Está en la página 1de 75

CURSO – DISEÑO DE

EXPERIMENTOS

Ph.D. M. Sc. Ma. Mercedes Cely B.

MAESTRIA EN INGENIERIA MECANICA


FACULTAD DE INGENIERIA UAC

Barranquilla, agosto de 2017


PRESENTACION
Conceptos.
Principios.
Diseños para comparar Diseños completos al azar.
dos o más tratamientos Diseños en bloques.
Análisis de varianza.

Diseños para estudiar el Diseños factoriales completos y


efecto de varios factores fraccionados con dos y varios niveles.
sobre una o varias Modelos de efectos fijos, aleatorios y
respuestas mixtos.

Regresión.
Diseños para la Diseños de Superficies de respuesta.
optimización de Modelos de primer orden - Diseños robustos.
procesos
Competencias
• A: Diseñar experimentos para formular y ejecutar proyectos de
investigación o solución de problemas aplicada al sector industrial,
contribuyendo al desarrollo integral de la región y del país.
• B: Seleccionar estrategias experimentales. Diseñar experimentos que
permitan validar los resultados de una investigación y dar solución a
problemas reales en la esfera de la gestión energética y otros campos.
• C: Analizar estadísticamente los experimentos. Determinar los factores
que afectan de manera significativa las variables de respuesta de los
procesos y requieren acciones para mejorar el desempeño de equipos y
procesos.
• D: Aplicar técnicas de optimización. Determinar los valores de los
factores que optimizan el desempeño de equipos y procesos y minimizan
los consumos energéticos.
• E: Aplicar software estadístico. Comparar diferentes alternativas de
solución para determinar la solución óptima.
Expositivo (con predominio de la acción del
docente)
ESTRATEGIAS Elaboración conjunta (participación compartida
profesor-estudiante en la construcción del
PEDAGÓGICAS Y conocimiento)
DIDÁCTICAS. Investigativo (predomina la búsqueda
independiente del estudiante)
Debate y reflexión (discusión y opiniones
valorativas del estudiante)
Teórico-práctico (combina la teoría y práctica para
resolución de problemas)

Metodología de la • Análisis y discusión crítica de estudios de


evaluación. casos reales.
Evidencias de la • Elaboración de un artículo (paper) para su
evaluación presentación en una revista científica.
INTRODUCCIÓN

•Reclamos clientes
MEJORAR UN SITUACIONES •Devoluciones
PROCESO: PROBLEMA •Imagen empresa
• Producción
•Mayores •insumos
Composición química
•Procesamiento material
•Transporte
defectuoso•Mercado $$
• Proveedores
•Requerimiento –
personal
PROPUESTA REVISION
•Pérdidas Compradores
económicas

ANALISIS DISCUSION
PLANEACION DE LA INVESTIGACIÓN

6
INTRODUCCION

MEJORAR UN PROCESO:

• Observar o monitorear vía


OBTENER herramientas estadísticas
INFORMACIÓN: • Experimentar es decir hacer cambios
estratégicos para provocar señales.

7
INTRODUCCION

Saber de diseño de Conocimiento de los


experimentos u otras técnicas procesos
estadísticas…

• Observador perceptivo y proactivo capaz de:


• Propone mejoras
• Observa algo que los demás puede que
no vean.

8
INTRODUCCION
Experimentación: El proceso de experimentar se
lleva a cabo para descubrir algo en un proceso o
sistema.

• Comparar 2 o mas materiales para elegir el que mejor


cumple los requerimientos.
Problemas
típicos a • Comparar varios instrumentos de medición para verificar
resolver: que los resultados son precisos y confiables
• Determinar los factores de un proceso que tienen mas
impacto en ciertas características.
• Encontrar las condiciones de operación donde se reduzcan
los defectos
• Apoyar el diseño o rediseño de nuevos productos.
• Ayudar a conocer y caracterizar nuevos materiales.

9
INTRODUCCION - Historia.

Ronald Fisher – primera mitad del siglo XX – Inglaterra.


• 1890 - Fisher nace en East Finchley, Londres.
• 1909- beca Universidad de Cambridge.
• 1919 Fisher empezó a trabajar en la Rothamsted Experimental Station (Harpenden,
Hertfordshire, Inglaterra). Allí comenzó el estudio de una extensa colección de datos, que
fueron publicados bajo el título general de Studies in Crop Variation.

• Siguientes siete años, se dedicó al estudio pionero de los principios del diseño de
experimentos (The Design of Experiments, 1935), elaboró sus trabajos sobre el análisis de
varianza y comenzó a prestar una atención especial a las ventajas metodológicas de la
computación de datos (Statistical Methods for Research Workers, 1925).

• Su respuesta al problema estadístico de los investigadores en biología y agronomía fue introducir


ideas originales en el campo de la inferencia estadística y en el de diseño de experimentos.

• Por ejemplo, descubrió la utilidad del uso de los cuadrados latinos para mejorar significativamente
los métodos agrícolas.

• 1980 . Auge en la industria Japonesa y sus procesos de calidad (Taguchi) – uso en resolver
problemas de fondo y mejorar procesos y productos.
10
INTRODUCCION - Diseño de experimentos

Consiste en planear y realizar un conjunto de


pruebas con el objetivo de generar datos que al
ser analizados estadísticamente proporcionan
evidencias objetivas que permiten responder a
la interrogantes planteadas por el
experimentador sobre determinada situación.

11
DEFINICIONES
Unidad Experimental: Entidad física o sujeto expuesto al
tratamiento. Unidad más pequeña.

Factor: Son variables de proceso o característica de los materiales

Experimento Comparativo
experimentales. (variables de entrada)
F. controlables: : temperatura, humedad, tipo de carbón,
composición química etc.
Experimento

F. No controlables o de ruido.
Niveles del Factor: Diversas categorías de un factor. Ej:
Temperatura son niveles de 20°C, 30°C y 40°C.

Tratamientos: Una combinación de niveles de todos los factores se


llama tratamiento o punto de diseño.

Variable Respuesta: es la variable en estudio, a través de esta variable se


conoce el efecto o los resultados de cada prueba experimental

12
DEFINICIONES

Error Experimental: Variación entre las unidades experimentales tratadas.

Error Aleatorio: Variabilidad observada que no se puede explicar por


factores estudiados, resulta de factores no estudiados y error experimental.

✓Variación Natural de las Unidades.


✓Variabilidad en la medición de la respuesta.
✓Imposibilidad de reproducir las condiciones
ORIGENES con exactitud
✓Interacción de tratamientos con U.E.
✓Cualquier otro factor externo que influya en
las características.
13
HIPÓTESIS
✓Una hipótesis estadística es un enunciado o afirmación ya sea acerca
de los parámetros de una distribución de probabilidad o de los parámetros
de un modelo: (Mongomery et al.)

Hipótesis nula

Hipótesis alternativa

Ejemplo de hipótesis
La porosidad del coque esta definido principalmente
por el tipo de azufre contenido en el carbón inicial.
14
ESTRATEGIAS DE EXPERIMENTACIÓN

ENTRADAS SALIDA =Y

Factores
PROCESO
Controlables Variable respuesta
Factores no
. Efectos
controlables
Causas

15

Fig 1. Modelo General de un problema o sistema.


ESTRATEGIAS DE EXPERIMENTACIÓN

Preguntas:

• Son los únicos medios para realizar el


proceso?
• Hay otros factores que afecten el sistema?
• Cuantas muestras deben probarse?
• Como se asignaran las muestras para
ensayo de prueba?
• Qué método de análisis se debe utilizar?

16
EJEMPLO Diseño experimental 1.
Tipo de
carbón Tiempo Temperatura

•Geometría
•Tamaño de poro
•Velocidad Área superficial
PROCESO especifica de
calentamiento
carbonizados, m2/g
.

Condiciones
ambientales
ESTRATEGIAS DE EXPERIMENTACIÓN

OBJETIVOS DE LA EXPERIMENTACION:

a. Determinar cuáles son las variables que tienen mayor


influencia sobre la respuesta y.
b. Determinar cual es el ajuste de las x que tiene mayor
influencia para que este y esté casi siempre cerca del valor
nominal deseado.
c. Determinar cuál es el ajuste de las x que tiene mayor
influencia para que la variabilidad de y sea reducida
d. Determinar cuál es el ajuste de las x que tiene mayor
influencia para que los efectos de las variables no
controlables z1, z2, ….zq sean mínimos.

18
PRINCIPIO BÁSICO 1 : REPLICAS
Se considera la replica como el primer requisito para obtener
resultados experimentales válidos. Es decir cada tratamiento
se aplica de manera independiente a dos o más unidades
experimentales.

Razones para hacer réplicas

✓Demuestra que se pueden reproducir los resultados.


✓Proporciona cierto grado de seguridad contra resultados
anormales en el experimento.

✓Proporciona las medias para estimar la varianza del error


experimental.

✓Proporciona la posibilidad de aumentar la precisión en la


estimación de las medias de los tratamientos. 19
PRINCIPIO BÁSICO 2: ALEATORIZACIÓN

Aleatorización es un aspecto fundamental en el uso de


los métodos estadísticos.
La designación y orden en que se van a llevar a cabo las
corridas o experimentos se debe hacer al azar.

Uno de los requisitos de los métodos estadísticos es que


las observaciones (errores) sean variables aleatorias con
distribuciones independientes.

La aleatorización tiende a promediar entre los


tratamientos cualquier efecto sistemático presente de
forma que las comparaciones entre tratamientos midan
sólo los efectos de los tratamientos mismos.

20
PRINCIPIO BÁSICO 3: FORMACIÓN DE
BLOQUES
Técnica de diseño que se usa para mejorar la
precisión de las comparaciones que se hacen
entre los diferentes factores.

En muchos casos se usa para eliminar la


variabilidad de factores perturbadores.
43
72
46
66 Bloque 1: 43,46,49,50,42 =46 s2=12.5
49
68
50
76 Bloque 2: 72,66,68,79,69 =70 s2=15.2
42
69

Media 58,1 21
Varianza 174,99
PAUTAS PARA EL DISEÑO DE EXPERIMENTOS.

DELIMITAR EL PROBLEMA DE
ESTUDIO

ELEGIR VARIABLE RESPUESTA

DETERMINA LOS FACTORES, NIVELES Factores controlables


Y RANGOS Factores no controlables
o de ruido.
ELECCION DEL DISEÑO
EXPERIMENTAL

PLANEA Y ORGANIZA Y REALIZA EL


EXPERIMENTO

ANALISIS ESTADISTICO DE LOS DATOS


SELECCIÓN DE DISEÑOS
EXPERIMENTALES

• Objetivo del experimento


• Número de factores a estudiar
• Número de niveles que se prueban en cada
factor
• Efectos de interés
• Costo- tiempo y precisión.

VERIFICAR
❖ Identificación factores, cuales varían y cuales
permanecen constantes
❖ Características a medir
❖ Procedimiento realizar pruebas
❖ Numero de repeticiones 23
APLICACIONES TÍPICAS
• Mejoras de un proceso.
• Variabilidad reducida
• Reducción de tiempos
• Reducción de costos.

DISEÑO DE INGENIERÍA
• Evaluación y comparación de configuraciones de
diseños básicos.
• Evaluación de materiales alternativos
• Selección de parámetros del diseño, para tener una
amplia variedad de condiciones.
• Determinación de parámetros claves del diseño del
producto que afecten el desempeño del mismo.
24
TALLER
Factores Controlables

X1 X2 Xp
…..

ENTRADAS SALIDA =Y
PROCESO

Z1 Z2 ….. Zp
Estudio
Factores No Controlables Acero
TRATAMIENTOS DE
CONTROL
TRATAMIENTOS DE CONTROL

✓Es un punto de referencia para evaluar el efecto de los


tratamientos experimentales.
✓En otros casos el diseño con múltiples factores, amplia las
inferencias y aparecen los diseños factoriales, en el que un
conjunto de tratamientos se prueba con uno o más
tratamientos.

✓Selección de unidades experimentales uniformes, para


reducir el error.

✓Segregación en bloques, para reducir variación. (las


unidades experimentales se agrupan de manera que su
variabilidad dentro de los grupos sea menor que entre las
unidades antes de agruparlas).
27
Elementos del Diseño de Experimentos

El diseño de experimentos se refiere a la estructura


del experimento considerando:
a) El conjunto de tratamientos incluidos en el
estudio.
b) El conjunto de unidades experimentales utilizadas
en el estudio.
c) Las reglas y procedimientos por los cuales los
tratamientos son asignados a las unidades
experimentales (o viceversa).
d) Las medidas o evaluaciones que se hacen a las
unidades experimentales luego de aplicar los
tratamientos.
CONCEPTOS BÁSICOS

• Inferencia Estadística

• Población y Muestra

• Distribución de probabilidad

• Media, Varianza
Inferencia Estadística

• En Estadística, el ejercicio de inducción


por el cual a partir de la muestra
intentamos predecir o pronosticar cómo
será el resto de la población que no se ha
observado se llama Inferencia Estadística.
CONCEPTOS BÁSICOS

Población: es un conjunto de individuos de la misma clase,


limitada por el estudio. Según Tamayo y Tamayo,
(1997), ¨La población se define como la totalidad del
fenómeno a estudiar donde las unidades de población
posee una característica común la cual se estudia y da MUESTRA: Según Tamayo, T.
origen a los datos de la investigación¨ Y Tamayo, M (1997), afirma
que la muestra ¨ es el grupo
de individuos que se toma de
la población, para estudiar un
Inferencia fenómeno estadístico¨
estadística

Aleatoriamente

31
Tamaño de muestra
• Importante decidir el número de replicas a realizar en
cada tratamiento.
• Si se esperan pequeñas diferencias se requerirá un
mayor tamaño de muestra.
• Normalmente cuando se involucra un solo factor, por
experiencia se tienen entre 5 y 10 replicas, en algunos
casos hasta 30, dependiendo de algunos factores:

• Menor diferencia entre tratamientos, mayor


cantidad de replicas
• Si se espera mucha variación debida a factores no
controlables, se requerirán más replicas.
• Si son varios tratamientos, se pueden reducir las
réplicas.
CONCEPTOS BÁSICOS
Diagrama de puntos

Es un recurso muy útil para


representar un cuerpo reducido
de datos (digamos hasta 20
observaciones). Este diagrama
permite al experimentador ver de
inmediato la localización o
tendencia central de las
observaciones y su dispersión.
CONCEPTOS BÁSICOS
Diagrama de puntos

En este caso ambas medias difieren pero producen la misma


variación en la fuerza.

Figura 2-1 Diagrama de puntos de los datos de la fuerza de la tensión de adhesión


CONCEPTOS BÁSICOS
Histograma de frecuencias

El Histograma muestra la tendencia central, la dispersión y la forma


general de la distribución de los datos, éste es muy útil cuando los datos
son muy numerosos y es difícil distinguir las observaciones graficadas en
el diagrama de puntos.

Figura 2-2 Histograma de 200 observaciones de la recuperación de metal (rendimiento) en un proceso de fundición
CONCEPTOS BÁSICOS
Diagrama de cajas.
Un Diagrama de Cajas muestra también llamado (de caja y bigotes) muestra el mínimo,
el máximo, los cuartiles inferior y superior (el percentil 25 y el percentil 75
respectivamente) y la mediana (el percentil 50) en una caja rectangular alineada
horizontal o verticalmente.

Figura 2-3 Diagramas de caja del experimento de la


fuerza de tensión de adhesión del cemento portland
CONCEPTOS BÁSICOS
Distribución de probabilidad

En la figura se ilustran dos distribuciones de probabilidad hipotéticas, una


discreta y la otra contínua.

La distribución de probabilidad de una variable X relaciona el conjunto de valores


posibles de X. Las mas usadas son normal, t de student, ji-cuadrada y F.
CONCEPTOS BÁSICOS

Estima el centro
de distribución
Media Muestral

Varianza Muestral

Explica la variabilidad de la
distribución.
Distribucion Normal
• Para una distribución normal, aproximadamente el
68% de los valores se cubrirán con una desviación
típica de valor uno, aproximadamente el 95% con una
desviación típica de valor dos y aproximadamente el
99.73% con una desviación típica de valor tres.
• La media muestral y la desviación típica describen
completamente la muestra sólo si provienen de una
distribución normal.
• Dos estadísticos que se pueden utilizar para medir la
asunción de normalidad son la asimetría y la curtosis
normalizadas.
Distribución Normal

• Asimetría mide la simetría o la ausencia de la misma.


Una distribución simétrica, tal como la normal tiene
asimetría cero. Distribuciones para las cuales los
valores estén por encima de cero presentan asimetría
positiva. Distribuciones para las cuales los valores de
su asimetría estén por debajo de cero presentan
asimetría negativa.

• Curtosis mide el apuntamiento de la distribución. Una


distribución normal tiene curtosis nula. Una
distribución más apuntada que la normal tiene
curtosis positiva. Una distribución menos apuntada
que la normal tiene curtosis negativa.
entre -2 y +2.
Prueba t de dos muestras

Hipótesis nula

Hipótesis alternativa

Estadístico de prueba

𝑠12 , y 𝑠22 , varianza muestral


Prueba t de dos muestras
𝑠12 , y 𝑠22 , varianza muestral individual.

Para determinar si debe rechazarse Ho, se compara 𝑡0 con la distribución t con n1 + n2 -2 GL.

𝑡0 > 𝑡 1 Rechaza la hipótesis y se considera que


∝ ,𝑛1+𝑛2−2 las dos medias difieren.
2

α/2 es el punto porcentual de la distribución t con 𝑛1 + 𝑛2 − 2grados de libertad.

EJEMPLO
Prueba t de dos muestras
Prueba t de dos muestras
EJERCICIO.
Se utilizan dos máquinas para llenar botellas de plástico con un volumen de 16 onzas.
Puede suponerse que el proceso de llenado es normal, con desviación estándar de
0.07 y 0.39. el departamento de ingeniería sospecha que ambas máquinas llenan al
mismo volumen neto, sin importar si el volumen es 16 onzas o no. Se realiza un
experimento tomando una muestra aleatoria de la producción de cada máquina.

MAQUINA 1 MAQUINA 2 a) Enunciar la hipótesis que debe probarse.


j y1j y2j b) Probar la hipótesis con α=0.05, A que
1 16,02 16,03 conclusión se llega?
2 16,58 15,8
3 15,96 16,05
4 16,01 16,05
5 15,99 16,02
6 16,03 16,01
7 16,04 15,96
8 16,8 15,98
9 16,99 16,02
10 16,57 15,99

DS 0,3933 0,0731
MEDIA 16,299 15,991
VARIANZA 0,15468 0,00534
n 10 10
EJERCICIO.
A continuación se presenta el tiempo de combustión de dos cohetes químicos con
formulaciones diferentes. Los ingenieros de diseño se interesan tanto en la media como
en la varianza del tiempo de combustión.

a) Enunciar la hipótesis que debe probarse.


b) Probar la hipótesis con α=0.05, A que conclusión se llega?
ANALISIS DE
VARIANZA
ANALISIS DE VARIANZA – UN SOLO FACTOR

El objetivo del Análisis de Varianza es probar la


hipótesis de igualdad de los tratamientos con
respecto a la media de la correspondiente variable
respuesta.

49
ANALISIS DE VARIANZA – UN SOLO FACTOR
Ejemplo:
Se quiere evaluar la resistencia a la tensión de una fibra sintética, que se
usara para tela en la fabricación de ropa. El ingeniero conoce, que la
resistencia a la tensión se afecta por el peso porcentual del algodón
utilizado en la mezcla de materiales de la fibra.

-Se tiene que el algodón debe variar entre 10 y 40% para que el
producto final sea de calidad.
-Se decide probar ejemplares en 5 niveles del peso porcentual de
algodón (15,20,25,30 y 35), probado además en 5 ejemplares.

Experimento con un solo factor


a= 5 niveles del factor
n= 5 réplicas
Total de 25 corridas

50
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

Ejemplo:
De las 25 corridas se selecciona un número aleatorio entre 1 y 25, ej:8, así que
esta se corre primero y así sucesivamente.

51
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR
Análisis de Varianza

Yij
Observacion j-esima
del tratamiento i-ésimo

Modelo de datos

µ es la media global,  es un parámetro único


que representa efecto del tratamiento i-ésimo
y  es el error aleatorio.

52 Modelo de análisis de varianza simple o


de un solo factor.
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

Análisis de
medias

53
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

ANALISIS DEL MODELO CON EFECTOS FIJOS.

N = an = Numero total
de observaciones

54
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

Descomposición de la suma de cuadrados total


El análisis de Varianza se deriva de la partición de la variabilidad de sus partes.
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

56
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

57
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

58
Ejemplo:
ANALISIS DE VARIANZA – UN SOLO FACTOR

59
ANALISIS DE VARIANZA – UN SOLO FACTOR
CODIFICACION DE DATOS
COMPARACIONES DE PARES DE MEDIAS.

Metodo de diferencias significativas mínimas de Fisher. LSD

Si el diseño es balanceado, n1=n2=…nx = n y

61
METODO LSD
Para ilustrar el procedimiento, si se usan los datos del experimento de ejemplo 3-1, la LSD con α = 0.05 es

Por lo tanto, cualquier par de promedios de los tratamientos que difiera del valor absoluto por más de
3.75 implicaría que el par correspondiente de medias poblacionales es significativamente diferente: Las
diferencias en los promedios son

Los valores marcados con asterisco indican pares de medias que son significativamente diferentes.
Evidentemente, los únicos pares de medias que no difieren significativamente son 1 y 5y 2 y 3, y el
tratamiento 4 produce una resistencia a la tensión significativamente mayor que los otros tratamientos.

62
ANALISIS DE DUNCAN
Prueba del rango múltiple de Duncan
Un procedimiento muy utilizado para comparar todos los pares de medias es la prueba del rango
múltiple desarrollada por Duncan. Para aplicar la prueba del rango múltiple de Duncan cuando los
tamaños de las muestras son iguales, los a promedios de los tratamientos se arreglan en orden
ascendente, y el error estándar de cada promedio se determina como

La prueba del rango múltiple de Duncan puede aplicarse al experimento . Recuerde que
,y hay 20 grados de libertad del error. Al arreglar los promedios de
los tratamientos en orden ascendente, se tiene

63
ANALISIS DE DUNCAN - (2)

Los resultados de las comparaciones serían

Por el análisis se observa que hay diferencias


significativas entre todos los pares de medias con
excepción de la 3 y la 2 y la 5 y la 1. En la figura 3-14 se
muestra una gráfica en la que esas medias que no son
significativamente diferentes aparecen subrayadas.
Observe que en este ejemplo la prueba del rango
múltiple de Duncan y el método LSD llevan conclusiones
idénticas.

64
EJERCICIO
1. Se llevó a cabo un experimento a fin de determinar si cuatro temperaturas
de cocción específicas afectan la densidad de cierto tipo de ladrillo. El
experimento produjo los siguientes datos.

Temperatura Densidad

100 21.8 21.9 21.7 21.6

125 21.7 21.4 21.5 21.4

150 21.9 21.8 21.8 21.6

175 21.9 21.7 21.8 21.4

a) ¿La temperatura de cocción afecta la densidad de los ladrillos? Utilizar α = 0.05


66
Referencias
• MONTGOMERY, D. “Diseño de Experimentos”.
Segunda edición. Editorial McGraw-Hill, México,
2004.

• KUEHL, R. “Diseño de Experimentos”. Segunda


edición. Editorial Thomson, México, 2000.

• MORENO, W. Aplicaciones al diseño y análisis de


experimentos. Ed. UIS. 1993
Producción de acero
Producción de acero- alto horno
Tiempo en segundos para el ensamble del producto
Operario
Máquina 1 2 3 4 5 6 Total Medias
1 42,5 39,3 39,6 39,9 42,9 43,6 247,8 41,3
2 39,8 40,1 40,5 42,3 42,5 43,1 248,3 41,4
3 40,2 40,5 41,3 43,4 44,9 45,1 255,4 42,6
4 42,3 43,2 44,5 45,2 46,9 43,3 265,4 44,2
Total 164,8 163,1 165,9 170,8 177,2 175,1 1016,9
Fc =
Medias 41,2 40,775 41,475 42,7 44,3 43,775 254,225 42,4

  Yij  2
i j
Factor de Corrección =
b.t
1
Suma de Cuadrados Tratamientos = 
b i
Ti.2  Fc
1
Suma de Cuadrados de Bloques = 
t j
T. 2j  Fc
Suma de Cuadrados Total =  Yij2  Fc
i j
Suma de Cuadrados del Error = SC Total - SC Tratamiento - SC Bloque
Tabla de Análisis de Varianza para dos criterios de
clasificación
Fuente de Suma de Grados de Cuadrados F calculada
variación Cuadrados libertad Medios
Tratamientos SCA t-1 CMA = SCA / t-1 CMA / CME
Bloques SCB b -1 CMB = SCB / b-1 CMB / CME

Error Experimental SCE (t - 1)(b-1) CME = SCE / (t-1)(b-1)


Total SCT t.b -1

 ( yij  y..) 2  t  ( yi .  y..) 2  b ( y. j  y..) 2   ( yij  yi.  y. j  y.. ) 2


i j i j i j

Variación total Variación debida Variación debida Variación propia de


a los tratamientos a los bloques las observaciones

SCT SCA SCB SCE


EJEMPLO
Tabla #1: Variables Discretas
Clases fi fr fa↓ fra↓
7.420 – 21.835 10 0.33 10 0.33
21.835 – 36.250 4 0.13 14 0.46
36.250 – 50.665 5 0.17 19 0.63
50.665 – 65.080 3 0.10 22 0.73
65.080 – 79.495 3 0.10 25 0.83
79.495 – 93.910 5 0.17 30 1.00
Total 30 1.00 XXX XXX
Valores de la frecuencias frecuencias
variable Xi absolutas relativas
(datos) fi fi/N
Simbología utilizada: X1 f1 f1/N
Xi = Punto medio o marca de clases X2 f2 f2/N
fi = frecuencia absoluta
… … …
fr = frecuencia relativa
fa↓ = frecuencia absoluta acumulada descendente … … …
fra↓ = frecuencia relativa acumulada descendente Xn fn fn/N
Ejemplo Desviación Estándar
Ejercicio muestra
• Ejemplo 1: para realizar una encuesta de
satisfacción a clientes de un determinado modelo
de coche del que hemos vendido 10.000 unidades
(N), en la que queremos una confianza del 95,5%
que determina que k=2, deseamos un error
muestral del 5% (e) y consideramos que estarán
satisfechos el 50% (p=q=0.5) necesitaríamos una
muestra de 385 clientes.