Escolar Documentos
Profissional Documentos
Cultura Documentos
GENERALIDADES
El Diseño de Experimentos (Métodos Estadísticos para la Investigación) tuvo su inicio
teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del
Diseño Experimental y que a la fecha se encuentra bastante desarrollada y ampliada.
Actualmente las aplicaciones son múltiples, especialmente en la investigación de las
ciencias naturales, ingeniería, laboratorios y casi todas las ramas de las ciencias
sociales.
La experimentación proporciona los datos experimentales, en contraste con los datos
de la observación; los datos de la observación se representan como su nombre indica
por observaciones de las unidades elementales de una población o de una muestra,
y no deben ser cambiados ni modificados por ningún intento de parte de un
investigador en el curso de la observación.
1
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
manejo.
c. Reducir las fuentes de error, tanto del experimento como de aquellos errores o
equivocaciones operacionales. Es muy importante que en la selección de datos,
muestreo, etc., el personal responsable esté constituido por técnicos o personas con
entrenamiento.
Mantener constante los diversos factores que pueden afectar a la producción o a la
calidad del producto, de manera que los únicos factores de variación sean los
tratamientos objeto de estudio.
Extremar precauciones y ser cautos en los resultados experimentales, considerando
que un experimento es una observación de una muestra en una población de
experimentos.
Repetir experimentos uniformes en diferentes localidades, espacios y años.
Tener conocimiento de las tecnologías vigentes y saber cuáles son los problemas del
consumidor.
En la planeación o diseño de un experimento, es necesario aplicar un conjunto de
disciplinas y conocimientos biológicos con el fin de encontrar una respuesta correcta
a un problema específico. Por ejemplo, si se comparan diversos tipos de bacterias,
todos los factores de la producción que influyen en el comportamiento de las bacterias
deben permanecer constantes y las únicas fuentes de variación o diferencias serán
presentadas por el tipo de bacterias, si tales fuentes existen.
2
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
TRATAMIENTO
Los tratamientos vienen a constituir los diferentes procedimientos, procesos, factores
o materiales y cuyos efectos van a ser medidos y comparados.
El tratamiento establece un conjunto de condiciones experimentales que deben
imponerse a una unidad experimental dentro de los confines del diseño seleccionado.
Ejemplos:
Dosis de proteína, ración alimenticia, temperatura, tiempo.
TESTIGO
El testigo es el tratamiento de comparación adicional, que no debe faltar en un
experimento; por ejemplo, si se usan cinco tratamientos con una fuente proteica, el
3
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
testigo puede ser aquel tratamiento que no incluye la fuente proteica (testigo natural)
o puede ser aquel que se utiliza en mayor o mayores proporciones (testigo comercial).
La elección del tratamiento testigo es de gran importancia en cualquier investigación,
este se constituye como referencial del experimento y sirve para la comparación de
los tratamientos en prueba.
UNIDAD EXPERIMENTAL
La unidad experimental, es el objeto o espacio al cual se aplica el tratamiento y donde
se mide y analiza la variable que se investiga. En los experimentos pecuarios la unidad
experimental por lo general está conformada por un animal (cuye, cerdo, pato, etc.),
en los experimentos microbiológicos la unidad experimental está conformado por un
tubo de ensayo; en un estudio de variedades de uva, la unidad experimental será el
espacio donde se estudiará o evaluará cada una de las variedades de uva.
Esta técnica tiene como objetivo identificar la importancia de los diferentes factores o
tratamientos en estudio y determinar cómo interactúan entre sí.
HIPÓTESIS ESTADÍSTICA
Es el supuesto que se hace sobre el valor de un parámetro (constante que caracteriza
a una población) el cual puede ser validado mediante una prueba estadística.
En la investigación agroindustrial al realizar un análisis estadístico utilizando el ANVA
de un diseño experimental, la hipótesis a probar es si los tratamientos tienen el mismo
efecto sobre la variable que se estudia, es así como se tienen las hipótesis nula o
planteada (Ho) e hipótesis alterna u opuesta (Ha):
Ho: τi = 0 (Los i tratamientos tienen el mismo efecto sobre la variable en estudio)
4
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Ha: τi ≠ 0 (No todos los tratamientos tienen el mismo efecto sobre la variable en
estudio)
Al probar la hipótesis estadística el investigador está propenso a cometer los
siguientes tipos de errores:
Error Tipo I: Se comete cuando se rechaza la hipótesis que se plantea, siendo esta
hipótesis falsa; la magnitud de este error es fijado por el investigador y constituye el
“nivel de significación de la prueba”; usualmente los valores usados como nivel de
significación son 0,05 ó 0,01.
Error tipo II: Se comete cuando se acepta la hipótesis que se plantea, siendo esta
hipótesis falsa; la magnitud de este error no se puede fijar, pero si es posible minimizar
utilizando un tamaño adecuado de muestra.
Control Local (Control del error Experimental): Consiste en tomar medidas dentro del
diseño experimental para hacerlo más eficiente, de tal manera que pueda permitir la
reducción del error experimental y así hacerla más sensible a cualquier prueba de
5
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
significación.
SUPUESTOS ACERCA DEL MODELO ESTADÍSTICO
Los supuestos necesarios del modelo estadístico son:
Aditividad: Los factores o componentes del modelo estadístico son aditivos, es
decir la variable respuesta es la suma de los efectos del modelo estadístico.
Linealidad: La relación existente entre los factores o componentes del modelo
estadístico es del tipo lineal.
Normalidad: Los valores resultado del experimento provienen de una distribución de
2
probabilidad «Normal» con media µ y variancia σ .
Independencia: Los resultados observados de un experimento son independientes
entre sí.
Variancias Homogéneas (Homocedasticidad): Las diversas poblaciones generadas
por la aplicación de dos o más tratamientos tienen variancias homogéneas (variancia
común).
6
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Modelo III (Modelo Mixto): Este modelo es la combinación de los dos anteriores y se
presenta cuando algunos factores son fijados y otros son elegidos al azar. En estos
casos las conclusiones del análisis de variancia serán válidas para toda la población
de factores cuando estos son elegidos al azar, y solamente para los factores usados
cuando estos son fijados.
TRANSFORMACIÓN DE DATOS
La razón principal de la transformación de datos es que de llevarse a cabo un análisis
estadístico con resultados que no cumplan con los supuestos acerca del modelo
estadístico, se puede llegar a una conclusión equivocada.
Para ciertos tipos de análisis, el investigador prefiere la escala que elimina las
interacciones mientras que para otras puede preferir la escala que restituye los efectos
8
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
lineales. Lo que hay que recordar es que la relación entre las variables está muy
influenciada por las escalas con las que se miden dichas variables. Las
interpretaciones de los datos sólo son válidas en relación con la escala particular
adoptada en un caso determinado.
COEFICIENTE DE VARIABILIDAD
Es una medida de variabilidad relativa (sin unidades de medida) cuyo uso es para
cuantificar en términos porcentuales la variabilidad de las unidades experimentales
frente a la aplicación de un determinado tratamiento. En experimentación no
controlada (condiciones de campo) se considera que un coeficiente de variabilidad
mayor a 35% es elevado por lo que se debe tener especial cuidado en las
interpretaciones y ó conclusiones; en condiciones controladas (laboratorio) se consi-
dera un coeficiente de variabilidad mayor como elevado. La expresión estimada del
coeficiente variabilidad es:
9
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Aleatorización
10
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
donde:
Yij
== Variable respuesta en la j-ésima repetición del i-ésimo tratamiento
Media general
i ij==Efecto
dondei. ij N 0,
del tratamiento
Error aleatorio,
2
HIPÓTESIS
Yij i ij
Análisis de la Varianza para el modelo
Ho: 1 2 t
Ha: al menos un efecto de un tratamiento es diferente de los demás.
11
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
T T T
1 2 3
X X X
11 12 13
X X X
21 22 23
X X X
31 32 33
X X X
41 42 43
X X X
51 52 53
Ejemplo.- Una empresa del sector de alimentación infantil sospecha que los lotes de
materia prima recibidos de un proveedor difieren significativamente de su contenido
de vitamina C. Para analizar la sospecha elige al azar 5 lotes diferentes y un químico
de la empresa hace las cinco determinaciones del contenido en vitamina C de cada
lote. Los resultados obtenidos han sido los siguientes:
- Plantee la hipótesis en función al problema
- El MAL
- El ANVA y CV e interprete
- La Prueba de comparación de medías que corresponda e interprete
- Cual fue es su conclusión
12
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Lotes
1 2 3 4 5
23,46 23,59 23,51 23,28 23,29
23,48 23,46 23,64 23,40 23,46
ANVA
F. de variación G.L. S.C. CM FC Sig.
Tratamientos (Lotes) 4 0,089 0,022 4,091 *
Error exp. 15 0,081 0,005
Total 19 0,170
C.V.: 0,3 % * Significativo al nivel de 0,05
Donde:
AES(T) es la amplitud estudiantizada significativa de Tukey, obtenida desde la tabla
de Tukey con α=nivel de significación, p=número de tratamientos del experimento y
los grados de libertad del error experimental.
13
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Donde:
AES(D) es la amplitud estudiantizada significativa de Duncan, obtenida desde la tabla
de Duncan con α=nivel de significación, p=número de tratamientos del experimento y
los grados de libertad del error experimental.
14
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
T T T
1 2 3
X X X
11 12 13
X X X
21 22 23
X X X
31 32 33
X X
42 43
X
52
15
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
sus temperaturas en distintos momentos. Los datos que se obtienen son los
siguientes. Se pide:
- Plantee la hipótesis en función al problema
- El MAL
- El ANVA y CV e interprete
- La Prueba de comparación de medías que corresponda e interprete
- Cual fue es su conclusión
ANVA
F. de Variación G.L. SC CM FC FT Sig
Tratamientos 781,219 260,406 8,625 *
E. Experimental 422,681 30,191
Total 1203,900
Significativo al 0,05
16
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
18
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
ANVA
Fuentes de variación SC GL CM FC
Tratamientos
20
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Fuentes de variación SC GL CM FC
Tratamientos
ANVA
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
RECORDEMOS:
1) En el diseño completamente aleatorizado asignábamos los tratamientos al azar a
las parcelas sin restricción alguna.
2) En el diseño en bloques aleatorizados primero agrupamos las parcelas en bloques
y a continuación asignamos los tratamientos a las parcelas en cada bloque.
3) Considerar parcelas de terreno muy homogéneas.
22
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
4) O bien, formar bloques de terreno de manera que el terreno de cada bloque sea lo más
homogéneo posible y los bloques entre sí sean heterogéneos.
DOS FACTORES
1) Factor tratamiento → factor principal
2) Factor bloque → factor secundario
Interés fundamentalmente está centrado en el primero y el factor bloque se introduce
en el modelo para eliminar su influencia en la variable respuesta.
Se divide el material experimental en tantos bloques como números de replicaciones
a utilizar.
Cada bloque es luego dividido en tantas UE como tratamientos haya en estudio.
Como el DBCA especifica que todos los tratamientos deben aparecer una vez en cada
replicación, la aleatorización se hace separadamente en cada bloque.
La aleatorización es similar al DCA para cada bloque.
Ventajas
Es fácil de analizar, extrae del error experimental la variación debida a los bloques
además de la variación debida a tratamientos.
Desventajas
Menor número de grados de libertad para el error experimental. Si el número de
tratamientos es muy elevado (como 25), se hace muy difícil conseguir un buen
agrupamiento de las parcelas experimentales.
Restricciones
Cada bloque debe contener los tratamientos asignados al azar.
MODELO ESTADÍSTICO
Yij = μ + Ti + βj + eij i = 1, 2, · · · , t ; j = 1, 2, · · · , r
Yij : Es el valor o (variable respuesta: rdto, etc) observado en el i-ésimo tratamiento, j-
ésima repetición (bloque).
23
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
HIPÓTESIS
Fuentes de SC GL CM FC
variación
2
Tratamientos ∑Y i/r-FC t-1 SCT/GLT CMT/CME
2
Bloques ∑Y j/t-FC r-1 SCB/GLB CMB/CME
2 2
24
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
T T T TOTAL
1 2 3
Algunas veces el investigador desea estimar la eficiencia que ha tenido con el Bloque
Randomizado, en relación al resultado que hubiere tenido si hubiera usado el diseño
Completamente Randomizado.
ER = Eficiencia relativa
r = Nº de repeticiones de DBCA
t = Nº de tratamientos de DBCA
B = CM de Bloques de DBCA
E = CM de EE de DBCA
Ejemplo: tenemos una ER = 1,03, este resultado indica que con el DBCA se ha
conseguido 3% de eficiencia que si se hubiera llevado el experimento con el DCA.
El factor de eficiencia relativa multiplicado por el número de repeticiones del Bloque
Randomizado, da el número de repeticiones que se hubiera necesitado tener en el
25
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Debido a que los días pueden ser una fuente de variabilidad, el investigador decide
utilizar un diseño de bloques completos al azar. Las observaciones fueron tomadas en
cuatro días y los datos (en UFC) se muestran en la siguiente tabla.
Solución Días
1 2 3 4
1 13 22 18 39
2 16 24 17 44
3 5 4 1 22
Determine:
- El Modelo Aditivo Lineal
- El Análisis de variancia y su interpretación
- El CV y su interpretación
- Realice la prueba de comparación de medias que estime por conveniente y
su interpretación
26
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
27
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
H0: Las tres soluciones son igualmente efectivas en el retardo del crecimiento de
bacterias en contenedores de leche.
Ha: Al menos una de las soluciones tienen una efectividad diferente en el retardo
del crecimiento de bacterias en contenedores de leche.
CV:
28
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Juez
Vino
1 2 3 4 5 6 7 8
A 9 7 8 6 5 8 6 4
B 8 5 8 2 4 4 3 2
C 9 6 7 6 4 7 5 3
D 5 5 3 5 4 5 6 4
29
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
30
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Ventajas
La existencia real de dos fuentes de variabilidad entre las unidades experimentales y
su separación en el análisis de variancia permite incrementar la precisión del
experimento.
La pérdida de una o más unidades experimentales no influye esencialmente en el
análisis de variancia, siendo posible estimar los resultados de las unidades,
experimentales pérdidas.
Desventajas:
El número de tratamientos, filas y columnas debe ser el mismo: Por esta razón, no es
recomendable para un número elevado de tratamientos ya que ser requerirá de un
2
número elevado de unidades experimentales (el número de u.e. es igual a t ).
Si existe interacción entre los bloques y tratamientos; ésta va incluida en el error
experimental. En, este caso se tiene la interacción filas por, columnas, filas por.
tratamientos, columnas por tratamientos y filas por columnas por tratamientos.
Restricciones
• Un tratamiento cualquiera debe estar solamente una vez en una columna
• Un tratamiento cualquiera debe estar solamente una vez en una fila
31
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
T1 T2 T3 T1 T2 T3 T1 T3 T2 T1 T3 T2
T2 T3 T1 T3 T1 T2 T2 T1 T3 T3 T2 T1
T3 T1 T2 T2 T3 T1 T3 T2 T1 T2 T1 T3
T2 T1 T3 T2 T1 T3 T2 T3 T1 T2 T3 T1
T1 T3 T2 T3 T2 T1 T1 T2 T3 T3 T1 T2
T3 T2 T1 T1 T3 T2 T3 T1 T2 T1 T2 T3
T3 T1 T2 T3 T1 T2 T3 T2 T1 T3 T2 T1
T1 T2 T3 T2 T3 T1 T1 T3 T2 T2 T1 T3
T2 T3 T1 T1 T2 T3 T2 T1 T3 T1 T3 T2
1 2 3 4 5
I A B C D E
II B C D E A
III C D E A B
IV D E A B C
V E A B C D
• Todos los tratamientos en cada columna.
• Todos los tratamientos en cada bloque.
• Se puede aleatorizar:
• Los bloques.
• Las columnas.
• Se aleatoriza la asignación de tratamientos
32
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Y i jk i j Y k i jk
i, j, k = 1,2,… t
33
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
El análisis de varianza
El diseño permite partir la variación total en 4 componentes:
Y Y
t t
i jk
2
t t
Y(
2 Y
i) j k
2
2
j1 k 1 j1 k 1 t
Concentración de ácido
Lote 1 2 3 4 5
1 26 A 16 B 19 C 16 D 13 E
2 18 B 21 C 18 D 11 E 21 A
3 20 C 12 D 16 E 25 A 13 B
4 15 D 15 E 22 A 14 B 17 C
5 10 E 24 A 17 B 17 C 14 D
Se pide:
- Plantee la hipótesis en función al problema
- El MAL
- El ANVA y CV e interprete
- La Prueba de comparación de medías que corresponda e interprete
- La Eficiencia Relativa del diseño
- Cuál es su conclusión
- ¿Qué tratamiento recomienda?
1 26 16 19 16 13
2 18 21 18 11 21
3 20 12 16 25 13
4 15 15 22 14 17
5 10 24 17 17 14
∑X..K
36
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Tratamientos
A B C D E
26 18 20 15 10
24 16 21 12 15
22 17 19 18 16
25 14 17 16 11
21 13 17 14 13 X…
∑Xi..
ANVA
F. de Variación G.L. SC CM FC FT Sig
Tratamientos 4 342,80 85,70 17,490 *
Filas 4 10,00 2,50 0,51 NS
Columnas 4 24,40 6,10 1,25 NS
E. Experimental 12 58,80 4,90
Total 24 436,00
* Significativo al 0,05 NS: No significativo
37
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
¿Cuál es su conclusión?
Lunes:
- Juan conduce la máquina A: 10 litros
- Santiago conduce la máquina B: 8 litros
- Emilio conduce la máquina C: 7 litros
- Pepe conduce la máquina D: 6 litros
Martes:
- Juan conduce la máquina B: 9,5 litros
- Santiago conduce la máquina A: 10 litros
- Emilio conduce la máquina D: 6,5 litros
- Pepe conduce la máquina C: 5 litros
Miércoles:
- Juan conduce la máquina D: 7 litros
- Santiago conduce la máquina C: 6 litros
- Emilio conduce la máquina A: 7 litros
- Pepe conduce la máquina B: 8,5 litros
Jueves:
- Juan conduce la máquina C: 7 litros
- Santiago conduce la máquina D: 9 litros
- Emilio conduce la máquina B: 8 litros
- Pepe conduce la máquina A: 9 litros
38
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
EXPERIMENTOS FACTORIALES
Estos experimentos son útiles también en campos de estudio más complejos en los,
que se sabe que un factor no actúa independientemente sino en estrecha relación con
otros factores.
39
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
En este capítulo se tratarán los experimentos factoriales con dos factores conducidos
bajo los lineamientos de un DCA y DBCA.
VENTAJAS Y DESVENTAJAS
Ventajas
Desventajas:
• Se requiere un mayor número de unidades experimentales que en los
experimentos con un solo factor.
• Dado que todos los niveles de un factor se combinan con todos los niveles de
los otros, Por requerimientos del análisis estadístico, se tendrá que algunas
combinaciones que no son de interés para el investigador, serán también
incluidas en el experimento.
• El análisis estadístico y la interpretación de los resultados son más
complicados que en los experimentos con un solo factor, y la dificultad aumenta
considerablemente conforme más factores son incluidos.
NOTACIÓN Y DEFINICIONES
Factor
Los factores son designados por letras mayúsculas. Por ejemplo en un experimento
en el que se evalúan temperaturas con 4 temperaturas cada una y 2 tiempos con dos
determinadas cepas de levaduras. El factor temperaturas se puede denotar por A, el
factor tiempo por B y el factor cepas de levaduras por C.
40
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Niveles de un Factor
Los niveles de un factor son denotados por letras minúsculas con subíndices. Por
ejemplo, las 3 cantidades de levaduras podrían ser denotadas por a , a y a , las 4
l 2 3
de arroz.
Tratamientos en un factorial 2 x 2.
Tratamientos de un factorial 2 x 3.
42
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Interacción:
Es el efecto recíproco entre 2 o más factores, o la modificación de efecto de un factor
por la acción de otro u otros. El estudio de la interacción entre los factores es una de
las características importantes en los experimentos factoriales.
La posibilidad de estudios en forma conjunta de dos o más factores con sus
correspondientes niveles, hace a los factoriales muy útiles para investigaciones
exploratorias y como un paso previo para concentrar posteriormente la atención en
los aspectos que puedan ser de mayor interés, de acuerdo a las conclusiones
generales que proporcionan estos experimentos.
ANVA
F. de V. G.L. SC CM Fc
Bloques b-1 SC SC /gl
Bloques Bloques Bloq.
EE (pq-1)(b-1) SC SC /gl
EE EE (EE)
44
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Dado que el estadístico de prueba resulta mayor que el valor de tabla se rechaza Ho
y se concluye que hay suficiente evidencia estadística para aceptar la existencia de
interacción entre el tipo de abono y la dosis.
Por lo tanto, será necesario analizar los efectos simples de los factores en vez
de sus efectos principales.
CM 0. 05 9%
cv E 32
Y 2. 562
5
46
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
a1 a2
Galpones b1 b2 b3 b1 b2 b3 ∑∑Y ..k
47
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Fuentes de
gl SC CM Fc
Variación
A b1 1 0.00125 0.00125 0.02 NS
A b2 1 1.20125 1.20125 22.58 *
A b3 1 0.36125 0.36125 6.79 *
B a1 2 0.80167 0.40083 7.54 *
B a2 2 2.67167 1.33583, 25.11 *
Error Experimental 15 0.79792 0.05319
Total 23 6.07625
Los efectos simples del factor A son comparados con el valor de tabla F(0.95, 1,15) = 4.54
y los efectos simples del factor B con F(0.95,2,15) = 3.68: Note que solo el efecto simple
de A en b, resulta no significativo.
48
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
• Existe suficiente evidencia estadística para aceptar que con al menos uno de
los tiempos se obtienen resultados diferentes en el rendimiento de peso tanto
con el alimento a1 como con el a2.
49
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
50
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
al a2 a3
b1 b2 b1 b2 b1 b2
88 83 91 107 64 93
74 102 81 95 83 78
90 108 75 97 74 95
83 104 101 80 73 97
335 397 348 379 294 363
al a2 a3
b1 b2 b1 b2 b1 b2
88 83 91 107 64 93
74 102 81 95 83 78
90 108 75 97 74 95
83 104 101 80 73 97 ∑∑Y ...
∑∑Y ij. 335 397 348 379 294 363 2116
∑∑Y i.. 732 727 657
∑∑Y .j. 977 1139
51
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
52
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
Fuentes de
Variación
gl SC CM Fc Sig
A 2 219.79 2.34 *
B 1 1093.50 1093.50 11.62 **
AB 2 102.25 51.13 0.54 NS
Error
Experimental 18 1694.00 94.11
Total 23 3329.33
53
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
BIBLIOGRAFÍA
1. BEDOYA, E. 2011. Diseños Experimentales. Guía de estudio. Universidad José
Carlos Mariátegui. Moquegua - Perú. 93 pág.
2. CALZADA, J. 1981. Métodos Estadísticos para la Investigación. Ed. Milagros.
Lima – Perú.
3. COCHRAN, W.G. y COX, G.M. 1978. Diseños Experimentales. Ed. Trillas.
México.
4. DE LA LOMA, J.L. 1980. Experimentación Agrícola. Ed. UTHEA. México.
5. LE CLERG. et. al. 1968. Fiel Plot Techinique. Burgess Publishing Company.
Minnesota.
6. LITLE, M. y HILLS, F.J. 1979. Métodos Estadísticos para la Investigación en la
Agricultura. Ed. Trillas. México.
7. OSTLE, B. 1977. Estadística Aplicada. Ed. Limusa. México.
54
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
55
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
TABLAS ESTADÍSTICAS
56
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
57
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
58
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
59
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
60
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
61
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
62
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
63
UNIVERSIDAD JOSÉ CARLOS MARIÁTEGUI
FACULTAD DE INGENIERÍA C.P. ING° AGROINDUSTRIAL
Curso: Métodos E. para la Investigación Docente: Dr. Edgar Bedoya Justo
64