Dr. Alejandro Salas B.

Estadística y Diseño Experimental

UNIVERSIDAD NACIONAL DE SAN AGUSTÍN DE

AREQUIPA

ESCUELA: INGENIERÍA QUIMICA

Tema: “PRACTICA DE LABORATORIO”

DOCENTE:
Dr. ALEJANDRO NESTOR SALAS BEGAZO
PRESENTADO POR:
Llaiqui Pimentel Cristian Simón
AREQUIPA – PERÚ

2023

2021
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

GUÍA DE PRACTICAS

ANÁLISIS ANOVA
EXPERIMENTOS UNIFACTORIALES

1. TEMA

1. Análisis de Varianza.

El Análisis de Varianza, también conocido como ANOVA (por sus siglas en

inglés, Analysis of Variance), es una técnica estadística utilizada para
comparar las medias de tres o más grupos o poblaciones independientes.
Su objetivo principal es determinar si existe alguna diferencia significativa
entre las medias de estos grupos y, en caso afirmativo, identificar qué
grupos difieren entre sí.

El ANOVA se basa en el análisis de la variabilidad presente en los datos y

busca descomponer la variabilidad total en dos componentes: la
variabilidad entre grupos y la variabilidad dentro de los grupos. Si la
variabilidad entre grupos es significativamente mayor que la variabilidad
dentro de los grupos, se concluye que hay diferencias significativas en las
medias de los grupos analizados.

Existen diferentes tipos de ANOVA, y la elección del tipo adecuado

depende de la estructura del diseño experimental y del número de factores
que se quieran analizar. Los tres tipos principales son:

a. ANOVA de un factor: Utilizado cuando se compara la media de una

variable dependiente entre tres o más grupos independientes.

b. ANOVA de dos factores: Utilizado cuando se desean comparar las

medias de una variable dependiente en función de dos factores
independientes.

b. ANOVA de medidas repetidas: Empleado cuando se estudia el efecto de

un factor sobre una variable dependiente, utilizando las mismas unidades
experimentales en diferentes momentos o condiciones.
El ANOVA se aplica en diversas áreas, como las ciencias sociales, las
ciencias naturales, la medicina, la psicología, entre otras disciplinas,
siempre que se quiera evaluar si existen diferencias significativas entre
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

grupos o condiciones. Es una herramienta estadística poderosa y valiosa

para la interpretación de resultados experimentales o de estudios
observacionales con múltiples grupos.
2. Diseño completamente aleatorizado.

El Diseño Completamente Aleatorizado es uno de los diseños

experimentales más simples y fundamentales en la estadística. En este
tipo de diseño, los sujetos o unidades experimentales se asignan
aleatoriamente a diferentes tratamientos o grupos de manera completa e
independiente. Es decir, cada unidad tiene la misma probabilidad de ser
asignada a cualquiera de los grupos de tratamiento.

El objetivo del Diseño Completamente Aleatorizado es eliminar o reducir al

máximo cualquier posible sesgo o influencia sistemática que pudiera
afectar los resultados del experimento. Al asignar aleatoriamente las
unidades a los grupos de tratamiento, se asegura que cualquier diferencia
observada entre los grupos se deba al efecto del tratamiento y no a otras
variables o factores no controlados.

Las características principales del Diseño Completamente Aleatorizado

son:

a. Aleatorización: La asignación de las unidades a los grupos de

tratamiento se realiza mediante un proceso aleatorio, utilizando métodos
como el lanzamiento de monedas o el uso de tablas de números aleatorios.

b. Independencia: Cada unidad experimental se trata de forma

independiente, lo que significa que la asignación de una unidad no influye
en la asignación de otra.

c. Homogeneidad: Se asume que las unidades experimentales son

homogéneas en términos de las características relevantes para el estudio.
El Diseño Completamente Aleatorizado es especialmente útil cuando se
trabaja con grupos de tratamiento grandes y no hay razón para sospechar
que algún factor específico pueda influir en la asignación. Sin embargo, en
algunos casos, es posible que se requieran otros diseños experimentales
más complejos, como el Diseño en Bloques Aleatorizados o el Diseño de
Medidas Repetidas, para abordar ciertas fuentes de variabilidad o para
lograr un control más preciso de los factores de interés.
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

3. Experimento Factorial.

Un Experimento Factorial es un diseño experimental en el cual se estudian

simultáneamente los efectos de dos o más factores independientes
(también conocidos como variables independientes) sobre una o más
variables dependientes. En este tipo de experimento, los factores se
combinan en diferentes niveles para evaluar sus efectos individuales y sus
interacciones.

Cada nivel de un factor representa una condición o tratamiento diferente, y

los diferentes niveles de los factores se combinan entre sí para formar las
distintas combinaciones de tratamiento. El objetivo principal del
Experimento Factorial es determinar cómo los factores afectan las
variables dependientes y si hay interacciones significativas entre los
factores.

Por ejemplo, si tenemos un Experimento Factorial 2x2, significa que hay

dos factores, cada uno con dos niveles. Esto resultaría en cuatro
combinaciones de tratamiento diferentes, ya que se evaluarían todas las
combinaciones posibles de los dos niveles de cada factor.

El Experimento Factorial es especialmente útil para:

a. Evaluar los efectos individuales de múltiples factores y comprender

cómo cada uno influye en la variable dependiente.

b. Identificar posibles interacciones entre los factores, lo que significa que

el efecto de un factor puede depender del nivel de otro factor

c. Ahorrar tiempo y recursos al evaluar simultáneamente múltiples

tratamientos o condiciones.
Este tipo de diseño experimental permite obtener una gran cantidad de
información y proporciona una visión más completa y detallada sobre cómo
los factores interactúan y afectan las variables de interés. Sin embargo, es
fundamental que el diseño del experimento sea cuidadosamente
planificado y ejecutado para asegurar la validez y la interpretación
adecuada de los resultados obtenidos.

4. ANOVA Unifactorial
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

El ANOVA Unifactorial, también conocido como ANOVA de un factor o

One-Way ANOVA en inglés, es una técnica estadística utilizada para
comparar las medias de tres o más grupos independientes en relación con
una sola variable dependiente. En este tipo de análisis, se investiga si hay
diferencias significativas entre los grupos en función del factor (la variable
independiente) que se está estudiando.

El ANOVA Unifactorial es adecuado cuando se tienen varios grupos y se

desea determinar si existen diferencias significativas entre ellos, evitando
realizar múltiples pruebas de hipótesis por separado, lo que aumentaría el
riesgo de errores tipo I (falsos positivos).

El procedimiento del ANOVA Unifactorial se basa en el análisis de la

variabilidad en los datos, tanto entre los grupos como dentro de cada
grupo. Si la variabilidad entre los grupos es significativamente mayor que la
variabilidad dentro de los grupos, entonces se puede concluir que hay
diferencias estadísticamente significativas entre las medias de los grupos.

Pasos generales para realizar un ANOVA Unifactorial:

1. Establecer la hipótesis nula (H0) y la hipótesis alternativa (H1) para

determinar si hay diferencias significativas entre las medias de los grupos.

2. Recopilar datos de los grupos independientes y asegurarse de que sean

adecuados para un análisis ANOVA (por ejemplo, que cumplan con la
normalidad y homogeneidad de varianzas).

3. Calcular la suma de cuadrados entre grupos (SSG) y la suma de

cuadrados dentro de grupos (SSE).

4. Calcular los grados de libertad correspondientes para SSG y SSE.

5. Calcular la F-estadística como el cociente entre la variabilidad entre

grupos y la variabilidad dentro de los grupos.

6. Comparar el valor de la F-estadística con el valor crítico de la

distribución F para determinar si se rechaza o no la hipótesis nula.

7. Si se rechaza la hipótesis nula, se concluye que existen diferencias

significativas entre al menos dos de las medias de los grupos.
El ANOVA Unifactorial es una herramienta poderosa para comparar
múltiples grupos de manera eficiente y es ampliamente utilizado en
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

diversas áreas de investigación, como la psicología, la biología, las

ciencias sociales y otras disciplinas científicas.
Practica calificada
Uso de Software EXCELL Y SPSS

2. CONTENIDO

Los Experimentos Unifactoriales son de suma importancia para la verificación

y validación de procesos a nivel piloto o de la industria.

3. OBJETIVO

a) Representar los factores, que intervienen en Análisis de Anova.

Experimentos unifactoriales.
b) Uso del software EXCELL - SPSS

4. PROCEDIMIENTO

Se ejecutarán varias funciones o procesos que se requieren para la

elaboración de verificación de Análisis de Anova.
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

PROBLEMA:
1 2 3
23 35 50
28 36 43
21 29 36
27 40 34
95 43 45
41 49 52
37 51 52
30 28 43
32 50 44
36 52 34

-Primero hallaremos el C-r-n con la formula en Excel.

Donde C= numero de columnas, r = numero de filas y n = r*C

-Seguidamente hallamos nuestro valor critico en tablas, donde nos dio un valor de 3.35
y procedemos dibujar.
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

-Procedemos a hallar las medias con la formula x 1= Suma de datos / n por cada
columna y de esas medias sacamos la media final total:
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

-Hallamos la suma cuadrada total con la formula SCT=valor de la celda – Media total y
después hacemos una suma total.

-Hallamos la suma cuadrada de tratamiento, donde la formula es: SCRT=r

2
¿( x 1− promedio total)
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

-Por último, hacemos nuestro cuadro de Suma de cuadrado de error, donde la formula es:
2
SCE=(valor de cada casillero−x 1)

-Al final nos queda nuestros resultados obtenidos:

1
SCT
CMT =
n−1
1
SCT R
CMT R=
C−1

SC E 1
CM E=
n−C
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

-Finalmente hallamos nuestra prueba de Fisher para colocarlo en nuestra gráfica y redactar
el resultado:
CMTR ❑
F=
CME

Interpretación: Como quiera que el valor práctico encontrado, es menor que el valor crítico,
se acepta la Hipótesis Nula Todas las medias son iguales”
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

Asimismo, aplicaremos la función EXCELL (Análisis de varianza de un factor) para

determinarlo de manera rápido.
Nos dirigimos a datos -> Análisis de datos y seleccionamos la opción Análisis varianza de
un factor.

Donde rango de entrada seleccionaremos los datos desde el 1 hasta el 3. Con un Alfa de
0.05, determinamos el rango de salida donde deseemos.
 Dr. Alejandro Salas B.
Estadística y Diseño Experimental

Verificamos los resultados y todo coincide.

5.- CONCLUSIONES
- Existencia de diferencias significativas: Si la prueba de ANOVA muestra que la
variabilidad entre los grupos es significativamente mayor que la variabilidad dentro de los
grupos, se puede concluir que hay al menos una diferencia significativa entre las medias de
los grupos.
-Se llego a la misma respuesta con el procedimiento de calculo por EXCELL y por función
en EXCELL.

6.-RECOMENDACIONES
- Es importante mencionar cualquier limitación o consideración importante que pueda
afectar la interpretación de los resultados, como el tamaño de la muestra, la homogeneidad
de varianzas, la normalidad de los datos, entre otros.

7.-BIBLIOGRAFIA
-http://www.ub.edu/aplica_infor/spss/cap4-7.htm

-https://www.questionpro.com/blog/es/anova/

-https://www.estadistica.net/ECONOMETRIA/ANALISIS-VARIANZA/analisis-
varianza.pdf