UNIVERSIDAD MARIANO GÁLVEZ DE GUATEMALA

SEDE LA ANTIGUA, GUATEMALA

FACULTAD DE INGENIERÍA EN SISTEMAS DE INFORMACIÓN

ESTADISTICA II

PROYECTO FINAL

GRUPO NO. 6, INTEGRANTES:

KIMBERLY JEMIMA TOMAS MONTES DE OCA - 1290-19-11531
JACKELYN CAROLINA CHAJON LOPEZ —— 1290-19-15499
FERNANDO JAVIER CAXAJ LOPEZ —— 1290-19-11784
FERNANDO JOSE PEREZ CASTELLANOS —— 1290-19-11005
DANIEL ALFONSO RUIZ BARRIOS —— 1290-19-9751
WILLY ESTUARDO VALLE RODRIGUEZ —— 1290-19-11916

LA ANTIGUA GUATEMALA
 INTRODUCCIÓN
Este trabajo consiste en el análisis de varianza que también es conocida como análisis
factorial y desarrollada, es una de las herramientas básicas para el estudio del efecto de uno
o más factores. El análisis de varianza puede ser aplicado en la duración media de distintos
tipos de lámparas, en el efecto de varios tipos de fertilizantes de cultivo.

Además, el trabajo contiene una pequeña introducción a lo que es el diseño de experimento

de varios factores, esto consiste en planear un experimento de modo que reúna la
información pertinente al problema bajo investigación. El objetivo es Proporcionar la
máxima cantidad de información pertinente al problema bajo investigación y El diseño, plan
o programa debe ser tan simple como sea posible.
 ANÁLISIS DE VARIANZA
La técnica de análisis de varianza (ANOVA) también conocida como análisis factorial y
desarrollada por Fisher en 1930, constituye la herramienta básica para el estudio del
efecto de uno o más factores (cada uno con dos o más niveles) sobre la media de una
variable continua. Es por lo tanto el test estadístico a emplear cuando se desea comparar
las medias de dos o más grupos. Esta técnica puede generalizarse también para estudiar
los posibles efectos de los factores sobre la varianza de una variable.
La hipótesis nula de la que parten los diferentes tipos de ANOVA es que la media de la
variable estudiada es la misma en los diferentes grupos, en contraposición a la hipótesis
alternativa de que al menos dos medias difieren de forma significativa. ANOVA permite
comparar múltiples medias, pero lo hace mediante el estudio de las varianzas.
El funcionamiento básico de un ANOVA consiste en calcular la media de cada uno de los
grupos para a continuación comparar la varianza de estas medias (varianza explicada por
la variable grupo, intervarianza) frente a la varianza promedio dentro de los grupos (la no
explicada por la variable grupo, intravarianza). Bajo la hipótesis nula de que las
observaciones de los distintos grupos proceden todas las mismas poblaciones (tienen la
misma media y varianza), la varianza ponderada entre grupos será la misma que la
varianza promedio dentro de los grupos. Conforme las medias de los grupos estén más
alejadas las unas de las otras, la varianza entre medias se incrementará y dejará de ser
igual a la varianza promedio dentro de los grupos.
Los modelos de ANOVA (ANalysis Of VAriance) son técnicas de Análisis Multivariante de
dependencia, que se utilizan para analizar datos procedentes de diseños con una o más
variables independientes cualitativas (medidas en escalas nominales u ordinales) y una
variable dependiente cuantitativa (medida con una escala de intervalo o de razón). En este
contexto, las variables independientes se suelen denominar factores (y sus diferentes
estados posibles o valores son niveles o tratamientos) y la variable dependiente se conoce
como respuesta. Los modelos ANOVA permiten, básicamente, comparar los valores medios
que toma la variable dependiente en J poblaciones en las que los niveles de factores son
distintos, con la finalidad de determinar si existen diferencias significativas según dichos
niveles o si, por el contrario, la respuesta en cada población es independiente de los niveles
de factores. Se trata, por tanto, de un contraste paramétrico que extiende al caso de J
poblaciones el contraste de la igualdad de medias entre dos poblaciones independientes.
Algunos ejemplos de aplicación de estos modelos podrían ser los siguientes:
Análisis de la duración media de varios tipos de lámparas. La variable dependiente
indicaría la duración de una lámpara y el factor podría ser la potencia de la lámpara. Las
poblaciones estarían formadas por lámparas con la misma potencia y habría tantas
poblaciones como potencias distintas (éstas serían los niveles del factor considerado). Se
trataría de contrastar la igualdad de las duraciones medias de las lámparas de cada
población, para determinar si la potencia influye o no en dicha duración media.
Estudio del efecto de varios tipos de fertilizantes sobre un cultivo. La variable
dependiente podría ser la producción o el rendimiento de cada parcela; los factores serían,
por ejemplo, el tipo de suelo de la parcela y el tipo de fertilizante utilizado. Cada población
estaría formada por las parcelas que tienen un tipo concreto de suelo y en las que se utiliza
un fertilizante determinado. El ANOVA se aplicaría para analizar la posible existencia de
diferencias en las producciones medias de las parcelas según el tipo de suelo y el tipo de
fertilizante utilizado.
Aunque existen muchos y muy diferentes modelos de ANOVA, puede obtenerse una
clasificación bastante simple de los mismos atendiendo a tres criterios: el número de
factores, el tipo de muestreo efectuado sobre los niveles de los factores y el tipo de
aleatorización utilizada para seleccionar las muestras representativas de cada población y
agrupar sus elementos (o unidades experimentales) en los distintos grupos que se desea
comparar.
Según el número de factores, se llama ANOVA de un factor al modelo en el que existe una
única variable independiente; en cambio, si el modelo consta de más de un factor se le
denomina modelo factorial o se habla de Análisis de Varianza Factorial.
En cuanto al muestreo de niveles, se refiere a la forma de establecer los niveles de cada
factor. Esto depende, normalmente, de los intereses del investigador. Si se fijan únicamente
aquellos niveles del factor que realmente interesa estudiar, estamos ante un modelo de
ANOVA de efectos fijos (también llamado modelo I) mientras que si los niveles se
seleccionan aleatoriamente de entre todos los posibles, se trata de un modelo ANOVA de
efectos aleatorios (o modelo II).
Las distinciones basadas en el tipo de aleatorización son equivalentes a las que se
establecen al hablar de muestras independientes y muestras relacionadas. Como en todo
experimento estadístico en el que no resulta posible trabajar con la población en su
totalidad, se deben elegir muestras aleatorias y asignarse también aleatoriamente sus
elementos a los diferentes niveles o tratamientos, para asegurar que no se cometan errores
sistemáticos.
los tratamientos debido a sus diferencias intrínsecas, se dirán heterogéneas. Por otra parte,
el tamaño de las muestras puede ser o no el mismo. Diremos que un diseño es equilibrado
o balanceado si todas las muestras tienen el mismo tamaño y no equilibrado o no
balanceado en caso contrario.
Como ya hemos indicado, el ANOVA trata de determinar si los niveles de factores pueden
conllevar diferencias en la respuesta en los distintos grupos o poblaciones, contrastando la
igualdad de medias de la variable dependiente en dichos grupos. Para ello, se basa en el
estudio de la varianza.
Si dos poblaciones tienen la misma media y la misma varianza, la unión de ambas también
tendrá la misma media y la misma varianza que las originales. Por tanto, es razonable pensar
que, si se estimara la varianza poblacional a partir de muestras de las dos poblaciones
iniciales, se obtendría un resultado similar al que se tendría si la estimación se efectuara
con la unión de ambas muestras. Sin embargo, si las dos poblaciones tienen distinta media
(pero la misma varianza), al combinarlas cambiarían tanto la media de la nueva distribución
como su varianza. En este caso, si se estimara la varianza poblacional a partir de una
muestra extraída de las poblaciones iniciales, el resultado sería sustancialmente diferente
de una estimación efectuada a partir de la muestra conjunta.
Lo mismo ocurriría si estuviéramos hablando de más de dos poblaciones. Esta observación
es el punto de partida del ANOVA, que permite comparar las medias de varias poblaciones
a partir del estudio de sus varianzas. En concreto, como se verá más adelante, se analiza la
relación entre las llamadas medias cuadráticas inter-grupos y medias cuadráticas intra-
grupos, que deben ser iguales si las medias de las poblaciones lo son. Para poder aplicar
esta técnica, es necesario que se verifiquen las siguientes condiciones previas:
Independencia: los individuos estudiados han de ser independientes unos de otros.
Aleatoriedad: las muestras o grupos objeto de estudio deben haberse obtenido de forma
aleatoria.
Normalidad: las muestras o grupos analizados deben seguir una distribución Normal.
 Homocedasticidad: debe haber igualdad de varianzas en las muestras o grupos
estudiados. Veremos a continuación cómo se plantea un problema con la técnica ANOVA,
primero para el caso de un factor y luego para el caso factorial.
Existen tres clases conceptuales de estos modelos:
 El Modelo de efectos fijos asume que los datos provienen de poblaciones
normales las cuales podrían diferir únicamente en sus medias. (Modelo 1)
 El Modelo de efectos aleatorios asume que los datos describen una jerarquía de
diferentes poblaciones cuyas diferencias quedan restringidas por la jerarquía.
Ejemplo: El experimentador ha aprendido y ha considerado en el experimento sólo
tres de muchos más métodos posibles, el método de enseñanza es un factor
aleatorio en el experimento. (Modelo 2)
 El Modelo de efectos mixtos describen situaciones que éste puede tomar. Ejemplo:
Si el método de enseñanza es analizado como un factor que puede influir donde
están presentes ambos tipos de factores: fijos y aleatorios. (Modelo 3)
El análisis de la varianza parte de los conceptos de regresión lineal.
El primer concepto fundamental es que todo valor observado puede expresarse mediante
la siguiente función:

Donde Y sería el valor observado (variable dependiente), y X el valor que toma la variable
independiente.

sería una constante que en la recta de regresión equivale a la ordenada en el

origen, es otra constante que equivale a la pendiente de la recta, y es una variable
aleatoria que añade a la función cierto error que desvía la puntuación observada de la
puntuación pronosticada.
Por tanto, a la función de pronóstico la podemos llamar "Y prima":

Podemos resumir que las puntuaciones observadas equivalen a las puntuaciones

esperadas, más el error aleatorio:

(1.1)
Sabiendo este concepto, podemos operar con esta ecuación de la siguiente forma:
1) Restamos a ambos lados de la ecuación (para mantener la igualdad) la media de la
variable dependiente:
2) Substituimos el error por la ecuación resultante de despejar la ecuación 1.1:

Por tanto...

Y reorganizando la ecuación:

Ahora hay que tener en cuenta que la media de las puntuaciones observadas es
exactamente igual que la media de las puntuaciones pronosticadas:

Por tanto:

Podemos ver que nos han quedado 3 puntuaciones diferenciales. Ahora las elevamos al
cuadrado para que posteriormente, al hacer el sumatorio, no se anulen:

Y desarrollamos el cuadrado:

Podemos ver que tenemos los numeradores de las varianzas, pero al no estar divididas por
el número de casos (n), las llamamos Sumas de Cuadrados., excepto en el último término,
que es una Suma Cruzada de Cuadrados (el numerador de la covarianza), y la covarianza en
este caso es cero (por las propiedades de la regresión lineal, la covarianza entre el error y
la variable independiente es cero).
Por tanto:

O lo mismo que:

de un factor, que es el caso más sencillo, la idea básica del análisis de la varianza es
comparar la variación total de un conjunto de muestras y descomponerla como:

Donde:
 es un número real relacionado con la varianza, que mide la variación debida al
"factor", "tratamiento" o tipo de situación estudiado.

es un número real relacionado con la varianza, que mide la variación dentro de cada
"factor", "tratamiento" o tipo de situación.
En el caso de que la diferencia debida al factor o tratamiento no sean estadísticamente
significativa puede probarse que las varianzas muestrales son iguales:

Donde:
es el número de situaciones diferentes o valores del factor se están comparando.
es el número de mediciones en cada situación se hacen o número de valores disponibles
para cada valor del factor.
Así lo que un simple test a partir de la F de Snedecor puede decidir si el factor o tratamiento
es estadísticamente significativo.

El ANOVA parte de algunos supuestos que han de cumplirse:

La variable dependiente debe medirse al menos a nivel de intervalo.
Independencia de las observaciones.
La distribución de los residuales debe ser normal.
Homocedasticidad: homogeneidad de las varianzas.
La técnica fundamental consiste en la separación de la suma de cuadrados (SS, 'sum of
squares') en componentes relativos a los factores contemplados en el modelo. Como
ejemplo, mostramos el modelo para un ANOVA simplificado con un tipo de factores en
diferentes niveles. (Si los niveles son cuantitativos y los efectos son lineales, puede resultar
apropiado un análisis de regresión lineal)

El número de grados de libertad (gl) puede separarse de forma similar y corresponde con la
forma en que la distribución chi-cuadrado (χ² o Ji-cuadrada) describe la suma de cuadrados
asociada.
Tipos de modelo
 Modelo I: Efectos fijos
El modelo de efectos fijos de análisis de la varianza se aplica a situaciones en las que el
experimentador ha sometido al grupo o material analizado a varios factores, cada uno de
los cuales le afecta sólo a la media, permaneciendo la "variable respuesta" con una
distribución normal.
Este modelo se supone cuando el investigador se interesa únicamente por los niveles del
factor presentes en el experimento, por lo que cualquier variación observada en las
puntuaciones se deberá al error experimental.
 Modelo II: Efectos aleatorios (componentes de varianza)
Los modelos de efectos aleatorios se usan para describir situaciones en que ocurren
diferencias incomparables en el material o grupo experimental. El ejemplo más simple es el
de estimar la media desconocida de una población compuesta de individuos diferentes y en
el que esas diferencias se mezclan con los errores del instrumento de medición.
Este modelo se supone cuando el investigador está interesado en una población de niveles,
teóricamente infinitos, del factor de estudio, de los que únicamente una muestra al azar
(t niveles) están presentes en el experimento.
 INTRODUCCIÓN AL DISEÑO DE EXPERIMENTOS DE VARIOS FACTORES

Diseñar un experimento significa planear un experimento de modo que reúna la

información pertinente al problema bajo investigación.
El diseño de un experimento es la secuencia completa de pasos tomados de antemano para
asegurar que los datos apropiados se obtendrán de modo de modo que permitan un análisis
objetivo que conduzca a deducciones válidas con respecto al problema establecido.
La necesidad de un diseño de experimento surge de la necesidad de responder a preguntas
como:

 ¿Cómo se va a medir el efecto? o ¿Cuáles son las características a analizar?

 ¿Qué factores afectan las características que se van a analizar?

 ¿Cuáles son los factores que se estudiaran en esta investigación?

 ¿Cuántas veces deberá ejecutarse el experimento?

 ¿Cuál será la forma de análisis?

 ¿A partir de que valores se considera importante el efecto?

Objetivos de un diseño de experimentos

 Proporcionar la máxima cantidad de información pertinente al problema bajo

investigación.

 El diseño, plan o programa debe ser tan simple como sea posible.

 La investigación debe efectuarse lo más eficientemente posible; ahorrar tiempo,

dinero, personal y material experimental. "Proporcionar la máxima cantidad de
información al mínimo costo"
Principios básicos del diseño de experimentos
1.- Reproducción.
Repetición del experimento porque proporciona una estimación del error experimental.
Permite obtener una estimación más precisa del efecto medio de cualquier factor.
Unidad Experimental: unidad a la cual se le aplica un solo tratamiento (que puede ser una
combinación de muchos factores) en una reproducción del experimento.
Error Experimental: describe la situación de no llegar a resultados idénticos con dos
unidades experimentales tratadas idénticamente y refleja: Errores de experimentación,
Errores de observación y Errores de medición.
Variación del material experimental (esto es, entre unidades experimentales): efectos
combinados de factores extraños que pudieran influir las características en estudio, pero
respecto a los cuales no se ha llamado la atención en la investigación.
El error experimental puede reducirse: usando material experimental más homogéneo o
por estratificación cuidadosa del material disponible. Utilizando información proporcionada
por variables aleatorias relacionadas. Teniendo más cuidado al dirigir y desarrollar el
experimento. Usando un diseño experimental muy eficiente.
Confusión: dos o más efectos se confunden en un experimento si es posible separar sus
efectos, cuando se lleva a cabo el subsecuente análisis estadístico.
2.- Aleatorización.
Asignación al azar de tratamiento a las unidades experimentales. Una suposición frecuente
en los modelos estadísticos de diseño de experimentos en que las observaciones o los
errores en ellas están distribuidos independientemente. La aleatorización hace válida esta
suposición.
3.- Control local:
Cantidad de balanceo, bloqueo y agrupamiento de las unidades experimentales que se
emplean en el diseño estadístico adaptado.
Agrupamiento: Colocación de un conjunto de unidades experimentales homogéneas en
grupos, de modo que los diferentes grupos puedan sujetarse a distintos tratamientos.
Bloqueo: Distribución de las unidades experimentales en bloques, de manera que las
unidades dentro de un bloqueo sean relativamente homogéneas, de esta manera, la mayor
parte de la variación predecible entere las unidades queda confundida con el efecto de los
bloques.
Balanceo: Obtención de las unidades experimentales, el agrupamiento, el bloqueo y la
asignación de los tratamientos a las unidades experimentales de manera que resulte una
configuración balanceada.
Tratamiento o combinación de tratamientos: Conjunto particular de condiciones
experimentales que deben imponerse a una unidad experimental dentro de los confines del
diseño seleccionado.
Factor: Una variable independiente. En la mayoría de las investigaciones se trata con más
de una variable independiente y con los cambios que ocurren en la variable independiente,
cuando varia una o más de las variables independientes.
Etapas de un diseño de experimentos.

 Enunciado o planteamiento del problema.

 Formulación de hipótesis.

 Proposición de la técnica experimental y el diseño.

 Examen de sucesos posibles y referencias en que se basan las razones para la

indagación que asegure que el experimento proporcionará la información requerida
y en la extensión adecuada.

 Consideración de los posibles resultados desde el punto de vista de los

procedimientos estadísticos que se aplicarán y para asegurar que se satisfagan las
condiciones necesarias para que sean válidos estos procedimientos.

 Ejecución del experimento.

 Aplicación de las técnicas estadísticas a los resultados experimentales.

 Extracción de conclusiones con medidas de la confiabilidad de las estimaciones

generadas. Deberá darse cuidadosa consideración a la validez de las conclusiones
para la población de objetos o eventos a la cual se van a aplicar.

 Valoración de la investigación completa y contrastación con otras investigaciones

del mismo problema o similares.

 Lista de comprobación para planear programas de pruebas.

 Obtenga un enunciado claro del problema

 Identifique la nueva e importante área del problema.

 Subraye el problema específico dentro de sus limitaciones usuales.

 Defina el propósito exacto del programa de prueba.

 Determine la relación del problema particular con la investigación total o desarrollo

del programa

 Reúna la información básica disponible.

 Investigue todas las fuentes de información posible.

 Tabule los datos pertinentes para planear el nuevo problema.

 Diseñe el programa de prueba

 Sostenga una conferencia respecto a todas las partes concernientes.

 Enuncie las proposiciones por probar.

 Especifique respecto a la magnitud de las diferencias que usted considere que valen
la pena.

 Esboce las alternativas posibles de los sucesos.

 Escoja los factores por estudiar.

 Determine el rango práctico de estos factores y los niveles específicos a los qie se
harán las pruebas.

 Escoja las mediciones finales que van a hacerse.

 Considere el efecto de variabilidad de muestreo y de la precisión de métodos de

prueba.

 Considere las posibles interrelaciones ( o interacciones) de los factores.

 Determine las limitaciones de tiempo, costo, materiales, potencia humana,

instrumentación y otros factores y de condiciones extrañas tales como condiciones
metereológicas.

 Considere los aspectos de las relaciones humanas del programa.

 Diseñe el programa en forma preliminar.

 prepare una cédula sistemática y completa.

 Proporcione las etapas de ejecución o adaptación de la cédula si es necesario.

 Elimine los efectos de las variables que no están en estudio.

 Reduzca al mínimo el número de ejecuciones del experimentos.

 Elija el método de análisis estadístico.

 Haga las indicaciones prudentes para una acumulación ordenada de datos.

 Revise el diseño con todo lo concerniente.

 Ajuste el programa de acuerdo con los comentarios.

 Desglose en términos precisos los pasos a seguir.

 Planee y lleve a cabo el trabajo experimental.

 Desarrolle métodos, materiales y equipo.

 Aplique los métodos o técnicas.

 Supervise y cheque los detalles modificando los métodos si es necesario.

 Registre cualquier modificación al diseño del programa.

 Sea cuidadoso en la colección de datos.

 Registre el avance del programa.

 Analice los datos.

 Reduzca los datos registrados a forma numérica, si es necesario.

 Aplique las técnicas adecuadas de la Estadística Matemática.

 Interprete los resultados.

 Considere todos los datos observados.

 Limite las conclusiones a deducciones estrictas a partir de la evidencia obtenida.

 Pruebe, mediante experimentos independientes, las controversias que susciten los

datos.

 Llegue a conclusiones, tanto respecto al significado técnico de resultados como

respecto a significancia estadística.

 Especifique lo que implican los resultados para su aplicación y para trabajos

posteriores.

 Tome en cuente las limitaciones impuestas por los métodos usados.

 Enuncie los resultados en términos de probabilidades verificables.

 Prepare el reporte.

 Describa claramente el trabajo dando antecedentes, aclaraciones pertinentes del

problema y del significado de los resultados.

 Use métodos gráficos y tabulares para la presentación de los datos en forma

eficiente para usos futuros.

 Suministre información suficiente para que el lector pueda verificar resultados y

sacar sus propias conclusiones.

 Limite las conclusiones a un resumen objetivo, tal que el trabajo evidencie su uso
para consideraciones rápidas y acciones decisivas.
Ventajas y Desventajas de los experimentos diseñados estadísticamente.
Ventajas

 Se requiere una estrecha colaboración entre los estadísticos y el investigador o

científicos con las consiguientes ventajas en el análisis e interpretación de las etapas
del programa.

 Se enfatiza respecto a las alternativas anticipadas y respecto a la pre-planeación

sistemática, permitiendo aun la ejecución por etapas y la producción única de datos
útiles para el análisis en combinaciones posteriores.

 Debe enfocarse la atención a las interrelaciones y a la estimación y cuantificación de

fuentes de variabilidad en los resultados.

 El número de pruebas requerido puede determinarse con certeza y a menudo puede

reducirse.

 La comparación de los efectos de los cambios es más precisa debido a la agrupación

de resultados.

 La exactitud de las conclusiones se conoce con una precisión matemáticamente

definida.
Desventajas
Tal diseño y sus análisis, usualmente están acompañados de enunciados basados en el
lenguaje técnico del estadístico. Sería significativos a la generalidad de la gente, además, el
estadístico no debería subestimar el valor de presentarnos los resultados en forma gráfica.
De hecho, siempre debería considerar a la representación gráfica como un paso preliminar
de un procedimiento más analítico.
Muchos diseños estadísticos, especialmente cuando fueron formulados por primera vez, se
han criticado como demasiado caros, complicados y que requieren mucho tiempo. Tales
críticas, cuando son válidas, deben aceptarse de buena fe y debe hacerse un intento
honesto para mejorar la situación, siempre que no sea en detrimento de la solución del
problema.
 APLICACIONES DE VARIANZA EN LA CARRERA DE INGENIERIA EN SISTEMAS:

1. Los miembros de un equipo de ingeniería en sistemas se dividen al azar en tres grupos que
trabajan con métodos diferentes para el primer grupo realiza largos proyectos de códigos a
ritmo pausado, el segundo grupo realiza ejercicios de matemáticas de alta complejidad y el
tercero trabaja en la casa y se encarga del proyecto final con alta demanda de tiempo.
Después de un mes de trabajo se realiza un test de rendimiento consistente en un examen
de lo que realizaban con un tiempo de 9 horas. Los tiempos empleados fueron los
siguientes:

METODO UNO METODO DOS METODO TRES

15 14 13
16 13 12
14 15 11

A un nivel de confianza del 95% ¿Puede considerarse que los tres métodos producen
resultados equivalentes? O por el contrario ¿Hay algún método superior a los demás?

2. Los alumnos de ingeniería en sistemas del quinto semestre, necesitan hacer un listado de
herramientas que se utilizan en electrónica analógica, se tienen que presentar en una
pantalla del ordenador con cuatro procedimientos diferentes, asignados al azar a un grupo
de estudiantes. Posteriormente se les realiza una prueba de recuerdo de dichas
herramientas, obteniéndose los siguientes resultados:

PROCEDIMIENTO 1 PROCEDIMIENTO 2 PROCEDIMIENTO 3 PROCEDIMIENTO 4

5 9 8 1
7 8 6 2
6 7 9 3
3 5 4
9 7 5

¿Qué conclusiones pueden sacarse acerca de las cuatro formas de presentación, con un
nivel de significación del 5%?
 3. Se quiere estudiar el efecto de distintas horas que los alumnos de ingeniería trabajan para
realizar un proyecto de realidad virtual en programación. Para ello, se tomaron 60 alumnos
al azar, y se dividieron en 5 grupos de 5 individuos cada uno. El primer grupo no realizó el
proyecto, pero a los restantes se les otorgó 24 horas diarias para realizarlo. Tras una semana
de probarlo, se contabilizaron las horas restantes existentes en cada individuo, obteniendo
los resultados siguientes:

CONTROL
20 horas 3 5 10 8 6
10 horas 2 1 2 5 5
18 horas 9 8 10 6 7
24 horas 10 15 20 18 15
15 horas 3 5 8 9 7

APLICACIÓN DE INTRODUCCIÓN AL DISEÑO DE EXPERIMENTOS DE VARIOS FACTORES EN LA

CARRERA DE INGENIERIA EN SISTEMAS:

1. Los alumnos de ingeniería en la clase de estadística poseen una regeneración de

información en cada clase, por lo que puede resultar conveniente ya que se incrementa el
conocimiento de cada alumno a la hora de realizar un examen. Se desean comparar cuatro
tipos de alumnos, A que son los que ponen atención, B los que apuntan cada dato
importante, C los que no ponen atención y D los que ponen atención y apuntan cada clase.
Para controlar este efecto, se han seleccionado 4 alumnos de cada rama. Cada grupo recibe
exactamente la misma clase de estadística. Tras aplicar estos procedimientos se mide el
numero de alumnos que han aprobado el examen de la clase.

2. Se asignaron aleatoriamente 20 alumnos que crearon excelentes emprendimientos para la

clase de emprendedores de negocios (10 hombres y 10 mujeres) a dos posibles
emprendimientos con el fin de estudiar su eficacia. Después de 10 semanas de seguimiento
del proyecto, se midió la ganancia (en quetzales) de los dos emprendimientos probados.

3. En la clase de Programación se necesita saber como se puede lograr un proyecto con todos
los alumnos que estudian ingeniería. Se desean comparar el nivel de rapidez de cada alumno
a la hora de realizar el proyecto final. Se sabe que hay 3 grupos el 1ero los del tercer
semestre, 2do los del cuarto semestre y el 3ro los del quinto semestre. Para saber que grupo
es el ganador, se han seleccionado 5 alumnos de cada semestre. Al final se elegirá al ganador
para que realice el proyecto final.
 CONCLUSIONES
En este trabajo podemos darnos cuenta de la importancia del diseño de experimentos, o
dicho de otra manera, el planear paso a paso las operaciones para así obtener un resultado
satisfactorio a nuestro problema planteado.
Para el diseño de un experimento debemos tener en cuenta los efectos y las características
de nuestro problema a resolver. Como se puede apreciar un diseño debe de ser lo más
sencillo posible y así poder ahorrar tiempo, inversión y personal, pero no por eso se deben
de olvidar considerar los principios básicos en el diseño.
Observamos el trabajo conjunto de los investigadores con los estadísticos que nos llevan a
obtener una mejor planeación del experimento, aunque tiene sus desventajas se puede
notar que actuando de manera correcta se puede cambiar la forma de ver de los
inconvenientes que puede representar el alto costo que se tiene con los estadísticos.
Podemos estar seguros de que si llevamos a cabo todos los elementos de la lista de
comprobación tendremos una planeación efectiva de nuestro experimento y así obtener
los resultados esperados.