Diaposklitivas de Estaklpio0-L-.

DISEO DE
EXPERIMENTOS
Profesor: Ing. Joaqun Garca
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
La Estadstica en la
experimentacin.
INVESTIGACION CIENTIFICA:
La estadstica , y en particular el
diseo de experimentos son
consideradas como tcnicas que
deben incorporarse al desarrollo
del proceso investigativo
La estadstica y el
mtodo cientfico
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

aplicacin del mtodo cientfico
ellos son:
Pasos en la aplicacin del

mtodo cientfico
1.
2.
3.
4.
5.
6.
Enunciar preguntas bien formuladas

Arbitrar conjeturas fundadas y contrastables
con la experiencia para contestar a las
preguntas contestadas
Derivar consecuencias lgicas de las conjeturas
Arbitrar tcnicas para someter las conjeturas a
contrastacion .
Someter a, su vez ,a contrastacion esas
tcnicas para comprobar su relevancia .
Llevar a cabo la contrastacion e interpretar los
resultados
7.
8.
Estimar la pretensin de verdad de las

conjeturas y la fidelidad de las tcnicas .
Determinar los dominios en los cuales son
validas las conjeturas y las tcnicas , y
formular problemas nuevos originados por la
investigacin.
LA ESTADISTICA SIRVE DE PUNTUAL AL
INVESTIGADOR EN EL DISEO Y ANALISIS DE

EXPERIMENTOS . BIEN APLICADA , CONDUCE A LA
REALIZACION DE DISEOS 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 accin
dirigida a contestar una o mas preguntas
cuidadosamente formuladas
QUE ES EL DISEO ESTADISTICO DE

EXPERIMENTOS
Es el proceso de planear , todos los pasos que

deben darse , y el orden que debe seguirse , en la
recoleccin y posterior anlisis de la informacin
requerida para estudiar un problema de
investigacin. Ing. M.Sc. Joaquin Garcia. UIS
6
CUAL ES EL PROPOSITO DEL

DISEO EXPERIMENTAL
Es la obtencin del mximo de informacin

con el mnimo costo y el mximo de
eficiencia
CLASES DE EXPERIMENTOS
1.
2.
Absolutos
Comparativos
1.
EXPERIMENTOS ABSOLUTOS:
Su objetivo es la determinacin de
propiedades absolutas de un conjunto de
objetos.
Por ejemplo: la determinacin del numero de
escarabajos en una regin.
2.
EXPERIMENTOS COMPARATIVOS:
Su objetivo es establecer comparaciones entre
objetos que reciben tratamientos diferentes.
Por ejemplo: la potencia de una droga puede
establecerse comparndola 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 fenmeno 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 DISEO

EXPERIMENTAL
Variables dependientes e Independientes :

El concepto de independencia en
experimentacin, viene de la idea matemtica
de relacin 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 segn su alimentacion ,
edad , sexo variable independiente - .
10
Factor : Un factor es una variable independiente

que se evala en la investigacin 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 estn 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
conexin.
11
Variable de Respuesta: Es la caracterstica

observada o medida en cada unidad experimental
, tambin 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 combinacin 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
, constituira una combinacin de tratamientos.
12
Unidad experimental: Es la parte mas

pequea del material experimental a la que se
le puede aplicar un tratamiento .
Variable Exgena o Extrnseca: Se

denominan as por su posible efecto sobre la
variable dependiente
Poblacin: Desde el punto de vista del

investigador , la poblacin es el conjunto de
todas las unidades experimentales que
podran recibir uno de los tratamientos. El
objetivo de la investigacin debe establecerse
en trminos de esta poblacin.
13
Muestra: Una muestra es un subconjunto de

la poblacin que contiene informacin parcial
sobre ella.
Error experimental: Describe la variacin

entre las unidades experimentales tratadas
de manera idntica e independiente.
Tambin es definida como la porcin de la

variabilidad que no es explicable por factores
conocidos
14
La forma de medirlo es la varianza 2 del

error por unidad experimental
Algunos de los distintos orgenes del error

experimental son:
1.la variacin natural entre unidades
experimentales
2.La variabilidad en la medicin de la
respuesta
3.La imposibilidad de reproducir las
condiciones del tratamiento
15
Potencia: Es una funcin que muestra la

relacin que existe entre la probabilidad de
rechazar una hiptesis nula y los diferentes
valores que puede asumir el parmetro
dadas una hiptesis nula , una hiptesis
alterna y un nivel de significancia
determinado.
Validez Externa: Es la capacidad de

generalizacin que tienen los resultados de
un experimento . La validez externa de los
resultados depende del empleo de una
aleatorizacin adecuada y de la repeticin .
16
Validez interna : Se dice que un

experimento es valido internamente si arroja
resultados que estn libres de sesgo.
17
ALGUNAS HERRAMIENTAS PARA UNA

BUENA EXPERIMENTACION
Aleatorizacin: Es la designacin al azar

de las unidades experimentales para los
niveles de tratamiento. Esta forma de
asignacin incrementa las probabilidades que
se compense el efecto de las variables no
controladas (extrnsecas). Tambin aumenta
la validez de las estimaciones de la varianza
de los errores experimentales y hace posible
la aplicacin de ensayos estadsticos de
significancia y el establecimiento de
intervalos de confianza.
18
Replicacin : Es la repeticin de una

observacin o medida , a fin de aumentar la
precisin o para proporcionar los medios
para medirla.
La replicacin 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 reduccin del sesgo.
19
Planificacin por Bloques: Aparte de los

factores seleccionados para un estudio ,
existen otras variables extrnsecas 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
extrnsecas no afecten a la informacin
obtenida sobre los factores de inters
principal.
Se pueda obtener cierta informacin sobre los
efectos de las variables extrnsecas.
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
20
PASOS IMPORTANTES EN LA
ESCOGENCIA DEL DISEO
1.
Decidir si el diseo es unifactorial o

multifactorial
2.
Reconocer si la agrupacin de las

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

tratamientos , un diseo de bloques
completos o de bloques incompletos
21
FASES DEL DISEO DE EXPERIMENTOS

1.
RECONOCIMIENTO Y FORMULACION DEL

PROBLEMA
El investigador
debe responder breve y
claramente preguntas como:
Porque va ha efectuar la investigacin
Como la va ha llevar a cabo
A que tipo de conclusiones espera llegar y
que validez tendran
Lograra los propsitos establecidos con los
recursos financieros , humanos y de tiempo
disponibles.
22
2.
3.
SELECCIN DE LOS FACTORES Y SUS

NIVELES
El investigador selecciona los factores o
variables independientes
Deber especificar los factores cuantitativos
y cualitativos , y escoger sus niveles de modo
que puedan diferenciarse y combinarse.
SELECCIN DE LAS VARIABLES DE
RESPUESTA
Se debe indicarse como se va a medirse esta
variable y que precisin tendrn las
mediciones.
23
4.
5.
SELECCIN DEL DISEO EXPERIMENTAL

Cual es el tamao apropiado para la muestra
Como asignar los tratamientos a estas
unidades experimentales.
REALIZACION DEL EXPERIMENTO
Es el proceso de recoleccin de datos , incluye
el control del plan trazado inicialmente y debe
prestarse atencin al mecanismo de
aleatorizacin, 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.
24
6.
7.
ANALISIS DE LOS DATOS:

Se debe realizar siguiendo un proceso
estadstico acorde al diseo utilizado.
Tcnicas estadsticas
Computador (software) SPSS
CONCLUSIONES Y RECOMENDACIONES
Despus de analizar los datos se establecen
las inferencias estadsticas
Los hallazgos deben ir complementados con
recomendaciones para estudios
correspondientes
25
1.
2.
3.
EN CONCLUSION
las primeras cuatros fases exigen un trabajo
mental del experimentador y son
fundamentales para el xito del proyecto.
La recoleccin de datos (fase cinco) no debe
iniciarse antes de haber respondido
satisfactoriamente las siguientes preguntas:
Cual es el objetivo principal del proyecto de
investigacin
Que tipo de datos van a obtenerse
Que diferencias en los resultados promedios
de los tratamientos se consideran
importantes
26
4.
Que proceso de seleccin ser usado en la

escogencia de las unidades experimentales.
5.
Podrn recibir las unidades experimentales

mas de un tratamiento
6.
Como se asignaran los tratamientos a las

unidades experimentales
7.
Cuantas unidades experimentales sern

necesarias en el proyecto
8.
Cual ser la tcnica estadstica apropiada en

el anlisis de datos.
27
Capitulo 2
ANALISIS DE VARIANZA
INTRODUCCION
La inferencia estadstica 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 tcnica de anlisis de varianza nos

permite hacer inferencias simultaneas sobre
parmetros de tres o mas poblaciones.
28
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 administracin de calidad total
se tomo una muestra aleatoria de seis
empleados en cada planta y se les someti a
un examen de conciencia de la calidad.
Las calificaciones de esos 18 empleados se
presentan en la siguiente tabla:
29
Observaci
n
Planta 1
Atlanta
Planta 2
Dallas
Planta 3
Seattle
85
71
59
75
75
64
82
73
62
76
74
69
71
69
75
85
82
67
Media de la
muestra
79
74
66
Varianza de
la muestra
34
20
32
Desviacin
estndar de
la muestra
5.83
4.47
5.66
30
Sean :
u1: media de la calificacin en el examen para
la poblacin empleados de la planta de Atlanta.
u2: media de la calificacin en el examen para
la poblacin empleados de la planta de Dallas.
u3:media de la calificacin en el examen para
la poblacin empleados de la planta de Seattle.
Se desea probar la siguiente hiptesis:
Ho: u1 = u2 = u3
H1: No todas las medias poblacionales son
iguales
31
IDENTIFICACION DE
CONCEPTOS
Objetivo: determinar si la media de la

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

tratamientos son Atlanta , Dallas y Seattle
32
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
33
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
34
Asumiendo que las tres medias (X1: 79 , X2: 74 y

X3: 66) de las muestras son valores tomados al
azar de la distribucin 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
distribucin muestral .
En el caso de NCP el mejor estimado de la

media de la distribucin 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.
35
Para estimar la varianza de la distribucin de

x se calcula la varianza de las tres medias de
la muestra:
Sx2
( 79 73) + ( 74 73 ) + (66 73)

86
= -----------------------------------= ---31
2
Como x2 = 2 / n, al despejar
se obtiene:
2 = n x 2
36
Estimado de 2 = n (Estimado de x2 ) =
n Sx2 = 6(43) = 258
Estimado de 2 entre tratamientos
37
Suponiendo que Ho es falsa entonces todas

las medias de la poblacin son diferentes.
X3 u3
u2 X2
X1 u1
Las medias de las muestras provienen de

distintas distribuciones muestrales y no
estn tan cercanas entre si cuando Ho no es
verdadera
38
Cuando las medias de la poblacin no son

iguales , el estimado entre tratamientos
agrandar , o sobrestimar, la varianza de
poblacin 2 .
Cuando se toma una muestra aleatoria simple

de cada poblacin , 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.
39
Cuando los tamaos 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)
40
La relacin entre estos dos estimados es:
258 / 28.67 = 9.00
El mtodo entre tratamientos suministra

buen estimado de 2 solo si la hiptesis nula
es verdadera , si sta es falsa el mtodo
entre tratamientos sobrestima 2 .
Si Ho es verdadera , los dos estimados
tendrn magnitud semejante y su relacin se
aproximara a 1.
Si Ho es falsa el estimado entre tratamientos
ser mayor que el de dentro de
tratamientos , y su relacin ser grande.
41
En resumen, la racionalidad
del anlisis de varianza se
basa en el calculo de dos
estimados independientes de
la varianza poblacional 2
comn.
42
ANALYSIS OF VARIANCE
.1
y
11
y
21
y
31
.
y
r1
.2
y
12
y
22
y
32
.
y
r2
.3
y
13
y
23
y
33
.
y
r3
...
...
...
.
...
.k
y
1k
y
2k
y
3k
.
y
rk
43
y
11
y
21
y
31
.
y
r1
y
12
y
22
y
32
.
y
r2
y1
y
13
y
23
y
33
.
y
r3
y3
y2
Y
T
T j
ij
,n
...
...
...
.
...
y
1k
y
2k
y
3k
.
y
rk
yk
r j ,Y j T j / r j
,Y T / n
44
Modelo para una ANOVA

de una via
Yij = + j + ij
j = 1,2, ..., k; i = 1,2, ..., r
j = .j -
45
Modelo de efectos fijos

ij
.j
j ij
Yij
46
Modelo de efectos aleatorios

e2
ij
j
j ij
Yij
47
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)
48
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)
49
FORMULAS PARA SUMA DE

CUADRADOS
SStratamient = j T.j2/rj - T..2 / n
SStotal= j i Yij2 - T..2 / n

SSerror = SStotal - SStratamient
50
SS* = j iYij2
FC = 2 / n
(factor correcion )
SStotal = SS* - FC
SSerror = SStotal - SStratamient
51
CUADRADO MEDIO DEBIDO A

TRATAMIENTOS
SStreatment = =
j i rj (y.j .. )2 = 516
MStratamient
= SStratamient/(k-1) =
516 / 2 = 258
52
CUADRADO MEDIO DEBIDO AL

ERROR
SSerror = j i (yij -.j)2 = 430

MSerror = SSerror/(n-k) =
430 / 18 3 = 28.67
53
COMPARACION DE LOS ESTIMADOS DE

LA VARIANZA:
LA PRUEBA F
Estadstico 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
distribucin Fc con K- 1 grados de libertad en el
numerador y n- K grados de libertad en el
denominador
54
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
55
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.
56
TABLA DE ANALISIS DE
VARIANZA
Fuente de
variacion
Suma de Grados
cuadrado
de
s
libertad
Cuadrado
Promedio
9.00
Tratamientos
516
258.00
Error
430
15
28.67
Total
946
17
57
CAPITULO 3
DISENO UNIFACTORIAL
COMPLETAMENTE
ALEATORIZADO
Yij = + j + ij
j = 1,2, ..., k; i = 1,2, ..., r
j = .j -
58
ANALISIS DEL MODELO CON

EFECTOS FIJOS
Y.j= j yij
yj.= Representa el total de las observaciones bajo
y.j= y.j / n
j=1, 2, ..K
el tratamiento j-simo.
y..= j i yij
y..= y.. / n
59
El inters se encuentra en probar la igualdad

de las K medias de los tratamientos .
Las hiptesis apropiadas son:

Ho : 1= 2=.... K
H1: i j para al menos un par ( i, j )
: se considera como una media global
-------- =
K
60
j = 0
Esta definicin implica que:
Las hiptesis en trminos de los efectos de

los tratamientos son iguales a:
Ho :
H1:
= =....
0 para al menos una j
1
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
61
Ecuacin fundamental
j i(yij -y..)2 = * j i rj
(y.j -y..)2 + j i (yij -y.j)
SStotal = SStratamient + SSerror
rj debido a
Cuadrado medio
tratamientos
MStratamient = SStratamient/(k-1)
Cuadrado medio debido al error
MSerror = SSerror/(n-k)
62
Tabla de anlisis de varianza para el modelo

con un solo factor y efectos fijos
Fuente de
variacion
Suma de
cuadrados
Entre los
Tratamientos
j i rj (y.j -y..)
Error
(Dentro de
los
tratamientos
)
Total
Grados Cuadrad
de
o
liberta Promedi
d
o
K-1
MStreatm
SSe = SSt - SStreatment
n-k
MSerror
j i(yij -y..)2
n -1
MStr /MSE
63
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
64
ASUNCIONES PARA EL ANALISIS DE

VARIANZA
1.
2.
Cada conjunto observado de nj medidas es

una muestra aleatoria simple
independiente tomada de una poblacin de
medidas y cada poblacin se identifica de
acuerdo con la designacin del tratamiento.
Cada poblacin de medidas (esto es , las yij
correspondientes a cada j ) est
normalmente distribuida con media
65
PRUEBA DE NORMALIDAD DE DAGOSTINO

Es aplicable a muestras de tamao
moderado o grande
66
3.
Cada la poblacin de medidas tiene la misma

varianza.
PRUEBA DE HOMOGENEIDAD DE VARIANZAS
PRUEBA DE COCHRAN
Proporciona un procedimiento de clculos ms
simples, pero que se restringe a situaciones
en las cuales los tamaos muestrales son
iguales.
El estadstico que se utiliza est dado por:
El mayor Sj2
G = ------------------
j 1
S j2
67
La hiptesis de igualdad de varianzas se

rechaza si G > Gdonde
el valor de Gse
G
obtiene de tablas
Ejemplo: Un ingeniero est interesado en

cmo vara la absorcin media de humedad en
el concreto entre cinco diferentes mezclas de
concreto. las mezclas varan 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
68
TABLA DE DATOS DE ABSORCION DE HUMEDAD EN

MEZCLAS
Mezcla (%)
Total
Media
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
3320
3416
3663
2791
3664
16.854
553.33 569.33 610.50 465.17 610.67 561.80
varianz 12.134
a
2303
3594
3319
3455
69
S12 :12134
3455
S22 :2303
Por lo tanto:
S32 :3594
S42 :3319
S52 :
G= 12134/ 24805 = 0,4892
El cual no excede el valor en tablas G0,05: 0,5065
De aqu se concluye que la

suposicin de varianzas iguales es
razonable
70
EJERCICIO
Un ingeniero de desarrollo de productos le

interesa determinar si el peso porcentual de
algodn en una fibra sinttica afecta la resistencia
a la tensin , y ha llevado acabo un experimento
completamente aleatorizado con cinco niveles del
peso porcentual de algodn y cinco replicas. A
continuacin se presenta la tabla de datos.
71
Peso
porcentu
al del
algodn
Resistencia a la tensin
observada
(lb./pulg.)
Promedi
os
Y.j
Totales
Yj
15
15
11
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
10
11
15
11
54
10,8
y..=376
y..=15.0
4
72
Hiptesis a probar:
Ho: 1= 2= 3= 4= 5
H1: Algunas medias son diferentes
Las sumas de cuadrados requeridas se
calculan as:
SStotal
i j yij 2 y.. 2 / n
= (7) + (7) + (15) +. + (15) +
(11) - (376)/25 = 636.96
73
SStreatment
1/n j y.j 2 y.. 2 / n
= 1/5 [ (49) +. + (54) ]

(376)/25
= 475.76
SSE = SSTotal SStreatment
=
636.96 475.76 = 161.20
74
COMPARACION DE LOS ESTIMADOS DE

LA VARIANZA:
LA PRUEBA F
F= MSTR/MSE

significancia :
Rechazar Ho si F> Fc
En donde el valor de F se basa en una
distribucin Fc con K- 1 grados de libertad en el
numerador y n- K grados de libertad en el
denominador
75
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
76
Anlisis de varianza de los datos de la

resistencia a la tensin
Fuente
Suma de Grados
Cuadrad
de
cuadrado
de
o Medio
variacin
s
libertad
Peso
Porcentu
al del
algodn
475.76
118.94
Error
161.20
20
8.06
Total
636.96
24
Valor P
14.76
<0.01
77
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 ALGODN EN LA
FIBRA AFECTA DE MANERA
SIGNIFICATIVA LA RESISTENCIA A
LA TENSION MEDIA
78
PRUEBAS SOBRE MEDIAS ANTES DE LA

EXPERIMENTACION
Mtodo de los contrastes Ortogonales
Se define un contraste como una combinacin lineal

de totales de los tratamientos as:
C=
k
j 1
cjY .j
donde:
k
j 1
cj 0
79
Dos contrastes con coeficientes (c j) y (dj) son

ortogonales si:
k
c
d
0
j
j
j 1
Para un diseo no balanceado si:
k
j 1
n jc jd j 0
El mtodo de contrastes ortogonales es til 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 razn de
esto es que , si las comparaciones se seleccionan
despus de examinar datos, la mayora de los
experimentadores construiran pruebas que
corresponderan con las diferencias grandes
observadas en las medias
80
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 especific la siguiente serie de
comparaciones entre las medias de los
tratamientos ( y sus contrastes asociados).
81
HIPOTESIS
Ho:
Ho:
Ho:
Ho:
4= 5
1+3= 4+ 5
1= 3
42= 1 + 3 + 4 + 5
CONTRASTES
C1=
- y4. + y5.
C2= y1.
+ y3. - y4. - y5.
C3= y1.
- y3.
C4= -y1. + 4y2. - y3. - y4. - y5.
82
C = j (cj * yj.)
SSC = C2 / j (cj2 * nj)
83
Peso
porcentu
al del
algodn
Resistencia a la tensin
observada
(lb./pulg.)
Promedi
os
Y.j
Totales
Yj
15
15
11
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
10
11
15
11
54
10,8
y..=376
y..=15.0
4
84
Utilizando los datos de la tabla anterior , se

encuentra que los valores numricos de los
contrastes y de las sumas de cuadrados son los
siguientes:
C1=
C2= +1(49)
+1(88) -1(108)-1(54)= -25
SSC2= (-25)/5(4) = 31.25
-1(108)+1(54)= -54
SSC1= -(54)/5(2)=291.60
C3= +1(49)
-1(88)
SSc3 =(-39)/5(2) =152.10
= -39
C4= -1(49) +4(77) -1(88) -1(108)-1(54) = 9

SSc4 =(9)/
5(20)
= UIS0.81
Ing. M.Sc.
Joaquin Garcia.
85
ANALISIS DE VARIANZA DE LOS DATOS DE LA RESISTENCIA A LA TENSION
Fuente de
Variacion
Suma de
cuadrados
Grados
de
liberta
d
Peso
porcentual
del algodon
475.76
118.94
14.76
<0.001
Cuadrado
medio
Fo
Valor P
Contrastes ortogonales
C1: 4= 5
(291.60)
291.60
36.18
<0.001
C2: 1+3=
4+ 5
(31.25)
31.25
3.88
0.06
C3: 1= 3
(152.10)
152.10
18.87
<0.001
C4: 42= 1
+ 3 + 4 +
5
(0.81)
0.81
0.10
0.76
ERROR
161.20
20
8.06
TOTAL
636.96
24
86
Estas sumas de cuadrados de los contrastes

hacen la particin completa de la suma de
cuadrados de los tratamientos .las pruebas de
estos contrastes ortogonales se incorporan por lo
general en el anlisis 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 algodn ,
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.
87
PRUEBAS DESPUES DE LA EXPERIMENTACION

Test de Duncan
Se usa para detectar diferencias entre los pares

de medias
1.
2.
El procedimiento se resume en los

siguientes pasos:
Ordenar de mayor a menor las a medias de
los k tratamientos
De la tabla de ANOVA obtener el MSerror
con sus grados de libertad.
88
3.
Calcular el error estndar de cada media.
MSerror
Sy. j
n
(1)
Esta ecuacin supone que el experimento

es balanceado
Para tamaos de muestra desiguales , se
sustituye n en la ecuacin (1) con la media
armnica nh del { nj }, donde
k
h = --------------------
(
1
/
n
j)
j 1
89
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 mnimos de significacin
(por ejemplo Rp) para p = 2,3k calculando:
Rp = r( p,f ) Sy.j para p=2,3......,k
90
6.
Comparar los rangos observados entre las medias

comenzando con la media mayor contra la media
menor ,la cual se compara con el rango mnimo de
significacin Rk . Despus se calcula la diferencia
de la mayor y la segunda menor y se compara con
el rango mnimo de significacin Rk-1.
Estas comparaciones se continan 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 mnimo de significacin Rk-1.
91
Este proceso se continua hasta que se hayan

considerado las diferencias entre todos los k(k1)/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
92
1.
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:
y1.= 9.8
y5.= 10.8
y2.= 15.4
y3.= 17.6
y4.= 21.6
93
2.
3.
El SSerror = 8.06 con 20 grados de libertad

El error estndar de la media esta dado por:
Sy.j
4.
8.06
1.27
5
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
94
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
95
6.
Los resultados de las comparaciones

seran:
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)
96
Por el anlisis se observa que

hay diferencias significativas
entre todos los pares de
medias con excepcin de la 3
y la 2 y la 5 y la 1.
97
Prueba de Tukey
Es utilizada para probar todas las comparaciones

de las medias por pares cuando despus de
haberse la ANOVA se deduce que la hiptesis nula
de la igualdad de medias es rechazada.
El inters se encuentra en probar todos los pares
de medias de los tratamientos y las hiptesis
nulas que quieren probarse son:
Ho : j = i
H 1 : j i
El mtodo de Tukey utiliza la distribucin del

rango studentizado para fijar el valor critico con el
cual se comparan las diferencias entre las
medias.
98
El procedimiento de Tukey hace uso de la

distribucin del estadstico del rango
studentizado:
(Y max Y min )
MS error
n
La tabla de puntos porcentuales del estadstico

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.
99
Para tamaos 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)
100
EJEMPLO
La prueba de tukey puede aplicarse a los

datos del ejemplo del ingeniero de desarrollo
sobre el peso porcentual del algodn visto en
las unidades anteriores. Con = 0.05 y f =20
grados de libertad para el error.
En la tabla de puntos porcentuales del
estadstico del rango studentizado se obtiene
Q0.05(5,20) =4.2 Por lo tanto , por la ecuacin
(1)
T 4.23
0.05
8.06
5.37
5
101
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
102
Dado que cualquier par de promedios de los

tratamientos que difiera en valor absoluto por
ms 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.
103
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
104
Para probar la hiptesis 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 hiptesis sobre homogeneidad de

tratamientos son:
2 = 0
H1: 2 > 0
Ho :
105
F= MSTR/MSE
(1)
En donde el valor de F se basa en una distribucin F

con K- 1 grados de libertad en el numerador y n- K
grados de libertad en el denominador
La relacin (1) es el estadstico apropiado

para verificar la hiptesis Ho : 2 = 0 , puesto
que las esperanzas del cuadrado son:
E[MStrat]= 2 + n 2
E[MSerror]= 2
106

significancia :
Rechazar Ho si F> F
Si la hiptesis se rechaza , entonces se puede
estar interesado en estimar los componentes
de la varianza 2y 2
107
BLOQUES
La forma tradicional de controlar la variacin local

en un rea experimental es BLOQUEANDO el
rea, de tal forma que las parcelas dentro de un
bloque varan 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
precisin del experimento.
108
BLOQUES COMPLETOS
ALEATORIZADOS
En este diseo los tratamientos se distribuyen

aleatoriamente en las unidades experimentales
dentro de cada bloque , con una aleatorizacin
diferente en cada uno de ellos .
109
Estructura del diseo de bloques

Treatments
1
Blocks
1
2
3
y 11
y 21
y 31
y 12
y 22
y 32
y 13
y 23
y 33
... y 1k
... y 2k
... y 3k
y n1
y n2
y1
y2
y n3
y3
.
.
... y nk
yk
y1
y2
y3
y n
y
110
= efecto comn
i. = media de bloque i
.j = media de tratamiento j
i = efecto de bloque i
j = efecto de tratamiento j
ij = error
111
Yij = + j + ij (one-way)
i + ij (two-way)
112
MODELO ESTADISTICO
Yij = + i + j + ij
i = i. -
j = .j -
ij = Yij - i. - .j +
i = 1,2,...,b; j = 1, 2,...,k
113
hiptesis a probar :
Ho: 1 = 2 =. . . = j = 0
H1: j 0 para al menos un k
114
ANOVA PARA EL DISEO DE

BLOQUES COMPLETOS
ASUNCIONES
Independencia
Normalidad
Igualdad de varianzas
No interaccin entre bloques y
tratamientos
115
Ecuacin fundamental de la ANOVA

i j (Yij -
Y..)2
i j (
Yi. - Y
..)2
+ i j ( Y .j -
Y ..)2
+ i j (Yij -
Yi.
Y.j + Y.. )2
116
SStotal = SSblock + SStreatment + SSerror

MSblock = SSblock/(b-1)
MStreatment = SStreatment/(k-1)
MSerror = SSerror/[(b-1)(k-1)]
117
SStotal
SStreatment
SSblock
i j yij 2 y.. 2 / n
1/b j y.j 2 y.. 2 / n
1/k j y.j 2 y.. 2 / n
118
Si los tratamientos
y 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
119
Para probar la igualdad de las medias de los

tratamientos se usa el estadstico 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
120
Tambin existe inters en comparar las

medias de los bloques , en caso que la
diferencia entre estas medias no sea
considerable , quizs no sea necesaria la
formacin de bloques en experimentos
futuros
Para probar la igualdad de las medias de los
bloques se usa el estadstico de prueba Fo
Fo= MSbloques/MSE
Si
Fo > F(b-1),(k-1)(b-1), se rechaza

Ho: i = 0
121
Anlisis de varianza de un diseo de bloques completos

aleatorizados
Fuente de
variacin
Suma de
cuadrado
s
Grados
de
libertad
Cuadrado
medio
Fo
Tratamiento
s
SSTRA
K-1
SStrat / k-1
MSTra/Mse
Bloques
SSBloques
B-1
SSbloq / b-1
Error
SSe
(k-1)(b1)
SSe / (k-1)(b1)
Total
SSt
n-1
122
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 diseo 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.
123
Datos del experimento de la prueba de la

dureza
Tipo de
punta
Ejemplar de prueba (bloque)
Y.j
-2
-1
-1
-2
-3
-1
-2
15
Yi.
-4
-3
18
20= y..
124
Las sumas de cuadrados se obtienen de la

siguiente manera:
SStotal
i j yij 2 y.. 2 / n
= 154.00- (20)/16 = 129.00

SStreatment
1/b j y.j 2 y.. 2 / n
= 1/4[(3)+(4) +(-2) +(15)]-(20)/16

= 38.50
SSblock
1/k j y.j 2 y.. 2 / n
= 1/4[(- 4)+(- 3) +(9) +(18)]-(20)/16

= 82.50
125
Anlisis de varianza del experimento de la prueba de

la dureza
Grados
de
Cuadrado
liberta
medio
d
Fuente de
variacion
Suma de
cuadrad
os
Tratamiento
s (tipo de
punta)
38.50
12.83
Bloques
(ejemplares)
82.50
27.50
Error
8.00
0.89
Total
129.00
15
Fo
Valor p
14.4
4
0.0009
126
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.
127
DISEO DE BLOQUES INCOMPLETOS

BALANCEADOS (BIB)
El diseo 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 diseo 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 algn lugar del diseo .
128
El diseo 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:
= r( t -1 ) / ( k -1 )
Si k = b , se dice que el diseo es SIMETRICO
129
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

130
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 Qj / k
131
La cantidad Qj es un total de tratamiento que

se calcula como:
Qj = 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
132
Anlisis de varianza de un diseo de bloques incompletos

balanceados
Grados
de
libertad
Fuente de
variacin
Suma de
cuadrados
Tratamiento
s
SSTrat(corregida
)
K-1
SStrat(corregida) /
Bloques
SSBloques
b-1
SSbloq / b-1
Error
SSe(por
sustraccin)
N-k-b+1
SSe / n-k-b+1
SSt
N -1
Total
Cuadrado
medio
k-1
Fo
MSTra(corregida)/
Mse
133
EJEMPLO
Suponga que un ingeniero qumico piensa que el

tiempo de reaccin de un proceso qumico es un
funcin del tipo de catalizador utilizado. Se estn
investigando
cuatro
procedimiento
catalizadores
experimental
consiste
El
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
reaccin.
Los
datos
obtenidos
se
muestran en la siguiente tabla.

134
Datos del experimento del catalizador

Catalizador
(Tratamiento
)
Lote de materia prima (bloque)

Y.j
1
73
74
71
218
75
67
72
214
73
75
68
216
75
72
75
222
Yi.
221
224
207
218
870= y..
135
Datos del experimento:

k=4
r= 3
b=4
N=12
= 2
t=3
Anlisis de Datos:
SStotal = i j yij 2 y.. 2 / 12
= 63.156- (870)/12 = 81.00
1/3 i y.i 2 y.. 2 / 12
= 1/3[(221)+ (207) + (224) + (218)](870)/12
= 55.00
SSblock
136
Para calcular la suma de cuadrados de los

tratamientos ajustados para los bloques ,
primero se determina los totales de los
tratamientos ajustados utilizando la ecuacin (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
137
La suma de cuadrados de los tratamientos ajustados

es igual a:
SStreat (corregida) = t j Qj / k
2*4
=3[(-9/3)+(-7/3)+(-4/3) + (20/3)] /
= 22.75
138
Anlisis de varianza del experimento del catalizador

Grados
de
Cuadrado
liberta
medio
d
Fuente de
variacion
Suma de
cuadrad
os
Tratamientos
(ajustados para
los bloques)
22.75
7.58
Bloques
(ejemplares)
55.00
Error
3.25
0.65
Total
81.00
11
Fo
Valor p
11.6
6
0.0107
139
PUESTO QUE EL VALOR

SECONCLUYE
QUE
P ES PEQUEO ,
EL
CATALIZADOR
EMPLEADO TIENE UN EFECTO SIGNIFICATIVO

SOBRE EL TIEMPO DE REACCION.
140
DISEO DE CUADRADO LATINO
Se usa para eliminar dos fuentes de variabilidad

perturbadora; es decir permite hacer la formacin
de bloques sistemtica 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 , stas se
distribuyen formando un cuadrado de k x k letras
o de k celdas, conocido como cuadrado latino de
orden k
141
Para cuatro tratamientos A, B ,C, y D, el

siguiente arreglo es un cuadrado latino de
orden 4
1
2
3
4
A
B
B
A
C
D
D
C
C
D
D
C
A
B
B
A
142
Para que k letras ordenadas en una matriz k

x k sean un cuadrado latino , se requiere que
cada letra est una sola vez en cada fila y
una sola vez en cada columna de la matriz.
La eficiencia del diseo de cuadrados latinos

depende de la variacin causada por los
factores de control; si uno de ellos no ejerce
una influencia apreciable en la variable de
estudio , deber adoptarse un diseo de
bloques aleatorizados en vez de un diseo de
cuadrados latinos
143
DISEO DE CUADRADOS
LATINOS
yijl l j i ijl
fila
columna
tratamiento
144
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 STAS Y LOS
TRATAMIENTOS.
145
SStotal = SSfilas + SScolumnas + SStrat+ SSerror
El estadstico 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
146
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

147
Anlisis de varianza de un diseo de cuadrado

latino
Fuente de
variacin
Suma de
cuadrado
s
Grados
de
libertad
Cuadrado
medio
Fo
Tratamiento
s
SSTRA
K-1
SStrat / k-1
MSTra/Mse
filas
SSfilas
K-1
SSfilas / k-1
Columnas
SScolumnas
k-1
SScolumnas / k1
Error
SSe
(k-2)(k1)
SSe / (k-2)(k1)
Total
SSt
k - 1
148
EJEMPLO
Para comparar el efecto de cinco dietas ,

stas se administraron a cinco camadas , de
cinco ratas cada una , mediante un diseo 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 protena en el hgado. Los
resultados se dan en la siguiente tabla.
149
Datos del experimento de las dietas

Peso en orden creciente
Y..l
Camadas
1
736 (C)
587 (E)
811 (B)
757 (A)
737 (C) 578 (D)
573 (B) 789 (D)
577 (E)
686 (E)
942 (D) 802 (A)
Yi..
3694
761 (B)
3676
724 (A) 762 (D)
3620
590 (E)
809 (B)
3471
751 (C)
822 (A)
3512
667 (A) 683 (D) 563 (C)
3360
920 (C)
635 (B)
725 (E)
4024
3553
3383
3681
18823= y
150
Anlisis de varianza del experimento de las dietas

Grados
de
Cuadrado
liberta
medio
d
Fuente de
variacion
Suma de
cuadrad
os
Tratamientos
(dietas)
50.812
12703
Filas
52424
13106
columnas
14088
3522
Error
150424
12
12535
Total
267748
24
Fo
Valor p
1.01
0.44
151
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
152
La eficiencia relativa del Diseo de cuadrado

latino con respecto al diseo 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.
153
La eficiencia relativa del cuadrado latino con

respecto a un diseo 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.
154
DISEOS FACTORIALES
155
DISEOS FACTORIALES
Por diseo 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 diseos factoriales producen experimentos ms

eficientes , pues cada observacin proporciona
informacin sobre todos los factores , y es factible
ver las respuestas de un factor en diferentes niveles
de otro factor en el mismo
experimento.
156
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 inters 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 interaccin entre los factores.
157
DISEO 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
158
hiptesis 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
159
Tambin existe inters en determinar si

los tratamientos de las filas y las
columnas interactan.
Ho: ji= 0 para todas las j ,i

H1: al menos una ji 0
160
Anlisis de varianza para el diseo factorial de dos

factores
Fuente de
variacin
Suma de
cuadrado
s
Grados
de
libertad
Cuadrado
medio
Fo
Tratamientos A
SSA
a-1
SSA / a-1
MSA/Mse
Tratamientos B
SSB
b-1
SSB / b-1
Interaccin
SSAB
(a-1)(b-1)
SSAB / (a-1)(b-1)
Error
SSe
ab(n-1)
Total
SSt
abn -1
MSB/Mse
MSAB/Mse
SSe / ab(n-1)
161
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
BATERA ES COLOCADA A FUNCIONAR. SE HACEN
CUATRO REPLICAS EN EL EXPERIMENTO DE UN
DISEO FACTORIAL, PARA TRES TIPOS DE
TEMPERATURA Y TRES MATERIALES.
A= 3 B= 3 n= 4
LOS RESULTADOS SON:
162
FACTOR (B) TEMPERATURA
1
FACTOR(A) MATERIAL
130
74
155
180
34
80
40
75
20
82
70
58
150
159
188
126
136
106
122
115
25
58
70
45
138
168
110
160
174
150
120
139
96
82
104
60
539
623
576
1738
229
998
230
479
583
1300
198
1501
342
1291
770
3799
163
ANALISIS DE VARIANZA DEL EXPERIMENTO
FUENTES DE
VARIACION
SUMA DE
CUADRADOS
GRADOS DE
LIBERTAD
C.MEDIO
FO
TIPO DE MAT.
10683.72
5341.86
7.91 >
3.35
TEMPERATUR
39118.72
19559.36
28.97 >
3.35
INTERACCION
9613.77
2403.44
3.56 >
2.73
ERROR
18230.75
27
675.21
TOTAL
77646.96
35
164
CORRELACION TIPO MATERIAL - TEMPERATURA
165
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
166
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.
167
Diseo Factorial 2k
Una rplica completa de tal diseo requiere que se

recopilen 2 x 2 x .... x 2 = 2k observaciones y se conoce
como diseo general 2k.
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.
168
Diseo Factorial 2k
Supongamos que tenemos

k (k > 2)
factores. Un diseo 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 Diseo:
169
Diseo Factorial 2k
Matriz de Diseo para 3 Factores
Design Point
1
2
3
4
5
6
7
8
Factor 1
Level
+
+
+
+
Factor 2
Level
+
+
+
+
Factor 3
Level Response
O1
O2
O3
O4
+
O5
+
O6
+
O7
+
O8
+ se refiere a uno de los niveles de un factor y - se refiere al

otro nivel . Normalmente, para factores cuantitativos , el nivel
ms grande y ms pequeo
de cada factor elegido.
170
Diseo Factorial 2k : Estimacin
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
O1 O4 O3 O6 O5 O8 O7
4
171
Diseo Factorial 2kk :

Estimacin
Si el
efecto de alguno de los factores
depende del nivel de cualquier otro factor, se
dice que estos factores interactan
El grado de
interaccin (two-factor
interaction effect) entre dos factores i y j
est definido como:
1 (O4 O3 ) ( O8 O7 ) ( O2 O1 ) ( O6 O5 )
e12
2
2
2
172
Diseo Factorial Completo (2k)
Consideremos un modelo de un sistema de

produccin. Las 2 variables de decisin o
factores a considerar son: Presin (P) y
Temperatura (T) para el
sistema de
produccin. Los valores mximos y mnimos
admisibles para cada factor estn dados por:
Factor
P
T
Minimum Maximum
Value
Value
20
40
15
50
Supongamos que la variable respuesta de

salida del modelo es el
rendimiento del
proceso .
173
Una matriz de diseo 22 con los resultados (para

10 replicas en cada punto de diseo ) est dada
por:
Design Point Factor Level for
P
T
1
2
+
3
+
4
+
+
Response
135.6
128.2
121.7
131.5
Donde un factor de nivel - indica el mnimo

valor posible para el factor, y un factor en el nivel
+ indica el mximo valor posible ; por ejemplo,
para el design point 2 se tiene P=40 and T =15.
174
La respuesta dada es el costo promedio de las 10

rplicas. El efecto principal es:
eT
(O3 O1 ) (O4 O2 ) (121.7 135.6) (131.5 128.2)
5.3
2
2
(O2 O1 ) (O4 O3 ) (128.2 135.6) (1315

. 1217
. )
eP
12
.
2
2
El efecto de interaccin esta dado por
ePT
135.6 128.2 121.7 131.5
8.6
2
175
Adems, 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 reduccin en el
rendimiento de 5.3. Esto podra aconsejar
seleccionar el factor T como el valor ms
bajo y el factor P como el ms alto.
176
Tambin a menudo un efecto de interaccin

positivo, podra indicar que los efectos de los
factores P y T tienen niveles opuestos.
Por supuesto que esto se puede inferir de un

breve anlisis de las respuestas para
combinaciones de diseo.
Note tambin que la interpretacin del efecto

principal asume que no hay efecto de
interaccin.
177
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 deberamos calcular los
efectos principales e interacciones varias veces (10 o
ms) y construir un intervalo de confianza para cada
efecto principal e interaccin.
Si el intervalo de confianza contiene al cero, entonces

el efecto no es estadsticamente significativo.
178
Situacin con muchos Factores
Cuando existan muchos factores a considerar en el

diseo factorial completo, se puede recurrir al
diseo de experimentos factorial fraccionado (2k-p ,
3k-p , etc).
Otra aproximacin para reducir el nmero de

factores es considerar la tcnica de factores ocultos
o agrupacin de factores donde un grupo de
factores se consideran como si fuesen un solo
factor (confundido).
179
DISEO FACTORIAL 2k CON UNA

SOLA REPLICACION
Un riesgo obvio cuando se realiza un

experimento que tiene una sola corrida para
cada combinacin de prueba es que el
modelo puede ajustarse al ruido.
El uso de la estrategia de una sola replica es
comn en los experimentos de exploracin
cuando hay un numero relativamente grande
de factores bajo consideracin.
180
EJEMPLO
Un producto qumico 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 ndice de
filtracin de este producto.
Los cuatro factores son la temperatura (A), la
presin (B), la concentracin de formaldehdo (C),
y la velocidad de agitacin (D). Cada factor esta
presente con dos niveles.
las 16 corridas se hacen de forma aleatoria. Los
datos se muestran en la siguiente tabla
181
N de
corrida
FACTOR
Etiqueta
de la
corrida
ndice
de
filtraci
n
(1)
45
71
48
ab
65
68
ac
60
bc
80
abc
65
43
10
ad
100
11
bd
45
12
abd
104
13
cd
75
14
acd
86
15
bcd
70
16
abcd
96
+ Garcia. UIS
+
Ing. M.Sc. Joaquin
182
Estimaciones de los efectos de los

factores y sumas cuadrados del diseo
4
factorial
2
TERMINO DEL
ESTIMACION DEL
SUMA DE
CONTRIBUCION
MODELO
EFECTO
CUADRADOS
PORCENTUAL
21,625
1870,56
32,6397
3,125
30,0625
0,681608
9,875
390,062
6,806
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
183
Anlisis de varianza del experimento del

ndice de filtracin en A, C y D
Fuente
Suma de
de
cuadrado
variacin
s
Grados
de
libertad
Cuadrad
o medio
Fo
Valor P
1870,56
1870,56
83,36
0,0001
390,06
390,06
17,38
0,0001
855,56
855,56
38,13
0,0001
AC
1314,06
1314,06
58,56
0,0001
AD
1105,56
1105,56
49,27
0,0001
CD
5,06
5,06
ACD
10,56
10,56
Error
179,52
22,44
Total
5730,94
15
184
FACTORIAL INCOMPLETO O
FRACCIONARIO
Fundamento del diseo: cuando la funcin
respuesta que se estudia es continua, pueden
eliminarse puntos intermedios de experimentacin
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.
185
USOS Y VENTAJAS
PUEDE EMPLEARSE EN LAS ETAPAS DE DISEO, 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 : Diseo Factorial 2 k-1

(medio factorial)
Ej. 5 variables en 2 niveles.

El factorial completo comprendera 2^5 = 32
experimentos. En cambio con el medio factorial
se hacen solo la mitad, 16 experimentos.
En este diseo puede emplearse distinto numero
de
variables pero siempre en dos niveles e
incluye siempre la mitad de los experimentos
que se requeriran 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)
187
exp 1
1x2
1x3
1x4
2x3
2x4
3x4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
+
+
+
+
+
+
+
+
-
+
+
+
+
+
+
+
+
-
+
+
+
+
+
+
+
+
-
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
-
+
+
+
-
+
+
+
+
+
+
+
+
-
123
=4X5
+
+
-
134
=2X5
+
+
+
+
234
= 1X5
+
+
+
+
+
-
1234
=5
+
-
188
Se reemplaza la columna que corresponde a la interaccin 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 patrn 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
Ing. M.Sc.
Joaquin Garcia. UIS del diseo factorial
189
usar las interacciones triples
y cuadruples
completo de 4 variables.
Las interacciones de mayor grado se encuentran

confundidas de acuerdo al siguiente esquema:
4 + exp
1235 1+
2345
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
+
+
+
+
+
+
+
+
-
2+
1345
+
+
+
+
+
+
+
+
-
5+ 12 +
1234 345
+
+
+
+
+
+
+
+
-
+
+
+
+
+
+
+
+
-
+
+
+
+
-
+
+
+
+
+
+
+
+
13 +33 14 +
245 235
+
+
+
+
-
+
+
23 + 24 +
145 135
+
+
-
+
+
34 +
125
45+
123
25 +
134
1x5 +
234
+
-
+
+
+
+
+
+
-
+
-
190
Media general: (1...16) /16

Estimacin de los efectos:
Efecto principal de 1 = 1/8
(+1+2+3+4+5+6+7+8)1/8(9+10+11+12+13+14+15+16)]
Interaccin 4x5 = 1/16 (+1+2-3-4-4-4+7+89.........)
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 significacin del
efecto calculado.
191
Para 4 variables: 2Iv 4-1

2Iv 4-1
4 = 1x 2x 3
1
La otra mitad del factorial completo (2 ^4 = 16 experimentos) corresponden al diseo 4

= - (1x2x3)
192

EL DISEO ANTERIOR ESTA JUSTIFICADO SI LAS
INTERACCIONES
DE ORDEN SUPERIOR QUE SE
REEMPLAZAN (EN ESTE CASO,
TERCER Y CUARTO GRADO)
SON DESPRECIABLES.
eEL DISEO 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 DISEO 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.
193
Otros ejemplos de medias fracciones para k=3,

2III 3-1
3=1X2
1
La otra mitad del factorial (completo) seria:

3 = - (1 X 2)
1
+
Ing. M.Sc. Joaquin
Garcia. UIS
194
Ejemplo 3 : Diseo factorial 2 k-4

(k : numero de variables ; 2 niveles)
Este diseo consiste en un factorial completo para (k-4)

variables donde todas las interacciones se asocian con las
nuevas
variables que se incluyen en el diseo (estn
confundidos)
Para 8 variables seria 2^ 4 experimentos (16)
Para 7 variables serian 2^3 experimentos (8)
En el ejemplo se evalan en total 7 variables en 8 experimentos.

Es un diseo balanceado, saturado
(ya que todos los
contrastes estn asociados con variables) y confundido.
Mediante este diseo solo se evalan efectos principales de las

variables.
195
exp
4+
12
5+
13
6+
23
7+
123
Respuest
a
......
.......
.......
.......
.......
.......
........
.......
196

Diaposklitivas de Estaklpio0-L-.

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Diaposklitivas de Estaklpio0-L-.

Загружено:

Авторское право:

Доступные форматы

DISEO DE

El metodo cientifico , es un proceso

Bunge define ocho pasos en la

Pasos en la aplicacin del

Enunciar preguntas bien formuladas

Estimar la pretensin de verdad de las

LA ESTADISTICA SIRVE DE PUNTUAL AL

INVESTIGADOR EN EL DISEO Y ANALISIS DE

Un experimento ha sido definido , en el sentido

QUE ES EL DISEO ESTADISTICO DE

Es el proceso de planear , todos los pasos que

CUAL ES EL PROPOSITO DEL

Es la obtencin del mximo de informacin

Ing. M.Sc. Joaquin Garcia. UIS

Los estudios comparativos pueden ser:

Experimentales: el investigador controla, es

Observacionales: el investigador no tiene

VOCABULARIO DEL DISEO

Variables dependientes e Independientes :

Factor : Un factor es una variable independiente

Niveles de los factores: Los niveles son los

Variable de Respuesta: Es la caracterstica

Unidad experimental: Es la parte mas

Variable Exgena o Extrnseca: Se

Poblacin: Desde el punto de vista del

Muestra: Una muestra es un subconjunto de

Error experimental: Describe la variacin

Tambin es definida como la porcin de la

La forma de medirlo es la varianza 2 del

Algunos de los distintos orgenes del error

Potencia: Es una funcin que muestra la

Validez Externa: Es la capacidad de

Validez interna : Se dice que un

Ing. M.Sc. Joaquin Garcia. UIS

ALGUNAS HERRAMIENTAS PARA UNA

Aleatorizacin: Es la designacin al azar

Replicacin : Es la repeticin de una

La replicacin proporciona la posibilidad de

Planificacin por Bloques: Aparte de los

La uniformidad dentro de los bloques se

Decidir si el diseo es unifactorial o

Reconocer si la agrupacin de las

Elegir , de acuerdo con el numero de

FASES DEL DISEO DE EXPERIMENTOS

RECONOCIMIENTO Y FORMULACION DEL

SELECCIN DE LOS FACTORES Y SUS

SELECCIN DEL DISEO EXPERIMENTAL

ANALISIS DE LOS DATOS:

Que proceso de seleccin ser usado en la

Podrn recibir las unidades experimentales

Como se asignaran los tratamientos a las

Cuantas unidades experimentales sern

Cual ser la tcnica estadstica apropiada en

La inferencia estadstica se utiliza para llegar

La tcnica de anlisis de varianza nos

Ing. M.Sc. Joaquin Garcia. UIS

Ing. M.Sc. Joaquin Garcia. UIS

Ing. M.Sc. Joaquin Garcia. UIS

Objetivo: determinar si la media de la

Variable respuesta: calificacin del examen

Factor: Ubicacin de la planta

Niveles del factor o tratamientos: los tres

Ing. M.Sc. Joaquin Garcia. UIS