1.

¿En qué situaciones se aplica un diseño en bloques completos al

azar? ¿En qué difieren los factores de tratamientos y de bloque?
Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un factor, es deseable
que las posibles diferencias se deban principalmente al factor de interés y ano a otros factores
que no se consideran en el estudio. Cuando esto no ocurre y existen otros factores que no se
controlan o nulifican a la hora de hacer la comparación, las conclusiones podrían ser afectadas
sensiblemente. El diseño en bloques completos al azar se aplica cuando el efecto de un
tratamiento a comparar depende de otros factores que pueden influir en el resultado de
experimento y que deben de tomarse en cuenta para anular su posible efecto y evitar sesgo al
comparar los factores de interés. Para evitar este sesgo se deben incluir estos factores
adicionales en la experimentación y probarlos con cada uno de los factores de interés de manera
tal que puedan presentarse todas las combinaciones posibles entre ambos para obtener
resultados en la comparación que sean válidos, esta forma de nulificar su efecto se llama
bloqueo.

La diferencia entre los factores de tratamiento y los de bloque radica en que estos últimos no
se incluyen en el experimento de manera explícita por que interese analizar su efecto, sino como
un medio para estudiar de manera adecuada y eficaz al factor de interés para no sesgar la
comparación. Estos entran al estudio con un nivel de importancia secundaria con respecto al
factor de interés y la inclusión de estos es un medio no un fin para lograr la comparación.

2. ¿Qué diferencia hay entre un DBCA y los diseños en cuadro latino?

El diseño de bloque completo al azar se controla un factor de bloque y uno de
tratamiento más el error aleatorio y cuadro latino dos factores de bloque y uno
de tratamiento por lo que se tienen cuatro fuentes de variabilidad, incluyendo el
termino error, que pueden afectar la respuesta observada.
3. De acuerdo con el modelo estadístico para un diseño en bloques,
¿por qué a través de este diseño se reduce el error aleatorio?
Porque en el diseño en bloques se analiza bloque a bloque y se toman en cuenta
todos los factores posibles que puedan afectar de manera significativa a nuestro
experimento.
Porque ahora al considerar los bloques, la variabilidad observada que no se
podía explicar por los factores estudiados resulta del efecto de dichos bloques y
del error experimental.
4. A continuación se muestra parte del ANOVA para un diseño en bloques,
que tiene tres tratamientos y cinco bloques con una sola repetición por
tratamiento-bloque.

a) Agregar en esta tabla los grados de libertad, el cuadrado me dio y la razón F

para cada una de las fuentes de variación.

b) Interprete en forma práctica, para cada caso, lo que estáesti mando el

cuadrado medio.
El cuadrado medio interpreta una división de cada suma de cuadrados entre sus
respectivos grados de libertad.
c) Escriba el modelo estadístico y las hipótesis pertinentes.

d) Apóyese en las tablas de la distribución F para aceptar o rechazar las

hipótesis.
Para efecto tratamiento se rechaza la hipótesis nula (4.8 > 4.459) Para efecto del
bloque se acepta la hipótesis nula (3.4 < 3.838)
Esto quiere decir que el factor tratamiento tiene efecto significativo en la
respuesta del experimento y el efecto del bloque no es significativo.
e) Con apoyo de un software obtenga el valor-p para cada caso. Interprete sus
resultados.
Valor- P para tratamiento: 0.003 < 0.05 (Se rechaza H0) Valor- P para bloque:
0.1014 > 0.05 (No se rechaza H0)
5. Realice el problema anterior, pero ahora suponga que no se bloqueó.
¿Se hubiesen obtenido las mismas conclusiones? Argumente.
Las conclusiones serian idénticas, ya que el resultado del bloque no tiene un
efecto significativo en la respuesta y sin bloque, toda la variación se iría al
término error.
6. Aunque en el análisis de varianza para un diseño en bloques completos
al azar también se puede probar la hipótesis sobre si hay diferencia entre
los bloques, se dice que esta hipótesis se debe ver con ciertas reservas.
Explique por qué.

Esta no es una prueba F exacta, sino aproximada, debido a la restricción de

aleatorización (sólo se aleatoriza dentro del bloque). En la práctica se
recomienda su interpretación porque es evidencia a favor o en contra de que
valió la pena el esfuerzo de controlar el factor de bloque. Si resulta significativa
implica que el factor de bloques tiene influencia sobre la variable de respuesta,
y debe ser tomado en cuenta para mejorar la calidad de ésta. Pero, si no se
rechaza y se acepta que los bloques son iguales en respuesta media, entonces
se tiene el argumento a favor de no controlar este factor en futuros experimentos
sobre esta misma respuesta, además de que su influencia en la calidad de la
respuesta no es significativa.
La restricción de aleatorización se debe al hecho de que no se aleatoriza el orden
de las corridas experimentales en relación a los bloques. El experimento supone
que sólo se aleatoriza el orden de las corridas dentro de cada bloque, lo cual
evita sesgos en la comparación de los tratamientos, pero no los impide en la
comparación de los bloques.
7. Explique por qué se utiliza el adjetivo azar en el nombre del diseño en
bloques completos al azar.
Primeramente la palabra completo en el nombre del diseño se debe a que en
cada bloque se prueban todos los tratamientos, o sea, los bloques están
completos. La aleatorización se hace dentro de cada bloque; por lo tanto, no se
realiza de manera total como en el diseño completamente al azar. El hecho de
que existan bloques hace que no sea práctico o que incluso sea imposible
aleatorizar en su totalidad
8. Una compañía farmacéutica realizó un experimento para estudiar los
tiempos promedio (en días) necesarios para que una persona se recupere
de los efectos y complicaciones que siguen a un resfriado común. En este
experimento se hizo una comparación de distintas dosis diarias de
vitamina C. Para hacer el experimento se contactó a un número
determinado de personas, que en cuanto les daba el resfriado empezaban
a recibir algún tipo de dosis. Si la edad de las personas es una posible
fuente de variabilidad, explique con detalle cómo aplicaría la idea de
bloqueo para controlar tal fuente de variabilidad.
Si fuera un número grande de personas se podrían acomodar en subgrupos o
en rangos para distribuir las diferentes edades se probarían las distintas dosis
en las diferentes edades.

9. A continuación se muestran los datos para un diseño en bloques al azar.

a) Complete las sumas totales que se piden en la tabla anterior.

Bloque Total por
Tratamiento 1 2 3 4 tratamiento
A 3 4 2 6 Y1. = 15
B 7 9 3 10 Y2. = 29
C 4 6 3 7 Y3. = 20
Total por bloque Y.1 = 14 Y.2 = 19 Y.3 = 8 Y 4 = 23 Y.. = 64
.

b) Calcule las sumas de cuadrados correspondientes: SCTRAT, SCB, SCT y

SCE.
c) Obtenga la tabla de análisis de varianza y anote las principales conclusiones.

De acuerdo al ANOVA anterior se observa que para los tratamientos se obtuvo

un valor-p =0.006 < 0.05, por lo que se rechaza la hipótesis nula de que las
media de los tratamientos son iguales entre si, en cuanto al factor de bloques se
puede concluir que su valor-p =0.003 < 0.05, lo que nos dice que existen
diferencias entre estos.
d) Obtenga la diferencia mínima significativa (LSD) para comparar tratamientos
en este diseño en bloques.

10. Se hace un estudio sobre la efectividad de tres marcas de atomizador

para matar moscas. Para ello, cada producto se aplica a un grupo de 100
moscas, y se cuenta el número de moscas muertas expresado en
porcentajes. Se hicieron seis réplicas, pero en días diferentes; por ello, se
sospecha que puede haber algún efecto importante debido a esta fuente de
variación. Los datos obtenidos se muestran a continuación:

a) Suponiendo un DBCA, formule las hipótesis adecuadas y el modelo

estadístico.
Modelo estadístico:
Yij = μ + τi + γj + εij ; i = 1,2,3 y j = 1,2,3,4,5,6
Las hipótesis adecuadas son:
Ho: μ1 + μ2 + μ3 = μ
Ha: μi ≠ μj para algún i ≠ j
Que también se puede expresar como:
Ho: τ1 = τ2 = τ3 = 0
Ha: τi ≠ 0 para algún i
b) Existe diferencia entre la efectividad promedio de los atomizadores?
Empleando el SW Minitab se obtiene la siguiente información:
Two-way ANOVA: Respuesta_1 versus Marca Atomizador, Día

Source DF SS MS F P
Marca Atomizador 2 296.33 148.167 2.88 0.103
Día 5 281.33 56.267 1.09 0.421
Error 10 514.33 51.433
Total 17 1092.00

De esta tabla se observa que para marca atomizador se obtuvo un valor-p =

0.103 > 0.05, por lo tanto se acepta Ho. Es decir que no existe diferencia entre
la efectividad promedio de los atomizadores.
c) Hay algún atomizador mejor? Argumente su respuesta.
Empleando el SW Minitab se obtiene la siguiente información:

Individual 95% CIs For Mean Based on

Marca Pooled StDev
Atomizador Mean --+---------+---------+---------+-------
1 69.0000 (----------*----------)
2 59.1667 (----------*---------)
3 62.8333 (----------*----------)
--+---------+---------+---------+-------
54.0 60.0 66.0 72.0
En este caso como los intervalos de confianza se traslapan entonces los
atomizadores son estadísticamente iguales en cuanto a sus medias.
d) Hay diferencias significativas en los resultados de diferentes días en que
se realizó el experimento? Argumente su respuesta.
Individual 95% CIs For Mean Based on
Pooled StDev
Día Mean --+---------+---------+---------+-------
1 63.6667 (-----------*----------)
2 66.0000 (-----------*----------)
3 65.3333 (-----------*----------)
4 67.6667 (-----------*----------)
5 55.3333 (----------*-----------)
6 64.0000 (-----------*-----------)
--+---------+---------+---------+-------
48.0 56.0 64.0 72.0
En este caso como los intervalos de confianza se traslapan entonces los
resultados de diferentes días en que se realizo el experimento son
estadísticamente iguales en cuanto a sus medias.
e) Verifique los supuestos de normalidad y de igual varianza entre las
marcas.
 Residual Plots for Respuesta_1
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99 10

90 5

Residual
Percent

50 0

10 -5

1 -10
-10 -5 0 5 10 50 55 60 65 70
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data

10
4.8
5
3.6
Frequency

Residual
0
2.4

1.2 -5

0.0 -10
-10 -5 0 5 10 2 4 6 8 10 12 14 16 18
Residual Observation Order

En la gráfica 1 (Normal Probability Plot of the Residuals) se han graficado los

residuos y se observa que estos siguen una distribución normal ya que tienden
a quedar alineados en una línea recta.

En la gráfica 2 (Residuals Versus the Fitted Values) se han graficado los

predichos contra los residuos y se observa que los puntos se distribuyen de
manera aleatoria en una banda horizontal (sin ningún patrón claro y
contundente), por lo que se cumple el supuesto de que los tratamientos tienen
igual varianza.

11. En una empresa lechera se tienen varios silos para almacenar leche
(cisternas de 60 000 L). 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 cinco 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.

a) En este problema, ¿cuál es el factor de tratamiento y cuál el factor de bloque?

El factor de tratamiento son los silos y el factor de bloque los días.

b) Suponga un DBCA, formule las hipótesis adecuadas y el mod elo estadístico.

c) ¿Hay diferencia entre los silos?

Aquí podemos observar que el valor-p de los silos es mayor que el valor de
significancia, es decir, que el valor-p de los silos es 0.246 y el nivel de
significancia es 0.05 y por lo tanto es mayor, lo que significa que
estadísticamente son iguales.
d) ¿La temperatura de un día a otro es diferente?
Por medio del problema anterior podemos observar que la temperatura es igual
porque el valor-p de los bloques es 0.609 y el nivel de significancia es 0.05 así
que se muestra que el valor-p del bloque es mayor que la significancia y por lo
tanto las temperaturas son iguales.
e) Revise residuos, ¿hay algún problema evidente?
En el recuadro de la grafica de probabilidad normal nos muestra que el supuesto
de normalidad se cumple porque los residuos o puntos estas más o menos cerca
de la línea recta. Por mientras que en el recuadro vs ajuste también se cumple
el supuesto de varianza porque los residuos se ubican aleatoriamente dentro de
una banda horizontal.

12. Se diseñó un experimento para estudiar el rendimiento de cuatro

detergentes. Las siguientes lecturas de “blancura” se obtuvieron con un
equipo especial diseñado para 12 cargas de lavado, distrib uidas en tres
modelos de lavadoras:

a) Señale el nombre del diseño experimental utilizado.

Diseño por bloques
b) Formule la hipótesis que se quiere probar en este problema.

c) Realice el análisis estadístico más apropiado para estos datos y obtenga

conclusiones.
El valor-p que arroja minitab nos dice que se rechazan ambas H0, por lo tanto
las medias de los diferentes tratamientos son significativamente diferentes de la
media poblacional y, para el factor de bloqueo quiere decir que influye en la
respuesta del experimento.
13. Con respecto al problema anterior:
a) Conteste los tres incisos del problema anterior sin tomar en cuenta el efecto
de las lavadoras y obtenga conclusiones.

b) ¿Hay diferencias en las conclusiones anteriores y las del prob lema anterior?
Explique su respuesta.
Si hay diferencias, debido a que en las conclusiones anteriores las medias de los
diferentes tratamientos son diferentes de la media poblacional, y en este caso
del diseño completamente al azar, se acepta la H0 que las medias de los
tratamientos son iguales a la media poblacional.
c) ¿Con cuáles conclusiones se queda? Explique su respuesta.
Con las primeras que se obtuvieron en el diseño de bloques completo al azar
porque el factor de bloqueo que consideramos tiene influencia en la respuesta.
14. Una de las variables críticas en el proceso de ensamble del brazo lector
de un disco duro es el ángulo que éste forma con el cuerpo prin cipal de la
cabeza lectora. Se corre un experimento con el objetivo de comparar dos
equipos que miden dicho ángulo en unidades de radianes. Se decide
utilizar como factor de bloque a los operadores de los equipos. Los
resultados se muestran en la siguiente tabla:

a) Plantee el modelo y las hipótesis más adecuadas al problema.

b) ¿Existen diferencias entre los equipos? Argumente estadísticamente.

No existen diferencias ya que el valor –p en tratamiento equipo es de 0.078
(mayor que 0.05 de α ) por lo tanto se acepta la Ho, los dos equipos son
estadísticamente iguales.
c) ¿Existen diferencias entre los operadores?
No existen diferencias entre el factor de bloque operadores, valor-p 0.129 > 0.05,
son estadísticamente iguales.
d) Dibuje los diagramas de cajas simultáneos y las gráficas de medias para
ambos factores, después interprételas.
e) Verifique los supuestos de normalidad e igualdad de varianza entre
tratamientos, así como la posible presencia de puntos aberrantes.

15. Un aspecto crítico para que se conserve la leche es la temperatura de

almacenamiento. De manera tradicional se han usado termómetros de
mercurio (Mer) para verificar que la temperatura sea la adecuada, pero
ahora se han comprado termómetros electrónicos (Rtd) para facilitar el
proceso de medición. Sin embargo, se duda de las mediciones de estos
nuevos dispositivos. Para aclarar dudas y diagnosticar la situación,
durante cinco días se toman mediciones con ambos tipos de termómetros
en varios silos (a la misma hora). Los datos para cinco silos se muestran a
continuación:
a) Observe los datos y establezca una conjetura acerca de la confiabilidad de
las mediciones con Rtd (del termómetro de mercurio no hay duda).
A primera vista, si comparamos el termómetro de Mer con el Rtd se aprecian
diferencias grandes, incluso el termómetro Rtd marca temperaturas inferiores a
0°C, cosa que nunca sucede con el otro termómetro.
b) Es claro que el silo se puede ver como tratamiento y día como bloque.
Considere sólo los datos de Rtd y establezca el modelo estadístico. También
haga el ANOVA correspondiente y obtenga conclusiones.
El tipo de análisis sería Diseño en bloques completos al azar (DBCA), cuyo
modelo es:
𝑖 = 1,2, … , 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 { }
𝑗 = 1,2, … , 𝑏

Hipótesis:
Tratamiento:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷 = 𝜇𝐸 = 𝜇
𝐻𝐴 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗

Bloques:
𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = 𝛾4 = 𝛾5 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗

Análisis de varianza de dos factores con una sola muestra

por grupo

RESUME Promedi
N Cuenta Suma o Varianza
Fila 1 5 12.8 2.56 3.148
Fila 2 5 23.3 4.66 3.068
Fila 3 5 -3 -0.6 18.915
Fila 4 5 23.7 4.74 3.203
Fila 5 5 -9.3 -1.86 9.728

Columna
1 5 15.4 3.08 5.197
Columna
2 5 16 3.2 6.18
Columna
3 5 16.3 3.26 6.078
 Columna
4 5 1 0.2 11.085
Columna
5 5 -1.2 -0.24 39.653

ANÁLISIS DE
VARIANZA
Origen de Promedi
las Suma de Grados o de los Valor
variacion cuadrad de cuadrad Probabilid crítico
es os libertad os F ad para F
8.090957 0.0009115 3.006917
Filas 182.532 4 45.633 45 9 28
2.748581 0.0648652 3.006917
Columnas 62.008 4 15.502 56 9 28
Error 90.24 16 5.64

Total 334.78 24

En tratamiento:
Dado que 𝐹0 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis se rechaza, esto significa que la temperatura
en los silos es diferente.
En bloque:
Como 𝐹0 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se acepta, esto se interpreta en que el día
no tiene un efecto en la medición de la temperatura.

c) Repita el inciso anterior pero ahora para las mediciones Mer.

El tipo de análisis sería Diseño en bloques completos al azar (DBCA), cuyo
modelo es:
𝑖 = 1,2, … , 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 { }
𝑗 = 1,2, … , 𝑏

Hipótesis:
Tratamiento:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷 = 𝜇𝐸 = 𝜇
𝐻𝐴 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗

Bloques:
 𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = 𝛾4 = 𝛾5 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗

Análisis de varianza de dos factores con una sola muestra por

grupo

RESUMEN Cuenta Suma Promedio Varianza

Fila 1 5 16.5 3.3 2.95
Fila 2 5 21 4.2 2.2
Fila 3 5 17 3.4 0.925
Fila 4 5 21.5 4.3 2.075
Fila 5 5 17.5 3.5 0.75

Columna 1 5 20 4 0.875
Columna 2 5 22 4.4 0.8
Columna 3 5 20.5 4.1 2.925
Columna 4 5 13 2.6 2.675
Columna 5 5 18 3.6 0.3

ANÁLISIS DE
VARIANZA
Origen de Grados Promedio
las Suma de de de los Valor crítico
variaciones cuadrados libertad cuadrados F Probabilidad para F
Filas 4.46 4 1.115 0.69040248 0.60921239 3.00691728
Columnas 9.76 4 2.44 1.51083591 0.24602212 3.00691728
Error 25.84 16 1.615

Total 40.06 24

En tratamiento:
Dado que 𝐹0 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis se acepta, esto significa que la
temperatura en los silos no es diferente.
En bloque:
Como 𝐹0 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se acepta, esto se interpreta en que el
día no tiene un efecto en la medición de la temperatura.

d) ¿Las conclusiones obtenidas en los incisos anteriores coinciden? Comente

su respuesta.
No las conclusiones con respecto a los tratamientos (silos) fue distinta, en el caso
del termómetro Rtd había variación en los silos; mientras que con el termómetro
Mer, eso no se detectó, los silos eran estadísticamente iguales. Esto quiere decir
que los termómetros son distintos entre sí, ya que muestran conclusiones
diferentes.
e) Datos pareados. Para comparar los dos métodos de medición (Mer y Rtd)
obtenga como variable de respuesta a la diferencia de temperatura que registran
los métodos para cada día en cada silo. Considerando esto, establezca el
modelo estadístico, haga el ANOVA correspondiente y obtenga conclusiones.

Para |MER-RTD|
Día 1 Día 2 Día 3 Día 4 Día 5
Silo
Dif. Dif. Dif. Dif. Dif.
A 1.4 1.2 0 0.5 0.6
B 1.4 0.4 0.3 0.2 0
C 1.2 2.6 1.7 3.9 10.6
D 0.6 1 0.1 1.8 2.3
E 4 3.6 2.9 6 10.3

El tipo de análisis sería Diseño en bloques completos al azar (DBCA), cuyo

modelo es:
𝑖 = 1,2, … , 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 { }
𝑗 = 1,2, … , 𝑏

Hipótesis:
Tratamiento:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇𝐷 = 𝜇𝐸 = 𝜇
𝐻𝐴 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗

Bloques:
𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = 𝛾4 = 𝛾5 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗

Análisis de varianza de dos factores con una sola muestra

por grupo
 RESUME Promedi
N Cuenta Suma o Varianza
Fila 1 5 3.7 0.74 0.318
Fila 2 5 2.3 0.46 0.298
Fila 3 5 20 4 14.665
Fila 4 5 5.8 1.16 0.793
Fila 5 5 26.8 5.36 8.953

Columna
1 5 8.6 1.72 1.732
Columna
2 5 8.8 1.76 1.708
Columna
3 5 5 1 1.6
Columna
4 5 12.4 2.48 5.997
Columna
5 5 23.8 4.76 27.703

ANÁLISIS DE
VARIANZA
Origen de Promedi
las Suma de Grados o de los Valor
variacion cuadrad de cuadrad Probabilid crítico
es os libertad os F ad para F
6.659989 0.0023574 3.006917
Filas 96.8136 4 24.2034 27 4 28
2.886617 0.0563964 3.006917
Columnas 41.9616 4 10.4904 23 3 28
Error 58.1464 16 3.63415

196.921
Total 6 24

En tratamiento:
Dado que 𝐹0 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se rechaza esto se interpreta en que, la
diferencia entre las temperaturas de los termómetros, en los silos es diferente,
es decir, hay diferencias entre cada tratamiento.
En bloque:
Como 𝐹0 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se acepta, esto se interpreta en que el día
no tiene un efecto en la medición de la temperatura.
En conclusión, se puede inferir por los resultados en los incisos anteriores, que
el termómetro Rtd es diferente al termómetro Mer, y considerando que sobre éste
último no hay duda de su funcionamiento, entonces, el termómetro Rtd, está
dañado y no registra las temperaturas correctas.

16. Se quiere estudiar 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 requier e
aproximadamente 1.5 horas, por lo que sólo se pueden realizar cinco
corridas diarias. El experimentador decide correr los exp erimentos con un
diseño en cuadro latino para controlar activa mente a los lotes y días. Los
datos obtenidos son:

a) Cómo se aleatorizó el experimento?

Se siguió la siguiente estrategia:

1. Se construye el cuadro latino estándar más sencillo.

2. Se aleatoriza el orden de los renglones (o columnas) y después se aleatoriza el orden de
las columnas (o renglones).
3. Por último, los tratamientos a comparar se asignan en forma aleatoria a las letras latinas.
Así se cumple que cada letra debe aparecer solo una vez en cada renglón y en cada columna.

b) Anote la ecuación del modelo y las hipótesis estadísticas correspondientes.

Modelo estadístico:

Yij = μ + τi + γj + δl + εij ; i = 1,2,3,4,5 j = 1,2,3,4,5, l = 1,2,3,4,5

Las hipótesis adecuadas son:

Ho: μ1 + μ2 + μ3 + μ4 + μ5= μ
Ha: μi ≠ μj para algún i ≠ j
Que también se puede expresar como:

Ho: τ1 = τ2 = τ3 = τ4 = τ5 = 0
Ha: τi ≠ 0 para algún i

c) Existen diferencias entre los tratamientos? Cuáles tratamientos son diferentes entre si?

Análisis de varianza para Y, utilizando SS ajustadas para pruebas

Source DF Seq SS Adj SS AdjMS F P

Catalizador 4 141.440 141.440 35.360 11.31 0.000

Lote 4 15.440 15.440 3.860 1.23 0.348

Día 4 12.240 12.240 3.060 0.98 0.455

Error 12 37.520 37.520 3.127

Total 24 206.640

S = 1.76824 R-Sq = 81.84% R-Sq(adj) = 63.69%

De esta tabla se observa que para Catalizador se obtuvo un valor-p = 0.000 < 0.05, por lo tanto
se rechaza Ho. Es decir que al menos dos de los catalizadores son diferentes.

d) Los factores de ruido, lote y día afectan el tiempo de reacción del proceso?

Del ANOVA se observa que para lote se obtuvo un valor-p = 0.348 > 0.05, por lo tanto se acepta
Ho. Es decir que no existe diferencia entre el tiempo de reacción de un proceso químico de los
lotes.

Por otro lado, del ANOVA se observa que para días se obtuvo un valor-p = 0.455 > 0.05, por lo
tanto se acepta Ho. Es decir que no existe diferencia entre el tiempo de reacción de un proceso
químico de los días.

e) Dibuje los gráficos de medias para los tratamientos, los lotes y los días. Cuál tratamiento es
el mejor?

Sería el tratamiento 5, puesto que tiene la media más baja respecto al tiempo de reacción del
proceso.

f) Verifique los supuestos del modelo, considerando que los datos se obtuvieron columna por
columna, día a día.
 Residual Plots for Y
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99
2
90
1

Residual
Percent

50 0

-1
10
-2
1
-3.0 -1.5 0.0 1.5 3.0 2 4 6 8 10
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data

6.0
2
4.5 1
Frequency

Residual
3.0 0

-1
1.5
-2
0.0
-2 -1 0 1 2 2 4 6 8 10 12 14 16 18 20 22 24
Residual Observation Order

En la gráfica 1 (Normal Probability Plot of the Residuals) se han graficado los residuos y se
observa que estos siguen una distribución normal ya que tienden a quedar alineados en una
línea recta.

En la gráfica 2 (Residuals Versus the Fitted Values) se han graficado los predichos contra los
residuos y se observa que los puntos se distribuyen de manera aleatoria en una banda
horizontal (sin ningún patrón claro y contundente), por lo que se cumple el supuesto de que
los tratamientos tienen igual varianza.

17. En el problema anterior elimine el factor de bloque días, y conteste:

a) ¿Se justifica esta segunda eliminación en ambos problemas?
b) Después de la doble eliminación, señale el nombre del diseño, el modelo y
la(s) hipótesis más adecuada(s) al problema.
c) Pruebe las hipótesis y obtenga conclusiones.
d) Compare el cuadro medio del error obtenido con los de los problemas 16 y
17. ¿Qué observa? ¿Cómo lo explica?
e) ¿Por qué se obtienen las mismas conclusiones en los tratamientos de este
problema y de los dos anteriores?
f) ¿Cree que esta eliminación hubiese afectado si los factores de bloque
hubieran sido significativos?
18. Con respecto a los problemas 16 y 17, además de eliminar el factor día
ahora elimine el factor lote, y conteste lo siguiente:
 b) Después de la doble eliminación, señale el nombre del diseño, el modelo y la(s)
hipótesis más adecuada(s) al problema.

El nombre del diseño es uno de tipo multigrupo completamente al azar, el modelo es de tipo
unifactorial de efectos fijos, no-equilibrado y las hipótesis adecuadas son:

Ho: μ1 + μ2 + μ3 + μ4 + μ5= μ Ha: μi ≠ μj para algún i

≠j
La cual la podemos expresar de la siguiente forma: Ho: τ1 = τ2 = τ3 = τ4 = τ5 = 0

c) Pruebe las hipótesis y obtenga conclusiones.

Al momento de probar la hipótesis en el ANOVA por medio del programa, se observó

que para días se obtuvo un valor-p = 0.455 > 0.05, por lo tanto se acepta Ho. Como
conclusión eso quiere decir que no existe diferencia entre el tiempo de reacción de un
proceso químico de los días.

F)

19. Se comprueba el peso en gramos de un material de tres proveedor es:

A, B y C, por tres diferentes inspectores: I, II y III, utilizando tres diferentes
escalas: 1, 2 y 3. El experimento se lleva a cabo como el siguiente cuadro
latino:

RESPUESTA
20. Cuando se comparan varios fertilizantes o 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 bloque, 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 control (C). Para ello, 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:
a) ¿Existen diferencias en los rendimientos de las diferentes variedades de
maíz?
Debido a que le Valor-p es menos que la significancia observada para el modelo
0.025< 0.05 se afirma que si existen diferencias entre los tratamientos.
b) ¿Cuál de los factores de bloque tuvo efectos?
El gradiente de fertilidad del suelo
c) ¿Se habrían detectado las mismas diferencias en los tratamientos con un
diseño completamente al azar?
No, porque en este tipo de diseño en cuadro latino se controlan dos factores de
bloqueo y se tienen cuatro fuentes de variabilidad para el modelo que pueden
afectar la respuesta observada.
d) ¿Y con un diseño en bloques completos al azar?
No, ya que no contempla la posibilidad de comparar más de 1 factor
21. Se quieren comparar tres dietas (A, B, C) a base de proteínas de origen
vegetal utilizando 18 ratas de laboratorio de una misma camada. Primero
se observa por un tiempo el apetito para formar tres grupos de seis ratas,
según su voracidad; y cada uno de estos grupos se clasifica a su vez en
tres grupos de dos ratas, de acuerdo a su peso inicial. Se plantea un
experimento donde la variable de respuesta es el peso en gramos ganado
por las ratas después de cierto periodo, con los siguientes resultados:

a) Analice los datos. ¿Cuáles de los factores influyen en el peso ganado por las
ratas?
El tipo de análisis es Diseño en cuadro latino (DCL), cuyo modelo es:
𝑌𝑖𝑗𝑙 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝛿𝑙 + 𝜀𝑖𝑗𝑙

Hipótesis:
Tratamiento:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇
𝐻𝐴 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗

Bloque 1:
𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗

Bloque 2:
𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗

Análisis de varianza de dos factores con una sola muestra

por grupo
 RESUMEN Cuenta Suma Promedio Varianza
A 3 628 209.333333 550.333333
B 3 436 145.333333 1164.33333
C 3 496 165.333333 900.333333

Fila 1 3 537 179 1524

Fila 2 3 523 174.333333 840.333333
Fila 3 3 500 166.666667 3350.33333

Columna 1 3 435 145 1252

Columna 2 3 518 172.666667 1546.33333
Columna 3 3 607 202.333333 566.333333

ANÁLISIS DE VARIANZA
Grados Promedio
Origen de las Suma de de de los Valor crítico
variaciones cuadrados libertad cuadrados F para F
Tratamiento 6432 2 3216 99.4639175 6.94427191
Peso inicial 232.66666
(B1) 7 2 116.333333 3.59793814 6.94427191
Voracidad 4932.6666
(B2) 7 2 2466.33333 76.2783505 6.94427191
64.666666
Error 7 2 32.3333333

Total 11662 8

En tratamiento:
Dado que 𝐹0 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se rechaza, es decir, los tratamientos
(dietas) son diferentes entre sí.
En bloque 1:
Como 𝐹0 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se acepta, es decir, que el peso inicial no
tiene un efecto en el resultado.
En bloque 2:
Como 𝐹0 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se rechaza, es decir, que la voracidad de
las ratas si es un factor que influye en los resultados.

b) ¿Cuál dieta es mejor?

Utilizando
LSD
 µi-µj LSD H0
µA µB 64 > 19.9763391
µA µC 44 > 19.9763391
µB µC 20 > 19.9763391

Por lo tanto, se puede concluir que la dieta B es la mejor, ya que el incremento

de peso es el menor.

c) ¿Alguno de los factores de bloque puede ser ignorado? Argumente su

respuesta.
Como el peso inicial no tiene influencia en los resultados, este factor de bloque
puede ser ignorado.

d) Si ése fuera el caso, analice de nuevo el experimento y saque conclusiones.

Hipótesis:
Tratamiento:
𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇
𝐻𝐴 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗

Bloques
𝐻0 : 𝛾1 = 𝛾2 = 𝛾3 = 0
𝐻𝐴 : 𝛾𝑗 ≠ 0 para algún 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗

Análisis de varianza de dos factores con una sola muestra por grupo

RESUMEN Cuenta Suma Promedio Varianza

Fila 1 3 628 209.333333 550.333333
Fila 2 3 436 145.333333 1164.33333
Fila 3 3 496 165.333333 900.333333

Columna 1 3 435 145 1252

Columna 2 3 518 172.666667 1546.33333
Columna 3 3 607 202.333333 566.333333
 ANÁLISIS DE
VARIANZA
Origen de Grados Promedio
las Suma de de de los Valor crítico
variaciones cuadrados libertad cuadrados F Probabilidad para F
Filas 6432 2 3216 43.264574 0.00195228 6.94427191
Columnas 4932.66667 2 2466.33333 33.1793722 0.00323209 6.94427191
Error 297.333333 4 74.3333333

Total 11662 8

En tratamiento:
Dado que 𝐹0 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se rechaza, es decir, los tratamientos
(dietas) son diferentes entre sí.
En bloque:
Como 𝐹0 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑎 , la hipótesis nula se rechaza, es decir, que él apetito si influye
en el resultado.
Es decir los resultados siguen siendo los mismos.

e) Verifique los supuestos del modelo.

Normalidad
𝐻0 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑝𝑟𝑜𝑐𝑒𝑑𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙
𝐻𝐴 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑛𝑜 𝑝𝑟𝑜𝑐𝑒𝑑𝑒𝑛 𝑑𝑒 𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙
𝑘 2
1
𝑊= [∑ 𝑎𝑖 (𝑥𝑛−𝑖+𝑗 − 𝑥𝑖 )]
(𝑛 − 1)𝑠 2
𝐼=1

Coeficientes
Datos en
i Shapiro- xn-i+j-xi ai(xn-i+j-xi)
orden
Wilks
1 50 0.5888 14 8.2432
2 51 0.3244 11 3.5684
3 53 0.1976 8 1.5808
4 55 0.0947 4 0.3788
5 58 Σ 13.7712
6 59
 7 61
8 62
9 64

𝑠 2 = 3680.125
Entonces 𝑊 = 0.00644
Y de tablas 𝑊𝑐𝑟𝑖𝑡𝑖𝑐𝑎 = 0.978
Por lo tanto si 𝑊𝑐𝑟𝑖𝑡𝑖𝑐𝑎 > 𝑊 la hipótesis nula se acepta. Estos dato provienen
de una distribución normal.

Varianza constante
Como los datos tienen una distribución normal se utiliza el estadístico de
Bartlett.
𝐻0 : 𝜎𝐴 2 = 𝜎𝐵 2 = 𝜎3 2

𝐻𝐴 : 𝜎𝑖 2 ≠ 𝜎𝑗 2 para algún 𝑖 ≠ 𝑗
𝑞
𝜒0 2 = 2.3026
𝑐
Dónde:
𝑘
1
𝑐 =1+ [∑(𝑛𝑖 − 1)−1 − (𝑁 − 𝑘)−1 ]
3(𝑘 − 1)
𝑖=1
𝑘

𝑞 = (𝑁 − 𝑘)𝑙𝑜𝑔𝑠𝑝 2 − ∑(𝑛𝑖 − 1)𝑙𝑜𝑔 𝑠𝑖 2

𝑖=1
 2
∑𝑘𝑖=1(𝑛𝑖 − 1)𝑠𝑖 2
𝑠𝑝 =
𝑁−𝑘

Para tratamiento:

si2 log si2

550.333333 2.74062582
1164.33333 3.06607733
900.333333 2.95440333
Σ 2615 8.76110648

sp2= 871.666667 log sp2= 2.94035044

q= -5212.3579
c= 1.05555556

-
χ2= 11370.2924

De tablas 𝜒 2 = 5.991
Por lo tanto, como 𝜒 2 𝑡𝑎𝑏𝑙𝑎𝑠 < 𝜒 2 0 entonces, la hipótesis nula se rechaza, esto
quiere decir que no existe Homocedasticidad en los datos.

Para bloque:
Σ
si2 1252 1546.33333 566.333333 3364.66667
log si2 3.09760433 3.18930312 2.75307212 9.03997957
 log
sp2= 1121.55556 sp2= 3.04982079
q= 0.2189656
c= 1.11111111

χ2= 0.45377118

De tablas 𝜒 2 = 5.991
Por lo tanto, como 𝜒 2 𝑡𝑎𝑏𝑙𝑎𝑠 > 𝜒 2 0 entonces, la hipótesis nula se acepta, esto
quiere decir que hay homogeneidad de varianza en los datos con respecto a los
bloques.

Independencia
El método analítico de comprobar el supuesto de independencia se realiza con
la prueba Durbin-Watson.
𝐻0 : 𝜌 = 0 (𝑛𝑜 ℎ𝑎𝑦 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛)
𝐻𝐴 : 𝜌 ≠ 0
∑𝑛𝑖=2(𝑒𝑖 − 𝑒𝑖−1 )2
𝑑=
∑𝑛𝑖=1(𝑒𝑖 )2

independencia
Datos yi ei e i2 (ei-ei-1)2
1 183 209.333333 -26.33 693.44
2 217 209.333333 7.67 58.78 1156
3 228 209.333333 18.67 348.44 121
4 113 145.333333 -32.33 1045.44 2601
 5 142 145.333333 -3.33 11.11 841
6 181 145.333333 35.67 1272.11 1521
7 139 165.333333 -26.33 693.44 3844
8 159 165.333333 -6.33 40.11 400
9 198 165.333333 32.67 1067.11 1521
Σ 5230.000 12005.000

𝑑 = 2.2954
De las tablas no viene el valor correspondiente, para 𝑝 = 2 y 𝑛 = 9, por lo tanto,
no se pudo concluir el método analítico.
Gráficamente: en base al valor de 𝑅 2 se puede concluir que no hay correlación
entre los datos.

22. 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, D) que llevan a la zona comercial, más importante para ellos, en el
otro extremo de la ciudad. Deciden correr un experimento en cuadro
grecolatino controlando los factores de bloque chofer, marca de vehículo
(a, b, c, d) y día de la semana. El experimento se repite en dos semanas
diferentes, en las cuales no hay días festivos ni quincenas. Los costos
observados en pesos se muestran en la siguiente tabla:
a) Haga el análisis de varianza de este experimento.
b) Realice las pruebas de comparaciones múltiples para los factores
significativos.
c) Represente los tratamientos y factores de bloque usando gráficas de medias
y diagramas de dispersión.
d) ¿Cuál es la mejor ruta? ¿Cuál es la peor? e) ¿Hay diferencias significativas
entre los choferes? ¿Y entre el tipo o marca de unidad?
f) ¿Cuáles factores de bloque valió la pena tomar en cuenta en el experimento?
g) ¿Por qué se evitaron días festivos y quincenas en el experimento? ¿Cuáles
otros aspectos se tenían que tomar en cuenta?
h) Verifique los supuestos del modelo.
23. 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.
• % de lisina: 0.0 (A), 0.1 (B), 0.2 (C), 0.3 (D), 0.4 (E), 0.5 (F ), 0.6 (G).
• % de proteína: 2 (a), 4(b), 6( c), 8(d), 10(e), 12(j), 14(g).
Para el estudio, se seleccionan siete vacas al azar, a las cuales se les da
un seguimiento de siete periodos de tres meses. Los datos en galones de
leche fueron los siguientes:
 a) Analice este experimento. ¿Qué factores tienen efecto en la producción
de leche?
Empleando el SW Minitab se obtiene la siguiente información:
Analysis of Variance for Respuesta, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P
Vaca 6 8754 8588 1431 1.39 0.261
período 6 1761 1702 284 0.27 0.943
% lisina 6 38906 40171 6695 6.48 0.000
% proteina 6 148628 148628 24771 23.98 0.000
Error 24 24792 24792 1033
Total 48 222841

S = 32.1406 R-Sq = 88.87% R-Sq(adj) = 77.75%

Del ANOVA se observa que para VACA se obtuvo un valor-p = 0.261 > 0.05, por
lo tanto se acepta Ho. Es decir que no existe diferencia en la producción de leche.
Por otro lado, del ANOVA se observa que para PERIODO se obtuvo un valor-p
= 0.943 > 0.05, por lo tanto se acepta Ho.
De igual forma para el % DE LISINA se obtuvo un valor-p = 0.000 < 0.05, por lo
tanto se se rechaza Ho. Es decir si existe diferencia en la producción de leche
debida a dicho porcentaje.
De igual forma para el % DE PROTEINA se obtuvo un valor-p = 0.000 < 0.05,
por lo tanto se se rechaza Ho. Es decir si existe diferencia en la producción de
leche debida a dicho porcentaje.
b) Interprete los resultados usando gráficos de medias.
 Interval Plot of Respuesta vs Vaca
95% CI for the Mean

525

500

475
Respuesta

450

425

400

375

350
1 2 3 4 5 6 7
Vaca

De tal forma, los intervalos de confianza de las vacas se traslapan por lo que sus
respuestas medias son iguales estadísticamente.

Interval Plot of Respuesta vs período

95% CI for the Mean
550

500
Respuesta

450

400

350
1 2 3 4 5 6 7
período

De tal forma, los intervalos de confianza de los períodos se traslapan por lo que
sus respuestas medias son iguales estadísticamente.
 Interval Plot of Respuesta vs % lisina
95% CI for the Mean
550

500

450
Respuesta

400

350

300
1 2 3 4 5 6 7
% lisina

De tal forma, los intervalos de confianza de los % de lisina se traslapan por lo

que sus respuestas medias son iguales estadísticamente.

Interval Plot of Respuesta vs % proteina

95% CI for the Mean
600

550

500
Respuesta

450

400

350

300
1 2 3 4 5 6 7
% proteina

De tal forma, los intervalos de confianza de los % de proteína no se traslapan

por lo que sus respuestas medias no son iguales estadísticamente.

c) ¿Cómo puede explicar la falta de efectos en vacas y periodo?

El diseño pretendía verificar el efecto del porcentaje de lisina y del porcentaje de
proteína en la producción de vacas lecheras por lo que se bloquearon los
aspectos relacionados a las vacas y al período.
d) ¿Qué porcentajes de lisina y proteína dan los mejores resultados?
De las gráficas anteriores, % de lisina que brinda los mejores resultados es: 0,4
(E). Respecto del % de proteínas, el mejor es: 14(γ).
e) Verifique los supuestos del modelo.
Residual Plots for Respuesta
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99
50
90
25
Residual
Percent

50 0

-25
10
-50
1
-50 -25 0 25 50 300 400 500 600
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data

12 50

25
Frequency

9
Residual

0
6
-25
3
-50
0
-60 -30 0 30 60 1 5 10 15 20 25 30 35 40 45
Residual Observation Order

En la gráfica 1 (Normal Probability Plot of the Residuals) se han graficado los

residuos y se observa que estos siguen una distribución normal ya que tienden
a quedar alineados en una línea recta.
En la gráfica 2 (Residuals Versus the Fitted Values) se han graficado los
predichos contra los residuos y se observa que los puntos se distribuyen de
manera aleatoria en una banda horizontal (sin ningún patrón claro y
contundente), por lo que se cumple el supuesto de que los tratamientos tienen
igual varianza.