Diseno Completamente Al Azar Con Submuestro PDF

UNIVERSIDAD AUTNOMA CHAPINGO
DIVISIN DE CIENCIAS FORESTALES
USO DE CALC DE OPENOFFICE EN EL ANLISIS DE

DISEOS EXPERIMENTALES
TESIS PROFESIONAL
QUE COMO REQUISITO PARCIAL

PARA OBTENER EL TTULO DE:
LICENCIADO EN ESTADSTICA
P R E S E N T A:
CARLOS VERDUZCO ROS
Chapingo, Texcoco, Estado de Mxico, Noviembre de 2009
Esta tesis fue realizada por Carlos Verduzco Ros, bajo la direccin del Dr. Jos Artemio
Cadena Meneses. Fue revisada y aprobada por el siguiente Comit Revisor y Jurado
Examinador, para obtener el ttulo de Licenciado en Estadstica.
PRESIDENTE
______________________________________
Nombre y firma
SECRETARIO
______________________________________
Nombre y firma
VOCAL
______________________________________
Nombre y firma
SUPLENTE
______________________________________
Nombre y firma
SUPLENTE
______________________________________
Nombre y firma
Chapingo, Texcoco, Edo. de Mxico, Noviembre de 2009

2
DEDICATORIA
A MIS PADRES...
Lorenzo y Mara Concepcin
Quienes con su apoyo, cario, consejos y confianza me han otorgado las habilidades y capacidades que
me permitirn, el da de maana, enfrentar la vida con xito.
Eternamente agradecido, pues de ustedes recib lo ms valioso: El Don de la Vida y la mejor herencia: Mi
Carrera Profesional.
A MIS HERMANOS (AS) Y FAMILIARES...
Gracias por el apoyo, consejos y confianza para seguir adelante en mi persona y mis estudios; y no
teniendo otra forma de agradecerles, ms que esforzndome por alcanzar el xito, quiero que sientan que
el objetivo logrado tambin es suyo.
AGRADECIMIENTOS
A mi alma mater la Universidad Autnoma Chapingo por brindarme la oportunidad de lograr una profesin
con valores y tica.
Al Jurado calificador: Dr. Jos Artemio Cadena Meneses, M.C. Alejandro Corona Ambiz, M.C. ngel Leyva
Ovalle, Dr. Hugo Ramrez Maldonado y Lic. MArgarito Soriano Montero , por dedicar un poco de su valioso
tiempo en excelentes observaciones y comentarios durante el desarrollo del trabajo.
A todos mis amigos (as) de Chapingo, gracias por esos momentos que pasamos juntos.
Sinceramente
Carlos Verduzco Ros
CONTENIDO
NDICE DE CUADROS.vii
RESUMEN...ix
SUMMARY....x
1. INTRODUCCIN ................................................................................................ 1
2. JUSTIFICACIN ............................................................................................... 14
3. OBJETIVOS ...................................................................................................... 15
3.1. OBJETIVO GENERAL ................................................................................ 15
3.2. OBJETIVOS PARTICULARES .................................................................... 15
4. ANTECEDENTES ............................................................................................. 15
5. PRUEBAS DE HIPTESIS Y CONCEPTOS BSICOS DE DISEOS
EXPERIMENTALES ........................................................................................ 17
5.1. PRUEBAS DE HIPTESIS ................................................................................. 18
5.1.1. Definiciones bsicas............................................................................. 18
5.1.2. Error Tipo I Y Tipo II ............................................................................. 19
5.1.3. Estadstica de prueba y valores tabulados ........................................... 21
5.1.4. Distribuciones de probabilidad continuas ............................................. 22
5.1.4.1. Distribucin t de Student. ............................................................... 22
5.1.4.2. Distribucin F de Snedecor ........................................................... 23
5.2. CONCEPTOS BSICOS DE DISEOS EXPERIMENTALES ....................................... 24
5.2.1. Definiciones .......................................................................................... 24
5.2.2. Modelo lineal ........................................................................................ 25
5.2.2.1. Conceptos bsicos. ....................................................................... 25
5.2.2.2. Error experimental ......................................................................... 26
5.2.2.3. Modelo lineal general..................................................................... 27
5.2.3. Supuestos bsicos de los diseos experimentales .............................. 27
5.2.4. Hiptesis a probar ................................................................................ 28
5.2.5. Anlisis de varianza ............................................................................. 28
6. DISEO COMPLETAMENTE AL AZAR (DCA)................................................. 34
6.1. CARACTERSTICAS ......................................................................................... 34
6.2. VENTAJAS ..................................................................................................... 35
6.3. DESVENTAJAS ............................................................................................... 36
6.4. MODELO LINEAL ............................................................................................ 36
6.5. HIPTESIS A PROBAR ..................................................................................... 36
6.6. ANLISIS DE VARIANZA ................................................................................... 37
4
6.7. REGLA DE DECISIN....................................................................................... 37

7. DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO ...................... 42
7.1. MODELO LINEAL PARA SUBMUESTREO ............................................................. 42
7.3. ANLISIS DE VARIANZA CON SUBMUESTREO. NMERO IGUAL DE SUBMUESTRAS. . 43
7.4. REGLA DE DECISIN....................................................................................... 45
8. DISEO EN BLOQUES COMPLETOS AL AZAR (DBCA) ................................ 50
8.1. CARACTERSTICAS ......................................................................................... 50
8.2. VENTAJAS ..................................................................................................... 50
8.3. DESVENTAJAS ............................................................................................... 51
8.4. MODELO LINEAL ............................................................................................ 51
8.6. ANLISIS DE VARIANZA ................................................................................... 52
8.7. REGLA DE DECISIN....................................................................................... 53
9. COMPARACIONES MLTIPLES DE MEDIAS DE TRATAMIENTOS .............. 56
9.2. DIFERENCIA MNIMA SIGNIFICATIVA (DMS) ...................................................... 58
9.2.1. Ventajas ............................................................................................... 59
9.2.2. Desventajas ......................................................................................... 59
9.2.3. Regla de decisin ................................................................................. 60
9.3. PRUEBA DE TUKEY ........................................................................................ 66
9.3.1. Regla de decisin ................................................................................. 67
9.4. PRUEBA DE DUNCAN ...................................................................................... 73
9.4.1. Regla de decisin ................................................................................. 75
9.5. PRUEBA DE SCHEFF..................................................................................... 80
9.5.1 Regla de decisin .................................................................................. 81
9.6. PRUEBA DE STUDENT-NEWMAN-KEULS (S-N-K) .............................................. 87
9.6.1. Regla de decisin ................................................................................. 88
10. DISEO EN CUADRO LATINO ...................................................................... 94
10.1. CARACTERSTICAS ....................................................................................... 94
10.2. MODELO LINEAL .......................................................................................... 95
10.3. CONSTRUCCIN DE UN CUADRO LATINO BSICO ............................................. 95
10.4. HIPTESIS A PROBAR ................................................................................... 96
10.5. ANLISIS DE VARIANZA ................................................................................. 96
10.6. REGLA DE DECISIN ..................................................................................... 98
11. DISEO FACTORIAL.................................................................................... 102
11.1. CARACTERSTICAS ..................................................................................... 102
11.2. NOMENCLATURA ........................................................................................ 103
11.3. TIPOS DE DISEOS FACTORIALES ................................................................ 103
11.4. MODELO LINEAL ........................................................................................ 104
5
11.5. ANLISIS DE VARIANZA ............................................................................... 108

11.6. DISEO FACTORIAL 2K ................................................................................ 109
11.7. DISEO FACTORIAL 3K ................................................................................ 120
11.8. DISEO FACTORIAL 3K X 2L.......................................................................... 132
12. DISEO EN PARCELAS DIVIDIDAS ............................................................ 142
12.1. CARACTERSTICAS ..................................................................................... 142
12.2. MODELO LINEAL ........................................................................................ 143
12.3. HIPTESIS A PROBAR ................................................................................. 144
12.4. ANLISIS DE VARIANZA ............................................................................. 1454
12.5. REGLA DE DECISIN ................................................................................... 147
13. CONCLUSIONES .......................................................................................... 151
14. BIBLIOGRAFA ............................................................................................. 152
15. APNDICE .................................................................................................... 153
NDICE DE CUADROS
Cuadro 1. Cronologa de las versiones de OpenOffice ......................................... 14
ei . H0: = 0
Cuadro 2. Anlisis de varianza para el modelo Yi
vs Ha: 0.31
ei . H0: = 0
vs Ha: 0. 32
Cuadro 4. Estructura del anlisis de varianza para el diseo completamente al
azar. ..................................................................................................... 36
Cuadro 5. Datos (en lb/pulgada2) del experimento a la tensin. ........................... 37
Cuadro 6. Diseos experimentales ms comunes y comparacin mltiple de
medias .................................................................................................. 38
Cuadro 7. Diseo completamente al azar. ............................................................ 39
Cuadro 8. Anlisis de varianza para el diseo completamente al azar. ................ 40
Cuadro 9. Estructura del anlisis de varianza para un diseo completamente al
azar con submuestreo. Nmero igual de submuestras. ....................... 43
Cuadro 10. Crecimiento en una semana de tallos de plantas de menta cultivadas
en una solucin nutritiva. ...................................................................... 45
Cuadro 11. Diseo completamente al azar con submuestreo. .............................. 47
Cuadro 12. Anlisis de varianza para el diseo completamente al azar con
submuestreo. ..................................................................................................... 48
Cuadro 13. Estructura del anlisis de varianza para el diseo en bloques
completos al azar. .............................................................................. 51
Cuadro 14. Produccin de tomate en toneladas por hectrea con la aplicacin
de insecticidas .................................................................................... 53
Cuadro 15. Diseo en bloques completos al azar. ................................................ 54
Cuadro 16. Anlisis de varianza para el diseo en bloques completos al azar. .... 55
Cuadro 17. Pruebas de comparaciones mltiples de medias ............................... 61
Cuadro 18. Prueba de la Diferencia Mnima Significativa. .................................... 62
Cuadro 19. Prueba de la Diferencia Mnima Significativa con las medias de
tratamientos ordenados ...................................................................... 63
Cuadro 20. Diferencias de medias (Dk) de tratamientos ordenados y valores
de las DMS ......................................................................................... 64
7
Cuadro 21. Prueba de Tukey. ............................................................................... 69

Cuadro 22. Prueba de Tukey con las medias de tratamientos ordenados ............ 70
de k ................................................................................................... 70
Cuadro 24. Prueba de Duncan .............................................................................. 76
Cuadro 25. Prueba de Duncan con las medias de tratamientos ordenados ......... 77
de Ck................................................................................................... 78
Cuadro 27. Prueba de Scheff .............................................................................. 83
Cuadro 28. Prueba de Scheff con las medias de tratamientos ordenados .......... 84
de K ................................................................................................... 84
Cuadro 30. Prueba de Student-Newman-Keuls (S-N-K) ....................................... 90
Cuadro 31. Prueba de Student-Newman-Keuls (S-N-K) con las medias de
tratamientos ordenados ...................................................................... 91
de (S-N-K)K ........................................................................................ 91
Cuadro 33. Cuadro latino bsico ........................................................................... 94
Cuadro 34. Estructura del anlisis de varianza para un diseo en cuadro latino .. 96
Cuadro 35. Cuadro Latino aleatorizado (en base a las hileras)............................. 98
Cuadro 36. Concentracin bacteriana (n de clulas / ml (segn la escala
de Mc Farland 1 x 109)). ..................................................................... 98
Cuadro 37. Diseo en cuadro latino .................................................................... 100
Cuadro 38. Anlisis de varianza para el diseo en cuadro latino. ....................... 101
Cuadro 39. Notaciones para el diseo factorial 22. ............................................. 109
Cuadro 40. Mtodo de Yates para el anlisis de experimentos factoriales 2 2. .... 109
Cuadro 41. Experimento factorial 23. Rendimientos de Caa en Toneladas
por Hectrea. .................................................................................... 111
Cuadro 42. Estructura del anlisis de varianza para el diseo factorial 2 3
en bloques completos al azar. .......................................................... 114
Cuadro 43. Tipos de diseos factoriales ms comunes ...................................... 116
8
Cuadro 44. Diseo factorial 2k en bloques completos al azar. ............................ 117

Cuadro 45. Anlisis de varianza para el diseo factorial 23 en bloques
completos al azar. ............................................................................ 118
Cuadro 46. Datos de la prdida de jarabe (las unidades son centmetros
cbicos-70) ....................................................................................... 122
completamente al azar. ................................................................................... 125
Cuadro 48. Diseo factorial 3k completamente al azar. ....................................... 129
Cuadro 49. Anlisis de varianza para el diseo factorial 33 completamente
al azar. .............................................................................................. 130
Cuadro 50. Nmero de gotas por centmetro cuadrado presentes en el
papel kromekotes. ............................................................................ 132
Cuadro 51. Estructura del anlisis de varianza para el diseo factorial
3 x 22 en bloques completos al azar. ................................................ 135
Cuadro 52. Diseo factorial 3k x 2l en bloques completos al azar ....................... 139
Cuadro 53. Anlisis de varianza para el diseo factorial 3 x 22 en bloques
completos al azar. ............................................................................ 141
Cuadro 54. Estructura del anlisis de varianza para el diseo en parcelas
divididas. .......................................................................................... 144
Cuadro 55. Produccin de caa en toneladas por hectrea. .............................. 147
Cuadro 56. Diseo en parcelas divididas. ........................................................... 148
Cuadro 57. Anlisis de varianza para el diseo en parcelas divididas. ............... 150
USO DE CALC
EXPERIMENTALES
DE
OPENOFFICE
EN
EL
ANLISIS
DE
DISEOS
RESUMEN
Actualmente existen en el mercado muchos paquetes de software que permiten
desarrollar un conjunto de aplicaciones para oficina, actividades dentro de la
informtica, siendo Microsoft Office el ms conocido y el que tiene la mayora del
mercado general en el entorno. Sin embargo, otro paquete que est teniendo gran
importancia en el mercado, y competencia del anterior, es el paquete de software
OpenOffice, que es un software libre muy similar a Office.
Este trabajo se realiz con Calc de OpenOffice, que es una herramienta para trabajar
con hojas de clculo, en la cual se resolvieron ejemplos de diseos experimentales y
comparaciones mltiples de medias de tratamientos ms comunes tomados de algunos
libros clsicos de diseos experimentales. Primero se hizo una revisin de pruebas de
hiptesis y conceptos bsicos de diseos experimentales que son muy tiles en el
desarrollo de este trabajo. Despus se desarrollaron los siguientes tipos de diseos
experimentales y comparaciones mltiples de medias de uso ms comn: diseo
completamente al azar balanceado y desbalanceado, diseo completamente al azar con
submuestreo, diseo en bloques completos al azar, comparaciones mltiples de medias
de tratamientos, diseo en cuadro latino, algunos diseos factoriales y el diseo en
parcelas divididas.
Los ejemplos fueron resueltos en forma detallada en Calc de OpenOffice en el archivo

nombrado DISEOS EXPERIMENTALES el cual es parte de este trabajo. Calc de
OpenOffice es muy fcil de usar y de gran similitud con Excel de Microsoft y se puede
trabajar con esta herramienta sin gran dificultad.
Palabras clave: Software, tratamiento, prueba de hiptesis, comparacin de medias.
10
SUMMARY
At the moment they exist in the market many software packages that allow developing a
group of applications for office, activities inside the computer science, being Microsoft
Office the good known one and the one that has most of the general market in our
environment. However, another package that is having great importance in the market,
and competition of the previous one, is the software package OpenOffice that is free and
very similar software to Microsoft Office.
This work was carried out with OpenOffice Calc, that is a tool to work with calculation
leaves, in which were solved examples of experimental designs and multiple
comparisons of stockings of treatments more common taken of some classic books of
experimental designs. First it was made a check of hypothesis tests and basic concepts
of experimental designs that will be very useful in the development of this work. Then
the following types of experimental designs and multiple comparisons of stockings were
developed to be of more common use: design totally at random balanced and
desbalanceado, design totally at random with subsampling, design in complete blocks at
random, multiple comparisons of stockings of treatments, design in latin square, factorial
designs and design in divided parcels.
The examples were solved in form detailed in OpenOffice Calc in the file
"EXPERIMENTAL DESIGNS" which is part of this work. Calc of OpenOffice is very
easy of using and of great similarity with Microsoft Excel and one can work with this
tool without great difficulty.
Key words: Software, treatment, hypothesis test, comparison of stockings.
11
1. INTRODUCCIN
OpenOffice es un software de acceso libre y cdigo abierto; es decir, que se puede

descargar directamente en Internet de forma gratuita en la siguiente direccin:
http://es.openoffice.org/. Otra caracterstica muy importante de este software es el
hecho de ser multiplataforma, puede ser instalado y ejecutado en diversas plataformas
como Linux (en todas sus distribuciones), Mac OS-X (en versin ingls), Free-BSD,
Solaris y Microsoft Windows desde la versin 95.
El paquete contiene las siguientes herramientas:
OpenOffice.org Writer - Herramienta dedicada a la edicin de texto tambin llamado

procesador de textos.
OpenOffice.org Calc - Herramienta para trabajar con hojas de clculo.
OpenOffice.org Impress - Herramienta destinada a crear presentaciones y diapositivas.
OpenOffice.org Draw - Herramienta destinada a crear diagramas, dibujos y grficos.
OpenOffice.org Math - Herramienta para la representacin de frmulas matemticas.
En este trabajo se usaron las herramientas para trabajar con hojas de clculo, Calc de
OpenOffice, las cuales fueron tiles en el anlisis de los diseos experimentales ms
comunes.
OpenOffice Calc es una aplicacin de hojas de clculo que se puede usar para calcular,
analizar y gestionar datos. Una hoja de clculo es una tabla donde cada celda puede
contener alguno de los siguientes tipos de datos: texto, valores numricos, frmulas o
referencias a otros archivos.
12
Tambin se pueden importar y modificar hojas de clculo de Microsoft Excel.

OpenOffice Calc incorpora funciones estadsticas y financieras, que se pueden utilizar
para crear frmulas que realicen clculos complejos. En este caso, los clculos son
enfocados a resolver problemas de diseos experimentales.
En la investigacin cientfica, es comn que se formulen hiptesis para luego verificarlas

o rechazarlas directamente, por sus consecuencias. Tal proceso requiere de la
coleccin de observaciones, a travs de un patrn bien definido, el cual constituye el
diseo de un experimento.
Se pueden distinguir dos tipos de experimentos en la investigacin cientfica: los

experimentos absolutos y los comparativos. El primer tipo de experimentos considera la
determinacin de un valor especfico. Los experimentos comparativos, permiten la
comparacin de dos o ms tratamientos, al medir su efecto sobre una determinada
caracterstica de la poblacin. En este trabajo, slo se trataran diseos comparativos
sobre la igualdad de sus tratamientos.
De acuerdo con Cramer (1960), la estadstica tiene tres funciones fundamentales en el

mtodo cientfico: descripcin, anlisis y prediccin. Por descripcin se entiende, el
proceso de reducir una masa de observaciones procedentes de un fenmeno aleatorio,
a un conjunto tan pequeo de valores, como sea posible. El anlisis de la informacin,
se refiere a ciertas funciones de las observaciones, denominadas estadsticos, que
permiten describir en forma compacta a una poblacin, si se cuenta exclusivamente con
informacin a partir de una muestra. Se incluyen tambin en el anlisis, el
establecimiento de criterios de prueba de las hiptesis planteadas por el investigador.
La tercera funcin de la estadstica en el mtodo cientfico, es la prediccin, la cual es
propiamente, el objetivo principal de la aplicacin del mtodo cientfico al estudio de un
fenmeno.
13
El diseo estadstico de experimentos se refiere al proceso para planear el experimento

de tal forma que se recaben los datos adecuados que puedan analizarse con mtodos
estadsticos para obtener conclusiones vlidas y objetivas.
Los tres principios bsicos del diseo experimental son la aleatorizacin, la realizacin
de rplicas y la formacin de bloques. Por aleatorizacin se entiende que tanto la
asignacin del material experimental como el orden en que se realizarn las corridas o
ensayos individuales del experimento se determinan al azar. La realizacin de rplicas o
repeticin del experimento bsico, permite al experimentador obtener una estimacin
del error experimental y obtener una estimacin precisa sobre el efecto de un factor en
el experimento. La formacin de bloques es una tcnica de diseo que se utiliza para
mejorar la precisin de las comparaciones que se hacen entre los factores de inters.
2. JUSTIFICACIN
El hecho de trabajar con Calc de OpenOffice, es para dar a conocer este software libre
y presentarlo como una opcin para el anlisis de diseos experimentales, ya que a
diferencia de otros paquetes gratuitos, ste es ms fcil de usar, y cualquier usuario
podra hacer uso de l porque no se necesita tener conocimientos sobre lenguajes de
programacin; adems, Calc de OpenOffice es equivalente a Excel de Microsoft Office,
pero a diferencia de ste, OpenOffice es un paquete de cmputo libre, el cual est
disponible en Internet de forma gratuita en la direccin mencionada en la Introduccin, y
se puede hacer uso de este paquete con la intencin de hacer frente al dominio en el
mercado de Microsoft Office y como universidad pblica no depender tanto de este
ltimo, proporcionando una alternativa abierta, sin costo y de alta calidad para el
anlisis de diseos experimentales.
Por lo tanto, es una buena opcin hacer uso de esta herramienta para trabajar con
hojas de clculo y mediante funciones o frmulas realizar clculos y analizar datos de
los diseos experimentales; y que a la vez, este trabajo sirva como apoyo en los cursos
de diseos experimentales que se imparten en las diferentes carreras de la Universidad
14
Autnoma Chapingo. Para un mejor uso de estas hojas de clculo, los usuarios deben
tener conocimientos bsicos de estadstica y diseo de experimentos.
3. OBJETIVOS
3.1. OBJETIVO GENERAL

Mostrar el uso de Calc de OpenOffice en el anlisis estadstico de los diseos
experimentales ms comunes.
3.2. OBJETIVOS PARTICULARES
Mostrar que Calc de OpenOffice es una alternativa para resolver problemas
estadsticos y hacer uso de l en lugar de paquetes equivalentes que no sean
libres.
Dar a conocer la forma de usar esta herramienta para trabajar con hojas de
clculo para hacer uso de ella y no depender tanto de un software que no sea
libre.
4. ANTECEDENTES
OpenOffice es una suite ofimtica de software libre y cdigo abierto, desarrollado en un

principio por la compaa alemana StarDivision. El cdigo fue adquirido en 1999 por
Sun Microsystems. En agosto de 1999 la versin 5.2 de StarOffice se hizo disponible de
forma gratuita. El cdigo fuente de la aplicacin est disponible bajo la licencia LGPLLesser General Public License" (Licencia Pblica General Menor)-, la cual puede
aplicar a sus programas tambin. El Cuadro 1 muestra una cronologa de las versiones
de OpenOffice
Cuadro 1. Cronologa de las versiones de OpenOffice
Versin
Descripcin
Build 638c
El primer lanzamiento importante

15
Fecha de lanzamiento
Octubre de 2001
1.0
1.0.3.1
1 de mayo de 2002
ltimo lanzamiento de la lnea 1.0.x
18 de abril de 2003
1.1
2 de septiembre de 2003
1.1.3
4 de octubre de 2004
1.1.5
ltimo lanzamiento de la lnea 1.1.x
1.1.5secpatch Parches de seguridad (macros)
4 de julio de 2006
2.0
Lanzamiento importante
2.0.1
21 de diciembre de 2005
2.0.2
8 de marzo de 2006
2.0.3
29 de junio de 2006
2.0.4
2.1
12 de diciembre de 2006
2.2
28 de marzo de 2007
2.2.1
12 de junio de 2007
2.3
2.3.1
Actualizacin de estabilidad y seguridad 4 de diciembre de 2007
2.4
27 de marzo de 2008
2.4.1
Junio de 2008
3.0.0
Compatibilidad Office 2007
3.0.1
Corrector gramatical
27 de enero de 2009
3.1
Varios
7 de mayo de 2009
3.1.1
Varios
31 de agosto de 2009
Con respecto a los diseos experimentales, el trabajo pionero de Fisher en los aos
1920 y principios de la dcada de 1930, quien estuvo a cargo de la estadstica y del
anlisis de datos de la Estacin Agrcola Experimental Rothamsted, en Inglaterra.
Mostr cmo los mtodos estadsticos y en particular el diseo de experimentos podan
ayudar a resolver problemas sobre las complejas relaciones que pueden existir entre
varias variables. l fue quien desarroll y us por primera vez el anlisis de varianza
como herramienta fundamental para el anlisis estadstico en un diseo experimental.
Las primeras aplicaciones de los mtodos del diseo experimental tienen lugar
principalmente, en la agricultura, la ciencia forestal y la biologa, y como resultado, gran
16
parte de la terminologa que hoy se emplea proviene de estos antecedentes. Las

aplicaciones industriales del diseo experimental comienzan en la dcada de 1930, en
la industria textil Britnica. Despus de la Segunda Guerra Mundial, los mtodos de
diseo experimental se introducen en las industrias qumicas y de transformacin de
Europa y E.U.
Hoy da su aplicacin se ha generalizado al mundo industrial, agrcola, forestal,

biolgico, de las ciencias de la salud, etc.
5. PRUEBAS DE HIPTESIS Y CONCEPTOS BSICOS DE DISEOS

EXPERIMENTALES
Este trabajo se realiz haciendo uso de Calc de OpenOffice para resolver ejemplos de
los diseos experimentales ms comunes. Por tanto, primero se comenz con una
descripcin general sobre pruebas de hiptesis y de los diseos experimentales.
En los captulos siguientes se contino con el desarrollo detallado de cada tipo de

diseo experimental, y se resolvi un ejemplo en Calc de OpenOffice. Los ejemplos
fueron tomados de libros clsicos de diseos experimentales. Los tipos de diseos
experimentales que se abordaron fueron: diseo completamente al azar balaceado y
desbalanceado, diseo completamente al azar con submuestreo, diseo en bloques
completos al azar, comparaciones mltiples de medias de tratamientos, diseo en
cuadro latino, algunos diseos factoriales y el diseo en parcelas divididas.
Durante el anlisis de los diferentes diseos experimentales, los ejemplos que se

presentan fueron resueltos con Calc de OpenOffice, lo cual es el objetivo de este
trabajo. Por tanto, tambin se proporciona una forma muy detallada de cmo manejar
estas hojas de clculo, para que el lector sea capaz de poder hacer uso de las mismas
y que a la vez le sirva como un manual de Calc de OpenOffice para resolver problemas
de los diseos experimentales ms comunes.
17
Debido a que la mayora de los mtodos estadsticos que se exponen en los captulos
siguientes de diseos experimentales, se caracterizan por el contraste de juegos de
hiptesis en la solucin de problemas especficos, se muestra una breve exposicin de
las pruebas de hiptesis estadsticas, de las distribuciones de probabilidad asociadas
con estas pruebas de hiptesis y de algunos conceptos bsicos de diseos
experimentales, que fueron necesarios para el desarrollo de este trabajo, tomados de
libros de diseos experimentales de los siguientes autores: Castillo (2003), Cochran y
Cox (1980), Fisher (1960), Infante y G. (1990), Martnez (1983), Montgomery (2007),
Scheff (1959), y Steel y Torrie (1988).
5.1. Pruebas de hiptesis

Se hace uso de las pruebas de hiptesis estadsticas para probar la adecuacin de un
modelo especfico, la igualdad de los resultados de distintos tratamientos en un diseo
experimental, el cumplimiento de los supuestos bsicos del modelo o diseo
experimental elegido, entre otras situaciones comunes. En los captulos siguientes se
usaron las pruebas de hiptesis estadsticas para mostrar la igualdad de los resultados
de distintos tratamientos, en un diseo experimental.
5.1.1. Definiciones bsicas

Hiptesis: Aseveracin que se hace acerca de un fenmeno.
Prueba de hiptesis: Mtodo estadstico que se emplea para determinar si una

hiptesis es verdadera o falsa.
A continuacin se definen los elementos esenciales que deben conformar una prueba
de hiptesis.
Hiptesis a probar: Consiste en dos planteamientos que se contraponen: la hiptesis

nula y la hiptesis alternativa. La hiptesis nula es aquella que el investigador est
18
dispuesto a sostener como cierta; se representa como H0. La hiptesis alternativa es

aquella que se contrapone a la hiptesis nula; se representa por Ha.
Estadstica de prueba: Es una frmula estadstica que, con base en los datos
experimentales, permite obtener un dato (valor calculado) que es comparado contra un
valor de tabla (valor tabulado) de la distribucin de probabilidad con la que se relaciona
la estadstica de prueba.
Regla de decisin: Determina la forma en que se deben relacionar el valor calculado y

el valor tabulado de la distribucin de probabilidad de donde provienen los datos
experimentales para rechazar o no la hiptesis nula (H0).
Conclusin: Habiendo rechazado o no la hiptesis nula (H0) se deben establecer las
conclusiones pertinentes con base en el estudio o experimento que se realiza.
Note que en las definiciones anteriores se utiliza la idea de no rechazar en lugar de la

idea de aceptar. Lo anterior se debe al hecho de que las pruebas de hiptesis se
realizan suponiendo un componente aleatorio en los datos experimentales y por lo tanto
no se tiene la entera seguridad de la certeza o seguridad de la H0, por lo que es ms
correcto emplear el no rechazo que la total aceptacin.
Una prueba de hiptesis permitir el rechazar o no rechazar la hiptesis nula (H 0). Si se

rechaza a H0 implica que sta es falsa y no se rechaza a Ha. Si no se rechaza a H0
implica que sta es verdadera y se rechaza a Ha. El enunciado de la hiptesis que no es
rechazada servir de base para dar las conclusiones finales de la prueba de hiptesis.
5.1.2. Error Tipo I Y Tipo II

Cualquier estadstica de prueba est asociada a una distribucin de probabilidad
especfica, por lo que una prueba de hiptesis est sujeta a errores atribuibles al azar.
19
Comnmente se llegan a presentar dos tipos de errores en las pruebas de hiptesis:

Error tipo I y Error Tipo II.
Los errores anteriores se definen de la siguiente forma:

Error Tipo I = Rechazar H0 cuando es cierta.
Error Tipo II = No rechazar H0 cuando es falsa.
Cuando H0 es verdadera y no se rechaza se est tomando la decisin correcta. Cuando
H0 es verdadera y se rechaza se est cometiendo un Error Tipo I. Cuando H 0 es falsa y
se rechaza se est tomando la decisin correcta. Cuando H 0 es falsa y no se rechaza
se est cometiendo un Error Tipo II.
Se desean pruebas de hiptesis en las cuales las probabilidades asociadas a ambos

tipos de errores sean mnimas. Bajo un enfoque probabilstico los errores mencionados
se expresan como:
P[Error Tipo I] = P[Rechazar H0 cuando es cierta]

= (nivel de significancia de la prueba de hiptesis)
P[Error Tipo II] = P[No rechazar H0 cuando es falsa] = .
En trminos prcticos, el nivel de de significancia () se define como el mximo valor de
la probabilidad de Error Tipo I que el experimentador est dispuesto a aceptar al
ejecutar una prueba de hiptesis. Bajo esta definicin es deseable que tome valores
lo ms pequeos posible. Los valores del se expresan en decimales y los ms
comunes en una prueba de hiptesis son 0.1, 0.05, 0.025 y 0.01.
La confiabilidad es un trmino de uso comn en las pruebas de hiptesis y puede ser

definida como la probabilidad de que no ocurra un Error Tipo I. Sus valores se expresan
en porcentaje.
20
Bajo la definicin anterior se puede relacionar al y a la confiabilidad mediante la

frmula:
P[Error Tipo I] + P[No Error Tipo I] = 1

+ confiabilidad = 1.
Una confiabilidad del 90% implica un = 0.1; una confiabilidad del 95% implica un =
0.05; una confiabilidad del 97.5% implica un = 0.025 y una confiabilidad del 99%
implica un = 0.01.
5.1.3. Estadstica de prueba y valores tabulados

Las pruebas de hiptesis se sustentan en supuestos acerca de la distribucin de
probabilidad de donde provienen los datos experimentales. En algunas pruebas de
hiptesis se supone de inicio que los datos experimentales tienen una distribucin
Normal [X~N (, 2)], una distribucin Poisson [X~P ()], etc.
En una prueba de hiptesis, al utilizar la estadstica de prueba, es necesario realizar

operaciones de suma, resta, divisin, multiplicacin o potenciacin sobre los datos
experimentales. Al ejecutar tales operaciones se realiza un proceso anlogo al de una
conversin, por ejemplo, de unidades fsicas, es decir, el valor final que se obtiene no
presenta la distribucin de probabilidad que tienen los datos experimentales sino una
distribucin de probabilidad diferente. Los mecanismos mediante los cuales es posible
transformar una distribucin de probabilidad en base a operaciones matemticas y
lgicas son dados por el rea de conocimiento denominada lgebra de Variables
Aleatorias.
En gran cantidad de las pruebas de hiptesis de uso generalizado se tienen estadsticas

de prueba que generan valores pertenecientes a distribuciones de probabilidad
continuas (t de Student, F de Snedecor, etc). El problema principal consiste en que la
mayora de las funciones de probabilidad continuas, al intentar integrarlas, no admiten
21
una solucin analtica, por lo que se hace uso de tablas de probabilidades especficas
con el fin de poder ejecutar la prueba de hiptesis.
5.1.4. Distribuciones de probabilidad continuas
5.1.4.1. Distribucin t de Student.

En algunas pruebas de hiptesis, que se expondrn en los captulos siguientes, se
supone que los datos experimentales, o los errores que se generan, tienen una
distribucin Normal con media y varianza 2 [X~N (, 2)]. Bajo este supuesto, las
estadsticas de prueba correspondientes generan valores que tienen una distribucin de
probabilidad t de Student.
La distribucin t de Student es parecida a la distribucin Normal Estndar debido a que

tambin es simtrica y tiene una media igual a cero. La principal diferencia se da por el
hecho de que la distribucin t de Student tiene mayor rea de probabilidad en las colas
que la distribucin Normal Estndar. La funcin de probabilidad correspondiente no
admite una solucin analtica, por lo que existe una tabla especfica para el clculo de
probabilidades (Tabla I del Apndice).
En las pruebas de hiptesis se utiliza el cuantil t de Student como el valor tabulado

contra el que se compara el valor calculado, y se representa por t(v), donde es el
nivel de significancia de la prueba de hiptesis y v son los grados de libertad de la
distribucin t de Student.
Cuantil t de Student: Valor de la distribucin t de Student con v grados de libertad tal

que la probabilidad de un valor mayor es igual a .
22
Grados de libertad: Variables independientes con las que se calcula la estadstica de

prueba menos el nmero de parmetros que van a ser contrastados en una prueba de
hiptesis.
Si se quiere encontrar el cuantil t0.05(7) entonces se debe localizar, en la Tabla I del

Apndice, el valor 7 en la columna marcada como v y desplazarse hacia la derecha
hasta la columna de que presente el valor 0.05, el dato ubicado en dicha columna es
el cuantil buscado, en este caso t0.05(7) = 1.9.
5.1.4.2. Distribucin F de Snedecor

En algunas pruebas de hiptesis, que se expondrn en los captulos siguientes, se
supone que los datos experimentales o los errores que se generan tienen una
distribucin Normal con media y varianza 2 [X~N (, 2)]. Bajo este supuesto, las
estadsticas de prueba correspondientes generan valores que tienen una distribucin de
probabilidad F de Snedecor.
La distribucin F de Snedecor presenta formas variadas, por lo general asimtricas, que

dependen de los grados de libertad asociados. Esta distribucin de probabilidad tiene la
caracterstica de estar asociada con dos tipos de grados de libertad conocidos como
grados de libertad del numerador y del denominador. La funcin de probabilidad
correspondiente no admite una solucin analtica por lo que existe una tabla especfica
para el clculo de probabilidades (Tabla II del Apndice).
En pruebas de hiptesis se utiliza el cuantil F como el valor tabulado contra el que se

comparar el valor calculado, y se representa por F(v1, v2), donde es el nivel de
significancia de la prueba de hiptesis, v1 son los grados de libertad del numerador y v2
son los grados de libertad del denominador de la distribucin F de Snedecor.
Si se quiere encontrar el cuantil F0.05(8,10) entonces se debe localizar, en la Tabla II del

Apndice, el valor 8 en la columna marcada como grados de libertad v 1, y a partir de
23
ese valor avanzar hacia abajo hasta la fila de los grados de libertad v2 que tiene el valor
10; en este sitio se localizan cuatro valores correspondientes a los cuantiles de la
distribucin F de Snedecor a un de 0.1, 0.05, 0.025 y 0.01, respectivamente, entonces
se elige el cuantil al deseado; en este caso F0.05(8,10) = 3.07.
5.2. Conceptos bsicos de diseos experimentales
5.2.1. Definiciones
Experimento: Procedimiento que permite obtener una observacin de algn fenmeno
de inters.
Tratamiento: Sustancia, individuo, elemento u objeto cuya accin o efectividad se

desea evaluar y comparar.
Unidad Experimental: rea fsica mnima sobre la cual se aplica un solo tratamiento.
Variable respuesta: Dato o medida que se cuantifica en cada unidad experimental y

cuyos valores permiten evaluar la accin o efectividad de los tratamientos y hacer
comparaciones entre estos.
Diseo experimental: Conjunto ordenado de normas, procedimientos y clculos que

orientan acerca de la forma en que deben disponerse las unidades experimentales en el
campo o laboratorio, la forma en que deben colocarse los tratamientos en las unidades
experimentales, la manera en que deban recopilarse y analizarse los datos
experimentales, para as obtener informacin relevante y con un alto grado de
confiabilidad basado en los datos arrojados por la variable respuesta.
Existe un gran nmero de diseos experimentales para solucionar problemas
especficos, en esta tesis slo se abordaron por considerarse de uso ms comn los
24
siguientes diseos experimentales y comparaciones mltiples de medias de

tratamientos:
Diseo completamente al azar balanceado y desbalanceado.

Diseo completamente al azar con submuestreo.
Diseo en bloques completos al azar.
Comparaciones de mltiples de medias de tratamientos.
o Diferencia Mnima Significativa (DMS).
o Prueba de Tukey.
o Prueba de Duncan.
o Prueba de Scheff.
o Prueba de Student-Newman-Keuls (S-N-W).
Diseo en cuadro latino.
Diseos factoriales.
Diseo en parcelas divididas.
Repeticiones: Nmero de unidades experimentales en las cuales se aplica un mismo

tratamiento. Si un tratamiento especfico se aplica en siete unidades experimentales se
dice que est repetido siete veces o que hay siete repeticiones del tratamiento.
Testigo: Consiste, por lo general, en una unidad experimental en la cual ninguno de los
tratamientos utilizados en el experimento es probado, y cuyo valor obtenido para la
variable respuesta permitir medir la accin o efectividad de los tratamientos.
5.2.2. Modelo lineal
5.2.2.1. Conceptos bsicos.

Modelo lineal: Es un modelo matemtico en donde la relacin principal entre los
trminos que lo componen se da bsicamente mediante sumas y restas.
25
Modelo no lineal: Es un modelo matemtico en donde la relacin principal entre los

trminos que lo componen se da bsicamente mediante multiplicaciones, divisiones y
potencias.
Los modelos matemticos empleados para representar algunos mtodos estadsticos

(como en los diseos experimentales) son modelos estadsticos de tipo lineal, ya que la
relacin principal entre los trminos que lo componen se da mediante sumas y restas.
5.2.2.2. Error experimental

Para unidades experimentales que han recibido el mismo tratamiento, constituye las
diferencias que se presentan entre cada uno de los valores obtenidos en la variable
respuesta y la media del tratamiento. Estas diferencias son de naturaleza aleatoria y se
desconocen las causas que las originan. Es un error estadstico, lo que significa que es
un producto de una variacin incontrolable y generalmente inevitable.
Normalmente, slo una pequea parte del error experimental puede ser atribuido a
errores en la medicin. Efectos importantes pueden quedar ocultos total o parcialmente
por el error experimental y a la inversa, a causa del error experimental el investigador
puede equivocarse y creer en la influencia de efectos que no existen.
En el modelo lineal, el error experimental es representado mediante el trmino de error

aleatorio, ya que ambos trminos, en el desarrollo de los siguientes temas, sern
equivalentes.
Es importante hacer notar que todos los valores que se obtengan para una variable
respuesta sern determinados en parte por el trmino de error aleatorio; no es posible
que los datos experimentales se sustraigan del efecto del trmino de error aleatorio
(error experimental). La importancia principal de este trmino se da cuando se supone
un valor tal que determina en mayor medida la magnitud de la variable respuesta, ya
que as no ser posible detectar diferencias entre tratamientos. Se espera que el valor
26
del trmino de error deba ser muy semejante para cada uno de los datos de la variable
respuesta en el experimento, por lo que se supone que los errores experimentales
tienen una distribucin Normal con media cero y varianza 2, y son independientes
entre s, es decir, eij~NI (0, 2).
5.2.2.3. Modelo lineal general

El modelo lineal general para los diseos experimentales puede ser escrito como:
Yij
eij
donde
Yij
Valor de la variable respueta.

Efecto medio general
eij
Efectos a considerar en el diseo experiment al.

Trmino del error aleatorio.
Los subndices para la variable respuesta (Y) y el trmino del error aleatorio ( e )
dependern del nmero de efectos a considerar en el diseo experimental () y del
nmero de repeticiones.
5.2.3. Supuestos bsicos de los diseos experimentales

Tomando como base lo expuesto en la seccin 5.2.2 es posible determinar los
supuestos bsicos de los diseos experimentales en general:
Existe homogeneidad de varianza entre tratamientos (todos los tratamientos

tienen igual varianza).
Los errores tienen distribucin Normal con media cero y varianza 2, y son
independientes entre s (no estn correlacionados), es decir, eij~NI (0, 2).
27
5.2.4. Hiptesis a probar

Bajo los supuestos mencionados es posible realizar pruebas de hiptesis acerca de los
efectos de los trminos del modelo lineal en un diseo experimental especfico. Con
excepcin del efecto medio general (), los dems trminos en un modelo lineal
especfico reciben la denominacin de fuentes de variacin. En los diseos
experimentales se prueban diferentes pares de hiptesis, dependiendo del nmero de
fuentes de variacin a analizar. La hiptesis nula (H0) siempre postula la igualdad entre
los diferentes niveles de una fuente de variacin, mientras que la hiptesis alternativa
(Ha) siempre postula que al menos uno de los niveles de la fuente de variacin produce
un efecto diferente. Es importante mencionar que, en cualquier diseo experimental,
para el trmino de error aleatorio no se realizan pruebas de hiptesis, sino que se
constituye en un elemento bsico para probar las hiptesis de las fuentes de variacin
restantes.
5.2.5. Anlisis de varianza

En un diseo experimental la tcnica estadstica que se emplea para contrastar las
hiptesis derivadas del modelo lineal es el anlisis de varianza. Para un experimento
especfico el anlisis de varianza determina, con un alto grado de confiabilidad, si la
diferencia entre los valores que toma la variable respuesta se debe realmente al efecto
de alguna de las fuentes de variacin involucradas o a efectos aleatorios (determinados
por el azar). El anlisis de varianza es el estadstico de prueba para el contraste de
hiptesis acerca de las fuentes de variacin en un diseo experimental.
A manera de ejemplo se muestra el mtodo y la lgica del anlisis de varianza en el

siguiente modelo lineal generalizado:
28
Yi
ei
donde
Yi
Valor de la variable respueta.

Efecto medio general
ei
Trmino del error aleatorio.
El anlisis de la varianza descansa fundamentalmente en el estudio de la variabilidad

de las observaciones. En este modelo es claro que:
ei
Yi
; i 1,2,..., t
Es decir, un error es la diferencia entre una observacin y el valor verdadero del

parmetro. Ahora se parte de ese error en dos componentes mediante la igualdad
trivial:
Yi
(Yi
Y ) (Y
La igualdad anterior, a pesar de su sencillez, es de extraordinaria importancia en

nuestro desarrollo. Una forma de interpretarla es diciendo que un error est compuesto
por la desviacin de una observacin con respecto a la media muestral, sumada con la
distancia entre la media muestral y la media poblacional. Adems de la igualdad
anterior se sigue que:
)2
(Yi
[(Yi
Y ) (Y
)] 2
Puesto que la igualdad anterior es cierta para todas y cada una de las observaciones Y i
(i=1,2,,t), podemos escribir:
t
)2
(Yi
i 1
[(Yi
)] 2
Y ) (Y
i 1
y mediante la aplicacin de reglas ya conocidas obtenemos la siguiente igualdad:

t
)2
(Yi
i 1
(Yi
Y )2
i 1
)2
(Y
i 1
(Yi
Y ) (Y
(Yi
Y )2
t (Y
)2
2(Y
i 1
(Yi
Y)
i 1
(Yi
i 1
i 1
Y )2
t (Y
)2
ya que
(Yi
i 1
Por tanto, se ha llegado al siguiente resultado:

29
Y)
)2
(Yi
Y )2
(Yi
i 1
)2
t (Y
i 1
en donde se nota que la particin del error
ei en
dos componentes ha llevado a una
expresin similar que involucra sumas de cuadrados de las desviaciones originalmente

desarrolladas. Por esta razn las tres componentes de la ecuacin a la que se lleg se
les llama Sumas de Cuadrados. Bajo la suposicin de que: Y1,,Yt es una muestra
2
aleatoria de N ( ,
) , dichas sumas de cuadrados tienen distribuciones probabilsticas
muy sencillas de derivar, y pueden usarse para generar un procedimiento para probar
hiptesis sobre . Con objeto de derivar las distribuciones de las sumas de cuadrados
dividimos todos los trminos de la ecuacin anterior por 2, obteniendo:
t
)2
(Yi
Y )2
(Yi
i 1
)2
t (Y
2
i 1
De la ecuacin anterior es fcil obtener las distribuciones correspondientes. En efecto,

puesto que cada Yi ~N(, 2), es claro que:
Yi
~N(0, 1) de donde
)2
(Yi
2
2
(1)
Adems, puesto que las Yi son independientes, y usando la propiedad aditiva de la

distribucin Ji- cuadrada, se obtiene:
t
)2
(Yi
2
2
(t )
i 1
El segundo resultado se obtiene de nuestras suposiciones, la distribucin de la media

muestral es N ( ,
t (Y
estndar. Esto es:

Y por lo tanto:
t ) y, por lo tanto, la media estandarizada tiene distribucin Normal
)2
t (Y
2
~N(0, 1)
2
(1)
A la distribucin de la suma de cuadrados restante con la notacin usual identificamos a

la varianza muestral por S2, tenemos que:
2
(t 1)
. Es decir, que:
30
Y )2
2
i 1
distribucin es
(Yi
(t 1) S 2
2
y sabemos que su
Y )2
(Yi
2
( t 1)
i 1
)2
(Yi
i 1
2
(t )
(Yi
Y )2
2
i 1
)2
t (Y
2
2
( t 1)
2
(1)
Una vez obtenidas las distribuciones de A, B y C, se explica cmo pueden usarse para
probar hiptesis sobre . En primer lugar, la particin de la variabilidad que se ha hecho
slo permite probar hiptesis de dos colas sobre . Es decir, que en lo sucesivo nos
referiremos al juego de hiptesis: H0: = 0 en oposicin a Ha: 0, donde 0 es el
valor supuesto del parmetro desconocido. Que no sea posible probar hiptesis de una
cola con esta tcnica es una consecuencia de haber tomado los cuadrados de las
desviaciones. Para derivar una estadstica para probar hiptesis sobre es natural
recurrir a la componente C en la ecuacin anterior, puesto que la variable aleatoria C
involucra no slo a Y y a ,
t (Y
)2
sino adems a la distancia Y
. Sin embargo,
no es una estadstica, dado que tanto como 2 son parmetros
desconocidos. En cuanto a el problema est resuelto, ya que debe tomar el valor

de 0 para fijar el nivel de significancia. Para que la estadstica no dependa de 2
usaremos la componente B. Dado que B y C son ambas variables aleatorias Jicuadradas, tenemos que:
t (Y
)2
(1)
(Yi
Y )2
(t 1)
)2
t (Y
S
~ Ft1 1 . De aqu se deduce que,
i 1
si la hiptesis nula = 0 es cierta, la estadstica: F0
)2
t (Y
S
~ Ft1 1 y podemos usar
F0 para probar el juego de hiptesis propuesto. La regla de decisin que nos garantiza
una prueba con nivel de significancia es: Rechazar H0 si F0
31
Ft1 1
Una vez que se ha dado un avance de lo que vendr despus, retrocedemos un poco
para reunir los resultados obtenidos en esta seccin. Todo el procedimiento para probar
H0: = 0 en oposicin a Ha: 0 mediante la distribucin de F se resume usualmente
en una tabla conocida como cuadro de anlisis de varianza.
En el cuadro de anlisis de varianza (Cuadro 2), los tres componentes de la ecuacin
anterior de las distribuciones de A, B y C aparecen sin el divisor 2. Esto es porque la
estadstica F0, al ser la razn de dos de ellas, no depende de 2. Adems, puesto que la
hiptesis nula es H0: = 0, el valor de es sustituido por 0. Como se mencion antes,
los numeradores de los trminos de la ecuacin anterior de las distribuciones de A, B y
t
C se llaman Sumas de Cuadrados. As, a
(Yi
) 2 se le llama Suma de Cuadrados
i 1
t
Total, a t (Y
2
0 ) se le llama Suma de Cuadrados del Error y a
(Yi
Y ) 2 se le llama
i 1
Suma de Cuadrados debida a la Media. En lo sucesivo se identificarn por las

avrreviaturas S.C TOTAL, S.C. ERROR y S.C MEDIA
ei . H0: = 0 vs Ha: 0
F0 = F
Cuadrado
F de tablas
calculada
Medio
( Ftab )
( Fcal )
(C.M.)
2
2
t (Y
t (Y
0)
0)
F (v1, v2 )
1
S2

Fuente de
Variacin
(F.V.)
Grados de
Libertad
(G.L.)
Media ()
Suma de
Cuadrados
(S.C.)
t (Y
)2
t
Error
(Yi Y )
t-1
(Yi
Y )2
i 1
i 1
t 1
S2
Total
(Yi
)2
i 1
Donde:
F (v1 , v2 )
Ftab
Cuantil de la distribuci n F de Snedecor.
v1
Grados de libertad de .
v2
Grados de libertad del error.
32
Ahora se explica con ms detalle el Cuadro 2. En la primera hilera del encabezado

aparece Fuentes de Variacin (F.V.) destaca que el anlisis de varianza se basa en
una particin de la variabilidad de las observaciones en diferentes fuentes (o factores)
de variacin. En la segunda columna aparece el nombre de Grados de Libertad (G.L.)
alude a los parmetros de las distribuciones Ji- cuadrada asociadas con las Sumas de
Cuadrados (S.C) en la tercer columna. La siguiente columna muestra los Cuadrados
Medios (C.M.) que se obtienen dividiendo cada suma de cuadrados por sus grados de
libertad, y slo son un paso intermedio para obtener la estadstica F 0 = Fcal en la
columna siguiente y en la ltima columna aparece Ftab.
El Cuadro 2 se desarroll para probar el juego de hiptesis H0: = 0 en oposicin a Ha:
0. Ms frecuentemente el cuadro de anlisis de varianza se formula como si el
propsito fuera probar H0: = 0 en oposicin a Ha: 0. Esta presentacin, que
aparentemente es ms restringida que la anterior, en realidad no lo es puesto que si
tenemos observaciones Y1,,Yt, que se supone son una muestra aleatoria de N ( ,
y queremos probar la hiptesis nula H0: = 0, siempre podemos definir variables

aleatorias Xi = Yi - 0 las cuales cuando la hiptesis nula es cierta, tienen distribucin
N (0,
) , por lo que las variables Xi = Yi - 0 pueden usarse para probar H0: = 0,
obtenindose una prueba equivalente a la anterior. Con las nuevas variables centradas
en cero, el cuadro de anlisis de varianza es como el que se presenta en el Cuadro 3.
ei . H0: = 0 vs Ha: 0

F.V.
Media ()
G.L.
S.C.
tX
C.M.
tX
F0 = Fcal
tX
S2
t
t
Error
(X i
t-1
X )2
(X i
i 1
i 1
t 1
Total
(Yi
)2
i 1
Donde:
33
X )2
S2
Ftab
F (v1, v2 )
F (v1 , v2 )
Ftab
Cuantil de la distribuci n F de Snedecor.
v1
Grados de libertad de .
v2
El Cuadro 3 es una simplificacin trivial del Cuadro 2, slo que ahora 0 = 0. Ahora se
mencionan algunos aspectos del Cuadro 3, ya que estos explican por qu esta segunda
presentacin es la ms favorecida. En primer lugar, en las S.C. la particin es ms
sencilla, ya que S.C.( ) + S.C. ERROR = S.C. TOTAL dado que, como ya nos es
t
familiar:
(Xi
X )2
i 1
X i2
tX
i 1
En segundo lugar, los nombres de las fuentes de variacin. En el Cuadro 2 no es muy

clara la razn para este nombre, pero en el Cuadro 3 es evidente, puesto que si H 0 es
cierta, debemos esperar valores de X cercanos a cero, de modo que si S.C. () es
grande, esto se debe a que difiere del valor supuesto por una distancia grande.
Razonando similarmente se justifican los nombres de S.C. ERROR y S.C. TOTAL.
6. DISEO COMPLETAMENTE AL AZAR (DCA)
6.1. Caractersticas
Los
diseos
completamente
al
azar
son
empleados
cuando
las
unidades
experimentales son suficientemente homogneas entre s, es decir, cuando la variacin

entre ellas es pequea. Por lo que el empleo de bloques resulta inapropiado porque no
hay heterogeneidad que sea necesario absorber. ste es el caso en muchos tipos de
experimentos de laboratorio, en los que una cantidad de material est completamente
mezclado y luego se divide en porciones pequeas para formar las unidades
experimentales, o en experimentos con animales y plantas con condiciones ambientales
muy parecidas. Todas las unidades experimentales renen prcticamente las mismas
caractersticas, de modo que el efecto de un tratamiento sobre la variable bajo estudio,
34
es el mismo independientemente de la unidad experimental donde se mida, excepto por

variaciones aleatorias, debidas a fuentes de error en la investigacin.
Los tratamientos se aplican completamente al azar sobre las unidades experimentales,

bajo la condicin de que cada unidad experimental deber tener la misma probabilidad
de recibir un tratamiento particular. Todos los tratamientos pueden tener un nmero
igual o diferente de repeticiones. Cuando el nmero de repeticiones es diferente dentro
de cada tratamiento se dice entonces que el diseo es no balanceado; en caso
contrario, se dice que el diseo es balanceado.
Hay dos ventajas al elegir un diseo balanceado. La primera es que el estimador de
prueba es relativamente insensible a las desviaciones pequeas del supuesto de la
igualdad de las varianzas de los t tratamientos cuando los tamaos de las muestras son
iguales. Y la segunda ventaja es que la potencia de las pruebas se maximiza cuando
las muestras tienen el mismo tamao.
Los anlisis de varianza que se muestran para el diseo completamente al azar en Calc
de Open Office, es el mismo para el caso balanceado y para el caso desbalanceado ya
que las frmulas para las sumas de cuadrados abarcan ambos casos.
6.2. Ventajas
El diseo completamente al azar es flexible en cuanto a que el nmero de tratamientos
y de repeticiones slo est limitado por el nmero de unidades experimentales
disponibles. El nmero de repeticiones puede variar de un tratamiento a otro, aunque
generalmente lo ideal sera tener un nmero igual por tratamiento. El anlisis estadstico
es simple aun en el caso en que el nmero de repeticiones difiera con el tratamiento y si
los diversos tratamientos estn sujetos a varianzas desiguales, lo cual se conoce como
la falta de homogeneidad del error experimental. La sencillez del anlisis no se pierde si
algunas unidades experimentales o tratamientos enteros faltan o se descartan.
35
6.3. Desventajas
La principal objecin del diseo completamente al azar es su frecuente ineficiencia.
Como la aleatorizacin no tiene restricciones, el error experimental incluye toda la
variacin entre las unidades experimentales, excepto la debida a los tratamientos. En
muchas situaciones es posible agrupar las unidades experimentales de modo que la
variacin entre unidades dentro de los grupos sea menor que la variacin entre las
unidades de diferentes grupos. Ciertos diseos sacan ventaja de tal agrupamiento,
excluyen la variacin del error experimental entre grupos y aumentan la precisin del
experimento.
6.4. Modelo lineal

El modelo lineal para los diseos completamente al azar es el siguiente:
Yij
eij
donde
i 1, 2,..., t;
j 1, 2,..., ri ; E( ei )
t Nmero de tratamientos.
ri
Yij
0 ; E( ei2 )
Nmero de repeticiones para el i-simo tratamiento.

Respuesta obtenida en la j-sima repeticin del i-simo tratamiento.
Efecto medio general.
eij
Efecto atribuido al i-simo tratamiento.

Trmino de error aleatorio.
6.5. Hiptesis a probar

La hiptesis a probar en este tipo de diseos experimentales es la siguiente:
H0 :
...
vs
H a : Al menos el efecto de un tratami ento es diferente de los dems.
36
6.6. Anlisis de varianza

El anlisis de varianza para el diseo completamente al azar est dado por el Cuadro 4.
Cuadro 4. Estructura del anlisis de varianza para un diseo completamente al azar.

F de
Fuente de
Grados de
Suma de
Cuadrado
F calculada
tablas
Variacin
Libertad
Cuadrados
Medio
( Fcal )
( Ftab )
(F.V.)
(G.L.)
(S.C.)
(C.M.)
SCT
C.M . Tratamient os
S.C.
F (v1, v2 )
Tratamientos
t-1
C.M . Error
Tratamientos G.L. Tratamient os
t
Error
S.C. Error
ri 1
S.C. Total
ri
SCE
G.L. Error
i 1
t
Total
i 1
Donde:
F (v1, v2 )
Ftab
Cuantil de la distribucin F. (Ver Tabla II del Apndice)
v1
Grados de libertad de los tratamien tos.
v2
FC
Y 2 ..
S.C. Tratamient os
ri
Yi 2 .
r
1 i
FC
i 1
ri
Yij2
S .C. Total
FC
S.C. Error
S.C. Total - S.C.Tratam ientos
i 1 j 1
Donde:
FC
Factor de correccin.
Y ..
Suma de todas las observaciones en el experimento.
Yi .
Suma de todas las observaciones que pertenecen al i-simo tratamiento.
6.7. Regla de decisin

La regla de decisin que se utiliza es la siguiente:
Se rechaza H 0 si Fcal
F (v1 , v 2 )
Ftab
37
Se ilustra la tcnica de un diseo completamente al azar con el ejemplo 6.1, haciendo

uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos
experimentales ms comunes.
Ejemplo 6.1
Un ingeniero de desarrollo de productos tiene inters en investigar la resistencia a la
tensin de una fibra nueva que se usar para hacer telas de camisas para caballeros
(Montgomery, 2007). El ingeniero sabe por experiencia propia que la resistencia a la
tensin se afecta por el peso porcentual del algodn utilizado en la mezcla de
materiales de la fibra. Adems, sospecha que al aumentar el contenido de algodn, se
incrementar la resistencia, al menos en un principio. Sabe as mismo que el contenido
de algodn deber variar entre 10 y 40 por ciento para que el producto final tenga otras
caractersticas de calidad que se desea (como la capacidad de ser sometido a
tratamiento de planchado permanente). El ingeniero decide probar ejemplares en cinco
niveles del peso porcentual del algodn: 15, 20, 25, 30 y 35 por ciento. Tambin decide
probar cinco ejemplares en cada nivel del contenido de algodn.
Se trata de un ejemplo de un experimento con un solo factor con cinco tratamientos y

cinco rplicas. Las 25 corridas se deben realizar de manera aleatoria. Suponga que
despus de hacerse la aleatorizacin obtenemos el Cuadro 5 de los datos del
experimento:
Cuadro 5. Datos (en lb/pulgada2) del experimento a la tensin.
Peso porcentual del algodn (tratamientos)
Observaciones
15
20
25
30
35
1
7
12
14
19
7
2
7
17
18
25
10
3
15
12
18
22
11
4
11
18
19
19
15
5
9
18
19
23
11
Total
49
77
88
108
54
Media
9.8
15.4
17.6
21.6
10.8
Fuente: Montgomery (2007).
38
Determine si el peso porcentual del algodn (tratamientos) en una fibra sinttica afecta
la resistencia a la tensin. Se desea una confiabilidad del 95%.
Respuesta
Para resolver los ejemplos de diseos experimentales y de pruebas mltiples de
comparacin de medias siempre se hace uso de las hojas de clculo hechas en Calc de
Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la
primera hoja de clculo (Inicio) aparece el Cuadro 6, en el que se hace clic en el tipo de
diseo que se quiera usar y mediante un hiperenlace genera otra hoja donde se deben
introducir los datos del experimento. En este caso se hace clic en diseo
completamente al azar.
Cuadro 6. Diseos experimentales ms comunes y comparacin mltiple de medias

DISEOS EXPERIMENTALES MS COMUNES
SELECCIONE EL TIPO DE DISEO QUE DESEA USAR O COMPARACIN DE MEDIAS

DISEO COMPLETAMENTE AL AZAR (DCA)
DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO
DISEO EN BLOQUES COMPLETOS AL AZAR (DBCA)
COMPARACIONES MLTIPLES DE MEDIAS DE TRATAMIENTOS
DISEO EN CUADRO LATINO (DCL)
DISEOS FACTORIALES (DF)
DISEO EN PARCELAS DIVIDIDAS (DPD)
39
Despus de hacer clic en diseo completamente al azar, aparece el Cuadro 7, en donde

se introducen los datos del experimento. El Cuadro 7, slo da la opcin de escribir
sobre las celdas donde se deben de introducir los datos del experimento, ya que el
resto de las celdas se encuentran protegidas contra escritura. En este ejemplo, se
tienen cinco tratamientos con cinco repeticiones cada uno. Para este tipo de diseo se
puede introducir hasta 10 tratamientos (columnas) con 15 repeticiones (filas) cada uno.
Una vez introducidos los datos, aparecen en la penltima fila del Cuadro 7 los totales de
tratamiento y en la ltima fila aparecen las sumas del cuadrado de observaciones de
tratamiento, los cuales se necesitan para el anlisis de varianza.
A la derecha del Cuadro 7 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis
de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de
diseo.
Cuadro 7. Diseo completamente al azar.
DISEO COMPLETAMENTE AL AZAR
Tratamientos
Repeticiones
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Tot. de Trat.
7
7
15
11
9
12
17
12
18
18
14
18
18
19
19
19
25
22
19
23
7
10
11
15
11
49
77
88
108
54
525 1225 1566 2360 616
Sumas del cuadrado

de obs. por trat.
40
10
Ir al
anlisis
Regresar
Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 8 donde mediante

frmulas
aparecen los valores del nmero de tratamientos (t), el nmero de
repeticiones para cada tratamiento (ri), el factor de correccin (FC), as como el anlisis
de varianza y la conclusin del juego de hiptesis con respecto a los tratamientos. El
valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se
puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 8,
a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible
modificar el contenido de las mismas.
A la derecha de Cuadro 8, aparece un hiperenlace para regresar hasta la hoja de

clculo donde se introducen los datos del experimento.
Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% se
rechaza la hiptesis nula (H0) para los tratamientos, debido a que Fcal = 14.76 > Ftab =
2.87, lo que indica que al menos el efecto de un tratamiento es diferente al de los
dems.
Cuadro 8. Anlisis de varianza para el diseo completamente al azar.

ANLISIS DE VARIANZA
F.V.
G.L. S.C.
C.M.
Fcal Ftab
t=
5
Tratamientos
4 475.76 118.94 14.76 2.87
r1 =
5
Error
20 161.20 8.06
r2 =
5
Total
24 636.96
r3 =
5
r4 =
5
r5 =
5
CONCLUSIN
r6 =
Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05
r7 =
r8 =
r9 =
r10 =
FC =
Alfa
5655
0.05
41
Regresar
7. DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO
En algunas situaciones experimentales, se pueden tomar varias observaciones dentro

de la unidad experimental, la unidad a la cual se aplica el tratamiento. Tales
observaciones se hacen en submuestras o unidades de muestreo. Las diferencias entre
submuestras dentro de una unidad experimental son diferencias de observacin ms
que diferencias de unidad experimental.
Un diseo experimental es estndar si en cada unidad experimental se toma slo una

observacin al azar; diremos que es con submuestreo si se toma ms de una
observacin al azar por unidad experimental.
El submuestreo nos permite, adems de estudiar la variabilidad entre unidades

experimentales bajo condiciones similares, estimar la variabilidad de observaciones en
las unidades experimentales.
7.1. Modelo lineal para submuestreo

El modelo lineal para un diseo completamente al azar con submuestreo es el
siguiente:
Yijk
eij
ijk
donde
i 1, 2,..., t;
j 1, 2,..., ri ; k 1,2,..., rij
ri
Nmero de repeticiones para el i-simo tratamiento.
rij
Nmero de observaciones en la j-sima repeticin del i-simo tratamiento.
Yijk
Respuesta obtenida en la k-sima observacin de la j-sima repeticin del i-simo
tratamiento.
42
eij
ijk
Efecto atribuido al i-simo tratamiento.

Trmino de error experimental. Se supone que eij ~ i. i. d. N(0,
Trmino de error observacional. Se supone que
ijk
~ i. i. d. N(0,
2
e)
2
Los e y los se suponen no correlacionados entre s, o sea que al tomar un valor

particular de no se afecta en la probabilidad de tomar un valor particular cualquiera de
e.
La hiptesis a probar en un diseo completamente al azar con submuestreo es la
siguiente:
H0 :
...
vs
Para el anlisis de varianza de un diseo completamente al azar con submuestreo se

tienen dos casos, para un nmero igual de submuestras y para un nmero desigual de
submuestras. Cuando las muestras tienen un nmero desigual de submuestras, en los
clculos, el cuadrado de cualquier total se divide por el nmero de observaciones en el
total.
7.3. Anlisis de varianza con submuestreo. Nmero igual de submuestras.
El anlisis de varianza para un diseo completamente al azar con submuestreo con
igual nmero de submuestras est dado por el Cuadro 9.
43
Cuadro 9. Estructura del anlisis de varianza para un diseo completamente al azar con
submuestreo. Nmero igual de submuestras.
F de
Fuente de
Grados de
Suma de
F calculada
Cuadrado Medio
tablas
Variacin
Libertad
Cuadrados
( Fcal )
(C.M.)
( Ftab )
(F.V.)
(G.L.)
(S.C.)
S .C. Entre U.E.
S.C. Entre
Entre U.E.
U.E.-1
G.L. Entre U.E.
U.E.
C.M . Tratamient os
F (v1, v2 )
S .C. Tratamientos
S.C.
Tratamientos
t-1
C.M . Error experiment al
G.L. Tratamient os
Tratamientos
t
Error
experimental
Error de
muestreo
S.C. Error
experimental
S .C. Error experiment al

G.L. Error experiment al
ri k
rt
S.C. Error de
muestreo
S .C. Error de mustreo

G.L. Error de muestreo
ri k
S.C. Total
ri
i 1
t ,s
i ,k 1
t ,s
Total
i ,k 1
Donde:
F (v1 , v2 )
Ftab
Cuantil de la distribucin F. (ver Tabla II del Apndice)
v1
v2
Grados de libertad del error experiment al.
FC
Y 2 ...
srt
ri
S.C. U.E
Yij2 .
i 1 j 1
ri
FC
rij
2
Yijk
S .C. Total
FC
S.C. Error de muestreo
S.C. Error experiment al
S.C. Total - S.C.U.E
i 1 j 1 k 1
t
Yi2..
S .C. Tratamient os
i 1
sr
Donde:
FC
Nmero de submuestras por unidad experimental.
Nmero de repeticiones.
Y ...

44
S.C.U.E - S.C. Tratammien tos
Yii .
Suma de todas las observaciones que pertenecen al j-sima repeticin del i-simo
tratamiento.

La regla de decisin que se utiliza es la siguiente:
F (v1 , v 2 )
Ftab
Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver
diseos experimentales ms comunes, se ilustra la tcnica de diseo completamente al
azar con submuestreo con el siguiente ejemplo:
Ejemplo 7.1
Considrense los datos del Cuadro 10 sobre crecimiento en una semana de tallos de
plantas de menta cultivadas en una solucin nutritiva (Steel y Torrie, 1988).
Donde un grupo grande de plantas se asignaron aleatoriamente a unas macetas, cuatro

por maceta, la unidad experimental; los tratamientos se asignaron al azar a las
macetas, tres macetas por tratamiento. Todas las macetas se aleatorizaron
completamente con respecto a su localizacin durante el tiempo transcurrido bajo luz
del da, y cada grupo de macetas se aleatoriz completamente dentro de los niveles
(bajo y alto) de temperatura en invernadero durante el perodo de oscuridad. Las
observaciones se hicieron en plantas individuales.
Se desea saber si hay diferencias entre los tratamientos ensayados. Se desea una
confiabilidad del 95%.
45
Cuadro 10. Crecimiento en una semana de tallos de plantas de menta cultivadas en una solucin nutritiva.
Horas de luz diurna
Bajas temperaturas nocturnas
Altas temperaturas nocturnas
Nmero de
8
12
16
8
12
16
plantas
Maceta No.
Maceta No.
Maceta No.
Maceta No.
Maceta No.
Maceta No.
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
3.5 2.5 3.0 5.0 3.5 4.5 5.0 5.5 5.5 8.5 6.5 7.0 6.0 6.0 6.5 7.0 6.0 11.0
2
4.0 4.5 3.0 5.5 3.5 4.0 4.5 6.0 4.5 6.0 7.0 7.0 5.5 8.5 6.5 9.0 7.0 7.0
3
3.0 5.5 2.5 4.0 3.0 4.0 5.0 5.0 6.5 9.0 8.0 7.0 3.5 4.5 8.5 8.5 7.0 9.0
4
4.5 5.0 3.0 3.5 4.0 5.0 4.5 5.0 5.5 8.5 6.5 7.0 7.0 7.5 7.5 8.5 7.0 8.0
Totales de
15.0 17.5 11.5 18.0 14.0 17.5 19.0 21.5 22.0 32.0 28.0 28.0 22.0 26.5 29.0 33.0 27.0 35.0
maceta
Totales de
44.0
49.5
62.5
88.0
77.5
95.0
tratamiento
Medias de
3.7
4.1
5.2
7.3
6.5
7.9
tratamiento
Fuente: Steel y Torrie (1988).
46
Respuesta
Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS
EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6

(mencionado en el captulo 6), en el que se hace clic en el tipo de diseo que se
quiera usar y mediante un hiperenlace genera otra hoja donde se deben introducir
los datos del experimento. En este caso se hace clic en diseo completamente al
azar con submuestreo.
Despus de hacer clic en diseos completamente al azar con submuestreo en el

Cuadro 6, aparece el Cuadro 11, en donde se introducen los datos del
experimento. El Cuadro 11 slo da la opcin de escribir sobre las celdas donde se
introducen los datos del experimento, ya que el resto de las mismas se encuentran
protegidas contra escritura. En este ejemplo, se tienen seis tratamientos con
cuatro submuestras y tres repeticiones cada una. Para este tipo de diseo se
puede introducir hasta 11 tratamientos con diez submuestras y cinco repeticiones
cada una.
Una vez introducidos los datos, aparecen en la antepenltima fila del Cuadro 11,
los totales por unidades experimentales de cada tratamiento, en la penltima fila
aparecen los totales de tratamiento y en la ltima fila tambin aparecen las sumas
del cuadrado de observaciones por tratamiento, los cuales se necesitan para el
anlisis de varianza.
A la derecha del Cuadro 11 aparecen dos hiperenlaces, uno para ir a la hoja del
anlisis de datos y el otro para regresar hasta la hoja de clculo donde se
seleccion el tipo de diseo.
47
Cuadro 11. Diseo completamente al azar con submuestreo.

DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO
Tratamientos
1
Repeticiones
Submuestras 1
1
2
3
4
5
6
7
8
9
10
Tot. de U.E
Tot. de trat.
Sumas del
cuadrado
de obs. por
trat.
3.5
4.0
3.0
4.5
2
2.5
4.5
5.5
5.0
2
Repeticiones
3 45 1
3.0
3.0
2.5
3.0
15.0 17.5 11.5

44.0
172.5
5.0
5.5
4.0
3.5
2
3.5
3.5
3.0
4.0
3
Repeticiones
3 45 1
4.5
4.0
4.0
5.0
18.0 14.0 17.5

49.5
210.3
5.0
4.5
5.0
4.5
2
5.5
6.0
5.0
5.0
4
Repeticiones
3 45 1
5.5
4.5
6.5
5.5
19.0 21.5 22.0

62.5
329.8
8.5
6.0
9.0
8.5
2
6.5
7.0
8.0
6.5
5
Repeticiones
3 45 1
7.0
7.0
7.0
7.0
32.0 28.0 28.0

88.0
6.0
5.5
3.5
7.0
2
6.0
8.5
4.5
7.5
3 45 1
6.5
6.5
8.5
7.5
22.0 26.5 29.0

77.5
655.0
525.3
48
6
Repeticiones
7.0
9.0
8.5
8.5
2
6.0
7.0
7.0
7.0
7
8
9
10
Repeticiones Repeticiones Repeticiones Repeticiones
3 45 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
11.0
7.0
9.0
8.0
33.0 27.0 35.0

95.0
772.5
Ir al
anlisis
Regresar
Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 12 donde aparece

el nmero de tratamientos (t), el nmero de submuestras (s), el nmero de
repeticiones para cada tratamiento (r), el factor de correccin (FC), as como el
anlisis de varianza y la conclusin del juego de hiptesis con respecto a los
tratamientos. El valor de alfa est determinado para una confiabilidad del 95%
(Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee.
Todas las celdas del Cuadro 12, a excepcin del valor de alfa, estn protegidas
contra escritura, por lo que no es posible modificar el contenido de las mismas.
A la derecha del Cuadro 12, aparece un hiperenlace para regresar hasta la hoja de
Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del
95% se rechaza la hiptesis nula (H0) para los tratamientos, debido a que Fcal =
16.69 > Ftab = 3.11, lo que indica que al menos el efecto de un tratamiento es
diferente al de los dems.
Cuadro 12. Anlisis de varianza para el diseo completamente al azar con
submuestreo.
ANLISIS DE VARIANZA
F.V.
G.L. S.C. C.M. Fcal Ftab
t=
6
Entre U.E
17 205.48
Regresar
s=
4
Tratamientos
5 179.64 35.93 16.69 3.11
r=
3
Error experimental 12 25.83 2.15
Error de muestreo 54 50.44 0.93
FC = 2409.34
Total
71 255.91
Alfa
0.05
CONCLUSIN
49
8. DISEO EN BLOQUES COMPLETOS AL AZAR (DBCA)
8.1. Caractersticas
En los diseos de bloques completos todos los tratamientos aparecen
representados en cada uno de los bloques, en caso contrario, se trata de la clase
de diseos de bloques incompletos.
Los diseos de bloques completos al azar y los diseos en cuadro latino, son los
principales tipos de arreglo en bloques completos.
Este diseo puede usarse cuando las unidades experimentales pueden agruparse.
Se caracteriza porque todos los tratamientos aparecen representados una vez en
cada uno de los bloques. Los tratamientos se asignan al azar sobre las unidades
experimentales, sorteando los tratamientos independientemente, en cada bloque.
Las unidades experimentales dentro de cada bloque deben ser homogneas,

excepto por variaciones aleatorias. Dos unidades experimentales de bloques
diferentes pueden exhibir heterogeneidad, siendo de hecho el propsito de los
bloques, absorber el mximo de heterogeneidad del material experimental.
8.2. Ventajas
El diseo en bloques completos al azar tiene muchas ventajas sobre otros
diseos. En general, es posible agrupar las unidades experimentales de modo que
se logre mayor precisin que con el diseo completamente al azar. No hay
restriccin en cuanto al nmero de tratamientos o de bloques. El anlisis
estadstico de los datos es simple. Si como resultado de un contratiempo, los
datos de un bloque completo para ciertos tratamientos son inutilizables, estos
datos pueden omitirse sin complicacin en el anlisis.
50
8.3. Desventajas
La principal desventaja en los bloques completos al azar es que cuando la
variacin entre unidades experimentales dentro de un bloque es grande, resulta un
trmino de error considerable. Esto ocurre frecuentemente cuando el nmero de
tratamientos es grande; as puede no ser posible asegurar grupos de unidades
suficientemente uniformes para los bloques. En tales situaciones, se dispone de
otros diseos para controlar una mayor proporcin de la variacin.
8.4. Modelo Lineal

El modelo lineal para los diseos en bloques completos al azar es el siguiente:
Yij
eij
donde
i 1, 2,..., b;
j 1, 2,..., t;
E( eij ) 0 ; E( eij2 )
Nmero de bloques.
Yij
Respuesta obtenida en el j-simo tratamiento del i-simo bloque.

Efecto atribuido al i-simo bloque.
Efecto atribuido al j-simo tratamiento.
eij

Las hiptesis a probar en este tipo de diseo experimental son sobre los bloques y
sobre los tratamientos, que son las siguientes:
1. H 0 :
...
51
vs
H a : Al menos el efecto de un bloque es diferente de los dems.
2. H 0 :
...
vs

El anlisis de varianza para un diseo en bloques completos al azar est dado por
el Cuadro 13:
Cuadro 13. Estructura del anlisis de varianza para el diseo en bloques

completos al azar.
Grados
F de
Fuente de
Suma de
Cuadrado
F calculada
de
tablas
Variacin
Cuadrados
Medio
( Fcal )
Libertad
( Ftab )
(F.V.)
(S.C.)
(C.M.)
(G.L.)
Bloques
b-1
S.C. Bloques
SCB
G.L. Bloques
C .M . Bloques
C .M . Error
F (v1, v2 )
Tratamientos
t-1
S.C.
Tratamientos
SCT
G.L. Tratamient os
C.M . Tratamient os
C.M . Error
F (v 3 , v 2 )
S.C. Error
SCE
G.L. Error
ri 1
S.C. Total
Error
ri
i 1
Total
i 1
Donde:
F (v1, v2 )
Ftab Blo
F (v3 , v2 )
Ftab Trat
v1
Grados de libertad de los bloques.
v2
v3
52
t
2
FC
Y j2 .
Yi .
Y ..
bt
S.C. Bloques
i 1
FC
S.C. Tratamient os
i 1
FC
Yij2
S .C. Total
FC
S.C. Error
S.C. Total - S.C. Bloques - S.C.Tratam ientos
i 1 j 1
Donde:
FC
Y ..
Yi .
Suma de todas las observaciones que pertenecen al i-simo bloque.
Y. j
Suma de todas las observaciones que pertenecen al j-simo tratamiento.

La regla de decisin que se utiliza para los tratamientos y los bloques es la
siguiente:
Ftab
Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para
resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo en
bloques completos al azar con el siguiente ejemplo:
Ejemplo 8.1
Se desea probar el efecto de cuatro insecticidas sobre el control de gusano
Helithis zea en el cultivo del tomate (Castillo, 2003). El terreno donde se
implement el experimento presentaba un gradiente de fertilidad a tres niveles por
lo que se decidi utilizar un diseo en bloques completos al azar para minimizar el
efecto negativo de este factor de confusin. Se dividi el terreno en tres bloques
de acuerdo a los niveles de fertilidad detectados. La unidad experimental utilizada
fue un cuadro de terreno de 10 x 10 metros. La variable respuesta fue la
produccin de tomate en toneladas por hectrea. Los insecticidas a evaluar
53
fueron: Testigo, Basudin, Class, Dimecrn y Agree. Los resultados obtenidos se

muestran en el Cuadro 14:
Cuadro 14. Produccin de tomate en toneladas por hectrea con la aplicacin de

insecticidas
BLOQUE
I
II
III
Testigo
3.0
4.2
6.3
Basudin
8.0
10.8
9.4
Class
6.0
7.9
10.6
Dimecrn
8.0
12.8
13.3
Agree
6.7
8.3
10.3
Fuente: Castillo (2003).
Existe alguna diferencia significativa entre los insecticidas sobre el control de
Heliothis zea?. Se desea obtener una respuesta con una confiabilidad del 95%.
Respuesta
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

quiera usar y mediante un hiperenlace nos genera otra hoja donde se deben
introducir los datos del experimento. En este caso se hace clic en diseo en
bloques completos al azar.
Despus de hacer clic en diseo en bloques completos al azar en el Cuadro 6,

aparece el Cuadro 15, en donde se introducen los datos del experimento. El
Cuadro 15 slo da la opcin de escribir sobre las celdas donde se introducen los
datos del experimento, ya que el resto de las mismas se encuentran protegidas
contra escritura. En este ejemplo, se tienen cinco tratamientos con tres bloques
cada uno. Para este tipo de diseo se puede introducir hasta 15 tratamientos
(filas) con 10 bloques (columnas) cada uno.
54
Una vez introducidos los datos, aparecen en la penltima fila del Cuadro 15, los
totales por bloque y en la ltima fila aparecen las sumas del cuadrado de
tratamientos por bloque; en la ltima columna aparecen los totales por tratamiento,
los cuales se necesitan para el anlisis de varianza.
A la derecha del Cuadro 15 aparecen dos hiperenlaces, uno para ir a la hoja de

Cuadro 15. Diseo en bloques completos al azar.

DISEO EN BLOQUES COMPLETOS AL AZAR
Bloques
Totales por
Tratamientos
1
2
3
4 5 6 7 8 9 10 Tratamiento
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
3.0
8.0
6.0
10.0
6.7
4.2
10.8
7.9
12.8
8.3
6.3
9.4
10.6
13.3
10.3
13.5
28.2
24.5
36.1
25.3
0
0
0
0
0
0
0
0
0
0
Ir al
anlisis
Regresar
Totales por bloque 33.7 44.0 49.9 0 0 0 0 0 0 0

Sumas del cuadrado
253.9 429.4 523.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0
de trat. por bloque

frmulas aparecen los valores del nmero de tratamientos (t), el nmero de
bloques (b), el factor de correccin (FC), as como el anlisis de varianza y la
conclusin del juego de hiptesis con respecto a los bloques y a los tratamientos.
55
El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05),
pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas
del Cuadro 16, a excepcin del valor de alfa, estn protegidas contra escritura, por
lo que no es posible modificar el contenido de las mismas.
95% se rechazan las hiptesis nulas (H0) para los bloques y tratamientos, debido a
que Fcal
Blo.
= 17.54 > Ftab
Blo.
= 4.46 y Fcal
Trat.
= 28.78 > Ftab
Trat.
= 3.84,
respectivamente, lo que indica que al menos el efecto de uno de los bloques y uno
de los tratamientos es diferente al de los dems, respectivamente.
Cuadro 16. Anlisis de varianza para el diseo en bloques completos al azar.

ANLISIS DE VARIANZA
F.V.
G.L. S.C. C.M. Fcal
Ftab
Regresar
b=
3
Bloques
2 26.89 13.44 17.54
4.46
t=
5
Tratamientos 4 88.23 22.06 28.78
3.84
Error
8
6.13 0.77
FC = 1085.45 Total
14 121.25
Alfa 0.05
CONCLUSIN
Fcal Blo > Ftab Blo. Se rechaza H0 y hay significancia al 0.05
Fcal Trat > Ftab Trat. Se rechaza H0 y hay significancia al 0.05
9. COMPARACIONES MLTIPLES DE MEDIAS DE TRATAMIENTOS
Las comparaciones mltiples de medias son tiles para seleccionar l o los

tratamientos que sean mejores, segn el inters experimental, y se aplican cuando
el anlisis de varianza declara diferencias significativas. Se denominan pruebas de
comparaciones mltiples de medias, porque simultneamente se comparan varios
promedios de los tratamientos. Las pruebas de comparaciones mltiples de
56
medias de uso ms comn son la Diferencia Mnima Significativa (DMS), Duncan,

Tukey, Scheff y Student-Newman-Keuls (S-N-K).
En cualquiera de las pruebas de comparaciones mltiples
de medias
mencionadas, las hiptesis generales a probar son las siguientes:

H0 :
(El tratamien to i es igual en su efecto al tratamien to i)
(El tratamien to i tiene un efecto diferente al tratamien to i)
vs
Ha :
i 1,2,..., t
i 1,2,..., t
Las hiptesis de los tratamientos se realizan por pares. Por ejemplo, si se tienen 4
tratamientos entonces se pueden postular t(t-1)/2 pares de hiptesis a probar, es
decir se tendran:
t (t 1)
2
(4)(3)
2
pares de hiptesis a contrastar, las cuales se muestran a continuacin:
I. H 0 :
vs
Ha :
II. H 0 :
vs
Ha :
III. H 0 :
vs
Ha :
IV. H 0 :
vs
Ha :
vs
Ha :
vs
Ha :
V. H 0 :
VI. H 0 :
2
3
4
4
1
2
2
3
4
3
4
4
Para ser utilizadas, todas las pruebas de comparaciones mltiples mencionadas

requieren de un trmino conocido como diferencia y cuyo clculo general se
realiza mediante:
57
Dk
Yi
Yj
donde
Yi
Media del i - simo tratamien to
Yj
Media del i-simo tratamien to
i 1, 2,..., t
i 1, 2,..., t
k 1, 2,...,
t(t - 1)
2
Siempre se tendr un nmero igual de diferencias ( Dk ) y de pares de hiptesis a

contrastar, ya que estos dos trminos estn relacionados de manera amplia. Las
Dk se
calculan utilizando las medias de los tratamientos que aparecen en la
hiptesis nula correspondiente. Por ejemplo, para los pares de hiptesis del
ejemplo anterior, se tendrn 6 diferencias; la D1 se relaciona con la hiptesis nula
en I, la D2 se relaciona con la hiptesis nula en II, la D3 se relaciona con la
hiptesis nula en III, etc.
Como la hiptesis nula en I involucra el tratamiento 1 y al tratamiento 2, la D1

involucra tambin al tratamiento 1 y al tratamiento 2, es decir:
D1
Y1 Y2
Como la hiptesis nula en II involucra el tratamiento 1 y al tratamiento 3, la D2

involucra tambin al tratamiento 1 y al tratamiento 3, es decir:
D2
Y1 Y3
Las restantes Dk se calculan mediante el mismo proceso.
9.2. Diferencia Mnima Significativa (DMS)
Es la prueba ms sencilla y una de las ms empleadas. Es muy comn su uso en

comparaciones simples de medias; es vlida solamente en el caso de una
comparacin planeada entre dos medias, en un experimento en particular.
58
Esta prueba determina el valor mnimo necesario para considerar diferentes dos
tratamientos y lo utiliza para comparar los diferentes pares de medias que se
deseen evaluar. Los pares de medias que se comparan son los que han sido
planeados antes de ejecutar el experimento.
9.2.1. Ventajas
1. Fcil de realizar
2. Vlida cuando se han planeado las comparaciones que se van a hacer
previamente a la obtencin de los resultados.
9.2.2. Desventajas
1. Puede dar resultados falsamente significativos en un nivel del 0.05 si el

experimentador se dedica a hacer comparaciones exclusivamente entre
tratamientos de resultados extremos.
2. En el caso de que hubiera que hacer preferentemente comparaciones

de resultados extremos, es necesario optar por un nivel de 0.01 en
lugar de 0.05, pero si el nmero de tratamientos es elevado debe
reemplazarse la DMS por otra prueba.
3. Debido a este uso incorrecto de la DMS se vacila en su

recomendacin.
4. El uso incorrecto ms comn es hacer comparaciones sugeridas por los

datos.
Esta prueba presenta dos opciones con base en el nmero de repeticiones de los
tratamientos involucrados en el experimento: igual y diferente nmero de
repeticiones.
59
Igual nmero de repeticion es
DMS
Diferente nmero de repeticion es

i 1,2,..., t
i 1,2,..., t
(DMS) k
i
2(CME )
r
/ 2 (GLErr )
k 1,2,...,
/ 2 (GLErr )
2(CME )( ri
ri)
ri ri
t (t 1)
2
donde
t
/ 2 (GLErr )
Cuantil t de student con un nivel de significan cia /2 y con los grados de

libertad del error. (Ver Tabla I del Apndice)
CME
r
Cuadrado medio del error en el anlisis de varianza.
Nmero de repeticion es.
ri
Nmero de repeticion es para el i - simo tratamien to.
ri
Nmero de repeticion es para el i-simo tratamien to.
9.2.3. Regla de decisin
Igual nmero de repeticion es se rechaza H 0 si D k
DMS
Diferente nmero de repeticion es se rechaza H 0 si D k
(DMS) k
resolver diseos experimentales ms comunes, se ilustra la tcnica de
comparaciones mltiples de medias para la prueba de la Diferencia Mnima
Significativa (DMS) con el siguiente ejemplo:
Ejemplo 9.1
Para el Ejemplo 6.1 (Montgomery, 2007) de los cinco pesos porcentuales del
algodn (diseo completamente al azar), diga cul de los tratamientos es el ms
efectivo utilizando la prueba de DMS. Se quiere una confiabilidad del 95%.
Respuesta
Se utilizan los totales de tratamiento de los datos originales (Cuadro 5) y la
informacin del anlisis de varianza correspondiente (Cuadro 8):
60

15
20
25
30
35
7
12
14
19
7
7
17
18
25
10
15
12
18
22
11
11
18
19
19
15
9
18
19
23
11
49
77
88
108
54
9.8
15.4
17.6
21.6
10.8
Observaciones
1
2
3
4
5
Total
Media
t=
r1 =
5
5
r2 =
r3 =
r4 =
r5 =
r6 =
r7 =
r8 =
r9 =
r10 =
5
5
5
5
FC =
Alfa
5655
0.05
= 0.05
ANLISIS DE VARIANZA
F.V.
G.L.
S.C.
C.M.
Fcal
Tratamientos 4
475.76 118.94 14.76
Error
20 161.20
8.06
Total
24
Ftab
2.87
636.96
CONCLUSIN
r=5
t=5
GLError = 20
CME = 8.06
Como hay 5 tratamientos en el experimento se tienen que obtener 10 diferencias:

t (t 1)
2
(5)( 4)
2
D1
Y1 Y2 ,
D7
Y2
10
D2
Y5 , D8
Y1 Y3 ,
Y3 Y4 , D9
D3
Y1 Y4 ,
D4
Y3 Y5 y D10
61
Y1 Y5 ,
Y4 Y5 .
D5
Y2 Y3 ,
D6
Y2 Y4 ,
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

(mencionado en el captulo 6), en el que se hace clic en comparaciones mltiples
de medias de tratamientos y mediante un hiperenlace genera otra hoja donde se
debe hacer clic en la prueba deseemos usar.
Despus de hacer clic en comparaciones mltiples de medias de tratamientos en

el Cuadro 6, genera el Cuadro 17, en donde se hace clic en la prueba que
deseemos usar y mediante un hiperenlace genera otra hoja en la cual se
introducen los datos del experimento. En este caso se hace clic en la prueba de la
Diferencia Mnima Significativa (DMS).
A la derecha del Cuadro 17 aparece un hiperenlace para regresar hasta el inicio

de las hojas de clculo donde se hizo clic en comparaciones mltiples de medias
de tratamientos.
Cuadro 17. Pruebas de comparaciones mltiples de medias
PRUEBAS DE COMPARACIONES MLTIPLES DE MEDIAS

Regresar
DIFERENCIA MNIMA SIGNIFICATIVA (DMS)
PRUEBA DE TUKEY
PRUEBA DE DUNCAN
PRUEBA DE SCHEFF
PRUEBA DE STUDENT-NEWMAN-KEULS (S-N-K)
62
Despus de hacer clic en la prueba de la Diferencia Mnima Significativa (DMS)

en el Cuadro 17, genera el Cuadro 18, en donde se introducen el nmero de
tratamientos (t), el nmero de cada repeticin (ri), el valor de alfa, los grados de
libertad del error (GLErr), el cuadrado medio del error (CME) y el cuantil de la
distribucin t de student con el nivel de significancia /2 y los grados de libertad
del error (t/2(GLErr)) aparecen de forma inmediata. Despus se introducen los
totales de tratamientos. Las medias de tratamientos y el nmero de tratamiento
ordenado aparecen de forma inmediata.
Para este ejemplo tenemos cinco tratamientos y cinco repeticiones para cada
tratamiento. Para esta prueba de comparacin mltiple de media se pueden
introducir hasta 10 tratamientos.
A la derecha de Cuadro 18, aparece un hiperenlace para regresar hasta donde se

seleccion el tipo de prueba de comparacin mltiple de medias.
Cuadro 18. Prueba de la Diferencia Mnima Significativa.

t=
r1 =
r2 =
r3 =
r4 =
r4 =
5
5
5
5
5
r6 =
r7 =
r8 =
r9 =
r10 =
Alfa =
GLErr =
CME =
Trat. Tot. de Trat. Medias de Trat.

T1
T2
T3
T4
T5
49.00
77.00
88.00
108.00
54.00
9.80
15.40
17.60
21.60
10.80
T6
T7
T8
T9
T10
0.00
0.00
0.00
0.00
0.00
0.05
20.00
8.06
t/2(GLErr) = 2.09
63
Nm. de
Trat. ordenado
1
Regresar
2
3
4
5
0
0
0
0
0
Despus de introducir los datos del experimento, hay que ordenar las medias de
tratamientos de forma ascendente; el ordenamiento se hace incluyendo todas las
columnas excepto, la del nmero de tratamiento ordenado. Este ordenamiento se
hace as para que despus el cuadro de diferencias de medias se pueda
interpretar ms fcil.
El ordenamiento de las medias de tratamiento del Cuadro 18, queda como en el

Cuadro 19: para este ejemplo se modifica el orden de los ltimos cuatro
tratamientos originales con respecto a la columna del nmero de tratamiento
ordenado; por lo tanto, el tratamiento ordenado dos corresponde al tratamiento
original cinco, el tratamiento ordenado tres corresponde al tratamiento original dos,
el tratamiento ordenado cuatro corresponde al tratamiento original tres. El
tratamiento ordenado uno coincide con el tratamiento original uno.
Ya que se genera el Cuadro 19, con las medias de tratamientos ordenados en

forma ascendente, se puede ver abajo del Cuadro 19, en la misma hoja, el Cuadro
20 con las diferencias de medias (Dk) de los tratamientos ordenados y el los
valores de la DMS (negrillas). Las celdas del Cuadro 20, encuentran protegidas
contra escritura, por lo que no es posible modificarse.
A la derecha del Cuadro 19, aparece un hiperenlace para regresar hasta donde se
Cuadro 19. Prueba de la Diferencia Mnima Significativa con las medias de

tratamientos ordenados
Medias de
Nm. de
t=
5
Trat. Tot. de Trat.
Trat.
Trat. ordenado
r1 =
5
T1
49.00
9.80
1
Regresar
r5 =
5
T5
54.00
10.80
2
r2 =
5
T2
77.00
15.40
3
r3 =
5
T3
88.00
17.60
4
r4 =
5
T4
108.00
21.60
5
64
r6 =
r7 =
r8 =
r9 =
r10 =
Alfa =
GLErr =
CME =
T6
T7
T8
T9
T10
0.05
20.00
8.06
t/2(GLErr) =
2.09
0.00
0.00
0.00
0.00
0.00
0
0
0
0
0
Cuadro 20. Diferencias de medias (Dk) de tratamientos ordenados y valores de las

DMS
Diferencias de medias (Dk) de tratamientos ordenados y valores de las DMS
10
9
8
7
6
5
4
3
2
1
0
0
0
0
0
11.8
7.8
5.6
1
0
1
0
0
0
0
0
3.75 3.75 3.75 3.75
0
0
0
0
0
10.8
6.8
4.6
0
2
0
0
0
0
0
3.75 3.75 3.75
0
0
0
0
0
6.2
2.2
0
3
0
0
0
0
0
3.75 3.75
0
0
0
0
0
4
0
4
0
0
0
0
0
3.75
0
0
0
0
0
0
5
0
0
0
0
0
0
0
0
0
0
6
0
0
0
0
0
0
0
0
7
0
0
0
0
0
0
8
0
0
0
0
9
0
0
10
En el Cuadro 20, se muestran las diferencias de medias (Dk) de los tratamientos

ordenados y abajo sus respectivos valores de la DMS, como los tratamientos
tienen el mismo nmero de repeticiones, la DMS es la misma para todas las
diferencias de medias, para este ejemplo el valor de la DMS = 3.75. En caso de
65
que se tratara de un diseo con diferentes repeticiones por tratamiento, se tendrn

diferentes valores de la DMS. El Cuadro 20 se interpreta de la siguiente manera:
En la columna con el nmero cinco, el tratamiento ordenado cinco es diferente

significativamente a los tratamientos ordenados uno, dos, tres y cuatro, ya que sus
diferencias de medias (Dk) son mayores a su respectivo valor de la DMS.
En la columna con el nmero cuatro, el tratamiento ordenado cuatro es diferente
significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias
de medias (Dk) son mayores a su respectivo valor de la DMS; pero el tratamiento
ordenado cuatro y el tratamiento ordenado tres no difieren significativamente,
porque su diferencia de medias (Dk) es menor que su valor respectivo de la DMS
En la columna con el nmero tres, el tratamiento ordenado tres es diferente
de medias (Dk) son mayores a su respectivo valor de la DMS;
En la columna con el nmero dos, el tratamiento ordenado dos y el tratamiento
ordenado uno no difieren significativamente, porque su diferencia de medias (D k)
es menor a su respectivo valor de la DMS.
Por lo tanto, el tratamiento ordenado cinco (tratamiento original cuatro) que

corresponde al 30% del peso porcentual del algodn es el mejor porque es
diferente a los dems tratamientos y tiene su media de tratamiento ms alta.
9.3. Prueba de Tukey
Este mtodo es muy similar en la aplicacin al de DMS, salvo por el hecho de que
en lugar de utilizar las distribuciones de t como base para realizar las
comparaciones, se emplea la distribucin del rango estandarizado.
66
repeticiones.
q (v1 , v 2 )

i 1, 2,..., t
i 1, 2,..., t
CME
r
q (v1 , v 2 )
k 1, 2,...,
CME 1
2
ri
1
ri
t (t 1)
2
donde
q (v1 , v 2 )
Cuantil para la prueba de Tukey con un nivel de significan cia
y con v1 y v 2
los grados de libertad.

v1
Nmero de tratamien tos.
v2
Grados de libertad del error en el anlisis de varianza.
CME Cuadrado medio del error en el anlisis de varianza

r Nmero de repeticion es.
ri
ri

comparaciones mltiples de medias para la prueba de Tukey con el siguiente
ejemplo:
Ejemplo 9.2
Tomando nuevamente los datos del Ejemplo 6.1 (Montgomery, 2007) de los cinco
pesos porcentuales del algodn (diseo completamente al azar), diga cul de los
67
tratamientos es el ms efectivo utilizando la prueba de Tukey. Se quiere una

Respuesta
informacin de la tabla de anlisis de varianza correspondiente (Cuadro 8):
Observaciones
1
2
3
4
5
Total
Media
t=
r1 =
r2 =
r3 =
r4 =
r5 =
r6 =
r7 =
r8 =
r9 =
r10 =
5
5
5
5
5
5
FC =
Alfa
5655
0.05
= 0.05

15
20
25
30
35
7
12
14
19
7
7
17
18
25
10
15
12
18
22
11
11
18
19
19
15
9
18
19
23
11
49
77
88
108
54
9.8
15.4
17.6
21.6
10.8
ANLISIS DE VARIANZA
F.V.
G.L.
S.C.
C.M.
Fcal
Tratamientos 4
475.76 118.94 14.76
Error
20 161.20
8.06
Total
24 636.96
Ftab
2.87
CONCLUSIN
r=5
v1 = t = 5
v2 = GLError = 20
CME = 8.06
68
t (t 1)
2
(5)( 4)
2
D1
Y1 Y2 ,
D7
Y2
10
Y1 Y3 ,
D2
Y5 , D8
Y3 Y4 , D9
D3
Y1 Y4 ,
D4
Y3 Y5 y D10
Y1 Y5 ,
D5
Y2 Y3 ,
D6
Y2 Y4 ,
Y4 Y5 .
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS


el Cuadro 6, genera el Cuadro 17 (mencionado en la seccin 9.2), en donde se
hace clic en la prueba que deseemos usar y mediante un hiperenlace genera otra
hoja en donde se introducen los datos del experimento. En este caso se hace clic
en la prueba de Tukey.
Despus de hacer clic en la prueba de Tukey en el Cuadro 17, genera el Cuadro

21, en donde se introducen el nmero de tratamientos (t = v1), el nmero de cada
repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el
cuadrado medio del error (CME) y el cuantil para la prueba de Tukey con un nivel
de significancia y con v1 y v2 grados de libertad q(v1, v2). Despus se introducen
los totales de tratamientos, las medias de tratamientos y el nmero de tratamiento
ordenado aparecen de forma inmediata.
tratamiento. Para esta prueba de comparacin mltiple de media se puede
69
A la derecha del Cuadro 21 aparece un hiperenlace para regresar hasta donde se

Cuadro 21. Prueba de Tukey.
PRUEBA DE TUKEY
Nm. de
Trat. ordenado
1
Regresar
2
3
4
t = v1 =
r1 =
r2 =
r3 =
r4 =
5
5
5
5
T1
T2
T3
T4
49.00
77.00
88.00
108.00
9.80
15.40
17.60
21.60
r4 =
r6 =
T5
T6
54.00
10.80
0.00
5
0
0.00
0.00
0.00
0.00
0
0
0
0
r7 =
T7
r8 =
T8
r9 =
T9
r10 =
T10
Alfa =
0.05
GLErr = v2 = 20.00
CME =
8.06
q(v1, v2) =
4.23
Despus de introducir los datos del experimento, se tiene que ordenar las medias
de tratamientos de forma ascendente; el ordenamiento se hace incluyendo todas
las columnas, excepto la del nmero de tratamiento ordenado. Este ordenamiento
se hace as para que despus el cuadro de diferencias de medias se pueda
El ordenamiento de las medias de tratamiento del Cuadro 21, queda como en el

70
Ya que se genera el Cuadro 22, con las medias de tratamientos ordenadas en

forma ascendente se puede ver abajo del Cuadro 22, en la misma hoja, el Cuadro
23 con las diferencias de medias (Dk) de los tratamientos ordenados y el los
valores de la prueba de Tukey (k) (negrillas). Las celdas del Cuadro 23, se
encuentran protegidas contra escritura, por lo que no es posible modificarse.

Cuadro 22. Prueba de Tukey con las medias de tratamientos ordenados

PRUEBA DE TUKEY
Nm. de
t = v1 =
5
Trat. ordenado
r1 =
5
T1
49.00
9.80
1
Regresar
r5 =
5
T5
54.00
10.80
2
r2 =
5
T2
77.00
15.40
3
r3 =
5
T3
88.00
17.60
4
r4 =
5
r6 =
r7 =
r8 =
r9 =
r10 =
Alfa =
0.05
GLErr = v2 = 20.00
CME =
8.06
q(v1, v2) =
T4
T6
T7
T8
T9
T10
108.00
21.60
0.00
0.00
0.00
0.00
0.00
5
0
0
0
0
0
4.23
Cuadro 23. Diferencias de medias (Dk) de tratamientos ordenados y valores de k

Diferencias de medias (Dk) de tratamientos ordenados y valores de k
10
9
8
7
6
5
4
3
2
1
0
0
0
0
0
11.80 7.80
5.60
1.00
0
1
0
0
0
0
0
5.37
5.37
5.37
5.37
0
0
0
0
0
10.80 6.80
4.60
0
2
0
0
0
0
0
5.37
5.37
5.37
3
0
0
0
0
0
6.20
2.20
0
71
4
5
6
7
8
9
10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
5.37
4.00
5.37
0
5.37
0
En el Cuadro 23, se muestran las diferencias de medias (Dk) de tratamientos

ordenados y abajo sus respectivos valores de la prueba de Tukey (k), como los
tratamientos tienen el mismo nmero de repeticiones, los valores de la prueba de
Tukey (k) son los mismos para todas las diferencias de medias, para este ejemplo
k = 5.37. En caso de que se tratara de un diseo con diferentes repeticiones por
tratamiento, se tendran diferentes valores de la prueba de Tukey (k). El Cuadro
23 se interpreta de la siguiente manera:

significativamente a los tratamientos ordenados uno, dos y tres, ya que sus
diferencias de medias (Dk) son mayores a su respectivo valor de k; pero el
tratamiento ordenado cinco y el tratamiento ordenado cuatro no difieren
significativamente, porque su diferencia de medias (Dk) es menor que su valor
respectivo de k.
de medias (Dk) son mayores a su respectivo valor de k; pero el tratamiento
72

porque su diferencia de medias (Dk) es menor que su valor respectivo de k.
significativamente al tratamiento ordenados uno, ya que su diferencia de medias
(Dk) es mayor a su respectivo valor de k; pero el tratamiento ordenado tres y el
tratamiento ordenado dos no difieren significativamente, porque su diferencia de
medias (Dk) es menor que su valor respectivo de k.
es menor a su respectivo valor de k.
diferente significativamente a tres tratamientos ordenados (tratamientos uno, dos y
tres) y tiene su media de tratamiento ms alta.
9.4. Prueba de Duncan
Esta prueba no requiere de una prueba previa de F, o sea que aun sin ser
significativa la prueba F puede llevarse a cabo.
repeticiones.
73
Ck
U (v1 , v 2 )

i 1, 2,..., t
donde
U (v1 , v 2 )
i 1, 2,..., t
Ck
i
CME
r
U (v1 , v 2 )
k 1, 2,...,
CME 1
2
ri
1
ri
t (t 1)
2
Cuantil para la prueba de Duncan con un nivel de significan cia
y con
v 1 y v 2 grados de libertad.
v1
Distancia acumulada entre las medias de tratamien to involucradas en la D k

correspondiente.
v2
CME Cuadrado medio del error en el anlisis de varianza

r Nmero de repeticion es.
ri
ri
Para aplicar la prueba de Duncan primero se ordenan en forma creciente las

medias de tratamientos Y(1) , Y(2) ,..., Y(t) , despus se prueban las diferencias
entre las medias (Dk), empezando con la mayor contra la menor. Si esta diferencia
(Dk) es no significativa entonces todas las otras diferencias (Dk) con la media
mayor son no significativas. Si la diferencia (Dk) es significativa se calcula de la
misma forma anterior, la diferencia (Dk) de la mayor y la segunda menor. Este
procedimiento contina hasta que un par de medias es no significativo o hasta que
todas las medias se han comparado con la media mayor. De la misma forma
anterior se calculan las diferencias (Dk) para la segunda media mayor. Este
proceso se contina hasta que se han considerado las diferencias (Dk) entre todos
los t(t-1)/2 pares de medias posibles ms. Para evitar contradicciones, ninguna de
las diferencias (Dk) entre un par de medias se considera significativa si las dos
medias en cuestin se localizan entre otras dos medias que no difieren
significativamente.
74
Ck
Ck
comparaciones mltiples de medias para la prueba de Duncan con el siguiente
ejemplo:
Ejemplo 9.3
tratamientos es el ms efectivo utilizando la prueba de Duncan. Se quiere una
Respuesta
Observaciones
1
2
3
4
5
Total
Media
t=
r1 =
r2 =
r3 =
5
5
5
5

15
20
25
30
35
7
12
14
19
7
7
17
18
25
10
15
12
18
22
11
11
18
19
19
15
9
18
19
23
11
49
77
88
108
54
9.8
15.4
17.6
21.6
10.8
ANLISIS DE VARIANZA
F.V.
G.L. S.C.
C.M.
Fcal
Tratamientos 4
475.76 118.94 14.76
Error
20 161.20
8.06
Total
24 636.96
75
Ftab
2.87
r4 =
r5 =
r6 =
r7 =
r8 =
r9 =
r10 =
5
5
FC =
Alfa
5655
0.05
= 0.05
CONCLUSIN
r=5
t=5
v2 = GLError = 20
CME = 8.06
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS


el Cuadro 5, aparece el Cuadro 17 (mencionado en la seccin 9.2), en donde se
hace clic en la prueba que deseemos usar y mediante un hiperenlace genera otra
hoja en donde se introducen los datos del experimento. En este caso se hace clic
en la prueba de Duncan.
Despus de hacer clic en la prueba de Duncan en el Cuadro 17, aparece el

Cuadro 24, en donde se introducen el nmero de tratamientos (t), el nmero de
cada repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el
cuadrado medio del error (CME) y los cuantiles para la prueba de Duncan con un
nivel de significancia y con v1 y v2 grados de libertad U(v1, v2); donde v1 es la
distancia acumulada entre las medias de tratamiento involucradas en la Dk
76
correspondiente. Despus se introducen los totales de tratamientos, las medias de

tratamientos y el nmero de tratamiento ordenado aparecen de forma inmediata.
A la derecha del Cuadro 24, aparece un hiperenlace para regresar hasta donde se
Cuadro 24. Prueba de Duncan

PRUEBA DE DUNCAN
t=
r1 =
r2 =
r3 =
5
5
5
T1
T2
T3
49.00
77.00
88.00
9.80
15.40
17.60
r4 =
r5 =
r6 =
r7 =
r8 =
r9 =
r10 =
Alfa =
GLErr = v2 =
CME =
U(v1, v2) =
5
5
T4
T5
T6
T7
T8
T9
T10
108.00
54.00
21.60
10.80
0.00
0.00
0.00
0.00
0.00
0.05
20.00
8.06
2.95 3.10 3.18
Nm. de
Trat. ordenado
1
Regresar
2
3
4
5
0
0
0
0
0
3.25
77
El ordenamiento de las medias de tratamiento del Cuadro 24 queda como en el

Ya que se tiene el Cuadro 25, con las medias de tratamientos ordenadas en forma
ascendente, se puede ver abajo del Cuadro 25, en la misma hoja, el Cuadro 26
con las diferencias de medias (Dk) de los tratamientos ordenados y el los valores
de la prueba de Duncan (Ck) (negrillas). Las celdas del Cuadro 26, se encuentran
protegidas contra escritura, por lo que no es posible modificarse.

Cuadro 25. Prueba de Duncan con las medias de tratamientos ordenados
PRUEBA DE DUNCAN
Nm. de
t=
5
Trat. ordenado
r1 =
5
T1
49.00
9.80
1
Regresar
r5 =
5
T5
54.00
10.80
2
r2 =
5
T2
77.00
15.40
3
r3 =
5
T3
88.00
17.60
4
r4 =
5
T4
108.00
21.60
5
r6 =
r7 =
r8 =
r9 =
r10 =
Alfa =
GLErr = v2 =
CME =
U(v1, v2) =
T6
T7
T8
T9
T10
0.05
20.00
8.06
2.95 3.10 3.18
0.00
0.00
0.00
0.00
0.00
3.25
78
0
0
0
0
0
Cuadro 26. Diferencias de medias (Dk) de tratamientos ordenados y valores de Ck

Diferencias de medias (Dk) de tratamientos ordenados y valores de Ck
10
9
8
7
6
5
4
3
2
1
0
0
0
0
0
11.8
7.8
5.6
1
0
1
0
0
0
0
0
4.13
4.04
3.94
3.75
0
0
0
0
0
10.8
6.8
4.6
0
2
0
0
0
0
0
4.04
3.94
3.75
0
0
0
0
0
6.2
2.2
0
3
0
0
0
0
0
3.94
3.75
0
0
0
0
0
4
0
4
0
0
0
0
0
3.75
0
0
0
0
0
0
5
0
0
0
0
0
0
0
0
0
0
6
0
0
0
0
0
0
0
0
7
0
0
0
0
0
0
8
0
0
0
0
9
0
0
10

ordenados y abajo sus respectivos valores de la prueba de Duncan (Ck). El
Cuadro 26 se interpreta de la siguiente manera:

diferencias de medias (Dk) son mayores a su respectivo valor de Ck.
En la columna con el nmero cuatro, podemos ver que el tratamiento ordenado
cuatro es diferente significativamente a los tratamientos ordenados uno y dos, ya
que sus diferencias de medias (Dk) son mayores a su respectivo valor de Ck; pero
el tratamiento ordenado cuatro y el tratamiento ordenado tres no difieren
79

respectivo de Ck.
de medias (Dk) son mayores a su respectivo valor de Ck.
es menor a su respectivo valor de Ck.
diferente significativamente a todos los dems tratamientos y tiene su media de
tratamiento ms alta.
9.5. Prueba de Scheff
En algunas situaciones no es fcil conocer las comparaciones que se deben

realizar o es posible realizar ms de t-1 comparaciones. En los experimentos
exploratorios las comparaciones de inters se descubren slo despus de
examinar los resultados. El mtodo de Scheff para probar cualquier contraste es
muy general en el sentido de que todas las posibles comparaciones pueden
probarse en cuanto a significancia.
repeticiones.
80
2(t 1) F (v1 , v 2 ) (CME )

r

i 1, 2,..., t
i 1, 2,..., t
(t 1) F (v1 , v 2 ) (CME )( ri
(ri )( ri )
k 1, 2,...,
ri )
t (t 1)
2
donde
F (v1 , v 2 )
Cuantil para la distribucin F con un nivel de significan cia
y con
v 1 y v 2 grados de libertad. (Ver Tabla II del Apndice)

v1
t -1
v2
CME
r
Cuadrado medio del error en el anlisis de varianza
ri
ri
9.5.1 Regla de decisin

comparaciones mltiples de medias para la prueba de Scheff con el siguiente
ejemplo:
Ejemplo 9.4
tratamientos es el ms efectivo utilizando la prueba de Scheff. Se quiere una
81
Respuesta
Observaciones
1
2
3
4
5
Total
Media
t=
R1 =
R2 =
R3 =
R4 =
R5 =
R6 =
R7 =
R8 =
R9 =
R10 =
5
5
5
5
5
5
FC =
Alfa
5655
0.05
= 0.05

15
20
25
30
35
7
12
14
19
7
7
17
18
25
10
15
12
18
22
11
11
18
19
19
15
9
18
19
23
11
49
77
88
108
54
9.8
15.4
17.6
21.6
10.8
ANLISIS DE VARIANZA
F.V.
G.L.
S.C.
C.M.
Fcal
Tratamientos 4
475.76 118.94 14.76
Error
20 161.20
8.06
Total
24 636.96
Ftab
2.87
CONCLUSIN
r=5
v1 = t-1 = 4
v2 = GLError = 20
CME = 8.06

t (t 1)
2
(5)( 4)
2
10
82
D1
Y1 Y2 ,
D7
Y2
Y1 Y3 ,
D2
Y5 , D8
Y3 Y4 , D9
D3
Y1 Y4 ,
D4
Y3 Y5 y D10
Y1 Y5 ,
D5
Y2 Y3 ,
D6
Y2 Y4 ,
Y4 Y5 .
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

tiene que hacer clic en la prueba deseemos usar.

tiene que hacer clic en la prueba que deseemos usar y mediante un hiperenlace
genera otra hoja en donde se introducen los datos del experimento. En este caso
se hace clic en la prueba de Scheff.
Despus de hacer clic en la prueba de Scheff en el Cuadro 17, aparece el

Cuadro 27, en donde se introducen el nmero de tratamientos (t), el nmero de
cada repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el
cuadrado medio del error (CME) y el cuantil para la distribucin F con un nivel de
significancia y con v1 y v2 grados de libertad F(v1, v2); donde v1 = t-1 aparece de
forma inmediata. Despus se introducen los totales de tratamientos, las medias de
tratamientos y el nmero de tratamiento ordenado aparece de forma inmediata.

83
Cuadro 27. Prueba de Scheff

PRUEBA DE SCHEFF
t=
r1 =
r2 =
r3 =
r4 =
r4 =
r6 =
5
5
5
5
5

T1
T2
T3
T4
T5
T6
49.00
77.00
88.00
108.00
54.00
9.80
15.40
17.60
21.60
10.80
0.00
r7 =
T7
r8 =
T8
r9 =
T9
r10 =
T10
Alfa =
0.05
GLErr = v2 = 20.00
CME =
8.06
F(v1, v2) =
0.00
0.00
0.00
0.00
Nm. de
Trat. ordenado
1
Regresar
2
3
4
5
0
0
0
0
0
2.71
Despus de introducir los datos del experimento, se tiene que de ordenar las
medias de tratamientos de forma ascendente; el ordenamiento se hace incluyendo
todas las columnas, excepto la del nmero de tratamiento ordenado. Este
ordenamiento se hace as para que despus el cuadro de diferencias de medias
se pueda interpretar ms fcil.
El ordenamiento de las medias de tratamiento del Cuadro 27 queda de la siguiente

manera en el Cuadro 28: para este ejemplo se modifica el orden de los ltimos
cuatro tratamientos originales con respecto a la columna del nmero de
tratamiento ordenado; por lo tanto, el tratamiento ordenado dos corresponde al
tratamiento original cinco, el tratamiento ordenado tres corresponde al tratamiento
original dos, el tratamiento ordenado cuatro corresponde al tratamiento original
tres. El tratamiento ordenado uno coincide con el tratamiento original uno.
ascendente se puede ver abajo del Cuadro 28, en la misma hoja, el Cuadro 29 con
84
las diferencias de medias (Dk) de los tratamientos ordenados y el los valores de

la prueba de Scheffe (k) (negrillas). Las celdas del Cuadro 29, se encuentran
protegidas contra escritura, por lo que no es posible modificarse.

Cuadro 28. Prueba de Scheff con las medias de tratamientos ordenados

PRUEBA DE SCHEFF
Nm. de
t=
5
Trat. ordenado
r1 =
5
T1
49.00
9.80
1
Regresar
r5 =
5
T5
54.00
10.80
2
r2 =
5
T2
77.00
15.40
3
r3 =
5
T3
88.00
17.60
4
r4 =
5
T4
108.00
21.60
5
r6 =
T6
0.00
0
r7 =
T7
0.00
0
r8 =
r9 =
r10 =
Alfa =
GLErr = v2 =
CME =
F(v1, v2) =
T8
T9
T10
0.00
0.00
0.00
0
0
0
0.05
20.00
8.06
2.71
Cuadro 29. Diferencias de medias (Dk) de tratamientos ordenados y valores de K

Diferencias de medias (Dk) de tratamientos ordenados y valores de K
10
9
8
7
6
5
4
3
2
1
0
0
0
0
0
11.8
7.8
5.6
1
0
1
0
0
0
0
0
6.08
6.08 6.08 6.08
0
0
0
0
0
10.8
6.8
4.6
0
2
0
0
0
0
0
6.08
6.08 6.08
0
0
0
0
0
6.2
2.2
0
3
0
0
0
0
0
6.08
6.08
0
0
0
0
0
4
0
4
0
0
0
0
0
6.08
85
5
6
7
8
9
10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

ordenados y abajo sus respectivos valores de la prueba de Scheffe (k), como los
tratamientos tienen el mismo nmero de repeticiones, los valores de la prueba de
Scheffe (k) son los mismos para todas las diferencias de medias, que para este
ejemplo k = 6.08. En caso de que se tratara de un diseo con diferentes
repeticiones por tratamiento, se tendran diferentes valores de la prueba de
Scheffe (k). El Cuadro 29 se interpreta de la siguiente manera:
significativamente a los tratamientos ordenados uno, dos y tres, ya que sus
diferencias de medias (Dk) son mayores a su respectivo valor de k; pero el
tratamiento ordenado cinco y el tratamiento ordenado cuatro no difieren
respectivo de k.
de medias (Dk) son mayores a su respectivo valor de k; pero el tratamiento
porque su diferencia de medias (Dk) es menor que su valor respectivo de k.
86
En la columna con el nmero tres, el tratamiento ordenado tres no es diferente

de medias (Dk) no son mayores a su respectivo valor de k.
ordenado uno no difieren significativamente, porque su diferencia de medias (Dk)
es menor a su respectivo valor de k.
diferente significativamente a tres tratamientos ordenados (tratamientos uno, dos y
tres) y tiene su media de tratamiento ms alta.
9.6. Prueba de Student-Newman-Keuls (S-N-K)
Cada una de las tres personas mencionadas contribuy al desarrollo de esta

prueba. Tambin llamada prueba de Newman-Keuls, o simplemente mtodo de
Keuls. Esta prueba es una modificacin de la prueba Tukey.
repeticiones.
(S
K )k
(S - N - K)k
q (v1 , v2 ) k
q (v1 , v2 ) k
t (t 1)
2
i 1, 2,..., t
i 1, 2,..., t
87
CME
r
k 1, 2,...,
CME 1
2
ri
v1
1
ri
2, 3, ..., t
donde
q (v1 , v2 ) Cuantil para la prueba de S - N - K con un nivel de significan cia
y con
v1 y v 2 grados de libertad.
v2
CME
Cuadrado medio del error en el anlisis de varianza
ri
ri
Para aplicar la prueba de S-N-K, al igual que en la prueba de Duncan, primero se
ordenan en forma creciente las medias de tratamientos Y(1) , Y(2) ,..., Y(t) ,
despus se prueban las diferencias entre las medias (Dk), empezando con la
mayor contra la menor. Si esta diferencia (Dk) es no significativa entonces todas
las otras diferencias (Dk) con la media mayor son no significativas. Si la diferencia
(Dk) es significativa se calcula de la misma forma anterior, la diferencia (Dk) de la
mayor y la segunda menor. Este procedimiento contina hasta que un par de
medias es no significativo o hasta que todas las medias se han comparado con la
media mayor. De la misma forma anterior se calculan las diferencias (D k) para la
segunda media mayor. Este proceso se contina hasta que se han considerado
las diferencias (Dk) entre todos los t(t-1)/2 pares de medias posibles ms.
(S
N
(S
K)k
N
K)k
comparaciones mltiples de medias para la prueba de S-N-K con el siguiente
ejemplo:
88
Ejemplo 9.5
tratamientos es el ms efectivo utilizando la prueba de S-N-K. Se quiere una
Respuesta
Observaciones
1
2
3
4
5
Total
Media
t=
r1 =
r2 =
r3 =
r4 =
r5 =
r6 =
r7 =
r8 =
r9 =
r10 =
5
5
5
5
5
5
FC =
Alfa
5655
0.05

15
20
25
30
35
7
12
14
19
7
7
17
18
25
10
15
12
18
22
11
11
18
19
19
15
9
18
19
23
11
49
77
88
108
54
9.8
15.4
17.6
21.6
10.8
ANLISIS DE VARIANZA
F.V.
G.L.
S.C.
C.M.
Fcal
Tratamientos 4
475.76 118.94 14.76
Error
20 161.20
8.06
Total
24 636.96
Ftab
2.87
CONCLUSIN
89
= 0.05
r=5
t=5
v1 = 2, 3,, t
v2 = GLError = 20
CME = 8.06
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

tiene que hacer clic en la prueba deseemos usar.

tiene que hacer clic en la prueba que deseemos usar y mediante un hiperenlace
genera otra hoja en donde debemos de introducir los datos del experimento. En
este caso se hace clic en la prueba de S-N-K.
Despus de hacer clic en la prueba de S-N-K en el Cuadro 17, aparece el Cuadro

30, en donde se introducen el nmero de tratamientos (t), el nmero de cada
repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el
cuadrado medio del error (CME) y los cuantiles para la prueba de S-N-K con un
nivel de significancia y con v1 y v2 grados de libertad q(v1, v2); donde v1 = 2, 3,
, t. Despus se introducen los totales de tratamientos, las medias de
tratamientos y el nmero de tratamiento ordenado aparecen de forma inmediata.

90
Cuadro 30. Prueba de Student-Newman-Keuls (S-N-K)

Nm. de
t=
5
Trat. ordenado
r1 =
5
T1
49.00
9.80
1
Regresar
r2 =
5
T2
77.00
15.40
2
r3 =
5
T3
88.00
17.60
3
r4 =
5
T4
108.00
21.60
4
r5 =
5
T5
54.00
10.80
5
r6 =
5
T6
0.00
6
r7 =
r8 =
r9 =
r10 =
Alfa =
GLErr = v2 =
CME =
q(v1, v2) =
T7
T8
T9
T10
0.05
20.00
8.06
2.95 3.58 3.96
0.00
0.00
0.00
0.00
0
0
0
0
4.23
El ordenamiento de las medias de tratamiento del Cuadro 30 queda como en el

Cuadro 31: para este ejemplo, se modifica el orden de los ltimos cuatro
ascendente se puede ver abajo del Cuadro 31, en la misma hoja, el Cuadro 32 con
91
las diferencias de medias (Dk) de los tratamientos ordenados y el los valores de

la prueba de Student-Newman-Keuls ((S-N-K)K) (negrillas). Las celdas del Cuadro
32 se encuentran protegidas contra escritura, por lo que no es posible modificarse.

Cuadro 31. Prueba de Student-Newman-Keuls (S-N-K) con las medias de

tratamientos ordenados
Nm. de
t=
5
Trat. ordenado
r1 =
5
T1
49.00
9.80
1
Regresar
r5 =
5
T5
54.00
10.80
2
r2 =
5
T2
77.00
15.40
3
r3 =
5
T3
88.00
17.60
4
r4 =
5
T4
108.00
21.60
5
r6 =
5
T6
0.00
6
r7 =
r8 =
r9 =
r10 =
Alfa =
GLErr = v2 =
CME =
q(v1, v2) =
T7
T8
T9
T10
0.05
20.00
8.06
2.95 3.58 3.96
0.00
0.00
0.00
0.00
0
0
0
0
4.23
Cuadro 32. Diferencias de medias (Dk) de tratamientos ordenados y valores de

(S-N-K)K
Diferencias de medias (Dk) de tratamientos ordenados y valores de (S-N-K)K
10
9
8
7
6
5
4
3
2
1
0
0
0
0
0
11.8
7.8
5.6
1
0
1
0
0
0
0
0
5.37
5.03
4.55 3.75
0
0
0
0
0
10.8
6.8
4.6
0
2
0
0
0
0
0
5.03
4.55
3.75
0
0
0
0
0
6.2
2.2
0
3
0
0
0
0
0
4.55
3.75
4
0
0
0
0
0
4
0
92
5
6
7
8
9
10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3.75
0

ordenados y abajo sus respectivos valores de la prueba de Student-NewmanKeuls ((S-N-K)K). El Cuadro 32 se interpreta de la siguiente manera:
diferencias de medias (Dk) son mayores a su respectivo valor de (S-N-K)K.
de medias (Dk) son mayores a su respectivo valor de (S-N-K)K; pero el tratamiento
porque su diferencia de medias (Dk) es menor que su valor respectivo de (S-N-K)K.
de medias (Dk) son mayores a su respectivo valor de (S-N-K)K.
es menor a su respectivo valor de (S-N-K)K.
93

diferente significativamente a todos los dems tratamientos y tiene su media de
tratamiento ms alta.
10. DISEO EN CUADRO LATINO
10.1. Caractersticas
Este tipo de diseo se utiliza cuando la variabilidad del material experimental
ocurre en dos sentidos, es decir, se presentan simultneamente dos posibles
fuentes de variabilidad. Se construye al distribuir los tratamientos en un arreglo de
hileras y columnas. Las hileras presentan el efecto de una de las fuentes de
variabilidad y las columnas el efecto de la otra fuente de variabilidad. Se tiene
igual nmero de columnas y de hileras. Cada hilera o columna constituye una
repeticin completa de los tratamientos, es decir un bloque completo. El nmero
de hileras o columnas es igual al nmero de tratamientos. Un tratamiento
cualquiera aparece representado slo una vez en la misma hilera y en la misma
columna. El nmero total de unidades experimentales a utilizar es t2. La
disposicin de las hileras o columnas se realiza mediante un mecanismo aleatorio.
Cuando el nmero de tratamientos a probar es grande se vuelve poco prctico la
utilizacin de este diseo.
La principal desventaja del cuadrado latino es que el nmero de filas, columnas y

tratamientos debe ser el mismo. As, si hay muchos tratamientos, el nmero de
parcelas pronto se hace impracticable. En los cuadrados latinos, como en los
bloques al azar, a medida que aumenta el tamao del bloque, el error
experimental por unidad probablemente aumente. Los cuadros latinos pequeos
proporcionan pocos grados de libertad para estimar el error experimental, y as
debe lograrse una disminucin sustancial en el error para compensar el corto
nmero de grados de libertad.
94
10.2. Modelo Lineal
El modelo lineal para los diseos en cuadro latino es el siguiente:
Yijk
Hi
Cj
(ij ) k
eijk
donde
i 1, 2,..., t;
j 1, 2,..., t;
k 1, 2,..., t;
2
0 ; E( eijk
)
E( eijk )
Nmero de tratamientos.
Respuesta obtenida en la j-sima tratamiento del i-simo bloque.
Yijk

Hi
Cj
(ij) k
eijk
Efecto de la i-sima hilera.

Efecto de la j-sima columna.
Efecto de la k-simo tratamiento (siendo una funcin de i y de j)
10.3. Construccin de un cuadro latino bsico
Para formar un cuadro latino bsico se deben tomar en cuenta el nmero de

tratamientos en el experimento. As, el nmero de columnas y de hileras ser igual
al nmero de tratamientos.
Construiremos el siguiente cuadro latino bsico de 4 x 4 (4 tratamientos, 4 hileras

y 4 columnas) (ver Cuadro 33).
Cuadro 33. Cuadro latino bsico
1
T1
T2
T3
T4
T2
T3
T4
T1
T3
T4
T1
T2
T4
T1
T2
T3
95
Observe que en el Cuadro 33 la hilera 1 del cuadro latino se forma al disponer los
tratamientos en orden de aparicin, la hilera 2 se forma al recorrer los tratamientos
de la hilera 1 una posicin hacia la izquierda, la hilera 3 se forma al recorrer los
tratamientos de la hilera 2 una posicin hacia la izquierda y la hilera 4 se forma al
recorrer los tratamientos de la hilera 3 una posicin hacia la izquierda.
El mecanismo anterior es aplicable a un cuadro latino bsico de cualquier

dimensin y asegura que los tratamientos en el experimento aparecern una sola
vez en cada hilera y una sola vez en cada columna del cuadro latino bsico.
Las hiptesis a probar en este tipo de diseos experimentales son sobre las
hileras, sobre las columnas y sobre los tratamientos, y son las siguientes:
1. H 0 : H1
H2
...
Ht
vs
H a : Al menos una H i (hilera) produce un efecto diferente de las dems.
2. H 0 : C1
C2
...
Ct
vs
H a : Al menos una C j (columna) produce un efecto diferente de las dems.
3. H 0 : T1
T2
... Tt
vs
H a : Al menos un Tk (tratamien to) produce un efecto diferente de las dems.
El anlisis de varianza para el diseo en cuadro latino est dado por el Cuadro 34:
96
Cuadro 34. Estructura del anlisis de varianza para un diseo en cuadro latino
Grados
Fuente de
Suma de
Cuadrado
F calculada
de
Variacin
Cuadrados
Medio
( Fcal )
Libertad
(F.V.)
(S.C.)
(C.M.)
(G.L.)
Hileras
t-1
S.C. Hileras
Columnas
t-1
S.C. Columnas
Tratamientos
t-1
S.C.
Tratamientos
Error
(t 1)(t 2)
S.C. Error
Total
(t 2 1
S.C. Total
S.C. Hileras
G.L. Hileas
S.C. Columnas
G.L. Columnas
S.C. Tratamient os
G.L. Tratamient os
S.C. Error
G.L. Error
C.M . Hileras
C.M . Error
C.M . Columnas
C.M . Error
C.M . Tratamient os
C.M . Error
F de
tablas
( Ftab )
F (v1, v2 )
F (v 3 , v 2 )
F (v 4 , v 2 )
Donde:
F (v1 , v 2 )
Ftab Hil
F (v 3 , v 2 )
Ftab Col
F (v 4 , v 2 )
Ftab Trat
v1
Grados de libertad de las hileras.
v2
v3
Grados de libertad de las columnas.
v4

t
t
2
FC
Y. 2j.
Yi..2
Y ...
t2
S.C. Hileras
i 1
FC
S.C. Columnas
j 1
Y..2k
S.C. Tratamient os
S.C. Error
k 1
FC
Y(2ij ) k
S .C. Total
FC
i 1 j 1 k 1
S.C. Total - S.C. Hileras - S.C. columnas - S.C.Tratam ientos
Donde:
FC
Y ...
Yi ..
Suma de todas las observaciones que pertenecen a la i-sima hilera.
Y . j. Suma de todas las observaciones que pertenecen a la j-sima columna.
97
FC
Y..k
Suma de todas las observaciones que pertenecen al k-simo tratamiento.
La regla de decisin que se utiliza para las hileras, columnas y tratamientos es la

siguiente:
Ftab
cuadro latino con el siguiente ejemplo:
Ejemplo 10.1
Se tiene un experimento en donde un bacterilogo estudia el efecto del oxgeno
sobre el desarrollo de la bacteria Bacillus popilliiae que ejerce un control sobre el
escarabajo japons Popillia japonica producindole la enfermedad lechosa de las
larvas (Castillo, 2003).
El bacterilogo desea saber en cul de las condiciones de oxigenacin se da el

mejor desarrollo de la bacteria con el fin de reproducirla en forma masiva y
liberarla en el campo. El medio donde se reproducir la bacteria es BK, el cual
proviene de cuatro lotes diferentes y es preparado por cuatro diferentes ayudantes
de laboratorio. Al parecer hay dos factores de confusin cuyos efectos se deben
cancelar: los lotes de BK y los ayudantes de laboratorio, los cuales pueden influir
de manera negativa sobre los resultados del experimento. Por esta razn se
decidi emplear un diseo en cuadro latino para este experimento.
Las condiciones de oxigenacin que se probaron fueron: Supraerbica (T1),

Anaerbica (T2), Aerbica (T3) y Semianaerbica (T4). La unidad experimental
consisti en un conjunto de 5 cajas de petri con BK. La variable respuesta fue la
98
concentracin bacteriana promedio por unidad experimental. La concentracin

bacteriana se midi como:
n de clulas / ml (segn la escala de Mc Farland 1 x 109).
A partir de un cuadro latino bsico de cuatro tratamientos se aleatorizaron las

hileras para asignar los tratamientos a las unidades experimentales. Las hileras
representan los efectos de los lotes de BK y las columnas los efectos de los
ayudantes de laboratorio. La disposicin final de los tratamientos para los lotes de
BK y los ayudantes de laboratorio se muestra en el Cuadro 35:
Cuadro 35. Cuadro latino aleatorizado (en base a las hileras).
Ayudantes de laboratorio
Lotes
de BK
T4
T1
T2
T3
II
T2
T3
T4
T1
III
T3
T4
T1
T2
IV
T1
T2
T3
T4
Se obtuvieron los siguientes valores de concentracin bacteriana que se muestran

en el Cuadro 36:
Cuadro 36. Concentracin bacteriana (n de clulas / ml (segn la escala

de Mc Farland 1 x 109)).
Ayudantes de laboratorio
Lotes
de BK
T4 2.0
T1
1.2
T2
1.5
T3
2.2
II
T2 1.4
T3
1.9
T4
1.6
T1
0.9
III
T3 2.0
T4
1.5
T1
1.1
T2
1.7
IV
T1 1.3
T2 1.7
T3
2.4
T4
1.7
99
Existe diferencias entre las cuatro condiciones de oxigenacin en el desarrollo de

Bacillus popilliae?. Se desea una respuesta con una confiabilidad del 95%
Respuesta
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

quiera usar y mediante un hiperenlace genera otra hoja donde se deben introducir
los datos del experimento. En este caso se hace clic en diseo en cuadro latino.
Despus de hacer clic en diseo en cuadro latino en el Cuadro 6, aparece el

Cuadro 37, en donde se introducen los datos del experimento. El Cuadro 37 slo
da la opcin de escribir sobre las celdas donde se deben de introducir los datos
del experimento, ya que el resto de la tabla se encuentra protegida contra
escritura. En este ejemplo, se tiene cuatro tratamientos, por lo que el cuadro latino
tendr 4 hileras y 4 columnas. Para este tipo de diseo se puede introducir hasta
10 tratamientos.
Una vez introducidos los datos, aparecen en la ltima columna del Cuadro 37, los
totales por hilera; en la antepenltima fila se debe de introducir los totales por
tratamiento de forma manual, ya que para stos no se puede introducir una
formula porque estn en forma aleatoria; en la penltima fila aparecen los totales
por columna y en la ltima fila aparecen las sumas del cuadrado de observaciones
por columna, los cuales se necesitan para el anlisis de varianza.

100
Cuadro 37. Diseo en cuadro latino

DISEO EN CUADRO LATINO
Columnas
Hileras
1
2
3
4 5 6 7 8
1
2
3
4
5
6
7
8
9
10
Tot. por trat.
Tot. por col.
Sumas del
cuadrado
de obs. por col.
2.0
1.4
2.0
1.3
1.2
1.9
1.5
1.7
1.5
1.6
1.1
2.4
Totales por
9 10
2.2
0.9
1.7
1.7
Ir al
anlisis
Hilera
6.9
5.8
6.3
7.1
Regresar
4.5 6.3 8.5 6.8

6.7 6.3 6.6 6.5 0.0 0.0 0.0 0.0 0.0 0.0
11.7 10.2 11.8 11.4 0.0 0.0 0.0 0.0 0.0 0.0

frmulas aparecen el nmero de tratamientos (t), el nmero de columnas (c), el
nmero de hileras (h), el factor de correccin (FC), as como el anlisis de
varianza y la conclusin del juego de hiptesis con respecto a las hileras,
columnas y tratamientos. El valor de alfa est determinado para una confiabilidad
del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se
desee. Todas las celdas del Cuadro 38, a excepcin del valor de alfa, estn
protegidas contra escritura, por lo que no es posible modificar el contenido de las
mismas.
95% no se rechazan las hiptesis nulas (H0) de las hileras y de las columnas,
debido a que Fcal
Hil
= 3.3 Ftab
Hil
= 4.76 y Fcal
101
Col
= 0.28 Ftab
Col
= 4.76,
respectivamente, lo que indica que el efecto de las hileras es igual y el efecto de

las columnas es igual, respectivamente; mientras que la hiptesis nula (H0) para
los tratamientos se rechaza, debido que Fcal
Trat
= 25.6 > Ftab
Trat
= 4.76, lo que
indica que al menos el efecto de un tratamiento es diferente de los dems
Cuadro 38. Anlisis de varianza para el diseo en cuadro latino.

ANLISIS DE VARIANZA
F.V.
G.L. S.C.
C.M. Fcal
Ftab
t=
4
Hileras
3 0.262 0.09 3.30
4.76
c=
4
Columnas
3 0.022 0.01 0.28
4.76
h= 4
Tratamientos 3 2.032 0.68 25.6
4.76
Error
6 0.159 0.03
FC = 42.58 Total
15 2.47
Alfa 0.05
CONCLUSIN
Fcal Hil Ftab Hil. No se rechaza H0 y no hay significancia al 0.05
Fcal Col Ftab Col. No se rechaza H0 y no hay significancia al 0.05
Fcal Trat > Ftab Trat. Se rechaza H0 y hay significancia al 0.05
Regresar
11. DISEO FACTORIAL
El diseo factorial se emplea en la planeacin, ejecucin y anlisis de

experimentos que pretendan evaluar el efecto producido por dos o ms factores
que actan simultneamente en un experimento. Un factor es una clase de
tratamiento, y en diseos factoriales, todo factor proporciona varios tratamientos.
El trmino nivel se refiere a los diferentes tratamientos dentro de un factor.
Los diseos factoriales se usan prcticamente en todos los campos de

investigacin. Son de gran valor en trabajo exploratorio cuando se sabe poco
sobre niveles ptimos de los factores, o ni siquiera cuales son importantes.
Este tipo de diseo se utiliza cuando se desea conocer los efectos producidos por
dos o ms factores controlados que actan simultneamente en un experimento.
102
Cada uno de los factores que intervienen en el experimento se estudia a diferentes

niveles. Los tratamientos se forman por la combinacin de todos los niveles de los
diferentes factores que intervienen en el experimento. El nmero total de
tratamientos a evaluar se origina por la multiplicacin del nmero de niveles de los
diferentes factores que intervienen en el experimento. El modelo lineal y en
anlisis de varianza se modifica dependiendo del nmero de factores que
intervienen en el experimento. Es comn nombrar a los factores presentes en el
experimento con las primeras letras maysculas del abecedario (A, B, C, etc.). Es
comn nombrar a los niveles de los factores presentes en el experimento con las
primeras letras minsculas y con subndices que dependen del nmero de niveles
de cada factor (a0, a1, a2, a3, b0, b1, c0, c1, c2, etc.). En estos experimentos se
toman en cuenta los efectos de todas las posibles interacciones entre los
diferentes factores que intervienen.
11.2. Nomenclatura
Para denominar los diferentes tipos de diseos factoriales se utiliza la siguiente

nomenclatura base:
nk: Factorial con k factores a n niveles (la base representa a los niveles y la
potencia representa a los factores).
11.3. Tipos de diseos factoriales
En un diseo factorial los tratamientos se forman por la combinacin de todos los

niveles de los diferentes factores que intervienen en el experimento. Es posible
realizar la disposicin de los tratamientos bajo los esquemas de los diseos
experimentales completamente al azar, en bloques completos al azar o en un
cuadro latino. Por lo tanto, se puede tener un diseo factorial completamente al
azar, un diseo factorial en bloques completos al azar o un diseo factorial en
cuadro latino. En este captulo no se trabaja con diseos factoriales en cuadro
latino, ya que no son muy prcticos.
103
11.4. Modelo lineal
Anteriormente se mencion que en los experimentos factoriales no existe un

modelo lineal nico, el modelo lineal est en funcin del nmero de factores que
intervienen en el experimento.
Si en un experimento se prueban dos factores bajo un arreglo completamente al

azar se tiene entonces el modelo lineal de la siguiente forma:
Yijk
Ai
Bj
( AB ) ij
eijk
donde
i
0, 1,..., a;
j 0, 1,..., b;
Nmero de niveles del factor A.
Nmero de niveles del factor B.
Yijk
0, 1,..., r;
E( eijk )
2
0 ; E( eijk
)
Respuesta obtenida en la k-sima repeticin del i-simo nivel del factor A y el
j-simo nivel del factor B.
Ai
Efecto atribuido al i-simo nivel del factor A.
Bj
Efecto atribuido al j-simo nivel del factor B.
( AB)ij
Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.
eijk
Si en un experimento se prueban tres factores bajo un arreglo completamente al

azar se tiene entonces el modelo lineal de la siguiente forma:
104
Yijkl
Ai
Bj
Ck
( AB) ij
( AC ) ik
( BC ) jk
( ABC ) ijk
eijkl
donde
i
0, 1,..., a;
j 0, 1,..., b;
0, 1,..., c;
l 1, 2,..., r;
E( eijk )
0 ; E( e 2 )
ijk
Nmero de niveles del factor C.
Respuesta obtenida en la l-sima repeticin del i-simo nivel del factor A, el
Yijkl
j-simo nivel del factor B y el k-simo nivel del factor C.

Ai
Bj
Ck
Efecto atribuido al k-simo nivel del factor C.
( AB)ij
( AC)ik
Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el ksimo nivel del factor C.
( BC) jk
Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el ksimo nivel del factor C.
( ABC)ijk
Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el jsimo nivel del factor B y el k-simo nivel del factor C.
eijk
Note que en ambos modelos lineales se toman en cuenta los efectos de las
interacciones entre los diferentes factores. Para el caso de dos factores slo se
toma en cuenta la interaccin doble (AB) entre factores. Para el caso de tres
factores se toman en cuenta todas las interacciones dobles (AB, AC, BC) y la
interaccin triple (ABC) entre factores. Si se tuvieran cuatro factores (A, B, C, D),
105
bajo un arreglo completamente al azar, se tomarn en cuenta las interacciones

dobles (AB, AC, AD, BC, BD, CD), las interacciones triples (ABC, ABD, ACD,
BCD) y la interaccin cudruple (ABCD) entre factores. Para distribuir los
diferentes subndices en el modelo lineal slo sera necesario recorrer el subndice
l al factor D, asignar el subndice m (el subndice m representar a las
repeticiones) al trmino del error aleatorio y colocar los subndices para las
diferentes interacciones, dependiendo de los factores involucrados en la
interaccin correspondiente. Para experimentos factoriales con ms factores, en
un arreglo completamente al azar, se procede a obtener el modelo lineal bajo el
esquema anterior.
Para el caso de dos factores en un arreglo de bloques completos al azar el modelo

lineal es muy semejante al de un arreglo completamente al azar, solamente se
introduce el trmino que representa el efecto de los bloques (Blo), el cual tiene el
subndice k (asignado a las repeticiones), ya que un bloque es equivalente a una
repeticin del experimento. El modelo lineal correspondiente es:
Yijk
Blo k
Ai
Bj
( AB ) ij
eijk
donde
i
0, 1,..., a;
j 0, 1,..., b;
k 1, 2,..., r;
E( eijk )
2
0 ; E( eijk
)
Nmero de bloques (repeticiones).

Respuesta obtenida en el i-simo nivel del factor A y el j-simo nivel del factor
Yijk
B, ubicados en el k-simo bloque.

Blok
Efecto atribuido al k-simo bloque.
Ai
Bj
106
Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el j-
( AB)ij
simo nivel del factor B.

eijk
Para el caso de tres factores en un arreglo de bloques completos al azar el modelo

lineal es muy semejante al del arreglo completamente al azar, solamente se
introduce el trmino que representa el efecto de los bloques (Blo), el cual tiene el
subndice l (asignado a las repeticiones), ya que un bloque es equivalente a una
repeticin del experimento. El modelo lineal correspondiente es el siguiente:
Yijkl
Blol
Ai
Bj
Ck
( AB ) ij
( AC ) ik
( BC ) jk
( ABC ) ijk
eijkl
donde
i
0, 1,..., a;
j 0, 1,..., b;
0, 1,..., c;
l 1, 2,..., r;
E( eijk )
2
0 ; E( eijk
)
Respuesta obtenida en el i-simo nivel del factor A, el j-simo nivel del factor
Yijkl
B y el k-simo nivel del factor C, ubicados en el l-simo bloque.

Efecto atribuido al l-simo bloque.
Blol
Ai
Bj
Ck
( AB)ij
( AC)ik
107
Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el k-
( BC) jk
simo nivel del factor C.

( ABC)ijk
eijk
La tabla de anlisis de varianza tiene una estructura diferente, dependiendo del

nmero de factores en el experimento. Para poder determinar la estructura de la
tabla de anlisis de varianza es necesario tomar en cuenta el modelo lineal del
experimento que se lleva a cabo.
Tomando en cuenta el siguiente modelo lineal:
Yijk
Ai
Bj
( AB) ij
eijk
Las fuentes de variacin del anlisis de varianza son:

F.V
A
B
AB
Error
Total
Tomando en cuenta el siguiente modelo lineal:
Yijkl
Blol
Ai
Bj
Ck
( AB) ij
( AC) ik
( BC) jk
Las fuentes de variacin del anlisis de varianza son:

F.V
Bloques
108
( ABC) ijk
eijkl
A
B
AB
C
AC
BC
ABC
Error
Total
En los dos casos anteriores, las fuentes de variacin corresponden a los trminos
del lado derecho del modelo lineal (a excepcin de
) agregando el trmino que
representa al Total. Conociendo el modelo lineal del experimento a desarrollar se

deducen, mediante el mecanismo anterior, las fuentes de variacin de la tabla del
anlisis de varianza correspondiente. El clculo de los grados de libertad y de las
sumas de cuadrados tambin vara dependiendo del experimento factorial
desarrollado.
11.6. Diseo factorial 2k
El tipo de diseo ms importante de los diseos factoriales es el de k factores,

cada uno con slo dos niveles. Una rplica completa de este diseo requiere 2 x 2
x x 2 = 2k observaciones y se le llama diseo factorial 2k.
El diseo factorial 2k es de particular utilidad en las etapas iniciales del trabajo
experimental, cuando probablemente se estn investigando muchos factores.
El primer diseo de la serie 2k es el que slo tiene dos factores, por ejemplo, A y
B; cada uno se corre a dos niveles. A este diseo se le llama diseo factorial 2 2.
Los niveles de los factores pueden denominarse arbitrariamente bajo y alto. Por
109
convencin, el efecto de un factor se denota con la letra mayscula latina. Por lo

tanto, A se refiere al efecto del factor A, B al efecto del factor B, y AB a la
interaccin AB. Los niveles bajo y alto de A y B se denotan por - y +
respectivamente o por 0 y 1.
Las cuatro combinaciones de tratamientos para un diseo factorial 2 2 suelen
representarse con letras minsculas, o sea, que el nivel alto de cualquiera de los
factores en una combinacin de tratamientos se denota por la letra minscula
correspondiente y el nivel bajo de un factor en una combinacin de tratamientos se
denota por la ausencia de la letra respectiva. Por lo tanto, a representa la
combinacin de tratamientos con A en el nivel alto y B en el nivel bajo, b
representa A en el nivel bajo y B en el nivel alto, ab representan ambos factores
en el nivel alto. Por convencin, se usa (1) para denotar que ambos factores estn
en el nivel bajo. En el Cuadro 39 se muestran las diferentes notaciones
mencionadas anteriormente para el diseo 2 2. Esta notacin se utiliza en todas las
series 2k.
Cuadro 39. Notaciones para el diseo factorial 22.
Corrida
A
B
Tratamiento
A
1
(1)
0
2
+
A
1
3
+
B
0
4
+
+
ab
1
B
0
0
1
1
Para el anlisis de experimentos factoriales 2k utilizaremos el algoritmo de Yates.

Yates describe este mtodo para los diseos factoriales 2 k, que consiste en un
proceso de sumas y restas como se muestra en el siguiente cuadro para el caso
de un diseo factorial 22.
Cuadro 40. Mtodo de Yates para el anlisis de experimentos factoriales 2 2.
Total de Tratamientos
1
2
Efecto
(1)
+(1)+a
+(1)+a+b+ab
Total
A
+b+ab
-(1)+a-b+ab
A
B
-(1)+a
-(1)-a+b+ab
B
Ab
-b+ab
+(1)-a-b+ab
AB
Fuente: Martnez (1983).
110
Para la caracterstica en estudio se escriben verticalmente los totales de

tratamientos, con las letras minsculas mencionadas anteriormente. Con estos
totales se forman dos grupos, componindose cada grupo, de dos totales
consecutivos. El primer grupo contiene los totales correspondientes a los
tratamientos (1) y a; el segundo grupo comprende los totales correspondientes a
los tratamientos b y ab. Para generar la columna 1, procediendo por grupos se
suman los totales de los dos tratamientos que los componen. Las dos sumas
obtenidas constituyen los dos primeros elementos de la propia columna, los cuales
se colocan ordenadamente; as por ejemplo, el primer elemento de la columna 1
es la suma de los totales de los tratamientos (1) y a. Los dos elementos restantes
de la columna 1 se obtienen por diferencia, restando en cada grupo el total del
tratamiento de arriba del de abajo; as por ejemplo, el tercer elemento de la
columna 1 ser a (1), diferencia que se ha escrito (1) +a para conservar el orden
estndar de presentar las combinaciones de tratamiento. La columna 2 del cuadro
se obtiene de la 1 por un proceso similar al descrito.
Los elementos de la columna 2 son, sucesivamente, el gran total y los efectos

totales de A, B Y AB. El algoritmo de yates se puede generalizar para todas las
series 2k.
Para pasar de aqu a las estimaciones de las sumas de cuadrados se usa la

siguiente frmula:
SC ( ABC ...)
ABC ... 1
ABC ...
2
0
ABC ...
r 2n
2
0
ABC ... 12
G2
r 2n
r 2n
donde G es el gran total
En el caso general, el mtodo se termina de aplicar despus de n pasos.
Los mtodos de anlisis que se han presentado hasta este punto pueden
generalizarse para el caso de un diseo factorial 2 k, es decir, un diseo con k
factores que tienen dos niveles cada uno. El modelo estadstico par un modelo 2 k
111
incluira k efectos principales,
k
2
interacciones de dos factores,
k
3
interacciones
de tres factores,, y una interaccin de k factores. Es decir, para un diseo 2k el

modelo completo contendra 2k-1 efectos. Tambin se usa aqu la notacin
introducida anteriormente para las combinaciones de los tratamientos. Por
ejemplo, en un diseo 25, abd denota la combinacin de tratamientos con los
factores A, B y D en el nivel alto y los factores C y E en el nivel bajo. Las
combinaciones de tratamientos pueden escribirse en orden estndar introduciendo
los factores uno a la vez y combinando sucesivamente cada nuevo factor con los
que proceden. Por ejemplo, el orden estndar en un diseo 24 es (1), a, b, ab, c,
ac, bc, abc, d, ad, bd, abd, cd, acd, bcd y abcd.
Ejemplo 11.1
resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo
factorial 2k con el siguiente ejemplo:
Consideremos parte de los resultados de un experimento caero de dosis de

fertilizantes, (Martnez, 1983) el cual comprendi los 8 tratamientos de un factorial
23, en un diseo en bloques completos al azar. Se obtienen los rendimientos de
caa de la plantilla, en toneladas por hectrea en el Cuadro 41: cada uno de los
nutrientes mayores: nitrgeno, fsforo y potasio, se ensay en dos niveles, 0 y 200
kilogramos por hectrea.
Cuadro 41. Experimento factorial 23. Rendimientos de Caa en Toneladas por
Hectrea.
Fertilizantes
Bloque
Tratamiento
Suma
N
P
K
I
II
III
IV
1
0
0
0
125.6
98.2
110.6 130.1
464.5= T000
2
200
0
0
112.1
101.5 147.4 135.9
496.9= T100
3
0
200
0
150.8
154.8 175.0 185.0
665.6= T010
4
200 200
0
167.1
185.0 174.4 151.5
678.0= T110
5
0
0
200
121.0
100.6 134.8 134.4
490.8= T001
6
200
0
200
149.2
131.1 118.3 161.3
559.9= T101
7
0
200 200
181.1
174.3 137.0 161.5
653.9= T011
8
200 200 200
145.1
201.0 188.8 201.5
736.4= T111
112
1152.0
= B1
Suma
1146.5 1186.3 1261.2

= B2
= B3
= B4
4764.0 = G
Fuente: Martnez (1983).
Existe diferencia entre las combinaciones de nitrgeno, fsforo y potasio?

Responda al cuestionamiento anterior con una confiabilidad del 95%.
Respuesta
Se tienen tres factores nitrgeno (N), fsforo (P) y potasio (K); para seguir con la
notacin usual nombraremos a los tres factores anteriores como A, B y C
respectivamente; cada uno de los factores anteriores tiene dos niveles (0 y 1). Los
tratamientos a probar son:
0 Kg.
0 Kg.
0 Kg.
(a0b0c0)
(1)
200 Kg.
0 Kg.
0 Kg.
(a1b0c0)
(a)
0 Kg.
200 Kg.
0 Kg.
(a0b1c0)
(b)
200 Kg.
200 Kg.
0 Kg.
(a1b1c0)
(ab)
0 Kg.
0 Kg.
200 Kg.
(a0b0c1)
(c)
200 Kg.
0 Kg.
200 Kg.
(a1b0c1)
(ac)
0 Kg.
200 Kg.
200 Kg.
(a0b1c1)
(bc)
200 Kg.
200 Kg.
200 Kg.
(a1b1c1)
(abc)
El modelo lineal correspondiente al factorial en bloques completos al azar es:

Yijkl
Blol
Ai
Bj
Ck
( AB ) ij
( AC ) ik
( BC ) jk
( ABC ) ijk
eijkl
donde
i
0, 1,..., a;
j 0, 1,..., b;
0, 1,..., c;
113
l 1, 2,..., r;
E( eijk )
2
0 ; E( eijk
)
Yijkl

Blol
Ai
Bj
Ck
( AB)ij
( AC)ik
( BC) jk
Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el j-
( ABC)ijk
simo nivel del factor B y el k-simo nivel del factor C.

eijk
Las hiptesis a probar son:

1. H 0 : a0
a1 vs
H a : a0
a1
2. H 0 : b0
b1 vs
H a : b0
b 1 bi
3. H 0 : Todas las interacciones a i b j tienen el mismo efecto
vs
H a : Al menos una interaccin ai b j produce un efecto diferente de los dems
4. H 0 : c0
c1 vs
H a : c0
c1
114
5. H 0 : Todas las interaccio nes a i c k tienen el mismo efecto
vs
H a : Al menos una interacci n a i c k produce un efecto diferente de los dems
6. H 0 : Todas las interacciones b j ck tienen el mismo efecto
vs
H a : Al menos una interacci n b j c k produce un efecto diferente de los dems
7. H 0 : Todas las interaccio nes a i b j c k tienen el mismo efecto
vs
H a : Al menos una interaccin ai b j c k produce un efecto diferente de los dems
El anlisis de varianza correspondiente es el Cuadro 42:

Cuadro 42. Estructura del anlisis de varianza para el diseo factorial 23 en
Fuente
F de
Grados de
Suma de
Cuadrado
F calculada
de
tablas
Libertad
Cuadrados
Medio
( Fcal )
Variacin
( Ftab )
(G.L.)
(S.C.)
(C.M.)
(F.V.)
Bloques
r-1
S.C. Bloques
a-1
S.C. A
b-1
S.C. B
AB
(a-1)(b-1)
S.C. AB
c-1
S.C. C
AC
(a-1)(c-1)
S.C. AC
BC
(b-1)(c-1)
S.C. BC
ABC
(a-1)(b-1)(c-1)
S.C. ABC
115
S.C. Bloques
G.L. Bloques
C.M . Bloques
C.M . Error
S.C. A
G.L. A
S.C. B
G.L. B
S.C. AB
G.L. AB
S.C. C
G.L. C
S.C. AC
G.L. AC
S.C. BC
G.L. BC
S.C. ABC
G.L. ABC
C.M . A
C.M . Error
C .M . B
C .M . Error
C.M . BC
C.M . Error
C .M . C
C .M . Error
C.M . AC
C.M . Error
C.M . AB
C.M . Error
C.M . ABC
C.M . Error
F (v1, v2 )
F (v 3 , v 2 )
F (v 4 , v 2 )
F (v 5 , v 2 )
F (v 6 , v 2 )
F (v 7 , v 2 )
F (v 8 , v 2 )
F (v 9 , v 2 )
Error
(abc-1)(r-1)
S.C. Error
Total
abcr-1
S.C. Total
S.C. Error
G.L. Error
Donde:
F (v1 , v 2 )
Ftab Bloques
F (v 3 , v 2 )
Ftab A
F (v 4 , v 2 )
Ftab B
F (v 5 , v 2 )
Ftab AB
F (v 6 , v 2 )
Ftab C
F (v 7 , v 2 )
Ftab AC
F (v 8 , v 2 )
Ftab BC
F (v 9 , v 2 )
Ftab ABC

v1
v2
v3
Grados de libertad del factor A.
v4
Grados de libertad del factor B.
v5
Grados de libertad del interacci n AB.
v6
Grados de libertad de la interacci n C.
v7
Grados de libertad de la interacci n AC.
v8
Grados de libertad de la interacci n BC.
v9
Grados de libertad de la interacci n ABC.
La regla de decisin que se utiliza para cualquier factor o interaccin es la

siguiente:
Ftab
Para resolver el ejemplo anterior haremos uso de las hojas de clculo hechas en
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

(mencionado en el captulo 6), en el que se hace hacer clic en el tipo de diseo
que se quiera usar y mediante un hiperenlace genera otra hoja donde se debe
116
escoger el tipo de diseo experimental que se va a usar. En este caso se hace clic
en diseos factoriales.
Despus de hacer clic en diseos factoriales en el Cuadro 6, aparece el Cuadro

43, con hiperenlaces para diferentes tipos de diseos factoriales ms comunes en
donde se debe seleccionar el tipo de diseo factorial que se va a emplear, ya sea
completamente al azar o en bloques completos al azar y genera un formato para
ese tipo de diseo para introducir los datos del experimento. Para este ejemplo, se
selecciona en diseos factoriales en bloques completos al azar, el diseo factorial
2k.
A la derecha del Cuadro 43 aparece un hiperenlace para regresar hasta la hoja de

clculo donde se seleccion el tipo de diseo experimental.
Cuadro 43. Tipos de diseos factoriales ms comunes

TIPOS DE DISEOS FACTORIALES MS COMUNES
DISEOS FACTORIALES EN COMPLETAMENTE AL AZAR
Diseo factorial 2^k
Diseo factorial 3^k
Diseo factorial 3^k x 2^l
DISEOS FACTORIALES EN BLOQUES COMPLETOS AL AZAR

Diseo factorial 2^k
Diseo factorial 3^k
Diseo factorial 3^k x 2^l
117
Regresar
Despus de seleccionar el tipo de diseo factorial 2k, en diseos factoriales en

bloques completos al azar en el Cuadro 43, aparece el Cuadro 44, en donde se
introducen los datos del ejercicio. El Cuadro 44 slo da la opcin de escribir sobre
las celdas donde se deben de introducir los datos del experimento, ya que el resto
de las celdas se encuentran protegidas contra escritura. Para este tipo de diseo
se puede introducir un mximo de cinco factores y cinco bloques. Para este
ejemplo se tienen tres factores con dos niveles cada uno y cuatro boques.
Una vez introducidos los datos, aparecen en las ltimas columnas del Cuadro 44,
los totales de tratamiento, las sumas del cuadrado de observaciones por
tratamiento, el efecto y los totales de efectos. En la ltima fila aparecen el total por
bloques y el total de las sumas del cuadrado de observaciones por tratamiento.

seleccion el tipo de diseo factorial.
Cuadro 44. Diseo factorial 2k en bloques completos al azar.
DISEO FACTORIAL 2k EN BLOQUES COMPLETOS AL AZAR
Sumas del
Totales
Bloques
Totales de
cuadrado
de
Tratamientos
Efecto
de obs. por
I
II
III
IV
V Tratamiento
efectos
Trat.
Gran
(1)
125.6 98.2 110.6 130.1
464.5
54577.0
4746
total
A
112.1 101.5 147.4 135.9
496.9
63064.2
A
196.4
B
Ab
C
Ac
Bc
Abc
Total
150.8 154.8 175.0 185.0
665.6
111553.7
167.1 185.0 174.4 151.5

121.0 100.6 134.8 134.4
149.2 131.1 118.3 161.3
181.1 174.3 137.0 161.5
145.1 201.0 188.8 201.5
1152.0 1146.5 1186.3 1261.2 0.0
678.0
490.8
559.9
653.9
736.4
115515.0
60995.8
79460.4
108029.0
137702.7
730897.7
AB
C
AC
BC
ABC
118
721.8
Ir al
anlisis
-6.6
136.0
106.8 Regresar
-42.6
33.4
Al hacer clic en el hiperenlace, Ir al anlisis, en el Cuadro 44, genera al Cuadro 45

donde aparecen el factor A (a), el factor B (b), el factor C (c), el factor D (d) y el
factor E (e) con sus respectivos nmeros de niveles; el nmero de bloques (r), y el
factor de correccin (FC), as como el anlisis de varianza y la conclusin del
juego de hiptesis con respecto sus factores y a sus interacciones. El valor de alfa
est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede
cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 45,
a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es
posible modificar el contenido de las mismas.
A la derecha del Cuadro 45 aparece un hiperenlace para regresar hasta la hoja de

95% slo se rechaza las hiptesis nula (H0) del factor B, lo que indica que existen
diferencias entre los niveles de ese factor; mientras que las hiptesis nulas (H 0)
para el factor A, el factor C, las interacciones AB, AC, BC y ABC no se rechazan,
lo que indica que no existen diferencias entre los niveles de esos factores y de
esas interacciones.
Cuadro 45. Anlisis de varianza para el diseo factorial 23 en bloques completos al
azar.
ANLISIS DE VARIANZA
F.V.
G.L.
S.C.
C.M.
Fcal
Ftab
Bloques 3
1046.30
348.77
0.98
3.07
a=
2
A
1
1205.41
1205.41
3.40
4.32
b=
2
B
1 16281.10 16281.10 45.92
4.32
c=
2
AB
1
1.36
1.36
0.004
4.32
Regresar
d=
0
C
1
578.00
578.00
1.63
4.32
e=
0
AC
1
356.44
356.44
1.01
4.32
r=
4
BC
1
56.71
56.71
0.16
4.32
ABC
1
34.86
34.86
0.10
4.32
FC = 703891.13
Alfa
0.05
Error
21 7446.43
354.59
119
Total
31
27006.62
CONCLUSIN
Fcal A Ftab A. No se rechaza H0 y no hay significancia al 0.05
Fcal B > Ftab B. Se rechaza H0 y hay significancia al 0.05
Fcal AB Ftab AB. No se rechaza H0 y no hay significancia al 0.05
Fcal C Ftab C. No se rechaza H0 y no hay significancia al 0.05
Fcal AC Ftab A. No se rechaza H0 y no hay significancia al 0.05
Fcal BC Ftab BC. No se rechaza H0 y no hay significancia al 0.05
Fcal ABC Ftab ABC. No se rechaza H0 y no hay significancia al 0.05
11.7. Diseo factorial 3k
El diseo factorial 3k es un arreglo factorial de k factores que tienen tres niveles
cada uno. Se usan letras maysculas para denotar los factores y las interacciones.
Se hace referencia a los tres niveles de los factores como bajo, intermedio y alto.
Hay varias notaciones diferentes que se usan para representar estos niveles de
los factores; una posibilidad es representar los niveles de los factores con los
dgitos 0 (bajo), 1 (intermedio) y 2 (alto). Cada combinacin de tratamientos del
diseo 3k se denota por k dgitos, donde el primer dgito denota el nivel del factor
A, el segundo digito indica el nivel del factor B,, y el dgito k-simo indica el nivel
del factor k. Por ejemplo, en un diseo 3 2, 00 denota la combinacin de
tratamientos correspondientes a A y B ambos en el nivel bajo, y 01 denota la
combinacin de tratamientos correspondiente a A en el nivel bajo y B en el nivel
intermedio.
El diseo ms simple del sistema 3k es el diseo 32, el cual tiene dos factores,
cada uno con tres niveles. Las combinaciones de tratamientos de este diseo son
32 = 9, hay 32-1 = 8 grados de libertad entre estas combinaciones de tratamientos
y se pueden definir 32-1/3-1 = 4 grupos ortogonales con dos grados de libertad
cada uno, que en trminos de los efectos factoriales, tales grupos son:
A: efecto principal de A
B: efecto principal de B
120
AB: primera componente de la interaccin AB

AB2: segunda componente de la interaccin AB
Por lo tanto, AB AB AB 2
Las componentes AB y AB2 de la interaccin AB no tienen significado real y por lo
general no se incluyen en el anlisis de varianza. Por lo tanto, los efectos
principales de A y B tienen dos grados de libertad cada uno, y la interaccin AB
tiene cuatro grados de libertad.
Suponga ahora que hay tres factores (A, B y C) bajo estudio y que cada factor
tiene tres niveles dispuestos en un experimento factorial. Se trata de un diseo
factorial 33, y la notacin de las combinaciones de tratamientos se mencionaron
anteriormente en el diseo factorial 32. Las 27 combinaciones de tratamientos
tienen 26 grados de libertad y se pueden definir 3 3-1/3-1 = 13 grupos ortogonales
con dos grados de libertad cada uno, que en trminos de los efectos factoriales,
tales grupos son:
A: efecto principal de A.
B: efecto principal de B.
AB: primera componente de la interaccin AB.
AB2: segunda componente de la interaccin AB.
C: efecto principal de C.
AC: primera componente de la interaccin AC.
AC2: segunda componente de la interaccin AC.
BC: primera componente de la interaccin BC.
BC2: segunda componente de la interaccin BC.
ABC: primera componente de la interaccin ABC.
ABC2: segunda componente de la interaccin ABC.
AB2C: tercera componente de la interaccin ABC.
AB2C2: cuarta componente de la interaccin ABC.
Por lo tanto,
121
AB
AB AB 2
AC
AC AC 2
BC
BC BC 2
ABC
ABC ABC 2 AB 2C AB 2C 2
Como en el diseo 32, estos componentes no tienen significacin fsica. Por lo

tanto, los efectos principales de A, B y C tienen dos grados de libertad cada uno;
las interacciones AB, AC, BC tienen cuatro grados de libertad y la interaccin ABC
tiene 8 grados de libertad.
Los conceptos utilizados en los diseos 32 y 33 pueden extenderse de inmediato
al caso de k factores, cada uno con tres niveles, es decir, a un diseo factorial 3k.
Se emplea la notacin digital usual para las combinaciones de tratamientos, por lo
que 0120 representa una combinacin de tratamientos en un diseo 3 4 con A y D
en los niveles bajos, B en el nivel intermedio y C en el nivel alto. Hay 3k
combinaciones de tratamientos, con 3k-1 grados de libertad entre ellos y se
pueden definir 3k-1/3-1 grupos ortogonales con dos grados de libertad cada uno.
Estas combinaciones de tratamientos permiten determinar las sumas de
cuadrados de k efectos principales, cada uno con dos grados de libertad;
k
2
interacciones de dos factores, cada una con cuatro grados de libertad;; y una
interaccin de k factores, con 2k grados de libertad. En general, una interaccin de
h factores tiene 2h grados de libertad.
Ejemplo 11.2
factorial 3k con el siguiente ejemplo:
Se usa una mquina para llenar contenedores metlicos de cinco galones con
jarabe para una bebida gaseosa (Montgomery, 2007). La variable de inters es la
cantidad de jarabe perdida debido al espumeo. Se piensa que tres factores
122
influyen en el espumeo: el diseo de la boquilla (A), la velocidad del llenado (B) y

la presin de operacin (C). Se seleccionaron tres boquillas, tres velocidades de
llenado y tres presiones, y se corren dos rplicas de un experimento factorial 3 3.
En el Cuadro 46 se muestran los datos codificados.
Cuadro 46. Datos de la prdida de jarabe (las unidades son centmetros cbicos70)
Tipo de boquilla (A)
1
2
3
Velocidad (en rpm) (B)
Presin
(en psi)
100
120
140
100
120
140
100
120
140
(C)
-35
-45
-40
17
-65
20
-39
-55
15
10
-25
-60
15
24
-58
4
-35
-67
-30
110
-10
80
55
-55
110
90
-28
110
15
75
30
54
120
-44
44
113
-26
135
4
-40
31
-23
-64
-20
-30
-61
54
20
5
-30
36
-5
-62
-31
-55
-52
4
Fuente: Montgomery (2007).
Existen diferencias entre las combinaciones del tipo de boquilla (A), la velocidad
del llenado (B) y la presin de operacin (C)?. Responda a la pregunta anterior
con una confiabilidad del 95%.
Respuesta:
Se tienen tres factores: el diseo de la boquilla (A), la velocidad del llenado (B) y la
presin de operacin (C), bajo un experimento factorial 3 3 completamente al azar.
Cada uno de los factores A, B y C con tres niveles: 1 (0), 2 (1) y 3 (2); 100 rpm (0),
120 rpm (1) y 140 rpm (2) y 10 psi (0), 15 psi (1) y 20 psi (2), respectivamente. Los
tratamientos a probar son:
Tratamiento
100 rpm
10 psi
(000)
100 rpm
10psi
(100)
100 rpm
10 psi
(200)
123
120 rpm
10 psi
(010)
120 rpm
10psi
(110)
120 rpm
10 psi
(210)
140 rpm
10 psi
(020)
140 rpm
10psi
(120)
140 rpm
10 psi
(220)
100 rpm
15 psi
(001)
100 rpm
15psi
(101)
100 rpm
15 psi
(201)
120 rpm
15 psi
(011)
120 rpm
15psi
(111)
120 rpm
15 psi
(211)
140 rpm
15 psi
(021)
140 rpm
15psi
(121)
140 rpm
15 psi
(221)
100 rpm
20 psi
(002)
100 rpm
20psi
(102)
100 rpm
20 psi
(202)
120 rpm
20 psi
(012)
120 rpm
20psi
(112)
120 rpm
20 psi
(212)
140 rpm
20 psi
(022)
140 rpm
20psi
(122)
140 rpm
20 psi
(222)
El modelo lineal correspondiente al factorial completamente al azar es:

Yijkl
Ai
Bj
Ck
( AB) ij
( AC ) ik
( BC ) jk
( ABC ) ijk
eijkl
donde
i
0, 1,..., a;
j 0, 1,..., b;
0, 1,..., c;
l 1, 2,..., r;
E( eijk )
0 ; E( e 2 )
ijk
124
Respuesta obtenida en la l-sima repeticin del i-simo nivel del factor A, el
Yijkl
j-simo nivel del factor B y el k-simo nivel del factor C.

Ai
Bj
Ck
( AB)ij
( AC)ik
( BC) jk
Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el j-
( ABC)ijk
simo nivel del factor B y el k-simo nivel del factor C.

eijk

1. H 0 : a 0
a1
a 2 vs
2. H 0 : b0
b1
b2
vs
H a : a0
a1
H a : b0
a2
b1
b2
vs
H a : Al menos una interacci n ai b j produce un efecto diferente de los dems
4. H 0 : c0
c1
c2
vs
H a : c0
c1
c2
125
5. H 0 : Todas las interaccio nes a i c k tienen el mismo efecto
vs
H a : Al menos una interacci n a i c k produce un efecto diferente de los dems
6. H 0 : Todas las interacciones b j ck tienen el mismo efecto
vs
H a : Al menos una interacci n b j c k produce un efecto diferente de los dems
7. H 0 : Todas las interacciones a i b j ck tienen el mismo efecto
vs
H a : Al menos una interacci n ai b j ck produce un efecto diferente de los dems
El anlisis de varianza correspondiente est dado por el Cuadro 47:
completamente al azar.
Fuente
F
F de
Grados de
Suma de
Cuadrado
de
calculada
tablas
Libertad
Cuadrados
Medio
Variacin
( Fcal )
( Ftab )
(G.L.)
(S.C.)
(C.M.)
(F.V.)
A
a-1
S.C. A
b-1
S.C. B
AB
(a-1)(b-1)
S.C. AB
c-1
S.C. C
AC
(a-1)(c-1)
S.C. AC
BC
(b-1)(c-1)
S.C. BC
ABC
(a-1)(b-1)(c-1)
S.C. ABC
Error
(abc-1)(r-1)
S.C. Error
126
S.C. A
G.L. A
S.C. B
G.L. B
S.C. AB
G.L. AB
S.C. C
G.L. C
S.C. AC
G.L. AC
S.C. BC
G.L. BC
S.C. ABC
G.L. ABC
S.C. Error
G.L. Error
C.M . A
C.M . Error
C .M . B
C .M . Error
C.M . BC
C.M . Error
C .M . C
C .M . Error
C .M . AC
C.M . Error
C.M . AB
C.M . Error
C.M . ABC
C.M . Error
F (v1, v2 )
F (v 3 , v 2 )
F (v 4 , v 2 )
F (v 5 , v 2 )
F (v 6 , v 2 )
F (v 7 , v 2 )
F (v 8 , v 2 )
F (v 9 , v 2 )
Total
abcr-1
S.C. Total
Donde:
F (v1 , v 2 )
Ftab A
F (v 3 , v 2 )
Ftab B
F (v 4 , v 2 )
Ftab AB
F (v 5 , v 2 )
Ftab C
F (v 6 , v 2 )
Ftab AC
F (v 7 , v 2 )
Ftab BC
F (v 8 , v 2 )
Ftab ABC

v2
v1
v3
v4
Grados de libertad de la interacci n AB.
v5
Grados de libertad del factor C.
v6
v7
v8

b
a
2
FC
Y. 2j..
Yi...2
Y ....
abcr
S.C. A
i 0
FC
bcr
a
c
k 0
acr
S.C. AB
i 0
j 0
cr
S .C. A S .C.B FC
Y. 2jk.
Yi.2k .
S.C. AC
i 0
k 0
br
FC
Yij2..
FC
abr
j 0
Y..2k .
S.C. C
S.C. B
S .C. A S .C.C FC
S.C. BC
127
j 0
k 0
ar
S .C.B S .C.C
FC
c
2
Yijk
.
S.C. ABC
i 0
j 0
k 0
S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC FC
r
a
r
2
Yijkl
S .C. Total
i 0
S .C. Error
j 0
F .C
k 0 l 1
S.C. Total - S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC S .C. ABC
Donde:
FC
Y ....
Yi ...
Suma de todas las observaciones que pertenecen al i-simo nivel del factor
A.
Y . j.. Suma de todas las observaciones que pertenecen al j-simo nivel del factor
B.
Y ..k.
Suma de todas las observaciones que pertenecen al k-simo nivel del factor
C.
Yij .. Suma de todas las observaciones que pertenecen al i-simo nivel del factor A
y al j-simo nivel del factor B.

Yi . k . Suma de todas las observaciones que pertenecen al i-simo nivel del factor
A y al k-simo nivel del factor C.

Y . jk. Suma de todas las observaciones que pertenecen al j-simo nivel del factor
B y al k-simo nivel del factor C.

Yijk . Suma de todas las observaciones que pertenecen al i-simo nivel del factor
A, al j-simo nivel del factor B y al k-simo nivel del factor C.

Y...l
Yijkl
Suma de todas las observaciones que pertenecen al l-simo bloque.

Respuesta para la l-sima repeticin perteneciente al i-simo nivel del factor
128

siguiente:
Ftab
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

(mencionado en el captulo 6), en el que se debe de hacer clic en el tipo de diseo
que se quiera usar y mediante un hiperenlace genera otra hoja donde se escoge el
tipo de diseo experimental que se va a usar. En este caso se hace clic en
diseos factoriales.
Despus de hacer clic en diseos factoriales en el Cuadro 6, aparece el Cuadro

43, con hiperenlaces para diferentes tipos de diseos factoriales ms comunes
(mencionado en la seccin 11.7) en donde se selecciona el tipo de diseo factorial
que se va a emplear, ya sea completamente al azar o en bloques completos al
azar y genera un formato para ese tipo de diseo para introducir los datos del
experimento. Para este ejemplo, se va a seleccionar en diseos factoriales
completamente al azar, el diseo factorial 3k.
Despus de seleccionar el tipo de diseo factorial 3 k, en diseos factoriales
completamente al azar en el cuadro 43, genera el Cuadro 48, en donde se deben
introducir los datos del ejercicio. El Cuadro 48 slo da la opcin de escribir sobre
las celdas donde se introducen los datos del experimento, ya que el resto de las
celdas se encuentran protegidas contra escritura. Para este tipo de diseo se
puede introducir un mximo de tres factores y cinco repeticiones. Para este
ejemplo se tienen tres factores con tres niveles cada uno y dos repeticiones.
tratamiento, y los totales de los niveles de los factores y de las interacciones. En la
129
ltima fila aparecen el total de las sumas del cuadrado de observaciones por
tratamiento y la suma de los totales de los niveles de los factores y de las
interacciones
.
Cuadro 48. Diseo factorial 3k completamente al azar.
DISEO FACTORIAL 3k COMPLETAMENTE AL AZAR
Tot. Sumas del
Totales de los niveles de los factores y de las
Repeticiones
de cuadrado
interacciones
Tratamientos
de obs. por
1 2 3 4 5 Trat.
A
B
AB
C
AC
BC
ABC
Trat.
000
-35 -25
-60
1850
155
366
134
-459
-190
-93
-60
100
17 24
41
865
-33
-792
188
963
-58
-350
200
010
110
210
020
120
220
001
101
201
011
111
211
021
121
221
002
102
202
012
112
212
022
-39 -35
-45 -60
-65 -58
-55 -67
-40 15
20 4
15 -30
110 75
55 120
90 113
-10 30
-55 -44
-28 -26
80 54
110 44
110 135
4 5
-23 -5
-30 -55
-40 -30
-64 -62
-61 -52
31 36
-74
-105
-123
-122
-25
24
-15
185
175
203
20
-99
-54
134
154
245
9
-28
-85
-70
-126
-113
67
2746
5625
7589
7514
1825
416
1125
17725
17425
20869
1000
4961
1460
9316
14036
30325
41
554
3925
2500
7940
6425
2257
43
591
44
-155
-348
-289
176
127
288
-339
-211
339
230
394
6
-205
-140
-16
563
-133
533
-104
-309
74
130
41
Ir al
anlisis
-74
-105
-123 Regresar
-122
-25
24
-15
185
175
203
20
-99
-54
134
154
245
9
-28
-85
-70
-126
-113
67
122
222
Totales
-20 -31
54 4
-51
58
165
1361
-51
2932
58
174607 26963 1110501 413935 1252971 468703 861925 326183
Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 49, donde aparecen

el factor A (a), el factor B (b) y el factor C (c) con sus respectivos nmeros de
niveles; el nmero de repeticiones (r), y el factor de correccin (FC), as como el
anlisis de varianza y la conclusin del juego de hiptesis con respecto sus
factores y a sus interacciones. El valor de alfa est determinado para una
confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la
confiabilidad que se desee. Todas las celdas del Cuadro 49, a excepcin del valor
de alfa, estn protegidas contra escritura, por lo que no es posible modificar el
contenido de las mismas.
A la derecha del Cuadro 49 aparece un hiperenlace que para regresar hasta la

hoja de clculo donde se introducen los datos del experimento.
95% se rechazan las hiptesis nulas (H0) de los factores B y C y de las
interacciones AB, AC y BC lo que indica que existen diferencias entre los niveles
de esos factores y entre los niveles de esas interacciones; mientras que las
hiptesis nulas (H0) para el factor A, y la interaccin ABC no se rechazan lo que
indica que existen diferencias entre los niveles de ese factor y entre los niveles de
esa interaccin.
Cuadro 49. Anlisis de varianza para el diseo factorial 33 completamente al azar.
ANLISIS DE VARIANZA
F.V.
G.L.
S.C.
C.M.
Fcal
Ftab
Regresar
a=
3
A
2
993.78
496.89 1.17
3.35
b=
3
BB
2
61190.33 30595.17 71.74
3.35
c=
3
AB
4
6300.89
1575.22 3.69
2.73
r=
2
C
2
69105.33 34552.67 81.01
3.35
AC
4
7513.89
1878.47 4.40
2.73
FC = 504.17
BC
4
12854.33 3213.58 7.53
2.73
131
Alfa
0.05
ABC
Error
Total
8
27
53
4628.78
11515.50
174102.83
578.60
426.50
1.36
2.31
CONCLUSIN
Fcal A Ftab A. No se rechaza H0 y no hay significancia al 0.05
Fcal AB > Ftab AB. Se rechaza H0 y hay significancia al 0.05
Fcal C > Ftab C. Se rechaza H0 y hay significancia al 0.05
Fcal AC > Ftab AC. Se rechaza H0 y hay significancia al 0.05
Fcal BC > Ftab BC. Se rechaza H0 y hay significancia al 0.05
Fcal ABC Ftab ABC. No se rechaza H0 y no hay significancia al 0.05
11.8. Diseo factorial 3k x 2l
Se han resaltado los diseos factoriales en los que todos los factores tienen el
mismo nmero de niveles. El sistema con dos niveles mencionado anteriormente
es de particular utilidad. El sistema de tres niveles tambin mencionado antes es
de utilidad mucho menor debido a que los diseos son relativamente grandes
incluso para un nmero modesto de factores.
En ocasiones, en los diseos factoriales con dos niveles existen situaciones en las
que es necesario incluir un factor (o algunos factores) que tienen ms de dos
niveles. La notacin para las combinaciones de tratamientos es la notacin digital
usual.
Ejemplo 11.3
factorial 3k x 2l con el siguiente ejemplo:
La cobertura de un equipo de aplicacin manual de herbicidas se define como la

superficie mxima en la cual se logra distribuir el herbicida de forma uniforme
sobre la maleza al operar el equipo a una velocidad constante (Castillo, 2003).
132
Los factores que determinan en gran medida la cobertura de un equipo aspersor

de mochila son la aspersin de presin, el tamao de boquilla y la velocidad de
recorrido al momento de aplicar el herbicida. Un experto en malezas desea probar
bajo qu condicin de presin, tipo de boquilla y velocidad de recorrido se obtiene
una mejor cobertura de herbicida. El herbicida seleccionado para la aplicacin fue
el Gesaprim. El experto en maleza decidi utilizar boquillas de abanico plano de
diferentes tamaos para la aplicacin de Gesaprim. Los tamaos de boquillas
seleccionados fueron 6150, 6515 y 6520. Las presiones de aspersin utilizadas
fueron 25 y 30 libras / pulgada2 y las velocidades de recorrido fueron 2 y 3 metros /
segundo.
La unidad experimental consisti en dos hileras con estacas colectoras de

kromekotes cada una con 25 metros de largo. El kromekotes es un tipo de papel
especial que cambia de coloracin al contacto con las gotas de un lquido. La
variable respuesta fue el nmero de gotas por centmetro cuadrado presentes en
el papel kromekotes.
El terreno donde se ejecut el experimento se encuentra en las faldas de un cerro

y la forma en que se dispersa el viento no es uniforme sobre todo el terreno. Como
el viento es un factor que puede alterar la cobertura de un equipo de aplicacin
manual, es decir, se constituye de confusin, se decidi la utilizacin de un
factorial en bloques completos al azar con dos bloques. Los resultados del
experimento se encuentran en el Cuadro 50:
Cuadro 50. Nmero de gotas por centmetro cuadrado presentes en el papel

kromekotes.
PRESIN (psi)
TAMAO
25
30
DE
BLOQUE
VELOCIDAD (m / seg)
VELOCIDAD (m / seg)
BOQUILLA
2
3
2
3
I
15
25
25
35
6510
II
25
30
30
35
6515
I
30
40
40
60
133
II
I
6520
II
35
55
50
35
65
60
45
65
75
55
80
85
Existe diferencias entre las combinaciones de tamao de boquilla, presin y

velocidad de recorrido? Responda al cuestionamiento anterior con una
confiabilidad del 95%
Respuesta
Se tienen tres factores: tamao de boquilla (A), presin (B) y velocidad de
recorrido (C), bajo un experimento factorial 3 x 2 2 en bloques completos al azar. El
factor A con tres niveles: 6510 (0), 6515 (1) y 6520 (2); el factor B y el factor C
cada uno con dos niveles: 25 psi (0) y 30 psi (1) y 2 m / seg (0) y 3 m / seg (1),
respectivamente. Los tratamientos a probar son:
Tratamiento
6510 25 psi 2 m / seg
(000)
6515 25 psi
2 m / seg
(100)
6520 25 psi
2 m / seg
(200)
6510 30 psi
2 m / seg
(010)
6515 30 psi
2 m / seg
(110)
6520 30 psi
2 m / seg
(210)
6510 25 psi
3 m / seg
(001)
6515 25 psi
3 m / seg
(101)
6520 25 psi
3 m / seg
(201)
6510 30 psi
3 m / seg
(011)
6515 30 psi
3 m / seg
(111)
6520 30 psi
3 m / seg
(211)
Se tienen un total de 12 tratamientos.
134
El modelo lineal correspondiente al factorial en bloques completos al azar es:

Yijkl
Blol
Ai
Bj
Ck
( AB ) ij
( AC ) ik
( BC ) jk
( ABC ) ijk
eijkl
donde
i
0, 1,..., a;
j 0,1, ..., b;
0, 1,..., c;
l 1, 2,..., r;
E( eijk )
2
0 ; E( eijk
)
Yijkl

Blol
Ai
Bj
Ck
( AB)ij
( AC)ik
( BC) jk
( ABC)ijk
eijk

1. H 0 : a0
a1
a2
135
vs
H a : Al menos un nivl ai produce un efecto diferente de los dems
2. H 0 : b0
b1 vs
H a : b0
b1
vs
H a : Al menos una interacci n ai b j produce un efecto diferente de los dems
4. H 0 : c0
c1
vs
H a : c0
c1
5. H 0 : Todas las interacciones a i ck tienen el mismo efecto
vs
H a : Al menos una interacci n ai c k produce un efecto diferente de los dems
6. H 0 : Todas las interacciones b jck tienen el mismo efecto
vs
H a : Al menos una interacci n b jc k produce un efecto diferente de los dems
7. H 0 : Todas las interacciones a i b jck tienen el mismo efecto
vs
H a : Al menos una interacci n ai b j c k produce un efecto diferente de los dems
El anlisis de varianza correspondiente est dado por el Cuadro 51:

Cuadro 51. Estructura del anlisis de varianza para el diseo factorial 3 x 2 2 en
F de
Fuente
Suma de
Cuadrado
F calculada
Grados de
tablas
de
Cuadrados
Medio
( Fcal )
Libertad (G.L.)
( Ftab )
Variacin
(S.C.)
(C.M.)
136
(F.V.)
Bloques
r-1
S.C. Bloques
a-1
S.C. A
b-1
S.C. B
AB
(a-1)(b-1)
S.C. AB
c-1
S.C. C
AC
(a-1)(c-1)
S.C. AC
BC
(b-1)(c-1)
S.C. BC
ABC
(a-1)(b-1)(c-1)
S.C. ABC
Error
(abc-1)(r-1)
S.C. Error
Total
Abcr-1
S.C. Total
S.C. Bloques
G.L. Bloques
C.M . Bloques
C.M . Error
S.C. A
G.L. A
S.C. B
G.L. B
S.C. AB
G.L. AB
S.C. C
G.L. C
S.C. AC
G.L. AC
S.C. BC
G.L. BC
S.C. ABC
G.L. ABC
S.C. Error
G.L. Error
C.M . A
C.M . Error
C .M . B
C .M . Error
C.M . BC
C.M . Error
C .M . C
C .M . Error
C.M . AC
C.M . Error
C.M . AB
C.M . Error
C.M . ABC
C.M . Error
F (v1, v2 )
F (v 3 , v 2 )
F (v 4 , v 2 )
F (v 5 , v 2 )
F (v 6 , v 2 )
F (v 7 , v 2 )
F (v 8 , v 2 )
F (v 9 , v 2 )
Donde:
F (v1 , v 2 )
Ftab Bloques
F (v 3 , v 2 )
Ftab A
F (v 4 , v 2 )
Ftab B
F (v 5 , v 2 )
Ftab AB
F (v 6 , v 2 )
Ftab C
F (v 7 , v 2 )
Ftab AC
F (v 8 , v 2 )
Ftab BC
F (v 9 , v 2 )
Ftab ABC

137
v1
v2
v3
v4
v5
Grados de libertad de la interacci n AB.
v6
Grados de libertad del factor C.
v7
v8
v9

r
2
FC
Y ....
abcr
S.C. Bloques
abc
FC
i 0
S.C. A
Yij2..
FC
acr
S.C. C
k 0
abr
FC
i 0
S.C. AB
i 0
S .C. A S .C.C
br
b
S .C. A S .C.B FC
Y. 2jk.
k 0
j 0
cr
Yi.2k .
S.C. AC
FC
bcr
Y..2k .
j 0
l 1
Yi...2
Y. 2j..
S.C. B
Y...2l
FC
S.C. BC
j 0
k 0
ar
S .C.B S .C.C
c
2
Yijk
.
S.C. ABC
i 0
j 0
k 0
S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC FC
r
a
r
2
Yijkl
S .C. Total
i 0
S .C. Error
j 0
F .C
k 0 l 1
S.C. Total - S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC S .C. ABC
Donde:
FC
Y ....
138
FC
Yi ...
Suma de todas las observaciones que pertenecen al i-simo nivel del factor
A.
Y . j.. Suma de todas las observaciones que pertenecen al j-simo nivel del factor
B.
Y ..k.
Suma de todas las observaciones que pertenecen al k-simo nivel del factor
C.
Yij .. Suma de todas las observaciones que pertenecen al i-simo nivel del factor A
y al j-simo nivel del factor B.

Yi . k . Suma de todas las observaciones que pertenecen al i-simo nivel del factor
A y al k-simo nivel del factor C.

Y . jk. Suma de todas las observaciones que pertenecen al j-simo nivel del factor
B y al k-simo nivel del factor C.

Yijk . Suma de todas las observaciones que pertenecen al i-simo nivel del factor

Y...l
Yijkl
Suma de todas las observaciones que pertenecen al l-simo bloque.

Respuesta para la l-sima repeticin perteneciente al i-simo nivel del factor

siguiente:
Ftab
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

que se quiera usar y mediante un hiperenlace genera otra hoja donde se escoge el
tipo de diseo experimental que se va a usar. En este caso se hace clic en
diseos factoriales.
139
Despus de hacer clic en diseos factoriales en el Cuadro 6, aparece el Cuadro 43

con hiperenlaces para diferentes tipos de diseos factoriales ms comunes
(mencionado en la seccin 11.7) en donde se debe seleccionar el tipo de diseo
factorial que vamos a emplear, ya sea completamente al azar o en bloques
completos al azar y genera un formato para ese tipo de diseo para introducir los
datos del experimento. Para este ejemplo, se selecciona en diseos factoriales en
bloques completos al azar, el diseo factorial 3k x 2l.
Despus de seleccionar el tipo de diseo factorial 3k x 2l, en diseos factoriales en
bloques completos al azar en el cuadro 43, aparece el Cuadro 52, en donde se
introducen los datos del ejercicio. El Cuadro 52 slo da la opcin de escribir sobre
las celdas donde se deben de introducir los datos del experimento, ya que el resto
de las celdas se encuentran protegidas contra escritura. Para este tipo de diseo
se puede introducir un mximo de tres factores y un mximo de 18 tratamientos y
cinco bloques. Para este ejemplo se tienen tres factores, uno con tres niveles y
dos con dos niveles cada uno para formar en total 12 tratamientos en dos bloques.
tratamiento, el efecto y los totales de efectos. En la ltima fila aparecen el total por
bloques y el total de las sumas del cuadrado de observaciones por tratamiento.

Cuadro 52. Diseo factorial 3k x 2l en bloques completos al azar
k
DISEO FACTORIAL 3 x 2 EN BLOQUES COMPLETOS AL AZAR

Tratamientos
I
000
Sumas del
cuadrado
II III IV V Trat. de obs. por Trat.
Bloques
15 25
Tot. de
40
850
Totales de los niveles de los factores y de las

interacciones
A
B
AB
C
AC
BC
ABC
220
140
465
95
490
95
210
40
100
30 35
65
2125
340
630
140
200
55 50
105
5525
535
010
25 30
55
110
40 45
210
65 75
605
150
280
65
230
245
105
1525
125
125
255
55
85
3625
200
190
350
85
140
9850
305
290
140
020
120
220
001
25 30
55
1525
55
101
40 35
75
2825
75
201
65 60
125
7825
125
011
35 35
70
2450
70
111
60 55
115
6625
115
211
80 85
165
13625
165
021
121
221
Totales
0
535 560 0 0 0 1095
0
58375
0
450225 613125 230175 606125 227375 310025 116325
Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 53, donde aparecen

el factor A (a), el factor B (b) y el factor C (c) con sus respectivos nmeros de
niveles; el nmero de bloques (r), y el factor de correccin (FC), as como el
anlisis de varianza y la conclusin del juego de hiptesis con respecto sus
factores y a sus interacciones. El valor de alfa est determinado para una
confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la
confiabilidad que se desee. Todas las celdas del Cuadro 53, a excepcin del valor
de alfa, estn protegidas contra escritura, por lo que no es posible modificar el
contenido de las mismas.

95% se rechazan las hiptesis nulas (H0) de los factores A, B y C, lo que indica
que existen diferencias entre los niveles de esos factores; mientras que las
141
Ir al
anlisis
Regresar
hiptesis nulas (H0) para las interacciones AB, AC, BC y ABC no se rechazan, lo
que indica que existen diferencias entre los niveles de esas interacciones.
a=
b=
c=
Blo =
FC =
Alfa
Cuadro 53. Anlisis de varianza para el diseo factorial 3 x 2 2 en bloques

completos al azar.
ANLISIS DE VARIANZA
F.V.
G.L.
S.C.
C.M.
Fcal
Ftab
Bloques 1
26.04
26.04
1.54
4.84
Regresar
3
A
2
6318.75
3159.38
186.39
3.98
2
B
1
1134.38
1134.38
66.92
4.84
2
AB
2
131.25
65.63
3.87
3.98
2
C
1
551.04
551.04
32.51
4.84
AC
2
14.58
7.29
0.43
3.98
49959.38
BC
1
26.04
26.04
1.54
4.84
0.05
ABC
2
27.08
13.54
0.80
3.98
Error
11
186.46
16.95
Total
23
8415.63
CONCLUSIN
Fcal A > Ftab A. Se rechaza H0 y hay significancia al 0.05
Fcal AB Ftab AB. No se rechaza H0 y no hay significancia al 0.05
Fcal C > Ftab C. Se rechaza H0 y hay significancia al 0.05
Fcal AC Ftab AC. No se rechaza H0 y no hay significancia al 0.05
Fcal BC F tab BC. No se rechaza H0 y no hay significancia al 0.05
Fcal ABC F tab ABC. No se rechaza H0 y no hay significancia al 0.05
12. DISEO EN PARCELAS DIVIDIDAS
En algunos experimentos que involucran dos factores dispuestos en bloques

completos al azar, es imprctico, por cuestiones econmicas u operacionales,
aleatorizar de forma clsica las diferentes combinaciones de los niveles de los
factores bajo estudio. Cuando esto sucede, es recomendable utilizar el diseo en
parcelas divididas.
142
Se emplea cuando se prueban dos factores a diferentes niveles en bloques

completos al azar y es imprctico aplicar las diferentes combinaciones de los
niveles de los factores a las unidades experimentales, ya sea por el tamao de
stas, por restricciones econmicas o por restricciones operativas.
Es necesario utilizar extensiones grandes de terrenos para el ensayo de las

combinaciones de los niveles de los factores.
Las extensiones grandes de terreno son conocidas como las parcelas grandes.
Cada parcela grande se divide en unidades menores llamadas parcelas chicas.
Los niveles de un factor se prueban sobre las parcelas grandes y los niveles del
otro factor sobre las parcelas chicas.
Los niveles del factor que se ubica sobre las parcelas grandes son considerados
como los tratamientos, mientras que los niveles que se ubica sobre las parcelas
chicas son considerados como subtratamientos.
Los efectos de los tratamientos en la parcela grande estn completamente

confundidos con los efectos de los subtratamientos en la parcela chica, por lo que
el modelo lineal y el anlisis de varianza sufren algunas modificaciones con
respecto a los otros diseos estudiados.
12.2. Modelo lineal
El modelo lineal para el diseo en parcelas divididas es el siguiente:

Yijk
ij
Sk
( S ) jk
eij
donde
i 1, 2,..., b;
j 1, 2,..., t;
k 1,2,..., s;
Nmero de bloques.
Nmero de tratamientos.
Nmero de subtratamientos.
143
Yijk
Respuesta obtenida en el j-simo tratamiento y el k-simo subtratamiento

ubicado en el i-simo bloque.
Efecto atribuido al i-simo bloque.
Efecto atribuido al j-simo tratamiento.
ij
Error aleatorio en la parcela grande.
Sk
Efecto del k-simo subtratamiento.
(TS) jk
Efecto de la interaccin entre el j-simo tratamiento y el k-simo
subtratamiento.
eij
Error aleatorio en la parcela chica.
Las hiptesis a probar en este tipo de diseos experimentales son sobre los
bloques, sobre los tratamientos, sobre los subtratamientos y sobre las
interacciones entre los tratamientos y los subtratamientos, que son las siguientes:
1. H 0 :
...
vs
H a : Al menos en uno de los bloques se tiene un efecto diferente de los dems.
2. H 0 : T1
T2
... Tt
vs
H a : Al menos en uno de los tratamien tos se tiene un efecto diferente de los dems.
3. H 0 : S1
S2
...
Ss
vs
H a : Al menos en uno de los subtratamientos se tiene un efecto diferente de los dems.
4. H 0 : (TS )11
(TS )12
...
(TS )ts
144
vs
H a : Al menos en una interaccin entre tratamiento y subtratamiento
tiene un efectodiferente de los dems.
El anlisis de varianza para el diseo en parcelas divididas est dado por el

Cuadro 54:
Cuadro 54. Estructura del anlisis de varianza para el diseo en parcelas
divididas.
F de
Cuadrado
Grados de
Suma de
F calculada
Fuente de
tablas
Libertad
Cuadrados
Medio
( Fcal )
Variacin (F.V.)
( Ftab )
(G.L.)
(S.C.)
(C.M.)
S .C. Bloques
F (v1, v2 )
C.M . Bloques
Bloques
b-1
S.C. Bloques
Tratamientos
t-1
Error en Parcela
grande
Subtotal
Subtratamientos
TS
Error en parcela
chica
Total
G.L. Bloques
C.M . Error PG
S.C.
Tratamientos
S .C. Tratamientos
G.L. Tratamient os
C.M . Tratamient os
C.M . Error PG
(b-1)(t-1)
S.C. Error PG
S .C. Error PG
G.L. Error PG
bt-1
S.C. Subtotal
s-1
S.C.
Subtratamientos
S .C. Subtratamientos
G.L. Subtratami entos
(t-1)(s-1)
S.C. TS
S .C. TS
G.L. TS
(b-1)(s-1)t
S.C. Error PCh
S .C. Error PCh

G.L. Error PCh
bts-1
S.C. Total
Donde:
145
F (v 3 , v 2 )
C.M . Subtratami entos

F (v 4 , v 5 )
C.M . Error PCh
C.M . TS
C.M . Error PCh
(v 3 , v 2 )
(v 3 , v 2 )
F (v 6 , v 5 )
F (v1 , v 2 )
Ftab Blo
F (v 3 , v 2 )
Ftab Trat
F (v 4 , v 5 )
Ftab Subtr
F (v 6 , v 5 )
Ftab TS

v1
v2
Grados de libertad del error en parcela grande.
v3
v4
Grados de libertad de los subtratamientos.
v5
Grados de libertad del error en parcela chica.
v6
Grados de libertad de la interacci n entre los tratamien tos y subtratamientos.
FC
Yi..2
Y 2 ...
bts
i 1
S.C. Bloques
ts
Y. 2j.
FC
S.C. Tratamient os
i 1
bs
FC
Yij2.
S .C. Total
i 1 j 1
- FC
S.C. Error PG
S.C. Subtotal - S.C. Bloques - S.C.Tratam ientos
Y. 2jk
Y..2k
S.C. Subtratami entos
k 1
FC
bt
S .C. TS
j 1k 1
- S.C. Trataminet os - S.C. Subtratami entos - FC
s
2
Yijk
S .C. Total
FC
S.C. Error PCh
S.C. Total - S.C. Subtotal - S.C.Subtra tamientos - S.C. TS
i 1 j 1k 1
146
Donde
Y ... Suma de todas las observaciones en el experiment o.
Yi ..
Suma de las observaciones que pertenecen al i - simo bloque.
Y. j.
Suma de las observaciones que pertenecen al j - simo tratamien to.
Yi j .
Suma de las observaciones que pertenecen al subtotalformado por la interacci n

entre el i - simo bloque y el j - simo tratamien to.
Y .. k
Suma de las observaciones que pertenecen al k - simo tratamien to.
Y. j k
Suma de las observaciones que pertenecen a la interacci n entre el j - simo
Yijk
tratamien to y el k - simo subtratamiento.

Valor que se registra para el j - simo tratamien to y el k - simo subtratamiento
en el i - simo bloque.
La regla de decisin que se utiliza para el caso de los bloques, tratamientos,

subtratamientos y la interaccin entre los tratamientos y subtratamientos es la
siguiente:
Ftab
Ejemplo 12.1:
parcelas divididas con el siguiente ejemplo:
En un experimento se prob el efecto combinado de dos factores (lminas de

riego e insecticidas) en el control del barrenador del tallo (Diatraea spp.) que ataca
al cultivo de caa de azcar (Castillo, 2003). Se esperaba que las lminas de riego
lograran eliminar a las pupas del barrenador del tallo que se depositaban en el
suelo, lo que combinado con el control qumico redituara quizs en un mayor
rendimiento en la caa de azcar. Se probaron 3 lminas de riego (10,15, 20 cm),
con tres insecticidas sistemticos (Nuvacron, Monocron y Furadan) y un testigo sin
aplicar.
147
La unidad experimental consisti en un cuadro de terreno de 10 x 10 metros y la

variable respuesta fue la produccin de caa en toneladas por hectrea.
Se detect un gradiente de fertilidad a 3 niveles, por lo que se decidi utilizar 3

bloques en el experimento.
El factor que es limitante en la implementacin del experimento es la lmina de

riego, cuyos tres tipos fueron considerados como los tratamientos y se aplicaron
sobre las parcelas grandes. Los insecticidas fueron considerados como los
subtratamientos y se aplicaron sobre las parcelas chicas. Cada parcela grande
estuvo formada por cuatro parcelas chicas y cada bloque estuvo conformado por
tres parcelas grandes. Los resultados del experimento se muestran en el Cuadro
55:
Cuadro 55. Produccin de caa en toneladas por hectrea.
Bloques
I
II
III
Insecticidas
Lminas de riego Lminas de riego Lminas de riego
10
15
20
10
15
20
10
15
20
Nuvacron
60
66
70
50
56
60
40
47
52
Monocron
100 105 110
80
87
90
67
67
70
Furadan
70
80
83
50
54
58
37
38
40
Sin aplicar
21
30
39
18
16
16
15
15
14
Fuente: Castillo (2003)
Existen diferencias entre las combinaciones de lminas de riego e insecticidas en

la produccin de caa de azcar? Responda a la pregunta anterior con una
Respuesta
Calc
de
Open
Office.
Al
abrir
el
documento
nombrado
DISEOS

148
que se quiera usar y mediante un hiperenlace genera otra hoja donde se

introducen los datos del experimento. En este caso se hace clic en diseo en
parcelas divididas.
Despus de hacer clic en diseo en parcelas divididas el Cuadro 6, aparece el

Cuadro 56, en donde se introducen los datos del experimento. El Cuadro 56 slo
da la opcin de escribir sobre las celdas donde se deben de introducir los datos
del experimento, ya que el resto de las celdas se encuentran protegidas contra
escritura. En este ejemplo, hay cuatro tratamientos, por lo que el cuadro latino
tendr 4 hileras y 4 columnas. Para este tipo de diseo se pueden introducir hasta
10 tratamientos.
Una vez introducidos los datos, aparece en la ltima columna del Cuadro 56, los
totales de subtratamiento, en las ltimas filas aparecen el subtotal, los totales de
bloque, las sumas del cuadrado de observaciones de bloque, los totales de
tratamiento y las interacciones entre tratamientos y subtratamientos, los cuales se
necesitan para el anlisis de varianza.

Cuadro 56. Diseo en parcelas divididas.

DISEO EN PARCELAS DIVIDIDAS
Bloques
I
II
III
IV
V
Tratamientos Tratamientos Tratamientos Tratamientos Tratamientos tot. de
Subtrat.
3 45 1
3 45 1
3 4 5 1 2 3 4 5 1 2 3 4 5 subtrat.
56
87
54
16
60
90
58
16
47
67
38
15
52
70
40
14
1
2
3
4
5
60 66 70
100 105 110
70 80 83
21 30 39
50
80
50
18
Subtot.
251 281 302
198 213 224
40
67
37
15
159 167 176
149
Ir al
anlisis
501
776
510 Regresar
184
Tot.de blo.
834
Sumas del
cuadrado
67032
de obs. de
Bloque.
Tot. de Trat. 608 661 702
Interacc.
150 169 182
635
502
40921
25450
247 259 270
157 172 181
54 61 69
Al hacer clic en el hiperenlace, Ir al anlisis, en el Cuadro 56, genera el Cuadro 57,

donde mediante frmulas aparecen el numero de bloques (b), el nmero de
tratamientos (t), el nmero de subtratamientos (s), y el factor de correccin (FC),
as como el anlisis de varianza y la conclusin del juego de hiptesis con
respecto a los bloques, tratamientos, subtratamientos e interaccin tratamiento
subtratamiento. El valor de alfa est determinado para una confiabilidad del 95%
(Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee.
Todas las celdas del Cuadro 57, a excepcin del valor de alfa, estn protegidas
contra escritura, por lo que no es posible modificar el contenido de las mismas.

95% se rechazan las hiptesis nulas (H0) de los bloques, los tratamientos y los
subtratamientos, debido a que Fcal Blo. = 116.82 > Ftab Blo. = 6.94, Fcal Trat. = 9.29 >
Ftab
Trat.
= 6.94 y Fcal
Subtrat.
= 143.99 > Ftab
Subtrat.
= 3.16, respectivamente, lo que
indica que al menos el efecto de un bloque, un tratamiento y un subtratamiento es

diferente al de los dems, respectivamente; mientras que la hiptesis nula (H0)
para la interaccin tratamiento subtratamiento no se rechaza, debido a que Fcal TS
= 0.10 Ftab
TS
= 2.66, lo que indica que el efecto las interacciones tratamiento
subtratamiento son iguales.
150
Cuadro 57. Anlisis de varianza para el diseo en parcelas divididas.

B=
3
ANLISIS DE VARIANZA
T=
3
F.V.
G.L.
S.C.
C.M.
Fcal
S=
4
Bloques
2 4653.167 2326.58 116.82
Tratamientos
2
370.167
185.08 9.29
Error en parcela
FC = 107912.25
4
79.667
19.92
grande
Alfa
0.05
Subtotal
8 5103.000
Subtratamientos 3 19546.97 6515.66 143.99
TS
6
26.278
4.38
0.10
Error en parcela
18
814.50
45.25
chica
Total
35 25490.75
Ftab
6.94
6.94
Regresar
3.16
2.66
CONCLUSIN
Fcal Blo. > Ftab Blo. Se rechaza H0 y hay significancia al 0.05
Fcal Trat. > Ftab Trat. Se rechaza H0 y hay significancia al 0.05
Fcal Subtrat. > Ftab Subtrat. Se rechaza H0 y hay significancia al 0.05
Fcal TS Ftab TS. No se rechaza H0 y no hay significancia al 0.05
13. CONCLUSIONES
Las hojas de clculo, de Calc de Open Office, son muy fcil de usar debido a su
enorme similitud con Excel de Microsoft, que hace que el usuario tenga una
rpida familiarizacin con esta herramienta para trabajar con hojas de clculo.
En los diseos experimentales ms comunes, el uso de Calc de Open Office como

herramienta para trabajar con hojas de clculo es de gran utilidad, ya que se
puede llegar a resolver problemas de tratamientos o comparacin de medias de
tratamientos en algn tipo de diseo experimental sin tener que recurrir a otros
tipos de software que son ms complicados de usar o no son libres.
El uso de la herramienta para trabajar con hojas de clculo, Calc de Open Office,
es una alternativa ms para utilizar un software que sea gratuito y fcil de usar y
no depender tanto de algn software que no sea libre.
151
Con el uso de Calc de Open Office para resolver diseos experimentales ms

comunes, se lleg a obtener una alternativa ms para resolver algunos diseos
experimentales mediante las hojas de clculo generadas en este trabajo.
14. BIBLIOGRAFA
Castillo, L. (2003). UACH. Introduccin a la estadstica experimental. Segunda
Edicin, Chapingo, Mx.: UACH. Departamento de Parasitologa Agrcola. 277 p.
Cochran, W. y Cox, G. (1980). Diseos experimentales. Sexta reimpresin,
Editorial Trillas. 661 p.
Cramer, H. (1960). Mtodos matemticos de estadstica. Segunda Edicin,
Editorial Aguilar, Madrid, Espaa. 660 p.
Fernndez T., J. A. Tutorial de openoffice.org. Mayo de 2004.
http://mnm.uib.es/gallir/curspl2005/material/tutorial-ooo/calc.html
(29 de septiembre de 2009)
Fisher, R. (1960). The Design of experiments. Seventh Edition. Oliver and Boyd,
Edinburgh. 248 p.
Infante, S. Y Zarate,G. (1990). Mtodos estadsticos. Segunda Edicin, Editorial
trillas, Mxico. 643 p.
Martnez, A. (1983). Diseos experimentales. Colegio de Postgraduados,
Chapingo, Mx. 483 p.
Montgomery, D. (2007). Diseo y anlisis de experimentos. Segunda Edicin,
Limusa-Wiley, Mxico. 686 p.
Palma, A. y Snchez, S. (2004). Proceso de titulacin por tesis en la Divisin de
Ciencias Forestales. U.A.Ch. 91 p.
Scheff, H. (1959). Analysis of variante. John Willey & Sons, Inc. 477 p
Steel, R. y Torrie, J. (1988). Bioestadstica. Principios y procedimientos. Segunda
Edicin (primera en espaol). Editorial McGraw-Hill, Mx. 622 p.
http://es.openoffice.org/
Wikimedia Foundation, Inc.
http://es.wikipedia.org/wiki/openoffice.org
152
15. APNDICE
Tabla I. Cuantiles para la distribucin t de Student.
Tabla II. Cuantiles de la distribucin F.
Tabla I. Cuantiles para la distribucin t de Student.

gl = v
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
0.005
63.66
9.92
5.84
4.60
4.03
3.71
3.50
3.36
3.25
3.17
3.11
3.05
3.01
2.98
2.95
2.92
2.90
2.88
2.86
2.85
2.83
2.82
2.81
2.80
2.79
2.78
2.77
2.76
2.76
2.75
2.70
2.68
2.66
2.65
2.64
2.63
2.63
0.01
31.82
6.96
4.54
3.75
3.36
3.14
3.00
2.90
2.82
2.76
2.72
2.68
2.65
2.62
2.60
2.58
2.57
2.55
2.54
2.53
2.52
2.51
2.50
2.49
2.49
2.48
2.47
2.47
2.46
2.46
2.42
2.40
2.39
2.38
2.37
2.37
2.36
Valores de
0.025
12.71
4.30
3.18
2.78
2.57
2.45
2.36
2.31
2.26
2.23
2.20
2.18
2.16
2.14
2.13
2.12
2.11
2.10
2.09
2.09
2.08
2.07
2.07
2.06
2.06
2.06
2.05
2.05
2.05
2.04
2.02
2.01
2.00
1.99
1.99
1.99
1.98
153
0.05
6.31
2.92
2.35
2.13
2.02
1.94
1.89
1.86
1.83
1.81
1.80
1.78
1.77
1.76
1.75
1.75
1.74
1.73
1.73
1.72
1.72
1.72
1.71
1.71
1.71
1.71
1.70
1.70
1.70
1.70
1.68
1.68
1.67
1.67
1.66
1.66
1.66
0.10
3.08
1.89
1.64
1.53
1.48
1.44
1.41
1.40
1.38
1.37
1.36
1.36
1.35
1.35
1.34
1.34
1.33
1.33
1.33
1.33
1.32
1.32
1.32
1.32
1.32
1.31
1.31
1.31
1.31
1.31
1.30
1.30
1.30
1.29
1.29
1.29
1.29
Tabla II. Cuantiles de la distribucin F.

v2
10
11
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
v1
1
39.86
161.45
647.79
4052.18
8.53
18.51
38.51
98.50
5.54
10.13
17.44
34.12
4.54
7.71
12.22
21.20
4.06
6.61
10.01
16.26
3.78
5.99
8.81
13.75
3.59
5.59
8.07
12.25
3.46
5.32
7.57
11.26
3.36
5.12
7.21
10.56
3.29
4.96
6.94
10.04
3.23
4.84
6.72
9.65
2
49.50
199.50
799.50
4999.50
9.00
19.00
39.00
99.00
5.46
9.55
16.04
30.82
4.32
6.94
10.65
18.00
3.78
5.79
8.43
13.27
3.46
5.14
7.26
10.92
3.26
4.74
6.54
9.55
3.11
4.46
6.06
8.65
3.01
4.26
5.71
8.02
2.92
4.10
5.46
7.56
2.86
3.98
5.26
7.21
3
53.59
215.71
864.16
5403.35
9.16
19.16
39.17
99.17
5.39
9.28
15.44
29.46
4.19
6.59
9.98
16.69
3.62
5.41
7.76
12.06
3.29
4.76
6.60
9.78
3.07
4.35
5.89
8.45
2.92
4.07
5.42
7.59
2.81
3.86
5.08
6.99
2.73
3.71
4.83
6.55
2.66
3.59
4.63
6.22
4
55.83
224.58
899.58
5624.58
9.24
19.25
39.25
99.25
5.34
9.12
15.10
28.71
4.11
6.39
9.60
15.98
3.52
5.19
7.39
11.39
3.18
4.53
6.23
9.15
2.96
4.12
5.52
7.85
2.81
3.84
5.05
7.01
2.69
3.63
4.72
6.42
2.61
3.48
4.47
5.99
2.54
3.36
4.28
5.67
5
57.24
230.16
921.85
5763.65
9.29
19.30
39.30
99.30
5.31
9.01
14.88
28.24
4.05
6.26
9.36
15.52
3.45
5.05
7.15
10.97
3.11
4.39
5.99
8.75
2.88
3.97
5.29
7.46
2.73
3.69
4.82
6.63
2.61
3.48
4.48
6.06
2.52
3.33
4.24
5.64
2.45
3.20
4.04
5.32
154
6
58.20
233.99
937.11
5858.99
9.33
19.33
39.33
99.33
5.28
8.94
14.73
27.91
4.01
6.16
9.20
15.21
3.40
4.95
6.98
10.67
3.05
4.28
5.82
8.47
2.83
3.87
5.12
7.19
2.67
3.58
4.65
6.37
2.55
3.37
4.32
5.80
2.46
3.22
4.07
5.39
2.39
3.09
3.88
5.07
7
58.91
236.77
948.22
5928.36
9.35
19.35
39.36
99.36
5.27
8.89
14.62
27.67
3.98
6.09
9.07
14.98
3.37
4.88
6.85
10.46
3.01
4.21
5.70
8.26
2.78
3.79
4.99
6.99
2.62
3.50
4.53
6.18
2.51
3.29
4.20
5.61
2.41
3.14
3.95
5.20
2.34
3.01
3.76
4.89
8
59.44
238.88
956.66
5981.07
9.37
19.37
39.37
99.37
5.25
8.85
14.54
27.49
3.95
6.04
8.98
14.80
3.34
4.82
6.76
10.29
2.98
4.15
5.60
8.10
2.75
3.73
4.90
6.84
2.59
3.44
4.43
6.03
2.47
3.23
4.10
5.47
2.38
3.07
3.85
5.06
2.30
2.95
3.66
4.74
9
59.86
240.54
963.28
6022.47
9.38
19.38
39.39
99.39
5.24
8.81
14.47
27.35
3.94
6.00
8.90
14.66
3.32
4.77
6.68
10.16
2.96
4.10
5.52
7.98
2.72
3.68
4.82
6.72
2.56
3.39
4.36
5.91
2.44
3.18
4.03
5.35
2.35
3.02
3.78
4.94
2.27
2.90
3.59
4.63
10
60.19
241.88
968.63
6055.85
9.39
19.40
39.40
99.40
5.23
8.79
14.42
27.23
3.92
5.96
8.84
14.55
3.30
4.74
6.62
10.05
2.94
4.06
5.46
7.87
2.70
3.64
4.76
6.62
2.54
3.35
4.30
5.81
2.42
3.14
3.96
5.26
2.32
2.98
3.72
4.85
2.25
2.85
3.53
4.54
Tabla II. Cuantiles de la distribucin F (continuacin)

v2
12
13
14
15
16
17
18
19
20
21
22
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
v1
1
3.18
4.75
6.55
9.33
3.14
4.67
6.41
9.07
3.10
4.60
6.30
8.86
3.07
4.54
6.20
8.68
3.05
4.49
6.12
8.53
3.03
4.45
6.04
8.40
3.01
4.41
5.98
8.29
2.99
4.38
5.92
8.18
2.97
4.35
5.87
8.10
2.96
4.32
5.83
8.02
2.95
4.30
5.79
7.95
2
2.81
3.89
5.10
6.93
2.76
3.81
4.97
6.70
2.73
3.74
4.86
6.51
2.70
3.68
4.77
6.36
2.67
3.63
4.69
6.23
2.64
3.59
4.62
6.11
2.62
3.55
4.56
6.01
2.61
3.52
4.51
5.93
2.59
3.49
4.46
5.85
2.57
3.47
4.42
5.78
2.56
3.44
4.38
5.72
3
2.61
3.49
4.47
5.95
2.56
3.41
4.35
5.74
2.52
3.34
4.24
5.56
2.49
3.29
4.15
5.42
2.46
3.24
4.08
5.29
2.44
3.20
4.01
5.18
2.42
3.16
3.95
5.09
2.40
3.13
3.90
5.01
2.38
3.10
3.86
4.94
2.36
3.07
3.82
4.87
2.35
3.05
3.78
4.82
4
2.48
3.26
4.12
5.41
2.43
3.18
4.00
5.21
2.39
3.11
3.89
5.04
2.36
3.06
3.80
4.89
2.33
3.01
3.73
4.77
2.31
2.96
3.66
4.67
2.29
2.93
3.61
4.58
2.27
2.90
3.56
4.50
2.25
2.87
3.51
4.43
2.23
2.84
3.48
4.37
2.22
2.82
3.44
4.31
5
2.39
3.11
3.89
5.06
2.35
3.03
3.77
4.86
2.31
2.96
3.66
4.69
2.27
2.90
3.58
4.56
2.24
2.85
3.50
4.44
2.22
2.81
3.44
4.34
2.20
2.77
3.38
4.25
2.18
2.74
3.33
4.17
2.16
2.71
3.29
4.10
2.14
2.68
3.25
4.04
2.13
2.66
3.22
3.99
155
6
2.33
3.00
3.73
4.82
2.28
2.92
3.60
4.62
2.24
2.85
3.50
4.46
2.21
2.79
3.41
4.32
2.18
2.74
3.34
4.20
2.15
2.70
3.28
4.10
2.13
2.66
3.22
4.01
2.11
2.63
3.17
3.94
2.09
2.60
3.13
3.87
2.08
2.57
3.09
3.81
2.06
2.55
3.05
3.76
7
2.28
2.91
3.61
4.64
2.23
2.83
3.48
4.44
2.19
2.76
3.38
4.28
2.16
2.71
3.29
4.14
2.13
2.66
3.22
4.03
2.10
2.61
3.16
3.93
2.08
2.58
3.10
3.84
2.06
2.54
3.05
3.77
2.04
2.51
3.01
3.70
2.02
2.49
2.97
3.64
2.01
2.46
2.93
3.59
8
2.24
2.85
3.51
4.50
2.20
2.77
3.39
4.30
2.15
2.70
3.29
4.14
2.12
2.64
3.20
4.00
2.09
2.59
3.12
3.89
2.06
2.55
3.06
3.79
2.04
2.51
3.01
3.71
2.02
2.48
2.96
3.63
2.00
2.45
2.91
3.56
1.98
2.42
2.87
3.51
1.97
2.40
2.84
3.45
9
2.21
2.80
3.44
4.39
2.16
2.71
3.31
4.19
2.12
2.65
3.21
4.03
2.09
2.59
3.12
3.89
2.06
2.54
3.05
3.78
2.03
2.49
2.98
3.68
2.00
2.46
2.93
3.60
1.98
2.42
2.88
3.52
1.96
2.39
2.84
3.46
1.95
2.37
2.80
3.40
1.93
2.34
2.76
3.35
10
2.19
2.75
3.37
4.30
2.14
2.67
3.25
4.10
2.10
2.60
3.15
3.94
2.06
2.54
3.06
3.80
2.03
2.49
2.99
3.69
2.00
2.45
2.92
3.59
1.98
2.41
2.87
3.51
1.96
2.38
2.82
3.43
1.94
2.35
2.77
3.37
1.92
2.32
2.73
3.31
1.90
2.30
2.70
3.26

v2
23
24
25
26
27
28
29
30
40
60
120
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
v1
1
2.94
4.28
5.75
7.88
2.93
4.26
5.72
7.82
2.92
4.24
5.69
7.77
2.91
4.23
5.66
7.72
2.90
4.21
5.63
7.68
2.89
4.20
5.61
7.64
2.89
4.18
5.59
7.60
2.88
4.17
5.57
7.56
2.84
4.08
5.42
7.31
2.79
4.00
5.29
7.08
2.75
3.92
5.15
6.85
2
2.55
3.42
4.35
5.66
2.54
3.40
4.32
5.61
2.53
3.39
4.29
5.57
2.52
3.37
4.27
5.53
2.51
3.35
4.24
5.49
2.50
3.34
4.22
5.45
2.50
3.33
4.20
5.42
2.49
3.32
4.18
5.39
2.44
3.23
4.05
5.18
2.39
3.15
3.93
4.98
2.35
3.07
3.80
4.79
3
2.34
3.03
3.75
4.76
2.33
3.01
3.72
4.72
2.32
2.99
3.69
4.68
2.31
2.98
3.67
4.64
2.30
2.96
3.65
4.60
2.29
2.95
3.63
4.57
2.28
2.93
3.61
4.54
2.28
2.92
3.59
4.51
2.23
2.84
3.46
4.31
2.18
2.76
3.34
4.13
2.13
2.68
3.23
3.95
4
2.21
2.80
3.41
4.26
2.19
2.78
3.38
4.22
2.18
2.76
3.35
4.18
2.17
2.74
3.33
4.14
2.17
2.73
3.31
4.11
2.16
2.71
3.29
4.07
2.15
2.70
3.27
4.04
2.14
2.69
3.25
4.02
2.09
2.61
3.13
3.83
2.04
2.53
3.01
3.65
1.99
2.45
2.89
3.48
5
2.11
2.64
3.18
3.94
2.10
2.62
3.15
3.90
2.09
2.60
3.13
3.85
2.08
2.59
3.10
3.82
2.07
2.57
3.08
3.78
2.06
2.56
3.06
3.75
2.06
2.55
3.04
3.73
2.05
2.53
3.03
3.70
2.00
2.45
2.90
3.51
1.95
2.37
2.79
3.34
1.90
2.29
2.67
3.17
156
6
2.05
2.53
3.02
3.71
2.04
2.51
2.99
3.67
2.02
2.49
2.97
3.63
2.01
2.47
2.94
3.59
2.00
2.46
2.92
3.56
2.00
2.45
2.90
3.53
1.99
2.43
2.88
3.50
1.98
2.42
2.87
3.47
1.93
2.34
2.74
3.29
1.87
2.25
2.63
3.12
1.82
2.18
2.52
2.96
7
1.99
2.44
2.90
3.54
1.98
2.42
2.87
3.50
1.97
2.40
2.85
3.46
1.96
2.39
2.82
3.42
1.95
2.37
2.80
3.39
1.94
2.36
2.78
3.36
1.93
2.35
2.76
3.33
1.93
2.33
2.75
3.30
1.87
2.25
2.62
3.12
1.82
2.17
2.51
2.95
1.77
2.09
2.39
2.79
8
1.95
2.37
2.81
3.41
1.94
2.36
2.78
3.36
1.93
2.34
2.75
3.32
1.92
2.32
2.73
3.29
1.91
2.31
2.71
3.26
1.90
2.29
2.69
3.23
1.89
2.28
2.67
3.20
1.88
2.27
2.65
3.17
1.83
2.18
2.53
2.99
1.77
2.10
2.41
2.82
1.72
2.02
2.30
2.66
9
1.92
2.32
2.73
3.30
1.91
2.30
2.70
3.26
1.89
2.28
2.68
3.22
1.88
2.27
2.65
3.18
1.87
2.25
2.63
3.15
1.87
2.24
2.61
3.12
1.86
2.22
2.59
3.09
1.85
2.21
2.57
3.07
1.79
2.12
2.45
2.89
1.74
2.04
2.33
2.72
1.68
1.96
2.22
2.56
10
1.89
2.27
2.67
3.21
1.88
2.25
2.64
3.17
1.87
2.24
2.61
3.13
1.86
2.22
2.59
3.09
1.85
2.20
2.57
3.06
1.84
2.19
2.55
3.03
1.83
2.18
2.53
3.00
1.82
2.16
2.51
2.98
1.76
2.08
2.39
2.80
1.71
1.99
2.27
2.63
1.65
1.91
2.16
2.47

v2
10
11
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
11
60.47
242.98
973.03
6083.32
9.40
19.40
39.41
99.41
5.22
8.76
14.37
27.13
3.91
5.94
8.79
14.45
3.28
4.70
6.57
9.96
2.92
4.03
5.41
7.79
2.68
3.60
4.71
6.54
2.52
3.31
4.24
5.73
2.40
3.10
3.91
5.18
2.30
2.94
3.66
4.77
2.23
2.82
3.47
4.46
12
60.71
243.91
976.71
6106.32
9.41
19.41
39.41
99.42
5.22
8.74
14.34
27.05
3.90
5.91
8.75
14.37
3.27
4.68
6.52
9.89
2.90
4.00
5.37
7.72
2.67
3.57
4.67
6.47
2.50
3.28
4.20
5.67
2.38
3.07
3.87
5.11
2.28
2.91
3.62
4.71
2.21
2.79
3.43
4.40
15
61.22
245.95
984.87
6157.28
9.42
19.43
39.43
99.43
5.20
8.70
14.25
26.87
3.87
5.86
8.66
14.20
3.24
4.62
6.43
9.72
2.87
3.94
5.27
7.56
2.63
3.51
4.57
6.31
2.46
3.22
4.10
5.52
2.34
3.01
3.77
4.96
2.24
2.85
3.52
4.56
2.17
2.72
3.33
4.25
20
61.74
248.01
993.10
6208.73
9.44
19.45
39.45
99.45
5.18
8.66
14.17
26.69
3.84
5.80
8.56
14.02
3.21
4.56
6.33
9.55
2.84
3.87
5.17
7.40
2.59
3.44
4.47
6.16
2.42
3.15
4.00
5.36
2.30
2.94
3.67
4.81
2.20
2.77
3.42
4.41
2.12
2.65
3.23
4.10
157
v1
24
62.00
249.05
997.25
6234.63
9.45
19.45
39.46
99.46
5.18
8.64
14.12
26.60
3.83
5.77
8.51
13.93
3.19
4.53
6.28
9.47
2.82
3.84
5.12
7.31
2.58
3.41
4.41
6.07
2.40
3.12
3.95
5.28
2.28
2.90
3.61
4.73
2.18
2.74
3.37
4.33
2.10
2.61
3.17
4.02
30
62.26
250.10
1001.41
6260.65
9.46
19.46
39.46
99.47
5.17
8.62
14.08
26.50
3.82
5.75
8.46
13.84
3.17
4.50
6.23
9.38
2.80
3.81
5.07
7.23
2.56
3.38
4.36
5.99
2.38
3.08
3.89
5.20
2.25
2.86
3.56
4.65
2.16
2.70
3.31
4.25
2.08
2.57
3.12
3.94
40
62.53
251.14
1005.60
6286.78
9.47
19.47
39.47
99.47
5.16
8.59
14.04
26.41
3.80
5.72
8.41
13.75
3.16
4.46
6.18
9.29
2.78
3.77
5.01
7.14
2.54
3.34
4.31
5.91
2.36
3.04
3.84
5.12
2.23
2.83
3.51
4.57
2.13
2.66
3.26
4.17
2.05
2.53
3.06
3.86
60
62.79
252.20
1009.80
6313.03
9.47
19.48
39.48
99.48
5.15
8.57
13.99
26.32
3.79
5.69
8.36
13.65
3.14
4.43
6.12
9.20
2.76
3.74
4.96
7.06
2.51
3.30
4.25
5.82
2.34
3.01
3.78
5.03
2.21
2.79
3.45
4.48
2.11
2.62
3.20
4.08
2.03
2.49
3.00
3.78
120
63.06
253.25
1014.02
6339.39
9.48
19.49
39.49
99.49
5.14
8.55
13.95
26.22
3.78
5.66
8.31
13.56
3.12
4.40
6.07
9.11
2.74
3.70
4.90
6.97
2.49
3.27
4.20
5.74
2.32
2.97
3.73
4.95
2.18
2.75
3.39
4.40
2.08
2.58
3.14
4.00
2.00
2.45
2.94
3.69

v2
12
13
14
15
16
17
18
19
20
21
22
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
11
2.17
2.72
3.32
4.22
2.12
2.63
3.20
4.02
2.07
2.57
3.09
3.86
2.04
2.51
3.01
3.73
2.01
2.46
2.93
3.62
1.98
2.41
2.87
3.52
1.95
2.37
2.81
3.43
1.93
2.34
2.76
3.36
1.91
2.31
2.72
3.29
1.90
2.28
2.68
3.24
1.88
2.26
2.65
3.18
12
2.15
2.69
3.28
4.16
2.10
2.60
3.15
3.96
2.05
2.53
3.05
3.80
2.02
2.48
2.96
3.67
1.99
2.42
2.89
3.55
1.96
2.38
2.82
3.46
1.93
2.34
2.77
3.37
1.91
2.31
2.72
3.30
1.89
2.28
2.68
3.23
1.87
2.25
2.64
3.17
1.86
2.23
2.60
3.12
15
2.10
2.62
3.18
4.01
2.05
2.53
3.05
3.82
2.01
2.46
2.95
3.66
1.97
2.40
2.86
3.52
1.94
2.35
2.79
3.41
1.91
2.31
2.72
3.31
1.89
2.27
2.67
3.23
1.86
2.23
2.62
3.15
1.84
2.20
2.57
3.09
1.83
2.18
2.53
3.03
1.81
2.15
2.50
2.98
20
2.06
2.54
3.07
3.86
2.01
2.46
2.95
3.66
1.96
2.39
2.84
3.51
1.92
2.33
2.76
3.37
1.89
2.28
2.68
3.26
1.86
2.23
2.62
3.16
1.84
2.19
2.56
3.08
1.81
2.16
2.51
3.00
1.79
2.12
2.46
2.94
1.78
2.10
2.42
2.88
1.76
2.07
2.39
2.83
158
v1
24
2.04
2.51
3.02
3.78
1.98
2.42
2.89
3.59
1.94
2.35
2.79
3.43
1.90
2.29
2.70
3.29
1.87
2.24
2.63
3.18
1.84
2.19
2.56
3.08
1.81
2.15
2.50
3.00
1.79
2.11
2.45
2.92
1.77
2.08
2.41
2.86
1.75
2.05
2.37
2.80
1.73
2.03
2.33
2.75
30
2.01
2.47
2.96
3.70
1.96
2.38
2.84
3.51
1.91
2.31
2.73
3.35
1.87
2.25
2.64
3.21
1.84
2.19
2.57
3.10
1.81
2.15
2.50
3.00
1.78
2.11
2.44
2.92
1.76
2.07
2.39
2.84
1.74
2.04
2.35
2.78
1.72
2.01
2.31
2.72
1.70
1.98
2.27
2.67
40
1.99
2.43
2.91
3.62
1.93
2.34
2.78
3.43
1.89
2.27
2.67
3.27
1.85
2.20
2.59
3.13
1.81
2.15
2.51
3.02
1.78
2.10
2.44
2.92
1.75
2.06
2.38
2.84
1.73
2.03
2.33
2.76
1.71
1.99
2.29
2.69
1.69
1.96
2.25
2.64
1.67
1.94
2.21
2.58
60
1.96
2.38
2.85
3.54
1.90
2.30
2.72
3.34
1.86
2.22
2.61
3.18
1.82
2.16
2.52
3.05
1.78
2.11
2.45
2.93
1.75
2.06
2.38
2.83
1.72
2.02
2.32
2.75
1.70
1.98
2.27
2.67
1.68
1.95
2.22
2.61
1.66
1.92
2.18
2.55
1.64
1.89
2.14
2.50
120
1.93
2.34
2.79
3.45
1.88
2.25
2.66
3.25
1.83
2.18
2.55
3.09
1.79
2.11
2.46
2.96
1.75
2.06
2.38
2.84
1.72
2.01
2.32
2.75
1.69
1.97
2.26
2.66
1.67
1.93
2.20
2.58
1.64
1.90
2.16
2.52
1.62
1.87
2.11
2.46
1.60
1.84
2.08
2.40

v2
23
24
25
26
27
28
29
30
40
60
120
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
0.1
0.05
0.025
0.01
11
1.87
2.24
2.62
3.14
1.85
2.22
2.59
3.09
1.84
2.20
2.56
3.06
1.83
2.18
2.54
3.02
1.82
2.17
2.51
2.99
1.81
2.15
2.49
2.96
1.80
2.14
2.48
2.93
1.79
2.13
2.46
2.91
1.74
2.04
2.33
2.73
1.68
1.95
2.22
2.56
1.63
1.87
2.10
2.40
12
1.84
2.20
2.57
3.07
1.83
2.18
2.54
3.03
1.82
2.16
2.51
2.99
1.81
2.15
2.49
2.96
1.80
2.13
2.47
2.93
1.79
2.12
2.45
2.90
1.78
2.10
2.43
2.87
1.77
2.09
2.41
2.84
1.71
2.00
2.29
2.66
1.66
1.92
2.17
2.50
1.60
1.83
2.05
2.34
15
1.80
2.13
2.47
2.93
1.78
2.11
2.44
2.89
1.77
2.09
2.41
2.85
1.76
2.07
2.39
2.81
1.75
2.06
2.36
2.78
1.74
2.04
2.34
2.75
1.73
2.03
2.32
2.73
1.72
2.01
2.31
2.70
1.66
1.92
2.18
2.52
1.60
1.84
2.06
2.35
1.55
1.75
1.94
2.19
20
1.74
2.05
2.36
2.78
1.73
2.03
2.33
2.74
1.72
2.01
2.30
2.70
1.71
1.99
2.28
2.66
1.70
1.97
2.25
2.63
1.69
1.96
2.23
2.60
1.68
1.94
2.21
2.57
1.67
1.93
2.20
2.55
1.61
1.84
2.07
2.37
1.54
1.75
1.94
2.20
1.48
1.66
1.82
2.03
159
v1
24
1.72
2.01
2.30
2.70
1.70
1.98
2.27
2.66
1.69
1.96
2.24
2.62
1.68
1.95
2.22
2.58
1.67
1.93
2.19
2.55
1.66
1.91
2.17
2.52
1.65
1.90
2.15
2.49
1.64
1.89
2.14
2.47
1.57
1.79
2.01
2.29
1.51
1.70
1.88
2.12
1.45
1.61
1.76
1.95
30
1.69
1.96
2.24
2.62
1.67
1.94
2.21
2.58
1.66
1.92
2.18
2.54
1.65
1.90
2.16
2.50
1.64
1.88
2.13
2.47
1.63
1.87
2.11
2.44
1.62
1.85
2.09
2.41
1.61
1.84
2.07
2.39
1.54
1.74
1.94
2.20
1.48
1.65
1.82
2.03
1.41
1.55
1.69
1.86
40
1.66
1.91
2.18
2.54
1.64
1.89
2.15
2.49
1.63
1.87
2.12
2.45
1.61
1.85
2.09
2.42
1.60
1.84
2.07
2.38
1.59
1.82
2.05
2.35
1.58
1.81
2.03
2.33
1.57
1.79
2.01
2.30
1.51
1.69
1.88
2.11
1.44
1.59
1.74
1.94
1.37
1.50
1.61
1.76
60
1.62
1.86
2.11
2.45
1.61
1.84
2.08
2.40
1.59
1.82
2.05
2.36
1.58
1.80
2.03
2.33
1.57
1.79
2.00
2.29
1.56
1.77
1.98
2.26
1.55
1.75
1.96
2.23
1.54
1.74
1.94
2.21
1.47
1.64
1.80
2.02
1.40
1.53
1.67
1.84
1.32
1.43
1.53
1.66
120
1.59
1.81
2.04
2.35
1.57
1.79
2.01
2.31
1.56
1.77
1.98
2.27
1.54
1.75
1.95
2.23
1.53
1.73
1.93
2.20
1.52
1.71
1.91
2.17
1.51
1.70
1.89
2.14
1.50
1.68
1.87
2.11
1.42
1.58
1.72
1.92
1.35
1.47
1.58
1.73
1.26
1.35
1.43
1.53

Diseno Completamente Al Azar Con Submuestro PDF

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

Diseno Completamente Al Azar Con Submuestro PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTNOMA CHAPINGO

DIVISIN DE CIENCIAS FORESTALES

USO DE CALC DE OPENOFFICE EN EL ANLISIS DE

QUE COMO REQUISITO PARCIAL

CARLOS VERDUZCO ROS

Chapingo, Texcoco, Estado de Mxico, Noviembre de 2009

Chapingo, Texcoco, Edo. de Mxico, Noviembre de 2009

6.7. REGLA DE DECISIN....................................................................................... 37

11.5. ANLISIS DE VARIANZA ............................................................................... 108

Cuadro 21. Prueba de Tukey. ............................................................................... 69

Cuadro 44. Diseo factorial 2k en bloques completos al azar. ............................ 117

Los ejemplos fueron resueltos en forma detallada en Calc de OpenOffice en el archivo

Palabras clave: Software, tratamiento, prueba de hiptesis, comparacin de medias.

Key words: Software, treatment, hypothesis test, comparison of stockings.

OpenOffice es un software de acceso libre y cdigo abierto; es decir, que se puede

El paquete contiene las siguientes herramientas:

OpenOffice.org Writer - Herramienta dedicada a la edicin de texto tambin llamado

OpenOffice.org Calc - Herramienta para trabajar con hojas de clculo.

OpenOffice.org Impress - Herramienta destinada a crear presentaciones y diapositivas.

OpenOffice.org Draw - Herramienta destinada a crear diagramas, dibujos y grficos.

OpenOffice.org Math - Herramienta para la representacin de frmulas matemticas.

Tambin se pueden importar y modificar hojas de clculo de Microsoft Excel.

En la investigacin cientfica, es comn que se formulen hiptesis para luego verificarlas

Se pueden distinguir dos tipos de experimentos en la investigacin cientfica: los

De acuerdo con Cramer (1960), la estadstica tiene tres funciones fundamentales en el

El diseo estadstico de experimentos se refiere al proceso para planear el experimento

3.1. OBJETIVO GENERAL

OpenOffice es una suite ofimtica de software libre y cdigo abierto, desarrollado en un

El primer lanzamiento importante

ltimo lanzamiento de la lnea 1.1.x

1.1.5secpatch Parches de seguridad (macros)

Actualizacin de estabilidad y seguridad 4 de diciembre de 2007

Compatibilidad Office 2007

parte de la terminologa que hoy se emplea proviene de estos antecedentes. Las

Hoy da su aplicacin se ha generalizado al mundo industrial, agrcola, forestal,

5. PRUEBAS DE HIPTESIS Y CONCEPTOS BSICOS DE DISEOS

En los captulos siguientes se contino con el desarrollo detallado de cada tipo de

Durante el anlisis de los diferentes diseos experimentales, los ejemplos que se

5.1. Pruebas de hiptesis

5.1.1. Definiciones bsicas

Prueba de hiptesis: Mtodo estadstico que se emplea para determinar si una

Hiptesis a probar: Consiste en dos planteamientos que se contraponen: la hiptesis

dispuesto a sostener como cierta; se representa como H0. La hiptesis alternativa es

Regla de decisin: Determina la forma en que se deben relacionar el valor calculado y

Note que en las definiciones anteriores se utiliza la idea de no rechazar en lugar de la

Una prueba de hiptesis permitir el rechazar o no rechazar la hiptesis nula (H 0). Si se

5.1.2. Error Tipo I Y Tipo II

Comnmente se llegan a presentar dos tipos de errores en las pruebas de hiptesis:

Los errores anteriores se definen de la siguiente forma:

Se desean pruebas de hiptesis en las cuales las probabilidades asociadas a ambos

P[Error Tipo I] = P[Rechazar H0 cuando es cierta]

La confiabilidad es un trmino de uso comn en las pruebas de hiptesis y puede ser

Bajo la definicin anterior se puede relacionar al y a la confiabilidad mediante la

P[Error Tipo I] + P[No Error Tipo I] = 1

5.1.3. Estadstica de prueba y valores tabulados

En una prueba de hiptesis, al utilizar la estadstica de prueba, es necesario realizar

En gran cantidad de las pruebas de hiptesis de uso generalizado se tienen estadsticas

5.1.4. Distribuciones de probabilidad continuas

5.1.4.1. Distribucin t de Student.

La distribucin t de Student es parecida a la distribucin Normal Estndar debido a que

En las pruebas de hiptesis se utiliza el cuantil t de Student como el valor tabulado

Cuantil t de Student: Valor de la distribucin t de Student con v grados de libertad tal

Grados de libertad: Variables independientes con las que se calcula la estadstica de