Semana 12 y 13

ESTADÍSTICA APLICADA
Experimentos: diseño completo al azar

Docente: Mg. Carlos A. Jaimes Velásquez

cjaimesve@ucvvirtual.edu.pe

2018-I
 Caso: Entrenamiento para empleados nuevos
El director de entrenamiento de una compañía está tratando de evaluar tres
diferentes métodos de entrenamiento para empleados nuevos.

Método 1: Asignar un Método 2: Ubicar a todos los

empleado nuevo con empleados nuevos en un
un trabajador salón de entrenamiento
experimentado. separado de la fábrica.
Método 3: Utilizar películas
de entrenamiento y
materiales de aprendizaje
programado.
 DISEÑO COMPLETAMENTE AL AZAR
Los tratamientos se asignan aleatoriamente a las unidades
experimentales
Hay k poblaciones (k tratamientos) y se seleccionan k
muestras aleatorias independientes, una de cada
población.

HIPOTESIS ESTADISTICA
Ho: i = 0 (Todos los tratamientos tienen el mismo efecto
sobre la variable en estudio)
1= 2=…= K
H1: i  0 (No todos los tratamientos tienen el mismo
efecto sobre la variable en estudio)
Al menos un i es diferente
 Modelo Lineal

yij     i   ij i  1, 2, . .., k ; j  1, 2, ..., n

La j-ésima
repetición en la j-
ésima muestra.
La media El error experimental asociado a
poblacional la observación yij.
Efecto de i-ésimo
tratamiento

Supuestos del eij ~ N(0,2)

modelo
La variancias generadas por cada población de
tratamientos son iguales
 Análisis de Variancia
• Técnica estadística que permite descomponer la variabilidad
total de los resultados de un experimento en sus distintas
fuentes (tratamientos, bloques, interacciones entre factores,
error experimental), con la finalidad de compararlas e
identificar su importancia relativa en la explicación de la
variación total.

Mide el efecto de los

Variabilidad entre grupos tratamientos

Mide la variabilidad
Variabilidad dentro de los
del error experimental
grupos
 DISPOSICION DE LOS DATOS EN UN DCA

Tratamientos
Muestra 1 2 … i … k
1 Y11 Y21 … Yi1 … Yk1
2 Y12 Y22 … Yi2 … Yk2
3 Y13 Y23 … Yi3 … Yk3
… … … … … …
j Y1j Y2j … Yij … Ykj
… … … … … … …
ni Y1 n1 Y2 n2 … Yi ni … Yk nk
Total Y1. Y2. … Yi. … Yk.
 CUADRO ANOVA
Fuente de Grados de
Suma de cuadrados Cuadrado medio Fc
variación libertad
k
y i2. y ..2 CM (Tr)
k–1 SS(Tr)    SS(Tr) CME
Tratamient i 1 n i n• CM (Tr) 
os K 1
n. – k SSE  SST  SS(Tr) CME 
SSE
Error n• 1
k n
y ..2
n. – 1 SST   y  2
ij
i 1 j1 n•
donde
 k

Total n•   ni 
 i 1 
 Supuestos del modelo en el DCA
Se debe verificar si los residuos siguen una
NORMALIDAD DE LOS RESIDUOS
distribución normal

H 0 : Los residuos se distribuyen normalmente

H1 : Los residuos no se distribuyen normalmente

Si el P-valor es > alfa No se rechaza H0  Se cumple el supuesto de Normalidad

HOMOCEDASTICIDAD Se debe verificar la homogeneidad de las

varianzas

H 0 :  12   22    k2
H 1 : Al menos una varianza es diferente

Si P-valor > alfa No se rechaza H0  Se cumple el supuesto de Homocedasticidad

 Comparaciones Múltiples

Sirve para probar todas las diferencias entre medias de tratamientos en un

experimento. Este método compara las medias de los tratamientos dos a dos.

Las comparaciones múltiples se usan cuando en el ANOVA se detectan

diferencias significativas.

Usar TUKEY cuando:

El interés fundamental es comparar promedios entre dos grupos y son

múltiples las comparaciones que se realizan.
CASO: ENTRENAMIENTO PARA EMPLEADOS NUEVOS
El director de entrenamiento de una compañía está tratando de
evaluar tres diferentes métodos de entrenamiento para empleados
nuevos, registrando la producción diaria después del entrenamiento.
Met 1: Asignar un empleado nuevo con un trabajador
experimentado.
Met 2: Ubicar a todos los empleados nuevos en un salón de
entrenamiento separado de la fábrica.
Met 3: Utilizar películas de entrenamiento y materiales de
aprendizaje programado.

Repetición M1 M2 M3
1 28 18 22
2 27 17 18
3 25 19 19
4 21 16 22
5 23 22 17
¿QUÉ MÉTODO ES MÁS EFECTIVO?
¿CUÁL DEBERÍA ADOPTAR EL
DIRECTOR DE ENTRENAMIENTO

COMPARACIONES MÚLTIPLES
GRACIAS POR SU ATENCIÓN…..!!!
(Alguna Consulta)