ESTADISTICA Y DISEÑO

EXPERIMENTAL
CAPITULO III:
EXPERIMENTOS CON UN SOLO FACTOR
(ANALISIS DE VARIANZA)

PROF.: HONORATO SANCHEZ QUISPE

 CONTENIDO
1. Diseño completamente al
azar y ANOVA
2. Comparaciones o
pruebas de rango
múltiples
3. Verificación de los
supuestos del modelo
4. Elección del tamaño de la
muestra
5. Elección del tamaño de la
muestra

 
ESTADISTICA Y DISEÑO
EXPERIMENTAL 2
 OBJETIVOS
1. Explicar los elementos de
los diseños
completamente al azar y
el análisis de varianza;
asimismo, conocer la
importancia del tamaño
de la muestra.
2. Describir las diversas
pruebas de rangos
múltiples y la
comparación por
contrastes.
3. Realizar la verificación de
los supuestos del modelo
ESTADISTICA Y DISEÑO
EXPERIMENTAL 3
 MAPA CONCEPTUAL

ANOVA

Diagrama de
DCA
cajas

Graficas de
medias

LSD

EXPERIMENTOS
Pruebas de rango Tukey,
DE UN SOLO
FACTOR
múltiples Duncan

Contraste

normalidad

Verificación de los Varianza

supuestos del modelo constante
Tamaño de la muestra

Independencia

ESTADISTICA Y DISEÑO
EXPERIMENTAL 4
1. Diseño completamente al azar y ANOVA

Este diseño se llama completamente al azar porque

todas las corridas experimentales se realizan en orden
aleatorio completo.
De esta manera, si durante el estudio se hacen en total
N pruebas, éstas se corren al azar.

Tratamientos
T1 T2 T3
… Tk

Y11 Y21 Y31 º Yk1

Y12 Y22 Y32 º Yk2

Y13 Y23 Y33 º Yk3

:. :. :. ... :.

Y1n1 Y2n2 Y3n3 º Yknk

ESTADISTICA Y DISEÑO
EXPERIMENTAL 5
Este modelo implica que en el diseño
completamente al azar actuarían a lo más
dos fuentes de variabilidad: los
tratamientos y el error aleatorio.

Yij = µ + ti + Eij

Donde µ es el parámetro de escala común a todos los tratamientos, t i es un parámetro que

mide el efecto del tratamiento i, y Eij es el error atribuible a la medición Yij.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 6
 1.2. ANOVA para el diseño
completamente al azar (DCA)
El análisis de varianza (ANOVA) es la técnica central
en el análisis de datos experimentales. El objetivo del
análisis de varianza en el DCA es probar la hipótesis
de igualdad de los tratamientos con respecto a la
media de la correspondiente variable de respuesta

ESTADISTICA Y DISEÑO
EXPERIMENTAL 7
En el caso del DCA se separan la variabilidad debida
a los tratamientos y la debida al error.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 8
 Y
m
m1
m4
t1 mk
t4
t k

t3
t2
m3

m2

T1 T2 T3 T4 … Tk

Representación de las medias y de los efectos de los tratamientos en el DCA

Notación de puntos
Sirve para representar de manera abreviada cantidades
numéricas que se pueden calcular a partir de los datos
experimentales, donde Yij representa la j-ésima observación
en el tratamiento i, con i = 1, 2, …,ESTADISTICA
y j = 1,Y DISEÑO
EXPERIMENTAL 2, … , ni.
k 9
Y . = Suma de las observaciones del tratamiento i.
i

Y . = Media de las observaciones del i-ésimo tratamiento.

i
Y.. = Suma total de las N = n1 + n2 + ... + nK mediciones.

Y .. = Media global o promedio de todas las observaciones.

Donde N =

Es el total de observaciones
ESTADISTICA Y DISEÑO
EXPERIMENTAL 10
CÁLCULOS MANUALES 3. Suma de cuadrados del
1. Suma total de error o variabilidad
cuadrados o variabilidad dentro de métodos de
total de los datos. ensamble.
2 𝑆𝐶 𝐸 =𝑆𝐶 𝑇 − 𝑆𝐶 𝑇𝑅𝐴𝑇
2 𝑌
4 4
𝑆𝐶 𝑡 = ∑   ∑ 𝑌 𝑔 −
..
4. Cuadrados medios de
1−𝑓 𝑓 −1 𝑁 tratamientos y del error
2. Suma de cuadrados de (efecto ponderado de
tratamientos o cada fuente de variación)
variabilidad debida a la
𝑆𝐶 𝑇𝑅𝐴𝑇
diferencia 𝐶𝑀 𝑇𝑅𝐴𝑇 =
𝑘−1
entre métodos de
ensamble. 5. Estadístico de prueba.
4
𝑌 2𝑖∙ 𝑌 2..
𝑆𝐶 𝑇𝑅𝐴𝑇 =∑ − . 𝐹 0=
𝐶𝑀 𝑇𝑅𝐴𝑇
. 𝑖−1 4 𝑁 𝐶𝑀 𝐸
ESTADISTICA Y DISEÑO
EXPERIMENTAL 11
 1.3. Diagramas de cajas simultáneos
 Los diagramas de cajas simultáneos representan una
manera descriptiva de comparar tratamiietos; se basa
en los cuartiles.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 12
 Gráficos de medias
el gráfico de medias (means plot) permite hacer una
comparación visual y estadística de las medias de los
tratamientos

ESTADISTICA Y DISEÑO
EXPERIMENTAL 13
 2. COMPARACIONES O PRUEBAS DE
RANGO MÚLTIPLES
Después de que se
rechazó la hipótesis
nula en un análisis de
varianza, es
necesario ir a detalle
y ver cuáles
tratamientos son
diferentes. A
continuación veremos
tres estrategias
distintas para ir a ese
detalle. ESTADISTICA Y DISEÑO
EXPERIMENTAL 14
 2.1. COMPARACIÓN DE PAREJAS DE
MEDIAS DE TRATAMIENTOS
El objetivo del experimento está cubierto y la
conclusión es que los tratamientos no son diferentes;
por consiguiente se acepta la hipótesis alternativa; es
necesario investigar cuáles tratamientos resultaron
diferentes, o cuáles provocan la diferencia.
- Método LSD (diferencia mínima significativa)
- Método de Tukey
- Método de Duncan
- método de Dunnet

ESTADISTICA Y DISEÑO
EXPERIMENTAL 15
 2.1.1 Método LSD (diferencia
mínima significativa)
 Es la diferencia mínima  Una vez que se rechazó
que debe existir entre dos la hipótesis nula en el
medias muestrales para ANOVA, el problema es
considerar que los probar la igualdad de
tratamientos todos los posibles pares
correspondientes son de medias con la
significativamente hipótesis:
diferentes.

𝐿𝑆𝐷=𝑡 𝛼 /2 , 𝑁 − k √ 2 𝐶𝑀 𝐸 /𝑛

ESTADISTICA Y DISEÑO
EXPERIMENTAL 16
 2.1.2 Método de Tukey
Consiste en comparar las N – k: es igual a los
diferencias entre medias grados de libertad para el
muestra- les con el valor error.
crítico dado por: α:es el nivel de
𝑇 𝛼=𝑞 𝛼 (𝑘, 𝑁 −𝑘) √ 𝐶𝑀 𝐸 /𝑛 𝑖 significancia prefijado y el
estadístico
CME: es el cuadrado qa(k, N – k): son puntos
medio del error porcentuales de la
n: es el número de distribución del rango
observaciones por estudentizado, que se
tratamiento obtienen de la
K: es el número de correspondiente tabla en
tratamientos. el apéndice.
ESTADISTICA Y DISEÑO
EXPERIMENTAL 17
2.1.3. Método de Duncan

𝑘
𝑛 𝐴𝑅 = 𝑘
1
∑ 𝑛𝑖
𝑖=1

ESTADISTICA Y DISEÑO
EXPERIMENTAL 18
Comparación de tratamientos con un
control (método de Dunnet)
Por facilidad, denotemos  
como tratamiento control
al k-ésimo tratamiento.
Hacer comparaciones con
respecto al control implica
probar las k – 1 hipótesis
dadas por:

ESTADISTICA Y DISEÑO
EXPERIMENTAL 19
 Comparación por contrastes
Contraste
es una combinación
lineal de las medias
poblacionales de
interés.

√
𝑘 𝑘
𝐶𝑀 𝐸
∑ 𝐶𝑖 𝑌 𝑖∙ ±𝑡𝛼/2 𝑁 − 𝑘 ∑
𝑛 𝑖=1
2
𝐶𝑖
𝑖=1

ESTADISTICA Y DISEÑO
EXPERIMENTAL 20
 Contrastes
ortogonales
Son ortogonales si la
suma del producto de
los coeficientes es
igual a cero; con el
uso de contrastes
ortogonales es posible
construir un grupo de
hipótesis de interés
independientes entre
sí.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 21
Método de Sheffé donde la hipótesis
Este método está nula se puede escribir
diseñado para probar alternativamente
todos los contrastes de como:
medias que pudieran
interesar al 𝐻 0 : 2 𝜇 𝐴 − 𝜇 𝐵 − 𝜇𝐶 =0 ,
experimentador
lo cual implica que la
hipótesis está definida
por el contraste:
𝐶 0 =2 𝜇 𝐴 −𝜇 𝐵 − 𝜇𝐶 ∙ 𝐷𝑒

ESTADISTICA Y DISEÑO
EXPERIMENTAL 22
3. Verificación de los supuestos
del modelo
La validez de los
resultados obtenidos en
cualquier análisis de
varianza queda
supeditado a que los
supuestos del modelo se
cumplan.
Estos supuestos son:
normalidad, varianza
constante (igual varianza
de los tratamientos) e
independencia.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 23
 NORMALIDAD
Consiste en graficar
los residuos en papel
o en la gráfica de
probabilidad normal
que se incluye casi en
todos los paquetes
estadísticos. Esta
gráfica del tipo X-Y
tiene las escalas de tal
manera que los
residuos siguen una
distribución normal. ESTADISTICA Y DISEÑO
EXPERIMENTAL 24
Gráfica de probabilidad en papel
normal
Los pasos en la construcción de la gráfica de
probabilidad normal para los residuos son los
siguientes:
1. Ordenar los N valores del menor al mayor y
asignarles los rangos de 1 a N.

2. Calcular una posición de graficación para cada dato

en función de su rango.

3. El papel de probabilidad normal es un formato para

realizar una gráfica del tipo X-Y.

4. Dibujar una línea recta sobre los puntos para tratar

de dilucidar si se ajustan a ella o no.
ESTADISTICA Y DISEÑO
EXPERIMENTAL 25
Gráfica de probabilidad normal en
papel ordinario
A falta de papel de probabilidad normal, la gráfica de
probabilidad también se puede hacer en papel ordinario
con escalas equiespaciadas en ambos ejes. Para ello,
prime- ro se obtiene el valor normal estandarizado Zi
que cumple la relación:

(𝑖 −0.5)
=𝑃 ( 𝑍 < 𝑍 𝑖 )=∅ ( 𝑍 𝑖 )
𝑁

ESTADISTICA Y DISEÑO
EXPERIMENTAL 26
ESTADISTICA Y DISEÑO
EXPERIMENTAL 27
 Prueba de Shapiro-Wilks para
normalidad
1) Se ordenan los datos de menor a mayor. Denotemos
los datos ordenados por X(1), X(2), …, X(n). 2)

2) De la tabla dada en el apéndice para este

procedimiento se obtienen los coeficientes a1, a2, …,
ak, donde k es aproximadamente n/2.

3) Se calcula el estadístico W definido como:

[∑ ]
𝑘 2
1
𝑤= 2
𝑎𝑖 ( 𝑋 (𝑛 −𝑖+1) − 𝑋 (𝑖))
( 𝑛−1 ) 𝑆 𝑖=1

4) Por último, si el valor del estadístico es mayor que su

valor crítico al nivel a seleccionado en la tabla del
apéndice, se rechaza la normalidad de losY DISEÑO
ESTADISTICA datos.
EXPERIMENTAL 28
 Varianza constante
• Una forma de verificar
el supuesto de varianza
constante (o que los
tratamientos tienen la
misma varianza) es
graficando los
predichos contra los
residuos
• Otra gráfica que ayuda
a verificar el supuesto
es la gráfica de niveles
de factor contra
residuos
ESTADISTICA Y DISEÑO
EXPERIMENTAL 29
ESTADISTICA Y DISEÑO
EXPERIMENTAL 30
Prueba de Bartlett para homogeneidad de
varianzas
Mediante un diseño completamente al azar se obtienen
k muestras aleatorias de tamaños ni (i = 1, 2, …, k) de
dichas poblaciones, de modo que el total de medidas
es N = n1 + n2 + … + nk. El estadístico de prueba para
la hipótesis está dado por:

ESTADISTICA Y DISEÑO
EXPERIMENTAL 31
 Independencia
La suposición de
independencia en los
residuos puede verificarse
si se grafica el orzden en
que se colectó un dato
contra el residuo
correspondiente.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 32
Elección del tamaño de la muestra
Una decisión importante en cualquier diseño de
experimentos es decidir el número de réplicas que se
hará por cada tratamiento (tamaño de muestra). Por lo
general, si se esperan diferencias pequeñas entre
tratamientos será necesario un mayor tamaño de
muestra.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 33
ESTADISTICA Y DISEÑO
EXPERIMENTAL 34
 Elección del tamaño de muestra por
intervalo de confianza
Supongamos que el experimentador ya tiene el número
de tratamientos que desea probar, k, y que tomando en
cuenta las consideraciones antes citadas tiene una pro-
puesta inicial del número de réplicas por tratamiento
que va a utilizar, n0. También tiene una idea
aproximada del valor de s (la desviación estándar del
error aleatorio), así como una idea de la magnitud de
las diferencias, dT, entre tratamientos que le interesa
detectar. 2 2
2 ( 𝑡 (0.025 . 𝑘𝑋 𝑛 − 𝐾 ) ) 𝜎
𝑛=
0

2
( 𝑑𝑇 )
ESTADISTICA Y DISEÑO
EXPERIMENTAL 35
 Uso de software computacional
En Statgraphics es accesar con la siguiente secuencia
de opciones:
𝑆𝑝𝑠𝑒𝑐𝑖𝑎𝑙 →𝐸𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙 𝐷𝑒𝑠𝑖𝑛𝑔→𝐶𝑟𝑒𝑠𝑡𝑒 𝐷𝑒𝑠𝑖𝑔𝑛.
después de esto se debe elegir el tipo de diseño, que
en este caso es 𝑆𝑖𝑛𝑔𝑙𝑒 𝐹𝑎𝑐𝑡𝑜𝑟 𝐶𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑐𝑎𝑙

En Minitab se registran los datos en dos columnas,

como ya se dijo, y al ANOVA se accesa con la
secuencia𝑆𝑡𝑎𝑡 → 𝐴𝑛𝑜𝑣𝑎→𝑂𝑛𝑒 𝑤𝑎𝑦
y se da el nombre de las columnas que contienen los
datos. También se eligen las comparaciones de medias
deseadas y las gráficas.

ESTADISTICA Y DISEÑO
EXPERIMENTAL 36
 Uso de Excel
El ANOVA de un diseño con un criterio de clasificación
se realiza con la secuencia:

𝐻𝑒𝑟𝑟𝑎𝑚𝑖𝑒𝑛𝑡𝑎𝑠→ 𝐴𝑛á𝑙𝑖𝑠𝑖𝑠 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠

→ 𝐴𝑛 álisis devarianza conun factor

ESTADISTICA Y DISEÑO
EXPERIMENTAL 37