Escolar Documentos
Profissional Documentos
Cultura Documentos
EJEMPLO 1
Los datos que se presentan a continuación conforman los valores de presión
(psi) hallados en un resorte de torsión para sostener poleas de transporte de
concreto u otro material, para diferentes ángulos que se formaron entre las
vueltas del resorte en posición vertical.
Ángulo (°)
68 70 74 82 89
84 83 87 86 89 90
86 85 86 86 90 91
85 89 87 91
87 89 87 91
87 88 88
89 90
a. Formule la hipótesis y el modelo estadístico para el modelo.
b. Realice el análisis de varianza para estos datos, a fin de estudiar si los
ángulos afectan los valores de presión del resorte de torsión. Use 𝛼 = 0.05
c. Analice los residuales del experimento
d. Verifique el supuesto de normalidad
e. Analice las pruebas de comparación múltiple Tukey y Fisher
𝑑𝑜𝑛𝑑𝑒:
𝑦𝑖𝑗 = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑒𝑠𝑖ó𝑛 𝑑𝑒𝑙 𝑟𝑒𝑠𝑜𝑟𝑡𝑒 𝑑𝑒 𝑡𝑜𝑟𝑠𝑖ó𝑛
𝜏𝑗 = 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 á𝑛𝑔𝑢𝑙𝑜𝑠
1. Suposiciones:
Se tiene 5 muestras independientes
Cada provisión 𝑁(𝑢𝑗 ,𝜎𝑗2 )
Poblaciones con variaciones homogéneas: 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42 =
𝜎52 = 𝜎 2
∑ ∑ 𝜏𝑗=0 𝑦 𝜀𝑖𝑗 → 𝐷𝑁𝐼(𝑂, 𝜎 2 )
2. Nivel de significancia ∝=0.05
3. Cálculos
Fuente GL SC CM F P
ángulo 4 73.78 18.45 8.02 0.000
Error 20 45.98 2.30
Total 24 119.76
𝑃 = 0.00
Como 𝑃 = 0.000 <∝=0.05 entonces se rechaza la Hipótesis nula y se acepta
la Hipótesis alternativa. Por ello se concluye que los ángulos tienen una
influencia significativa en los valores de presión del resorte de torsión.
1
Residuo
-1
-2
-3
70 75 80 85 90
ángulo
1
Residuo
-1
-2
-3
85 86 87 88 89 90 91
Valor ajustado
Gráfica de caja de valores de presión
91
90
valores de presión 89
88
87
86
85
84
83
82
68 70 74 82 89
ángulo
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
RESID1
EJEMPLO 2
Estación
total
1 2 3 4 5 6
17.5 16.4 20.3 14.6 17.5 18.3
16.9 19.2 15.7 16.7 19.2 16.2
15.8 17.7 17.8 20.8 16.5 17.5
18.6 15.4 18.9 18.9 20.5 20.1
a. Formule la hipótesis y el modelo estadístico para el modelo.
b. Realice el análisis de varianza para estos datos, a fin de estudiar si las
estaciones totales afectan los márgenes de error. Use 𝛼 = 0.05
c. Analice los residuales del experimento
d. Verifique el supuesto de normalidad
e. Analice las pruebas de comparación múltiple Tukey y Fisher
𝑑𝑜𝑛𝑑𝑒:
𝑦𝑖𝑗 = 𝑀𝑎𝑟𝑔𝑒𝑛 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟
𝜏𝑗 = 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
1. Suposiciones:
Se tiene 6 muestras independientes
Cada provisión 𝑁(𝑢𝑗 ,𝜎𝑗2 )
Poblaciones con variaciones homogéneas: 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42 =
𝜎52 = 𝜎62 = 𝜎 2
∑ ∑ 𝜏𝑗=0 𝑦 𝜀𝑖𝑗 → 𝐷𝑁𝐼(𝑂, 𝜎 2 )
2. Nivel de significancia ∝=0.05
3. Cálculos
Fuente GL SC CM F P
Estación total 5 5.34 1.07 0.31 0.902
Error 18 62.64 3.48
Total 23 67.98
𝑃 = 0.902
Como 𝑃 = 0.902 >∝=0.05 entonces se acepta la Hipótesis nula y se rechaza
la Hipótesis alternativa. Por ello se concluye que las estaciones totales no
influyen de manera significativa en los márgenes de error.
1
Residuo
-1
-2
-3
-4
1 2 3 4 5 6
Estación total
1
Residuo
-1
-2
-3
-4
17.0 17.2 17.4 17.6 17.8 18.0 18.2 18.4
Valor ajustado
20
19
Margen de error
18
17
16
15
14
1 2 3 4 5 6
Estación total
60
50
40
30
20
10
1
-4 -3 -2 -1 0 1 2 3 4
RESID1
Estación
total N Media Agrupación
5 4 18.425 A
3 4 18.175 A
6 4 18.025 A
4 4 17.750 A
1 4 17.200 A
2 4 17.175 A
Estación
total N Media Agrupación
5 4 18.425 A
3 4 18.175 A
6 4 18.025 A
4 4 17.750 A
1 4 17.200 A
2 4 17.175 A
𝑑𝑜𝑛𝑑𝑒:
𝑦𝑖𝑗 = 𝐼𝑛𝑡𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒 𝑒𝑛𝑡𝑟𝑒 𝑑𝑜𝑠 𝑝𝑢𝑛𝑡𝑜𝑠
𝜏𝑗 = 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎
1. Suposiciones:
Se tiene 5 muestras independientes
Cada provisión 𝑁(𝑢𝑗 ,𝜎𝑗2 )
Poblaciones con variaciones homogéneas: 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42 =
𝜎52 = 𝜎 2
∑ ∑ 𝜏𝑗=0 𝑦 𝜀𝑖𝑗 → 𝐷𝑁𝐼(𝑂, 𝜎 2 )
Fuente GL SC CM F P
Temperatura 4 3411.8 853.0 68.05 0.000
Error 15 188.0 12.5
Total 19 3599.8
𝑇𝑦𝑦
𝐹𝑜 =
𝐸𝑦𝑦
853
𝐹𝑜 = = 68.05
12.5
𝐹(0.05,4,15) = 3.05
𝑃 = 0.00
Como 𝑃 = 0.000 <∝=0.05 entonces se rechaza la Hipótesis nula y se acepta
la Hipótesis alternativa. Por ello se concluye que la temperatura tiene una
influencia significativa en la intensidad de corriente promedio.
7. Interpretaciones gráficas
vs. ajustes
(la respuesta es Intensidad de corriente)
7.5
5.0
2.5
Residuo
0.0
-2.5
-5.0
10 20 30 40 50
Valor ajustado
5.0
2.5
Residuo
0.0
-2.5
-5.0
10 20 30 40 50 60 70 80 90 100
Temperatura
De la gráfica podemos concluir que la Temperatura de 100°C genera una
mayor dispersión de la intensidad de corriente promedio
60
50
40
30
20
10
1
-8 -6 -4 -2 0 2 4 6 8
RESID1
50
Intensidad de corriente
40
30
20
10
20 40 60 80 100
Temperatura
8. Comparaciones múltiples
Agrupar información utilizando el método de Tukey
Hallamos 𝑆𝑝2
3(2.62 + 4.12 + 2.52 + 2.52 + 5.12 )
𝑆𝑝2 = = 12.416
15
Hallamos q=1.22
17
Hallamos c=15
Reemplazamos en el estadístico de prueba
1.22
𝑋𝑜2 = 2.3026 = 1.08
17
15
2
Hallamos 𝑋(0.05,4) = 9.49
Comparamos el valor crítico y el estadístico de prueba y establecemos
conclusiones
2
Como 𝑋𝑜2 = 1.08 es menor que 𝑋(0.05,4) = 9.49 entonces se acepta la
Hipótesis nula y se rechaza la Hipótesis alternativa
EJEMPLO 1
Una compañía de ingenieros decide investigar si 4 laboratorios miden el mismo
coeficiente de elasticidad característico de las arenas. Para ello se seleccionan
4 tipos de arena: 1 (muy blanda), 2(blanda), 3(consistencia media), 4(rígida), las
cuales fueron analizadas en cada uno de los laboratorios. Después de un mes
se obtuvieron los siguientes resultados en MPa:
Tipos de
arena
Laboratorio 1 2 3 4
1 2.6 3.3 7.5 11.1
2 2.4 4.3 8.8 12.3
3 2.3 3.4 8.3 12.1
4 2.1 3.7 7.9 11.5
Modelo estadístico
𝑦𝑖𝑗 = 𝑢 + 𝜏𝑖 + 𝛽𝑗 +𝜀𝑖𝑗
𝑑𝑜𝑛𝑑𝑒:
𝑦𝑖𝑗 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑒𝑙𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑟𝑒𝑛𝑎𝑠
𝜏𝑖 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑙𝑎𝑏𝑜𝑟𝑎𝑡𝑜𝑟𝑖𝑜𝑠
𝛽𝑗 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑡𝑖𝑝𝑜𝑠 𝑑𝑒 𝑎𝑟𝑒𝑛𝑎
Hipótesis adecuadas
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 0
Los laboratorios no influyen de manera significativa en el coeficiente
de elasticidad de las arenas
𝐻1 : 𝜏𝑖 ≠ 0
Al menos un laboratorio influye de manera significativa en el
coeficiente de elasticidad de las arenas
𝐻𝑜 : 𝛽1 = 𝛽 = 𝛽3 = 𝛽4 = 0
Los tipos de arena no influyen de manera significativa en el
coeficiente de elasticidad de las arenas
𝐻1 : 𝛽𝑗 ≠ 0
Al menos un tipo de arena influye de manera significativa en el
coeficiente de elasticidad de las arenas
0.50
0.25
Residuo
0.00
-0.25
-0.50
1.0 1.5 2.0 2.5 3.0 3.5 4.0
Tipos de arena
0.50
0.25
Residuo
0.00
-0.25
-0.50
1.0 1.5 2.0 2.5 3.0 3.5 4.0
Laboratorio
60
50
40
30
20
10
1
-0.75 -0.50 -0.25 0.00 0.25 0.50
RESID1
EJEMPLO 2
𝑑𝑜𝑛𝑑𝑒:
𝑦𝑖𝑗 = 𝑑𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑓𝑟𝑎𝑔𝑢𝑎𝑑𝑜 𝑑𝑒𝑙 𝑐𝑜𝑛𝑐𝑟𝑒𝑡𝑜
𝜏𝑖 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑡𝑒𝑟𝑚ó𝑚𝑒𝑡𝑟𝑜𝑠 𝑏𝑖𝑚𝑒𝑡á𝑙𝑖𝑐𝑜𝑠
𝛽𝑗 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎
Hipótesis adecuadas
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 0
Los termómetros bimetálicos no influyen de manera significativa en la
duración del fraguado del concreto
𝐻1 : 𝜏𝑖 ≠ 0
Al menos un termómetro bimetálico influye de manera significativa en
la duración del fraguado del concreto
𝐻𝑜 : 𝛽1 = 𝛽 = 𝛽3 = 𝛽4 = 𝛽5 = 0
La temperatura no influye de manera significativa en la duración del
fraguado del concreto
𝐻1 : 𝛽𝑗 ≠ 0
Al menos una temperatura influye de manera significativa en la
duración del fraguado del concreto
1
Residuo
-1
-2
1 2 3 4 5
Temperatura
1
Residuo
-1
-2
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
RESID1
EJEMPLO 3
En una empresa lechera se tienen varios silos para almacenar leche (cisternas de 60
000L). Un aspecto crítico para que se conserve la leche es la temperatura de
almacenamiento. Se sospecha que en algunos silos hay problemas, por ello, durante
días se decide registrar la temperatura a cierta hora crítica. Obviamente la
temperatura de un día a otro es una fuente de variabilidad que podría impactar la
variabilidad total
Día
Silo Lunes Martes Miércoles Jueves Viernes
A 4.0 4.0 5.0 0.5 3.0
B 5.0 6.0 2.0 4.0 4.0
C 4.5 4.0 3.5 2.0 3.0
D 2.5 4.0 6.5 4.5 4.0
E 4.0 4.0 3.5 2.0 4.0
f. En este problema ¿Cuál es el factor tratamiento y cuál es el factor bloque?
g. Suponga un DBCA, formule las hipótesis adecuadas y el modelo estadístico.
h. ¿Hay diferencia entre los silos?
i. ¿La temperatura de un día a otro es diferente?
j. Revise residuos. ¿Hay un problema evidente?
𝑑𝑜𝑛𝑑𝑒:
𝑦𝑖𝑗 = 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑑𝑒 𝑙𝑎 𝑙𝑒𝑐ℎ𝑒
𝜏𝑖 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑠𝑖𝑙𝑜𝑠
𝛽𝑗 = 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑑í𝑎𝑠
Hipótesis adecuadas
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 𝜏5 = 0
Los silos no influyen de manera significativa en la temperatura de la
leche
𝐻1 : 𝜏𝑖 ≠ 0
Al menos un tipo de silo influye de manera significativa en la
temperatura de la leche
𝐻𝑜 : 𝛽1 = 𝛽 = 𝛽3 = 𝛽4 = 𝛽5 = 0
Los días no influyen de manera significativa en la temperatura de la
leche
𝐻1 : 𝛽𝑗 ≠ 0
Al menos un día influye de manera significativa en la temperatura de
la leche
2.44
𝐹𝑜 = = 1.51
1.615
𝐹(0.05,4,16) = 3
Como 𝐹𝑜 = 1.51 es menor que 𝐹(0.05,4,16) = 3 entonces se acepta
la 𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 𝜏5 = 0 y se rechaza la 𝐻1 : 𝜏𝑖 ≠ 0
𝑃 = 𝑃(𝐹4,16 > 1.51)
𝑃 = 0.246
Como 𝑃 = 0.246 >∝=0.05 entonces se acepta la Hipótesis nula y se
rechaza la Hipótesis alternativa.
Se concluye que los silos no influyen de manera significativa en la
temperatura de la leche.
Además se concluye que no existe diferencia entre los silos.
d. ¿La temperatura de un día a otro es diferente?
𝐵𝑦𝑦
1. Prueba estadísticas para tratamientos 𝐹𝑜 =
𝐸𝑦𝑦
2. Cálculos
Fuente GL SC Sec. SC Ajust. CM Ajust. F P
Silos 4 9.760 9.760 2.440 1.51 0.246
Días 4 4.460 4.460 1.115 0.69 0.609
Error 16 25.840 25.840 1.615
Total 24 40.060
1.115
𝐹𝑜 = = 0.69
1.615
𝐹(0.05,4,16) = 3
Como 𝐹𝑜 = 0.69 es menor que 𝐹(0.05,4,16) = 3 entonces se acepta la
𝐻𝑜 : 𝛽1 = 𝛽 = 𝛽3 = 𝛽4 = 𝛽5 = 0 y se rechaza la 𝐻1 : 𝛽𝑗 ≠ 0
𝑃 = 0.609
Como 𝑃 = 0.609 >∝=0.05 entonces se acepta la Hipótesis nula y se
rechaza la Hipótesis alternativa.
Se concluye que los días no influyen de manera significativa en la
temperatura de la leche.
Además se concluye que la temperatura de un día a otro no es diferente.
e. Revise residuos. ¿Hay un problema evidente?
Residuos vs. Silos
(la respuesta es Temperatura)
2
0
Residuo
-1
-2
-3
1 2 3 4 5
Silos
0
Residuo
-1
-2
-3
1 2 3 4 5
Días
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
RESID1
EJEMPLO 1
Se estudia el efecto de cinco diferentes catalizadores (A, B, C, D y E) sobre el
tiempo de reacción de un proceso químico. Cada lote de material sólo permite
cinco corridas y cada corrida requiere aproximadamente 1.5 horas, por lo que
sólo se pueden realizar cinco corridas diarias. El experimentador decide correr
los experimentos con un diseño en cuadro latino para controlar activamente a
los lotes y días. Los datos obtenidos son:
Día
Lote 1 2 3 4 5
1 A=8 B=7 D=1 C=7 E=3
2 C=11 E=2 A=7 D=3 B=8
3 B=4 A=9 C=10 E=1 D=5
4 D=6 C=8 E=6 B=6 A=10
5 E=4 D=2 B=3 A=8 C=8
Hipótesis estadísticas
Con respecto a los tratamientos (catalizadores)
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 𝜏5 = 0
Los catalizadores no influyen de manera significativa en el
tiempo de reacción del proceso químico
𝐻1 : 𝜏𝑖 ≠ 0
Al menos un catalizador influye de manera significativa en el
tiempo de reacción del proceso químico
𝐻1 : 𝛽𝑗 ≠ 0
Al menos un lote de material influye de manera significativa en
el tiempo de reacción del proceso químico
10
Tiempo de reacción
0
A B C D E
Catalizador
10
Tiempo de reacción
0
A B C D E
Catalizador
Después de observar la gráfica concluyo que los mejor tratamientos son los
catalizadores D y E, puesto que produce un tiempo de reacción menor que los
otros tratamientos. Lo que se busca con el catalizador es acelerar la reacción
química.
10
Tiempo de reacción
0
1 2 3 4 5
Lote
10
8
Tiempo de reacción
0
1 2 3 4 5
Día
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
RESID1
1
Residuo
-1
-2
2 3 4 5 6 7 8 9 10 11
Valor ajustado
1
Residuo
-1
-2
2 4 6 8 10 12 14 16 18 20 22 24
Orden de observación
EJEMPLO 2
Al comparan varios fertilizantes de diferentes variedades de cierto cultivo, es
típico que se deba considerar el gradiente de fertilidad del suelo (factor
columna) o los efectos residuales de cultivos previos (factor renglón).
Considerando estos factores de bloques, Gomez y Gomez (1984) plantean un
experimento en cuadro latino para comparar en cuanto a rendimiento en
toneladas por hectárea, tres variedades de maíz híbrido (A, B, C) y una variedad
de control (D). Para ellos se utiliza un campo agrícola cuadrado de 16
hectáreas, dividido en parcelas de una hectárea. Los datos de rendimiento
obtenidos en cada parcela se muestran a continuación
Ren/Col 1 2 3 4
1 1.640(B) 1.210(D) 1.425(C) 1.345(A)
2 1.475(C) 1.185(A) 1.400(D) 1.290(B)
3 1.670(A) 0.710(C) 1.665(B) 1.180(D)
4 1.565(D) 1.290(B) 1.655(A) 0.660(C)
a. ¿Cuál de los factores de bloque tuvo efectos?
b. ¿Se habrían detectados las mismas diferencias en los tratamientos con un
diseño completamente al azar?
c. ¿Y con un diseño en bloques al azar?
𝛼 = 0.05
Hipótesis estadísticas
Con respecto a los tratamientos (Variedades de maíz)
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 0
Las variedades de maíz no influyen de manera significativa en
el rendimiento de maíz
𝐻1 : 𝜏𝑖 ≠ 0
Al menos una variedad de maíz influye de manera significativa
en el rendimiento de maíz
𝐻1 : 𝛽𝑗 ≠ 0
Al menos un residual de cultivo influye de manera significativa
en el rendimiento de maíz
𝐻1 : 𝛾ℎ ≠ 0
Al menos un gradiente de fertilidad influye de manera
significativa en el rendimiento de maíz
Cálculos:
Fuente GL SC Sec. SC Ajust. CM Ajust. F
P
Variedad de maiz 3 0.42684 0.42684 0.14228 6.59
0.025
Res de cult p 3 0.03015 0.03015 0.01005 0.47
0.717
Gradiente 3 0.82734 0.82734 0.27578 12.77
0.005
Error 6 0.12958 0.12958 0.02160
Total 15 1.41392
Establecemos conclusiones
Con respecto a los tratamientos (Variedades de maíz)
Como 𝑃 = 0.025 <∝=0.05 entonces se rechaza la Hipótesis
nula y se acepta la Hipótesis alternativa. Se concluye que al
menos una variedad de maíz influye de manera significativa en
el rendimiento de maíz. Además existen diferencias entre ellos.
1.6
1.4
Rendimiento
1.2
1.0
0.8
0.6
A B C D
Variedad de maiz
60
50
40
30
20
10
1
-0.2 -0.1 0.0 0.1 0.2
RESID1
EJEMPLO 1
Un investigador está interesado en el efecto del porcentaje de lisina y del
porcentaje de proteína en la producción de vacas lecheras. Se consideran siete
niveles en cada factor.
% 𝒍𝒊𝒔𝒊𝒏𝒂: 𝟎. 𝟎 (𝑨), 𝟎. 𝟏(𝑩), 𝟎. 𝟐(𝑪), 𝟎. 𝟑(𝑫), 𝟎. 𝟒(𝑬), 𝟎. 𝟓(𝑭), 𝟎. 𝟔(𝑮)
% 𝒑𝒓𝒐𝒕𝒆í𝒏𝒂: 𝟐(𝜶), 𝟒(𝜷), 𝟔(𝝌), 𝟖(𝜹), 𝟏𝟎(𝜺), 𝟏𝟐(𝝋), 𝟏𝟒(𝜸)
Para el estudio se seleccionan siete vacas al azar, a las cuales se les da un
seguimiento de siete periodos de tres meses. Lo datos en galones de leche
fueron los siguientes:
Vaca/Periodo 1 2 3 4 5 6 7
1 304 436 350 504 417 519 432
(𝐴𝛼) (𝐵𝜀) (𝐶𝛽) (𝐷𝜑) (𝐸𝜒) (𝐹𝛾) (𝐺𝛿)
2 381 505 425 564 494 350 413
(𝐵𝛽) (𝐶𝜑) (𝐷𝜒) (𝐸𝛾) (𝐹𝛿) (𝐺𝛼) (𝐴𝜀)
3 432 566 479 357 461 340 502
(𝐶𝜒) (𝐷𝛾) (𝐸𝛿) (𝐹𝛼) (𝐺𝜀) (𝐴𝛽) (𝐵𝜑)
4 442 372 536 366 495 425 507
(𝐷𝛿) (𝐸𝛼) (𝐹𝜀) (𝐺𝛽) (𝐴𝜑) (𝐵𝜒) (𝐶𝛾)
5 496 449 493 345 509 481 380
(𝐸𝜀) (𝐹𝛽) (𝐺𝜑) (𝐴𝜒) (𝐵𝛾) (𝐶𝛿) (𝐷𝛼)
6 534 421 352 427 346 478 397
(𝐹𝜑) (𝐺𝜒) (𝐴𝛾) (𝐵𝛿) (𝐶𝛼) (𝐷𝜀) (𝐸𝛽)
7 543 386 435 485 406 554 410
(𝐺𝛾) (𝐴𝛿) (𝐵𝛼) (𝐶𝜀) (𝐷𝛽) (𝐸𝜑) (𝐹𝜒)
Hipótesis estadísticas
Con respecto a los tratamientos (Porcentaje de lisina)Cuadrado
latino
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 𝜏5 = 𝜏6 = 𝜏7 = 0
Los porcentajes de lisina no influyen de manera significativa en
la producción de leche
𝐻1 : 𝜏𝑖 ≠ 0
Al menos un porcentaje de lisina influye de manera significativa
en la producción de leche
𝐻1 : 𝛽𝑗 ≠ 0
Al menos una vaca influye de manera significativa en la
producción de leche
𝐻1 : 𝛾ℎ ≠ 0
Al menos un periodo influye de manera significativa en la
producción de leche
𝐻1 : 𝛿ℎ ≠ 0
Al menos un porcentaje de proteína influye de manera
significativa en la producción de leche
Cálculos
Fuente GL SC Sec. SC Ajust. CM Ajust. F P
Porcentaje de lisina 6 42783.6 42783.6 7130.6 7.23 0.000
Vaca 6 8754.4 8754.4 1459.1 1.48 0.227
Periodo 6 1761.0 1761.0 293.5 0.30 0.932
Porcentaje de proteína 6 145879.6 145879.6 24313.3 24.66 0.000
Error 24 23662.8 23662.8 985.9
Total 48 222841.3
Establecemos conclusiones
Con respecto a los tratamientos (Porcentaje de lisina)Cuadrado
latino
Como 𝑃 = 0.00 <∝=0.05 entonces se rechaza la Hipótesis nula
y se acepta la Hipótesis alternativa. Se concluye que al menos
un porcentaje de lisina influye de manera significativa en la
producción de leche
Con respecto a las filas (Vaca)
Como 𝑃 = 0.227 >∝=0.05 entonces se acepta la Hipótesis nula
y se rechaza la Hipótesis alternativa. Se concluye que las
vacas no influyen de manera significativa en la producción de
leche
500
Producción de leche
450
400
350
300
A B C D E F G
Porcentaje de lisina
525
500
Producción de leche
475
450
425
400
375
350
1 2 3 4 5 6 7
Vaca
Gráfica de intervalos de Producción de leche
95% IC para la media
550
500
Producción de leche
450
400
350
1 2 3 4 5 6 7
Periodo
550
Producción de leche
500
450
400
350
300
a b c d e f g
Porcentaje de proteína
De las gráficas podemos concluir que los factores que tienen efecto en la
producción de leche son los porcentajes de lisina y proteína, puesto que no
todos sus intervalos se traslapan en la gráfica lo que quiere decir que
estadísticamente no son iguales en cuanto a la producción de leche.
550
Producción de leche
500
450
400
350
300
1 2 3 4 5 6 7
Vaca
550
Producción de leche
500
450
400
350
300
1 2 3 4 5 6 7
Periodo
Esto se puede explicar mediante el análisis de las gráficas, puesto que como
se puede observar, los diferentes niveles de los factores vaca y periodo
presentan una variabilidad casi homogénea en la producción de leche.
Además, en ambas gráficas los intervalos se traslapan, lo que
estadísticamente quiere decir que los niveles de los factores vacas y periodos
son iguales en cuanto a la producción de leche.
550
Producción de leche
500
450
400
350
300
A B C D E F G
Porcentaje de lisina
De la gráfica podemos concluir que el porcentaje de lisina que da mejores
resultados es el porcentaje E, puesto que genera mayor producción de leche.
Gráfica de caja de Producción de leche
600
550
Producción de leche
500
450
400
350
300
a b c d e f g
Porcentaje de proteína
60
50
40
30
20
10
1
-75 -50 -25 0 25 50
RESID1
50
25
Residuo
-25
-50
-75
300 350 400 450 500 550 600
Valor ajustado
vs. orden
(la respuesta es Producción de leche)
50
25
Residuo
-25
-50
-75
1 5 10 15 20 25 30 35 40 45
Orden de observación
EJEMPLO 2
El ingeniero encargado de una obra desea saber la importancia que tiene
utilizar el hormigón A, hormigón B, hormigón C, hormigón D y hormigón E.
después de unos exámenes sobre densidad, impermeabilidad, durabilidad,
resistencia térmica, docilidad; obtuvo la matriz de información basados en los
siguientes datos con un α= 0.05, se podría afirmar que existen diferencias en
su preparación.
Exámenes Uso
1 2 3 4 5
Densidad A B C 76 D E
92 88 73 65
Impermeabilidad B C D 72 E A
85 70 56 80
Durabilidad C D E 76 A B
67 70 85 89
Resistencia D E A 90 B C
térmica 67 65 84 78
Docilidad E A B 86 C D
72 90 76 73
383 383 400 374 385
Análisis de varianza
2. CONCLUCIONES:
Hipótesis estadísticas
Con respecto a los tratamientos (Procedimientos de
fabricación) Cuadrado latino
𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = 𝜏4 = 𝜏5 = 0
Los procedimientos de fabricación no influyen de manera
significativa en la fabricación de ladrillo de concreto
𝐻1 : 𝜏𝑖 ≠ 0
Al menos un procedimiento de fabricación influye de manera
significativa en la fabricación de ladrillo de concreto
𝐻1 : 𝛽𝑗 ≠ 0
Al menos una mezcla influye de manera significativa en la
fabricación de ladrillo de concreto
𝐻1 : 𝛾ℎ ≠ 0
Al menos un día influye de manera significativa en la
fabricación de ladrillo de concreto
𝐻1 : 𝛿ℎ ≠ 0
Al menos una máquina influye de manera significativa en la
fabricación de ladrillo de concreto
Cálculos
Fuente GL SC Sec. SC Ajust. CM Ajust. F P
Procedimientos de fabricación 4 12.960 12.164 3.041 0.98 0.471
Mezclas 4 40.160 41.318 10.330 3.32 0.070
Días 4 11.760 10.964 2.741 0.88 0.517
Máquinas 4 22.767 22.767 5.692 1.83 0.217
Error 8 24.912 24.912 3.114
Total 24 112.560
Establecemos conclusiones
Con respecto a los tratamientos (Procedimientos de
fabricación)Cuadrado latino
Como 𝑃 = 0.471 >∝=0.05 entonces se acepta la Hipótesis nula
y se rechaza la Hipótesis alternativa. Se concluye que los
procedimientos de fabricación no influyen de manera
significativa en la fabricación de ladrillo de concreto
Con respecto a las filas (Mezclas)
Como 𝑃 = 0.070 >∝=0.05 entonces se acepta la Hipótesis nula
y se rechaza la Hipótesis alternativa. Se concluye que las
mezclas no influyen de manera significativa en la fabricación
de ladrillo de concreto
3
Ladrillo de concreto
-1
-2
-3
-4
A B C D E
Procedimientos de fabricación
4
Ladrillo de concreto
-2
-4
A B C D E
Procedimientos de fabricación
3
Ladrillo de concreto
2
-1
-2
-3
-4
a b c d e
Máquinas
2.5
Ladrillo de concreto
0.0
-2.5
-5.0
a b c d e
Máquinas
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
RESID1
𝐻𝑜 = Los residuos del experimento se ajustan a una distribución normal
𝐻1 = Los residuos del experimento no se ajustan a una distribución normal
Como 𝑝 = 0.150 > 𝛼 = 0.05 entonces se acepta la hipótesis nula y se rechaza
la hipótesis alternativa. Se concluye que los residuos del experimento se
ajustan a una distribución normal. Por lo tanto el modelo aplicado es idóneo.
EJEMPLO 3
Una compañía distribuidora ubicada en los suburbios está interesada en
estudiar la diferencia en costos (tiempo y gasolina) entre las cuatro rutas A, B, C
y D que llevan a la zona comercial. Deciden correr un experimento en cuadro
grecolatino controlando los factores de bloque chofer, marca de vehículo (a, b,
c y d) y día de la semana. El experimento se realiza en dos semanas diferentes,
en los cuales no hay días festivos y quincenas. Los costos observados se
observa en la siguiente tabla:
Modelo:
yij = μ + j + j + h + l +Ɛij
Las hipótesis a probar son:
I) Con respecto a las rutas (tratamientos):
H o 1 2 ... b 0 )
H1 i 0
II) Con respecto a los choferes (filas):
H o 1 2 ... b 0
H1 j 0
H o : 1 ... k 0
H1 : h 0
IV) Con respecto a la marca de los vehículos (tratamientos):
H o : 1 ... k 0
H1 : h 0
Cálculo:
Se realizan los cálculos para obtener las estimaciones en la tabla ANOVA; es decir: El
ANOVA resultante se muestra en la siguiente tabla:
EN MINITAB