Clase Diseño

Universidad Mayor de San Andrés
Diseño Experimental (Análisis de Varianza)
1 Introducción
1.1 Conceptos de Diseño Experimental
Un experimento (ensayo, observación) es una prueba..
..y un experimento diseñado es una prueba o una serie de pruebas en la/s cual/es se hacen cambios
intencionales y planificados a variables del proceso o del sistema, manera que se puedan observar e
identificar los cambios y las razones de dichos cambios en los resultados del experimento.
Diseñar un experimento significa planear el mismo de modo que en su desarrollo se reúna

información relevante al problema bajo investigación.
Planear un experimento es definir la secuencia completa y controlada de actividades a llevar a cabo
para asegurar que los resultados de dicho experimento permitan un análisis objetivo del mismo y
conduzca a deducciones válidas con respecto al problema establecido.
16/05/2019 Jaime Ortega 1

1 Introducción
Un experimento aleatorio es aquel que, repetido bajo las mismas condiciones iniciales, da lugar a
resultados distintos, sin que exista una forma de predecir los resultados.
Si consideramos varios experimentos aleatorios ejecutados simultáneamente o por etapas,

estamos ante un experimento aleatorio compuesto. Un resultado elemental de este
experimento será el conjunto de resultados obtenidos en los experimentos simples que lo
componen.

1 Introducción
Ejemplo de experimento aleatorio: Una empresa de bolsa, para recomendar un valor para
compra, examina la cotización de las acciones de un gran número de compañías.
Resultados: encuentra que el 25%tuvo un crecimiento superior a la media, el 25% inferior y

el 50% restante se mantuvieron alrededor de la media.
Para la próxima campaña, calificarán para compra el 40% de los valores que crecieron por
encima de la media como valores recomendados, al igual que un 20% de los que crecieron
alrededor de la media y un 10% de los que tuvieron un crecimiento inferior.

Diseño Experimental
1 Introducción
Proceso
Un proceso o un sistema en estudio se puede entender como
una combinación de maquinas, métodos, personas y
cualquier otro recurso que transforme algún material
(tangible o no tangible) de entrada en
material/comportamiento de salida y que tiene una o más
respuestas observables.
Todo proceso puede ser caracterizado en términos de

variables controlables (xi), variables no-controlables (wi)
y respuestas (yi).

1 Introducción
Objetivos Entre otros, los objetivos de un experimento son:
1. Determinar las variables controlables (xi) de mayor influencia en las respuestas (yi).
2. Determinar las zonas de valores de las variables controlables (xi) tal que las respuestas (yi) estén
cerca de los valores deseados (esperados, buscados, estimados).
3. Determinar los rangos de valores de las variables (xi) de tal manera que la variabilidad de las
respuestas sea pequeña.
4. Determinar los grupos de valores de las variables tal que los efectos de las variables no-
controlables, (wi), sean mínimos.

1 Introducción
Ejemplo: Se desea estudiar el efecto de dos procesos de separación de líquidos de un gas natural:
separación con solventes y mecánica. El objetivo del experimento es determinar el proceso de
separación que produce el mayor rendimiento (cantidad de hidrocarburo líquido). Para esto se propone
emplear varias muestras en cada procedimiento y luego medir la cantidad de líquido obtenido. Antes de
llevarse a cabo el grupo de pruebas, deben responderse las siguientes preguntas:
1. ¿Son estos los únicos medios de separación de líquidos del gas natural?
2. ¿Cuales son los factores que afectan el rendimiento y deben ser controlados durante la ejecución de las
pruebas
3. ¿Cuantas muestras deben ser empleadas en cada procedimiento?

1 Introducción
4. ¿En qué orden se deben realizar las pruebas y como se las identificará?
5. ¿Qué métodos de análisis de datos deben emplearse?
6. ¿Qué diferencia en el promedio de los rendimientos observados observadas se considerará significativo?

1 Introducción
Ejemplo: Se desea conocer el efecto de simplificar trámites para obtener permisos de construcción: con
y sin visado del colegio de arquitectos. El objetivo del experimento es determinar el proceso
documentario que produce el mayor ahorro al sector privado. Para esto se propone emplear varias
muestras (solicitudes de permiso) en cada procedimiento y luego medir los gastos financieros
obtenidos. Antes de llevarse a cabo el grupo de pruebas, deben responderse las siguientes preguntas:
1. ¿Son estos los únicos formas de obtener permisos de construcción?
2. ¿Cuales son los factores que afectan el rendimiento (le emisión de permisos) y deben ser controlados
y/o tomados en cuenta durante la ejecución de las pruebas
3. ¿Cuántas trámites (muestras) deben ser empleadas en cada procedimiento?

1 Introducción
4. ¿En qué orden se deben realizar las pruebas (trámites) y como se las identificará?
5. ¿Qué métodos de análisis de datos deben emplearse?
6. ¿Qué diferencia en el promedio de los gastos observados observadas se considerará significativo?

1 Introducción
En resumen:
Diseño experimental es una técnica estadística que permite identificar y cuantificar las causas de un
efecto dentro de un estudio experimental.
En un diseño experimental se manipulan deliberadamente una o más variables para medir el

efecto que tienen en otra variable de interés.
El diseño experimental da una serie de pautas relativas qué variables hay manipular, de qué
manera, cuántas veces hay que repetir el experimento y en qué orden para poder establecer con
un grado de confianza predefinido la necesidad de una presunta relación de causa-efecto.

1 Introducción
1.2 Aplicaciones del Diseño Experimental
La aplicación del Diseño Experimental tiene por objeto:
Mejorar la productividad. Relación entre la cantidad de productos obtenida por un sistema productivo
y los recursos utilizados para obtener dicha producción.
Evaluar y optimizar al alteraciones de materiales, procedimientos, normas etc.
Seleccionar parámetros de diseño críticos de tal manera de obtener un producto robusto y de manara
eficiente

1 Introducción
1.2 Aplicaciones del Diseño Experimental - Ejemplo
Optimización de un proceso:
Supóngase que se desea mejorar el rendimiento
de un proceso químico que en la práctica se
efectúa a 155 grados y 1.7 horas, con 75 % de
rendimiento.
Por resultados previos de experimentos, se sabe
que las dos variables arriba mencionadas son las
más influenciables en el rendimiento. El gráfico
muestra líneas de rendimiento constante de 90,
95, 80, 75 y 70 % para diferentes combinaciones
de temperatura y tiempo.

1 Introducción
1.2 Aplicaciones del Diseño Experimental - Ejemplo
Optimización de un proceso:
Personal de la empresa no conoce la curva de

respuesta del proceso en ejecución. Para localizar la
región de valores óptimos, llevaron a cabo un
experimento factorial (que varía conjuntamente
tiempo y temperatura) cuyos resultados se muestran
en los vértices del cuadrado. Las respuestas
observadas indican que la experimentación, para
incrementar el rendimiento, debe moverse en la
dirección general de mayores temperaturas y
menores tiempos.

1 Introducción
1.3 Principios Básicos del Diseño Experimental
Se entiende por Diseño Estadístico de Experimentos al proceso de planificación de los mismos de tal
manera que los datos recolectados puedan ser analizados estadísticamente. La Planificación debe
cumplir con los tres principios siguientes:
Replicación, aleatoriedad y formación de grupos o bloques.
Replicación o Reproducción es la repetición del experimento básico. Tiene dos importantes

propósitos:
1. Permite obtener una estimación del error experimental el cual será la unidad de medida
2. Permite obtener una mejor estimación de los valores medidos en el experimento (efecto de un
cierto factor).
Uno de los errores más frecuentes es la pseudo replicación: réplicas que no son independientes entre sí.
1 Introducción
Aleatoriedad
Distribución aleatoria tanto del material experimental como del orden en el cual se llevan a cabo las pruebas
experimentales.
Esto permite eliminar factores "externos" que afecten los resultados. Entre otros, estos factores son:
obtención forzada de resultados deseados, "predisposición" de instrumentos a ciertas respuestas, uso de
materiales diferentes y/o dimensiones diferentes en diferentes rangos de experimentación, encuestas
falsamente aplicadas, etc.
Grupos o Bloques
Técnica empleada para incrementar la precisión de un experimento. Un bloque es una porción del
material experimental o de la población en estudio, que deber ser más homogéneo/a que el total del
material o población considerado para la experimentación.

1 Introducción
Grupos o Bloques
Un tanque lleno de aceite vegetal puede parecer homogéneo; sin embargo, en el fondo del tanque puede
depositarse un sedimento, que es una parte esencial del aceite por lo que el material del tanque no será
homogéneo. (experimento típico para control aduanero)

1 Introducción
1.4 Empleo de Técnicas Estadísticas en Experimentación
1. Debe emplearse primero los conocimientos de la física/regulación/mercado que gobierna el o los

procesos en estudio. La estadística no es substituta de conceptos físicos o económicos conocidos, y/o
de leyes aprobadas.
2. Los métodos estadísticos de diseño y análisis deben ser simples.
3.Se debe tener siempre en mente la significación estadística y la significación práctica. El obtener
resultados estadísticamente diferentes no implica que dichas diferencias tengan algún valor práctico.
4. Si no se conoce la física/razón de un problema, es poco práctico llevar a cabo experimentos y/o análisis
profundos de los mismos. Al principio de un trabajo, el conocimiento de rangos y niveles de
experimentación es intuitivo o simplemente no existe. Una ejecución secuencial de experimentos
iniciales, proveerá suficiente información para un subsiguiente y apropiado diseño experimental.

1 Introducción
1.5 Conclusiones
Los experimentos permiten establecer de manera unívoca mecanismos de causa y efecto, que ninguna
otra forma de investigación es capaz de lograr.
Los experimentos por si sólos no establecen las preguntas que la ciencia debe plantear antes de
llevarles a cabo.

2. Experimentos Comparativos Simples

muestra Nuevo Cemento
2.1. Introducción Cemento Portland
(kg/cm2) (kg/cm2)
Se considerarán experimentos para comparar 1 16.85 17.50
resultados de dos condiciones, fórmulas o 2 16.40 17.63
tratamientos. A menudo se conocen dichos 3 17.21 18.25
experimentos como “experimentos comparativos 4 16.35 18.00
simples”.
5 16.52 17.86
Ejemplo: La gerencia de una empresa de cemento 6 17.04 17.75
necesita saber si la resistencia a la tracción de un 7 16.96 18.22
cemento portland es mayor o menor a la de un 8 17.15 17.90
nuevo cemento al que se le han añadido emulsiones
9 16.59 17.96
de un cierto polímero. Los datos observados de la
10 16.57 18.15
resistencia a la tracción de 10 observaciones de cada
cemento. media 16.76 17.92

2. Experimentos Comparativos Simples muestra Nuevo Cemento

2.1. Introducción Cemento Portland
(kg/cm2) (kg/cm2)
Datos sugieren que la resistencia del cemento 1 16.85 17.50
Portland es mayor a la del nuevo cemento pues 2 16.40 17.63
diferencia de promedios parece ser significativa; sin 3 17.21 18.25
embargo no es obvio que dicha diferencia sea lo 4 16.35 18.00
suficientemente grande para concluir que ambos 5 16.52 17.86
cementos son diferentes. 6 17.04 17.75
Es posible que otras dos muestras arrojen resultados 7 16.96 18.22
opuestos. Una técnica estadística llamada Test de 8 17.15 17.90
Hipótesis o de Significación puede emplearse para 9 16.59 17.96
ayudar al investigador a comparar los dos tipos de 10 16.57 18.15
cementos. media 16.76 17.92

2.1. Repaso de Conceptos Estadísticos

Cada uno de los resultados del experimento anterior difiere de los otros. Esta fluctuación o "ruido" implica la
existencia de un error experimental. Si se asume que dicho error es inevitable y no es controlable, entonces
se está en presencia de un error estadístico y por lo tanto la medición de la resistencia a la tracción es una
variable aleatoria siendo susceptible de análisis estadísticos.
Distribuciones de Probabilidad
Función de probabilidad de una variable aleatoria es una función que asigna a cada suceso definido sobre
la variable aleatoria, la probabilidad que dicho suceso ocurra.
La estructura de probabilidad de una variable aleatoria, llámese ésta y o (Y), se describe por su distribución
de probabilidades. Si y es discreta, a la distribución de probabilidades de y, p(y), se le llama función de
probabilidad de y . Si y es continua, la distribución de probabilidad de y, f(y), es denominada función de
densidad de y .


La figura ilustra distribuciones hipotéticas de probabilidad. Nótese que en la distribución de
probabilidad discreta, es la altura de la función p(y) la que representa la probabilidad. En el caso
continuo, la probabilidad está representada por el área bajo la curva f(y), asociada a un intervalo.

Las propiedades de las distribuciones de probabilidad se pueden resumir de la siguiente manera:
y discreta: y continua:
0  p( y j )  1  yj 0  f ( y)
b
p (a  y  b)   f ( y )dy
p( y  y j )  p( y j )  yj a

 f ( y )dy  1
 p( y )  1
todos y j
j


Teoría de Probabilidades
DISTRIBUCIONES CONTINUAS
Para el caso de estimar la

probabilidad que y sea mayor o
menor a un valor dado, b, se
tiene:


Media, Varianza y Valores Esperados
La media o esperanza matemática de una distribución de probabilidades es una medida de su tendencia

central. Matemáticamente, la esperanza de una variable aleatoria, E(y) se define de la siguiente manera:

 yf ( y )dy y continua

E ( y)  
 yp ( y )
y
todo
y discreta

En general se designa a E(y)=μ. En algunas distribuciones, μ es un parámetro de la Distribución de

Probabilidades.

Ejemplo: Supóngase que la variable aleatoria y es el número que queda hacia arriba al lanzar un
1
dado legal. La función de probabilidad correspondiente es 𝑝(𝑦) = para y = 1, 2, 3, 4, 5, 6
6
Por consiguiente:
6
1 1 1 1 1 1
𝐸 𝑦 = 𝑝(𝑦) 𝑦𝑖 = 1 +2 +3 +4 +5 +6 = 3.5
6 6 6 6 6 6
1
Significa que 3.5 es el valor central de la distribución.

NO es necesario que el valor esperado sea un valor posible de la variable aleatoria.
También se interpreta en el sentido que en 10 ejecuciones del experimento, por ejemplo, se espera que la
suma de los números obtenidos sea de (10)(3.5) = 35


La dispersión de una distribución de probabilidades se mide por la Varianza:
La Varianza se emplea de manera tan extensa que es conveniente definir un operador V tal que:
V ( y )  E ( y  u ) 2 
En general se designa a V(y) = σ2. En algunas distribuciones, σ es un parámetro de la Distribución

de Probabilidades.


La dispersión de una distribución de probabilidades se mide por la Varianza:

  
2
y u f ( y )dy y continua

 
2

y   p( y)
2
todo y u y discreta



Si y es una variable aleatoria con media μ y varianza  2 y c es una constante, entonces:
1 E (c )  c
2 E ( y)  
3 E (cy )  cE ( y )  c
4 V (c )  0
5 V ( y)   2
6 V (cy )  c 2V ( y )  c 2 2


En el caso de dos variables aleatorias, y1 y y2 con E ( y1 )  1 y V ( y1 )   1

2
E ( y2 )   2 y V ( y2 )   22
Si y1 y y2 son independientes, entonces:
E ( y1  y2 )  E ( y1 )  E ( y2 )  1   2
V ( y1  y2 )  V ( y1 )  V ( y2 )  12   22

2.3. Muestreo y Distribuciones Muestrales

Inferencia Estadística obtiene conclusiones acerca de una o varias características de una población vía
estudio de muestras extraídas de la misma. La mayoría de los métodos de análisis asumen muestras
aleatorias equiprobables; es decir, si la población contiene N elementos y ha de seleccionarse una muestra
de n de ellos, entonces las N!/( N  n)!n! posibles muestras tienen la misma probabilidad de ser elegidas.
𝑁𝐶
𝑁!
Donde
𝑛 =
𝑁 − 𝑛 ! 𝑛!
Un estadígrafo es cualquier función matemática de las observaciones hechas sobre una muestra que no
contiene parámetros desconocidos y aporta más información que la misma población.
Media Muestral
n
Sean y1 , y2 , y3 ,........yn
y i
representantes de una muestra, se define la Media Muestral como: y i 1
n
Varianza Muestral
Sean y1 , y2 , y3 ,........yn representantes de una muestra, se define la Varianza Muestral como:

n
 i
( y  y ) 2
S2  i 1
n 1
Media y Varianza Muestrales son medidas de la tendencia central y de la dispersión de la muestra

respectivamente. En ocasiones, la cantidad , llamada Desviación Estándar, es empleada como una medida
de la dispersión pues tiene las mismas unidades de la variable de interés, y.

Propiedades de la Media y Varianza Muestrales
La Media Muestral, 𝑦, es un estimador puntual de la Media Poblacional μ; y la Varianza Muestral, , es un

estimador puntual de la Varianza Poblacional . S2
1. Los estimadores puntuales son variables aleatorias.
2. Los estimadores puntuales son insesgados. Esto significa que el valor esperado del estimador puntual es
igual al parámetro que esta siendo estimado. Puede demostrarse que:
E( y)   E(S 2 )   2
3. Los estimadores puntuales tienen varianza mínima.
Se puede determinar la distribución de probabilidad de un estadígrafo si se conoce la distribución de
probabilidad de la población de la cual se extrajo la muestra. La distribución de probabilidad de un estadígrafo
se conoce como distribución muestral.
Distribución Normal Si y es una variable aleatoria normal, entonces la distribución de probabilidades de y es:
1
f ( y)  (1/ 2 )[( y   ) /  ]
 y 
2
e
 2
Donde μ es la media de la Distribución y 2 la Varianza.


Distribución Normal
Frecuentemente se emplea la
notación y ~ N(μ,σ2) para indicar
que y se distribuye "normal" con
media y varianza .


Distribución Normal Estándar
Un caso importante de la Distribución Normal es la Distribución Normal Estándar donde μ=0 y σ2 = 0 .
Si y ~ N(μ, σ2) , entonces la variable:

y
z

sigue la Distribución Normal Estándar, esto es: z ~ N(0,1).


Distribución Normal Estándar
Muchas técnicas de análisis estadístico asumen que la variable aleatoria en estudio se distribuye "normal".
Si se toman muestras aleatorias de tamaño n de poblaciones que obedecen la distribución normal, la

distribución de la media muestral, 𝑦, será también normal con la misma media y desviación estándar
𝜎 𝑛) . Es decir:
𝑦 ~ 𝑁(𝜇, 𝜎 𝑛)
Si la distribución de la población no fuese normal; la distribución de la media muestral, 𝑦 , será
aproximadamente normal si se analizan muestras razonablemente grandes (n > 30). Este resultado se conoce
como el Teorema del Límite Central.


Ejemplo
Se sabe que los diámetros de ejes fabricados por un cierto proceso se distribuyen “normal” con media μ =
2.5 cm y desviación estándar σ = 0.009 cm.
a) Indagar la distribución de la media muestral de los diámetros de una muestra de nueve ejes escogidos al
azar.
La distribución de la media muestral, 𝑦, será normal con media μ=2.5 cm y desviación estándar
 / n  0.009 / 9  0.003 cm


Ejemplo
b) Calcular la fracción de dicha medias muestrales que se espera que exceda los 2.505 cm.
Para calcular la probabilidad que P ( y  2.505) es necesario emplear la variable normal estándar:
 y  2.500 2.505  2.500   y  2.500 

P( y  2.505)  P    P   1.66  0.048
 0.003 0.003   0.003 


Teorema del Límite Central
Si y1 , y2 , y3 ,........yn es una secuencia de n variables aleatorias independientes de idéntica distribución,

con E ( yi )   , V ( yi )   2 y x  y1  y2 .... yn , entonces la variable:
x  n
zn 
n 2
tiene aproximadamente una distribución N(0,1).
En algunos casos, esta aproximación es adecuada para pequeños valores de n (n<10). En otros, se
requiere valores altos de n (n>100).


Teorema del Límite Central
El teorema central del límite es uno de los resultados fundamentales de la estadística. Este teorema nos dice
que si una muestra es lo bastante grande (generalmente cuando el tamaño muestral (n) supera los 30), sea
cual sea la distribución de la media muestral, la suma de las n variables, seguirá aproximadamente una
distribución normal estándar
Es decir, dada cualquier variable aleatoria, si extraemos muestras de tamaño n (n>30) y calculamos los
promedios muestrales, dichos promedios seguirán una distribución normal y la suma de dichos
promedios una distribución normal estándar.


Distribución Chi Cuadrado o Ji Cuadrado de Pearson χ2
Una importante distribución de probabilidades definida en términos de variables aleatorias normales, es

la Distribución χ2
Si z1 , z2 , z3 ,.......zi ....zk
son variables aleatorias normales e independientes con media 0 y varianza 1, entonces la variable
  z  z  .....z  .....z
2
k
2
1
2
2
2
i
2
k
sigue la Distribución Chi-cuadrado con k grados de libertad.


Curvas de densidad para 6, 12, 18, 24 y 30 grados de
La función de densidad Chi-cuadrado es:
libertad.
f ( ) 
2 1
 2  e
( k / 2 ) 1 2
/2
2  0
k/2  k 
2  
2


Para k = 2 la distribución es una distribución exponencial. Cuando k es suficientemente grande se aproxima

por la distribución normal
La Distribución Chi-cuadrado es asimétrica con media μ = k y σ2 =2k.
Una aplicación inmediata e importante de esta distribución es la siguiente:
Supóngase que y1 , y2 , y3 ,....... yi .... yn es una muestra aleatoria de una población N(μ , σ2).
y 
n
i  y
2
Entonces se cumple que:
i 1
~  n21
2

Distribución t de Student
Si las variables aleatorias z y  k2 son independientes, entonces la variable:
z
tk 
 k2 / k
Sigue la Distribución t de Student con k grados de libertad


La función de densidad de t es:
[(k  1) / 2] 1
f (t )  - < t < 
k (k / 2) [(t 2 / k )  1]( k 1) / 2
Siendo la media   0 y la varianza   k /(k  2) para k  2.

2

Distribución t de Student   0 y la varianza  2  k /(k  2) para k  2.

z
Una consecuencia de la definición de la variable t tk 
 k2 / k
Es que si y1, y2 .... yi ,.... yn
y
Es una muestra aleatoria de una población que se distribuye N(μ,σ2), entonces la cantidad:
S/ n
se distribuye t con n-1 grados de libertad.
Y la cantidad: ( y1  1 )  ( y2   2 ) se distribuye t con n1+n2-2 grados de libertad.

1 1
Sp 
n1 n2
Donde 𝑦1 , 𝑦2 son las medias muestrales
n1 y n2 son los tamaños de las muestras y Sp es un estimador de la varianza poblacional comun,
asumiendo que ambas poblaciones tienen la misma varianza
( y1  1 )  ( y2   2 )
Es un estadígrafo particularmente importante para comparar medias de
1 1
Sp  2 tratamientos.
n1 n2
(n1  1) S12  (n2  1) S22
El estimador Sp se calcula mediante: Sp 
n1  n2  2
Donde 𝑆12 , 𝑆22 son las varianzas muestrales individuales

Distribución F
La ultima distribución a considerar en este curso es la Distribución F.
Si u2 y v2 son dos variables aleatorias independientes chi-cuadrado, con u y v grados de libertad
respectivamente, entonces el radio
 u2 / u
F 2 sigue la distribución F con (u,v)grados de libertad
v / v
Si y11, y12 ,.....y1,n1 y y21, y22 ,.....y2,n
2
son muestras aleatorias independientes de n1 y n2 elementos, de varianza común σ2, de dos

poblaciones normales, entonces el radio S12
S 22
Sigue la distribución F con n1-1, n2-1 grados de libertad.

2.4 Análisis de Medias y Diseño Aleatorio
En esta sección se estudiará la forma en la cual datos de experimentos comparativos pueden ser analizados
empleando procedimientos de " test de hipótesis "
Test de Hipótesis
Una hipótesis estadística es una afirmación acerca de los parámetros de una distribución de probabilidad.
Por ejemplo, en el caso de cemento portland, se puede afirmar que las resistencias medias a la tracción de
los dos cementos son iguales. Tal afirmación o hipótesis puede enunciarse de la siguiente manera
H o : 1   2
H1 : 1   2
donde μ1 y μ2 son las resistencias medias de los dos cementos, Ho es la hipótesis nula, y H1 es la hipótesis
alternativa.


Para probar la hipótesis, el procedimiento consiste en tomar muestras aleatorias, calcular estadígrafos
apropiados y rechazar o aceptar la hipótesis nula Ho . En este procedimiento se cometen dos tipos de error:
  (error tipo I)  P(rechazar H o / H o es verdadera)
  (error tipo II)  P(no rechazar H o / H o is falsa )
El procedimiento general consiste en especificar un valor de probabilidad de ocurrencia del error del tipo
I o nivel de significación de tal manera que la probabilidad de ocurrencia del error del tipo II sea lo
suficientemente pequeño.
Ahora, supóngase que se desea un error del primer tipo del orden de α=0.05 o 5% y por tanto el
intervalo de confianza al aceptar Ho será de 0.95 (95%)

En términos gráficos, lo dicho anteriormente se puede representar en una Distribución de Densidad de

Probabilidades como:
Para rechazar la hipótesis nula, se debe calcular un valor de variable aleatoria que esté la zona azul.
2.4 Análisis de Medias y Diseño Aleatorio Dos poblaciones un mismo tratamiento
Para el caso del cemento Portland y del nuevo cemento, el investigador plantea H o : 1   2
que los dos cementos son iguales, con la objetivo de poder rechazar dicha H1 : 1   2
hipótesis. Lo que plantea, en términos matemáticos es:
( y1  1 )  ( y2   2 )
Se mencionó que la cantidad: 1 1 se distribuye t con n1+n2-2 grados de libertad
Sp 
n1 n2
y1  y2
Si μ1 = μ2 entonces la cantidad 1 1
También se distribuye t con n1+n2-2 grados de libertad
Sp 
n1 n2
(n1  1) S12  (n2  1) S 22

Donde Sp –estimador de la varianza común- se calcula mediante: S p 
2
n1  n2  2
Nuevo Cemento Cemento Portland
A partir de los datos
de la tabla de los
cementos se obtiene: y1  16.76 kg/cm 2 y2  17.92 kg/cm 2
S12  0.100 S12  0.061
S1  0.316 S1  0.247
n1  10 n1  10
9(0.100)  9(0.061)
El estimador de la S 
2
 0.081  S p  0.284
10  10  2
p
varianza común será:

y1  y2 y1  y2
Si denominamos to a la cantidad Es decir: to 
1 1 1 1
Sp  Sp 
n1 n2 n1 n2
Reemplazando los valores numéricos se tiene:
16.76  17.92
to   9.13
0.248 1/ 10  1/ 10
Ahora, supóngase que se desea un error del primer tipo del orden de α=0.05 o 5% y por tanto un
intervalo de confianza de la media poblacional, μ , de 0.95 (95%)

Mediante tablas, se ve que
para 18 grados de libertad y
0.025 (2.5%), el valor de t es
igual 2.101. Es decir:
tα/2 = t0.025,18= 2.101

Mediante tablas, se ve que para 18 grados de libertad y 0.025 (2.5%), el valor de t es igual 2.101. Es
decir:
tα/2 = t0.025,18= 2.101
Mientras que el valor calculado con

los datos experimentales es:
to  9.13 o t0  9.13
Por tanto: to  9.13  t0.025, 18

Se concluye que la hipótesis nula, no es verdadera y por tanto debe ser rechazada.
En otras palabras, las resistencias medias a la tracción de ambos cementos son diferentes.
2.4 Análisis de Medias y Diseño Aleatorio Una Población dos tratamientos
En algunos experimentos comparativos es posible incrementar la precisión haciendo comparaciones

mediante "pares correspondientes" de material experimental.
Por ejemplo, se miden los tiempos de un trámite empleando dos procedimientos o tratamientos que se
supone deben dar los mismos resultados. Se sospecha que dichos tiempos son diferentes.
Para probar o rechazar tal afirmación, un experimento puede diseñarse de la siguiente manera:
(1) tómese 20 expedientes de un mismo conjunto de trámites

(2) divídase al azar en dos porciones (muestras) iguales .
(3) háganse dos mediciones en cada muestra: una con el procedimiento 1 y otra con el
procedimiento 2
Después de llevar a cabo el experimento, se construye la siguiente tabla:

Muestra Tratamiento 1 Tratamiento 2 Si se calculan las j-ésimas diferencias apareadas se tiene:

(en días) (en días) d j  y1 j  y2 j j  1,2,.......10
1 7 6
2 3 3 1 2 dj
3 3 5 7 6 1
4 4 3 3 3 0
5 8 8 3 5 -2
6 3 2 4 3 1
7 2 4 8 8 0
8 9 9 3 2 1
9 5 4 2 4 -2
10 4 5 9 9 0
5 4 1
4 5 -1
En este caso, dj es la variable aleatoria de interés, siendo el valor esperado de las diferencias
E (d j )  E ( y1 j  y2 j )  E ( y1 j )  E ( y2 j )  1  2  d
Es posible analizar la diferencia de las medias, 1  2 mediante inferencias acerca de la media de las
diferencias  d
En otras palabras, examinar H o : 1  2 es equivalente a proponer
H o : d  0
H1 :  d  0

Recordemos que la cantidad: y se distribuye t con n-1 grados de libertad.

S/ n
d
Como μd = 0 : el estadígrafo para esta hipótesis será: to 
Sd / n
que se distribuye t con n-1 grados de libertad.
Donde:
 n (d  d ) 2 
1 n  j 
d  dj y Sd2   j 1 
n j 1  n 1 
 
 
 n (d  d ) 2 
d  j 
to  1 n
d  dj y Sd  
2 j 1

Sd / n n j 1  n 1 
 
 
Substituyendo los valores numéricos se tiene
𝑑 = −0.1 𝑦 𝑆𝑑2 = 1.4333 to  0.26
En tablas se obtiene: tα/2, n-1 = t0.025,9= 2.262
Como to  t0.025, 9 No se puede rechazar la hipótesis nula
Por tanto no hay evidencia que indique que ambos tratamientos producen diferentes tiempos.
2.5 Muestreo – Tamaño de la Muestra n
En estadística un muestreo es la técnica para la
selección de una muestra a partir de una población.
Si el tamaño de la muestra es más pequeño que el
tamaño de la población, se puede extraer dos o más
muestras de la misma población. Al conjunto de
muestras que se pueden obtener de la población se
denomina espacio muestral.
Se espera que la muestra sea representativa de la
población de la cual se extrae dicha muestra
Es decir, se espera conseguir que sus
propiedades sean extrapolables a la población
La toma de muestras debe seguir rigurosamente los tres principios básicos del Diseño Experimental:
Replicación, Aleatoriedad y Homogeneidad.

Muestreo Aleatorio Simple (M.A.S.)
El muestreo aleatorio simple sin sustitución se utiliza cuando cada una de las unidades de la población (de
tamaño N) tiene la misma probabilidad de ser elegida para integrar la muestra (de tamaño n);
consiguientemente, todas las posibles muestras de tamaño n tienen la misma probabilidad de ser elegidas.
Esta probabilidad es igual a f = n / N y se le denomina fracción de muestreo.

El tamaño de muestra depende de los parámetros que se desean estimar. Es decir, podemos estar
interesados en conocer una media poblacional (μ), una proporción poblacional (P), diferencias de
medias (μ1 -μ2) o una diferencia de proporciones (P1 – P2). Para cada uno de los casos mencionados
anteriormente existe una determinada fórmula para determinar el tamaño de la muestra.
A continuación, se presentan fórmulas para calcular el tamaño de muestra que permitan estimar la
media poblacional (μ) considerando una muestra aleatoria simple. se observa una diferencia (error
absoluto de estimación) entre el parámetro y su estimador respectivo, que lo denotamos por ε, es decir:
ε= 𝑦−𝜇

Población Finita N Donde:
Si se asume que el error se distribuye N : es el tamaño de la población

normal estándar, el tamaño de una
muestra que se extrae de una población ε : es el error máximo permisible que estamos
finita, para calcular μ, con un nivel de dispuestos a cometer para estimar μ para un nivel de
confianza (1-α), está dada por: confianza establecido. A E también se le conoce como
error absoluto o precisión de la estimación.
𝒁𝟐𝜶 𝟐 𝝈 𝟐𝑵
σ : es la desviación estándar de la población que puede
𝒏=
𝑵 − 𝟏 ε𝟐 + 𝒁𝟐𝜶 𝟐 𝝈𝟐 ser reemplazada por un estimador de una muestra
preliminar o “piloto” de tamaño mayor o igual a 30.

Zα/2 : es el valor de la variable aleatoria

normal estándar que corresponde al nivel
de confianza pre-establecido. Si (1-α) es
95 %, entonces α/2 es 2.5% por lo que el
valor de Z será el corresponderá a la
distribución acumulada de 97.5%. En
tablas, para 0.975, Z =1,96

Ejemplo: en una empresa que empaca 1,200 costales de fruta cada día, se desea conocer, con un
nivel de confianza del 95%, el peso promedio de los costales. Se hizo una medición piloto con 36
costales, obteniéndose una desviación estándar de un kilogramo: (σ = 1Kg). El error de muestreo
no debiese superar los 100 gramos (0.1 Kg).
Utilizando la fórmula:
2
𝑍𝛼/2 𝜎2 𝑁 1200 × 1.962 × 12
𝑛= 2 = 2 2 2
= 292
2
𝑁 − 1 ε + 𝑍𝛼/2 𝜎 2 1199 × 0.1 + 1.96 × 1

2.5 Muestreo – Tamaño de la Muestra n para diferencia de medias poblacionales
Para estimar el tamaño de muestras, de igual tamaño, cuando se analiza diferencia de medias, se emplea
la expresión:
𝒁𝟐𝟏−𝜶 − 𝝈𝟐𝟏 + 𝝈𝟐𝟐

𝒏=
𝜺𝟐
Empleando los valores del ejemplo del cemento Portland y del nuevo cemento, asumiendo un error de
muestreo de 0,6 Kg/cm2 y un nivel de confianza del 95%, se tiene:
2 − 𝜎 2 +𝜎 2
𝑍1−𝛼 1 2 1.962 −(0.3162 +0.2472 )
𝑛= = = 10
𝜀2 0.62

2.5 Muestreo – Tamaño de la Muestra n para diferencia de medias poblacionales
Tamaño de Muestra VS Error

El tamaño 400
es 368
sensitivo al 350
error de 300
muestreo:
250
200
163
150
100
92
59
50
41
23
14 10 8
0 6 5
0,1 0,15 0,2 0,25 0,3 0,4 0,5 0,6 0,7 0,8 0,9

3 Experimentos de Factor Simple: Análisis de Varianza
Una empresa de fabricación de telas está interesada en maximizar la resistencia a la tracción de una
nueva fibra sintética que será empleada en la industria textil, por lo que comisiona a un ingeniero de
materiales hacer un estudio que combine dichas fibras sintéticas con fibras de algodón.
Por experiencia previa, el ingeniero sabe que el contenido de algodón afecta la resistencia.
Se sabe un incremento en el contenido de algodón, incrementará la mencionada resistencia; por ello,
decide llevar a cabo pruebas de resistencia con fibras que contienen 15, 20, 25, 30 y 35 % de algodón
(niveles de contenido de algodón). Para ejecutar las pruebas, decide emplear cinco muestras por cada
nivel de contenido.
Lo arriba mencionado es un ejemplo de un experimento de factor simple con a = 5 niveles del factor y
n = 5 replicas. Los 25 experimentos deben ser ejecutados en un orden totalmente aleatorio

Para controlar la aleatoriedad de los experimentos, se procede de la siguiente manera:

1. Se enumeran las muestras como se muestra en la Tabla 3.1
Contenido
de Algodón Número de Muestra
(%)
15 1 2 3 4 5
20 6 7 8 9 10
25 11 12 13 14 15
30 16 17 18 19 20
35 21 22 23 24 25

Secuencia de las pruebas Número de muestra Contenido de Algodón
3 Experimentos de Factor Simple: Análisis 1 8 20

2 18 30
de Varianza 3 10 20
4 23 35
5 17 30
2. Con la ayuda de una calculadora se 6 5 15
7 14 25
seleccionan números aleatorios del 1 al 8 6 20
9 15 25
25. 10 20 30
11 9 20
12 4 15
Por ejemplo, si el primer número aleatorio 13 12 25
14 7 20
obtenido en la calculadora fue el ocho, 15 1 15
entonces la muestra con 20 % de algodón 16 24 35
17 21 35
será la primera en ser analizada y así 17 11 25
sucesivamente. 19 2 15
20 13 25
21 22 35
22 16 30
23 25 35
24 19 30
25 3 15


Esta secuencia aleatoria de pruebas es necesaria para evitar que la maquina empleada muestre un
comportamiento “dirigido”.
3. Se ejecutan los experimentos y los resultados se registran como se muestra en la Tabla 3.3

De la Tabla 3.3 se extraen dos conclusiones:
(i) el contenido de algodón afecta a la resistencia a la tracción
(ii) alrededor de un 30 % de algodón otorga la mayor resistencia

El análisis debe ser objetivo y detallado: se debe analizar si las diferencias observadas de las medias
son realmente significativas y el nivel de confianza con el que se dan dichas diferencias.
Este problema no debe resolverse haciendo un análisis de Pares de Comparación.
Existen 10 posibles pares los que, examinados a un nivel de confianza del 95 % cada uno, arrojarían en
conjunto un nivel de significación del (0. 95)10  0. 60
Existiría un substancial incremento del error del tipo I. El procedimiento apropiado para examinar la
igualdad de varias medias es el Análisis de Varianza .
Diseño Experimental Tabla 3.4
Análisis de Varianza
En general, la Tabla 3.3 pude
ser escrita en términos de la
Tabla 3.4
Una entrada u observación

en la Tabla representa la j-
ésima observación bajo el
tratamiento i.

Las observaciones de la Tabla 3.4 pueden ser descritas por un modelo estadístico lineal :
 i  1,2,......a
yij     i   ij 
 j  1,2,......n
donde yij es la i - esima, j - esima observacion
 es la media total (global)
 i es un efecto debido al tratamiento i
 ij es el error aleatorio con media 0 , varianza  i2 ,
independie nte y distribuid o normal
A este modelo se le llama " Análisis de Varianza de Factor Simple" pues se investiga un sólo factor.

Con respecto a los tratamientos o niveles, existen dos situaciones diferentes:
1. Los niveles o tratamientos ha sido escogidos por el investigador. Este modelo se conoce como "Modelo de
Efectos Fijos".
2. Los niveles o tratamientos ha sido escogidos al azar. Este modelo se conoce con el nombre de "Modelo de
Efectos Aleatorios" o "Modelo de Varianza de Componentes".
Análisis del Modelo de Efectos Fijos
En este modelo, los efectos de tratamientos τi , se definen como desviaciones de la media total, es decir
que se cumple: 𝑎
𝜏𝑖 = 0
𝑖=1

Se desea averiguar si la media o valor esperado del tratamiento i es:
Ei ( yij )  i    i i  1, 2,......., a
Es decir: si es que la media de los resultados de un tratamiento/variable, está afectado por ese tratamiento
El investigador esta interesado en probar el efecto de los tratamientos/variable. Esto es:
Ho : 1   2   3 ...........  a
H1: i   j para al menos un par i , j
El examen de la igualdad de los efectos de tratamiento es el examen de la variabilidad o varianza total por lo
que el procedimiento apropiado para probar " igualdad de efectos de tratamiento " es el Análisis de Varianza.

Ahora, considérense las siguientes definiciones:

Yi = total de observaciones bajo el tratamiento i
yi = media de las observaciones bajo el tratamiento i
Y = gran total de las observaciones
Y = media total de las observaciones
n
Yi   yij yi  Yi / n i  1,2,.......,a
Expresado simbólicamente se tiene: j 1
a n
Y  y ij
Y Y /N
i 1 j 1

Análisis de Varianza Descomposición de la Suma Total de Cuadrados

El nombre de Análisis de Varianza se deriva de la partición de la variabilidad total en sus componentes o lo
que se llama la “suma total de cuadrados”.
a n
SCT    ( yij Y ) 2 Ecuación que puede ser re-escrita como sigue:
i 1 j 1
a n a a n
 ( y
i 1 j 1
ij
 Y )  n ( yi  Y )   ( yij  yi ) 2
2
i 1
2
i 1 j 1
Ecuación que indica que la variabilidad total de los datos es igual a:
La suma de los cuadrados de las diferencias entre las medias de los tratamientos y la media total o suma de
cuadrados debido a los tratamientos: SCt
… mas la suma de los cuadrados de las diferencias entre las observaciones y las medias de cada
tratamiento o suma de cuadrados debido al error: SCe
Análisis de Varianza Descomposición de la Suma Total de Cuadrados
a n a a n
 ( y  Y )  n ( yi  Y )   ( yij  yi ) 2
a n
SCT    ( yij Y ) 2
2 2
ij
i 1 j 1 i 1 j 1 i 1 i 1 j 1
a a n
SCt  n ( yi  Y ) 2
SCe   ( yij  yi ) 2
i 1 i 1 j 1
Si se dividen los términos entre los grados de libertad que les corresponden, se tendrá el estimador de la
varianza debido a los tratamientos y el estimador de la varianza debido al error. Es decir:
SCe SCt
Ve  Vt 
( N  a) (a  1)
Análisis de Varianza Análisis Estadístico
SCe SCt
Ve  Vt 
( N  a) (a  1)
Si no existen diferencias entre las medias de los tratamientos o no hay diferencia entre tratamientos,
entonces los valores esperados de ambos estimadores serán idénticos e iguales a la varianza poblacional.
𝐸(𝑉𝑡 )
Si la hipótesis nula Ho: τi = 0 es verdadera, entonces se cumple que: ≈1
𝐸(𝑉𝑒 )
𝑉𝑡
Y que: 𝐹𝑜 = se distribuye F con a-1 y N-a grados de libertad.
𝑉𝑒
Pero si los valores estimados no fueran iguales, se debe sospechar que la diferencia observada debe ser
una consecuencia de las diferencias entre las medias de los tratamientos
Y H0 debe ser rechazada cuando 𝐹0 > 𝐹𝛼,𝑎−1,𝑁−𝑎

Análisis de Varianza Cálculos

La sumas de cuadrados se calculan
mediante:
5 5
Y2
SCT   y  2
ij
 636.96
i 1 j 1 N
5
Yi 2 Y 2
SCt    475.76
i 1 n N
SCe  SCT  SCt  161.20
Además: Fo  118. 94 / 8. 06  14. 76 y F0.01,4,20  4. 43 Para un valor α = 10%

Se rechaza Ho y se concluye que el contenido de algodón en las fibras afecta significativamente su
resistencia a la tracción.

Clase Diseño

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

Clase Diseño

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Mayor de San Andrés

Diseño Experimental (Análisis de Varianza)

Un experimento (ensayo, observación) es una prueba..

Diseñar un experimento significa planear el mismo de modo que en su desarrollo se reúna

16/05/2019 Jaime Ortega 1

Diseño Experimental (Análisis de Varianza)

Si consideramos varios experimentos aleatorios ejecutados simultáneamente o por etapas,

16/05/2019 Jaime Ortega 2

Diseño Experimental (Análisis de Varianza)

Resultados: encuentra que el 25%tuvo un crecimiento superior a la media, el 25% inferior y

16/05/2019 Jaime Ortega 3

Todo proceso puede ser caracterizado en términos de

16/05/2019 Jaime Ortega 4

16/05/2019 Jaime Ortega 5

3. ¿Cuantas muestras deben ser empleadas en cada procedimiento?

16/05/2019 Jaime Ortega 6

5. ¿Qué métodos de análisis de datos deben emplearse?

6. ¿Qué diferencia en el promedio de los rendimientos observados observadas se considerará significativo?

16/05/2019 Jaime Ortega 7

3. ¿Cuántas trámites (muestras) deben ser empleadas en cada procedimiento?

16/05/2019 Jaime Ortega 8

5. ¿Qué métodos de análisis de datos deben emplearse?

6. ¿Qué diferencia en el promedio de los gastos observados observadas se considerará significativo?

16/05/2019 Jaime Ortega 9

En un diseño experimental se manipulan deliberadamente una o más variables para medir el

16/05/2019 Jaime Ortega 10

La aplicación del Diseño Experimental tiene por objeto:

Evaluar y optimizar al alteraciones de materiales, procedimientos, normas etc.

16/05/2019 Jaime Ortega 11

16/05/2019 Jaime Ortega 12

Personal de la empresa no conoce la curva de

16/05/2019 Jaime Ortega 13

Replicación o Reproducción es la repetición del experimento básico. Tiene dos importantes

16/05/2019 Jaime Ortega 15

16/05/2019 Jaime Ortega 16

1. Debe emplearse primero los conocimientos de la física/regulación/mercado que gobierna el o los

16/05/2019 Jaime Ortega 17

16/05/2019 Jaime Ortega 18

2. Experimentos Comparativos Simples

16/05/2019 Jaime Ortega 19

2. Experimentos Comparativos Simples muestra Nuevo Cemento

16/05/2019 Jaime Ortega 20

2.1. Repaso de Conceptos Estadísticos

16/05/2019 Jaime Ortega 21

2.1. Repaso de Conceptos Estadísticos

16/05/2019 Jaime Ortega 22

2.1. Repaso de Conceptos Estadísticos

Las propiedades de las distribuciones de probabilidad se pueden resumir de la siguiente manera:

16/05/2019 Jaime Ortega 23

Para el caso de estimar la

16/05/2019 Jaime Ortega 24

2.1. Repaso de Conceptos Estadísticos

La media o esperanza matemática de una distribución de probabilidades es una medida de su tendencia

En general se designa a E(y)=μ. En algunas distribuciones, μ es un parámetro de la Distribución de

2.1. Repaso de Conceptos Estadísticos

Significa que 3.5 es el valor central de la distribución.

16/05/2019 Jaime Ortega 26

2.1. Repaso de Conceptos Estadísticos

La dispersión de una distribución de probabilidades se mide por la Varianza:

En general se designa a V(y) = σ2. En algunas distribuciones, σ es un parámetro de la Distribución

16/05/2019 Jaime Ortega 27

2.1. Repaso de Conceptos Estadísticos

La dispersión de una distribución de probabilidades se mide por la Varianza:

16/05/2019 Jaime Ortega 28