ESTADÍSTICA APLICADA 2 – CE87

Diseños Experimentales
DISEÑO DE BLOQUES COMPLETOS AL AZAR
 Logro de la sesión

Al finalizar la sesión, el estudiante realiza

comparaciones de más de dos medias poblacionales
mediante el análisis de varianza, valorando su
aplicación en el área industrial.
 Temario

Diseño de bloques completos al azar (DBCA)

Definición

Análisis estadístico de un DBCA

Verificación de supuestos
Análisis de varianza de un factor
Comparaciones múltiples: Prueba de Tukey
 Entrenamiento para empleados nuevos

El director de entrenamiento de una compañía está

tratando de evaluar tres diferentes métodos de ¿Los tres
entrenamiento para empleados nuevos, estos son: métodos serán
igualmente
Método 1: Asignar un empleado nuevo con un trabajador efectivos?
experimentado.
Método 2: Ubicar a todos los empleados nuevos en un
salón de entrenamiento separado de la fábrica.
Método 3: Utilizar películas de entrenamiento y materiales
de aprendizaje programado.

El director esta considerando dos propuestas para

seleccionar la muestra:

Propuesta 1: Seleccionar a 15 empleados nuevos, y se le

asigna al azar un método de entrenamiento.
Propuesta 2: De 5 áreas de trabajo distintas, de cada una se
selecciona a 3 empleados nuevos, los cuales se le asigna al ¿Alguno de los
azar un método de entrenamiento. métodos será
más efectivo
Luego, de la propuesta que el director considere, este que otro?
medirá la producción diaria después del entrenamiento.
 Propuesta de diseños experimentales

El director esta considerando dos propuestas:

Propuesta 1:
Seleccionar a 15 empleados nuevos, y se le asigna al azar un método de entrenamiento.
Propuesta 2:
De 5 áreas de trabajo distintas, de cada una se selecciona a 3 empleados nuevos, los
cuales se le asigna al azar un método de entrenamiento.
Luego, de la propuesta que el director considere, este medirá la producción diaria
después del entrenamiento.

Diseño experimental con un solo factor

DCA DBCA

Si el director escoge Si el director escoge

la propuesta 1 la propuesta 2
 Tema 2

Diseño de bloques completos al azar

(DBCA)
DBCA
Analizar si hay efecto del factor en estudio sobre la
variable respuesta, en un experimento donde las
Objetivo unidades experimentales han sido previamente
agrupadas en bloques.

Modelo yij     i   j   ij i  1, 2, . .., a ; j  1, 2, ..., b

Efecto de Efecto de Error experimental asociado a la

media
i-ésimo j-ésimo observación yij.
poblacional
tratamiento bloque

Este diseño consiste en agrupar las unidades

experimentales en bloques, de tal manera que dentro de
cada bloque las unidades experimentales sean lo mas
Definición homogéneas posible y entre bloques distintos sean
heterogéneos, con la finalidad de disminuir la magnitud
del error experimental.
Supuestos del modelo DCA
NORMALIDAD DE LOS Se debe verificar si los residuos o errores
RESIDUOS siguen una distribución normal
H0: Los errores se distribuyen normalmente
H1: Los errores no se distribuyen normalmente
Estadístico de prueba: Anderson Darling
Si P-valor > alfa No se rechaza H0
Se cumple el supuesto de Normalidad de errores.
HOMOGENEIDAD DE Se debe verificar la homogeneidad de las
VARIANZAS varianzas
 H0: ==
H1: Al menos una varianza es diferente a las demás

Estadístico de prueba: Bartlett

Si P-valor > alfa No se rechaza H0
Se cumple el supuesto de Homocedasticidad u
homogeneidad.
SIN INTERACCIÓN ENTRE EL
TRATAMIENTO Y BLOQUE
 Prueba de hipótesis DBCA
Hipótesis:
H0: Todos los tratamientos tienen el mismo efecto sobre la variable en estudio.
( Ho: µ1 = µ2 = … = µi = µ (Todos los tratamientos tienen la misma media) )
H1: Al menos un tratamiento tiene un efecto diferente sobre la variable en estudio.
( H1: Al menos un µi es diferente a los demás )

Estadístico de prueba:
  𝐶𝑀 (𝑇𝑟 )
𝐹 𝑐= 𝐹(𝑘 −1 , 𝑛 −𝑘)
𝐶𝑀𝐸

Supuestos: Normalidad en los residuos, homogeneidad de varianzas.

Decisión: Si P-valor  , se rechaza Ho

Nota: El P-valor se obtiene de las salidas del MINITAB

Disposición de los datos DBCA

  T1 T2 … Ta Total

B1 Y11 Y21 … Ya1 Y.1

B2 Y12 Y22 … Ya2 Y.2

…

…
Bb Y1b Y2b … Yib Y.b

Total Y1. Y2. … Ya. Y..

 Cuadro de análisis de varianza (ANVA)

CUADRO DE ANÁLISIS DE VARIANZA (ANVA)

Fuente de Grados de Suma de Cuadrado

variación libertad cuadrado medio F P
Tratamiento a-1 SC(Tr) CM(Tr) CM(Tr)/CME

Bloques b-1 SCB CMB CMB/CME

Error (a - 1)(b - 1) SCE CME

Total ab - 1 SCT
 Comparaciones múltiples: Prueba de Tukey
Las comparaciones múltiples se usan cuando en el ANVA se produce
el rechazo de H0 y permite evaluar si existen diferencias significativas
entre las medias de cada “par de tratamientos”.

Hipótesis:
 H0:

H1: , para todo i diferente de j

Se realiza el análisis utilizando el método de Tukey.

 Ejemplo de aplicación
El director de entrenamiento de una compañía está tratando de evaluar tres diferentes
métodos de entrenamiento para empleados nuevos, estos son :
Método 1: Asignar un empleado nuevo con un trabajador experimentado.
Método 2: Ubicar a todos los empleados nuevos en un salón de entrenamiento separado de la fábrica.
Método 3: Utilizar películas de entrenamiento y materiales de aprendizaje programado.
De 5 áreas de trabajo distintas, de cada una se selecciona a 3 empleados nuevos, , los
cuales se le asigna al azar un método de entrenamiento donde se medirá la producción
diaria después del entrenamiento.
Área Método 1 Método 2 Método 3
A 28 18 22
B 27 17 18
C 25 19 19
D 21 16 22
E 23 22 17
Situación:
El director de entrenamiento debe preparar un informe estadístico donde sustente la
recomendación por el método de entrenamiento más efectivo de los empleados nuevos.
 Solución del ejemplo de aplicación
Interpretación:
Determinar si el método de entrenamiento de los empleados nuevos
afecta su producción diaria.
Representación:
Factor: Método de entrenamiento.
Conceptos Tratamientos: Método 1, Método 2 y Método 3.
generales:
Variable respuesta: Producción diaria (unidades producidas).
Unidad experimental: Un empleado nuevo.
Se utilizará la prueba de análisis de varianza de un factor.
Verificación de supuestos
Hipótesis a resolver:
Ho: El método de entrenamiento no afecta la producción diaria.
H1: El método de entrenamiento afecta la producción diaria.
Nivel de significación: 0.05
 Solución del ejemplo de aplicación
Verificación de supuestos:
AD 0.460
NORMALIDAD DE LOS ERRORES
Valor p 0.223
Hipótesis:
H0: Los errores se distribuyen
normalmente
H1: Los errores no se distribuyen
normalmente
Estadístico de prueba: AD=0.460
Probabilidad: P-valor = 0.223
Decisión: No se rechaza H0
Conclusión: A un nivel de
significación del 5%, los errores
se distribuyen normalmente.
Se cumple el supuesto de Normalidad de errores.
 Solución del ejemplo de aplicación
HOMOGENEIDAD DE VARIANZAS Bartlett 0.08
Hipótesis: Valor p 0.962
 H0: = =
H1: Al menos un es
diferente a los demás
Estadístico de prueba:
Bartlett=0.08
Probabilidad: P-valor = 0.962

Decisión: No se rechaza H0
Conclusión: A un nivel de
significación del 5%, existe
homogeneidad de varianzas.
Se cumple el supuesto de homogeneidad de varianzas.
 Solución del ejemplo de aplicación
Cálculo:
Estadístico de prueba: F= 7.60
P-valor: 0.014
Decisión: Se rechaza H0.

Modelo lineal general: Producción vs. Métodos

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Area 4 14.27 3.567 0.47 0.758
Método 2 115.73 57.867 7.60 0.014
Error 8 60.93 7.617
Total 14 190.93

Análisis:
Conclusión: Con un nivel de significancia del 5%, se puede afirmar el método
de entrenamiento de los empleados nuevos sí afecta su producción diaria.
(Al menos con un método de entrenamiento la producción promedio diaria
que obtiene un empleado nuevo es diferente).
 Solución del ejemplo de aplicación
Comunicación/Argumentación:
En vista de los resultados, el director de entrenamiento desea identificar el método de
entrenamiento más efectivo. ¿Qué método(s) de entrenamiento para empleados
nuevos es más efectivo?
Agrupar información utilizando el método de Tukey

HIPÓTESIS: N Media Agrupación

M1 5 24.800 A
 H0: M3 5 19.600 B
, para i diferente de j M2 5 18.400 B
H1:
Las medias que no comparten una letra
son significativamente diferentes.

Se concluye que no hay diferencias significativas entre los métodos 3 y 2, pero si hay
diferencias significativas de ambos con respecto al método 1.

Con un nivel de significancia del 5%, el método 1: Asignar un empleado nuevo con un
trabajador experimentado es más efectivo. Es decir, la producción promedio por día es
mayor para esté método con respecto a los métodos 2 y 3.
Importante

Para validar un DBCA se utiliza la distribución F.

 Reflexiona un momento

Indique V o F según corresponda en los siguientes enunciados:

1. En un experimento se puede evaluar uno o más factores. V

2. Repetición y aleatorización son los principios básicos en un DBCA. V

3. En homocedasticidad verificamos la heterogeneidad de las V
varianzas.
4. Tukey sirve para probar todas las diferencias entre medias de V
tratamientos.
5. En un DBCA, la variable que se utiliza para agrupar las unidades V
experimentales es considerado otro factor más.
6. En un DBCA, los bloques son asignados por el investigador y los V
tratamientos se asignan al azar a las unidades experimentales por
bloque.
F
7. Siempre el error experimental de un DBCA es menor que en DCA
 Bibliografía

• Montgomery, D. y Runger, G. (2006). Probabilidad y estadística aplicadas

a la ingeniería. México, D.F. : Limusa Wiley.
• Anderson, D., Sweeney, D., Williams T., Camm, J. y Cochran, J. (2016).
Estadística para negocios y economía. México, D.F.: Cengage Learning.
• Triola, M. (2013). Estadística. México, D.F.: Pearson Educación.
Material producido por la Universidad Peruana de Ciencias Aplicadas
Autor: Equipo de profesores – CE87
COPYRIGHT ©UPC 2016 - Todos los derechos reservados.