DISEÑO EXPERIMENTAL

UNIDAD 2: FASE 4 - DISEÑOS FACTORIALES

ESTUDIANTE
ARIEL MONTENEGRO LEDESMA
CODIGO 76236899
WILMER ALEXANDER TROCHEZ
CODIGO: 1060869344
ANGELA MARIA BASTIDAS
CODIGO: 1086924576
WILDER ARNEY VELASCO
CODIGO: 1.061535437

GRUPO
30156_9

TUTOR
JUAN CAMILO MENDOZA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

POPAYÁN CAUCA
MAYODE 2020

1
 INTRODUCCION

En el presente trabajo se realiza el desarrolla de cada uno de los puntos estipulado en la

guía para la fase 4 donde se aplicaron los conceptos de diseño factorial, con el apoyo del
uso de programas estadísticos. Se analizo y desarrollo. Teniendo en cuenta que.
conjuntamente varios factores obedecen a la posibilidad de que el efecto de un factor
cambie según los niveles de otros factores, esto es, que los factores interactúen, o exista
interacción. También se utilizan los arreglos factoriales cuando se quiere optimizar la
respuesta o variable dependiente, esto es, se quiere encontrar la combinación de niveles de
los factores que producen un valor óptimo de la variable dependiente. Si se investiga un
factor por separado, el resultado puede ser diferente al estudio conjunto y es mucho más
difícil describir el comportamiento general del proceso o encontrar el óptimo

2
OBJETIVO GENERAL
Realizar el análisis y desarrollo de cada uno de los problemas citados, aplicando los
conceptos de diseño factorial, apoyado en el uso de programas estadísticos.

OBJETIVOS ESPECÍFICOS
 aplicando cada uno de los conceptos de formulación de hipótesis

 realizar el análisis de varianza (ANOVA) y criterios de aceptación de las hipótesis de

investigación

3
 Apéndice 4
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 hornear (%)

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)

El modelo estadístico de efectos para este tipo de diseño está dado por:

Y ijk =μ+α i+ β j+ ( αβ )ij + ε ijk ;

i=1,2 , … , a ; j=1,2 , … , b ; k=1,2, … , n

Donde

μ= Media general

4
 α i=Efecto debido ali−ésimo nivel de factor A

β j =Efecto debido al j−ésimo nivel de factor B

( αβ )ij =Efecto de interacción en la combinación ij ,

ε ijk=Error aleatorio

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

H 0 : Efecto de Porcentajede concentración de yuca ( A )=0

H A : Efecto de Porcentaje de concentración de yuca ( A ) ≠ 0

H 0 : Efecto de Porcentaje de concentración de polvo de hornear ( B )=0

H A : Efecto de Porcentaje de concentración de polvo de hornear ( B ) ≠ 0

H 0 :Concentraciónde yuca x Concentración de polvode hornear ( AB ) =0

H A :Concentración de yuca x Concentración de polvo de hornear ( AB ) ≠ 0

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

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

Se ha totalizado las observaciones para llegar a la siguiente tabla resumen

Polvo de hornear (%)  

Yuca (%) Concentración
Concentración 2 Concentración 3 TOTAL Y i ..
1
Concentración 1 31,7 37,42 44,85 113,97
Concentración 2 32,24 38,15 48,19 118,58
Concentración 3 34,57 43,22 50,75 128,54
Y …=¿361,0
TOTAL Y . j . 98,51 118,79 143,79
9

ANOVA para el diseño factorial con dos factores.

5
 En nuestro ejercicio tenemos

Factor A=Concentración

Factor B=Polvo de hornear (5)

a=3

b=3

n=3 →replicas

Procedemos a calcular la suma de cuadrados

Suma de cuadrados totales:

a b n
Y .. .2
S CT =∑ ∑ ∑ Y 2ijk −
i=1 j=1 k=1 N

2 2 2 2 2 2 2 2 2 2 2 2 2
S CT =( 10,21 +10,64 +10,85 +12,53 +12,5 +12,39 +14,79 +14,85 + 15,21 +10,67 +10,75 +10,82 +12,26

S CT =4960,2225−4829,1107=131,1118

Suma de cuadrados de factor A

a
Y i . .2 Y .. .2 ( 113,972 +118,58 2+128,54 2 ) 361,092
S C A =∑ − = −
i=1 bn N 3x3 27

S C A =4841,4343−4829,1107

S C A =12,3236

Suma de cuadrados de factor B

b
Y . j .2 Y .. .2 ( 98,512 +118,79 2+143,79 2) 361,092
S C B=∑ − = −
j=1 an N 3 x3 27

6
S C B=4943,4276−4829,1107

S C B=114,3169

Suma de cuadrados de la interacción A y B

a b
Y ij .2 Y .. .2
S C AB =∑ ∑ − −S C A −S C B =¿
i=1 j=1 n N

( 31,7 2+ 37,422+ 44,852 +32,242 +38,152 +48,19 2+34,57 2+ 43,222+ 50,752 ) 361,092
S C AB = − −12,3236−114,316
3 27

14872,4009
S C AB = −4829,1107−12,3236−114,3169
3

S C AB =1,7158

Suma de cuadrados del error.

S C E=S C T −S C A −S C B −S C AB

S C E=131,1118−12,3236−114,3169−1,7158

S C E=2,7555

Calculamos los grados de libertad.

En Factor A

GL A =a−1=3−1=2

En Factor B

GL B=b−1=3−1=2

Interacción AB

G L AB=( a−1 )( b−1 )= (2 )( 2 )=4

Error

G LE =ab ( n−1 )=( 3 ) ( 3 ) (3−1 )=18

Total

G LT =abn−1= (3 )( 3 )( 3 ) −1=27−1=26

Cálculo de cuadrado medio.

7
Factor A

S C A 12,3236
C M A= = =6,1618
G LA 2

Factor B

S C B 114,3169
C M B= = =57,1585
G LB 2

Interacción AB

S C AB 1,7158
C M AB= = =0,4290
G LAB 4

Error

S C E 2,7555
C M E= = =0,1531
G LE 18

Cálculos de valor F 0

Factor A

A C M A 6,1618
F0 = = =40,25
C M E 0,1531

Factor B

B C M B 57,1585
F0= = =373,34
C M E 0,1531

Factor AB

AB C M AB 0,4290
F0 = = =2,80
C M E 0,1531

Cálculo de valor-p

El valor de la significancia observada o valor-p es el área bajo la curva de la distribución

Para factor A:
F a−1 ,ab (n−1) =F 2,18

8
A la derecha de F 0A=40,25

La cual obtenemos de Excel usando la formula

¿ DISTR . F ( F0A ,a−1 , ab ( n−1 ) )

¿ DISTR . F ( 40.25 ,2 , 18 )

El valor-p es 2,2722 x 10−7

Para factor B:
F b−1 ,ab (n−1) =F 2,18

A la derecha de F B0 =373,34

La cual obtenemos de Excel usando la formula

¿ DISTR . F ( F0B ,b−1 , ab ( n−1 ))

¿ DISTR . F ( 373.34 ,2 , 18 )

El valor-p es 2,2189 x 10−15

Para Interacción AB:

F(a−1)(b −1 ),ab (n−1 )=F 4,18

A la derecha de F 0AB=2,80

La cual obtenemos de Excel usando la formula

¿ DISTR . F ( F0AB ,( a−1)(b−1) , ab ( n−1 ))

¿ DISTR . F ( 2.80 , 4 , 18 )
El valor-p es 0,0572

9
Completamos la tabla ANOVA.

Suma de
Fuente de Grados de Cuadrado F0
cuadrado valor-p
variación libertad s medios
s
Factor A 12,3236 2 6,1618 40,25  
Factor B 114,3169 2 51,1585 373,34  
Interacción AB 1,7158 4 0,429 2,8  
Error 2,7555 18 0,1531    
Total 131,1118 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 el Factor A.

Criterio valor-p
El Valor− p=2,2722 x 10−7 es mucho menor a la significancia prefijada
∝=0,05
se rechaza H 0 ,con lo cual se concluye que sí hay diferencia o efectos de la
concentración de la yuca sobre el índice de solubilidad de leche (ISL)
Criterio F 0
Comparar el estadístico de prueba contra un numero critico de tablas.
El valor crítico para una significancia de ∝=0,05
F 0.05 ,2 ,18=3,55

10
Tenemos que
F 0=43,038> F 0.05 ,2 , 18=3,55

Entonces se rechaza H 0 ,con lo cual se concluye que sí hay diferencia o efectos de la

concentración de la yuca sobre el índice de solubilidad de leche.

Para el Factor B.

Criterio valor-p
El Valor− p=2,2189 x 10−15 es mucho menor a la significancia prefijada
∝=0,05
se rechaza H 0 ,con lo cual se concluye que sí hay diferencia o efectos de la concentración
del polvo de hornear sobre el índice de solubilidad de leche (ISL)
Criterio F 0
Comparar el estadístico de prueba contra un numero critico de tablas.
El valor crítico para una significancia de ∝=0,05
F 0.05 ,2 ,18=3,55

11
Tenemos que
F 0=373,34> F 0.05 ,2 , 18=3,55

Entonces se rechaza H 0 ,con lo cual se concluye que sí hay diferencia o efectos de la

concentración del polvo de hornear sobre el índice de solubilidad de leche.

Para la interacción AB.

Criterio valor-p
El Valor− p=0,0572es mayor a la significancia prefijada
∝=0,05
No se rechaza H 0 ,con lo cual se concluye que no hay evidencia suficiente para afirmar que
la interacción de la concentración de la yuca y polvo de hornear tiene efecto sobre sobre el
índice de solubilidad de leche (ISL)
Criterio F 0
Comparar el estadístico de prueba contra un numero critico de tablas.
El valor crítico para una significancia de ∝=0,05
F 0.05 ,4 , 18=2,93

12
Tenemos que
F 0=2,80< F 0.05 ,2 ,18=2,93

No se rechaza H 0 ,con lo cual se concluye que no hay evidencia suficiente para afirmar que
la interacción de la concentración de la yuca y polvo de hornear tiene efecto sobre sobre el
índice de solubilidad de leche (ISL)

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

Denotamos los tres niveles de concentración de yuca como A1 , A 2 , A3

Para el factor A
H 0 : μ A 1=μ A 2 H 0 :μ A 1=μ A 3 H 0 : μ A 3=μ A 2
; ; ;
H A : μA1 ≠ μ A 2 H A : μ A 1 ≠ μA 3 H A : μA3 ≠ μ A 2

Denotamos los tres niveles de concentración de polvo de hornear como B1 , B2 , B3

Para el factor B
H 0 : μ B 1=μ B 2 H 0 : μB 1=μB 3 H 0 : μB 3 =μ B 2
; ;
H A : μ B 1 ≠ μ B 2 H A :μ B 1 ≠ μ B 3 H A : μ B 3 ≠ μ B 2

13
 g. Aplique la prueba de Tukey con un alfa de 0.05, para diferencia entre las medias de
los tratamientos. (30/120)

CME
T ∝=q∝ (ab , ab( n−1))
√ n
Donde:
C M E=Cuadrado medio del error

n=Número de replicas
q ∝ ( ab , ab(n−1))=Punto porcentual de latabla rango estudentizado

Para el Factor A
Vamos a aplicar la prueba para nuestro caso.

0,1531
T 0.05=q 0.05 ( 9 , 18 )
√ 3

De la tabla q 0.05 ( 9 , 16 ) =4,96

0,1531
T 0.05=4,96
√ 3
=1,120

113,97
μA 1= =12,66
9

14
 118,58
μA 2= =13,18
9
128,54
μA 3= =14,28
9
Diferencia Diferencia muestral Prueba de Decisión
poblacional Tukey
μ A 1 −μ A 2 |12,66−13,18|=0,52 0,52<1,120 No Significativa
μ A 1 −μ A 3 |12,66−14,28|=1,62 1,62>1,120 Significativa
μ A 2 −μ A 3 |13,18−14,28|=1,1 1,1<1,120 No Significativa

De la anterior tabla se puede concluir que:

μ A 1 =μ A 2

μ A 2 =μ A 3

No hay diferencia entre las medias muestrales de los tres niveles del Factor A
Para el factor B

0,1531
T 0.05=4,96
√ 3
=1,120

98,51
μ B 1= =10,95
9
118,79
μ B 2= =13,20
9
143,79
μ B 3= =15,98
9
Diferencia Diferencia muestral Prueba de Decisión
poblacional Tukey
μ B 1−μB 2 |10,95−13,20|=2,25 2,25>1,120 Significativa
μ B 1−μB 3 |10,95−15,98|=5,03 5,03>1,120 Significativa
μ B 2−μB 3 |13,20−15,98|=2,78 2,78>1,120 Significativa

De la anterior tabla se puede concluir que:

μ B 1 ≠ μB 2 ≠ μ B 3

15
 h. Describa al menos 4 programas o paquetes estadísticos que son utilizados para el
análisis de diseños experimentales. (10 /120)

Software R:

R es un ambiente de programación formado por un conjunto de herramientas muy flexibles

que pueden ampliarse fácilmente mediante paquetes, librerías o definiendo nuestras propias
funciones. Además, es gratuito y de código abierto, un Open Source parte del proyecto
GNU, como Linux o Mozilla Firefox.

¡Esta es una de sus principales ventajas!

Cualquier usuario puede descargar y crear su código de manera gratuita, sin restricciones de
uso, la única regla es que la distribución siempre sea libre (GPL).

Entre otras características de R, podemos nombrar su capacidad gráfica, que permite

generar gráficos con alta calidad, con sólo utilizar las funciones de graficación. R también
puede usarse como herramienta de cálculo numérico y a la vez ser útil para la minería de
datos.

NCSS:

NCSS tiene la capacidad de realizar diseño de experimentos:

• Listas de aleatorización
• Diseños equilibrados de bloques incompletos
• Diseños factoriales fraccionados
• Diseños latinos cuadrados
• Diseños de superficie de respuesta
• Diseños de cribado
• Diseños de Taguchi
• Diseños de dos niveles
• Generador de diseño
• Diseños D-Optimal
• Análisis de diseños de dos niveles.
• Regresión de superficie de respuesta

16
Minitab: Minitab ofrece cinco tipos de diseños: diseños de cribado, diseños factoriales,
diseños de superficie de respuesta, diseños de mezcla y diseños de Taguchi (también
llamados diseños robustos de Taguchi).

Los pasos que debe seguir en Minitab para crear, analizar y visualizar un experimento
diseñado son similares para todos los tipos. Una vez realizado el experimento e ingresados
los resultados, Minitab proporciona varias herramientas analíticas y gráficas para ayudarle a
entender los resultados.

SPSS: SPSS se utiliza para una amplia gama de análisis estadísticos, como las estadísticas
descriptivas (por ejemplo, medias, frecuencias), las estadísticas bivariadas (por ejemplo,
análisis de la varianza, prueba t), regresión, el análisis de factores, y la representación
gráfica de los datos.

La base del software estadístico SPSS incluye estadísticas descriptivas como la tabulación y
frecuencias de cruce, estadísticas de dos variables, además pruebas T, ANOVA y de
correlación. Con SPSS es posible realizar recopilación de datos, crear estadísticas, análisis
de decisiones de gestión y mucho más

17
CONCLUCIONES

Importante entender que dentro de los experimentos interviene el estudio de los efectos de
dos o más factores, es así como los diseños factoriales son los de mayor eficiencia para este
tipo de experimentos en el caso inicialmente citado sobre el experimento 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 . Esto con el fin de entender la conceptualización de
diseño factorial en que cada ensayo o replica completa del experimento se investiga todas
las combinaciones posibles de los niveles de los factores

18
BIBLIOGRAFIAS

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

de agronomía. Editorial Brujas (pp 259 – 287). Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
docID=10890015&ppg=102

Guevara Guerrero, B. (2018). Programa Estadístico - Instalación. [Archivo de video].

Recuperado de http://hdl.handle.net/10596/20387
Guevara Guerrero, B. (2018). Análisis de varianza - ANOVA. [Archivo de video].
Recuperado de http://hdl.handle.net/10596/20383

19