Você está na página 1de 22

UNIVERSIDAD NACIONAL DE CAJAMARCA

Norte de la Universidad Peruana


FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
ESTRATEGIA DE EXPERIMENTACIN

Los experimentos son parte natural en el proceso de la toma de decisiones en ingeniera y las
ciencias. Supngase, por ejemplo, que un ingeniero civil investiga los efectos de diferentes mtodos
de curado sobre la resistencia a la compresin media del concreto. El experimento consistira en
formar varios ejemplos de prueba de concreto utilizando cada uno de los mtodos de curado
propuestos para despus probar la resistencia a la compresin de cada ejemplar de prueba. Los
datos de este experimento podran usarse a fin de determinar qu mtodo de curado deber usarse
para conseguir la resistencia a la compresin media mxima.
Si slo hay dos mtodos de curado que sean de inters, este experimento podra disearse y
analizarse aplicando los mtodos para hiptesis estadsticas con dos muestras. Es decir, el
experimentador tiene un solo factor de inters (el mtodo de curado) y slo hay dos niveles del factor.
Las tcnicas de diseo experimental basadas en la estadstica son particularmente tiles en el campo
de la ingeniera para mejorar el desempeo de un proceso de manufactura. Tiene tambin diversas
aplicaciones en el desarrollo de nuevos procesos. La mayora de los procesos pinfluencia ueden
describirse en trminos de varias variables controlables, como la temperatura, la presin y la rapidez
de alimentacin. Mediante el uso de experimentos diseados, los ingenierospueden determinar el
subconjunto de las variables del proceso que ejerce mayor influencia sobre el desempeo del
proceso . Los resultados de un experimento como ste pueden llevar a 1) El mejoramiento del
rendimiento del proceso, 2) La reduccin de la variabilidad del proceso y a una concordancia ms
prxima con los requerimientos nominales o proyectados.3) La reduccin del tiempo de diseo y
desarrollo. 4) La reduccin en el costo de operacin.

ANALISIS DE VARIANZA

El anlisis de la varianza (ANOVA, ANalysis Of VAriance, segn terminologa inglesa) es una


coleccin de modelos estadsticos y sus procedimientos asociados, en el cual la varianza est
particionada en ciertos componentes debidos a diferentes variables explicativas.
Las tcnicas iniciales del anlisis de varianza fueron desarrolladas por el estadstico y genetista R.
A. Fisher en los aos 1920 y 1930 y es algunas veces conocido como "Anova de Fisher" o "anlisis
de varianza de Fisher", debido al uso de la distribucin F de Fisher como parte del contraste de
hiptesis.

El anlisis de varianza se sigue para facilitar una prueba de hiptesis, mediante la cual la variacin
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
anlisis es posible averiguar la magnitud de las contribuciones de cada una de las fuentes a la
variacin total.

El anlisis de varianza tiene su aplicacin ms amplia en anlisis de los datos obtenidos a


partir de experimentos.
El anlisis de varianza se utiliza en dos fines:
Estimar y probar la hiptesis acerca de las varianzas de las poblaciones.
Estimar y probar la hiptesis acerca de las medias de las poblaciones.

El anlisis de varianza para los diversos diseos, sigue el siguiente procedimiento:

1. Modelo.- El modelo insistir de una representacin simblica de un


valor tpico tomado de los datos que se estn analizando.
2. Suposiciones.- Especificaciones que fundamentan el modelo.
3. Hiptesis.- Se indicarn las hiptesis que puedan probarse de acuerdo
al modelo se formular H0 y H1 .
4. Clculos.- Se aplicarn los clculos aritmticos apropiados.

Aracelli Pomape - Anlisis de Varianza 1


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
5. TABLA ANVA.- Los resultados de los clculos, se resumirn en una
tabla que permitir una estimacin rpida y conveniente de los resultados.
6. Decisin.- Se tomar una decisin estadstica para rechazar o no H 0 .

I. DISEO COMPLETAMENTE ALEATORIZADO (DCA)


Un diseo completamente aleatorizado (DCA), es el diseo en el cual las unidades son asignadas
completamente al azar a los tratamientos, o viceversa. Esto es un diseo que no supone restricciones
tales como bloqueo en la distribucin de los tratamientos a las unidades experimentales.

Este diseo debe limitarse su uso a casos en los cuales se dispone de unidades
experimentales homogneas. Si no pueden obtenerse tales unidades, debe utilizarse algn bloqueo
para incrementar la eficiencia del diseo.

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_sima observacin
tomada bajo el tratamiento j.

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


Yij = u + j + i j ; i = 1, 2, ... , n
j = 1, 2, ... , k ; modelo efectos fijos

Donde : Yi j : ij-sima observacin.


: efecto medio verdadero; parmetro comn a todos TT0S.
j : efecto del j-simo tratamiento.

i j : incluye los efectos de todos los otros factores extraos

Representacin simblica de los datos en un D.C.A

TRATAMIENTOS
1 2 . . . K
y11 y12 . . . y1k
y21 y22 . . . y2k
. . .
OBSERVACIONES
. . .
. . .
yn1 yn2 . . . ynk

T.1 T.2 . . . T.k


TOTAL

Medias
.1 ..2 . . . ..k
VARIANZAS
S2.1 S2.2 . . . S2.k
. j = T. j / n j media del j-simo TT0 .

4. Suposiciones.

Aracelli Pomape - Anlisis de Varianza 2


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

El modelo a efectos fijos implica que se est 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 est distribuida
normalmente con media j y varianza j2.
c) Las k poblaciones tienen la misma varianza : 21 = 22 = . . . = 2k
d). Los i j DNI (0, 2).

HIPOTESIS.

Puede probarse la hiptesis:


H0 : 1= 2= . . . = 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 hiptesis puede enunciarse como:

H0 :j = 0; J=1, 2, . . . k
H1 : no todas las j =0
Se elige el nivel de significacin :
Si H0 es verdadero y si 21 = 22 = . . . = 2k y las poblaciones tienen una distribucin normal; la
situacin se observa como fig. 1
21 = 22 = . . . = 2k

Fig: 1 1=2= . . . =k 1 2 k

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 Desarrollar el anlisis de varianza para el modelo de efectos fijos, clasificacin en un sentido,


aqu:
k

1
j 0

Particin de la suma de cuadrados:

Aracelli Pomape - Anlisis de Varianza 3


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
nj
nj k
T2

k

(y y 2
SCT = ij y ) 2
= ij
j 1 i 1 j 1 N
Pero

k nj

SCT = ( y
j 1 1
ij y j y j y ) 2

Si se agrupa trminos y se desarrolla, se tendr :

k nj k nj

SCT= ( y
j 1 1
ij y j ) 2
+ ( y
j 1 1
j y ) 2

SCE SCTR
(Suma de cuadrados dentro) (Suma de cuadrados entre)
(Suma de cuadrados del Error) (Suma de cuadrados de tratamientos)

k nj nj
(T j ) 2
( y
k k
y j ) y
2 2
SCE = ij = ij = E yy
j 1 1 j 1 j 1 nj
nj
k
(T j ) 2 T2
( y
k
y )
2
SCTR = j = TYY
j 1 1 j 1 nj N
k (T j ) 2 T2 k (T j ) 2
SCTR = j 1 nj

N
=
j 1 nj
M YY

T2 k nj

Donde: M YY =
N
SCE = SCT SCTR = y 2
ij - MYY - TYY
y j 1

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

Fuente de Suma de cuadrados Grados Media de cuadrados F0


variacin de
libertad
Entre SCTR = T.J2/n -T..2/N k-1 CMTR = SCTR/(k-1) F0 = CMTR/CME
Tratamientos
k nj k (T j ) 2
SCE=
y
Dentro de 2 N-K CME = SCE/(N-K)
tratamiento ij
(Error) j 1 j 1 nj
Total SCT=yij2 T..2/N N-1

Aracelli Pomape - Anlisis de Varianza 4


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

6. DECISION.
La decisin de realizar o no H0 se toma definiendo la regin crtica (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 compresin del concreto. Sospecha que
la resistencia es una funcin de la concentracin de un aditivo. Decide investigar con distintas
concentraciones: 5, 10, 15, 20 y 25 %. Han de tomarse cinco observaciones para cada
concentracin 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 compresin del concreto (PSI = lib/pulg2 )

TRATAMIENTOS
Concentracin del aditivo TOTAL
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(i) 9.8 15.4 17.6 21.6 10.8 15.04

Donde: Totales = T = Ti
Numero de observaciones = n
= T/ n

Qu conclusiones se puede extraer con = 0,05?

SOLUCION EJEMPLO 1

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

2. Suposiciones:
Se tiene 5 muestras independientes
Cada provisin N(j , 2j).
Poblaciones con variaciones homogneas: 12 = 22 = ... = 52 = 2
j = 0 y ij DNI(O, 2)

Aracelli Pomape - Anlisis de Varianza 5


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
3. Hiptesis:
H0 : 1 = 2 = = 5
H1 : No todas las 5 son iguales

4. Nivel de significacin: = 0.05

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

Tyy (suma de cuadrados entre tratamientos)


F0 = -------- ----------------------------------------------------------- = F0.05,4,20
Eyy (suma de cuadrados del error experimental)

6. Regla de decisin:
Si Fc > F,(k - 1),(n - k) H0 se rechaza a un nivel de
Si Fc F,(k - 1),(n - k) H0 no se rechaza.

7. Clculos: se realizan los clculos para obtener las estimaciones en la tabla ANOVA; es decir:
El ANOVA resultante se muestra en la siguiente tabla:

Tabla : anlisis de resistencia para los datos de resistencia a la tensin.

Fuente de Suma de Grados de Cuadrados Cuadrado


variacin 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 concentracin del aditivo influye de manera significativa en la resistencia


a la compresin del concreto.

INGRESAMOS LOS DATOS A MINITAB V 17 1

Aracelli Pomape - Anlisis de Varianza 6


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

En
Comparisons
indicar los
En Option : indicar el Nivel
mtodos de
de Confianza
comparacin
mltiples de
Tukey y Fisher

En Graphs : indicar los grficos 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
concentracin del aditivo influye de
manera significativa en la resistencia
a la compresin del concreto.

Aracelli Pomape - Anlisis de Varianza 7


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
INTERVALOS DE CONFIANZA AL 95% DE LAS RESISTENCIAS A LA COMPRENSIN SEGN
CONCENTRACIONES DE ADITIVOS

COMPARACIONES MULTIPLES

Mediante el anlisis de comparacin mltiple de los mtodos de Tukey y Fisher, se llega a la


conclusin que la concentracin del aditivo, que genera la mayor Resistencia promedio a la
compresin es la del 20%.

GRAFICO DE NORMALIDAD DE LOS RESIDUOS HISTOGRAMA DE LOS RESIDUOS

Histogram
(response is Resistencia)

4
Frequency

0
-4 -2 0 2 4
Residual

Aracelli Pomape - Anlisis de Varianza 8


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

GRAFICA DE INTERVALOS DE
CONFIANZA DE LA RESISTENCIA Y
CONCENTRACIN GRAFICA DE PUNTOS DE LOS RESIDUOS
Interval Plot of Resistencia vs Concentracin
95% CI for the Mean
25

20
Resistencia

15

10

5
5.00% 1 0.00% 1 5.00% 20.00% 25.00%
Concentracin
The pooled standard deviation was used to calculate the intervals.

ANLISIS EXPLORATORIO - GRAFICOS DE BOX PLOTS (GRAFICO DE CAJAS Y BIGOTES)

Boxplot of Resistencia
25

4
20

3
Resistencia

15

10

5
5.00% 1 0.00% 1 5.00% 20.00% 25.00%
Concentracin

Aqu podemos apreciar que en el tratamiento 1(Concentracin de aditivo al 5%) y tratamiento 2


(Concentracin de aditivo al 10%) existe mayor variabilidad o dispersin en sus datos y en el
tratamiento 3 (Concentracin de aditivo al 15%) de forma contraria existe una menor variabilidad
o dispersin. Tambin se logra con la observacin determinar que el tratamiento con mayor
resistencia a la compresin es el tratamiento 4 (Concentracin de aditivo al 20%) y el tratamiento
con menor resistencia es el tratamiento 1 (Concentracin de aditivo al 5%). Esto qued
confirmado con el anlisis del Diseo completo al Azar.

Aracelli Pomape - Anlisis de Varianza 9


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
Ejemplo 2: Los datos del experimento corresponden a la Resistencia a la tensin de fajas
utilizadas en poleas para trabajos de construccin, cuando se han utilizado los porcentajes de
algodn indicados en la tabla.

Porcentaje de Resistencia a la Tensin


algodn 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: Diseo y Anlisis de Experimentos de Montgomery

a) Cul es el objetivo del anlisis de los datos de este experimento?


b) Cul es el diseo experimental que se emplear en este caso?Cul es el modelo
estadstico que le corresponde a dicho diseo? Bajo que supuestos?. Enumrelos
c) Cul es el anlisis estadstico que le corresponde a estos datos ?
d) Realice el anlisis correspondiente
e) Previo al anlisis ejecutado Qu hubiera sido preciso realizar? Hgalo
f) Cul es el aporte en el anlisis de datos, lo ejecutado en e)?.

SOLUCION EJEMPLO 2

a) Cul es el objetivo del anlisis de los datos de este experimento?


El objetivo es saber Cmo influye el porcentaje de algodn en la Resistencia a la
tensin de las fajas?.

b) Cul es el diseo experimental que se emplear en este caso?Cul es el modelo


estadstico que le corresponde a dicho diseo? Bajo que supuestos?. Enumrelos
El diseo experimental a emplear es el Diseo 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; parmetro comn a todos TT 0S.

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


objetivo del anlisis.

ei j : incluye los efectos de todos los otros factores extraos. Es un trmino de error ,
considerado como variable aleatoria

Puede probarse la hiptesis:

H0 : 1=2= . . . =k

Aracelli Pomape - Anlisis de Varianza 10


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
H1 : No todas las j son iguales

Si las medias de las poblaciones son iguales, cada efecto del tratamiento es igual a
cero, de modo que alternativamente la hiptesis puede enunciarse como:

H0 : j = 0; j=1, 2, . . . k
H1 : j 0

Se elige el nivel de significacin :


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) Cul es el anlisis estadstico que le corresponde a estos datos ?


Se desarrollar el Anlisis de Varianza para el modelo de efectos fijos

d) Realice el anlisis correspondiente


Con ayuda del paquete estadstico MINITAB 17. realizamos el Anlisis correspondiente

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

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

Nivel de significacin = 0,05

Indicar la variable
respuesta que es la
Resistencia a la
tensin y el Factor o
variable respuesta
es el % de
Algodn.

Aracelli Pomape - Anlisis de Varianza 11


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

En
Comparisons
indicar los
mtodos de
En Option: indicar el Nivel
comparacin
de Confianza
mltiples de
Tukey y Fisher

RESULTADOS CONCLUSIONES

Como p value = 0.000< 0.05, Se


Rechaza H0 y Se concluye que el
porcentaje de algodn influye de
manera significativa en la resistencia
a la tensin de las fajas.

COMPARACIONES MULTIPLES

Mediante el anlisis de comparacin mltiple de los mtodos de Tukey y Fisher, se llega a la


conclusin que el porcentaje de Algodn, que genera la mayor Resistencia promedio a la tensin es
del 30%.

Aracelli Pomape - Anlisis de Varianza 12


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
e) Previo al anlisis ejecutado Qu hubiera sido preciso realizar? Hgalo

Hubiera sido preciso realizar un Anlisis exploratorio de Datos que nos permitiera como actividad
principal revisarlos para saber como es su comportamiento y as poder asignarle un modelo
adecuado.

Boxplot of Resistencia Tensin


25

20
Resistencia Tensin

15

10

1 5.00% 20.00% 25.00% 30.00% 35.00%


% de algodn

f) Cul es el aporte en el anlisis de datos, lo ejecutado en e)?.

1) Mediante las representaciones visuales es fcil descubrir el modo de


comportarse de los datos.

2) Este mtodo requiere que la atencin del analista se centre en los residuales o
lo que queda despus de haber aplicado algn tipo de anlisis.

3) Mediantes transformaciones matmaticas simples, como por ejemplo, el


logaritmo y la raz cuadrada , los anlisis no solo se simplifican sino que
adquieren una mejor claridad.

4) El carcter resistente, propio de estos mtodos, garantizan el hecho de que los


valores de datos extraos o poco corrientes no influyan indebidamente los
resultados de un anlisis.

II. DISEO DE BLOQUES COMPLETOS ALEATORIOS

Aracelli Pomape - Anlisis de Varianza 13


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

Ademas de probar el efecto de los Bloques


= = = = =
=

Tabla 1: Anlisis de varianza de un diseo de Bloques completos Aleatorios

Fuente de Suma de Grados de


Cuadrado Medio F0
Variacin Cuadrados Libertad

Ejemplo 3:

Aracelli Pomape - Anlisis de Varianza 14


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
Se realiz un experimento para determinar el efecto de cuatro sustancias qumicas diferentes sobre
la resistencia de un material. Estas sustancias qumicas se usan como parte del proceso de acabado
del planchado permanente. Se seleccionaron cinco tipos de material, y se corri un diseo de
bloques completos aleatorizados para probar cada tipo de sustancia qumica sobre cada tipo de
material de forma aleatoria. Se muestran a continuacin los datos, lo que se desea probar es las
diferencias de las medias utilizando el anlisis de varianza con =0.01.

Tabla 1: Datos de la Resistencia del material: Diseo de Bloques completos Aleatorios

Tipo de Tipo de Material


Sustancia
qumica 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 hiptesis a probar son:

I) Con respecto a tratamientos (Tipo de Sustancia Qumica)

= = = = = (El tipo de sustancia qumica NO influye de manera altamente significativa en la resistencia del
material)
= (Al menos un tipo de sustancia qumica influye de manera altamente significativa en la resistencia
del material)

II) Con respecto a Bloques (Tipo de Material)

= = = = = (El tipo de material NO influye de manera altamente significativa en la resistencia del


material)
= (Al menos un tipo de material influye de manera altamente significativa en la resistencia del
material)

Ingresando los datos en MINITAB V. 17.

Aracelli Pomape - Anlisis de Varianza 15


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

RESULTADOS
I) Como p value para el Tipo de Sustancia
Qumica = 0.000< 0.01, Se Rechaza H0 y
Se concluye que al menos un Tipo de
sustancia qumica 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. DISEO CUADRADO LATINO

El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la


asignacin 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 diseo cuadrado latino.
Caractersticas:

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 nmero de unidades es igual al nmero de tratamientos.
3. Los tratamientos son asignados al azar en las unidades experimentales dentro de cada fila
y dentro de cada columna.
4. El nmero de filas = nmero de columnas = nmero de tratamientos.
5. Los anlisis estadsticos T-student, Duncan, Tuckey y en pruebas de contraste se procede
como el diseo completo al azar y el diseo de bloques. La desviacin estandar de la
diferencia de promedios y la desviacin estandar del promedio, estn en funcin 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 agronmico,
especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones.

Aracelli Pomape - Anlisis de Varianza 16


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
Modelo estadstico.

Cada observacin del experimento es expresado como una relacin lineal de los efectos
involucrados (tratamiento, fila y columna), as:

= + + + + con i,j,h = 1,2,,k

= Efecto medio( parmetro del modelo)


= Efecto del tratamiento i.
= Efecto producido por el j-simo nivel del factor fila j.
= Efecto producido por el -simo nivel del factor columna h
=Error experimental de la u.e.i.j
= Observacin en la unidad experimental

Ejemplo 4

Para estudiar el efecto del Tipo de iluminacin (A=natural, B=muy fuerte, C=escasa) en la velocidad
de lectura, se realiza un experimento que consiste en contar el nmero de palabras ledas en un
minuto en distintos tipos de papel (b=blanco, c=en color, s=satinado) y diferente tipografa (g=letra
grande, p=letra pequea, n=normal). Los resultados obtenidos son los de la tabla adjunta. Analizar
con = 0.05, estos datos y estudiar la posible influencia de los factores iluminacin, tipos de papel y
diferente tipografa 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
Pequea 220 C 225 B 260 A

SOLUCIN Ejemplo 4
Las hiptesis a probar son:

I) Con respecto a tratamientos (Tipo de Iluminacin) Cuadrado Latino

= = = = = (El tipo de Iluminacin NO influye de manera significativa en la Velocidad de lectura)


= (Al menos un tipo de Iluminacin influye de manera significativa en la Velocidad de lectura).

II) Con respecto a Filas (Tamao de Letra)

= = = = = (El tamao de letra NO influye de manera significativa en la Velocidad de lectura)


= (Al menos un tamao de letra influye de manera significativa en la Velocidad de lectura)

III) Con respecto a Columnas (Tipo de Papel)

= = = = = (El tipo de Papel NO influye de manera significativa en la Velocidad de lectura)


= (Al menos un tipo de Papel influye de manera significativa en la Velocidad de lectura)

Aracelli Pomape - Anlisis de Varianza 17


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
Ingresando los datos en MINITAB V. 17.
1

Tto Fila Columna Respuesta


Tipo de Tamao Tipos de Velocidad
Iluminacin de Letra Papel de lectura
A 1 1 258 2

C 1 2 230
B 1 3 240
B 2 1 235
A 2 2 270
C 2 3 240
C 3 1 220
B 3 2 225
A 3 3 260

3 4

RESULTADOS

I) Como p value para el Efecto del Tipo de Iluminacin = 0.004 < 0.05, II) Como p value para Tamao de Letra=0.031 < 0.05, Se Rechaza H0 y Se
Se Rechaza H0 y Se concluye que al menos un Tipo de Iluminacin 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.

Aracelli Pomape - Anlisis de Varianza 18


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
IV. DISEO CUADRADO GRECOLATINO

Modelo estadstico.

Cada observacin del experimento es expresado como una relacin lineal de los efectos
involucrados (tratamiento, fila y columna), as:

= + + + + + con i,j,h, l = 1,2,,k

= Efecto medio( parmetro del modelo)


= Efecto del tratamiento i.(letras latinas)
= Efecto del tratamiento l ( letras grecolatinas)
= Efecto producido por el j-simo nivel del factor fila j.
= Efecto producido por el -simo nivel del factor columna h
=Error experimental de la u.e.i.j
= Observacin en la unidad experimental

Ejemplo 5
Se compara el rendimiento de cinco procesos de fabricacin (A, B, C, D,E) en cinco
condiciones experimentales (,,,,), cinco mtodos distintos y en cinco das diferentes,
sobre la Resistencia de un material. El Diseo y los resultados se indican en el cuadro
adjunto.

Da
Mtodo
1 2 3 4 5
1 A 24 B 20 C 19 D 24 E 24
2 B 17 C 24 D 30 E 27 A 36
3 C 18 D 38 E 26 A 27 B 21
4 D 26 E 31 A 26 B 23 C 22
5 E 22 A 30 B 20 C 29 D 31

Realizar la prueba correspondiente con =0.05.

SOLUCIN Ejemplo 5
Las hiptesis a probar son:

I) Con respecto a tratamientos (Proceso de fabricacin) Cuadrado Latino

= = = = = (Los procesos de fabricacin NO influyen de manera significativa en la Resistencia del


Material)
= (Al menos un proceso de fabricacin influye de manera significativa en la Resistencia del
Material)

Aracelli Pomape - Anlisis de Varianza 19


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA
II) Con respecto a Filas (Mtodo)

= = = = = (El Mtodo NO influye de manera significativa en la Resistencia del Material)


= (Al menos un Mtodo influye de manera significativa en la Resistencia del Material)

III) Con respecto a Columnas (Da)

= = = = = (Los Das NO influyen de manera significativa en la Resistencia del Material)


= (Al menos uno de los Das influye de manera significativa en la Resistencia del Material)

IV) Con respecto a tratamiento (Condiciones experimentales) cuadrado Greco Latino

= = = = = (Las Condiciones Experimentales NO influyen de manera significativa en la


Resistencia del Material)
= (Al menos uno de las Condiciones Experimentales influye de manera significativa en
la Resistencia del Material)

Ingresando los datos en MINITAB V. 17.


1
2

Aracelli Pomape - Anlisis de Varianza 20


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

RESULTADOS

I) Como p value para procesos de fabricacin =0.003 < 0.05, Se Rechaza H0, Se concluye que Al menos un proceso
de fabricacin influye de manera significativa en la Resistencia del Material

II) Como p value para Mtodos =0.178 > 0.05, Se Acepta H0, Se concluye que El Mtodo NO influye de manera
significativa en la Resistencia del Material

III) Como p value para Das =0.033 < 0.05, Se Rechaza H0, Se concluye que Al menos uno de los Das 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.

Aracelli Pomape - Anlisis de Varianza 21


UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana
FACULTAD DE INGENIERIA
ESTADSTICA APLICADA

Ejercicio 1

Un experimentador estudia los efectos que contiene cinco formulaciones diferentes de carga propulsora utilizada en los
sistemas de expulsin de la tripulacin de un avin basado en la rapidez de combustin. Cada formulacin se hace un
lote de materia prima que solo alcanza para probar cinco formulaciones. Adems, las formulaciones son preparadas
por varios operadores, y puede haber diferencias sustanciales en las habilidades y experiencia de los operadores.
Tambin 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 continuacin se muestran. Realice
el anlisis de varianza que verifique si existe una diferencia en la media de la rapidez de combustin, generada por
las diferentes formulaciones de carga propulsora, tomando en cuenta un nivel de significancia de = 0.05

Lotes de Operadores
Materia Prima 1 2 3 4 5
1 A 23 B 20 C 18 D 23 E 23
2 B 16 C 23 D 29 E 26 A 35
3 C 17 D 37 E 25 A 26 B 20
4 D 25 E 30 A 25 B 22 C 21
5 E 21 A 29 B 19 C 28 D 30

Ejercicio 2

Un ingeniero desarrolla un experimento para comparar cinco procedimientos de fabricacin de ladrillo de concreto, en
el cual usa material de cinco mezclas preparadas cada una de ellas en cada uno de cinco das consecutivos y
preparados en cinco mquinas diferentes. (Tomado de WALPOLE R.E, MYERS R.H, MYERS S.L: Probabilidad y
Estadstica para Ingenieros. Ed . Prentice Hall)

Dias
Mezclas
1 2 3 4 5
1 A 1 B 0 C 4 D 0 E 1
2 B 3 C 4 D 1 E 5 A 3
3 C 2 D 5 E 0 A 0 B -1
4 D -1 E 2 A 1 B 1 C 4
5 E 0 A 1 B -3 C -3 D 1

Aracelli Pomape - Anlisis de Varianza 22

Você também pode gostar