Unidad 1

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES CONTENIDO DIDCTICO DEL CUSO: 90001
1 METODOLOGA DE TRABAJO ACADMICO
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA PROGRAMA DE INGENIERIA DE ALIMENTOS
30156 DISEO EXPERIMENTAL CAMPO ELIAS RIAO LUNA (Director Nacional)
FREDY JARAMILLO Acreditador
BOGOT Diciembre de 2011
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES CONTENIDO DIDCTICO DEL CUSO: 90001 METODOLOGA DE TRABAJO ACADMICO
ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
Aspectos de Propiedad intelectual El contenido didctico del curso acadmico ``Diseo Experimental``, fue diseado inicialmente en el ao 2004 por el Ing. Qumico. MSc. Campo Elas Riao Luna, docente de la UNAD, ubicado en la sede Jos Celestino Mutis. Profesional que se ha desempeado como docente y tutor de la UNAD a partir del 2003, anteriormente trabajo como investigador cientfico II en CENICAFE. De all que el mdulo trae ejemplos de trabajos de investigacin realizados por estudiantes, docentes y el autor. Esta es la segunda actualizacin del mdulo, el cual se ofrece con carcter estrictamente educativo. Razn por la cual se ha recurrido a los conocimientos y experiencias de varios autores de textos regulares sobre las temticas expuestas para tratar los temas ms relevantes en este primer contacto con la investigacin programada. Se seleccionaron las temticas que se consideraron importantes (amplio uso) para adelantar trabajos de investigacin en ciencias agrarias, bsicas e ingeniera y les sirvan de punto de partida para tu aprendizaje autnomo y profundizar en las temticas. La versin del contenido didctico que actualmente se presenta tiene como caractersticas: 1) Reorganizacin de los contenidos relacionados con las dos unidades y las lecciones. 2) Repaso y verificacin de los conceptos tericos tratados. Las temticas pueden ser actualizadas acorde con el desarrollo del curso. De acontecer esto se informara oportunamente.
INTRODUCCIN En la UNAD se viene adelantando a travs del rediseo curricular un plan estratgico para la formacin y capacitacin en investigacin disciplinar y formativa, con el fin de continuar con el refuerzo de los procesos de acreditacin de los programas. Condicin que exige entre otras la formacin integral de talento humano en ciencia y tecnologa, capaz de investigar y transformar su entorno regional haciendo uso racional de los recursos disponibles, mediante la modalidad de educacin abierta y a distancia. Con este objeto se propone como curso obligatorio el diseo experimental cuyo contenido induce a los estudiantes a la aplicacin de los principios estadsticos en la investigacin. Curso complementario a los dos (2) primeros mdulos sobre cultura investigativa que se ofrecen en la UNAD, para todos los programas.; el contenido de este dar los lineamientos para una de las etapas importantes en todo proceso de investigacin como es la planificacin de la experimentacin y la comprobacin de hiptesis. El material ha sido organizado de forma que el estudiante repase los conceptos y procedimientos estadsticos vistos en semestres anteriores y los aplique a la resolucin de problemas especficos de cada profesin-con una planificacin previa. La forma de resolver los diseos experimentales de ms amplio uso, se presentan en los apndices con ejemplos atinentes a la unidad 1 y 2. Estos apndices se irn incrementando acorde con el desarrollo del curso. Igualmente estudiantes y tutores deben consultar las OVAS presentadas para cada unidad en la pgina principal del curso. Pero siempre teniendo en cuenta que: El enfoque-objetivo del diseo de experimentos es determinar cules variables estn influenciando la respuesta de inters. Una vez que dichas variables son identificadas, se obtiene un estimado aproximado de la superficie de respuesta por medio de modelos factoriales especiales. Adems en los trabajos colaborativos se incentiva a los estudiantes y docentes sobre la forma y la importancia de obtener informacin rpida, de utilidad, con ventajas econmicas para el desarrollo de los trabajos de grado y proyectos de investigacin en la UNAD.
Para la solucin numrica con software (es) estadsticos se ha programado el plan de trabajo siguiente. Plan de trabajos prcticos con el paquete estadstico Stat Graphics y/o SPSS
Laboratorio prctico 1.- Manejo de datos: organizacin, almacenamiento y tratamiento. Laboratorio prctico 2.- Estadstica descriptiva Laboratorio prctico 3.- ANOVA. De una sola va, -diseo en bloque aleatorizado, diseo de dos factores-diseo de tres factores- (cuadrados latinos) Laboratorio prctico 4. Diseos factoriales 2k y 3 k Laboratorio prctico 5. Anlisis de Regresin. Key Word: ANOVA con Stat Graphics 1- http://e-stadistica.bio.ucm.es/disexp/guia_rapida_statgraphics.html
INDICE DE CONTENIDO
El contenido programtico para el curso de diseo experimental est en la tabla 1. Tabla 1. Contenidos temticos para el curso de diseo de experimental UNIDADES DIDCTICAS CAPITULOS UNIDAD UNO: UTILIZACIN CAPTULO 1. DE LOS MTODOS Introduccin Al Diseo ESTADSTICOS DE De Experimentos CONTRASTE EN LA EXPERIMENTACIN. LECCIONES Leccin 1: Conceptos bsicos del diseo experimental Leccin 2: Tipos de tratamientos y errores experimentales Leccin 3: Principios bsicos en el diseo de experimentos Leccin 4: Las tcnicas utilizadas en el diseo de experimentos Leccin 5: Control local, aleatorizacin y procedimiento para el diseo experimental Leccin 1: Comprobacin de hiptesis Leccin 2: Prueba de t Leccin 3: Anlisis de varianzaANDEVA Leccin 4: Prueba de diferencia significativa mnima (DSM) de Fisher Leccin 5: Modelo estadstico Leccin 1: El uso de las computadoras y software especializado Leccin 2: Diseos unifactoriales Leccin 3: Diseos de bloques completos al azar Leccin 4: Diseo de cuadro latino Leccin 5: Diseo de cuadro Greco Latino Leccin 1: Definiciones bsicas diseo factorial. Leccin 2: Experimento factorial o mover un factor a la vez Leccin 3: Diseo factorial con dos
5
CAPTULO 2. Contraste de hiptesis comparaciones simples
CAPTULO 3. Tipos de diseo experimentales
UNIDAD DOS: DISEOS Captulo 4. Diseos FACTORIALES y 2K Factoriales Generales
factores A X B Leccin 4: Ventajas y desventajas de los Experimentos Factoriales Leccin 5: Ejemplo de un diseo factorial solucionado con Stat Graphics Captulo 2. Diseos Leccin 1: Codificacin de variables Factoriales 2k Leccin 2: Diseo Factorial 2k Leccin 3: Diseos factoriales 23 Leccin 4. Solucin de un diseo factorial 23 con Stat Graphics Leccin 5: Otros diseos experimentales. Captulo 3. Regresin Leccin 1: Introduccin y el lineal y superficies de significado de la regresin y suposiciones bsicas respuesta Leccin 2: Coeficientes de correlacin. Leccin 3: Transformacin de datos Leccin 4: Correlacin mltiple y ANCOVA Leccin 5: Superficies de respuesta
Listado de figuras y tablas Figura 1. Ronald Fisher Figura 2. Mapa conceptual del diseo experimental Figura 3. El proceso del diseo experimental Figura 4. Portada del programa Statgraphics Figura 5.Representacin de un experimento factorial Figura 6.Un experimento factorial Tabla 1. Contenidos temticos para el curso de diseo de experimental Tabla 2. Ejemplo de un reporte del anlisis de varianza Tabla 3. Tratamientos de experimento sobre fertilizacin Tabla 4. Procedimiento estadstico para la comprobacin de hiptesis Tabla 5. Anlisis de varianza para los tratamientos con un solo factor, en un diseo totalmente aleatorizado o completamente al azar. Tabla 6. Recopilacin y presentacin de los resultados de los tratamientos, en un diseo totalmente aleatorizado o completamente al azar. Tabla 7. Recopilacin y presentacin de los resultados de los tratamientos, en un diseo de bloques completos al azar. Tabla 8. Recopilacin y presentacin de los resultados de los tratamientos, en cuadro latino. Tabla 9. Arreglo de los resultados de los tratamientos, en cuadro latino. Tabla 10. Arreglo de los resultados de los tratamientos, en cuadro Greco-Latino. Tabla 11. ANOVA para el diseo de cuadro greco latino* Tabla 12. ANOVA para el diseo factorial a x b Tabla 13. Resultados del ensayo NOVA para el diseo factorial a x b Tabla 14. ANOVA para el ejemplo de diseo factorial a x b Tabla 15. Signos algebraicos para calcular los efectos en un diseo 22 Tabla 16. ANOVA para un diseo factorial 22 Tabla 17. Respuestas para el ejemplo de diseo factorial 22 Tabla 18. Matriz para el ejemplo de diseo factorial 22 Tabla 19. Anlisis de varianza para el ejemplo de diseo factorial 22 Tabla 20. Combinacin de los tratamientos para un diseo 23 Tabla 21. Signos algebraicos para calcular los efectos en un diseo 23 Tabla 22. Calculo del Anlisis de varianza para un diseo factorial 23 Tabla 23. Datos de la viscosidad de la bebida desarrollada. Tabla 24. Promedio y factores calculados para el ejemplo de la viscosidad Tabla 25. Anlisis de la varianza para la viscosidad de la bebida desarrollada. Tabla 26. Resultados estimados para los datos de viscosidad con la ecuacin de regresin encontrada para el ejemplo anterior, utilizando el programa Stat Graphics. Tabla 27. Ecuaciones para el estimativo de una regresin lineal simple Tabla 28. Grado de asociacin de los coeficientes de correlacin para un conjunto de datos. Tabla 29. Modelos de regresin lineal simple Tabla 30. Transformaciones usadas para datos
El proceso 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.
Figura 1. Ronald Fisher
Red Semntica-Diseo Experimental
Figura 2. Mapa conceptual del diseo experimental
Contenidos Unidad 1 Nombre de la Unidad UTILIZACIN DE LOS MTODOS ESTADSTICOS DE CONTRASTE EN LA EXPERIMENTACIN 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. El diseo de un experimento es la secuencia completa de los pasos que se deben tomar de antemano, para planear y asegurar la obtencin de toda la informacin relevante y adecuada al problema bajo investigacin, la cual ser analizada estadsticamente para obtener conclusiones vlidas y objetivas con respecto a los objetivos planteados. Un Diseo Experimental es una prueba o serie de pruebas en las cuales existen cambios deliberados en las variables de entrada de un proceso o sistema, de tal manera que sea posible observar e identificar las causas de los cambios que se producen en la respuesta de salida. Para responder al reto que le plantea su proyecto acadmico, la Universidad, desde la perspectiva de ser abierta y a distancia, se ha propuesto crear las condiciones que le permitan consolidar cientficamente los currculos, con este propsito se ofrece el modulo de diseo experimental de aplicacin a todas los programas de la UNAD, con el fin de aprender a planificar de una manera razonable los trabajos de grado y las diferentes investigaciones que se propongan, reconfirmando las tcnicas necesarias para realizar con xito dicha labor y sustentar objetivamente los resultados a travs de la investigacin planificada. Se pretende con este modulo y gua proporcionar y suministrar los elementos, los conceptos y la informacin necesaria para el desarrollo de las actividades a tener presentes para la planificacin y el desarrollo de un proyecto de investigacin, con el fin de inducir a los docentes y estudiantes en la aplicacin de estrategias que conduzcan al correcto planteamiento, desarrollo y formulacin de actividades propias de la investigacin con racionalizacin de los recursos asignados.
Introduccin
Justificacin
Intencionalidades Formativas
10
CAPITULO 1: LA INVESTIGACIN Y EL DISEO EXPERIMENTAL 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. El diseo de un experimento es la secuencia completa de los pasos que se deben tomar de antemano, para planear y asegurar la obtencin de toda la informacin relevante y adecuada al problema bajo investigacin, la cual ser analizada estadsticamente para obtener conclusiones vlidas y objetivas con respecto a los objetivos planteados. Un Diseo Experimental es una prueba o serie de pruebas en las cuales existen cambios deliberados en las variables de entrada de un proceso o sistema, de tal manera que sea posible observar e identificar las causas de los cambios que se producen en la respuesta de salida. Esquema de un proceso o sistema experimental:
Figura 3. El proceso del diseo experimental
Revisemos el enlace: La estadstica, instrumento de investigacin cientfica. Tomado de Tomado de: portalsej.jalisco.gob.mx/unidadesupn.../antonio_ramirez_ramirez.pdf. Con fines netamente educativos.
11
Lecciones-C_1-U_1 Leccin 1: Conceptos bsicos del diseo experimental Los siguientes conceptos que se definen a continuacin se utilizarn en el desarrollo de las unidades posteriores; los cuales fueron retomados de Montgomery (1991) y de Kuehl (2001). Definiciones Diseo: Consiste en planificar la forma de hacer el experimento, materiales y mtodos a usar, etc. 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. 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,....
12
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. Tratamiento: Es un conjunto particular de condiciones experimentales definidas por el investigador. Son el conjunto de circunstancias creadas por el experimento, en respuesta a la hiptesis de investigacin y son el centro de la misma. Factor: Es un grupo especfico de tratamientos. (Ejemplo, Temperatura, humedad, tipos de suelos, etc.). Niveles Del Factor: Son diversas categoras de un factor. (Por ejemplo, los niveles de temperatura son 20C, 30C, etc.). Un factor Cuantitativo tiene niveles asociados con puntos ordenados en alguna escala de medicin, como temperatura; mientras que los niveles de un factor cualitativo representan distintas categoras o clasificaciones, como tipo de suelo, que no se puede acomodar conforme a alguna magnitud. Rplica: Son las repeticiones que se realizan del experimento bsico. Unidad Experimental: Es el material experimental unitario que recibe la aplicacin de un tratamiento. Es la entidad fsica o el sujeto expuesto al tratamiento independientemente de las otras unidades. La unidad experimental una vez expuesta al tratamiento constituye una sola rplica del tratamiento. Es el objeto o espacio al cual se aplica el tratamiento y donde se mide y analiza la variable que se investiga. Es el elemento que se est estudiando. Unidad muestral: Es una fraccin de la unidad experimental que se utiliza para medir el efecto de un tratamiento. Error experimental: Es una medida de variacin que existe entre dos o ms unidades experimentales, que han recibido la aplicacin de un mismo tratamiento de manera idntica e independiente. Factores Controlables: Son aquellos parmetros o caractersticas del producto o proceso, para los cuales se prueban distintas variables o valores con el fin de estudiar cmo influyen sobre los resultados.
13
Factores Incontrolables: Son aquellos parmetros o caractersticas del producto o proceso, que es imposible de controlar al momento de desarrollar el experimento. Variabilidad Natural: es la variacin entre las unidades experimentales, que el experimentador no puede controlar ni eliminar. Variable Dependiente: es la variable que se desea examinar o estudiar en un experimento. (Variable Respuesta).
Leccin 2: Tipos de tratamientos y errores experimentales Los siguientes conceptos que se definen a continuacin se utilizarn en el desarrollo de las unidades posteriores; los cuales fueron retomados de Montgomery (1991), Padrn (1996) y de Kuehl (2001). A continuacin se presentan ejemplos de tratamientos en algunas reas, tales como: Experimentaciones Agrcolas, un tratamiento puede referirse a: Marca de Fertilizante. Cantidad de Fertilizante. Profundidad del Sembrado. Variedad de Semilla. Combinacin de Cantidad de Fertilizante y Profundidad de Sembrado; esto es una combinacin de tratamientos. etc. Experimentaciones de Nutricin Animal, un tratamiento puede referirse a: Cra de Ganado Lanar Sexo de los Animales Padre del Animal Experimental Tipo de Alimento
14
Racin Particular de Alimento de un Animal. Raza del Animal etc. Error Experimental: Es una medida de variacin que existe entre dos o ms unidades experimentales, que han recibido la aplicacin de un mismo tratamiento de manera idntica e independiente. Factores Controlables: Son aquellos parmetros o caractersticas del producto o proceso, para los cuales se prueban distintas variables o valores con el fin de estudiar cmo influyen sobre los resultados. Factores Incontrolables: Son aquellos parmetros o caractersticas del producto o proceso, que es imposible de controlar al momento de desarrollar el experimento. Variabilidad Natural: es la variacin entre las unidades experimentales, que el experimentador no puede controlar ni eliminar. Variable Dependiente: es la variable que se desea examinar o estudiar en un experimento. (Variable Respuesta).
Leccin 3: Principios bsicos en el diseo de experimentos Acorde con Cochran & Cox (2001) los tres principios bsicos del Diseo de un experimento son: 1. Replicacin (Obtencin de Rplicas). Este principio se refiere al nmero de veces que se aplica un tratamiento a las unidades experimentales. El cual tiene dos propiedades importantes, la primera permite al experimentador obtener la estimacin del error experimental; esta estimacin se convierte en la unidad bsica para determinar si las diferencias observadas en los datos son estadsticamente significativas o para determinar la amplitud de un intervalo de confianza, y la segunda permite al experimentador calcular una estimacin ms precisa del efecto medio de cualquier factor en el experimento, si se usa la media de la muestra, como una estimacin de dicho efecto. Lo que significa que la varianza de la media de la muestra se define como !2y = !/ n; donde !2 es la varianza de los datos y n el nmero de rplicas.
15
La implicacin prctica de esto es que si el nmero de rplicas es pequea (n=1) probablemente no se podra obtener inferencias satisfactorias con respecto al efecto del tratamiento; es decir, que la diferencia observada podra ser resultado, exclusivamente, del error experimental. El nmero de rplicas afecta la precisin de las estimaciones de las medias de tratamientos y la potencia de las pruebas estadsticas para detectar las diferencias entre las medias de los grupos en los tratamientos. Pero puede ser muy costosa econmicamente la incorporacin de una rplica en el Experimento.
Leccin 4: Las tcnicas utilizadas en el diseo de experimentos Igualmente Cochran & Cox (2001) describen que las tcnicas que se deben utilizar en un Diseo de experimento son: El Bloqueo El bloqueo proporciona control local del ambiente para reducir la variabilidad natural. Las unidades experimentales se distribuyen en grupos de unidades similares, con base en un factor o factores que se espera o se sabe que tienen alguna relacin con la variable respuesta o con la medicin que se supone responde de manera diferente a los diversos tratamientos. Es decir, que consiste en la distribucin de las unidades experimentales en bloques de tal manera que las unidades dentro de un bloque sean relativamente homogneas; ya que unidades experimentales heterogneas producen valores grandes en la varianza del error experimental, es as que la mayor parte de la variacin predecible entre las unidades queda confundida con el efecto de los bloques. Los cuatro criterios que se usan con ms frecuencia para llevar a cabo el bloque en las unidades experimentales son: 1) Proximidad (parcelas vecinas). 2) Caractersticas Fsicas (edad o peso). 3) Tiempo (Tiempo de desarrollo). 4) Administracin de tareas en el experimento. Balanceo: Es el bloqueo y la asignacin de los tratamientos a las unidades experimentales de modo que resulte una configuracin balanceada. La comparacin precisa entre los tratamientos requiere la seleccin de unidades experimentales uniformes para reducir el error experimental. La naturaleza del
16
experimento seala el equilibrio entre la variedad de las condiciones y la uniformidad de las unidades experimentales. Por ejemplo, si se trata de un experimento con vacas lecheras, la uniformidad de las unidades experimentales requiere elegir vacas de la misma cra, en la misma etapa de lactancia y con un nmero similar de lactancia. Agrupamiento: Es la colocacin de un conjunto de unidades experimentales homogneas en grupos, de modo que los diferentes grupos puedan sujetarse a distintos tratamientos. Estos grupos pueden constar de diferente nmero de unidades experimentales. En los tres principios analizados anteriormente el objetivo principal es disminuir en gran medida la Variabilidad Natural o error experimental, a continuacin se presenta un ejemplo en el cual se evidencia este objetivo. Ejemplo Se hace una investigacin sobre el efecto de administrar 10 mg. de vitamina B12 por libra de racin a cerdos en crecimiento, se tomaron ocho lotes de seis cerdos, cada uno tratados por pares. Los lotes se separaron por la administracin de diferentes niveles de aureomicina. Se mide el aumento diario promedio del peso de tres cerdos (libras). Tratamientos Unidades experimentales Variable Respuesta Sin B12 Con B12 Cerdos Aumento de peso
Para llevar a cabo este experimento se deben agrupar los cerdos de la misma raza, edad y sexo, de forma aleatoria; ya que estas tres situaciones afectan significativamente en el peso de los cerdos. Y es as como se obtiene una muestra lo ms homognea posible, y que en el experimento slo intervenga la variabilidad natural, reduciendo as el error experimental.
Leccin 5: Control local, aleatorizacin y procedimiento para el diseo experimental Bicking (s.f), Cochran & Cox (2001) describen que 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. Ejemplo: Se llev a cabo un experimento para determinar la eficacia de 6 fertilizantes de nitrgeno para una cierta variedad de maz. Se contaba con 24 parcelas experimentales.
17
Considerando que puede existir mucha variabilidad entre las parcelas experimentales, se decidi usar un diseo de experimento que pudiera tener la capacidad de controlar esta variabilidad. Cada uno de los seis fertilizantes fue aplicado a cuatro parcelas experimentales, siguiendo el mtodo de aleatorizacin del diseo utilizado y cada parcela experimental tena cinco surcos de plantas de maz. Luego se obtuvo la cosecha de plantas, de cada una de las parcelas se tomaron solamente tres surcos y fueron los centrales. Las plantas cosechadas se llevaron al laboratorio para determinar el rendimiento por medio del peso de las semillas, haciendo esto separadamente para cada una de las parcelas. En el ejemplo planteado se puede observar: Hay seis tratamientos que son los seis fertilizantes. Hay veinticuatro unidades experimentales, que son las parcelas experimentales. La unidad muestral no es la totalidad de la unidad experimental sino una parte de ella (las 4 parcelas). El investigador toma la decisin de cosechar tres surcos centrales en cada unidad experimental; ya que considera que de esta manera se puede evitar cualquier efecto del fertilizante que se aplica a una parcela y que pueda influir el resultado de las parcelas vecinas. El nmero de rplicas es igual a cuatro por cada tratamiento. Existe un control local ya que el investigador habr usado un diseo (por ejemplo: El Diseo de Bloques Aleatorios; el cual se estudiara en el detalle en la siguiente unidad programtica), que controla la variabilidad entre las parcelas en el campo experimental. La variable respuesta en este experimento es el rendimiento. Forma de aleatorizar un experimento 1) Asignar nmeros a cada una de las parcelas experimentales de 1 a 24. 2) Elaborar cuadrados de papel con los mismos nmeros de las parcelas (1 a 24) y luego colocarlos en un recipiente. 3) Sacar al azar una por una las tarjetas del recipiente. 4) Existen 6 tratamientos, que son los seis fertilizantes y como el nmero de rplicas es igual a cuatro entonces los primeros cuatro nmeros
18
sacados que corresponden a las primeras cuatro parcelas sern asignadas al fertilizante nmero uno. 5) Los segundos cuatro nmeros sacados que corresponden a las segundas cuatro parcelas sern asignadas al fertilizante nmero dos. 6) Y as sucesivamente hasta obtener los ltimos cuatro nmeros que corresponden a las cuatro parcelas que sern asignadas al fertilizante nmero seis. En general, un experimento de este tipo puede tener simultneamente otras variables respuestas como por ejemplo: altura de plantas, grosor de las plantas, determinacin del contenido de humedad de los granos, etc. Pero en el anlisis del experimento el rendimiento es la variable de inters para el investigador. A pesar de haber tomado todas las precauciones necesarias en la conduccin del experimento, se podr decir que siempre existir el Error Experimental en cualquier experimento, no importa que tan bien sea planteado y conducido el experimento. Basta con observar y comparar los valores del rendimiento para dos ms parcelas que han recibido la aplicacin de un mismo fertilizante. Estos valores no sern iguales y por lo tanto el error experimental no es nulo y existe. Algunas de las razones por las cuales puede surgir el Error Experimental en este experimento son las siguientes: 1) Las parcelas experimentales en el campo deben tener variacin en la fertilidad del suelo, textura del suelo, pH del suelo, pendiente, la cantidad de luz solar que puede recibir cada planta, etc. 2) El nmero total de plantas por cada parcela podra no ser igual. Esto puede ocurrir por defectos en la calidad de las semillas y el mtodo de siembra utilizado. 3) Puede existir prdida del material experimental cosechado que se lleva al laboratorio para determinar el peso. 4) Puede existir limitacin y defectos en la mquina que se usa para determinar el peso del material que se ha cosechado. 5) Puede existir variacin de criterios y tcnicas que usan diferentes personas que han trabajado en la conduccin del experimento. Control Local: Consiste en el uso de tcnicas de bloqueo, balanceo y agrupamiento de las unidades experimentales para asegurar que el diseo usado sea eficiente; ya que los objetivos de la mayora de los experimentos son las comparaciones claras y exactas entre los tratamientos a travs de un conjunto apropiado de condiciones. Estos objetivos requieren estimaciones precisas de las
19
medias y poderosas pruebas estadsticas, lo cual se puede obtener reduciendo la varianza del error experimental. El uso adecuado del control local describe las acciones que emplea un investigador para reducir o controlar la magnitud de la estimacin del error experimental; incrementando la exactitud de las observaciones y estableciendo la base de la inferencia del estudio.
20
CAPITULO 2-U_1 CONTRASTE DE HIPTESIS COMPARACIONES SIMPLES. Etimolgicamente Hiptesis 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) 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) Lecciones - C_2-U_1 Leccin 1: Comprobacin de hiptesis Para las siguiente leccin se tomaron como referente a Bavaresco (1979), Bunge (1980) y Berenson, Levine & Krehbiel (2001). 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 qu grado podemos decir que sea verdadero o falso. Pasos en la prueba de hiptesis:
-hiptesis.
21
Calcular una estadstica de muestra.
Recomendacin se debe hablar de "no rechazar" una hiptesis en lugar de "aceptar", ya que las pruebas no son concluyentes. 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 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 intervalo 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' Ecuacin 1 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 est 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. Ppruebas de hiptesis. 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.
22
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 )
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.
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 significancia 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 compaa 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
23
seleccionados de a y de considerar las restricciones de presupuesto al realizar el estudio. En este caso se pesaron 25 cajas de cereal seleccionadas al azar. 5. Determine la 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 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 X media = ....... gramos, entonces y obtenga el valor Z = + ........... 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= +...... est 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? 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 experimento o
24
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
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 a . *** *** El hecho de aceptar una hiptesis nula cuando es falsa se denomina error de tipo II, y su probabilidad se simboliza como b . *** 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) b baja, tendremos que tolerar una probabilidad a alta; sin embargo el nivel de significancia adecuado se debe decidir acorde con los costos y desventajas vinculadas con ambos tipos de errores.
25
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.
Leccin 2: Prueba de t Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) la prueba de t es conocida a veces como prueba de t de Student, por recibir el nombre de la persona que la 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.
26
Ecuacines 2 y 3 S, es la desviacin estndar 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. 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
Ecuacines 4 y 5 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 Ver ejercicio resuelto- en el apndice 1.
27
Leccin 3: Anlisis de varianza-ANDEVA Para Christensen (1990), Dawson & Trapp (2002) y Cochran & Cox (2001) 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 ANAVA (Analysis of variance) o Anova; 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 cmo 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 ms grupos, son o no debidas al azar. La cifra estadstica obtenida con el ANOVA es la razn F. F= Estimacin entre los tratamientos / Estimacin dentro de los tratamientos. Suponiendo que se analizan 2 grupos, el ANAVA o el ANOVA, analiza las variaciones entre los dos grupos (inter-grupal) y la compara con la variacin dentro de cada grupo (intra-grupal), para obtener mediante una suma de cuadrados el valor de F. Si las diferencias de varianza entre cada grupo son mayores que las 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. Bases del anlisis de la varianza. Los supuestos que validan el anlisis varianza son: a. Los errores son independientes
28
b. Los errores estn normalmente distribuidos con media cero y varianza constante c. Existe homogeneidad de varianza entre los tratamientos. 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 Variacin total = Tabla 2. Ejemplo de un reporte del anlisis de varianza
29
Fuente variacin
de
Grados de Libertad
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
Entre Tratamientos Dentro del Error Total
k-1
P (F>F0 )
N-k N-1
K= Numero de tratamientos o niveles o grupos del factor de inters N= Nmero total datos reportados n = Nmero total de datos por grupo Ejemplos de resolucin de ANAVAS o ANOVAS se realizaran en captulos siguientes y apndices al final del mdulo. Los grados de libertad son uno menos que el nmero de observaciones para cada fuente de variacin.
Leccin 4: Prueba de diferencia significativa mnima (DSM) de Fisher Diferencia mnima significativa (LSD). Es la diferencia mnima que debe haber entre dos medias mustrales para poder considerar que dos tratamientos son diferentes. Discusin Cuando para un diseo experimental se rechaza la hiptesis de igualdad entre los tratamientos el investigador se pregunta cual(es) de ellos son diferentes entre s. Para averiguarlo se emplean los mtodos de comparacin de medias, uno de estos mtodos (formulas) es el LSD o (DMS) o diferencia minina significativa. Esta debe ser utilizada solo para comparar medias adyacentes en un arreglo ordenado, aunque tambin se puede emplear para comparar las medias con un testigo o tratamiento estndar. La DMS es una prueba de t de Student que utiliza la varianza combinada.
30
Ecuacin 6 ..t= Ecuacin 7.Sd
r = Nmero de repeticiones CME = Cuadrado medio del error El valor de t se toma de la tabla de los apndices con los grados de libertad del error. Usualmente la significancia es considerada entre 1% y 5%. Ejemplo En un experimento desarrollados por un grupo de profesionales se determino el efecto de tres tratamientos de fertilizacin en la altura de arboles de una especie forrajera, obtenindose los siguientes resultados. Tabla 3. Tratamientos de experimento sobre fertilizacin Tratamiento Media T1 1064 a * T2 1838 a * T3 1886 a * Diferencia Mnima Significativa DMS 962 cm3 IBIOM (cm3) CV (%) 93 60 61
Los valores acompaados por igual letra no presentan diferencias estadsticamente significativas al 95% de confianza. X1 X2 1064 - 1838 X3 1064-1886 1838-1886 31
X1 X2 X3
Leccin 5: Modelo estadstico 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, est 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:
Ecuacin 8
Modelo matemtico Ecuacin 9 En donde i= 1,., k numero de tratamientos j=1,., r nmero de repeticiones u= promedio de todas las unidades experimentales del experimento = o segn el caso. la diferencia entre el promedio ( m i) 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 ( ).
ti =
El modelo finalmente se expresa como:
Ecuacin del Modelo estadstico 9
32
Anlisis de Covarianza. Lo que se busca en cada, experimento es la veracidad de una hiptesis. 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?
33
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. Recomendaciones

Al plantear un estudio estadstico, definir claramente la poblacin objeto de anlisis. 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.
Ecuacin de Modelo estadstico 9
Anlisis de Covarianza. Lo que se busca en cada, experimento es la veracidad de una hiptesis. 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.
34
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. Recomendaciones

Al plantear un estudio estadstico, definir claramente la poblacin objeto de anlisis. 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.
CAPITULO 3-U_1 CAPITULO 3: TIPOS DE DISEO EXPERIMENTALES 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. Definiciones Clasificacin: de acuerdo con su objetivo y su utilizacin, sin pretender ser exhaustivo, los diseos se pueden clasificar como:
35
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
LECCIONES-C_3-U_1 Leccin 1: El uso de las computadoras y software especializado El uso de las computadoras y software especializado Los primeros usos del software estadstico en la enseanza de la estadstica han sido la presentacin de "output" impresos a los alumnos para interpretar resultados. La simulacin es un ejemplo de cmo utilizar el computador en la estadstica aplicada. Existen software que simulan sistemas fsicos, sociales o empresariales. Uno de las ms sencillos y conocidos trata de simular la toma de decisiones en diversos escenarios y analizar sus resultados en un entorno competitivo. El alumno debe manejar varias variables en procura de maximizar las ganancias de su empresa. Las reas de anlisis multivariado fueron las ms beneficiadas por el uso de la computadora. Las tcnicas a utilizar no se ven limitadas a pesar de que el nmero de variables sea considerable, ya que los problemas de clculo se minimizan. Tampoco los grficos resultan un escollo. Algunos profesores, en ausencia de impedimentos de clculos, le piden al alumno que aplique tales o cuales mtodos, incentivando de esta forma la destreza en el uso del software (y el conocimiento de muchas de sus variantes). Sin embargo, no hay una enseanza orientada a la resolucin de problemas (porque no se ha planteado un problema) sino a la aplicacin de tcnicas estadstica sin un claro objetivo.
36
Paradjicamente, el uso de la computadora ha generado nuevos problemas. Uno de ellos es que se corre el riesgo de desarrollar anlisis que constituyen slo un ejercicio de uso de software, sin dedicar el suficiente tiempo a analizar la coherencia y lgica detrs de los mismos. Algunos ejemplos son:
Determinar medias y desviaciones estndar de variables con escala nominal, debido a que en la tabla de datos figuran cdigos numricos de las distintas categoras. Calcular la media y el desvo estndar de los nmeros que identifican cada formulario. Asignar un nmero a cada individuo segn el orden que ocupa, y concluir que su distribucin es simtrica.
Cuando los clculos llevaban mucho tiempo, se deba pensar si era necesario realizar tal operacin. Ahora que los clculos no son obstculo, muchas veces no se piensa qu es lo que se est haciendo. El momento de reflexin se realiza despus de la etapa de clculo y no antes. Ahora se dedica tiempo y esfuerzo en descartar anlisis e indicadores sin sentido. Los Software estadsticos que facilitan una variedad de tcnicas estadsticas descriptiva e inferencial, poco a poco, estn cambiando la enseanza de esta disciplina. Ya no es necesario concentrarse mucho en el manejo de frmulas engorrosas. Esto puede conducir, a pretender el mismo objetivo que antes pero demorando menos o a usar la computadora para potenciar las posibilidades de la enseanza de estadstica. Nuestra opinin es que si bien las opciones anteriores no son excluyentes, se debe insistir ms en el sentido de las tcnicas, en su aplicacin apropiada y en la buena interpretacin de los resultados. Un uso de la planilla electrnica que recomendamos especialmente es su aplicacin para comprender la relacin entre el coeficiente de correlacin lineal de Pearson y el diagrama de dispersin. La planilla electrnica permite observar en forma simultnea los efectos que provoca la modificacin de algn dato en el diagrama de dispersin y en el coeficiente de correlacin. La enseanza de la prctica de la estadstica debera basarse en la resolucin de estudios de casos. El software adecuado podra apoyar cursos basados en el estudio de casos, para presentar problemas prcticos que requieren: 1. 2. 3. 4. La formulacin de hiptesis La recoleccin de datos La comprobacin de hiptesis La comunicacin de resultados e ideas
37
Adems, ayudan a cambiar el nfasis de los tradicionales "problemas de planteo" a "estudios de casos". En el desarrollo de "estudios de casos", el uso de la computadora implica dar mayor importancia a temas que antes no se priorizaban. Cuando se fomenta a los alumnos que desarrollen una investigacin donde deban recolectar datos, se plantea el problema de cmo organizar luego la tabla de datos. Proponemos incluir en los cursos un capitulo dedicado a la creacin de estas tablas. De los programas adecuados para el manejo, el procesamiento y anlisis de datos citamos los siguientes: EXCELL, SPS, MINITAB, SAS, STATISTICAL, STATGRAPHICS, 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 4. Portada del programa Statgraphics * 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. Revisar los enlaces de Apendices 1_Repaso a la estadistica en la pgina del curso.
38
Leccin 2: Diseos unifactoriales De Montgomery (1991) y Cochran & Cox (2001) extractanos que: 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. Dise de experimentos sin bloquear. A estos experimentos algunos autores (Montgomery, 1991 y Cochran & Cox, 2001) 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. 5. El nmero de grados de libertad para el error aumenta por no tener muchas restricciones. Las desventajas del diseo completamente al azar son: No es eficiente con material experimental heterogneo. Puesto que no existen restricciones en cuanto a la aleatoriedad, el error experimental incluye la variacin total entre unidades experimentales.
39
El anlisis de varianza para el diseo completamente al azar se muestra en las tablas 25 y 26.
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 4. Procedimiento estadstico para la comprobacin de hiptesis
INFORMACION RECOPILADA SOBRE RESPUESTA A LOS TRATAMIENTOS
OBSERVACIONES
A F1A1 F2A1 F3A1
Total tratamiento
por
Numero de datos n por tratamiento Media tratamiento Gran media Suma de SCT cuadrados totales Suma de SCt cuadrados de los tratamientos Y el ANAVA en la siguiente tabla por
LA OPERACIONES ARITMETICAS A DESARROLLAR PARA EL CALCULO DEL ANAVA B C 1. = suma de cuadrados de todas F1B1 F1C1 las observaciones F2B1 F2C1 2. Suma de los datos 3. Nmero total de mediciones F3B1 F3C1 4. Media de los datos 5. Efecto del mtodo = Y observada - Y media N n
Tabla 5. Anlisis de varianza para los tratamientos con un solo factor, en un diseo totalmente aleatorizado o completamente al azar. Fuente de Grados de SC CM F0 p-valor variacin Libertad Suma de Cuadrados Razn
40
Tratamientos Error Total
k-1 N-k N-1
cuadrados medios SCtrat SCtrat /(k-1) SCtrat / CME SCE SCE /(N-k) SCT SCMT / (kn -1)
P (F>F0 )
k= Numero de tratamientos o niveles o grupos del factor de inters N= Nmero 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 6. 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
F1A1 hasta FJEAJ son los anlisis o las muestras recolectadas o tomadas Para aclarar el concepto del procedimiento que se sigue revisemos el apndice 2.
Leccin 3: Diseos de bloques completos al azar 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,
41
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. 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 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. 2. Puede incluirse cualquier numero de repeticiones. El anlisis estadstico es el acostumbrado. 3. Si la varianza del error experimental es mayor para algunos tratamientos que para otros aun puede obtenerse un error insesgado para probar cualquier combinacin especfica de las medias de los tratamientos. 4. Ningn otro diseo se usa tan frecuentemente como los bloques al azar. Aleatorizacin. 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.
42
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 7. Recopilacin y presentacin de los resultados de los tratamientos, en un diseo de bloques completos al azar. BLOQUES Tratam B1 B2 B3 B4 Y i. r1 XT1B1 XT1B2 XT1B3 XT1B4 r2 XT2B1 XT2B2 XT2B3 XT2B4 r3 XT3B1 XT3B2 XT3B3 XT3B4 r4 XT4B1 XT4B2 XT4B3 XT4B4 Y.j B1 B2 B3 B4
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 = 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)) Ecuacin 10 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 s. Para averiguarlo se emplean los mtodos de comparacin de medias, uno de estos mtodos (formulas) es el LSD diferencia mnima significativa (Ecuacin 9) 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.
43
K=tratamientos b= bloques N = Total de experiencias n= numero de observaciones para cada tratamiento.
Ecuacin 11 El valor de t se toma de las tablas de la distribucin T de Student con N-K grados de libertad del error. Ejemplo de bloques completos al azar (BCA) (Varios autores). Revisemos el apndice 2. Leccin 4: Diseo de cuadro latino El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field Experiments, J. Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones fueron en el campo 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. 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). Tabla 8. Recopilacin y presentacin cuadro latino. A B C D A B C D B C D A B A D C C D A B C D B A de los resultados de los tratamientos, en A B C B D A C A D D C B A B C B A D C D A D C B
44
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 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 9. Arreglo de los resultados de los tratamientos, en cuadro latino.
BLOQUES I
BLOQUES II 1 2 3 1 A=Yl1l B=Y221 C=Y331 B=Y212 2 C=Y313 C=Y322 D=Y432 D=Y414 D=Y423 3 A F =Y524 =Y533 .. 4 A=Y12f F=Y634 ..... . F=Yf1f B=Y23f . f
4 D=Y4411 E=Y442 B =Y443 A=Y544 C=Y34f . .. .
J Yi.. F=YjJ1 Yi..1 A=Y1j2 B=Y2j3 Yi..2 C=Y3j4 Yi..3
Yi..4 Yi..,, Yi..f
J=YJjf
Yj..
Y1..
Y2..
Yj..
Yj..
Ynj.. Yj..
<!--[if !supportMisalignedColumns]->
La eleccin del cuadro latino se realiza antes de la obtencin de los datos.
45
Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques en cuadro latino. Ver apndice 3. Leccin5. 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 = m + t i + g j + d l + bk + e ijl
i= 1,., l j=1,., b numero de tratamientos numero de bloques
Ecuacin 12
t i = efecto debido al bloque 1 g j = efecto debido al bloque 2
d l = efecto debido al tratamiento

hl =
cto debido al tratamiento 2
{ a l , b ,J , w }
El inconveniente de este modelo es que su utilizacin es muy restrictiva. Adems pueden no existir cuadrados greco latinos de determinadas condiciones. Formacin y tabulacin de los datos experimentales en un cuadrado greco latino.
Tabla 10. Arreglo de los resultados de los tratamientos, en cuadro Greco-Latino. BLOQUES II Y ..k
46
Yi
1 BLOQUES I Y i.. 2 3 4 . . f Yl
a A=Yl1l b B=Y2 J C=Y331 w D=Y44 11 b B=Y21 2 w D=Y43 2 bB 2 J C=Y313 J C=Y3 =Y443 22 aA w D=Y41 w D=Y =Y533 a A=Y54 4
42
F=YjJ1 A=Y1j2 B=Y2j3 C=Y3j4

a A=Y1
2f
b B=Y23f
J C=Y34f
J=YJjf
Procedimiento estadstico para la comprobacin de hiptesis en un diseo de bloques en cuadro greco latino. El procedimiento a seguir esta planteado en el apndice 4.
ANAVA para el diseo grecolatino.
Tabla 11. ANOVA para el diseo de cuadro greco latino*
FUENTES DE VARIABILIDAD
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

47
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 13
y los grados de libertad correspondientes son k2 -1 = (k -1) + (k -1) + (k -1) + (k - 2)(k -1) Ecuacin 14
48
UNIDAD DOS: DISEOS FACTORIALES y 2K Captulo 4. Diseos Factoriales Generales En ingeniera muchos de los experimentos se llevan a cabo para estudiar los efectos producidos por dos o ms 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. Razn por la cual los experimentadores y matemticos idearon los diesos experimentales factoriales.
Leccin 1: Definiciones bsicas diseo factorial. 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. El efecto de un factor se define como el cambio en respuesta producido por un cambio en el nivel del factor. En algunos experimentos podemos encontrar que la diferencia en respuesta entre los niveles de un factor no es la misma en todos los niveles del otro factor. Cuando esto ocurre se dice que hay iteracin entre los factores. En un experimento factorial se analizan todas las posibles combinaciones de los niveles de los factores en cada rplica del experimento. Por ejemplo, si el factor A tiene a niveles y el factor B tiene b niveles entonces cada replica tiene ab combinaciones posibles como muestra la figura 1. Arreglo factorial El conjunto de experimentos individuales o tratamientos que se forman al considerar las posibilidades de combinacin para este diseo factorial es el mostrado en las figuras QQQQ:
Leccin 2: Experimento factorial o mover un factor a la vez Investigadores de todos los campos llevan a cabo experimentos con la finalidad
49
de descubrir algo acerca de un proceso o sistema particular.- un experimento es una prueba. El diseo experimental se define como una prueba o una serie de pruebas en las que se hacen cambios deliberados en las variables de entrada de un proceso o sistema para observar e identificar las razones de los cambios que pudieran observarse en la respuesta de salida (Montgomery, 2003).
El ms sencillo de los enfoques experimentales es cuando se investiga sobre un solo factor- este evala el efecto de un parmetro mientras lo dems se mantiene constantes-cuando hay varios factores. Este enfoque requiere de amplios conocimientos tcnicos sobre lo que se va a analizar adems de tener experiencia prctica.
En este mtodo tradicional solo se varia un factor cada vez -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. Consiste en seleccionar un punto de partida de cada factor, luego, se va moviendo el nivel de un solo factor, manteniendo los dems fijos. Posteriormente se mueve el nivel del siguiente factor y sucesivamente se va cambiando el nivel de cada factor. Esta estrategia tiene lmites en el momento de evaluar la informacin de los efectos de los factores. De 10 datos slo dos se usan para comparar con los otros dos.
Desventajas: -La desventaja de un factor a la vez es que no se pueden observar interacciones entre factores (Montgomery, 2003). -Inicialmente se determina una combinacin, y si no resulta, se cambia por otra segn la experiencia. Esto puede continuar por mucho tiempo hasta llegar a una solucin. -Seguidamente cuando se obtiene un resultado con beneficio en la primera prueba, ya no se realizan ms pruebas para buscar una solucin que d mejores resultados (Montgomery, 2003). Observacin atener en cuenta: Hay interaccin cuando uno de los factores no produce el mismo efecto en la respuesta con niveles diferentes de otro factor (Montgomery, 2003).
50
Leccin 3: Diseo factorial con dos factores A X B Existe otro enfoque para trabajar con varios factores por medio de experimentacin factorial. Esta estrategia consiste en variar los factores en conjunto, en lugar de uno a la vez. En el diseo se usan todas las combinaciones de los niveles de los factores. Por ejemplo, un diseo factorial AxB es un diseo de dos factores, cada uno con dos niveles (Montgomery,2003). Ver figura Q
Figura 5.Representacin de un experimento factorial
Figura 6.Un experimento factorial

51
Hiptesis a probar H0 : Efecto A = 0 Ha: Efecto A # 0 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 : para algn i H0 : HB : H0 : HAB: para algn ij =0 =0
Hiptesis que se prueban con la tcnica de anlisis de varianza (conocida). Procedimiento estadstico para la comprobacin de una hiptesis en un diseo factorial El anlisis de varianza se calcula de una manera similar a los primeros numerales del presente capitulo. La ecuacin fundamental de ANOVA est dada por la suma de los cuadrados y se expresa de la siguiente manera teniendo el factor A con a niveles y el factor B con b niveles:
52
Calculo de la suma de cuadrados del error. SSCT = SSCA+ SSCB + SSCAB + SSCE Ecuacin 15 Calculo de la suma de cuadrados del error SSCE= SSCT - SSCA-SSCB - SSCAB Suma de cuadrados totales: Ecuacin 16
Ecuaciones 17 a 19 Es conveniente obtener la suma de los cuadrados de la interaccin, SS AB, en dos fases. Primero, se calcula la suma de cuadrados entre los totales de las celdas ab que se conoce como la suma de cuadrados debido a "subtotales":
Ecuacin 20 Esta suma de cuadrados tambin contiene SSCA y SSCB. Por lo tanto, el segundo paso es calcular la suma de cuadrados de la interaccin como sigue: SSCAB = SSCSubtotales - SSCA-SSCB Ecuacin 21 o SSCE= SSCT - SSSubtotales ANOVA para el diseo factorial (a x b) o de dos factores Tabla 12. ANOVA para el diseo factorial a x b
53
EFECTOA EFECTOB EFECTOAB Error Total
Suma de cuadrados SCA SCB SCAB SCE SCT
Grados de libertad a-1 b-1 (a -l)(b -1) ab(n-1) abn-1
Cuadrados Fo medios CMA Fo = CMTRAT / CME CMB Fo = CMB / CME CMTRAT CME CMTRAT
p-valor P(F > Fo) P(F > Fo)
Modelo estadstico para un diseo factorial Cualquier observacin en el diseo factorial se puede representar por el modelo;
Ecuacin 22 i= 1,., a numero de tratamientos j=1,., b numero de bloques k= 1,2,..n = media general, tambin denominada = efecto debido al i-esimo nivel del factor A, tambin denominada = efecto debido al j-esimo nivel del factor B, tambin denominada . = representa al efecto de interaccin en la combinacin ij, tambin denominada . = es el error aleatorio que supone una distribucin con media cero y varianza constante Estando el modelo de regresin descrito por :
Ecuacin 23
Leccin 4. Ventajas y desventajas de los Experimentos Factoriales Podemos resaltar entre varias las siguientes:
54
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 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.
Leccin 5. Ejemplo de un diseo factorial solucionado con Stat Graphics Se corre un diseo factorial 3x2 con 2 replicas para investigar el encogimiento de un producto despus del proceso de estandarizado. 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 13. Resultados del ensayo NOVA para el diseo factorial a x b Temperatura T2
T1
T3
55
Empaque
B1 B2
3,9 3,5
4,2 3,8
4,3 4,0
3.81 3.37
3.72 3.50
3.84 3,6
4 3,9
3,8 4,1
3,4 4,3
** Elabore el ANAVA para este proceso y socialcelo con los compaeros en el grupo de curso. Stat Graphics Diligenciamos la tabla QQQ zamos la suma por fila y por columnas para facilidad de los clculos. Calculando la suma de cuadrados de los efectos SSCT , SSCA, , SSCB , SSCAB Tabla 14. ANOVA para el ejemplo de diseo factorial a x b Suma de cuadrados Ecuac EFECTOA EFECTOB EFECTOAB Error Total * Que conclusiones sacaras? Grados de libertad Ecuac Cuadrados medios Ecuac Fo Ecuac p-value
56

Unidad 1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Unidad 1

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES CONTENIDO DIDCTICO DEL CUSO: 90001

1 METODOLOGA DE TRABAJO ACADMICO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

30156 DISEO EXPERIMENTAL CAMPO ELIAS RIAO LUNA (Director Nacional)

FREDY JARAMILLO Acreditador

BOGOT Diciembre de 2011

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

CAPTULO 2. Contraste de hiptesis comparaciones simples

CAPTULO 3. Tipos de diseo experimentales

UNIDAD DOS: DISEOS Captulo 4. Diseos FACTORIALES y 2K Factoriales Generales

Figura 1. Ronald Fisher

Red Semntica-Diseo Experimental

Figura 2. Mapa conceptual del diseo experimental

Figura 3. El proceso del diseo experimental

Calcular una estadstica de muestra.

La Hiptesis nula Ho la cual es la hiptesis que se prueba siempre.

SC Suma de cuadrados SCtratamient SCE SCT

CM Cuadrados medios SCtrat /(K-1) SCE /(N-K) SCTotal / (KN - 1)

F0 Razn F SCtrat/ SCME

Entre Tratamientos Dentro del Error Total

Ecuacin 6 ..t= Ecuacin 7.Sd

El modelo finalmente se expresa como:

Ecuacin del Modelo estadstico 9

Ecuacin de Modelo estadstico 9

INFORMACION RECOPILADA SOBRE RESPUESTA A LOS TRATAMIENTOS

A F1A1 F2A1 F3A1

Tratamientos Error Total

k-1 N-k N-1

1 F1A1 F1B1 F1C1 F1D1 F1A1

2 F2A1 F2B1 F2C1 F2D1 F2A1

3 F3A1 F3B1 F3C1 F3D1 FjeAJ

K=tratamientos b= bloques N = Total de experiencias n= numero de observaciones para cada tratamiento.

4 D=Y4411 E=Y442 B =Y443 A=Y544 C=Y34f . .. .

J Yi.. F=YjJ1 Yi..1 A=Y1j2 B=Y2j3 Yi..2 C=Y3j4 Yi..3

Yi..4 Yi..,, Yi..f

La eleccin del cuadro latino se realiza antes de la obtencin de los datos.

t i = efecto debido al bloque 1 g j = efecto debido al bloque 2

d l = efecto debido al tratamiento

F=YjJ1 A=Y1j2 B=Y2j3 C=Y3j4

ANAVA para el diseo grecolatino.

Tabla 11. ANOVA para el diseo de cuadro greco latino*

GRADOS CUADRADOS DE MEDIOS LIBERTAD k-1 CMtratalatin

Tratamientos Letra latin

Ftralat = CMtratlatin/ CMEr Fre = CMrenglol /CMEr

P(F > Fa)

F colmn= P(F > Fa) CMcolumn/CM

Tratamientos Letra griega Error

Figura 5.Representacin de un experimento factorial

Figura 6.Un experimento factorial

EFECTOA EFECTOB EFECTOAB Error Total

Suma de cuadrados SCA SCB SCAB SCE SCT

Grados de libertad a-1 b-1 (a -l)(b -1) ab(n-1) abn-1

p-valor P(F > Fo) P(F > Fo)

Vous aimerez peut-être aussi