Diseño de Experimentos

y Control Estadístico de
Procesos
Ingeniería Industrial
Ros Benavente Q.
rbenavente@utec.edu.pe

Educación Ejecutiva
UTEC
 Educación
Ejecutiva

Sesión 4: ANOVA de un solo

factor

C
Z
Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

Contenido Sesión 4 ANOVA de un solo

factor
4.1 Diseño completamente al azar y ANOVA de un solo factor
4.2 ¿ Cuál es la Hipótesis para ANOVA de un solo factor?
4.3 ¿ Qué estadísticos usa ANOVA de un solo factor?
4.4 ¿ Cómo interpretamos los resultados?
4.5 Ejemplos
Objetivos
• Explicar en que consiste el diseño
completamente al azar (DCA) y cuando
se aplica.
• Aplicar el análisis de varianza para
experimentos con un solo factor e
interpretar los resultados obtenidos.
• Aplicar el método de rangos múltiples
Tukey e interpretar los resultados
obtenidos.

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

Diseño completamente al azar DCA

• Es el diseño más simple Ejemplo:
• Todas las corridas se hacen en orden aleatorio que 1. Planeación:
los posibles efectos ambientales y temporales se • Se requiere mejorar la calidad de las suelas de Zapatos S.A.
vayan repartiendo equitativamente entre los • Causa – efecto
tratamientos. Y = Desgaste de suela de zapatos
• Considera 2 fuentes de variabilidad: X = Cuatro tipos de cuero para fabricar la suela A, B, C, D
- Tratamientos Unidad de medida: Pérdida de peso de suela en gramos.
- Error aleatorio • Estrategia experimental:
• Ejemplo DCA: - Pasar 6 zapatos de uno de los 4 tipos de cuero por una
máquina desgastadora de suelas, en total 24 pruebas en
1. 2. 3. 4. orden aleatorio.
Planeación Experimentación Análisis Interpretación - Suponemos además del tipo de cuero no hay otro factor que
influya de forma significativa en el efecto, variable Y.
2. Experimentación:
Tipos de
Observaciones Promedio
Cuero
A 264 260 258 241 262 255 256.7
B 207 219 215 199 213 206 209.8
C 220 263 219 225 230 228 230.8
D 216.5 225.5 214.5 226.5 219.5 221.5 220.7
Media Global 229.5

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

ANOVA de un solo factor

• Usamos el Análisis de Varianza para analizar la Tipos de
Cuero
Observaciones Promedio

relación de 2 variables de causa-efecto. A 264 260 258 241 262 255 256.7
B 207 219 215 199 213 206 209.8
• La variable independiente X es cuantitativa y la C 220 263 219 225 230 228 230.8
variable independiente es categórica. D 216.5 225.5 214.5 226.5 219.5 221.5
Media Global
220.7
229.5
• Se requiere que las variables sigan la
distribución normal o la t-student.
• Estamos comparando el desgaste de la suela de
• También que las varianzas de cada grupo de la
zapatos según los tipos de cuero con el que se
variable independiente sean similares.
fabrican.
• Podemos comprobar mediante ANOVA si la
• ANOVA de un factor compara las medias de
variable “desgaste de suela” está relacionada con
la variable dependiente entre los niveles o
“el tipo de cuero con el que se fabrican”.
grupos de la variable independiente.
• Por tanto se analizará si la media del desgaste de
• Si usamos el experimento anterior…
suela varía según el tipo de cuero con el que se
fabrica.

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

ANOVA de un solo factor

• Se tienen k tratamientos independientes y con
medias desconocidas µ1, µ2, …, µ1k.
• Así como varianzas también desconocidas
pero que se suponen iguales Ơ21 = Ơ22 = … =
Ơ2k= Ơ2.
• Las poblaciones pueden ser k métodos de
producción, k tratamientos, k grupos, etc., y
sus medias son medidas en términos de la • Donde µ es la media global o parámetro de escala
variable de respuesta. común a todos los tratamientos.
• Se debe usar el mismo número de • ti es un parámetro que mide el efecto del tratamiento i
repeticiones. • eij es el error atribuible a la medición Yij.
• Se recomienda entre 5 a 30 observaciones • Si la respuesta media de un tratamiento particular µi es
en cada tratamiento. “muy diferente” de la respuesta media global µ,
• n= 10 cuando hay poca dispersión ¡atención! existe un efecto de dicho tratamiento, ya
• n=30 cuando hay mucha dispersión que como veremos ti = µi–µ
• Modelo estadístico lineal de ANOVA de un
solo factor:
Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

ANOVA de un solo factor

• La idea general del ANOVA es
separar la variación total en las
partes con las que contribuye cada
fuente de variación en el
experimento.
• Cuando la variabilidad debida a los
tratamientos predomina sobre la
variabilidad debida al error, es
cuando se concluye que los
tratamientos tienen efecto dicho de
otra manera, las medias son
diferentes.

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos
¿ Cuál es la Hipótesis para ANOVA de un solo
factor?

Suma de
Suma de
• Lo primero es descomponer la variabilidad total de cuadrados de
cuadrados del
los datos en : la variabilidad debida a tratamientos tratamiento
error (SCE)
y la que corresponde al error aleatorio. (SCTRAT)
• Variabilidad total presente en las observaciones:
Suma total de cuadrados.
• Hay k tratamientos o niveles del factor de interés,
así que SCTRAT tiene k – 1 grados de libertad.
• Mientras que la SCE tiene N – k
• Las sumas de cuadrados divididas entre sus
respectivos grados de libertad se llaman
cuadrados medios.
Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

¿ Qué estadísticos usa ANOVA de un solo factor?

• Al aplicar ANOVA de un factor se calcula un estadístico o test denominado Fisher y su significación.
Se obtiene al estimar la variación de las medias entre los grupos de la variable independiente y
dividirla por la estimación de la variación de las medias dentro de los grupos.
• Bajo el supuesto de que la hipótesis H0 es verdadera, el estadístico:

• Cuanto más difieren las medias de la variable dependiente entre los grupos de la variable
independiente, más alto será el valor de F.
• Con un intervalo de confianza del 95%, cuando la significación de F sea menor de 0,05 es que las dos
variables están relacionadas.

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

Ejemplos
• Volvamos
1. Planeación:al ejemplo anterior:
• Se requiere mejorar la calidad de las suelas de Zapatos
S.A.
Tipos de
• Causa – efecto Observaciones Promedio
Cuero
Y = Desgaste de suela de zapatos A 264 260 258 241 262 255 256.7
X = Cuatro tipos de cuero para fabricar la suela A, B, C, B 207 219 215 199 213 206 209.8
D C 220 263 219 225 230 228 230.8
Unidad de medida: Pérdida de peso de suela en D 216.5 225.5 214.5 226.5 219.5 221.5 220.7
Media Global 229.5
gramos.
• Estrategia experimental:
- Pasar 6 zapatos de uno de los 4 tipos de cuero por • Construyamos la tabla ANOVA en Excel:
una máquina desgastadora de suelas, en total 24 Ir a Cálculos Tabla ANOVA
pruebas en orden aleatorio.
- Suponemos además del tipo de cuero no hay otro
factor que influya de forma significativa en el efecto,
variable Y.
2. Experimentación:

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

Ejemplos
• En Minitab:

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

Ejemplos
• En Minitab:

• Si al menos un tipo de cuero se desgasta

de forma diferente de otro, entonces:
¿Cuáles tipos de cuero son diferentes entre
sí?: Para ello veremos en un momento un
método de comparación múltiple: El Tukey
Test.

• Como el valor-p = 0.0000 es menor que la significancia

prefijada α = 0.05, se rechaza H0 y se acepta que al
menos un par de tipos de cuero tienen un desgaste
promedio diferente.

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

Ejemplos
Método de Comparaciones Múltiples
TUKEY
• Consiste en comparar las diferencias entre medias
muestrales con el valor crítico dado por:

• Donde CME es el cuadrado medio del error, n es

el número de observaciones por tratamiento, k es
el número de tratamientos, N – k es igual a los
grados de libertad para el error, α es el nivel de
significancia prefijado y el estadístico qα (k, N – k)
son puntos porcentuales de la distribución del
rango.
• Se declaran significativamente diferentes los pares
de medias cuya diferencia muestral en valor
absoluto sea mayor que Tα.

Ingeniería Industrial
UTEC
 Diseño de Experimentos y Control Estadístico de
Procesos

Ejemplos
Residuos

Se observa el cumplimiento de
los supuestos de normalidad,
varianzas iguales e
independencia.

Sin embargo, en las tres

graficas se observa un punto
que se aleja bastante del resto
(atípico) el cual necesita
investigarse.

Ingeniería Industrial
UTEC
 Metodología 6 Sigma para Análisis de Causa Raíz
ACR

¿Preguntas
?

Ingeniería Industrial
UTEC