Análisis de Varianza 1

UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA
CIVIL
ANALISIS DE VARIANZA
PRESENTADO POR:
MOSQUERA CHALAN ,Jhonny
MEDINA GAMBOA , Neyder
DOCENTE:
CAJAMARCA-PERÚ
2018
1
“Norte de la Universidad Peruana”
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA CIVIL
ESTRATEGIA DE EXPERIMENTACIÓN
Los experimentos son parte natural en el proceso de la toma de decisiones en ingeniería y las
ciencias. Supóngase, por ejemplo, que un ingeniero civil investiga los efectos de diferentes métodos
de curado sobre la resistencia a la compresión media del concreto. El experimento consistiría en
formar varios ejemplos de prueba de concreto utilizando cada uno de los métodos de curado
propuestos para después probar la resistencia a la compresión de cada ejemplar de prueba. Los
datos de este experimento podrían usarse a fin de determinar qué método de curado deberá usarse
para conseguir la resistencia a la compresión media máxima.
Si sólo hay dos métodos de curado que sean de interés, este experimento podría diseñarse y
analizarse aplicando los métodos para hipótesis estadísticas con dos muestras. Es decir, el
experimentador tiene un solo factor de interés (el método de curado) y sólo hay dos niveles del factor.
Las técnicas de diseño experimental basadas en la estadística son particularmente útiles en el
campo de la ingeniería para mejorar el desempeño de un proceso de manufactura. Tiene también
diversas aplicaciones en el desarrollo de nuevos procesos. La mayoría de los procesos pinfluencia
ueden describirse en términos de varias variables controlables, como la temperatura, la presión y la
rapidez de alimentación. Mediante el uso de experimentos diseñados, los ingenierospueden
determinar el subconjunto de las variables del proceso que ejerce mayor influencia sobre el
desempeño del proceso . Los resultados de un experimento como éste pueden llevar a 1) El
mejoramiento del rendimiento del proceso, 2) La reducción de la variabilidad del proceso y a una
concordancia más próxima con los requerimientos nominales o proyectados.3) La reducción del
tiempo de diseño y desarrollo. 4) La reducción en el costo de operación.
ANALISIS DE VARIANZA
El análisis de la varianza (ANOVA, ANalysis Of VAriance, según terminología inglesa) es una

colección de modelos estadísticos y sus procedimientos asociados, en el cual la varianza está
particionada en ciertos componentes debidos a diferentes variables explicativas.
Las técnicas iniciales del análisis de varianza fueron desarrolladas por el estadístico y genetista R.
A. Fisher en los años 1920 y 1930 y es algunas veces conocido como "Anova de Fisher" o "análisis
de varianza de Fisher", debido al uso de la distribución F de Fisher como parte del contraste de
hipótesis.
El análisis de varianza se sigue para facilitar una prueba de hipótesis, mediante la cual la variación
total presente en un conjunto de datos se particiona en varias componentes, algunas se atribuyen
a variables explicativas o factores y otra al azar (error inmerso en el modelo) de modo que en el
análisis es posible averiguar la magnitud de las contribuciones de cada una de las fuentes a la
variación total.
El análisis de varianza tiene su aplicación más amplia en análisis de los datos obtenidos a partir de
experimentos.
El análisis de varianza se utiliza en dos fines:
• Estimar y probar la hipótesis acerca de las varianzas de las poblaciones. Estimar y
probar la hipótesis acerca de las medias de las poblaciones.
El análisis de varianza para los diversos diseños, sigue el siguiente procedimiento:
2
1°. Modelo.- El modelo insistirá de una representación simbólica de un valor

típico tomado de los datos que se están analizando.
2°. Suposiciones.- Especificaciones que fundamentan el modelo.
3°. Hipótesis.- Se indicarán las hipótesis que puedan probarse de acuerdo al
modelo se formulará H0 y H1 .
4°. Cálculos.- Se aplicarán los cálculos aritméticos apropiados.
5°. TABLA ANVA.- Los resultados de los cálculos, se resumirán en una tabla
que permitirá una estimación rápida y conveniente de los resultados.
6°. Decisión.- Se tomará una decisión estadística para rechazar o no H 0 .
I. DISEÑO COMPLETAMENTE ALEATORIZADO (DCA)

Un diseño completamente aleatorizado (DCA), es el diseño en el cual las unidades son asignadas
completamente al azar a los tratamientos, o viceversa. Esto es un diseño que no supone
restricciones tales como bloqueo en la distribución de los tratamientos a las unidades
experimentales.
Este diseño debe limitarse su uso a casos en los cuales se dispone de unidades experimentales
homogéneas. Si no pueden obtenerse tales unidades, debe utilizarse algún bloqueo para
incrementar la eficiencia del diseño.
MODELO.
• Suponga que se tiene K niveles de un solo factor que se desean comparar.
• La respuesta observada a partir de cada uno de los K niveles o tratamientos es una
variable aleatoria. Los datos aparecen en la tabla. Yij representa la i_ésima observación
tomada bajo el tratamiento “j”.
Es posible describir las observaciones de la tabla mediante el modelo estadístico lineal.
Yij = u + j + Ɛi j ; i = 1, 2, ... , n
j = 1, 2, ... , k ; modelo efectos fijos
Donde : Yi j : ij-ésima observación.

µ : efecto medio verdadero; parámetro común a todos TT 0S.
j : efecto del j-ésimo tratamiento.
Ɛi j : incluye los efectos de todos los otros factores extraños
Representación simbólica de los datos en un D.C.A
TRATAMIENTOS
1 2 . . . K
y11 y12 . . . y1k
y21 y22 . . . y2k .
OBSERVACIONES . . . .
. . . . yn1
yn2 . . . ynk
3
T .1 T.2 . . . T.k
TOTAL
Medias 𝑥̅.1 𝑥̅..2 . . . 𝑥̅..k

VARIANZAS
S 2.1 S2.2 . . . S2.k
𝑥̅. j = T. j / n j media del j-ésimo TT0 .
4. Suposiciones.
El modelo a efectos fijos implica que se está interesado solo en “k” poblaciones representados
por los datos de la muestra. Cualquier inferencia que pueda hacerse se aplica solo a estas
poblaciones.
Suposiciones para el modelo de efectos fijos :
a) Los k conjuntos de datos observados constituyen “k” muestras aleatorias independientes de las
poblaciones respectivas.
b) Cada una de las poblaciones de las cuales proviene las muestras está distribuida
normalmente con media j y varianza j2.
c) Las k poblaciones tienen la misma varianza : 2 = 2 =...= 2
1 2 k
d). Los Ɛi j DNI (0, 2).
HIPOTESIS.
Puede probarse la hipótesis:

H0 : 1= 𝜇 2= . . . = 𝜇 k
H1 : No todas las u j son iguales
Si las medias de las poblaciones son iguales, cada efecto del tratamiento es igual a cero, de
modo que alternativamente la hipótesis puede enunciarse como:
H0 :µj = 0; J=1, 2, . . . k
H1 : no todas las µj
=0
Se elige el nivel de significación α :
4
Si H0 es verdadero y si σ21 = σ22 = ... = σ2k y las poblaciones tienen una distribución normal; la
σ21 = σ22 = . . . = σ2k
Fig: 1 µ1=µ2= . . . =µk µ1 µ2 … µk

situación se observa como fig. 1
Si H0 es falso pueda serlo debido a que una de las medias de las poblaciones difiere del resto que
son iguales entre si, o bien puede ocurrir que todas las medias poblacionales sean diferentes. Es
decir al menos una de las j para cualquier valor de j=1,…,k ; sea diferente del resto
4. CALCULOS.
Se Desarrollará el análisis de varianza para el modelo de efectos fijos, clasificación en un sentido,

aquí:
k
j 0
1
Partición de la suma de cuadrados:
k nj k nj ij y T 2
SCT = (yij y )2 = 2 j 1i 1 j 1
N
Pero
k nj
(y SCT = ij y j
y j y )2
j 11
Si se agrupa términos y se desarrolla, se tendrá :
k nj k nj
SCT= ( yij y j )2 + (y j y )2
j 11 j 11
SCE SCTR
5
(Suma de cuadrados dentro) (Suma de cuadrados entre)

(Suma de cuadrados del Error) (Suma de cuadrados de tratamientos)
k nj k nj 2 k (T j )2
2
SCE = ij j
j 11 = ij = Eyy
j 1 nj j 1
k nj k (T j )2 T 2 T
(y y )2
(y y) y
SCTR = j = n jN
YY j 1
j 11
k (T j )2
k (T j )2 T 2 M
SCTR = nj N = YY j 1 nj
j 1
k nj
T2
SCE = SCT – SCTR = yi2j
Donde: MYY = N y j 1 - MYY - TYY
6
5. TABLA: ANALISIS DE VARIANZA PARA UN DISEÑO C.A.
Fuente de Suma de cuadrados Grados Media de cuadrados F0

variación de
libertad
SCTR =∑ T.J2/n -T..2/N CMTR = SCTR/(k-1) F0 = CMTR/CME
k nj k (T CME = SCE/(N-K)
Entre j )2 k-1
Tratamientos
SCE= yi2j j
Dentro de N-K
tratamiento 1 j 1 n
(Error) j
Total N-1
SCT=ΣΣyij2 – T..2/N
6. DECISION.
La decisión de realizar o no H0 se toma definiendo la región crítica (RC)
f(F)
RAH0 RRH0
F
F , k-1, N-k
Se rechaza Ho si F> F , k-1, N-k
Ejemplo 1: Un ingeniero desea mejorar la resistencia a la compresión del concreto. Sospecha que la
resistencia es una función de la concentración de un aditivo. Decide investigar con distintas
concentraciones: 5, 10, 15, 20 y 25 %. Han de tomarse cinco observaciones para cada
concentración de aditivo, empleando una planta piloto. Las 25 observaciones necesarias se realizan
en forma aleatoria, y los datos obtenidos se muestran en la tabla.
Tabla 1.1: Resistencia a la compresión del concreto (PSI = lib/pulg2 )
TRATAMIENTOS
Concentración del aditivo TOTAL
7
5% 10% 15% 20% 25%

7 12 14 19 7
7 17 18 25 10
15 12 18 22 11
11 18 19 19 15
9 18 19 23 11
TOTALES(Ti) 49 77 88 108 54 376
Numero de observaciones 5 5 5 5 5 25
Medias(ŷi) 9.8 15.4 17.6 21.6 10.8 15.04
Donde: Totales = T = ΣTi

Numero de observaciones = n
Ŷ = T/ n
¿Qué conclusiones se puede extraer con α = 0,05?
SOLUCION EJEMPLO 1
1. Modelo: yij = μ + j + Ɛij (modelo a efectos fijos o de clasificación en un solo sentido)
2. Suposiciones:
• Se tiene 5 muestras
independientes Cada provisión
N(μj , σ2j).
• Poblaciones con variaciones
homogéneas: σ12 = σ22 = ... = σ52 = σ2
ΣΣ Ƭj = 0 y Ɛij DNI(O, σ2)
3. Hipótesis:
H0 : μ 1 = μ 2 = … = μ 5
H1 : No todas las 5 μ son iguales
4. Nivel de significación: α= 0.05
5. Prueba estadística: usamos la siguiente estadística de prueba.
Tyy (suma de cuadrados entre tratamientos)

F0 = -------- ----------------------------------------------------------- = F0.05,4,20
Eyy (suma de cuadrados del error experimental)
6. Regla de decisión:
Si Fc > Fα,(k - 1),(n - k) H0 se rechaza a un nivel de α
Si Fc ≤ Fα,(k - 1),(n - k) H0 no se rechaza.
7. Cálculos: se realizan los cálculos para obtener las estimaciones en la tabla ANOVA; es decir: El ANOVA
resultante se muestra en la siguiente tabla:
8
Tabla : análisis de resistencia para los datos de resistencia a la tensión.
Fuente de Suma de Grados de Cuadrados Cuadrado

variación cuadrados libertad medios medio F0
esperado
Tratamientos 475.76 4 118.94 14.76 0.00001
Error experi. 161.20 20 8.06
total 636.96 24 ---------
De la tabla se deduce que

F0.05,4,20 = 2.86 y F0 = 14.76
Entonces H0 se rechaza al nivel de 0.05
Se concluye que la concentración del aditivo influye de manera significativa en la resistencia

a la compresión del concreto.
INGRESAMOS LOS DATOS A MINITAB V 17 1
9
En
Comparisons
indicar los
En Option : indicar el Nivel
métodos de
de Confianza
comparación
múltiples de
Tukey y Fisher
10
En Graphs : indicar los gráficos realizar
En Storage : indicar visualizar resultados

de Ajustes (Fits) y Residuos (Residuals).
RESULTADOS CONCLUSIONES
Como p value = 0.000< 0.05, Se

Rechaza H0 y Se concluye que la
concentración del aditivo influye de
manera significativa en la resistencia
a la compresión del concreto.
INTERVALOS DE CONFIANZA AL 95% DE LAS RESISTENCIAS A LA COMPRENSIÓN SEGÚN
11
CONCENTRACIONES DE ADITIVOS
COMPARACIONES MULTIPLES
Mediante el análisis de comparación múltiple de los métodos de Tukey y Fisher, se llega a la

conclusión que la concentración del aditivo, que genera la mayor Resistencia promedio a la compresión es la del
20%.
GRAFICO DE NORMALIDAD DE LOS RESIDUOS HISTOGRAMA DE LOS RESIDUOS
12
Histogram
(response is Resistencia)
0
-4 -2 0 2 4
Residual
GRAFICA DE INTERVALOS DE
CONFIANZA DE LA RESISTENCIA Y
13
(Concentración de aditivo al 10%) existe mayor variabilidad o dispersión en sus datos y en el

tratamiento 3 (Concentración de aditivo al 15%) de forma contraria existe una menor variabilidad
o dispersión. También se logra con la observación determinar que el tratamiento con mayor
resistencia a la compresión es el tratamiento 4 (Concentración de aditivo al 20%) y el tratamiento
14
con menor resistencia es el tratamiento 1 (Concentración de aditivo al 5%). Esto quedó confirmado
con el análisis del Diseño completo al Azar.
Ejemplo 2: Los datos del experimento corresponden a la Resistencia a la tensión de fajas
utilizadas en poleas para trabajos de construcción, cuando se han utilizado los porcentajes de
algodón indicados en la tabla.
Porcentaje Resistencia a la Tensión

de algodón 1 2 3 4 5
15 5 8 15 11 9
20 12 17 12 18 18
25 17 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
FUENTE: Diseño y Análisis de Experimentos de Montgomery
a) ¿Cuál es el objetivo del análisis de los datos de este experimento?

b) ¿Cuál es el diseño experimental que se empleará en este caso?¿Cuál es el modelo estadístico que
le corresponde a dicho diseño? Bajo que supuestos?. Enumérelos
c) ¿Cuál es el análisis estadístico que le corresponde a estos datos ?
d) Realice el análisis correspondiente
e) Previo al análisis ejecutado ¿Qué hubiera sido preciso realizar? Hágalo
f) Cuál es el aporte en el análisis de datos, lo ejecutado en e)?.
SOLUCION EJEMPLO 2
a) ¿Cuál es el objetivo del análisis de los datos de este experimento?

El objetivo es saber ¿Cómo influye el porcentaje de algodón en la Resistencia a la tensión de
las fajas?.
b) ¿Cuál es el diseño experimental que se empleará en este caso?¿Cuál es el modelo

estadístico que le corresponde a dicho diseño? Bajo que supuestos?. Enumérelos
El diseño experimental a emplear es el Diseño Completamente Aleatorizado, al cual le
corresponde el siguiente modelo:
Yij = u + j + ei j ; i = 1, 2, ... , n
j = 1, 2, ... , k ; modelo a efectos fijos
Donde :
: Es una constante e indica el efecto medio verdadero; parámetro común a todos TT 0S.
15
j : Es el efecto diferencial del nivel. Recoge la importancia de cada tratamiento.y es el objetivo
del análisis.
ei j : incluye los efectos de todos los otros factores extraños. Es un término de error , considerado como
variable aleatoria
Puede probarse la hipótesis:
H0 : 1= 2= . . . = k
H1 : No todas las µ j son iguales
Si las medias de las poblaciones son iguales, cada efecto del tratamiento es igual a cero,
de modo que alternativamente la hipótesis puede enunciarse como:
H0 : j = 0; j=1, 2, . . . k
H1 : j 0
Se elige el nivel de significación :

Todo esto bajo los supuestos de que:
1) El Modelo es Lineal
2) El Modelo es Aditivo
3) Los ei j  N (0, 2 I ).
c) ¿ Cuál es el análisis estadístico que le corresponde a estos datos ? Se

desarrollará el Análisis de Varianza para el modelo de efectos fijos
d) Realice el análisis correspondiente

Con ayuda del paquete estadístico MINITAB 17. realizamos el Análisis correspondiente
H0 : j = 0; ( el efecto de los tratamientos son nulos)
16
H1 : j 0 ( efecto de los tratamientos son diferentes) Nivel
de significación α = 0,05
Indicar la variable respuesta

que es la Resistencia a la
tensión y el Factor o variable
respuesta es el “% de
Algodón”.
En
Comparisons
indicar los
métodos de
En Option: indicar el Nivel
comparación
de Confianza
múltiples de
Tukey y Fisher
RESULTADOS CONCLUSIONES
17
Como p value = 0.000< 0.05, Se

Rechaza H0 y Se concluye que el
porcentaje de algodón influye de
manera significativa en la
resistencia a la tensión de las
fajas.
COMPARACIONES MULTIPLES
Mediante el análisis de comparación múltiple de los métodos de Tukey y Fisher, se llega a la

conclusión que el porcentaje de Algodón, que genera la mayor Resistencia promedio a la tensión es del
30%.
e) Previo al análisis ejecutado ¿Qué hubiera sido preciso realizar? Hágalo
Hubiera sido preciso realizar un Análisis exploratorio de Datos que nos permitiera como actividad
principal revisarlos para saber como es su comportamiento y así poder asignarle un modelo
adecuado.
18
Boxplot of Resistencia Tensión

25
20
15
10
15.00% 20.00% 25.00% 30.00% 35.00%

% de algodón
f) Cuál es el aporte en el análisis de datos, lo ejecutado en e)?.
1) Mediante las representaciones visuales es fácil descubrir el modo de

comportarse de los datos.
2) Este método requiere que la atención del analista se centre en los residuales o
lo que queda después de haber aplicado algún tipo de análisis.
3) Mediantes transformaciones matématicas simples, como por ejemplo, el

logaritmo y la raíz cuadrada , los análisis no solo se simplifican sino que
adquieren una mejor claridad.
4) El carácter resistente, propio de estos métodos, garantizan el hecho de que los

valores de datos extraños o poco corrientes no influyan indebidamente los
resultados de un análisis.
II. DISEÑO DE BLOQUES COMPLETOS ALEATORIOS
19
Ademas de probar el efecto de los Bloques

𝑯𝟎 = 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒃 = 𝟎
𝑯𝟏 = 𝜷𝒋 ≠ 𝟎 𝒑𝒂𝒓𝒂 𝒂𝒍𝒎𝒆𝒏𝒐𝒔 𝒖𝒏𝒂 𝒋
Tabla 1: Análisis de varianza de un diseño de Bloques completos Aleatorios
Fuente de Suma de Grados de Cuadrado

F0
Variación Cuadrados Libertad Medio
20
Ejemplo 3:
Se realizó un experimento para determinar el efecto de cuatro sustancias químicas diferentes sobre
la resistencia de un material. Estas sustancias químicas se usan como parte del proceso de acabado
del planchado permanente. Se seleccionaron cinco tipos de material, y se corrió un diseño de bloques
completos aleatorizados para probar cada tipo de sustancia química sobre cada tipo de material de
forma aleatoria. Se muestran a continuación los datos, lo que se desea probar es las diferencias de
las medias utilizando el análisis de varianza con α=0.01.
Tabla 1: Datos de la Resistencia del material: Diseño de Bloques completos Aleatorios
Tipo de Tipo de Material

Sustancia
química 1 2 3 4 5
1 1.3 1.6 0.5 1.2 1.1
2 2.2 2.4 0.4 2.0 1.8
3 1.8 1.7 0.6 1.5 1.3
4 3.9 4.4 2.0 4.1 3.4
Las hipótesis a probar son:
I) Con respecto a tratamientos (Tipo de Sustancia Química)
𝑯𝟎 = 𝝉𝟏 = 𝝉𝟏 = ⋯ = 𝝉𝒃 = 𝟎 (El tipo de sustancia química NO influye de manera altamente significativa en la resistencia del material)
𝑯𝟏 = 𝝉𝒊 ≠ 𝟎 (Al menos un tipo de sustancia química influye de manera altamente significativa en la resistencia del
material)
II) Con respecto a Bloques (Tipo de Material)
𝑯𝟎 = 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒃 = 𝟎 (El tipo de material NO influye de manera altamente significativa en la resistencia del material)
𝑯𝟏 = 𝜷𝒋 ≠ 𝟎 (Al menos un tipo de material influye de manera altamente significativa en la resistencia del
material)
Ingresando los datos en MINITAB V. 17.
21
22
I) Como p value para el Tipo de

RESULTADOS Sustancia Química = 0.000< 0.01, Se
Rechaza H0 y Se concluye que al menos
un Tipo de sustancia química influye de
manera altamente significativa en la
resistencia del material.
II) Como p value para el Tipo de

Material= 0.000 < 0.01, Se Rechaza H0 y
Se concluye que al menos un Tipo de
material, influye de manera altamente
significativa en la resistencia del material.
III. DISEÑO CUADRADO LATINO

El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la
asignación de los tratamientos al azar en las unidades, de tal forma que en cada fila y en cada
columna se encuentren todos los tratamientos constituye un diseño cuadrado latino.
Características:
1. Las unidades experimentales se distribuyen en grupos, bajo dos criterios de homogeneidad dentro
de la fila y dentro de la columna y heterogeneidad en otra forma.
2. En cada fila y en cada columna, el número de unidades es igual al número de tratamientos.
3. Los tratamientos son asignados al azar en las unidades experimentales dentro de cada fila y dentro
de cada columna.
4. El número de filas = número de columnas = número de tratamientos.
5. Los análisis estadísticos T-student, Duncan, Tuckey y en pruebas de contraste se procede como el
diseño completo al azar y el diseño de bloques. La desviación estandar de la diferencia de promedios
y la desviación estandar del promedio, están en función del cuadrado medio del error experimental.
El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field Experiments, J.
Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones fueron en el campo agronómico,
especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones.
Modelo estadístico.
Cada observación del experimento es expresado como una relación lineal de los efectos involucrados (tratamiento,
fila y columna), así:
𝒀𝒊𝒋𝒉 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝛾ℎ + 𝑖𝑗ℎ con i,j,h = 1,2,…,k
𝜇 = Efecto medio( parámetro del modelo) 𝜏𝑖

= Efecto del tratamiento i.
𝛽𝑗 = Efecto producido por el j-ésimo nivel del factor fila j.
𝛾ℎ = Efecto producido por el í-ésimo nivel del factor columna h
𝑖𝑗ℎ =Error experimental de la u.e.i.j
𝒀𝒊𝒋𝒉 = Observación en la unidad experimental
23
Ejemplo 4
Para estudiar el efecto del Tipo de iluminación (A=natural, B=muy fuerte, C=escasa) en la velocidad
de lectura, se realiza un experimento que consiste en contar el número de palabras leídas en un
minuto en distintos tipos de papel (b=blanco, c=en color, s=satinado) y diferente tipografía (g=letra
grande, p=letra pequeña, n=normal). Los resultados obtenidos son los de la tabla adjunta. Analizar
con α= 0.05, estos datos y estudiar la posible influencia de los factores iluminación, tipos de papel y
diferente tipografía en la variable Velocidad de Lectura.
Tipo de Papel
Letra
Satinado Blanco Color
Grande 258 A 230 C 240 B
Normal 235 B 270 A 240 C
Pequeña 220 C 225 B 260 A
SOLUCIÓN Ejemplo 4
I) Con respecto a tratamientos (Tipo de Iluminación) Cuadrado Latino
𝑯𝟎 = 𝝉𝟏 = 𝝉𝟏 = ⋯ = 𝝉𝒌 = 𝟎 (El tipo de Iluminación NO influye de manera significativa en la Velocidad de lectura) 𝑯𝟏 = 𝝉𝒊

≠𝟎 (Al menos un tipo de Iluminación influye de manera significativa en la Velocidad de lectura).
II) Con respecto a Filas (Tamaño de Letra)
𝑯𝟎 = 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒌 = 𝟎 (El tamaño de letra NO influye de manera significativa en la Velocidad de lectura)

𝑯𝟏 = 𝜷𝒋 ≠ 𝟎 (Al menos un tamaño de letra influye de manera significativa en la Velocidad de lectura)
III) Con respecto a Columnas (Tipo de Papel)
𝑯𝟎 = 𝜸𝟏 = 𝜸𝟐 = ⋯ = 𝜸𝒌 = 𝟎 (El tipo de Papel NO influye de manera significativa en la Velocidad de lectura) 𝑯𝟏 = 𝜸𝒉

≠𝟎 (Al menos un tipo de Papel influye de manera significativa en la Velocidad de lectura)
24
25
Se Rechaza H 0 y Se concluye que al menos un Tipo de Iluminación concluye que al menos un Tipo de Letra influye de manera significativa en
influye de manera significativa en la Velocidad de lectura. la Velocidad de lectura.
III) Como p value para Tipos de Papel = 0.066 > 0.05, se Acepta H0 y Se concluye que el tipo de Papel NO influye de manera significativa en la
Velocidad de lectura.
IV. DISEÑO CUADRADO GRECOLATINO
Modelo estadístico.
Cada observación del experimento es expresado como una relación lineal de los efectos involucrados
(tratamiento, fila y columna), así:
𝒀𝒊𝒋𝒉𝒍 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝛾ℎ + 𝛿𝑙 + 𝑖𝑗ℎ𝑙 con i,j,h, l = 1,2,…,k
𝜇 = Efecto medio( parámetro del modelo)

𝜏𝑖 = Efecto del tratamiento i.(letras latinas)
𝛿𝑙 = Efecto del tratamiento l ( letras grecolatinas)
𝛽𝑗 = Efecto producido por el j-ésimo nivel del factor fila j.
𝛾ℎ = Efecto producido por el í-ésimo nivel del factor columna h
𝑖𝑗ℎ𝑙 =Error experimental de la u.e.i.j
𝒀𝒊𝒋𝒉𝒍 = Observación en la unidad experimental
Ejemplo 5
Se compara el rendimiento de cinco procesos de fabricación (A, B, C, D,E) en cinco

condiciones experimentales (α,β,ϒ,δ,ξ), cinco métodos distintos y en cinco días diferentes,
sobre la Resistencia de un material. El Diseño y los resultados se indican en el cuadro
adjunto.
Día
Método
1 2 3 4 5
1 Aα 24 Bϒ 20 Cξ 19 Dβ 24 Eδ 24
2 Bβ 17 Cδ 24 Dα 30 Eϒ 27 Aξ 36
3 Cϒ 18 Dξ 38 Eβ 26 Aδ 27 Bα 21
4 Dδ 26 Eα 31 Aϒ 26 Bξ 23 Cβ 22
5 Eξ 22 Aβ 30 Bδ 20 Cα 29 Dϒ 31
26
Realizar la prueba correspondiente con α=0.05.
SOLUCIÓN Ejemplo 5
I) Con respecto a tratamientos (Proceso de fabricación) Cuadrado Latino
𝑯𝟎 = 𝝉𝟏 = 𝝉𝟏 = ⋯ = 𝝉𝒌 = 𝟎 (Los procesos de fabricación NO influyen de manera significativa en la Resistencia del Material)

𝑯𝟏 = 𝝉𝒊 ≠ 𝟎 (Al menos un proceso de fabricación influye de manera significativa en la Resistencia del
Material)
II) Con respecto a Filas (Método)
𝑯𝟎 = 𝜷𝟏 = 𝜷𝟐 = ⋯ = 𝜷𝒌 = 𝟎 (El Método NO influye de manera significativa en la Resistencia del Material)

𝑯𝟏 = 𝜷𝒋 ≠ 𝟎 (Al menos un Método influye de manera significativa en la Resistencia del Material)
III) Con respecto a Columnas (Día)
𝑯𝟎 = 𝜸𝟏 = 𝜸𝟐 = ⋯ = 𝜸𝒌 = 𝟎 (Los Días NO influyen de manera significativa en la Resistencia del Material)

𝑯𝟏 = 𝜸𝒉 ≠ 𝟎 (Al menos uno de los Días influye de manera significativa en la Resistencia del Material)
IV) Con respecto a tratamiento (Condiciones experimentales) cuadrado Greco Latino
𝑯𝟎 = 𝜹𝟏 = 𝜹𝟐 = ⋯ = 𝜹𝒌 = 𝟎 (Las Condiciones Experimentales NO influyen de manera significativa en la Resistencia del Material)
𝑯𝟏 = 𝜸𝒍 ≠ 𝟎 (Al menos uno de las Condiciones Experimentales influye de manera significativa en

la Resistencia del Material)
27
Ingresando los datos en MINITAB V. 17.

1
2
28
RESULTADOS
I) Como p value para procesos de fabricación =0.003 < 0.05, Se Rechaza H0, Se concluye que Al menos un proceso de fabricación
influye de manera significativa en la Resistencia del Material
II) Como p value para significativa en la Resistencia del MaterialMétodos =0.178 > 0.05 , Se Acepta H0, Se concluye que El
Método NO influye de manera
III) Como p value para Días =0.033 < 0.05, Se Rechaza H0, Se concluye que Al menos uno de los Días influye de manera significativa
en la Resistencia del Material
IV) Como p value para Condiciones Experimentales =0.208> 0.05, Se Acepta H0, Se concluye que Las Condiciones Experimentales
NO influyen de manera significativa en la Resistencia del Material.
Ejercicio 1
29
Un experimentador estudia los efectos que contiene cinco formulaciones diferentes de carga propulsora utilizada en los
sistemas de expulsión de la tripulación de un avión basado en la rapidez de combustión. Cada formulación se hace un
lote de materia prima que solo alcanza para probar cinco formulaciones. Además, las formulaciones son preparadas por
varios operadores, y puede haber diferencias sustanciales en las habilidades y experiencia de los operadores. También
se considera que los montajes de prueba pueden ser importantes, ya que hay cinco montajes de prueba diferentes. Una
vez que se ha corrido el experimento se recolectaron los datos que a continuación se muestran. Realice el análisis de
varianza que verifique si existe una diferencia en la media de la rapidez de combustión, generada por las diferentes
formulaciones de carga propulsora, tomando en cuenta un nivel de significancia de α= 0.05
Lotes de Operadores
Materia Prima
1 2 3 4 5
1 Aα 23 Bϒ 20 Cξ 18 Dβ 23 Eδ 23
2 Bβ 16 Cδ 23 Dα 29 Eϒ 26 Aξ 35
3 Cϒ 17 Dξ 37 Eβ 25 Aδ 26 Bα 20
4 Dδ 25 Eα 30 Aϒ 25 Bξ 22 Cβ 21
5 Eξ 21 Aβ 29 Bδ 19 Cα 28 Dϒ 30
Ejercicio 2
Un ingeniero desarrolla un experimento para comparar cinco procedimientos de fabricación de ladrillo de concreto, en
el cual usa material de cinco mezclas preparadas cada una de ellas en cada uno de cinco días consecutivos y preparados
en cinco máquinas diferentes. (Tomado de WALPOLE R.E, MYERS R.H, MYERS S.L: “ Probabilidad y Estadística para
Ingenieros. Ed . Prentice Hall”)
Dias
Mezclas
1 2 3 4 5
1 Aα 1 Bϒ 0 Cξ 4 Dβ 0 Eδ 1
2 Bβ 3 Cδ 4 Dα 1 Eϒ 5 Aξ 3
3 Cϒ 2 Dξ 5 Eβ 0 Aδ 0 Bα -1
4 Dδ -1 Eα 2 Aϒ 1 Bξ 1 Cβ 4
5 Eξ 0 Aβ 1 Bδ -3 Cα -3 Dϒ 1
30
31

Análisis de Varianza 1

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Análisis de Varianza 1

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD NACIONAL DE CAJAMARCA

El análisis de la varianza (ANOVA, ANalysis Of VAriance, según terminología inglesa) es una

El análisis de varianza para los diversos diseños, sigue el siguiente procedimiento:

1°. Modelo.- El modelo insistirá de una representación simbólica de un valor

I. DISEÑO COMPLETAMENTE ALEATORIZADO (DCA)

Es posible describir las observaciones de la tabla mediante el modelo estadístico lineal.

Donde : Yi j : ij-ésima observación.

Ɛi j : incluye los efectos de todos los otros factores extraños

Representación simbólica de los datos en un D.C.A

Medias 𝑥̅.1 𝑥̅..2 . . . 𝑥̅..k

Suposiciones para el modelo de efectos fijos :

d). Los Ɛi j DNI (0, 2).

Puede probarse la hipótesis:

H1 : No todas las u j son iguales

Se elige el nivel de significación α :

σ21 = σ22 = . . . = σ2k

Fig: 1 µ1=µ2= . . . =µk µ1 µ2 … µk

Se Desarrollará el análisis de varianza para el modelo de efectos fijos, clasificación en un sentido,

Partición de la suma de cuadrados:

Si se agrupa términos y se desarrolla, se tendrá :

(Suma de cuadrados dentro) (Suma de cuadrados entre)

5. TABLA: ANALISIS DE VARIANZA PARA UN DISEÑO C.A.

Fuente de Suma de cuadrados Grados Media de cuadrados F0

SCTR =∑ T.J2/n -T..2/N CMTR = SCTR/(k-1) F0 = CMTR/CME

Se rechaza Ho si F> F , k-1, N-k

Tabla 1.1: Resistencia a la compresión del concreto (PSI = lib/pulg2 )

5% 10% 15% 20% 25%

Donde: Totales = T = ΣTi

¿Qué conclusiones se puede extraer con α = 0,05?

1. Modelo: yij = μ + j + Ɛij (modelo a efectos fijos o de clasificación en un solo sentido)

4. Nivel de significación: α= 0.05

5. Prueba estadística: usamos la siguiente estadística de prueba.

Tyy (suma de cuadrados entre tratamientos)

Tabla : análisis de resistencia para los datos de resistencia a la tensión.

Fuente de Suma de Grados de Cuadrados Cuadrado

De la tabla se deduce que

Se concluye que la concentración del aditivo influye de manera significativa en la resistencia

INGRESAMOS LOS DATOS A MINITAB V 17 1

En Graphs : indicar los gráficos realizar

En Storage : indicar visualizar resultados

Como p value = 0.000< 0.05, Se

INTERVALOS DE CONFIANZA AL 95% DE LAS RESISTENCIAS A LA COMPRENSIÓN SEGÚN

Mediante el análisis de comparación múltiple de los métodos de Tukey y Fisher, se llega a la

GRAFICO DE NORMALIDAD DE LOS RESIDUOS HISTOGRAMA DE LOS RESIDUOS

(Concentración de aditivo al 10%) existe mayor variabilidad o dispersión en sus datos y en el

Porcentaje Resistencia a la Tensión

a) ¿Cuál es el objetivo del análisis de los datos de este experimento?

a) ¿Cuál es el objetivo del análisis de los datos de este experimento?

b) ¿Cuál es el diseño experimental que se empleará en este caso?¿Cuál es el modelo

j = 1, 2, ... , k ; modelo a efectos fijos

j : Es el efecto diferencial del nivel. Recoge la importancia de cada tratamiento.y es el objetivo

Puede probarse la hipótesis:

Se elige el nivel de significación :

c) ¿ Cuál es el análisis estadístico que le corresponde a estos datos ? Se

d) Realice el análisis correspondiente

H0 : j = 0; ( el efecto de los tratamientos son nulos)

H1 : j 0 ( efecto de los tratamientos son diferentes) Nivel

Indicar la variable respuesta

Como p value = 0.000< 0.05, Se

Mediante el análisis de comparación múltiple de los métodos de Tukey y Fisher, se llega a la

e) Previo al análisis ejecutado ¿Qué hubiera sido preciso realizar? Hágalo

Boxplot of Resistencia Tensión

15.00% 20.00% 25.00% 30.00% 35.00%

f) Cuál es el aporte en el análisis de datos, lo ejecutado en e)?.