UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE CIENCIAS AGRARIAS

ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL
PRIMER TRABAJO ENCARGADO: DISEÑO DE EXPERIMENTOS
ESTUDIANTE: YESSICA LIMA ATENCIO
Responder al siguiente cuestionario, citando la bibliografía consultada y para cada caso dar un
ejemplo aplicado en agroindustrias: (se trata de una revisión bibliográfica)
1. DEFINIR
A) POBLACION
La población estadística, también conocida como universo, es el conjunto o la totalidad de
elementos que se van a estudiar. Los elementos de una población lo conforman cada uno de los
individuos asociados, debido a que comparten alguna característica en común. La población
estadística puede ser un conjunto de personas, lugares o cosas reales. Por ejemplo, los
adolescentes de un pueblo o los usos posibles del azúcar en recetas de cocina[ CITATION
Lev96 \l 10250 ]

B) MUESTRA

La muestra es una parte representativa de una población donde sus elementos comparten
características comunes o similares. Se utiliza para estudiar a la población de una forma
más factible, debido a que se puede contabilizar fácilmente. Cuando se va a realizar algún
estudio sobre el comportamiento, propiedades o gustos del total de una población específica, se
suelen extraer muestras [ CITATION Cad74 \l 10250 ]

C) PARAMETRO

Es un valor, medida o indicador representativo de la población que se selecciona para ser

estudiado.
Otra definición podría ser, función definida sobre valores numéricos de una población. Se llama
parámetro a un valor representativo de una población, como la media aritmética, una proporción
o su desviación típica

D) ESTADISTICO
Es el elemento que describe una muestra y sirve como una estimación del parámetro de la
población correspondiente.
El estadístico sirve como una estimación del parámetro. Aunque en realidad el interés se fija en
el valor del parámetro de la población, con frecuencia debe haber conformidad con solo
calcularlo con un estadístico de la muestra que se ha seleccionado.
2. DEFINIR
A) DISTRIBUCION DE FRECUENCIA
Una distribución de frecuencias son las frecuencias observadas de todos los resultados de un
experimento que se presentaron cuando ya se efectuó el experimento, es empírica.Una
distribución de frecuencias teórica es una distribución de probabilidades que describe la forma
en que se espera que varíen los resultados empíricos. Debido a que estas distribuciones tratan
sobre expectativas de que algo suceda, resultan ser modelos útiles para hacer inferencias y para
tomar decisiones en condiciones de incertidumbre.
B) DISTRIBUCION DE PROBABILIDAD
la distribución de probabilidad de una variable aleatoria es una función que asigna a cada suceso
definido sobre la variable la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de los sucesos es el
rango de valores de la variable aleatoria. También puede decirse que tiene una relación estrecha
con las distribuciones de frecuencia. De hecho, una distribución de probabilidades puede
comprenderse como una frecuencia teórica, ya que describe cómo se espera que varíen los
resultados.
C) DISTRIBUCION MUESTRAL
La distribución muestral es lo que resulta de considerar todas las muestras posibles que pueden
ser tomadas de una población. Su estudio permite calcular la probabilidad que se tiene, dada una
sola muestra, de acercarse al parámetro de la población. Mediante la distribución muestral se
puede estimar el error para un tamaño de muestra dado.
3. DEFINIR Y DAR FORMULA PARA CALCULAR
A) MEDIA POBLACIONAL
La media poblacional técnicamente no es una media sino un parámetro fijo que coincide con
la esperanza matemática de una variable aleatoria. El nombre "media poblacional" se usa para
significar qué valor numérico de una media muestral es numéricamente cercano al parámetro
media poblacional, para una muestra adecuada y suficientemente grande.

B) MEDIA MUESTRAL
es una medida cuantitativa, derivada de un conjunto de datos de una muestra, con el objetivo de
estimar o inferir características de una población o modelo estadístico.
Más formalmente un estadístico es una función medible T que, dada una muestra estadística de
valores les asigna un número, que sirve para estimar determinado parámetro de la distribución
de la que procede la muestra. Así, por ejemplo, la media de los valores de una muestra (media
muestral) sirve para estimar la media de la población de la que se ha extraído la misma; la
varianza muestral podría usarse para estimar la varianza poblacional, etc. 1 Esto se denomina
como realizar una estimación puntual.
C) MEDIA PONDERADA
La media ponderada (MP) de un conjunto de valores de una variable X es un parámetro de
centralización, que consiste en dar a cada observación del conjunto de datos (X 1,X2,…,XN)
unos pesos (p1,p2,…,pN), estos valores indican la importancia que se quiere dar a cada uno de los
valores que toma la variable X. Podemos expresarlo con la fórmula siguiente:

4. DEFINIR Y DAR FORMULA PARA CALCULAR

A) DESVIACION ESTANDAR
a desviación típica (también conocida como desviación estándar y representada de forma
abreviada por la letra griega minúscula sigma σ o la letra latina s, así como por las siglas SD -
de standard deviation- en algunos textos traducidos del inglés) es una medida que se usa para
cuantificar la variación o dispersión de un conjunto de datos numéricos.1
Una desviación estándar baja indica que la mayor parte de los datos de una muestra tienden a
estar agrupados cerca de su media aritmética(también denominada el valor esperado), mientras
que una desviación estándar alta indica que los datos se extienden sobre un rango de valores
más amplio.

B) ERROR ESTANDAR
 El error estándar mide el error aleatorio en un dato estadístico informado: el tipo de error
causado por la variación aleatoria del muestreo al repetir una prueba en las mismas
condiciones.
5. DEFINIR
A) EXPERIMENTO
En un experimento se consideran todas las variables relevantes que intervienen en el fenómeno,
mediante la manipulación de las que presumiblemente son su causa, el control de las variables
extrañas y la aleatorización (o randomización) de las restantes. Estos procedimientos pueden
variar mucho según las disciplinas (no es igual en física que en psicología, por ejemplo), pero
persiguen el mismo objetivo: excluir explicaciones alternativas (diferentes a la variable
manipulada) en la explicación de los resultados.
B) DISEÑO DE EXPERIMETOS
Es una técnica estadística que permite identificar y cuantificar las causas de un efecto dentro de
un estudio experimental. En un diseño experimental se manipulan deliberadamente una o más
variables, vinculadas a las causas, para medir el efecto que tienen en otra variable de interés. El
diseño experimental prescribe una serie de pautas relativas qué variables hay que manipular, de
qué manera, cuántas veces hay que repetir el experimento y en qué orden para poder establecer
con un grado de confianza predefinido la necesidad de una presunta relación de causa-efecto.
C) TECNICAS ESTADISTICAS

Nominal: Cada valor de una variable nominal se corresponde con una categoría de la variable,
este emparejamiento es por lo general arbitrario, como ejemplos de variables nominales
podemos considerar el sexo de una persona, lugar de nacimiento etc. En este nivel de medida las
categorías no pueden ser ordenadas en ningún sentido, y por supuesto no tiene sentido calcular
medias, medianas... etc. Los estadísticos habituales serán frecuencias y porcentajes.

Ordinal: Cada valor representa la ordenación o el ranking, por ejemplo el lugar de llegada a
meta de los corredores, 1 significaría el primero, 2 significaría el segundo ... etc. Es muy común
encontrarse este tipo de variables en la evaluación del gusto de los consumidores, se les
suministra una serie de productos y ellos van indicando el mas preferido... etc. Sabremos cual es
el más preferido, el segundo más preferido ... etc, pero no sabremos cuanto es de preferido, en el
ejemplo de la carrera sabremos cual ha sido el primero, el segundo, pero no vamos a saber cual
es la distancia entre el primero y el segundo. El SPSS proporciona estadísticos específicos
asociados a rangos.

Intervalo: En variables de intervalo un incremento de una unidad en el valor numérico

representa el mismo cambio en la magnitud medida, con independencia de donde ocurra en la
escala. En este nivel de medida los estadísticos habituales son la media, la desviación típica y la
mediana. La mayoría de los análisis asumen que las variables tienen por lo menos este nivel de
medida. Un ejemplo de variable con nivel de intervalo la temperatura.

Razón: Las variables de Razón tienen las mismas propiedades que las de intervalo, pero además
tienen un punto cero significativo, dicho punto representa una ausencia completa de la
característica medida, por ejemplo la edad o las ganancias anuales de una persona. Por esta
razón las variables de Razón tienen propiedades más fuertes que las de intervalo

D) ESTRATEGIA DE PRUEBA Y ERROR

El método de prueba y error o método científico nos sirve para investigar y encontrar soluciones
innovadoras a los problemas de la empresa. Realmente, no hay nada mejor que aprender con la
experiencia. Se trata de hacer pequeños experimentos para ver qué funciona mejor en tu
empresa. Por eso es tan importante usar una metodología robusta para reforzar los aciertos y
aprender de los errores
6. DESCRIBIR BREVEMENTE LA HISTORIA DEL DISEÑO DE EXPERIMETOS
Medievales y renacentistas: de Roberto Grosseteste a Francis Bacon Las primeras
sistematizaciones relevantes sobre procedimientos experimentales aparecen a partir del siglo
XII. Tales procedimientos recibieron por entonces denominaciones especiales, pero para no
introducir confusiones, el autor de este artículo se basará en una nomenclatura más conocida
utilizada posteriormente por Stuart Mill en el siglo XIX, quien describió los métodos de la
concordancia, de la diferencia, del conjunto de la concordancia y la diferencia, de los residuos y
de las variaciones concomitantes. Efectivamente, Stuart Mill no fue del todo original al plantear
sus métodos. Su mérito reside en haber revisado, sistematizado y difundido las ideas al respecto
de Francis Bacon quien, a su vez, tampoco fue el primero en formularlas, ya que existen
importantes antecedentes en algunos pensadores medievales, como por ejemplo en Robert
Grosseteste, Juan Duns Escoto o Guillermo de Occam. Consiguientemente, pueden trazarse dos
etapas históricas hasta desembocar en los métodos de Stuart Mill del siglo XIX: los medievales
y Francis Bacon.
Los mediaevales A. Grosseteste contribuyó a desarrollar nuevas técnicas inductivas para
descubrir principios explicativos. Sugirió, por ejemplo, un procedimiento para saber si una
hierba tenía efecto purgante: debían examinarse numerosos casos donde se administrase la
hierba en condiciones en las que no hubiera otros agentes purgantes (Losee, 1979, p. 42). Se
trata de un procedimiento inductivo que luego describiría Stuart Mill como el método conjunto
de la concordancia y la diferencia. B. Duns Escoto propuso el método de la concordancia, pero
le asignó méritos muy modestos: sostenía que, si cada vez que se daba la circunstancia A se
producía el efecto X, variándose todas las otras circunstancias, el científico estaba autorizado a
afirmar que A “puede” ser la causa de X, pero no a que necesariamente A “debe” ser su causa
(Losee, 1979, p. 43). Escoto se refirió a “uniones disposicionales” entre un efecto y su
circunstancia antecedente, es decir, de uniones constatadas en la experiencia y que, como tales,
no podían ser consideradas uniones necesarias. C. Según refiere Losee (1979), Occam formuló
un procedimiento para extraer conclusiones acerca de las uniones disposicionales siguiendo un
método de la diferencia. El método de Occam consistía en comparar dos casos: un caso en que
el efecto está presente, y un segundo caso en que el efecto no está presente. Si se puede mostrar
que existe una circunstancia que está presente cuando el efecto está presente, y ausente cuando
está ausente, entonces el investigador está autorizado a concluir que la circunstancia ‘puede ser’
la causa del efecto. D. Crombie (1979, p. 36) indica que Occam también propuso un método
similar al luego conocido como método de la concordancia y la diferencia. Mediante dicho
procedimiento, Occam pensó que, ya que el mismo efecto podía tener diferentes causas, era
preciso eliminar las hipótesis rivales.
7. DEFINIR.
LUGAR EXPERIMENTAL
Es el procedimiento de planeación y conducción de experimentos, así como la definición del
análisis estadístico para evaluar los resultados, con el objetivo de tener conclusiones válidas y
objetivas. El procedimiento incluye la definición de factores a modificar, la manera de su
aplicación y el número de pruebas a realizar
MATERIAL EXPERIMENTAL
Es la muestra de unidades que es necesario producir en una condición para obtener una
medición o dato representativo. Unidad a la cual se le aplica un solo tratamiento (que puede ser
una combinación de muchos factores) en una reproducción del experimento.
UNIDAD EXPERIMETAL
Es la muestra de unidades que es necesario producir en una condición para obtener una
medición o dato representativo. Unidad a la cual se le aplica un solo tratamiento (que puede ser
una combinación de muchos factores) en una reproducción del experimento.
8. DEFINIR
A) VARIABLE DISCRETA
Es una variable que no puede tomar algunos valores dentro de un mínimo conjunto numerable,
quiere decir, no acepta cualquier valor, únicamente aquellos que pertenecen al conjunto. En
estas variables se dan de modo coherente separaciones entre valores observables sucesivos.
Dicho con más rigor, se determina una variable discreta como la variable que hay entre dos
valores observables (potencialmente), hay por lo menos un valor no observable
(potencialmente). Como ejemplo, el número de animales en una granja (a, b, c, d, 4, 5, 6,
7,......). Otro ejemplo sería el número de hijos en una familia (1; 2; 3; 4; ...).
B) VARIABLE CONTINUA
Una variable continua puede tomar un valor fijo dentro de un intervalo determinado. Y siempre
entre dos valores observables va a existir un tercer valor intermedio que también podría tomar la
variable continua. Una variable continua toma valores a lo largo de un continuo, esto es, en todo
un intervalo de valores. Un atributo esencial de una variable continua es que, a diferencia de una
variable discreta, nunca puede ser medida con exactitud; el valor observado depende en gran
medida de la precisión de los instrumentos de medición. Con una variable continua hay
inevitablemente un error de medida. Como ejemplo, la estatura de una persona (1.72m, 1.719m,
1.7186m....). Otro ejemplo, puede ser el tiempo que toma un atleta en recorrer 100 metros
planos, ya que este tiempo puede tomar valores como 9,623 segundos; 10,456485 segundos;
12,456412 segundos; es decir, un intervalo de valores.
C) VARIABLE DE RESPUESTA
Una variable de respuesta es un resultado medido dentro de un ensayo que puede ser
influenciado por otros factores. Por ejemplo, en un ensayo se puede probar si un fármaco nuevo
es eficaz para reducir un síntoma determinado de una enfermedad del corazón. En este caso, se
mide la disminución del síntoma y esta medición es una variable de respuesta (llamada también
variable dependiente). Por el contrario, el nuevo fármaco es la variable independiente, la cual se
prueba para determinar si ha provocado un cambio en la variable dependiente.
9. DESCRIBIR LAS ETAPAS EN EL DISEÑO DE EXPERIMENTOS
1. Entender y delimitar el problema u objeto de estudio. En la etapa de planeación se deben
hacer investigaciones preliminares que conduzcan a entender y delimitar el problema u objeto
de estudio, de tal forma que quede claro qué se va a estudiar, por qué es importante y, si es un
problema, cuál es la magnitud del mismo
2. Elegir la(s) variable(s) de respuesta que será medida en cada punto del diseño y verificar que
se mide de manera confiable. La elección de esta(s) variable(es) es vital, ya que en ella se refleja
el resultado de las pruebas. Por ello, se deben elegir aquellas que mejor reflejen el problema o
que caractericen al objeto de estudio. Además, se debe tener confianza en que las mediciones
que se obtengan sobre esas variables sean confiables. En otras palabras, se debe garantizar que
los instrumentos y/o métodos de medición son capaces de repetir y reproducir una medición,
que tienen la precisión (error) y exactitud (calibración) necesaria. Recordemos que los sistemas
de medición son la forma en la que percibimos la realidad, por lo que si éstos son deficientes,
las decisiones que se tomen con base en ellos pueden ser inadecuadas.
3. Determinar cuáles factores deben estudiarse o investigarse, de acuerdo a la supuesta
influencia que tienen sobre la respuesta. No se trata de que el experimentador tenga que saber a
priori cuáles factores influyen, puesto que precisamente para eso es el experimento, pero sí de
que utilice toda la información disponible para incluir aquellos que se considera que tienen un
mayor efecto
Seleccionar los niveles de cada factor, así como el diseño experimental adecuado a los factores
que se tienen y al objetivo del experimento. Este paso también implica determinar cuántas
repeticiones se harán para cada tratamiento, tomando en cuenta el tiempo, el costo y la precisión
deseada.
5. Planear y organizar el trabajo experimental. Con base en el diseño seleccionado, organizar y
planear con detalle el trabajo experimental, por ejemplo, las personas que van a intervenir, la
forma operativa en que se harán las cosas, etc.
6. Realizar el experimento. Seguir al pie de la letra el plan previsto en la etapa anterior, y en
caso de algún imprevisto, determinar a qué persona se le reportaría y lo que se haría.
10. DESCRIBIR PRINCIPIOS BASICOS DEL DISEÑO DE EXPERIMENTOS

Al planificar un experimento hay tres tres principios básicos que se deben tener siempre en
cuenta:

— El principio de aleatorización.

— El bloqueo.

— La factorización del diseño.

Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para asignar los
tratamientos a las unidades experimentales sin preocuparse de qué tratamientos considerar. Por
el contrario, la factorización del diseño define una estrategia eficiente para elegir los
tratamientos sin considerar en absoluto como asignarlos después a las unidades experimentales.

Aleatorizar

“Aleatorizar todos los factores no controlados por el experimentador en el diseño experimental

y que puden influir en los resultados serán asignados al azar a las unidades experimentales”.

Ventajas de aleatorizar los factores no controlados:

• Transforma la variabilidad sistemática no planificada en variabilidad no planificada o

ruido aleatorio. Dicho de otra forma, aleatorizar previene contra la introducción de sesgos en el
experimento.

• Evita la dependencia entre observaciones al aleatorizar los instantes de recogida muestral.

• Valida muchos de los procedimientos estadísticos más comunes.

 Bloquear

“Se deben dividir o particionar las unidades experimentales en grupos llamados bloques de
modo que las observaciones realizadas en cada bloque se realicen bajo condiciones
experimentales lo más parecidas posibles.

A diferencia de lo que ocurre con los factores tratamiento, el experimentador no está interesado
en investigar las posibles diferencias de la respuesta entre los niveles de los factores bloque”.

Bloquear es una buena estrategia siempre y cuando sea posible dividir las unidades
experimentales en grupos de unidades similares.

La ventaja de bloquear un factor que se supone que tienen una clara influencia en la
respuesta pero en el que no se está interesado, es la siguiente:

• Convierte la variabilidad sistemática no planificada en variabilidad sistemática

planificada.

Con el siguiente ejemplo se trata de indicar la diferencia entre las estrategias de aleatorizar
y de bloquear en un experimento.

Ejemplo 2.1.

Se desea investigar las posibles diferencias en la producción de dos máquinas, cada una de
las cuales debe ser manejada por un operario.

En el planteamiento de este problema la variable respuesta es “la producción de una

máquina (en un día)”, el factor-tratamiento en el que se está interesado es el “tipo de máquina”
que tiene dos niveles y un factor nuisance es el “operario que maneja la máquina”. En el diseño
del experimento para realizar el estudio se pueden utilizar dos estrategias para controlar el factor
“operario que maneja la máquina”.

Aleatorizar: se seleccionan al azar dos grupos de operarios y se asigna al azar cada grupo
de operarios a cada una de las dos máquinas. Finalmente se evalúa la producción de las mismas.

Bloquear: se introduce el factor-bloque “operario”. Se elige un único grupo de operarios y

todos ellos utilizan las dos máquinas.

¿Qué consideraciones se deben tener en cuenta al utilizar estas dos estrategias? ¿Qué
estrategia es mejor?

La factorización del diseño.

“Un diseño factorial es una estrategia experimental que consiste en cruzar los niveles de todos
los factores tratamiento en todas las combinaciones posibles”.

Ventajas de utilizar los diseños factoriales:

• Permiten detectar la existencia de efectos interacción entre los diferentes factores

tratamiento.

• Es una estrategia más eficiente que la estrategia clásica de examinar la influencia de un

factor manteniendo constantes el resto de los factores.