Estadisticaaplicadaalaeducacinsuperior 130518195819 Phpapp01

ESCUELA
MILITAR
DE
INGENIERIA
UNIDAD
ACADMICA
SANTA
CRUZ
UNIDAD DE POSTGRADO
ESTADSTICA
SUPERIOR
APLICADA
LA
Por: Ing. M.Sc. Francisco Martnez Solaris

Mgs. En Educacin Superior
Santa Cruz, Mayo del 2013
EDUCACIN
INTRODUCCION
La investigacin sobre el aprendizaje y la enseanza ha avanzada tremendamente, y los

investigadores buscan contribuir a la mejora de la educacin. Sin embargo, continan las quejas
sobre la brecha entre la teora/investigacin por un lado, y las prcticas educativas, por el otro.
Una manera potencial para remediar la brecha entre teora y prctica es llevar a cabo
experimentos de diseo que:
- Buscan desarrollar una ciencia de diseo de la educacin.
- Puedan guiar el desarrollo de ambientes de aprendizaje eficaces novedosos
La experimentacin es instrumento de vital importancia para la investigacin ya que por medio

de ella, el investigador es capaz de simular un fenmeno de inters, lo que conduce a una
investigacin ms rpida, efectiva, de menor riesgo y con un rigor cientfico, siempre y cuando
exista una previa planificacin de la investigacin.
Existen diferentes tipos de investigaciones que pueden generar conocimientos ya sean bsicos o
bien aplicables. Independientemente del tipo de conocimiento que genere una investigacin, ste
tiene que someterse a una valoracin cientfica. Para esto la estadstica ofrece herramientas
como los DISEOS EXPERIMENTALES de los cuales el investigador se vale para demostrar
sus conjeturas, aceptar o no una hiptesis, comparar resultados, emitir conclusiones, etc. acerca
del problema o fenmeno en estudio.
"Las teoras basadas en ideologas carecen de experimentacin, y por ello, no son ciencia, lo
que no se demuestra con experimento es poltica. Lo que se demuestra con experimentacin, es
ciencia (Robert Laughlin, Premio Nobel de Fsica 1998).
Ing. M.Sc. Francisco Martnez Solaris
Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior
1. REGRESION Y CORRELACION LINEAL SIMPLE

1.1 Regresin Lineal Simple
En muchas reas de la investigacin cientfica, la variacin en las mediciones de una

variable en estudio es causada preponderantemente por otras variables relacionadas cuyas
magnitudes cambian en el curso del experimento. La incorporacin explcita de los datos de
estas variables que influyen en el anlisis estadstico, permite conocer la naturaleza de las
relaciones y utilizar esta informacin para mejorar la descripcin y las inferencias de las
variables de inters primario.
Al probar las relaciones entre variables es importante que el valor de la variable pueda ser
predicha de las observaciones de otra variable o an controladas y optimizadas
manipulando los factores de influencia.
El anlisis de regresin es un conjunto de mtodos estadsticos, que tratan con la
formulacin de modelos matemticos que describen las relaciones entre variables y el uso
de estas relaciones modeladas con el propsito de predecir e inferir.
Supuestos del modelo de Regresin Lineal Simple
Al igual que en otros tipos de anlisis estadsticos, el modelo de Regresin Lineal Simple
se basa en ciertos supuestos que a continuacin se detallan.
Supuesto 1. "Y" es una variable aleatoria cuya distribucin probabilstica depende de
"X"
Este supuesto quiere decir que para cualquier valor de "X", "Y" es una variable aleatoria
con cierta distribucin probabilstica con media y/x y y/x. Note que esta suposicin
solamente implica que "Y" es una variable aleatoria que depende de "X", y no toma en
cuenta la forma lineal. Por otra parte, significa que la variable X se mide sin error y fijada
por el investigador.
Supuesto 2. Modelo de la lnea recta
Esta suposicin requiere que la ecuacin para y/x sea una lnea recta, es decir que y/x = 0
+ 1Xi y, por lo tanto, que la ecuacin de dependencia sea Y = 0 + 1Xi + . Con esta
restriccin, la lnea que une a y/x debe de ser una recta, por lo tanto se puede tener una de
las siguientes situaciones:
Y
Puede ser que se tenga una relacin positiva entre las variables X y Y, esto quiere decir que
a medida que aumenta X, Y tambin aumenta.
Otra situacin que se puede dar es una relacin inversa, es decir, que a medida que aumenta
X, Y disminuye.
En el ltimo caso se recurre al hecho de que regresin tambin se entiende como la
tangente inversa del ngulo de inclinacin de una recta. En los dos primeros casos las rectas
tienen pendiente y en el tercer caso, no hay pendiente lo cual indica que no existe regresin
lineal entre ambas variables.
Supuesto 3. Homogeneidad de varianza
Esta suposicin es muy importante en el anlisis de regresin. La varianza de la
distribuciones de "Y" son idnticas para todos los valores de "X". En otras palabras, se
supone que y/x1 = y/x2 = y/xn = , donde es la varianza comn (desconocida) para
todas las distribuciones de "Y", independientemente del valor de "X". Esto quiere decir,
que la media de "Y" se modifica con el valor de "X", pero la varianza se mantiene
constante.
Supuesto 4. Independencia
Los valores de "Y" debern ser estadsticamente independiente. Un ejemplo donde se viola
este supuesto es cuando se realizan mediciones de peso a un mismo individuo en un lapso
menor a una hora.
Supuesto 5. Normalidad
La distribucin de "Y" para cualquier valor de "X" es normal. Esto equivale a suponer que
la variable aleatoria no observable es normal y su media es cero ya que "X" se toma
como variable no aleatoria susceptible a ser manipulada por el investigador.
Todos los supuestos anteriores se pueden resumir en los siguientes:

1. "Y" es una variable aleatoria cuya distribucin probabilstica depende del valor de "X".
2. La ecuacin de regresin es una lnea recta.
3. Homogeneidad de varianza.
4. Independencia de las observaciones lo que implica que los errores son independientes.
5. Normalidad.
En la Figura 1 se muestran los supuestos de normalidad y homogeneidad de varianza.
1.2. Diagrama de Dispersin

Este diagrama tiene por objetivo dar una idea de la posible relacin existente entre la
variable dependiente Y y la independiente X.
Para realizar un diagrama de dispersin se coloca en el eje de las abscisas los valores
correspondiente a la variable independiente X y en el eje de las ordenadas los valores de la
variable dependiente Y. Luego se colocan puntos en la interseccin de los valores de ambas
variables. Un ejemplo de lo anterior se muestra en seguida.
Los datos que se muestran a continuacin corresponden a la produccin en miles de
millones de dlares de 10 empresas y sus costos de produccin de las mismas en miles de
millones de dlares.
Para construir un diagrama de dispersin lo primero que se tiene que hacer es determinar
quin es la variable dependiente y quin es la variable independiente, es decir, establecer la
relacin entre dichas variables. Esta relacin debe ser lo ms natural posible.
En el caso del problema, es de suponerse que a medida que aumenta la produccin tambin
se incrementarn los costos de produccin por todo lo concerniente a ello (materia prima,
horas hombres, gastos de energa, etc.). Entonces definimos a X, variable independiente, a
la Produccin y a Y, variable dependiente, a los costos de produccin. De acuerdo a esto se
tiene lo siguiente:
Produccin (X)
(miles de millones de $us)
10
18
12
16
22
36
30
32
26
12
Costo (Y)
(miles de millones $u)
3
5
4
5
8
12
10
14
12
3
El diagrama de dispersin quedara de la siguiente forma:
Costo (Miles de millones $us)
16
14
12
10
8
6
4
2
0
0
10
15
20
25
30
35
40
Produccin (Miles de Millones $us)
De acuerdo a la informacin que proporciona el diagrama de dispersin se puede observar

que a medida que aumenta la produccin de las industrias, aumentan los costos de
produccin de las mismas, es decir, se concluir que existe una relacin positiva entre estas
variables y adems se puede ver que esta relacin tiende a ser lineal.
1.3. Mtodo de Mnimos Cuadrado

Como lo plantea el supuesto 2 del modelo de regresin lineal simple, "Modelo de la Lnea
Recta", que de existir una relacin entre X y Y, sta debe ser una lnea recta. Entonces a
partir de muestra (x1, y1), (x2, y2),..., (xn, yn), de las variables "X" y "Y", se trata de
obtener una ecuacin que represente la relacin entre dichas variables. El modelo del cual
se habla es de una ecuacin punto pendiente como sigue:
El problema de esta modelo es que sus componentes son parmetros y por lo tanto, son
estados desconocidos de la naturaleza generalmente. Es por ello que es necesario obtener
estimadores de 0 y 1 para estimar adecuadamente la recta de regresin y/xi. El
estimador de y/xi se denota por:
Para llegar a obtener estos estimadores se hace uso de la tcnica propuesta por Carl Gauss
(1777-1855). Este mtodo se basa en la idea de obtener estimadores para los componentes
del modelo que minimicen la suma de cuadrados de las distancias entre los valores
observados (Yi) y los estimados ( ). Esto significa que se tiene que minimizar la suma de
cuadrados de las longitudes de los segmentos de las lneas verticales que unen los datos
observados con la recta estimada como se muestra en la Figura 3.
A la tcnica antes mencionada se le denomina "Tcnica de Mnimos Cuadrados". Usando

notacin matemtica, el mtodo de mnimo cuadrados consiste en encontrar los estimadores
de 0 y 1.
Al aplicar la tcnica de mnimos cuadrados se llegan a obtener las ecuaciones de trabajo de

y 1^ (en este caso se ha omitido los procesos de derivacin mediante el cual se llega a
obtener las frmulas de trabajo). Estas ecuaciones son las siguientes:
. Donde:
Coeficiente de Regresin
Intercepto de la recta de estimacin
Ejemplo:
Retomando los datos que se utilizaron para construir el diagrama de dispersin y aclarando
que X es Produccin (miles de millones de $us) y Y Costos (miles de millones de $us)
y haciendo uso de las ecuaciones derivadas a travs de la tcnica de mnimos cuadrados se
tiene lo siguiente:
Totales
Promedio
XY
X2
Y2
10
30
100
18
90
324
25
12
48
144
16
16
80
256
25
22
176
484
64
36
12
432
1296
144
30
10
300
900
100
32
14
448
1024
196
26
12
312
676
144
12
36
144
214
21.4
76
7.6
1952
5348
732
= 0.423738, Coeficiente de regresin
; Intercepto, por lo tanto la
ecuacin de estimacin quedara de la siguiente manera:
; o bien se puede decir que:
Costos = 0.423738 (Produccin) 1.46798

Un aspecto que no se debe olvidar es que el propsito de la Regresin Lineal Simple es el
de predecir el comportamiento de una variable dependiente a travs del conocimiento de
una variable independiente, es por ello que se debe estar seguro que la ecuacin de
estimacin sirve para este propsito (que existe regresin lineal simple). Por esta razn es
que la ecuacin de estimada debe ser sometida a un proceso de validacin.
1.4. Validacin de la Ecuacin de Estimacin
Este proceso se puede realizar de dos maneras a saber:
A travs del Clculo del Coeficiente de Determinacin (R2)
Por medio del Anlisis de Varianza de la Regresin (ANARE)
Coeficiente de Determinacin (R2) o Variabilidad (varianza explicada)

El Coeficiente de Determinacin, R2, indica el porcentaje de la variabilidad de Y que
puede ser explicada o debida a X, es por ello que mientras ms cerca est del 100% es
mucho mejor. Esto es debido a que se trata de predecir el comportamiento de Y a travs
del conocimiento de X, es por ello que es deseable que el mayor porcentaje de la
variabilidad de la variable dependiente sea debida a X, a tal punto que hay autores que
consideran que la ecuacin es buena o sirve para predecir si R2 70%.
El coeficiente de Determinacin se calcula a travs de la siguiente ecuacin:
( )
( )
( )
(
) (
)
Para el caso del ejemplo anterior el R2 es el siguiente:
(
(
)
)(
)
)
Este dato indica que del 100% de la variabilidad de Y (Costos), el 89.36% es debido a X
(Produccin), por lo tanto tambin se puede concluir que existe un 10.64% de variabilidad
de Y (Costos) que no es debida a X (Produccin), a esto se le conoce como variabilidad no
explicada. En este caso se puede concluir tambin que la ecuacin estimada sirve para
predecir (existe regresin lineal simple.
Anlisis de Varianza de la Regresin Lineal Simple (ANARE)
De forma general se entienden por anlisis de varianza a la particin de la variabilidad total
en fuentes de variacin conocidas que en el caso de regresin lineal son las siguientes:
debida a la regresin
debida a otras causas (error)
Para tratar de ser un poco ms explcito, estas dos fuentes de variacin se derivan del
modelo aditivo lineal de la regresin lnea simple el cual es:
Esto tiene correspondencia con una tabla de varianza o salida de
varianza que para regresin lineal simple es la siguiente:
FV
Regresin
Error
Total
gl
1
n-2
n-1
SC
SCRegresin
CM
Fc
Ft
(, glreg, glerr)
SCError
SCTotales
La primera columna encabezada por FV (Fuentes de variacin) es donde se declara las

fuentes de variacin en las que se est partiendo la variabilidad total. Ntese que en esta
tabla no se incluye el efecto de
, ya que ste es una constante por lo tanto no es una
fuente de variacin.
La segunda columna encabeza por gl (Grados de Libertad). De forma general grados de

libertad es n-1, para el caso de la fuente de variacin debida a regresin siempre es 1 ya
que son dos los parmetros que se estiman, 0 y 1, por lo tanto, 2-1 = 1. Es por ello que
para el ANARE de regresin lineal simple, esta fuente de variacin siempre tiene 1 grado
de libertad y los grados de libertad del error, siempre en este caso, son n-2. Por n se
entiendo al conjunto de pares de datos X Y.
La tercera columna es la de Suma de Cuadrados (SC) que vienen a ser los componentes de
las varianza a estimar cuyas ecuaciones de trabajo son las siguientes:
(
(
La cuarta columna es para los Cuadrados Medios (CM) que viene a ser las estimaciones
propiamente dichas de las varianza de cada una de las fuentes de variacin. Estas resultan
de dividir las sumas de cuadrados de stas entre sus grados de libertad.
La quinta columna denominada como Fc se refiere a los F calculados que resultan de
dividir el cuadrado medio de regresin entre el cuadrado medio del error, es decir, de la
variabilidad no debida a la regresin. Es por ello que el error se considera como un trmino
de comparacin entre la variabilidad debida a regresin y el mismo. Si el cuadrado medio
del error es mayor que el cuadrado medio de regresin, el resultado que se obtendr ser
pequeo y posiblemente menor que el valor de la siguiente columna Ft o F de tabla,
valor que se extrae de una tabla de F con un nivel de significancia, grados de libertad de
regresin y los grados de libertad del error.
Para entender mejor lo anterior se debe de partir del juego de hiptesis que se prueba en un
ANARE. Este es:
Ho: 1 = 0
Ha: 1 0
La hiptesis nula (Ho) asume el efecto de igual o nulidad de efecto y es la hiptesis que se
somete a prueba. Partiendo del hecho de que asume el efecto de nulidad, en este caso indica
que no existe regresin lineal simple, y asume que la relacin entre X y Y es una lnea recta
sin pendiente, es por ello que es igual a cero.
Por hiptesis alternativa se entiende aquella que contradice a la hiptesis nula y que es
aceptada una vez que se rechaza la hiptesis nula. Es por ello que est como 1 0 ya que
una igualdad se contradice con una desigualdad. Esto significa que la recta tiene pendiente,
es decir, que existe regresin lineal simple.
Ahora bien, todo el ANARE se hace para realizar la prueba de hiptesis de que si existe o
no regresin lineal simple.
Se entiende como prueba de hiptesis al proceso a travs del cual se prueba la plausibilidad
de una hiptesis.
Al realizar la prueba de hiptesis se debe llegar una decisin de aceptar o rechazar Ho.
Cundo no se rechaza Ho?, cuando el Fc Ft y se rechaza cuando el Fc Ft. A lo anterior
se le llama Regla de Decisin la cual es la siguiente:
No Rechazo de Ho si Fc Ft
Rechazo de Ho si Fc Ft
Si la hiptesis nula no se rechaza significa que no existe regresin lineal simple, por lo
tanto la ecuacin estimada no sirve para predecir, si se rechaza Ho, inmediatamente se
acepta la hiptesis alternativa la que indica que s existe regresin lineal simple.
Un aspecto que todava no se ha aclarado es Nivel de Significancia, , entendido como
la probabilidad de tomar una decisin equivocada (conocido tambin como Error Tipo I) es
por ello que los valores del son pequeos 0.1.
Haciendo el ANARE a un = 0.01 se tiene lo siguiente:
(
= 154.4
(
Vaciando esta informacin en la tabla de ANARE se tiene lo siguiente y obteniendo el

valor de F de la tabla correspondiente a: 0.01, 1 y 8 se tiene que este es: 11.26
FV
Regresin
Error
Total
gl
1
8
9
SC
137.6897
16.4310
154.4
CM
137.6897
2.053875
Fc
67.0389
Ft
11.26
De los resultados de la tabla se puede observar que el Fc es mayor que el Ft lo cual

indica que existe suficiente evidencia para rechazar la hiptesis nula, es decir, que existe
regresin lineal simple y por lo tanto se dice que la ecuacin estimada sirve para predecir el
comportamiento de Costos (Y) a travs del conocimiento de Produccin (X).
Cuando se realiza un anlisis de varianza de la regresin se debe emitir una conclusin que
podra ser la siguiente:
De acuerdo al anlisis de varianza realizado se concluye con un 99% de confiabilidad, (1
0.01)*100, que existe regresin lineal simple.
Una vez que se ha comprobado que la ecuacin estimada es buena (hay regresin lineal) el
siguiente paso sera interpretar los componentes de la recta de estimacin.
1.5. Interpretacin de los Componentes de la Ecuacin de Estimacin

Cuando se hacer una interpretacin, sta debe ser aplicada al problema en cuestin. En el
caso del ejemplo que se ha venido desarrollando sera el siguiente:
1: Este es el coeficiente de regresin que indica la cantidad de cambios que experimenta
Y por un cambio en X. En este caso indica que por Un mil millones de dlares que
se incremente la produccin, los costos se incrementarn en 0.423738 miles de
millones de dlares. Esto porque la pendiente encontrada fue positiva, si hubiera sido
negativa, se dira que disminuira esa cantidad.
0: No siempre tienen interpretacin aplicada al problema, es decir, una interpretacin
lgica, es por ello que comnmente se le interpreta desde el punto de vista matemtico
como el punto donde la recta de estimacin corta al eje de las ordenadas cuando X
toma el valor de cero. En el caso del ejemplo, 0 =-1.46798, esto estara indicando que
cuando la produccin es cero, los costos son de -1.46798 miles de millones de dlares.
Como se ve esta interpretacin carece de lgica lo cual hace que se interprete como se
ha mencionado anteriormente.
Existen casos donde si existe interpretacin lgica como lo muestra el trabajo de

investigacin realizado por Martnez (1995) donde ajust pesos de becerros al nacimiento.
1.6. Dibujo de la Recta de Estimacin

Cualquier recta se define por dos puntos y en el caso de la recta de regresin lineal simple,
sta pasa por dos puntos obligados cuyas coordenadas son: (
)y(
0). La recta de
estimacin debe dibujarse dentro del rea de exploracin, es decir, el rea determinada por
el diagrama de dispersin que donde se tiene informacin de ambas variables.
Para el caso del ejemplo que se ha venido tratando la grfica de la recta de estimacin sera
como se muestra a continuacin.
Costo (miles de millones de $us)
16
y = 0.4237x - 1.468
R = 0.8936
14
12
10
8
6
4
2
0
0
10
15
20
25
30
35
40
Produccin (miles de millones de $us)
1.7. Regresin no Lineal

Este tipo de regresin no es objeto de desarrollo del presente documento ya que se
consideran para cursos superiores de estadstica lo que se trata es dejar plasmado que una
relacin entre dos variables no siempre es una lnea recta, sta puede ser logartmica,
exponencial o bien cuadrtica o cbica. Uno de los criterios para definir el ajuste de modelo
es el R y adems el Cuadrado Medio del Error del anlisis de varianza. En estos casos el
diagrama de dispersin es importante para determinar esas posibles relaciones.
Regresin Mltiple
No siempre la dependencia en caso de existir se pueda deber a una sola variable, puede ser
que Y como variable dependiente se vea afectada por ms de una variable independiente,
en este caso se habla de regresin lineal mltiple, aspecto que no se desarrolla en este
documento.
1.8. Correlacin Lineal Simple

As como existen tcnicas que cuantifican los cambios de una variable dependiente por un
nico cambio de la variable independiente, existen tcnicas que cuantifican la asociacin
lineal entre dos variables, esta tcnica es llamada Correlacin Lineal Simple que se exprese
como el coeficiente de correlacin (r). Este coeficiente indica el sentido de la asociacin
como tambin la magnitud de sta, partiendo del hecho que el coeficiente de correlacin
lineal simple toma valores en el rango de: r es 0 r 1. Entre ms se acerca a 1 el valor de r
mayor es la asociacin entre dichas variables.
De acuerdo a lo anterior algunos autores han determinado lo siguiente rangos:
-1 r < -0.8
Asociacin
fuerte
y 0 r < 0.4
dbil
y 0.4 r < Asociacin dbil y positiva
No hay asociacin
negativa
-0.8 r < - Asociacin
0.4
negativa
0.8
-0.4 r 0
No hay asociacin
0.8 r 1
Asociacin
fuerte
positiva
El coeficiente de Correlacin Lineal Simple se determina a travs de la siguiente ecuacin:
( )
( )
)(
)(
( )
, que para el caso del ejemplo sera el siguiente:

)
= 0.9452
)
Este valor indica que existe una asociacin fuerte y positiva entre estas variables, es decir,
entre la produccin y los costos de esas empresas.
Diferencias entre Regresin Lineal Simple y Correlacin Lineal Simple
Se pueden llegar a establecer las siguientes diferencias:
Regresin Lineal Simple
Mide la cantidad de cambios en Y por un
nico cambio en X.
Existe una variable dependiente y otra
independiente
1 puede tomar cualquier valor en la recta
numrica
Correlacin Lineal Simple

Mide asociacin lineal entre dos
variables
Es indistinto x, y y, x
El coeficiente de correlacin
toma valores en el intervalo -1
r1
2. ASPECTOS GENERALES DE LA EXPERIMENTACIN

Antes de ingresar al anlisis de los principales diseos experimentales, es necesario
establecer el acervo correspondiente en este campo de la Estadstica llamado Diseos
Experimentales que facilite el proceso de aprendizaje que aunado a las bases estadsticas
anteriores conlleven al usuario a un mejor uso el presente material. Es por ello que a
continuacin se detalla lo siguiente:
Experimento:
Es todo proceso que consiste en la ejecucin de un acto o prueba una o ms veces, cuyo
resultado en cada prueba depende del azar y que genera informacin tanto cualitativa como
cuantitativa segn sea el caso. En s viene a ser aquel proceso intencionado provocado por
el investigador con el fin de estudiar su origen, esencia e interrelacin con otros procesos o
fenmenos.
Tratamiento:
Es todo elemento o sujeto sometido a estudio o ensayo de comparacin. Viene a ser el
conjunto de condiciones experimentales que el investigador impone a las unidades
experimentales. Ejemplo: diferentes mtodos de enseanza de la matemtica, etc.
Unidad Experimental:
Tamao de la Unidad Experimental. Es el material o lugar sobre el cual se aplican los
tratamientos. Este trmino se utiliza para representar al conjunto de material experimental
al cual se le aplica un tratamiento. El tamao de la unidad experimental depende mucho
del tipo de material experimental que se utilice y muchas veces de la esperanza de vida en
el caso de usar seres vivos. Cuando se experimenta con aves, la unidad experimental puede
estar constituida por un grupo de ellas; sin embargo, cuando se puede experimentar con
animales cuya esperanza de vida sea mayor, puede ser que uno solo de ellos pueda ser
considerado como una unidad experimental.
Factor:
Es un tratamiento que genera ms tratamiento
Error Experimental:
Es la variacin aleatoria (no explicada) ajena al control razonable del investigador. Este
trmino no es sinnimo de error, si no que forma parte de las caractersticas propias e
innatas de la unidad experimental. Este error no se puede evitar pero si se puede reducir
usando
las
repeticiones
necesarias,
usando
unidades
experimentales
los
ms
homogneamente posible y manejndolas de manera uniforme.

Testigo
El testigo es el tratamiento de comparacin adicional, que no debe faltar en un
experimento; la eleccin del tratamiento testigo es de gran importancia en cualquier
investigacin, ste se constituye como referencial del experimento y sirve para la
comparacin de los tratamientos en prueba.
Diseos Experimentales:
Es un mtodo cientfico de investigacin que consiste en hacer operaciones prcticas
destinadas a demostrar, comprobar o descubrir fenmenos o principios bsicos. Tiene como
propsito proporcionar la mxima cantidad de informacin a un costo mnimo.
Disear un experimento es planificarlo, qu es lo que se pretende experimentar, es
planearlo de modo que se tenga la secuencia completa de pasos tomados de antemano para
asegurar que la informacin que se obtendr permita un anlisis objetivo que conduzca a
deducciones (demostracin de hiptesis) vlidas con respecto al problema de investigacin
previamente establecido.
Principios Bsicos de la Experimentacin:
Los principios bsicos de la experimentacin son tres: Repeticin, Azarizacin y Control
Local.
Repeticin. Es la reproduccin del experimento bsico llamado tambin rplica y
solamente a travs de ella se pueden obtener conclusiones de un fenmeno. Tiene dos
funciones: Proporcionar una estimacin del error experimental y brindar una medicin ms
precisa de los efectos de los tratamientos, es decir, que hace posible la prueba de
significancia.
Azarizacin. Es la asignacin de los tratamientos a las unidades experimentales de modo
que todas tengan la misma posibilidad de recibir un tratamiento. Tiene la como funcin
hacer vlida la prueba de significancia.
Control Local. Es la cantidad de balanceo, bloqueo o agrupamiento de las unidades
experimentales que se emplean en el diseo adoptado. Tiene la funcin de hacer ms
eficiente el diseo experimental, es decir, hacer ms sensitiva la prueba de significancia
reduciendo con ello la magnitud del error. Los criterios de agrupamiento van a depender del
tipo de ciencia donde se est experimentando.
Exigencias de la Experimentacin:
Las exigencias de la experimentacin son: Tipicidad, Uniformidad, Grado de Precisin,
Control efectivo de las medidas y observaciones.
Tipicidad. Llamado tambin representatividad, hace mencin que no se pueden extrapolar
resultados a condiciones diferentes a las que se originaron.
Uniformidad. Indica que todas las unidades experimentales deben ser tratadas
uniformemente y que la nica diferencia entre ellos sea los tratamientos que se estn
evaluando en ellas. Esto evita tener resultados enmascarados en los experimentos.
Grado de Precisin. Un experimento bien planeado debe permitir al investigador medir
diferencias en los tratamientos con el grado de precisin esperado evitando para ello
comete errores al montar el ensayo y en su misma ejecucin. Esto debe ser una tarea de
primer orden por parte del investigador. Es por ello que se debe tener especial cuidado en la
conduccin y manejo del experimento.
Control efectivo de las medidas y observaciones. Es necesario hacer anotaciones de las
manifestaciones de las unidades experimentales que permitan explicar ciertos aspectos del
experimento.
Los diseos experimentales como tal se dividen en dos grupos: diseos experimentales
simples y diseos experimentales complejos.
Entre los diseos experimentales simples se tiene al Diseo Completamente al Azar,
Diseo en Bloques Completamente al Azar, Diseo Cuadrado Latino principalmente.
3. DISEO COMPLETAMENTE AL AZAR (DCA) O DISEO CON UN SOLO

CRITERIO DE CLASIFICACIN
Este diseo es el ms simple de todos; en l se asigna al azar los tratamientos a grupos de

unidades experimentales previamente determinadas. Asimismo, todas las variables, excepto
las que estn en estudio se mantienen constantes.
3.1. Cundo utilizar este Diseo?

Este diseo se utiliza cuando las unidades experimentales son homogneas, o sea, que la
nica diferencia que existe son los tratamientos que se aplican a las unidades
experimentales. Este diseo se usa cuando se estudia dos o ms tratamientos bajo las
siguientes condiciones:
a.- Lugar y unidades experimentales muy uniformes (suelo homogneo, en laboratorios,
invernaderos, galpones, aulas, etc.), donde no hay heterogeneidad necesaria de absorber.
b.- Cuando sea probable que una parte del experimento se pierda.
c.- Cuando se tiene un experimento pequeo y donde la mayor precisin de otras
distribuciones no compensan la prdida de grados de libertad en el error.
Este tipo de diseo proporciona el mximo nmero de grados de libertad para la estimacin
del error experimental; adems, no requiere estimar datos faltantes, es decir, puede
analizarse con diferente nmero de repeticiones por tratamiento (diseo desbalanceado).
3.2. Modelo Aditivo Lineal
El concepto de modelo lineal es una rplica de algo; as como un edificio puede ser
representado en una maqueta. Debe evitarse el error de creer que el modelo lineal es el
mundo real; ya que slo es una abstraccin de una realidad que existe en la mente del
hombre con el objetivo de ayudarse en el anlisis de los procesos naturales que afectan por
diversos factores a fuentes de variacin y que dichos modelos son de naturaleza transitoria
y son susceptibles a mejorarse.
La consideracin bsica para un diseo Completamente al Azar es que las observaciones
pueden representarse por medio del modelo estadstico lineal que es el siguiente:
Donde:
Yij = Variable Respuesta
= Efecto comn a todas las observaciones
Ti = Efecto del i-simo tratamiento
Eij = Erro experimental o error del modelo
3.3. Supuesto del Anlisis de Varianza

De forma general, los supuestos en los que se basa el anlisis de varianza son:
Homogeneidad de Varianza, Normalidad, Aditividad y Linealidad del Modelo, e
Independencia.
3.3.1. Homogeneidad de Varianza:
Las varianzas de las diferentes medas deben ser homogneas. Por lo general, en el anlisis
de varianza, se utiliza un promedio de n varianza (CME) para obtener la mejor estimacin
de la varianza comn. Pero, si las varianzas dentro de los tratamientos fuesen de hecho
distintas, no se tendra justificacin para combinarlas, ya que el promediar varianzas de
tratamientos mayores y menores podra proporcionar resultados engaosos. La diferencia
entre dos tratamientos con varianzas grandes puede ser considerada significativa cuando en
realidad sta puede haber ocurrido por casualidad. Por otra parte, la diferencia entre dos
tratamientos con varianzas pequeas puede ser declarada no significativa cuando en verdad
lo es.
Existen muchas tcnicas para probar homogeneidad de varianza, como la prueba de
Bartlett, Prueba de F, propuesta por R.A. Fischer. Por la rapidez de esta ltima prueba se
propone la misma para efecto del curso, lo cual no desmerece en ninguna otra prueba.
La prueba de F propuesta por Fischer se basa en lo siguiente:
( )
( )
La prueba de hiptesis que se emplea es la siguiente:
Ho:
Ha:
La regla de decisin es la siguiente:

No Rechazo de Ho si Fc F (m-1, n-1)gl. Esto quiere decir que las varianzas son
homogneas.
RHo si Fc > F (m-1, n-1)gl, lo cual indica que las varianza son homogneas.
Box (S/F; citado por Calzada Benza, 1970) mencion que si la razn entre la varianza
mayor y la varianza menor es menor de cuatro, se puede considerar que hay suficiente
homogeneidad de varianza, siendo ste posiblemente un criterio ms rpido para probar
homogeneidad de varianza.
3.3.2. Normalidad:
Los trminos del error son aleatorios, independientes y normalmente distribuidos. Este
supuesto es de gran importancia ya que cuando los datos no se distribuyen normalmente los
coeficientes de variacin son muy elevados. Cuando los datos de una variable no presentan
normalidad, existen algunas tipos de transformaciones en dependencia de la caracterstica
de los datos de la variable en cuestin que la hacen normal.
Para probar normalidad tambin existen varias tcnicas entre las que se pueden mencionar
la prueba de Shapiro-Wilk y la de Lilliefors. Si el lector est interesado en profundizar
sobre estas pruebas se le sugiere consultar a Ramrez y Lpez (1993). (Mtodos
Estadsticos no Paramtricos)
3.3.3. Aditividad y Linealidad del Modelo:
Lo anterior se cumple en el modelo aditivo lineal ya que todos los efectos se suman y son
lineales porque cada uno de sus elementos del modelo lineal, estn a la potencia "1".
3.3.4. Independencia:
Es t e s upuest o i m pl i ca que l os t rm i nos del error so n aleatorios, no
correlacionados (independientes) normalmente distribuidos; adems, de las varianzas y las
medias de las distintas muestras.
3.4. Anlisis de varianza para este Diseo
El anlisis de varianza consiste en la particin de la variacin total en fuentes de variacin
conocidas y la que no es conocida se atribuye al error. El anlisis de varianza separa parte de
la varianza causada por efectos accidentales, no sistemticos (error experimental o
simplemente error) de los causados por efectos sistemticos conocidos (tratamientos).
Antes de mostrar la tabla de anlisis de varianza para e s t e d i s e o s e m u e s t r a a
continuacin
un
cuadro
de
concentracin de informacin (Cuadro 1) y
posteriormente las ecuaciones trabajo para el mismo.
Cuadro 1. Concentracin de los datos para un Diseo Completamente al Azar con i

tratamiento y j repeticiones.
TRATAMIENTOS
1
Y11
Y21
Y31
Yi1
Y.1
1
2
3
i
Y.j
REPETICIONES
2
3
Y12
Y13
Y22
Y23
Y32
Y33
Yi2
Yi3
Y.2
Y.3
j
Y1j
Y2j
Y3j
Yij
Y.j
Yi.
Y1.
Y2.
Y3.
Y i.
Y..
El modelo lineal para este diseo tiene solo dos fuentes de variacin y es el siguiente:
El modelo aditivo de un Diseo Completamente al Azar se corresponde con las
salidas de varianza que se muestran en los Cuadro 2 y 3.
Cuadro 2. Salida de varianza para un Diseo Completamente al Azar con igual
nmero de repeticiones (diseo balanceado).
F.V
gl
SC
Tratamiento
t-1
SCTRAT.
Error
t(r-1)
SCError
Total
tr-1
SCTotales
CM
Fc
Ft
(
Donde:
F.V = Fuente de variacin
gl = Grados de libertad
SC = Suma de Cuadrados
CM = Cuadrado Medio
Fc = F calculado
Ft = F tabulado que se encuentra en la tabla de F a un nivel de significancia
(probabilidad de error tipo I), grados de libertad de los tratamientos y grados de libertad del
error
En caso de que los tratamientos tengan diferentes nmero de repeticiones (diseo
desbalanceado) la salida de varianza es la siguiente:
Cuadro 3. Salida de varianza para un Diseo Completamente al Azar con desigual

nmero de repeticiones (diseo desbalanceado).
FV
gl
SC
Tratamiento
t-1
SCTRAT.
Error
n-t
SCError
Total
n-1
SCTotales
CM
Fc
Ft
(
3.4.1. Ecuaciones de trabajo
; Factor de correccin si el experimento es balanceado

; Factor de correccin si el experimento es desbalanceado
; Suma de cuadrados totales
; Suma de cuadrado de tratamiento si el experimento es balanceado
; Suma de cuadrados si el experimento es desbalanceado

; Suma de cuadrados del error
3.4.2. Prueba de Hiptesis en el Anlisis de Varianza de un Diseo Completamente al

Azar
En el anlisis de varianza de este diseo se prueba el siguiente juego de hiptesis
estadsticas:
Ho: 1 = 2 = 3 = i (T1 = T2 = T3 = Ti). Esto es lo mismo que:
Ho: 1 - 2 - 3 - i = 0 (T1 - T2 - T3 - Ti = 0).
Ha: 1 - 2 - 3 - i 0 (T1 T2 T3 Ti).
La hiptesis nula asume el efecto de igual, es decir, que los tratamiento ejercen el mismo
efecto sobre la variable respuesta. Esta es la hiptesis que se somete a prueba y, la hiptesis
alternativa, en su esencia, es la que contradice a la hiptesis nula.
Dado que la hiptesis nula es la que se somete a prueba, entonces puede ser aceptada
rechazada, si no es rechazada significa que no existe la suficiente evidencia experimental para
hacerlo, en caso de rechazarse, de inmediato se acepta la hiptesis alternativa. Para saber

cundo aceptar o rechazar la hiptesis nula se toma en cuenta la siguiente regla de decisin.
No Rechazo de Ho (NRHo) si Fc Ft (F de tablas)
Rechazo de Ho (Rho) si Fc > Ft (F de tablas)
3.5. Interpretacin de Resultados

Para una mejor ilustracin de la interpretacin de los resultados de un anlisis en este
diseo, se muestra a continuacin el siguiente ejemplo:
En un estudio del efecto de la glucosa sobre la liberacin de insulina, se trataron
especmenes de tejido pancretico de animales experimentales con cinco concentraciones
diferentes de glucosa. Posteriormente se hizo la determinacin de la cantidad de insulina
liberada. Se pide realizar el anlisis de varianza correspondiente usando una probabilidad
de error Tipo I de (0.01), es decir, = 0.01. Los datos obtenidos se muestran en el Cuadro
4.
Cuadro 4. Insulina liberada a diferentes concentraciones de glucosa en las unidades
experimentales.
Tratamiento
1
2
3
4
5
1
1.53
3.15
3.89
8.18
5.86
2
1.61
3.96
4.80
5.64
5.46
3
3.75
3.59
3.69
7.36
5.69
Repeticiones
4
5
2.89
3.26
1.89
1.45
5.70
5.62
5.33
8.82
6.49
7.81
6
7
8
2.83
2.86
2.59
3.49
1.56
2.44
5.79
4.75
5.33
5.26
8.75
7.10
9.03
7.49
8.98
Adaptado de Wyane (1970)
En el mismo cuadro de informacin se pueden incluir los totales de tratamiento como

tambin sus varianzas por cada uno de ellos como se muestra en el Cuadro 5.
Cuadro 5. Insulina liberada a diferentes concentraciones de glucosa en las unidades

experimentales, totales y varianza por tratamiento.
Tratamiento
1
1.53
3.15
3.89
8.18
5.86
22.61
1
2
3
4
5
Y.j
2
1.61
3.96
4.8
5.64
5.46
21.47
3
3.75
3.59
3.69
7.36
5.69
24.08
Repeticiones
4
5
2.89 3.26
1.89 1.45
5.7 5.62
5.33 8.82
6.49 7.81
22.3 26.96
6
7
2.83 2.86
3.49 1.56
5.79 4.75
5.26 8.75
9.03 7.49
26.4 25.41
Yi.
8
2.59 21.32
2.44 21.53
5.33 39.57
7.1
56.44
8.98 56.81
26.44 195.67
S
0.5791
0.9702
0.6621
2.2212
2.0718
Y..
Revisando el supuesto de homogeneidad de varianza y tomando en cuenta lo propuesto por

Box (S/F; citado por Calzada Benza, 1970) se relacionar la varianza mayor con la varianza
menor, en este caso varianza del tratamiento 1 y la del tratamiento 4. Entonces:
= 3.8356
Como la relacin entre la varianza mayor y la menor y tomando en cuenta lo propuesto por
Box (S/F) se puede concluir que existe homogeneidad de varianza.
Comenzando a realizar el anlisis de varianza se tiene lo siguiente:
(
(
)
)
Analizando los resultados obtenidos al aplicar las ecuaciones de trabajo para este diseo es
importante sealar que ninguna de estas sumas de cuadrados puede ser negativa ya que son
componentes de varianza y la varianza nunca puede ser negativa. Por otra parte, se puede
observar que la Suma de Cuadrados Totales es la mayor, en verdad sta es la variacin
total y ninguna de las dems puede ser mayor que sta. Adems se puede observar que la
Suma de Cuadrados del Error se obtiene por diferencia entre la Suma de Cuadrados
Totales y la de Tratamiento. Esto es producto de la aplicacin misma de lo que es anlisis
de varianza.
Una vez obtenidas las sumas de cuadrados correspondientes, el siguiente paso es construir
la tabla de anlisis de varianza (salida de varianza) la cual queda como se muestra en el

Cuadro 6 y adems es recomendable que esta tabla vaya acompaada del Coeficiente de
Variacin (C.V) el cual se define como la relacin entre la raz cuadrada del Cuadrado
Medio del Error y el Promedio de la Variable respuesta o en estudio.
(
(
Cuadro 6. Salida de varianza para los datos del Cuadro 4.

F.V
Tratamiento
Error
Total
gl
4
35
39
SC
CM
Fc
F(0.01, 4, 35)
154.921015 38.7302538 29.7714584
3.908
45.5321625 1.30091893
200.453178
C.V. = 23.32%
Si se toma en cuenta el juego de hiptesis de este diseo y la regla de decisin se puede

concluir que se rechaza la hiptesis ya que el Fc es mayor que el Ft. A manera de
conclusin se puede decir lo siguiente:
Con un 99% de confiabilidad se concluye que al menos unos de los tratamientos evaluados
ejercen un efecto distinto (P 0.01) sobre la liberacin de insulina.
Ahora la pregunta es: Cul es ( o son) ese (esos) tratamiento (s) que hizo (hicieron)
rechazar la hiptesis nula?. Esta interrogante no la responde el anlisis de varianza ya que
ste solo prueba si existe o no efecto de las variables dependientes sobre la dependiente. Es
por ello que se deben hacer otros anlisis para responder esta interrogante.
Para responder a estas interrogantes existen dos tcnicas principalmente que son las
pruebas a priori o Contrastes Ortogonales y las pruebas obligadas por los datos llamadas
tambin Pruebas de Rangos Mltiples o Separacin de Medias. Estas ltimas por el grado
de uso que tienen en las investigaciones de ndole experimental son las que se desarrollan a
continuacin.
3.6. Pruebas obligadas por los Datos o de Rangos Mltiples

Cuando el anlisis de varianza de un experimento reporta diferencias significativas y son ms
de dos tratamiento, es necesario saber quin meti el ruido en la prueba de hiptesis que
provoc que la hiptesis nula sea rechazada. Para este fin, existen las llamadas pruebas de
Rangos Mltiples. Entre estas pruebas estn:
Diferencia Mnima Significativa (DMS) (LSD)
Mtodo de Duncan
Mtodo de Student-Newman-Keuls (SNK)
Mtodo de Tukey (Diferencia Significativa Honesta)
Mtodo de Scheff.
Cada uno de estos procedimientos de comparacin de medias est basado en un

conjunt o de suposiciones, y son usualmente efectivos para fines especficos.
En cualquiera de los casos la hiptesis nula supone la igualdad de las medias y la
alternativa lo contrario y se utilizan siempre y cuando en el anlisis de varianza rechace la
hiptesis nula. Lo anterior indica que la prueba de hiptesis que se hace es la siguiente:
Ho: |
Ha: |
La hiptesis nula, que es la que se prueba, asume el efecto de igualdad de los promedios a
comparar es por ello que la diferencia es igual a cero y por lo tanto, la hiptesis alternativa
contradice la hiptesis nula con una desigualdad.
La regla de decisin es la siguiente:
NRHo
Valor
crtico
de
la
prueba
RHo: Si Valor Crtico de la prueba es |

Si el Valor Crtico |
est
dentro
de
la
diferencia:
|
| o bien
3.6.1. Diferencia Mnima Significativa (DMS)

Esta prueba solo debe usarse para comparar medias adyacentes en un arreglo ordenado,
medias por orden de magnitud. Cuando DMS se usa indiscriminadamente para probar todas
las diferencias posibles entre las diversas medias, ciertas diferencias sern significativas,
pero no al nivel de significancia que se ha elegido.
El nmero posible de comparaciones de medias tomadas de dos en dos a la vez es igual a
(
. Los especialistas hacen mencin que este mtodo es adecuado para comparar un
tratamiento estndar (testigo) con otros tratamientos.

Esta prueba utiliza un solo comparador y su frmula es la siguiente:
, donde:
DMS = Es el valor crtico de la prueba

t/2 = Valor tabular de t de student para los grados de libertad del error obtenido a un
/2.
r = nmero de repeticiones
3.6.2. Mtodo de Duncan

Esta prueba es ampliamente utilizada entre las diversas pruebas de Rangos
Mltiples. Su mtodo es de naturaleza secuencial, lo que quiere decir, que utiliza un
nuevo valor estudentizado, para cada una de las comparaciones de medias adyacentes
ordenadas por magnitud en orden descendente.
Esta prueba incluye el clculo de las diferencias significativas mnima entre las medias de
tratamiento cuando stas se encuentran dispuestas en orden de magnitud. La frmula
es la siguiente:
Donde:
Es el valor extrado de una tabla especial de rango estudentizado, con los grados de
libertad del error y con la disposicin relativa de las medias en el arreglo.
CMError = Cuadrado Medio del Error
r = Nmero de repeticiones.
3.6.3. Mtodo de Student-Newman-Keuls (SNK)

Es una prueba de carcter secuencial, es decir, que utiliza un nuevo valor estudentizado
para cada comparacin.
Para el clculo de esta prueba se requiere determinar la diferencia mnima significativa
entre las medias del tratamiento cuando stas se encuentran dispuestas en orden de
magnitud. Su frmula es la siguiente:
Donde:
q = Valor obtenido de tablas especiales de rango estudentizado, para los grados de
libertad del error y con la disposicin relativa de las medias en el arreglo
CMError = Cuadrado medio del error
3.6.4. Mtodo de Tukey

Este mtodo es un procedimiento basado en el rango estudentizado, pero no es secuencial, ya
que utiliza un slo comparador de q ordinario. Sin embargo, el mtodo de Tukey es til en
situaciones en que se desea hacer un primer nfasis en el uso del experimento con un total para
determinar la significancia de los pares de medias. Esta prueba slo es exacta cuando los
grupos tienen igual nmero de elementos y para medias que no han sido ajustadas por
covarianza. Esta prueba se define de la siguiente manera:
Donde:
q = Valor obtenido de tablas especiales de rango estudentizados, para los grados de
libertad del error y con la disposicin relativa de las medias en el arreglo
CMError = Cuadrado medio del error
3.6.5. Mtodo de Scheff

Se considera un mtodo bastante general que utiliza la distribucin de F de Snedecor. El
mtodo de Scheff puede aplicarse para probar hiptesis generales de que una funcin
lineal de las medias poblacionales es igual a cero. En contraste con las comparaciones
mltiples basadas en rangos estudentizados, el mtodo de Scheff es un mtodo exacto para
medias provenientes de medias de igual o desigual tamao y para medias que han sido
ajustadas por covarianza. Para el clculo se requiere determinar la mnima diferencia
significativa entre las medias de los tratamientos cuando stos se encuentran ordenados en
orden de magnitud. Su valor crtico se determina a travs de la siguiente expresin:

(
Donde:
t = Nmero de tratamientos
F = Valor que se obtiene de la distribucin de F de Snedecor con t-1 y los grados de
libertad del error.
CError = Cuadrado medio del error, y ri, rj representan el nmero de observaciones usadas
para calcular cada media muestra
Ejemplo.
A continuacin se aplican todas las pruebas de rangos mltiples antes expuestas de manera
que se pueda realizar una comparacin entre stas. Los promedios por tratamiento son los
siguientes:
Cuadro 7. Medias por tratamientos y Medias ordenadas por magnitud descendente.

Tratamiento
1
2
3
4
5
Promedio
2.665
2.69125
4.94625
7.055
7.10125
Tratamiento
5
4
3
2
1
Promedios Ordenados
7.10125
7.055
4.94625
2.69125
2.665
Aplicando DMS a un nivel de significancia = 0.01 que es el mismo nivel de significancia

que se utiliz para el anlisis de varianza, adems de la siguiente informacin:
CMError = 1.30091893
r=8
t/2(35) = 2.7238
Por lo tanto el valor crtico de la prueba es de 1.5534.

A continuacin se presentan en el Cuadro 7 las comparaciones a realizar, las diferencias
entre las medias y el resultado de comparar estas diferencias con el valor crtico de la
prueba de DMS.
Cuadro 7. Resultado de la prueba de DMS para los tratamientos estudiados.
Comparacin
Diferencia de Medias
T5 versus T4
T5 versus T3
T5 versus T2
T5 versus T1
T4 versus T3
T4 versus T2
T4 versus T1
T3 versus T2
T3 versus T1
T2 versus T1
ns = No significativo * = significativo
0.04625
2.155
4.41
4.43625
2.10875
4.36375
4.39
2.255
2.28125
0.02625
Resultado de la
comparacin
ns
*
*
*
*
*
*
*
*
ns
Las comparaciones se pueden resumir de acuerdo al siguiente rango de mrito

Tratamiento
5
4
3
2
1
Comparacin
a
a
b
c
c
Promedios con literales distintas son estadsticamente diferentes segn el mtodo de DMS (P 0.01).
Interpretando los resultados de la separacin o comparacin de medias segn DMS se

puede decir que las concentraciones de glucosa 5 y 4 producen la misma cantidad de
insulina liberada (P 0.01), pero diferente (P 0.01) a las dems concentraciones de
glucosa experimentadas. Esto quiere decir que es indistinto utilizar la concentracin 5 o 4.
Al comparar el tratamiento 4 (concentracin 4) con las dems, sta tuvo un comportamiento
diferente (P 0.01) a las dems concentraciones de glucosa, es decir, 3, 2 y 1. Igualmente
mostr la concentracin 3 respecto a la 2 y 1, no as la concentracin 2 que tuvo el mismo
comportamiento (P > 0.01) con la concentracin 1.
Al aplicar el mtodo de Duncan se obtuvo lo siguiente:

Para realizar la prueba de Duncan lo primero que se debe hacer es obtener los valores
estudentizados extrados de la tabla de Duncan. En este caso se estn utilizando valores
interpolados ya que no existen en la tabla grado de libertad igual a 35 solo hay entre 30 y
40 por lo tanto lo que se hizo fue promediar los dos valores. Estos son los siguientes:
Cuadro 8. Valores estudentizado extrado de la tabla de Duncan y valores crticos de

la prueba segn el nmero de medias a comparar.
Medias a comparar
R(0.01, 35)
RMS
2
3.855
1.554549
3
4.025
1.623103
4
4.13
1.665445
5
4.195
1.691656
Aqu se puede ver el efecto secuencial de Duncan ya que utiliza un comparador distinto
segn el nmero de medias a comparar.
Los resultados de aplicar la prueba son los siguientes:
Cuadro 9. Contrastacin de las diferencias entre medias adyacentes con los valores
crticos de Duncan.
Promedios
7.10125
Tratamientos
5
5
0
7.10125
4
7.055
3
4.94625
2
2.69125
1
2.665
RMS
1.69166
Promedios
7.055
4.94625 2.69125
2.665
4
3
2
1
0.04625 ns 2.155 *
4.41*
4.43625 *
0
2.10875* 4.36375*
4.39*
0
2.255*
2.28125*
0
0.02625 ns
0
1.66544
1.62310 1.55455
Lo anterior se resume en el siguiente rango de mrito:
Tratamiento
5
4
3
2
1
Comparacin
a
a
b
c
c
Promedios con literales distintas son estadsticamente diferentes segn el mtodo de Duncan (P 0.01).
Como se puede observar, en este caso los resultados obtenidos son los mismos que en la
prueba de DMS, por lo tanto, la interpretacin es la misma.
Aplicando SNK:
Al igual que la prueba de Duncan, SNK es una prueba secuencial lo que indica que utiliza
un valor diferente para cada comparacin de acuerdo al nmero de medias a comparar. Los
valores q y valores crticos de SNK se muestran en el Cuadro 10.
Cuadro 10. Valores estudentizados de la prueba de SNK de acuerdo al nmero de
medias adyacentes a comparar y valores crticos de la misma.
Medias a comparar
q(0.01, 35)
SNK
2
3.855
1.55454932
3
4.41
1.778356
4
4.75
1.9154628
5
4.99
2.0122441
Los resultados al aplicar la prueba de rangos mltiples de SNK se resumen en el Cuadro 11.
Cuadro 11. Resultados de la comparacin de medias segn el mtodo de SNK.
Promedios
7.10125
Tratamientos
5
5
0
7.10125
4
7.055
3
4.94625
2
2.69125
1
2.665
SNK
2.0122441
Promedios
7.055
4
0.04625 ns
0
4.94625
3
2.155 *
2.10875*
0
2.69125
2
4.41*
4.36375*
2.255*
0
1.9154628
1.778356
1.554549
2.665
1
4.43625 *
4.39*
2.28125*
0.02625 ns
0
Lo anterior se resume en el siguiente rango de mrito.

Tratamiento
5
4
3
2
1
Comparacin
a
a
b
c
c
Promedios con literales distintas son estadsticamente diferentes segn el mtodo de SNK (P 0.01)
En este caso, los resultados de aplicacin del mtodo de SNK coinciden con el anterior y
por ende, la interpretacin es la misma.
Aplicando ahora el mtodo de Tukey o Diferencia Honesta Mnima se tiene lo siguiente:
Tukey no es un mtodo secuencial, es decir, que utiliza un solo valor estudentizado para
obtener el valor crtico de prueba, utiliza la misma tabla que SNK pero con el nmero
mximo de medias a comparar.
q(0,01, 5, 35) = 4.99
Los resultados de contrastar la diferencia de medias ordenadas con el valor crtico de la

prueba de Tukey se muestra en el Cuadro 12.
Cuadro 12. Resultados de la aplicacin de la prueba de Tukey a los promedios de los

tratamientos estudiados.
Comparacin
T5 versus T4
T5 versus T3
T5 versus T2
T5 versus T1
T4 versus T3
T4 versus T2
T4 versus T1
T3 versus T2
T3 versus T1
T2 versus T1
0.04625
2.155
4.41
4.43625
2.10875
4.36375
4.39
2.255
2.28125
0.02625
Resultado de la
comparacin
ns
*
*
*
*
*
*
*
*
ns
Resumiendo los resultados del Cuadro 12 en un rango de mrito se tiene lo siguiente:
Tratamiento
5
4
3
2
1
Comparacin
a
a
b
c
c
Promedios con literales distintas son estadsticamente diferentes segn el mtodo de Tukey (P 0.01).
Aplicando ahora la ltima prueba de separacin de medias de las propuestas en este

documento se tiene lo siguiente:
Mtodo de Scheff
(
La prueba de Scheff al igual que Tukey no es una prueba secuencial por lo tanto solo
utiliza un valor de F de Snedecor que se extrae un nivel de significancia , para el caso
del ejemplo = 0.01, con los grado de libertad de tratamientos y los del error experimental.
De acuerdo a esto se tiene lo siguiente:
F(0.01, 4, 35) = 3.908

(
Cuadro 13. Resultados de la aplicacin de la prueba de Scheff a los promedios de los

tratamientos estudiados.
Comparacin
T5 versus T4
T5 versus T3
T5 versus T2
T5 versus T1
T4 versus T3
T4 versus T2
T4 versus T1
T3 versus T2
T3 versus T1
T2 versus T1
0.04625
2.155
4.41
4.43625
2.10875
4.36375
4.39
2.255
2.28125
0.02625
Resultado de la
comparacin
ns
ns
*
*
ns
*
*
*
*
ns
Resumiendo los resultados del Cuadro 13 en un rango de mrito se tiene lo siguiente:

Tratamiento
5
4
3
2
1
Comparacin
a
a
a
b
b
Promedios con literales distintas son estadsticamente diferentes segn el mtodo de Scheff (P 0.01).
3.7. Cundo, Porqu y Cul Prueba de Rangos Mltiples Utilizar?
Todas las pruebas de rangos mltiples o separacin o comparacin de medias se utilizan

siempre y cuando en el anlisis de varianza se rechace la hiptesis ya este anlisis solo
detecta si existe efecto o no de los tratamientos sometidos a consideracin pero no indica
cul o cules son los tratamientos responsables de este rechazo.
En el Cuadro 14 se resumen los resultados obtenidos por cada una de las pruebas de
separacin de medias aplicados.
Cuadro 14. Resumen de los resultados obtenidos al aplicar las pruebas de rangos
mltiples de DMS, Duncan, SNK, Tukey y Scheff a un nivel de
significancia de = 0.05.
Tratamiento Promedio
5
7.10125
4
7.055
3
4.94625
2
2.69125
1
2.665
DMS
a
a
b
c
c
Duncan
a
a
b
c
c
SNK
a
a
b
c
c
Tukey
a
a
b
c
c
Scheff
a
a
a
b
b
Promedios con literales distintas son estadsticamente diferentes (P 0.01).
Segn Martnez Garza (1994) el mtodo de Scheff es ms riguroso para detectar

diferencias significativas y esto se demuestra con los resultados expuestos en el Cuadro 14,
es por ello que se recomiendo usarlo a un = 0.1. Por otra parte se ha podido observar que
tanto SNK como Tukey tiende a no detectar diferencias estadstica donde DMS y Duncan
lo han hecho con diferencias mayores.
Una discusin ms fundamentada sobre las separaciones de medias puede encontrarse en
Steel y Torrie (1992) en su obra Bioestadstica: Principios y Procedimientos pero s se
puede deducir que para experimentos en fases exploratorias es recomendable usar pruebas
que no sean tan rigurosas como es DMS, Duncan e inclusive SNK, sin embargo, si este no
es el caso y los promedios no han sido corregidos por efecto de covariable, es
recomendable Tukey y si se requiere una prueba ms rigurosa sin importar si el
experimento es balanceado o no, si los promedios ha sido corregido o no por covariable, es
recomendable usar Scheff.
4. DISEO EN BLOQUES COMPLETAMENTE AL AZAR (BCA) O CON DOS

CRITERIOS DE CLASIFICACIN
No siempre el material experimental es homogneo limitando en este caso el uso del
Diseo Completamente al Azar (DCA). En estos casos es recomendable usar el Diseo en
Bloques Completamente al Azar.
4.1.Cundo utilizar este diseo?
Este diseo se utiliza cuando el material experimental presenta un factor de estorbo que
no es de inters estudiar pero que s puede afectar los resultados conllevando a conclusiones
erradas o bien los llamados efectos enmascarados. Tiene como principio maximizar la
variabilidad entre bloques y minimizar la variabilidad interbloque o variabilidad interna.
Esto se logra ya que las unidades experimentales dentro de cada bloque son homogneas
pero son heterogneas entre bloques.
Si se habla de un diseo en Bloques Completamente al Azar, deben existir tantas unidades
experimentales dentro de cada bloque como tratamientos se tenga, de manera que cada
tratamiento tenga una repeticin en cada bloque. Esto al mismo tiempo se vuelve una
desventaja para este diseo ya que si se pierde una unidad experimental o ms, se rompe el
principio de bloqueo ya que los tratamientos no tendran el mismo nmero de repeticiones
dentro de cada bloque. Es por ello que en este caso para analizar este diseo se deben
estimar los datos perdidos conllevando a prdidas de grados de libertad en el error y por
ende a un aumento del cuadrado medio del error.
El tema de estimacin de datos perdidos no se desarrolla en este documento, pero se pueden
consultar las fuentes que citan al final del mismo.
4.2.Modelo Aditivo Lineal de un BCA
El modelo aditivo lineal para este diseo es el siguiente:
Donde:
Yij = Variable respuesta
Bj = Efecto de la j-sima repeticin; j = 1, 2, 3,...r repeticiones
Ti = Efecto del j-simo tratamiento; i = 1, 2, 3, i, tratamiento
Eij = Error experimental
4.3. Anlisis de Varianza para un BCA

Antes de exponer la salida de varianza y las ecuaciones de trabajo, se presenta un cuadro de
concentracin o vaciamiento de informacin.
Cuadro 15. Concentracin de los datos para un Diseo en Bloques Completamente al
Azar (BCA).
TRATAMIENTOS
1
2
3
i
Y.j
BLOQUES
2
3
Y12
Y13
Y22
Y23
Y32
Y33
Yi2
Yi3
Y.2
Y.3
1
Y11
Y21
Y31
Yi1
Y.1
Yi.
j
Y1j
Y2j
Y3j
Yij
Y.j
Y1.
Y2.
Y3.
Y i.
Y..
La salida de varianza de este diseo y de acuerdo a su modelo aditivo lineal es el siguiente:
Cuadro 15. Salida de varianza para un diseo en Bloques Completamente al Azar.

F.V
gl
SC
CM
Bloque
r-1
SCBloque
CMBloque
Tratamiento
t-1
SCTRAT.
CMTRAT.
(t-1)(r-1) SCError
tr-1
SCTotales
CMError
Error
Total
Fc
Ft
En este diseo se prueban dos juegos de hiptesis uno para bloques y otros para
tratamientos. Estas hiptesis son las siguientes:
Para tratamiento
Ho: 1 - 2 - 3 - i = 0 (T1 - T2 - T3 - Ti = 0)
Ha: 1 - 2 - 3 - i 0(T1 - T2 - T3 - Ti 0).
Para Bloques
Ho: B1 - B2 - B3 - Bj = 0 (B1 - B2 - B3 - Bj = 0)
Ha: B1 - B2 - B3 - Bj 0 (B1 - B2 - B3 Bj 0).
Las ecuaciones de trabajo para realizar el anlisis de varianza de este diseo son las
siguientes:
; Factor de Correccin
Ejemplo:
Un fisioterapeuta deseaba comparar tres mtodos para ensear a los pacientes el uso de
cierto aparato prottico. Tena la sensacin de que la rapidez de aprendizaje sera diferente
para pacientes de diferentes edades y deseaba disear un experimento en el que pudiera
tomarse en consideracin la influencia de la edad. Para ello seleccin tres pacientes en cada
uno de los cuatros grupos de edades para participar en el experimento y, en cada grupo de
edad se asign un paciente aleatoriamente a cada uno de los mtodos de enseanza. Los
mtodos de instruccin corresponden a los tratamientos y los cinco grupos de edades
corresponden a los bloques. La variable medida fue el tiempo (das) requerido para
aprender el uso de cierto aparato prottico. Los datos son los siguientes:
Cuadro 16. Tiempo requerido para el manejo de un aparato prottico bajo tres
modalidades de enseanza en grupos de diferentes edades.
Mtodo de
Enseanza
A
B
C
Y.j
< a 20
7
9
10
26
Edades (aos)
20 a 29
30 a 39
40 a 49
8
9
10
9
9
9
10
12
12
27
30
31
Realice el anlisis de varianza correspondiente a un = 0.01.

Aplicando las ecuaciones de trabajo se tiene lo siguiente:
(
Yi.
50 y ms
11
45
12
48
14
58
37
151
Adaptado de Wyane (1970)
(7 + 8 +14)-1520.06667 = 46.93333
(
)
(
Cuadro 17. Salida de varianza para el ejemplo de Diseos en Bloques Completamente

a Azar.
F.V
Bloques
Tratamiento
Error
Total
gl
4
2
8
15
SC
CM
6.2333
9.26666
0.43333
Fc
14.38465
21.38458
F(0.01)
7.006
8.649
46.93333
Interpretacin de Resultados
Es necesario recalcar que en un diseo de bloques completamente al azar la variable que se
est bloqueando no es de inters estudiar, en este caso, el fisioterapeuta est interesado en
el manejo del aparato prottico sin embargo, el presume que la edad puede estar afectando
esta velocidad de aprendizaje en este tipo de pacientes y por ello que organiza el
experimento y agrupa las unidades experimentales de acuerdo a las edades de los paciente.
Cuando se establece un diseo en bloques completamente al azar, es necesario estar seguro
que en verdad el factor de estorbo existe, caso contrario se pierde grados de libertad en el
error, lo cual hace que las diferencias dentro de los tratamientos (error experimental) sean
mayores con las consecuencias que corresponden.
Para el caso del ejemplo, se puede verificar en la salida de varianza que existe diferencias
significativas (P 0.01) en bloques lo cual indica, que el investigador tena razn en
realizar el bloqueo por edades de los pacientes. Esto indica tambin que la velocidad de
aprendizaje (vista como el manejo del aparato prottico), se ve afectada por la edad.
Por otra parte, este mismo anlisis indica que los mtodos de enseanza afectan o ejercen
efecto significativo en la velocidad de aprendizaje de los pacientes. Esto se puede concluir
a un 99% de confiabilidad.
Dado que el anlisis de varianza report diferencias significativas en el tiempo de
aprendizaje, se debe aplicar una prueba de rangos mltiples para verificar cul de las
tcnicas de enseanza.
Para realizar lo antes expuesto lo primero que hay que hacer es ordenar las medias por
magnitud (descendente) como se muestra en el Cuadro 18.
Cuadro 18. Promedios por mtodo de enseanza utilizado.

Mtodo de Enseanza
A
B
C
Promedios
9
9.6
11.6
Mtodo de Enseanza
C
B
A
Promedios Ordenados
11.6
9.6
9
Aplicando la prueba de Tukey a un = 0.01
1.65742075
Cuadro 19. Resultados de la aplicacin de la prueba de Tukey a los promedios de los

Mtodos de Enseanza estudiados.
Comparaciones
A versus B
A versus C
B versus C
Diferencias de Medias
2.0
2.6
0.6
Resultado de la Comparacin
*
*
ns
Medias con literales distintas son diferentes estadsticamente (P 0.01).
Resumiendo los resultados de las comparaciones realizadas se puede resumir a travs del
siguiente rango de mrito
Mtodo de Enseanza
C
B
A
Comparacin
a
b
b
Lo anterior indica que el mtodo donde los pacientes tardan menos son el A y el B, ambos
mtodos son estadsticamente iguales, es decir, que ejercen el mismo efecto sobre el tiempo
que duran los pacientes para aprender el manejo de aparato prottico y el mtodo donde se
tarda ms es el mtodo C ya que aqu los pacientes tardan en promedio 11 das y que fue
diferente (P 0.01) a los dems mtodos.
5. DISEO CUADRADO LATINO (DCL)
Anteriormente se han analizado los casos de l os di seos C om pl et am ent e al Az ar
donde el m at eri al experimental tiene que ser homogneo y Bloques al Azar, donde el
material experimental presenta un factor sistemtico o de estorbo. Sin embargo, en la
investigacin se presentan casos donde el material experimental presenta dos tipos de
efectos no sistemticos o sea dos factores de estorbo, que no son de inters en la
investigacin pero pueden afectar los resultados del experimento. Adems, imposibilita el uso
de los diseos antes mencionados.
5.1. Cundo Utilizar este Diseo?
El diseo Cuadrado Latino, es considerado como una variante del diseo Bloques
al Azar. Este diseo es de gran utilidad cuando el material experimental presenta dos efectos
de estorbo. Permite controlar dos efectos sistemticos que afectan al material experimental,
adems del efecto de tratamiento que es el de inters estudiar. Tiene la caracterstica de
controlar los efectos de estorbo a travs de hileras y columna, o sea un doble bloqueo.
Para que los efectos de las hileras y las columnas no se confundan con el de los
tratamientos, stos se ubican de tal forma que un tratamiento no se repite en la misma
columna y la misma hilera. Por esta razn, la cantidad de tratamiento coincide con el
mismo nmero de filas y columnas.
La principal restriccin de este diseo es que el nmero de repeticiones es igual al nmero
de tratamiento, si este ltimo es considerable el nmero de repeticiones requerido se vuelve
impracticable. Son pocos usados los Cuadros Latinos 12 x 12, mientras que el tamao ms
comn es desde 5 x 5 hasta 8 X 8. Est e di seo present a hast a ciert o punto la
m is m a d e s v e n t a j a q u e l o s B l o q u e s a l A z a r d e q u e , e l e r r o r experimental por
unidad, se aumente con el tamao del cuadro.
5.2. Modelo Aditivo Lineal de para un DCL

El modelo aditivo lineal para este diseo es el siguiente:
Yij(k) = + Hi + Cj + Tk(ij) + Eijk
Donde:
Yij (k) = Variable respuesta
Hi = Efecto de la i - sima hilera i = 1, 2, 3,... i hileras
Cj = Efecto de la j-sima columna j = 1, 2, 3, j columnas
Tk (ij) = Efecto del k-simo tratamiento en la i-sima hilera y j-sima columna k = 1, 2, 3,
k tratamientos.
Ejk = Error del modelo
En este diseo se prueban hiptesis para columnas, hileras y tratamiento de la misma forma
que se ha hecho anteriormente, es decir, la hiptesis nula asume el efecto de igualdad en
caso y la alternativa su contradiccin.
5.3. Anlisis de Varianza para un diseo Cuadrado Latino DCL
Al igual que los casos anteriores, antes de exponer la salida de varianza, se muestra un
cuadro de concentracin de informacin, que es de donde obtiene como tal al anlisis de
varianza que se debe corresponder con el modelo aditivo lineal.
Cuadro 20. Cuadro de vaciamiento de informacin para un diseo Cuadrado Latino.
Hileras
H1
H2
H3
Hi
Y.j
Columnas
C1
Y11
Y21
Y31
Yi1
Y.1
C2
Y12
Y22
Y32
Yi2
Y.2
C3
Y13
Y23
Y33
Yi3
Y.3
Cj
Y1j
Y2j
Y3j
Yij
Y.j
Yi.
Y1.
Y2.
Y3.
Yi.
Y..
Los tratamientos estn entre las hileras y las columnas bajo las caractersticas que se han
mencionado anteriormente, es por ello que hay que hacer un resumen de los tratamientos en
otro cuadrado como se muestra a continuacin.
Cuadro 21. Resumen de la informacin de los tratamientos extrado de un diseo

Cuadrado Latino.
Tratamiento
Repeticiones
R2
R3
Y12
Y13
Y22
Y23
Y32
Y33
Yi2
Yi3
Y..2
Y..3
R1
Y11
Y21
Y31
Yi1
Y..1
T1
T2
T3
Tk
Yi.
Rj
Y1j
Y2j
Y3j
Yij
Y..j
Y1.
Y2.
Y3.
Y..k
Y
La salida de varianza para un DCL es la siguiente:

Cuadro 22. Salida de varianza para un diseo Cuadrado Latino
FV
gl
Hileras
t-1
SCHileras CMHileras
Columnas
t-1
SCColumn CMColumn
Tratamiento
t-1
SCTRAT.
CMTRAT.
(t-1)(t-2) SCError
t-1
SCTotales
CMError
Error
Total
SC
CM
Fc
Ft
Las ecuaciones de trabajo para el anlisis de varianza de este diseo son las siguientes:
(
Ejemplo:
Se estudia la eficacia de cuatro frmacos diferentes (F1, F2, F3 y F4) en el tratamiento de

una enfermedad, para ello, se observa el nmero de das que tardan en curar los enfermos
tratados con estos frmacos. Se considera que el factor edad y el factor peso pueden influir
en el experimento, por ello, se controlan estos factores y se consideran cuatro niveles de
edad (E1, E2, E3 y E4) y cuatro de peso (P1, P2, P3 y P4). Los resultados del experimento
diseado segn la tcnica del cuadrado latino se reportan en el Cuadro 23. Qu
conclusiones se deducen del experimento a un nivel de significancia del 5%?
Cuadro 23. Efecto de cuatro frmacos en los das para una curar una enfermedad en
pacientes de cuatro grupos etreos y cuatro tipos de peso.
Peso
P1
P2
P3
P4
Grupo Etreo
E2
E3
9.5 F2
7.0 F4
10.0 F1
8.5 F3
6.5 F4
7.0 F1
5.0 F3
6.0 F2
E1
10.0 F1
8.0 F2
7.0 F3
6.0 F4
E4
11.5 F3
9.0 F4
8.0 F2
9.0 F1
Lo primero que se debe hacer es resumir la informacin para columnas e hileras. Esta es la
siguiente:
Peso
P1
P2
P3
P4
Y.j.
E1
10.0
8.0
7.0
6.0
Grupo Etreo
E2
E3
9.5
7.0
10.0
8.5
6.5
7.0
5.0
6.0
E4
11.5
9.0
8.0
9.0
31.0
31.0
37.5
28.5
Yi..
38.0
35.5
28.5
26.0
128.0
y la de tratamiento quedara de la siguiente forma:

Frmaco
(Tratamiento)
Y..k
F1
F2
F3
F4
10.0
8.0
7.0
6.0
10.0
9.5
5.0
6.5
7.0
6.0
8.5
7.0
9.0
8.0
11.5
9.0
36.0
31.5
32.0
28.5
Con esta informacin se puede realizar el anlisis de varianza

(
)
(
)
(
)
(
)
(
Resumiendo lo anterior en la salida de varianza correspondiente a este diseo se tiene lo

siguiente:
Cuadro 24. Salida de varianza para el diseo Cuadrado Latino del ejemplo.
F.V
Peso (Hileras)
Grupo Etreo (Columnas)
Frmaco (Tratamiento)
Error
Total
gl
3
3
3
6
15
SC
24.125
11.125
7.125
4.625
47.0
CM
FC
8.0416667 10.432432
3.7083333 4.8108108
2.375
3.0810811
0.7708333
Ft (0.05)
4.757
4.757
4.757
De acuerdo al anlisis de varianza realizado se concluye al 95% de confiabilidad que existe

efecto significativo del peso en los das que tardan los enfermos en curarse, de igual manera
lo hicieron los grupos etreos estudiados. Al revisar el efecto de los frmacos (tratamiento)
se observ que stos ejercieron el mismo efecto en los das para curarse por lo tanto es
indistinto usar uno o el otro.
En este caso, al igual que en los bloques, si existe efecto de hileras o columnas se concluye
nada ms que era necesario bloquear en ese sentido. Si se encuentra efecto de tratamiento,
se debe aplicar alguna prueba de rangos mltiples.
6. DISEOS FACTORIALES
Como se mencion en un principio, todos los diseos hasta ahora desarrollados son diseos
simples donde solo se ha analizado el efecto de tratamiento. Sin embargo, se presentan
situaciones donde la interrogante a investigar se encuentra supeditada por varios factores
controlables, por ejemplo:
El efecto de diferentes dosis de un desparasitante en nios de diferentes condiciones

sociales.
El efecto de diferentes productos para reducir triglicridos en pacientes con distintas

condiciones corporales, etc.
En la parte introductoria de este documento se mencion que un factor es un tratamiento

que genera ms tratamiento (niveles de un factor). Puede ser que la reduccin de los
triglicridos pueda estar relacionada con tipo de producto y una condicin corporal
determinada, es decir, puede ser que exista efecto de interacciones de los niveles de los
factores estudiados. Si bien es cierto que en algunos casos se pueden estudiar por separados
tales efectos, el tiempo que se requiere para obtener la repuesta es mayor y adems muchas
veces se necesita aplicar ambos factores para ver el comportamiento de las interacciones de
los niveles de stos.
Es por ello que una de las ventajas de este tipo de diseo es que adems de estudiar los
efectos principales, se pueden estudiar las interacciones de los niveles de los factores
reduciendo el tiempo de experimentacin y adems proporcionando conclusiones ms
concretas en el estudio.
Los diseos factoriales se dividen en diseos factoriales simples y diseos factoriales
complejo. Estos pueden ejecutarse en cualquiera de los diseos simples o clsicos hasta
ahora desarrollado, es decir, que se pueden tener diseos factoriales en un diseo
completamente al azar, en bloques completamente al azar y en cuadrado latino. De igual
forma se puede hacer en los diseos factoriales complejos, todo depende de las
caractersticas del material experimental que se utilice en el experimento.
A continuacin se desarrollan diseos factoriales simples en arreglos completamente al azar
y en bloques completamente al azar.
6.1. Cundo utilizar diseos factoriales simples en un arreglo completamente al

azar?
De cuando utilizar estos diseo se ha expuesto anteriormente por lo tanto solo se desarrolla
lo de completamente al azar. Los diseos factoriales simples en arreglo completamente al
azar su utilizan cuando se est interesado estudiar al mismo tiempo el efecto de dos o ms
factores al mismo tiempo y el material experimental a usar es homogneo, es decir, no
presenta factor de estorbo alguna que pueda afectar los resultados del experimento.
De forma general los diseos factoriales simples se puede clasificar de acuerdo al nmero
de factores que se estudien o bien de acuerdo a que si se estudian todos los niveles de los
factores (factoriales completos) o se estudian cierto niveles de stos (factoriales
incompletos).
En funcin del nmero de factores que se estudien, los diseos factoriales pueden ser
bifactoriales, trifactoriales, etc. Generalmente es recomendable hasta tres por el efecto de
interpretacin.
Para el anlisis de experimentos factoriales se analizan primero los efectos principales
(factores individuales) y posteriormente las interacciones de los mismos. Hay autores que
mencionan que en caso de existir efecto de las interacciones no tiene sentido estudiar los
factores por separados ya que para ver el efecto en la variable respuesta se requiere de las
interacciones de los niveles de los factores en estudio.
6.2. Arreglo combinatorio
Como se ha mencionado anteriormente, un factor es una clase de tratamiento que genera
ms tratamiento llamados niveles. Un nivel se refiere a los diferentes tratamientos dentro de
un factor y arreglo combinatorio se refiere a la combinacin de los niveles de los factores
en estudio. Suponga que se tiene un factor A con tres niveles (a1, a2, a3) y un factor B con
cuatro niveles (b1, b2, b3, b4). En este caso se tiene un experimento bifactorial 3 x 4. El
arreglo combinatorio de estos dos factores sera el que se muestra en el Cuadro 25.
Cuadro 25. Arreglo combinatorio bifactorial 3 x 4.
Factor A
a1
a2
a3
Factor B
b1
a1b1
a2b1
a3b1
b2
a1b2
a2b2
a3b2
b3
a1b3
a2b3
a3b3
b4
a1b4
a2b4
a3b4
6.3.Modelo aditivo lineal

Para representar un experimento factorial se utiliza un modelo lineal que tome en
consideracin la suma de una constante general comn a todas las observaciones ms los
efectos principales de los factores a estudiar as como los efectos secundarios
(interacciones) adicionndole finalmente un efecto aleatorio o error experimental. Adems
se tiene que considerar en el modelo la forma de asignacin de los tratamientos definidos
(interacciones) a las unidades experimentales. Esto quiere decir, que si el material
experimental es homogneo, se har en un arreglo completamente al azar, si hay un factor
de estorbo, entonces se har en bloques completamente al azar, etc.
Es importante mencionar que en este tipo de experimentos factoriales, todos los factores se
estudian bajo un mismo rigor, cosa que no ocurres en los experimentos factoriales
complejos ya que en stos se sacrifica precisin en uno para estudiar con mayor precisin el
otro.
Supngase que en el ejemplo de arreglo combinatorio expuesto lneas arriba, se lleva a
cabo en un diseo o arreglo completamente al azar, entonces su modelo aditivo lineal sera
el siguiente:
(
Yijk = Variable respuesta

Ai = Efecto del i-simo nivel del factor A: i = a1, a2, a3 niveles del factor A
Bj = Efecto del j-simo nivel del factor B: j = b1, b2, b3, b4 niveles del factor B
(A*B)ij = Interaccin del i-simo nivel del factor A con el j-simo nivel del factor B
Eijk = Error del modelo
En este diseo se prueban hiptesis tanto para el factor A, factor B y para las interacciones,
bajo la misma tipologa desarrollada en este documento (hiptesis nula e hiptesis
alternativa). En caso de rechazo de la hiptesis nula, se debe hacer prueba de rangos
mltiples segn sea el caso
Un cuadro de vaciamiento de informacin para un diseo bifactorial un arreglo
completamente al azar se muestra a continuacin.
Cuadro 26. Cuadro de vaciamiento de informacin para un diseo bifactorial en un

arreglo completamente al azar.
Factor A
Factor B
b1
b2
b3
bj
b1
b2
b3
bj
b1
b2
b3
bj
b1
b2
b3
bj
a1
a2
a3
ai
1
Y111
Y121
Y131
Y1j1
Y211
Y221
Y231
Y2j1
Y311
Y321
Y331
Y3j1
Yi11
Yi21
Yi31
Yij1
Repeticiones
2
3
Y112
Y113
Y122
Y123
Y132
Y133
Y1j2
Y1j3
Y212
Y213
Y222
Y223
Y232
Y233
Y2j2
Y2j3
Y312
Y313
Y322
Y323
Y332
Y333
Y3j2
Y3j3
Yi12
Yi13
Yi22
Yi23
Yi32
Yi33
Yij2
Yij3
k
Y11k
Y12k
Y13k
Y1jk
Y21k
Y22k
Y23k
Y2jk
Y31k
Y32k
Y33k
Y3jk
Yi1k
Yi2k
Yi3k
Yijk
Yij.
Y11.
Y12.
Y13.
Y1j.
Y21.
Y22.
Y23.
Y2i.
Y31.
Y32.
Y33.
Y3j.
Yi1.
Yi2.
Yi3.
Yij.
De este cuadro se extrae la informacin de los efectos principales y secundarios

(interacciones) como se muestra en el Cuadro 27.
Cuadro 27. Informacin de los efectos principales y de las interacciones entre los
mismos.
Factor A
b1
Y11.
Y21.
Y31.
Yi1.
Y.1.
a1
a2
a3
ai
Y.j.
b2
Y12.
Y22.
Y32.
Yi2.
Y.2.
Factor B
b3
Y13.
Y23.
Y33.
Yi3.
Y.3.
Las ecuaciones de trabajo son las siguientes:

(
b4
Y14.
Y24.
Y34.
Yi4.
Y.4.
bj
Y1j.
Y2j.
Y3j.
Yij.
Y.j.
Yi..
Y1..
Y2..
Y3..
Yi..
Y
)
(
La salida de varianza de acuerdo al modelo aditivo lineal sera la que se muestra en el

Cuadro 28.
Cuadro 28. Salida de varianza para un diseo bifactorial en un arreglo

completamente al azar.
F.V
gl
SC
Factor A
a-1
SCA
F(,glA, gl Error)
Factor B
b-1
SCB
F(,glB, gl Error)
A*B
(a-1)(b-1)
SCAB
Error
ab(r-1)
SCError
Total
abr-1
SCTotales
CM
Fc
)(
(
Ft
F(,glAB, gl Error)
Si el diseo bifactorial se hubiera llevado a cabo en arreglo en bloques completamente al

azar el modelo aditivo lineal es el siguiente:
(
Yijk = Variable respuesta

Ai = Efecto del i-simo nivel del factor A: i = a1, a2, a3 niveles del factor A
Bj = Efecto del j-simo nivel del factor B: j = b1, b2, b3, b4 niveles del factor B
(A*B)ij = Interaccin del i-simo nivel del factor A con el j-simo nivel del factor B
k = Efecto de k-simo bloque: k = 1, 2, 3, bloques
Y la salida de varianza sera la que se muestra en el Cuadro 29.
Cuadro 29. Salida de varianza para un diseo bifactorial en un arreglo de bloques

completamente al azar.
F.V
gl
SC
Bloque
k-1
SCBloques
Factor A
a-1
SCA
F(,glA, gl Error)
Factor B
b-1
SCB
F(,glB, gl Error)
A*B
(a-1)(b-1)
SCAB
Error
(ab-1)(r-1)
SCError
Total
abr-1
SCTotales
CM
Fc
)(
(
Ft
F(, glbloque, gl
Error
F(,glAB, gl Error)
En este caso se adicionara una hiptesis ms que sera la de bloque y si hubiera un rechazo
de Ho, la interpretacin sera la misma que se ha mencionado anteriormente.
Ejemplo
Un mdico est interesado en determinar si tanto el estado nutricional como la edad (grupo
etreo) de la madre tiene efecto sobre el peso del recin nacido. Los estados nutricionales
de su inters fueron: Normal, Sobrepeso y Obesa, y los grupos etreos fueron: menores a 15
aos, 15 a 18 aos, 19 a 30 aos y mayores a 30 aos. Seleccion de forma aleatoria cuatro
madres para cada combinacin de los niveles de los dos factores, estado nutricional y grupo
etreo). Los pesos obtenidos en gramos fueron los que se reportan en el Cuadro 30.
En este caso se tiene un experimento bifactorial, Estado Nutricional y Grupo Etreo, cada
uno con tres y cuatro niveles, respectivamente. Esto hace que se tenga un bifactorial 3 x 4
(esto vendra a ser un factorial completo asimtrico, asimtrico por no tienen el mismo
nmero de niveles y completo por se estudian todos los niveles que han sido propuestos por
el investigador. Por otra parte se tiene cuatro repeticiones por tratamiento (combinacin),
entonces viene a ser un bifactorial 3 x 4 con 4 repeticiones, haciendo un total de 48
unidades experimentales como se muestra en el Cuadro 30.
Para los datos del Cuadro 30 realice lo siguiente:
a. Proponga y describa un modelo aditivo lineal para el experimento.
b. Proponga los juegos de hiptesis a probar.
c. Realice el anlisis de varianza correspondiente de acuerdo al modelo aditivo lineal
propuesto en el inciso a., a una significancia del 1%. Realice conclusiones.

d. Si existe rechazo de Ho en cualquiera de los factores como en las interacciones de
los mismos, realice la prueba de rangos mltiples de Tukey al 99% de confiabilidad.
Emita conclusiones
Cuadro 30. Pesos de los recin nacidos de acuerdo al estado nutricional de la madre y
al grupo etreo de las mismas.
Estado Nutricional Grupo Etreo
Normal
Con sobrepeso
Obesa
Menor de 15
15 a 18
19 a 30
Mayor a 30
Menor de 15
15 a 18
19 a 30
Mayor a 30
Menor de 15
15 a 18
19 a 30
Mayor a 30
1
1800
2000
3000
3100
2100
2500
2700
2900
3000
3100
2800
2800
Repeticiones
2
3
1900
1700
2400
2900
2800
2900
3300
2600
1800
1900
2900
3200
2900
3100
2600
3200
2800
2400
3300
2900
2500
3200
3100
3400
4
2000
3000
3200
2800
2200
2900
3500
2700
2500
3400
3100
3500
Dado que este experimento fue realizado en un arreglo completamente al azar no es

necesario totalizar las columnas por lo tanto se procede a continuacin a obtener la
informacin de las interacciones de los niveles de los factores estudiados. Para ello es
necesario totalizar en fila las interacciones como se muestra en el Cuadro 31 posteriormente
hacer en cuadro de las interacciones que conllevaran a los totales de los efectos principales
como se reporta en el Cuadro 32, estos totales se muestran tanto en la suma de las hileras
como de las columnas de acuerdo a como se dispongan los factores (totales marginales) y
los valores de las interacciones estn dentro del cuadro.
Cuadro 31. Datos del experimento con las interacciones totalizadas.

Estado
Nutricional
Grupo
Etreo
Menor de 15
15 a 18
Normal
19 a 30
Mayor a 30
Menor de 15
15 a 18
Con sobrepeso
19 a 30
Mayor a 30
Menor de 15
15 a 18
Obesa
19 a 30
Mayor a 30
1
1800
2000
3000
3100
2100
2500
2700
2900
3000
3100
2800
2800
Repeticiones
2
3
1900
1700
2400
2900
2800
2900
3300
2600
1800
1900
2900
3200
2900
3100
2600
3200
2800
2400
3300
2900
2500
3200
3100
3400
4
2000
3000
3200
2800
2200
2900
3500
2700
2500
3400
3100
3500
Yij.
7400
10300
11900
11800
8000
11500
12200
11400
10700
12700
11600
12800
Cuadro 32. Efectos principales e interacciones de los factores Estado Nutricional y

Grupo Etreo.
Estado
Nutricional
Normal
Con sobrepeso
Obesa
Y.j.
Grupo Etreo (aos)

Menor de 15
15 a 18
19 a 30
7400
10300
11900
8000
11500
12200
10700
12700
11600
26100
34500
35700
Mayor a 30
11800
11400
12800
36000
Yi..
41400
43100
47800
132300
Desarrollando las actividades solicitadas para el ejemplo se tiene lo siguiente:

a. Modelo aditivo lineal
(
Yijk = Variable respuesta (peso de los recin nacidos)

Ni = Efecto del i-simo estado nutricional; i = Normal, Con sobrepeso y Obesa
Gj = Efecto del j-simo grupo etreo; menores de 15, 15 a 18, 19 a 30 y mayores a 30 aos
(N*E)ij = Efecto de la interaccin del i-simo nivel del factor Estado Nutricional con el jsimo nivel del factor Grupo Etreo
b. Juego de Hiptesis
Como existen dos factores y sus interacciones, las hiptesis son las siguientes:
Para el factor Estado Nutricional:
Ho: Normal- Sobre peso- Obesa = 0
Ha: Normal- Sobre peso- Obesa 0
Para el factor Grupo Etreo:
Ho: menores de 15 - 15 a 18 - 19 a 30 - mayores 30 aos = 0
Ha: menores de 15 - 15 a 18 - 19 a 30 - mayores 30 aos 0
Para las interacciones:
Ho: a1b1 - a1b2 - a1b3 - a1b4 - a3b4 = 0
Ha: a1b1 - a1b2 - a1b3 - a1b4 - a3b4 0
c. Anlisis de varianza
(
)
(
)
(
(
(
)
(
)
)
Con estos clculos se construye la salida o tabla de varianza como se muestra en el Cuadro
33.
Cuadro 33. Salida de varianza para el diseo bifactorial en un DCA del ejemplo.
F.V
Estado Nutricional
Grupo Etreo
Interaccin
Error
Total
gl
2
3
6
36
47
SC
1373750
5510625
1196250
2957500
11038125
CM
686875
1836875
199375
82152.778
Fc
8.3609467
22.359256
2.4268808
Ft (0.01)
5.248
4.377
3.351
De acuerdo a los resultados del anlisis de varianza se puede concluir con 99% de
confiabilidad que el peso de los recin nacidos se ve afectado por el Estado Nutricional y
por el Grupo Etreo de las madres, es decir, que ejercen efectos significativos (P < 0.01) en
el peso de los recin nacidos, no as las interacciones de los niveles estudiados ya que sta
result ser no significativa. Esto indica que los factores estudiados ejercen efectos aditivos
o bien que actan de forma independiente en la variable respuesta.
d. Separacin de media de Tukey al 99% de confiabilidad
Cuando se dan este tipo de resultados hay que determinar el nivel o niveles de cada factor
que provocaron el rechazo de la hiptesis nula en el anlisis de varianza. Para ello hay que
hacer los ajustes necesarios como se muestra en el Cuadro 34.
Cuadro 34. Ajuste de los efectos principales y secundarios para la separacin de
medias.
Efecto
Total
Promedio
Yi..
Y.j.
AB
Yij.
Aplicando estos ajustes para los efectos principales se tiene lo siguiente:
Ajuste
Estado Nutricional
Normal
Con sobrepeso
Obesa
Totales
41400
43100
47800
Promedio
2587.5
2693.75
2987.5
Aplicando Tukey para el factor Estado Nutricional se tiene lo siguiente:
Ordenando los promedios de los niveles del factor Estado Nutricional y estableciendo las
comparaciones correspondiente se tiene lo siguiente:
Estado Nutricional
Obesa
Con sobrepeso
Normal
Promedio
2987.5
2693.75
2587.5
Comparaciones
Obesa-Sobrepeso
Obesa- Normal
Sobrepeso - Normal
Diferencias Resultado
a
293.75 ns
ab
400 *
b
106.25 ns
En este caso se puede decir que de los niveles del factor Estado Nutricional, solo el nivel
Obesa ejerci un efecto distinto (P <0.01) en el peso de los recin nacidos.
Los ajustes para los niveles del factor Grupo Etreo se tiene lo siguiente:
Grupo Etreo
Menor de 15
15 a 18
19 a 30
Mayor a 30
Totales
26100
34500
35700
36000
Promedio
2175
2875
2975
3000
Aplicando la Tukey para los niveles del factor Grupo Etreo
Ordenando los promedios de los niveles del factor Grupo Etreo y estableciendo las
comparaciones correspondiente se tiene lo siguiente:
Comparaciones
Mayor a 30 - 19 a 30
Mayor a 30 - 15 a 18
Mayor a 30 - Menor a 15
19 a 30 - 15 a 18
19 a 30 - Menor a 15
15 a 18 - Menor a 15
Grupo Etreo
Mayor a 30
19 a 30
15 a 18
Menor de 15
Diferencias
25 ns
125 ns
825*
100 ns
800 *
700 *
Promedio
3000
2975
2875
2175
Resultado
a
a
a
b
De acuerdo a los resultados de Tukey se puede concluir que de los niveles del factor Grupo
Etreo, solamente uno de stos ejerci un efecto distinto el peso de los recin nacidos como
las madres menores de 15 aos.
BIBLIOGRAFIA CONSULTADA PARA ESTRUCTURAR EL DOCUMENTO
COCHRAN, W. y G.M. COX. 1991. Diseos Experimentales. 2da. Edic. Edit. Trillas.
Mxico, D.F.
FREUD, R.J. and R.C. LITTELL. 1991. SAS System for Regression. SAS Institute Inc,
Cary. N.C. USA.
HERRERA HARO, J.G y G. LORENZANA. 1994. Aplicaciones del SAS (Statistical
Analysis System) a los Mtodos Estadsticos. Instituto Tecnolgico Agropecuario
de Oaxaca. Oaxaca, Mxico.
HILDERBRAND, P.E. y F. POEY. 1989. Ensayos Agronmicos en Fincas segn el
Enfoque de Sistemas Agropecuarios. Edit. Agropecuaria Latinoamericana, Inc.
Estados Unidos de Norteamrica.
INFANTE GIL, S. y G. ZARATE DE LARA. 1990. Mtodos Estadsticos. Un enfoque
interdiciplinario. 2da. Edic. Edit. Trillas. Mxico, D.F.
LITTLE, T. y F.J. HILLS. 1989. Mtodos Estadsticos para la Investigacin Agropecuaria.
2da. Edic. Edit. Trillas. Mxico, D.F.
LOPEZ, P.F. 1989. Uso del SAS para anlisis estadsticos de datos experimentales. Centro
Agronmico Tropical de Investigacin y Enseanza C.A.T.I.E. Turrialba, Costa
Rica.
MARTINEZ-GARZA, A. 1988. Diseos Experimentales. Mtodos y Elementos de Teora.
Edit. Trillas. Mxico, D.F,
MARTINEZ-GARZA, A. 1994. Experimentacin Agrcola. Mtodos Estadsticos.
Universidad Autnoma Chapingo. Chapingo, Mxico.
MARTINEZ
SOLARIS,
F.
http://cdn.slidesharecdn.com/ss_thumbnails/estadisticaydiseosexperimentales110925201348-phpapp02-thumbnail.jpg?1316999785
2111.
MONTGOMERY, D.C. 1991. Diseos y Anlisis de Experimentos. Edit. Iberoamria.

Mxico, D.F.
STEEL, R.G.D. y J.H. TORRIE. 1992. Bioestadstica. Principios y Procedimientos. 2da.
Edic. Edit. McGraw-Hill. Mxico, D.F.
RAO, C.R. 1952. Advanced statistical methods in biometric reseach. John Wiley. New
York, USA.
RENDON, S.G. 1992. Mtodos Estadsticos (Muestreo, Diseos Experimentales,
Estadstica No Paramtrica). Universidad Autnoma de Chapingo. Chapingo,
Mxico.
REYES, C.P. 1992. Diseo de Experimentos Aplicados: Agronoma, Biologa, Qumica,
Industrias, Ciencias Sociales. 3era Edic. Edit. Trillas. Mxico, D.F.
RODRIGUEZ del ANGEL, J.M. 1991. Mtodos de Investigacin Pecuaria. Edit. Trillas.
Mxico, D.F.
WAYNE W. D. 1977. Estadstica con Aplicaciones a las Ciencias Sociales y a la
Educacin. Edit. McGraw-Hill. Mxico.

Estadisticaaplicadaalaeducacinsuperior 130518195819 Phpapp01

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadisticaaplicadaalaeducacinsuperior 130518195819 Phpapp01

Cargado por

Copyright:

Formatos disponibles

ESCUELA

Por: Ing. M.Sc. Francisco Martnez Solaris

Santa Cruz, Mayo del 2013

La investigacin sobre el aprendizaje y la enseanza ha avanzada tremendamente, y los

La experimentacin es instrumento de vital importancia para la investigacin ya que por medio

Ing. M.Sc. Francisco Martnez Solaris

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

1. REGRESION Y CORRELACION LINEAL SIMPLE

En muchas reas de la investigacin cientfica, la variacin en las mediciones de una

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

Todos los supuestos anteriores se pueden resumir en los siguientes:

1.2. Diagrama de Dispersin

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

El diagrama de dispersin quedara de la siguiente forma:

Costo (Miles de millones $us)

Produccin (Miles de Millones $us)

De acuerdo a la informacin que proporciona el diagrama de dispersin se puede observar

1.3. Mtodo de Mnimos Cuadrado

A la tcnica antes mencionada se le denomina "Tcnica de Mnimos Cuadrados". Usando

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

Al aplicar la tcnica de mnimos cuadrados se llegan a obtener las ecuaciones de trabajo de

Intercepto de la recta de estimacin

= 0.423738, Coeficiente de regresin

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

; Intercepto, por lo tanto la

ecuacin de estimacin quedara de la siguiente manera:

; o bien se puede decir que:

Costos = 0.423738 (Produccin) 1.46798

A travs del Clculo del Coeficiente de Determinacin (R2)

Por medio del Anlisis de Varianza de la Regresin (ANARE)

Coeficiente de Determinacin (R2) o Variabilidad (varianza explicada)

Para el caso del ejemplo anterior el R2 es el siguiente:

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

debida a otras causas (error)

La primera columna encabezada por FV (Fuentes de variacin) es donde se declara las

, ya que ste es una constante por lo tanto no es una

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

La segunda columna encabeza por gl (Grados de Libertad). De forma general grados de

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

Vaciando esta informacin en la tabla de ANARE se tiene lo siguiente y obteniendo el

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

De los resultados de la tabla se puede observar que el Fc es mayor que el Ft lo cual

1.5. Interpretacin de los Componentes de la Ecuacin de Estimacin

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

Existen casos donde si existe interpretacin lgica como lo muestra el trabajo de

1.6. Dibujo de la Recta de Estimacin

Costo (miles de millones de $us)

Produccin (miles de millones de $us)

1.7. Regresin no Lineal

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

1.8. Correlacin Lineal Simple

y 0.4 r < Asociacin dbil y positiva

El coeficiente de Correlacin Lineal Simple se determina a travs de la siguiente ecuacin:

, que para el caso del ejemplo sera el siguiente:

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

Correlacin Lineal Simple

2. ASPECTOS GENERALES DE LA EXPERIMENTACIN

homogneamente posible y manejndolas de manera uniforme.

3. DISEO COMPLETAMENTE AL AZAR (DCA) O DISEO CON UN SOLO

Este diseo es el ms simple de todos; en l se asigna al azar los tratamientos a grupos de

Por Ing. M.Sc. Francisco Martnez Solaris. Mgs. En Educacin Superior

3.1. Cundo utilizar este Diseo?