ANALISIS Y DISEÑO DE EXPERIMENTOS

EXPERIMENTOS CON UN FACTOR

Tenemos k, tratamientos o niveles diferentes, y n, réplicas de un solo

factor, y como resultado del experimento hay na observaciones.

N = nk

N = Número total de observaciones del experimento.

n Réplicas

1 2 ... n Totales Promedios

k 1 Y11 Y12 ... Y1n Y1 . Y1.
Niveles
2 Y21 Y22 ... Y2n Y2 . Y2.
: : : ... : : :
k Ya1 Ya2 ... Y2n Ya . Ya.
Y .. Y ..

Diseño balanceado

Tabla ANOVA para un factor con a niveles

Grados
Fuente de de
Suma de Cuadrados Cuadrado Medio Fo
Variación liberta
d

Tratamiento
SS Trat  SC T   n i Y i .  Y ..
a
s
2
SS Trat S B2
[between
i 1 k-1 S  MST  CM T 
2
FC  2
a1
B
SW
groups]

Error SS E
 Yij  Yi . S p2  MSE  CM E 
a n
SS E  SC E  
2
[within n-k N a
i 1 j 1
groups]

SW2  MSE
SST  SSTrat  SS E
o bien
Total n-1 es buen
 Yij  Y ..
a n
SS T   estimador
2

de 
i 1 j 1 2
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Esta guía presenta un ejemplo del diseño y análisis de los experimentos

con un solo factor con a niveles [a tratamientos]
Se supone que las observaciones se realizan al azar “experimento es
completamente aleatorizado”.

Ejemplo 12-1. En Design and Análisis of Experiments, 4ª edición [John

Wiley & Sons], D.C. Montgomery describe un experimento en el que la
resistencia a la tensión de una fibra sintética es de interés para el
fabricante. Se piensa que la resistencia se relaciona con el porcentaje de
algodón de la fibra. Se usan cinco niveles de porcentaje de algodón y se
hacen cinco réplicas en orden aleatorio, obteniéndose los siguientes
datos como resultado:

Diseño del Experimento

Réplicas
n=5
FACTOR
1 2 3 4 5
% DE ALGODÓN
15
7 7 15 11 9
20
12 17 12 18 18
25
Tratamientos

14 18 18 19 19
30
19 25 22 19 23
k=5

35
7 10 11 15 11

k = Número de tratamientos o niveles del factor.

Estos pueden ser fijos o aleatorios

n = Número de réplicas
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Notar que no siempre el layout esta orientado de la misma manera

Para resolver el problema en una herramienta de cómputo se usan uno o
los dos layouts

Layout1

P15 P20 P25 P30 P35

7 12 14 19 7
7 17 18 25 10
15 12 18 22 11
11 18 19 19 15
9 18 19 23 11

Layout 2

Tratamiento Resistencia
1 7
1 7
1 15
1 11
1 9
2 12
2 17
2 12
2 18
2 18
3 14
3 18
3 18
3 19
3 19
4 19
4 25
4 22
4 19
 ANALISIS Y DISEÑO DE EXPERIMENTOS

4 23
5 7
5 10
5 11
5 15
5 11

En este caso el número de réplicas es el mismo para cada tratamiento

Deseamos probar la hipótesis

H 0 : 1   2   3   4   5

H1  al meno sel promedio de un Tratamiento es

diferente
A un nivel de significancia dado

Otra forma de escribirla es suponiendo que hay un promedio general  0

Cada valor del promedio puede alejarse mucho o poco del promedio
general, si se eleja mucho se dice que el efecto es importante sino pues
se dice que el efecto es pequeño. Con este razonamiento las hipótesis se
pueden expresar de la manera siguiente

H0 : 1   2   3   4   5  0
H1  al menos un efecto es diferente de cero
A un nivel de significancia dado

Solución en Statgraphics

Los datos se introducen usando los dos Layouts

Layout 1: cada tratamiento corresponde a una columna y se usa el
menu para comparar muestras múltiples.
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Layout 2: los valores se ponen en dos columnas una columna codificada

con el nivel del tratamiento y la otra con los valores correspondientes
para cada tratamiento. Se usa el Menu Analisis de Varianza

.
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Los resultados son los mismos.

El Análisis de varianza es
ANOVA
[Análisis de Varianza]

El Análisis de Varianza nos va a ayudar a comparar los diferentes

tratamientos o niveles del factor de nuestro experimento.

Analysis of Variance
-----------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
-----------------------------------------------------------------------------
Between groups 475.76 4 118.94 14.76 0.0000
Within groups 161.2 20 8.06
-----------------------------------------------------------------------------
Total (Corr.) 636.96 24

Antes de continuar usted puede checar las varianzas

H 0 : 12  22  32  24  24  0
H1  al menos una varianza es diferente
 ANALISIS Y DISEÑO DE EXPERIMENTOS

De acuerdo a estos Resultados la Pruebe de Bartlett nos dice que no se

debe rechazar la hipótesis de varianzas iguales

Evaluación de la Normalidad
 ANALISIS Y DISEÑO DE EXPERIMENTOS

O bien

Directamente

De donde resulta

Normal Probability Plot

99.9
cumulative percent

99
95
80
50
20
5
1
0.1
-3.8 -1.8 0.2 2.2 4.2 6.2
residuos
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Tal parece que los residuos siguen una distribución Normal.

La Prueba de Shapiro Wilks no existe en Statgraphics

Solución en R
Leer los datos con el layout 1

> resistencias<-read.table("c:resistencias.txt", header=T)

> resistencias
P15 P20 P25 P30 P35
1 7 12 14 19 7
2 7 17 18 25 10
3 15 12 18 22 11
4 11 18 19 19 15
5 9 18 19 23 11
> bartlett.test(resistencias)

Bartlett test of homogeneity of variances

data: resistencias
Bartlett's K-squared = 0.9331, df = 4, p-value = 0.9198

> shapiro.test(resistencias$P15)

Shapiro-Wilk normality test

data: resistencias$P15
W = 0.881, p-value = 0.3140

> shapiro.test(resistencias$P20)

Shapiro-Wilk normality test

data: resistencias$P20
W = 0.7538, p-value = 0.03228

> shapiro.test(resistencias$P25)

Shapiro-Wilk normality test

data: resistencias$P25
W = 0.7387, p-value = 0.02332
 ANALISIS Y DISEÑO DE EXPERIMENTOS

> shapiro.test(resistencias$P30)

Shapiro-Wilk normality test

data: resistencias$P30
W = 0.902, p-value = 0.4211

Tambien podemos tranformar los datos al Layout 2 vertical con la

instrucción

> resistencias.vert<-
data.frame(porcentaje=gl(5,5),resistencia=c(resistencias$P15,resistencia
s$P20,resistencias$P25, resistencias$P30, resistencias$P35))

De donde resulta
> resistencias.vert
porcentaje resistencia
1 1 7
2 1 7
3 1 15
4 1 11
5 1 9
6 2 12
7 2 17
8 2 12
9 2 18
10 2 18
11 3 14
12 3 18
13 3 18
14 3 19
15 3 19
16 4 19
17 4 25
18 4 22
19 4 19
20 4 23
21 5 7
22 5 10
23 5 11
24 5 15
25 5 11
 ANALISIS Y DISEÑO DE EXPERIMENTOS

>

> attach(resistencias.vert)

> porcentaje<-factor(porcentaje)

> is.factor(porcentaje)
[1] TRUE

> resistencias.aov<-aov(resistencia~porcentaje)

> summary(resistencias.aov)

Df Sum Sq Mean Sq F value Pr(>F)

porcentaje 4 475.76 118.94 14.757 9.128e-06 ***
Residuals 20 161.20 8.06
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Normalidad en Excel

Tratamiento Resistencia promportrat residuos

1 7 9.8 -2.8
1 7 9.8 -2.8
1 15 9.8 5.2
1 11 9.8 1.2
1 9 9.8 -0.8
2 12 15.4 -3.4
2 17 15.4 1.6
2 12 15.4 -3.4
2 18 15.4 2.6
2 18 15.4 2.6
3 14 17.6 -3.6
3 18 17.6 0.4
3 18 17.6 0.4
3 19 17.6 1.4
3 19 17.6 1.4
4 19 21.6 -2.6
4 25 21.6 3.4
4 22 21.6 0.4
 ANALISIS Y DISEÑO DE EXPERIMENTOS

4 19 21.6 -2.6
4 23 21.6 1.4
5 7 10.8 -3.8
5 10 10.8 -0.8
5 11 10.8 0.2
5 15 10.8 4.2
5 11 10.8 0.2

(j-
j residuos 0.5)/25
1 -3.8 0.02
2 -3.6 0.06
3 -3.4 0.1
4 -3.4 0.14
5 -2.8 0.18
6 -2.8 0.22
7 -2.6 0.26
8 -2.6 0.3
9 -0.8 0.34
10 -0.8 0.38
11 0.2 0.42
12 0.2 0.46
13 0.4 0.5
14 0.4 0.54
15 0.4 0.58
16 1.2 0.62
17 1.4 0.66
18 1.4 0.7
19 1.4 0.74
20 1.6 0.78
21 2.6 0.82
22 2.6 0.86
23 3.4 0.9
24 4.2 0.94
25 5.2 0.98
 ANALISIS Y DISEÑO DE EXPERIMENTOS

(j-0.5)/25

1.2

0.8

0.6

0.4

0.2

0
2

2
.8

.4

.8

.6

.8
0.

0.

0.

1.

1.

2.

3.

5.
-3

-3

-2

-2

-0

Prueba de Hipótesis sin tablas

H 0 :  1   2  ...   k
H1  al menos un Tratamiento es diferente

Criterio de aceptación o rechazo

Cuando Ho Es decir
F0  f ( k  1 ),k ( n 1 ),
o bien Los tratamientos son
NO SE RECHAZA
Pvalue  nivel de iguales
significancia
F0  f ( k  1 ),k ( n 1 ),
Existe al menos un nivel
o bien SE RECHAZA que produce un efecto
Pvalue  nivel de significativo al .
significancia

f ( a 1 ),a ( n1 ),  f ( 4 ),( 20 ),0.05  2.87

Como F0  f ( k  1 ),k ( n 1 ), , es decir;

14.76 > 2.87 o bien Pvalue < 0.05  Se rechaza Ho

 ANALISIS Y DISEÑO DE EXPERIMENTOS

y se dice que, sí existe al menos un nivel que produce un nivel

significativo al 0.05

PRUEBA DE
HIPOTESIS

SI NO Al menos un tratamiento es
Ho diferente
SE ACEPTA ?

Solo se concluye que

cualquier tratamiento Evaluar la variabilidad de los
nos da los mismos promedios de cada tratamiento,
resultados especificando exactamente
mediante comparaciones y
análisis cuáles medias son las que
difieren.

Evaluar la variabilidad de los promedios de cada tratamiento

 ANALISIS Y DISEÑO DE EXPERIMENTOS

Cuando Ho se rechaza, se dice que, hay diferencias entre las medias de

los tratamientos, pero no se especifica exactamente cuáles medias
producen un efecto significativo. Existen diferentes Métodos de
Comparación en donde estudiamos las medias, la variabilidad y los
intervalos de confianza de los tratamientos.

DIAGRAMA DE CAJA
25

22
Resistencia

19

16  Se aprecian diferencias
importantes
13

10

7
% 15 % 20 % 25 % 30 % 35

Algodón %

étodo de desviación estándar individual

 ( Yij  Yi .) 2
Sy i . 
n1

Table of Means
with Standard error intervals
--------------------------------------------------------------------------------
Stnd. error
Count Mean (individual) Lower limit Upper limit
--------------------------------------------------------------------------------
% 15 5 9.8 1.49666 8.30334 11.2967
% 20 5 15.4 1.4 14.0 16.8
% 25 5 17.6 0.927362 16.6726 18.5274
% 30 5 21.6 1.16619 20.4338 22.7662
% 35 5 10.8 1.28062 9.51938 12.0806
--------------------------------------------------------------------------------
Total 25 15.04
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Sy i .
S yi . 
n
Sy i .
Y i .
n

Método de desviación estándar ponderada

Table of Means
with Standard error intervals
--------------------------------------------------------------------------------
Stnd. error
Count Mean (pooled s) Lower limit Upper limit
--------------------------------------------------------------------------------
% 15 5 9.8 1.26965 8.53035 11.0696
% 20 5 15.4 1.26965 14.1304 16.6696
% 25 5 17.6 1.26965 16.3304 18.8696
% 30 5 21.6 1.26965 20.3304 22.8696
% 35 5 10.8 1.26965 9.53035 12.0696
--------------------------------------------------------------------------------
Total 25 15.04

El procedimiento es igual al método anterior, pero aquí se usa el MSE de


la tabla ANOVA, es decir;
n

Método de Intervalo de Confianza

Usando desviación estándar individual

Table of Means
with 95.0 percent confidence intervals
--------------------------------------------------------------------------------
Stnd. error
Count Mean (individual) Lower limit Upper limit
--------------------------------------------------------------------------------
% 15 5 9.8 1.49666 5.64458 13.9554
% 20 5 15.4 1.4 11.513 19.287
% 25 5 17.6 0.927362 15.0252 20.1748
% 30 5 21.6 1.16619 18.3621 24.8379
% 35 5 10.8 1.28062 7.2444 14.3556
--------------------------------------------------------------------------------
Total 25 15.04
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Y i .  t  S yi .
,( n  1 )
2

Método de Intervalo de Confianza

Usando desviación estándar ponderada

Table of Means
with 95.0 percent confidence intervals
--------------------------------------------------------------------------------
Stnd. error
Count Mean (pooled s) Lower limit Upper limit
--------------------------------------------------------------------------------
% 15 5 9.8 1.26965 7.15156 12.4484
% 20 5 15.4 1.26965 12.7516 18.0484
% 25 5 17.6 1.26965 14.9516 20.2484
% 30 5 21.6 1.26965 18.9516 24.2484
% 35 5 10.8 1.26965 8.15156 13.4484
--------------------------------------------------------------------------------
Total 25 15.04


Y i .  t 
,a ( n  1 ) n
2

Método de Diferencia Mínima Significativa - Fisher

1 1
LSD  t  MSE (  )
,a ( n  1 ) ni n j
2

2  MSE
cuando son réplicas iguales LSD  t 
,a ( n  1 ) n
2
 ANALISIS Y DISEÑO DE EXPERIMENTOS

Table of Means
with 95.0 percent LSD intervals
--------------------------------------------------------------------------------
Stnd. error
Count Mean (pooled s) Lower limit Upper limit
--------------------------------------------------------------------------------
% 15 5 9.8 1.26965 7.92727 11.6727
% 20 5 15.4 1.26965 13.5273 17.2727
% 25 5 17.6 1.26965 15.7273 19.4727
% 30 5 21.6 1.26965 19.7273 23.4727
% 35 5 10.8 1.26965 8.92727 12.6727
--------------------------------------------------------------------------------
Total 25 15.04

LSD
Y i .
2

Método HSD – Tukey

q ( a , f ) 1 1
T   MSE (  ) en donde f  a( n  1 )
2 ni n j

MSE
cuando son réplicas iguales T  q ( a , f ) 
n

Se obtiene de
TABLA I
 ANALISIS Y DISEÑO DE EXPERIMENTOS

MSE 8.06
T0.01  q 0.01 ( 5 ,20 )   5.29   6.72
n 5

Por lo tanto, cualquier par de promedios de los tratamientos que difieran

en valor absoluto por más de 6.72 implicaría que el par correspondiente
de medias poblacionales son significativamente diferentes.

Table of Means
with 95.0 percent Tukey HSD intervals
--------------------------------------------------------------------------------
Stnd. error
Count Mean (pooled s) Lower limit Upper limit
--------------------------------------------------------------------------------
% 15 5 9.8 1.26965 7.1127 12.4873
% 20 5 15.4 1.26965 12.7127 18.0873
% 25 5 17.6 1.26965 14.9127 20.2873
% 30 5 21.6 1.26965 18.9127 24.2873
% 35 5 10.8 1.26965 8.1127 13.4873
--------------------------------------------------------------------------------
Total 25 15.04
 ANALISIS Y DISEÑO DE EXPERIMENTOS

HSD
Y i .
2

Multiple Range Tests

--------------------------------------------------------------------------------
Method: 95.0 percent LSD
Count Mean Homogeneous Groups
--------------------------------------------------------------------------------
% 15 5 9.8 X
% 35 5 10.8 X
% 20 5 15.4 X
% 25 5 17.6 X
% 30 5 21.6 X
--------------------------------------------------------------------------------
Contrast Difference +/- Limits
--------------------------------------------------------------------------------
% 15 - % 20 Y 1.  Y 2 . *-5.6 3.74546
% 15 - % 25 *-7.8 3.74546
% 15 - % 30 *-11.8 3.74546
% 15 - % 35 -1.0 3.74546
% 20 - % 25 -2.2 3.74546
% 20 - % 30 *-6.2 3.74546
% 20 - % 35 *4.6 3.74546
% 25 - % 30 *-4.0 3.74546
% 25 - % 35 *6.8 3.74546
% 30 - % 35 *10.8 3.74546
--------------------------------------------------------------------------------

* Estadísticamente denota una diferencia

significativa

Comparaciones
k ( k  1 ) 5( 4 )
posibles por pares    10
2 2

> TukeyHSD(resistencias.aov, ordered = TRUE)

Tukey multiple comparisons of means
95% family-wise confidence level
factor levels have been ordered

Fit: aov(formula = resistencia ~ porcentaje)

$porcentaje
diff lwr upr p adj
5-1 1.0 -4.3729583 6.372958 0.9797709
 ANALISIS Y DISEÑO DE EXPERIMENTOS

2-1 5.6 0.2270417 10.972958 0.0385024

3-1 7.8 2.4270417 13.172958 0.0025948
4-1 11.8 6.4270417 17.172958 0.0000190
2-5 4.6 -0.7729583 9.972958 0.1162970
3-5 6.8 1.4270417 12.172958 0.0090646
4-5 10.8 5.4270417 16.172958 0.0000624
3-2 2.2 -3.1729583 7.572958 0.7372438
4-2 6.2 0.8270417 11.572958 0.0188936
4-3 4.0 -1.3729583 9.372958 0.2101089

> plot(TukeyHSD(resistencias.aov,ordered=TRUE))