UNIDAD III.

ANÁLISIS DE VARIANZA

3.1 ¿Qué es el Análisis de varianza?

El análisis de la varianza (ANOVA, ANDEVA, ANVA) es un método para comparar dos o

más medias, que es necesario porque cuando se quiere comparar más de dos medias es
incorrecto utilizar repetidamente el contraste basado en la t de Student por dos motivos:

En primer lugar, y como se realizarían simultánea e independientemente varios contrastes

de hipótesis, la probabilidad de encontrar alguno significativo por azar aumentaría. En cada
contraste se rechaza la H0 si la t supera el nivel crítico, para lo que, en la hipótesis nula,
hay una probabilidad α.Si se realizan m contrastes independientes, la probabilidad de que,
en la hipótesis nula, ningún estadístico supere el valor crítico es (1 - αm), por lo tanto, la
probabilidad de que alguno lo supere es 1 - (1 - α)m, que para valores m próximos a 0 es
aproximadamente igual a mα. Una primera solución, denominada método de Bonferroni,
consiste en bajar el valor de α, usando en su lugar α/m, aunque resulta un método muy
conservador.
Por otro lado, en cada comparación la hipótesis nula es que las dos muestras provienen de
la misma población, por lo tanto, cuando se hayan realizado todas las comparaciones, la
hipótesis nula es que todas las muestras provienen de la misma población y, sin embargo,
para cada comparación, la estimación de la varianza necesaria para el contraste es
distinta, pues se ha hecho en base a muestras distintas.
El método que resuelve ambos problemas es el ANVA (ANOVA, ANDEVA) aunque es algo
más que esto: es un método que permite comparar varias medias en diversas situaciones;
muy ligado, por tanto, al diseño de experimentos y, de alguna manera, es la base del
análisis multivariante.

3.2 Suposiciones en el análisis de varianza

1) Una llamada varianza dentro de los grupos (ya que sólo contribuye a ella la
varianza dentro de las muestras), o varianza de error, o cuadrados medios del
error, y habitualmente representada por CMEE (Cuadrado medio del error
experimenta) que se calcula como la media de las t varianzas muestrales (cada
varianza muestral es un estimador centrado de σ2 y la media de t estimadores
centrados es también un estimador centrado y más eficiente que todos ellos). El
CMEE es un cociente: al numerador se le llama suma de cuadrados del error y se
representa por SCEE y al denominador grados de libertad por ser los términos
independientes de la suma de cuadrados.
2) Otra llamada varianza entre grupos (sólo contribuye a ella la varianza entre las
distintas muestras), o varianza de los tratamientos, o cuadrados medios de los
tratamientos y representada por CMTrat. Se calcula a partir de la varianza de las
medias muestrales y es también un cociente; al numerador se le llama suma de
cuadrados de los tratamientos (se le representa por SCTrat) y al denominador (t-1)
grados de libertad.

Supónganse t muestras aleatorias independientes, de tamaño n, extraídas de una única

población normal. A partir de ellas existen dos maneras independientes de estimar la
varianza de la población:
CMTrat y CMEE, estiman la varianza poblacional en la hipótesis de que las t muestras
provengan de la misma población. La distribución muestral del cociente de dos
estimaciones independientes de la varianza de una población normal es una F con los
grados de libertad correspondientes al numerador y denominador respectivamente, por lo
tanto se puede contrastar dicha hipótesis usando esa distribución.
Si en base a este contraste se rechaza la hipótesis de que CMEE y CMTrat estimen la
misma varianza, se puede rechazar la hipótesis de que las t medias provengan de una
misma población.
Aceptando que las muestras provengan de poblaciones con la misma varianza, este
rechazo implica que las medias poblacionales son distintas, de modo que con un único
contraste se contrasta la igualdad de t medias.

Los resultados de un ANOVA se suelen representar en una tabla como la siguiente:

Fuente de Grados Suma de Cuadrados Fc

variación de Cuadrados Medios
libertad
Entre grupos t-1 SCTrat CMTrat/(t-1) CMTrat/CMEE
Tratamientos
Error (r-1) t SCEE CMEE/t(r-1)
Total tr-1 SCTot

Y el cociente F se usa para realizar el contraste de la hipótesis de medias iguales. La

región crítica para dicho contraste es Fc > F α,t-1,(r-1)t

Es fácil ver en la tabla anterior que

GLerror+ GLtrata = (r - 1) t + (t – 1) = tr - t + t - 1 = tr - 1 = GLtotal

No es tan inmediato, pero las sumas de cuadrados cumplen la misma propiedad, llamada
identidad o propiedad aditiva de la suma de cuadrados:

SCTot = SCTrat + SCEE

El análisis de la varianza se puede realizar con tamaños muestrales iguales o distintos, sin
embargo es recomendable iguales tamaños por dos motivos:

La F es insensible a pequeñas variaciones en la asunción de igual varianza, si el tamaño

es igual.
Igual tamaño minimiza la probabilidad de error tipo II.

UNIDAD IV. DISEÑO COMPLETAMENTE AL AZAR

Existen tres diseños considerados básicos y de uso común en el trabajo de investigación y

los mismos se nombran a continuación:
a) Diseño completamente al azar
b) Diseño bloques al azar
c) Diseño Cuadro Latino

Algunas situaciones experimentales pueden requerir el uso de otros diseños tales como:
Parcela dividida
Bloque dividido
Parcela subdividida
Anidado
Bloques incompletos: Balanceados y parcialmente balanceados
Lattices
Greco Latino, etc.

4.1 Diseño Completamente al azar.

Un diseño completamente al azar es un diseño en el cual los tratamientos se aplican

completamente al azar y sin restricción a las unidades experimentales.
Las ventajas de este diseño son:

a) No impone ninguna restricción en la aleatorización

 b) Cuenta con el número máximo de grados de libertad para la fuente de
variación error experimental.
c) Se puede usar desigual número de repeticiones, sin que se produzca
complicación alguna en el Análisis de varianza.

Las desventajas son:

No es apropiado el uso de este diseño cuando existe heterogeneidad entre las unidades
experimentales. Por lo tanto este diseño puede ser usado solamente en laboratorios e
invernaderos, pero en ningún caso será usado en el campo.

4.2 Análisis de varianza de un factor en el Diseño completamente al azar.

4.2.1 diseño completamente al azar con igual número de repeticiones por

tratamientos.

Modelo estadístico

Yij = μ + τi + εij

Yij = Observación del i-esimo tratamiento en la j-esima repetición

μ = Media general
τi = Efecto del i-esimo tratamiento
εij = Error experimental
i = 1, 2, …… t
j = 1,2, ……r
Hipótesis a probar:
Ho : τ 1 = τ 2 = .... = τ i = ..... = τ t (no hay efecto de tratamiento)
Ha : τ i ≠ τ i `

Yi. Y ..
Medias de tratamientos Yi. = Medias general Y .. =
r tr

Cuadro 4.1. Cuadro de concentración de datos

I II … j ….. r Yi.. Yi.

Repeticiones Totales de
Medias de
tratamientos
Tratamientos tratamientos
1 Y11 Y12 Y1j Y1r Y1. Y1.
2 Y21 Y22 Y2j Y2r Y2. Y2.
.
.
I Yi1 Yi2 Yij Yir Yi. Yi.
.
.
T Yt1 Yt2 Ytj Ytr Yt. Yt .
Y..
Gran Total Y..
Media general
 Cuadro 4.2. Cuadro de análisis de varianza para un diseño Completamente al azar con el
mismo número de repeticiones por tratamiento.

Fuente de Grados Suma de cuadrados Cuadrados Fc Fα

variación de Medios
libertad
Tratamien t-1 2
SCTrat CMTrat
t
Yi.2 Y ..
tos SCTrat = ∑ − CMTrat = Fc = Fα ,t −1,t ( r −1)
i =0 r tr t −1 CMEE

Error t(r-1) SCEE

Experimen
SCEE = SCT − SCTrat
CMEE =
tal t (r − 1)
Total tr-1 t r
Y ..2
SCT = ∑ ∑ Yij 2
−
i =0 j =0 tr

Regla de decisión:
Si Fc ≥ Fα ,t −1,t ( r −1) se rechaza Ho: τ 1 = τ 2 = .... = τ i = ..... = τ t

Por lo que existe efecto significativo de tratamientos.

4.2.2 Diseño completamente al azar con diferente número de repeticiones por

tratamientos

Modelo estadístico
Yij = μ + τi + εij

Cuadro 4.3. Cuadro de concentración de datos

I II … j ….. ri Yi.. ri Yi.
Repeticiones Totales de Número de Medias de
tratamientos repeticiones por tratamientos
Tratamientos tratamiento
1 Y11 Y12 Y1j Y1r1 Y1. r1 Y1.
2 Y21 Y22 Y2j Y1r2 Y2. r2 Y2.
.
.
I Yi1 Yi2 Yij Y1ri Yi. ri Yi.
.
.
T Yt1 Yt2 Ytj Y1rt Yt. rt Yt .
Y.. t

Gran Total ∑r i =1
i =n Y..
Media
Número total de general
datos

Yi.
Medias de tratamientos Yi. = Media general Y .. = Y .. = Y ..
ri t

∑r
n
i
i =1
Cuadro 4.4. Cuadro de análisis de varianza para un diseño Completamente al azar con
diferente número de repeticiones por tratamiento
Fuente de Grados Suma de cuadrados Cuadrados Fc Fα
variación de Medios
libertad
Tratamien t-1 2 SCTrat CMTrat
Yi.2 Y ..
t
F
tos SCTrat = ∑ − CMTrat = Fc = t

i =0 ri n t −1 CMEE α ,t −1, ∑ ri −t
i =1

Error t
SCEE
Experimen ∑r − t i SCEE = SCT − SCTrat CMEE = t
tal i =1
∑r −t
i =1
i

Total t t r
Y ..2
∑r −1
i =1
i SCT = ∑ ∑ Yij 2
−
n
i =0 j =0

Regla de decisión:

Si Fc ≥ Fα ,t −1, gldelerror se rechaza Ho: τ 1 = τ 2 = .... = τ i = ..... = τ t

Por lo que existe efecto significativo de tratamientos.

Ejemplo 4.4.1

Un artículo publicado en un boletín investigó cuatro métodos diferentes para preparar el

compuesto superconductor PbMo6S8. Los autores sostienen que la presencia de oxigeno
durante el proceso de preparación afecta la temperatura de transición Tc de
superconducción del material. Los métodos de preparación 1 y 2 utilizan técnicas que
están diseñadas para eliminar la presencia de oxigeno, mientras que los métodos 3 y 4
permiten que el oxigeno éste presente. Para cada método se toman cinco observaciones
de Tc (en °K). Los resultados son los siguientes:

Método de Temperatura de transición Tc (°K)

preparación
1 14.8 14.8 14.7 14.8 14.9
2 14.6 15.0 14.9 14.8 14.7
3 12.7 11.6 12.4 12.7 12.1
4 14.2 14.4 14.4 12.2 11.7

¿Existe evidencia que apoye la afirmación de que la presencia de oxigeno durante la

preparación afecta la temperatura de transición promedio? Utilice α = 0.05.
Respuesta:

Cuadro de concentración de datos

Totales de Medias de
Método de Temperatura de transición Tc (°K) tratamientos tratamiento
preparación Yi. Yi.
1 14.8 14.8 14.7 14.8 14.9 74 14.8
2 14.6 15.0 14.9 14.8 14.7 74 14.8
3 12.7 11.6 12.4 12.7 12.1 61.5 12.3
4 14.2 14.4 14.4 12.2 11.7 66.9 13.38
Gran total Media general
Y.. = 276.4 Y.. = 13.82
SCT = 3849.92 – (276.4)2/(4)(5) = 30.072
SCTrat = (19209.86/5) – (276.4)2/(4)(5) = 22.124
SCEE = 30.072- 22.124= 7.948

ANVA
FV Gl SC CM Fc Fα
Tratamientos 3 22.124 7.37 14.8*
Error 16 7.948 0.4968
experimental
Total 19 30.072

Conclusión:
- Existe diferencia significativa entre los métodos de preparación del compuesto
superconductor en cuanto a la temperatura de transición.

Ejemplo 4.4.2

Una compañía que fabrica computadoras ha instituido cuatro programas diferentes de

entrenamiento para los empleados que trabajan en operaciones de ensamblado.
Veinticuatro trabajadores repartidos en grupos de seis tomaron los programas de
entrenamiento. Después del entrenamiento, se registraron los tiempos medios necesarios
para el ensamblado de un determinado circuito, para cada uno de los trabajadores. Cuatro
trabajadores renunciaron a su empleo durante el programa de entrenamiento. Los datos se
presentan en la siguiente tabla:

PROGRAMA DE ENTRENAMIENTO
A B C D
60 80 97 67
80 81 84 84
69 73 93 90
65 69 79 78
75 92 61
72

¿Existe evidencia para concluir que los diferentes programas de entrenamiento ocasionan
que los trabajadores usen diferente tiempo para ensamblar?

UNIDAD V. BLOQUES AL AZAR

5.1 Diseño Bloques al azar

El mayor problema asociado con el Diseño Completamente al Azar es su incapacidad de

controlar algunos factores extraños de variación. Si estos existen, el estimado del error
experimental será insesgado; es decir el cuadrado medio del error experimental no es un
estimador insesgado de la varianza del error experimental
algo.

Esto hace que el cuadro medio del error sea más grande de lo normal y así la prueba F
tenderá a no rechazar la hipótesis global de igualdad de medias. En este caso es
recomendable utilizar un diseño que controle esta fuente extraña de variación. La variación
es de tipo sistemático y puede ser debida a la naturaleza o ``inducida'' o introducida por el
investigador para ampliar las inferencias acerca de los tratamientos.

Bloque: Es un grupo de unidades experimentales que son homogéneas para una o más
características que podrían afectar la variable respuesta
¿Qué ejemplos de bloques hay de variación sistemática natural?

a) En experimentos sobre el terreno. Usualmente cada bloque consiste en un grupo

compacto de parcelas aproximadamente cuadradas; o el gradiente de fertilidad
(debido a la pendiente del terreno, por ejemplo) tal que unidades experimentales
sobre el mismo nivel de gradiente son mas semejantes que las de diferentes
niveles; o puede ser que la corriente de un riachuelo atraviese el terreno y así las
parcelas equidistantes del riachuelo son más semejantes que aquellas que están
diferentes distancias del riachuelo (Pearce, 1983).
b) En experimentos con animales. Los animales se colocan en bloques con base en
características tales como: Peso inicial, condición del animal, raza, sexo, edad,
etapa de lactancia, producción de leche en el ganado, camadas en cerdos y
ratones entre otros.
c) En ensayos clínicos, para obtener el número adecuado de réplicas, algunos centros
pueden ser incluidos y pacientes del mismo centro pueden ser más semejantes que
pacientes de diferentes centros no tanto por las características del personal sino
por las diferentes practicas de tratamientos o los estilos de manejos.

¿Qué ejemplos de bloques son de variación sistemática ``inducida'' o introducida

por el investigador?

a) Un investigador en un experimento industrial puede decidir obtener el material

experimental de diferentes suministradores quienes usan diferentes procesos de
producción.
b) En un ensayo de alimentación de ganado puede ser importante incluir animales de
diferentes razas.
c) En un experimento para probar diferentes marcas de llantas se quieren incluir
carros de diferentes fabricantes y diferente modelo de cada fabricante.

La situación más común es cuando hay un sólo factor extraño. Aquí la precisión del
estimado de puede mejorarse usando un diseño de bloques al azar. Por medio del
agrupamiento de las unidades experimentales en subgrupos homogéneos, la variación
asociada con este factor puede ser removida del estimado del error experimental. Además,
las comparaciones intrabloques de los tratamientos son insesgadas por el efecto del factor.

Se aleatorizan los tratamientos dentro de cada bloque.

Suponiendo que se tiene un experimento con cinco tratamientos (T1, T2, T3, T4, T5),
distribuidos en cuatro bloques, los cinco tratamientos son aleatorizados dentro de cada
bloque:

T5 T2 T4 T1 T3 Bloque 1

T3 T1 T2 T5 T4 Bloque 2

T1 T5 T3 T4 T2 Bloque 3

T4 T2 T1 T5 T3 Bloque 4

Ventajas

Es fácil de analizar, extrae del error experimental la variación debida a los bloques además
de la variación debida a tratamientos.
Desventajas

Menor número de grados de libertad para el error experimental. Si el número de

tratamientos es muy elevado (como 25), se hace muy difícil conseguir un buen
agrupamiento de las parcelas experimentales.

Restricciones

Cada bloque debe contener los tratamientos asignados al azar.

5.2 Análisis de varianza de un factor en el Diseño Bloques al azar.

Modelo estadístico
Yij = μ + τi + RJ + εij

Yij = Observación del j-esimo bloque del i-esimo tratamiento

μ = Media general
τi = Efecto del i-esimo tratamiento
RJ = Efecto del j-esimo bloque (o repetición)
εij = Error experimental
i = 1, 2, …… t
j = 1,2, ……r

Hipótesis a probar:
Ho : τ 1 = τ 2 = .... = τ i = ..... = τ t (no hay efecto de tratamiento)
Ha : τ i ≠ τ i`
Ho : R1 = R2 = .... = R j = ..... = Rr (no hay efecto de bloque)
Ha : R j ≠ R j`

Cuadro de concentración de datos

I II … j ….. r Yi. Yi.

Totales de
Bloques Medias de
tratamientos
tratamientos
Tratamientos
1 Y11 Y12 Y1j Y1r Y1. Y1.
2 Y21 Y22 Y2j Y2r Y2. Y2.
.
.
i Yi1 Yi2 Yij Yir Yi. Yi.
.
.
.
t Yt1 Yt2 Ytj Ytr Yt. Yt .
Y.j Y.. Y..
Totales de Y.1 Y.2 Y.j Y.r Gran Total Media General
Bloques
 Yi. Y ..
Medias de tratamientos Yi. = Medias general Y .. =
r tr

Cuadro de análisis de varianza para un diseño Bloques al azar

Fuente de Grados Suma de cuadrados Cuadrados Medios Fc Fα

variación de
libertad
Tratamient t-1 t
Yi.2 Y ..2 SCTrat CMTrat Fα , t −1, ( t −1)( r −1)
os SCTrat = ∑ − CMTrat = Fc =
i =0 r tr t −1 CMEE

Bloques r-1 Y . j 2 Y ..
2 SCBloques CMBloques
SCBloques = ∑
r
− CMBloques = Fc = Fα , r −1, ( t −1)( r −
r −1 CMEE
j =0 t tr
Error (t-1)(r-1) SCEE = SCT − SCTrat − SCBloques CMEE =
SCEE
Experimen (t − 1)(r − 1)
tal
Total tr-1 t r
Y ..2
SCT = ∑ ∑ Yij 2 −
i =0 j =0 tr

Regla de decisión:

Si Fc ≥ Fα ,t −1,( t −1)( r −1) se rechaza Ho: τ 1 = τ 2 = .... = τ i = ..... = τ t

Por lo que existe efecto significativo de tratamientos.

Si Fc ≥ Fα , r −1,( t −1)( r −1) se rechaza Ho: R1 = R2 = .... = R j = ..... = Rr

Por lo que existe efecto significativo de bloques.

5.3 Pruebas de significancia de diferencias entre pares de medias.

Si al realizar en ANVA se encuentra diferencia significativa entre los tratamientos, es

recomendable realizar alguna prueba de rango múltiple para saber que medias presentan
diferencias.

El procedimiento es exactamente igual al presentado en el punto 4.3 del capítulo anterior.

Solamente se requiere contar con los siguientes datos: número de repeticiones, grados de
libertad y cuadrado medio del error experimental.

5.4 Problemas.

Ejemplo 5.4.1

Se probaron 5 diferentes concentraciones de iniciador en la preparación de poli(acrilato de

nitrilo). La concentración que se usa comúnmente es de 0.05%, pero se desea tener
información del efecto de la concentración de iniciador (AIBN), para lo cual se probaron 5
diferentes concentraciones de iniciador (0.02, 0.05, 0.08, 0.11, 0.14 %) realizándose 4
repeticiones. En un día de trabajo se pueden realizar 5 experimentos por lo que se usó un
diseño bloques al azar. Los resultados en gramos de polímero obtenido son:
 Días de trabajo
Concentración %
I II III IV
0.02 63 59 65 57
0.05 78 75 70 74
0.08 80 76 74 79
0.11 65 69 65 68
0.14 58 59 55 53

Realice el análisis de varianza y concluya.

Respuesta:

Cuadro de concentración de datos

Totales de Medias de
tratamientos tratamiento
Concentrac I II III IV
ión %
Yi. Yi.
0.02 63 59 65 57 244 61
0.05 78 75 70 74 297 74.25
0.08 80 76 74 79 309 77.25
0.11 65 69 65 68 267 66.75
0.14 58 59 55 53 225 56.25
Totales de Gran total Media general
bloques 344 338 329 331 Y.. = 1 342
Y.. = 67.1
Y.j

SCT = 91 416 – (1 342)2/(5)(4) = 1 367.8

SCTrat = (365 140/4) – (1 342)2/(5)(4) = 1 236.8

SCBloques = (450 382/5) - (1 342)2/(5)(4) = 28.2

SCEE = 1 367.8 - 1 236.8 - 28.2

ANVA

FV Gl SC CM Fc Fα
Tratamientos 4 1236.8 309.2 36.12* 3.26
Bloques 3 28.2 9.4 1.098ns 3.49
Error 12 102.8 8.56
experimental
Total 19 1367.8

Conclusión:
- Existe diferencia significativa entre las concentraciones de iniciador sobre el
rendimiento del polímero.
- No existe diferencia entre los días de trabajo sobre el rendimiento del polímero.
 UNIDAD VI. CUADRO LATINO

6.1 Diseño Cuadro Latino.

Suponga que se desea determinar el efecto diferencial entre cinco lotes de materia prima
que provienen de cinco proveedores y denotadas respectivamente por las letras A, B, C, D
y E, y que nos interesa conocer si los cinco materiales son diferentes en cuanto a sus
efectos sobre la calidad de la producción.

Supongamos que la operación de manufactura consiste en el procesado de la materia

prima en ciertas máquinas y que al realizar las pruebas se deben considerar las máquinas
al igual que las materias primas. A menos que se conozca que las máquinas difieren poco,
es evidente que un diseño experimental falso sería utilizar cada materia prima en cinco
máquinas diferentes. En tal caso no se podría conocer si la diferencia se debe a la materia
prima o a la diferencia entre máquinas. En otras palabras el efecto de máquinas resultaría
confundido con el efecto de materia prima y los dos no se podrían separar.

Si se diseña un experimento bajo un DCA, se seleccionaría una muestra aleatoria de n

máquinas y se formarían cinco grupos de máquinas y en cada grupo se utilizaría cada tipo
de material. La desventaja de este diseño sería que la variabilidad de las máquinas se
mezcla contribuiría al error experimental, pudiendo así disminuir la eficiencia del diseño.

Si se detecta que las máquinas difieren una de otra, entonces se podría tratar de aplicar un
diseño de bloques al azar, aplicando en cada máquina cada una de las materias primas de
manera aleatoria.

Pero es posible que la varianza del error experimental se pueda reducir más mediante una
agrupación doble que utilizando una agrupación sencilla. Un diseño más eficaz se podría
obtener si el producto se agrupa tanto por máquinas como por operadores. Un diseño
especial de agrupamiento doble es el denominado cuadrado latino.

Un cuadrado latino es un arreglo usado para remover la heterogeneidad del material

experimental en dos direcciones en estos arreglos se requiere que el número de réplicas
sea igual al número de tratamientos.

Definición

Un cuadro latino es un arreglo de t símbolos en t2 celdas arregladas en un cuadrado de t

filas y t columnas, tal que todo símbolo aparece una sola vez en cada fila y en cada
columna. El término t se conoce como el orden del cuadro latino.

En el cuadrado latino las materias primas se asignan en forma aleatoria, sujetas a la

restricción de que cada materia prima se utiliza una vez en cada máquina y una vez por
cada operador.

6.2 Análisis de varianza de un factor en el Cuadro Latino.

Modelo estadístico
Yij(k) = μ + Hi + Cj + τk + εij(k)

Yij(k) = Observación de la i-esima hilera y j-esima columna del k-esimo tratamiento

μ = Media general
Hi = Efecto de la i-esima hilera
CJ = Efecto de la j-esima columna
τk = Efecto del k-esimo tratamiento
εij(k) = Error experimental
i = 1, 2, …… t
j = 1,2, ……t
k = 1, 2 ….. t

Hipótesis a probar:

Ho : H1 = H 2 = .... = H i = ..... = H t (no hay efecto de hilera)

Ha : H i ≠ H i `
Ho : C1 = C2 = .... = C j = ..... = Ct (no hay efecto de columna)
Ha : C j ≠ C j `

Ho : τ 1 = τ 2 = .... = τ k = ..... = τ t (no hay efecto de tratamiento)

Ha : τ k ≠ τ k`

Tk G
Medias de tratamientos Tk = Medias general G =
t t2

Cuadro de concentración de datos

I II … j ….. t Hi
Totales de
Columnas Hileras

Hileras
1 Y11(2) Y12(t) Y1j(1) Y1t(k) H1
2 Y21(t) Y22(k) Y2j(2) Y2t(1) H2
.
.
.
I Yi1(1) Yi2(2) Yij(k) Yit(t) Hi
.
.
.
T Yt1(k) Yt2(1) Ytj(t) Ytt(2) Ht
Cj G
Totales de C1 C2 Cj Ct Gran Total
Columnas

Se ordenan los datos por tratamiento

1 2 … k ….. t
Y1j(1) Y11(2) Y1t(k) Y12(t)
Y2t(1) Y2j(2) Y22(k) Y21(t)

Yi1(1) Yi2(2) Yij(k) Yit(t)

Yt2(1) Ytt(2) Yt1(k) Ytj(t)

Tt
T1 T2 Tk Totales de
tratamientos
Cuadro de análisis de varianza para un diseño Cuadro Latino

Fuente Grados Suma de cuadrados Cuadrados Medios

De
Fc Fα
de
variación libertad
Hileras t-1 2 SCHileras CMHileras Fα ,t −1, (t − 2 )( r −1)
t
Hi G2 CMHileras =
SCHileras = ∑ − 2 t −1 Fc =
CMEE
i =0 t t

Column t-1 t Cj
2
G2 CMColumnas =
SCColumnas CMColumnas Fα ,t −1, (t − 2 )( r −1)
as SCColumnas = ∑ − t −1 Fc =
i =0 t t2 CMEE
Tratami t-1 2 SCTrat CMTrat Fα ,t −1, (t − 2)( r −1)
t
Tk G2 Fc =
entos SCTrat = ∑ − 2 CMTrat =
i =0 t t t −1 CMEE

Error (t-2)(t-1) SCEE

SCEE = SCT − SCTrat − SCH − SCC
Experi CMEE =
(t − 2)(r − 1)
mental
Total t2-1 t t
G2
SCT = ∑ ∑ Yijk − 2

i =0 j =0 t2

Regla de decisión:

Si Fc ≥ Fα ,t −1,( t −2 )( r −1) se rechaza Ho: H1 = H 2 = .... = H i = ..... = H t

Por lo que existe efecto significativo de hileras.

Si Fc ≥ Fα ,t −1,( t −2 )( r −1) se rechaza Ho: C1 = C2 = .... = C j = ..... = Ct

Por lo que existe efecto significativo de columnas.

Si Fc ≥ Fα ,t −1,( t −2 )( r −1) se rechaza Ho: τ 1 = τ 2 = .... = τ k = ..... = τ t

Por lo que existe efecto significativo de tratamientos.

6.4 Problemas

Ejemplo 6.4.1

Se probaron diferentes temperaturas de reacción; se sabe que los analistas y los días en
los que se realiza la prueba pueden ser fuente de error, por lo que se bloquearon. Los
tratamientos probados son

A: Temperatura 50° C
B: Temperatura 60° C
C: Temperatura 70° C
D: Temperatura 80° C
E: Temperatura 90° C

Realice el análisis de varianza y concluya.

La distribución de los tratamientos y el rendimiento en porcentaje fue el siguiente:

Analista
Día de
trabajo
I II III IV V
E = 8.3 A=9 C = 9.3 B = 10.6 D = 11.4
I
Y11(5) Y12(1) Y13(3) Y14(2) Y15(4)
A = 7.5 B = 8.7 D = 9.5 C = 8.2 E = 6.6
II
Y21(1) Y22(2) Y23(4) Y24(3) Y25(5)
C = 8.9 D = 9.2 A = 8.1 E = 7.9 B = 8.7
III
Y31(3) Y32(4) Y33(1) Y34(5) Y35(2)
D=8 E=7 B = 7.0 A = 6.5 C = 7.5
IV
Y41(4) Y42(5) Y43(2) Y44(1) Y45(3)
B = 9.0 C = 10 E = 8.5 D = 10.5 A = 8.4
V
Y51(2) Y52(3) Y53(5) Y54(4) Y55(1)

Respuesta:

Analista Totales de
Día de
hileras
trabajo I II III IV V
Hj
E = 8.3 A=9 C = 9.3 B = 10.6 D = 11.4
I H1 = 48.6
Y11(5) Y12(1) Y13(3) Y14(2) Y15(4)
A = 7.5 B = 8.7 D = 9.5 C = 8.2 E = 6.6
II H2 = 40.5
Y21(1) Y22(2) Y23(4) Y24(3) Y25(5)
C = 8.9 D = 9.2 A = 8.1 E = 7.9 B = 8.7
III H3 = 42.8
Y31(3) Y32(4) Y33(1) Y34(5) Y35(2)
D=8 E=7 B = 7.0 A = 6.5 C = 7.5
IV H4 = 36.0
Y41(4) Y42(5) Y43(2) Y44(1) Y45(3)
B = 9.0 C = 10 E = 8.5 D = 10.5 A = 8.4
V H5 = 46.4
Y51(2) Y52(3) Y53(5) Y54(4) Y55(1)
Totales de
Gran total
columnas
C1 = 41.7 C2 = 43.9 C3 = 42.4 C4 = 43.7 C5 = 42.6 G = 214.3
Cj

Cuadro de concentración de datos por tratamientos.

Totales de tratamientos (temperaturas)

T1 T2 T3 T4 T5
9.0 10.6 9.3 11.4 8.3
7.5 8.7 8.2 9.5 6.6
8.1 8.7 8.9 9.2 7.9
6.5 7.0 7.5 8.0 7.0
8.4 9.0 10.0 10.5 8.5

T1 = 39.5 T2 = 44.0 T3 = 43.9 T4 = 48.6 T5 = 38.3

Fc = G2/t2 = (214.3)2 /25 = 1836.9796

SCT = ΣΣyijk2 – Fc = 1873.81 – 1836.9796 = 36.8304

SCTrat = ΣTk 2– Fc = 9252.31/5 - 1836.9796 = 13.4824

t

SCHileras = ΣHi 2– Fc = 9283.01/5 - 1836.9796 = 19.6224

t

SCColumnas = ΣCj 2– Fc = 9188.31/5 - 1836.9796 = 0.6824

t

SCEE = SCT – SCTrat – SCHileras – SCColumnas = 36.8304 - 13.4824 -19.6224 - 0.6824

= 3.0432

ANVA

FV Gl SC CM Fc F
Tratamientos 5 -1 = 4 13.4824 3.3706 13.291 3.26
(Temperatura)
Hileras (Días 5 -1 = 4 19.6224 4.9056 19.3438
de trabajo)
Columnas 5 -1 = 4 0.6824 0.1706 0.6727
(Analísta)
Error Exp. 12 3.0432 0.2536
Total 24 36.8304

Conclusión:
Existe efecto altamente significativo entre temperaturas.
Los días de trabajo influyen significativamente en el rendimiento de la reacción, sin
embargo los analistas no influyen significativamente.