Repblica Bolivariana de Venezuela

Ministerio del Poder Popular para la Educacin Universitaria, Ciencia y

Tecnologa
Universidad Nacional Experimental Politcnica
Antonio Jos de Sucre
Vice-rectorado Puerto Ordaz, Estado Bolvar
Especialidad Ingeniera Industrial
Catedra: Estadstica II

ANOVA

Profesor:
Integrantes:
Emerson Suarez

Ana Gutirrez C.I

23.730.016
Dimedes
Villarroel C.I 24.964.053

Ciudad Guayana, Septiembre del 2015

INDICE

Introduccin..
.3
Desarrollo..
..4
1.
Conceptos
...........................................................2.
Alcance
y
..5
3.
Clasificacin
de
..11

bsicos.

Aplicaciones...
un

factor..

4.
Clasificacin
de
factores.14

dos

5.
Experimentos
factoriales.15
4.
Experimentos
2k
,
..17
Conclusin..
20
Bibliografa..
..21

3k

INTRODUCCIN
El anlisis de varianza (ANOVA) es uno de los mtodos estadsticos ms
utilizados y ms elaborados en la investigacin moderna. El anlisis de la
varianza, no obstante su denominacin se utiliza para probar hiptesis
referentes a las medias de poblacin ms que a las varianzas de poblacin.
Las tcnicas anovas se han desarrollado para el anlisis de datos en diseos
estadsticos muy importantes.

La estadstica juega un papel fundamental casi en todas las reas del

saber y del conocimiento. Cada vez son ms los profesionales de la ingeniera
industrial
que hacen uso de estas herramientas estadsticas, para la
interpretacin y el anlisis de sus datos, y luego, posteriormente tomar las
decisiones adecuadas. La estadstica constituye para el investigador la
herramienta que le permitir o le indicar probar datos numricos a travs
del Anlisis de la Varianza (ANOVA). Lo ms importante, es saber la certeza
de que los datos que se estudian, tengan la condicin necesaria para tomar
la decisin ms idnea. Es por ello, que la importancia del Anlisis de la
Varianza aplicado a la Toma de Decisin en las empresas son aplicadas para
proporcionarle la informacin veraz y precisa para la toma de decisiones,
sobre cualquier proceso dentro de una organizacin.

Este trabajo explica de manera breve y sencilla, el alcance y

aplicaciones del mtodo de anlisis de la varianza (ANOVA), adems tambin
se incluyen los modelos estadsticos del anlisis de la varianza (ANOVA), con
3

un factor y dos factores y los experimentos factoriales; con el objetivo de

ampliar los conocimientos que concierne a esta ciencia.

1.- CONCEPTOS BSICOS

ANOVA: Tcnica fundamental que, en su diseo ms sencillo,
desarrolla un contraste
de
hiptesis
estadsticas,
que
afecta
simultneamente a los valores medios o esperados de k poblaciones
(variables aleatorias) con distribucin normal y con idnticas varianzas.
La denominacin de anlisis de la varianza o abreviadamente ANOVA (del
ingls analysis of variance) han jugado un papel crucial en la metodologa
estadstica moderna, desde que fueran ideadas por R.A. Fisher en 1925, y
como sucede en tantas ocasiones, aunque conocidas por la gran mayora,
quizs no son adecuadamente comprendidas por los no especialistas.
Objetivo bsico: La tcnica de tcnicas denominada Anlisis de la varianza
(ANOVA), tiene como objetivo la comparacin de las medias de ms de dos
poblaciones.
En el ANOVA se comparan siempre las medias de varias poblaciones y se
hace a travs de un contraste de hiptesis donde se analiza la varianza, es
cierto; pero no slo eso, porque tambin se analizan las diferencias de
medias que hay entre las muestras, y tambin, por supuesto, como siempre
en Estadstica, se analiza el tamao de muestra.
Variable dependiente o respuesta: Es la variable que nos interesa medir o
respuesta que se va estudiar, para determinar el efecto que tiene sobre ella
la o las variables independientes.
4

Variables independientes o factores: Son las variables que pueden influenciar

en la variabilidad de la variable respuesta. Estas son controladas
completamente por el experimentador.
Nivel del Factor: Es un valor de la variable independiente o factor.
Tratamiento: Es un nivel o una combinacin de dos o ms niveles de un factor
o factores. Unidad Experimental: Son los objetos sobre los cuales se aplican
los tratamientos para obtener una respuesta.
Error Experimental: Es la variacin que no se puede atribuir a un cambio de
tratamiento, es decir, a la que se produce por los factores extraos que
pueden influir en la respuesta y que deben ser controlados o eliminados por
el investigador.
Aleatorizacin: Consiste en asignar en forma aleatoria los tratamientos a las
unidades experimentales con el propsito de eliminar los sesgos que produce
dicha asignacin.
Unidad experimental: Es el objeto (persona, animal o cosa) donde se aplica
un determinado

tratamiento, para obtener una medicin de la variable

respuesta.
Casi siempre se introduce el tema del anlisis de la varianza como respuesta
a la necesidad de utilizar una tcnica de comparacin de ms de dos grupos,
es decir como un mtodo para comparar ms de dos tratamientos: si
disponemos de medidas cuantitativas continuas, que se puede suponer como
procedentes de una distribucin de probabilidad normal, y queremos
comparar dos grupos -dos tratamientos-, la prueba estadstica que se utiliza
es un contraste de medias basado en la t de Student, y cuando se dispone de
ms de dos grupos, la prueba a emplear es el anlisis de la varianza.
Personalmente, aunque el enfoque es adecuado, me parece que refleja solo
una parte del inters de la tcnica, ideada no slo para analizar los datos sino
tambin para planificar los experimentos, y creo ms apropiado hablar de
que el anlisis de la varianza es un procedimiento estadstico que nos
permite dividir la variabilidad observada en componentes independientes
que pueden atribuirse a diferentes causas de inters.
En el planteamiento ms simple de anlisis de la varianza tenemos una
variable numrica cuantitativa (resultado), y queremos determinar en qu
5

medida se puede atribuir la variabilidad de sta a otra variable cualitativa

nominal que vamos a denominar factor. Estamos hablando por tanto de
anlisis de la varianza para un solo factor, que puede tener 2 o ms
categoras o niveles.
Este factor, cuyo posible efecto sobre la variable medida queremos analizar,
puede tener unos niveles fijos, por ejemplo el nivel educativo alcanzado por
los sujetos que intervienen (sin estudios, estudios primarios, secundarios,
formacin universitaria), y hablamos entonces de modelo de efectos fijos; o
bien puede tratarse de una muestra procedente de un conjunto de niveles
ms amplio, como puede ser por ejemplo el caso de un estudio en el que se
seleccionan varios hospitales y se analiza las posibles diferencias entre
hospitales. Entonces lo denominamos modelo de efectos aleatorios. En el
anlisis de la varianza de 1 factor es mucho ms frecuente el modelo de
efectos fijos.
2.-ALCANCE Y APLICACIN DEL ANALISIS DE VARIANZA (ANOVA)
El ANOVA es un mtodo muy flexible que permite construir modelos
estadsticos para el anlisis de los datos experimentales cuyo valor ha sido
constatado en muy diversas circunstancias. Bsicamente es un
procedimiento que permite dividir la varianza de la variable dependiente en
dos o ms componentes, cada uno de los cuales puede ser atribuido a una
fuente (variable o factor) identificable.
Cuando se trata de analizar los parmetros farmacocinticos de un producto
con los de otro tomado como control, si los resultados se reparten de acuerdo
a una distribucin normal, se puede aplicar la prueba t de Student.
Si existen ms, de dos productos en el diseo experimental, y deseamos
probar la hiptesis de que no hay diferencia entre ellos, podramos
desarrollar una serie de pruebas t, mediante las cuales probaramos cada
media contra cada una de las otras medias, lo cual lleva un nmero
considerable de pruebas t: 3 para 3 medias, 6 para 4 medias, 10 para 5
medias, etc. Adems, cada, prueba individual lleva asociada un riesgo de
error de tipo I e incurrir en conclusiones errneas, cuando menos, en una
prueba.
El anlisis de la varianza (ANOVA) es especialmente til cuando se aplica a
situaciones complejas ya que nos permite, mediante una prueba nica y con
un riesgo nico, contestar preguntas como: los datos de un conjunto de
poblaciones hipotticas son diferentes entre s?; son estas diferencias
significativas?
6

El anlisis de la varianza permite, adems, detectar diferencias significativas

entre los tratamientos, asignar diferencias a otras fuentes de error como los
sujetos, los grupos, los perodos y causas aleatorias, las cuales calificamos
como error experimental.
El procedimiento de comprobacin que se emplea est basado en la
comprobacin de la varianza de todos los datos sin atender a su causa; se
reparte la varianza total entre el factor comprobado y el error experimental:
se comparan estas dos varianzas mediante una prueba F, que es una
distribucin de frecuencias, que nos ayuda a decidir si dos procesos tienen o
no una variabilidad semejante.
El mtodo para realizar los clculos necesarios para el ANOVA est basado en
la ecuacin:
2

S=

x ( x ) / N
n1

Donde s es la varianza; x los datos; N el nmero total de datos; n el nmero

de sujetos por grupo o tratamientos y n-1 los grados de libertad (g.l.) del
sistema.
Luego, el anlisis de la varianza de cada fuente de variacin puede
desarrollarse de acuerdo a la Tabla 4.7., basada en la publicada por Wagner
(20).
Tabla 4.7. Anlisis de Varianza para estudios cruzados balanceados.

Dnde:

n = nmero de sujetos por grupos o tratamiento

t = nmero de tratamientos
g = nmero de grupos = nmero de tratamiento
p = nmero de perodos
gn = nmero de sujetos totales

Ejemplo Prctico
Supongamos que tenemos un estudio de biodisponibilidad para dos
productos A y B donde los datos a analizar son las C max obtenidos despus de
una administracin cruzada siguiendo el clsico esquema:
Semana
1
2
A
B
B
A

Grupo I
Grupo II

Agrupamos los datos de acuerdo a los productos y sujetos:

TRATAMIENTOS
Sujetos

Total por sujeto

Grupo
I

1
2
3

36
39
44

40
44
46

76
83
90

Grupo
II

4
5
6

41
38
33

47
50
43

88
88
76

231

270

501

38,5

45,0

Total
producto

por

Promedio
producto

por

Si se dividen las sumas de los cuadrados de los tratamientos (SS t), de los
sujetos (SSs), de los perodos (SSp) y de los grupos (SSg) por el valor de los
grados de libertad de cada uno, tendremos la media de la suma de los
cuadrados o varianza de cada una de las fuentes de variacin que
necesitamos para prueba F, que nos dar la significacin estadstica para
cada fuente de variacin, la cual se obtiene dividiendo cada varianza por la
varianza del error residual.
Convencionalmente, los datos se renen en una tabla ANOVA, como el de la
tabla 4.8.
Tabla 4.8. Tabla resumen de un anlisis de varianza (ANOVA) para un estudio
cruzado de 2 x 2.
grados
suma
de
Fuente de de
los
Varianz
F
Variacin libertad ( cuadrados( a (MS)
g.l)
SS)

Nivel
de
significanc
ia

Total
Sujetos
Grupos
Sujeto/gru
po
Periodos
Tratamien

0,05>p>0,
01
N.S.
0,05>p>0,
01
0,05>p>0,
01

11
5
1
4
1
1
4

260,25
97,75
0,75
97,00
24,08
126,75
11,67

19,55
0,75
24,25
24,08
126,75
2,92
9

6,70
0,03
8,30
8,25
43,40

tos
Error

0,01>p>0,
001

Ntese que el valor F de los grupos se obtiene al dividir la varianza por la

varianza de la fuente sujeto/grupo. Enseguida se busca en una tabla de F (en
un libro de estadstica) y se compara el valor de F experimental con el
obtenido en esta tabla para el respectivo nivel de significancia. Las tablas
dan una serie de valores en coordenadas que indican los arados de libertad
de la fuente de variacin en la lnea horizontal y los del error en la vertical.
Todos los valores experimentales iguales o superiores al valor F de la tabla
estadstica, son significativos.
Por ejemplo, en la tabla 4.8, para los tratamientos, el valor F de las tablas,
para 1 grado de libertad y 4 grados de libertad del error, es de 7,71 para a =
0,05 y de 21,20 para a = 0,01. Luego, se rechaza la hiptesis nula ya que las
diferencias de concentracin mxima encontrada entre los dos tratamientos
es significativa para un nivel inferior a 0,01.
Para los sujetos, donde los g.l. son 5 y 4 para el error, el valor de a = 0,05 es
de 6,26 y para a = 0,01 es de 9,36; luego, existen diferencias significativas
entre los sujetos para a = 0,05 pero no para a = 0,01, y as sucesivamente.
En este ejemplo, en el cual se comparan dos tratamientos, con la aplicacin
del ANOVA ya podremos decidir acerca de la significacin de la prueba
estadstica aplicada para las fuentes de variacin involucradas.
Diferente es el caso cuando el estudio se realiza sobre ms de dos productos.
Por ejemplo, si comparamos las reas bajo la curva obtenidas en un estudio
cruzado de tres tratamientos, empleando 12 voluntarios segn el diseo
experimental siguiente:
Grupo

Sujetos

1
2
3

1,2,3,4,
5,6,7,8
9,10,11,12

Periodos
I
A
B
C

II
B
C
A

III
C
A
B

Al agrupar los datos por producto, para aplicar el ANOVA, tendramos.

10

Productos
Grupo

Sujeto A

total
sujetos

1
2
3
4

260
282
279
225

240
230
220
218

180
201
210
202

680
713
709
645

2.247

5
6
7
8

236
244
262
270

210
240
233
245

198
149
250
245

644
633
745
760

2.782

9
10
11
12

270
266
249
258

222
222
210
205

229
218
205
201

721
706
664
664

2.755

3
Total
tratamien
tos

2.69 2.48
3.101 5
8.
8.284

total grupos

8.284

Luego:
FC = 8.2842 =1.906.240,40
SSs = 6.290,90
SSg = 56,10
SSs/g = 6.234,80
SSp =1.232, 40
SSt = 16.207,10
SSerror 4.288,20 SS
SStotal = 28.018,60
Tabla resumen de ANOVA para un estudio cruzado de 3 x 3.
Fuentes SS

MS

F
11

Nivel

de
variaci
n g.l.
Total
Sujetos
Grupos
Sujetos/grup
os
Perodos
Tratamientos
Error

35
11
2
9
2
2
20

de significanc
ia
28.018,6
0
6.290,90
56,10
6.234,80
1.232,40
16.207,1
0
4.288,20

571,90
28,05
692,76
616,20
8.103,5
5
214,41
-

2,67
0,04
3,23
2,87
37,7
9
-

N.S.
N.S.
N.S.
N.S.
p<0,01
-

El ANOVA tambin puede utilizarse en situaciones donde ambas fuentes de

variacin son aleatorias. Un ejemplo sera el anlisis de algn compuesto de
un vino almacenado en un depsito. Supongamos que las muestras se toman
aleatoriamente de diferentes partes del depsito y se realizan diversos
anlisis replicados.
Aparte de la variacin natural en la medida tendremos una variacin en la
composicin del vino de les diferentes partes del depsito. 2 Cuando
tengamos un factor, controlado o aleatorio, aparte del error propio de la
medida, hablaremos del ANOVA de un factor.
En el caso de que estuvisemos desarrollando un nuevo mtodo
colorimtrico y quisiramos investigar la influencia de diversos factores
independientes sobre la absorbancia, tales como la concentracin de reactivo
A y la temperatura a la que tiene lugar la reaccin, entonces hablaramos de
un ANOVA de dos factores.
En los casos donde tenemos dos o ms factores que influyen, se realizan los
experimentos para todas las combinaciones de los factores estudiados,
seguido del ANOVA.
Se puede deducir entonces si cada uno de los factores o una interaccin
entre ellos tienen influencia significativa en el resultado.

3.- ANALISIS DE LA VARIANZA (ANOVA) DE UN SLO FACTOR.

El anlisis de varianza (ANOVA) de un factor nos sirve para comparar varios
grupos en una variable cuantitativa. Esta prueba es una generalizacin del
contraste de igualdad de medias para dos muestras independientes. Se
aplica para contrastar la igualdad de medias de tres o ms poblaciones
12

independientes y con distribucin normal. Supuestas

independientes, las hiptesis del contraste son siguientes:

poblaciones

1. H0: 1=2 ==k Las medias poblacionales son iguales

2. H1: Al menos dos medias poblacionales son distintas
Para realizar el contraste ANOVA, se requieren k muestras independientes de
la variable de inters. Una variable de agrupacin denominada Factor y
clasifica las observaciones de la variable en las distintas muestras.
Suponiendo que la hiptesis nula es cierta, el estadstico utilizado en el
anlisis de varianza sigue una distribucin F de Fisher-Snedecor con k-1 y n-k
grados de libertad, siendo k el nmero de muestras y n el nmero total de
observaciones que participan en el estudio.
Esta es una prueba generalizada del contraste de medias para muestras con
datos independiente. Se comparan tres o ms muestras independientes cuya
clasificacin viene dada por la variable llamada Factor. La base de este
procedimiento consiste en estudiar si el Factor influye sobre la Variable
Respuesta, y la forma de hacerlo es analizando como varan los datos dentro
de cada uno de los grupos en que clasifica el Factor a la observaciones de
la Variable Respuesta.

Ejemplo Prctico.
Supongamos que estamos interesados en conocer si existen diferencias
significativas entre el tiempo diario de dedicacin a la investigacin de los
profesores, en funcin de la categora que tienen. Para ello, elegiremos las
siguientes
opciones
desde
el
men
principal:

y con esto se abre un cuadro de dilogo con los siguientes campos:

Dependientes: en este campo se introduce la variable respuesta a
analizar. En el Ejemplo 5.1 sera Tinvest (tiempo diario para la
investigacin).
13

Factor: aqu se introduce la variable de clasificacin, que ha de ser

categrica. Para el ejemplo, se considera la Categora de los profesores.
Adems de los campos anteriores existen tres botones cuya utilidad es
la siguiente:
CONTRASTES. Con este botn se trata de averiguar si los valores
promedios de la variable dependiente para cada nivel del factor, siguen
o no alguna tendencia determinada, lineal, cuadrtica, cbica, de grado
4 5. Adems de poder realizar cualquier tipo de comparacin a priori,
entre las medias de la variable respuesta para los niveles del factor que
se elijan. Permite realizar hasta 10 contrastes diferentes, con 50
coeficientes en cada uno de ellos. Para excluir algn grupo se le asigna
el coeficiente 0.
POST HOC. Este tiene como finalidad averiguar cul o cules de los
diferentes grupos o niveles del factor son los que difieren entre s, a
travs de una serie de pruebas diferentes (Contrastes a posteriori).
OPCIONES. Este botn permite mostrar una serie de estadsticos
descriptivos para cada grupo de la muestra o nivel del factor, el test de
Levene para comprobar la homogeneidad de varianzas entre los
distintos grupos, un grfico de las medias de cada grupo y la forma de
tratar los valores perdidos.
Ejecutamos el procedimiento con las variables indicadas anteriormente y
elegimos dentro de OPCIONES la prueba de homogeneidad de varianzas,
obtenindose los siguientes resultados.
Tabla 5: Anlisis de la Varianza con 1 Factor
ANOVA de un factor
Prueba de homogeneidad de varianzas
Tiempo diario para la investigacin
Estadstico
de Levene

gl1

gl2

Sig.

1,713

74

0,142

14

ANOVA
Tiempo diario para la investigacin
Suma de

Media

cuadrados

gl

cuadrtica

Sig.

Inter-grupos

190239,152

38047,830

47,177

,000

Intra-grupos

59680,480

74

806,493

Total

249919,632

79

En la Tabla 5 aparecen los resultados sobre la homogeneidad de varianzas y

el Anova. Como se puede apreciar en la homogeneidad de varianzas, el pvalor es de 0.142 que es mayor que 0.05, luego podemos aceptar la igualdad
de varianzas entre los grupos. Mientras que en el Anova, podemos ver que el
estadstico es bastante grande 47.177 y el p-valor vale 0, lo que nos conduce
a rechazar el que los tiempos medios dedicados a la investigacin sean
iguales segn la categora que tiene el profesor.

Los resultados obtenidos indican que los tiempos medios dedicados a la

investigacin para los catedrticos de escuela, los titulares de universidad y
los titulares de escuela se pueden considerar iguales, y por otro lado,
tambin ocurre lo mismo con los de los profesores asociados y los de los
ayudantes.

4.- ANALISIS DE LA VARIANZA (ANOVA) DE DOS FACTORES .

La inclusin de un factor ms no es trivial, el problema de la comparacin de
las medias de grupos inducidos por dos factores cualitativos no se resuelve
por la simple ampliacin del modelo de un factor a uno ms, pues es posible
que ambos factores sean fijos (Modelo I), ambos aleatorios (Modelo II) o uno
fijo y otro aleatorio (Modelo III), pero adems es posible que ambos factores
acten de modo independiente o que la accin combinada de ambos factores
potencie o inhiba la accin de cada uno por separado, en este segundo caso
diremos que existe interaccin, por lo que podremos hablar de modelo con o
15

sin interaccin. Tambin es posible que el diseo sea equilibrado (todos los
grupos son representados con un nmero igual de medidas) o que no lo sea.
Una ltima posibilidad es que todas las categoras de un factor puedan ser
combinadas con todas las del otro factor, entonces hablaremos de un diseo
cruzado, (que en el caso de incluir interaccin se denomina modelo factorial),
o que las categoras de uno de los factores solamente puedan aparecer para
determinados niveles del otro, en este caso decimos que el primer nivel est
jerarquizado en el segundo o que el diseo es jerarquizado. En resumen, un
anlisis de la varianza de dos factores puede ser:

Por supuesto, cada una de estas clasificaciones se puede combinar con

cualquiera de las otras, as podremos encontrar, por ejemplo, un anlisis de
la varianza de dos factores fijos, con interaccin, equilibrado y cruzado. En el
caso del diseo jerarquizado no es posible determinar (al menos por los
mtodos convencionales) el efecto de la interaccin de ambos factores.
Modelo de anlisis de la varianza con dos factores.
En lo que sigue y salvo que se indique lo contrario, trataremos siempre con
modelos equilibrados. Sean dos factores, que denominaremos A, con t
niveles y B, con r niveles, si el diseo es cruzado tendremos tr clases en
total, si adems es equilibrado, con n observaciones en cada clase, el
nmero total de observaciones es N = trn. El modelo de anlisis de la
varianza con dos factores sin interaccin se puede escribir como:
Xij = m + Ai + Bj + e ij
Donde Xij es una variable aleatoria que representa al conjunto de valores
posibles de la variable dependiente correspondiente al nivel i-simo del
factor A y al nivel j-simo del factor B, m es la media general, Ai es el efecto
aditivo que sobre esa media produce el nivel i-simo del factor A, Bj el
correspondiente al nivel j-simo del factor B y eij es el error o residuo del
modelo.
Los distintos elementos que componen el modelo se definen como:
16

Ai = mi - m, siendo mi la media poblacional del nivel i-simo del factor A, sin

considerar el factor B.
Bj = m j - m siendo m j la media poblacional del nivel j-simo del factor B,
sin considerar el factor A.
eij = Xij - mi - m j + m
En el caso de que se considere la interaccin, el modelo se formula como:
Xijk = m + Ai + Bj + ABij + e ij
Donde ABij es el efecto de la combinacin del nivel i-simo del factor A con el
j-simo del factor B no contemplado por dichos niveles individualmente. En
este caso, si definimos mij = m + Ai+ Bj+ ABij como la media total
correspondiente a los niveles isimo de A y j-simo de B, el modelo se puede
expresar como:
Xijk = mij + eij , con lo que el residuo es eij = Xij - mij , y la interaccin:
ABij = Xij - m - Ai - Bj - eij = mij - mi - m j + m
Vemos que el modelo sin interaccin est incluido en el modelo con
interaccin, sin ms que considerar en este ltimo caso que ABij es cero, por
ello, en lo que sigue se considera siempre modelo con interaccin,
procediendo a anular dicho trmino en el caso de que no lo haya.
5.- EXPERIMENTOS FACTORIALES
En estadstica, un experimento factorial completo es un experimento cuyo
diseo consta de dos o ms factores, cada uno de los cuales con distintos
valores o niveles, cuyas unidades experimentales cubren todas las posibles
combinaciones

de esos

niveles

en todo

los

factores.

Este tipo

de

experimentos permiten el estudio del efecto de cada factor sobre la variable

respuesta, as como el efecto de las interacciones entre factores sobre dicha
variable.
Por ejemplo, con dos factores y dos niveles en cada factor, un experimento
factorial tendra en total cuatro combinaciones de tratamiento, y se le
denominara diseo factorial de 22.

17

Si el nmero de combinaciones en un diseo factorial completo es demasiado

alto para su procesamiento, puede optarse por un diseo factorial fraccional,
en el que se omitan algunas de las combinaciones posibles.
Ventajas de los Experimentos Factoriales
1. Economa en el material experimental ya que se obtiene informacin sobre
varios factores sin incrementar el tamao del experimento.
2. Permitir el estudio de la interaccin, o sea determinar el grado y la forma
en la cual se modifica el efecto de un factor por los niveles de otro factor
Desventajas de los Experimentos Factoriales
Una desventaja de los experimentos factoriales es que requieren un gran
nmero de tratamientos, especialmente cuando se tienen muchos factores o
muchos niveles de un mismo factor. Este hecho tiene los siguientes efectos:
1. Si se desea usar bloques completos es difcil encontrar grupos de unidades
experimentales homogneas para aplicar todos los tratamientos.
2. Se aumenta el costo del experimento al tener muchas unidades
experimentales; esto se minimiza usando factoriales fraccionados donde se
prueba una sola parte de todo el conjunto de tratamientos.
Los experimentos factoriales se pueden ejecutar bajo cualquier tipo de
diseo de control de error o un Submuestreo o con covariables.
Ejemplo Real:
El experimento factorial ms simple contiene dos niveles para cada uno de
dos factores. Suponga los deseos de un ingeniero para estudiar la energa
total usada por cada uno de dos diversos motores, A y B, funcionando en
cada uno de dos diversas 2000 o 3000 RPM de las velocidades. El
experimento factorial consistira en cuatro elementos experimentales: viaje
en automvil A en 2000 RPM, viaje en automvil B en 2000 RPM, viaje en
automvil A en 3000 RPM, y viaje en automvil B en 3000 RPM. Cada
combinacin de un solo nivel seleccionado de cada factor est presente una
vez.

18

Este experimento es un ejemplo de 22 (o 2x2) experimento factorial,

nombrado as porque considera dos niveles (la base) para cada uno de dos
factores (la energa o el exponente), o #lniveles#factores, produciendo
22puntos factoriales =4. Los diseos pueden implicar muchas variables
independientes. Como otro ejemplo, los efectos de tres variables entradas se
pueden evaluar en ocho condiciones experimentales demostradas como las
esquinas de un cubo. Esto se puede conducir con o sin la rplica,
dependiendo de su propsito previsto y recursos disponibles. Proporcionar
los efectos de las tres variables independientes en la variable dependiente y
las interacciones posibles (en caso de haber ms de 3 se habla de
un hiperespacio).

Diagrama de cubo para 3 dimensiones usando variables A, B y C.

6.- EXPERIMENTOS 2^k , 3^k

Diseo Factorial 2k
Los diseos 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 diseo factorial
general que resultan importantes porque se usan ampliamente en el trabajo
de investigacin, y porque constituyen la base para otros diseos de gran
valor
prctico.
El ms importante de estos casos especiales ocurre cuando se tienen k
factores, cada uno con dos niveles. Estos niveles pueden ser cuantitativos
como sera el caso de dos valores de temperatura presin o tiempo. Tambin
pueden ser cualitativos como sera el caso de dos mquinas, dos operadores,
los niveles "superior" e "inferior" de un factor, o quizs, la ausencia o
presencia de un factor. Una rplica completa de tal diseo requiere que se
recopilen 2 x 2 x 2 = 2k observaciones y se conoce como diseo general
19

2k. El segundo caso especial es el de k factores con tres niveles cada uno,
conocido como diseo factorial 3k.
Se supone que:
a) los factores son fijos
b) los diseos son completamente aleatorios
c) se satisface la suposicin usual de normalidad
El diseo 2k es particularmente til en las primeras fases del trabajo
experimental, cuando es probable que haya muchos factores por
investigar. Conlleva el menor nmero de corridas con las cuales pueden
estudiarse k factores en un diseo factorial completo. Debido a que slo hay
dos niveles para cada factor, debe suponerse que la respuesta es
aproximadamente lineal en el intervalo de los niveles elegidos de los
factores.
DISEO 22
El primer diseo de la serie 2k es aquel que tiene slo dos factores, A y B,
cada uno con dos niveles. Arbitrariamente, los niveles del factor pueden
llamarse "inferior" y "superior".
DISEO 23
Suponga que se encuentran en estudio tres factores A, B y C, cada uno con
dos niveles. Este diseo se conoce como diseo factorial, 2 3 y las ocho
combinaciones de tratamientos pueden representarse grficamente
mediante un cubo.
Existen en realidad tres notaciones distintas que se usan ampliamente para
las corridas o ejecuciones en el diseo 2k:
1. La primera es la notacin "+,-", llamada "geomtrica".
2. La segunda consiste en el uso de letras minsculas para identificar
las combinaciones de tratamientos.
3. En la tercera se utilizan los dgitos 1 y 0 para denotar los niveles alto y
bajo del factor, respectivamente.
Diseo Factorial 3k
20

Este diseo es una variacin del diseo 2 k y son muy tiles como las que se
emplean
cuando
todos
los
factores
actan
a
tres
niveles.
En los ltimos aos se ha observado un creciente inters por algunas de las
ideas del profesor Genechi Taguchi acerca del diseo experimental y su
aplicacin al mejoramiento de la calidad.
Este es un diseo que consta de k factores con tres niveles cada uno. Los
factores y las interacciones se representan mediante letras maysculas. Los
tres niveles de los factores pueden referirse como nivel inferior, intermedio y
superior. Estos niveles se representan mediante los dgitos 0 (nivel inferior),
1
(intermedio)
y
2
(superior).
k
Cada combinacin de tratamientos de un diseo 3 se presenta mediante k
dgitos, donde el primero incida el nivel de A, el segundo seale al nivel de B,
y el k-simo dgito, el nivel del factor k.
Por ejemplo, es un diseo 32 el 00 representa la combinacin de
tratamientos, en la que tanto el factor A como el B estn en el nivel inferior, y
el 01 representa la combinacin de tratamientos que corresponde al factor A
en el nivel inferior y a B en el nivel intermedio. En ste, el sistema de
notacin que se prefiere usar es el de + - en virtud de que facilita la
interpretacin geomtrica del diseo y de que es directamente aplicable al
modelado por regresin, la formacin de bloques y la construccin de
factoriales fraccionarios.

21

CONCLUSIONES
1. El ANOVA es un mtodo muy flexible que permite construir modelos
estadsticos para el anlisis de los datos experimentales cuyo valor ha sido
constatado en muy diversas circunstancias. Bsicamente es un
procedimiento que permite dividir la varianza de la variable dependiente en
dos o ms componentes, cada uno de los cuales puede ser atribuido a una
fuente (variable o factor) identificable.

2. El anlisis de varianza sirve para comparar si los valores de un conjunto de

datos numricos son significativamente distintos a los valores de otro o ms
conjuntos de datos. El procedimiento para comparar estos valores est
basado en la varianza global observada en los grupos de datos numricos a
comparar. El propsito del anlisis de la varianza es estudiar la variacin de
la respuesta y asignar valores de esa variacin a cada uno de los conjuntos
de variables independientes. Tiene como objetivo primordial, sealar cuales
son las de importancia dentro del conjunto de diferentes muestras y al
mismo tiempo como actan ellas y en que forma afectan las respuestas.

3. La base del anlisis de la varianza con un solo factor, consiste en

estudiar si el Factor influye sobre la Variable Respuesta, y la forma
de hacerlo es analizando como varan los datos dentro de cada uno
de los grupos en que clasifica el Factor a la observaciones de
la Variable Respuesta.
4. El Anlisis de la varianza de dos factores, es un diseo de anova que
permite estudiar simultneamente los efectos de dos fuentes de variacin.
22

5. El Anova en experimentos factoriales constituye una tcnica estadstica

para analizar el efecto de dos o ms variables independientes (factores)
sobre una variable respuesta.

6. Un tipo especial de experimento, es el factorial simtrico que se

caracteriza porque los factores tienen igual nmero de niveles, los ms
utilizados son los experimentos 2^n, 3^n, donde n representa el nmero de
factores.

BIBLIOGRAFA
INFOGRAFIA.

http://www.monografias.com/trabajos61/analisis-varianza/analisisvarianza2.shtml#ixzz3m7jp7qYF
https://es.wikipedia.org/wiki/An%C3%A1lisis_de_la_varianza
http://www.itch.edu.mx/academic/industrial/ingcalidad/unidad1.html
www.hrc.es/bioest/Anova_1.html
https://www.uam.es/personal_pdi/economicas/eva/pdf/anova.pdf
http://www.monografias.com/trabajos61/analisis-varianza/analisisvarianza.shtml
http://www.uam.es/personal_pdi/ciencias/cifus/CCAA/Estadistica/ModelosLine
alesANOVA2.pdf

23