Estadistica 3

DISEÑO DE
EXPERIMENTOS
Profesor: Ing. Joaquín García
Curso: ESTADISTICA III GRUPO D1
Horario: MIERCOLES Y VIERNES 10 A 12 AM
ESCUELA DE ESTUDIOS
INDUSTRIALES Y EMPRESARIALES
Ing. M.Sc. Joaquin Garcia. UIS 1

La Estadística en la
experimentación.
 INVESTIGACION CIENTIFICA:
La estadística , y en particular el
diseño de experimentos son
consideradas como técnicas que
deben incorporarse al desarrollo del
proceso investigativo
La estadística y el método
científico
 El metodo cientifico , es un proceso
que da indicaciones para avanzar en la
investigacion y suministra medios para
evitar algunos errores .
 Bunge define ocho pasos en la

aplicación del método científico ellos
son:
Pasos en la aplicación del método
científico
1. Enunciar preguntas bien formuladas

2. Arbitrar conjeturas fundadas y contrastables con la
experiencia para contestar a las preguntas contestadas
3. Derivar consecuencias lógicas de las conjeturas
4. Arbitrar técnicas para someter las conjeturas a
contrastacion .
5. Someter a, su vez ,a contrastacion esas técnicas para
comprobar su relevancia .
6. Llevar a cabo la contrastacion e interpretar los
resultados

7. Estimar la pretensión de verdad de las conjeturas
y la fidelidad de las técnicas .
8. Determinar los dominios en los cuales son validas
las conjeturas y las técnicas , y formular
problemas nuevos originados por la investigación.
´´ LA ESTADISTICA SIRVE DE PUNTUAL AL

INVESTIGADOR EN EL DISEÑO Y ANALISIS DE
EXPERIMENTOS . BIEN APLICADA , CONDUCE A LA
REALIZACION DE DISEÑOS MAS EFICIENTES CON EL
CONSIGUIENTE AHORRO DE TIEMPO Y RECURSOS, A
LA VEZ QUE SE GANA EN INFORMACION ´´

QUE ES UN EXPERIMENTO
 Un experimento ha sido definido , en el sentido mas
general , como una ´´ determinada acción dirigida a
contestar una o mas preguntas cuidadosamente
formuladas
QUE ES EL DISEÑO ESTADISTICO DE

EXPERIMENTOS
 Es el proceso de planear , todos los pasos que deben
darse , y el orden que debe seguirse , en la recolección
y posterior análisis de la información requerida para
estudiar un problema de investigación.
CUAL ES EL PROPOSITO DEL
DISEÑO EXPERIMENTAL
 Es la obtención del máximo de información con el
mínimo costo y el máximo de eficiencia
CLASES DE EXPERIMENTOS
1. Absolutos
2. Comparativos

1. EXPERIMENTOS ABSOLUTOS:
Su objetivo es la determinación de propiedades
absolutas de un conjunto de objetos.
Por ejemplo: la determinación del numero de
escarabajos en una región.
2. EXPERIMENTOS COMPARATIVOS:
Su objetivo es establecer comparaciones entre
objetos que reciben tratamientos diferentes.
Por ejemplo: la potencia de una droga puede
establecerse comparándola con las de otras
drogas , incluyendo controles.

 Los estudios comparativos pueden ser:
a. Experimentales: el investigador controla, es decir

mantiene constante o varia deliberadamente ,
aquellos factores que parecen tener mayor
influencia en los resultados del fenómeno en
estudio.
b. Observacionales: el investigador no tiene control

sobre los factores que causan los cambios en los
resultados , y debe limitarse a observar su forma
de manifestarse para establecer relaciones entre
factores y repuestas.

VOCABULARIO DEL DISEÑO
EXPERIMENTAL
 Variables dependientes e Independientes:

El concepto de independencia en experimentación,
viene de la idea matemática de relación funcional ,
donde el cambio de los valores de una variable -
dependiente – es el resultado directo de la
manipulacion de los valores de otra u otras
variables – independientes - .
Por ejemplo: el peso de un individuo – variable
dependiente – varia según su alimentacion , edad
, sexo – variable independiente - .

 Factor : Un factor es una variable independiente
que se evalúa en la investigación e influye en la
respuesta del experimento . Un factor puede ser
cuantitativo , por ejemplo , temperatura en grados,
tiempo en segundos ¨, cualitativo , por ejemplo
diferentes maquinas , diferentes operarios ,
conectado o desconectado.
 Niveles de los factores: Los niveles son los valores

de un factor que se están examinando en el
experimento.
Para factores cuantitativos , cada valor elegido es un
nivel , por ejemplo: si el experimento se realiza a
cuatro diferentes temperaturas, el factor
temperatura tiene cuatro niveles . En el caso de
valores cualitativos, conectados o desconectados son
dos niveles del factor conexión.

 Variable de Respuesta: Es la característica
observada o medida en cada unidad experimental ,
también se llama variable dependiente.
 Tratamiento: Un tratamiento es un determinado

nivel asignado a un determinado factor durante un
experimento, por ejemplo temperatura a 800 grados.
Una combinación de tratamientos es un conjunto
de niveles para todos los factores en un experimento
determinado. Por ejemplo, un experimento que utiliza
una temperatura de 800 grados, el operario a , la
maquina numero 3 y desconectada , constituiría una
combinación de tratamientos.

 Unidad experimental: Es la parte mas pequeña del
material experimental a la que se le puede aplicar un
tratamiento .
 Variable Exógena o Extrínseca: Se denominan así

por su posible efecto sobre la variable dependiente
 Población: Desde el punto de vista del

investigador , la población es el conjunto de todas las
unidades experimentales que podrían recibir uno de
los tratamientos. El objetivo de la investigación debe
establecerse en términos de esta población.

 Muestra: Una muestra es un subconjunto de la
población que contiene información parcial sobre
ella.
 Error experimental: Describe la variación entre

las unidades experimentales tratadas de manera
idéntica e independiente.
 También es definida como la porción de la

variabilidad que no es explicable por factores
conocidos

 La forma de medirlo es la varianza 2 del error por
unidad experimental 
 Algunos de los distintos orígenes del error

experimental son:
1. la variación natural entre unidades
experimentales
2. La variabilidad en la medición de la respuesta
3. La imposibilidad de reproducir las condiciones
del tratamiento

 Potencia: Es una función que muestra la relación
que existe entre la probabilidad de rechazar una
hipótesis nula y los diferentes valores que puede
asumir el parámetro dadas una hipótesis nula , una
hipótesis alterna y un nivel de significancia
determinado.
 Validez Externa: Es la capacidad de

generalización que tienen los resultados de un
experimento . La validez externa de los resultados
depende del empleo de una aleatorización
adecuada y de la repetición .

 Validez interna : Se dice que un experimento es
valido internamente si arroja resultados que estén
libres de sesgo.

ALGUNAS HERRAMIENTAS PARA UNA BUENA
EXPERIMENTACION
 Aleatorización: Es la designación al azar de las

unidades experimentales para los niveles de
tratamiento. Esta forma de asignación incrementa
las probabilidades que se compense el efecto de
las variables no controladas (extrínsecas). También
aumenta la validez de las estimaciones de la
varianza de los errores experimentales y hace
posible la aplicación de ensayos estadísticos de
significancia y el establecimiento de intervalos de
confianza.

 Replicación : Es la repetición de una
observación o medida , a fin de aumentar la
precisión o para proporcionar los medios para
medirla.
 La replicación proporciona la posibilidad de que los

efectos de los factores incontrolados , o
desconocidos para el investigador , se compensen y
, de este modo , con la aleatorizacion , pueda
actuar como herramienta para la reducción del
sesgo.

 Planificación por Bloques: Aparte de los factores
seleccionados para un estudio , existen otras
variables extrínsecas que afectan el resultado del
experimento. Cuando el investigador es consciente
de su existencia , se puede planificarlo de manera
que :
– Los posibles efectos de las variables extrínsecas no
afecten a la información obtenida sobre los
factores de interés principal.
– Se pueda obtener cierta información sobre los
efectos de las variables extrínsecas.
La uniformidad dentro de los bloques se
aprovecha para minimizar el efecto de las
variables no deseadas y para acentuar el de los
factores en estudio

PASOS IMPORTANTES EN LA
ESCOGENCIA DEL DISEÑO
1. Decidir si el diseño es unifactorial o multifactorial
2. Reconocer si la agrupación de las observaciones

tiene como finalidad una o mas causas de
variación.
3. Elegir , de acuerdo con el numero de

tratamientos , un diseño de bloques completos o
de bloques incompletos

FASES DEL DISEÑO DE EXPERIMENTOS
1. RECONOCIMIENTO Y FORMULACION DEL
PROBLEMA
El investigador debe responder breve y claramente
preguntas como:
 Porque va ha efectuar la investigación
 Como la va ha llevar a cabo
 A que tipo de conclusiones espera llegar y que
validez tendrían
 Lograra los propósitos establecidos con los recursos
financieros , humanos y de tiempo disponibles.

2. SELECCIÓN DE LOS FACTORES Y SUS
NIVELES
 El investigador selecciona los factores o variables
independientes
 Deberá especificar los factores cuantitativos y
cualitativos , y escoger sus niveles de modo que
puedan diferenciarse y combinarse.
3. SELECCIÓN DE LAS VARIABLES DE

RESPUESTA
 Se debe indicarse como se va a medirse esta
variable y que precisión tendrán las mediciones.

4. SELECCIÓN DEL DISEÑO EXPERIMENTAL
 Cual es el tamaño apropiado para la muestra
 Como asignar los tratamientos a estas unidades
experimentales.
5. REALIZACION DEL EXPERIMENTO
 Es el proceso de recolección de datos , incluye el
control del plan trazado inicialmente y debe
prestarse atención al mecanismo de aleatorización,
al manejo de los instrumentos de medida , al
reconocimiento de la unidades experimentales y
fundamentalmente al mantenimiento en la forma
mas uniforme posible de las condiciones
ambientales del experimento.

6. ANALISIS DE LOS DATOS:
 Se debe realizar siguiendo un proceso estadístico
acorde al diseño utilizado.
 Técnicas estadísticas
 Computador (software) SPSS
7. CONCLUSIONES Y RECOMENDACIONES
 Después de analizar los datos se establecen las
inferencias estadísticas
 Los hallazgos deben ir complementados con
recomendaciones para estudios correspondientes

EN CONCLUSION
 las primeras cuatros fases exigen un trabajo
mental del experimentador y son fundamentales
para el éxito del proyecto.
 La recolección de datos (fase cinco) no debe
iniciarse antes de haber respondido
satisfactoriamente las siguientes preguntas:
1. Cual es el objetivo principal del proyecto de
investigación
2. Que tipo de datos van a obtenerse
3. Que diferencias en los resultados promedios de los
tratamientos se consideran importantes

4. Que proceso de selección será usado en la
escogencia de las unidades experimentales.
5. Podrán recibir las unidades experimentales mas de

un tratamiento
6. Como se asignaran los tratamientos a las unidades

experimentales
7. Cuantas unidades experimentales serán necesarias

en el proyecto
8. Cual será la técnica estadística apropiada en el

análisis de datos.
Capitulo 2
ANALISIS DE VARIANZA
 INTRODUCCION
 La inferencia estadística se utiliza para llegar a
conclusiones en cuanto a las diferencias entre dos
grupos basadas , ya sea en una variable
cuantitativa o variable cualitativa.
 La técnica de análisis de varianza nos permite hacer

inferencias simultaneas sobre parámetros de tres o
mas poblaciones.

EJERCICIO
La fabrica National Computer Products (NCP)
fabrica impresoras en las plantas de Atlanta , Dallas
y Seattle, Estados unidos . Para evaluar los
conocimientos de sus empleados acerca de la
administración de calidad total se tomo una
muestra aleatoria de seis empleados en cada planta
y se les sometió a un examen de conciencia de la
calidad.
Las calificaciones de esos 18 empleados se

presentan en la siguiente tabla:

Planta 1 Planta 2 Planta 3
Observación
Atlanta Dallas Seattle
1 85 71 59
2 75 75 64
3 82 73 62
4 76 74 69
5 71 69 75
6 85 82 67
Media de la
79 74 66
muestra
Varianza de
34 20 32
la muestra
Desviación
estándar de 5.83 4.47 5.66
la muestra Ing. M.Sc. Joaquin Garcia. UIS 30
Sean :
 u1: media de la calificación en el examen para la
población empleados de la planta de Atlanta.
 u2: media de la calificación en el examen para la
población empleados de la planta de Dallas.
 u3:media de la calificación en el examen para la
población empleados de la planta de Seattle.
Se desea probar la siguiente hipótesis:

Ho: u1 = u2 = u3
H1: No todas las medias poblacionales son
iguales

IDENTIFICACION DE CONCEPTOS
 Objetivo: determinar si la media de la calificación

es igual para las tres plantas.
 Variable respuesta: calificación del examen
 Factor: Ubicación de la planta
 Niveles del factor o tratamientos: los tres

tratamientos son Atlanta , Dallas y Seattle

ASUNCIONES PARA EL ANALISIS
DE VARIANZA
1. PARA CADA POBLACION , LA VARIABLE DE

RESPUESTA ESTA NORMALMENTE DISTRIBUIDA.
2. LA VARIANZA DE LA VARIABLE DE RESPUESTA ,

REPRESENTADA POR 2 , ES LA MISMA PARA
TODAS LAS POBLACIONES.
3. LAS OBSERVACIONES DEBEN SER

INDEPENDIENTES

PERSPECTIVA CONCEPTUAL
x3 u x2 x1 Grafico 1
 Si las medias de las tres poblaciones son iguales , cabe
esperar que las tres medias de las muestras se aproximen
entre si.
 Si es verdadera , la hipotesis nula , Ho: u1 = u2 = u3 , se
puede utilizar la variabilidad entre las medias de la muestra
para determinar un estimado de 2

 Asumiendo que las tres medias (X1: 79 , X2: 74 y X3:
66) de las muestras son valores tomados al azar de
la distribución muestral (Grafico 1), entonces la
media y la varianza de los tres valores de x se
pueden emplear para estimar la media y la
varianza de la distribución muestral .
 En el caso de NCP el mejor estimado de la media

de la distribución de x es el promedio de las tres
medias de las muestras.
Esto es: (79 + 74 + 66) / 3=73
Este estimado es llamado: media general de la
muestra.

 Para estimar la varianza de la distribución de x se
calcula la varianza de las tres medias de la
muestra:
( 79 – 73)² + ( 74 – 73 )² + (66 – 73)² 86

Sx2 = ------------------------------------ = ----
3–1 2
Como x2 =  2 / n, al despejar  2 se obtiene:
 2 = n x 2
 Estimado de  2 = n (Estimado de x2 ) =
n Sx2 = 6(43) = 258
Estimado de  2 entre tratamientos

 Suponiendo que Ho es falsa entonces todas las
medias de la población son diferentes.
X3 u3 u2 X2 X1 u1
Las medias de las muestras provienen de distintas

distribuciones muestrales y no están tan cercanas
entre si cuando Ho no es verdadera

 Cuando las medias de la población no son iguales ,
el estimado entre tratamientos agrandará , o
sobrestimará, la varianza de población  2 .
 Cuando se toma una muestra aleatoria simple de

cada población , cada una de las varianzas de la
muestra es un estimado insesgado de  2 . Por
consiguiente se puede combinar los estimados de
 2 en un estimado general , el cual se denomina
estimado combinado dentro de tratamientos.

 Cuando los tamaños de muestra son iguales , se
puede obtener el estimado  2 dentro de
tratamientos calculando la media de las varianzas
de las muestras individuales.
 Para el ejemplo de NCP obtenemos:
Estimado de  2 = 34 + 20 + 32 / 3 = 28.67
En el ejemplo de NCP , el estimado de  2

entre tratamientos (258) es mucho mayor
que aquel dentro de tratamientos de  2
(28.67)

 La relación entre estos dos estimados es:
258 / 28.67 = 9.00
 El método entre tratamientos suministra buen

estimado de  2 solo si la hipótesis nula es
verdadera , si ésta es falsa el método entre
tratamientos sobrestima  2 .
 Si Ho es verdadera , los dos estimados tendrán
magnitud semejante y su relación se aproximara a
1.
 Si Ho es falsa el estimado entre tratamientos será
mayor que el de dentro de tratamientos , y su
relación será grande.
 En resumen, la racionalidad del
análisis de varianza se basa en el
calculo de dos estimados
independientes de la varianza
poblacional  2 común.

ANALYSIS OF VARIANCE
…
.1 .2 .3 .k
y y y ... y
11 12 13 1k
y y y ... y
21 22 23 2k
y y y ... y
31 32 33 3k
. . . . .
y y y ... y
r1 r2 r3 rk

y y y ... y
11 12 13 1k
y y y ... y
21 22 23 2k
y y y ... y
31 32 33 3k
. . . . .
y y y ... y
r1 r2 r3 rk
y1 y2 y3 yk
T j  Y i ij ,n   j
r j ,Y  j  T j / r j
T  Tj j ,Y   T / n
Modelo para una ANOVA
de una via
Yij =  + j + ij
j = 1,2, ..., k; i = 1,2, ..., r
j = .j - 

Modelo de efectos fijos
ij
.j
 j ij
Yij

Modelo de efectos aleatorios
e2
ij
 2
j
 j ij
Yij

• Modelo efectos fijos
Ho: j = 0 para todo j
j nj j = 0 (asumido)
•Modelo efectos aleatorios

Ho: 2 = 0
j distribuidos como N(0,2)

EQUACION FUNDAMENTAL
j i(yij -y..)2=ji rj (y.j -y..)2 + j i (yij -y.j)2
SStotal = SStratamientos + SSerror
CUADRADO MEDIO
MStratamientos = SStratamientos / (k-1)
MSerror = SSerror/(n - k)

FORMULAS PARA SUMA DE CUADRADOS
• SStratamient = j T.j2/rj - T..2 / n
• SStotal= j i Yij2 - T..2 / n
• SSerror = SStotal - SStratamient

SS* = jiYij2
FC = 2 / n (factor correcion )
SStotal = SS* - FC
SSerror = SStotal - SStratamient

CUADRADO MEDIO DEBIDO A
TRATAMIENTOS
 SStreatment = = j i rj (y.j – ỹ.. )2 = 516
 MStratamient = SStratamient/(k-1) =
516 / 2 = 258

CUADRADO MEDIO DEBIDO AL
ERROR
SSerror = j i (yij -ỹ.j)2 = 430
MSerror = SSerror/(n-k) =
430 / 18 – 3 = 28.67

COMPARACION DE LOS ESTIMADOS DE
LA VARIANZA:
LA PRUEBA F
 Estadístico de prueba:
F= MSTR/MSE
 Regla de rechazo al nivel de significancia :

Rechazar Ho si F > Fc
En donde el valor de F se basa en una distribución Fc
con K- 1 grados de libertad en el numerador y n- K
grados de libertad en el denominador

Para el ejemplo de NCP Trabajando con un
nivel de significancia de 0.05
Se obtiene el valor de Fo.o5 = 3.68
La regla de rechazo para el ejemplo

es:
Rechazar Ho si MSTR/ MSE > 3.68

Como MSTR/ MSE= 9.00 es mayor que el
valor critico 3,68
SE RECHAZA LA HIPOTESIS NULA QUE

LAS MEDIAS DE LAS TRES
POBLACIONES SON IGUALES.

TABLA DE ANALISIS DE VARIANZA
Grados
Fuente de Suma de Cuadrado
de F
variacion cuadrados Promedio
libertad
Tratamientos 516 2 258.00 9.00
Error 430 15 28.67
Total 946 17

CAPITULO 3
DISENO UNIFACTORIAL
COMPLETAMENTE ALEATORIZADO
Yij =  + j + ij
j = 1,2, ..., k; i = 1,2, ..., r
j = .j - 

ANALISIS DEL MODELO CON
EFECTOS FIJOS
 Y.j= j yij y.j= y.j / n j=1, 2, …..K
 yj.= Representa el total de las observaciones bajo el

tratamiento j-ésimo.
 y..= j i yij y..= y.. / n

 El interés se encuentra en probar la igualdad de las
K medias de los tratamientos .
 Las hipótesis apropiadas son:
Ho : μ1= μ2=.... μK
H1: μi ≠ μj para al menos un par ( i, j )
 μ : se considera como una media global

μ j
-------- = μ
K


Esta definición implica que:  j = 0
 Las hipótesis en términos de los efectos de los
tratamientos son iguales a:
Ho : 1= 2=.... K
H1:  j ≠ 0 para al menos una j
Por lo tanto, se habla de probar la igualdad de las

medias de los tratamientos o de probar que los
efectos de los tratamientos son cero

Ecuación fundamental
j i(yij -y..)2 = *ji rj (y.j -y..)2 + j i (yij -y.j)
SStotal = SStratamient + SSerror

rj
Cuadrado medio debido a tratamientos
MStratamient = SStratamient/(k-1)
Cuadrado medio debido al error
MSerror = SSerror/(n-k)
Tabla de análisis de varianza para el modelo con un
solo factor y efectos fijos
Grados
Fuente de Cuadrado
Suma de cuadrados de F
variacion Promedio
libertad
Entre los MStr /MSE

ji rj (y.j -y..) 2
K-1 MStreatm
Tratamientos
Error (Dentro
de los SSe = SSt - SStreatment n-k MSerror
tratamientos)
Total j i(yij -y..)2 n -1

 Es posible obtener formulas para calcular las sumas
anteriores simplificando las definiciones de SStotal
y SStratamient de modo que :
SStotal = ji yij 2 – y.. 2 / n
SStratamient = 1/r j y.j 2 – y.. 2 / n

ASUNCIONES PARA EL ANALISIS DE VARIANZA
1. Cada conjunto observado de nj medidas es una

muestra aleatoria simple independiente tomada
de una población de medidas y cada población se
identifica de acuerdo con la designación del
tratamiento.
2. Cada población de medidas (esto es , las yij

correspondientes a cada j ) está normalmente
distribuida con media μ

PRUEBA DE NORMALIDAD DE D´AGOSTINO
 Es aplicable a muestras de tamaño moderado o
grande

3. Cada la población de medidas tiene la misma
varianza.
PRUEBA DE HOMOGENEIDAD DE VARIANZAS
PRUEBA DE COCHRAN
 Proporciona un procedimiento de cálculos más
simples, pero que se restringe a situaciones en
las cuales los tamaños muestrales son iguales.
 El estadístico que se utiliza está dado por:
El mayor Sj2
G = ------------------

k
j 1
Sj2
 La hipótesis de igualdad de varianzas se rechaza si
G > Gdonde
G el valor de Gse obtiene de tablas
 Ejemplo: Un ingeniero está interesado en cómo

varía la absorción media de humedad en el
concreto entre cinco diferentes mezclas de
concreto. las mezclas varían en el porcentaje en
peso de un cierto ingrediente importante. Se decide
probar 6 para cada mezcla , lo que requiere la
prueba de un total de 30 muestras que se
muestran en la siguiente tabla.
 Probar por medio de la prueba de COCHRAN la

igualdad de varianzas

TABLA DE DATOS DE ABSORCION DE HUMEDAD EN MEZCLAS
Mezcla (%)
1 2 3 4 5
551 595 639 417 563
457 580 615 449 631
450 508 511 517 522
731 583 573 438 613
499 633 648 415 656
632 517 677 555 679
Total 3320 3416 3663 2791 3664 16.854
Media 553.33 569.33 610.50 465.17 610.67 561.80
varianza 12.134 2303 3594 3319 3455

 S12 :12134 S22 :2303 S32 :3594 S42 :3319 S52 :3455
Por lo tanto: G= 12134/ 24805 = 0,4892
El cual no excede el valor en tablas G0,05: 0,5065
De aquí se concluye que la suposición de

varianzas iguales es razonable

EJERCICIO
 Un ingeniero de desarrollo de productos le interesa
determinar si el peso porcentual de algodón en una
fibra sintética afecta la resistencia a la tensión , y ha
llevado acabo un experimento completamente
aleatorizado con cinco niveles del peso porcentual de
algodón y cinco replicas. A continuación se presenta la
tabla de datos.

Peso Resistencia a la tensión observada
porcentual (lb./pulg.²)
del Totales Promedios
1 2 3 4 5
algodón Yj Y.j
15 7 7 15 11 9 49 9,8
20 12 17 12 18 18 77 15,4
25 14 18 18 19 19 88 17,6
30 19 25 22 19 23 108 21,6
35 7 10 11 15 11 54 10,8
y..=376 y..=15.04

Hipótesis a probar:
Ho: μ1= μ2= μ3= μ4= μ5
H1: Algunas medias son diferentes
Las sumas de cuadrados requeridas se calculan así:
SStotal = ij yij 2 – y.. 2 / n

= (7)² + (7)² + (15)² +…. + (15)² +
(11)² - (376)²/25 = 636.96

SStreatment = 1/n j y.j 2 – y.. 2 / n
= 1/5 [ (49)² +…. + (54)² ] –
(376)²/25
= 475.76
SSE = SSTotal – SStreatment
= 636.96 – 475.76 = 161.20

COMPARACION DE LOS ESTIMADOS DE
LA VARIANZA:
LA PRUEBA F
 Estadístico de prueba:
F= MSTR/MSE

Rechazar Ho si F> Fc
En donde el valor de F se basa en una distribución Fc
con K- 1 grados de libertad en el numerador y n- K
grados de libertad en el denominador

Para el ejemplo se trabaja con un nivel de
significancia de 0.05
Se obtiene el valor de Fo.o5 , 4 , 20 = 2.87
La regla de rechazo es:

Rechazar Ho si MSTR/ MSE > 2.87

Análisis de varianza de los datos de la
resistencia a la tensión
Grados
de F Valor P
variación cuadrados Medio
libertad
Peso
Porcentual
475.76 4 118.94 14.76 <0.01
del
algodón
Error 161.20 20 8.06
Total 636.96 24

Como MSTR/ MSE= 14.76 es mayor que
el valor critico 2.87
LAS MEDIAS DE LOS TRATAMIENTOS

DIFIEREN, ES DECIR , EL PESO
PORCENTUAL DEL ALGODÓN EN LA
FIBRA AFECTA DE MANERA
SIGNIFICATIVA LA RESISTENCIA A LA
TENSION MEDIA

PRUEBAS SOBRE MEDIAS ANTES DE LA EXPERIMENTACION
Método de los contrastes Ortogonales
Se define un contraste como una combinación lineal de

totales de los tratamientos así:
C= 
k
j 1
cjY .j
donde:

k
cj  0
j 1

 Dos contrastes con coeficientes (cj) y (dj) son
ortogonales si:

k
j 1 j c dj 0
 Para un diseño no balanceado si:

k
j 1
n jc jd j  0
El método de contrastes ortogonales es útil para lo que
se llama comparaciones preplaneadas. Es decir , los
contrastes se especifican antes de llevar acabo el
experimento y de examinar los datos. La razón de esto es
que , si las comparaciones se seleccionan después de
examinar datos, la mayoría de los experimentadores
construirían pruebas que corresponderían con las
diferencias grandes observadas en las medias
EJEMPLO
 Consideremos el ejemplo del ingeniero de desarrollo
de productos desarrollado en la unidad anterior donde
hay cinco medias de los tratamientos y cuatro grados
de libertad entre estos tratamientos. Suponga que
antes de correr el experimento se especificó la
siguiente serie de comparaciones entre las medias de
los tratamientos ( y sus contrastes asociados).

HIPOTESIS
Ho: μ4= μ5
Ho: μ1+μ3= μ4+ μ5
Ho: μ1= μ3
Ho: 4μ2= μ1 + μ3 + μ4 + μ5
CONTRASTES
C1= - y4. + y5.

C2= y1. + y3. - y4. - y5.
C3= y1. - y3.
C4= -y1. + 4y2. - y3. - y4. - y5.
C = j (cj * yj.)
SSC = C2 /j (cj2 * nj)

Peso Resistencia a la tensión observada
porcentual (lb./pulg.²)
del Totales Promedios
1 2 3 4 5
algodón Yj Y.j
15 7 7 15 11 9 49 9,8
20 12 17 12 18 18 77 15,4
25 14 18 18 19 19 88 17,6
30 19 25 22 19 23 108 21,6
35 7 10 11 15 11 54 10,8
y..=376 y..=15.04

 Utilizando los datos de la tabla anterior , se encuentra
que los valores numéricos de los contrastes y de las
sumas de cuadrados son los siguientes:
 C1= -1(108)+1(54)= -54

SSC1= -(54)²/5(2)=291.60
 C2= +1(49) +1(88) -1(108)-1(54)= -25

SSC2= (-25)²/5(4) = 31.25
 C3= +1(49) -1(88) = -39

SSc3 =(-39)²/5(2) =152.10
 C4= -1(49) +4(77) -1(88) -1(108)-1(54) = 9

SSc4 =(9)²/ 5(20) = 0.81
ANALISIS DE VARIANZA DE LOS DATOS DE LA RESISTENCIA A LA TENSION
Grados
de Fo Valor P
Variacion cuadrados medio
libertad
Peso porcentual
475.76 4 118.94 14.76 <0.001
del algodon
Contrastes ortogonales
C1: μ4= μ5 (291.60) 1 291.60 36.18 <0.001

C2: μ1+μ3=
μ 4+ μ 5
(31.25) 1 31.25 3.88 0.06
C3: μ1= μ3 (152.10) 1 152.10 18.87 <0.001
C4: 4μ2= μ1 +
μ3 + μ4 + μ 5
(0.81) 1 0.81 0.10 0.76
ERROR 161.20 20 8.06
TOTAL 636.96 24
 Estas sumas de cuadrados de los contrastes hacen la
partición completa de la suma de cuadrados de los
tratamientos .las pruebas de estos contrastes
ortogonales se incorporan por lo general en el análisis
de varianza , como se nuestra en la anterior tabla.
Por los valores P se concluye que hay diferencias

significativas entre los niveles 4 y5 y 1 y 3 del
peso porcentual del algodón , pero que el
promedio de los niveles 1y3 no difiere del
promedio de los niveles 4 y 5 con el nivel
y que el nivel 2 no difiere del promedio
de los otros cuatro niveles.

PRUEBAS DESPUES DE LA EXPERIMENTACION
Test de Duncan
Se usa para detectar diferencias entre los pares de

medias
 El procedimiento se resume en los siguientes

pasos:
1. Ordenar de mayor a menor las a medias de los k
tratamientos
2. De la tabla de ANOVA obtener el MSerror con sus
grados de libertad.

3. Calcular el error estándar de cada media.
MSerror
Sy. j  (1)
n
Esta ecuación supone que el experimento es
balanceado
Para tamaños de muestra desiguales , se
sustituye n en la ecuación (1) con la media
armónica nh del { nj }, donde
k
n h = --------------------

k
j 1
(1 / n j)
4. De la tabla de Duncan de los rangos significativos se
obtienen los valores r( p,f ) para p = 2,3…..k donde
es el nivel de significacion y f es el numero de
grados de libertad del error
5. Convertir estos rangos estandarizados en un conjunto

de (k-1) rangos mínimos de significación (por ejemplo
Rp) para p = 2,3…k calculando:
Rp = r( p,f ) Sy.j para p=2,3......,k

6. Comparar los rangos observados entre las medias
comenzando con la media mayor contra la media
menor ,la cual se compara con el rango mínimo de
significación Rk . Después se calcula la diferencia de la
mayor y la segunda menor y se compara con el rango
mínimo de significación Rk-1.
Estas comparaciones se continúan hasta que todas las

medias se hayan comparado con la media mayor. Por
ultimo, se calcula la diferencia entre la segunda media
mayor y la menor y se compara con el rango mínimo de
significación Rk-1.

 Este proceso se continua hasta que se hayan
considerado las diferencias entre todos los k(k-1)/2
pares de medias posibles.
SI UNA DIFERENCIA OBSERVADA ES MAYOR QUE EL

RANGO DE SIGNIFICACION MINIMA CORRESPONDIENTE
, SE CONCLUYE QUE EL PAR DE MEDIAS EN CUESTION
ES SIGNIFICATIVAMENTE DIFERENTE

 EJEMPLO
La prueba del rango multiple de Duncan puede aplicarse
a los datos del ejemplo del ingeniero de desarrollo visto
en las unidades anteriores.
Los datos que se tienen son los siguientes:
MSerror= 8.06 , N: 25 , n:5 y hay 20 grados de libertad
del error.
 Siguiendo los enumerados se tiene:
1. y1.= 9.8
y5.= 10.8
y2.= 15.4
y3.= 17.6
y4.= 21.6

2. El SSerror = 8.06 con 20 grados de libertad
3. El error estándar de la media esta dado por:
8.06
Sy.j   1.27
5
4. De la tabla de Duncan para 20 grados de

libertad , = 0.05 y p=2,3,4,5 se obtiene los
siguientes valores:
r0.05(2,20)= 2.95
r0.05(3,20)= 3.10
r0.05(4,20)= 3.18
r0.05(5,20)= 3.25
5. Los rangos menos significantes son:
R2 = r0.05(2,20)Sy.j = (2.95)(1.27)= 3.75
R3 = r0.05(3,20)Sy.j = (3.10)(1.27)= 3.94
R4 = r0.05(4,20)Sy.j = (3.18)(1.27)= 4.04
R5 = r0.05(5,20)Sy.j = (3.25)(1.27)= 4.13

6. Los resultados de las comparaciones serían:
4 vs 1: 21.6 – 9.8 =11.8 > 4.13 (R5)
4 vs 5: 21.6 – 10.8 =10.8 > 4.04(R4)
4 vs 2: 21.6 – 15.4 =6.2 > 3.94 (R3)
4 vs 3: 21.6 – 17.6=4.0 > 3.75 (R2)
3 vs 1: 17.6 – 9.8 =7.8 > 4.04 (R4)
3 vs 5: 17.6 – 10.8 =6.8 > 3.95 (R3)
3 vs 2: 17.6 – 15.4 =2.2 < 3.75 (R2)
2 vs 1: 15.4 – 9.8 =5.6 > 3.94 (R3)
2 vs 5: 15.4 – 10.8 =4.6 > 3.75 (R2)
5 vs 1: 10.8 – 9.8 =1.0 < 3.75 (R2)

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.

Prueba de Tukey
 Es utilizada para probar todas las comparaciones de

las medias por pares cuando después de haberse la
ANOVA se deduce que la hipótesis nula de la
igualdad de medias es rechazada.
 El interés se encuentra en probar todos los pares de
medias de los tratamientos y las hipótesis nulas que
quieren probarse son:
Ho : μj = μi
H1 : μj ≠ μi
 El método de Tukey utiliza la distribución del rango

studentizado para fijar el valor critico con el cual se
comparan las diferencias entre las medias.
 El procedimiento de Tukey hace uso de la
distribución del estadístico del rango studentizado:
(Y max  Y min )
Q 
MS error
n
 La tabla de puntos porcentuales del estadístico del

rango studentizado contiene los valores de Q(p,f )
los puntos porcentuales superiores de Q ,
donde f es el numero de grados de libertad
asociados con MSe.
 Para tamaños de las muestras iguales , la prueba de
Tukey declara que dos medias son significativamente
diferentes si el valor absoluto de sus diferencias
muestrales excede:
MS error
TQ ( k,f ) n
(1)

EJEMPLO
 La prueba de tukey puede aplicarse a los datos del
ejemplo del ingeniero de desarrollo sobre el peso
porcentual del algodón visto en las unidades
anteriores. Con  = 0.05 y f =20 grados de libertad
para el error.
 En la tabla de puntos porcentuales del estadístico
del rango studentizado se obtiene Q0.05(5,20) =4.2
Por lo tanto , por la ecuación (1)
8.06
T  4.23
0.05  5.37
5

 Los cinco promedios de los tratamientos son:
y1.= 9.8 y2.= 15.4 y3.= 17.6 y4.= 21.6 y5.= 10.8
Las diferencias en los promedios son:

y1.- y2.= 9.8 - 15.4 = -5.6
y1.- y3.= 9.8 – 17.6 = -7.8
y1.- y4.= 9.8 – 21.6 = -11.8
y1.- y5.= 9.8 – 10.8 = -1.0
y2.- y3.= 15.4 – 17.6 = -2.2
y2.- y4.= 15.4 – 21.6 = -6.2
y2.- y5.= 15.4 – 10.8 = 4.6
y3.- y4.= 17.6 – 21.6 = -4.0
y3.- y5.= 17.6 – 10.8 = 6.8
y4.- y5.= 21.6 – 10.8 = 10.8
 Dado que cualquier par de promedios de los
tratamientos que difiera en valor absoluto por más de
5.37 implica que el par correspondiente de medias
son significativamente diferentes , se deduce que los
pares de medias y1.- y2. , y1.- y3. , y1.- y4. , y2.- y4. ,
y3.- y5. y y4.- y5. son significativamente diferentes.

MODELOS DE EFECTOS ALEATORIOS
El modelo lineal estadistico es :
Yij =  + j + ij
j = 1,2, ..., k; i = 1,2, ..., n
j = .j - 
 VAR(Yij) = 2 + 2

 Para probar la hipótesis en este modelo se requiere
que : {ij} sean N(0, 2) y que los j se distribuyan
N(0, 2 ) y que sean estadisticamente
independientes.
 La suma de cuadrados para el modelo es:
SStotal = SStreatment + SSerror

 Las hipótesis sobre homogeneidad de tratamientos
son:
Ho : 2 = 0
Ing. M.Sc. 
H1: 2> 0
 Garcia.
Joaquin UIS 105
Estadístico de prueba:
F= MSTR/MSE (1)
En donde el valor de F se basa en una distribución F

F con K- 1
grados de libertad en el numerador y n- K grados de libertad
en el denominador
 La relación (1) es el estadístico apropiado para

verificar la hipótesis Ho : 2 = 0 , puesto que las
esperanzas del cuadrado son:
E[MStrat]=  2 + n 2
E[MSerror]=  2
Rechazar Ho si F> F 
Si la hipótesis se rechaza , entonces se puede estar
interesado en estimar los componentes de la
varianza  2y 2

BLOQUES
 La forma tradicional de controlar la variación local en un
área experimental es BLOQUEANDO el área, de tal
forma que las parcelas dentro de un bloque varían menos
que las que se encuentran en bloques diferentes. Hecho
esto se comparan los tratamientos que se encuentran en
las unidades experimentales dentro de los bloques. De
esta manera se eliminan del error experimental las
diferencias entre bloques , aumentando la precisión del
experimento.

BLOQUES COMPLETOS ALEATORIZADOS
 En este diseño los tratamientos se distribuyen

aleatoriamente en las unidades experimentales dentro
de cada bloque , con una aleatorización diferente en
cada uno de ellos .

Estructura del diseño de bloques
Treatments
1 2 3 k
1 y 11 y 12 y 13 ... y 1k y1
2 y 21 y 22 y 23 ... y 2k y 2
Blocks
3 y 31 y 32 y 33 ... y 3k y3
. . . . .
n y n1 y n2 y n3 ... y nk y n
y1 y2 y3 yk
y

 = efecto común
i. = media de bloque i
.j = media de tratamiento j
i = efecto de bloque i
j = efecto de tratamiento j
ij = error

Yij =  + j + ij (one-way)
i +ij (two-way)

MODELO ESTADISTICO
Yij =  + i + j + ij
i = i. - 
j = .j - 
ij = Yij - i. - .j + 
i = 1,2,...,b; j = 1, 2,...,k

hipótesis a probar :
Ho:1 = 2 =. . . = j = 0
H1: j ≠ 0 para al menos un k

ANOVA PARA EL DISEÑO DE
BLOQUES COMPLETOS
ASUNCIONES
•Independencia
•Normalidad
•Igualdad de varianzas
•No interacción entre bloques y
tratamientos

Ecuación fundamental de la ANOVA
i j (Yij - Y..)2 =
i  j ( Yi. - ..)2
Y
+ i j ( Y.j - Y..)2
+ i j (Yij - Yi. - Y.j + Y

.. )2

SStotal = SSblock + SStreatment + SSerror
MSblock = SSblock/(b-1)
MStreatment = SStreatment/(k-1)
MSerror = SSerror/[(b-1)(k-1)]

SStreatment = 1/b j y.j 2 – y.. 2 / n
SSblock = 1/k j y.j 2 – y.. 2 / n

•Si los tratamientosy los bloques son fijos , se
puede demostrar que:
E[MSblock] = 2 + k i i2/(b-1)
E[MStreatment] = 2 + b j j2/(k-1)
E[MSerror] = 2

 Para probar la igualdad de las medias de los
tratamientos se usa el estadístico de prueba Fo
Fo= MSTR/MSE
Que se distribuye como Fk-1,(k-1)(b-1) si Ho es verdadera
Si Fo > F(k-1),(k-1)(b-1), se rechaza Ho:j = 0

 También existe interés en comparar las medias de
los bloques , en caso que la diferencia entre estas
medias no sea considerable , quizás no sea
necesaria la formación de bloques en experimentos
futuros
 Para probar la igualdad de las medias de los
bloques se usa el estadístico de prueba Fo
Fo= MSbloques/MSE
Si Fo > F(b-1),(k-1)(b-1), se rechaza Ho: i = 0

Análisis de varianza de un diseño de bloques completos aleatorizados
Grados
de Fo
variación cuadrados medio
libertad
Tratamientos SSTRA K-1 SStrat / k-1 MSTra/Mse
Bloques SSBloques B-1 SSbloq / b-1
Error SSe (k-1)(b-1) SSe / (k-1)(b-1)
Total SSt n-1

Ejemplo
 Quiere determinarse si cuatro puntas diferentes
producen o no lecturas diferentes en una maquina
para probar la dureza. Hay cuatro puntas y cuatro
ejemplares de prueba de metal. Cada punta se
prueba una vez en cada ejemplar , resultando un
diseño de bloques completos aleatorizados
.Recuerde que el orden en que se probaron las
puntas en un ejemplar particular se determino al
azar . Los datos obtenidos se muestran en la
siguiente tabla.

Datos del experimento de la prueba de la dureza
Ejemplar de prueba (bloque)

Tipo de Y.j
punta
1 2 3 4
1 -2 -1 1 5 3
2 -1 -2 3 4 4
3 -3 -1 0 2 -2
4 2 1 5 7 15
Yi. -4 -3 9 18 20= y..

 Las sumas de cuadrados se obtienen de la siguiente
manera:

= 154.00- (20)²/16 = 129.00
SStreatment = 1/b j y.j 2 – y.. 2 / n

= 1/4[(3)²+(4)² +(-2)² +(15)²]-(20)²/16
= 38.50
SSblock = 1/k j y.j 2 – y.. 2 / n

= 1/4[(- 4)²+(- 3)² +(9)² +(18)²]-(20)²/16
= 82.50
Análisis de varianza del experimento de la prueba de la dureza
Grados
de Fo Valor p
variacion cuadrados medio
libertad
Tratamientos
(tipo de 38.50 3 12.83 14.44 0.0009
punta)
Bloques
82.50 3 27.50
(ejemplares)
Error 8.00 9 0.89
Total 129.00 15
UTILIZANDO =0.05 , EL VALOR CRITICO DE F ES
F0.05,3,9 = 3.86 . PUESTO SE CONCLUYE QUE EL TIPO
DE PUNTA AFECTA LA LECTURA DE LA DUREZA DE LA
MEDIA. ADEMAS , AL PARECER LOS EJEMPLARES
(BLOQUES) DIFIEREN DE MANERA SIGNIFICATIVA , YA
QUE EL CUADRADO MEDIO DE LOS BLOQUES ES
GRANDE EN RELACION CON EL ERROR.

DISEÑO DE BLOQUES INCOMPLETOS
BALANCEADOS (BIB)
 El diseño de bloques incompletos se usa para disminuir

la varianza del error experimental y proporcionar
comparaciones mas precisas entre tratamientos de lo
que es posible con el diseño de bloques completos.
 EL BIB es un arreglo tal que todos los tratamientos

tienen igual numero de replicas y cada par de
tratamientos se presenta en el mismo bloque un
numero igual de veces en algún lugar del diseño .

 El diseño de bloque incompleto tiene r replicas de k
tratamientos en b bloques de t unidades
experimentales con t < k y el numero total de
unidades experimentales en N= kr = bt
 El numero de veces que cada par de tratamientos

aparece en el mismo bloque es:
λ = r( t -1 ) / ( k -1 )
Si k = b , se dice que el diseño es SIMETRICO

MODELO ESTADISTICO DEL BIB
Yij =  + i + j + ij
• la variabilidad total en los datos se expresa por la suma
de cuadrados totales corregida:
SStotal = ij yij 2 – y.. 2 / N
SStotal = SSblock + SStreat (ajustada) + SSerror

 La suma de cuadrados de los tratamientos esta
ajustada para separar los efectos de los tratamientos y
de los bloques.
 La suma de cuadrados de los bloques es:
SSblock = 1/t i y.i 2 – y.. 2 / N
 La suma de cuadrados de los tratamientos ajustada es:
SStreat (corregida) = t j Qj² / k

 La cantidad Qj² es un total de tratamiento que se
calcula como:
Qj² = yj. – 1/t i nij y.i j = 1,2,….,k (3)
Con nij = 1 si el tratamiento j aparece en el bloque i y

nij = 0 en caso contrario.
 El estadistico apropiado para probar la igualdad de los
efectos de los tratamientos es:
Fo= MSTR(corregida)/MSE
Análisis de varianza de un diseño de bloques incompletos
balanceados
Grados
de Fo
libertad
Tratamientos SSTrat(corregida) K-1 SStrat(corregida) / k-1 MSTra(corregida)/ Mse
Bloques SSBloques b-1 SSbloq / b-1
SSe(por
Error
sustracción)
N-k-b+1 SSe / n-k-b+1
Total SSt N -1
EJEMPLO
 Suponga que un ingeniero químico piensa que el tiempo

de reacción de un proceso químico es un función del tipo
de catalizador utilizado. Se están investigando cuatro
catalizadores . El procedimiento experimental consiste en
seleccionar un lote de materia prima , cargar la planta
piloto , aplicar cada catalizador en una corrida separada de
la planta piloto y observar el tiempo de reacción. Los datos
obtenidos se muestran en la siguiente tabla.

Datos del experimento del catalizador
Lote de materia prima (bloque)

Catalizador Y.j
(Tratamiento)
1 2 3 4
1 73 74 - 71 218
2 - 75 67 72 214
3 73 75 68 - 216
4 75 - 72 75 222
Yi. 221 224 207 218 870= y..

 Datos del experimento:
k=4 r= 3
b=4 N=12
t=3 = 2
 Análisis de Datos:
SStotal = ij yij 2 – y.. 2 / 12
= 63.156- (870)²/12 = 81.00
SSblock =1/3 i y.i 2 – y.. 2 / 12

= 1/3[(221)²+ (207)² + (224)² + (218)²]-(870)²/12
= 55.00
 Para calcular la suma de cuadrados de los tratamientos
ajustados para los bloques , primero se determina los
totales de los tratamientos ajustados utilizando la
ecuación (3)
Q1=(218) – 1/3(221+224+218) =-9/3
Q2=(214) – 1/3(207+224+218) =-7/3
Q3=(216) – 1/3(221+207+224) =- 4/3
Q4=(222) – 1/3(221+207+218) =20/3

 La suma de cuadrados de los tratamientos ajustados es
igual a:
SStreat (corregida) = t j Qj² / k

=3[(-9/3)²+(-7/3)²+(-4/3)² + (20/3)²] / 2*4
= 22.75

Análisis de varianza del experimento del catalizador
Grados
de Fo Valor p
libertad
Tratamientos
(ajustados para 22.75 3 7.58 11.66 0.0107
los bloques)
Bloques
(ejemplares)
55.00 3 -
Error 3.25 5 0.65
Total 81.00 11
PUESTO QUE EL VALOR P ES PEQUEÑO ,
SECONCLUYE QUE EL CATALIZADOR EMPLEADO
TIENE UN EFECTO SIGNIFICATIVO SOBRE EL
TIEMPO DE REACCION.

DISEÑO DE CUADRADO LATINO
 Se usa para eliminar dos fuentes de variabilidad

perturbadora; es decir permite hacer la formación de
bloques sistemática en dos direcciones. Por lo tanto las
filas y las columnas representan en realidad dos
restricciones sobre la aleatorizacion
 Se llama cuadrado latino porque al representar los k

tratamientos por letras latinas , éstas se distribuyen
formando un cuadrado de k x k letras o de k² celdas,
conocido como cuadrado latino de orden k

 Para cuatro tratamientos A, B ,C, y D, el siguiente
arreglo es un cuadrado latino de orden 4
1 2 3 4
1 A B C D
2 B A D C
3 C D A B
4 D C B A

 Para que k letras ordenadas en una matriz k x k
sean un cuadrado latino , se requiere que cada
letra esté una sola vez en cada fila y una sola vez
en cada columna de la matriz.
 La eficiencia del diseño de cuadrados latinos

depende de la variación causada por los factores de
control; si uno de ellos no ejerce una influencia
apreciable en la variable de estudio , deberá
adoptarse un diseño de bloques aleatorizados en
vez de un diseño de cuadrados latinos

DISEÑO DE CUADRADOS LATINOS
yijl     l   j   i   ijl
fila
columna
tratamiento

yijl     l   j   i   ijl
l = 1 , 2 , 3 ……k
J = 1 , 2 , 3 ….. k
i = 1 , 2 , 3 ….. K
EL MODELO ES ADITIVO ; ES DECIR NO EXISTE

INTERACCIONES ENTRE FILAS Y COLUMNAS Y
TAMPOCO ENTRE ÉSTAS Y LOS TRATAMIENTOS.

SStotal = SSfilas + SScolumnas + SStrat+ SSerror
El estadístico apropiado para probar que no hay diferencias

en las medias de los tratamientos es:
Fo = MSTratamientos/MSE
Que se distribuye como F k-1,(k-2)(k-1) bajo Ho

SStotal = ijl yijl 2 – y… 2 / n
SStreatment = 1/k j y..j 2 – y… 2 / n
SScolumnas = 1/k i y..i2 – y… 2 / n
SSfilas = 1/k l y..l2 – y… 2 / n

Análisis de varianza de un diseño de cuadrado latino
Grados
de Fo
libertad
Tratamientos SSTRA K-1 SStrat / k-1 MSTra/Mse
filas SSfilas K-1 SSfilas / k-1
Columnas SScolumnas k-1 SScolumnas / k-1
Error SSe (k-2)(k-1) SSe / (k-2)(k-1)
Total SSt k² - 1

EJEMPLO
 Para comparar el efecto de cinco dietas , éstas se

administraron a cinco camadas , de cinco ratas
cada una , mediante un diseño de cuadrado latino
con camadas como filas y ratas ordenadas por peso
como columnas . De esta manera se eliminaron las
variaciones asignables a las diferencias en los
pesos y en la herencia . La variable respuesta fue el
contenido de proteína en el hígado. Los resultados
se dan en la siguiente tabla.

Datos del experimento de las dietas
Peso en orden creciente

Y..l
Camadas
1 2 3 4 5
1 736 (C) 587 (E) 811 (B) 724 (A) 762 (D) 3620
2 757 (A) 737 (C) 578 (D) 590 (E) 809 (B) 3471
3 573 (B) 789 (D) 577 (E) 751 (C) 822 (A) 3512
4 686 (E) 761 (B) 667 (A) 683 (D) 563 (C) 3360
5 942 (D) 802 (A) 920 (C) 635 (B) 725 (E) 4024
Yi.. 3694 3676 3553 3383 3681 18823= y…

Análisis de varianza del experimento de las dietas
Grados
de Fo Valor p
libertad
Tratamientos
(dietas)
50.812 4 12703 1.01 0.44
Filas 52424 4 13106
columnas 14088 4 3522
Error 150424 12 12535
Total 267748 24

LA PRUEBA F INDICA QUE NO HAY DIFERENCIAS
SIGNIFICATIVAS ENTRE LAS DIETAS . IGUALMNETE ,
AL OBSERVAR LAS MEDIAS CUADRATICAS PARA
FILAS Y PARA COLUMNAS , SE DEDUCE QUE NO HAY
SIGNIFICANCIA ESTADISTICA

 La eficiencia relativa del Diseño de cuadrado latino con
respecto al diseño de bloques aleatorizados ,
suponiendo que las camadas son los bloques , se calcula
con la siguiente formula:
ER= MSC +(K-1)*MSE / (K)*MSE
ER=3522 + 4(12535) / 5(12535)= 0.86
Como se observa , no hay ganancia en la eficiencia por

el hecho de considerar el peso de las ratas como otra
variable de control.
La eficiencia relativa del cuadrado latino con
respecto a un diseño de bloque aleatorizado ,
indica que ninguna de las dos variables de bloqueo
influye en forma apreciable sobre la respuesta
analizada , por tanto , pueden no tenerse en
cuenta en estudios futuros.

DISEÑOS FACTORIALES

DISEÑOS FACTORIALES
 Por diseño factorial se entiende que en cada ensayo o
replica completa del experimento se investigan todas las
combinaciones posibles de los niveles de los factores . Por
ejemplo: si el factor A tiene a niveles y el factor B tiene b
niveles , cada replica contiene todas las ab combinaciones
de los tratamientos.
 Los diseños factoriales producen experimentos más

eficientes , pues cada observación proporciona
información sobre todos los factores , y es factible ver las
respuestas de un factor en diferentes niveles de otro
factor en el mismo experimento.
 El efecto de un factor se define como el cambio en la
respuesta producido por un cambio en el nivel del
factor . Con frecuencia se le llama efecto principal
porque se refiere a los factores primarios de interés en
el experimento.
 En algunos experimentos puede encontrarse que la

diferencia en la respuesta entre los niveles de un factor
no es la misma para todos los niveles de los otros
factores . Cuando esto ocurre , existe una interacción
entre los factores.

DISEÑO FACTORIAL DE DOS
FACTORES
 El factor A tiene a niveles y el factor B tiene b niveles .
El experimento tiene n replicas y cada una contiene ab
combinaciones de tratamiento.
 El modelo de los efectos es:
yijl     j   i  ( )i j   ijl

l = 1 , 2 , 3 ……n
J = 1 , 2 , 3 ….. a
i = 1 , 2 , 3 ….. b
Se supone que ambos efectos son fijos

hipótesis a probar :
 Igualdad de los efectos de los tratamientos
de las filas
Ho:1 = 2 =. . . = a = 0
H1: al menos una j ≠ 0
 Igualdad de los efectos de los tratamientos

de las columnas
Ho:1 = 2 =. . . = b = 0
H1: al menos una i ≠ 0
 También existe interés en determinar si los
tratamientos de las filas y las columnas
interactúan.
Ho: ji= 0 para todas las j ,i

H1: al menos una ji ≠ 0

Análisis de varianza para el diseño factorial de dos factores
Grados
de Fo
libertad
Tratamientos A SSA a-1 SSA / a-1 MSA/Mse
MSB/Mse
Tratamientos B SSB b-1 SSB / b-1
(a-1)(b-1) SSAB / (a-1)(b-1) MSAB/Mse

Interacción SSAB
SSe / ab(n-1)
Error SSe ab(n-1)
Total SSt abn -1

Ejemplo:
 LA VIDA MEDIA (EN HORAS DE SERVICIO ) DE UN TIPO
PARTICULAR DE BATERIA, SE PIENSA QUE PUEDE SER
INFLUENCIADA POR EL MATERIAL USADO EN LOS PLATOS Y
POR LA TEMPERATURA A LA CUAL LA BATERÍA ES
COLOCADA A FUNCIONAR. SE HACEN CUATRO REPLICAS EN
EL EXPERIMENTO DE UN DISEÑO FACTORIAL, PARA TRES
TIPOS DE TEMPERATURA Y TRES MATERIALES.
A= 3 B= 3 n= 4
LOS RESULTADOS SON:

FACTOR (B) TEMPERATURA
130 34 20
74 80 82 998
1 155 40 70
180 539 75 229 58 230
FACTOR(A) MATERIAL
150 136 25
159 106 58 1300
2 188 122 70
126 623 115 479 45 198
138 174 96
168 150 82 1501
3 110 120 104
160 576 139 583 60 342
1738 1291 770 3799

ANALISIS DE VARIANZA DEL EXPERIMENTO
FUENTES DE SUMA DE GRADOS DE

C.MEDIO FO
VARIACION CUADRADOS LIBERTAD
7.91 >
TIPO DE MAT. 10683.72 2 5341.86
3.35
28.97 >
TEMPERATUR 39118.72 2 19559.36
3.35
3.56 >
INTERACCION 9613.77 4 2403.44
2.73
ERROR 18230.75 27 675.21
TOTAL 77646.96 35

CORRELACION TIPO MATERIAL - TEMPERATURA
175
155,75
150 145,75
144
134,75
125 119,75
100 Material 1
85,5
75 Material 2
57,25 57,5 Material 3

50 49,5
25
0
15 70 125
CONCLUSIONES:
 los datos reflejan evidencias suficientes que el tipo de material se
afecta al voltaje de salida, considerado al nivel de significancia del
5%
 los datos presentan evidencias suficientes que las temperaturas
usada -5 en el experimentos si afectan al voltaje de salida,
considerando un nivel de significancia del 5%
 los datos demuestran evidencias suficientes que el tipo de material
usado y las temperaturas consideradas en el experimento tienen
efecto conjunto sobre el voltaje de salida considerado k un nivel de
significancia del 5%
Y EN CADA UNA DE LAS HIPOTESIS ACEPTAMOS H1

Diseño Factorial 2k
 Los diseños factoriales son ampliamente utilizados en
experimentos en los que intervienen varios factores para
estudiar el efecto conjunto de estos sobre una respuesta
 Existen varios casos especiales del diseño factorial general que

resultan importantes porque se usan ampliamente en el trabajo
de investigación, y porque constituyen la base para otros
diseños de gran valor práctico.
El más importante de estos casos especiales ocurre cuando se

tienen k factores, cada uno con dos niveles. Estos niveles
pueden ser cuantitativos como sería el caso de dos valores de
temperatura presión o tiempo.

 Una réplica completa de tal diseño requiere que se recopilen 2 x 2

x .... x 2 = 2k observaciones y se conoce como diseño general 2k.
 El diseño 2k es particularmente útil en las primeras fases del

trabajo experimental, cuando es probable que haya muchos
factores por investigar.
Conlleva el menor número de corridas con las cuales pueden
estudiarse k factores en un diseño factorial completo.
 Debido a que sólo hay dos niveles para cada factor, debe
suponerse que la respuesta es aproximadamente lineal en el
intervalo de los niveles elegidos de los factores.

 Supongamos que tenemos k (k > 2) factores.

Un diseño factorial 2k (2k factorial design)
requiere que dos niveles sean escogidos por
cada factor, y que “n” corridas (replicas) se
ejecuten por cada una de las 2k posibles
combinaciones de niveles de los factores . Para
3 factores, podemos usar la Matriz de Diseño:

Matriz de Diseño para 3 Factores
Factor 1 Factor 2 Factor 3
Design Point Level Level Level Response
1 - - - O1
2 + - - O2
3 - + - O3
4 + + - O4
5 - - + O5
6 + - + O6
7 - + + O7
8 + + + O8
“+” se refiere a uno de los niveles de un factor y “-” se refiere al otro

nivel . Normalmente, para factores cuantitativos , el nivel más grande
y más pequeño de cada factor elegido.
Diseño Factorial 2k : Estimación
 El Efecto Principal del factor 1 es el cambio en la
variable respuesta como resultado del cambio en el
nivel del factor, promediando los efectos de los
restantes factores.
e1 
 O
2  O1    O4  O3    O6  O5    O8  O7 
4

Diseño Factorial 2k : Estimación
 Si el efecto de alguno de los factores depende del

nivel de cualquier otro factor, se dice que estos
factores interactúan
 El grado de interacción (two-factor interaction
effect) entre dos factores i y j está definido como:
1  ( O4  O3 )  ( O8  O7 ) ( O2  O1 )  ( O6  O5 ) 
e12    
2 2 2

Diseño Factorial Completo (2k)
 Consideremos un modelo de un sistema de
producción. Las 2 variables de decisión o factores a
considerar son: Presión (P) y Temperatura (T) para
el sistema de producción. Los valores máximos y
mínimos admisibles para cada factor están dados
por:
Factor Minimum Maximum
Value Value
P 20 40
T 15 50
 Supongamos que la variable respuesta de salida del

modelo es el rendimiento del proceso .

 Una matriz de diseño 22 con los resultados (para 10
replicas en cada punto de diseño ) está dada por:
Design Point Factor Level for Response

P T
1 - - 135.6
2 + - 128.2
3 - + 121.7
4 + + 131.5
Donde un factor de nivel “-” indica el mínimo valor
posible para el factor, y un factor en el nivel “+” indica
el máximo valor posible ; por ejemplo, para el design
point 2 se tiene P=40 and T =15.

 La respuesta dada es el costo promedio de las 10
réplicas. El efecto principal es:
(O 3  O1 )  (O4  O2 ) (121.7  135.6)  (131.5  128.2)

eT    5.3
2 2
(O2  O1 )  (O4  O3 ) (128.2  135.6)  (1315

.  1217
. )
eP    12
.
2 2
 El efecto de interacción esta dado por
135.6  128.2  121.7  131.5

ePT   8 .6
2
 Además, el efecto medio de incrementar P de 20 a

40 es un incremento en el rendimiento de 1.2, y el
efecto medio de incrementar T desde 15 a 50 es
una reducción en el rendimiento de 5.3. Esto
podría aconsejar seleccionar el factor T como el
valor más bajo y el factor P como el más alto.

 También a menudo un efecto de interacción positivo,

podría indicar que los efectos de los factores P y T
tienen niveles opuestos.
 Por supuesto que esto se puede inferir de un breve

análisis de las respuestas para combinaciones de
diseño.
 Note también que la interpretación del efecto principal

asume que no hay efecto de interacción.

Aleatoriedad de los Efectos
 Observemos que los efectos principales e interacciones
calculados en el ejemplo previo son variables aleatorias. Para
determinar si los efectos son realmente significativos o si su
cambio se debe a fluctuaciones aleatorias deberíamos calcular
los efectos principales e interacciones varias veces (10 o más)
y construir un intervalo de confianza para cada efecto principal
e interacción.
 Si el intervalo de confianza contiene al cero, entonces el efecto

no es estadísticamente significativo.

Situación con muchos Factores
 Cuando existan muchos factores a considerar en el diseño
factorial completo, se puede recurrir al diseño de
experimentos factorial fraccionado (2k-p , 3k-p , etc).
 Otra aproximación para reducir el número de factores es

considerar la técnica de factores ocultos o agrupación de
factores donde un grupo de factores se consideran como si
fuesen un solo factor (confundido).

DISEÑO FACTORIAL 2k CON UNA
SOLA REPLICACION
 Un riesgo obvio cuando se realiza un experimento

que tiene una sola corrida para cada combinación
de prueba es que el modelo puede ajustarse al
ruido.
 El uso de la estrategia de una sola replica es común
en los experimentos de exploración cuando hay un
numero relativamente grande de factores bajo
consideración.

EJEMPLO
 Un producto químico se fabrica en un envase presurizado.
Se lleva a cabo un experimento factorial en la planta
piloto para estudiar los factores que se piensa influyen en
el índice de filtración de este producto.
Los cuatro factores son la temperatura (A), la presión (B),
la concentración de formaldehído (C), y la velocidad de
agitación (D). Cada factor esta presente con dos niveles.
las 16 corridas se hacen de forma aleatoria. Los datos se
muestran en la siguiente tabla

N de FACTOR Etiqueta Índice de
corrida de la filtración
A B C D
corrida
1 - - - - (1) 45
2 + - - - a 71
3 - + - - b 48
4 + + - - ab 65
5 - - + - c 68
6 + - + - ac 60
7 - + + - bc 80
8 + + + - abc 65
9 - - - + d 43
10 + - - + ad 100
11 - + - + bd 45
12 + + - + abd 104
13 - - + + cd 75
14 + - + + acd 86
15 - + + + bcd 70
16 + + + + abcd 96
Estimaciones de los efectos de los factores y
sumas cuadrados del diseño factorial 24
TERMINO DEL ESTIMACION DEL SUMA DE CONTRIBUCION
MODELO EFECTO CUADRADOS PORCENTUAL
A 21,625 1870,56 32,6397
B 3,125 30,0625 0,681608
C 9,875 390,062 6,806
D 14,625 855,563 14,92
AB 0,125 0,0625 0,001
AC -18,125 1314,06 22,92
AD 16,625 1105,56 19,29
BC 2,375 22,5625 0,39
BD -0,375 0,5625 0,009
CD -1,125 5,0625 0,088
ABC 1,875 14,0625 0,245
ABD 4,125 68,0625 1,187
ACD -1,625 10,5625 0,184
BCD -2,625 27,5625 0,480
ABCD 1,375 7,5625 0,1319
Análisis de varianza del experimento del índice
de filtración en A, C y D
Fuente de Suma de Grados de Cuadrado Fo Valor P

variación cuadrados libertad medio
A 1870,56 1 1870,56 83,36 ‹ 0,0001

C 390,06 1 390,06 17,38 ‹ 0,0001
D 855,56 1 855,56 38,13 ‹ 0,0001
AC 1314,06 1 1314,06 58,56 ‹ 0,0001
AD 1105,56 1 1105,56 49,27 ‹ 0,0001
CD 5,06 1 5,06 ‹1
ACD 10,56 1 10,56 ‹1
Error 179,52 8 22,44
Total 5730,94 15
FACTORIAL INCOMPLETO O
FRACCIONARIO
Fundamento del diseño: cuando la función respuesta

que se estudia es continua, pueden eliminarse puntos
intermedios de experimentación sin que se afecte el ajuste.

 Se eliminan del factorial completo interacciones que
puedan considerarse poco probables (generalmente las de
grado superior) y se sustituyen por nuevas variables o mas
niveles.

USOS Y VENTAJAS
•
PUEDE EMPLEARSE EN LAS ETAPAS DE DISEÑO, FORMULACION Y
OPTIMIZACION.
• ES UTIL CUANDO SE DEBEN ANALIZAR MUCHAS VARIABLES.
• PERMITE ELEGIR SOLO LAS VARIABLES MAS SIGNIFICATIVAS

SACRIFICANDOSE LOS EXPERIMENTOS QUE DAN INFORMACION
SOBRE LAS INTERACCIONES DE MAYOR GRADO.
• PUEDEN EVALUARSE MAS VARIABLES CON MENOR NUMERO DE

EXPERIMENTOS.

• SE PUEDEN INCLUIR MAS NIVELES DE LAS MISMAS VARIABLES
• LOS RESULTADOS EXPERIMENTALES PUEDEN AJUSTARSE A

FUNCIONES DE ORDEN SUPERIOR SIN AUMENTAR EXCESIVAMENTE EL
NUMERO DE EXPERIMENTOS.Ing. M.Sc. Joaquin Garcia. UIS 186
Ejemplo 1 : Diseño Factorial 2 k-1
(medio factorial)
 Ej. 5 variables en 2 niveles.
 El factorial completo comprendería 2^5 = 32
experimentos. En cambio con el “medio factorial”
se hacen solo la mitad, 16 experimentos.
 En este diseño puede emplearse distinto numero
de variables pero siempre en dos niveles e incluye
siempre la mitad de los experimentos que se
requerirían en el factorial completo

 Como se “eligen” los experimentos ?
 Si se trata de 5 variables, se construye primero un
factorial completo para 4 variables en 2 niveles
(2^4 = 16 experimentos)
exp 1 2 3 4 1x2 1x3 1x4 2x3 2x4 3x4 123 134 234 1234
=4X5 =2X5 = 1X5 =5
1 + + + + + + + + + + + + + +
2 + + + - + + - + - - + - - -
3 + + - + + - + - + - - - - -
4 + + - - + - - + +
5 + - + + - + + +
6 + - + - - + - -
7 + - - + - - - +
8 + - - - - - + -
9 - + + + - - +
10 - + + - - - -
11 - + - + - +
12 - + - - - +
13 - - + + + -
14 - - + - + -
15 - - - + + +
16 - - - - + +

• Se reemplaza la columna que corresponde a la interacción de mayor
grado (1x2x3x4) por la nueva variable (5).
• El efecto principal de la nueva variable se “confunde” con la interaccion

menos probable. En cada experimento los niveles de la variable 5 estan
dados por los signos + y - que coinciden con la interaccion cuadruple
(menos probable): 1234= 5
Si se establece esta igualdad, entonces:
1x5 = 2x3x4
4x5= 1x2x3
2x5= 1x3x4
Es decir, si:
123 = + + - - - - + + - ...........
y 4x5 = se calcula con el mismo patrón de respuestas.

• El armado del “patron de confusion” hace que se estimen : la media
total, los efectos principales de las 5 variables y las 10 interacciones de
dos factores para las 5 variables, a partir de usar las interacciones triples
y cuadruples del diseño factorial completo de 4 variables.
Las interacciones de mayor grado se encuentran “confundidas”
de acuerdo al siguiente esquema:
4 + exp
1235 1+ 2+ 5+ 12 + 13 +33 14 + 23 + 24 + 34 + 45+ 25 + 1x5 +
2345 1345 1234 345 245 235 145 135 125 123 134 234
1 + + + + + + + + + + + + + +
2 + + + - - + + - + - - + + -
3 + + - + - + - + - + - - - -
4 + + - - + + - - -
5 + - + + - - + -
6 + - + - + - + -
7 + - - + + - - +
8 + - - - - - - +
9 - + + + -
10 - + + - -
11 - + - + -
12 - + - - -
13 - - + + +
14 - - + - +
15 - - - + +
16 - - - - +
Estimación de los efectos:
general: (1...16) /16
Media

Efecto principal de 1 = 1/8 (+1+2+3+4+5+6+7+8)-
1/8(9+10+11+12+13+14+15+16)]
Interacción 4x5 = 1/16 (+1+2-3-4-4-4+7+8-9.........)

Este valor debe compararse con el ERROR
ESTANDAR de los experimentos replicados o
con los efectos de las interacciones menos
probables (si no hay replicados) o para
determinar el grado de significación del efecto
calculado.


Para 4 variables: 2Iv 4-1
2Iv 4-1
4 = 1x 2x 3
1 2 3 4
+ + + +
+ + - -
+ - + -
+ - - +
- + + -
- + - +
- - + +
- - - -
La otra mitad del factorial completo (2 ^4 = 16 experimentos) corresponden al diseño 4

= - (1x2x3)

  EL DISEÑO ANTERIOR ESTA JUSTIFICADO SI LAS
INTERACCIONES DE ORDEN SUPERIOR QUE SE REEMPLAZAN
(EN ESTE CASO, TERCER Y CUARTO GRADO) SON
DESPRECIABLES.
eEL DISEÑO CONSTRUIDO CORRESPONDE A LA MAXIMA RESOLUCION
POSIBLE AUNQUE, EN TEORIA, SERIA POSIBLE REEEMPLAZAR
CUALQUIER COLUMNA POR UNA NUEVA VARIABLE .
SSI UNA DE LAS VARIABLES ES INERTE EL DISEÑO 2 K-1 DEJA UN FACTORIAL
COMPLETO EN LAS RESTANTES VARIABLES:
• ·Si la variable 4 no tiene efecto significativo, queda un factorial completo en
las otras 4 variables (1,2,3,5)
Ej. Si se omite la columna 1 queda un factorial completo en las variables 2,3,4

y 5.

Otros ejemplos de medias fracciones para k=3,
2III 3-1
3 = 1 X 2
1 2 3
- - +
+ - -
- + -
+ + +
La otra mitad del factorial (completo) seria:

3 = - (1 X 2)
1 2 3
- - -
+ - +

- + +
+ +
Ing. M.Sc. Joaquin Garcia. UIS - 194
Ejemplo 3 : Diseño factorial 2 k-4
(k : numero de variables ; 2 niveles)
 Este diseño consiste en un factorial completo para (k-4)
variables donde todas las interacciones se asocian con las
nuevas variables que se incluyen en el diseño (están
confundidos)
 Para 8 variables seria 2^ 4 experimentos (16)
 Para 7 variables serian 2^3 experimentos (8)

En el ejemplo se evalúan en total 7 variables en 8 experimentos.
 Es un diseño balanceado, saturado (ya que todos los
contrastes están asociados con variables) y confundido.

 Mediante este diseño solo se evalúan efectos principales de las
variables.

exp 1 2 3 4+ 5+ 6+ 7+ Respuest
12 13 23 123 a
1 + + + + + + + ......
2 - + + - - + - .......
3 + - + - + - - .......
4 - - + + - - + .......
5 + + - + - - - .......
6 - + - - + - + .......
7 + - - - - + + ........
8 - - - + + + - .......

Estadistica 3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica 3

Cargado por

Copyright:

Formatos disponibles

DISEÑO DE

Ing. M.Sc. Joaquin Garcia. UIS 1

 Bunge define ocho pasos en la

1. Enunciar preguntas bien formuladas

Ing. M.Sc. Joaquin Garcia. UIS 4

´´ LA ESTADISTICA SIRVE DE PUNTUAL AL

Ing. M.Sc. Joaquin Garcia. UIS 5

QUE ES EL DISEÑO ESTADISTICO DE

Ing. M.Sc. Joaquin Garcia. UIS 7

Ing. M.Sc. Joaquin Garcia. UIS 8

a. Experimentales: el investigador controla, es decir

b. Observacionales: el investigador no tiene control

Ing. M.Sc. Joaquin Garcia. UIS 9

 Variables dependientes e Independientes:

Ing. M.Sc. Joaquin Garcia. UIS 10

 Niveles de los factores: Los niveles son los valores

Ing. M.Sc. Joaquin Garcia. UIS 11

 Tratamiento: Un tratamiento es un determinado

Ing. M.Sc. Joaquin Garcia. UIS 12

 Variable Exógena o Extrínseca: Se denominan así

 Población: Desde el punto de vista del

Ing. M.Sc. Joaquin Garcia. UIS 13

 Error experimental: Describe la variación entre

 También es definida como la porción de la

Ing. M.Sc. Joaquin Garcia. UIS 14

 Algunos de los distintos orígenes del error

Ing. M.Sc. Joaquin Garcia. UIS 15

 Validez Externa: Es la capacidad de

Ing. M.Sc. Joaquin Garcia. UIS 16

Ing. M.Sc. Joaquin Garcia. UIS 17

 Aleatorización: Es la designación al azar de las

Ing. M.Sc. Joaquin Garcia. UIS 18

 La replicación proporciona la posibilidad de que los

Ing. M.Sc. Joaquin Garcia. UIS 19

Ing. M.Sc. Joaquin Garcia. UIS 20

1. Decidir si el diseño es unifactorial o multifactorial

2. Reconocer si la agrupación de las observaciones

3. Elegir , de acuerdo con el numero de

Ing. M.Sc. Joaquin Garcia. UIS 21

Ing. M.Sc. Joaquin Garcia. UIS 22

3. SELECCIÓN DE LAS VARIABLES DE

Ing. M.Sc. Joaquin Garcia. UIS 23

Ing. M.Sc. Joaquin Garcia. UIS 24

Ing. M.Sc. Joaquin Garcia. UIS 25

Ing. M.Sc. Joaquin Garcia. UIS 26

5. Podrán recibir las unidades experimentales mas de

6. Como se asignaran los tratamientos a las unidades

7. Cuantas unidades experimentales serán necesarias

8. Cual será la técnica estadística apropiada en el

 La técnica de análisis de varianza nos permite hacer

Ing. M.Sc. Joaquin Garcia. UIS 28

Las calificaciones de esos 18 empleados se

Ing. M.Sc. Joaquin Garcia. UIS 29

Se desea probar la siguiente hipótesis:

Ing. M.Sc. Joaquin Garcia. UIS 31

 Objetivo: determinar si la media de la calificación

 Variable respuesta: calificación del examen

 Factor: Ubicación de la planta

 Niveles del factor o tratamientos: los tres

Ing. M.Sc. Joaquin Garcia. UIS 32

1. PARA CADA POBLACION , LA VARIABLE DE

2. LA VARIANZA DE LA VARIABLE DE RESPUESTA ,

3. LAS OBSERVACIONES DEBEN SER