ACTIVIDAD APENDICE 3

DISEÑOS UNIFACTRIALES

PRESENTADO POR:
ALIRIO LIBARDO CARRILLO
CÓDIGO: 79471041

DOCENTE: CAMPO RIAÑO

DISEÑO EXPERIMENTAL

CURSO: 30156_53

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

BOGOTÁ D.C. OCTUBRE DE 2017
 Apéndice 3

1. A partir de la lectura del capítulo 3 del libro análisis y diseños de

experimentos, aplique los conceptos del diseño completamente al azar
(DCA) y análisis de varianza para el siguiente enunciado.

COMPARACION DE 4 METODOS DE SECADO PARA FRUTAS

El equipo de desarrollo e innovación de una de frutas deshidratadas evalúa

el efecto de cuatro métodos de secado (S1, S2, S3, S4), sobre el porcentaje
de humedad que contiene la muestra final (entendiendo que a menor
contenido de humedad de la muestra el proceso de secado es más eficiente).
En primera instancia, la estrategia experimental es aplicar cuatro veces los
cuatro métodos de secado en completamente al aleatorio (las 16 pruebas en
orden aleatorio). Los porcentajes de humedad obtenidos se muestran en la
siguiente tabla.

Métodos de secado

S1 S2 S3 S4

5.6 4.9 3.8 5.8

5.1 5.0 3.5 6.0

5.3 5.1 3.4 6.2

4.9 5.0 3.6 5.7

a. Formule el interrogante del problema de investigación y las hipótesis

correspondientes. (20 /120)

¿Qué diferencias se presentan en los métodos de comparación del secado

de frutas sobre el porcentaje de humedad que contiene la muestra final?

Hipótesis: La media del 1 tratamiento es igual a la media de los

tratamientos 1, 2, 3, 4.

Una manera de comparar los métodos de ensamble (tratamientos) es

probar la hipótesis:

𝑯 𝟎 : 𝝉𝑨 = 𝝉𝑩 = 𝝉𝑪 = 𝝉𝑫 = 𝟎

𝐻𝐴 = 𝜏𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 = Α, Β, 𝐶, 𝐷
En caso de no rechazar 𝐻0 se concluye que los tiempos promedio de los
cuatro Métodos de ensamble son estadísticamente iguales; pero si se
rechaza, se concluye que al menos dos de ellos son diferentes. En la tabla
se muestra el análisis de varianza correspondiente, en donde se aprecia
 que el valor del valor-p = 0.0018 es menor que a = 0.05, por lo que se
rechaza 𝐻0 en este nivel de significancia en particular.

No obstante, también se rechazaría para cualquier otro nivel de

significancia prefijado, a, que cumpla con a > 0.0018, ya que en esos
casos el estadístico de prueba 𝐹0 = 89,35 caería en la región de rechazo.

b. Realice los cálculos correspondientes al análisis de varianza y elabore la

tabla correspondiente,  = 0.05. (20 /120).

Para los cálculos correspondientes utilizaremos las siguientes fórmulas.

FUENTE DE SUMA DE GRADOS CUADRADO

VARABILIDAD CUADRADOS DE MEDIO F0 VALOR-P
LIBERTAD
TRATAMIENTOS 𝐾
𝑌𝑖. 2 𝑌.. 2 𝐶𝑀𝑇𝑅𝐴𝑇 =
𝑆𝐶𝑇𝑅𝐴𝑇
𝐹0 =
𝐶𝑀𝑇𝑅𝐴𝑇 𝑃(𝐹 > 𝐹0 )
𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ − K-1 𝐾−1 𝐶𝑀𝐸
𝑁 𝑁
𝑖=1
ERROR 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 N-K 𝑆𝐶𝐸
𝐶𝑀𝐸 =
𝑛𝑖
𝑁−𝐾
TOTAL 𝐾
𝑌. .2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁 N-1
𝑖=1 𝑗=1

Tabla de ANOVA para el DCA

Fuente de Análisis-y-Diseño-de-Experimentos-2ad-Gutiérrez-Pulido.pdf

Una medida de la variabilidad total presente en las observaciones de la tabla

anterior es la suma total de cuadrados dada por los siguientes pasos:

 Suma total de cuadrados o variabilidad total de los datos:

𝐾 𝑛𝑖
𝑌. .2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑖=1 𝑗=1

4 4
𝑌. .2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑖=1 𝑗=1

𝑆𝐶𝑇 = (5,62 + 5,12 + 5,32 + 4,92 ) (4,92 + 5,02 + 5,12 + 5.02 ) (3,82 + 3,52 + 3,42 + 3,62 )
78.92
(5,82 + 6,02 + 6,22 + 5,72 ) −
16

𝑆𝐶𝑇 = (31,36 + 26,01 + 28,09 + 24.01) (24.01 + 25 + 26.01 + 25) (14.44 + 12,25 + 11,56 + 12,96)
 78.92
(33.64 + 36 + 38.44 + 32,49) −
16

78.92
𝑆𝐶𝑇 = (109,47) + (100,02) + (51,21) + (140,57) −
16

78.92
𝑆𝐶𝑇 = 401,27 −
16

6225,21
𝑆𝐶𝑇 = 401,27 −
16

𝑆𝐶𝑇 = 401,27 − 389,075625

𝑺𝑪𝑻 = 𝟏𝟐, 𝟏𝟗𝟒𝟑𝟕𝟓

 Suma de cuadrados de tratamientos o variabilidad debida a la diferencia

entre métodos de ensamble:

𝐾
𝑌𝑖. 2 𝑌.. 2
𝑆𝐶𝑇𝑅𝐴𝑇 =∑ −
𝑁 𝑁
𝑖=1

4
𝑌𝑖. 2 𝑌.. 2
𝑆𝐶𝑇𝑅𝐴𝑇 =∑ −
4 𝑁
𝑖=1

𝑆𝐶𝑇 = (5,6 + 5.1 + 5.3 + 4.9) (4,9 + 5,0 + 5,1 + 5,0) (3,8 + 3,5 + 3,4 + 3.6)
78.92
(5,8 + 6,0 + 6,2 + 5,7) −
16

(20,9)2 + (20)2 + (14,3)2 + (23,7)2 (78.9)2

𝑆𝐶𝑇𝑅𝐴𝑇 = −
4 16

436.81 + 400 + 204,49 + 561,69 6225,21

𝑆𝐶𝑇𝑅𝐴𝑇 = −
4 16
 1602,99 6225,21
𝑆𝐶𝑇𝑅𝐴𝑇 = −
4 16

𝑆𝐶𝑇𝑅𝐴𝑇 = 400,7475 − 389,075625

𝑺𝑪𝑻𝑹𝑨𝑻 = 𝟏𝟏, 𝟔𝟕𝟏𝟖𝟕𝟓

 Suma de cuadrados del error o variabilidad dentro de métodos de

ensamble:
𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇

𝑆𝐶𝐸 = 12,194375 − 11,671875

𝑺𝑪𝑬 = 𝟎. 𝟓𝟐𝟐𝟓

 Cuadrados medios de tratamientos y del error (efecto ponderado de cada

fuente de variación):

𝑆𝐶𝑇𝑅𝐴𝑇
𝐶𝑀𝑇𝑅𝐴𝑇 =
𝐾−1

11,671875
𝐶𝑀𝑇𝑅𝐴𝑇 =
4−1

11,671875
𝐶𝑀𝑇𝑅𝐴𝑇 =
3

𝑪𝑴𝑻𝑹𝑨𝑻 = 𝟑, 𝟖𝟗𝟎𝟔𝟐𝟓

𝑆𝐶𝐸
𝐶𝑀𝐸 =
𝑁−𝐾

0,5225
𝐶𝑀𝐸 =
16 − 4

0,5225
𝐶𝑀𝐸 =
12

𝑪𝑴𝑬 = 𝟎, 𝟎𝟒𝟑𝟓𝟒𝟏𝟔𝟕
  Estadístico de prueba:

𝐶𝑀𝑇𝑅𝐴𝑇
𝐹0 =
𝐶𝑀𝐸

3,890625
𝐹0 =
0,04354167

𝑭𝟎 = 𝟖𝟗, 𝟑𝟓𝟒𝟎𝟔𝟕

Con toda esta información se procede a llenar la tabla de ANOVA. El valor de la

significancia observada o valor-p es el área bajo la curva de la distribución 𝑭𝟑, 𝟏𝟐
a la derecha de 𝑭𝑶 = 𝟖𝟗, 𝟑𝟓𝟒𝟎𝟔𝟕 lo cual es difícil de calcular de forma manual. Sin
embargo, cuando esto no sea posible, recordemos que otra forma de rechazar o
no una hipótesis es comparar el estadístico de prueba contra un número crítico
de tablas. En el caso de las tablas de la distribución F en el apéndice, se lee que
el valor crítico para a = 0.05 es 𝑭𝑶.𝑶𝟓, 𝟑, 𝟏𝟐 = 𝟑, 𝟒𝟗. Como 𝑭𝟎 = 𝟖𝟗, 𝟑𝟓 >
𝑭𝟎.𝟎𝟓, 𝟑, 𝟏𝟐 = 𝟑, 𝟒𝟗, entonces se rechaza 𝑯𝟎 con lo cual se concluye que sí hay
diferencia o efecto de los métodos de ensamble en cuanto a su tiempo promedio.

FV SC GL CM F0 Valor -p
Tratamientos 11,671875 3 3,890625 89,354067
Error 0,522500 12 0,04354167
Total 12,194375 15

c. A
partir
del
 resultado del valor – P, que se puede concluir con respecto a las hipótesis
planteadas. (20 /120)

d. Describa cual es la función y para qué es utilizado el método Tukey,

después del análisis de varianza de los resultados? (20 /120)

Método de Tukey

Un método más conservador para comparar pares de medias de tratamientos es

el método de Tukey, el cual consiste en comparar las diferencias entre medias
muéstrales con el valor crítico dado por:

𝑇𝑎 = 𝑞𝑎 (𝐾, 𝑁 − 𝐾)√𝐶𝑀𝐸 /𝑁𝑖

Donde CME es el cuadrado medio del error, n es el número de observaciones por

tratamiento, k es el número de tratamientos, N – k es igual a los grados de
libertad para el error, a es el nivel de significancia prefijado y el estadístico
𝑞𝑎 (𝐾, 𝑁 − 𝐾) son puntos porcentuales de la distribución del rango estudentizado,
que se obtienen de la correspondiente tabla en el apéndice. Se declaran
significativamente diferentes los pares de medias cuya diferencia muestral en
valor absoluto sea mayor que Ta. A diferencia de los métodos LSD y Duncan, el
método de Tukey trabaja con un error a muy cercano al declarado por el
experimentador.

Ejemplo 3.5

Para aplicar el método de Tukey al ejemplo de los métodos de ensamble, a partir

del ANOVA de la tabla 3.6, se toma la información pertinente y de las tablas del
rango estudentizado dadas en el apéndice, para a = 0.05, se obtiene q 0.05 (4,
12) = 4.20,

De manera que el valor crítico es:

𝑇𝑎 = 𝑞𝑎 (𝐾, 𝑁 − 𝐾)√𝐶𝑀𝐸 /𝑁𝑖

𝑇0.05 = 𝑞0.05 (4, 12)√𝐶𝑀𝐸 /𝑁

 2.46
𝑇0.05 = 4.20 √
4

𝑻𝟎.𝟎𝟓 = 𝟑. 𝟐𝟕

Que al compararlo con las diferencias de medias muéstrales, los resultados sobre
las seis hipótesis son:

De esta tabla se concluye que 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐷 , 𝜇𝐶 = 𝜇𝐷 , 𝜇𝐴 ≠ 𝜇𝐶 y 𝜇𝐵 ≠ 𝜇𝐶 .

Observe que esta prueba no encuentra diferencia entre los métodos de ensamble
A y D, la cual sí se detectó con el método LSD. Esto es congruente con el hecho
de que la prueba de Tukey es menos potente que la prueba LSD, por lo que las
pequeñas diferencias no son detectadas como significativas. Asimismo, el riesgo
de detectar una diferencia que no existe es menor con el método de Tukey. En
la práctica, después de que se ha rechazado H0 con el ANOVA, conviene aplicar
ambos métodos (LSD y Tukey) u otros, cuando haya dudas sobre cuál es el
tratamiento ganador. Cuando la diferencia entre dos tratamientos es clara,
ambos métodos coinciden.

2. A partir de la lectura del capítulo 4 del libro análisis y diseños de

experimentos, aplique los conceptos del diseño en cuadro latino (DCL) y
análisis de varianza para el siguiente enunciado.

En un centro de investigación de agricultura se quiere estudiar el efecto de

distintos tipos de semilla en el rendimiento del arroz y se considera que en dicho
rendimiento también pueden influir los tipos de abonos empleados. Así, el factor
de interés es el rendimiento de la semilla y se controla dos factores de bloques
el tipo de semilla y el tipo de abono.
 Tipo de Tipo de semilla
abono
1 2 3 4

1 C=45 D=42 A=40 B=52

2 B=43 C=42 D=43 A=49

3 A=42 B=41 C=46 D=49

4 D=44 A=40 B=47 C=53

e. Realice los cálculos correspondientes al análisis de varianza y elabore la

tabla correspondiente  = 0.05. (20 /120)

El modelo estadístico para describir el comportamiento de las

observaciones está dado por:

ANOVOA para el Diseño de Cuadro Latino

FUENTE DE SUMA DE GRADOS CUADRADO

VARABILIDAD CUADRADOS DE MEDIO F0 VALOR-P
LIBERTAD
TRATAMIENTOS 𝐾
𝑌𝑖. 2 𝑌.. 2 𝐶𝑀𝑇𝑅𝐴𝑇 =
𝑆𝐶𝑇𝑅𝐴𝑇
𝐹0 =
𝐶𝑀𝑇𝑅𝐴𝑇 𝑃(𝐹 > 𝐹0 )
𝑆𝐶𝑇𝑅𝐴𝑇 = ∑ − K-1 𝐾−1 𝐶𝑀𝐸
𝑁 𝑁
𝑖=1
RENGLONES 𝑆𝐶𝐵1 K-1 𝐶𝑀𝐵1 𝐹0 =
𝐶𝑀𝐵 𝑃(𝐹 > 𝐹0 )
𝐶𝑀𝐸
COLUMNAS 𝑆𝐶𝐵2 K-1 𝐶𝑀𝐵2 𝐹0 =
𝐶𝑀𝐵2 𝑃(𝐹 > 𝐹0 )
𝐶𝑀𝐸
ERROR 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 (𝐾 − 2)(𝐾 − 1) 𝑆𝐶𝐸
𝐶𝑀𝐸 =
𝑛𝑖
𝑁−𝐾
TOTAL 𝐾
𝑌. .2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁 𝐾2 − 1
𝑖=1 𝑗=1

Tabla de ANOVA para el Diseño de Cuadro Latino

Fuente de Análisis-y-Diseño-de-Experimentos-2ad-Gutiérrez-Pulido.pdf

Análisis de varianza. El ANOVA resultante se muestra en la tabla siguiente Se

observa que existen diferencias entre el Tipo de Abono y entre el Tipo de Semilla,
a un nivel de significancia de a = 0.05. Además, no hay evidencia suficiente
para concluir que la posición tiene un efecto importante, puesto que su
correspondiente valor-p es mayor que 0.05.

Interpretación. Para investigar cuáles Tipos de Abono son diferentes entre sí, se
aplica la prueba LSD y se obtienen los resultados de la siguiente tabla:
TIPO DE NÚMERO MEDIA MUESTRAL GRUPOS
ABONO HOMOGÉNEOS
C 4
B 4
A 4
D 4

f. A partir del resultado del valor – P, que se puede concluir? (20 /120)