ANVA

UNIVERSIDAD NACIONAL JOSÉ
FAUSTINO SANCHEZ CARRIÓN

FACULTAD DE INGENIERÍA INDUSTRIAL, SISTEMAS E
INFORMÁTICA
ESCUELA ACADÉMICA DE INGENIERÍA INDUSTRIAL
“APLICACIONES DE ANALISIS DE
VARIANZA (ANVA)”
Curso: Estadística Aplicada I

Docente: Víctor Silva Toledo
Ciclo: IV
Integrantes:
 Barrenechea Sarmiento Brithany
 Díaz Paulino Javier
 Estupiñán Bazalar Karla Thalía
 Loarte Sana Kimberly
 Padilla Tapida Dante Manuel
 Vega Cruz David
HUACHO - 2016
UNIVERSIDAD NACIONAL JOSE FAUSTINO SANCHEZ CARRIÓN
FACULTAD DE INGENIERIA INDUSTRIAL SISTEMAS E INFORMATICA
DEDICATORIA
Este trabajo está dedicado a nuestros padres que siempre nos están apoyando
incondicionalmente en la parte económica y moral para poder llegarnos a realizar
como excelentes profesionales.
A nuestros familiares que nos motivan, ayudan y que por sus experiencias a lo
largo de su vida nos brindan consejos para realizar todo de la mejor manera
posible.
Ante todo a Dios que nos da la vida, nos otorgó una familia que cada día nos
comporte sus enseñanzas y fortalezas para seguir desempeñando dando
siempre lo mejor.
Un agradecimiento en especial a nuestro profesor Víctor Silva Toledo por su

apoyo constantemente, por sus consejos, por compartir con nosotros sus
experiencias laborales, por motivarnos con este trabajo a investigar.
APLICACIONES DE ANALISIS DE VARIANZA

2
AGRADECIMIENTO
Agradecemos de ante mano al grupo en general por el apoyo brindado en

nuestro tema de suma importancia del ANALISIS DE VARIANZA, no olvidando
de nuestro maestro de la materia por darnos conocimientos previos.
Agradecer hoy y siempre a nuestros familiares por el esfuerzo realizado en su

apoyo en nuestros estudios, de ser así no hubiese sido posible. A nuestros
padres y demás familiares ya que nos brindan el apoyo, la alegría y nos dan la
fortaleza necesaria para seguir adelante día a día.

3
INDICE
CARATULA………………………………………………………………………………1
AGRADECIMIENTO…………………………………………….………………………2
DEDICATORIA………………………………………………………..…………………3
INTRODUCCION……………………………………..…………….……………………5
IMPORTANCIA………………………………………..…………………………………7
CONCEPTOS FUNDAMENTALES……………………………………………………8
ANALISIS DE VARIANZA………………………………………………………………10
1. Objetivos del tema………………………………………………….………………10

2. Bases teóricas…………………………………………………….…………………10
3. Comparación de dos varianzas poblacionales……………………………..……11
4. Anova Con Un Factor………………………………………………………………12
4.1 Especificación de un modelo…………………………………………….……14
4.2 Observación…………………………………………………………..…………15
4.3 Ejemplo………………………………………………………………..…………15
4.4 Algo de notación relativa al modelo…………………………………..………16
4.5 Observación……………………………………………………………..………17
4.6 Forma de efectuar el contraste………………………………………..………18
4.7 Método reductivos para el análisis de un factor……………………..………19
4.8 Ejemplos………………………………………………………………………….20
5. Anova con varios factores…………………………………………………………..23
5.1 Consideraciones sobre hipótesis subyacentes en el modelo factorial…….23
5.2 Contraste de homocedasticidad de Cochran…………………………………25
5.3 Contraste de elasticidad de Bartlett……………………………………………26
CONCLUSIONES……………………………………………………………………….……26
RECOMENDACIONES………………………………………………………………………27
BIBLIOGRAFIA……………………………………………………………………….………28

4
INTRODUCCIÓN
El escenario global actual es muy dinámico, esto quiere decir que a para
desarrollarnos profesionalmente debemos romper esquemas, que no permitan
estancarnos intelectualmente. En nuestros días los mercados globales nos
obligan a desarrollar nuestras ventajas competitivas tanto como organización,
industria y específicamente como profesionales en la ingeniería, ya que las
ventajas que antes se posicionaban en los mercados globales, ahora se
encuentran desfasadas. Se habla mucho en nuestros tiempos de las ventajas
competitivas (Porter) no solo de las empresas sino de los profesionales en sí,
para un mejor posicionamiento que permitan defenderse antes las fuerzas
competitivas y mantener a los clientes Podemos decir entonces que los grandes
retos de hoy en día deben hacer que los profesionales y más específicamente
los ingenieros (resolutores de problemas) se encuentren actualizados en cuanto
a conocimientos que le permitan entender el panorama global de su
organización.
Estos conocimientos actualizados se dan en muchas áreas de la ingeniería:

supply chain management, logística internacional, promoción comercial,
marketing, etc. Es en estos nuevos escenarios que los ingenieros y más
específicamente de los ingenieros industriales deben estar a la par de los retos
que propone la globalización (adaptarse o morir). Si bien es cierto los
profesionales siempre buscan especializarse por cuenta personal, lo cual no
debe ser ajeno a las “empresas” que producen estos profesionales: las
universidades. La formación universitaria en el Perú aun es deficiente, no se
fomenta la investigación y las pocas veces que se hace, no se realiza
conscientemente, los investigadores en la mayoría de universidades del Perú no
cuentan con el criterio (conocimientos y experiencia) necesario para tomar las
riendas de trabajos que impacten en la realidad nacional.
El criterio de un investigador debe estar referido a muchos factores y uno de los

principales es el discernimiento, que se define como el juicio por cuyo medio
percibimos y declaramos la diferencia que existe entre varias cosas. Cada

5
proyecto de investigación supone el uso de por lo menos una herramienta

diferente y que es elegido de acuerdo al tema en sí. Las herramientas que aplica
el investigado son diversas, entre estas se encuentran las propuestas por la
estadística.
Las herramientas empleadas en una investigación, en este caso las que

proporciona la estadística, son elegidas por la utilidad que se espera tengan al
momento de obtener los resultados. El autor Eliyahu Goldratt hace una
diferenciación entre dos conceptos que se ven en cada investigación y que la
mayoría de: estudiantes, profesionales y personas ajenas al mundo académico,
no son capaces de diferenciar. Estos conceptos son dato e información, el
primero que se basa solo en la observable y medible de la realidad y el segundo
que es un fruto de un proceso. En este aspecto entonces concluimos que lo
importante en una investigación que impacte en la organización es la información
confiable.
La información que consideramos confiable es aquella que nos permita como

ingenieros tomar buenas decisiones, medibles en el impacto positivo que tengan
en las organizaciones. Es por esto que es de vital importancia para las
herramientas estadísticas el poder seleccionar y tomar los datos de una manera
adecuada, los cuales por un proceso de análisis permiten obtener información
necesaria para nosotros y para todo el ámbito de la ingeniería.
El impacto que se tenga en la ingeniería, como se ha descrito anteriormente,

depende de la información que nos brinden las herramientas estadísticas
adecuadamente elegidas por el investigador obedeciendo a su criterio
profesional. El tema de este trabajo es el análisis de varianza, una herramienta
que nos permite comparar conjuntos de datos numéricos diferentes,
significativos, distintos a otros valores o más conjuntos de datos, y la aplicación
que tiene al mundo de la ingeniería en sus diferentes especialidades
considerando el impacto positivo que tenga en esta.

6
CAPITULO I:
ANTECEDENTES

7
1. OBJETIVOS:
Objetivo general:
- Analizar el análisis de varianza, como herramienta en la toma de

Decisiones en el campo de la ingeniería
Objetivo específico:
- Identificar las herramientas estadísticas potencialmente útiles en los

diferentes campos de la ingeniería.
- Explicar el desarrollo del análisis de varianza.
2. IMPORTANCIA:
La estadística constituye para el investigador un instrumento que le permitirá o

le indicará probar datos numéricos a través del Análisis de la Varianza (ANOVA)
la comparación de los conjuntos de datos numéricos diferentes, significativos,
distintos a otros valores o más conjuntos de datos. Lo más importante, es saber
la certeza de los datos que se estudian, qué tengan la condición necesaria para
tomar la decisión más idónea. Es por ello, que la importancia del Análisis de la
Varianza aplicado a la Toma de Decisión radica en la información veraz y precisa
que le brinda al gerente, para la tomar las decisiones, sobre cualquier proceso
dentro de la organización.
3. LIMITACIONES:
Las limitaciones que se encontraron en el presente trabajo de investigación

fueron básicamente relacionadas al desconocimiento parcial de la realidad de
los ejercicios presentados. Estos ejercicios fueron extraídos de libros, donde la
visión del autor no necesariamente es compartida en el trabajo.

8
CAPITULO II:
BREVE
RESEÑA
HISTÓRICA
9
1. BREVE RESEÑA HISTORICA:
La primera aparición de estudios de componentes de varianza de Airy (1861) y

Chauvenet (1863) aparecieron en libros de astronomía.
A estos intentos iniciales del siglo XIX, le siguieron los trabajos de genética
cuantitativa desarrollados por Fisher en la Estación Experimental de Rothamsted
(Fisher 1918; 1922). El propio Fisher (1925), informó lo que significó una de las
grandes contribuciones a los modelos de componentes de varianza, que en sus
inicios se conoció como método de estimación de análisis de varianza (ANOVA).
Sus trabajos pueden expresarse (con la terminología moderna) como un modelo
aleatorio de clasificación simple para datos balanceados.
A los trabajos de Fisher le siguieron los

de Tippet (1931) que esclareció y
extendió el método de estimación
ANOVA y mostró algunos estimadores
explícitos (Tippet 1937). También Yates
y Zacopanay (1935) realizaron pruebas
de campo en cereales con modelos de
orden mayor, mientras Newman et al
(1935) consideraba la eficiencia de los
diseños de bloques al azar y cuadrado
latino, y hacia extensivo el uso de
modelos lineales (incluyendo modelos
mixtos) en lo que se considera la primera aparición reconocida de los modelos
mixtos (Searle 1989).
Muchos de los avances en esta área de estimación de componentes de varianza,

fueron motivados por problemas prácticos. Los genetistas, particularmente, se
convirtieron en los principales usuarios de los modelos de componentes de
varianza para aplicarlos a humanos, ganado vacuno, cerdos, carneros y pollos.

10
Un trabajo muy importante sobre el desarrollo en los años subsiguientes es el de

Khuri y Sahai (1985).
Ahora bien, la mayoría de estas aplicaciones genéticas eran con datos no

balanceados o desequilibrados. En este sentido, Henderson (1953) constituye el
trabajo clásico sobre estimación de componentes de varianza para datos no
balanceados (Searle 1989). Con posterioridad a este trabajo, vino un período de
evaluaciones de estos métodos, entre ellas las deCrump (1951), Searle (1956,
1961, 1968) y Blischke (1966, 1968).
Son precisamente los métodos REML, los más empleados en la última década
en lo que a estimación de parámetros genéticos se refiere. Sin embargo, en los
últimos años los métodos bayesianos unidos a técnicas de cálculo como el
muestreo de Gibbs se han extendido al área de la estimación de componentes
de varianzas con excelentes resultados (Sorensen et al 1994). Ya en el sexto
congreso mundial de genética aplicada a la producción animal, la gran mayoría
de los trabajos presentados en la sección “Estimación de parámetros genéticos”,
versaban sobre esta temática (Wang 1998; Hofer y Ducrocq 1998; Korsgaard
1998; Rodriguez-Zas et al 1998; Lund y Jensen 1998, entre otros), lo cual debe
tenerse en cuenta para futuros trabajos en esta área de estimación de
parámetros genéticos.

11
CAPITULO III:
MARCO
TEÓRICO

12
CONCEPTOS FUNDAMENTALES:
 MUESTRA: Es un subconjunto o parte de una población. El tomar

muestras se hace con la intención de no extendernos a sacar resultado
de toda la población que representa.
 MUESTRA ALEATORIA: Viene hacer la muestra elegida al azar, es la

muestra tomada de la población en que todo individuo tiene la misma
probabilidad de poder ser elegido.
 POBLACION: También llamada UNIVERSO, es el conjunto de elementos

de referencia sobre el que se realizan las observaciones.
 HIPOTESIS: Es el enunciado acerca del valor del parámetro poblacional.
 VARIANZA: Es una media de dispersión definida como la esperanza del

cuadrado de la desviación de dicha variable respecto a su media.
 FUNCIÓN DE DISTRIBUCIÓN: Función que hace corresponder a cada

uno de los valores de la variable aleatoria discreta su probabilidad.
 CONTRASTE DE HIPÓTESIS: Es el conjunto de reglas establecidas para

decidir entre la hipótesis nula o la alternativa, que debe ser aceptada en
base al resultado que se obtuvo de la muestra.
 VARIABLE ALEATORIA: Toda función que tomas diferentes valores

numéricos, dependiendo del resultado de un fenómeno aleatorio, con
distintas probabilidades.
 VARIABLE ALEATORIA DISCRETA: Son aquellas que tienen un

número finito de valores.
 VARIABLE ALEATORIA CONTINUA: Son aquellas que pueden tomar

un número infinito de valores en un intervalo determinado.
 VARIABLE CATEGÓRICA: Es aquella que clasifica cada individuo de la

población en varias clases mutuamente excluyentes.

13
 ESTADÍSTICA DESCRIPTIVA: Es el procedimiento estadístico que

sirven para organizar y resumir conjuntos de datos numéricos.
 ESTADÍSTICA INFERENCIAL: Es el procedimiento estadístico que sirve

para deducir o inferir algo de un conjunto de datos numéricos (población),
seleccionando una parte de ellos (muestra).
 GRADOS DE LIBERTAD: Es el número de observaciones linealmente

independientes en un conjunto de “n” observaciones. Los grados de
libertad, son iguales a “n” menos el número de restricciones impuestas al
conjunto total de datos.
 HIPÓTESIS ALTERNATIVA: Es el aquel enunciado que no niega, ni

afirma lo que dice la hipótesis de investigación.
 HIPÓTESIS NULA: Es aquella que niega, lo que afirma la hipótesis de

investigación.
 MEDIA: También conocida como la media aritmética, que viene hacer el

promedio que se obtiene al sumar todos los elementos en un conjunto
de valores.
 NIVEL DE CONFIANZA: Es la probabilidad de que la estimación que se

efectuó se ajusta a la realidad.
 NIVEL DE SIGNIFICANCIA: Es el riesgo que se asume, acerca de

rechazar la hipótesis nula cuando en realidad debe aceptarse por ser
verdadera.
 PRUEBAS NO PARAMÉTRICAS: Pruebas de hipótesis que implican

datos de niveles nominal y ordinal.
 REGIÓN DE ACEPTACIÓN: Es el conjunto de valores de la estadística

de prueba, que conducen aceptar la hipótesis nula.
 REGIÓN DE RECHAZO O REGIÓN CRÍTICA: Es el conjunto de valores

de la estadística de prueba, que conducen al rechazo de la hipótesis nula.

14
ANALISIS DE VARIANZA [ANVA]
1. DEFINICIÓN:
El análisis de varianza es un método para comparar dos o más medias, en la

cual la varianza esta particionada en ciertos componentes debidos a diferentes
variables explicativas.
También podemos decir que es una colección de modelos estadísticos y sus

procedimientos asociados, en lo cual la varianza esta particionada en cierto
componentes debidos a diferentes variables explicativas.
TIPO DE
MODELO Y PROPIEDADES DE DISEÑO
ANOVA
Un factor fijo (niveles establecidos por el investigador) que

DE UN SOLO
puede tener un número desigual (no balanceado) o igual
FACTOR
(balanceado) de observaciones por tratamiento.
El modelo puede contener cualquier número de factores

aleatorios y fijos (los niveles se seleccionan de manera
BALANCEADO
aleatoria) y factores anidados y cruzados, pero requiere un
diseño balanceado.
MODELO
Expande los ANOVA balanceados al permitir diseños no
LINEAL
balanceados y covariables (variables continuas).
GENERAL
2. ANOVA CON UN FACTOR
El análisis de la varianza de un factor se utiliza para comparar el valor medio de

una variable dependiente cuantitativa en varios grupos, que se diferencian por
los niveles del factor considerado.

15
3. NOTACIONES DE ANVA:
Este apartado está dedicado a introducir alguna notación para escribir los
términos que serán más importantes a la hora de realizar un contraste por el
método ANOVA. En primer lugar tenemos:
Usando estos términos vamos a desglosar la variación total de la muestra en

variación total dentro de cada nivel (intravariación) más la variación entre los
distintos niveles (intervariación).
Donde:

16
4. OBSERVACIÓN:
En el cálculo del estadístico intervienen N cantidades, ligadas por una
relación:
De este modo el número de grados de libertad de este estadístico es N-1

(recuérdese la noción de grados de libertad de un estadístico). Por razones
análogas tenemos que el número de grados de libertad de es N-t y el de
es t-1. Así introducimos los siguientes estadísticos:
EJERCICIO APLICATIVO
Se quiere medir el efecto que tiene tres programas de inducción (A,B,C) de la
empresa administradora CHUGAR s.a.c en la producción de los empleados, se
ha tomado una muestra de 14 empleados, siendo distribuidos en el cuadro
adjunto. Pruebe la aseveración que no existe diferencia significativa entre los
tres programas de capacitación.
PROGRAMAS
A B C
85 80 82
72 84 80
83 81 85
80 78 90
82 88

17
 Paso 0: completar la tabla original y calcular los términos de SCt
PROGRAMAS
A B C
85 80 82
72 84 80
83 81 85
80 78 90
82 88
TOTAL 320 405 425 T..=1150
N 4 5 5 N=14
TC=94464.29
 Paso 1: Formular la hipótesis.
Formulación matemática:
H0: µA= µB = µC
H1: µa ≠ µB ≠ µC
Formulación literal:
H0: no existe diferencia significativa entre los tres programas de inducción.
H1: existe diferencia de por lo menos uno de los programas de inducción.
 Paso 2: Establecer el nivel de significancia.

Considerar α = 5%
 Paso 3: Realizar los cálculos.
SCT=SCTR
+ SCE
SCTT=
SC =SC
ΣΣXij
TR 2
– TC
+ SCE
SCT= ΣΣXij2 – TC
18
 SCT= (852+722+……+882) – 94464.29
SCT= 94716 – 94464.29
SCT = 251.71
SCTR= Σ Ti2/nj – TC
 SCTR = (3202/4)+(4052+4252)/5 – TC
SCTR = 94530–94464.29
SCTR = 65.71
 Paso 4: Construcción de la tabla ANVA
F.V S.C g.l C.M FC FT Decisión

Tratamiento 65.71 2 32.86
Error 186 11 16.91
Total 251.71 13

Tratamiento 65.71 2 32.86 1.94
Error 186 11 16.91
Total 251.71 13

Tratamiento 65.71 2 32.86 1.94 3.98
Error 186 11 16.91
Total 251.71 13

19
En resumen, la tabla ANVA:
ACEPTA
Tratamiento 65.71 2 32.86 1.94 3.98
(HO)
Error 186 11 16.91

Total 251.71 13
 Paso 5: Toma de decisión.

 Si FC < FT: Se acepta la HO
 Si FC > FT: Se rechaza la H0
 Paso 6 : formular las conclusiones y recomendaciones
CONCLUSIONES
 Se tomaron muestras de 3 programas de inducción.

 El nivel de significancia utilizado fue α= 0.05
 El FC= 1.94
 El FT = 3.98
 Como el FC fue menor que el FT se aceptó la hipótesis nula.
RECOMENDACIÓN
Se recomienda hacer un estudio para para saber si la producción de los

trabajadores es óptima o no.
Estos son los estadísticos que realmente nos interesan a la hora de realizar el
contraste de igualdad de medias. Cuando la diferencia entre los efectos de los
diferentes niveles sea muy baja, es de esperar que la cuasivarianza total sea
próxima a la intravarianza, o lo que es lo mismo, que la intervarianza sea
pequeña en relación con la intravarianza. Obsérvese la figura

20
Figura: En la
figura superior
no existe una
evidencia FIGURA 2
significativa en contra de que las medias de los tres grupos de observaciones

coinciden
FIGURA 1
COMO REALIZAR UNA TABLA EN ANVA

EJEMPLO
Se aplican 4 tratamientos distintos a 4 grupos de 5 pacientes, obteniéndose los

resultados de la tabla que se adjunta. Queremos saber si se puede concluir que
todos los tratamientos tienen el mismo efecto. Para ello vamos a suponer que
estamos en condiciones de aplicar el modelo de un factor.
Tratamientos Observaciones ni
Tratamiento 1 -1 1 2 0 -1 5 1 1/5 7
Tratamiento 2 -2 -4 -5 -4 -7 5 -22 484/5 110

21
Tratamiento 3 0 -1 -2 -4 -1 5 -8 64/5 22
Tratamiento 4 1 4 6 3 8 5 22 484/5 126
N=20 A=265
Fuentes de grados de Suma cuadrados Cuasivarianzas Estadístico

Variación libertad
Entre t-1=3 = B-C Fexp
tratamientos =204,15 =68,167 =18,676

Dentro de los N-t=16 = A-B Fteo = Ft-1,N-t
tratamientos =58,4 =3,65 =3,24
FIGURA: Se rechaza la hipótesis de que los ratamientos tienen el mismo efecto

en los tres grupos.
En conclusión, Fexp>Fteo, como se observa en la Figura anterior, por tanto se ha

de rechazar la igualdad de efectos de los tratamientos.

22
En la Figura se representan las observaciones de cada nivel de tratamiento

mediante una curva normal cuyos parámetros se han estimado puntualmente a
partir de las observaciones. Obsérvese que las diferencias más importantes se
encuentran entre Los tratamientos 2 y 4. Esto motiva los contrastes de
comparaciones múltiples (dos a dos), para que, en el caso en que la igualdad de
medias sea rechazada, se pueda establecer qué niveles tuvieron mayor
influencia en esta decisión.
Figura: Las diferencias más importantes se encuentran

entre los niveles 2 y 4.

23
CAPITULO IV:
DESARROLLO

24
1. ANOVA EN LA INGENIERIA
El análisis de la varianza (ANOVA) es una potente herramienta
estadística, de gran utilidad tanto en la industria, para el control de
procesos, como en el laboratorio de análisis, para el control de métodos
analíticos basados en la ingeniería conllevándonos a una buena toma de
decisión.
2. ANOVA APLICADO EN LA INGENIERIA INDUSTRIAL:
A) PRODUCCIÓN:
El área de producción o también llamada área o departamento de operaciones,

manufactura o de ingeniería, teniendo como función principal la trasformación de
insumos o recursos en productos finales (bienes y servicios).
Hoy por hoy suele subestimarse el

alcance de los sistemas productivos en el
proceso de obtener una ventaja
competitiva, dado a que distintos factores
y prácticas de vanguardia como la
innovación, la optimización de los flujos
logísticos y la implementación de nuevos
sistemas de información están dando resultados muy positivos debido a la
concientización de una buena toma de decisión, ya que solo es un paso de la
planeación que forma parte esencial de los procesos, ya que cada decisión
están relacionadas a las metas trazadas.
EJERCICIO 1
Un fabricante de cereales tiene que elegir entre tres colores para las cajas de
cereales: rojo, amarillo y azul. Para averiguar si el color influye en las ventas, se

25
eligen 16 tiendas de tamaño parecido. Se envían cajas rojas a 6 de estas tiendas,

cajas amarillas a 5 y cajas azules a las 5 restantes. Después de unos días, se
comprueba el número de cajas vendidas en cada tienda. La tabla adjunta
muestra los resultados (en decenas de cajas) obtenidos:
CAJAS DE CEREALES
ROJO AMARILLO AZUL
43 52 61
52 37 29
59 38 38
76 64 53
61 74 79
81
Complete la tabla del análisis de la varianza y contraste la hipótesis nula de que

las medias poblacionales de los niveles de ventas de las cajas de los tres colores
son iguales.
 Paso 0: completar la tabla original y calcular los términos de SCt
CAJAS DE CEREALES
ROJO AMARILLO AZUL
43 52 61
52 37 29
59 38 38
76 64 53
61 74 79
81
TOTAL 372 265 260 T..=897
n 6 5 5 N=16
TC=50288.06
H0: µA= µB = µC

26
H0: los niveles de ventas de las cajas de los tres colores son iguales.
H1: los niveles de ventas de las cajas de los tres colores son diferentes.

Considerar α = 5%
SCT=SCTR + SCE
 SCT= (432+522+……+792) – 50288.06

SCT= 54237 – 50288.06
SCT = 3948.94
 SCTR = (3722/6)+(2652+2602)/5 – TC
SCTR =50629 –50288.06
SCTR = 340.94

Error 3608 14 257.71
Total 3948.94 16

Tratamiento 340.94 2 170.47 0.66
Error 3608 14 257.71
Total 3948.94 16

27

Tratamiento 340.94 2 170.47 0.66 3.98
Error 3608 14 257.71
Total 3948.94 16

ACEPTA
Tratamiento 340.94 2 170.47 0.66 3.98
(HO)
Error 3608 14 257.71
Total 3948.94 16

CONCLUSIONES
 Se tomaron muestras de 3 cajas de cereales.

 El FC= 0.66
 El FT = 3.98
 Como el FC fue menor que el FT se aceptó la hipótesis nula.
RECOMENDACIÓN
Se recomienda seguir con la venta en estos 3 tipos de cajas de cereales, e

inclusive poder aumentar un color más, esto implicaría realizar un nuevo estudio,
todo con el objetivo de abarcar más mercado.
B) CONTROL DE CALIDAD

28
El control de calidad juega un rol importante en el desarrollo industrial, porque

es un factor imprescindible para el logro de los objetivos.
El control de calidad tiene como objetivo monitorear de forma continua la

cantidad y calidad del producto, diseño, instalación y mejoramiento operacional
de los sistemas integrados de los recursos humanos, materiales y equipos
organizados para la producción eficiente y eficaz.
Los objetivos de toda empresa se ajustan a un sistema de control y al tipo de

actividad que desea controlar. Por eso es importante que las empresas ajusten
a un estándar de calidad, ya que al hacer calidad se disminuyen los costos, y se
eleva la productividad.
Por eso la calidad está en la mira de la Ingeniería Industrial, ya que al hacer

calidad se disminuyen los costos, y se eleva la productividad, donde buscamos
la solución a los problemas dado que a una mala toma de decisión obtendremos
resultados desfavorables y esto nos puede generar problemas cuya solución es
costosas.
EJERCICIO 2
En una fábrica de automóviles se utiliza una misma planta para el ensamblaje de

tres modelos distintos (A, B y C). Para determinar si los modelos reciben el
mismo tratamiento, se ha realizado un control de calidad a una muestra tomada
para cada modelo. El número de defectos encontrados para cinco vehículos del
modelo A son 5, 4, 6, 6, 7 Y 5; para seis vehículos del modelo B son 7, 8, 6, 7, 6
y 5; y para ocho vehículos del modelo C: 9, 7, 8, 9, 10 y 11 Contrastar si existen
diferencias en el tratamiento que se da a los distintos modelos.
Modelo A Modelo B Modelo C

5 7 9
4 8 7
6 6 8
6 7 9
7 6 10

29
5 5 11
 Paso 0: Completar la tabla original y calcular los términos de la SCT; por

lo tanto la tabla quedaría de la siguiente manera:
Modelo A Modelo B Modelo C
5 7 9
4 8 7
6 6 8
6 7 9
7 6 10
5 5 11
TOTAL 33 40 54 T..=127
N 6 6 6 N= 18
TC =
896.055556
 Paso1: Formular las hipótesis.
H0: µA= µB = µC

30
H0: Los modelos reciben el mismo tratamiento
H1: Los modelos no reciben el mismo tratamiento
Considerar α = 5%
 Paso3: Realiza los cálculos.
SCT=SCTR + SCE
 SCT= (52+42+……+102+112) – 896.055556
SCT= 953 – 896.055556
SCT= 56.9444444
 SCTR = 934.166667– 896.055556
SCTR = 38.1111111

Tratamiento 38.1111111 2 19.0555556
Error 18.8333333 15 1.25555556
Total 56.9444444 17

31

Tratamiento 38.1111111 2 19.0555556 15.1769912
Error 18.8333333 15 1.25555556
Total 56.9444444 17

Tratamiento 38.1111111 2 19.0555556 15.1769912 3.68
Error 18.8333333 15 1.25555556
Total 56.9444444 17

Tratamiento 38.1111111 2 19.0555556 15.1769912 3.68 R (H0)
Error 18.8333333 15 1.25555556
Total 56.9444444 17

 Paso 6 : Formular las conclusiones y recomendaciones
CONCLUSIONES:
 Se tomaron muestras de 3 modelos de vehiculo

 El FC= 15.1769912
 El FT = 3.68

32
 Como el FC fue mayor que el FT se rechazó la hipótesis nula, por lo

tanto los modelos no reciben el mismo tratamiento.
RECOMENDACIÓNES:
Identificar mediante un análisis cuál de los 3 proveedores posee las piezas

estandarizadas y obtener un mayor beneficio.
C) CADENA DE SUMINISTRO
Es la gestión de los procesos clave de negocios, desde el proveedor al cliente,

donde involucra de manera directa a la empresa, donde va referido al análisis y
esfuerzo por mejorar procesos y lograr un flujo constante.
La ingeniería industrial abarca distintos puntos o áreas dentro del mundo de las
empresas de servicios y de producción, las empresas suelen recurrir a la
tercerización o subcontratación para sus actividades con el objetivo de ser más
dinámicos, competitivos y reducir costos.
La tercerización de funciones logísticas es una práctica que exhibe una

tendencia creciente debido a que se reconoce como opción para decrecer
costos, incrementar la eficiencia de las operaciones logísticas y lograr una
cadena de suministros más flexible e integrada
EJERCICIO 3
Tres proveedores suministran piezas en envíos de 500 unidades. Se han

comprobado minuciosamente muestras aleatorias de seis envíos de cada uno
de los tres proveedores y se ha anotado el número de piezas que no se ajustan
a las normas. La tabla muestra este número.
PROVEEDOR PROVEEDOR PROVEEDOR

A B C
28 22 33

33
PROVEEDORES
A B C
28 22 33
37 27 29
34 29 39
29 30 33
31 18 37
33 30 38
TOTAL 192 156 209 T..=557
n 6 6 6 N= 18
TC =
17236.1
37 27 29
34 29 39
29 30 33
31 18 37
33 30 38
Probar al 5% si existen piezas que no se ajustan a las normas establecidas por

el comprador
 Paso 0: Completar la tabla original y calcular los términos de la SCt

34
H0: µA= µB = µC
H0: El envío de las piezas se ajusta a las normas establecidas.
H1: El envío de las piezas no se ajusta a las normas establecidas.
Considerar α = 5%
SCT=SCTR + SCE
 SCT= (282+372+……+382) – 17236.1
SCT= 17731 – 17236.1
SCT = 494.9
 SCTR = 17480 – 17236.1

SCT = 243.9


35
Error 251.0 15 16.7

Total 494.9 17

Tratamiento 243.9 2 121.95 7.30
Error 251.0 15 16.7
Total 494.9 17

Tratamiento 243.9 2 121.95 7.30 2.866
Error 251.0 15 16.7
Total 494.9 17

RECHAZA
Tratamiento 243.9 2 121.95 7.30 2.866
(HO)
Error 251.0 15 16.7
Total 494.9 17

CONCLUSIONES
 Se tomaron muestras de 3 proveedores

36

 El FC= 7.30
 El FT = 2.866
 Como el FC fue mayor que el FT se rechazó la hipótesis nula.
RECOMENDACIÓN
Identificar mediante un análisis cuál de los 3 proveedores posee las piezas

estandarizadas y obtener un mayor beneficio.
EJERCICIO 4
Suponga que se desea saber si los ejes que surten cuatro proveedores tienen
diferente resistencia a la tracción. Para ello se decide llevar a cabo un
experimento de un solo factor donde la variable dependiente es la resistencia a
la tracción del eje medida en Kgs/cm2 y el factor es el proveedor. El factor tiene
cuatro niveles o tratamientos diferentes. Uno para cada proveedor (llámelos I, II,
III, IV) se decide probar 5 ejes de cada proveedor haciendo un total de 20
pruebas ejecutadas en la misma máquina de prueba y con él mismo operario
(recuerde que el resto de los factores se deben de mantener a un nivel fijo).
Para que el experimento sea aleatorio se numeran los ejes del 1 al 20 y se

selecciona al azar un número entre 1 y 20. Según él numero seleccionado es el
siguiente eje que se prueba. De esta manera, el siguiente eje a probar es
seleccionado sin ninguna restricción. Suponga que los resultados de
experimento se muestran en la tabla siguiente:
PROVEEDOR
I II III IV
56 64 45 42
55 61 46 39
62 50 45 45
59 55 39 43

37
60 56 43 41
Totales Promedios
Yi Yi.
I 56 55 62 59 60 292 58.4
II 64 61 50 55 56 286 57.2
III 45 46 45 39 43 218 43.6
IV 42 39 45 43 41 210 42
Y..= 1006 40.24 Y ..
H0: µA= µB = µC
H0: se desea saber si los ejes que surten cuatro proveedores tienen diferente
resistencia a la tracción
H1: No hay diferencia de tracción

38
Considerar α = 5%
SCT=SCTR + SCE
4 5
 Yij
j1 i1
2
 562  552  ...  412  51940
Entonces, calculando las sumas de cuadrados tenemos que:
 SCT = 51,940 – (10062)/20
SCT = 1338.2
 SCtr = 2922/5 + 2862/5 + 2182/5 + 2102/5 –10062/20
SCtr = 1,135.0
 SCE = SCT – SCtr = 1338.2 – 1135.0

SCE = 203.2
 MStr = SCtr/(k-1) = 1135.0/(3 - 1)

MStr = 378.2

39
 MSE = SCE/(n-k) = 203.2/(20-4)

MSE = 12.70
 Paso 4: Construccion de la tabla ANVA
Esto se resume en la siguiente tabla:
FUENTE
SS G.L. MS Fc Ft
DE ERROR
MStr/MSE
Factor o tratamientos SCtr=1135 k – 1 = 3 MStr =378.3 3.24
= 29.79
Error SCE=203.2 N – k = 16 MSE=12.7
Total SCT=1338.2 N – 1 = 19

 Paso 6: Formular las conclusiones y recomendaciones
CONCLUSIONES:
 Donde F0= MStr/MSE = 378.3/12.70=29.79 con 3 grados de libertad en el

numerador y 16 grados de libertad en el denominador.
 Si el nivel de aceptación (error tipo I) lo fijamos en 5%, esto es,  = 0.05,
de la tabla de la función F se tiene que:

40
F,3,16 = 3.24
 Dado que F0 = 29.79 > 3.24= F0.05,3,16
 Se concluye que Ho se rechaza y el factor proveedor afecta la variable

resistencia a la tracción.
RECOMENDACIONES:
Como no hay diferencia de tracción se entre los cuatro proveedores podría

decirse q el análisis del mercado es favorable para el comprador y le permite
tener más opciones
D) MARKETING
El marketing es una filosofía que nos dice que las empresas e instituciones
deben tener el merado dentro de ella si no afuera como generalmente ocurre.
Esto nos indica que las empresas no deben de tomar ningún tipo de decisiones,
de inversión, producción, comunicación, de precios, entre otros,
Las empresas están empezando a descubrir la importancia del marketing,

primero porque la competencia intencional los está obligando, y en segundo
lugar porque está pareciendo segmentos del mercado interno nuevos y que se
desconocía (las nuevas clases medias, provincias, entre otro). Está surgiendo
en la actualidad una nueva clase empresarial que sabe que el éxito depende de
cuan bien comprenda a las necesidades del mercado.
En un entorno cada vez más global y cambiante como el actual, la empresa

necesita disponer de información a tiempo para definir la estrategia de marketing
más adecuada. A partir de las investigaciones de marketing y del resto de los
elementos que configuran el sistema de información de marketing, la empresa
obtiene conocimientos cuya disponibilidad constituye una ventaja competitiva
para la empresa puesto que le permite tomar las decisiones más oportunas.
EJERCICIO 5

41
El departamento de marketing de una empresa desea estudiar la repercusión de

sus campañas publicitarias en las cifras de ventas de uno de sus productos. Se
realizaron tres campañas diferentes, cada una en una provincia de la misma
Comunidad Autónoma. Las tres campañas tenían diferentes características en
cuanto al medio de comunicación utilizado. La campaña A se centraba en la
prensa escrita, la B en las emisoras de radio y la C en anuncios en vallas
publicitarias. Durante los tres primeros meses, las cifras de ventas (en cientos
de unidades) en cinco tiendas fueron las siguientes:
VENTAS (en ciento de

MEDIO DE COMUNICACIÓN
unidades)
PRENSA 30 20 35 42 60
RADIO 85 73 92 86 75
VALLAS 40 28 39 41 50
Se desea contrastar, a un nivel de confianza del 95%, si existen diferencias

significativas en cuanto a las cifras medias de ventas según el tipo de campaña
publicitaria utilizada y, si es así, determinar entre qué tipos de campaña se dan
tales diferencias.

42
H0:
MEDIO DE COMUNICACION
µA=
A B C
µB =
30 85 40
µC
20 73 28
H1:
35 92 39
µa ≠
42 86 41
µB ≠
60 75 50
µC
TOTAL 187 411 198 T..=796
n 5 5 5 N= 15
TC =
42241.07
H0: si existen diferencias significativas en cuanto a las cifras medias de ventas

según el tipo de campaña publicitaria utilizada
H1: no existen diferencias.
Considerar α = 5%
SCT=SCTR + SCE
 SCT=(302+202+…..502)-42241.O7
SCT=50014-42241.07

43
SCT =7772.93
 SCTR =48618.8-42241.07
SCTR =6377.73

Tratamiento 6377.73 2 3188.865 3
Error 1395 12 116.25
Total 7772.93 14

Tratamiento 243.9 2 121.95 27.4
Error 251.0 15 16.7
Total 494.9 17

Tratamiento 6377.73 2 3188.865 27.4
Error 1395 12 116.25
Total 7772.93 14

44
Tratamiento 6377.73 2 3188.865 27.4 3.74 RECHAZA

(HO)
Error 1395 12 116.25
Total 7772.93 14

 Paso 6 : Formular las conclusiones y recomendaciones
CONCLUSIONES
 Se tomaron muestras de 3 productos

 El FC= 27.4
 El FT = 3.74
 Como el FC fue mayor que el FT se rechazó la hipótesis nula.
RECOMENDACIÓN
Identificar mediante un análisis cuál de los 3 proveedores no existe diferencia

eso lleva a cabo una mejora en el are de ventas ya se mejor publicidad u otras.

45
CONCLUSIONES
 Gracias a una buena concientización, elegiremos una toma de decisión

con llevándonos a buenos resultados en nuestra organización.
 El análisis de varianza aplicado la ingeniería es de suma importancia ya

que se involucra en cada tema para su posterior desarrollo.
 En nuestros días los mercados globales nos obligan a desarrollar nuestras

ventajas competitivas tanto como organización, industria y
específicamente como profesionales en la ingeniería.

46
RECOMENDACIONES
De acuerdo a las conclusiones obtenidas en la elaboración de este trabajo, se

presentan a continuación una serie de recomendaciones:
 Se recomienda un sistema administrativo y contable, que nos permita

observar sistemáticamente toda la información de la vida de la empresa,
para que esta sea procesada y analizada, permitiendo así una toma de
decisiones veraz, precisa y oportuna.
BIBLIOGRAFIA

47
FUENTES BIBLIOGRÁFICAS
 HAROLD KOONTZ / HEINZ WEIHRICH. (1998), Administración
 una Perspectiva Global.
 LEVIN RICHARD Y RUBIN DAVID S. (1996), Estadística para
 Administradores Sexta edición. Prentice Hall.
 MASON / LIND / MARCHAL. (2001). Estadísticas para
 Administración y Economía. México. Editorial Alfaomega.
FUENTES ELECTRÓNICAS
 www. Análisis de la Varianza. Com
 http://riull.ull.es/xmlui/bitstream/handle/915/312/La%20actividad%20agro
alimentaria%20en%20Santa%20Cruz%20de%20Tenerife%20y%20su%
20cadena%20de%20suministro..pdf?sequence=1
 http://intellectum.unisabana.edu.co/bitstream/handle/10818/7467/Helga
%20Johana%20Hern%C3%A1ndez%20Hern%C3%A1ndez_Trabajo.pdf
?sequence=1&isAllowed=y
 file:///C:/Users/PIPA/Downloads/An%C3%A1lisis%20de%20varianza%20
-%20Ejercicio%20_PRUFAI_.pdf
 http://www.arellanomarketing.com/inicio/la-importancia-del-marketing-en-
la-actualidad/

48

ANVA

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

ANVA

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL JOSÉ

FAUSTINO SANCHEZ CARRIÓN

Curso: Estadística Aplicada I

Un agradecimiento en especial a nuestro profesor Víctor Silva Toledo por su

APLICACIONES DE ANALISIS DE VARIANZA

Agradecemos de ante mano al grupo en general por el apoyo brindado en

Agradecer hoy y siempre a nuestros familiares por el esfuerzo realizado en su

APLICACIONES DE ANALISIS DE VARIANZA

1. Objetivos del tema………………………………………………….………………10

APLICACIONES DE ANALISIS DE VARIANZA

Estos conocimientos actualizados se dan en muchas áreas de la ingeniería:

El criterio de un investigador debe estar referido a muchos factores y uno de los

APLICACIONES DE ANALISIS DE VARIANZA

proyecto de investigación supone el uso de por lo menos una herramienta

Las herramientas empleadas en una investigación, en este caso las que

La información que consideramos confiable es aquella que nos permita como

El impacto que se tenga en la ingeniería, como se ha descrito anteriormente,

APLICACIONES DE ANALISIS DE VARIANZA

APLICACIONES DE ANALISIS DE VARIANZA

- Analizar el análisis de varianza, como herramienta en la toma de

- Identificar las herramientas estadísticas potencialmente útiles en los

La estadística constituye para el investigador un instrumento que le permitirá o

Las limitaciones que se encontraron en el presente trabajo de investigación

APLICACIONES DE ANALISIS DE VARIANZA

1. BREVE RESEÑA HISTORICA:

La primera aparición de estudios de componentes de varianza de Airy (1861) y

A los trabajos de Fisher le siguieron los

Muchos de los avances en esta área de estimación de componentes de varianza,

APLICACIONES DE ANALISIS DE VARIANZA

Un trabajo muy importante sobre el desarrollo en los años subsiguientes es el de

Ahora bien, la mayoría de estas aplicaciones genéticas eran con datos no

APLICACIONES DE ANALISIS DE VARIANZA

APLICACIONES DE ANALISIS DE VARIANZA

 MUESTRA: Es un subconjunto o parte de una población. El tomar

 MUESTRA ALEATORIA: Viene hacer la muestra elegida al azar, es la

 POBLACION: También llamada UNIVERSO, es el conjunto de elementos

 HIPOTESIS: Es el enunciado acerca del valor del parámetro poblacional.

 VARIANZA: Es una media de dispersión definida como la esperanza del

 FUNCIÓN DE DISTRIBUCIÓN: Función que hace corresponder a cada

 CONTRASTE DE HIPÓTESIS: Es el conjunto de reglas establecidas para

 VARIABLE ALEATORIA: Toda función que tomas diferentes valores

 VARIABLE ALEATORIA DISCRETA: Son aquellas que tienen un

 VARIABLE ALEATORIA CONTINUA: Son aquellas que pueden tomar

 VARIABLE CATEGÓRICA: Es aquella que clasifica cada individuo de la

APLICACIONES DE ANALISIS DE VARIANZA

 ESTADÍSTICA DESCRIPTIVA: Es el procedimiento estadístico que

 ESTADÍSTICA INFERENCIAL: Es el procedimiento estadístico que sirve

 GRADOS DE LIBERTAD: Es el número de observaciones linealmente

 HIPÓTESIS ALTERNATIVA: Es el aquel enunciado que no niega, ni

 HIPÓTESIS NULA: Es aquella que niega, lo que afirma la hipótesis de

 MEDIA: También conocida como la media aritmética, que viene hacer el

 NIVEL DE CONFIANZA: Es la probabilidad de que la estimación que se

 NIVEL DE SIGNIFICANCIA: Es el riesgo que se asume, acerca de

 PRUEBAS NO PARAMÉTRICAS: Pruebas de hipótesis que implican

 REGIÓN DE ACEPTACIÓN: Es el conjunto de valores de la estadística

 REGIÓN DE RECHAZO O REGIÓN CRÍTICA: Es el conjunto de valores

APLICACIONES DE ANALISIS DE VARIANZA

ANALISIS DE VARIANZA [ANVA]

El análisis de varianza es un método para comparar dos o más medias, en la

También podemos decir que es una colección de modelos estadísticos y sus

Un factor fijo (niveles establecidos por el investigador) que

El modelo puede contener cualquier número de factores

2. ANOVA CON UN FACTOR

El análisis de la varianza de un factor se utiliza para comparar el valor medio de