INSTITUTO TECNOLÓGICO SUPERIOR DEL OCCIDENTE DEL ESTADO DE

HIDALGO

DIVISIÓN DE INGENIERÍA EN INDUSTRIAS ALIMENTARIAS

EJERCICIOS PRÁCTICOS
DISEÑOS EXPERIMENTALES

PRESENTAN:
Diego Armando Quevedo Luquin 18011030
Eli Samuel Cano Bautista 18011794
Citlaly Arteaga Martin 18011097
Sofía Evelin Beltrán González 18011390
Noé Maya Fernández
Josefina Denis Hernández Pintado

GRADO Y GRUPO: 3° “B”

DOCENTE: Mtro. Gabriel Neria Cruz

MIXQUIHUALA DE JUAREZ HGO. FECHA DE ENTREGA 23 OCTUBRE 2019

1
 COMPETENCIA: Investiga, analiza y aplica análisis de varianza y diseños
experimentales para la solución de problemas diversos dentro de la cadena
alimentaria.

INTRODUCCIÓN
Los modelos de ANOVA (Analysis of variance) son técnicas de Análisis Multivariante
de dependencia, que se utilizan para analizar datos procedentes de diseños con
una o más variables independientes cualitativas (medidas en escalas nominales u
ordinales) y una variable dependiente cuantitativa (medida con una escala de
intervalo o de razón). En este contexto, las variables independientes se suelen
denominar factores (y sus diferentes estados posibles o valores son niveles o
tratamientos) y la variable dependiente se conoce como respuesta.
Los modelos ANOVA permiten, básicamente, comparar los valores medios que
toma la variable dependiente en J poblaciones en las que los niveles de factores
son distintos, con la finalidad de determinar si existen diferencias significativas
según dichos niveles o si, por el contrario, la respuesta en cada población es
independiente de los niveles de factores. Se trata, por tanto, de un contraste
paramétrico que extiende al caso de J poblaciones el contraste de la igualdad de
medias entre dos poblaciones independientes.
Algunos ejemplos de aplicación de estos modelos podrían ser los siguientes:
Análisis de la duración media de varios tipos de lámparas.
La variable dependiente indicaría la duración de una lámpara y el factor
podría ser la potencia de la lámpara. Las poblaciones estarían formadas por
lámparas con la misma potencia y habría tantas poblaciones como potencias
distintas (éstas serían los niveles del factor considerado). Se trataría de
contrastar la igualdad de las duraciones medias de las lámparas de cada
población, para determinar si la potencia influye o no en dicha duración
media.

Estudio del efecto de varios tipos de fertilizantes sobre un cultivo.

La variable dependiente podría ser la producción o el rendimiento de cada
parcela; los factores serían, por ejemplo, el tipo de suelo de la parcela y el
tipo de fertilizante utilizado. Cada población estaría formada por las parcelas
que tienen un tipo concreto de suelo y en las que se utiliza un fertilizante
determinado. El ANOVA se aplicaría para analizar la posible existencia de
diferencias en las producciones medias de las parcelas según el tipo de suelo
y el tipo de fertilizante utilizado.

2
Aunque existen muchos y muy diferentes modelos de ANOVA, puede obtenerse
una clasificación bastante simple de los mismos atendiendo a tres criterios: el
número de factores, el tipo de muestreo efectuado sobre los niveles de los factores
y el tipo de aleatorización utilizada para seleccionar las muestras representativas de
cada población y agrupar sus elementos (o unidades experimentales) en los
distintos grupos que se desea comparar. Veamos esto con más detenimiento:
 Según el número de factores, se llama ANOVA de un factor al modelo en el
que existe una única variable independiente; en cambio, si el modelo consta
de más de un factor se le denomina modelo factorial o se habla de Análisis
de Varianza Factorial.
 En cuanto al muestreo de niveles, se refiere a la forma de establecer los
niveles de cada factor. Esto depende, normalmente, de los intereses del
investigador. Si se fijan únicamente aquellos niveles del factor que realmente
interesa estudiar, estamos ante un modelo de ANOVA de efectos fijos
(también llamado modelo I) mientras que, si los niveles se seleccionan
aleatoriamente de entre todos los posibles, se trata de un modelo ANOVA de
efectos aleatorios (o modelo II).
 Las distinciones basadas en el tipo de aleatorización son equivalentes a las
que se establecen al hablar de muestras independientes y muestras
relacionadas. Como en todo experimento estadístico en el que no resulta
posible trabajar con la población en su totalidad, se deben elegir muestras
aleatorias y asignarse también aleatoriamente sus elementos a los diferentes
niveles o tratamientos, para asegurar que no se cometan errores
sistemáticos. Si las unidades experimentales reaccionan o responden a los
tratamientos de la misma manera, se dice que son homogéneas. Por el
contrario, si responden de diferente manera a los tratamientos debido a sus
diferencias intrínsecas, se dirán heterogéneas. Por otra parte, el tamaño de
las muestras puede ser o no el mismo. Diremos que un diseño es equilibrado
o balanceado si todas las muestras tienen el mismo tamaño y no equilibrado
o no balanceado en caso contrario. Spiegel, M., Schiller, J. y Srinivasan, R.
(2001). Teoría y problemas de probabilidad y estadística. Bogotá: McGraw-Hill
Interamericana.

3
 Índice

Introducción 2-3

Índice 4

Problemática 5-12

Prueba de hipótesis 13

Resultados y Análisis de Resultados 13-14

Conclusión 14

Referencias bibliográficas 14

4
 PLANTEAMIENTO DEL PROBLEMA

Ejemplo 3.2
Comparación de cuatro tipos de cuero. Un fabricante de calzado desea mejorar
la calidad de las suelas, las cuales se pueden hacer con uno de los cuatro tipos de
cuero A, B, C y D disponibles en el mercado. Para ello, prueba los cueros con una
máquina que hace pasar los zapatos por una superficie abrasiva; la suela de éstos
se desgasta al pasarla por dicha superficie. Como criterio de desgaste se usa la
pérdida de peso después de un número fijo de ciclos. Se prueban en orden aleatorio
24 zapatos, seis de cada tipo de cuero. Al hacer las pruebas en orden
completamente al azar se evitan sesgos y las mediciones en un tipo de cuero
resultan independientes de las demás. Los datos (en miligramos) sobre el desgaste
de cada tipo de cuero se muestran en la tabla 3.2.

Tabla 3.2 Comparación de cuatro tipos de cuero (cuatro tratamientos).

VARIABLES
Los datos fueron proporcionados en los cuales se identifican:
Variable dependiente:
Efecto del tipo de cuero sobre la calidad de las suelas.
Variable independiente:
Mediciones en un tipo de cuero
Numero de muestras analizar:
24

5
6
7
8
9
 Gráfica de caja de C2; C3; ...
270

260

250

240

Datos
230

220

210

200

C2 C3 C4 C5 C6 C7

Gráfica de valores individuales de C2; C3; ...

270

260

250

240
Datos

230

220

210

200

C2 C3 C4 C5 C6 C7

Gráfica de intervalos de C2; C3; ...

95% IC para la media
270

260

250

240
Datos

230

220

210

200
C2 C3 C4 C5 C6 C7

La desviación estándar agrupada se utilizó para calcular los intervalos.

10
 Gráfica de distribución
Normal; Media=0; Desv.Est.=1

0,4

0,3
Densidad

0,2

0,1

0,05
0,0
0 1,645
X

11
12
 PRUEBAS DE HIPOTESIS

H0: μA = μB, C, D

HA: μA ≠ μB, C, D
RESULTADOS Y ANÁLISIS DE RESULTADOS
Este procedimiento ejecuta un análisis de varianza de un factor para PERDIDA DE
PESO. Construye varias pruebas y gráficas para comparar los valores medios de
PERDIDA DE PESO para los 4 diferentes niveles de TIPO DE CUERO. La prueba-
F en la tabla ANOVA determinará si hay diferencias significativas entre las medias.
Si las hay, las Pruebas de Rangos Múltiples le dirán cuáles medias son
significativamente diferentes de otras. Si le preocupa la presencia de valores
atípicos, puede elegir la Prueba de Kruskal-Wallis la cual compara las medianas en
lugar de las medias. Las diferentes gráficas le ayudarán a juzgar la significancia
práctica de los resultados, así como le permitirán buscar posibles violaciones de los
supuestos subyacentes en el análisis de varianza. Hay una diferencia de más de 3
a 1 entre la desviación estándar más pequeña y la más grande. Esto puede causar
problemas puesto que el análisis de varianza asume que la desviación estándar de
todos los niveles es igual.

13
 CONCLUSIONES
Las aplicaciones nos son de gran ayuda para evitar errores en la producción de
distintos productos, en el caso de ANOVA nos ayuda con el diseño de nuevos
proyectos, para determinar el margen de error, la media logarítmica, etc., además
de que nos permitirá crear un análisis concreto del producto que deseamos
desarrollar, dejándonos ver de esta, manera que podemos corregir o mejorar para
evitar en lo más mínimo los posibles errores que puedan suceder dentro de nuestro
diseño experimental.
REFERENCIAS BIBLIOGRÁFICAS
 Spiegel, M., Schiller, J. y Srinivasan, R. (2001). Teoría y problemas de
probabilidad y estadística. Bogotá: McGraw-Hill Interamericana.
 Tejedor, F. (1999). Análisis de varianza. Madrid Salamanca: La Muralla
Hespérides.
 Sokal, R.R., Rohlf, F.J. 1995. Biometry. Freeman and co., New York
 Underwood, A.J. 1981. Techniques of analysis of variance in experimental
marine biology and ecology. Oceanogr. Mar. Biol. Ann. Rev., 19: 513-605.

14