UNIVERSIDAD NACIONAL DE HUANCAVELICA

FACULTAD DE CIENCIAS DE INGENIERÍA

ESCUELA PROFESIONAL DE INGENIERIA
CIVIL – HUANCAVELICA

SEMINARIO DE
ESTADISTICA EXPERIMENTAL
O.C.S.
 DISEÑOS EXPERIMENTALES

DEFINICIÓN:
• “Un experimento diseñado es una prueba o serie
de pruebas en las cuales se inducen cambios
deliberados en las variables de entrada de un
proceso o sistema, de manera que sea posible
observar e identificar las causas de los cambios en
la respuesta de salida ”.

• El Diseño Experimental puede ser considerado

como parte del proceso científico y una de las
formas en que aprendemos acerca de la forma en
que funcionan los sistemas o procesos
PERSPECTIVA HISTÓRICA

• Sir Ronald Fisher fue el innovador del uso de los

Métodos Estadísticos de Experimentos, ya que utilizó
por primera vez el Análisis de Variancia como
herramienta primaria para el análisis estadístico en
el Diseño Experimental.

• Muchas de las primeras aplicaciones de los

métodos sobre este rubro se dieron en las áreas de
Agricultura y Ciencias Biológicas.
OBJETIVOS DE UN DISEÑO EXPERIMENTAL

• Todo proceso o sistema productivo puede representarse

mediante el modelo mostrado.

• Es decir, que puede ser visualizado como una combinación de

máquinas, métodos, personas y otros recursos que transforman
alguna entrada (materia prima), en una salida que tiene una o
más respuestas observables. Algunas variables dentro del
proceso son controlables, mientras que otras son incontrolables
CONTINUACIÓN . . .

• Un experimento diseñado tiene por objetivo:

• Determinar cuáles son las variables que tienen mayor

influencia en la variable respuesta.

• Determinar el mejor valor de las variables controlables que

influyen en la respuesta, de manera que ésta, tenga casi
siempre un valor cercano al valor nominal deseado.

• Determinar la mejor combinación de las variables

controlables que ayuden a reducir la variabilidad de la
respuesta.

• Establecer la combinación óptima de las variables

controlables, con el objetivo de minimizar los efectos de las
variables incontrolables
 DIRECTRICES PARA EL DISEÑO DE EXPERIMENTOS

• Para poder analizar un experimento de manera correcta, es necesario que se tenga una idea clara sobre el
problema que se va a estudiar, el modo de la recolección de datos y su análisis. A continuación se presenta la
metodología a emplear en el presente estudio.

• a. Comprensión y planteamiento del problema. Aunque este punto pudiera parecer obvio, en muchas
ocasiones resulta complicado diseñar un planteamiento claro y aceptable. Es necesario consultar a todas las
partes implicadas: cuerpo técnico, aseguramiento de calidad, manufactura, clientes, etc. Un planteamiento
claro del problema contribuye a tener un mejor conocimiento del fenómeno y de la solución final del problema.

• b. Elección de factores y niveles. El experimentador debe elegir los factores y los niveles específicos a los cuales
variará el experimento. Tal conocimiento suele ser una combinación de experiencia y comprensión teórica.

• c. Selección de la variable de respuesta. La selección de respuesta o variable dependiente, hecha por el

investigador, debe de asegurar que, la medición de ésta pueda realmente proveer información sobre el
proceso estudiado.

• d. Elección del diseño experimental. Para elegir el diseño es necesario considerar el tamaño muestral (número
de repeticiones), seleccionar un orden adecuado para los ensayos y determinar si hay implicado un bloqueo u
otras restricciones de aleatorización.

• e. Realización del experimento. Cuando se realiza el experimento, es vital monitorear el proceso para asegurar
que todo se haga conforme a lo planeado, ya que los errores en esta fase suelen anular la validez experimental.

• f. Análisis de datos. Deben emplearse métodos estadísticos para analizar los datos, de modo que los resultados y
conclusiones sean objetivos más que apreciativos. Actualmente, existen excelentes paquetes de software para
este análisis, así como varios métodos gráficos sencillos importantes en la interpretación de ellos, ejemplos son:
MINITAB y EXCEL.
 DISEÑO COMPLETAMENTE AL AZAR

• DESCRIPCION:
• Es el mas simple de los diseños que se utilizan para
comparar dos o más tratamientos, dado que sólo
consideran dos fuentes de variabilidad: los
tratamientos y el error aleatorio.

• Los tratamientos son asignados a las unidades

experimentales de manera completamente al azar,
cuando las mismas son consideradas homogéneas.

• NOTA: en la práctica es recomendable contar con mayor

número de repeticiones que de tratamientos y no a la
inversa
 TECNICA DE ANÁLISIS DE VARIANZA

• Fisher desarrollo la técnica denominada análisis de

varianza (ANAVA).
• Esa técnica consiste en la descomposición de los grados
de libertad y de la varianza total de un material
heterogéneo en partes atribuibles a causas conocidas e
independientes (factores controlados) y en una porción
residual de origen desconocida y de naturaleza
aleatoria (factores no controlados).
• Es decir, la técnica del ANAVA permite hacer
particiones del # de GL y de la suma de cuadrados
(SC), con cada una de las partes obtenemos una
estimación de la varianza (denominada cuadrado
medio, CM).
MODELO ESTADÍSTICO

Yij = µ + Ti + Єij

Donde:

• Yij representa el valor observado del tratamiento i de la

repetición j;
• µ representa la media poblacional;
• Ti representa el efecto del tratamiento i, variando i de 1 a N ;
• Єij representa el error asociado a Yij .
EJEMPLO DE APLICACIÓN

• Se tiene cierto número de vacunos y se necesita realizar el

engorde en un experimento completamente aleatorizado
REPETICIONES
1 2 3
REPETICIONES V1 406 442 412
1 2 3 V2 420 425 415
V3 393 420 432

VACUNO
VACUN

V1 406 442 412

V4 385 395 385
O

V2 420 425 415

V3 393 420 432 V5 382 385 389
V6 385 350 362
V7 369 370 352
V8 350 342 339

ANAVA Preliminar:
ANAVA Preliminar:
F.V. G.L. F.V. G.L.
trat. 2 trat. 7
Error 6 Error 16
Total 8 Total 23
CONTINUACIÓN . . .

REPETICIONES F.V. G.L.

1 2 3 4 5 trat. 1
UNO
VAC

V1 406 442 412 425 438

Error 8
V2 420 425 415 422 429
Total 9

REPETICIONES F.V. G.L.

1 2 3 4 5 6 trat. 1
UNO
VAC

V1 406 442 412 425 438 417

Error 10
V2 420 425 415 422 429 402
Total total 11

REPETICIONES F.V. G.L.

1 2 3 4 5 trat. 2
VACUN

V1 406 442 412 425 438

Error 12
O

V2 420 425 415 422 429

Total total 14
V3 393 420 432 440 415
 HOMOGENEIDAD DE LAS VARIANZAS
SUPUESTOS

La varianza de los diferentes sub

poblaciones deben ser iguales.
Varianzas iguales

m m1 m2 m3 m4

Hipótesis nula verdadera Hipótesis nula falsa

No existen problemas si las varianzas son iguales entre los grupos.

 HOMOGENEIDAD DE LAS VARIANZAS

Varianzas diferentes

m m1 m2 m3 m4

Hipótesis nula verdadera Hipótesis nula falsa

Existen problemas si las varianzas NO son iguales entre los grupos.

CONTINUACIÓN . . .

REPETICIONES
1 2 3 tot ȳ s2 s
V1 406 442 412 1260 420.0 372.0 19.3
V2 420 425 415 1260 420.0 25.0 5.0
V3 393 420 432 1245 415.0 399.0 20.0
VACUNO

V4 385 395 385 1165 388.3 33.3 5.8

V5 382 385 389 1156 385.3 12.3 3.5
V6 385 350 362 1097 365.7 316.3 17.8
V7 369 370 352 1091 363.7 102.3 10.1
V8 350 342 339 1031 343.7 32.3 5.7

REPETICIONES
1 2 3 4 5 6 tot ȳ s2 s
V1 406 442 412 425 438 417 2540 423.33 207.07 14.39
V2 420 425 415 422 429 402 2513 418.83 90.167 9.4956
V3 393 420 432 440 415 412 2512 418.67 270.27 16.44
VACUNO

V4 385 395 385 379 382 387 2313 385.5 29.5 5.4314
V5 382 385 389 386 379 377 2298 383 20.4 4.5166
V6 385 350 362 372 376 384 2229 371.5 182.3 13.502
V7 369 370 352 378 380 366 2215 369.17 100.17 10.008
V8 350 342 339 336 334 352 2053 342.17 54.567 7.3869
EJEMPLO DE APLICACION

• Una industria produce muelles de acero, las cuales

tienen la dureza como una de las principales
características de cualidad, o sea la dureza
corresponde a uno de los ítems de control del
proceso de producción de esos muelles. En las
últimas semanas, la empresa viene enfrentando un
serio problema cuanto a la variabilidad de esta
característica de cualidad. Una de las hipótesis
consideradas es la procedencia de acero utilizado
en el proceso de fabricación.
CONTINUA . . .

El responsable por el control de cualidad verificó que

todo el acero viene de 3 principales proveedores.
Por tanto, fue instalado un experimento, según el
DCA, con el objetivo de evaluar si las resistencias
medias de los muelles producidos con el acero de los
3 proveedores pueden ser consideradas iguales o no.
Así, fueron colectadas 7 muelles fabricados por el
acero de cada uno de los ellos, dando un total de 21
muelles analizados, cuyos resultados se muestran
como sigue.
CONTINUA . . .

Cuadro 1. Resistencia media de cada muelle medida, provenientes

de tres proveedores de acero

PROVEEDORES DE
ACERO
A B C
1 421.4 434.3 381.2
REPETICIONES

2 414.6 387 413.9

3 437.1 405.2 391.3
4 448.2 384.1 385.4
5 402.7 408 383.9
6 428.9 404.3 372.3
7 420.3 416.1 374.9
CONTINUA . . .

PROVEEDORES DE
ACERO ANAVA Preliminar:
A B C tot. F.V. G.L.
1 421.4 434.3 381.2 1236.9 trat. 2
Error 18
REPETICIONES

2 414.6 387 413.9 1215.5 Total total 20

3 437.1 405.2 391.3 1233.6
4 448.2 384.1 385.4 1217.7
5 402.7 408 383.9 1194.6
6 428.9 404.3 372.3 1205.5
7 420.3 416.1 374.9 1211.3
Tot. 2973.2 2839 2702.9 8515.1

suma de cuadrados totales SCT = 9453.55

suma de cuadrado de los tratamientos SCTr = 5218.807
suma e cuadrados del error SCError = 4234.75
CONTINUA . . .

ANAVA

suma cuadrad. de F
Fuente cuadrad media valor Pr > F

mod. 2 5218.807 2609.4033 11.091 signif.

error 18 4234.7457143 235.2636508

Tot. corregido 20 9453.5524

 CONTINUA . . .

Variable dependiente: RESISTENCIA

Suma de Cuadrado de
Fuente DF cuadrados la media F-Valor Pr > F

Modelo 2 5218.806667 2609.403333 11.09 0.0007

Error 18 4234.745714 235.263651
Total corregido 20 9453.552381

R-cuadrado Coef Var Raíz MSE RESISTENCIA Media

0.552047 3.782744 15.33831 405.4810

Cuadrado de
Fuente DF Anova SS la media F-Valor Pr > F
PROVEEDORES 2 5218.806667 2609.403333 11.09 0.0007
DATA ANOVA_DCA;
INPUT PROVEED $ REPET RESISTENCIA;
CARDS;
A 1 421.4
A 2 414.6
A 3 437.1
A 4 448.2
A 5 402.7
A 6 428.9
A 7 420.3
B 1 434.3
B 2 387.0
B 3 405.2
B 4 384.1
B 5 408.0
B 6 404.3
B 7 416.1
C 1 381.2
C 2 413.9
C 3 391.3
C 4 385.4
C 5 383.9
C 6 372.3
C 7 374.9
;
PROC ANOVA DATA = ANOVA_DCA;
CLASS PROVEEDORES;
MODEL RESISTENCIA = PROVEEDORES;
MEANS PROVEEDORES/TUKEY ALPHA = 0.01;
RUN;
Procedimiento ANOVA

Prueba del rango estudentizado de Tukey (HSD) para RESISTENCIA

Alpha 0.01
Error Degrees of Freedom 18
Error de cuadrado medio 235.2637
Valor crítico del rango estudentizado 4.70337
Diferencia significativa mínima 27.267

Medias con la misma letra no son significativamente diferentes.

Tukey Agrupamiento Media N PROVEEDORES

A 424.743 7 A
A
B A 405.571 7 B
B
B 386.129 7 C
 PROVEEDORES DE
ACERO nivel de probabilidad = 1%
A B C
valor de q de la tabla = 4.70
R1 421.4 434.3 381.2
REPETICIONES

R2 414.6 387 413.9

R3 437.1 405.2 391.3 Alpha 0.01
R4 448.2 384.1 385.4 error grados de libertad 18
R5 402.7 408 383.9 error medio cadratico 235.26365
R6 428.9 404.3 372.3 valor critico del t student 4.7
R7 420.3 416.1 374.9 minima diferencia significativa 27.24747
Tot. 2973.2 2839 2702.9
ȳ 424.74 405.57 386.13
Δ= 27.247 kg
s2 223.32 291.63 190.85
s 14.944 17.077 13.815
1 2 3
424.7 405.6 386.1

1 424.7 0.0 19.2 38.6

2 405.6 0.0 19.4
3 386.1 0.0
 DISEÑO POR BLOQUES
COMPLETAMENTE AL AZAR
• En el diseño de bloques aleatorizados, conocido
como el de doble clasificación o de dos factores,
las unidades experimentales se distribuyen en
grupos homogéneos llamados bloques. Este diseño
considera una sola replica u observación por
bloque, de tal manera que el número de unidades
experimentales dentro de cada bloque será igual
al número de niveles del factor en estudio.
CONTINUA . . .

• La aleatorización de los niveles del factor

tratamiento dentro de un bloque es independiente
del resto del bloque.

• Ejemplo:

• Suponiendo que se tiene un experimento en la que participa

un factor de 5 niveles. 3 tipos de materiales o agregados y 2
tipos de agregado fino (denotados G1,G2,G3,F1,F2),
distribuidos en 6 bloques, teniendo en consideración que los
niveles del factor tratamiento son distribuidos al azar.
CONTINUA . . .

• El croquis del campo quedaría de la sgte. Manera

BLOQUE I G3 L1 G2 L2 G1
BLOQUE II L2 G2 L1 G1 G3
BLOQUE III G1 G3 L2 G2 L1
BLOQUE IV G3 L2 G2 L1 G1
BLOQUE V L2 G3 G1 G2 L2
BLOQUE VI L2 G2 L1 G3 G1

• Ejemplo:

• Si se tuviera el interés de estudiar el comportamiento de10

tipos de cemento para saber el tiempo de fraguado,
evaluadas en un ensayo completamente aleatorio con 4
repeticiones, el análisis de varianza sería como sigue:
EJEMPLO DE APLICACION

F.V. G.L.
trat. 9
Error 30
Total total 39

• Si el experimento se conduce en bloques, con las 10 especies de

cemento en estudio, debería tener 4 bloques, con el mismo
número de experimentos (40), el análisis de varianza sería:

F.V. G.L.
bloque 3
trat. 9
Error 27
Total total 39

• Ejemplo:
• Si se tuviera el interés de estudiar la resistencia del
ladrillo artesanal en 10 tipos de ladrilleras, evaluadas en
bloques al azar con 4 repeticiones, conforme la tabla:
CONTINUA . . .

BLOQUES
LADRILLERAS
I II III IV
L1 50.16 54.6 52.98 56.18
L2 63.85 70.98 71.08 67.49
L3 45.76 50 46 52
L4 79 82.5 83.7 79.76
L5 52.2 53 52.35 56.61
L6 72.95 73.49 75 74
L7 35.34 38.14 40.2 39
L8 87.64 89.64 90.3 87.74
L9 52.7 51.85 52.85 50.32
L10 64 65.3 67.5 70.28
CONTINUA . . .

Yij = 𝝁 + Ti + Bj +∈ij
i = 1,2,3…..,I
j = 1,2,3…..,J

Yij = es 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒𝑙𝑎 𝑟𝑒𝑠𝑖𝑠𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒𝑙 𝑙𝑎𝑑𝑟𝑖𝑙𝑙𝑜 𝑎𝑟𝑡𝑒𝑠𝑎𝑛𝑎𝑙 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑡𝑒 𝑎 𝑙𝑎

𝑙𝑎𝑑𝑟𝑖𝑙𝑙𝑒𝑟𝑎 𝑖 𝑒𝑛 𝑒𝑙 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗;
𝜇 = es la media de la población;
Ti = es el efecto de la ladrillera como fijo , siendo i=1,…10;
Bj = es el efecto del bloque j, donde j=1,…4;
∈ij = es el error experimental, asociada a cada observación Yij
• TC= 156055.06
• SCTot=9314.22
• SCB=59.6268
• SCTr=9155.7828
• SCErr=SCTot-(SCB-SCTr)=98.8176
ANAVA

suma cuadrad. de F
Fuente cuadrad media valor Pr > F

trat. 12 9215.4095 767.9507 209.83 signif.

error 27 98.8176000 3.65991111

Tot. corregido 39 9314.2200

• DATA ANOVA_DBA;
• INPUT LAD $ BLOQ $ RES;
• CARDS;
• L1 B1 50.16
• L1 B2 54.6
• L1 B3 52.98
• L1 B4 56.18
• L2 B1 63.85
• L2 B2 70.98
• L2 B3 71.08
• L2 B4 67.49
• L3 B1 45.76
• L3 B2 50
• L3 B3 46
• L3 B4 52
• L4 B1 79
• L4 B2 82.5
• L4 B3 83.7
• L4 B4 79.76
• L5 B1 52.2
• L5 B2 53
• L5 B3 52.35
• L5 B4 56.61
• L6 B1 72.95
• L6 B2 73.49
• L6 B3 75
• L6 B4 74
• L7 B1 35.34
• L7 B2 38.14
• L7 B3 40.2
• L7 B4 39
• L8 B1 87.64
• L8 B2 89.64
• L8 B3 90.3
• L8 B4 87.74
• L9 B1 52.7
• L9 B2 51.85
• L9 B3 52.85
• L9 B4 50.32
• L10 B1 64
• L10 B2 65.3
• L10 B3 67.5
• L10 B4 70.28
• PROC ANOVA DATA = ANOVA_DBA;
• CLASS LAD BLOQ;
• MODEL RES = LAD BLOQ;
• RUN;
 Información del nivel de clase
Clase Niveles Valores
LAD 10 L1 L10 L2 L3 L4 L5 L6 L7 L8 L9

BLOQ 4 B1 B2 B3 B4

Número de observaciones leídas 40

Número de observaciones usadas 40

Suma de Cuadrado
Origen DF Valor F Pr > F
cuadrados de la media
Modelo 12 9215.409520 767.950793 209.83 <.0001
Error 27 98.817640 3.659913
Total
39 9314.227160
corregido
• En una empresa dedicada a la construcción de
vigas pre fabricadas presenta problemas en
cuanto a su resistencia , se consideraron diversas
hipótesis pero llegaron a la conclusión de que la
desigualdad de resistencia podría estar
relacionada a la utilización de diversas maquinas
rociadoras de impermeabilizante.
• Fueron considerados para que 6 maquinas
impermeabilizadoras fuesen probadas. Y 6
operarios fueron seleccionados al azar para que
pudiesen operarlas.
Como se trataba de personas diferentes, el responsable por el
control de la calidad decidió mejor no distribuir los operarios al
azar para cada engomadera, haciendo con que todas ellas
fuesen operadas una vez por operario. Así, la fuente de
variación operario seria controlada y el error experimental
minimizado.

El porcentaje de aditivo por cada maquina es:

Operari
maquinas
os
Bloques A B C D E F
1 0.9 2.1 2.2 1.5 1.2 2.3
2 1.3 2.7 2.9 1.1 1.8 2.3
3 1.1 2.6 2.4 1 1.8 2.4
4 0.9 2.5 2.5 1.2 1.7 1.9
5 1 2 2.4 1.5 1.5 2
6 1.2 1.7 2.1 1.4 1.5 2.1
Total 6.4 13.6 14.5 7.7 9.5 13
 ANAVA

suma cuadrad. de F
Fuente cuadrad media valor Pr > F

trat. 10 10.023 1.0023 17.08 signif.

error 25 1.4669444 0.05867778

Tot. corregido 35 11.4897

DATA ANOVA_DBA;
INPUT OPERARIO $ MAQUINAS $ PORCENTAJE;
CARDS;
OP1 A 0.9
OP1 B 2.1
OP1 C 2.2
OP1 D 1.5
OP1 E 1.2
OP1 F 2.3
OP2 A 1.3
OP2 B 2.7
OP2 C 2.9
OP2 D 1.1
OP2 E 1.8
OP2 F 2.3
OP3 A 1.1
OP3 B 2.6
OP3 C 2.4
OP3 D 1.0
OP3 E 1.8
OP3 F 2.4
OP4 A 0.9
OP4 B 2.5
OP4 C 2.5
OP4 D 1.2
OP4 E 1.7
OP4 F 1.9
OP5 A 1.0
OP5 B 2.0
OP5 C 2.4
OP5 D 1.5
OP5 E 1.5
OP5 F 2.0
OP6 A 1.2
OP6 B 1.7
OP6 C 2.1
OP6 D 1.4
OP6 E 1.5
OP6 F 2.1
PROC ANOVA DATA = ANOVA_DBA;
CLASS OPERARIO MAQUINAS;
MODEL PORCENTAJE = OPERARIO MAQUINAS;
MEANS MAQUINAS/TUKEY;
RUN;
Variable dependiente: PORCENTAJE

Suma de Cuadrado de
Fuente DF cuadrados la media F-Valor Pr > F

Modelo 10 10.02277778 1.00227778 17.08 <.0001

Error 25 1.46694444 0.05867778

Total corregido 35 11.48972222

R-cuadrado Coef Var Raíz MSE PORCENTAJE Media

0.872326 13.47830 0.242235 1.797222

Cuadrado de
Fuente DF Anova SS la media F-Valor Pr > F

OPERARIO 5 0.51805556 0.10361111 1.77 0.1566

MAQUINAS 5 9.50472222 1.90094444 32.40 <.0001
PRUEBA DE TUKEY

nivel de probabilidad = 5 %
valor de q de la tabla = 4.35

Alpha 0.05
error grados de libertad 25
error medio cadratico 0.05868
valor critico del t student 4.35
minima diferencia significativa 0.43018

1 2 3 4 5 6
1.07 2.27 2.42 1.28 1.58 2.17

1 1.07 0.00 1.20 1.35 0.22 0.52 1.10

2 2.27 0.00 0.15 0.98 0.68 0.10
3 2.42 0.00 1.13 0.83 0.25
4 1.28 0.00 0.30 0.88
5 1.58 0.00 0.58
6 2.17 0.00
Prueba del rango estudentizado de Tukey (HSD) para PORCENTAJE

Alpha 0.05
Error Degrees of Freedom 25
Error de cuadrado medio 0.058678
Valor crítico del rango estudentizado 4.35830
Diferencia significativa mínima 0.431

Medias con la misma letra no son significativamente diferentes.

Tukey Agrupamiento Media N ENGOMADERAS

A 2.4167 6 C
A
A 2.2667 6 B
A
A 2.1667 6 F

B 1.5833 6 E
B
C B 1.2833 6 D
C
C 1.0667 6 A
Se rechaza la hipótesis de igualdad de medias de las
maquinas rociadoras de impermeabilizante; o sea,
existe por lo menos una maquina que difiere de las
demás en términos de rociado de imprimante. Para
este ejemplo, se concluye que las maquinas
rociadoras C, B y F son las que proporcionan (P < 0.05)
mayor porcentaje de rociado de imprimante, además
de ser iguales (P > 0.05) por la prueba Tukey.