Unidad 2

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES CONTENIDO DIDCTICO DEL CUSO: 90001
1 METODOLOGA DE TRABAJO ACADMICO
U-2- Capitulo dos: Diseos Factoriales 2K Leccin 1: Codificacin de variables La codificacin consiste en asignar valores numricos o alfanumricos (cdigos) a cada una de las variables con el fin de facilitar el tratamiento de los datos. Los niveles de los factores para el diseo factorial se pueden codificar con los smbolos +1 ( nivel superior) y -1 ( nivel inferior); para proporcionar un marco de trabajo uniforme y apropiado para investigar los efectos de los factores (variables) en cualquier regin experimental en la que los valores reales de los factores dependen de la diferencia entre los valores altos y bajos.
Ecuacin 24 Diferencia = (X M Xn) Ecuacin 65 (X M Xn) = diferencia entre los valores mximo y mnimo.
= el valor en el experimento
= el valor medio en el experimento
Leccin 2: Diseo factorial 2K Definiciones Los diseos factoriales 2k son diseos en los que se trabaja con k factores, todos ellos con dos niveles (se suelen denotar + y -). Estos diseos son adecuados para tratar el tipo de problemas descritos porque permiten trabajar con un nmero elevado de factores y son vlidos para estrategias secuenciales. En este diseo se consideran solo dos factores, A y B, cada uno con dos niveles. Se acostumbra denominar el nivel inferior de los factores como -1 o tambin A1
57
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES CONTENIDO DIDCTICO DEL CUSO: 90001 METODOLOGA DE TRABAJO ACADMICO
Y el nivel inferior por 1 o tambin A2. Es la estrategia ms adecuada para conocer simultneamente qu efecto tienen k factores sobre una respuesta y descubrir si interaccionan entre ellos. Para la notacin utilizada k = numero de factores. Y 2 (bse) es el nmero de niveles seleccionados. Las interacciones suelen ser muy corrientes y a veces son los efectos ms importantes, por lo que conocerlas es imprescindible para comprender el comportamiento de muchos sistemas. ste describe los experimentos ms adecuados para conocer simultneamente qu efecto tienen k factores sobre una respuesta y descubrir si interaccionan entre ellos. Al no haber factores correlacionados se evitan experimentos redundantes. Adems, los experimentos se complementan de tal modo que la informacin buscada se obtiene combinando las respuestas de todos ellos.
Efecto de un factor en un diseo 22 La influencia que tiene un factor sobre la variable de respuesta como el cambio en la respuesta cuando un factor cambia de su nivel inferior a su nivel superior, promediado sobre los dems factores. Procedimiento Calculo del efecto de un factor en un diseo 22 La influencia que tiene un factor sobre la variable de respuesta como el cambio en la respuesta cuando un factor cambia de su nivel inferior a su nivel superior, promediado sobre los dems factores Tabla 15. Signos algebraicos para calcular los efectos en un diseo 22
PRUEBA A B AXB Combinacin de los tratamientos 1 2 3 Y 1 Y 2 Y .. Y n REPETICIONES PROMEDIO
+ -
+ -
(1) a b
58
4
ab
a) El efecto promedio de A es definido como: A = 1/2n {[ab-b]+[a-(1)]} A = 1/2n [ab + a b -(1)] Ecuacin 25 b) El efecto promedio de B es definido como: B = 1/2n {[ab-a]+[b-(1)]} B = 1/2n {[ab + b a - (1)]} Ecuacin 26 c) El efecto de interaccin de AB es definido como: AB = 1/2n {[ab-b]-[a-(1)]} AB = 1/2n [ab + (1)-a-b] Ecuacin 27 n = nmero de repeticiones o replicas d) la suma de cuadrados de los efectos se calcula a partir de los contrastes y se definen como: SS= [Efecto]2[2k-2]n Ecuacin 28 Tambin puede ser calculada d1) Para el factor A este se calcula con:
Ecuacin 29 d2. De B
Ecuacin 30 d3. De AB
Ecuacin 31 d4. Calculo de la suma de cuadrados totales

59
Ecuacin 32 N = nmero de pruebas d5. Calculo de la suma de cuadrados del error SCE= SCT-SCA-SCB-SCAB Ecuacin 33 ANOVA para un diseo factorial 22 Con los productos de las ecuaciones del numeral anterior debemos construir la siguiente tabla. Tabla 16. ANOVA para un diseo factorial 22 Suma de cuadrados EFECTOA EFECTOB EFECTOAB Error Total SCA SCB SCAB SCE SCT Grados de libertad 1 1 1 4(n-1) n22-1 Cuadrados medios CMA CMB CMAB CME Fo Fo = CMA / CME Fo = CMB / CME Fo = CMAB/ CME p-value P(F > Fo) P(F > Fo) P(F > Fo)
Ejemplo de un diseo experimental factorial 22 Los pasos a seguir en la resolucin de un ejercicio o situacin de ingeniera en donde se aplique un diseo experimental son los siguientes: 1- Planteamiento del problema Se quiere comprobar el rendimiento de una reaccin con un nuevo catalizador. Por tanto, se pretende determinar en qu grado la temperatura y el tiempo influyen en el rendimiento de reaccin y cmo este se puede variar para mejorarlo. 2- Factores y dominio experimental Para lo cual acorde con la experiencia previa, la revisin bibliografa o las necesidades de la experimentacin (criterios de rentabilidad, limitaciones
60
experimentales), se debe escoger qu factores interesa estudiar y qu valores pueden tomar (el dominio experimental). La tabla 35 muestra los dos factores escogidos. Como ambos factores son continuos, su dominio experimental se expresa con los valores mximo y mnimo que pueden tomar. Para lo cual se acord que el tiempo de reaccin no debera ser inferior a 8 horas para que el proceso fuera rentable, y superior a 6 horas para asegurar un buen rendimiento; adems el rango de temperatura de trabajo debe ser superior a los (40C) pero sin exceder los 80C. La tabla 35 tambin muestra la notacin codificada ms habitual para factores continuos: se asigna el valor 1 al extremo inferior del dominio experimental y el valor +1 al extremo superior 2. Para simplificar a menudo slo se indican y +. Es necesario definir la correspondencia entre variables reales y codificadas porque el diseo de experimentos describe la experimentacin ptima empleando variables codificadas (X1, X2,...) sin dimensin. De este modo las herramientas matemticas y estadsticas son generales y se pueden aplicar a cada problema concreto. La experimentacin ms econmica (mnimo nmero de experimentos) es aquella en la que cada factor toma slo dos valores (niveles). Y la que proporcionar la informacin con menor incertidumbre es aquella en la que estos valores son los extremos del dominio experimental, 1 y +1. Esta misma tabla 17 muestra la matriz de experimentos que se obtiene combinando los dos niveles de los dos factores. Cada fila es un experimento y cada columna es un factor estudiado. Tabla 17. Respuestas para el ejemplo de diseo factorial 22 Matriz de experimentos x1 x2 Plan de experimentacin Tiempo Temperatura(C) (h) 6 8 6 8 Respuesta (% rendimiento) Corrida Corrida Corrida 1 2 2 49 54 70 78 48 58 72 55 49 55 73 56
61
1 2 3 4
+ +
+ +
40 40 60 60
Tabla 18. Matriz para el ejemplo de diseo factorial 22

PRUEBA A B AXB Combinacin de los tratamientos Y 1 1 2 3 4 Y 2 Y 3 Repeticiones Y
x1 + +
x2 + +
x1 x2 + +
PROMEDIO
(1) a b ab
49 54 70 78
48 58 72 55
49 55 73 56
48,66666667 55,66666667 71,66666667 63
Pasos a seguir a) El efecto promedio de A es definido como: A = 1/2n[ ab+a b -(1)] A = 1/2n[ ab+a b -(1)] A= 7,666 b) El efecto promedio de B es definido como: B = 1/2n{[ ab + b a - (1)]} B = 13 c) El efecto de interaccin de AB es definido como: AB = 1/2n{[ ab-b]-[a-(1)]} AB = 1/2n[ ab+(1)-a-b] = AB = -9 n = nmero de repeticiones o replicas Tabla 19. Anlisis de varianza para el ejemplo de diseo factorial 22 Suma de cuadrados EFECTOA 176,3333333 Grados de libertad Cuadrados medios Fo p-value
176,3333333 0,032713984
P(F > Fo)

62
EFECTOB EFECTOAB Error Total
507 264,4533907 43121,21328 SCT
1 1 8 11
507
0,094060433
264,4533907 0,049062328 5390,151659
P(F > Fo) P(F > Fo)
Leccin 3: Diseos factoriales 23 Definiciones Diseo factorial de tres factores con dos niveles cada uno. Un diseo factorial de 23 involucra a tres factores A,B,C, todos con dos niveles sus combinaciones se muestran en la tabla siguiente. Si tenemos un factorial con 3 factores cada uno con 2 niveles, las posibles combinaciones de este experimento forman los vrtices de un cubo como se muestra en la figura 5. Al variar un factor a la vez solo se pueden explorar la mitad de las posibles combinaciones. En la figura 4 podemos notar los espacios vacos de las combinaciones sin explorar. Efecto de un factor en un diseo 23 Es la influencia que tiene un factor sobre la variable de respuesta (cambio en la respuesta) cuando un factor cambia de su nivel inferior a su nivel superior, promediado sobre los dems factores.
Discusin El efecto de un factor en un diseo 23, se calcula como se explica en las tablas siguientes: Tabla 20. Combinacin de los tratamientos para un diseo 23
COMBINACIN DE CORRIDA 1 A B TRATAMIENTOS (1)
C
-
AXB
AXC
BXC
AXBXC
63
2 3 4 5 6 7 8 + + + + + + + + + + + + +
+ + +
+ + +
+ + +
+ + + +
a b ab c ac bc abc
Tabla 21. Signos algebraicos para calcular los efectos en un diseo 2 3
COMBINACIN DE LOS TRATAMIENTOS
EFECTO FACTORIAL
C
+ + + +
AXB
AXC
BXC
AXBXC
(1) a b ab c ac bc abc
+ + + + + + + +
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
a) El efecto promedio de A es definido como: a b ab c ac bc abc A = 1/2n{[-(1)+a -b+ab-c+ac-bc+abc]} Ecuacin 34 A = 1/2n[ a+ab+abc b - bc -(1)] Ecuacin 35 b) El efecto promedio de B es definido como: B = 1/2n{[-(1)-a+b+ab-c-ac+bc+abc]} B = 1/2n{[ ab + b+bc+abc a-c-ac - (1)]} Ecuacin 36 c) El efecto de interaccion de AB es definido como: AB = 1/2n{[(1)-a-b+ab+c-ac-bc+abc]}
64
AB = 1/2n{[(1) +abc+ab+c -a-b-ac-bc]} Ecuacin 37 n = numero de repeticiones o replicas
d) El efecto de interaccion de AC es definido como: AC = 1/2n{[(1)-a+b-ab-c+ac-bc+abc]} AC = 1/2n{[(1) +b+ac+abc a -ab-c-bc]} Ecuacin 38 n = numero de repeticiones o replicas e) El efecto de interaccion de ABC es definido como: ABC = 1/2n{[(-1)+a+b-ab+c-ac-bc+abc]} ABC = 1/2n{[ a +b+c+abc (1) -ab-ac-bc]} Ecuacin 39 n = numero de repeticiones o replicas f) la suma de cuadrados es definida como: SS= [Efecto]2[2k-2]n Ecuacin 40 Tambin pueden ser calculados. Calculo de la suma de cuadrados totales Ecuacin 98.1 g) Calculo de la suma de cuadrados del error. SSE= SST-SSA-SSB-SSAB Ecuacin 41 h) Analisis de residuos Ecuacin 42
Anlisis de varianza para un diseo factorial 23 Tabla 22. Calculo del Anlisis de varianza para un diseo factorial 23
65
Suma de cuadrados EFECTOA SCA
Grados de libertad 1
Cuadrados medios CMA
Fo
p-valor
Fo = CMA / CME Fo = CMB / CME Fo = CMC / CME Fo = CMAB/ CME Fo = CMAC / CME Fo = CMBC / CME Fo = CMABC / CME
P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo) P(F > Fo)
EFECTOB
SCB
CMB
EFECTOC
SCC
CMC
EFECTOAB
SCAB
CMAB
EFECTOAC
SCAC
CMAC
EFECTOBC
SCBC
CMBC
EFECTOABC
SCABC
1 23(n-1) n23-1
CMABC
Error Total
SCE SCT
CME
Coeficientes de determinacin Estos coeficientes miden la proporcin o el coeficiente de variabilidad en los datos experimentales que es explicada por el modelo considerado. Ecuacin 43 Ecuacin 44
Leccin 4. Solucin de un diseo factorial 23 con Stat Graphics En una empresa productora de bebidas achocolatadas ha tenido problemas con la viscosidad de cierta bebida de chocolate. Se cree que tres ingredientes que se agregan en pequeas cantidades son con los que se puede resolver este
66
problema, por lo que es necesario explorar la situacin; para ello se corre un experimento 23 con dos rplicas. Con los resultados obtenidos: Tabla 23. Datos de la viscosidad de la bebida desarrollada. INGREDIENTE INGREDIENTE A -1 +1 -1 +1 -1 +1 -1 +1 B -1 -1 +1 +1 -1 -1 +1 +1 INGREDIENTE y1 C -1 -1 -1 -1 +1 +1 +1 +1 13,3 14,7 14,6 14,3 16,9 15,5 17,0 18,9 VISCOSIDAD y2 Ym 13,7 14,4 14,5 14,1 17,2 15,4 17,1 19,0 13,4985184 14,5492268 14,5499141 14,1996479 17,0493402 15,4499191 17,0499267 18,949934
Tabla 24. Promedio y factores calculados para el ejemplo de la viscosidad Promedio Factor A Factor B Factor C Factor AB Factor AC Factor BC 15,6621 0,250257 1,0506 2,92545 0,524613 -0,099964 0,699696 +/- 0,61255 +/- 1,2251 +/- 1,2251 +/- 1,2251 +/- 1,2251 +/- 1,2251 +/- 1,2251
Tabla 25. Anlisis de la varianza para la viscosidad de la bebida desarrollada. Suma de cuadrados 0,125257 2,20754 17,1166 0,550439 0,0199856 0,979149 Grados de libertad 1 1 1 1 1 1 Cuadrados medios 0,125257 2,20754 17,1166 0,550439 0,0199856 0,979149 F 0,04 0,74 5,70 0,18 0,01 0,33 p 0,8717 0,5487 0,2525 0,7424 0,9482 0,6696
67
Factor_A Factor_B Factor_C AB AC BC
Total error Total (corr.)
3,00174 24,0007
1 1
3,00174
Para este caso hay cero efectos que sean de valor p menor que 0,05, lo cual nos indica que son significativamente diferentes de cero al nivel de confidencia del 95%. Tabla 44. Coeficientes de regresin de la ecuacin de los datos de viscosidad de la bebida desarrollada en el ejemplo anterior. Constante Factor_B AB BC = 15,6621 = 0,525302 = 0,262307 = 0,349848 Factor_A Factor_C AC R2 = 0,125129 = 1,46273 = -0,049982 = 87,4931
La ecuacin ajustada para el modelo es VISCOSIDAD = 15,6621 + 0,125129*Factor_A + 0,525302*Factor_B + 1,46273*Factor_C + 0,262307*Factor_A*Factor_B Estando los valores de las variables especificados en su forma original. 0,049982*Factor_A*Factor_C + 0,349848*Factor_B*Factor_C.
Ecuacin 37.
R-cuadrado (ajustado para los grados de libertad) = 12,4516 porciento Error estandar = 1,73255 Media absoluta del error = 0,61255 Tabla 45. Valores para el r2, el error estndar para el ejemplo de la viscosidad de la bebida desarrollada. El valor estadstico de R2indica que el modelo ajustado explica el 87,4931% de la variabilidad de la viscosidad, es mas apropiado para comparar modelos con diferente numero de variables independientes es de 12,455% El estimativo del error estndar muestra que la desviacin estndar del error de los residuos es de 1,73255.
68
La media absoluta de error (MAE) fue de 0,61255 el cual es el valor promedio de los residuos. Tabla 26. Resultados estimados para los datos de viscosidad con la ecuacin de regresin encontrada para el ejemplo anterior, utilizando el programa Stat Graphics.
Datos 1 2 3 4 5 6 7 8
Valor observado 13,4985 14,5492 14,5499 14,1996 17,0493 15,4499 17,0499 18,9499
Valor fijado 14,1111 13,9367 13,9374 14,8122 16,4368 16,0625 17,6625 18,3374
Lower 95,0% CL for Mean -6,48132 -6,65571 -6,65502 -5,78019 -4,1556 -4,52992 -2,92991 -2,255
Upper 95,0% CL 34,7035 34,5291 34,5298 35,4046 37,0292 36,6549 38,2549 38,9298
Presentacin de resultados. La interpretacin de los resultados sugerimos realizarlos en el siguiente orden y las siguientes recomendaciones: 1) Valor medio 2) Efectos principales 3) Efectos de interaccin de dos factores 4) No olvidar que existe interaccin cuando el efecto de un factor es diferente a distintos niveles de otro(s) factor(es). Esto se puede comprender fcilmente si evaluamos el efecto de cada factor por pares de experimentos. 5) Efecto de interaccin de tres factores Por ejemplo para el ejercicio de la viscosidad se deberan presentar las siguientes graficas. Figura 16. Efectos medios para el ejemplo de la viscosidad.
69
Leccin 5. Otros diseos experimentales y diseo de parcelas divididas Para la temtica se consultaron a Padrn, 1996; Montgomery, 2000 y Gil, 2001. El diseo experimental de parcelas divididas es un factorial conducido de tal manera que la unidad experimental con respecto a uno o ms factores es una subunidad de la unidad experimental con respecto a otros factores. Los experimentos con parcelas divididas son frecuentemente usados por necesidad cuando un factor debe ser aplicado a una unidad experimental extensa, mientras que otros factores son ms apropiados aplicarlos a las subunidades-provenientes de la primera. Tambin este diseo es utilizado por la conveniencia o facilidad de aplicar diferentes factores a diferentes unidades con tamaos distintos. El diseo de parcelas divididas tambin puede ser usado para incrementar la precisin del efecto estimado por la aplicacin de un factor a las subunidades. En este diseo se utilizan bloques, un mismo conjunto de tratamientos entran en cada bloque, y ese conjunto da origen a otro conjunto de tratamientos. El primer conjunto se le denomina tratamientos principales o parcelas completas o parcelas principales, el segundo conjunto se le denomina tratamientos secundarios o subparcelas o parcelas divididas. Es un diseo comnmente utilizado cuando se tienen partes grandes de cierta materia prima (parcela principal) y cada parte grande se divide en partes pequeas (subparcelas). El trmino tiene antecedentes agrcolas porque las parcelas grandes eran grandes extensiones de tierra y las parcelas pequeas eran pequeas reas de tierra. Los bloques generalmente corresponden a repeticiones del experimento o a distintos entornos para llevarlo a cabo. Este estudio requiere de modelos de anlisis de varianza con dos o ms tipos de errores experimentales y modelos de regresin. En muchos casos, estos procedimientos modificados producen los resultados apropiados. Sin embargo, estos mtodos son frecuentemente incmodos y confusos de utilizar. En algunos casos, y ms importante, estos procedimientos para modelos de efectos fijos no pueden ser modificados para producir la estadstica apropiada para los objetivos de la investigacin (Littell et al., 1991). Error experimental: variacin en respuesta bajo las mismas condiciones de prueba. Tambin se denomina error residual.
CAPTULO 3. Regresin lineal y superficies de respuesta Leccin 1. Introduccin y el significado de la regresin y suposiciones bsicas
70
El anlisis de regresin es til para averiguar la forma probable de la relacin entre las variables y cuando se utiliza ste mtodo, el objetivo final generalmente consiste en predecir o estimar el valor de una variable que corresponde a un valor determinado de otra. Con base a los resultados obtenidos a partir de los anlisis realizados a la muestra representativa, extrada de una poblacin determinada, el investigador estar en capacidad de comprender y conocer minuciosamente la naturaleza y comportamiento de la poblacin en la que se encuentra interesado. Regresin lineal simple. (2, 3, 7 y varios autores) El anlisis de regresin es til para averiguar la forma probable de la relacin entre las variables y cuando se utiliza ste mtodo, el objetivo final generalmente consiste en predecir o estimar el valor de una variable que corresponde a un valor determinado de otra. Por otro lado, el anlisis de correlacin, se refiere a la medicin de la intensidad existente entre las relaciones de las variables. Cuando se calculan los coeficientes de correlacin de un conjunto de datos, el inters se centra en el grado de compatibilidad existente entre las variables que integran el problema.
Tabla 27. Ecuaciones para el estimativo de una regresin lineal simple
Y = a + bX
Ecuacin 45
b = { XY -[ X Y
n]}
- [ X 2
n] Ecuacin 46
a = Y - b X
Ecuacin 47
r = { XY -[ X Y
Ecuacin 48
n]}
[ ) X
- [ X 2
][Y - Y 2
Tambin es representada como
Y = b 0 + b1 X + e Ecuacin 49 En donde b 0 = a = int er sec cion b1 = b = pendiente e = cambio en el error. Variable aleatoria
71
Leccin 2. Coeficientes de correlacin. Una correlacin es el grado de relacin entre dos o ms variables que busca determinar en que medida una lnea u otra ecuacin describe o explica dicha relacin. Se encuentran dentro de un rango que va desde -1 hasta 1 rango que explica el alcance y la valoracin de dicho coeficiente y la direccin de la correlacin. Tabla 49. Tabla 28. Grado de asociacin de los coeficientes de correlacin para un conjunto de datos. (varios autores) COEFICIENTE DE CORRELACIN -1.00 - 0.95 - 0.50 - 0.10 0.0 + 0.10 + 0.50 + 0.95 + 1.00 INTERPRETACIN Correlacin negativa perfecta Correlacin negativa fuerte Correlacin negativa moderada Correlacin negativa dbil No existe ninguna correlacin Correlacin positiva dbil Correlacin positiva moderada Correlacin positiva fuerte Correlacin positiva perfecta
El grado de asociacin, mientras ms cerca este de la unidad, en una u otra direccin, mayor es la correlacin. Generalmente en la mayora de los trabajos de investigacin se busca establecer una correlacin lineal, ya sea positiva o negativa, no se puede considerar que todas las relaciones entre dos variables (X y Y) forman una lnea recta. (ver capitulo siguiente). Existen muchas correlaciones de carcter curvilneo que indican que una variable aumenta a medida que la otra se incrementa hasta que la relacin misma se invierte, de tal manera que una variable decrece finalmente mientras que la otra sigue en aumento, es decir, que la relacin entre X y Y que en un principio es positiva se convierte en negativa, o aquella que, en un comienzo es negativa se convierte en positiva; por ejemplo en una reaccin qumica o en una reaccin bioqumica. Leccin 3. Transformacin de datos
72
Regresin lineal mltiple. El anlisis de regresin lineal mltiple consiste en generar modelos de regresin con ms de una variable independiente (X1, X2, X3..); el modelo de regresin lineal mltiple es representado por:
Y = b 0 + b1 X 1 + b 2 X 2 + ........ + b k X k + e Ecuacin 50
k = numero de variables (Xs)
Tabla 29. Modelos de regresin lineal simple ECUACIN Y = e a +bX MODELO Exponencial El reciproco Multiplicativo Logartmico Reciproco
Ecuacin 51 Ecuacin 52 Ecuacin 53 Ecuacin 54 Ecuacin 55
Y =1
(a + bX )
b
Y = aX ) Y = a + b ln( X )
Y = a+b (X )
Transformacin de datos. (3, 7, 8, 27 y varios autores) En la prctica muchos de los procesos experimentales no siguen una distribucin normal con varianza constante y aunque el procedimiento de ANOVA es robusto y admite desviaciones moderadas al realizar un anlisis estadstico con resultados que no cumplen con los supuestos acerca del modelo estadstico, se puede llegar a una conclusin y decisin errnea. Para lo cual mediante una transformacin adecuada puede conseguirse que una variable que no se distribuye normalmente pase a tener una distribucin casi normal; por ejemplo un cambio de escala puede variar la media y la varianza de la variable as como su relacin con respecto a otras variables al igual que la forma de la distribucin de una variable cambia con la escala. Las poblaciones con varianzas desiguales pueden convertirse en varianzas homogneas mediante una transformacin apropiada. Las transformaciones ms usadas se presentan en la tabla siguiente: Tabla 30. Transformaciones usadas para datos
73
Transformacin apropiada
Y ' = ln(Y )
Y ' = log 10 (Y ) Ecuac 56
Tipo de transformacin Transformacin logartmica Transformacin de la raz cuadrada Transformacin del reciproco
Y ' = Y -1 / 2 Ecuacin 57
Y ' = Y -1 Ecuacin 58
Leccin 4. Correlacin mltiple y ANCOVA Si en la ecuacin anterior es necesaria ms de una variable independiente(X1, X2...) se aplica el trmino de "correlacin mltiple". Los clculos para este tipo de correlacin son ms dispendiosos y la interpretacin de sus resultados ms complejo. La inclusin de variables adicionales incrementa los datos necesarios y puede tambin adicionarse un considerable costo al estudio. Las razones principales para cambiar el anlisis de una dos o ms variables independientes son: Existe una relacin lgica, y una sola variable independiente no proporciona un coeficiente de correlacin suficientemente satisfactorio. El coeficiente de correlacin mltiple representa la proporcin de variacin en Y que explica el conjunto de variables explicativas seleccionadas. (3, 7, 8, 27 y varios autores) Anlisis de Covarianza-ANCOVA El anlisis de covarianza es un procedimiento muy importante en experimentacin, pero lamentablemente no se usa con frecuencia. Utiliza el anlisis de varianza y el de regresin para eliminar la variabilidad que existe en la variable independiente X; tambin ajusta medias de tratamiento y as estima mucho mejor el efecto de la variable independiente X sobre la variable dependiente Y. La variable independiente X es una observacin hecha en cada unidad experimental antes de aplicar los tratamientos, e indica hasta cierto grado la respuesta final y de la unidad experimental. Los objetivos del anlisis de covarianza son:
74
a) Disminuir el error experimental con el respectivo aumento en precisin del experimento. b) Ajustar los promedios de los tratamientos. c) Interpretar mejor los resultados en el experimento, especialmente en lo relacionado con la naturaleza de los efectos de los tratamientos. d) Estimar el valor de las unidades perdidas en los experimentos.
Leccin 5. Superficies de respuesta Los diseos factoriales son tiles para el tamizado de factores- para identificar los factores ms importantes que afectan el desempeo de un proceso o caracterizacin del proceso (Montgomery, 2004). Una vez que se ha identificado el subconjunto adecuado de variables del proceso, generalmente el paso siguiente es la optimizacin del proceso, que implica encontrar el conjunto de condiciones de operacin de las variables del proceso que producen el mejor desempeo del mismo (Cochran & Cox, 2001). Puede resultar til ajustar una curva de respuesta a los niveles de un factor cuantitativo para que el investigador cuente con una ecuacin que relacione la respuesta con el factor. Esta ecuacin pude utilizarse para hacer interpolaciones, es decir, para predecir la respuesta en niveles intermedios entre los factores, respecto de los que se utilizaron realmente en el experimento. Cuando al menos dos de los factores son cuantitativos, puede ajustarse una superficie de respuesta para predecir con varias combinaciones de los factores de diseo (Christensen, 1990). En este sentido cabe destacar la metodologa de superficies de respuesta (RSM), como el enfoque de optimizacin ms exitoso y generalizado. En general, se usan mtodos de regresin lineal para ajustar estos modelos a los datos experimentales (Cox, 1978). Adems, los efectos de los factores cuantitativos pueden representarse con efectos polinomiales con un solo grado de libertad. De manera similar, es posible hacer la particin de las interacciones de factores cuantitativos en componentes de interaccin con un solo grado de libertad. La superficie de respuesta se usa como gua para variar gradualmente los factores controlables que afectan la respuesta de manera tal que se mejore el valor de la respuesta. Una vez que el cambio de los factores controlables no origine una mejora predecible en la variable de la respuesta, se puede aplicar un mtodo de
75
experimentacin ms sofisticado para encontrar la superficie de respuesta operativa final del proceso de inters. Supongamos que un investigador desea encontrar los niveles de la variable x1 y de x2 que maximicen el rendimiento Y de un proceso. El rendimiento del proceso es una funcin de los niveles de la variable x1 y x2: Y=f(x1,x2)+psilon Donde epsilon representa el ruido o error observado en la respuesta Y. Si el valor de la respuesta se denota por E(Y)=f(x1,x2) entonces la superficie representada por E(Y)=f(x1,x2)se llama superficie de respuesta. Mtodo de Superficie de respuesta (RSM): es la grfica de la respuesta del sistema vs los factores del sistema. RSM emplea el diseo experimental para descubrir la forma de la superficie de respuesta y aprovecha los conceptos geomtricos Variable de respuesta: Variable que muestra los resultados observados de un tratamiento experimental, es la variable dependiente Modelo de Superficie de Respuesta para un diseo 2k Un aspecto interesante de los diseos factoriales 2k es que si se codifican las variables al intervalo [-1,1] entonces, se puede obtener el modelo de regresin correspondiente con relativa facilidad (Montgomery & Vining, 2002). Consideremos por ejemplo el diseo 22. En este diseo se tienen dos efectos principales, A y B y la interaccin AB. El modelo de regresin correspondiste es:
y = b 0 + b1 x1 + b 2 x2 + b12 x1 x2
59
Donde x1 representa el factor A, x2 representa el factor B, y el producto entre x1 y x2 representa la interaccin entre A y B. Los parmetros del modelo de regresin, b1, b2, b12 se pueden demostrar que son iguales a la mitad de las estimaciones de los efectos correspondientes, mientras que b0 es igual a la gran media. En general, se tiene que:
Cualquier Parmetro en el modelo de Regresin =

Y
Efecto en ANOVA 2
60 Error! No hay texto con el estilo especificado en el documento.1
b0 = gran promedio = promedio de todas las observaciones
Se debe recordar que los valores de las variables en el modelo de regresin estn codificadas al intervalo [-1, 1]. Esto quiere decir que si se quiere expresar el modelo en las unidades en las que realmente se mide la variable se debe hacer la
76
transformacin correspondiste. Esta transformacin se ilustra en la figura siguiente:

Factor en escala normalizada +1
Bajo Alto
Factor en escala real
-1
Figura 7. Transformacin usada para encontrar el modelo de regresin en un diseo 2k Esto nos lleva a la ecuacin de transformacin- revisemos numeral anterior: 2 x - Bajo - Alto xcod. = real 62 Alto - Bajo La cual se puede utilizar para obtener el modelo de regresin en las unidades originales en las que se miden los factores de inters. Esto transforma la ecuacin Error! No se encuentra el origen de la referencia. en el modelo:
2 x A - ABajo - AAlto 2 x - BBajo - B Alto + b2 B y = b 0 + b1 B -B AAlto - ABajo Alto Bajo 2 x A - ABajo - AAlto 2 x B - BBajo - B Alto + b12 B - B A A Alto Bajo Alto Bajo +
63
Sin embargo, siempre se prefiere trabajar el modelo con las variables codificadas (en el intervalo [-1,1]) Si los factores son cuantitativos, el modelo de regresin, se puede utilizar, con toda confianza, para predecir el valor de la variable respuesta para cualquier punto entre -1 y 1 (si el factor o variable est codificado) o desde el valor bajo al alto si la variable o factor no est codificado. Es decir, el modelo de regresin se puede
77
utilizar para interpolar cualquier valor intermedio de la variable respuesta sin problemas pero no se debe utilizar para extrapolar. Adicin de puntos centrales en un diseo 2k Un aspecto muy importante en el empleo de diseos factoriales de dos niveles es la hiptesis de linealidad en los efectos de los factores. Claro est que la linealidad perfecta es innecesaria, y el sistema 2k trabaja muy bien aun cuando la suposicin de linealidad es slo aproximada. Sin embargo, existe un mtodo para replicar ciertos puntos en el diseo 2k factorial que proporciona proteccin contra la curvatura y permite una estimacin independiente del error que ha de obtenerse. El mtodo consiste en aadir puntos centrales al diseo 2k. stos coinciden de nC rplicas de las corridas en el punto xi = 0 (i= 1, 2,, k). Una razn importante para aadir rplicas de las corridas en el centro del diseo es que los puntos centrales no tienen impacto en las estimaciones usuales de los efectos en un diseo 2k. Se supone que los k factores son cuantitativos.
b
Alto (+)
ab
Corrida
Medio
Central
Bajo (-)
(1)
Bajo (-)
Medio
a
Alto (+)
Figura 8. Representacin geomtrica del diseo 22 con corridas centrales o puntos centrales Para ilustrar este enfoque, considrese un diseo 2 2 con una observacin en cada uno de los puntos factoriales (-, -), (+, -), (-, +) y (+, +), y nC observaciones en los puntos centrales (0, 0). La Figura 8. ilustra esta situacin. Sean y F y y C los promedios de las cuatro corridas en los cuatro puntos factoriales y el promedio de las nC corridas en el punto central, respectivamente. Si la diferencia y F - y C es pequea, entonces los puntos centrales se encuentran sobre el plano que pasa por todos los puntos factoriales, o cerca de l, y no hay curvatura. Por otra parte, y F - y C es grande, entonces la curvatura est presente. Una suma de si cuadrados de un grado de libertad para la curvatura est dada por:
n n (y - y C ) SS Curvatura = F C F 64 nF + nC donde, en general, nF es el nmero de puntos en el diseo factorial. Esta cantidad puede ser comparada con el error cuadrtico medio para probar la curvatura. De
2
78
manera ms especfica, cuando se aaden puntos al centro del diseo 2k, entonces el modelo que se considera es
Y = b 0 + b j x j + b ij xi x j + b jj x 2 + e
j =1 i< j i< j j =1
65
donde las jj son efectos cuadrticos puros. La prueba de curvatura consiste, en realidad, de la prueba de las hiptesis
H 0 : b jj = 0
j =1 k k
H 1 : b jj 0
j =1
66
Por otra parte, si los puntos factoriales en el diseo no estn replicados, entonces pueden emplearse los nC puntos centrales para construir una estimacin del error con nC -1 grados de libertad.
Surface Plot of Res
95
90
Res
85
80 0 -1
0 1
-1
Grafica 9. Ejemplo de una superficie de respuesta
Revisar ejemplos de los apndices
79
Apndices En los siguientes apndices-ejemplos resueltos de diseos experimentales encontraras cuatro ejercicios para analizarlos y tenerlos de guas para los trabajos colaborativos a realizar.
80
Apndice 1 Repaso de la estadstica aprendida en cursos anteriores Recientemente un instituto de certificacin de normas tcnicas realizo una investigacin sobre la composicin bromatolgica de alimentos. Estudio en donde se pretende lograr una confiabilidad del 98%, una probabilidad esperada del 55% y no cometer un error superior al 2 %. Los interesados tomaron muestras del producto vegetal directamente de los rboles, en tres pocas de cosecha diferente pero consecutiva, procesaron el material y determinaron algunas propiedades fsico-qumicas, reportada en la tabla 1. Tabla 1. Composicin qumica de harinas de pltano, de ocho localidades diferentes (%)** Caracterstica/procede ncia Harina de platano-1 Harina de platano-2 Harina de platano-3 Harina de platano-4 Harina de platano-5 Harina de platano-6 Harina de platano-7 Harina de platano-8 Solucin Verifiquemos el desarrollo numrico del ejercicio Caractersticas/pro cedencia Harina de platano5 Harina de platano6 Harina de platano7 TOTAL GRAN MEDIA Humedad ceniza grasa protena Almidn fibra total Media Humedad Ceniza 10 7,5 14 14 13.1 12.2 12.1 14 2,5 2,1 8 11 3,6 2 3,5 6 grasa 1 0,1 12 1 1.2 1.5 3 Protena 7,12 12,8 13 21 21,3 8 18 11,5 Almidn 60-72 Fibra 1 23
60,8 73 78,5
3,9 4 4,5 11
13.1 12.2 12.1 37,4 12,5
3,6 2 3,5
1.2 1.5
21,3 8 18
60,8 73 78,5
3,9 4 4,5
103,9 100,7 116,6
17,31 16,78 19,43
81
a) Describa detalladamente el diseo del experimento que programaron los profesionales a cargo del proyecto. Se deben identificar los elementos que intervienen en el estudio experimental. Rta: Es un diseo completamente al azar. Se trata de un experimento de una variable (en este caso la localizacin). En el cual se pretenda medir su efecto sobre el contenido qumico (bromatolgico) de las muestras tomadas (tres por cada localidad) y partir de los resultados generados y que se presentan en la tabla 1, realizar los anlisis respetivos. Los elementos que intervienen en el diseo experimental son: Las ocho localidades (variables), las unidades de anlisis u observacin objeto de la evaluacin (planta de pltano) las personas que toman los datos, el laboratorio donde se hace los anlisis y quien organiza, procesa y e interpreta los datos. b) Se podra asociar un modelo matemtico a la experimentacin desarrollada? No; no se hablo de tratamiento. Ho: *=
Ha: al menos una humedad es diferente de las dems. C) El nmero de muestras fue apropiado? Justifique su respuesta atreves de una formula. Para obtener el tamao de la muestra de una poblacin determinada se requiere tomar en cuenta los siguientes factores: 1- El tiempo y los recursos disponibles. 2- Las tcnicas de muestreo. 3- Las tcnicas de anlisis de datos. 4- La estimacin de la varianza. 5- El margen de error mximo posible. 6- El nivel de confianza.
Esta frmula se utiliza cuando se desconoce el tamao de la poblacin. n= n = tamao de la muestra. Z= intervalo de confianza. E= error de muestreo aceptable. =desviacin estndar. Entonces tenemos:-intervalo de confianza=98% Error de muestreo aceptable=2% Desviacin estndar= para calcular.
82
Calculo de desviacin estndar: La desviacin estndar corresponde a la raz cuadrada de la variacin(S). *Clculo del nmero de muestras: Utilizando los tres valores correspondientes al resultado de la humedad (13,1-12,2-12,1) VARIANZA: =
Desviacin estndar: S= =0,54 Aplicamos la frmula para calcular el nmero de muestras, tenemos: n=
*Calculando el numero de muestras utilizando los ocho valores correspondientes a los resultados de la humedad (10; 7.1; 14; 13; 1; 12.2; 12.1; 14) de la tabla. VARIANZA:
= DESVIACION ESTANDAR: S= =2,3
Aplicando la frmula para obtener el nmero de muestra tenemos: n= =
83
d) Qu tipo de informacin grafica se podra construir con los datos tomados? -Podramos generar un diagrama de columna agrupada para representar cada caracterstica Bromatolgica de las tres harinas de pltano que elegimos.
tambin podemos representar la gran media de las tres harinas en sus caractersticas bromatolgicas atreves de un diagrama
circular.
e) Determine el intervalo de confianza para la proporcin de varianza de una de las propiedades determinadas
84
Tabla de valores de Z de los diferentes niveles de confianza Nivel de 99.73% 99% 98% 96% Confianza Valores de Z 3.00 2.58 2.33 2.05 95.45% 95% 2.00 1.96 90% 80% 68.27% 50% 1.00 0.6745
1.645 1.28
El nivel de confianza ver que es de 2.33
aqu es de 98% y si nos fijamos en la tabla podemos
f) Se podra concluir que existen diferencias significativas entre la harina proveniente de las diferentes localidades? Sustente sus conclusiones utilizando un mtodo estadstico de comparacin apropiado por ejemplo Duncan y Tukey. PRUEBA DE TUKEY: Se realizan comparaciones mltiples que son posibles con t tratamientos. Para esto se procede a aplicar la siguiente ecuacin: DMS= EE. DONDE q es el valor que se encuentra en las tablas de Tukey con el nmero de tratamientos, los grados de libertad del error y el nivel de significancia deseado. El mtodo es hallar todas las comparaciones posibles con t tratamientos que son t(t-1)/2 poniendo las medias en orden creciente y decreciente y restando de la media mayor todas las medias, despus a la siguiente mayor le restamos las dems medias y as sucesivamente hasta que se termine, si esta diferencias de medias superan la DMS , se dice que las medias son significativas, en caso contrario no son significativas o estadsticamente . 1) Ordenamos la media de mayor a menor HP7 HP5 HP6 19,43 17,316 16,7833 = (4,18) (3,83)=16,0094
2) Hallamos el valor de DMS =
3) Se busca la diferencia entre todas las medias para lo cual se implementa la siguiente Tabulacin. HP7 19,43 HP5 17,31 HP6 16,78
85
HP6 HP5 HP7
16,78 17,31 19,43
2,65 2,12 0,0
0,53 0,0
0,0
DMS=16,0094
4)
HP7 19,43
HP5 17,31
HP6 16,78
CONCLUSIN: Las Harinas no tienen mayor diferencia entre HP5 Y HP6, si hay diferencia significativa entre HP7 y HP6, las medias de todas estas con respeto DMS son significativas.
86
Apndice 2 Aplicacin prctica Experimentos sin bloquear - Diseo totalmente aleatorizado o completamente al azar Ejemplo Se quiere mejorar las propiedades de transportabilidad, manejo y presentacin de las rosquillas elaboradas por una panificadora, para tal efecto de determinara el efecto que sobre la dureza de estas tiene la incorporacin de tres aditivos en la misma proporcin; los aditivos se incorporaran individualmente en la masa elaborada (amasijo).
Diseo experimental totalmente aleatorizado Rosquillas
5 9
Ingrediente A
Ingrediente B
Ingrediente C
Figura 12. Diagrama de flujo para la produccin de rosquillas a partir de una masa estandarizada. Para el estudio los investigadores emplearon un diseo de experimentos completo al azar o sin bloquear-simple y balanceado por que todos los tratamientos tienen el mismo nmero de datos. Hiptesis de investigacin: La hiptesis planteada es que al menos uno de los tres ingredientes mejorara la dureza final de las rosquillas. H0 : U1=U2=U3
87
Y la hiptesis alterna HA: U1 # U2 # U3 Diseo del experimento: una masa bien homognea para la confeccin de las rosquillas se divide en seis porciones iguales y a cada dos de ellas se les mezcla el ingrediente seleccionado. El primer paso es aleatorizar asignndole una secuencia de nmeros aleatorios a las unidades experimentales, utilizando una de las tablas de permutacin de donde se toma una permutacin aleatoria por ejemplo: 318594267, asignar el primer tratamiento a las tres porciones del tratamiento A, los dos siguientes al tratamiento B y finalmente los otros dos restantes al tratamiento C En la tabla siguiente se resume la aleatorizacin hecha. Tabla 12. De aleatorizacin para el ejemplo de las rosquillas
3 Tratamiento o aditivo A
La dureza se evala despus de seis das de almacenamiento a 10*C.
Tabla 13. Datos obtenidos en la determinacin de la dureza para el ejemplo de las rosquillas. Tratamientos Dureza o variable de respuesta Total Media Determinacin c/trata (Und / cmt) miento
3 7 1
Secuencia de experimentacin Aditivo A 7
21
Secuencia de experimentacin
88
Aditivo B
10
27
Secuencia de experimentacin Aditivo C 10
12
31
10.33
Gran media
79
8.77
Solucin: con los datos de la tabla desarrollamos las siguientes operaciones: 1- Sumamos todos los resultados individuales (determinaciones de la dureza) o sumatoria total.
Yij = y ij = 7+9 +5+10+8+9+10+9+12 = 79

j =1
2- Podemos calcular la media por tratamiento y la gran media. a= nmero de tratamientos. r=repeticiones de haberse realizado. N= total de mediciones-datos (N= anr). r=1 solo una medida por tratamiento.
Yij1 = Yij
7+9 +5= 21 10+8+9= 27
n
21/ 3 = 7 27/3 = 9 31/3= 10.33
10+9+12= 31
Gran media 79/ 9 = 8.77
Y = 79 Obsrvese que es igual a Yij = y ij

j =1
3- Elevamos al cuadrado cada uno de los datos u observaciones registradas. Cada observacin de cada tratamiento se eleva al cuadrado.
(
i =1 j =1
yij
)2 = {(7)2+ (9)2 + (5)2+ (10)2 + (8)2+ (9)2+ (10)2+ (9)2 + (12)2} =

89
(49)+ 81+25+100+64+81+100+81+144= 725
3.1. Calculamos
[ Y ..2
N ] = {(79)2/3x3} = 693.4444
Conocido tambin como factor de correccin 4- Elevamos al cuadrado la suma horizontal de los tratamientos (hallados en 2) estos valores (cuadrados) para cada tratamiento se suman. Aplicamos la frmula para calcular la suma de cuadrados por tratamiento= SCt. SCtratamientos = [{(21)2+ (27)2 + (31)2}]/3 -- {(79)2/3x3} = SCtratamientos = {441 + 749+ 961}/ 3 693.44444= 717- 693.4444= 23.5555 5- Todos los valores-determinaciones (producto cuadrado) se suman, con esta calculamos la suma total de cuadrados.
SCTotal =
i =1
(
j =1
yij
)2 - [ Y ..2
SCTotal = {(7)2+ (9)2 + (5)2+(10)2 + (8)2+ (9)2+ (10)2+(9)2 + (12)2}- {(79)2/3x3 }= SCTotal = 725 693.4444= 31.5556 SCT=SCE+SCt SCT SCt = SCE SCE = 31.5556 - 23.5555= 8.0 6- Calculo de los grados de libertad 6.1. 6.2. 6.3. Libertad de los tratamientos= 3-1 = 2 Libertad total= 9-1= 8 Libertad total - Libertad de los tratamientos = 8-2 = 6
7. Calculo de los cuadrados medios 7.1 . Cuadrado medio de los tratamientos CMtratamient = SCtrata/ libertad tratamieno CMtratamient = 23.5555/ 2 = 11.77775
90
7.2 . Cuadrado medio del error CMerror = SCerror/ libertad error CMerror = 8 / 6 = 1.3333 7.3. Cuadrado medio total CMtotal = SCtotal/ libertad total CMtotal =31.5556 / 8 = 3.9445 Tabla 14. Anlisis de varianza para evaluar el efecto de los aditivos en elaboracin de rosquillas. Grados de Libertad Ecuac Tratamientos Error Total 3-1=2 6 (9-1)=8 SC Suma de cuadrados Ecuac 23.5555 8 31.5556 CM Cuadrados medios Ecuac 11.77775 1.3333 SSTotales / (kn -1) 8.83 0,1004 F0 Razon Ecuac la
p-valor
Fuente de variacin
Como la razn de varianza calculada-8.83 para los tratamientos es menor que la reportada-propuesta en la tablas de valores criticos de distribucin F -19.3 para 2 grados de libertad en el numerador (tratamientos) y 6 en el denominador (error) para una significancia-alfa de 5%, concluimos que al menos un tratamiento es diferente. Entonces la pregunta del investigador es: Cul de ellos?. U establecer especficamente cules son las medias que difieren entre s en forma significativa. Para el efecto utilizamos los llamados mtodos de comparaciones mltiples como la mnima diferencia significativa (LSD), el mtodo de Tuckey y el mtodo de Dunnett. La Diferencia Mnima Significativa (DMS) esta es la diferencia entre dos medias, basadas en la prueba t de Student, empleando el valor de la varianza del error. El valor de la LSD se encuentra referido a la distribucin de t por la siguiente relacin: - Media del tratamiento B = Sd (t)
91
-k
N-K = grados de libertad del error = 6
/ n) ) es el error tpico de la media
n= 3- nmero de muestras en experimentacin por tratamiento.

-k
1.3333/ 3)
S= t S= t
-k
(0.888888) (0.9428)
= 2.44 extractado de las tablas de puntos crticos para la t distribucin T de Student con los grados de libertad del error. S = 2.44 (0.9428) S= 2.3 Las diferencias entre las medias son A - B = -2 A - C = -3 B - C = 1,33
Si la diferencia entre dos promedios seguidos excede el valor de 2.3, se la declara significativa al nivel del 5%. En este ejemplo, la LSD indica que no hay diferencias significativas entre tratamientos adyacentes, pero la F de la ANALISIS DE LA VARIANZA indica que s existen diferencias si se comparan medias no adyacentes, en este caso, el investigador podra optar por otro tipo de prueba de rango mltiple. Por ejemplo si utilizamos adems la prueba de rango mltiple para las rosquillas: 95% LSD, obtenemos los siguientes resultados:
Tabla 15. Anlisis de homogeneidad y contraste de las rosquillas. Tratamiento A Muestras 3 Media 7 Homogeneidad del grupo X Contraste (Diferencia) A-B ( -2)
92
B C
3 3
9 10.33
XX X
B-C B-C
(-3.33)* (-1,33)
* Indica diferencia estadsticamente significativa Comprobando que el tratamiento seleccionado es el que presenta mejores condiciones para ser aplicado a la rosquilla. Solucin por computadora Hay muchos paquetes de software de estadstica que cuentan con la capacidad para probar hiptesis estadsticas. SPSS- EXCELL-
93
Apndice 3 Un grupo de profesionales-del que Ud hace parte, desarrollo un proyecto de investigacin el cual tena como meta estudiar la composicin de amino cidos de una alga cultivada en superficie en cuatro sustratos diferentes. Obtenindose los siguientes resultados: Tabla 6. Composicin Bromatolgica (% Bs) De La Harina De un alga desconocida. Segn Los Sustratos Alimenticios/ ** Sustrato MatSec ProtC ProtV ProS S1 S2 S3 S4 S5 19.9 20.1 21.6 19.9 16.13 57.29 56.67 53.98 56.59 39.23 51.16 50.91 48.62 49.96 46.96 90.26 91.00 88.78 91.78 85.76 Grasa Tot 4.81 5.75 4.37 5.75 4.07 EB 19.74 20.08 18.91 18.09 12.54 AcGrasS AGI 3.12 3.89 3.01 3.10 3.17 1.32 1.87 1.98 1.79 1.10 AGP FDN FDI 1.43 1.85 1.85 1.37 1.21 2.82 2.91 3.13 2.82 2.21 8.12 7.96 8.86 8.58 6.42
Datos tomados con fines educativos Identifique con toda precisin: las unidades experimentales, los factores, los tratamientos, las variables y dems caractersticas que intervienen en el estudio que realizo tu equipo de trabajo. Igualmente te solicitamos que de respuesta a las siguientes preguntas: a) Qu tipo de diseo siguieron los profesionales a cargo del estudio? b) Plantee el modelo matemtico, justificando su respuesta. c) Establezca las suposiciones necesarias para el anlisis de varianza de los datos. Realice el anlisis de varianza. d) Pruebe la hiptesis que no hay diferencias entre las medias de los tratamientos con la prueba de F a un nivel de significancia de 0,05. e) Se puede decir que hay diferencias entre los distintos sustratos? f) Y, en que otro tipo de situacin experimental para su trabajo disciplinar, se podra presentar este tipo de anlisis. Describa el ejemplo Desarrollo -Los factores: El alga cultiva en superficie.
94
-Las unidades experimentales del presente ejercicio son: composicin de aminocidos de un alga. -Los tratamientos: los cinco sustratos diferentes. -Variables: resultados de la composicin de aminocidos. a) Tipo de diseo: despus de analizado este ejercicio parece ser que presenta el nivel descriptivo ya que describe las caractersticas de la composicin de aminocidos del alga y su comportamiento en los cinco sustratos. b) El modelo matemtico: se va a utilizar el anlisis de varianza (Esta medida nos permite identificar la diferencia promedio que hay entre cada uno de los valores respecto a su punto central (Media ) (ANOVA), esta se utiliza para determinar una razn de las diferencias observadas, el nivel de margen de error y as mismo para comprobar la hiptesis que se presenta mas adelante. c) Anlisis de varianza: Para este ejercicio se trabajara con los siguientes sustratos: Composicin Bromatolgica (% Bs) De La Harina De un alga desconocida. Segn dos Sustratos Alimenticios. Aminocidos MatSec ProtC ProtV ProS GrasaTot EB AcGrasS AGI AGP FDN FDI TOTAL Sustrato 1: S1 (total)/ 11(sustratos total)
95
S1 X 19.9 57.29 51.16 90.26 4.81 19.74 3.12 1.32 1.43 2.82 8.12 259,97
X2 396.01 3282.144 2617.345 8146.867 23.136 389.667 9.7344 1.7424 2.0449 7.9524 65.9344 14942,54
S2 X 20.1 56.67 50.91 91.00 5.75 20.08 3.89 1.87 1.85 2.91 7.96 262,99
X2 404.01 3211.488 2591.828 8281 33.0625 403.2064 15.1321 3.4969 3.4225 8.4681 63.3616 15018,46
= 259,97/11 (sustratos) = 23.633 Sustrato 2: S2 = 262,99/11 = 23,908 Media total entre los dos sustratos: S1 + S2 /22 522,96/22 = 23,770 Suma total de los cuadrados: ! xt2 = !X2 - (!X)2 = 29961 (522,96)2 = 29961 12431,23 ------- -----------N 22 = 17529,77 Suma de los cuadrados entre los dos sustratos: ! xb2 = (!X1)2 + !(X2)2 + ....- (!X)2 ------- -------- ---------= n1 n2 N = (259,97)2/11 + (262,99)2/11 (522,96)2/22 = 0,41 Entonces Suma de los cuadrados dentro de los sustratos: Esta se puede calcular restando la suma de los cuadrados entre los grupos y la suma total de los cuadrados. ! xb2 = 17529,77 0,41 = 17529,36 Sacamos luego un resumen de las varianzas respecto de los dos sustratos S1 y S2.
96
Fuente de varianza Suma de los cuadrados entre dos sustratos Suma de los cuadrados dentro de los sustratos TOTAL
SS 0,41
df 1
MS 0.41
F 0,0004677
Nivel de signo 0,05
17529,36
20
876,468
17529,77
21
df: son los grados de libertad asociado a cada fuente de varianza, el numero de grados de libertad de la varianza entre grupos (G-1) es 2-1 = 1 y los grados de libertad de la varianza dentro de los grupos es: 11 1 +11 1 = 20. MS: cuadrado de la media entre los grupos y el cuadrado de la media dentro de los grupos. Se obtienen dividiendo la suma de los cuadrados as: 0,41/1 = 0,41 y 17529,36/20 = 876,468. d) Hiptesis: no existe diferencias entre las medias de los tratamientos. Para hallar el producto final, o sea la razn F, se divide el cuadrado de la media entre los grupos y el cuadrado de la media dentro de los grupos previamente obtenidos: F = 0,41/876,468 = 0,0004677 e) Se puede decir que hay diferencias entre los distintos sustratos? mirar la tabla de la razn F3, con el fin de determinar si esta tiene significancia estadstica. Localizando los grados de libertad entre grupos (numerador) y el nmero de grados de libertad dentro de los grupos (denominador), encontramos: los grados de libertad son 1 y 20, lo cual establece una razn de F de 4,3513. F calculada en el ejemplo anterior resulta menor que el valor anterior, no es significativa en el nivel 0,05, ya que si se hubiera obtenido la razn F igual o mayor que la encontrada en la tabla, entonces la diferencia hubiera sido significativa y se rechazara la hiptesis nula. f) Y, en que otro tipo de situacin experimental para su trabajo disciplinar, se podra presentar este tipo de anlisis: Existen muchas situaciones en la Ingeniera
97
de Alimentos, donde se presentan estos ejemplos de anlisis, por ejemplo: anlisis de porciones con cierta muestras de alimentos, experimentos acerca del empleo de qumicos para alguna prueba de laboratorio, hay mucho ejemplos lo que se debe tener en cuenta y es muy importante tomar el anlisis correcto.
98
Apndice 4 Un equipo de ingenieros de alimentos y zootecnistas realiz un experimento , con el fin de mejorar las condiciones de una dieta para semovientes, agregado dos complementos alimenticios diferentes a sus ingredientes bsicos (cinco porcentajes diferentes). Las distintas calidades del primero se indican con las letras latinas y las del segundo por las letras griegas. Se suministra la dieta a los animales clasificados de acuerdo con cinco pesos inciales (W1, W2, W3, W4, W5) y cinco razas diferentes (R1,R2, R3, R4, R5). Los incrementos de peso logrado por el tiempo del experimento se muestran en la tabla dada a continuacin, especifique si es correcto el diseo seguido, de respuesta a las siguientes inquietudes, realizando y desarrollando los clculos segn el caso.
a. Qu tipo de diseo experimental siguieron los proyectantes? Por qu? El diseo que siguieron los proyectantes fue el cuadro Greco latino, el cual tiene las siguientes caractersticas: v Es un diseo con cuatro factores a k niveles v Se asume que no hay interacciones v Requiere k2 observaciones v El diseo factorial completo requiere k4 v Cada nivel de un factor aparece una vez con cada nivel de los otros factores v Es una superposicin de dos cuadrados latinos Cada letra griega aparece una vez en cada fila, en cada columna y una con cada letra latina
99
En los arreglos por bloques, se pueden analizar 4 factores, introduciendo un cuarto factor o bloque en un diseo cuadrado latino, siguiendo las mismas reglas utilizadas para introducir un tercer factor en un diseo cuadrado de dos factores. A este cuarto factor o bloque se le denomina Componente GRIEGO, ya que se utilizan letras griegas para identificar sus niveles, a la adicin de un diseo cuadrado latino y un cuarto factor, se le llama Diseo Cuadrado Greco-Latino. b. Defina la variable, los tratamientos, elige una significancia apropiada. TRATAMIENTOS: Las diferentes dietas VARIABLES: El peso de los animales c. Calcule el ANOVA.
100
FACTOR DE CORRECCION FC: (X)2 / 25 FC: 185761/ 25 FC: 7430,44 SUMA DE LOS CUADRADOS TOTAL SCTotal: 7881-7430,44 SCTotal: 450,56 SCHileras: 13,36 SCColumnas: 22,16 SCTratamientos: 350,56 SC4 Factor: 10,16 SCError: 54,32 Ft FUENTES GRADOS DE SC CM Fo 5% 1%
101
LIBERTAD TRATAMIENTOS 4 COLUMNAS 4 4 Factor 4 HILERAS 4 ERROR 8 TOTAL 24 S= 6,79/5 = 0.521. Sd= 2(6,79)/5 = 1,648.
350,56 22,16 10,16 13,36 54,32 450,56
87,64 5,54 2,54 3,34 6,79
12,90722 0,815906 0,37408 0,4919
3,84 3,84 3,84 3,84
7,01 7,01 7,01 7,01
Existe una confiabilidad de 15 %. Para F 0.05, 4, 8 = 3.84, entonces tenemos: Raza: Como la Fo (0,50) < F 0.05, 4, 8 = 3.84, entonces se Acepta Ho, la raza no es fuente de variacin para la respuesta. Peso: Como la Fo (0,82) < F 0.05, 4, 8 = 3.84, entonces se Acepta Ho, el peso no es fuente de variacin para la respuesta. Como la Fo (12,9) > F 0.05, 4, 8 = 3. 84, Ho. Se rechaza, el primer complemento alimenticio es el que causa variacin. Como la Fo (0,38) < F 0.05, 4, 8 = 3.84, Ho. Se acepta, el segundo complemento no es fuente de variacin. a. Se podran realizar comparaciones entre medias? Justifique su respuesta. La hiptesis nula H0: m1 - m2 = d0 Generalmente d0=0 Hay 3 situaciones distintas: 1 conocidos (poco frecuente).
102
2 3
desconocidos pero iguales. desconocidos pero distintos.
Los estadsticos son distintos (z en 1 y t en 2 y 3) pero el procedimiento es el mismo. En los 3 casos se supone que las muestras son independientes; si no lo fueran hay otro estadstico (t pareada). Todos asumen normalidad. Si no se cumpliera hay que usar los llamados test no paramtricos. e. En caso afirmativo determine la mejor de ellas N efectivo de replicacin = 5 COMPARACIN A-E A-D A-C A-B C-E C-D C-B B-E B-D D-E DIFERENCIA PROMEDIO PROMEDIO DMS 1 2 10.8 23.6 12.8 5.4781 8.4 8.0 4.6 6.2 3.8 3.4 2.8 0.4 2.4 23.6 23.6 23.6 19.0 19.0 19.0 15.6 15.6 15.6 15.2 15.6 19.0 12.8 15.2 15.6 12.8 15.2 12.8 5.4781 5.4781 5.4781 5.4781 5.4781 5.4781 5.4781 5.4781 5.4781 CONCLUSIN sig. Sig. Sig. No sig. Sig. No sig. No sig. No sig. No sig. No sig.
e) Consideras que los datos tomados son suficientes? O habra que tomar datos adicionales? Si porque con estos datos se pudo identificar diferencias significativas, y determinar cul tratamiento causa variacin.
103
Apndice 5 Diseo factorial Un ingeniero est interesado en el efecto de la velocidad de corte (A) en la dureza de una pierna de bovino (tejido muscular y hueso) congelada instantneamente por IQF (B) y el ngulo de corte (C) sobre la duracin del dispositivo utilizadosierra. Para lo cual el equipo de trabajo eligi dos niveles para cada factor y corri dos rplicas en un diseo factorial 23. La tabla siguiente presenta los datos de tiempo de duracin (en horas) de la herramienta.
a. Represente grficamente los datos y calcule los efectos correspondientes y las interacciones de cada uno de los factores. b. Determine cules de estos efectos son importantes usando la tabla de anlisis de varianza. c. Determine los residuos. d. Ajuste un modelo estadstico para estos datos e. Reporte las conclusiones obtenidas. Nota: Representar los datos. Interpretar los resultados enunciando las hiptesis. Solucin al ejercicio Geomtricamente las combinaciones de tratamientos que se encuentran en la tabla anterior, se representan de la siguiente forma:
104
COMBINACION DE TRATAMIENTOS (1) a b ab c ac bc abc
REPLICA I 221 325 354 552 440 406 605 392 II 311 435 348 472 453 377 500 419
TOTAL
532 760 702 1024 893 783 1105 811 6610
Modelo estadstico
Donde, : efecto medio general li: efecto del i-simo nivel del factor A j: efecto del j-simo nivel del factor B k: efecto del k simo nivel del factor C
105
: Efecto de la interaccin entre el i-simo nivel de A y el j-simo nivel de B : Efecto de la interaccin entre el i-simo nivel de A y el k-simo nivel de C : Efecto de la interaccin entre el j-simo nivel de B y el k-simo nivel de C : Efecto de la interaccin entre el i-simo nivel de A, j-simo nivel de B y el K-simo nivel de C : Componente del error aleatorio (error natural) Tabla de hiptesis
Forma verbal de las Hiptesis a probar: a) H0: La velocidad de corte no influye significativamente en la duracin del dispositivo utilizado-sierra H1: La velocidad de corte influye significativamente en la duracin del dispositivo utilizado-sierra
106
b) H0: La congelacin IQF no influye significativamente en la duracin del dispositivo utilizado-sierra H1: La congelacin IQF influye significativamente en la duracin del dispositivo utilizado-sierra c) H0: El ngulo de corte no influye significativamente en la duracin del dispositivo utilizado-sierra H1: El ngulo de corte influye significativamente en la duracin del dispositivo utilizado-sierra d) H0: La velocidad de corte y la congelacin IQF no influyen significativamente H1: La velocidad de corte y la congelacin IQF influyen significativamente en la duracin del dispositivo utilizado-sierra e) H0: La velocidad de corte y el ngulo de corte no influyen significativamente en la duracin del dispositivo utilizado-sierra H1: La velocidad de corte y el ngulo de corte influyen significativamente la duracin del dispositivo utilizado-sierra f) H0: La congelacin IQF y el ngulo de corte no influyen significativamente en la duracin del dispositivo utilizado-sierra H1: La congelacin IQF y el ngulo de corte influyen significativamente en la duracin del dispositivo utilizado-sierra g) H0: La velocidad de corte, la congelacin IQF y el ngulo de corte no influyen significativamente en la duracin del dispositivo utilizado-sierra H1: La velocidad de corte, la congelacin IQF y el ngulo de corte influyen significativamente en la duracin del dispositivo utilizado-sierra
a=2 , b=2 , c=2 , n=2 , i=1,2 , j=1,2 , k=1,2
Estimacin de los efectos promedios de los factores principales e interacciones Efecto A: velocidad de corte Efecto B: congelacin IQF Efecto C: ngulo de corte
107
Efecto velocidad de corte A= 1 [a- (1) + ab b + ac c + abc - bc] 4n 1 [760-532+1024-702+783-893+811-1105] 4(2) 1 [3378-3232] 8
A=
A=
A = 18.25
Efecto congelacin IQF B= 1 [b+ab+bc+abc-(1)-a-c-ac] 4n [702+1024+1105+811-532-760-893-783] 1 4(2) [3642-2968]
B=
B= 1 8
B= 84.25
Efecto ngulo de corte C= 1 [c+ac+bc+abc-(1)-a-b-ab] 4n 1 [893+783+1105+811-532-760-702-1024] 4(2) 1 8 [3592-3018]
C=
C=
C= 71.75 Efecto promedio de AB AB= 1 [(1)-a-b+ab+c-ac-bc+abc] 4n
108
AB=
1 [532-760-702+1024+893-783-1105+811] 4(2) 1 8 [3260-3350]
AB=
AB= -11.25
Efecto promedio AC AC= 1 [(1)-a+b-ab-c+ac-bc+abc] 4n [532-760+702-1024-893+783-1105+811]
AC= 1 4(2) AC= 1 8
[2828-3782]
AC= -119.25 Efecto promedio BC BC= 1 [(1)+a-b-ab-c-ac+bc+abc] 4n 1 [532+760-702-1024-893-783+1105+811] 4(2) 1 8 [3208-3402]
BC=
BC=
BC=-24.25
Efecto promedio de ABC ABC= 1 [abc-bc-ac+c-ab+b+a-(1)] 4n 1 [811-1105-783+893-1024+702+760-532] 4(2) 1 [3166-3447] 8

109
ABC=
ABC=
ABC= -35.13
Los valores encontrados para cada uno de los efectos significan: El efecto de la velocidad de corte es positivo e igual a 18.25; significa que se espera un aumento de 18.25 en la duracin del dispositivo utilizadosierra El efecto de la congelacin IQF es positivo e igual a 84.25; significa que se espera un aumento de 84.25 en la duracin del dispositivo utilizado-sierra El efecto de del ngulo de corte es positivo e igual a 71.75; significa que se espera un aumento de 71.75 en la duracin del dispositivo utilizado-sierra El efecto de la velocidad de corte y la congelacin IQF es negativo (-11.25); significa que la combinacin de ambos no afecta en la duracin del dispositivo utilizado-sierra El efecto de la velocidad de corte y el ngulo de corte es negativo (-119.25); significa que la combinacin de ambos no afecta en la duracin del dispositivo utilizado-sierra El efecto de la congelacin IQF y el ngulo de corte es negativo (-24.25); significa que la combinacin de ambos no afecta en la duracin del dispositivo utilizado-sierra El efecto de la velocidad de corte, la congelacin IQF y el ngulo de corte es negativo (-35.13); significa que la combinacin de los tres no afecta en la duracin del dispositivo utilizado-sierra
Contrastes para los efectos principales e interacciones: Los contrastes son el resultado de lo que se encuentra entre parntesis de los efectos
Contraste A = 146 Contraste B= 674 Contraste C= 574 Contraste AB= -90

110
Contraste AC= -954 Contraste BC= -194 Contraste ABC= -281
Suma De Cuadrados SSA= (contraste A)2 8n SSA= (146)2 16 SSA = 1332.25 SSB= (contraste B)2 8n SSB= (674)2 16 SSB = 28392.25 SSC= (contraste C)2 8n SSC= (574)2 16 SSC= 20592.25 SSAB= (contraste AB)2 8n SSAB= (-90)2 16 SSAB=506.25
111
SSAC= (contraste AC)2 8n SSAC= (-954)2 16 SSAC= 56882.25
SSBC= (contraste BC)2 8n SSBC= (-194)2 16 SSBC=2352.25 SSABC= (contraste ABC)2 8n SSABC= (-281)2 16 SSABC= 4935.06 SUMA DE CUADRATOS TOTAL
2 2 2 2 +(500) +(392) +(419) ] (6610) 16
SST= [(221)2+(311)2+(325)2+(435)2+(354)2+(348)2+(552)2+(472)2+(440)2+(453)2+(406)2+(377)2+(605)2
SST = 2865344 2730756.25 SST = 134587.75
Suma De Cuadrados Del Error SSE = SST - SSA SSB SSC SSAB SSAC SSBC SSABC
112
SsE=
134587.75 1332.25 28392.25 20592.25 506.25 56882.25 2352.25 4935.06
SSE = 19595.19 SSE: Tiene 8(n -1) grados de libertad; porque cada suma de los efectos principales e interacciones tienen un grado de libertad cada una.
Media de cuadrados
MSA = SSA = 1332.25 = 1332.25 a-1 21 MSB = SSB = 1332.25 = 28392.25 b-1 21 MSC = SSA = 1332.25 = 20592.25 c-1 21 MSAB = SSA (a-1)(b-1) MSAC = SSA (a-1)(c-1) = 1332.25 = 506.25 1x1 = 1332.25 = 56882.25 1x1
MSBC = SSA (b-1)(c-1) MSABC = SSA (a-1)(b-1)(c-1) MSE = SSA abc(n-1)
= 1332.25 = 2352.25 1x1 = 1332.25 = 4935.06 1x1x1
= 1332.25 = 2449.39875 2x2x2(1)
Fo = MSA = 1332.25 = 0.54 2449.39 MSE Fo = MSB = 28392.25 = 11.59 2449.39 MSE Fo = MSC = 20592.25 = 8.40 MSE 2449.39
113
Fo = MSAB = 506.25 = 0.20 2449.39 MSE Fo = MSAC = 56882.25 = 23.2 MSE 2449.39 Fo = MSBC = 2352.25 = 0.96 MSE 2449.39 Fo = MAABC = 4935.06 = 2.01 MSE 2449.39
Tabla Anlisis De Varianza

FUENTES VARIACION A B C DE GRADOS LIBERTAD 1 1 1 DE SUMA DE CUADRADOS MEDIOS 1332.25 28392.25 20592.25 0.54 11.59 8.40 VALOR DE F F CRTICA (1,8,0.05) 5.32
CUADRADOS 1332.25 28392.25 20592.25
114
AB AC BC ABC ERROR TOTAL 1 1 1 1 8 15 506.25 56882.25 2352.25 4935.06 19595.19 134587.75 506.25 56882.25 2352.25 4935.06 2449.39875 0.20 23.2 0.96 2.01
Tomando = 0.05 para obtener el F de tablas con un grado de libertad del numerador y 8(n-1)= 8(2-1) = 8 en el denominador, se tiene que: F, 1,8(n-1) = F0.05, 1,8 = 5.32 Conclusiones Revismoslas, analicmoslas y fijemos nuestra posicin acorde con criterios estadsticos. a) Para el caso del factor A (velocidad de corte) el F0 < F Tablas (0.54<5.32); por lo tanto, se acepta H0 y se rechaza H1; es decir, que velocidad de corte no influye significativamente en la duracin del dispositivo utilizado-sierra b) Para el caso del factor B (congelacin IQF) el F0 > F Tablas (11.59 >5.32); por lo tanto, se rechaza H0 y se acepta H1; es decir, que la congelacin IQF influye significativamente en la duracin del dispositivo utilizado-sierra c) Para el caso del factor C (ngulo de corte) el F0 > F Tablas (8.40>5.32); por lo tanto, se rechaza H0 y se acepta H1; es decir, que el ngulo de corte influye significativamente en la duracin del dispositivo utilizado-sierra d) Para el caso de la interaccin del Factor A y el factor B (velocidad de corte y congelacin IQF) el F0 < F Tablas (0.20<5.32); por lo tanto, se acepta H0 y se rechaza H1; es decir, que la velocidad de corte y la congelacin IQF no influyen significativamente en la duracin del dispositivo utilizado-sierra e) Para el caso de la interaccin del Factor A y el factor C (velocidad de corte y el ngulo de corte) el F0 >F Tablas (23.2>5.32); por lo tanto, se rechaza H0; es decir, que la velocidad de corte y el ngulo de corte influyen significativamente en la duracin del dispositivo utilizado-sierra. f) Para el caso de la interaccin del Factor B y el factor C (congelacin IQF y ngulo de corte ) el F0 < F Tablas (0.96<5.32); por lo tanto, se acepta H0 y se rechaza H1; es decir, que la congelacin IQF y el ngulo de corte no influyen significativamente en la duracin del dispositivo utilizado-sierra.
115
g) Para el caso de la interaccin del Factor A, factor B y el factor C (velocidad de corte, congelacin IQF y ngulo de corte) el F0 < F Tablas (2.01<5.32); por lo tanto, se acepta H0 y se rechaza H1; es decir, que la velocidad de corte, congelacin IQF y ngulo de corte no influyen significativamente en la duracin del dispositivo utilizado-sierra.
116
GLOSARIO
Anlisis de varianza: Es una tcnica estadstica que sirve para analizar la variacin total de los resultados experimentales de un diseo en particular, descomponindolo en fuentes de variacin independientes atribuibles a cada uno de los efectos en que constituye el diseo experimental. Anlisis multivariante: Cualquier tcnica estadstica diseada para medir la influencia de varias variables independientes actuando simultneamente en ms de una variable dependiente. Bloque: conjunto de unidades experimentales lo ms homognea posible, en el cual, aparecen todos los tratamientos una sola vez. Diseo al azar: se usa cuando las unidades experimentales son homogneas, y la variacin entre ellas es muy pequea. Diseo de bloques: se presenta cuando se renen las unidades experimentales a las cuales se les aplicaran los tratamientos, en bloques de cierto tamao, de tal forma que los tratamientos se efecten dentro de cada bloque. Diseo experimental: Plan general del procedimiento para llevar a experimento en funcin de unos datos especficos deseados. cabo un
Diseo factorial. Diseo experimental que incorpora uno o ms niveles de dos o ms variables independientes. Desarrollo Experimental: Trabajo sistemtico sobre el conocimiento ya existente, adquirido a travs de investigaciones o experiencias prcticas, que se dirige a producir nuevos materiales, productos, sistemas o mtodos; instalar nuevos procedimientos, sistemas o servicios; o mejorar sustancialmente los producidos instalados. Error experimental: medida de la variacin que existe entre las observaciones de unidades experimentales en el mismo tratamiento. Estadstica: Subdisciplina de las Matemticas que rene y evala datos numricos y los trata de tal manera que la relacin entre esos datos se muestra claramente. Innovacin: se entiende por innovacin tecnolgica la transformacin de una idea en un producto nuevo o mejorado que se introduce en el mercado.
117
Interaccin: Una interaccin ocurre cuando el efecto de un factor de entrada en la salida depende del nivel de otro factor de entrada. A veces se pierden con los diseos factoriales fraccionales. Sin interaccin Interaccin moderada Interaccin fuerte Interaccin fuerte
Investigacin bsica: es la investigacin original, terica o experimental, llevada a cabo principalmente con objeto de adquirir nuevos conocimientos o una mayor comprensin de los fenmenos y observaciones en estudio, sin el propsito de ninguna aplicacin particular. Investigacin aplicada: es tambin investigacin original llevada a cabo para adquirir nuevos conocimientos. Sin embargo, va dirigida principalmente hacia objetivos especficos eminentemente prcticos. Sus resultados son vlidos para un nico o limitado nmero de productos, operaciones, mtodos o sistemas. El conocimiento o informacin derivado de ella es, con frecuencia, patentado o bien, guardado como secreto. Metodologa: Trmino utilizado en sentido amplio que generalmente se refiere a estrategias, tcnicas o procedimientos usados en estudios experimentales, descriptivos o aplicados. Prototipo o modelo: Primer ejemplar construido industrialmente, de una mquina, vehculo, aparato, etc., y destinado a experimentar en funcionamiento sus cualidades y caractersticas, con vistas a la construccin en serie. Proyecto de investigacin. Se entiende el proceso de indagacin sistemtica y planificada sobre un determinado problema temtico, inscrito dentro de una lnea de investigacin, y en el marco global de un programa investigativo, tendiente a indagar por una de las temticas particulares denotadas en la lnea. Repeticin. El nmero de veces que un tratamiento aparece en el experimento.
118
Testigo: Es el tratamiento de comparacin adicional, que no debe faltar en un experimento. Tratamiento: es una de las formas que en cantidad o calidad, el factor a estudiar toma durante el experimento. 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. Variable independiente es una observacin hecha en cada unidad experimental antes de aplicar los tratamientos, e indica hasta cierto grado la respuesta final de la unidad experimental.
119

Unidad 2

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Unidad 2

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS SOCIALES, ARTES Y HUMANIDADES CONTENIDO DIDCTICO DEL CUSO: 90001

1 METODOLOGA DE TRABAJO ACADMICO

= el valor medio en el experimento

Ecuacin 31 d4. Calculo de la suma de cuadrados totales

Tabla 18. Matriz para el ejemplo de diseo factorial 22

48,66666667 55,66666667 71,66666667 63

P(F > Fo)

EFECTOB EFECTOAB Error Total

507 264,4533907 43121,21328 SCT

264,4533907 0,049062328 5390,151659

P(F > Fo) P(F > Fo)

Tabla 21. Signos algebraicos para calcular los efectos en un diseo 2 3

COMBINACIN DE LOS TRATAMIENTOS

AB = 1/2n{[(1) +abc+ab+c -a-b-ac-bc]} Ecuacin 37 n = numero de repeticiones o replicas

Suma de cuadrados EFECTOA SCA

Cuadrados medios CMA

Factor_A Factor_B Factor_C AB AC BC

Total error Total (corr.)

Tabla 27. Ecuaciones para el estimativo de una regresin lineal simple

Tambin es representada como

Ecuacin 51 Ecuacin 52 Ecuacin 53 Ecuacin 54 Ecuacin 55

Y ' = log 10 (Y ) Ecuac 56

Cualquier Parmetro en el modelo de Regresin =

60 Error! No hay texto con el estilo especificado en el documento.1

b0 = gran promedio = promedio de todas las observaciones

transformacin correspondiste. Esta transformacin se ilustra en la figura siguiente:

Factor en escala real

Surface Plot of Res

Grafica 9. Ejemplo de una superficie de respuesta

Revisar ejemplos de los apndices

13.1 12.2 12.1 37,4 12,5

103,9 100,7 116,6

17,31 16,78 19,43

= DESVIACION ESTANDAR: S= =2,3

Aplicando la frmula para obtener el nmero de muestra tenemos: n= =

El nivel de confianza ver que es de 2.33

aqu es de 98% y si nos fijamos en la tabla podemos

2) Hallamos el valor de DMS =

HP6 HP5 HP7

16,78 17,31 19,43

2,65 2,12 0,0

Diseo experimental totalmente aleatorizado Rosquillas

La dureza se evala despus de seis das de almacenamiento a 10*C.

Secuencia de experimentacin Aditivo A 7

Secuencia de experimentacin Aditivo C 10

Yij = y ij = 7+9 +5+10+8+9+10+9+12 = 79

Gran media 79/ 9 = 8.77

Y = 79 Obsrvese que es igual a Yij = y ij

)2 = {(7)2+ (9)2 + (5)2+ (10)2 + (8)2+ (9)2+ (10)2+ (9)2 + (12)2} =

(49)+ 81+25+100+64+81+100+81+144= 725

N-K = grados de libertad del error = 6

/ n) ) es el error tpico de la media

n= 3- nmero de muestras en experimentacin por tratamiento.

Nivel de signo 0,05

350,56 22,16 10,16 13,36 54,32 450,56

87,64 5,54 2,54 3,34 6,79

12,90722 0,815906 0,37408 0,4919

3,84 3,84 3,84 3,84

7,01 7,01 7,01 7,01

desconocidos pero iguales. desconocidos pero distintos.

COMBINACION DE TRATAMIENTOS (1) a b ab c ac bc abc

532 760 702 1024 893 783 1105 811 6610

a=2 , b=2 , c=2 , n=2 , i=1,2 , j=1,2 , k=1,2

Efecto congelacin IQF B= 1 [b+ab+bc+abc-(1)-a-c-ac] 4n [702+1024+1105+811-532-760-893-783] 1 4(2) [3642-2968]