DISEÑOS EXPERIMENTALES

I. DISEÑO COMPLETAMENTE ALEATORIO

Es el diseño experimental más elemental y sencillo utilizado en la

investigación, donde las unidades experimentales son asignadas
aleatoriamente a los tratamientos o viceversa sin, ninguna otra restricción.

Modelo Aditivo Lineal

𝑌𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝜀𝑖𝑗
Donde:
𝑌𝑖𝑗 : Es la variable respuesta.
𝜇: Efecto de la media poblacional.
𝑡𝑖 : Efecto del i-esimo tratamiento.
𝜀𝑖𝑗 : Efectos aleatorio.

Esquema del diseño

Tratamientos
Rep. TOTAL
1 2 … i … k
1 Y11 Y21 … Yi1 … Yk1
2 Y12 Y22 … Yi2 … Yk2
3 Y13 Y23 … Yi3 … Yk3
. . . … . … .
. . . … . … .
j Y1j Y2j … Yij … Ykj
. . . … . … .
. . . … . … .
r Y1r Y2r … Yir … Ykr
Totales Yi. Y1. Y2. … Yi. … Yk. Y..
Promedios

Esquema del análisis de variancia.

TABLA ANOVA
F.V. S.C. G.L. C.M Fc
𝐶𝑀𝑇𝑟𝑎𝑡
Tratamiento 𝑆𝐶𝑇𝑟𝑎𝑡 𝑘−1 𝐶𝑀𝑇𝑟𝑎𝑡
𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Error 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 𝑁−𝑘 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Total 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 𝑁−1

1TA20152DUED
- Cálculo de la suma de cuadrados del Total:
𝑘 𝑛
𝑇2
𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑖=1 𝑗=1

- Cálculo de la suma de Cuadrados de Tratamientos:

𝑘
𝑌𝑖.2 𝑇 2
𝑆𝐶𝑇𝑟𝑎𝑡 = ∑ −
𝑛𝑖 𝑁
𝑖=1

Dónde:
𝑘 𝑛

𝑇 = ∑ ∑ 𝑌𝑖𝑗
𝑖=1 𝑗=1

- Cálculo de la suma de Cuadrados del Error:

𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 − 𝑆𝐶𝑇𝑟𝑎𝑡

EJERCICIO APLICATIVO
Se tiene 4 dosificaciones diferentes de hormigón (A, B, C y D), y de cada
dosificación se ha extraído una probeta obteniéndose la resistencia del
hormigón a la compresión. Obteniéndose los resultados que se muestran a
continuación.

DOSIFICACIONES DE HORMIGON
A B C D
42 45 64 56
Resistencia del 39 46 61 55
hormigón a la
48 45 50 62
compresión
(Mpa) 43 39 55 59
44 43 58 60

Se desea saber si existe diferencia significativa entre las resistencias medias

de cada una de las dosificaciones.

SOLUCIÓN
Variable de respuesta: Resistencia del hormigón a la compresión en MPa.
Tratamiento: Dosificación de hormigón.

2TA20152DUED
Realizando la prueba de hipótesis
1. Planteamiento de la Hipótesis:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑑𝑜𝑠 𝑝𝑎𝑟𝑒𝑠 𝑑𝑒 𝑚𝑒𝑑𝑖𝑎

2. Nivel de significancia: 𝛼 = 5% = 0.05

3. Estadístico de prueba
𝐶𝑀𝑇𝑟𝑎𝑡
𝐹=
𝐶𝑀𝐸𝑟𝑟𝑜𝑟
4. Región Critica:

Calculando el F tabulado (𝐹𝑇 ) con ayuda del Excel.

𝐹𝑇 = 𝐹0.05;3;16 = 3.24

Región de Aceptación
de 𝐻𝑂
95%

Región de Rechazo
de 𝐻𝑂
5%
3.24
Regla de decisión:
Si 𝐹𝑐 ≤ 3.24 se acepta 𝐻𝑂 (No existe significancia estadística).
Si 𝐹𝑐 > 3.24 se rechaza 𝐻𝑂 (Existe significancia estadística).

5. Calculo del estadístico:

3TA20152DUED
El cálculo del estadístico se realizara mediante el uso del SPSS, para lo
cual ingresamos los datos al SPSS, tal como se muestra a continuacion:

Para obtener la tabla ANVA, realizamos el siguiente procedimiento:

Analizar  Modelo Lineal General  Univariante

4TA20152DUED
Al hacer clic en el botón Aceptar, se obtiene los siguientes resultados:

Factores inter-sujetos

Etiqueta de
valor N

Dosificacion 1,00 A 5

2,00 B 5

3,00 C 5
4,00 D 5

5TA20152DUED
 Prueba de igualdad de Levene de varianzas de
errora
Variable dependiente: Resistencia

F df1 df2 Sig.

1,044 3 16 ,400

Prueba la hipótesis nula que la varianza de error

de la variable dependiente es igual entre grupos.
a. Diseño : Interceptación + Dosificacion

Interpretación: Como (Sig.=0.4>0.05) se demuestra que existe igualdad

de varianzas.

Pruebas de efectos inter-sujetos

Variable dependiente: Resistencia

Tipo III de suma Cuadrático

Origen de cuadrados gl promedio F Sig.

Modelo corregido 1067,800a 3 355,933 25,378 ,000

Interceptación 51409,800 1 51409,800 3665,583 ,000
Dosificacion 1067,800 3 355,933 25,378 ,000
Error 224,400 16 14,025
Total 52702,000 20
Total corregido 1292,200 19

a. R al cuadrado = ,826 (R al cuadrado ajustada = ,794)

Interpretación: Se tiene que para Dosificación 𝐹𝑐 = 25.378 y su p-value es

0.000.

6. Decisión y conclusiones:
Como 𝐹𝑐 > 𝐹𝑇 (25.378 > 3.24), entonces se rechaza la hipótesis nula, por lo
que se concluye, a un nivel de confianza del 95%, que existe diferencia
significativa en la resistencia del hormigón de acuerdo a la dosificación.

6TA20152DUED
 Como se verifica la existencia significativa entre las dosis aplicadas en la
resistencia del hormigón, también se realizó la PRUEBA POST HOC en el
SPSS, obteniéndose el siguiente resultado:
Comparaciones múltiples
Variable dependiente: Resistencia

Intervalo de confianza al

Diferencia 95%

(I) (J) de medias Error Límite Límite

Dosificacion Dosificacion (I-J) estándar Sig. inferior superior

HSD A B -,4000 2,36854 ,998 -7,1765 6,3765

Tukey C -14,4000* 2,36854 ,000 -21,1765 -7,6235

D -15,2000* 2,36854 ,000 -21,9765 -8,4235

B A ,4000 2,36854 ,998 -6,3765 7,1765

C -14,0000* 2,36854 ,000 -20,7765 -7,2235

D -14,8000* 2,36854 ,000 -21,5765 -8,0235

C A 14,4000* 2,36854 ,000 7,6235 21,1765

B 14,0000* 2,36854 ,000 7,2235 20,7765

D -,8000 2,36854 ,986 -7,5765 5,9765

D A 15,2000* 2,36854 ,000 8,4235 21,9765

B 14,8000* 2,36854 ,000 8,0235 21,5765

C ,8000 2,36854 ,986 -5,9765 7,5765

Se basa en las medias observadas.
El término de error es la media cuadrática(Error) = 14,025.
*. La diferencia de medias es significativa en el nivel .05.

Interpretación: Se puede decir que las medias de la resistencia del hormigón

con dosificación A y B son iguales, además las medias de la resistencia del
hormigón con dosificación C y D son iguales. Mientras que los la resistencia del
hormigón con dosificación A y C tienen medias diferentes.

7TA20152DUED
 II. DISEÑO EN BLOQUES ALEATORIO
Un diseño de bloques aleatorizados consiste de “b” bloques con “k” unidades
experimentales cada uno. Los tratamientos se asignan al azar a las unidades
de cada bloque, apareciendo cada tratamiento exactamente una vez en cada
bloque.
Este tipo de diseño implica la presencia de dos variables cualitativas
independientes “bloques” y “tratamientos”. Generalmente el diseño es utilizado
en experimentos de campo; donde existen uno o más fuentes de variación.

Modelo Aditivo Lineal

𝑌𝑖𝑗 = 𝜇 + 𝑡𝑖 + 𝑏𝑗 + 𝑐𝑖𝑗
i = 1, 2, 3,…. “k” tratamientos.
j = 1, 2, 3,… “b” bloques.
Dónde:
𝑌𝑖𝑗 : Es la variable respuesta.
𝜇: Efecto de la media poblacional.
𝑡𝑖 : Efecto del i-ésimo tratamiento.
𝑏𝑗 : Efecto del j-ésimo tratamiento.
𝜀𝑖𝑗 : Efectos aleatorios.

Esquema del diseño

TOTAL
Tratamientos
Bloques BLOQUES
1 2 … k Y.j
1 Y11 Y21 … Yk1 Y.1
2 Y12 Y22 … Yk2 Y.2
3 Y13 Y23 … Yk3 Y.3
. . . … . .
. . . … . .
b Y1b Y2b … Ykb Y.b
Total Trat.
Y1. Y2. … Yk. Y..
Yi.
Promedios

8TA20152DUED
 Esquema del análisis de variancia.
TABLA ANOVA
F.V. S.C. G.L. C.M Fc
𝐶𝑀𝑇𝑟𝑎𝑡
Tratamiento 𝑆𝐶𝑇𝑟𝑎𝑡 𝑘−1 𝐶𝑀𝑇𝑟𝑎𝑡
𝐶𝑀𝑒𝑟𝑟𝑜𝑟
𝐶𝑀𝐵𝑙𝑜𝑞
Bloques 𝑆𝐶𝐵𝑙𝑜𝑞 𝑏−1 𝐶𝑀𝐵𝑙𝑜𝑞
𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Error 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 (𝑘 − 1)(𝑏 − 1) 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Total 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 𝑁−1

- Cálculo de la suma de cuadrados del Total:

𝑘 𝑛
𝑇2
𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑖=1 𝑗=1

- Cálculo de la suma de Cuadrados de Tratamientos:

𝑘
𝑌𝑖.2 𝑇 2
𝑆𝐶𝑇𝑟𝑎𝑡 = ∑ −
𝑏 𝑁
𝑖=1
- Cálculo de la suma de Cuadrados de Bloques:
𝑘
𝑌.𝑗2 𝑇 2
𝑆𝐶𝐵𝑙𝑜𝑞 = ∑ −
𝑘 𝑁
𝑖=1

Dónde:
𝑘 𝑛

𝑇 = ∑ ∑ 𝑌𝑖𝑗
𝑖=1 𝑗=1

- Cálculo de la suma de Cuadrados del Error:

𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 − 𝑆𝐶𝑇𝑟𝑎𝑡 − 𝑆𝐶𝐵𝑙𝑜𝑞

EJERCICIO APLICATIVO
Una empresa de construcción realiza la medición de la resistencia de mezclas
de hormigón a la compresión en 4 laboratorios. Cada mezcla de hormigón está
clasificada de acuerdo a 5 tipos de dosis de hormigón (A, B, C, D y E).
Obteniéndose los resultados que se muestran a continuación.

9TA20152DUED
 DOSIFICACIONES DE HORMIGON
Laboratorios
A B C D E
Laboratorio 1 63,5 63,2 62,3 65,6 65,0
Laboratorio 2 64,1 64,2 63,0 64,2 64,9
Laboratorio 3 65,9 65,0 63,9 66,0 65,8
Laboratorio 4 64,9 65,2 64,1 65,9 67,9

Se desea saber si existe diferencia significativa entre 4 laboratorios que

analizaran 5 tipos de mezcla de hormigón.

SOLUCIÓN
Variable de respuesta: Resistencia del hormigón a la compresión en MPa.
Factor: Laboratorio, con 4 niveles.
Bloques: Mezcla de hormigón (no es objeto directo de motivo del estudio).

REALIZANDO LA PRUEBA DE HIPÓTESIS PARA EL TRATAMIENTO

1. Planteamiento de la Hipótesis:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑑𝑜𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑑𝑜𝑠 𝑙𝑎𝑏𝑜𝑟𝑎𝑡𝑜𝑟𝑖𝑜𝑠

2. Nivel de significancia: 𝛼 = 5% = 0.05

3. Calculando el estadístico de prueba

𝐶𝑀𝑇𝑟𝑎𝑡
𝐹=
𝐶𝑀𝐸𝑟𝑟𝑜𝑟
4. Región Critica:

Calculando el F tabulado (𝐹𝑇 ) con ayuda del Excel.

𝐹𝑇 = 𝐹0.05;3;12 = 3.49

10TA20152DUED
 Región de Aceptación
de 𝐻𝑂
95%

Región de Rechazo
de 𝐻𝑂
5%
3.49
Regla de decisión:
Si 𝐹𝑐 ≤ 3.49 se acepta 𝐻𝑂 (No existe significancia estadística).
Si 𝐹𝑐 > 3.49 se rechaza 𝐻𝑂 (Existe significancia estadística).

5. Calculo del estadístico:

El cálculo del estadístico se realizara mediante el uso del SPSS, para lo
cual ingresamos los datos al SPSS, tal como se muestra a continuación:

Para obtener la tabla ANVA, realizamos el siguiente procedimiento:

Analizar  Modelo Lineal General  Univariante

11TA20152DUED
Al hacer clic en el botón Aceptar, se obtiene los siguientes resultados:

12TA20152DUED
Análisis univariado de varianza

Factores inter-sujetos

Etiqueta de
valor N

Mezcla 1,00 A 4

2,00 B 4

3,00 C 4

4,00 D 4

5,00 E 4
Laboratorio 1,00 Laboratorio1 5

2,00 Laboratorio2 5

3,00 Laboratorio3 5

4,00 Laboratorio4 5

Pruebas de efectos inter-sujetos

Variable dependiente: Resistencia

Tipo III de suma Cuadrático

Origen de cuadrados gl promedio F Sig.
a
Modelo corregido 26,725 7 3,818 9,551 ,000
Interceptación 83799,458 1 83799,458 209629,664 ,000
Laboratorio 10,918 3 3,639 9,104 ,002
Mezcla 15,807 4 3,952 9,886 ,001
Error 4,797 12 ,400
Total 83830,980 20
Total corregido 31,522 19

a. R al cuadrado = ,848 (R al cuadrado ajustada = ,759)

Interpretación: Se tiene que para Dosificación 𝐹𝑐 = 9.104 y su p-value es

0.002.

6. Decisión y conclusiones:
Como 𝐹𝑐 > 𝐹𝑇 (9.104 > 3.49), entonces se rechaza la hipótesis nula, por lo
que se concluye, a un nivel de confianza del 95%, que existe diferencia
significativa en la medición de la resistencia del hormigón de acuerdo a la
dosificación realizada por cada laboratorio.

13TA20152DUED
 Como se verifica la existencia significativa entre las mediciones realizadas
por cada laboratorio, se realizó la PRUEBA POST HOC en el SPSS,
obteniéndose el siguiente resultado:

Comparaciones múltiples
Variable dependiente: Resistencia
Bonferroni

Intervalo de confianza al
95%

(I) (J) Diferencia de Error Límite

Laboratorio Laboratorio medias (I-J) estándar Sig. Límite inferior superior

Laboratorio1 Laboratorio2 -,1600 ,39987 1,000 -1,4207 1,1007

Laboratorio3 -1,4000* ,39987 ,026 -2,6607 -,1393

Laboratorio4 -1,6800* ,39987 ,007 -2,9407 -,4193

Laboratorio2 Laboratorio1 ,1600 ,39987 1,000 -1,1007 1,4207
Laboratorio3 -1,2400 ,39987 ,055 -2,5007 ,0207
Laboratorio4 -1,5200* ,39987 ,015 -2,7807 -,2593
Laboratorio3 Laboratorio1 1,4000* ,39987 ,026 ,1393 2,6607
Laboratorio2 1,2400 ,39987 ,055 -,0207 2,5007
Laboratorio4 -,2800 ,39987 1,000 -1,5407 ,9807
Laboratorio4 Laboratorio1 1,6800* ,39987 ,007 ,4193 2,9407

Laboratorio2 1,5200* ,39987 ,015 ,2593 2,7807

Laboratorio3 ,2800 ,39987 1,000 -,9807 1,5407

Se basa en las medias observadas.

El término de error es la media cuadrática(Error) = ,400.
*. La diferencia de medias es significativa en el nivel 0.05.

Interpretación: Se puede decir que la medición realizada por los laboratorios

son distintas en el caso del laboratorio 1 con el laboratorio 3 y laboratorio 4, a
un nivel de confianza del 95%.

14TA20152DUED
 III. DISEÑO CUADRADO LATINO
Un diseño Cuadrado Latino se utiliza para eliminar dos fuentes de variabilidad
conocida en el material experimental, es decir permite agrupar a las unidades
experimentales en dos direcciones por filas y columnas, y la asignación de los
tratamientos al azar en las unidades, de tal forma que en cada fila y en cada
columna se encuentren todos los tratamientos.
.
Modelo Lineal Aditivo
𝑌𝑖𝑗 (𝑘) = 𝜇 + 𝑡𝑖 + 𝑏𝑗 + 𝑂𝑘 + 𝑐𝑖𝑗 (𝑘)
i = 1, 2, 3,…. “t” tratamientos.
j = 1, 2, 3,… “h” hileras.
k = 1, 2, 3,… “c” columnas.
Dónde:
𝑌𝑖𝑗 (𝑘): Es la variable respuesta.
𝜇: Efecto de la media general.
𝑡𝑖 : Efecto del i-ésimo tratamiento.
𝑏𝑗 : Efecto del j-ésimo hilera.
𝑂𝑘 : Efecto de k-ésima columna.
𝑐𝑖𝑗 (𝑘): Efecto aleatorio del error experimental.

Esquema del diseño

TOTAL
Tratamientos
Bloques BLOQUES
1 2 … k Y.j
1 Y11 Y21 … Yk1 Y.1
2 Y12 Y22 … Yk2 Y.2
3 Y13 Y23 … Yk3 Y.3
. . . … . .
. . . … . .
b Y1b Y2b … Ykb Y.b
Total Trat.
Y1. Y2. … Yk. Y..
Yi.
Promedios

15TA20152DUED
 Esquema del análisis de variancia.
TABLA ANOVA
F.V. S.C. G.L. C.M Fc
𝐶𝑀𝑇𝑟𝑎𝑡
Efecto Fila 𝑆𝐶𝐹 𝑘−1 𝐶𝑀𝑇𝑟𝑎𝑡
𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Efecto 𝐶𝑀𝐵𝑙𝑜𝑞
𝑆𝐶𝐶 𝑏−1 𝐶𝑀𝐵𝑙𝑜𝑞
Columna 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Efecto Letra
𝑆𝐶𝐿
Latina
Error 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 (𝑘 − 1)(𝑏 − 1) 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Total 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 𝑁−1

- Cálculo de la suma de cuadrados del Total:

𝑘 𝑛
𝑇2
𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 −
𝑁
𝑖=1 𝑗=1

- Cálculo de la suma de Cuadrados de las filas:

𝑘
𝑌𝑖.2 𝑇 2
𝑆𝐶𝐹 = ∑ −
𝑘 𝑁
𝑖=1
- Cálculo de la suma de Cuadrados de las columnas:
𝑘
𝑌.𝑗2 𝑇 2
𝑆𝐶𝐶 = ∑ −
𝑘 𝑁
𝑖=1

- Cálculo de la suma de Cuadrados del cuadrado latino:

𝑘 2
𝑌..ℎ 𝑇2
𝑆𝐶𝐿 = ∑ −
𝑘 𝑁
𝑖=1

Dónde:
𝑘 𝑛

𝑇 = ∑ ∑ 𝑌𝑖𝑗
𝑖=1 𝑗=1

- Cálculo de la suma de Cuadrados del Error:

𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 − 𝑆𝐶𝐹 − 𝑆𝐶𝐶 − 𝑆𝐶𝐿

16TA20152DUED
 EJERCICIO APLICATIVO
Se desea estudiar el efecto del uso de un broncodilatador para el asma. El
asma causas una crisis para poder respirar. El uso del broncodilatador es que
incrementa la frecuencia cardiaca, por lo cual el uso excesivo del
broncodilatador no es muy bueno para la salud. El objetivo es determinar
cuánto de incremento tiene estos medicamentos en la frecuencia cardiaca,
teniendo en cuenta el grupo etario y la ciudad donde se aplica el medicamento
(cada ciudad está a diferente altitud sobre el nivel del mar).
El grupo etario esta clasificado de acuerdo a la siguiente escala:
Grupo A: Mayores de 10 años - 20 años.
Grupo B: Mayores de 20 años - 30 años.
Grupo C: Mayores de 30 años - 40 años.
Grupo D: Mayores de 40 años - 50 años.
Los medicamentos aplicados son:
M1: Salbutamol
M2: Fenoterol
M3: Terbutalina
M4: Salmeterol
Obteniéndose los siguientes resultados:

Grupo Etario
Ciudad
A B C D
Trujillo 25 (M1) 9(M4) 11(M2) 9(M3)
Moquegua 17(M4) 15(M3) 18(M1) 12(M2)
Arequipa 26(M3) 21(M2) 14(M4) 19(M1)
Cerro de Pasco 29(M2) 26(M1) 16(M3) 15(M4)

Se desea saber si existe diferencia significativa entre 4 laboratorios que

analizaran 5 tipos de mezcla de hormigón.

SOLUCIÓN
Variable de respuesta: Incremento de la frecuencia cardiaca.
Bloque I: Edad (variable no manipulable, que puede influir en el incremento de
la frecuencia cardiaca).

17TA20152DUED
Bloque II: Ciudad (variable no manipulable, que puede influir en el incremento
de la frecuencia cardiaca debido a la altitud sobre el nivel del mar).

REALIZANDO LA PRUEBA DE HIPÓTESIS PARA EL TRATAMIENTO

1. Planteamiento de la Hipótesis:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑑𝑜𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒 𝑑𝑜𝑠 𝑙𝑎𝑏𝑜𝑟𝑎𝑡𝑜𝑟𝑖𝑜𝑠

2. Nivel de significancia: 𝛼 = 5% = 0.05

3. Calculando el estadístico de prueba

𝑆𝐶𝐹
𝐹𝑇 = 𝑘 −1
𝑆𝐶𝐸𝑟𝑟𝑜𝑟
(𝑘 − 1)(𝑘 − 2)
4. Región Critica:

Calculando el F tabulado (𝐹𝑇 ) con ayuda del Excel.

𝐹𝑇 = 𝐹0.05;3;6 = 4.76

Región de Aceptación
de 𝐻𝑂
95%

Región de Rechazo
de 𝐻𝑂
5%
4.76
Regla de decisión:

18TA20152DUED
 Si 𝐹𝑐 ≤ 4.76 se acepta 𝐻𝑂 (No existe significancia estadística).
Si 𝐹𝑐 > 4.76 se rechaza 𝐻𝑂 (Existe significancia estadística).

5. Calculo del estadístico:

El cálculo del estadístico se realizara mediante el uso del SPSS, para lo
cual ingresamos los datos al SPSS, tal como se muestra a continuación:

Para obtener la tabla ANVA, realizamos el siguiente procedimiento:

Analizar  Modelo Lineal General  Univariante

19TA20152DUED
 Seleccionamos los efectos principales:

Al hacer clic en el botón Aceptar, se obtiene los siguientes resultados:

Análisis univariado de varianza

Factores inter-sujetos

20TA20152DUED
 Etiqueta de
valor N

Ciudad 1,00 Trujillo 4

2,00 Moquegua 4

3,00 Arequipa 4

4,00 Cerro de Pasco 4

Edad 10,20 A 4
20,30 B 4
30,40 C 4
40,50 D 4
Broncodilatador 1,00 Salbutamol 4

2,00 Fenoterol 4

3,00 Terbutalina 4

4,00 Salmeterol 4

Broncodilatador
Variable dependiente: IncrementoFrecCard

Intervalo de confianza al 95%

Broncodilatador Media Error estándar Límite inferior Límite superior

Salbutamol 22,000 ,677 20,343 23,657

Fenoterol 18,250 ,677 16,593 19,907
Terbutalina 16,500 ,677 14,843 18,157
Salmeterol 13,750 ,677 12,093 15,407

Pruebas de efectos inter-sujetos

Variable dependiente: IncrementoFrecCard

Tipo III de suma Cuadrático

Origen de cuadrados gl promedio F Sig.

Modelo corregido 580,750a 9 64,528 35,197 ,000

Interceptación 4970,250 1 4970,250 2711,045 ,000
Ciudad 168,750 3 56,250 30,682 ,000
Edad 268,750 3 89,583 48,864 ,000
Broncodilatador 143,250 3 47,750 26,045 ,001
Error 11,000 6 1,833
Total 5562,000 16
Total corregido 591,750 15

a. R al cuadrado = ,981 (R al cuadrado ajustada = ,954)

21TA20152DUED
 Interpretación: Se tiene que para Dosificación 𝐹𝑐 = 26.045 y su p-value es
0.001.

6. Decisión y conclusiones:
Como 𝐹𝑐 > 𝐹𝑇 (9.104 > 3.49), entonces se rechaza la hipótesis nula, por lo
que se concluye, a un nivel de confianza del 95%, que existe diferencia
significativa en el incremento de la frecuencia cardiaca de acuerdo al
broncodilatador utilizado.

Como se verifica la existencia significativa entre las mediciones realizadas

por cada laboratorio, se realizó la PRUEBA POST HOC en el SPSS,
obteniéndose el siguiente resultado:
Comparaciones múltiples
Variable dependiente: IncrementoFrecCard

Intervalo de confianza

Diferencia al 95%

(I) (J) de medias Error Límite Límite

Broncodilatador Broncodilatador (I-J) estándar Sig. inferior superior

DMS Salbutamol Fenoterol 3,7500* ,95743 ,008 1,4073 6,0927

Terbutalina 5,5000* ,95743 ,001 3,1573 7,8427

Salmeterol 8,2500* ,95743 ,000 5,9073 10,5927

Fenoterol Salbutamol -3,7500* ,95743 ,008 -6,0927 -1,4073

Terbutalina 1,7500 ,95743 ,117 -,5927 4,0927

Salmeterol 4,5000* ,95743 ,003 2,1573 6,8427

Terbutalina Salbutamol -5,5000* ,95743 ,001 -7,8427 -3,1573

Fenoterol -1,7500 ,95743 ,117 -4,0927 ,5927

Salmeterol 2,7500* ,95743 ,028 ,4073 5,0927

Salmeterol Salbutamol -8,2500* ,95743 ,000 -10,5927 -5,9073

Fenoterol -4,5000* ,95743 ,003 -6,8427 -2,1573

Terbutalina -2,7500* ,95743 ,028 -5,0927 -,4073

Se basa en las medias observadas.
El término de error es la media cuadrática(Error) = 1,833.
*. La diferencia de medias es significativa en el nivel .05.

Interpretación: Se puede decir que el broncodilatador Salbutamol eleva en

mayor cantidad la frecuencia cardiaca con respecto a los otros
broncodilatadores, a un nivel de confianza del 95%.

22TA20152DUED
 IV. DISEÑO FACTORIAL
Los factoriales son combinaciones de factores (A, B,…) para formar
tratamientos, los cuales se aplican en los diseños experimentales DCA,
DBCA, DCL. La información obtenida de estos experimentos es amplia, ya
que permiten comparar los niveles de cada factor entre si y evaluar las
interacciones que resulten como combinaciones de los factores así como la
comparación de niveles de un factor bajo un nivel, de otro factor.

.
Modelo Lineal Aditivo
𝑌𝑖𝑗𝑘 = 𝜇 + 𝑡𝑖 + 𝑏𝑗 + (𝑡𝑏)𝑖𝑗 + 𝜀𝑖𝑗𝑘
i = 1, 2, 3,…. “a” factores de A.
j = 1, 2, 3,… “b” factores de B.
k = 1, 2, 3,… “n” datos.
Dónde:
𝑌𝑖𝑗 (𝑘): Es la variable respuesta.
𝜇: Efecto de la media general.
𝑡𝑖 : Efecto del i-ésimo nivel del factor renglón A.
𝑏𝑗 : Efecto del j-ésimo nivel del factor columna B.
(𝑡𝑏)𝑖𝑗 : Efecto de la interaccion entre 𝑡𝑖 y 𝑏𝑗 .
𝑐𝑖𝑗 (𝑘): Efecto aleatorio del error experimental.

Esquema del diseño

Factor B
1 2 ... b

Y 111,Y 112, Y 121,Y 122, Y 1b1,Y1b2,

1 ...
...,Y 11n ...,Y 12n ...,Y 1bn

Y 211,Y212, Y 221,Y 222, Y 2b1,Y 2b2,

2 ...
...,Y 21n ...,Y 22n ...,Y 2bn
Factor A
... ... ... ... ...

a Y a11,Ya12, Y a21,Y a22, Y ab1,Y ab2,

...
...,Y a1n ...,Y a2n ...,Y abn

23TA20152DUED
 Esquema del análisis de variancia.
TABLA ANOVA
F.V. S.C. G.L. C.M Fc
Tratamiento 𝐶𝑀𝐴
𝑆𝐶𝐴 𝑎−1 𝐶𝑀𝐴
A 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Tratamiento 𝐶𝑀𝐵
𝑆𝐶𝐵 𝑏−1 𝐶𝑀𝐵
B 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Interacción 𝐶𝑀𝐼
𝑆𝐶𝐼 (𝑎 − 1)(𝑏 − 1) 𝐶𝑀𝐼
AB 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Error 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 𝑎𝑏(𝑛 − 1) 𝐶𝑀𝑒𝑟𝑟𝑜𝑟
Total 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 𝑎𝑏𝑛 − 1

- Cálculo de la suma de cuadrados del Total:

𝑎 𝑏 𝑛
2
𝑇2
𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 −
𝑎𝑏𝑛
𝑖=1 𝑗=1 𝑘=1

- Cálculo de la suma de Cuadrados del Tratamiento A:

𝑎
𝑌𝑖..2 𝑇2
𝑆𝐶𝐴 = ∑ −
𝑏𝑛 𝑎𝑏𝑛
𝑖=1
- Cálculo de la suma de Cuadrados del Tratamiento B:
𝑏
𝑌.𝑗.2 𝑇2
𝑆𝐶𝐵 = ∑ −
𝑎𝑛 𝑎𝑏𝑛
𝑗=1

- Cálculo de la suma de Cuadrados de la Interacción AB:

𝑎2 𝑏
𝑌𝑖𝑗. 𝑇2
𝑆𝐶𝑠𝑢𝑏𝑡𝑜𝑡𝑎𝑙𝑒𝑠 = ∑ ∑ −
𝑛 𝑎𝑏𝑛
𝑖=1 𝑗=1
Obteniéndose la suma de Cuadrados de la Interacción mediante la
siguiente formula:

𝑆𝐶𝐼 = 𝑆𝐶𝑠𝑢𝑏𝑡𝑜𝑡𝑎𝑙𝑒𝑠 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵

Dónde:
𝑘 𝑛

𝑇 = ∑ ∑ 𝑌𝑖𝑗
𝑖=1 𝑗=1

- Cálculo de la suma de Cuadrados del Error:

𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 − 𝑆𝐶𝐹 − 𝑆𝐶𝐶 − 𝑆𝐶𝐿

24TA20152DUED
 EJERCICIO APLICATIVO
Un ingeniero decide probar tres materiales de la cubierta, único factor
controlable, a tres niveles de temperatura (15, 70 y 125 °F) con el objetivo de
medir la duración efectiva (en horas) de la batería en un entorno de uso final
del producto. Se prueban cuatro baterías a cada combinación de material de la
cubierta y temperatura, y las 36 pruebas se ejecutan al azar. Los resultados se
muestran a continuación:

Temperatura F
Tipo de material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 126 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60

En este problema, el ingeniero desea contestar las siguientes preguntas:

1. ¿Qué efecto tienen el tipo de material y la temperatura sobre la duración de
la batería?
2. ¿Existe una elección del material que dé por resultado una duración
uniformemente larga sin importar la temperatura?

SOLUCIÓN
Variable de respuesta: duración efectiva de la batería, en horas.
Factor A: Tipo de material de la cubierta.
A1: Cubierta de Material Tipo 1.
A2: Cubierta de Material Tipo 2.
A3: Cubierta de Material Tipo 3.

Factor B: Temperatura del entorno de trabajo en donde se encuentra la bateria

25TA20152DUED
B1: Temperatura de 15 °F.
B2: Temperatura de 70 °F.
B3: Temperatura de 125 °F.

REALIZANDO LA PRUEBA DE HIPÓTESIS PARA EL TIPO DE MATERIAL

1. Planteamiento de la Hipótesis:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑑𝑜𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒𝑙 𝑡𝑖𝑝𝑜 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑖𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑐𝑢𝑏𝑖𝑒𝑟𝑡𝑎.

2. Nivel de significancia: 𝛼 = 5% = 0.05

3. Calculando el estadístico de prueba

𝑆𝐶𝐴
𝐹𝑇 = 𝑎 −1
𝑆𝐶𝐸𝑟𝑟𝑜𝑟
𝑎𝑏(𝑛 − 1)
4. Región Critica:

Calculando el F tabulado (𝐹𝑇 ) con ayuda del Excel.

𝐹𝑇 = 𝐹0.05;2;27 = 3.35

Región de Aceptación
de 𝐻𝑂
95%

Región de Rechazo
de 𝐻𝑂
5%
3.35

26TA20152DUED
 Regla de decisión:
Si 𝐹𝑐 ≤ 3.35 se acepta 𝐻𝑂 (No existe significancia estadística).
Si 𝐹𝑐 > 3.35 se rechaza 𝐻𝑂 (Existe significancia estadística).

5. Calculo del estadístico:

El cálculo del estadístico se realizara mediante el uso del SPSS, para lo
cual ingresamos los datos al SPSS, tal como se muestra a continuación:

Realizando el siguiente procedimiento en el SPSS:

Analizar  Reduccion de Dimensiones  Factor

27TA20152DUED
28TA20152DUED
 Al hacer clic en el botón Aceptar, se obtiene los siguientes resultados:

Análisis factorial

Estadísticos descriptivos

Desviación
Media estándar N de análisis

TipoMaterial 2,0000 ,82808 36

Temperatura 70,0000 45,54433 36
DuracionBateria 105,2500 46,94518 36

Matriz de correlacionesa

TipoMaterial Temperatura DuracionBateria

29TA20152DUED
Correlación TipoMaterial 1,000 ,000 ,370

Temperatura ,000 1,000 -,711

DuracionBateria ,370 -,711 1,000

Sig. (unilateral) TipoMaterial ,500 ,013

Temperatura ,500 ,000

DuracionBateria ,013 ,000

a. Determinante = ,357

Ademas para obtener la tabla ANVA, realizamos el siguiente procedimiento:

Analizar  Reduccion de Dimensiones  Factor

30TA20152DUED
 Al hacer clic en el botón Aceptar se muestran los resultados:

Pruebas de efectos inter-sujetos

Variable dependiente: DuracionBateria

Tipo III de suma Cuadrático

Origen de cuadrados gl promedio F Sig.

Modelo corregido 59154,000a 8 7394,250 11,103 ,000

Interceptación 398792,250 1 398792,250 598,829 ,000
TipoMaterial 10633,167 2 5316,583 7,983 ,002
Temperatura 39083,167 2 19541,583 29,344 ,000
TipoMaterial * Temperatura 9437,667 4 2359,417 3,543 ,019
Error 17980,750 27 665,954
Total 475927,000 36
Total corregido 77134,750 35

a. R al cuadrado = ,767 (R al cuadrado ajustada = ,698)

6. Decisión y conclusiones:
Para el Tipo de material.
Como 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.002 < 0.05 entonces se rechaza la hipótesis nula, por
lo que se concluye, a un nivel de confianza del 95%, que existe diferencia
significativa en el tipo de material de la cubierta de las baterías respecto al
tiempo de duración de las baterías.

Para la Temperatura.
Como 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.000 < 0.05 entonces se rechaza la hipótesis nula, por
lo que se concluye, a un nivel de confianza del 95%, que la temperatura
influye significativamente en la duración de las baterías.

31TA20152DUED
Para la Interaccion Tipo de Cubierta con Temperatura.
Como 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.019 < 0.05 entonces se rechaza la hipótesis nula, por
lo que se concluye, a un nivel de confianza del 95%, se concluye que existe
una interacción significativa entre el tipo de material y la temperatura.

32TA20152DUED