ANALISIS Y DISEO DE EXPERIMENTOS

A continuacin se dan las bases para estudiar EXPERIMENTOS CON UN FACTOR

Formalizacin
Recordemos que tenemos k tratamientos o niveles diferentes, y
resultado del experimento hay na observaciones.

n rplicas de un solo factor, y como

N = nk

N = Nmero total de observaciones del experimento.

n Rplicas

k
Niveles

...

Totales

Promedios

Y11

Y12

...

Y1n

Y21

Y22

...

Y2n

Y1.
Y2 .

Y 1.
Y 2.

...

Ya1

Ya2

...

Y2n

Ya .

Y a.

Y ..

Y ..

Diseo balanceado
Tabla ANOVA para un factor con a niveles

Fuente de
Variacin

Grados de
libertad

Suma de Cuadrados

(Y
a

SS E = SC E =

ij

i =1

Yi .

j=1

k-1

S 2B = MST = CM T =

S2
SS Trat
FC = 2B
SW
a 1

n-k

S 2p = MSE = CM E =

SS E
Na

SST = SSTrat + SS E

Total

SW2 = MSE

o bien
a

SST =
i =1

(Y
n

j =1

ij

Y ..)

Fo

2
Tratamientos SS
Trat = SC T = n i Y i . Y..
[between groups]
i =1

Error
[within groups]

Cuadrado Medio

n-1

y es un buen estimador
de

Esta gua presenta un ejemplo del diseo y anlisis de los experimentos con un solo factor con a niveles [a
tratamientos]
Se supone que las observaciones se realizan al azar experimento es completamente aleatorizado.

Ejemplo 12-1. En Design and Anlisis of Experiments, 4 edicin [John Wiley & Sons], D.C. Montgomery
describe un experimento en el que la resistencia a la tensin de una fibra sinttica es de inters para el
fabricante. Se piensa que la resistencia se relaciona con el porcentaje de algodn de la fibra. Se usan

cinco niveles de porcentaje de algodn y se hacen cinco rplicas en orden aleatorio, obtenindose los
siguientes datos como resultado:

Diseo del Experimento

k = 5Tratamientos

Rplicas
n=5
FACTOR
% DE ALGODN
15
20
25
30

7
12
14
19

7
17
18
25

15
12
18
22

11
18
19
19

9
18
19
23

35

10

11

15

11

k = Nmero de tratamientos o niveles del factor. Estos pueden ser fijos o aleatorios
n = Nmero de rplicas
Notar que no siempre el layout esta orientado de la misma manera
Para resolver el problema en una herramienta de cmputo se usan uno o los dos layouts
Layout1
P15

P20
7
7
15
11
9

P25
12
17
12
18
18

P30
14
18
18
19
19

Layout 2
Tratamiento
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4

Resistencia
7
7
15
11
9
12
17
12
18
18
14
18
18
19
19
19
25
22
19

P35
19
25
22
19
23

7
10
11
15
11

4
5
5
5
5
5

23
7
10
11
15
11

En este caso el nmero de rplicas es el mismo para cada tratamiento

Deseamos probar la hiptesis

H0 : 1 = 2 = 3 = 4 = 5
H 1 = al meno sel promedio de un Tratamiento es

diferente
A un nivel de significancia dado
Otra forma de escribirla es suponiendo que hay un promedio general 0
Cada valor del promedio puede alejarse mucho o poco del promedio general, si se eleja mucho se dice
que el efecto es importante sino pues se dice que el efecto es pequeo. Con este razonamiento las
hiptesis se pueden expresar de la manera siguiente

H0 : 1 = 2 = 3 = 4 = 5 = 0
H 1 = al menos un efecto es diferente de cero

A un nivel de significancia dado

Solucin en Statgraphics
Los datos se introducen usando los dos Layouts
Layout 1: cada tratamiento corresponde a una columna y se usa el menu para
comparar muestras mltiples.

Layout 2: los valores se ponen en dos columnas una columna codificada con el nivel del
tratamiento y la otra con los valores correspondientes para cada tratamiento. Se usa el Menu
Analisis de Varianza

Los resultados son los mismos.

El Anlisis de varianza es
ANOVA

[Anlisis de Varianza]
El Anlisis de Varianza nos va a ayudar a comparar los diferentes tratamientos o niveles del factor de
nuestro experimento.
Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Between groups
475.76
4
118.94
14.76
0.0000
Within groups
161.2
20
8.06
----------------------------------------------------------------------------Total (Corr.)
636.96
24

Antes de continuar usted puede checar las varianzas

H 0 : 12 = 22 = 32 = 24 = 24 = 0

H 1 = al menos una varianza es diferente

De acuerdo a estos Resultados la Pruebe de Bartlett nos dice que no se debe rechazar la hiptesis de
varianzas iguales
Evaluacin de la Normalidad

O bien
Directamente

De donde resulta

cumulative percent

Normal Probability Plot

99.9
99
95
80
50
20
5
1
0.1
-3.8

-1.8

0.2

2.2

residuos
Tal parece que los residuos siguen una distribucin Normal.
La Prueba de Shapiro Wilks no existe en Statgraphics

4.2

6.2

Solucin en R

Leer los datos con el layout 1

> resistencias<-read.table("c:resistencias.txt", header=T)
> resistencias
P15 P20 P25 P30 P35
1
7 12 14 19
7
2
7 17 18 25 10
3 15 12 18 22 11
4 11 18 19 19 15
5
9 18 19 23 11
> bartlett.test(resistencias)
Bartlett test of homogeneity of variances
data: resistencias
Bartlett's K-squared = 0.9331, df = 4, p-value = 0.9198
> shapiro.test(resistencias$P15)
Shapiro-Wilk normality test
data: resistencias$P15
W = 0.881, p-value = 0.3140
> shapiro.test(resistencias$P20)
Shapiro-Wilk normality test
data: resistencias$P20
W = 0.7538, p-value = 0.03228
> shapiro.test(resistencias$P25)
Shapiro-Wilk normality test
data: resistencias$P25
W = 0.7387, p-value = 0.02332
> shapiro.test(resistencias$P30)
Shapiro-Wilk normality test
data: resistencias$P30
W = 0.902, p-value = 0.4211
Tambien podemos tranformar los datos al Layout 2 vertical con la instruccin
> resistencias.vert<data.frame(porcentaje=gl(5,5),resistencia=c(resistencias$P15,resistencias$P20,resistencias$P25,
resistencias$P30, resistencias$P35))

De donde resulta
> resistencias.vert
porcentaje resistencia
1
1
7
2
1
7
3
1
15
4
1
11
5
1
9
6
2
12
7
2
17
8
2
12
9
2
18
10
2
18

11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
>

3
3
3
3
3
4
4
4
4
4
5
5
5
5
5

14
18
18
19
19
19
25
22
19
23
7
10
11
15
11

> attach(resistencias.vert)
> porcentaje<-factor(porcentaje)
> is.factor(porcentaje)
[1] TRUE
> resistencias.aov<-aov(resistencia~porcentaje)
> summary(resistencias.aov)
Df Sum Sq Mean Sq F value
Pr(>F)
porcentaje
4 475.76 118.94 14.757 9.128e-06 ***
Residuals
20 161.20
8.06
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Normalidad en Excel

Tratamiento
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
5

Resistencia
7
7
15
11
9
12
17
12
18
18
14
18
18
19
19
19
25
22
19
23
7
10
11

promportrat
9.8
9.8
9.8
9.8
9.8
15.4
15.4
15.4
15.4
15.4
17.6
17.6
17.6
17.6
17.6
21.6
21.6
21.6
21.6
21.6
10.8
10.8
10.8

residuos
-2.8
-2.8
5.2
1.2
-0.8
-3.4
1.6
-3.4
2.6
2.6
-3.6
0.4
0.4
1.4
1.4
-2.6
3.4
0.4
-2.6
1.4
-3.8
-0.8
0.2

5
5

15
11

10.8
10.8

residuos
-3.8
-3.6
-3.4
-3.4
-2.8
-2.8
-2.6
-2.6
-0.8
-0.8
0.2
0.2
0.4
0.4
0.4
1.2
1.4
1.4
1.4
1.6
2.6
2.6
3.4
4.2
5.2

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

4.2
0.2

(j-0.5)/25
0.02
0.06
0.1
0.14
0.18
0.22
0.26
0.3
0.34
0.38
0.42
0.46
0.5
0.54
0.58
0.62
0.66
0.7
0.74
0.78
0.82
0.86
0.9
0.94
0.98

(j-0.5)/25
1.2
1
0.8
0.6
0.4
0.2

5.
2

3.
4

2.
6

1.
4

1.
4

0.
4

0.
4

0.
2

.8
-0

.8

.4

.6
-2

-2

-3

-3

.8

Prueba de Hiptesis sin tablas

H 0 : 1 = 2 = ... = k

H 1 = al menos un Tratamiento es diferente

Criterio de aceptacin o rechazo

Cuando

Ho

Es decir

NO SE RECHAZA

Los tratamientos son iguales

SE RECHAZA

Existe al menos un nivel que

produce un efecto significativo al .

F0 f ( k 1), k ( n 1),

o bien

Pvalue nivel de significancia

F0 f ( k 1), k ( n 1),

o bien

Pvalue nivel de significancia

f ( a 1),a ( n 1), = f ( 4 ),( 20 ), 0.05 = 2.87
Como F0 > f ( k 1), k ( n 1), , es decir;

14.76 > 2.87 o bien Pvalue < 0.05 Se rechaza Ho

y se dice que, s existe al menos un nivel que produce un nivel significativo al 0.05

PRUEBA DE
HIPOTESIS

SI

Solo se concluye que

cualquier tratamiento
nos da los mismos
resultados

Ho
SE ACEPTA ?

NO

Al menos un tratamiento es
diferente

Evaluar la variabilidad de los

promedios de cada tratamiento,
especificando exactamente
mediante comparaciones y
anlisis cules medias son las que
difieren.

Evaluar la variabilidad de los promedios de cada tratamiento

Cuando Ho se rechaza, se dice que, hay diferencias entre las medias de los tratamientos, pero
no se especifica exactamente cules medias producen un efecto significativo. Existen
diferentes Mtodos de Comparacin en donde estudiamos las medias, la variabilidad y los
intervalos de confianza de los tratamientos.

DIAGRAMA DE CAJA
25

Resistencia

22
19

Se aprecian diferencias

16

importantes

13
10
7

% 15

% 20

% 25

% 30

Algodn %
todo de desviacin estndar individual

Sy i . =

(Y

ij

Yi .) 2

n 1

% 35

Table of Means
with Standard error intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(individual)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.49666
8.30334
11.2967
% 20
5
15.4
1.4
14.0
16.8
% 25
5
17.6
0.927362
16.6726
18.5274
% 30
5
21.6
1.16619
20.4338
22.7662
% 35
5
10.8
1.28062
9.51938
12.0806
-------------------------------------------------------------------------------Total
25
15.04

S yi . =
Y i.

Sy i .
n

Sy i .
n

Mtodo de desviacin estndar ponderada

Table of Means
with Standard error intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(pooled s)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.26965
8.53035
11.0696
% 20
5
15.4
1.26965
14.1304
16.6696
% 25
5
17.6
1.26965
16.3304
18.8696
% 30
5
21.6
1.26965
20.3304
22.8696
% 35
5
10.8
1.26965
9.53035
12.0696
-------------------------------------------------------------------------------Total
25
15.04

El procedimiento es igual al mtodo anterior, pero aqu se usa el MSE de la tabla ANOVA, es
decir;

Mtodo de Intervalo de Confianza

Usando desviacin estndar individual
Table of Means
with 95.0 percent confidence intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(individual)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.49666
5.64458
13.9554
% 20
5
15.4
1.4
11.513
19.287
% 25
5
17.6
0.927362
15.0252
20.1748
% 30
5
21.6
1.16619
18.3621
24.8379
% 35
5
10.8
1.28062
7.2444
14.3556
-------------------------------------------------------------------------------Total
25
15.04

Y i . t
2

, ( n 1)

S yi.

Mtodo de Intervalo de Confianza

Usando desviacin estndar ponderada
Table of Means
with 95.0 percent confidence intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(pooled s)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.26965
7.15156
12.4484
% 20
5
15.4
1.26965
12.7516
18.0484
% 25
5
17.6
1.26965
14.9516
20.2484
% 30
5
21.6
1.26965
18.9516
24.2484
% 35
5
10.8
1.26965
8.15156
13.4484
-------------------------------------------------------------------------------Total
25
15.04

Y i . t
2

, a ( n 1)

Mtodo de Diferencia Mnima Significativa - Fisher

LSD = t
2

, a ( n 1)

cuando son rplicas iguales

MSE (

1
1
+ )
ni n j

LSD = t
2

, a ( n 1)

2 MSE
n

Table of Means
with 95.0 percent LSD intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(pooled s)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.26965
7.92727
11.6727
% 20
5
15.4
1.26965
13.5273
17.2727
% 25
5
17.6
1.26965
15.7273
19.4727
% 30
5
21.6
1.26965
19.7273
23.4727
% 35
5
10.8
1.26965
8.92727
12.6727
-------------------------------------------------------------------------------Total
25
15.04

Y i.

LSD
2

Mtodo HSD Tukey

T =

q (a, f )
2

MSE (

1
1
+ )
ni n j

cuando son rplicas iguales

en donde

T = q (a , f )

f = a ( n 1)

MSE
n

Se obtiene de
TABLA I

T0.01 = q 0.01 (5,20)

MSE
8.06
= 5.29
= 6.72
n
5

Por lo tanto, cualquier par de promedios de los tratamientos que difieran en valor absoluto por
ms de 6.72 implicara que el par correspondiente de medias poblacionales son
significativamente diferentes.

Table of Means
with 95.0 percent Tukey HSD intervals
-------------------------------------------------------------------------------Stnd. error
Count
Mean
(pooled s)
Lower limit
Upper limit
-------------------------------------------------------------------------------% 15
5
9.8
1.26965
7.1127
12.4873
% 20
5
15.4
1.26965
12.7127
18.0873
% 25
5
17.6
1.26965
14.9127
20.2873
% 30
5
21.6
1.26965
18.9127
24.2873
% 35
5
10.8
1.26965
8.1127
13.4873
-------------------------------------------------------------------------------Total
25
15.04

Y i.

HSD
2

Multiple Range Tests

-------------------------------------------------------------------------------Method: 95.0 percent LSD
Count
Mean
Homogeneous Groups
-------------------------------------------------------------------------------% 15
5
9.8
X
% 35
5
10.8
X
% 20
5
15.4
X
% 25
5
17.6
X
% 30
5
21.6
X
-------------------------------------------------------------------------------Contrast
Difference
+/- Limits
-------------------------------------------------------------------------------% 15 - % 20
*-5.6
3.74546
Y 1. Y 2 .
% 15 - % 25
*-7.8
3.74546
% 15 - % 30
*-11.8
3.74546
% 15 - % 35
-1.0
3.74546
% 20 - % 25
-2.2
3.74546
% 20 - % 30
*-6.2
3.74546
% 20 - % 35
*4.6
3.74546
% 25 - % 30
*-4.0
3.74546
% 25 - % 35
*6.8
3.74546
% 30 - % 35
*10.8
3.74546
--------------------------------------------------------------------------------

* Estadsticamente denota una diferencia significativa

Comparaciones
posibles por pares

k( k 1) 5( 4)
=
= 10
2
2

> TukeyHSD(resistencias.aov, ordered = TRUE)

Tukey multiple comparisons of means

95% family-wise confidence level
factor levels have been ordered
Fit: aov(formula = resistencia ~ porcentaje)
$porcentaje
diff
lwr
5-1 1.0 -4.3729583
2-1 5.6 0.2270417
3-1 7.8 2.4270417
4-1 11.8 6.4270417
2-5 4.6 -0.7729583
3-5 6.8 1.4270417
4-5 10.8 5.4270417
3-2 2.2 -3.1729583
4-2 6.2 0.8270417
4-3 4.0 -1.3729583

upr
6.372958
10.972958
13.172958
17.172958
9.972958
12.172958
16.172958
7.572958
11.572958
9.372958

p adj
0.9797709
0.0385024
0.0025948
0.0000190
0.1162970
0.0090646
0.0000624
0.7372438
0.0188936
0.2101089

> plot(TukeyHSD(resistencias.aov,ordered=TRUE))