UNIDAD 2: FASE 4 DISEÑOS FACTORIALES

DISEÑO EXPERIMENTAL

RICARDO ANDRES NARVAEZ AREVALO

COD. 7700553

TUTORA: ANDREA VASQUEZ GARCIA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS AGRICOLAS, PECUARIIAS Y DEL MEDIO

AMBIENTE

CCAV NEIVA

2020

DESARROLLO DE LA ACTIVIDAD
1. A partir de la lectura del capítulo 6 del libro análisis y diseños de experimentos,
aplique los conceptos del diseño factorial al siguiente enunciado.

Un estudiante en la UNAD, viene realizando experimentos sobre la solubilidad de un

extruido tipo cereal para el desayuno. El estudio se encuentra enfocado en determinar el
efecto del polvo de hornear y la proporción de yuca que contiene el producto sobre el índice
de solubilidad en leche (ISL). El trabajo experimental se localizó en la planta piloto de la
ECBTI, en el cual se utilizaron tres concentraciones de yuca y tres concentraciones de
polvo de hornear en la formulación del extruido.

A continuación, se describe la tabla con los resultados para cada uno de los tratamientos,
cada variable de respuesta (ISL) se midió 3 veces.

Tabla 1. Datos de ISL (%) del cereal para desayuno.

Polvo de (%)
Yuca (%)
Concentración 1 Concentración 2 Concentración 3
10,21 12,53 14,79
Concentración 1 10,64 12,50 14,85
10,85 12,39 15,21
10,67 12,26 15,75
Concentración 2 10,75 12,79 15,63
10,82 13,10 16,81
11,13 13,78 16,57
Concentración 3 11,56 14,91 16,88
11,88 14,53 17,30

a. Plantear el modelo estadístico para este diseño, explicar cada uno de los términos en
función del ejercicio (5 /120)

Y ijk =μ+γ i+ δ j +¿

Donde:
Y ijk =Solubilidad enleche del cereal μ= Media general
γ i=Efecto del i−ésimo nivel d el factor % del Polvo de h .δ j=¿ Efecto del j−ésimo nivel del factor %Yuca¿¿
ε ijk =Error aleatorio

b. Realice las hipótesis de interés para la investigación (igualdad y alterna). (5 /120)

Ho: Efecto del % de Yuca ( B )=0 Ha: Efecto del % de Yuca ( B ) ≠ 0

Ho: Efecto del % de Polvo de hornear ( A )=0Ha: Efecto del % de Polvo de hornear ( A ) ≠ 0

Ho: Efecto de A∗B=0Ha: Efecto de A∗B ≠0

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

ANOVA correspondiente, α = 0.05. (20 /120)

Conociendo los valores a los cuales debemos llegar damos inicio a los calculos realizando
la totalización de las concentraciones:

Polvo de Hornear (%)

YUCA % Concentración Concentración
Concentración 1 2 3
10,21 12,53 14,79
Concentración 1 10,64 12,50 14,85
10,85 12,39 15,21
  31,7 37,42 44,85 113,97
10,67 12,26 15,75
Concentración 2 10,75 12,79 15,63
10,82 13,10 16,81
  32,24 38,15 48,19 118,58
11,13 13,78 16,57
Concentración 3 11,56 14,91 16,88
11,88 14,53 17,30
  34,57 43,22 50,75 128,54
Total Por columna 98,51 118,79 143,79
Total 361,09

Con estos totales procedemos a reemplazar las formulas:

Datos

n=3

k =2
 3
Y 2i .. Y 2…
SC A =∑ −¿ 2 ¿
j=1 3 n n3

SC A =¿ ¿

44490,8483 130385,99
SC A = −
9 27

SC A =114 ,316919

3
Y 2. j . Y 2…
SC B=∑ −
j=1 3 n n 32

SC B=¿ ¿

43572,9089 130385,99
SC B= −
9 27

SC B=12.3236

Y ij2 . Y 2…
3 3
SC AB=∑ ∑ − 2 −SC A −SCB
i=1 j=1 n n3

[ ( 31,7 )2+ ( 37,42 )2 + ( 44,85 )2+ ( 32,24 )2+ ( 38,15 )2+ ( 48,19 )2 + ( 34,57 )2 + ( 43,22 )2 + ( 50,75 )2 ]
SC AB= −¿ ¿
3

14872,40 130385,99
SC AB= − −114,3169−12.3236
3 27

SC AB=4 957 , 4 669−4829 ,11067−114,3169−12,3236

SC AB=1,7157

3
Y 2…
3 n
2
SCT =∑ ∑ ∑ Y − 2 ijk
i=1 j=1 k=1 n3

SCT =[ ( 10,21 )2 + ( 10,64 )2 + ( 10,85 )2 + ( 12,53 )2+ ( 12,50 )2+ (12,39 )2+ ( 14,79 )2 + ( 14,85 )2 + ( 15,21 )2+ ( 10,67 )2+ ( 10,75 )2+
 130385,99
SCT =4 960 , 2225−
27

SCT =4 960 , 2225−4829,11067

SCT =131,1183

Calculamos la suma de cuadrados del error:

SC E=SC T −SC A −SC B−SC AB

SC E=1 31,1183−114 ,316919−12,3236−1 , 7157

SC E=2,7556

Con base en los datos obtenidos determinamos los grados de libertad:

SC Grados de libertad (GL)

SC A 2

SC B 3

SC B 4

SC E 32 ( n−1 ) → 32 ( 3−1 )=18

SCT n 3k −1→ 3∗32−1=26

SC A
CM A =
2

114,316919
CM A =
2

CM A =57,1584

SC B
CM B=
2

12,3236
CM B=
2

CM B=6,1618
 SC AB
CM AB =
4

1,7157
CM AB =
4

CM AB =0,428925

SC E
CM E = 2
3 (n−1)

2,7556
CM E =
32 (3−1)

CM E =0,15308

CM A
F 0=
CM E

57,1584
F 0=
0,15308

F 0=373,367786

CM B
F 0=
CM E

6,1618
F 0=
0,15308

F 0=40,2498

CM AB
F 0=
CM E

0,428925
F 0=
0,15308

F 0=2,637 7

El P-valor es:
 P ( F> F 0A ) ≈ 0P ( F> F 0B ) ≈ 0P ( F> F 0AB ) ≈ 0.0764

Con los datos obtenidos mediante la aplicación de las formulas procedemos a construir la
tabla ANOVA, descomponiendo la variación total de la suma de los cuadrados, teniendo en
cuenta los grados de libertad, para ello se dividen las sumas de cuadrados entre los grados
de libertad, de este modo obtenemos los cuadrados medios.

Al dividir estos datos entre los cuadrados medios del error obtenemos los estadisticos de
prueba con distribución F.

Se procede a tabular los resultados obtenidos, generando la siguiente tabla:

FV SC GL CM F0 Valor-p
A 114,316919 2 57,1584 373,3677 0,0001
B 12,3236 2 6,1618 40,2498 0,0001
AB 1,7157 4 0,428925 2,8018 0,0764
Error 131,1183 18 0,15308
Total 131.11 26

d. Realizar la validación de la ANOVA por medio de un programa estadístico

(diferente a Excel), adjuntar pantallazo. (20 /120)
e. A partir del resultado del valor – P y F0 (2 criterios diferentes), que se puede
concluir con respecto a las hipótesis planteadas. (10 /120)

Para poder brindar conclusiones relacionadas con los valores –P y F0 es necesario tener en
cuenta los criterios establecidos para cada uno de ellos y que corresponden a:

Si Fo ≥ f crítico entonces se rechaza la H 0

Si−p <α entonces se rechaza la H 0

Por consiguiente al igual que en la determinación de los valores correspodientes a –P se

enla tabla de varianza es necesario recurrir a la tabla TA4 tomando los grados de libertad
asignados así:

2; 18 = 3,55

2; 18 = 3,55

4; 18 = 2,93

Por lo tando podemos afirmar que:

f =3,55

f =3,55

f =2,93
Por Consiguiente tenemos que:

F 0=373 , 3677>f =3,55 ; Se rechazala H 0

F 0=40 , 2498> f =3,55 ; Se rechaza la H 0

F 0=2 , 8018<f =2,93 ; Se aceptala H 0

Y para –P tenemos:

− p=0,0001< α =0,05 entonces se rechazala H 0

− p=0 ,0001< α=0,05 entonces se rechazala H 0

− p=0,0764>α =0,05 entonces seacepta la H 0

Conclusión: Debido a que tanto en F0 como en –P se rechazan la hipotesis de nulidad o de

igauldad se puede determinar que tanto la concentración % de Yuca y el % de polvo de
horenar son diferentes e influyen directamente en la solubilidad del cereal en la leche, por
consiguiente se hace necesario recurrir a otro tipo de prueba que permita realizar una mejor
comparación de las medias.

Realice las hipótesis para la comparación de las medias para los tratamientos de la
investigación. (10 /120)

Para prevenir que se puedan presentar confusiones y debido a que tanto en el % de Yuca como em

el % de polvo de hornear se identifican como tratamientos es necesario dividir en niveles de tal

manera que el % de yuca se identifique con la letra A y el % de polvo de Hornear con la letra B, de

este modo se conoceran como Niveles de % de Yuca A1, A2 y A3 y los % de polvo de hornear se

conoceran como B1, B2 y B3 generando tres pares de hipotesis, para el % de Yuca:

Ho: μ A =μ A
1 2

Ha: μ A ≠ μ A
1 2

Ho: μ A =μ A
2 3
 Ha: μ A ≠ μ A
2 3

Ho: μ A =μ A
1 3

Ha: μ A ≠ μ A
1 3

Para el % de Polvo de Hornear:

Ho: μ B =μ B
1 2

Ha: μ B ≠ μ B
1 2

Ho: μ B =μ B
2 3

Ha: μ B ≠ μ B
2 3

Ho: μ B =μ B
1 3

Ha: μ B ≠ μ B
1 3

Hipótesis Nula: para este caso se determina que el efecto del % de polvo de hornear y el %
de Yuca que contiene el cereal no afecta el indice de solubilidad en Leche.

H_0: μ_0,=μ_1……..=μ_n

Hipótesis alternativa: En este se presenta el caso contrario y se afirma que el % de polvo de

Hornear y el % de yuca si afectan el indice de solubilidad del ceral en la leche.

H_a: μ_0,≠μ_1……..≠μ_n

g. Aplique la prueba de Tukey con un alfa de 0.05, para diferencia entre las medias de
los tratamientos. (30/120)
h. Describa al menos 4 programas o paquetes estadísticos que son utilizados para el
análisis de diseños experimentales. (10 /120)

Como primera medida me gustaría hacer énfasis en dos programas estadísticos que durante
el desarrollo de este trabajo colaborativo pude observar que se complementan de manera
muy dinámica y permiten mejorar la experiencia en mi caso como usuario ya se integraron
de manera inmediata y son:

Infostat:
Este software resulta de gran utilidad para aplicar en el desarrollo y obtención de
información estadística ya que su potente interfaz gráfica permite desarrollar una gran
variedad de gráficos y herramientas para modelación de datos. Una de sus principales
ventajas es que está diseñado para uso académico y por consiguiente resulta de gran
utilidad para los estudiantes, es potente una vez se incorpora de manera dinámica y
automática con el software R aumentando el abanico de posibilidades que ya vienen
incluidas en la versión trial.

Software R:

Esta es actualmente la herramienta más potente y más eficiente en el mercado para el

desarrollo de aplicaciones estadísticas, modelado de datos y clasificación de los mismos.
Sus informes son muy completos, posee open source por consiguiente es de código abierto
y se consiguen muchas librerías disponibles en la red, es gratuito y viene con sistemas
operativos como Linux y Firefox, es el software estadístico de referencia en la actualidad,
en mi caso lo tenía instalado y cuando instalé el Infostat de manera inmediata se integraron
y quedó completo al incorporar sus herramientas de manera interactiva, el único defecto
que considero posee el software R es el hecho de que maneja los comandos a manera de
lenguaje de programación, por consiguiente es necesario desarrollar toda una cadena de
secuencias y adicionar librerías para su normal funcionamiento.

Asi quedo mi Infostat al complementarse con el software R:

Sigmastat:

Se trata de un paquete estadístico muy completo, actualmente se encuentra disponible en el

mercado la versión 4.0 la cual a diferencia de sus antecesores posee una potente interfaz
gráfica que facilita al usuario la obtención de información estadística de manera confiable,
posee un nuevo menú desplegable con el botón derecho del mouse que permite al usuario
almacenar allí sus preferencias de modo que pueda acceder a ellas de manera inmediata sin
ingresar al menú desplegable, posee una potente herramienta que permite realizar
ANNOVAs de múltiples variables, regresión de Deeming y regresión de Cox, posee 36
nuevas funciones de distribución de probabilidades y ponderación generalizada agregada a
la regresión no lineal.
JASP

Resulta ser un paquete estadístico dinámico que permite realizar un gran número de
pruebas estadísticas que incluyen ANOVA y ANCOVA, Posee una interfaz gráfica muy
agradable para el usuario resultando ser una herramienta además de potente y muy fácil de
interactuar, posee herramientas de análisis multivariado, que permite entre otras
aplicaciones Tablas de contingencia, Correlación de Pearson, Correlación Spearman, Tau-
B de Kendall, Regresión lineal, Prueba T bayesiana de muestras independientes, Prueba T
bayesiana de muestras pareadas, Prueba T bayesiana de una muestra, ANOVA bayesiano,
ANCOVA bayesiano, ANOVA bayesiano de medidas repetidas, Regresión Lineal
bayesiana, Mesas de Contingencia bayesiana, Mesas de Correlación bayesiana entre otras.

BIBLIOGRAFIA
Gutiérrez, H. (2012). Análisis y diseño de experimentos. (3a. ed.) McGraw-Hill
Interamericana. (pp 52–61) Recuperado de:
http://bibliotecavirtual.unad.edu.co:2053/book.aspx?i=375&pg=

Gutiérrez, H. (2012). Análisis y diseño de experimentos.(3a. ed.) McGraw-Hill

Interamericana. (pp 92-96) Recuperado de:
http://bibliotecavirtual.unad.edu.co:2053/book.aspx?i=375&pg=

Balzarini, M. (2013). Estadística y biometría: ilustraciones del uso e Infostat en

problemas de agronomía. Editorial Brujas. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
docID=10890015&ppg=102