele utilizarse un valor constante de 0,5. Z = Valor obtenido mediante niveles de confianza. Es un valor constante que, si no se tiene su valor, se lo toma en relacin al 95% de confianza equivale a 1,96 (como ms usual) o en relacin al 99% de confianza equivale 2,58, valor que queda a criterio del encuestador. e = Lmite aceptable de error maestral que, generalmente cuando no se tiene su valor, suele utilizarse un valor que vara entre el 1% (0,01) y 9% (0,09), valor que queda a criterio del encuestador. Estimacin de parmetros. Estimacin por intervalos del valor medio en poblacin normal. Vamos a ilustrar el procedimiento de obtencin de un intervalo de confianza, considerando una poblacin normalX con varianza desconocida, siendo el parmetro a estimar su valor medio. Para ello se deber disponer de:

o o

Una muestra aleatoria X1, X2 ,..., Xn de tamao n extrada de la poblacin X. Un estimador del parmetro poblacional , que en este caso es la media maestral pero que, debido al desconocimiento de la varianza de la poblacin, tendremos que reemplazar este ltimo parmetro por la varianza maestral. El estadstico que emplearemos, relacionado con el parmetro , ser :

Este estadstico sigue una distribucin T de Student con (n-1) grados de libertad.
o

El nivel de confianza 1- , establecido a priori por el experimentador (los usuales son 0.95, 0.90 y 0.99).

Dada la distribucin del estadstico y el nivel de confianza, se tiene la siguiente igualdad probabilstica:

La expresin anterior es equivalente a:

Que hace referencia a que con una probabilidad 1- el intervalo aleatorio

Contendr el valor medio . El intervalo es aleatorio ya que sus extremos se determinan a partir de los estimadores media maestral y desviacin tpica maestral, tratndose de variables aleatorias. La probabilidad a que se refiere dicho intervalo aleatorio, puede interpretarse de manera informal pero quizs ms clara: "Si consideramos todas las muestras distintas de tamao n que puedan ser extradas de la poblacin X, y con las observaciones de cada una construimos los correspondientes intervalos, segn la estructura anterior, el (1- )% de estos intervalos contendrn el parmetro " Por tanto, si extraemos una muestra de tamao n y con los datos u observaciones, x1, x2,...,xn , calculamos los extremos del intervalo, dispondremos del concreto intervalo de confianza para el parmetro

Que, en funcin de la interpretacin informal anterior, contendr dicho parmetro con una confianza (1- ). Observacin: el nivel de confianza establece en alguna medida la longitud del correspondiente intervalo de confianza. Aumentando el nivel de confianza (mayor certeza), aumenta la longitud (menor precisin).

A.A

Concentracin Concentracin Concentracin Patrn de ref. Inicial - g/ml g/ml Final g/ml 10,292 12,094 13,432 13,487 12,464 14,802

Recorrido de la variable 3,140 2,708

1 2

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

14,881 12,099 19,031 5,355 32,079 16,069 3,252 10,469 11,565 13,018 13,535 14,931 12,669 2,394 6,216

13,004 13,282 13,536 13,534 14,245 15,622 13,223 14,554 13,565 8,572 12,816 11,891 13,399 16,080 13.567

15,797 10,194 22,186 18,454 45,590 31,917 15,890 23,756 15,062 10,021 16,329 16,706 15,008 17,651 18,848

2,793 3,088 8,650 13,099 31,345 16,295 12,638 13,287 3,497 4,446 3,513 4,815 2,339 15,257 12,632

13,423 11,657 16,716 3,294 Intervalo de confianza para la concentracin del analito antes y despus del proceso (1 N=5 Tam. Muestra N = Varianza de a) 0,95 = 1,96 (Poblacin) =n 1,225 poblacin desv. Stand 0,500 Lim. Error 0,01

El nivel de confianza y la amplitud del intervalo varan conjuntamente en un intervalo ms amplio tendr ms posibilidades de acierto (> nivel de confianza) para un intervalo ms pequeo, con estimacin ms precisa, >

ser el error 2. Se realizo un estudio sistemtico para determinar la efectividad de cuatro (4) trampas para atrapar moscas del mediterrneo. Para ello, cada trampa se aplica a un grupo de 100 moscas, y se cuenta el numero de moscas muertas (Expresada en porcentaje). Se hicieron ocho (8) replicas, pero estas se hicieron en das diferentes (D1, D2), por ello se sospecha que puede haber algn efecto importante debido a esta fuente de variacin. Los datos obtenidos se muestran a continuacin: Suponiendo un (DBCA) Diseo de Bloques Completos al Azar formule la hiptesis adecuada utilice =0.5. Tabla XX. Valores de las moscas atrapadas por trampa TRAMPA EXPERIMENTO MOSCAS ATRAPADAS DIA 1 % 40 44 48 52 44 44 48 52 40 40 42 44 44 40 42 44 708 MOSCAS ATRAPADAS DIA 2 % 60 60 66 70 52 60 66 66 50 60 54 54 52 50 54 66 940 TOTAL

4 TOTAL

1648

a. Se puede hablar de un modelo estadstico para este estudio y explique sus componentes. (1 punto). Descrbelo. Se habla de un modelo estadstico de Diseo de Bloques Completos al Azar En este caso, el anlisis de varianza particiona la variabilidad total de la informacin en tres componentes: una primera debida al efecto de los tratamientos (Suma de Cuadrados

Entre Tratamientos), la segunda a efecto de los bloques (Suma de Cuadrados de Bloques), y finalmente el Error Experimental (Suma de Cuadrados del Error = S.C. del error). En la misma forma se particionan los grados de libertad. El rechazo o no de la hiptesis nula depende del valor del estadstico F: F = (S. C. de Tratamientos / t - 1) / (S. C. del Error / (t - 1) (r - 1))1

Es el de ms fcil ejecucin. El bloque es la unidad bsica y es igual a las rplicas porque contiene todas las variantes, las que estn distribuidas al azar. La forma de los bloques puede ser cuadrada o rectangular. El diseo es idneo para experimentos de variedades, as como experimentos agrotcnicos. Puede ser utilizado en experimentos unifactoriales y multifactoriales. La forma, el tamao y la orientacin de los bloques se deben hacer buscando la homogeneidad dentro de ellos. Los tratamientos se asignan al azar dentro de cada bloque. El nmero de tratamientos no deben ser muy grande, con el fin de garantizar la homogeneidad de cada bloque. Este diseo tiene el inconveniente que solo se puede eliminar la variabilidad entre rplicas. Entre sus ventajas podemos sealar: - Economa en el trabajo experimental. - Puede utilizarse tanto un numero pequeo o grande de variantes. - Puede aplicrsele anova a loa datos (elimina el efecto de la desigualdad de la fertilidad y establece la diferencia entre variantes con mayor seguridad. El diseo tiene el inconveniente, que solo se puede eliminar la variabilidad de la fertilidad del suelo entre rplicas, siendo en este sentido inferior a otros diseos ms complejos. Modelo matemtico. Yij= + T + + e Yij= es la j sima parcela dentro del i simo tratamiento. = es la media general. Ti = efecto debido al i simo tratamiento. j= = efecto del j simo bloque Eij= error experimental asociado al j simo bloque del i simo tratamiento.2 b. Establezca las suposiciones necesarias para un anlisis de varianza de los datos. (1 punto) n= Numero de bloques = 2
1

Riao Luna Campo Elias (2011),Modulo 30156 Diseo experimental universidad nacional abierta y a distancia 2 Universidad Jos Carlos Maritegui, (2009)Experimentacion agrcola,Peru. Pg 16

m= Numero de replicas dentro del bloque = 4 p= Numero de tratamientos = 4 c. Calcule el anlisis de varianza. (3 puntos) T1 DIA 1 40 44 48 52 184 60 60 66 70 256 Yijk 1600 1936 2304 2704 8544 3600 3600 4356 4900 16456 T2 44 44 48 52 188 52 60 66 66 244 Yijk 1936 1936 2304 2704 8880 2704 3600 4356 4356 15016 T3 40 40 42 44 166 50 Yijk 1600 1600 1764 1936 6900 2500 T4 44 40 42 44 170 52 50 54 66 222 Yijk 1936 1600 1764 1936 7236 2704 2500 2916 4356 12476 Yi.. 168 168 180 192 708 214 230 240 256 940 Y..=1648 Y.j. Yij. 440 25000 432 23896 384 18832 392 19712 87044

Y1.j. DIA 2

Y2.j.

60 3600 54 2916 54 2916 218 11932

d. Calcule los cuadrados medios del error para cada trampa o experimento. (2 puntos) Factor de correccinFC= (Y)/(n*m*p) = (1648)/(2*4*4) = 84872 SCTOTAL = Yijk-FC = (40+44+93+52++52+50+54+60)- 84872 = 87044-84872 = 2172 SCBLOQUE (DIAS) = (1/mp Yi..) FC = ((1/4*4 (708+940)) 84872 = ((1/16 (501264+883600)) 84872 = 1682

SCTRATAMIENTO (TRAMPAS) = 1/nm Y.j.-FC = (1/2*4) (440+432384+392) 84872 = 0.125*681344-84872 = 296 SC BLOQUE X TRATAMIENTO (DIA*TRAMPA) =1/m Yij. - 1/nmYij. - SCBLOQUES =((1/4(184+188+166+170++218+222)(1/2*4(440+432384+392)))-SCB =((1/4(347536)-((1/16(681344))-1682 =(86884-85168)-1682 =1716-1682=34

SCERROR=SCT-(SCB+SCT+SCB*T) =2172- (1682+296+34) =2172-2012 =160 ANOVA FUENTE DE GRADOS DE SUMA LIBERTAD (n*p)-1 (2*4)-1=7 CUADRADOS (SCB+SCT+SCB*T) 2012/7 (1682+296+34) 2012 =287.42 CMMODELO/ CMERROR 287.42/6.66 =43.15 Error Total 24 (n*p*m)-1 (2*4*4)-1 =31 SCE 160 6.66 DE CM FC

VARIACION Modelo

ANAVA FUENTE DE GRADOS DE SUMA LIBERTAD (n-1)=(2-1)=1 DE CM FC

VARIACION Bloque (dias)

CUADRADOS 1682 SC/GL=1682

Tratamiento (trampas) Dia* Trampa

(p-1)=(4-1)=3

396

98.6

98.6/43.15 =2.28

((n*p)-m)-1

34

11.33

11.33/43.15 =0.26

Modelo

7
Ftab

2012

e. Pruebe la hiptesis de que no hay diferencia entre las medias de los diferentes tratamientos con una prueba F a un nivel de significancia de 0.5. (2 puntos)
Ftab 1, 3 )

Como FC es menor que Ftab no existen diferencias entre tratamientos ni entre rplicas3.

3. Un grupo de estudiantes estudi el efecto de cuatro ingredientes diferentes sobre el tiempo de retardo de un proceso bioqumico. Para lo cual tomaron cuatro cantinas con leche provenientes de cuatro sitios diferentes, recolectadas en cuatro das diferentes. Les agregaron los ingredientes (A, B, C, D) independientemente y se determin el tiempo de deterioro de una de las propiedades caractersticas de la leche magra (consultar manual de tecnologa lechera), utilizando medios electrnicos para su deteccin. Los datos obtenidos fueron: Tabla. XXX. Retardo en el cambio de la(s) propiedades de la leche. PROCEDENCIA 1 2 3 4 1 1.40 (A) 1.35 (B) 1.38 (C) 1.39 (D) DIAS 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) Nos dir. Qu tipo de diseo experimental siguieron los proyectantes? (2 puntos) R. Este es un diseo de bloques completos aleatorizados utilizado para reducir el error residual del experimento al eliminar la variabilidad de una variable perturbadora conocida y controlable (tratamientos A, B, C, D), a esto se le llama diseo de cuadrado latino de cuatro columnas por cuatro renglones. b) Realizar la Prueba de Hiptesis correspondiente. Usando =0.05. (5 puntos)
3

Universidad Jos Carlos Maritegui, (2009)Experimentacion agrcola,Peru. Pg 29

R. Se usar el anlisis de varianzas para probar H0=u1=u2=u3=u4 contra la hiptesis alternativa H1; algunas medias son diferentes. 1. sumatoria total de cuadrados: SST=33.94-33.21 = 0.1723 2. sumatoria total de tratamientos: P=4 SSTrat = 0.25*133.3 - 33.321 = 0.002168 3. sumatoria total de cantinas: SSCant = 0.25*133.92 33.231 = 0.1593 4. sumatoria de formulaciones: Letra latina Total del tratamiento A 5,71 B 5,75 C 5,79 D 5,84 SSF =0.25*133.29 33.321 = 0.002318 5. calculo del error. SSE= SST SSTrat SSCant - SSF SSE = 0.008537 ANOVA

FUENTES FORMULACION TRATAMIENTOS CANTINAS ERROR TOTAL SUMA CUAD 0,00231875 0,00216875 0,15931875 0,0085375 0,17234375 GL 3 3 3 6 15 CUAD MEDIO F0 0,00077292 0,543191801 0,00072292 0,05310625 0,00142292

F0.05, 3,6=4.76 Puesto que F0 = 0.43 es menor que 4.76 se acepta H0 y se concluye que las medias de los tratamientos no difieren, es decir que los tratamientos y las cantinas no afectan de manera significativa el tiempo de cambio de las propiedades de la leche. c) Realizar la Prueba de Duncan para comparar si existe diferencias entre los tratamientos en estudio. Use =0.05. (3 puntos). Nota: Si el experimento estuvo mal planteado por lo datos recolectadosdemustralo y proponga la forma en que debi realizarse. Procedimiento: 1Calculo la SC tratamientos: A = 1.40+1.28+1.40+1.63 = 4.71 B = 1.35+1.38+1.42+1.60 = 5.75 C =1.38 +1.39+1.40+1.62 = 5,79 D= 1.39+1.40+1.45+1.60 = 5.84 Ho Hiptesis nula = Plantea igualdad de parmetro Hi Hiptesis alternativa = Plantea diferencias Tabla 3. Tratamientos CANTINAS TOTAL MEDIA TRATAM. TRATAM. YK YK A 4,71 1,177 B 5,75 1,437 C 5,79 1,447 D 5,84 1,46 22,09 5.521 Tabla 4: ANAVA SC CM 0,0023188 0,0007729 0,0021688 0,0007229 0,1593188 0,0531063 0,0085375 0,0014229 0,1723438 ------

F de V TRAT HIL COL ERROR TOTAL

GL 3 3 3 6 15

Fcalc 0,54 0,51 37,32 ---------

Pr F 0,67 0,69 0,0003 ---------

Trat Ho 1=2=3=4 Acepto la hiptesis nula todos los tratamientos son iguales Hil Ho I=II=III=IV Acepto la hiptesis nula, todas las hileras son iguales Hil Ho A Acepto la (Hi) alternativa que plantea la diferencia de parmetros

C) Realizar la Prueba de Duncan para comparar si existe diferencias entre los tratamientos en estudio. Use =0.05. (3 puntos). R: Tabla 5. Comparacin de medias, prueba de Duncan al 95% MEDIAS TRATAMIENTOS A 1,46 D A 14.475 C A 1,4375 B A 1,4275 A
Todos los tratamientos son iguales

Nota: Si el experimento estuvo mal planteado por lo datos recolectadosdemustralo y proponga la forma en que debi realizarse.

CONCLUSION

En este trabajo podemos darnos cuenta de la aplicacin del diseo de experimentos, o dicho de otra manera, el planear las operaciones para as obtener un resultado satisfactorio a un problema planteado. Para el diseo de un experimento debemos tener en cuenta los efectos y las caractersticas de nuestro problema a resolver. un diseo debe de ser lo ms sencillo posible y as poder ahorrar tiempo, inversin y personal, pero no por eso se deben de olvidar considerar los principios bsicos del diseo. Tambin observamos el trabajo conjunto de los investigadores con los estadsticos que nos llevan a obtener una mejor planeacin del experimento, aunque tiene sus desventajas se puede notar que actuando de manera correcta se puede cambiar la forma de ver de los inconvenientes que puede representar el alto costo que se tiene con los estadsticos. Podemos estar seguros de que si llevamos a cabo todos los elementos de la lista de comprobacin tendremos una planeacin efectiva de nuestro experimento y as obtener los resultados esperados

BIBLIOGRAFIA

Modulo Diseo Experimental Universidad Nacional Abierta y A Distancia UNAD http://www.monografias.com/trabajos15/hipotesis/hipotesis.shtml http://www.virtual.unal.edu.co/cursos/ciencias/2000352/html/un2/cont_18.html http://www.upcomillas.es/personal/peter/investigacion/Controldevariables.pdf