DISEXP v2

E l D is e ñ o E xp e r im e n t a l
e n l a s C i e n ci a s d e l a
S a lu d
Migu el Án gel Rod r ígu ez F elicia n o
El Diseño Experimental en las Ciencias e la Salud
Miguel Ángel Rodríguez Feliciano
P r ologo
n a de la s á r ea s don de em pezó a desa r r olla r se la
exper im en t a ción , fu e en el sect or a gr ícola y pecu a r io, por la
n a t u r a leza de los su jet os con los qu e se r ea liza ba n (pla n t a s y
animales). Así qu e de m a n er a gen er a l los ejem plos qu e en la m a yor ía de
la bibliogr a fía en con t r a m os sobr e los diseñ os de exper im en t os, en u n a
gr a n pa r t e de los ca sos, se ba sa n en ejem plos del sect or a n t es
mencionado y el industrial.
El área de la salud se encuentra en ciertos momentos de su desarrollo y a

diferen t es n iveles a poya da por la exper im en t a ción ; pa r a solu cion a r o
pr ogr esa r en la cu r a o t r a t a m ien t o de en fer m eda des. E n con t r á n dose est a
colaboración en áreas como la epidemiología, la fisiología, la farmacología
(diseñ o de m edica m en t os), la m icr obiología , la biología m olecu la r , la
in m u n ología , et c. P or lo qu e el éxit o de est a cola bor a ción , se debe a qu e
los m odelos m a t em á t icos de los Diseñ os E xper im en t a les, permiten
descr ibir e in t er pr et a r la gran ca n t ida d de n ú m er os y va r ia bles, a dem á s
de las relaciones que se encuentran presentes en los sistemas biológicos y
de sa lu d. P u dién dose llega r a r ea liza r pr ediccion es sobr e diver sos
pa t r on es de com por t a m ien t o de en fer m eda des, a sí com o la in t er a cción de
diver sos fa ct or es en el desa r r ollo de la m ism a . Sin em ba r go es n ecesario
con t a r con gu ía s qu e per m it a n con ocer la est r a t egia m á s decu a da pa r a la
recolección y a n a lisis de los da t os pa r a la ela bor a ción de m edica m en t os y
t r a t a m ien t os m á s efica ces; y es a qu í don de el Diseño E xperimental
in t er vien e com o la h er r a m ien t a a u xilia r en el desa r r ollo de est a s
actividades.
P or lo qu e el objet ivo de est e libr o es el de a por t a r u n a per spect iva

com plet a m en t e or ien t a da a l á r ea de la sa lu d, qu e fa cilit e la compresión
del t em a a l pr ofesion ist a qu e t r a ba ja den t r o de la esfer a de est os
servicios y requiera hacer uso de esta herramienta.
Miguel A. Rodríguez F..
Tapachula, Chiapas. México. 2

Indice
Prologo
Parte I: Generalidades
Capitulo I: Principios Básicos del Diseño de
Experimentos
Métodos de Investigación
Métodos de Recolección de Datos
Métodos de Interpretación de Datos
E t a pa s del Mét odo de In vest iga ción
Científica
Diseño de Experimentos
Etapas de un Experimento
Diseño Estadístico de Experimentos
Aplicaciones del Diseño de Experimentos
P r in cipios Bá sicos del Diseñ o de
Experimentos
Elementos del Diseño de Experimentos
Capitulo II: Certidumbre de los Resultados de un
Experimento
Capitulo III: Los modelos Estadísticos y el Análisis de la
Varianza
Modelo Ma t em á t ico Qu e Or igin a el An á lisis
de Varianza
Esquema de Muestreo
Supuestos de Aplicación
Conceptos de Aplicación
Desa r r ollo del Modelo Ma t em á t ico del
Análisis de Varianza
Hipótesis
Tabla de Análisis de Varianza
Problemario de ANVA
Parte II: Modelos
Clásicos
Capitulo IV: Comparaciones Poblacionales
Comparación de Poblaciones Normales.
Análisis de Dos Poblaciones Independientes
Problemario de Poblaciones Independientes
Comparación de Medias con Grupos
Pareados.
Problemario de Grupos Pareados
Capitulo V: Diseños Simples
Diseño Completamente al Azar
Análisis Estadístico
Notación
El Modelo
Estimación
Problemario de Diseño
Completamente al Azar
Diseño de Bloques al Azar
Características
Ventajas
Desventajas
Notación
El Modelo
Estimación
Eficiencia Relativa del DBA
Problemario de Diseño de Bloques al
Azar
Diseño en Cuadro Latino
Características
Ventajas
Desventajas
Distribución de los Tratamientos
Notación
El modelo
Estimación
Eficiencia Relativa del Diseño en
Cuadro Latino
Problemario de Diseño en Cuadrado
Latino
Capitulo VI: Diseños Incompletos
Bloques al Azar con Observaciones
Perdidas
Cuando se pierde una observación:
Cuando se pierden dos observaciones
Cuadro Latino con Observaciones Perdidas
Cuando se pierde una observación
Cuando se pierden dos observaciones
Capitulo VII: Comparación de Medias de Poblaciones o
Tratamientos
Tipos de Tratamientos
Comparaciones Múltiples de Medias
Diferencia Mínima Significativa (DMS)
Método de Duncan

Método de Student-Newman-Keuls (S-N-K)

Método de Tukey
Método de Scheffé
Método de Dunnett
Consideraciones Sobre Las Pruebas
Capitulo VIII: Comparaciones Ortogonales
Comparaciones Independientes
Contrastes Ortogonales
Problemario de Comparaciones Ortogonales
Parte Arreglos
III: Factoriales
Capitulo IX: Principios Básicos de los Experimentos
Factoriales
Experimentos Factoriales
Ventajas
Desventajas
El Modelo
Notación
Representacion Grafica de los Diseños
Factoriales
Análisis de las Interacciones
Capitulo X: Análisis de un Arreglo Factorial por
Contrastes Ortogonales.
Arreglo Factorial 2 x 2 (22).
Arreglo Factorial 2x2x2 (23).
Problemario de Arreglos Factoriales por
Capitulo XI: Análisis de un Arreglo Factorial por Medio
del Modelo Factorial.
Arreglo Factorial 22
Problemario de Arreglos Factoriales por
Modelos Factoriales
Tablas
DISTRIBUCION "t"
Tabla "F"
DUNCAN
TUKEY
DUNNETT
Resultados

P a r t e I: Gen er a lida des

Ca pit u lo I:
Principios Bá sicos del Diseñ o de
Experimentos
a bla r del diseñ o exper im en t al, pa r ecier a ser u n t em a á r ido y
difícil de en t en der , sobr e t odo en el á r ea de la sa lu d don de las
matemáticas n o son pr ecisa m en t e su fu er t e. Sin em ba r go es
im pr escin dible el a poyo de est a h er r a m ien t a pa r a poder a va n za r en el
con ocim ien t o qu e per m it a com ba t ir y pr even ir en fer m edades. P or lo qu e
u n a explica ción sen cilla del diseñ o exper im en t al es que es una
h er r a m ien t a de la in vest iga ción cien t ífica , qu e per m it e responder
pr egu n t a s m ediante el est a blecim ien t o de causalidad en t r e va r ia bles a
t r a vés del con t r ol de la s m ism a s y a sí poder con ocer : “quienes”, “que”,
“donde” y “como interaccionan”.
Los Diseñ os E xper im en t a les, bá sica m en t e son a r r eglos de va r ia bles

su jet a s a est u dio qu e per m it en el est u dio de u n fen óm en o de in t er es, y
poder in fer ir ca u sa lida d. Adem á s poseen u n m odelo m a t em á t ico qu e
sustenta el posterior análisis estadístico.
La fa se qu e se con oce com o Diseño, es el pr oceso de pla n ea r u n

exper im en t o pa r a obt en er da t os a pr opia dos qu e pu eda n ser a n a liza dos
m edia n t e m ét odos est a díst icos, con el objet o de pr odu cir con clu sion es
va lida s y objet iva s. Y la fa se del Experimento, es u n a pr u eba o u n a ser ie
de pr u eba s, en la s cu a les se in du cen ca m bios deliber a dos en la s va r ia bles
de entrada de un proceso o sistema, de manera que sea posible observar e
iden t ifica r la s ca u sa s de los ca m bios en la r espu est a de sa lida .
Con sider á n dose qu e los exper im en t os exit osos con sist en en pr opon er
pr egu n t a s qu e son im por t a n t es en el ca m po de la in vest iga ción en el qu e
sé esta trabajando y en efectuar experimentos que las contesten.

Así qu e el diseñ o exper im en t al y el a n á lisis est a díst ico de los da t os est á n

est r ech a m en t e r ela cion a dos, ya qu e el m ét odo de a n á lisis depen de
directamente del diseño empleado.
Debido a qu e el diseñ o exper im en t al, es u n a h er r a m ien t a de la

in vest iga ción cien t ífica , es n ecesa r io con ocer a lgu n os con cept os pr evios
a n t es de poder en t r a r de llen o en m a t er ia ; por lo qu e a n t es qu e n a da es
n ecesa r io h a bla r sobr e qu e es la In vest iga ción Científica,
considerándosele como la búsqueda permanente de la verdad de un hecho
m edia n t e m ét odos objet ivos, a decu a dos y pr ecisos. P or ot r a pa r t e, como
ya se m en cion o, pa r a poder la r ea liza r se r equ ier e de los Mét odos de
Investigación, los cu a les, son pr ocesos (desa r r ollo de u n a a ct ivida d)
m edia n t e los cu a les se obt ien en con ocim ien t os pa r a a cr ecen t a r el cu er po
de u n a disciplin a cien t ífica ; pu dién dose a plica r a cu a lqu ier n ivel de la
in vest iga ción (Bá sica o Aplica da ): Al m ism o t iem po los procedimientos
en los qu e se a poya son u n a su cesión cr on ológica de oper a cion es qu e se
con ca t en a n en t r e sí, pa r a con st it u ir u n a u n ida d de fu n ción qu e r ea liza
una actividad o tarea específica dentro de un ámbito de aplicación.
P or ot r a pa r t e u n t ér m in o qu e se u sa r á fecu en t em en t e es el de Variable
Estadística, pa r a com pr en der su sign ifica do, con sider em os el h ech o de
qu e a l h a cer u n est u dio en u n a pobla ción , se obser va u n a ca r a ct er íst ica o
propiedad de in t er es en los elem en t os o in dividu os qu e la con st it u yen .
Así qu e ca da u n a de est a s ca r a ct er íst ica s est u dia da s r eciben el n om br e
de variable estadística (edad, peso, sexo, etc).
Depen dien do de la ca r a ct er íst ica podem os dist in gu ir va r ios t ipos de

variables:
Por su estructura
Simple.- Mide un solo indicador
Compleja.- Se requiere de 2 o más indicadores

Por la forma de medirse

Cualitativas
Nom in a les (n om br es).- Nom br a la m oda lida d de una
característica sin compararla con grados de intensidad.
Ordinales.- E xpr esa qu e elem en t os pu eden poseer
características en distintos grados o intensidades
Cuantitativas
Enteras
Fraccionadas
Por dependencia
Independientes
Dependientes
Métodos de Investigación
E l cu a dr o 1 m u est r a los dos t ipos de m ét odos de in vest iga ción , pu dien do
ser gen er a les cu a n do la in for m a ción en con t r a da pu ede ser u sa da en
diversas a plica cion es, m ien t r a s qu e la especifica t ien en u n pr opósit o m u y
estrecho y va a dar solución a cosas muy concretas.
Cuadro1. Métodos de Investigación

Generales Específicos
Empírico Técnicas ó
Experimental Rutinas
Estadístico*
Documental
Histórico

Métodos de
Recolección de Datos
Todos lo sist em a s r equ ier en de u n a en t r a da y u n a sa lida por lo qu e en la
in vest iga ción la en t r a da , se da en los Mét odos de Recolección de Datos,
qu e va a depen der del m ét odo de in vest iga ción em plea do sien do a lgunos
de ellos:
Empírico.- Qu e con sist e en la a cu m u la ción de in for m a ción en for m a de
exper ien cia s, sin h a ber pa sa do por u n a fa se de ver ifica ción cien t ífica ;
considerándosele la primera fase del método científico
Experimental*.- Cu a n do se diseñ a y ejecu t a u n exper im en t o qu e
gen er e da t os qu e den r espu est a a pr egu n t a s con cr et a s pla n t ea da s por
el in vest iga dor pa r a poder in t er pr et a r de m a n er a correcta el fen óm en o
de interés.
Histórico.- Son m ét odos de r ecolección r et r ospect ivos, qu e se en ca r ga n
de buscar hechos en el pasado de una sociedad
Reconocimiento.- E l in vest iga dor obser va la s ca r a ct er íst ica s del
en t or n o de la unidad de in vest iga ción . E n el ca so del á r ea de sa lu d, se
ba sa en los fa ct or es qu e con dicion a n la a pa r ición de u n a en fer m eda d
debido a la exposición a est os; partiendo el est u dio con la iden t ifica ción
del factor de riesgo que puede generar la enfermedad y estima el riesgo
de a dqu ir ir la , es decir va de la causa (fa ct or de r iesgo) a l efecto
(enfermedad).
De Ca sos.- E l in vest iga dor obser va la s ca r a ct er íst ica s de la unidad de
in vest iga ción . E n el ca so del á r ea de sa lu d la o la s ca r a ct er íst ica s se
cen t r a n en la s en fer m eda des; por lo qu e el est u dio de ca sos y con t r oles
parte in dividu os qu e t ien en u n a en fer m eda d y bu sca cu a l es el fa ct or
qu e con dicion a su a parición, es decir va desde el efecto (enfermedad) a
la causa (factor de riesgo).
E s im por t a n t e dest a ca r qu e los m ét odos de r ecolección de da t os, son el

m edio a t r a vés del cu a l el in vest iga dor se r ela cion a con los elem en t os de
la pobla ción pa r t icipa n t e pa r a obt en er la in for m a ción n ecesa r ia qu e le
permita lograr los objetivos de la investigación.
*
Son los métodos de interés en este libro
Métodos de
Interpretación de Datos
P or ot r a pa r t e, de n a da sir ven los m ét odos de r ecolección , si n o cu en t a n
con los Mét odos de In t er pr et a ción de Da t os, a decu a dos. E st os se da n en
fu n ción a la disciplin a don de se h a ce la in vest iga ción y a l m ét odo de
in vest iga ción em plea do, sin em ba r go de m a n er a gen er a l t en em os dos
grandes tipos de métodos de interpretación:
Estadísticos*.- Es la h er r a m ien t a ba se qu e u t iliza el m ét odo cien t ífico

pa r a el a n á lisis de da t os, pa r a u n a in t er pr et a ción correcta del
fen óm en o de in t er és. Cu yo objet ivo es h a cer r efer en cia de los er r or es
a lea t or ios qu e se pr esen t a n en la m edicion es (de qu e m a n er a in flu yen
y cu a l es su m a gn it u d), es decir t a m bién se en ca r ga de a n a liza r la
validez de los resultados
Documental.- Mét odo m u y u sa do en la s cien cia s socia les, en ca r ga de
relatar, descr ibir , com pa r a r en or den even t os a ct u a les o pa sa dos qu e
n o pr ecisa m en t e r equ ier en de u n a m edición com o lo es en el
estadístico.

Etapas del Método de Investigación Científica

1. Observación: Obser va ción en for m a cr ít ica de u n h ech o o
fen óm en o. Colect a h ech os por : a ) Obser va ción , b)
E xper im en t a ción em pír ica . E n est e pa so n o se
concluye.
2. Planteamiento Aqu í se for m u la el pr oblem a en for m a específica y
del Problema: con pr ecisión . Se fu n da m en t a en los con cept os de la
ciencia (conocimientos científicos ya elaborados).
3. F or m u la ción de Se in icia a pa r t ir del a n á lisis del pr oblem a
Hipótesis: pla n t ea do. Tien e la fin a lida d de explica r los h ech os
con ocidos y pr on ost ica r los descon ocidos. Su a lca n ce
depen de de su ca pa cida d lógica (n o debe ser a u t o
contradictoria).
E n el pla n t ea m ien t o de u n a H ipót esis n o debe h a ber
u n a n ega ción ; a dem á s la in vest iga ción bá sica n o
lleva hipótesis.
E st a s deben ser oper a cion a les pa r a poder
com pr oba r la s (debe de con t en er va r ia bles qu e
poda m os oper a r ). Adem á s con t en dr á la in for m a ción
de la s va r ia bles de in t er és pa r a su in t er pr et a ción y
conclusión.
Se deben pr opon er h ipót esis bien defin ida s y
fundam en t a da s; y n o ser su posicion es qu e n o
comprometan nada en concreto, ni ocurrencias sin
fundamentos.
4. Ver ifica ción de E st e pa so n os a yu da a a dqu ir ir in for m a ción
la Hipótesis: r eleva n t e a l pr oblem a ; a dem á s de con clu sion es con
cierto grado de confiabilidad.
Sin em ba r go est o depen der á de: a ) Ca n t ida d de
in for m a ción , b) F or m a de r ecolección , c) Técn ica s de
análisis. Aqu í es don de es don de los m ét odos
estadísticos son una herramienta indispensable
5. Conclusiones: Deben ser lo m á s r eleva n t es sobr e el fen óm en o
estudiado. Cu yo pr opósit o es el de con fir m a r o en
ca so con t r a r io, a u m en t a r los con ocim ien t os a l
cuerpo de la ciencia.

Diseño de Experimentos
Un exper im en t o (pr oceso m edia n t e el cu a l obt en em os u n a obser va ción o
dato) diseñ a do es u n a pr u eba o u n a ser ie de pr u eba s, en la s cu a les se
in du cen ca m bios deliber a dos en la s va r ia bles de en t r a da de u n pr oceso o
sist em a , de m a n er a qu e sea posible obser va r e iden t ifica r la s ca u sa s de
los cambios en la respuesta de salida.
P or lo qu e cu a lqu ier t ipo de Experimentación qu e se r ea lice for m a parte
del m ét odo cien t ífico debido a qu e r ea liza oper a cion es or den a da s,
dest in a da s a dem ost r a r , com pr oba r o descu br ir fen óm en os o pr in cipios
básicos de interés para el investigador
Etapas de un Experimento
Planear: Iden t ifica los elem en t os o va r ia bles a eva lu a r , del
fen óm en o de in t er és. P la n t ea los Objet ivos y la s
Hipótesis.
Diseñar: Aqu í se seleccion a y a plica el diseñ o m á s eficien t e y
qu e m in im ice el er r or exper im en t a l (for m a de la
dist r ibu ción del exper im en t o). Iden t ifica los fa ct or es
qu e a fect en a la s va r ia bles de est u dio y det er m in a el
tamaño de la muestra.
Ejecución: Segu ir el diseñ o seleccion a do; r ea liza n do t oda s la s
a ct ivida des por igu a l except o la s qu e se desea n
eva lu a r . Recolect a de m a n er a or den a da la s
observaciones.
Análisis e Se or ga n iza la in for m a ción y se a plica el m ét odo
Interpretación: est a díst ico a pr opia do, pa r a eva lu a r el diseñ o y
probar las hipótesis planteadas.

Diseño Estadístico de Experimentos

E s el pr oceso de pla n ea r u n exper im en t o pa r a obt en er da t os a pr opia dos
qu e pu eda n ser a n a liza dos m edia n t e m ét odos est a díst icos, con el objet o
de pr odu cir con clu sion es va lida s y objet iva s. E l diseñ o de exper im en t os y
el a n á lisis est a díst ico de los da t os est á n est r ech a m en t e r ela cion a dos, ya
que el método de análisis depende directamente del diseño empleado.
Para t en er va lidez en la s con clu sion es, los objet ivos deben de
establecerse con claridad y plantearse como:
Preguntas que se tienen que contestar,
Hipótesis que se tienen que probar y
Efectos que hay que estimar.
Además se debe de considerar:
Qu é variables tienen mayor influencia en la respuesta.
Cu á l es el va lor de la va r ia ble in depen dien t e (X) qu e m ejor in flu ye
en la va r ia ble depen dien t e (Y), de m odo qu e “Y” t en ga siem pr e u n
valor cercano al valor nominal deseado.
en la variable dependiente (Y), de modo que “Y” sea pequeña.
en la va r ia ble depen dien t e (Y), de m odo qu e se m in im icen los
efectos de las variables incontrolables.
Aplicaciones del Diseño Experimental

La s a plica cion es de t écn ica s de diseñ o exper im en t a l pu eden da r por
resultado:
Lograr mejorar el rendimiento de un proceso
Obtener menor variabilidad y mayor apego a los requerimientos
n ominales u objetivos.
Optimizar los tiempos de desarrollo.
Minimizar costos globales y
Es empleado extensamente en el desarrollo de nuevos productos o
para mejorar productos ó técnicas ya existentes.

Principios Básicos del Diseño de Experimentos

Se consideran 3 aspectos fundamentales
1) El Experimento
Establecimiento y definición completa del problema.
Selección de la s va r ia bles de r espu est a o va r ia bles
dependientes.
Selección de los fa ct or es o va r ia bles in depen dien t es qu e
afectan las variables de respuesta.
Selección de los niveles de los factores y sus combinaciones
2) El Diseño
Número de observaciones o ensayos a realizar.
Aleatorización y orden del experimento
Modelo matemático que describe el experimento
3) El Análisis
Captura y procesamiento de la información.
Forma de hacer las pruebas estadísticas
Análisis e interpretación de los resultados
Costo del experimento
Conclusiones y recomendaciones
Elementos del Diseño de Experimentos

Aleatorización: Es una técnica ideada por Fisher. Y no es otra cosa que la
asignación de los tratamientos a las unidades experimentales (UE).
P or lo qu e t oda s la UE t ien en la s m ism a s pr oba bilida des de r ecibir
u n t r a t a m ien t o. P er m it e: a ) E st im a ción in sesga da del Error
E xper im en t a l (EE). b) E st im a ción im pa r cia l de la m edia de los
tratamientos.
Bloque: Con ju n t o de UE lo m á s h om ogén ea s posibles; a pa r ecen t odos los
t r a t a m ien t os u n a sola vez. Aqu í el gr a dien t e de va r ia bilida d es
perpendicular al bloque. Tiene como objetivo minimizar el EE.
Diseño de Experimentos: Ya se hablo de lo que es el diseño experimental,
per o a h or a lo h a r em os en fu n ción de los elem en t os qu e lo
con st it u yen ; por lo qu e se con sider a qu e es el pr ocedim ien t o pa r a
a sign a r los t r a t a m ien t os a la s u n ida des exper im en t a les en los
bloqu es. E s u n m ét odo a lea t or io, pu dién dose decidir por sor t eo o
pr om edio de n ú m er os a lea t or ios, qu e in clu ye: Bloqu es,
Aleatorización, Tratamientos y Repeticiones.
E r r or E xper im en t a l (E E ): E s debido a la va r ia bilida d pr oven ien t e de los
fa ct or es qu e a fect a n a los t r a t a m ien t os. E st os fa ct or es en m a sca r a n
el efect o de los t r a t a m ien t os. E l EE. n o es u n a equ ivoca ción . Mide
la va r ia bilida d por : a ) Va r ia ción de la UE , b) Va r ia cion es del
m a n ejo de la s UE , c) Va r ia cion es por efect o del a m bien t e. E st a s
va r ia cion es n o se pu eden elim in a r per o si se pu eden r edu cir .
Tien en com o fin a lida d obt en er u n a m ejor est im a ción de los efect os
de los t r a t a m ien t os. Si EE es el er r or exper im en t a l y es u n ifor m e
pa r a t oda s la s UE en t on ces EEi t ien e u n a dist r ibu ción n or m a l con
u n a m edia de cer o y u n a va r ia n za [E E N(0, 2 )]. Adem á s est á
presen t e en la pr u eba de h ipót esis. E xist en 2 t ipos de er r or es: a )
E r r or t ipo I: Rech a za r la h ipót esis ver da der a , b) E r r or t ipo II:
Acept a r u n a h ipót esis fa lsa . La s fr ecu en cia s de ocu r r en cia de
a m bos se da n en t ér m in os de pr oba bilida d. E l er r or m á s
importante es el t ipo I [ = m a x P (E r r or ) sien do los n iveles de
significancia convencionales 1% y 5%.
E spa cio Mu est r a l: Con ju n t o de t odos los r esu lt a dos posibles de u n
exper im en t o a lea t or io (pobla ción ). Ca da r esu lt a do se den om in a
punto muestral.
Experimento: Son de dos t ipos a ) Det er m in íst ico: Det er m in a u n m ism o
r esu lt a do ba jo cier t a s con dicion es in va r ia bles, b) Alea t or io: No
siem pr e se obt ien e el m ism o r esu lt a do a u n qu e desa r r ollen ba jo
idénticas condiciones (uso de probabilidades)
Factor: Elemento, condicionante que contribuye a lograr un resultado
Repetición: Aplica ción de u n t r a t a m ien t o 2 o m á s veces en u n

exper im en t o. E l objet ivo es: a ) E st im a r el er r or exper im en t a l, b)
Medición más precisa del efecto de los tratamientos, c) Disminuir la
desviación estándar de la muestra de la media.
Testigo: Su jet o de com pa r a ción . Son los elem en t os ba se pa r a la
comparación de los tratamientos.
Tratamiento: E lem en t o, su jet o o en sa yo de est u dio en ca n t ida d o ca lida d.
Es cualquier variable cuyo efecto se desea medir.

U n ida d E xper im en t a l (U E ): Ma t er ia l o lu ga r sobr e el cu a l se a plica n los

t r a t a m ien t os ba jo est u dio. E l efect o de los t r a t a m ien t os se m ide en
la UE.
Variable Aleatoria: Función que transforma a los eventos definidos en un
espa cio m u est r a l en n ú m er os r ea les. Gen er a n fu n cion es de
pr oba bilida d (discr et a s) y de den sida d (con t in u a s). Sien do la s
va r ia bles: a )Discr et a s: Ber n ou lli, Bin om ia l, P oisson , b)Con t in u a :
Normal, X2 , ‘t’, F
Referencias
Andión G. M., Walterio Beller, Heinz Dleterich
Taboada. Guía De Investigación Científica. Ediciones
De Cultura Popular. 2ª. Reimpresión. México D.F.
1988.
Box, G. E., Hunter, W., Hunter, J. S., "Estadística para

investigadores". Ed. Reverté. 1998.
De Canales F. H., Eva Luz De Alvarado, Elia Beatriz

Pineda. Metodología De La Investigación. Manual
Para El Desarrollo De Personal De Salud. Editorial
Limusa. 2ª Impresión. México, D.F. 1988.
Elston, R.C., W.D. Johnson. 1990. Principios De

Bioestadistica. México, Ed. El Manual Moderno, S.A.
De C.V.
Box G.E.P., W.G. Hunter, J.S. Hunter Estadística para

experimentadores. Ed. Reverté S.A. Barcelona 1989.
Box G. E. P., William G. Hunter, J. Stuart Hunter.

Estadística Para Investigadores. Editorial Reverté. 1ª
Reimpresión. México, D.F. 1999.
Martínez, A. Diseños Experimentales. Métodos y

Elementos de Teoría. Editorial Trillas, México. 1988.
Ostle B. Estadística Aplicada. Limusa-Wiley, México,

1975,
Rojas Soriano Raúl. El Proceso De La Investigación

Científica. Editorial Trillas. 4ª. Edición. México, D.F.
1981.
Winer, B.J., Brown, D.R. and Michels, K.M. Statistical

Principles in Experimental Design. 1991.


Ca pit u lo II:
Certidum br e de los Resu lt a dos de u n
Experimento
n a de la s pr in cipa les consideraciones a la h or a de desa r r olla r

u n a in vest iga ción a poya da en la exper im en t a ción , es el h ech o
de qu e t a n con fia bles sean los r esu lt a dos qu e se obt en ga n , por
lo qu e pa r a poder est a r segu r os sobr e lo qu e est a m os h a cien do, es
n ecesa r io t om a r en con sider a ción a lgu n os a spect os qu e a bor da r em os en
este capitulo.
Por principio de cuentas, es necesario considerar que los resultados de los
experimentos n o solo se ven afectados debido a la a cción de los
t r a t a m ien t os ba jo est u dio, si n o qu e t a m bién a causas desconocidas que
en cu br en su s efect os, a los qu e se les con oce com o E r r or E xper im en t a l,
teniendo como principales fuentes a:
1. La va r ia bilida d in h er en t e a l m a t er ia l exper im en t a l (UE ) a l cu a l
se aplican los tratamientos.
2. La variabilidad debida a la falta de uniformidad en la conducción
del experimento.
A pesa r de qu e los E r r or es E xper im en t a les pu eden t en er u n a gr a n

influencia en los r esu lt a dos, el efect o de estos se pu ede difer en cia r de los
efectos de los tratamientos.
E n los r esu lt a dos exper im en t a les a ú n en los exper im en t os m u y bien
pla n ea dos y con du cidos, n o se pu ede est im a r la exa ct it u d en ellos, debido
a qu e n o se con oce el va lor ver da der o con el qu e se debe de com pa r a r la
a pr oxim a ción del va lor obt en ido; per o se puede t r a ba ja r sobr e la
precisión de los resultados, es decir sobr e la r epr odu cibilida d de estos.
P or lo qu e en t ér m in os de pr oba bilida d, se puede señ a la r cier t a
confiabilidad de los resultados mientras sean aproximados unos de otros.
E n la exper im en t a ción , el u so del Diseñ o E xper im en t a l per m it e obt en er
est im a cion es in sesga da s de Media s, Difer en cia s de Tr a t a m ien t os y del
Error Experimental.
E st o in dica qu e la m edición del va lor de u n a va r ia ble a lea t or ia

exper im en t a l, va r ia r á en m a yor o m en or ca n t ida d del va lor ver da der o de
la va r ia ble, Si se r epit e la m edición va r ia s veces, est á s va r ia r á n
alrededor del valor verdadero; a esto se llama: Exactitud.
Exactitud: E s la cer ca n ía con la cu a l la m edición de u n a va r ia ble se
aproxima al valor verdadero de esa variable
E l va lor ver da der o de u n a va r ia ble a lea t or ia n o se con ocer á con
exa ct it u d, debido a los er r or es qu e se com et en en la m edición y los
factores que influyen sobre esa variable.
La s m edicion es qu e se h a cen t ien en sesgos, m á s a ú n cu a n do se t r a ba ja n
con m u est r a s, ya qu e se ca lcu la n est im a dor es y n o pa r á m et r os
poblacionales.
Sesgo: Un sesgo del est im a dor es la diferencia en t r e el va lor esper a do
de una variable aleatoria y el valor verdadero.
A m edida qu e sesgo dism in u ye o a u m en t a el n ú m er o de r epet icion es del
experimento, la exa ct it u d aumenta. E l r esu lt a do del est im a dor pu ede
r epet ir se va r ia s veces o n o, da n do com o r esu lt a do la sigu ien t e pr egu n t a
¿Son con fia bles los da t os qu e obt en em os y la s r ecom en da cion es qu e
hacemos?
Los va lor es de u n a va r ia ble a lea t or ia son obt en idos de con dicion es r ea les
per o con t r ola da s, por lo qu e los da t os r efleja n la r ea lida d per o ¿Qu e t a n
confiables son?
La r espu est a a la a n t er ior pregunta r equ ier e la con sider a ción de qu e es
necesario establecer una medida, que permita en términos relativos tener
con fia n za en los da t os colect a dos, en t on ces ¿Como se debe de m edir la
confiabilidad?
An t es de r espon der debem os de com pr en der cu a n do u n pr oceso es
confiable. P or lo qu e “U n pr ocedim ien t o es con fia ble, cu a n do en t odos los
casos genera el mismo resultado”
P or lo qu e la con fia n za va a va r ia r de a cu er do a la fr ecu en cia con la qu e
se obt ien e el r esu lt a do desea do. E st o con du ce a la u t iliza ción de la t eor ía
de la s pr oba bilida des pa r a la m edición de la con fia n za ; sien do el N ivel de
Significancia o Significación quien da la medición de la confianza
Al pr oba r u n con ju n t o de t r a t a m ien t os, el An á lisis de Va r ia n za (ANVA)
sir ve pa r a pr oba r la H ipót esis Nu la (Ho.) con t r a la H ipót esis Alt er n a
(Ha.) en donde:

Ho:El efecto de los tratamientos es el mismo (no hay diferencia)

Ha: Existen diferencias entre el efecto de los tratamientos
La pr u eba de h ipót esis se efect ú a a t r a vés de u n a pr u eba de sign ifica n cia
est a díst ica , m edia n t e la cu a l se com pr u eba si la H ipót esis n u la es
“ver da der a ” o “falsa”, t en ien do com o pr oba bilida des de er r or lo qu e se
observa en el cuadro 2:
Cuadro 2.- Probabilidades de la hipótesis nula
Ho
Decisión Falsa Verdadera
Rechazar la Hipótesis Correcta Error tipo I ( )
No Rechazar la Error tipo II ( ) Correcta
Hipótesis
Cuando se rechaza a una hipótesis verdadera se le llama Error Tipo I y el

n ivel de sign ifica n cia es la pr oba bilida d de com et er lo; est o es, la
pr oba bilida d de a cept a r qu e exist en difer en cia s en t r e t r a t a m ien t os
cuando no las hay.
Nivel de significancia = = p (Error Tipo I).
La elección del nivel de significancia ( ) está determinado por los costos y
r iesgos qu e im plica u n a decisión in cor r ect a , t en ién dose en el á r ea de
sa lu d m a yor poder de decisión en la selección del n ivel de sign ifica n cia
los r iesgos, por lo qu e cu a n do son m u y gr a n des el nivel ( ) debe ser
pequeño. P or lo qu e el est á n da r u t iliza do en la m a yor ía de los
experimentos, con el estadístico de prueba “F” es de =0.05 (5%) y =0.01
(1%), que proporcionan una confianza adecuada, pero se pierde al utilizar
pruebas no confiables.
Los fa ct or es qu e a fect a n la Conducción del experimento
con fia n za en los r esu lt a dos Elección del sitio experimental
experimentales son: Número de repeticiones
Al n o det ect a r se difer en cia s en t r e t r a t a m ien t os, se pu eden en con t r ar

tendencias. Ya qu e en la m a yor ía de los ca sos se en con t r a r á n algunos
t r a t a m ien t os qu e r in den m á s qu e ot r os y la pr oba bilida d de qu e esa
t en den cia im pliqu e difer en cia s es ; en t on ces con la H ipót esis Alt er n a
(Ha) se pla n t ea la pr egu n t a ¿De qu e m a gn it u d n os in t er esa n est a s
diferencias?

Para poder con t est a r la pr egu n t a , se r equ ier e defin ir el t ér m in o

precisión.
Precisión: Es la capacidad de repetición de las medidas estudiadas.

E s la m a gn it u d de la difer en cia en t r e dos t r a t a m ien t os qu e
un experimento es capaz de detectar.
La precisión es de gr a n im por t a n cia en la in vest iga ción pa r a pr oba r

hipótesis mediante el Análisis de Varianza.
Ya qu e la s h ipót esis est a díst ica s, son com plem en t a r ia s y m u t u a m en t e

exclu yen t es, siem pr e se va n a t en er dos h ipót esis, la n u la (Ho) y la
alterna (Ha), qu e es don de r ea lm en t e desca n sa la idea del in vest iga dor ;
en el ca so del a n á lisis de va r ia n za (ANVA) pa r a el diseñ o de
exper im en t os la h ipót esis n u la siem pr e se pla n t ea de la for m a : “E l efect o
de los t r a t a m ien t os es el m ism o”, y qu e est o sea cier t o depen de de la
pr ecisión qu e desea m os t en er en la in vest iga ción , y la pr ecisión va a
depender de los costos y problemas en la realización del experimento.
Además la precisión, se mide por el inverso de la varianza de la media:
1 n
Precisión = ——— = ———
2 2
Por lo que:
A medida que 2 aumenta, la precisión decrece.
A medida que n aumenta la precisión aumenta.
La precisión de un experimento es afectada por:
1. La conducción del experimento
2. Técnicas de análisis de la información
3. Número de repeticiones

Referencias
Elston, R.C., W.D. Johnson. 1990. Principios De Bioestadistica.

México, Ed. El Manual Moderno, S.A. De C.V.

Box G. E . P., William G. Hunter, J. Stuart Hunter. Estadística

Para Investigadores. Editorial Reverté. 1ª Reimpresión. México,
D.F. 1999.
Martínez, A. Diseños Experimentales. Métodos y Elementos de

Teoría. Editorial Trillas, México. 1988.
Ostle B. Estadística Aplicada. Limusa-Wiley, México, 1975,
Prat, A., Tort-Martorell, X., Grima, P., Pozueta, L., "Métodos

estadísticos. Control y Mejora de la Calidad". Ed. UPC (1997).
Winer, B.J., Brown, D.R. and Michels, K.M. Statistical Principles

in Experimental Design. 1991.


Ca pit u lo III:
Los m odelos E st a díst icos y el An á lisis
de la Varianza
os diseñ os de exper im en t os t ien en com o h er r a m ien t a ba se a l

a n á lisis de va r ia n za (ANVA), por lo qu e n o es posible en t r a r de
llen o en m a t er ia , sin a n tes a n a liza r la for m a en qu e t r a ba ja el
ANVA.
De m a n er a gen er a l se con sider a qu e u n MODE LO, es la “r epresentación
a esca la de u n fen óm en o de la vida r ea l”. Y u n Modelo Ma t em á t ico, es el
qu e se en ca r ga de r ela cion a r la s va r ia bles qu e descr iben o explica n el
fenómeno. Den t r o de los Modelos Ma t em á t icos t en em os qu e est os se
dividen en dos grandes grupos:
Deterministico: Establecen una relación exacta entre las variables.

Estadístico: La r ela ción en t r e la s va r ia bles depen de del a spect o
aleatorio de los fenómenos.
Debido a qu e en el á r ea de SALUD, se t r a ba ja con sist em a s biológicos, el
m odelo m a t em á t ico qu e sa t isfa ce la s ca r a ct er íst ica s de los fen óm en os en
estudio es el estadístico.
Modelo Matemático Que Origina el Análisis de Varianza

E n el pr oceso de r ecolección de da t os, la s obser va cion es (y i) pr oven ien t es
de una población normal pueden ser representados por la ecuación:
yi = + i con i = 1, 2, 3,........, n Ecuación (1)
En donde:
: E s u n a con st a n t e, la cu a l depen de de u n con ju n t o de fa ct or es
con el m ism o efect o pa r a t odos los va lor es de la pobla ción . Es la
media de todos las observaciones (y i) de la población
i: E s el er r or de m u est r eo pa r a ca da obser va ción (y i). Es decir , es

la parte aleatoria, la cual depende de un conjunto de factores
que influyen en diferente forma sobre el fenómeno.
E n la ecu a ción (1), los i son a lea t or ios y pu eden t om a r va lor es t a n t o

positivos com o n ega t ivos, debido a qu e los y i t a m bién son a lea t or ios; y
es u n a con st a n t e. P or lo qu e cu a lqu ier in fer en cia cobr e dependerá del
modelo probabilístico que se suponga para la variable i
Esquema de Muestreo
En el esquema de muestreo se tiene: yi = + i
Donde se con sider a qu e los da t os deben de t en er u n a dist r ibu ción normal

con u n a m edia y u n a va r ia n za [y i N ( ,. 2 )] y en con secu en cia el er r or
t a m bién debe de pr esen t a r u n a dist r ibu ción n or m a l, con u n a m edia de
cer o y u n a va r ia n za [ i N (0, 2 )]com o se obser va en la s sigu ien t es
figura 1.
Variación de ‘ i ’
Variación de ‘yi’
yi 0 i
Figura 1.- Distribución de los valores de y i y de i, siendo una constante
Los i son valores de variables aleatorias no observables, entonces la base

de la in fer en cia sobre la m edia pobla cion a l ( ), qu e es descon ocida , son
los va lor es (y i). E n la s gr á fica s m ost r a da s, lo ú n ico qu e se h izo fu e la
t r a sla ción de ejes de la s a bcisa s, est o es, u n ca m bio en el pa r á m et r o de
localización tanto “ i“ como para “yi”.
La im por t a n cia de la ecu a ción (1), r eside en la r epr esen t a ción de la
va r ia ble y i com o la su m a de u n pa r á m et r o “ ” y u n a va r ia ble a lea t or ia n o
observable “ i”, da n do or igen a u n a ecu a ción qu e pr et en de explica r el
comportamiento de la variable aleatoria “y i”.

P a r a el a n á lisis est a díst ico de la ecuación (1) pu ede u t iliza r se el m ét odo

del An á lisis de la Va r ia n za (ANVA), el cu a l es u n pr ocedim ien t o
a r it m ét ico, qu e con sist e en descom pon er la Su m a de Cu a dr a dos Tot a l
(Va r ia ción Tot a l) en fu en t es de va r ia ción r econ ocida s, in clu yen do la
va r ia ción qu e n o se h a podido m edir , qu e es el ERROR
EXPERIMENTAL.
Supuestos de Aplicación
En la aplicación del ANVA se supone que:
Los efectos de los tratamientos y los ambientales son aditivos.
E l E r r or E xper im en t a l con st it u ye u n elem en t o a l a za r , n or m a l e
in depen dien t e, con u n a dist r ibu ción n or m a l con u n a m edia 0 y u n a
varianza ( 2 ).
Conceptos de Aplicación
Dos conceptos en la aplicación del ANVA.
Gr a dos de Liber t a d (G.L.): E s el n ú m er o de con t r a st es o
com pa r a cion es or t ogon a les (in depen dien t es) m en os el n ú m er o de
r est r iccion es (en est e ca so, la s m edia s de la s h ipót esis) im pu est a s qu e
se realiza en un grupo de datos (n-1).
Cuadrado Medio (C.M.): Es el cociente de una suma de cuadrados (SC)
entre su respectivo grado de libertad. [CM = SC / GL]
Desa r r ollo del Modelo Ma t em á t ico del An á lisis de

Varianza
Retomando la ecuacióno (1), despejando i tenemos:
Si y i = + i con y= 1, 2, 3,......, n ==> i = y i - (2)
En el esquema de muestreo tenemos como referencia a la media muestral

( y ), por lo que desarrollando a la ecuación (2) tenemos:
yi - = (yi - y)+(y - ) (3)
La figura 2 descrive gráficamente a la ecuación

Figura 2.- Interpretación gráfica de la ecuación 3
Elevando al cuadrado a la ecuación 3 tenemos:

(y i - )2 = [(yi - y ) + ( y - )]2 (4)
Com o la ecu a ción (4) es cier t a pa r a t oda s y ca da u n a de la s y i, se t ien en

que sumar todas y cada una de las diferencias:
i=1[(yi - y ) + ( y - )]
n 2 n 2
i=1(y i - ) = (5)
Desarrollando el binomio al cuadrado de la ecuación (5)

i=1[(yi - y ) +2(yi - y )( y - )]+( y - ) ]
n 2 n 2 2
i=1(y i - ) =
Eliminando los corchetes tenemos:

i=1 (yi - y ) + i=12(yi - y )( y - )+ ( y - )2
n 2 n 2 n n
i=1(y i - ) = i=1 (6)
E n la ecu a ción (6) se t ien e qu e la m edia m u est r a l ( y ) y pobla cion a l ( )

son con st a n t es, en t on ces la difer en cia de la s con st a n t es ( y - ) es
con st a n t e; a dem á s, t om a n do en con sider a ción qu e la su m a t or ia de u n a
con st a n t e, es igu a l a l pr odu ct o del n ú m er o de veces qu e a pa r ece por el
va lor de la m ism a ( n i=1C = n C) y qu e la su m a t or ia de u n a con st a n t e por
u n a va r ia ble es igu a l a l pr odu ct o de la su m a t or ia de la con st a n t e por la
sumatoria de la variable ( n i=1cXi = n i=1c n i=1 Xi), entonces:
n
i=1(y i - )2 = n
i=1(yi -
y )2+2( y - ) n
i=1 (yi- y ) +n( y - )2 (7)

La su m a t or ia de la s difer en cia s de la s obser va cion es con la m edia es

igual a cero n i=1(yi- y ) = 0, entonces:
n
i=1 (y i- )2 = n
i=1 (yi- y )2 + n( y - )2 (8)
La ecu a ción (8) descompone a la va r ia ción t ot a l [er r or es de m u est r eo ( i)]

en dos partes, qu e con du cen a la su m a de Cu a dr a dos (SC) de la s
desvia cion es or igin a les en la ecu a ción (3); r a zón por la cu a l se le lla m a a
la ecuación (8), SUMA DE CUADRADOS (SC).
E s im por t a n t e det er m in a r la dist r ibu ción de los com pon en t es de la
ecu a ción (8), los cu a les gen er a r á n u n pr ocedim ien t o pa r a pr oba r
h ipót esis sobr e la m edia pobla cion a l ( ). E st o se r ea liza de la m a n er a
siguiente:
Debido a que la variación encontrada (errores de muestreo), es tan solo la
de la m u est r a , y ést a r epr esen t a t a n solo u n a pa r t e de la va r ia ción
poblacional; se debe de con sider a r t a n solo com o la fr a cción
correspondiente, por t a l m ot ivo se debe de dividir a la ecu a ción 8 en t r e la
varianza poblacional ( 2 ), obteniéndose la ecuación 9.
n n
2 2
yi yi y 2
i 1 i 1 n y
2 2 2 Ecuación (9)
An a liza n do los com pon en t es de la

ecu a ción (9), de m a n er a gen er a l
se obser va qu e t ien den a
com por t a r se de m a n er a más
parecida (a lgu n os m á s qu e ot r os)
a la dist r ibu ción J i-cuadrada (ver
figu r a 3). P or lo qu e se a n a liza n
Figura 3.- Gráfica de distribución X2
en det a lle a ca da u n o de los
elementos que forman la ecuación

n
2
yi
i 1
a) Distribución del componente: 2
La s obser va cion es t ien en u n a dist r ibu ción n or m a l, con u n a m edia y u n a

va r ia n za pobla cion a l y i N( , 2 ) estandarizando la ecu a ción se obser va
que t ien e u n a dist r ibu ción n or m a l con u n a m edia de cer o y va r ia n za de
uno.
yi
N(0,1) por lo qu e est a ecu a ción pr esen t a u n a
2
yi
distribución Ji- cuadrada 2 X2
Adem á s, como la s obser va cion es (y i) son in depen dien t es,
n
2
yi
i 1
entonces: 2 --- X2 (n)
2
n y
b) Analizando el componente: 2
La m edia m u est r a l t ien e dist r ibu ción n or m a l con u n a

m edia y u n a va r ia n za pobla cion a l y N ( , 2 /n)
est a n da r iza n do la ecu a ción t en em os qu e t ien e u n a
dist r ibu ción n or m a l con u n a m edia de cer o y u n a va r ia n za
de u n o; por lo qu e est a ecu a ción pr esen t a u n a dist r ibu ción
aproximadamente J i-cuadrada.
2 2
y yi n y
2 2
N(0,1) ==> X2 (1)
n n
n 2
yi y
c) Distribución del componente 2
i 1

Tom a r em os com o ba se a la ecu a ción del análisis de va r ia n za de la

muestra:
n
2
yi y
S2 i 1
despeja n do est a ecu a ción t en em os:
n 1
n
2
yi y n 1 S2
i 1
y si a esto lo dividimos entre la varianza poblacional ( 2 ) tenemos:
n
2
yi y
i 1 n 1 S2
2 2 X2 (n-1)
que presenta una distribución J i-cuadrada
Por lo tanto la ecuación (9)

n 2 n 2 2
yi yi y n y
2 2 2
i 1 i 1
es equivalente a la partición de la x 2 siguiente:
X2 (n) = X2 (n-1) + X2 (1) Ecuación

(10)
Donde:
X2 (n): Varianza total
X2 (n-1): Varianza debida a la muestra (Error Experimental)
X2 (1): Varianza debido a la media poblacional

Hipótesis
Un a vez obt en ida s la s dist r ibu cion es da da s por la ecu a ción (9) se pu eden
u t iliza r pa r a pr oba r h ipót esis sobre m edia s pobla cion a les ( ). La
pa r t ición de la va r ia bilida d da da por la ecu a ción (10), per m it e pr oba r
h ipót esis ú n ica m en t e para , est o es, pr oba r el ju ego de h ipót esis
siguiente:
Ho: = o VS Ha: o
Ó Ho: - o = 0 VS Ha: - o 0
Siendo o el va lor su pu est o del pa r á m et r o descon ocido y La m edia
poblacional real.
E l An á lisis de Va r ia n za “E st im a ” sem eja n za s o difer en cia s de

parámetros.
P a r a pr oba r la s h ipót esis a n t es descr it a s, se debe der iva r u n a est a dística
de P r u eba de h ipót esis para ; pa r a ello se u t iliza n los sigu ien t es
componentes de la ecuación (9):
n
2
yi y 2
i 1 n y
2 2
La est a díst ica de pr u eba a u t iliza r n o deber á con t en er a la va r ia n za

pobla cion a l ( 2 ) ya qu e est a es descon ocida , por lo cu a l se der iva r á a
pa r t ir de u n a r a zón de X2 , dividien do a u n a en t r e la ot r a de la m a n er a
siguiente:
2 2
n y n y
2 2
(1 ) 1 n y
n n F 1 n -1
2 2 S 2
yi y yi y
i 1 i 1
2
( n 1) n 1
E l pr odu ct o de est a r a zón n os da com o r esu lt a do u n a ecu a ción cu ya
dist r ibu ción es la del est a díst ico de pr u eba “F ”. P or lo qu e si la h ipót esis
nula Ho: = o es cierta, entonces:
2
n y
Fc = 2 F 1 n -1 E s decir la “F ” ca lcu la da se a pr oxim a a u n a
S
dist r ibu ción “F ” t eór ica (de t a bla s). P or lo t a n t o se u t iliza F c pa r a pr oba r
el juego de hipótesis planteado al inicio.
RE GLA DE DECISIÓN.- La r egla de decisión pa r a la pr u eba con u n

nivel de significancía es de:
Rechazar Ho si Fc > F1 n -1 ,
Siendo Fc la calculada y la F1 n -1 , la de tablas
Tabla de Análisis de Varianza

Todo el pr oceso a n t es descr it o se r esu m e en u n a t a bla lla m a da Ta bla de
An á lisis de Va r ia n za (ANVA), qu e a con t in u a ción se det a lla en el cu a dr o
3:
Cuadro 3.- Análisis de Varianza
Fuentes de Grados de Sumas de Cuadrado Medio Fo
Variación Libertad Cuadrados (CM)
(FV) (GL) (SC)
Media 1 n( y - o)2 n( y - )2/1 n( y - )2/S2
i=1(yi - y ) [ n i=1(yi- y )2 /n-1] =S2
Error n -1 n 2
Total N n 2
i=1(yi - o)
E l est a díst ico “F ” ca lcu la do, ba jo la h ipót esis n u la , t ien e u n a dist r ibu ción
F 1 n -1 . Debem os de t en er siem pr e pr esen t e a la r egla de decisión , ya qu e a
t r a vés de est a eva lu a r em os a la h ipót esis n u la , r ech a zá n dola si la F
calculada es mayor que la F de tablas (rechazar Ho si Fc > F1 n -1 , )
Si el pr opósit o del ANVA es pr oba r el ju ego de h ipót esis Ho: =0 VS
Ha: 0, el ANVA es equivalente a la tabla anterior, únicamente haciendo
la t r a n sfor m a ción de x i=yi- o, en don de la s n u eva s va r ia bles t en dr á n
com o cen t r o el va lor de cer o, qu eda n do el a n á lisis de va r ia n za com o se
observa en el cuadro 4.
Cuadro 4.- Análisis de Varianza cuando Ho: =0
FV GL SC CM Fo
Media ( ) 1 n x2 n x 2 /1 n x 2 /Sx2
Error n -1 n
i=1(xi - x )2 [ n i=1(xi- x )2 /n-1]= S2
Total N n 2
i=1x i
La r egla de decisión qu e se t om a es la m ism a qu e pa r a la t a bla a n t es

descrita.
Ejemplo:
E n u n est u dio sobr e los n iveles de h em oglobin a (H b) de u n a com u n ida d
ubicada 1600 m .s.n .m . en la cost a del E st a do de Ch ia pa s, se
cuan t ifica r on la s con cen t r a cion es de H b de 28 varones qu e a ccedier on a
participar en el trabajo, siendo los valores obtenidos:
12.72 13.38 13.94 17.34 15.74 14.60 19.03
14.11 13.01 17.53 19.25 13.72 12.26 13.29
18.92 17.65 12.13 13.90 10.41 15.03 14.44
13.62 11.49 14.75 13.68 14.81 5.21 17.03
De est u dios pr evios se sa be qu e la s con cen t r a cion es de h em oglobin a en
per son a s qu e viven en zon a s con a lt u r a s sim ila r es a la s de la com u n ida d
en estudio es de 13.23 gr/dL.
a) ¿Cual es la población de interés en este estudio?
b) ¿Se pu ede con sider a r qu e la con cen t r a ción de H b de los h a bit a n t es de
la com u n ida d en est u dio es igual a la r epor t a da en com u n ida des con
alturas similares. Si es así a que nivel de significancía?
Solución:
a) La concentración de hemoglobina
El juego de hipótesis a probar es: Ho: = o VS Ha: o
Como o = Hb reportada en comunidades con alturas similares: o=13.23
Entonces Ho: =13.23 VS Ha: 13.23
E st e ju ego de h ipót esis se pr oba r á m edia n t e el ANVA. E n don de la su m a

de cuadrados es:
S.C. Media = n( y - o)2
i=1(yi - y ) =
S.C. Error = n 2 n 2 n 2
i=1y i - ( i=1y i ) /n
S.C. Total = n 2
i=1(yi - o)
De los datos obtenidos tenemos: n=28
y = 402.93
y2 = 6029.9671
Sustituyendo en las formulas tenemos: y/n = ÿ = 14.39
S.C. Media = n(ÿ - o)2 = 28 (14.39 - 13.23)2 = 37.67
S.C. Error = n 2 n 2 2
i=1y i - ( i=1y i ) /n = 6029.9671-(402.93) /28= 231.66

S.C. Tot a l = n o)2 = S.C. E r r or +S.C. Media = 231.66+37.67=

i=1(yi -
269.33
Cuadro 4.- Análisis de Varianza del ejemplo

FV GL SC CM Fo
Media 1 n( y - o) 2 n( y - ) /1
2 n( y - )2/S2
i=1(yi - y ) [ n i=1(yi- y )2 /n-1]= S2
Error n -1 n 2
Total n n 2
i=1(yi - o)
FV GL SC CM Fc
Media 1 37.67 37.67 4.39*
Error 27 231.66 8.58
Total 28 269.33
F 127,0.05 = 4.17 Fo > Ft
F 1 27,0.01 = 7.56 Fo < Ft
b) E xist e difer en cia sign ifica t iva a l 5% por lo qu e solo a est e n ivel se
rechaza Ho.
Con clu sión : Los n iveles de H b de la com u n ida d en est u dio, son
DIFERENTES a los de la pobla ción u t iliza da com o referencia con u n
nivel de significancia del 5%
Con est e ejem plo con clu im os con la pa r t e r ela cion a da con el a n á lisis de
varianza, sien do est a la for m a m á s sen cilla de su u so. A pa r t ir de a qu í la
tabla del ANVA crecerá per o t a n solo en el n ú m er o de h iler a s debido a l
in cr em en t o de los fa ct or es de va r ia ción , qu eda n do per m a n en t em en t e con
el mismo número de columnas
Problemario de ANVA
1. Se con sider a qu e la in fer t ilida d m a scu lin a qu e exist e en u n a

com u n ida d, es debido a u n a oligosper m ia (ba jo n ivel esper m á t ico),
sien do lo n or m a l 20 m illon es/m l. Se h a ce u n est u dio con pa cien t es qu e
pr esen t a n in fer t ilida d de los cu a les se obt u vier on los sigu ien t es da t os
en millones/ml.: 16, 14, 20, 21, 15, 17, 19, 17, 16, 14 a que conclusión se
llega con este estudio.
2. La fr ecu en cia ca r dia ca n or m a l de u n a du lt o en r eposo es de 70
la t idos/m in u t o. E n u n a pobla ción de pa cien t es h iper t en sos se eva lú a la
posibilida d de qu e t en ga n u n a fr ecu en cia ca r dia ca m a yor . Se t om a n 6
m u est r a s dá n don os los sigu ien t es r esu lt a dos: 82, 75, 80, 72, 85, 80. A
que conclusión se llega con este estudio
3. La ca pa cida d in spir a t or ia de u n a du lt o sa n o es de 3 lt . de a ir e. Se
desea eva lu a r dich a ca pa cida d en in dividu os con pr oblem a s
br on qu ia les, pa r a lo cu a l se t om o u n a m u est r a de 8 per son a s
obt en ién dose los sigu ien t es r esu lt a dos: 2.8, 2.7, 2.5, 2.7, 2.6, 2.8, 2.8,
2.6. A que conclusión se llega con este estudio.
4. E l pr om edio de h em oglobin a en el ga n a do va cu n o es de 11. se a n a liza n
9 m u est r a s de a n im a les con pr oblem a s de ba besiosis y se les cu a n t ifico
su hemoglobina siendo los resultados: 10, 9, 8.5, 10.5, 11, 10, 9.5, 9, 10.
¿In flu ye l ba besiosis en los n iveles de h em oglobin a de los va cu n os?
Explique.
5. E l pr om edio en los n iveles sa n gu ín eos de la h or m on a t r iyodo t ir on in a
(T3) en jóven es de 10 a 15 a ñ os de eda d es de 145 n g/dl en per son a s
sa n a s. E n la com u n ida d de P och u t la , Oa xa ca se h a ce la va lor a ción de
la T3 en 10 a dolescen t es, dá n don os los sigu ien t es r esu lt a dos: 80, 100,
120, 140, 120, 100, 95, 130, 90, 100. P odem os con sider a r qu e la ba ja
est a t u r a de los h a bit a n t es de esa zon a se debe a la s difer en cia s qu e
exist en en su s n iveles de T3 en la a dolescen cia con r espect o a l r est o de
la población. Explique.
Referencias
Neter-Kutner-Nachtscheim-Li. Applied Linear
Statistical Models. Mc. Graw-Hill. 5ª Ed. 2005.
Arnau Gras, J. Diseños Experimentales

Multivariables. Alianza Editorial, Madrid. 1990.

Box, G., Hunter, W.G. and Hunter, J.S. Estadística

para Investigadores. Introducción al Diseño de
Experimentos, Análisis de Datos y Construcción de
Modelos. Editorial Reverté. 2002.
Cochran, W.G. y Cox, G.M. Diseños Experimentales.

Trillas, México. 1995.
Dean, A. y Voss, D. Design and Analysis of

Experiments. Springer-Verlag, New York. 1999.


Box G. E. P., William G. Hunter, J. Stuart Hunter.

Estadística Para Investigadores. Editorial Reverté. 1ª
Reimpresión. México, D.F. 1999.
Lara, A.M. Diseño estadístico de experimentos,

análisis de la varianza y temas relacionados:
tratamiento informático mediante SPSS. Proyecto Sur
de Ediciones, Granada. 2001.
Martínez, A. Diseños Experimentales. Métodos y

Elementos de Teoría. Editorial Trillas, México. 1988.
Montgomery-Peck-Vining. Introduction to Linear

Regression Analysis. Wiley. 3ª Ed. 2001.

1975,
Peña D. Estadística, Modelos y Métodos. Volumen II:

Modelos Lineales y Series Temporales. Alianza
Universidad, Madrid. 2000.
Peña, D., Regresión y Diseño de Experimentos.,

Alianza Editorial. 2002.
Ríos S. "Métodos Estadísticos", Ediciones del Castillo,

Madrid. 1977.
Walpole R.E., Myers R.H., Myers S.L: "Probabilidad y

Estadística para Ingenieros", Ed. Prentice Hall, 6ª
edición.1998,

P a r t e II: Modelos Clá sicos

Ca pit u lo IV:
Comparacion es Poblacionales
Comparación de Poblaciones Normales.

espu és de la descr ipción del com por t a m ien t o de u n a va r ia ble a
t r a vés de la est a díst ica descr ipt iva , se t ien e qu e pa r t e de la
est a díst ica in fer en cia l son la s pr u eba s de h ipót esis, qu e en est e
ca so la s u t iliza m os pa r a com pa r a r la s m edia s de dos o m á s poblaciones
en est u dio. E st o se debe a qu e en los pr ocesos de in vest iga ción es com ú n
tener que efectuar comparaciones al menos entre dos medias de muestras
a lea t or ia s de u n a m ism a o difer en t e pobla ción ba jo a lgú n pa r á m et r o en
estudio. Por ejemplo:
E l com por t a m ien t o ba jo u n a diet a pa r a in dividu os de a m bos sexos en
una población.
La com pa r a ción de a lgu n a ca r a ct er íst ica fisiológica en t r e difer en t es
grupos étnicos.
Lo a n t er ior im plica la u t iliza ción de a lgú n est a díst ico de pr u eba qu e n os
per m it a defin ir sobr e u n a h ipót esis nula plantean do qu e la s m edia s
pobla cion a les son igu a les con sider a n do qu e los r esu lt a dos de u n a
m u est r a n o in flu yen sobr e los r esu lt a dos de la ot r a Ho: i= j; est o es
com pa r a r dos gr u pos in depen dien t es. Los cu a les a su vez pu eden t en er
varianzas iguales o diferentes
Ta m bién es n ecesa r io con sider a r la s ca r a ct er íst ica s de la s m u est r a s
a lea t or ia s, en función de su t a m a ñ o, va r ia ción y cor r espon den cia de los
elem en t os de u n a r espect o de la ot r a ; t en ien do la comparación de gr u pos
pareados.
Los dos t ipos de com pa r a cion es a n t es m en cion a da s cor r espon den a la
forma más sencilla de experimentación (ver figura 4).

Análisis de Dos Poblaciones Independientes

La comparación de dos poblaciones con distribución normal puede ocurrir
en exper im en t a ción o en m u est r eo. E n exper im en t a ción ocu r r e cu a n do se
comparan dos tratamientos en unidades experimentales HOMOGENEAS
(iguales). Por ejemplo:
Com pa r a ción del con t r ol de in sect os por la aplica ción de
insecticidas con diferente formula, etc.
La temperatura optima de lectura para muestras de semen
E l t iem po en se a lca n za el m a yor cr ecim ien t o de u n
microorganismo
E st e a n á lisis est a díst ico t a m bién es u sa do en m u est r eos de pobla cion es
reales. Por ejemplo:
La concentración media de fosfatasa alcalina en niños,
La con cen t r a ción de Nit r ógen o en in dividu os con diferentes dietas
ricas en proteínas (fisiculturistas, atletas),
La estatura de los habitantes de dos regiones diferentes,
A est e t ipo de experimentación se le conoce como m uestras
in depen dien t es o gr u pos sor t ea dos; en vir t u d de qu e los t r a t a m ien t os son
asignados de m a n er a a lea t or ia a la s u n ida des exper im en t a les y su
a n á lisis es por m edio de los est im a dor es en for m a in depen dien t e. E n el
caso de poblaciones o tratamientos se dice que son independientes porque
el r esu lt a do de u n gr u po de n in gu n a m a n er a a fect a a los r esu lt a dos del
ot r o gr u po en com pa r a ción . Sien do el ca so m á s sim ple del diseñ o
completamente al azar (DCA), que se aborda en el capitulo V.
E n gen er a l, se pu eden Las poblaciones tienen una distribución

com pa r a r dos normal
poblaciones que cumplan
Las poblaciones tienen igual varianza
con los sigu ien t es
supuestos: Las muestras son independientes
Además, si se toman muestras al azar de dos poblaciones con distribución

n or m a l con va r ia n za s igu a les, se t ien en los parámetros qu e se pr esen t a n
en el cuadro 5.

Cuadro 5.- Parámetros y estimadores

Población 1 Población 2
Parámetro Estimador Parámetro Estimador
Media 1 x1 2 x2
Varianz 2
1 S2 1
2
2 S 22
a
Lo primero con lo qu e r equ er im os t r a ba ja r , es con la va r ia n za , debido n o

solo a su im por t a n cia pr á ct ica t a n t o en el a spect o de los a n á lisis
estadísticos, si n o t a m bién com o el de u n ifor m ida d y ca lida d de lo
evaluado.
Al calcular las varianzas puede suceder que, sean homogéneas (iguales) o
difer en t es com o gr u po; a sí qu e debem os est a blecer u n a h ipót esis qu e n os
per m it a despeja r la du da sobr e el su pu est o de h om ogen eida d; lo qu e se
puede plantear de la siguiente manera:
Ho: S2 i = S2 j (Varianzas homogéneas),

H a : S2 i S 2 j (Varianzas heterogéneas)
E l est a díst ico de pr u eba est á ba sa do en u n a F , ba jo la s sigu ien t es
características:
var ianza _ mayor (m) S12 (mayor)

Fc Fnm1 1 => Fc
var ianza _ menor (n) S 22 (menor)
La regla de decisión para esta hipótesis es:
m 1
1º.- Fn 1 = Ft (F de tabla)
2º.- Si: Fc > Ft ==>Se rechaza Ho (varianzas heterogéneas)
Fc < Ft==>No se rechaza Ho (varianzas homogéneas)
E n fu n ción de lo a n t er ior y del n ú m er o de elem en t os con t en idos en la s

muestras, el juego de hipótesis planteadas son:
Ho: 1 = 2 vs Ha: 1 2
P or lo qu e la h ipót esis pla n t ea da podr á ser pr oba da ba jo los sigu ien t es

estadísticos:

Va r ia n za s H om ogén ea s: Si se con sider a

igu a l va r ia n za pa r a la s dos pobla cion es, 2 (n1 1) S12 (n2 1) S 22
en t on ces el in dica dor de la va r ia n za es la S p
n1 n2 2
va r ia n za pon der a da S 2 p . Adem á s n o se
r equ ier e qu e t en ga n el m ism o t a m a ñ o de m u est r a . Y la Hipótesis a
probar es: Ho: 1 = 2 vs Ha: 1 2
Por lo t a n t o, si en la hipótesis nula se t ien e qu e x1 x 2

( 1 = 2 ), en t on ces el est a díst ico pa r a pr oba r la t
hipótesis es: 1 1
E l cu a l se dist r ibu ye com o u n a “t ” st u den t con
Sp
n1 n2
n 1 +n2 -2 gr a dos de liber t a d. Sien do el cr it er io de
prueba o regla de decisión:
Si ¦tc¦ > t(0.025, n 1 +n2 -2) se rechaza la hipótesis nula (Ho: 1 = 2)
Va r ia n za s H et er ogén ea s: E n el ca so de qu e las x1 x2
va r ia n za s sean heterogéneas (las unidades t
experimentales t ienen diferentes características) S12 S 22
y el n ú m er o de elem en t os qu e com pon en a la s
m u est r a s es igu a l o difer en t es, el est a díst ico de n1 n2
prueba para la hipótesis Ho: 1= 2, es:
En ambos casos, la regla de decisión es:
Si ¦tc¦ > t(0.025, n1 +n2 -2) se rechaza la hipótesis nula (Ho: 1 = 2)
Ejemplo: E n u n la bor a t or io médico, se Hombre Mujeres

estudian el pH de la sa n gr e de h om br es y s
m u jer es de u n a pobla ción de pa cien t es con
5.78 5.82
in su ficien cia r en a l, sien do la s lect u r a s de:
5.74 5.87
5.78, 5.74, 5.80 y 5.84, pa r a h om br es y pa r a
5.80 5.96
m u jer es de: 5.82, 5.87 y 5.96. Det er m in e si
exist en difer en cia s sign ifica t iva s en la s 5.84
lecturas realizadas*. Xi 23.16 17.65
X2 i 134.10 103.85
Un a vez h ech a la t a bla de da t os, lo pr im er o
Media 5.79 5.88
qu e se debe h a cer es la : “P r u eba de
*
El ejemplo se trabajo con pocos datos por ser demostrativo (las operaciones son las mismas con muchos que con pocos)

homogeneidad de Varianzas”
2
P a r a lo cu a l pr im er o h a y qu e
x1 ca lcu la r la s va r ia n za s de “A” y “B”.
( xi x ) 2 xi2 Se pu eden obt en er de 2 for m a s a
S2 n
t r a vés de for m u la s o dir ect a m en t e
n 1 n 1
de la calculadora
S 2 A= 0.00173 S12 (mayor) 0.00503 Ft2 3 ,0.01 = 30.8 F c < Ft.

S 2 B = 0.00503 Fc 2.9
S 22 (menor) 0.00173
En base a la regla de decisión, se acepta Ho, por lo que hay igualdad de
varianzas.
Así qu e, u n a vez qu e se h a com pr oba do qu e la s va r ia n za s son

homogéneas, se continúa con la prueba de hipótesis.
La prueba de hipótesis es la siguiente: Ho: 1 = 2 VS Ha: 1 2
El estadístico de prueba es:
x1 x 2 (n1 1) S12 (n2 1) S 22

t S 2
p
1 1 n1 n2 2
Sp
n1 n2
(4 1)(0.00173) (3 1)(0.00503)
S p2 0.00305
4 3 2
5.79 5.88
t 2.134
1 1
0.00305
4 3
t /2, n1 +n2 -2 ==> t 0.025,5= 3.163
¦tc¦ < t 0.025,5 Por lo que la H o, no se rechaza.
E l pH de la sangre de ambos sexos es igual.

Problemario de Poblaciones Independientes

6. Se eva lú a la ca n t ida d de semen eya cu la do, en va r on es qu e pr esen t a n
n iveles eleva dos de An t ígen o P r ost á t ico E specifico, sien do u n gr u po el
del problema y el otro de control:
Problema: 5, 7, 3, 4, 5, 3, 6.
Control: 3, 3, 4, 6, 5, 7, 4.
¿Son iguales los niveles de eyaculado? Explique
7. Se efect ú a u n exper im en t o pa r a est a blecer la dosis let a l (DL) de u n a
dr oga . P a r a lo cu a l se u t iliza n dos especies dist in t a s de r a t on es. Los
r esu lt a dos se obt u vier on en “gr” de la dr oga u t iliza da h a st a la m u er t e
del roedor; siendo estos:
Especie “Mus musculus”: 0.5, 0.4, 0.6, 0.4, 0.3, 0.5.
Especie “Microtus ochrogaster”: 0.8, 0.5, 0.6, 0.6, 0.7, 0.8, 0.7.
¿Influye la especie del roedor en el efecto de la droga? Explique.
8. E n la pobla ción de Ma pa st epec, Ch ia pa s se r ea liza u n est u dio pa r a
det er m in a r el ín dice de m or t a lida d en la pobla ción du r a n t e los ú lt im os
8 a ñ os. Los r esu lt a dos obt en idos fu er on el n ú m er o de defu n cion es por
año agrupados por sexos, siendo estos:
Hombres: 152, 143, 98, 115, 123, 137, 142, 144
Mujeres: 143, 165, 134, 148, 122, 151, 156, 155
¿Influye el sexo en la mortalidad de la gente de Mapastepec? Explique.
9. Se realiza un experimento para determinar si existe diferencia entre la
t em per a t u r a qu e a lca n za n los a n im a les in fect a dos con 2 t ipos
diferentes de hemoparasitos (Babesia y Anaplasma). El experimento se
r ea liza n con 6 a n im a les por pa r á sit o y se m idió la t em per a t u r a en ºC,
obteniéndose los siguientes resultados:
Babesia: 39.5, 40.2, 38.7, 40.6, 39.7, 41.0
Anaplasma: 38.5, 39.0, 38.2, 40.1, 39.8, 39.2
¿E xist en difer en cia s en el a u m en t o de la t em per a t u r a por efect o de la
infección de los parásitos? Explique.
10.Se r ea liza u n exper im en t o pa r a det er m in a r si exist e difer en cia en el
t iem po de sa n gr a do en dos gr u pos de per son a s. E n el exper im en t o se
u t iliza u n gr u po con t r ol (per son a s sa n a s) y u n gr u po de per son a s con
dia bet es: Se pr ocede a h a cer el exper im en t o obt en ién dose los
siguientes resultados:
Control: 4, 7, 6, 4, 5, 3, 4
Diabetes: 9, 9, 8, 9, 7, 8, 9, 10, 11, 7
¿Existen diferencias en los tiempos de sangrado? Explique.
Comparación de Medias con Grupos P areados.

Cu a n do se u sa la t écn ica de m u est r a s in depen dien t es
pa r a com pa r a r dos t r a t a m ien t os y la s u n ida des
exper im en t a les son m u y H E TE ROGE NE AS (diferentes)
den t r o de la s m u est r a s, la va r ia n za den t r o de ellas es
m u y gr a n de, por lo qu e es difícil det ect a r la s difer en cia s
entre los tratamientos.
P or lo qu e r esu lt a con ven ien t e agrupar a la s u n ida des
exper im en t a les for m a n do pa r es, de t a l for m a qu e los
elem en t os de u n pa r sea n lo m á s homogéneos posible.
La s u n ida des exper im en t a les qu e for m a n u n pa r deben
ser homogéneas en el sen t ido de qu e si n o se a plica r a n
difer en t es t r a t a m ien t os, se esperarían observaciones
similares.
Con est a for m a de a gr u pa ción , la va r ia n za en t r e pa r es
n o se in clu ye en la va r ia n za del er r or exper im en t a l,
incrementándose la pr ecisión del exper im en t o. A est e
diseñ o se le con oce com o COMP ARACION DE ME DIAS
CON GRUP OS PARE ADOS. Sin em ba r go es el ca so m á s sim ple del
diseño de bloques al azar (DBA), que se aborda en el capitulo V
Algunas comparaciones que se pueden evaluar son del tipo:
La r espu est a de u n in dividu o a u n a diet a , a n t es y despu és de la
aplicación de un medicamento.
E l r en dim ien t o de u n a t let a a n t es y después de la a plica ción de u n
tratamiento con cierta droga.
Los niveles de estrógenos en mujeres de diferentes grupos de edades
Si X11,X12,X13,,,X1n son n obser va cion es de la m u est r a 1 y X21,
X22,X23,..,X2m son m obser va cion es de la m u est r a 2, en t on ces el
exper im en t o de pobla cion es depen dien t es a r r oja r á los com o se obser va n
e el cuadro 6.
Cuadro 6.- Datos de poblaciones dependientes
Par Población 1 Población 2 X1i-X2I =di El ju ego de
I x 11 x 21 x 11 - x 21 = d1 h ipót esis a pr oba r
II x 12 x 22 x 12 - x 22 = d2 es:
III x 13 x 23 x 13 - x 23 = d3 Ho: 1 - 2 = =0
... ... ... ... VS
Ha: 1 - 2 = 0
N x 1n x im x 1n - x 2m = dn
Los estimadores y parámetros se presentan en el cuadro 7.
Cuadro 7.- Estimadores y parámetros de poblaciones independientes

Parámetro Estimador
Media d
Varianza 2 S2d
2
2 di
En donde: di di d
2 d i
s 2 n
d d
n n 1 n 1
P or lo t a n t o, pa r a pr oba r la hipótesis Ho: = 0 se u t iliza

el estadístico de prueba: d
tc
La regla de decisión para la hipótesis planteada es sd2
Si tc > tn-1,a Existe significancia. Se rechaza Ho.
Si tc < tn-1,a No hay significancia. Se acepta Ho. n
Ejemplo:
Se com pa r a n dos diet a s ba sa da s en Dieta
pr ot eín a s der iva da s de la soya y de Par Soya Maíz di d2i
maíz pa r a m edir la eficien cia 1 16.8 21.6 -4.8 23.04
a lim en t icia en r ela ción a la ga n a n cia
2 19.2 21.5 -2.3 5.29
de peso en n iñ os m en or es de 6 a ñ os de
3 20.5 24.1 -3.6 12.96
u n a r egión con deficien cia n u t r icion a l.
4 20.6 22.2 -1.6 2.56
Debido a qu e los n iñ os qu e
5 22.0 23.3 -1.3 1.59
participar on en el est u dio t en ía n
difer en t es pesos (muy heterogéneos), 6 22.1 24.2 -2.1 4.41
se a gr u pa r on por pa r es, de t a l for m a 7 23.0 23.3 -0.3 0.09
qu e los niños de u n pa r fu er a n lo m á s 8 23.3 24.9 -1.6 2.56
homogéneos (igu a les en peso) posibles. -17.6 52.6
Los pesos resultantes fueron:
P r u ebe la hipótesis de qu e el efect o de la s diet a s es el m ism o en el
incremento de peso de las personas.
La prueba de hipótesis sobre las medias es la siguiente:

Ho: 1 - 2 = =0 VS Ha: 1 - 2 = 0
2
di
di 17.6 d i2
d 2.2 n 52.6 38.72 13.88
n 8 sd2 1.98
n 1 7 7
El estadístico de prueba:
d 2 .2 2 .2
tc 4.42
sd2 1.98 0.49
n 8
Aplicando la regla de desición:
t0.05/2,7 = 2.841 como tc > t0.05/2,7 ==> Se rechaza Ho
t0.01/2,7 =4.029 como tc > t0.01/2,7 ==> Se rechaza Ho
Debido a qu e se r ech a za la h ipót esis n u la (H o). E l efect o de la s diet a s n o

es el mismo en el incremento de peso de los niños.
Problemario de Grupos Pareados

11.Se eva lú a la fu n ción r en a l de pa cien t es de a m bos sexos con dia bet es,
pa r a lo cu a l se m ide la con cen t r a ción de glu cosa en or in a /24h en m g.
Se efect ú a n la s lect u r a s or den a n do a la s per son a s en ba se a los n iveles
de glucosa en sangre, obteniéndose los siguientes resultados:
Glucosa: 1 2 3 4 5 6
Hombres: 280, 300, 270, 267, 325, 277.
Mujeres: 290, 289, 267, 274, 302, 280.
¿E xist en difer en cia s en la con cen t r a ción de glu cosa en or in a por efect o
del sexo? Explique.
12.Debido a la s va r ia cion es clim á t ica s r ecien t es, se h a n est a do da n do
br ot es de en fer m eda des en la cost a del E st a do de Ch ia pa s, por lo qu e
se desea sa ber si en la cost a la t em per a t u r a es la m ism a ,
procediéndose a r egist r a r la t em per a t u r a de 2 ciu da des en los
extremos de la cost a de Ch ia pa s (Ton a la y Ta pa ch u la ) du r a n t e u n a
sem a n a a la s 12:00 h r s. a la som br a a 7 difer en t es a lt u r a s,
obteniéndose los siguientes resultados:
Atura: 1 2 3 4 5 6 7
Tonala: 32, 29, 31, 30, 29, 31, 30.
Tapachula: 29, 31, 28, 30, 29, 28, 29
¿E xist en difer en cia s en la s t em per a t u r a s a m bien t a les de la cost a ?
Explique.

13.Se r ea liza u n exper im en t o pa r a eva lu a r el efect o de u n a n u eva dr oga

en la r edu cción de los n iveles de glu cosa en sa n gr e de pa cien t es
dia bét icos. La pr u eba se r ea lizo con pa cien t es qu e t en ía n
h iper glu cem ia y se les su m in ist r o la dr oga eva lu a n do los n iveles de
glu cosa en sa n gr e 24h r s. despu és. Los r esu lt a dos obt en idos fu er on los
siguientes:
Paciente: 1 2 3 4 5 6
Antes: 300, 280, 220, 200, 210, 230
Después: 140, 135, 120, 115, 118, 130
¿E xist en difer en cia s en la s con cen t r a cion es de glu cosa por efect o de la
droga? Explique.
14.Se eva lú a n la s con cen t r a cion es de P r ogest er on a en m u jer es
em ba r a za da s de dos eda des difer en t es (25 y 35 a pr ox.). Se t om a r on
m u est r a s du r a n t e los n u eve m eses de em ba r a zo obt en ién dose los
siguientes resultados promedios:
Mes: 1 2 3 4 5 6 7 8 9
25: 8, 14, 17, 19, 22, 25, 27, 28, 31
35: 9, 12, 15, 17, 21, 24, 27, 29, 32
¿E xist en difer en cia s en los n iveles de P r ogest er on a debido a la eda d?
Explique.
15.Se h a cen u n exper im en t o con dos t ipos de lech es in fa n t iles pa r a
obser va r la ga n a n cia de peso en n iñ os r ecién n a cidos con pr oblem a s de
peso a l n a cer . Se les da la lech e du r a n t e u n m es a dos gr u pos de n iñ os
dist r ibu idos en r ela ción a los pesos a l n a cer y se pesa n obt en ién dose
por difer en cia la ga n a n cia de peso en gr a m os. Los r esu lt a dos obt en idos
son en:
Peso: 1 2 3 4 5 6
Leche A (proteína de soya): 300, 400, 600, 450, 520,
730
Leche B (prot. de leche de vaca): 380, 440, 423, 750, 600, 800
¿E xist en difer en cia s en la s ga n a n cia s de pesos por la s difer en t es
leches? Explique.
Referencias





G.E.P. Box, W.G. Hunter, J.S. Hunter Estadística para


Mead, R. The Design of Experiments: Statistical

Principles for Practical Applications. Cambridge
University Press, Cambridge. 1994.

1975,
Pérez, C. Estadística Práctica con Statgraphics.

Prentice Hall, Madrid. 2002.
Prat, A., Tort-Martorell, X., Grima, P., Pozueta, L.,

"Métodos estadísticos. Control y Mejora de la Calidad".
Ed. UPC (1997).
S. Chatterjee - A. Hadi - B. Price., Regression Analisis

by Example., (3ª Ed. 2000) WILEY.
Sixto Ríos. "Métodos Estadísticos", Ediciones del

Castillo, Madrid. 1977.


edición.1998,
George E. P. Box, William G. Hunter, J. Stuart

Hunter. Estadística Para Investigadores. Editorial
Reverté. 1ª Reimpresión. México, D.F. 1999.


Ca pit u lo V:
Diseños Simples
n est e ca pit u lo es don de a bor da m os de m a n er a for m a l lo qu e se

con oce com o diseñ os de exper im en t os, lo a n t er ior vist o, son
pr ecu r sor es de lo qu e se n ecesit a n sa ber , pa r a fa cilit a r la
comprensión de los diseños propiamente dichos.
La pregunta que responde el Análisis de Varianza de los Diseños Simples

es la de: ¿E l efect o de los t r a t a m ien t os es el m ism o? Solo pudiendo
con t est a r n os si t ien en o n o el m ism o efect o; a sí qu e si se desea conocer
qu ien es t ien en el m ism o efect o y qu ien es u n efect o difer en t e se r equ ier e
de un análisis posterior que se le conoce como “Comparación de Medias”
E n pr in cipio de cu en t a s, a l t r a ba ja r con exper im en t os debem os de t en er

en consideración dos a spect os: El a r r eglo geom ét r ico de los t r a t a m ien t os
sobr e la s u n ida des exper im en t a les, y la s com bin a cion es de t r a t a m ien t os
cuando se ensayan dos o más factores. El primero corresponde a lo que se
con oce com o DISE ÑO E XP E RIME NTAL, el cu a l establece la a sign a ción
de los t r a t a m ien t os a la s u n ida des exper im en t a les e in dica la for m a de
obt en er da t os. Mien t r a s qu e el segu n do pu n t o es el qu e se con oce com o
DISE ÑO DE LOS TRATAMIE NTOS, el cu a l in dica la for m a de com bin a r
los niveles de los factores que interesan evaluar.
E l objet ivo de est u dia r los da t os de u n a pobla ción a t r a vés de u n

exper im en t o es el de “r ea liza r u n a pr u eba de h ipót esis sobr e el
pa r á m et r o de in t er és (la s m edia s) de don de pr ovien e el exper im en t o”,
est o u t iliza n do com o h er r a m ien t a a l An á lisis de la Va r ia n za , cu ya s
ca r a ct er íst ica s va n a depen der del Diseñ o E xper im en t a l qu e se h a ya
con sider a do pa r a el exper im en t o. Y el t ipo de diseñ o va a depen der de la s
características de las unidades experimentales (figura 5).

Con los experimentos simples se investigan los efectos de tratamientos de

u n fa ct or . Au n qu e, exist en va r ios t ipos de diseñ os exper im en t a les, los
qu e m á s se ocu pa n a n ivel de la bor a t or io, per o sobr e t odo en el á r ea de la
salud son los siguientes:
Comparación de dos poblaciones normales,

Diseño completamente al Azar,
Diseño de Bloques al Azar,
Diseño cuadro Latino.

Diseño Completamente al Azar
E s el t ipo de a r r eglo m á s sen cillo; 1. Un a debido a l efect o de los

los t r a t a m ien t os est á n a signados tratamientos
com plet a m en t e a l a za r a la s 2. Ot r a debido al er r or
u n ida des exper im en t a les; por lo experimental
qu e la va r ia bilida d t ot a l de la s
obser va cion es del exper im en t o se
divide en:
P or ot r a pa r t e, el a n á lisis de la 1. P u ede a plica r se cu a n do se

va r ia n za con t ien e ú n ica m en t e dos estudian dos o más tratamientos
fu en t es de va r ia ción y se 2. La s u n ida des exper im en t a les
caracteriza por: deben ser homogéneas
3. Los t r a t a m ien t os deben
a sign a r se a la s u n ida des
exper im en t a les t ot a lm en t e a l
azar.
Ventajas: 1. P u ede u t iliza r se cu a n do la s r epet icion es por

tratamiento son diferentes
2. Cu a n do sea pr oba ble qu e pa r t e del exper im en t o, ya
sea n u n ida des exper im en t a les o t r a t a m ien t os se
pierdan o se rechacen por alguna razón.
3. El análisis estadístico que se desarrolla es fácil
4. E n exper im en t os pequ eñ os, se t ien e m a yor pr ecisión , ya
qu e con t ien e m á s gr a dos de liber t a d pa r a est im a r el
error experimental.
Desventajas: 1. Cuando las unidades experimentales son heterogéneas

pierde precisión.
2. La va r ia ción qu e exist e en t r e la s u n ida des
experimentales forma parte del error experimental.

E st e diseñ o se u t iliza cu a n do la s u n ida des exper im en t a les son

esencialmente homogéneas, o sea , qu e n o es posible iden t ifica r u n fa ct or
qu e la s a fect e sist em á t ica m en t e. P or ello, es poco u t iliza do a n ivel de
ca m po sin em ba r go, pu ede u t iliza r se en in ver n a der os o laboratorios en
los cu a les debe de exist ir m a yor con t r ol de los fa ct or es qu e las puedan
afectar.
La s su posicion es qu e se con sider a n pa r a pr oba r la h ipót esis de igu a lda d
de efectos de tratamientos con el ANVA son:
1) Los va lor es obser va dos de u n t r a t a m ien t o son u n a m u est r a
a lea t or ia de u n con ju n t o in fin it o de obser va cion es del
tratamiento bajo las mismas condiciones del experimento.
2) La s va r ia cion es en la s u n ida des exper im en t a les tratadas
igualmente es la misma para todos los tratamientos.
3) Las observaciones se distribuyen normalmente.
E st a s su posicion es son equ iva len t es a a su m ir qu e se t ien en t muestras
a lea t or ia s in depen dien t es pr oceden t es de t poblaciones n or m a les con
varianza común.
Notación
Si se t ien e u n exper im en t o ba jo est e diseñ o y se pr oba r on t tratamientos
con n i r epet icion es ca da u n o, los da t os deben cla sifica r se en t gr u pos de
a cu er do a los t r a t a m ien t os a plica dos; la t a bla de con cen t r a ción de da t os
se observa en el cuadro 8:
Cuadro 8.- Concentración de datos del DCA

Tratamientos
1 2 3 ... ... ... t
Y11 Y21 Y31 ... ... ... Yt1
Y12 Y22 Y32 ... ... ... Yt2
Y13 Y23 Y33 ... ... ... Yt3
... ... ... ... ... ... ...
Y1n1 Y2n2 Y3n3 ... ... ... Ytnk
Yi. n1 n2 Y n3 Y nk t nk
j=1Y1j j=1 2j j=1 3j ... ... ... j=1Ytj i=1 j=1Yij=Y..

Si t odos los t r a t a m ien t os t ien en el m ism o n ú m er o de r epet icion es

entonces: n1 =n2 =n3 =.....=nk =r.
E n la t a bla , se t ien e qu e la s obser va cion es se den ot a n con u n a let r a con
dos su bín dices, el pr im er o in dica el t r a t a m ien t o (i) y el segu n do la
repetición (j).
El Modelo
La s obser va cion es pr oceden t es de ca da u n a de la s unidades
experimentales pu eden a ju st a r se a u n m odelo est a díst ico. E l desa r r ollo
t eór ico de los diseñ os exper im en t a les est á ba sa do en la Teor ía de los
m odelos lin ea les. E n est e ca so, el m odelo pa r a el Diseñ o com plet a m en t e
al Azar (DCA) es:
Yij= +ti+ ij con i=1,2,3,...,t y j=1,2,3...nk
Con:
Yij= Observación del tratamiento en la repetición
= E s la m edia ver da der a gen er a l de t oda s la s pobla cion es, es decir ,
si ca da obser va ción t ien e u n a dist r ibu ción n or m a l, con u n a m edia
y u n a va r ia n za ; en t on ces la m edia pobla cion a l es el r esu lt a do de
las medias de tratamientos entre el número de estos:
2
Si Yij N ( , ) ==> = i/t
t i= Es el efecto verdadero del i-ésimo tratamiento, es decir: ti= i- .
ij=
E s el er r or exper im en t a l de la ij-ésim a obser va ción . Los ij son
va r ia bles a lea t or ia s, dist r ibu ida s n or m a l e in depen dien t em en t e
2 2 2
con media cero y varianza ( ), esto es: E ( ij)=0; E ( ij)=
Estimación
La est im a ción , el a n á lisis de la va r ia n za y los desa r r ollos pa r a obt en er
la s esper a n za s de los cu a dr a dos m edios, se r ea liza r on a n t er ior m en t e; en
este caso tenemos:
t ni t ni t ni
i=1 j=1(Yij - Y..) = i=1 j=1(Yi. - Y..) + i=1 j=1(Yij - Yi.)
S.C. Total S.C. Tratamiento S.C. Error

Las fórmulas computarizadas a utilizar son:

t ni 2
S.C. Total = i=1 j=1Y ij - (Y..)2/n.
t 2
S.C. Tratamientos = i=1(Yi.) /ni - (Y..)2/n.
S.C. Error = S.C. Total - S.C. Tratamientos
en donde:
i= 1, 2, 3,.......t
j=1, 2, 3,.......ni
Y.. = ti=1 nij=1Yij
n. = ti=1ni
Yi.= Es la suma de las i-esimas repeticiones del t-ésimo tratamiento.
La t a bla del ANVA, pa r a cu a n do se t ien e difer en t e n ú m er o de

repeticiones por tratamiento se observa en el cuadro 9.
Cuadro 9.- ANVA del DCA con diferentes repeticiones en los tratamientos
FV GL SC CM Fc
t 2 2
Tratam. t-1 i=1(Yi.) /ni - (Y..) /n. S.C. Trat./t-1 C.M. Trat
C.M. Error
Error n.-t S.C.Tot.-S.C.Tratam. S.C. Error/n.-t
t ni 2 2
Total n.-1 i=1 j=1Y ij - (Y..) /n.
Si los t r a t a m ien t os t ien en igu a l n ú m er o de r epet icion es, en t on ces la

tabla del ANVA es la que se muestra en el cuadro 10.
Cuadro 10.- ANVA del DCA con igual número de repeticiones en los
tratamientos
FV GL SC CM Fc
t 2 2
Tratam. t-1 i=1(Yi.) /r - (Y..) /rt S.C. Trat./t-1 C.M. Trat
C.M. Error
Error t(r-1) S.C.Tot.-S.C.Tratam. S.C. Error/n.-t
rt-1 t ni 2 2
Total i=1 j=1Y ij - (Y..) /rt
E n la t a bla del ANVA, F c se dist r ibu ye com o u n a F con t -1 y n .-t o t (r -1)
grados de libertad. Por lo tanto el criterio de prueba es:
Rechazar Ho, si Fc > Ft -1 n.-t ó t(r-1),

E l coeficien t e de va r ia ción (CV) es u n a C.M. error

m edida de la va r ia n za en for m a r ela t iva ; es C.V. = ——————* 100
debido a l E r r or E xper im en t a l, qu e es Y..
in depen dien t e a la s u n ida des en qu e están
dadas las observaciones; se calcula:
Es la variabilidad de cada dato en forma relativa con respecto a la media.
Ejemplo:
Debido a qu e el sín dr om e de Tu r n er es u n D1 D2 D3
defect o gen ét ico en n iñ a s, la s cu a les en t r e ot r os
1 58 56 67
fa ct or es, t ien en u n r et r a so de cr ecim ien t o. Se
2 60 54 64
desa r r olla u n a in vest iga ción pa r a eva lu a r cu a l
3 61 60 58
es el t r a t a m ien t o h or m on a l m á s a decu a do qu e
pu eda sign ifica r u n a m ejor ía en la t a lla a du lt a 4 54 58 65
final. Por lo que a nivel de laboratorio se evaluó 5 58 52
el in cr em en t o de t a m a ñ o de r a t on es r ecién 6 59
nacidos, por efect o de t r es dosis de u n a 7 54
h or m on a de cr ecim ien t o (GH) biosintética. Yi. 291 393 254
Después de 30 día s se midió el t a m a ñ o de los r a t on es desde la s pa t a s
t r a ser a s a la s pa t a s dela n t er a s, est ir a n do a l r a t ón sin for za r lo n i
la st im a r lo. E l r esu lt a do de la m edición del t a m a ñ o de ca da r a t ón se h izo
en mm y dio como resultado los valores que a continuación se presentan:
P r u ebe la hipótesis de qu e los in cr em en t os de t a m a ñ o de los r a t on es n o
se ven afectados por los diferentes niveles de T4.
Ho: 1= 2= 3 VS. Ha: al menos un i es diferente
n. = n1+n2+n3=5+7+4=16
t ni
i=1 j=1Yij= 938
t ni 2
i=1 j=1Y ij= 55256
t ni 2
S.C. Total = i=1 j=1Y ij - (Y..)2/n.
t 2
S.C. Tratamientos = i=1(Yi.) /ni - (Y..)2/n.
(291)2/5+(393)2/7+(254)2/4 - 54990.25
55129.34 - 54990.25 = 139.09
265.75 - 139.09 = 126.66

Com o se t ien e difer en t e n ú m er o de r epet icion es por t r a t a m ien t o se

utiliza la siguiente tabla:
FV GL SC CM Fc
t 2 2
Tratam. t-1 i=1(Yi.) /ni - (Y..) /n. S.C. Trat./t-1 C.M. Trat
C.M. Error
Error n.-t S.C.Tot.-S.C.Tratam. S.C. Error/n.-t
t ni 2 2
Total n.-1 i=1 j=1Y ij - (Y..) /n.
FV GL SC CM Fc
Tratam. 2 68.545 7.035
Error 13 126.66 9.743
Total 15
Ft 0.05=3.81 ==> Fc > Ft
Ft 0.01=6.70 ==> Fc > Ft
Se r ech a za la h ipót esis n u la . Si h a y difer en cia s sign ifica t iva s en el
crecimien t o de los r a t on es con la s t r es difer en t es dosis de la h or m on a de
crecimiento biosintética.
Problemario de Diseño Completamente al Azar

16.Los n iveles de est r ógen os (E 4 ) en m u jer es du r a n t e la ovu la ción es de
280 pg/m l en pr om edio. E n u n est u dio se les det er m in o los n iveles de
E 4 a m u jer es de 3 dist in t a s eda des (20, 30 y 40 a ñ os a pr ox.), da n do
com o r esu lt a do los va lor es qu e 20: 437, 380, 400, 420, 350, 370, 400.
en la sigu ien t e t a bla se 30: 250, 300, 320, 325, 290, 270.
presentan: 40: 122, 180, 200, 150, 190.
¿Influye de alguna forma la edad en la producción de E4 ? Explique
17.Se r ea liza u n est u dio en per son a s a dict a s a l ca fé, m a yor es de 40 a ñ os
pa r a eva lu a r el efect o de est a
De 5 a 10 tasas al día 5, 7, 4, 5, 5.
pr á ct ica en la con cen t r a ción
De 11 a 15 tasas al día 4, 4, 5, 6, 6, 4.
de ca lcio en sa n gr e. Los
Más de 15 tasas al día 4, 5, 7, 6, 7.
niveles de r efer en cia de
calcio entre 8,5-10,5(mg/100 mL).
A que conclusión puede llegar. Explique

18.E l r u ido pr odu cido por el m ot or de u n veh ícu lo n o debe de exceder los
30 decibeles. 4 com pa ñ ía s in dica n qu e su s m ot or es son los qu e poseen
los ín dices más ba jos de Compañía A 40, 45, 48, 36, 32.
con t a m in a ción son or a (r u ido), Compañía B 38, 30, 47, 43.
pa r a t a l efect o se t om a r on
Compañía C 48, 40, 40, 39, 35.
m u est r a s de va r ios a u t om óviles y
Compañía D 42, 41, 47, 48, 40
los r esu lt a dos se pr esen t a n en la
siguiente tabla:
A que conclusión puede llegar. Explique
19.Se con sider a qu e la pobla ción joven de los pa íses la t in oa m er ica n os se
con cen t r a en los lu ga r es m á s u r ba n iza dos. E n u n est u dio en la
Repú blica Mexica n a , se seleccion a r on 3 sit ios a l a za r sien do est os:
Ca m pech e, Gu a da la ja r a y Guadalajara: 22, 36, 40, 18, 25.
Veracruz. De la zon a cen t r o de Campeche: 32, 41, 56, 28, 37, 43.
ca da ciu da d se t om a r on de Veracruz: 18, 25, 32, 14, 29.
m a n er a a lea t or ia a los
individuos que se les pregunto su edad, siendo los resultados:
A que conclusión llega con este estudio. Explique.
20.E l pr om edio de la fr ecu en cia

Delgados: 12, 13, 14, 15, 14.
r espir a t or ia es de 12/m in . en r eposo.
Se est u dia a u n gr u po de per son a s Medianos: 13, 12, 12, 14, 13.
pa r a det er m in a r si la com plexión es Gruesos: 16, 15, 14, 15.
un factor en la frecuencia respiratoria. Se tomaron muestras al azar de
los 3 tipos de complexiones y los resultados fueron los siguientes:
Cual es su conclusión. Explique.

Diseño de Bloques al Azar
Cu a n do la s u n ida des exper im en t a les

son h et er ogén ea s (exist e a l m en os u n
fa ct or qu e los a fect a sist em á t ica m en t e)
en el DCA la va r ia n za den t r o de
t r a t a m ien t os es m u y a lt a , la cu a l est á
m edida por el cu a dr a do m edio del E r r or ,
qu e en est e ca so es gr a n de, por lo qu e es
m á s difícil r ech a za r la h ipót esis de
igualdad de medios de tratamientos.
Ba jo la sit u a ción a n t es m en cion a da , es
conveniente dividir el m a t er ia l
exper im en t a l en gr u pos (BLOQUE S), de
tal for m a qu e la s unidades
experimentales sea n h om ogén ea s den t r o
de bloques y heterogéneas entre bloques.
E l Diseñ o de Bloqu es a l Aza r se
ca r a ct er iza por qu e t odos los
t r a t a m ien t os se a gr u pa n en dos o m á s bloqu es com plet os y com pa ct os;
ca da t r a t a m ien t o a en sa ya r est á r epr esen t a do u n a sola vez en ca da
bloqu e, est os se a sign a n a l a za r a la s u n ida des exper im en t a les de ca da
bloqu e y post er ior m en t e ca da bloqu e se dist r ibu ye a l a za r en su
establecimiento.
E st e diseñ o es a pr opia do pa r a los ca sos en qu e se obser va u n a cier t a
t en den cia de va r ia ción en el m a t er ia l exper im en t a l. Con la a sign a ción de
los t r a t a m ien t os y los bloqu es a l a za r , es posible est im a r la va r ia n za
entre bloques por separado y tener un Error Experimental pequeño.
Características:
a) Las u n ida des exper im en t a les deben de ser h om ogén ea s den t r o de ca da
bloqu e, sa lvo por pequ eñ a s va r ia cion es a lea t or ia s; pu ede h a ber cier t a
h et er ogen icida d, el pr opósit o de los bloqu es es: a bsor ber en m á xim o
grado la variabilidad del material experimental.
b) E s el m á s u t iliza do en t r a ba jos exper im en t a les, sobr e t odo a n ivel de
laboratorio
c) Au n qu e n o es pa r t icu la r m en t e u n a ca r a ct er íst ica , los gr a dos de
libertad para el Error no debe ser menor de 12

d) Es fácil de planear y el procedimiento de cálculo es fácil

e) La disposición de tratamientos y bloques es ortogonal entre sí.
f) E l est a blecim ien t o del Diseñ o en Ca m po, los Bloqu es se coloca n
perpendicularmente al gradiente de variabilidad.
Gradiente de variación
I II III I B A C
B C A II C B A
A B B III A B C
C A C
Un bloqu e es u n con ju n t o de u n ida des exper im en t a les con u n a o va r ia s

ca r a ct er íst ica s com u n es de m odo qu e en el m odelo se les a sign a u n efect o
común denominado efecto de bloque (beta). Una vez hechos los bloques se
pr ocede a la a sign a ción de los t r a t a m ien t os de m a n er a a lea t or ia en ca da
bloque
Ventajas:
1) E s m á s pr eciso qu e el DCA cu a n do h a y u n fa ct or qu e ca u sa va r ia ción
en las unidades experimentales
2) E s flexible, debido a qu e pu ede t en er cu a lqu ier n ú m er o de
tratamientos y de bloques (mínimo dos)
3) Es posible estimar datos perdidos
Desventajas:
1) Cu a n do el n ú m er o de t r a t a m ien t os es m u y gr a n de, es difícil mantener
la homogeneidad dentro de bloques, se pierde precisión.
2) E st im a el E r r or E xper im en t a l con m en os gr a dos de liber t a d qu e el
D.C.A.
Diseño gl
DCA t (r-1)
DBA (t-1) (r-1)

Análisis Estadístico:
La s su posicion es con sider a da s pa r a pr oba r la s h ipót esis de igu a lda d de
efect os de t r a t a m ien t os, m edia n t e el An á lisis de la Va r ia n za son la s
mismas que para el DCA.
Notación:
Si se tiene un experimento bajo el DBA y se prueban t tratamientos con r
repeticiones cada uno, los datos se clasifican en t grupos, de acuerdo a los
tratamientos aplicados y r bloques, según la tabla siguiente:
Cuadro 11.- Concentración de datos en el DBA
Blo Tratamientos Y.j
que 1 2 3 ... ... ... t r
j=1Y.j
Y11 Y21 Y31 ... ... ... Yt1 r

j=1Yi1
Y12 Y22 Y32 ... ... ... Yt2 r

j=1Yi2
Y13 Y23 Y33 ... ... ... Yt3 r

j=1Yi3
... ... ... ... ... ... ... ...

Y1r Y2r Y3r ... ... ... Ytr r
j=1Yir
Yi. r r r ... ... ... r t r

j=1Y1j j=1Y2j j=1Y3j j=1Ytj i=1 j=1Yij=Y..
Com o se pu ede obser va r en la t a bla t odos los t r a t a m ien t os t ien en el

mismo número de repeticiones (r).
El Modelo:
El modelo estadístico para el DBA está dado por
Yij= +ti+ j+ ij con i=1,2,3,...,t y j=1,2,3...r
Yij= Observación del tratamiento (y) en el bloque (j)
= Es el efecto verdadero de la media general.
t i= Es el efecto verdadero del i-ésimo tratamiento, es decir: ti= i- .
j= Es el efecto verdadero del j-esimo bloque
ij= Es el error experimental
Estimación:
La est im a ción , el a n á lisis de la va r ia n za y los desa r r ollos pa r a obt en er
la s esper a n za s de los cu a dr a dos m edios, se r ea liza r on a n t er ior m en t e; en
este caso tenemos:
t ni t r 2 t r 2 t r 2
i=1 j=1(Yij-Y..)= i=1 j=1(Yi.-Y..) + i=1 j=1(Y.j-Y..) + i=1 j=1(Yij-Yi.)
S.C. Total =S.C. Tratamiento + S.C. Bloques + S.C. Error

t r 2
S.C. Total = i=1 j=1Y ij - (Y..)2/rt
t 2
S.C. Tratamientos = i=1(Yi.) /r - (Y..)2/rt
r 2
S.C. Bloques= i=1(Y.j) /t - (Y..)2/rt
S.C. Error = S.C. Total - S.C. Tratamientos-S.C. Bloques
En donde:
i= 1, 2, 3,.......t
j= 1, 2, 3,.......t
t r
Y.. = i=1 j=1Yij
Yi.= Es la suma de las i-esimas repeticiones del i-ésimo tratamiento.
Y.j= Es la suma de las i-esimas repeticiones del j-ésimo bloque.
El cuadro 12 muestra, la tabla del ANVA, de este diseño:

Cuadro 12.- Analisis de varianza para el DBA
FV GL SC CM Fc
t 2 2 C.M. Trat/
Tratam. t -1 i=1(Yi.) /r - (Y..) /rt S.C. Trat./t-1
C.M. Error
t 2
Bloques r -1 i=1(Y.j) /t - (Y..)2/rt S.C. Bloq/r-1 C.M. Bloq./
C.M. Error
Error (t-1)(r-1) S.C.Tot.-S.C.Tr.-S.C.Bl. S.C.Err./t-1 r-1
t r 2 2
Total rt-1 i=1 j=1Y ij - (Y..) /rt
El criterio de decisión es:

Rechazar Ho1, si Fc > Ft-1(t-1)(r-1), Para tratamientos
Rechazar Ho2, si Fc > Fr-1(t-1)(r-1), Para Bloques

Eficiencia Relativa del DBA

La eficien cia (m a yor pr ecisión ) qu e se t ien e en el a n á lisis de u n
exper im en t o ba jo u n DBA, se da en for m a r ela t iva con r espect o a l DCA;
esto a través del cálculo del índice:
(r-1)(C.M.Bloques) + r(t-1)(C.M.error)
ER (BA --->CA) = ——————————————————
(rt-1)(C.M.Error)
Con: r = Número de repeticiones
t = Número de tratamientos
La regla de decisión es:
Si ER (BA --->CA) > 1, es más eficiente DBA
Si ER (BA --->CA) < 1, es más eficiente DCA
La eficien cia se expr esa en por cen t a jes y de a cu er do con la fr a cción
excedente de la unidad.
Ejemplo:
Se evalúa la efica cia de su lfa t o fer r oso a 4 T1 T2 T3 T4 Y.j
difer en t es con cen t r a cion es 2, 2,5, 3, y 4
I 4.1 6.5 4.1 4.9 19.6
m g/kg/día pa r a com ba t ir la a n em ia en
per son a s con desn u t r ición . Da da la II 4.1 5.3 4.0 6.2 19.6
va r ia bilida d de pesos y sexos, se decidió III 6.5 6.9 4.5 4.8 22.7
a gr u pa r en bloqu e de per son a s por pesos lo
m á s sem eja n t es posibles. Se les dio el IV 4.3 6.8 4.3 4.2 19.6
t r a t a m ien t o du r a n t e 4 m eses y se procedió V 6.0 6.5 4.1 6.9 23.5
a det er m in a r su volu m en sanguíneo dando
los siguientes resultados: Yi. 25 32 21 27 105
Las hipótesis a probar son:

Ho1 : T1=T2=T3=T4 VS Ha1 : Al menos un tratamiento es
diferente
Ho2 : B1=B2=B3=B4=B5 VS Ha2 : Al menos un bloque (pesos) es
diferente

Las sumas de cuadrados son:

t r 2
S.C. Total = i=1 j=1Y ij - (Y..)2/rt
(4.1)2+(4.1)2+ . . . .+(4.2)2+(6.9)2 - (105)2/(5*4)
575.9 - 551.25 =24.65
t 2
S.C. Tratamientos = i=1(Yi.) /r - (Y..)2/rt
(25)2+ . . . . + (27)2 - (105)2/(5*4) = 563.8 - 551.25 = 12.55
t 2
S.C. Bloques= i=1(Y.j) /t - (Y..)2/rt
(19.6)2+ . . . . + (23.5)2 - (105)2/(5*4)= 555.005 - 551.25 = 3.755
S.C. Error = S.C. Total - S.C. Tratamientos-S.C. Bloques
24.65 - 12.55 - 3.755 = 8.345
La tabla del ANVA, es la siguiente:

FV GL SC CM Fc
t 2 2 C.M. Trat/
Tratam. t -1 i=1(Yi.) /r - (Y..) /rt S.C. Trat./t -1
C.M. Error
t 2
Bloques r -1 i=1(Y.j) /t - (Y..)2/rt S.C. Bloq/r-1 C.M. Bloq./
C.M. Error
Error (t-1)(r-1) S.C.Tot.-S.C.Tr.-S.C.Bl. S.C.Err./t-1 r-1
t r 2 2
Total rt-1 i=1 j=1Y ij - (Y..) /rt
FV GL SC CM Fc
Tratam. 3 12.550 4.1830 6.015**

Bloques 4 3.755 0.9387 1.35ns
Error 12 8.345 0.6954
Total 19 24.650
Para Tratamientos Fc > Ft0.05 y Fc > Ft0.01 Se r ech a za H o. H a y

difer en cia s a lt a m en t e sign ifica t iva s en t r e los t r a t a m ien t os. Algu n a s
dosis funcionan mejor que otras.
Para Bloques F c < Ft0.05 y Fc < Ft0.01 Se a cept a H o. Son
iguales los efetos de los bloques (Pesos).

Problemario de Diseño de Bloques al Azar

21.Tr es em pr esa s (A, B y C) con cu r sa n pa r a ven der le a la policía u n
equ ipo pa r a la det er m in a ción de a lcoh ol en el a lien t o. Los equ ipos son
de difer en t es pr ecios, por lo qu e se h a ce u n a pr u eba con u n equ ipo de
ca da com pa ñ ía pa r a det er m in a r si exist e difer en cia en t r e est os. La
pr u eba con sist e en la m edición de m et a n ol (Va lor de Refer en cia < 0.80
p.p.m .) a l per son a l de oficin a de la policía de difer en t es eda des. Los
resultados obtenidos fueron:
Edades Empresas
A B C
I 0.90 0.80 0.70
II 0.70 0.70 0.60
III 0.70 0.60 0.80
IV 0.60 0.70 0.70
¿Existen diferencias en las mediciones de metanol con los equipos?
¿Existen diferencias en las mediciones de metanol a diferentes edades?
22.E l n ivel m á xim o en la a t m ósfer a de dióxido de a zu fr e (SO 2 )
r ecom en da do por la OMS es de 40 gr/m3 . Se con sider a a l Dist r it o
F eder a l la ciu da d m á s con t a m in a da del pa ís; pa r a com pr oba r lo se
t om a n m u est r a s de 4 de la s ciu da des con m a yor n ú m er o de h a bit a n t es
del pa ís (Dist r it o F eder a l, Mon t er r ey, Gu a da la ja r a , Tiju a n a ) du r a n t e
una semana y se obtuvieron los siguientes resultados:
Días Ciudades
D.F. MTY GDA TJA
1 82 70 67 61
2 90 74 49 53
3 71 82 54 48
4 60 68 72 45
5 75 75 94 67
6 100 90 98 62
7 110 88 85 49
En base a los resultados obtenidos concluya.
23.La pr esión a r t er ia l pr om edio de u n in dividu o es de 100 (80-120). Se
t om a n m u est r a s de la s t r es zon a s del est a do (Alt os, Cen t r o y Cost a ) a
in dividu os seleccion a dos a l a za r de diver sa s eda des y se les m ide la
pr esión a r t er ia l pa r a det er m in a r si la a lt it u d a la qu e viven in flu ye en
está presión. Los resultados obtenidos son:
Edades Zonas
ALT CEN COS
I 110 95 100
II 115 98 98
III 105 102 94

IV 108 104 99
V 104 100 92
¿E s la a lt it u d u n fa ct or qu e in flu ya en la pr esión a r t er ia l de los
individuos?
¿E s la eda d u n fa ct or qu e in flu ya en la pr esión a r t er ia l de los
individuos?
24.E n la Ciu da d de México el n ú m er o de defu n cion es por m es a t r ibu ida s
a la con t a m in a ción a m bien t a l son de a pr oxim a da m en t e 1000. Se h a ce
u n est u dio en t r es ciu da des del pa ís (Mér ida , Oa xa ca y Tiju a n a ) pa r a
det er m in a r si el ín dice de m or t a lida d por efect o de la con t a m in a ción es
el m ism o en t r e la s difer en t es r egion es del pa ís. P a r a t a l efect o se
r egist r a r on el n ú m er o de defu n cion es (por con t a m in a ción ) por m es
durante cinco meses, obteniéndose los siguientes datos:
Meses Ciudades
MDA OAX TJA
I 400 357 800
II 300 421 725
III 600 480 1005
IV 457 300 930
V 525 500 915
¿F u er a de la Ciu da d de México los ín dices de m or t a n da d son pa r ecidos
entre las diferentes regiones de la República? Explique y concluya.
25.Un exper im en t o sobr e a diccion es se r ea lizo en u n a pobla ción de
a du lt os fa r m a codepen dien t es con difer en t es n iveles de a dicción y de
difer en t es eda des a los cu a les se les r et ir o la dr oga pa r a est a blecer el
n ú m er o de día s qu e logr a ba n a gu a n t a r sin el con su m o de est a . Los
resultados fueron los siguientes:
Edades Niveles de Adicción
Alt Med Baj
I 12 14 15
II 10 8 13
III 12 10 10
IV 8 8 9
V 4 5 7
¿E xist e difer en cia pa r a a gu a n t a r la a bst in en cia del con su m o de dr oga
de acuerdo a los niveles de adicción? Explique.
¿E xist e difer en cia pa r a a gu a n t a r la a bst in en cia del con su m o de dr oga
de a cu er do a la s difer en t es eda des con sider a n do qu e se t ien en
agrupadas de menor a mayor edad? Explique

Diseño en Cuadro Latino
E st e diseñ o se u t iliza cu a n do h a y dos

factores qu e a fect a n sistemáticamente a
las u n ida des exper im en t a les. P a r a evit a r
qu e el efect o de los fa ct or es se a cu m u le en
el er r or exper im en t a l se h a ce u n doble
bloqueo.
Los difer en t es sist em a s de dist r ibu ción de
las u n ida des exper im en t a les a dopt a dos y
qu e lleva n los dist in t os t r a t a m ien t os a
en sa ya r sa t isfa cen en m a yor o m en or
gr a do dich a s con dicion es; pa r a ello, se
t ien en los diseñ os qu e u t iliza n el
BLOQUE O, y u n a va r ia n t e es a qu el qu e
se da ba jo dos fa ct or es en for m a or t ogon a l
(independiente), da n do or igen a l DISEÑO
E N CUADRO LATINO den om in a do a sí
por Fisher, quien utilizó letras latinas para denotar los tratamientos.
E st a a sign a ción de or t ogon a lida d (perpendicular) a los efect os de los

t r a t a m ien t os r espect o a los dos fa ct or es de va r ia bilida d a socia dos con el
experimento, requiere qu e ca da t r a t a m ien t o a pa r ezca u n a vez en ca da
una de esas variantes, denominados: HILERAS Y COLUMNAS.
Características:
1. Se gen er a cu a n do los t r a t a m ien t os se a gr u pa n en bloqu es
h om ogén eos en dos dir eccion es: h iler a s y colu m n a s qu ien es
constituyen una repetición completa de los tratamientos.
2. Cu a lqu ier t r a t a m ien t o a pa r ece u n a sola vez en la m ism a colu m n a o
en la misma hilera.
3. Se im pon e a la s UNIDADE S E XP E RIME NTALE S u n a r est r icción
de doble bloqueo.
4. E l n ú m er o de r epet icion es es igu a l a l n ú m er o de t r a t a m ien t os a
eva lu a r . E st o es, si h a y t t r a t a m ien t os, el t ot a l de UNIDADES
EXPERIMENTALES será t 2 . t es mayor de 2.

Ventajas:
1. Reduce el error experimental al introducir el doble bloqueo.
2. E l a n á lisis est a díst ico es sim ple, liger a m en t e m á s com plica do qu e
DBA.
3. P u ede u t iliza r se cu a n do la s UNIDADE S E XP E RIME NTALE S
forman una línea continua.
4. P r opor cion a u n a com pa r a ción m á s pr ecisa de los efect os de los
tratamientos.
5. Aún con datos perdidos, el análisis estadístico es simple.
6. Es más preciso que el DBA.
Desventajas:
1. E s poco flexible, ya qu e el No. de H iler a s o Colu m n a s depen den del
No. de tratamientos.
2. No se pueden comparar muchos tratamientos, el rango es 4-10
3. Con pocos t r a t a m ien t os, se t ien en dem a sia dos parámetros en el
m odelo con poca s obser va cion es, sien do in eficien t e la est im a ción de
la varianza del error.
Distribución de los Tratamientos:

1. Dividir el lot e exper im en t a l en u n n ú m er o de unidades
experimentales igual al cuadrado del número de tratamientos.
2. F or m a r h iler a s y colu m n a s de u n ida des exper im entales igu a les a l
número de tratamientos.
3. Dist r ibu ir los t r a t a m ien t os, de t a l m a n er a qu e n in gú n t r a t a m ien t o
se r epit a en la h iler a n i en la colu m n a . E st o se r ea liza a sign a n do
a lea t or ia m en t e la s h iler a s y la s colu m n a s de u n m odelo in icia l, por
permutaciones.

I II III IV
I A B C D C D A B D B C A
II D A B C ah A B C D ac B D A C
III, I, IV II II, IV I, III
III C D A B B C D A C A B D
IV B C D A D A B C A C D B
Aleatorización Aleatorización Aleatorización
inicial en Hileras en Columnas
ah: aleatorizando hileras ac: aleatorizando columnas
Análisis Estadístico:
Al igu a l qu e pa r a los DCA y DBA, la s su posicion es de dist r ibu ción de la s
observaciones son las mismas.
Notación: E n el cu a dr o 13 se obser va qu e la distribución de los

tratamien t os est á n eva lu a dos en t oda s la s h iler a s y en t oda s la s
colu m n a s, en t on ces se t ien en T 2 va r ia bles de r espu est a a en sa ya r , debido
al doble bloqueo, por lo que todas las observaciones serán denotados como
Yijk, los que se organizan de la siguiente forma:
Cuadro 13.- Concentración de datos en el DCL

Hile- Columnas t
j=1Y.j.=Y.j.
ras I II III IV Y.j.

I Y411 Y212 Y313 Y114 Y.1 .
II Y221 Y422 Y123 Y324 Y.2 .
III Y331 Y132 Y233 Y434 Y.3 .
IV Y141 Y342 Y443 Y244 Y.4 .
Y..K Y..1 Y..2 Y..3 Y..4 Y...
t t t
i=1 j=1 k=1Yijk=Y...
Totales de tratamientos: t
i=1Yi ..
T1= Y1 .. = Y114 + Y123 + Y132 + Y141

T2= Y2 .. = Y212 + Y221 + Y233 + Y244
T3= Y3 .. = Y313 + Y324 + Y331 + Y342
T4= Y4 .. = Y411 + Y422 + Y434 + Y443

El modelo:
La su posición lógica de u n D.C.L. con u n a obser va ción por ca da unidad
exper im en t a l es qu e la s obser va cion es pu eden r epr esen t a r se m edia n t e el
modelo estadístico:
Yijk = + Ti + Hj + Ck + Eijk
Con i=1,2,3,...,t, j=1,2,3,...,t y k=1,2,3,...,t
en donde:
Yijk: E s la obser va ción del i-ésim o t r a t a m ien t o en la j-ésim a h iler a de
la k-ésima columna.
: Es el efecto verdadero de la media general
T i: Es el efecto del i-ésimo tratamiento
H j: Es el efecto de la j-ésima hilera
Ck: Es el efecto de la k-ésima columna
E ijk: Es el error experimental
Además, se supone:
a) Los er r or es (E ijk) se dist r ibu yen n or m a l e in depen dien t em en t e
con =0 y Varianza 2 .
b) No hay interacción entre tratamientos hileras y columnas.
Estimación: Los componentes de la suma de cuadrados para el DCL son:
t ni t 2
i=1 j=1(Yij-Y..) = t i=1(Yi..-Y...) +
t 2
t j=1(Y.j.-Y...) +
t 2
k=1(Y..k-Y...) +
t t t
i=1 j=1 k=1(Yijk-Yi..- Y.j.- Y..k+2Y...)2
S.C. Total =S.C. Tratamiento - S.C. Hileras - S.C. Columnas -S.C. Error


t t t 2
S.C. Total = i=1 j=1 k=1Y ijK - (Y...)2/t2
t 2
S.C. Tratamientos = i=1(Yi..) /t - (Y...)2/t2
t 2
S.C. Hileras= j=1(Y.j.) /t - (Y...)2/t2
t 2
S.C. Columnas= k=1(Y..k) /t - (Y...)2/t2
S.C. Error = S.C. Total - S.C. Tratam. - S.C. Hil. - S.C. Col.
en donde: i= 1, 2, 3,.......t j=1, 2, 3,.......t k=1, 2, 3,.......t
t t t
Y... = i=1 j=1 k=1Yijk
Yi..=Es la suma de las i-esimas repeticiones del i-ésimo Tratamiento.
Y.j.=Es la suma de las j-esimas repeticiones de la j-ésimo Hilera.
Y..k=Es la suma de las k-esimas repeticiones de la k-ésimo Columna.
E n el a n á lisis de la va r ia n za h a y u n a fu en t e de va r ia ción pa r a ca da u n o
de los fa ct or es: Tr a t a m ien t os, H iler a s, Colu m n a s y E r r or E xper im en t a l;
ca lcu lá n dose la con t r ibu ción de ks su m a s de cu a dr a dos de ca da
componente, para probar los juegos de hipótesis siguientes:
Ho1:t1=t2 = ...... =ti VS Ha1:al menos un ti es diferente (ti ti’)

Ho2:H1=H2 = ......=Hi VS Ha2:al menos un Hi es diferente (Hi Hi’)
Ho3:C1=C2 = ......=Ci VS Ha3:al menos un Ci es diferente (Ci Ci’)
La tabla del ANVA, se observa en el cuadro 14:
Cuadro 14.- Analisis de varianza para el DCL

FV GL SC CM Fc
Tratam. t -1 t 2 2 2 S.C. Trat./t-1 C.M. Trat
i=1(Yi..) /t - (Y...) /t
C.M. Error
t 2
Hileras t -1 i=1(Y.j.) /t - (Y...)2/t2 S.C. Hil./t-1 C.M. Hil.
C.M. Error
t 2
Cols. t -1 k=1(Y..k) /t - (Y...)2/t2 S.C. Col./t-1 C.M. Col.
C.M. Error
Error (t-1) S.C.Tot.-S.C.T.-S.C.H-S.C.C. S.C.Err.
(t-2) t -1 t-2
Total t2-1 t t t 2 2 2
i=1 j=1 k=1Y ijK-(Y...) /t

Rechazar Ho1, si Fc > Ft-1(t-1)(t-2), Para tratamientos
Rechazar Ho2, si Fc > Fr-1(t-1)(t-2), Para Hileras
Rechazar Ho3, si Fc > Fr-1(t-1)(t-2), Para Columnas
Eficiencia Relativa del Diseño en Cuadro Latino

La eficien cia r ela t iva del DCL con r espect o a los diseñ os a n t es descr it os
se determina de la manera siguiente:
1) Respecto de un DBA
ER (CL ---> BA) = CM(Hileras) + (t-1)CM(Error)
(t)(CM(Error))
2) Respecto de un DCA
ER (CL ---> CA) = CM(Hil.)+CM(Col,)+(t-1)CM(Error)
(t+1)(CM(Error))
La regla de decisión en ambos casos, es:

Si ER>1, es mejor el diseño utilizado
Si ER<1, es mejor el diseño que se compara
La E R-1, se m u lt iplica por 100 y se expr esa en por cen t a je la eficien cia
total.
Ejemplo:
Se desea eva lu a r el funcionamiento hepático en per r os con difer en t es
patologías hepáticas que se encuentran con tratamiento de vitaminas B a
4 difer en t es con cen t r a cion es. P or lo qu e se h a ce u n doble a r r eglo en ba se
a la s pa t ología s y r a za s, y se procedió a la m edición de la Tr a n sa m in a sa
Glutámico Pirúvica (TGP).

Patologías hepáticas
I II III IV
R Isquemia Tumor Hepatitis Hemocromat
viral osis
A I.- Cocker Spaniel t1 10 t2 8 t3 14 t4 14
Z II.- Pastor Aleman t4 7 t1 12 t2 12 t3 11
A III.- Boxer t3 14 t4 12 t1 16 t2 16
S IV.- Schnauzer t2 13 t3 13 t4 10 t1 15
De la tabla de datos se construye el croquis de la siguiente forma:

1. Se ordenan la unidades experimentales en hileras y columnas
2. Se asignan los tratamientos de tal forma que los tratamientos ocurran
en todas las hileras y todas las columnas.
3. Se aleatorizan las hileras
4. Se aleatorizan las columnas
I II III IV Y.j.
I t2 12 t1 15 t3 13 t4 7 47
II t1 16 t3 11 t4 12 t2 13 52
III t3 14 t4 14 t2 8 t1 10 46
IV t4 10 t2 16 t1 12 t3 14 52
Y..k 52 56 45 44 197
P a r a eva lu a r los t r a t a m ien t os se u t iliza com o va r ia ble pr in cipa l la
concentración de TGP.
Ho1:t1=t2 = t3 VS Ha1:al menos un ti es diferente (ti ti’)

Ho2:H1=H2 H3 VS Ha2:al menos un Hi es diferente (Hi Hi’)
Ho3:C1=C2 =C3 VS Ha3:al menos un Ci es diferente (Ci Ci’)
Totales de tratamientos: ti=1Yi..

T1= Y1 .. = Y112 + Y121 + Y134 + Y143= 15+16+10+12=53
T2= Y2 .. = Y212 + Y224 + Y233 + Y242= 12+13+08+16=49
T3= Y3 .. = Y313 + Y322 + Y331 + Y344= 13+11+14+14=52
T4= Y4 .. = Y414 + Y423 + Y432 + Y441= 07+12+14+10=43


t t t 2
S.C. Total = i=1 (Y...)2/t2
j=1 k=1Y ijK -
2
2529 - (38809/(4) ) = 103.44
S.C. Tratamientos = ti=1(Yi..)2/t - (Y...)2/t2
2440.75 - 2425.56 = 15.19
t 2 2 2
S.C. Hileras= j=1(Y.j.) /t - (Y...) /t
2433.25 - 2425.56 = 7.69
t 2 2 2
S.C. Columnas= k=1(Y..k) /t - (Y...) /t
2450.25 - 2425.56 = 24.69
S.C. Error = S.C. Total - S.C. Tratam. - S.C. Hil. - S.C. Col.
103.44 - 15.19 - 7.69 - 24.69 = 55.87
La tabla del ANVA, es la siguiente:

FV GL SC CM Fc
t 2 2 2 S.C. Trat./t-1 C.M. Trat
Tratam. t-1 i=1(Yi..) /t - (Y...) /t
C.M. Error
t 2
Hileras t -1 i=1(Y.j.) /t - (Y...)2/t2 S.C. Hil./t-1 C.M. Hil.
C.M. Error
t 2
Cols. t -1 k=1(Y..k) /t - (Y...)2/t2 S.C. Col./t-1 C.M. Col.
C.M. Error
Error (t-1) S.C.Tot.-S.C.T.- S.C.Err.
(t-2) S.C.H-S.C.C. t -1 t-2
t t t 2 2 2
Total t2-1 i=1 j=1 k=1Y ijK-(Y...) /t
FV GL SC CM Fc F36,0.05 F36,0.01
Tratamientos 3 15.19 5.0633 0.5438n.s. 4.76 9.78
Hileras 3 7.69 2.5633 0.2752n.s. 4.76 9.78
Columnas. 3 24.69 8.2300 0.8838n.s. 4.76 9.78
Error 6 55.87 9.3117
Total 15 103.44
Rechazar Ho1, si Fc > Ft-1(t-1)(t-2), Para tratamientos
Rechazar Ho2, si Fc > Fr-1(t-1)(t-2), Para Hileras
Rechazar Ho3, si Fc > Fr-1(t-1)(t-2), Para Columnas
Los n iveles de TGP son igu a les en la s difer en t es r a za s, pa t ología s y
concentración de vit aminas.
Problemario de Diseño en Cuadrado Latino

26. Se eva lú a u n nuevo P er iodo de Edades
trata m ien t o con incubación 20 30 40 50
Selenio pa r a r edu cir 8 t2-6000 t3-6500 t4-7000 t1-5500
la ca r ga vir a l de VIH 9 t1-5000 t2-7000 t3-7000 t4-7500
pr oba n do 4 10 t4-8200 t1-4500 t2-4800 t3-6100
11 t3-6900 t4-7100 t1-5100 t2-6300
difer en t es dosis (200,
300, 400 y 500 µg) en pa cien t es con VIH de difer en t es eda des (20, 30,
40 y 50 a ñ os) con per iodos de in cu ba ción de (8, 9, 10 y 11 a ñ os): Se dio
el t r a t a m ien t o du r a n t e 6 m ese y se procedió a m edir la ca r ga vir a l
arrojando los siguientes resultados en copias/ml:
¿Existen diferencias entre las diferentes edades?
¿Existen diferencias entre las diferentes periodos de incubación?
¿Existen diferencias entre los diferentes dosis de Selenio?
27.Se eva lú a n cu a t r o va cu n a s der iva da s de la cepa RB51 (t 1, t 2, t 3 y t 4)
con t r a la br u celosis en ga n a do bovin o de difer en t es r a za s de ga n a do
cebú (Guzerat, Nelore, Sa r do Negr o e In doBr a sil) y eda des (1, 2, 3 y 4
años). Se m a n eja r on lot es de 25 a n im a les por r a za y eda d. Se
eva lu a r on a l a ñ o de la a plica ción de la s va cu n a s, h a bien do r ecibido u n
m a n ejo Sa n it a r io y Zoot écn ico n or m a l. Se pr ocedió a cu a n t ifica r el
n ú m er o de a n im a les va cu n a dos qu e con t r a jer on la en fer m eda d,
obteniéndose los siguientes resultados
Edad Razas
A B C D
I t1-18 t2-16 t3-12 t4-21
II t4-22 t1-17 t2-18 t3-19
III t3-11 t4-17 t1-19 t2-17
IV t2-19 t3-18 t4-19 t1-20
¿Existen diferencias entre las diferentes Vacunas? Explique.
¿Existen diferencias entre las diferentes Razas? Explique.
¿Existen diferencias entre las diferentes Edades? Explique.
28.Se eva lú a n 4 difer en t es t ipos de in sect icida s (piretroide,
or ga n oclor a do, or ga n ofosfor a do, ca r ba m a t o) du r a n t e 4 sem a n a s (I, II,
III y IV) en 4 especies de Tr ia t om in os (Tr ia t om a ba r ber i, T.
brasiliensis, T. pa llidipen n is y T. dim idia t a ). Los r esu lt a dos obt en idos
se dier on en r ela ción a l n ú m er o de t r ia t om in os en con t r a dos m u er t os,
siendo estos:

Semanas Especies
A B C D
I t1-12 t2-9 t3-6 t4-7
II t4-6 t1-14 t2-10 t3-4
III t3-5 t4-7 t1-11 t2-8
IV t2-9 t3-5 t4-7 t1-12
¿Existen diferencias entre los diferentes Insecticidas? Explique.
¿Existen diferencias entre las diferentes Especies? Explique.
¿Existen diferencias entre las diferentes Semanas? Explique.
29.Se evalúan 4 medidas contra la contaminación ambiental:
t1: Uso de gas en vehículos públicos,
t2: Eliminación de carros de diesel,
t3: Un día sin circulación y
t4: No permitir correr por arriba de 80Km/hr,
E n diver sa s ciu da des del pa ís (Cd. De México, Gu a da la ja r a , Mon t er r ey y
Puebla), du r a n t e la s 4 semanas de J u lio (I, II, III y IV). E l pa r á m et r o a
m edir fu e el S0 2 en g/m3 , (Ín dice r ecom en da do 40 g/m3 ) los r esu lt a dos
obtenidos fueron los siguientes:
Semanas Ciudad
A B C D
I t1-80 t2-69 t3-71 t4-
II t 4-93 t 1-83 t2-72 t3-
III t 3-85 t 43-88 t1-69 t2-
IV t 2-xx t 3- t4- t1-
¿E xist en difer en cia s en t r e la s difer en t es Medida s con t r a la
contaminación? Explique.
¿Existen diferencias entre las diferentes Ciudades? Explique.
¿Existen diferencias entre las diferentes Semanas? Explique.
30.E l t r a t a m ien t o con la h or m on a pr ogest er on a pu ede a yu da r a pr even ir
el pa r t o pr em a t u r o en t r e la s m u jer es de a lt o r iesgo. P or lo qu e se
r ea liza u n est u dio pa r a eva lu a r los n iveles de pr ogest er on a en m u jer es
em ba r a za da s qu e h a n t en ido a bor t os pr evios, la s eda des de la s
participantes son de: 20, 25, 30, 35 y 40 a ñ os, y se eva lú a n los n iveles
durante los m eses de Mes Edades
gest a ción (3º, 4º, 5º, 6º y 7º). 20 25 30 35 40
Despu és de eva lu a r qu e n o 3º t5-90 t4-88 t3-85 t4-82 t1-80
4º t1-88 t5-86 t4-83 t3-80 t2-78
t u vier a n br u celosis ni
5º t2-85 t1-83 t5-79 t4-77 t3-75
t oxopla sm osis, se les 6º t3-81 t2-80 t1-76 t5-74 t4-72
suministro u n der iva do de la 7º t4-77 t3-76 t2-73 t1-70 t5-69
progest er on a en dosis de
(100, 150, 200, 250 y 300 mg)

¿Existen diferencias entre los diferentes meses de gestación?

¿Existen diferencias entre las diferentes Edades?.
¿Existen diferencias entre la s diferentes dosis de progesterona?
Referencias
Arnau Gras, J.. Diseños Experimentales
Multivariables. Alianza Editorial, Madrid. 1990.


Cox, D.R. Planning of Experiments. Wiley, New York.

1992.

Douglas C. Montgomery, “Diseño y Análisis de

Experimentos”. Grupo Editorial Iberoamerica, 1991.
Hair J.F., Anderson R.E., Tatham R.L., Black W.C.:

"Análisis Multivariante", Ed. Prentice Hall, 5ª edición.
1999,
Hinkelmann, K. Design and analysis of experiments.

John Wiley & Sons, N.Y. (2005).
Jobson, J.D. Applied Multivariate Data Analysis.

Volume I: Regression and Experimental Design.
Springer-Verlag, New York. 1991.
Kempthorne O. The Design and Analysis of

Experiments.John Wiley and Sons. , New York, 1952,

Lindman, H.R. Analysis of Variance in Experimental

Design. Springer-Verlag, N.Y. 1992.
Montgomery, D.C. Diseño y Análisis de Experimentos.

Limusa, México. 2003.

Peña Sánchez de Rivera, D. Estadística, Modelos y

Métodos. Volumen II: Modelos Lineales y Series
Temporales. Alianza Universidad, Madrid. 2000.

Rencher, A.C. Multivariate Statistical Inference and

Applications. 1998.


edición.1998,
Wiley. N.Y. Toutenburg, H. Statistical Analysis of

Designed Experiments. 2a edición. Springer-Verlag,
New York. 2002.


Ca pit u lo VI:
Diseños Incompletos
n la exper im en t a ción es fr ecu en t e, por diver sa s ca u sa s, qu e se

pier da n la s obser va cion es de u n a o va r ia s u n ida des
experimentales, oca sion a n do, qu e el exper im en t o pier da
simetría, complicando el método de análisis.
El caso más simple es cuando se pierde sólo la observación de una unidad
experimental en los diseñ os simples; en est e ca so el va lor perdido se
puede estimar con una fórmula sencilla; el valor estimado se inserta en el
lu ga r qu e le cor r espon de a la u n ida d exper im en t a l don de se per dió la
obser va ción y se com plet a el a n á lisis con la r u t in a u su a l de cá lcu lo,
r est a n do u n gr a do de liber t a d a l t ér m in o de er r or , debido a la est im a ción
del va lor per dido. E s u n pr ocedim ien t o n o m u y exa ct o, per o
suficientemente confiable.
Cu a n do se t ien en dos o m á s u n ida des exper im en t a les pér dida s, pu ede
recurrirse a varios procedimientos para resolverlos:
1. Rea liza r el a n á lisis del exper im en t o em plea n do el m ét odo
gen er a l de a n á lisis ba sa do en el m odelo de la cla sifica ción de
doble en t r a da , con n ú m er os desigu a les en la s su bcla ses y sin
interacción.
2. E st im a r los va lor es per didos a t r a vés de la t écn ica de la
covarianza múltiple.
3. Media n t e el u so de pr ocedim ien t os da dos en pa qu et es
computacionales.
E l cá lcu lo de la est im a ción de u n ida des exper im en t a les pér dida s en los
DBA y DCL, r equ ier en de fór m u la s est a blecida s, los cu a les se h a n
obtenido a través de análisis por diversos estudiosos de la materia.

Bloqu es a l Aza r con Obs er va cion es P er d id a s
Cu a n do se u sa el DCA, la pér dida de u n a u n ida d exper im en t a l n o a fect a

el pr ocedim ien t o de cá lcu lo del ANVA, por esa r a zón n o se requiere
estimar el valor perdido.
Cu a n do por a lgu n a r a zón en u n exper im en t o ba jo u n DBA se pier de u n a
unidad experimental, en t on ces n o es posible a n a liza r el exper im en t o, ya
qu e el diseñ o r equ ier e, pa r a ello igu a l n ú m er o de r epet icion es por
t r a t a m ien t o; es n ecesa r io h a cer u n a est im a ción de la obser va ción
fa lt a n t e, a n t es de a plica r el ANVA. Así m ism o, ser á pa r a cu a n do se
pierden dos observaciones; los procedimientos a seguir son:
1) Cuando se pierde una observación:

E l va lor de la obser va ción pér dida y ij será
estimada por
^ t Ti + r Bj - G
Yij = —————————
(t-1)(r-1)
En donde:
^
Yij= Valor estimado de y ij
T i= Total del tratamiento que contiene la parcela pérdida
B j= Total del Bloque que contiene la parcela pérdida
G= Total de todas las observaciones antes de estimar yij
t= Número de tratamientos
r= Número de Bloques
Al estimar este valor, se coloca en la parcela faltante y se analiza el

experimento normalmente, sólo que los grados de libertad del Error
y Total se disminuyen en uno.
El ANVA resultante se muestra en el cuadro 15

Cuadro 15.- Análisis de varianza para el DBA con un observación perdida

FV GL SC CM Fc
Trat. t -1 t 2 2
i=1(Yi.) /r - (Y..) /rt S.C. Trat./t-1 C.M. Trat
C.M. Error
Bloq. r -1 t 2 2
i=1(Y.j) /r - (Y..) /rt S.C. Bloq/r-1 C.M. Bloq.
C.M. Error
Error (t-1) S.C.Tot.-S.C.Tr.-S.C.Bl. S.C.Err./t-1 r-1
(r-1)-1
t r 2 2
Total (rt-1)-1 i=1 j=1Y ij - (Y..) /rt
E st e ANVA pr esen t a a la Su m a t or ia de Cuadrados de

Tratamientos sesga da h a cia u n va lor gr a n de debido a qu e el va lor
est im a do de la pa r cela pér dida est á ca lcu la do de t a l for m a qu e la
Su m a t or ia de Cu a dr a dos del E r r or es m ín im a ; sien do n ecesa r io
construir otro análisis de la varianza para hacer una prueba exacta
para tratamientos (cuando existan más de 10 tratamientos).
Debido a lo a n t er ior se ca lcu la el sesgo qu e pr esen t a la Sumatoria
de Cuadrados de Tratamientos mediante la formula:
^
[Bj - (t-1) Yij]2
Sesgo = = --------------------------
t (t-1)
Con:
B j= Tot a l del bloqu e qu e con t ien e la pa r cela pér dida a n t es de
estimar yij.
^
Yij= Valor estimado de la parcela pérdida
La Su m a t or ia de Cuadrados de Tratamientos insesga da , t a m bién

llamada Su m a t or ia de Cuadrados de Tratamientos a ju st a da s por
bloques, se calcula mediante:
SC (Trat/Bloques) = SC(Trat) -

P ost er ior m en t e se ca lcu la n la s Su m a t or ia de Cuadrados Tot a l y

Su m a t or ia de Cuadrados de Bloqu es con t oda s la s obser vaciones
or igin a les, except o Yij , la Su m a t or ia de Cuadrados E r r or se t om a
del ANVA antes obtenido.
Otra forma de calcular SC(Trat/Bloques) es:
SC(Trat/Bloques) = SC(Total)-SC(Bloques)-SC(Error)
E n est e ca so la Su m a t or ia de Cuadrados Tot a l es calculada con la s

obser va cion es or igin a les y la s Su m a t or ia de Cuadrados de Bloques
y Su m a t or ia de Cuadrados E r r or cu a n do ya se est im ó la
observación perdida (Yij).
2) Cuando se pierden dos observaciones

La pérdida de dos observaciones puede ser:
Del mismo tratamiento
Del mismo bloque
De diferente bloque y diferente tratamiento
a) Del mismo tratamiento

t T12 + (r-1)B1+B2 - G
x1 = -------------------------------
(t-1)(r-2)
t T12 + B1+(r-1)B2 - G
x2 = -------------------------------
(t-1)(r-2)
donde:
X1 y X2 = Valores estimados de las observaciones pérdidas
T 12= Tot a l de la s obser va cion es pr esen t es en el
tratamiento donde falta X1 y X2 .
B 1= Tot a l de la s obser va cion es pr esen t es en el bloqu e
donde falta X1 .
donde falta X2 .
G= Tot a l de t oda s la s obser va cion es a n t es de est im a r
X1 y X2
b) Del mismo bloque

t B12 + (r-1)T1+T2 - G
x1 = -------------------------------
(r-1)(t-2)
t B12 + T1+(r-1)T2 - G
x2 = -------------------------------
(r-1)(t-2)
donde:
X1 y X2 Valores estimados de las observaciones pérdidas
=
donde falta X1 y X2 .
tratamiento donde falta X1 .
tratamiento donde falta X2 .
G= Tot a l de t oda s la s obser va cion es a n t es de est im a r
X1 y X2
C) De diferente bloque y diferente tratamiento
x1 = (t-1) (r-1) (t T1 + r B1 - G) - (t T2 + r B2 - G)
[ (t-1)(r-1) ]2 - 1
x2 = (t-1) (r-1) (t T2 + r B2 - G) - (t T1 + r B1 - G)
[ (t-1)(r-1) ]2 - 1
Un a vez ca lcu la dos los da t os en cu a lesqu ier a de la s posibilidades,

se su st it u yen en el cu a dr o de con cen t r a ción de da t os, se obt ien e el
ANVA r edu cien do en dos u n ida des (-2) los gr a dos de liber t a d en el
error.

Ejemplo: Tabla con parcelas perdidas

Tratamientos
Bloque 1 2 3 4 y. j
I 7.3 x? 6.7 5.7 19.7
II 7.2 5.5 x? 6.9 19.6
III 7.6 6.8 6.8 6.4 27.6
IV 7.2 6.5 7.4 6.1 27.2
V 7.5 6.8 7.5 6.4 28.2
VI 7.6 7.1 6.3 6.3 27.3
yi. 44.4 32.7 34.7 37.8 149.6
Como las parcelas perdidas son de diferente tratamiento y bloque.

x1 = (t-1) (r-1) (t T1 + r B1 - G) - (t T2 + r B2 - G)
[ (t-1)(r-1) ]2 – 1
x1= (4-1)(6-1) [(4)(32.7)+(6)(19.7)-149.6] - [(4)(34.7)+(6)(19.6)-149.6]=6.18

[(4-1)(6-1)]2 -1
x2 = (t-1) (r-1) (t T2 + r B2 - G) - (t T1 + r B1 - G)
[ (t-1)(r-1) ]2 – 1
x2= (4-1)(6-1) [(4)(34.7)+(6)(19.6)-149.6] - [(4)(32.7)+(6)(19.7)-149.6]=6.70

[(4-1)(6-1)]2 -1
Los va lor es est im a dos se in t r odu cen en la s pa r cela s per dida s y se

recalculan los totales afectados:
Tratamientos
Bloque 1 2 3 4 y. j E l exper im en t o se
a n a liza n or m a lm en t e,
I 7.3 6.18 6.7 5.7 25.88
sólo qu e los gr a dos de
II 7.2 5.5 6.70 6.9 26.3
liber t a d del E r r or y
III 7.6 6.8 6.8 6.4 27.6
Tot a l se dism in u yen
IV 7.2 6.5 7.4 6.1 27.2
en uno (-2).
V 7.5 6.8 7.5 6.4 28.2
VI 7.6 7.1 6.3 6.3 27.3
yi. 44.4 38.9 41.4 37.8 162.5

Cu a d r o La t in o con Obs er va cion es P er d id a s
Cu a n do se pier den la s obser va cion es en u n DCL pu eden est im a r se

m edia n t e fór m u la s ya est a blecida s a l igu a l qu e en el DBA; pa r a ello
tenemos los siguientes tres casos:
C1 C2 C3 C4
1) Cuando se pierde una observación
H1 T1 T2 T3 T4
E l va lor de la obser va ción per dida Yijk se est im a
con: H2 T4 T1 T2 T3
^ t (H +C + T ) -2G H3 T3 T4 T1 T2
Yijk = -----------------------
(t-1)(t-2) H4 T2 T3 T4 T1
Donde:
^
Yijk= Valor estimado de Yijk
H= Total de la hilera en donde falta la observación
C= Total de la columna en donde falta la observación
T= Total del tratamiento en donde falta la observación ( )
G= Total de las observaciones antes de estimar Yijk
Un a vez est im a do el Yijk fa lt a n t e se coloca en la posición qu e le
cor r espon de en la t a bla de da t os y se analiza en for m a n or m a l pa r a
obt en er el ANVA cor r espon dien t e, ú n ica m en t e qu e se le r est a u n
grado de libertad, tanto al Error como al total.
Al igu a l qu e el DBA, la Su m a t or ia de Cu a dr a dos de los
Tratamientos se su best im a y cu a n do el n ú m er o de t r a t a m ien t os
sea mayor de 10, se resta el término:
G - H - C - (t -1) T2
Sesgo = = --------------------------
[(t-1) (t-2)]2
Con H,C,T,G y t definidos para este diseño

2) Cuando se pierden dos observaciones

En este caso se tienen las siguientes posibilidades
En el mismo Tratamiento pero en Hileras y Columnas diferentes
En la misma Hilera, pero en Columna y Tratamientos diferentes
En la misma Columna, pero en Hileras y Tratamientos
diferentes
En diferentes Tratamientos, Hilera y Columna
a) En el mismo Tratamiento pero en Hileras y

C1 C2 C3 C4
Columnas diferentes
(t-1) Q1 + Q2 (t-1) Q2 + Q1 H1 T1 T2 T3 T4
x1 = ------------------ x2 = ------------------ H2 T4 T1 T2 T3
t (t-2) 2 t (t-2)2 H3 T3 T4 T1 T2
Q 1 =t(H1 +C1 +T12)-2G Q 2 = t(H2 +C2 +T12)-2G H4 T2 T3 T4 T1
además:
H 1 y C1 = Totales de la Hilera y la Columna donde falta X1
H 2 y C2 = Totales de la Hilera y la Columna donde falta X2
T 12= Total del tratamiento donde faltan X1 y X2
G= Tot a l de la s obser va cion es a n t es de est im a r a X1
y X2
X1 y X2 = observaciones faltantes
b)En la misma Hilera, pero en Columna y C1 C2 C3 C4

Tratamientos diferentes
Se u t iliza n la s m ism a s fór m u la s de est im a ción H1 T1 T2 T3 T4
antes descritas, con las siguientes variantes: H2 T4 T1 T2 T3
Q 1 = t(T1 +C1 +H12)-2G Q 2 = t(T2 +C2 +H12)-2G H3 T3 T4 T1 T2
H4 T2 T3 T4 T1
además:
T 1 y C1 = Totales de tratamiento y columna donde falta X1
T 2 y C2 = Totales de tratamiento y columna donde falta X2
H 12= Total de la Hilera donde faltan X1 y X2
G= Tot a l de la s obser va cion es a n t es de est im a r a X1 y
X2

C1 C2 C3 C4
c) En la misma Columna, pero en Hileras y
H1 T1 T2 T3 T4
Tratamientos diferentes
H2 T4 T1 T2 T3
(t-1) Q1 + Q2 (t-1) Q2 + Q1
H3 T3 T4 T1 T2
x1 = ------------------ x2 = ------------------
t (t-1) t (t-1) H4 T2 T3 T4 T1
Q 1 = t(T1 +H1 +C12)-2G Q2=t(T2 +H2 +C12)-2G
Además: T 1 , T2 , H1 y H2 definidos anteriormente

C 12= Total de la columna donde faltan X1 y X2
d) En diferentes Tratamientos, Hilera y Columna C1 C2 C3 C4

f Q1 - 2Q2 f Q2 - 2Q1 H1 T1 T2 T3 T4
x1 = ------------------ x2 = ------------------ H2 T4 T1 T2 T3
2
f -4 f2 - 4
H3 T3 T4 T1 T2
Q 1 = t (T 1 + H 1 + C 1 )- Q 2 = t(T2 + H2 + C2 ) -2G
2G H4 T2 T3 T4 T1
f = (t-1)(t-2)
Además: T i, Hj, Ck , t y G definidos anteriormente
Un a vez ca lcu la dos los va lor es fa lt a n t es, se coloca n en los lu ga r es
correspondientes en la tabla de datos, luego se analizan en forma normal,
en el cu a dr o del ANVA se r edu cen en dos u n ida des (-2) los gr a dos de
libertad del error y del total.
Ejemplo:
Columnas
H I II III IV V Y.j.
i I t3 10 t5 8 t2 14 t4 13 t1 17 62
l II t5 7 t2 12 t4 ? t1 17 t3 16 52
e III t2 13 t4 12 t1 16 t3 15 t5 11 67
r IV t1 14 t3 13 t5 10 t2 16 t4 16 69
a V t4 14 t1 16 t3 15 t5 12 t2 18 75
s Y..k 58 61 55 73 78 325
t4 = 14+12+13+16 = 55

Com o solo se perdió u n a obser va ción el va lor de la obser va ción per dida
Yijk se estima con:
^ t (H +C + T ) -2G
Yijk = -----------------------
(t-1)(t-2)
= 5 (52+55+55) -2(325) = 13.33
(5-1) (5-2)
Se in t r odu ce el va lor est im a do en la pa r cela per dida y se r eca lcu la n los
totales afectados
Columnas
H I II III IV V Y.j.
i I t3 10 t5 8 t2 14 t4 13 t1 17 62
l II t5 7 t2 12 t4 13.3 t1 17 t3 16 65.33
e III t2 13 t4 12 t1 16 t3 15 t5 11 67
r IV t1 14 t3 13 t5 10 t2 16 t4 16 69
a V t4 14 t1 16 t3 15 t5 12 t2 18 75
s Y..k 58 61 68.3 73 78 338.3
t4 = 14+12+13.3+13+16 = 68.3
E l exper im en t o se a n a liza en for m a n or m a l pa r a obt en er el ANVA
correspondiente, restándosele un grado de libertad, al Error y al total.
Referencias








New York. 2002.


Ca pit u lo VII:
Com pa r a ción de Media s de
Poblaciones o Tratamientos
ebido a qu e el análisis de la va r ia n za de los Diseñ os Sim ples

ú n ica m en t e n os in dica qu e a lgu n os t r a t a m ien t os son difer en t es,
la siguiente pr egu n t a obliga da es ¿Qu ién es son difer en t es?, por
lo qu e el pr oblem a a h or a es com o h a cer le pa r a poder con ocer qu ien es son
difer en t es en t r e sí. P a r a poder est a blecer la s difer en cia s t en em os qu e
u t iliza r el r ecu r so est a díst ico de la s com pa r a cion es de m edia s. Sin
em ba r go est a s comparaciones solo pu eden ser u t iliza da s h a st a qu e se ha
probado con la prueba de F, el juego de hipótesis:
Ho: 1 = 2 =.......= i VS Ha: al menos un i es diferente
Ho: El efecto de los tratamientos es el mismo VS

Ha: Al menos un tratamiento tiene un efecto diferente
Si la pr u eba de F es sign ifica t iva , in dica qu e la va r ia bilida d en t r e

t r a t a m ien t os n o se debe a l a za r , sin o a u n efect o debido a los
t r a t a m ien t os; sin em ba r go, n o señ a la cu a les m edia s son igu a les o
diferentes.
E n t on ces se r equ ier e del u so de pr u eba s est a díst ica s de com pa r a ción de
medias de acuerdo a la naturaleza de los tratamientos en estudio.
Tipos de Tratamientos
La m et odología a pr opia da pa r a la com pa r a ción de t r a t a m ien t os depen de
de la n a t u r a leza de los m ism os; los cu a les se pu eden cla sifica r com o se
observa en el cuadro 16.
Cuadro 16.- Clasificación de los tratamientos
Sin Estructura no es posible asignar
una escala numérica con

sign ifica do difer en t e a l

nominativo
Cualitativos
Tratamientos Con Se pu ede a gr u pa r con
Estructura sen t ido a a lgu n a (s)
característica(s)
Cuantitativos Es posible asignar una escala numérica

con significado (niveles de un factor de
estudio)
a) Tr a t a m ien t os Cu a lit a t ivos sin E st r u ct u r a : La s com pa r a cion es de

m edia s qu e se pu eden u t iliza r son los m ét odos de com pa r a cion es
múltiples siguientes:
Método de Duncan
Método de Tukey
Método de Scheffé
Método de Dunnett
Al en con t r a r difer en cia s sign ifica t iva s en u n con ju n t o de t r a t a m ien t os,
n ecesa r ia m en t e se m a n ifiest a en t r e el t r a t a m ien t o con la m edia m en or
y el tratamiento con la mayor media.
b) Tr a t a m ien t os Cu a lit a t ivos con E st r u ct u r a : Se pu ede r ea liza r por
com pa r a ción or t ogon a les o con t r a st es or t ogon a les en el pr im er ca so se
puede utilizar la DMS.
c) Tr a t a m ien t os Cu a n t it a t ivos: E l pr ocedim ien t o es fraccionar la su m a
de cu a dr a dos de t r a t a m ien t os por m edio de polin om ios or t ogon a les, es
utilizar los modelos lineales en los parámetros de estudio.
La m et odología a pr opia da es a ju st a r u n a su per ficie de r espu est a por
medio de la regresión.

Comparaciones Múltiples de Medias

Com o se pu ede obser va r pa r a los t r a t a m ien t os cu a lit a t ivos sin
estructura, existen u n a gr a n va r ieda d de m ét odos de com pa r a ción , sin
em ba r go es n ecesa r io m en cion a r qu e la selección de u n os de est os
depen de de la s ca r a ct er íst ica s qu e el exper im en t o t en ga , es decir va a
est a r en fu n ción del n ú m er o de t r a t a m ien t os en est u dio, si t ien en o n o el
m ism o n ú m er o de r epet icion es, si es u n exper im en t os con obser va cion es
perdidas, etc..
P or lo qu e a n t es de seleccion a r u n o de est os m ét odos h a y qu e obser va r
la s con dicion es qu e se r equ ier en pa r a qu e pu eda ser u sa do, de ot r a for m a
estamos cometiendo errores en el análisis estadístico del experimento
Así qu e el objet ivo de la exper im en t a ción es con ocer cu a l de los
tratamientos es el que da los mejores resultados (mayores rendimientos o
m en or es efect os n ocivos), es decir , se desea con ocer si u n o o m á s
tratamientos son superiores sobre otros.
P or lo qu e el m eca n ism o pa r a est a det er m in a ción se con oce com o m ét odo
de com pa r a cion es m ú lt iples, en la m et odología de a n á lisis se u t iliza n los
da t os del a n á lisis de la va r ia n za , r ea liza n do la s pr u eba s de sign ifica ción
o com pa r a cion es en t r e la s m edia s de los t r a t a m ien t os; est o es pr oba r el
juego de hipótesis:
Ho: i= i’ V.S. Ha: i i’ con i i´
P udiéndose h a cer t (t -1)/2 com bin a cion es posibles de m edia s. La s

com pa r a cion es n o son t oda s in depen dien t es (or t ogon a les). A con t in u a ción
se describen los métodos más comunes para este tipo de comparaciones.

E s u n m ét odo idea do por F ish er en 1935; t a m bién se le con oce com o

prueba de “t”, debido a que se basa en la distribución de “t” de Student.
Se a plica solo cu a n do la pr u eba de F es sign ifica t iva sólo debe em plearse
para comparar medias adyacentes en un arreglo ordenado de las mismas.
E s u n a t écn ica n o m u y pr ecisa pa r a h a cer com pa r a cion es m ú lt iples; sin
em ba r go, es vá lida pa r a com pa r a cion es pla n ea da s en t r e dos m edia s; est o
es, com pa r a r u n t r a t a m ien t o est á n da r con ot r os t r a t a m ien t os y cu a n do
las comparaciones entre medias son independientes.
La ven t a ja de est a pr u eba es qu e es m u y fá cil de r ea liza r y em plea u n
estimador único para efectuar todas las comparaciones.
El análisis consiste en probar el juego de hipótesis:

Mediante el estimador: _ _
DMSii’ = ( ,GL Error) (S(Yi -Yi’)
En donde: DMSii’ = Estimador

,GL Error = Valor de “t” en la tabla
1 1
S ( yi yi ' ) CMError
ni ni '
La formula general del estimador queda de la siguiente forma:
1 1
DMSii ' t ( ,GLE ) CMError
ni ni '
El procedimiento a seguir es:
1) Se ordenan las medias de los tratamientos
2) Se calcula el estimador DMS¡¡
3) Se com pa r a n la s m edia s de t a l for m a qu e si la difer en cia de dos
m edia s es m a yor qu e el va lor de DMS¡¡, en t on ces se r ech a za
Ho: i= i’, en caso contrario no se rechaza Ho: i= i’, esto es:
Rechazar Ho: i= i’ Si |Yi - Yi’| > DMSii’

4) Se pr esen t a n los r esu lt a dos en for m a t a bu la r , identificando con

la m ism a let r a la s m edia s est a díst ica m en t e igu a les, o sea , la s
que no presentan diferencias significativas entre ellas.
Ejemplo: Se toman los datos de la tabla del ejemplo del DCA

D1 D2 D3 GLE = 13
1 58 56 67 CME = 9.743
2 60 54 64 0.01,13 = 3.012
3 61 60 58 1.- Se ordenan las medias.
4 54 58 65 T3 = 63.50
5 58 52 T1 = 58.20
T2 = 56.14
6 59
2.- Se calculan los estimadores DMSii’
7 54
Yi. 291 393 254
ÿ 58.20 56.14 63.50
1 1
DMS 12 ( 3 . 012 ) 9 . 743 5 .5
5 7
1 1
DMS 13 ( 3 . 012 ) 9 . 743 6 .3
5 4
1 1
DMS 23 ( 3 . 012 ) 9 . 743 5 .9
7 4
3.- Comparar las medias y aplicar la regla de decisión

|T1-T2| = |58.20 - 56.14| = 2.06 < 5.5 No se rechaza Ho. Son iguales.
|T1-T3| = |58.20 - 63.50| = 5.30 < 6.3 No se rechaza Ho. Son iguales.
|T2-T3| = |56.14 - 63.50| = 7.36 > 5.9 Se rechaza Ho. No son iguales.
4.- Se pr esen t a n los da t os or den a dos iden t ifica n do con la misma letra a
los que son iguales.
Cuadro de Medias
Trat. Media Clasif.
T3 63.85 a
T1 58.20 ab
T2 56.14 b

Método de Duncan
E st e m ét odo fu e desa r r olla do por Du n ca n en 1951, t r a t a n do de en con t r a r
métodos de comparaciones múltiples más eficientes que el de la DMS. Ha
tenido poca aceptación, debido a qu e es u n m ét odo a pr oxim a do qu e t ien e
poco control del error tipo I.
Ta m bién es con ocido com o pr u eba de “t ” m odifica da . La pr u eba de r a n go
múltiple de Duncan; utiliza una tabla de “t” modificada por Duncan.
Se ca lcu la n va lor es est u den t iza dos pa r a ca da u n a de la s com pa r a cion es
de m edia s a dya cen t es, a sí com o pa r a a qu ella s qu e est á n sepa r a da s por
ot r a s (se pu ede com pa r a u n t r a t a m ien t o con t r a t odos los dem á s); es de
t ipo secuencial. E s n ecesa r io qu e los t r a t a m ien t os t en ga n el m ism o
número de repeticiones.
La ven t a ja de est a pr u eba es qu e n o se n ecesit a qu e el va lor de F sea
sign ifica t ivo pa r a poder u sa r la . P er m it e h a cer com pa r a cion es m ú lt iples
de todas las medias de tratamientos, sin restricciones.
El análisis consiste en probar el juego de hipótesis:
Mediante el estimador: RMEii’ = Sÿ( ,p,GL Error)
En donde:
RMEii’(Rango Mínimo de Error)= Estimador CMError
P= No. de medias en el rango de la prueba
Sy
r
El procedimiento es:
2) Se ca lcu la el est im a dor RME ¡¡, con los va lor es de “t ” en la t a bla de
rangos estudentizados para el número de medias en el rango.
medias es mayor que el valor de RME¡¡, entonces se rechaza Ho: i= i’,
en caso contrario no se rechaza Ho: i= i’, esto es:
Rechazar Ho: i= i’ Si |Yi - Yi’| > RMEii’
4) Se pr esen t a n los r esu lt a dos en for m a t a bu la r , identificando con la
m ism a let r a la s m edia s est a díst ica m en t e igu a les, o sea , la s qu e n o
presentan diferencias significativas entre ellas.

Ejemplo: Retomando el ejemplo del DBA

T1 T2 T3 T4 Y.j F.V. G.L. S.C. C.M. F
I 4.1 6.5 4.1 4.9 19.6 Tratam 3 12.55 4.183 6.015*
. 0 0 *
II 4.1 5.3 4.0 6.2 19.6 Bloques 4 3.755 0.938 1.35ns
III 6.5 6.9 4.5 4.8 22.7 7
Error 12 8.345 0.695
IV 4.3 6.8 4.3 4.2 19.6
4
V 6.0 6.5 4.1 6.9 23.5 Trat.
Total Media19 24.65
T2= 6.4 a 0
Yi. 25 32 21 27 105 T4= 5.4 a
y 5.0 6.4 4.2 5.4 T1= 5.0 a b
T3= 4.2 b
Los da t os ext r a ídos de la t a bla del a n á lisis de CMError =0.6954

varianza son: G.L.Error = 12
r = 5
CMError 0.6954
Sy 0.3729
r 5
= 0.05
p 2 3 4
t 3.08 3.23 3.33
Sy 0.3729 0.3729 0.3729
RME 1.15 1.20 1.24


E s u n a pr u eba sim ila r a la de Du n ca n ; se con sider a m en os pot en t e y
conservador en el número de diferencias significativas que el de Duncan.
Ta m bién es de t ipo secu en cia l, u t iliza u n ú n ico va lor est a n da r izado para
cada una de las comparaciones de medias adyacentes.
Con este método se prueba el juego de hipótesis:
Mediante el estimador: RMEp = Sÿ q( ,p,GL Error)
En donde:
RMEp = Estimador
CMError
Sy
r
P= No. de medias en el rango de la prueba

q( ,p,GL Error)= valor “t” Modificado
2) Se ca lcu la el est im a dor RME p, con los va lor es de “t ” en la t a bla de
rangos estudentizados para el número de medias en el rango.
medias es mayor que el valor de RMEp, entonces se rechaza Ho: i= i’,
Rechazar Ho: i= i’ Si |Yi - Yi’| > RMEP

Ejemplo: Retomando el ejemplo del DBA:

I 4.1 6.5 4.1 4.9 19.6 Tratam 3 12.55 4.183 6.015*
. 0 0 *
II 4.1 5.3 4.0 6.2 19.6 Bloques 4 3.755 0.938 1.35ns
III 6.5 6.9 4.5 4.8 22.7 7
Error 12 8.345 0.695
IV 4.3 6.8 4.3 4.2 19.6
4
V 6.0 6.5 4.1 6.9 23.5 Trat.
Total Media19 24.65
T2= 6.4 a 0
Yi. 25 32 21 27 105 T4= 5.4 a
y 5.0 6.4 4.2 5.4 T1= 5.0 a b
T3= 4.2 b

r = 5
CMError 0.6954
Sy 0.3729
r 5
t = 3.33
= 0.05
RMEp = Sÿ q( ,p,GL Error) =
(0.3729)(3.33) = 1.24

Método de Tukey
E s u n a pr u eba qu e se em plea pa r a h a cer t oda s la s com pa r a cion es
m ú lt iples qu e son posibles con t t r a t a m ien t os; ba sa da en la dist r ibu ción
del rango estandarizado.
Se le con oce con el n om br e de Difer en cia Sign ifica t iva H on est a (DSH ), en
virtud de que mantiene el nivel de significancia sin alterar.
E l n ú m er o de com pa r a cion es m ú lt iples posibles son t (t -1)/2. E st a pr u eba
n o es secu en cia l, y considera u n va lor t eór ico com ú n pa r a la s
comparaciones posibles.
E s exa ct a cu a n do los t r a t a m ien t os t ien en el m ism o n ú m er o de
r epet icion es, y pa r a m edia s qu e n o h a n sido a ju st a da s por cova r ia n za
(diseños incompletos).
Mediante el estimador: DHS = Sÿ Q( ,p,GL Error)
CMError
Sy
r
En donde:
DHS = Estimador
Q( ,p,GL Error)= Valor en la tabla de rangos estandarizados
p = Número de tratamientos
2) Se ca lcu la el est im a dor DSH , con los va lor es de Q en la t a bla de
rangos estandarizados para el número de medias en el rango.
m edia s es m a yor qu e el va lor de DSH , en t on ces se r ech a za H o: i= i’,

Rechazar Ho: i= i’ Si |Yi - Yi’| > DHS

presentan diferencias entre ellas.
Nota: Cu a n do el exper im en t o con st e de 8 o m en os t r a t a m ien t os, se

pu ede u sa r DMS ó DUNCAN, per o cu a n do se t en ga n a r r iba de
10 ó 12 tratamientos, es más recomendable usar Tukey

Tratam. 3 12.550 4.1830 6.015**
I 4.1 6.5 4.1 4.9 19.6 Bloques 4 3.755 0.9387 1.35ns
II 4.1 5.3 4.0 6.2 19.6 Error 12 8.345 0.6954
Total 19 24.650
III 6.5 6.9 4.5 4.8 22.7
IV 4.3 6.8 4.3 4.2 19.6
V 6.0 6.5 4.1 6.9 23.5 Trat. Media
T2= 6.4 a
Yi. 25 32 21 27 105 T4= 5.4 a b
y 5.0 6.4 4.2 5.4 T1= 5.0 a b
T3= 4.2 b

r = 5
CMError 0.6954
Sy 0.3729
r 5
Q( ,p,GL Error)= Q(0.05,5,12) = 4.20

= 0.05
DHS = Sÿ Q( ,t,GL Error) =
(0.3729)(4.20) = 1.56

Método de Scheffé
E s u n m ét odo m á s gen er a l, se ba sa en la dist r ibu ción F ; sin em ba r go, se
con sider a m á s est r ict a qu e la s dem á s, por lo qu e en la pr á ct ica es
frecuente usarla al 10% de significancía.
E s m á s exa ct o qu e la s com pa r a cion es m ú lt iples ba sa da s en el r a n go
est a n da r iza do, ya qu e se pu ede u t iliza r pa r a com pa r a r m edia s
proven ien t es de t r a t a m ien t os con igu a l o desigu a l t a m a ñ o (r i r i’) y pa r a
medias que han sido ajustadas por covarianza.
Ta m bién pu ede em plea r se pa r a pr oba r la h ipót esis gen er a l de qu e u n a
función lineal de las medias poblacionales es igual a cero.
El juego de hipótesis a probar es:

Mediante el estimador:
Si las repeticiones de los tratamientos son diferentes:
1 1
SCHEFFE t 1 F , t 1, GLError CMError
ni ni '
Si las repeticiones de los tratamientos son iguales:
2CMError
SCHEFFE t 1 F ,t 1,GLError
r
Donde:
Scheffé = Estimador
n i = Número de repeticiones del tratamiento i
n i’ = Número de repeticiones del tratamiento ¡’,

2) Se ca lcu la el est im a dor Sch effé, con los va lor es de Q en la t a bla de la
dist r ibu ción F , con el CME r r or , el n ú m er o de t r a t a m ien t os y el n ivel
de significancia .
m edia s es m a yor qu e el va lor de Sch effé, en t on ces se r ech a za H o:
i = i’, en caso contrario no se rechaza Ho: i = i’., esto es:
Rechazar Ho: i= i’ Si |Yi - Yi’| > SCHEFFE


Tratam. 3 12.550 4.1830 6.015**
I 4.1 6.5 4.1 4.9 19.6 Bloques 4 3.755 0.9387 1.35ns
II 4.1 5.3 4.0 6.2 19.6 Error 12 8.345 0.6954
Total 19 24.650
III 6.5 6.9 4.5 4.8 22.7
IV 4.3 6.8 4.3 4.2 19.6
V 6.0 6.5 4.1 6.9 23.5 Trat. Media
T2= 6.4 a
Yi. 25 32 21 27 105 T4= 5.4 a b
y 5.0 6.4 4.2 5.4 T1= 5.0 a b
T3= 4.2 b

r = 5
= 0.05
2CMError 2(0.6954)
SCHEFFE t 1 F ,t 1,GLError 4 1 3.49 1.70
r 5

Método de Dunnett
E st e m ét odo es r ecom en da ble cu a n do el in t er és en u n exper im en t o es
comparar un grupo de tratamientos con un testigo o tratamiento control.

Ho: t = i V.S. Ha: t i con i = 1, 2, 3,....,t
Mediante el estimador: F D = S(Yl. - Yi.)t D

En donde:
F D = Estimador, Factor Dunnet
t D = t( ,p,GLError)
2(CMError )
S yt yi
r
P = t-1
t( ,p,GLError) = Valor en la tabla “t” de Dunnet
1) Se ca lcu la el est im a dor F D , con lo va lor es de t D en la t a bla de “t ” de
Dunnett.
2) Se com pa r a n la s m edia s de t a l for m a qu e si la difer en cia de la m edia
del t est igo y cu a lqu ier ot r a m edia es m a yor qu e el va lor de F D ,
en t on ces se r ech a za H o: t= i, en ca so con t r a r io n o se r ech a za H o:
t= i, esto es:
Rechazar Ho: t= i Si |Yt - Yi| > FD
misma letra las medias estadísticamente iguales al testigo.

Consideraciones Sobre Las Pruebas

Toda s la s pr u eba s son igu a les cu a n do se com pa r a n ú n ica m en t e dos
t r a t a m ien t os en el exper im en t o; a m edida qu e el n ú m er o de t r a t a m ien t os
aumenta, las diferencias en los resultados de las pruebas son mayores.
Con dos t r a t a m ien t os, el m ét odo de la DMS pr u eba la h ipót esis de

igualdad de medias con un error tipo I mayor al que se declara ( 13%).
Un or den , en la s pr u eba s, en cu a n t o a la ca pa cida d de decla r a r

diferencias significativas es:
1. DMS
2. DUNCAN
3. S-N-K
4. DUNNETT
5. TUKEY
6. SCHEFFÉ
Referencias


1992.



1999,






Mason, R.L., Gunst, R.F. and Hess, J.L. Statistical

Design and Analysis of Experiments. Wiley, N.Y. 2003.




Applications. 1998.


New York. 2002.


Ca pit u lo VIII:
Com pa r a cion es Or t ogon a les
n el ca pit u lo a n t er ior se obser va n los difer en t es t ipos de

tratamientos. Cor r espon dien do la s com pa r a cion es de m edia s a
los t r a t a m ien t os cu a lit a t ivos sin est r u ct u r a ; sin em ba r go en
a lgu n os ca sos los t r a t a m ien t os poseen est r u ct u r a , es decir , pueden ser
agrupados con sen t ido a a lgu n a (s) ca r a ct er íst ica (s), por lo qu e el a n á lisis
cor r espon dien t e es a t r a vés de comparaciones independientes o
contrastes ortogonales, utilizándose en el primer caso el estimador DMS.
E st os m ét odos son a plica bles cu a n do el in vest iga dor pla n ea con

a n t er ior ida d la s com pa r a cion es qu e le va n a da r la s r espu est a s a
PREGUNTAS ESPECÍFICAS.
E l n ú m er o de com pa r a cion es in depen dien t es o con t r a st es or t ogon a les es

igu a l a t -1 (G.L. de t r a t a m ien t os); pudiéndose pla n ea r va r ios ju egos de
comparaciones o contrastes.

Comparaciones Independientes
También se les con oce com o com pa r a cion es pla n ea da s u or t ogon a les; se
diseñan según las necesidades de cada investigador.
La s com pa r a cion es son in depen dien t es cu a n do ca da m edia de
tratamiento a pa r ece ú n ica m en t e en u n a com pa r a ción , a u n qu e pu ede
aparecer varias veces en un conjunto como miembro de dicho conjunto.
E n el ca so de t r a t a m ien t os cu a lit a t ivos sin est r u ct u r a el m ét odo más
sensible para det ect a r difer en cia s, es el qu e se r ea liza a t r a vés del
est im a dor DMS; el cu a l con sist e en ca lcu la r u n va lor de DMS, pa r a ca da
pa r de m edia s de t r a t a m ien t os en comparación; por lo qu e debido a est a s
ca r a ct er íst ica s del est im a dor t a m bién es posible u t iliza r lo pa r a
tratamientos cualitativos con estructura.
El juego de hipótesis a probar es:
Ho: Ci=0 V.S. Ha: Ci 0
El estimador para cada comparación se calcula por medio:
CMError CMError
DMS t
n1 n2
En donde:
t = Valor tabular de “t” de Student, con G.L. del Error y
n 1 = No. de observaciones del primer componente en la comparación.
n 2 = No. de observaciones del segundo componente en la comparación.
El procedimiento de prueba es:

1) Se formulan las hipótesis qu e per m it a n da r r espu est a a pr egu n t a s
iniciales.
2) Se pla n ea n la s com pa r a cion es en ba se a la s h ipót esis for m u la da s
que permitan dar respuesta a preguntas iniciales.
3) Se ca lcu la la DMS pa r a ca da com pa r a ción , con los va lor es de la
distribución de “t” de Student.

4) Se a n a liza n la s difer en cia s qu e r esu lt a n de la s com pa r a cion es

in depen dien t es con los va lor es de la DMS r espect iva ; si est e va lor es
mayor que la DMS, entonces se rechaza la Ho: Ci=0, y se dice que los
t r a t a m ien t os com pa r a dos difier en est a díst ica m en t e en ca so
contrario no se rechaza.
E st a s com pa r a cion es t r a ba ja n con la s m edia s de los t r a t a m ien t os y

a n t es qu e n a da h a y qu e pla n t ea r la s h ipót esis qu e da r á n or igen a la s
Com pa r a cion es In depen dien t es. Y de la s ecu a cion es pla n t ea da s en la s
h ipót esis se despeja n igu a la n do a cer o, dá n don os la com pa r a ción a
evaluar
Ejemplo 1: Si se t ien en 5 t r a t a m ien t os, A, B, C, D, E , y u n t r a t a m ien t o

testigo; entonces algunas comparaciones que el investigador puede hacer,
son:
Ho1 : Ta+Tb+Tc+Td = 4Tt VS Ha1 : Ta+Tb+Tc+Td 4Tt

Ho2 : Ta+Tb+Tc = 3Td VS Ha2 : Ta+Tb+Tc 3Td
Ho3 : Ta+Tb = 2Tc VS Ha3 : Ta+Tb 2Tc
Ho3 : Ta = Tb VS Ha3 : Ta Tb
Despejando tenemos las siguientes comparaciones:

Ta Tb Tc Td
c1: Tt
4
Ta Tb Tc
c2 : Td
3
Ta Tb
c3 : Tc
2
c4 : Ta Tb
Ejemplo 2: Debido a los a lt os n iveles de h u m eda d en la zon a , se est u dia

a la s Dermatomicosis causadas por Scytalidium dimidiatum y
S. hyalinum ya qu e est os h on gos son a gen t es et iológicos de
in feccion es cr ón ica s cu t á n ea s qu e a fect a n a la piel altamente
qu er a t in iza da de pa lm a s, pla n t a s, u ñ a s y espacios
interdigitales. Considerando qu e clín ica m en t e se pa r ecen a
t in ea u n gu iu m , t in ea pedis y t in ea m a n u m pr odu cida s por
h on gos der m a t ofit os, es importante est a blecer el dia gn óst ico
et iológico ya qu e el t r a t a m ien t o es difer en t e segú n se t r a t e de
una tiña o de una dermatomicosis por Scytalidium.
P or lo a n t er ior se desa r r ollo u n exper im en t o con 7
antimicóticos pa r a det er m in a r la efica cia de est os en el
tratamiento de la dermatomicosis causadas por Scytalidium
dimidiatum en u ñ a s de los pies. Se t r a ba ja r on con gr u pos de
30 per son a s in fect a da s a la s cu a les se les dio t r a t a m ien t o
tópico du r a n t e 25 día s a l término de los cu a les se obser vo el
n ú m er o de pa cien t es qu e se cu r a r on . Los t r a t a m ien t os
aplicados fueron los siguientes:
T 1 y T2 : Antimicóticos con base de Mercúrio.

T 3 y T4 : Antimicóticos no Mercúricos (Anilidas)
T 5 , T 6 y T7 : Antimicóticos no Mercúricos (Imidazoles)
T 8: Testigo (sin Antimicóticos)
T 6 y T7 : Nuevas formulas de T5
T1 T2 T3 T4 T5 T6 T7 T8 Y.J
I 16 24 28 19 16 27 30 8 168
II 19 28 18 16 25 16 23 10 155
III 16 20 23 16 22 17 25 18 157
IV 19 21 20 17 22 18 24 19 160
Yi. 70 93 89 68 85 78 102 55
ÿi . 17.5 23.25 22.5 17 21.25 19.5 25.5 13.75

El investigador se formula varias preguntas, dentro de ellas tenemos:

1. ¿Son efectivos los antimicóticos empleados?
2. ¿Fuer on m á s efect ivos los a n t im icót icos m er cú r icos de los no
mercúricos?
3. ¿Funcionan igual los antimicóticos mercúricos?
4. ¿Los antimicóticos anilidas protegen mejor que los imidazoles?
5. ¿Los antimicóticos de las anilidas funcionan igual?
6. ¿F u n cion a n igu a l la vieja y la s n u eva s for m u la s de los
antimicóticos de los imidazoles?
7. ¿Funcionan igual las nuevas formulaciones del T5?
P a r a ca da u n a de la s pr egu n t a s se desa r r olla la com pa r a ción de m edia s

de tratamientos correspondientes:
T1 T2 T3 T4 T5 T6 T7
c1: T8
7
T1 T2 T3 T4 T5 T6 T7
c2 :
2 5
c3: T1 T2
T3 T4 T5 T6 T7
c4 :
2 3
c5: T3 T4
T6 T7
c6: T5
2
c7 : T6 T7

An t es qu e n a da se r esu elva m edia n t e el diseñ o sim ple seleccion a do,

siendo el diseño empleado el DCA. Y la hipótesis a probar es:
Ho: T 1 =T2 =T3 =T4 =T5 =T6 =T7 =T8 VS Ha: al menos un Ti es diferente
t ni 2
S.C. Total = i=1 j=1Y ij - (Y..)2/n.
13560 =
t 2
S.C. Tratamientos = - (Y..)2/n.
i=1(Yi.) /ni
[(70) +......+(55)2]/4 - 12800 =13208 - 12800 = 408
2

760 - 408 = 352
FV GL SC CM Fc Ft0.05 Ft0.01
Tratam. 7 408 58.286 3.974** 2.43 3.70
Error 24 352 14.66
Total 31 760
Se r ech a za H o. E xist en difer en cia s a lt a m en t e sign ifica t iva s en t r e los

tratamientos.
Posterior al ANVA, se tienen que resolver las preguntas planteadas.
1.- Son efectivos los antimicóticos empleados.

T1 T2 T3 T4 T5 T6 T7
c1 : T8
7
17.5 23.25 22.25 17 2125
. 19.5 255
.
c1: 13.75
7
1 4 6 .2 5
c1 : 1 3 .7 5 2 0 .8 9 3 1 3 .7 5 7 .1 4 2
7
CMError CMError
DMS t
n1 n2
t = 2.797

1 1
DMS 2.797 14.667 5.73
28 4
C1 > DMS ---------> 7.142 > 5.73
Com o la difer en cia en t r e los t r a t a m ien t os es m a yor qu e la DMS, los

t r a t a m ien t os com pa r a dos ((T 1 +T2 +T3 +T4 +T5 +T6 +T7 )/7 VS T 8 ) son
difer en t es en t r e si. Lo cu a l in dica qu e los a n t im icót icos m er cú r icos y n o
mercúricos. Son efect ivos en el t r a t a m ien t o de la in fección por h on gos en
las uñas de los pies.
H a st a a qu í solo se h a r esu elt o la pr im er a pr egu n t a , t en ién dose qu e

r esolver la s 6 r est a n t es. Sin em ba r go debido a qu e el pr ocedim ien t o es
exa ct a m en t e el m ism o om it im os la r esolu ción de los r est a n t es; vién dose
la solución completa más adelante.

Son pr u eba de com pa r a ción de t r a t a m ien t os qu e el in vest iga dor debe
saber a n t es de in icia r su exper im en t o; debien do con ocer qu e
com pa r a cion es de t r a t a m ien t os son los qu e le va n a da r la in for m a ción
deseada.
E l m ét odo con sist e en descom pon er los gr a dos de liber t a d y la su m a de
cu a dr a dos pa r a t r a t a m ien t os en com pa r a cion es com pon en t es; pudiendo
consistir en comparaciones de clase o de tendencia de respuesta.
E xist en t -1 con t r a st es or t ogon a les; si son bien seleccion a dos pu eden
r espon der t a n t a s pr egu n t a s com o gr a dos de liber t a d de t r a t a m ien t os
existan, conduciendo a afirmaciones de probabilidad bien definidas.
E s u n m étodo poco u sa do por los in vest iga dor es, debido a qu e en m u ch a s
de la s oca sion es se pien sa qu e es m u y difícil y com plica do, per o en
realidad tiene ventajas, como son:
1) P er m it e r espon der im por t a n t es pr egu n t a s específica s sobr e los
efectos de los tratamientos.
2) Los cálculos son simples.
3) Su m in ist r a u n ú t il con t r ol sobr e la su m a de cu a dr a dos de
tratamientos.
A difer en cia de la s Com pa r a cion es In depen dien t es qu e u t iliza n a la
m edia de los t r a t a m ien t os, en los Con t r a st es Or t ogon a les se t r a ba ja con
los totales de los tratamientos
Con este método se prueban hipótesis de la forma:
I) Ho1 : 3t1 = t 2 +t 3 +t 4 VS Ha1 : 3t1 t 2 +t 3 +t 4
Com pa r a ción del efect o del t r a t a m ien t o 1 con t r a los totales de los
efectos de los tratamientos 2, 3, y 4.
II) Ho2 : t1 +t2 = t 3 +t 4 VS Ha2 : t 1 +t2 t 3 +t 4

Com pa r a ción del efect o con ju n t o de los t r a t a m ien t os 1 y 2 con t r a el
efecto conjunto de los tratamientos 3 y 4.
III) Ho3 : t 1 +t2 = 2t3 VS Ha3 : t 1 +t2 2t3

Com pa r a ción del efect o con ju n t o de los t r a t a m ien t os 1 y 2 con t r a el
efecto del tratamiento 3.

Los con t r a st es se pla n t ea n a pa r t ir de la s h ipót esis formuladas, de la s

que se despeja la ecu a ción , igu a lá n dola a cer o per o con ser va n do ca da
tratamiento su coeficiente
Hipótesis Contraste
Ho1 : 3t1 = t 2 +t 3 t 4 C 1 : 3t1 -t 2 -t 3 -t 4 =0
Ho2 : t1 +t2 = t 3 +t 4 C 2 : t1 +t2 -t 3 -t 4 =0
Ho3 : t1 +t2 = 2t3 C 3 : t1 +t2 -2t3 =0
Un a vez pla n t ea dos los con t r a st es, se pr ocede a la con st r u cción del
cuadro de los coeficien t es de los con t r a st es (ver cu a dr o 17), los cu a les la
su m a t or ia deber á ser igu a l a cer o; en ca so con t r a r io el con t r a st e y por
consecuencia la hipótesis fue mal planteada.
Cuadro 17.- Coeficientes de los contrastes

T1 T2 T3 T4
C1 3 -1 -1 -1 =0
C2 1 1 -1 -1 =0
C3 1 1 -2 0 =0
Com o se pu ede obser va r en la t a bla de los coeficien t es la s su m a t or ia s son

igu a les a cer o, por lo qu e los contrastes y la s h ipót esis est á n bien
pla n t ea dos; sin em ba r go a ú n n os fa lt a eva lu a r la or t ogon a lida d de los
contrastes por lo que se procede a dicha evaluación
Así qu e se con sider a qu e dos o m á s com pa r a cion es se lla m a n or t ogon a les,

si la su m a del pr odu ct o de su s coeficien t es cor r espon dien t es es igu a l a
cero (ver cuadro 18).
Cuadro 18.- P roducto de los coeficientes
C1y C2 3*1 -1*1 -1*-1 -1*-1 =4
C1y C3 3*1 -1*1 -1*-2 -1*0 =4
C2 y C3 1*1 1*1 -1*-2 -1*0 =4
Com o se pu ede obser va r en est e ejem plo a u n qu e est á n bien pla n t ea da s

las hipótesis no son ortogonales. Por lo que no procede el análisis.

E n general con este método se prueban juegos de hipótesis de la forma:

t t
Ho: i=1 i i=0 VS Ha: i=1 i i 0
A la com bin a ción lin ea l de t r a t a m ien t os i i se le lla m a con t r a st e, en
don de los i son los coeficien t es de los efect os de los t r a t a m ien t os, en el
contraste.
Esta prueba se realiza conforme a las siguientes reglas:

1) Cualqu ier fu n ción de la for m a 1 1 + 2 2 + 3 3 +.......+ i i =0 se lla m a
com pa r a ción o con t r a st e si la su m a de su s coeficien t es es cer o, est o
t
es: i=1 i =0
2) Si C es un contraste entre los posibles, entonces la cantidad:

C j2
SCCi t
2
r ij
i 1
E s u n a com pon en t e de la su m a de cu a dr a dos de t r a t a m ien t os y
representa un contraste con un grado de libertad. Además:
t
C j= i=1 ij i=0
Con: Coeficiente del tratamiento i en el contraste j

ij
i Total del tratamiento i.
3) Dos o m á s com pa r a cion es se lla m a n or t ogon a les, si la su m a del
producto de sus coeficientes correspondientes es igual a cero; esto es:
t
i=1 i1 i2 =0
Los contrastes son:
C 1= 11 1 + 12 2 + 13 3 +.......+ 1i 1i
C 2= 21 1 + 22 2 + 23 3 +.......+ 2i 2i
Al com pr oba r la or t ogon a lida d, a lgu n os coeficien t es de los

t r a t a m ien t os n o in t er vien en en el con t r a st e, dich os coeficien t es se
toman como cero.
4) Si en t t r a t a m ien t os, t -1 con t r a st es son or togon a les, en t on ces la

su m a de cu a dr a dos de t odos los t -1 con t r a st es es igu a l a la su m a de
cuadrados de los tratamientos; esto es:

C12 C22 C32 C(2t 1)

SCTRAT t t t
..... t
2 2 2 2
r i1 r i2 r i3 r ( t 1)
i 1 i 1 i 1 i 1
Despu és de h a ber obt en ido la su m a de cu a dr a dos pa r a ca da

con t r a st e se pr ocede a con st r u ir el ANVA descom pu est a la su m a de
cuadrados de tratamientos y se prueban las hipótesis planteadas con
la distribución F.
Ejemplo: Se r et om a r á el ejem plo 2 pr esen t a do en el t em a

“Comparación de Medias”
1. ¿Son efectivos los antimicóticos empleados?
2. ¿Fuer on m á s efect ivos los a n t im icót icos m er cú r icos de los no
mercúricos?
3. ¿Funcionan igual los antimicóticos mercúricos?
4. ¿Los antimicóticos anilidas protegen mejor que los imidazoles?
5. ¿Los antimicóticos de las anilidas funcionan igual?
6. ¿F u n cion a n igu a l la vieja y la s n u eva s for m u la s de los antimicóticos de
los imidazoles?
7. ¿Funcionan igual las nuevas formulaciones del T5?
Hipótesis planteadas: Contrastes de las Hipótesis:

Ho1 :T1 +T2 +T3 +T4 +T5 +T6 +T7 =7T8 C 1 :T1 +T2 +T3 +T4 +T5 +T6 +T7 -7T8 =0
Ho2 :5(T1 +T2 )=2(T3 +T4 +T5 +T6 +T7 ) C 2 :5T1 +5T2 -2T3 -2T4 -2T5 -2T6 -2T7 =0
Ho3 :T1 =T2 C 3 :T1 -T 2 =0
Ho4 :3(T3 +T4 )=2(T5 +T6 +T7 ) C 4 :3T3 +3T4 -2T5 -2T6 -2T7 =0
Ho5 : T3 =T4 C 5 :T3 -T 4 =0
Ho6 :2T5 =T6 +T7 C 6 :2T5 -T 6 -T 7 =0
Ho7 : T6 =T7 C 7 : T6 -T 7 =0

Tabla de los coeficientes de los contrastes

T1 T2 T3 T4 T5 T6 T7 T8
C1 1 1 1 1 1 1 1 -7
C2 5 5 -2 -2 -2 -2 -2 0
C3 1 -1 0 0 0 0 0 0
C4 0 0 3 3 -2 -2 -2 0
C5 0 0 1 -1 0 0 0 0
C6 0 0 0 0 2 -1 -1 0
C7 0 0 0 0 0 1 -1 0
Si los con t r a st es pa sa n la pr u eba de or t ogon a lida d, se pr ocede a ca lcu la r

la Suma de Cuadrados (SC) de los contrastes mediante la formula:
C j2
SCCi t
2
r ij
i 1
2
T1 T2 T3 T4 T5 T6 T7 7T 8
SCC1 8
4 1
(1) 2 (1) 2 (1) 2 (1) 2 (1) 2 (1) 2 (1) 2 ( 7)2
2
70 93 89 68 85 78 102 7(55) 40000
SCC1 178.57
( 4)(1 1 1 1 1 1 1 49) 224
2
5( 70) 5( 93) 2(89) 2( 68) 2(85) 2( 78) 2(102) 841
SCC2 3004
.
( 4)( 25 25 4 4 4 4 4) 280
2
70 93 529
SCC 3 66.125
( 4)(1 1) 8
2
3(89) 3( 68) 2(85) 2( 78) 2(102) 3481
SCC 4 29.008
( 4)( 9 9 4 4 4) 120
2
89 68 441
SCC5 55125
.
( 4)(1 1) 8

2
2(85) 78 102 100
SCC 6 4.166
( 4)( 4 1 1) 24
2
78 102 576
SCC 7 72
( 4)(1 1) 8
SCtrat= SCCj=178.571+3.004+66.125+29.008+55.125+4.166+72=408
t ni
S.C. Total = i=1 j=1Y2ij - (Y..)2/n.
Un a vez ca lcu la dos la s SC de los con t r a st es se pr ocede a r ea liza r el

ANVA.
F.V. G.L. S.C. C.M. Fc Fto.o5 Fto.o1
Trat. t -1=7 408 58.286 3.97n.s 4.35 8.01
C1 1 178.571 178.571 12.175** 4.35 8.01
C2 1 3.004 3.004 0.205n.s 4.35 8.01
C3 1 66.125 66.125 4.508* 4.35 8.01
C4 1 29.008 29.008 1.978n.s. 4.35 8.01
C5 1 55.125 55.125 3.758n.s. 4.35 8.01
C6 1 4.166 4.166 0.284n.s. 4.35 8.01
C7 1 72 72 4.909* 4.35 8.01
Error t(r-1)=24 352 14.667
Total tr-1=31
** Diferencias altamente significativas
* Diferencias significativas
n.s. No Significancia
C F Respuesta a las preguntas

C1 12.175** Si demuestran efectividad
C2 0.205n.s Son igualmente efectivos
C3 4.508* Uno de los antimicóticos mercúricos funciona mejor
C4 1.978n.s. Protegen igual
C7 4.909* Un o de los a n t im icót icos de la s n u eva s for m u la cion es de
T5 funciona mejor

Problemario de Comparaciones Ortogonales

31.Se r ea lizo u n exper im en t o pa r a com ba t ir al a gen t e et iológico de la
en fer m eda d de Ch a ga s o Tr ipa n osom ia sis, el Trypanosoma cruzi; para
el est u dio se u t iliza r on dos gr u pos de m edica m en t os pa r a est e t ipo de
pa r á sit o, se u sa r on nifurtimox (T1: 15 m g/kg/dia y T2: 20 m g/kg/dia ),
benznidazol (T3: 3 m g/kg/día , T4: 6 m g/kg/día ) u t iliza n do com o t est igo
a u n pla cebo. Se defin ier on 4 gr u pos
T1 T2 T3 T4 T5
t er a péu t icos y u n gr u po t est igo con u n
19 15 26 27 35
estudio doble ciego; du r a n t e 90 día s se
20 17 30 26 33
les su m in ist r o 3 veces a l día la s dosis
16 12 25 30 32
de los t r a t a m ien t os, t r a ba já n dose con
17 14 29 28 34
gr u pos de 35 a du lt os en fer m os de
a m bos sexos, y r egist r á n dose el n ú m er o de pa cien t es qu e n o
presentaron mejoría.
T1 y T2: Nifurtomox
T2 Y T4: Benznidazol
T5: Placebo
Solo se pu eden for m u la r 4 pr egu n t a s debido a la r est r icción de t -1
con t r a st es. F or m u le y eva lú e, r esu elva y con t est e todas la s pr egu n t a s
que se pueden hacer. Sin olvidar los análisis primarios.
32.Se desea saber en qu e ca ldo cr ecen m á s la s 4 especies pr oba bles de
Sa lm on ella a en con t r a r en h eces. P a r a est o se tienen 4 cepa s del
Gen er o Sa lm on ella . Un a vez in ocu la da s en el ca ldo de t r et a t ion a t o, se
les a dicion a el in h idor de
lu gol en el por cen t a je T1 T2 T3 T4
r equ er ido y se esper a 12 8 11 14 15 S. typhi
h or a s a 37°C y se siem br a n 10 13 8 11 S. cholerasuis
en el m edio de cu lt ivo de 12 17 16 10 S.enteritidis
Su lfit o de bism u t o, y se deja 9 5 10 10 S. paratyphi
cr ecer 24 h or a s a 37°C y se
leen el número de colonias de salmonella que son capaces de crecer.
T1: Caldo de Tretationato marca “A” Modificado
T2: Caldo de Tetrationato marca “B” Altamente selectivo.
T3 : Caldo de Tetrationato marca “B” Bajamente selectivo.
T4 : Con extracto de Levadura y Fosfato Disodico


con t r a st es. F or m u le y eva lú e, r esu elva y con t est e t oda s la s pr egu n t a s
33.Se r ea lizó u n exper im en t o con per son a s con ba jo n ivel de
H E MOGLOBINA pr obá n dose 4 t r a t a m ien t os (T1: á cido fólico (500 µg,
T2: su lfa t o fer r oso a dosis a lt a (300 m g), T3:
su lfa t o fer r oso a dosis ba ja (15 m g), T4: su lfa t o T1 T2 T3 T4
ferroso (200 m g) a dicion a do con ac. F ólico 18 12 16 15
(400µg)), est o con el fin de obser va r qu e t iem po 14 16 13 13
t a r da n en a u m en t a r los n iveles de hemoglobina. 16 14 12 14
Los r esu lt a dos obt en idos fu er on los n iveles de 13 18 15 12
h em oglobin a de la s per son a s pa r t icipa n t es en el
estudio:
contrastes. F or m u le y eva lú e, r esu elva y con t est e t oda s la s pr egu n t a s
34.Se r ea lizo u n est u dio pa r a det er m in a r la concentración de colifor m es
qu e in ciden sobr e el r ío H u ixt la . P a r a t a l est u dio se a gr u pa r on en ba se
a la a lt u r a con 2 pu n t os de r ecolección sit u a dos a n t es de qu e el r ío
entre a la ciudad y 2 puntos después de atravesar la ciudad, las cuales
fu er on seleccion a da s a l a za r . Tom á n dose lect u r a s du r a n t e 5 día s
consecutivos, y los r esu lt a dos se
r epor t a r on en UF C/100 m l. P a r a la DÍAS I II III IV
iden t ifica ción de colifor m es t ot a les se 1 6 7 10 10
u t ilizó el m edio de cu lt ivo de Aga r 2 3 3 16 11
E n do.17 E n la r ea liza ción de pr u eba s 3 2 2 8 9
pr esu n t iva s y con fir m a t or ia s se 4 3 9 10 4
em pleó el ca ldo la ct osa do y el ca ldo 5 4 5 6 5
ver de br illa n t e, r espect iva m en t e. La
temperatura de incubación empleada fue de 37 oC ± 0.5 oC durante 24-
30 horas.
T1: Punto 1 de recolección antes de entrar a la ciudad
T2: Punto 2 de recolección antes de entrar a la ciudad
T3 : Punto 3 de recolección después de atravesar la ciudad
T4 : Punto 4 de recolección después de atravesar la ciudad

35.P or la s con dicion es clim á t ica s de T1 T2 T3 T4 T5

la ciu da d, la fa lt a de a sesor ia CTX PEF TE GE CAZ
m edica y fr ecu en t es h á bit os de (mm) (mm) (mm) (mm) (mm)
a u t om edica ción se h icier on 30 0 290 280 280 0
exu da dos fa r in geos a a lu m n os del 0 250 300 280 260
COBACH pla n t el 29 de Un ión 160 260 270 280 0
J u á r ez, Ch ia pa s, México, con 0 250 0 250 150
cu a dr o clín ico de 0 250 240 270 160
fa r in goa m igda lit is; pa r a la 0 280 300 290 0
bú squ eda in t en cion a da de 140 260 300 280 0
0 270 270 290 170
st a ph ylococcu s coa gu la sa posit iva y
0 260 290 250 240
pa r a det er m in a r la sensibilidad
0 250 300 290 240
a n t im icr obia n a obt en ién dose los
0 230 300 280 200
siguientes resultados en milímetros 0 230 270 290 220
del halo de inhibición: 160 190 260 250 0
De los 30 cu lt ivos 21 fu er on 130 240 270 290 210
posit ivos a st a ph ylococcu s 220 290 270 290 200
coa gu la sa posit ivo. Y de los 12 0 160 290 250 0
a n t ibiót icos pr oba dos solo a 5 0 230 230 250 0
pr esen t a r on sen sibilida d. P or lo 0 260 270 0 270
qu e solo se t om a n a los pa cien t es 180 230 290 290 240
con St a ph ylococcu s coa gu la sa 0 260 250 270 260
0 250 230 0 230
posit ivo y los a n t ibiót icos qu e
causaron sensibilidad:
E l in t er és es el de con ocer a cu a l de los a n t ibiót icos pr esen t a n m a yor
susceptibilidad, en base al mecanismo de acción de éstos:
T1-CTX: (CEFALOSPORINA) INHIBE SÍNTESIS DE PARED CELULAR
T2-PEF: (FLOUROQUINOLONA) INHIBE SINTESIS DE ÁCIDO NUCLEICOS
T3-TE: (TETRACICLINA) INHIBE SINTESIS DE PROTEÍNAS
T4- GE: (AMINOGLUCOSIDOS) INHIBE SINTESIS DE PROTEÍNAS
T5: CAZ: (CEFALOSPORINA) INHIBE SINTESIS DE PARED CELULAR
Referencias
Arnau Gras, J.. Diseños Experimentales Multivariables.

Alianza Editorial, Madrid. 1990.
Box, G. E. y Draper, N., "Empirical Model Building and

Response Surfaces". Ed. Jhon Wiley. 1986.


1992.
Dean, A. y Voss, D. Design and Analysis of Experiments.



1999,



Lara, A.M. Diseño estadístico de experimentos, análisis

de la varianza y temas relacionados: tratamiento
informático mediante SPSS. Proyecto Sur de Ediciones,
Granada. 2001.





New York. 2002.

P a r t e III: Ar r eglos F a ct or ia les

Ca pit u lo IX:
Principios Básicos de los
o vist o h a st a a h or a cor r espon de a l efect o de u n fa ct or sobr e la s

u n ida des exper im en t a les, sin em ba r go en m u ch a s oca sion es, se
exa m in a el efect o sim u lt á n eo de va r ios fa ct or es sobr e u n a
característica en estudio, ya no pudiéndose ocupar lo diseños simples, por
lo qu e se t ien e qu e a bor da r el pr oblem a mediante la exper im en t a ción
factorial, en el cual se tiene que considerar el diseño de los tratamientos.
P a r a poder ejecu t a r u n a in vest iga ción de est e t ipo, existen varias
opciones como es, el de en sa ya r los fa ct or es, h a cien do va r ia r u n o de ellos,
m a n t en ien do fijo los ot r os; o t a m bién , h a cien do va r ia r ca da fa ct or ,
ensayando varios niveles de cada uno de ellos.
Con lo a n t er ior se pu eden dedu cir la s posibles r ela cion es en t r e los
factores en est u dio y est im a r su efect o, ya qu e, a n t es de in icia r u n
exper im en t o se descon oce que fa ct or es son im por t a n t es y si ejer cen su
acción en forma independiente o combinada.
P or lo qu e el en sa yo sim u lt á n eo de va r ios fa ct or es t ien e la ven t a ja sobr e
la t écn ica de in vest iga r u n fa ct or ca da vez qu e se exper im en t a , el de
m edir la in t er a cción , sobr e el ca r á ct er en est u dio de los fa ct or es
considerados.
La in t er a cción es u n efect o en oca sion es posit ivo y ot r a s veces n ega t ivo,
sobr e la su m a de los efect os qu e a isla da m en t e ejer cen los fa ct or es
experimentales. Sin em ba r go, en el sen t ido pr á ct ico se con sider a qu e una
interacción es un efecto de menor importancia que los efectos principales.

Se conocen como exper im en t os fa ct or ia les a a qu ellos en los qu e se
est u dia n con ju n t a m en t e dos o m á s fa ct or es en u n m ism o t r a t a m ien t o
difer en ciá n dose de los exper im en t os sim ples en los qu e sola m en t e se
estudia un factor por tratamiento.
An t es qu e n a da es n ecesa r io sa ber qu e u n fa ct or es u n a cla se de
t r a t a m ien t os, y en exper im en t a ción fa ct or ia l, t odo fa ct or pr opor cion a r á
va r ios t r a t a m ien t os, a t r a vés de la s com bin a cion es de los n iveles de ca da
factor, por lo que se considera que: “Un experimento factorial es aquel en
el qu e el con ju n t o de t r a t a m ien t os con sist e en t oda s la s com bin a cion es
posibles de los niveles de varios factores”.
E l t ér m in o factorial im plica el con cept o de u n diseñ o de t r a t a m ien t os, es
decir, la selección de los fa ct or es a est u dia r , su s n iveles y la com bin a ción
de ellos, siendo independiente del Diseño Experimental.
E n vir t u d de qu e en est os exper im en t os los t r a t a m ien t os pr ovien en de
com bin a cion es de va r ios n iveles de difer en t es fa ct or es y se eva lú a n con
u n diseñ o sim ple, t a m bién se dicen qu e son a r r eglos exper im en t a les, y n o
un diseño propiamente dicho.
Puede considerarse dos tipos fundamentales de experimentos factoriales:

1) E l fa ct or ia l in completo: E n sa ya solo a lgu n os de la s posibles
combinaciones de tratamientos que pueden generarse.
2) E l fa ct or ia l com plet o: E n sa ya t oda s la s posibles com bin a cion es de
t r a t a m ien t o qu e se gen er a n con los dist in t os n iveles de los fa ct or es
de estudio.
Dentro de los factoriales completos pueden distinguirse:
Factoriales Simétricos: Com pr en den el m ism o n ú m er o de n iveles
de cada factor,
Factoriales Asimétricos; E n sa ya n n ú m er os dist in t os de n iveles de
los factores en estudio.

Ventajas
La r a zón pr in cipa l de est u dia r dos o m á s fa ct or es en for m a con ju n t a es
ver com o ca m bia la r espu est a a nte los n iveles de u n fa ct or en pr esen cia
de los niveles del otro factor, es decir, ver si los factores interactúan entre
si.
Otras ventajas, en el uso de este tipo de arreglos son:
1) E con om ía en el m a t er ia l exper im en t a l, a l obt en er in for m a ción sobr e
varios factores que aumentan el tamaño del experimento.
2) Se a m plía el r a n go de va lidez del exper im en t o, es decir se a m plía el
r a n go de la in fer en cia en r ela ción a u n fa ct or ya qu e se est u dia en
la s difer en t es con dicion es r epr esen t a da s por los n iveles de los ot r os
factores.
Desventajas
Debido a qu e los exper im en t os fa ct or ia les r equ ier en de u n gr a n n ú m er o
de t r a t a m ien t os, sobr e t odo cu a n do se est u dia n m u ch os fa ct or es con
muchos niveles, se tienen las siguientes desventajas:
1) Al u sa r bloqu es, es difícil en con t r a r gr u pos de unidades
experimentales h om ogén ea s pa r a a sign a r los t r a t a m ien t os. E st o se
elim in a u sa n do el con cept o de con fu sión , qu e es r edu cien do el
t a m a ñ o del bloqu e pa sa n do por a lt o la pr ecisión en cier t a s
interacciones de orden superior.
2) Se a u m en t a el cost o del exper im en t o a l t en er m u ch a s unidades
experimentales. Se m in im iza u sa n do los exper im en t os fa ctoriales
fr a ccion a dos, don de se pr u eba sólo u n a pa r t e de los t r a t a m ien t os
posibles.
3) Es difícil interpretar las interacciones de orden superior.
P or ejem plo: P a r a la siem br a de u n
Los exper im en t os fa ct or ia les m icr oor ga n ism o, es con ven ien t e
son ú t iles en in vest iga cion es est u dia r de m a n er a sim u lt a n ea
explor a t or ia s, en los qu e poco temperatura, pH , t iem po de
se sa be a cer ca de n iveles cr ecim ien t o, n u t r ien t es del m edio de
ópt im os de los fa ct or es o cu lt ivo, et c.; en sit u a cion es sim ila r es
cuáles son importantes es con ven ien t e in clu ir t est igos en el
experimento.

El Modelo
E n los a r r eglos fa ct or ia les se com bin a n el diseñ o de t r a t a m ien t os y el
diseño simple del experimento, correspondiéndole un modelo matemático;
por ejem plo: si el Diseñ o E xper im en t a l es u n Diseñ o de Bloqu es a l Azar,
el modelo es:
Yij = + i + j + ij con ij N(0, 2 )
E n el exper im en t o fa ct or ia l, los t r a t a m ien t os se for m a n com bin a n do
n iveles de los fa ct or es en est u dio, de m a n er a qu e el efect o de
tratamientos i se con sider a a su vez com pu est o de los efect os de los
fa ct or es y su s in t er a ccion es. P or lo qu e el m odelo de los t r a t a m ien t os, por
ejemplo, para dos factores en estudio será:
= Ak + Bl + (AB)kl
i
en donde: Ak = Efecto del nivel k del factor A.

Bl = Efecto del nivel l del Factor B .
(AB)kl= E fect o de la in t er a cción de los n iveles k y l de los
factores A y B, respectivamente.
E n t on ces el m odelo pa r a el a r r eglo fa ct or ia l ba jo el diseñ o de bloqu es a l

azar es: Yklj = + Ak + Bl + (AB)kl + j + klj
con: k = 1,2,... n1
l = 1,2,... n2
j = 1,2,... r
También se puede escribir como:
Yijk = + Ai + Bj + (AB)ij + k + ijk
con: i = 1,2,..., n1
j = 1,2,..., n2
k = 1,2,..., r
E st e es el m odelo pa r a el ca so m á s sim ple de los a r r eglos fa ct or ia les,
m odelos m á s com plica dos se ver á n a l est u dia r ca sos en don de se t en ga n
más de dos factores.
E s im por t a n t e a socia r a ca da exper im en t o fa ct or ia l u n m odelo, ya qu e a
pa r t ir del m odelo es posible obt en er los gr a dos de liber t a d, la s su m a s de
cu a dr a dos y la s esper a n za s de los cu a dr a dos m edios, m edia n t e r egla s
muy simples que se estudiarán posteriormente.

Notación
La m a yor ía de los a u t or es coin ciden en h a cer la n ot a ción de los fa ct or es
por let r a s m a yú scu la s; por ejem plo: los fa ct or es A, B, C, los n iveles de los
fa ct or es se den ot a n con let r a s m in ú scu la s con su bín dices; por ejem plo: el
fa ct or A t ien e los n iveles a 0, a 1, a 2 ..., siendo com ú n in icia r la n u m er a ción
de los niveles en cero.
Los t r a t a m ien t os se pu eden den ot a r con sider a n do la com bin a ción de los
n iveles de los fa ct or es A y B con n iveles, por ejem plo: a 0, a 1 y b 0, b 1
r espect iva m en t e, los t r a t a m ien t os se den ot a n por a 0 b 0, a 0 b 1, a 1 b 0, a 1 b 1 .
Ot r a for m a de den ot a r los t r a t a m ien t os es con sider a r solo el su bín dice
del n ivel; por ejem plo, los t r a t a m ien t os a n t er ior es se pu eden den ot a r de
la forma: 00, 01, 10, 11; en cada par, el primer número se refiere al factor
A y el segundo al factor B y así sucesivamente.
P a r a den ot a r el t ipo de exper im en t o fa ct or ia l en cu a n t o a l n ú m er o de
factores y niveles de cada factor, se considera la siguiente notación:
La n ot a ción en el ca so de los fa ct or ia les a sim ét r icos, se h a ce in dica n do el
pr odu ct o de los n iveles de ca da fa ct or , es decir si se t ien en 3 fa ct or es: A
con “p” n iveles, B con “q” n iveles y C con “r” n iveles, en t on ces se dice qu e
es un factorial p x q x r .
La notación en el caso de los factoriales simétricos, se hace mediante una
expr esión expon en cia l en el cu a l la ba se in dica el n ú m er o de n iveles y el
exponente el n ú m er o de fa ct or es, es decir , si se t ien en n fa ct or es a dos
n iveles ca da u n o, se dice qu e es u n fa ct or ia l 2 n , si se t ien en 3 n iveles de
cada factor, es un factorial 3n .
En el caso del factorial 2 n se tiene:
n efectos principales.
N(n-1)/2! Interacciones de 2 factores (primer orden).
N(n-1)(n-2)/3! Interacciones de 3 factores (segundo orden).
N(n-1)...(n-r+1) ! interacciones de r factores (r-1 orden)
Cu a n do a bor dem os el t em a del fa ct or ia l 2 2 se in t r odu cir á la

n ot a ción com plem en t a r ia pa r a el est u dio de los exper im en t os
factoriales.

Representacion Grafica de los Diseños Factoriales
Figura 5.- Representación Gráfica Figura 6.- Representación Gráfica del

del Diseño Factorial 22 Diseño Factorial 23
E l ANVA pa r a u n a r r eglo fa ct or ia l se obt ien e ca lcu la n do la s su m a s de
cu a dr a dos de los efect os pr in cipa les y de la s in t er a ccion es, la s qu e se pu eden
obtener por medio de dos procedimientos:
A) Por contrastes ortogonales.
B) Por medio del modelo estadístico correspondiente.
Análisis de las Interacciones

Si la in t er a cción no es sign ifica t iva (N.S.), en t on ces los fa ct or es son
independientes.
Si h a y in t er a cción u n fa ct or t ien e u n det er m in a do com por t a m ien t o fr en t e
a otro factor.
Por lo que, si hay interacción tenemos 2 formas de analizarlas:
1. Si la in t er a cción es sign ifica t iva , en t on ces exist e eviden cia
exper im en t a l de qu e h a y com por t a m ien t os difer en t es de u n fa ct or en
pr esen cia de ot r o, por lo t a n t o se debe h a cer u n a n á lisis de
comportamien t o de m edia s de los n iveles de u n fa ct or den t r o de los
niveles del otro factor.

Quien t ien e la F c m en or se ca lcu la den t r o de los n iveles del qu e t ien e la

Fc mayor.
Con sider em os u n ca so en el qu e los efect os pr om edios de los m edios de
cultivo (M.C.) son difer en t es en fu n ción del m icr oor ga n ism o M.O.) a
aislar. Se construye una tabla de medias de la siguiente forma:
M.O.
0 1
M.C. 0 17.2 19.2
1 17.2 25.4
Se calcula el estimador:
2 CME 2 CME
DMS t( , gle ) t ( 0 . 01 ,12 ) ( 3 . 428 )( 0 . 3439 ) 1 . 1791
r r
Se pr ocede a h a cer la s com pa r a cion es, en con t r á n dose en est e ca so qu e en
presencia del nivel de M.O. alto la mayor respuesta está en el 2º M.C.
2. Cuando n o h a y difer en cia sign ifica t iva (N.S.) en la in t er a cción , per o

si en los efect os pr in cipa les; se com pa r a n la s m edia s de los fa ct or es
principales:
Se comparan las medias del factor (A) Se comparan las medias del factor (B)
2CMErr 2CMErr
EE EE
ra rb
Don de “a ” y “b” son el n ú m er o de n iveles de ca da fa ct or y E E el E r r or
Estándar
La figu r a 7, m u est r a la m a n er a en com o se da n los efect os pr in cipa les y la s

interacciones de los diseños factoriales con tres dimensiones

F igu r a 7.- Repr esen t a ción Gr á fica de los efect os pr in cipa les e
interacciones en modelos factoriales de tres dimensiones
Referencias
Cochran, W.G. y Cox, G.M. Diseños Experimentales. Trillas,

México. 1995.
Cox, D.R. Planning of Experiments. Wiley, New York. 1992.


Hair J.F., Anderson R.E., Tatham R.L., Black W.C.: "Análisis

Multivariante", Ed. Prentice Hall, 5ª edición. 1999,

Hinkelmann, K. Design and analysis of experiments. John

Wiley & Sons, N.Y. (2005).

Lindman, H.R. Analysis of Variance in Experimental Design.

Springer-Verlag, N.Y. 1992.
Mason, R.L., Gunst, R.F. and Hess, J.L. Statistical Design

and Analysis of Experiments. Wiley, N.Y. 2003.


Applications. 1998.
Sixto Ríos. "Métodos Estadísticos", Ediciones del Castillo,

Madrid. 1977.


Ca pit u lo X:
Análisis de u n Ar r eglo F a ct or ia l por
Contrastes Ortogonales.
odo a r r eglo fa ct or ia l es eva lu a do ba jo u n diseñ o sim ple (DCA, DBA,

DCL, etc.); por lo t a n t o, pr im er a m en t e se obt ien e el ANVA pa r a el
diseñ o sim ple u t iliza do, a t r a vés del Modelo E st a díst ico
correspondiente, probando el juego de hipótesis para tratamientos.
Ho: El efecto de los tratamientos VS Ha: Al menos uno es diferente
es el mismos
P ost er ior m en t e, se a plica la m et odología de a n á lisis por con t r a st es or t ogon a les
pa r a con ocer los efect os de los fa ct or es pr in cipa les y de la s in t er a ccion es qu e
r esu lt en ; con el ANVA cor r espon dien t e se pr u eba n la s h ipót esis pa r a los
contrastes planeados.
Arreglo F actorial 2 x 2 (2 2 ).
Con sider em os u n exper im en t o fa ct or ia l qu e in clu ya dos fa ct or es (A y B)
con dos n iveles (0 y 1), desa r r olla do ba jo u n Diseñ o de Bloqu es a l Aza r ,
est e a r r eglo fa ct or ia l es con ocido com o 2 2 , en t on ces la s com bin a cion es y
los tratamientos son:
Factores: A y B niveles: 0 y 1
Diseño de los tratamientos
Factor A Factor B Tratamiento
a0 b0 a0b0 T1
a0 b1 a0b1 T2
a1 b0 a1b0 T3
a1 b1 a1b1 T4
Tratamientos: T 1 = a0 b 0 T 3 = a1 b 0
T 2 = a0 b 1 T 4 = a1 b 1

Las hipótesis a probar para el diseño simple son:

Ho : 1 = 2 = 3 = 4 vs Ha : al menos una j j
E n el ca so de est e ejem plo, las h ipót esis se pr u eba n con el ANVA pa r a el

Diseñ o de Bloqu es a l Aza r , cu yo m odelo est a díst ico, la s su m a s de
cu a dr a dos pa r a bloqu es, t r a t a m ien t os, er r or y el t ot a l son exa ct a m en t e
los mismos del DBA.
E n u n exper im en t o fa ct or ia l el in t er és es con ocer si los fa ct or es
principales a los niveles evaluados son diferentes o independientes
Por lo que las hipótesis a probar bajo estas condiciones son:

H 01 : no hay efecto del factor A vs H a1: hay efecto del factor A
H 02 : no hay efecto del factor B vs H a2: hay efecto del factor B
H 03 : no hay interacción AxB vs H a3: hay interacción AxB
(Se comparan los niveles bajos contra los niveles altos de cada factor)
Las hipótesis equivalentes a probar por contrastes ortogonales son:

H 01 : 1 + 2 = 3 + 4 vs H a1: 1 + 2 3 + 4
H 02 : 1 + 3 = 2 + 4 vs H a2: 1 + 3 2 + 4
H 03 : 1 + 4 = 2 + 3 vs H a3: 1 + 4 2 + 3
E st a s h ipót esis r epr esen t a da s com o con t r a st es de a n á lisis y la t a bla de

coeficientes respectiva, es:
CONTRASTES TABLA DE COEFICIENTES

1 2 3 4
C1 : 1 + 2 - 3 - 4 C1 1 1 -1 -1
C2 : 1 - 2 + 3 - 4 C2 1 -1 1 -1
C3 : 1 - 2 - 3 + 4 C3 1 -1 -1 1

La s su m a s de cu a dr a dos pa r a los efect os pr in cipa les y la in t er a cción se

calculan con:
C12 t
SC( A) t conC1 ci1Ti
2 T i=Total del trat.
r ci1 i 1
i 1
C22 t
SC( B ) t conC2 ci 2 Ti
r c i2 i 1
i 1
C32 t
SC( AxB ) t conC3 ci 3Ti
r c i3 i 1
i 1
Cuadro 19. Elementos del Análisis de la Varianza para un Diseño

Factorial 2 2 por DBA, mediante contrastes ortogonales
FV GL SC
Bloques r -1 SC ( )
Tratamientos t -1 = 3 SC (Trat)
A 1* SC (A)
B 1* SC (B)
AxB 1* SC (AxB)
Error (t-1)(r-1) por diferencia
Total rt-1 SC (total)
*E l gr a do de liber t a d se sa ca del n ú m er o de n iveles m en os u n o; ejemplo:
2 2 tiene 2 factores con 2 niveles, por lo que tiene G.L.=2-1=1.
Otro ejemplo sería en el caso de un 32

F.V. G.L.
Tratamientos t -1=(9-1)=8
A 3-1=2
B 3-1=2
(A*B) (3-1)(3-1)=4

Ejemplo 2 2 : Se desa r r olla u n exper im en t o pa r a eva lu a r en qu e m edio de

cu lt ivo y qu e especie de Br u cella es la qu e cr ece m ejor en la zon a . Se
t ien en 2 m edios de cu lt ivo (a ga r soya t r ipt ica sa y Ru iz Ca st a ñ eda ) y la s
br u cella s qu e se desea n a isla r son Br u cella a bor t u s y Brucella
mellitensis. E n el exper im en t o se bloqu eo por 4 difer en t es por t a dor es de
la s br u cella s. La va r ia ble de r espu est a fu er on el n ú m er o de colon ia s qu e
crecieron en los medios de cultivo.
2 Factores
Diseño: 2 Niveles
A: Brucellas a0 Br. abortus

F a ct or es
a1 Br. mellitensis
B: Medios de cultivo b0 Agar soya tripticasa
b1 Ruiz Castañeda
Diseño del experimento: D.B.A.

T1 T2 T3 T4
Bloques
a 0b 0 a 0b 1 a 1b 0 a 1b 1
1 20 15 19 12 66
2 19 14 18 17 68
3 14 12 18 14 58
4 25 18 20 14 77
78 59 75 57 269
Antes que nada se resuelve el diseño simple para el juego de hipótesis:

es el mismos
F.V. G.L. S.C. C.M. F Pr.

Tratamiento 3 87.1875 29.0625 5.28 0.0225
Bloque 3 45.6875 15.2291 2.764 0.103
Error 9 49.5625 5.5069
Total 15 182.4375
Se obser va qu e exist en difer en cia s a lt a m en t e sign ifica t iva s en los
tratamientos.

Un a vez r esu elt o el diseñ o sim ple se pr ocede a ver ifica r la s h ipót esis de
los factores en los tratamientos:
HIPOTESIS: CONTRASTES:
Ho(A): T1+T2 = T3 + T4 C1 : T1+T2-T3-T4=0
Ho(B) : T1+T3 = T2 + T4 C2 : T1-T2+T3-T4=0
Ho(AB): T1+T4 = T2 + T3 C3 : T1-T2-T3+T4=0
Tabla de coeficientes
T1 T2 T3 T4
C1 1 1 -1 -1
C2 1 -1 1 -1
C3 1 -1 -1 1
Evaluación de ortogonalidad
C1 y C2 = (1)(1) + (1)(-1) + (-1)(1) + (-1)(-1) = 0
C1 y C3 = (1)(1) + (1)(-1) + (-1)(-1) + (-1)(1) = 0
C2 y C3 = (1)(1) + (-1)(-1) + (1)(-1) + (-1)(1) = 0
2
C12 78 59 75 57 25
SC ( A) 1.5625
r ci21 4 12 12 12 12 16
2
C 22 78 59 75 57 1369
SC ( B ) 85.5625
r ci22 4 12 12 12 12 16
2
C 32 78 59 75 57 1
SC ( AB ) 0.0625
r c i23 4 12 12 12 12 16
Como se puede observar en la presente t a bla , los tratamientos son

descompuestos en los efectos pr in cipa les de los factores qu e lo integran y
las interacciones de estos.


A 1 1.5625 1.5625 0.2837n.s. 0.612
B 1 85.5625 85.5625 15.5372** 0.004
AB 1 0.0625 0.0625 0.0113 n.s. 0.914
Bloque 3 45.6875 15.2291 2.764 n.s. 0.103
Error 9 49.5625 5.5069
Total 15 182.4375
La lectura de la t a bla queda de la siguiente forma : Los t r a t a m ien t os del
fa ct or A (br u cella s), tienen el m ism o efect o, es decir qu e la s dos crecen de
igual forma. P or ot r a pa r t e el fa ct or B (medios de cultivo) muestra
difer en cia s a lt a m en t e sign ifica t iva s, lo que indica que uno de los medios
fu n cion a m ejor qu e el otro. No h a y sign ifica n cia en la s interacciones, lo
que indica que los factores actúan de manera INDEPENDIENTE.

Arreglo Factorial 2x2x2 (2 3 ).

Con sider em os u n exper im en t o fa ct or ia l qu e in clu ya 3 fa ct or es (A, B y C)
con 2 n iveles (0 y 1), desa r r olla do ba jo u n D.B.A., est e a r r eglo fa ct or ia l es
conocido como 23 . Entonces las combinaciones y los tratamientos son:
Factores: A, B y C Niveles: 0 y 1
Factor A Factor B Factor C Tratamientos
a0 b0 c0 a0b0c0 T1
a0 b0 c1 a0b0c1 T2
a0 b1 c0 a0b1c0 T3
a0 b1 c1 a0b1c1 T4
a1 b0 c0 a1b0c0 T5
a1 b0 c1 a1b0c1 T6
a1 b1 c0 a1b1c0 T7
a1 b1 c1 a1b1c1 T8
Tratamientos: T 1 =a0 b 0 c0 T 2 =a0 b 0 c1 T 3 =a0 b 1 c0 T 4 =a0 b 1 c1

T 5 =a1 b 0 c0 T 6 =a1 b 0 c1 T 7 =a1 b 1 c0 T 8 =a1 b 1 c1
Las hipótesis a probar para el diseño simple son:

H0 : 1 = 2 = 3 = 4 = 5 = 6 = 7 = 8 vs Ha : al menos una 1 2
E st a s h ipót esis se pr u eba n con el ANVA pa r a el Diseñ o de Bloqu es a l

Aza r , cu yo m odelo est a díst ico, la s su m a s de cu a dr a dos pa r a bloqu es,
tratamientos, error y el total son los del DBA.

E l in t er és es con ocer si los fa ct or es pr in cipa les a los n iveles evaluados

son diferentes e independientes, por lo que las hipótesis a probar son:
H 03 : no hay efecto del factor C vs H a3: hay efecto del factor C
H 05 : no hay interacción AxC vs H a5: hay interacción AxC
H 06 : no hay interacción BxC vs H a6: hay interacción BxC
H 07 : no hay interacción AxBxC vs H a7: hay interacción AxBxC
Las hipótesis equivalentes a probar por contrastes ortogonales son:

a0 a1
H 01 : 1 + 2 + 3 + 4 = 5 + 6 + 7 + 8 vs Ha1: 1 + 2 + 3 + 4 5 + 6 + 7 + 8
b0 b1
H 02 : 1 + 2 + 5 + 6 = 3 + 4 + 7 + 8 vs Ha2: 1 + 2 + 5 + 6 3 + 4 + 7 + 8
c0 c1
H 03 : 1 + 3 + 5 + 7 = 2 + 4 + 6 + 8 vs Ha3: 1 + 3 + 5 + 7 2 + 4 + 6 + 8
a 0 b o, a 1 b 1 a 0 b 1 , a1 b 0
H 04 : 1 + 2 + 7 + 8 = 3 + 4 + 5 + 6 vs Ha4: 1 + 2 + 7 + 8 3 + 4 + 5 + 6
a 0 co, a1 c1 a 0 c1 , a1 c0
H 05 : 1 + 3 + 6 + 8 = 2 + 4 + 5 + 7 vs Ha5: 1 + 3 + 6 + 8 2 + 4 + 5 + 7
b 0 co, b1 c1 b 0 c1 , b1 c0
H 06 : 1 + 4 + 5 + 8 = 2 + 3 + 6 + 7 vs Ha6: 1 + 4 + 5 + 8 2 + 3 + 6 + 7
H 07 : 1 + 4 + 6 + 7 = 2 + 3 + 5 + 8 vs Ha7: 1 + 4 + 6 + 7 2+ 3+ 5+ 8
E st a s h ipót esis r epr esen t a da s com o con t r a st es de An á lisis y la Ta bla de

Coeficientes respectiva, es:
CONTRASTES:
C1 : 1 + 2 + 3+ 4- 5- 6- 7- 8
C2 : 1 + 2 - 3 - 4 + 5 + 6 - 7 - 8
C3 : 1 - 2 + 3 - 4 + 5 - 6 + 7 - 8
C4 : 1 + 2 - 3 - 4 - 5 - 6 + 7 + 8
C5 : 1 - 2 + 3 - 4 - 5 + 6 - 7 + 8
C6 : 1 - 2 - 3 + 4 + 5 - 6 - 7 + 8
C7 : 1 - 2 - 3 + 4 - 5 + 6 + 7 - 8

Tabla de Coeficientes
Tratamientos
T1 T2 T3 T4 T5 T5 T7 T8
Factor Contraste 000 001 010 011 100 101 110 111
A C1 1 1 1 1 -1 -1 -1 -1
B C2 1 1 -1 -1 1 1 -1 -1
C C3 1 -1 1 -1 1 -1 1 -1
AxB C4 1 1 -1 -1 -1 -1 1 1
AxC C5 1 -1 1 -1 -1 1 -1 1
BxC C6 1 -1 -1 1 1 -1 -1 1
AxBxC C7 1 -1 -1 1 -1 1 1 -1
La s su m a s de cu a dr a dos pa r a los efect os pr in cipa les y la in t er a cción se

calculan con:
C12 t
SC( A) t conC1 ci1Ti
2
r ci1 i 1
i 1
C22 t
SC( B ) t conC2 ci 2 Ti
2
r c i2 i 1
i 1
C32 t
SC( C ) t conC3 ci 3Ti
2
r ci3 i 1
i 1
C42 t
SC( AxB ) t conC4 ci 4 Ti
2
r c i4 i 1
i 1

C52 t
SC( AxC ) t conC5 ci 5Ti
2
r c i5 i 1
i 1
C62 t
SC( BxC ) t conC6 ci 6Ti
2
r c i6 i 1
i 1
C72 t
SC( AxBxC ) t conC7 ci 7 Ti
2
r c i7 i 1
i 1

Factorial 2 3 por DBA
FV GL SC
Bloques r -1 SC( )
Tratamientos t -1 = 7 SC(trat)
A 1 SC(A)
B 1 SC(B)
C 1 SC(C)
AxB 1 SC(AxB)
AxC 1 SC(AxC)
BxC 1 SC(BxC)
AxBxC 1 SC(AxBxC)
Error (t-1)(r-1) Por diferencia
Total rt-1 SC(total)

E jem plo 2 3 .- Se a n a liza el a gu a de pozos de difer en t es pa r t es de la

ciu da d, t om á n dose m u est r a s de cu a t r o zon a s su bu r ba n a s. Se pr ocedió a
cu lt iva r la s m u est r a s en dos difer en t es m edios de cu lt ivo (M.C.), ba jo 2
difer en t es t em per a t u r a s (t °) y pH pa r a el cr ecim ien t o de coliformes
fecales, ejecu t á n dose ba jo u n DBA, en don de los n iveles de ca da fa ct or
fueron los siguientes:
Factor Nivel 0 Nivel 1
A M.C. Mackonkey Sulfito de Bismuto
B t° 35°C 37°C
C pH 6.2 6.6
E l n ú m er o de colon ia s qu e cr ecier on com o r esu lt a do de la com bin a ción de
los factores estudiados fueron los siguientes:
Tratamientos
r 2
T1 T2 T3 T4 T5 T6 T7 T8 j=1Y .j
Bloq. 000 00 010 011 100 101 11 11
1 0 1
I 10 12 12 16 11 13 14 20 108
II 12 14 13 16 12 14 15 22 118
III 11 14 13 19 12 16 13 24 122
IV 14 16 13 22 11 18 14 24 132
t
i=1 Y2i. 47 56 51 73 46 61 56 90 480
x 11.75 14 12.7 18.2 11.5 15.2 14 22
5 5 5 5
Las hipótesis a probar para el diseño DBA son:

Ho: T1 = T2= ....T8 vs Ha: al menos un Ti es diferente
F.V. G.L. S.C. C.M. Fc Pr

Bloques r -1 = 3 37 12.3333 7.6178** 0.0012
Trat. t -1 = 7 387 55.2857 34.1480** 0.000
Error (t-1)(r-1) = 21 34 1.6190
Total rt - 1 = 31 487
Se obser va qu e h a y difer en cia s a lt a m en t e sign ifica t iva s en t r a t a m ien t os
y en bloques

Un a vez ver ifica da la h ipót esis de t r a t a m ien t os, se pr ocede a ver ifica r la
hipótesis de los factores:
H 01: no hay efecto del factor A vs H a1: hay efecto del factor A
H 02: no hay efecto del factor B vs H a2: hay efecto del factor B
H 03: no hay efecto del factor C vs H a3: hay efecto del factor C
H 04: no hay interacción AxB vs H a4: hay interacción AxB
H 05: no hay interacción AxC vs H a5: hay interacción AxC
H 06: no hay interacción BxC vs H a6: hay interacción BxC
H 07: no hay interacción AxBxC vs H a7: hay interacción AxBxC

Bloques r -1 = 3 37 12.3333 7.6178** 0.0012
Trat. t -1 = 7 387 55.2857 34.1480** 0.0000
A 1 21.125 21.125 7.14* 0.0133
B 1 112.5 112.5 38.03** 0.0000
C 1 200.0 200.0 67.61** 0.0000
AB 1 10.125 10.125 3.42* 0.0767
AC 1 10.125 10.125 3.42* 0.0767
BC 1 32.0 32.0 10.82** 0.0031
ABC 1 1.125 1.125 0.38n.s. 0.5433
Error (t-1)(r-1) = 21 34 1.6190
Total rt - 1 = 31 487
Con r espect o a los fa ct or es, los m edios de cu lt ivo (A) presentan
difer en cia s sign ifica t iva s y la s t em per a t u r a s (B) y pH (C) pr esen t a n
diferencias a lt a m en t e sign ifica t iva s, lo cu a l in dica qu e los n iveles
t r a ba ja n de m a n er a difer en t e u n o de ot r o. P or ot r a pa r t e la s
in t er a ccion es del fa ct or m edios de cu lt ivo (A), con t em per a t u r a (B) y pH
(C), muestran diferencias significativas, es decir existen interacción entre
ellos; y la in t er a cción de la t em per a t u r a (B) con pH (C) muestra
difer en cia s a lt a m en t e sign ifica t iva s (u n a m a yor in t er a ción ). Sin em ba r go
al estar preentes los tres actores, no se da interacción alguna.

Problemario de Arreglos Factoriales por Contrastes

Ortogonales
36.- Se r ea liza u n est u dio en n u est r o est a do eva lu a n do a 2 fá r m a cos
a n t ipa lú dicos: P ir im et a m in a a 2 difer en t es con cen t r a cion es 2 y 5 m g y
Clor oqu in a a dos difer en t es Pirimetamina Cloroquina Parásitos Pacientes
Curados
con cen t r a cion es, 3 y 6 m g. en 2mg. 3mg. P. falciparum 21
pa cien t es con pa lu dismo. 2mg. 3mg. P. vivax 20
An á lisis pr evios in dica n qu e 2mg. 3mg. P. malariae 17
los a gen t es ca u sa les son los 2mg. 6mg. P. falciparum 23
parásitos Plasmodium 2mg. 6mg. P. vivax 24
fa lcipa r u m , P la sm odiu m 2mg. 6mg. P. malariae 22
5mg. 3mg. P. falciparum 19
viva x y P la sm odiu m
5mg. 3mg. P. vivax 21
malariae. Se det er m in o la 5mg. 3mg. P. malariae 16
eficien cia de los fá r m a cos en 5mg. 6mg. P. falciparum 22
el n ú m er o de pa cien t es 5mg. 6mg. P. vivax 24
cu r a dos. Los r esu lt a dos 5mg. 6mg. P. malariae 14
obtenidos fueron los siguientes:
37.- E n el H ospital General de Zon a 1 del IMSS se a n a lizó el ín dice de

in feccion es va gin a les en m u jer es con diferente actividad sexual (activas y
pasivas) en con t r á n dose una m a yor pr eva len cia de dos t ipos de vir u s
(VP H y VH S); t om a n do en cu en t a qu e el est u dio se r ea lizó a m u jer es de
difer en t es eda des (de 15 - 25, 26 – 35, 36 – 45, 46 – 55) y difer en t e n ivel
social (baja, media baja, media alta y alta).
VPH: virus del papiloma humano VHS: virus del herpes simple
FACTORES: A: Actividad Sexual ao: Activas a1: Pasivas

B: virus bo: VPH b1: VHS
Nivel Social
Edades Baja Media Media Alta
baja alta
15-25 T4- 17 T1- 15 T2- 16 T3- 14
26-35 T1- 16 T2- 14 T3- 10 T4- 15
36-45 T2- 15 T3- 16 T4- 13 T1- 11
46-55 T3- 9 T4- 13 T1- 15 T2- 10

38.- Se realizó un experimento para evaluar la eficacia de 2 insecticidas a

2 vect or es de Leish m a n ia , pa r a ver cu a l de los vect or es es m á s sen sible a
estos; est e est u dio se r ea lizó en 4 zon a s del est a do de Ch ia pa s (zon a
selva , zon a a lt os, zon a
cost a , zon a socon u sco), se T1 T2 T3 T4
t ien en 2 in sect icida s: DDT y 00 01 10 11
MALATION, los vect or es I (ZONA SELVA) 16 15 13 10
qu e se desea n elim in a r son : II (ZONA ALTOS) 13 14 12 11
Lu t zom yia ver r u ca r u m y III (ZONA COSTA) 14 15 16 16
Lu t zom yia n ogu ch i. E n el IV (ZONA SOCONUSCO) 10 12 12 14
exper im en t o se u t iliza r on u n ida des exper ien t a les con 20 vect or es y se
evaluo el número de muertes de un tiempo de exposición.
FACTORES A: INSECTICIDA a0 : DDT

a1: MALATION
B: VECTORES b0 : Lutzomyia verrucarum
b1 : Lutzomyia noguchi
39.- Un a m icr oem pr esa se dedica a la pr odu cción de a lim en t os der iva dos
de la lech e. E m plea n lech e de va ca y ca br a , a m bos a n im a les t ien e dos
fu en t es de agua: r ío y pozo. Se r ea liza u n a n á lisis
T1 T2 T3 T4
bacteriológico para determinar el control de calidad en
00 01 10 11
la pr odu cción de qu eso, det er m in á n dose m edia n t e un
5 4 5 3
r ecu en t o de colon ia s de la en t er oba ct er ia E . Coli
aisladas del medio EMB de quesos escogidos al azar (5 7 5 4 5
qu esos con 4 r epet icion es ca da u n o). La en t er oba ct er ia 5 2 6 4
se en cu en t r a a cept a ble en u n lim it e de 1 a 4 UF C/ m l. 7 4 5 2
a isla da s de u n a dilu ción del qu eso 1:10. Los 6 3 7 2
resultados obtenidos son en UFC/ ml.
Factores: A: LECHES: a0: vaca

a1: cabra
B: AGUA: b0: Río
b1: potable
40.- Un a com pa ñ ía dedica da a la fa br ica ción de m edica m en t os desea

pr oba r u n n u evo m edica m en t o el cu á l con st a de la com bin a ción de dos
fá r m a cos u n a pen icilin a (a m picilin a ) y u n a su lfa m ida (su lfa m et oxa zol)
per o se cu en t a con dos con cen t r a cion es pa r a ca da fá r m a co 200 y 300 m g
pa r a Am picilin a y 100 y 400 m g pa r a Su lfa m et oxa zol. Dich o la bor a t or io

r ea liza u n exper im en t o pa r a det er m in a r la efica cia de la com bin a ción de

los fá r m a cos y su s con cen t r a cion es. Los fá r m a cos son a n t ibiót icos y se
probaron en medios de cultivo con cepas de:
E. Coli,
Proteus spp.,
Klebsiella spp.,
Pseudomona aeruginosa;
m idien do el h a lo de in h ibición de cr ecim ien t o en m ilím et r os (m m )
a lr ededor de u n m u lt idisco con t en ien do los sen sidiscos de los n u evos
medicamentos a probar.
Ampicilina Sulfametoxasol Bacterias Inhibición

(mm)
200 100 E. coli 3
200 100 Proteus spp 4
200 100 Klebsiella spp 3
200 100 Pseudomona auruginosa 2
200 400 E. coli 2
300 100 E. coli 1
300 400 E. coli 2
Referencias


1992.




1999,






Applications. 1998.



Ca pit u lo XI:
An á lisis de u n Ar r eglo F a ct or ia l por
Medio del Modelo Factorial.
l igu a l qu e en el ca pit u lo a n t er ior , el a n á lisis de u n a r r eglo

fa ct or ia l t a m bién pu ede r ea liza r se con st r u yen do el ANVA
mediante el modelo factorial correspondiente.
En el ca so de u n a r r eglo fa ct or ia l 2 2 con dos fa ct or es (A y B) y dos n iveles
(0 y 1) ba jo u n Diseñ o de Bloqu es a l Aza r , la s com bin a cion es y los
tratamientos son:
FACTORES: A y B NIVELES: 0 y 1
Factor A Factor B Tratamiento
a0 b0 a0b0 T1
a0 b1 a0b1 T2
a1 b0 a1b0 T3
a1 b1 a1b1 T4
TRATAMIENTOS: T 1 = a0 b 0 T 3 = a1 b 0
T 2 = a0 b 1 T 4 = a1 b 1
E l m odelo m a t em á t ico pa r a est e a r r eglo es descom pon er el t r a t a m ien t o
en los diferentes factores e interacciones:
Yijk = + j + Aj +Bk + (AB)jk+ ijk
con: y = 1,2,..., r
j = 1,2,..., a a=2
k = 1,2,..., b b=2
donde:
Yijk= E s la obser va ción del n ivel j del fa ct or A, n ivel k del fa ct or B en
el i-ésimo bloque.
= Es la media verdadera general.
J = Es el efecto verdadero del i-ésimo bloque.
Aj= Es el efecto verdadero del nivel j del factor A.
B k = Es el efecto verdadero del nivel k del factor B.
(AB)jk= E s el efect o ver da der o de la in t er a cción de los n iveles j y k de
los factores A y B.
Ijk= El error experimental de la ijk-ésima observación.
Las hipótesis a probar son:

La tabla de datos es de la siguiente forma:

TRATAMIENTOS
BLOQUES 1 2 3 4 y1
a ob o a ob 1 a 1b o a 1b 1
I y 111 y 112 y 121 y 122 y 1..
II y 211 y 212 y 221 y 222 y 2..
III y 311 y 312 y 321 y 322 y 3..
. . . . . .
R y r11 y r12 y r21 y r22 yr
y jk y .11 y .12 y .21 y .22 y ..
Donde Yrab= r :Bloque, a :Nivel del factor I, b:Nivel del Factor II.
E l cu a dr o del a n á lisis de la va r ia n za se con st r u ye ca lcu la n do los gr a dos
de liber t a d y la s su m a s de cu a dr a dos m edia n t e ecu a cion es qu e se pu eden
obt en er dir ect a m en t e del m odelo. Son r egla s vá lida s ú n ica m en t e pa r a
a r r eglos com plet os ba la n cea dos (la s posibles cla sifica cion es de est os
t ien en igu a l n ú m er o de obser va cion es en la s celda s, y pa r a los cu a les
cada nivel de los factores se repite el mismo número de veces).
E l est u dio de los efect os del fa ct or ia l 2 2 se h a ce en ba se a los t ot a les de
ca da fa ct or en los n iveles da dos y de la in t er a cción , con la sigu ien t e

n ot a ción : los efect os pr in cipa les se den ot a n por let r a s m a yú scu la s, por
ejemplo: A y B; la interacción por AB, entonces tendremos:
El total para el nivel bajo del factor A se denota por:
(A)j=0 = Ta0 b 0 + Ta0 b 1
El total para el nivel alto del factor A es:
(A)j=1 = Ta1 b 0 + Ta1 b 1
Don de: Ta 0 b 0 , Ta 0 b 1 , Ta 1 b 0 , Ta 1 b 1 den ot a n los t ot a les de los t r a t a m ien t os
a 0 b 0 , a0 b 1 , a1 b 0 , y a1 b 1 , respectivamente.
De igual forma se tienen los totales para el factor B:

(B)k=0 = Ta0 b 0 + Ta1 b 0
(B)k=1 = Ta0 b 1 + Ta1 b 1
Para la interacción: (AB)j+k=0 = Ta0 b 0 + Ta1 b 1
(AB)j+k=1 = Ta0 b 1 + Ta1 b 0
E l t ot a l (AB)j+k=0 se obt ien e su m a n do los t ot a les de los t r a t a m ien t os a 0 b 0
y a 1 b 1 , obser ve qu e j+k = 0 in dica la su m a de los ín dices, o sea cu a n do
j+k=2 equivale a j+k=0.
Los efectos se definen como:

1
A ( A) j 1 ( A) j 0
2r
1
B ( B) k 1 ( B) k 0
2r
1
AB ( AB ) j k 0 ( AB ) j k 1
2r
P a r a ver si est os efect os son sign ifica t ivos se pr u eba n la s h ipót esis
correspondientes en el cuadro del análisis de la varianza.

Las reglas para encontrar los G.L. y las S.C. son:

1) Se considera el modelo.
2) Para ca da t ér m in o del m odelo h a br á u n a h iler a en el cu a dr o de
análisis de varianza.
3) P a r a ca da t ér m in o del m odelo se det er m in a su “P r odu ct o Sim bólico”,
que es igual al índice menos uno o el producto de estos en el término;
los grados de libertad se obtienen al sustituir el índice en el producto
sim bólico por el m á xim o va lor qu e pu ede t om a r ; por ejem plo en
arreglo 22 :
FACTOR INDICE P. SIMBOLICO G.L.
Bloques i j-1 r -1
A j j-1 a -1
B k k-1 b-1
AxB j, k (j-1)(k-1) (a-1)(b-1)
4) Para obtener las sumas de cuadrados se realiza:
a) Se suma sobre los índices que no están en el producto simbólico.
b) Se elevan al cuadrado los totales.
c) Se divide en t r e el m á xim o va lor qu e pu eden t om a r los ín dices
que forman el total.
d) Se suma sobre los índices que si están en el producto simbólico.
Con sider em os el a r r eglo fa ct or ia l a n t es descr it o del m odelo. Se t ien en la s
fu en t es de va r ia ción , los pr odu ct os sim bólicos y los gr a dos de liber t a d
siguientes (ver cuadro 21)
Cu a dr o 21.- F u en t es de va r ia ción , los pr odu ct os sim bólicos y los
grados de libertad de un diseño factorial 22 bajo un DBA
FV PS GL
Media 1 1
Bloques i-1 r -1
A j-1 a -1
B k-1 b-1
AB (j-1)(k-1) (a-1)(b-1
Error Por diferencia Por diferencia
Total ijk-1 rab-1

NOTA: E l pr odu ct o sim bólico pa r a la m edia es u n o; el pr odu ct o simbólico

pa r a el t ot a l es el pr odu ct o sim ple de t odos los ín dices; el pr odu ct o
simbólico para el error se obtiene por diferencia.
Las sumas de cuadrados, obtenidas con los productos simbólicos son:
r a b
2 ( y ...) 2
Total: P.S. = ijk - 1
SCtotal y ijk
i 1 j 1 k 1 rab
r
yi2.. ( y ...) 2
Bloques: i - 1 SCBloques
i 1 ab rab
a
y.2j . ( y ...) 2
Factor A: j - 1
SC ( A)
j 1 rb rab
b
y..2k ( y ...) 2
Factor B: k - 1 SC ( B )
k 1 ra rab
Interacción AxB: (j - 1) (k - 1) = (jk - 1) - (j -1) - (k -1)
a b
y.2jk ( y ...) 2
SC ( AxB ) SCFact ( A) SCFact ( B )
i 1 k 1 r rab
Error: (ijk - 1) - (i - 1) - (j - 1) - (i - 1)(j - 1)
SC Error = SC Total - SC Bloques - SC(A) - SC(B) - SC(AxB)


Factorial 2 2 por DBA mediante el modelo factorial
FV GL SC
Bloques r-1 SC ( )
Tratamientos t-1=3 SC (Trat)
A a-1=1 SC (A)
B b-1=1 SC (B)
AxB (a-1)(b-1) = 1 SC (AxB)
Total rt - 1 SC (Total)
Ejemplo 2 2 : Se desa r r olla u n exper im en t o pa r a eva lu a r en qu e m edio de

cu lt ivo y qu e especie de Br u cella es la qu e cr ece m ejor en la zon a . Se
t ien en 2 m edios de cu lt ivo (a ga r soya t r ipt ica sa y Ru iz Ca st a ñ eda ) y la s
br u cella s qu e se desea n a isla r son Br u cella a bor t u s y Brucella
mellitensis. E n el exper im en t o se bloqu eo por 4 difer en t es por t a dor es de
la s br u cella s. La va r ia ble de r espu est a fu er on el n ú m er o de colon ia s qu e
crecieron en los medios de cultivo.
2 Factores
Diseño: 2 Niveles
A: Brucellas a0 Br. abortus

F a ct or es
a1 Br. mellitensis
B: Medios de cultivo b0 Agar soya tripticasa
b1 Ruiz Castañeda
Diseño del experimento: D.B.A.

T1 T2 T3 T4
Bloques
a 0b 0 a 0b 1 a 1b 0 a 1b 1
1 20 15 19 12 66
2 19 14 18 17 68
3 14 12 18 14 58
4 25 18 20 14 77
78 59 75 57 269
r =i, a =j, b =k

Antes que nada se resuelve el diseño simple para el juego de hipótesis:

es el mismos

Tratamiento 3 87.1875 29.0625 5.28 0.0225
Bloque 3 45.6875 15.2291 2.764 0.103
Error 9 49.5625 5.5069
Total 15 182.4375
Se obser va qu e exist en difer en cia s a lt a m en t e sign ifica t iva s en los
tratamientos.
Un a vez r esu elt o el diseñ o sim ple se pr ocede a ver ifica r la s h ipót esis de
los factores en los tratamientos:
Sumatorias por los niveles de los factores: ao =137 bo =153

a1 =132 b1 =116
r
y i2.. y ...2 66 2
68 2
58 2
77 2
269 2
SC . Bloq . 45 . 6875
i ab rab 2 2 4 2 2
r y .2j . y ...2 137 2

132 2
269 2
SC .( A ) 1 . 5625
i rb rab 4 2 4 2 2
r
y ..2k y ...2 153 2
116 2
269 2
SC .( B ) 85 . 5625
i ra rab 4 2 4 2 2
r y .2jk y ...2
SC .( AB ) SC ( A ) SC ( B )
i r rab
2 2 2 2
78 59 75 57 269 2
SC ( AB ) 1 . 5625 85 . 5625 0 . 0625
4 4 2 2


A 1 1.5625 1.5625 0.2837 0.612
B 1 85.5625 85.5625 15.5372 0.004
AB 1 0.0625 0.0625 0.0113 0.914
Bloque 3 45.6875 15.2291 2.764 0.103
Error 9 49.5625 5.5069
Total 15 182.4375
La lectura de la t a bla queda de la siguiente forma : Los t r a t a m ien t os del

fa ct or A (br u cella s), tienen el m ism o efect o, es decir qu e la s dos crecen de
igual forma. P or ot r a pa r t e el fa ct or B (medios de cultivo) muestra
difer en cia s a lt a m en t e sign ifica t iva s, lo que indica que uno de los medios
fu n cion a m ejor qu e el otro. No h a y sign ifica n cia en la s interacciones, lo
que indica que los factores actúan de manera INDEPENDIENTE.

Con sider em os u n a r r eglo fa ct or ia l 2 3 con t r es fa ct or es (A; B y C) y dos

niveles (0 y 1), bajo un D.B.A., las combinaciones y los tratamientos son:
Factores: A, B y C Niveles: 0 y 1

Factor A Factor B Factor C Tratamientos
a0 b0 c0 a0b0c0 T1
a0 b0 c1 a0b0c1 T2
a0 b1 c0 a0b1c0 T3
a0 b1 c1 a0b1c1 T4
a1 b0 c0 a1b0c0 T5
a1 b0 c1 a1b0c1 T6
a1 b1 c0 a1b1c0 T7
a1 b1 c1 a1b1c1 T8
Tratamientos: T 1 =a0 b 0 c0 T 2 =a0 b 0 c1 T 3 =a0 b 1 c0 T 4 =a0 b 1 c1

T 5 =a1 b 0 c0 T 6 =a1 b 0 c1 T 7 =a1 b 1 c0 T 8 =a1 b 1 c1
Las hipótesis a probar en el diseño simple son:

H o: 1 = 2 =: 3 = 4 = 5 = 6 =: 7 = 8 vs Ha : al menos una 1 1
E l m odelo m a t em á t ico pa r a est e a r r eglo es descom pon er el t r a t a m ien t o

en los diferentes factores e interacciones:
Yijkl = + i + Aj + Bk + Cl + (AB)jk + (AC)jl + (BC)kl + (ABC)jkl + ijkl
con: i = 1,2, ..., r

j = 1,2, ..., a a=2
k = 1,2, ..., b b=2
l = 1,2, ..., c c=2

donde:
Yijk = E s la obser va ción del n ivel j del fa ct or A, n ivel k del fa ct or B,
nivel 1 en el i ésimo bloque.
= Es la media verdadera general.
y = Es el efecto verdadero del i-ésimo bloque.
Aj = Es el efecto verdadero del nivel j del factor A.
B k = Es el efecto verdadero del nivel k del factor B.
C l = Es el efecto verdadero del nivel l del factor C.
(AB)jk= E s el efect o ver da der o de la in t er a cción de los n iveles j y k de
los factores A y B.
(AC)jl= E s el efect o ver da der o de la in t er a cción de los n iveles j y l de
los factores A y C.
(BC)kl = E s el efect o ver da der o de la in t er a cción de los n iveles k y l de
los factores B y C.
(ABC)jkl= Es el efect o ver da der o de la in t er a cción de los n iveles k, k y l
de los factores A, B y C.
Ijkl = El error experimental de la ijkl-ésima observación.
En el arreglo factorial el interés es conocer si los factores principales a los

n iveles eva lu a dos son difer en t es e in depen dien t es; la s h ipót esis a pr oba r
son:
H 07: no hay interacción AxBxC vs H a 7 : hay interacción AxBxC

La Tabla de Datos es de la siguiente forma:

Tr a t a m ien t os
Bloques 1 2 3 4 5 6 7 8 y i...
a 0 b 0 c0 a 0 b 0 c1 a 0 b 1 c0 a 0 b 1 c1 a 1 b 0 c0 a 1 b 0 c1 a 1 b 1 c0 a 1 b 1 c1
I y 1111 y 1112 y 1121 y 1122 y 1211 y 1212 y 1221 y 1222 y 1 ...
II y 2111 y 2112 y 2121 y 2122 y 2211 y 2212 y 2221 y 2222 y 2...
III y 3111 y 3112 y 3121 y 3122 y 3211 y 3212 y 3221 y 3222 y 3 ...
. . . . . . . . .
. . . . . . . . .
R y r111 y r112 y r121 y r122 y r211 y r212 y r221 y r222 y r ...
y .jkl y .111 y .112 y .121 y .122 y .211 y .212 y .221 y .222 y....
E l cu a dr a do del a n á lisis de la va r ia n za se con st r u ye calculando los

gr a dos de liber t a d y la s su m a s de cu a dr a dos m edia n t e la s r egla s da da s
en el tema anterior del factorial 22 .
El est u dio de los efect os de los fa ct or es y de la s in t er a ccion es se h a ce en

ba se a los t ot a les de ca da fa ct or en los n iveles da dos y de la in t er a cción ,
con la misma notación; por lo que tenemos:
El total para los niveles del factor A son:

(A)j=0 = Ta0 b 0 c0 + Ta0 b 0 c1 + Ta0 b 1 c0 + Ta0 b 1 c1
(A)j=1 = Ta1 b 0 c0 + Ta1 b 0 c1 + Ta1 b 1 c0 + Ta1 b 1 c1
Los totales para el factor B son:

(B)k=0 = Ta0 b 0 c0 + Ta0 b 0 c1 + Ta1 b 0 c0 + Ta1 b 0 c1
(B)k=1 = Ta0 b 1 c0 + Ta0 b 1 c1 + Ta1 b 1 c0 + Ta1 b 1 c1
Los totales para el factor C son:

(C)l=0 = Ta0 b 0 c0 + Ta0 b 1 c0 + Ta1 b 0 c0 + Ta1 b 1 c0
(C)l=1 = Ta0 b 0 c1 + Ta0 b 1 c1 + Ta1 b 0 c1 + Ta1 b 1 c1

Para las interacciones:

(AB)j+k=0 = Ta0 b 0 c0 + Ta0 b 0 c1 + Ta1 b 1 c0 + Ta1 b 1 c1
(AB)j+k=1 = Ta0 b 1 c0 + Ta0 b 1 c1 + Ta1 b 0 c0 + Ta1 b 0 c1
(AC)j+l=0 = Ta0 b 0 c0 + Ta0 b 1 c0 + Ta1 b 0 c1 + Ta1 b 1 c1
(AC)j+l=1 = Ta0 b 0 c1 + Ta0 b 1 c1 + Ta1 b 0 c0 + Ta1 b 1 c0
(BC)k+l=0 = Ta0 b 0 c0 + Ta0 b 1 c1 + Ta1 b 0 c0 + Ta1 b 1 c1
(BC)k+l=1 = Ta0 b 0 c1 + Ta0 b 1 c0 + Ta1 b 0 c1 + Ta1 b 1 c0
(ABC)j+k+l=0 = Ta0 b 0 c0 + Ta0 b 1 c1 + Ta1 b 0 c1 + Ta1 b 1 c0
(ABC)j+k+l=1 = Ta0 b 0 c1 + Ta0 b 1 c0 + Ta1 b 0 c0 + Ta1 b 1 c1
Los efectos se definen como:

1
A ( A) j 1 ( A) j 0
4r
1
B (B)k 1 (B)k 0
4r
1
C (C ) l 1 (C ) l 0
4r
1
AB ( AB ) j k 0 ( AB ) j k 1
4r
1
AC ( AC ) j l 0 ( AC ) j l 1
4r
1
BC ( BC ) k l 0 ( BC ) k 1 1
4r
1
ABC ( ABC ) j k l 1 ( ABC ) j k l 0
4r
P a r a ver si est os efect os son sign ifica t ivos se pr u eba n la s h ipót esis
correspondientes en el cuadro del análisis de la varianza.

Con sider em os el Ar r eglo F a ct or ia l a n t es descr it o del m odelo, se t ien en

la s fu en t es de va r ia ción los pr odu ct os sim bólicos y los gr a dos de liber t a d
siguientes:
Cu a dr o 23.- F u en t es de va r ia ción , los pr odu ct os sim bólicos y los
grados de libertad de un diseño factorial 23 bajo un DBA
FV PS GL
Media 1 1
Bloques i-1 r-1
A j-1 a-1
B k-1 b-1
C l-1 c-1
AB (j-l)(k-l) (a-l)(b-l)
AC (j-1)(l-1) (a-l)(c-l)
BC (k-1)(l-1) (b-1)(e-1)
ABC (j-1)(k-1)(l-1) (a-1)(b-1)(c-1)
Error Por diferencia Por diferencia
Total ijkl-1 rabe - 1
Not a : E l pr odu ct o sim bólico pa r a la m edia es u n o; el pr odu ct o sim bólico

pa r a el t ot a l es el pr odu ct o sim ple de t odos los ín dices; el producto
simbólico para el error se obtiene por diferencia.
Las sumas de cuadrados, obtenidas con los productos simbólicos son:
r a b c
2 ( y....) 2
Total: P.S. = ijkl - 1
SCtotal yijkl
i 1 j 1 k 1 l 1 rabc
r
yi2... ( y....) 2
Bloques: i - 1 SCBloques
i 1 abc rabc
a
y.2j .. ( y....) 2
Factor A: j - 1
SC ( A)
j 1 rbc rabc
b
y..2k . ( y....) 2
Factor B: k - 1 SC ( B)
k 1 rac rabc

c
y...2l ( y....) 2
Factor C: l - 1 SC (C )
l 1 rab rabc
Interacción AxB: (j - 1) (k - 1) = (jk - 1) - (j -1) - (k -1)

a b
y.2jk . ( y....) 2
SC ( AxB) SCFact ( A) SCFact ( B)
i 1 k 1 r rabc
Interacción AxC: (j - 1) (l - 1) = (jl - 1) - (j -1) - (l -1)

a c
y.2j .l ( y....) 2
SC ( AxC ) SCFact ( A) SCFact (C )
i 1 l 1 r rabc
Interacción BxC: (k - 1) (l - 1) = (kl - 1) - (k -1) - (l -1)

b c
y..2kl ( y....) 2
SC ( BxC ) SCFact ( B) SCFact (C )
k 1 l 1 r rabc
Interacción AxBxC:(j-1)(k-1)(l-1)=(jkl-1)-(j-1)(k-1)-(l-1)-(jk-1)-(jl-1)(kl-1)
a b y..2jkl (y....)2
c
SC(AxBxC) SC(A) SCB
( ) SCC
( ) SC(AxB) SC(AxC) SCBxC
( )
j 1k 1 l1 r rabc
E r r or : (ijk-1)-(i-1)-(j-1)-(k-1)-(j-1)(k-1)-(j-1)(l-1)-(j-1)(k-1)-(k-1)(l-1)-(j-1)(k-1)(l-
1).
SC Error = SC Total-SC Bloques-SC(A)-SC(B)-SC(C)
-SC(AxB) -SC(AxC) -SC(BxC) -SC(AxBxC)

Factorial 2 3 por DBA mediante el modelo factorial
FV GL SC
Bloques r-1 SC ( )
Tratamientos t-1=7 SC (Trat)
A 1 SC (A)
B 1 SC (B)
C 1 SC (C)
AxB 1 SC (AxB)
AxC 1 SC (AxC)
BxC 1 SC (BxC)
AxBxC 1 SC (AxBxC)
Total rt - 1 SC (Total)
Ejemplo 2 3 .- Se a n a liza el a gu a de pozos de difer en t es pa r t es de la

ciudad, tomándose m u est r a s de cu a t r o zon a s suburbanas. Se procedió a
cu lt iva r la s m u est r a s en dos difer en t es m edios de cu lt ivo (M.C.), ba jo 2
difer en t es t em per a t u r a s (t °) y pH pa r a el cr ecim ien t o de coliformes
fecales, ejecu t á n dose ba jo u n DBA, en don de los n iveles de ca da fa ct or
fueron los siguientes:
Factor Nivel 0 Nivel 1
A M.C. Mackonkey Sulfito de Bismuto
B t° 35°C 37°C
C pH 6.2 6.6
E l n ú m er o de colon ia s qu e cr ecier on com o r esu lt a do de la com bin a ción de
los factores estudiados fueron los siguientes:
Tratamientos
r 2
T1 T2 T3 T4 T5 T6 T7 T8 j=1Y .
j
Bloq. 000 001 010 011 100 101 110 111
I 10 12 12 16 11 13 14 20 108
II 12 14 13 16 12 14 15 22 118
III 11 14 13 19 12 16 13 24 122
IV 14 16 13 22 11 18 14 24 132
t 2
i=1 Y i 47 56 51 73 46 61 56 90 480
.
x 11.75 14 12.75 18.25 11.5 15.25 14 225

Las hipótesis a probar para el diseño DBA son:

Ho: T1 = T2= ....T8 vs Ha: al menos un Ti es diferente

Bloques r -1 = 3 37 12.3333 7.6178** 0.0012
Trat. t -1 = 7 387 55.2857 34.1480** 0.000
Error (t-1)(r-1) = 21 34 1.6190
Total rt - 1 = 31 487
Se obser va qu e h a y difer en cia s a lt a m en t e sign ifica t iva s en t r a t a m ien t os
y en bloques
Un a vez ver ifica da la h ipót esis de t r a t a m ien t os, se pr ocede a ver ifica r la
hipótesis de los factores:
H 07: no hay interacción AxBxC vs H a7: hay interacción AxBxC

Bloques r -1 = 3 37 12.3333 7.6178** 0.0012
Trat. t -1 = 7 387 55.2857 34.1480** 0.0000
A 1 21.125 21.125 7.14* 0.0133
B 1 112.5 112.5 38.03** 0.0000
C 1 200.0 200.0 67.61** 0.0000
AB 1 10.125 10.125 3.42* 0.0767
AC 1 10.125 10.125 3.42* 0.0767
BC 1 32.0 32.0 10.82** 0.0031
ABC 1 1.125 1.125 0.38n.s. 0.5433
Error (t-1)(r-1) = 21 34 1.6190
Total rt - 1 = 31 487
Con r espect o a los fa ct or es, el A pr esen t a difer en cia s sign ifica t iva s y el B
y C a lt a m en t e sign ifica t iva s, lo cu a l in dica qu e los n iveles t r a ba ja n de

m a n er a difer en t e u n o de ot r o. P or ot r a pa r t e la s in t er a ccion es del fa ct or

A, con B y C, m u est r a n difer en cia s sign ifica t iva s; y la in t er a cción de B
con C m u est r a difer en cia s a lt a m en t e sign ifica t iva s. No h a y in t er a cción
de los tres factores (ABC).
Problemario de Ar r eglos F a ct or ia les por Modelos

Factoriales
Resolver los ejercicios 36, 37, 38, 39 y 40
Referencias


1992.



1999,






Applications. 1998.



Ta bla s

DISTRIBUCION "t"
Prueba de Dos Colas
Probabilidad de valor más alto. Signo no tomado en cuenta
G.L.E. 0.500 0.400 0.200 0.100 0.050 0.025 0.010 0.005 0.001
1 1 1.376 3.078 6.314 12.706 25.452 63.657
2 0.816 1.061 1.886 2.92 4.303 6.205 9.925 14.089 31.598
3 0.765 0.978 1.68 2.353 3.182 4.176 5.841 7.453 12.941
4 0.741 0.941 1.533 2.132 2.776 3.495 4.604 5.598 8.61
5 0.727 0.92 1.476 2.015 2.571 3.163 4.032 4.773 6.859
6 0.718 0.906 1.44 1.943 2.447 2.969 3.707 4.317 5.959
7 0.711 0.896 1.415 1.895 2.365 2.841 3.499 4.029 5.405
8 0.706 0.889 1.397 1.86 2.306 2.752 3.355 3.832 5.041
9 0.703 0.883 1.383 1.833 2.262 2.685 3.25 3.69 4.781
10 0.7 0.879 1.372 1.812 2.228 2.634 3.169 3.5581 4.587
11 0.697 0.876 1.363 1.796 2.201 2.593 3.106 3.497 4.437
12 0.695 0.873 1.356 1.782 2.179 2.56 3.055 3.428 4.318
13 0.694 0.87 1.35 1.771 2.16 2.533 3.012 3.372 4.221
14 0.692 0.868 1.345 1.761 2.145 2.51 2.977 3.326 4.14
15 0.691 0.866 1.341 1.753 2.131 2.49 2.947 3.286 4.073
16 0.69 0.865 1.337 1.746 2.12 2.473 2.921 3.252 4.015
17 0.689 0.863 1.333 1.74 2.11 2.458 2.898 3.222 3.965
18 0.688 0.862 1.33 1.734 2.101 2.445 2.878 3.197 3.922
19 0.688 0.861 1.328 1.729 2.093 2.433 2.861 3.174 3.883
20 0.687 0.86 1.325 1.725 2.086 2.423 2.845 3.153 3.85
21 0.686 0.859 1.323 1.721 2.08 2.414 2.831 3.135 3.819
22 0.686 0.858 1.321 1.717 2.074 2.406 2.819 3.119 3.792
23 0.685 0.858 1.319 1.714 2.069 2.398 2.807 3.104 3.767
24 0.685 0.857 1.318 1.711 2.064 2.391 2.797 3.09 3.745
25 0.684 0.856 1.316 1.708 2.06 2.385 2.787 3.078 3.725
26 0.684 0.856 1.315 1.706 2.056 2.379 2.779 3.067 3.707
27 0.684 0.855 1.314 1.703 2.052 2.373 2.771 3.056 3.69
28 0.683 0.855 1.313 1.701 2.048 2.368 2.763 3.047 3.674
29 0.683 0.854 1.311 1.699 2.045 2.364 2.756 3.038 3.659
30 0.683 0.854 1.31 1.697 2.042 2.36 2.75 3.03 3.646
35 0.682 0.852 1.306 1.69 2.03 2.342 2.724 2.996 3.591
40 0.681 0.851 1.303 1.684 2.021 2.329 2.704 2.971 3.551
45 0.68 0.85 1.301 1.68 2.014 2.319 2.69 2.952 3.52
50 0.68 0.849 1.299 1.676 2.008 2.31 2.678 2.937 3.496
55 0.679 0.849 1.297 1.673 2.004 2.304 2.669 2.925 3.476
60 0.679 0.848 1.296 1.671 2 2.299 2.66 2.915 3.46
70 0.678 0.847 1.294 1.667 1.994 2.29 2.648 2.899 3.435
80 0.678 0.847 1.293 1.665 1.989 2.284 2.638 2.887 3.416
90 0.678 0.846 1.291 1.662 1.986 2.279 2.631 2.878 3.402
100 0.677 0.846 1.29 1.661 1.982 2.276 2.625 2.871 3.39
120 0.677 0.845 1.289 1.658 1.98 2.27 2.617 2.86 3.373
0.6745 0.8416 1.2816 1.6448 1.96 2.2414 2.5758 2.807 3.2905

Tabla "F"
Valores "F" para = 0.05 y 0.01 para diferentes combinaciones de grados de libertad del numerador y del denominador
Gld Grados de Libertad del númerador
a 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 30 120
1 0.05 161 200 216 225 230 234 237 239 241 242 243 244 244 245 246 248 250 253
0.01 4052 5000 5403 5625 5764 5859 5928 5982 6023 6056 6083 6106 6125 6142 6157 6209 6261 6339
2 0.05 18.50 19.00 19.20 19.20 19.30 19.30 19.40 19.40 19.40 19.40 19.40 19.40 19.40 19.40 19.40 19.40 19.50 19.50
0.01 98.50 99.00 99.20 99.20 99.30 99.30 99.40 99.40 99.40 99.40 99.40 99.40 99.40 99.40 99.40 99.40 99.50 99.50
3 0.05 10.10 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74 8.72 8.71 8.70 8.66 8.62 8.55
0.01 34.10 30.80 29.50 28.70 28.20 27.90 27.70 27.50 27.30 27.20 27.10 27.10 27.00 26.90 26.90 26.70 26.50 26.20
4 0.05 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.93 5.91 5.89 5.87 5.86 5.80 5.75 5.66
0.01 21.20 18.00 16.70 16.00 15.50 15.20 15.00 14.80 14.70 14.50 14.50 14.40 14.30 14.30 14.20 14.00 13.80 13.60
5 0.05 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.70 4.68 4.65 4.63 4.62 4.56 4.50 4.40
0.01 16.30 13.30 12.10 11.40 11.00 10.70 10.50 10.30 10.20 10.10 9.96 9.89 9.82 9.77 9.72 9.55 9.38 9.11
6 0.05 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.02 4.00 3.97 3.95 3.94 3.87 3.81 3.70
0.01 13.70 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72 7.66 7.60 7.56 7.40 7.23 6.97
7 0.05 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57 3.55 3.52 3.51 3.44 3.38 3.27
0.01 12.20 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.53 6.47 6.41 6.36 6.31 6.16 5.99 5.74
8 0.05 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28 3.25 3.23 3.22 3.15 3.08 2.97
0.01 11.30 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.73 5.67 5.61 5.56 5.52 5.36 5.20 4.95
9 0.05 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.04 3.02 3.01 2.94 2.86 2.75
0.01 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.25 5.18 5.11 5.05 5.00 4.96 4.81 4.65 4.40
10 0.05 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91 2.88 2.86 2.85 2.77 2.70 2.58
0.01 10.00 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.77 4.71 4.65 4.60 4.56 4.41 4.25 4.00
11 0.05 0.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.81 2.79 2.76 2.73 2.72 2.65 2.57 2.45
0.01 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.46 4.40 4.34 4.29 4.25 4.10 3.94 3.69
12 0.05 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.71 2.69 2.65 2.63 2.62 2.54 2.47 2.34
0.01 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.22 4.16 4.10 4.05 4.01 3.86 3.70 3.45
13 0.05 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.63 2.60 2.57 2.55 2.53 2.46 2.38 2.25
0.01 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10 4.02 3.96 3.90 3.86 3.82 3.66 3.51 3.25
14 0.05 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.56 2.53 2.50 2.48 2.46 2.39 2.31 2.18
0.01 8.86 6.51 5.56 5.04 4.70 4.46 4.28 4.14 4.03 3.94 3.86 3.80 3.74 3.70 3.66 3.51 3.35 3.09
15 0.05 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.50 2.48 2.44 2.42 2.40 2.33 2.25 2.11
0.01 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67 3.61 3.56 3.52 3.37 3.21 2.96
16 0.05 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.45 2.42 2.39 2.37 2.35 2.28 2.19 2.06
0.01 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.59 3.61 3.55 3.50 3.45 3.41 3.26 3.10 2.84
17 0.05 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.41 2.38 2.35 2.32 2.31 2.23 2.15 2.01
0.01 8.40 6.11 5.19 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.52 3.46 3.40 3.35 3.31 3.16 3.00 2.75
18 0.05 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.31 2.28 2.27 2.19 2.11 1.97
0.01 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51 3.43 3.37 3.31 3.27 3.23 3.08 2.92 2.66
19 0.05 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.33 2.31 2.27 2.25 2.23 2.16 2.07 1.93
0.01 8.19 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.36 3.30 3.24 3.19 3.15 3.00 2.84 2.58
20 0.05 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.30 2.28 2.24 2.22 2.20 2.12 2.04 1.90
0.01 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.29 3.23 3.18 3.13 3.09 2.94 2.78 2.52
30 0.05 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.12 2.09 2.06 2.03 2.01 1.93 1.79 1.68
0.01 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.90 2.84 2.79 2.74 2.70 2.55 2.30 2.11
120 0.05 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.86 1.83 1.80 1.77 1.75 1.66 1.55 1.35
0.01 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.39 2.34 2.28 2.23 2.19 2.03 1.86 1.53

DUNCAN
Amplitudes studentizadas significativas para 5% y 1% de la nueva prueba de amplitud múltiple
GLE P= Número de medias para la amplitud a probarse
a 2 3 4 5 6 7 8 9 10 12 14 16 18 20
1 0.05 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00
0.01 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00
2 0.05 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
0.01 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00
3 0.05 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50
0.01 8.26 8.50 8.60 8.70 8.80 8.90 8.90 9.00 9.00 9.00 9.10 9.20 9.30 9.30
4 0.05 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
0.01 6.51 6.80 6.90 7.00 7.10 7.10 7.20 7.20 7.30 7.30 7.40 7.40 7.50 7.50
5 0.05 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
0.01 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.50 6.60 6.60 6.70 6.70 6.80
6 0.05 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
0.01 5.24 5.51 5.65 5.73 5.81 5.88 5.95 6.00 6.00 6.10 6.20 6.20 6.30 6.30
7 0.05 3.35 3.47 3.54 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61
0.01 4.95 5.22 5.37 5.45 5.53 5.61 5.69 5.73 5.80 5.80 5.90 5.90 6.00 6.00
8 0.05 3.26 3.39 3.47 3.52 3.55 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56
0.01 4.74 5.00 5.14 5.23 5.32 5.40 5.47 5.51 5.50 5.60 5.70 5.70 5.80 5.80
9 0.05 3.20 3.34 3.41 3.47 3.50 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52
0.01 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.40 5.50 5.50 5.60 5.70 5.70
10 0.05 3.15 3.30 3.37 3.43 3.46 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.48
0.01 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.36 5.42 5.48 5.54 5.55
11 0.05 3.11 3.27 3.35 3.39 3.43 3.44 3.45 3.46 4.46 3.46 3.46 3.46 3.47 3.48
0.01 4.39 4.63 4.77 4.86 4.94 5.01 5.06 5.12 5.15 5.24 5.28 5.34 5.38 5.39
12 0.05 3.08 3.23 3.33 3.36 3.40 3.42 3.44 3.44 3.46 3.46 3.46 3.46 3.47 3.48
0.01 4.32 4.50 4.68 4.76 4.84 4.92 4.96 5.02 5.07 5.13 5.17 5.22 5.24 5.26
13 0.05 3.06 3.21 3.30 3.35 3.38 3.41 3.42 3.44 3.45 3.45 3.46 3.46 3.47 3.47
0.01 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.04 5.08 5.13 5.14 5.15
14 0.05 3.03 3.18 3.27 3.33 3.37 3.39 3.41 3.42 3.44 3.45 3.46 3.46 3.47 3.47
0.01 4.21 4.42 4.55 4.63 4.70 4.78 4.83 4.87 4.91 4.96 5.00 5.04 5.06 5.07
15 0.05 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 3.43 3.44 3.45 3.46 3.47 3.47
0.01 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 4.90 4.94 4.97 4.99 5.00
16 0.05 3.00 3.15 3.23 3.30 3.34 3.37 3.39 3.41 3.43 3.44 3.45 3.46 3.47 3.47
0.01 4.13 4.34 4.45 4.54 4.60 4.67 4.72 4.76 4.79 4.84 4.88 4.91 4.93 4.94
17 0.05 2.98 3.13 3.22 3.28 3.33 3.36 3.38 3.40 3.42 3.44 3.45 3.46 3.47 3.47
0.01 4.10 4.30 4.41 4.50 4.56 4.63 4.68 4.72 4.75 4.80 4.83 4.86 4.88 4.89
18 0.05 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39 3.41 3.43 3.45 3.46 3.47 3.47
0.01 4.07 4.27 4.38 4.46 4.53 4.59 4.64 4.68 4.71 4.76 4.79 4.82 4.84 4.85
19 0.05 2.96 3.11 3.19 3.26 3.31 3.35 3.37 3.39 3.41 3.43 3.44 3.46 3.47 3.47
0.01 4.05 4.24 4.35 4.43 4.50 4.56 4.61 4.64 4.67 4.72 4.76 4.79 4.81 4.82
20 0.05 2.95 3.10 3.18 3.25 3.30 3.34 3.36 3.38 3.40 3.43 3.44 3.46 3.46 3.47
0.01 4.02 4.22 4.33 4.40 4.47 4.53 4.58 4.61 4.65 4.69 4.73 4.76 4.78 4.79
22 0.05 2.93 3.08 3.17 3.24 3.29 3.32 3.34 3.37 3.39 3.42 3.44 3.45 3.46 3.47
0.01 3.99 4.17 4.28 4.36 4.42 4.48 4.53 4.57 4.60 4.65 4.68 4.71 4.74 4.75
24 0.05 2.92 3.07 3.15 3.22 3.28 3.31 3.34 3.37 3.38 3.41 3.44 3.45 3.46 3.47
0.01 3.96 4.14 4.24 4.33 4.39 4.44 4.49 4.53 4.57 4.62 4.64 4.67 4.70 4.72
26 0.05 2.91 3.06 3.14 3.21 3.27 3.30 3.34 3.36 3.38 3.41 3.43 3.45 3.46 3.47
0.01 3.93 4.11 4.21 4.30 4.36 4.41 4.46 4.50 4.53 4.58 4.62 4.65 4.67 4.69
28 0.05 2.90 3.04 3.13 3.20 3.26 3.30 3.33 3.35 3.37 3.40 3.43 3.45 3.46 3.47
0.01 3.91 4.08 4.18 4.28 4.34 4.39 4.43 4.47 4.51 4.56 4.60 4.62 4.65 4.67
30 0.05 2.89 3.04 3.12 3.20 3.25 3.29 3.32 3.35 3.37 3.40 3.43 3.44 3.46 3.47
0.01 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.48 4.54 4.58 4.61 4.63 4.65
40 0.05 2.86 3.01 3.10 3.17 3.22 3.27 3.30 3.33 3.35 3.39 3.42 3.44 3.46 3.47
0.01 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.46 4.51 4.54 4.57 4.59
60 0.05 2.83 2.98 3.08 3.14 3.20 3.24 3.28 3.31 3.33 3.37 3.40 3.43 3.45 3.47
0.01 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.39 4.44 4.47 4.50 4.53
100 0.05 2.80 2.95 3.05 3.12 3.18 3.22 3.26 3.29 3.32 3.36 3.40 3.42 3.45 3.47
0.01 3.71 3.86 3.98 4.06 4.11 4.17 4.21 4.25 4.29 4.35 4.38 4.42 4.45 4.48
0.05 2.77 2.92 3.02 3.09 3.15 3.19 3.23 3.26 3.29 3.34 3.38 3.41 3.44 3.47
0.01 3.64 3.80 3.90 3.98 4.04 4.09 4.14 4.17 4.20 4.26 4.31 4.34 4.38 4.41

TUKEY
Puntos porcentuales superiores de la amplitud studentizada [q =(¨ÿmax-ÿmin) / Sÿ
a 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
5 0.05 3.64 4.60 5.22 5.67 6.03 6.33 6.58 6.80 6.99 7.17 7.32 7.47 7.60 7.72 7.83 7.93 8.03 8.12 8.21
0.01 5.70 6.97 7.80 8.42 8.91 9.32 9.67 9.97 10.24 10.48 10.70 10.89 11.08 11.24 11.40 11.55 11.68 11.81 11.93
6 0.05 3.46 4.34 4.90 5.31 5.63 5.89 6.12 6.32 6.49 6.65 6.79 6.92 7.03 7.14 7.24 7.34 7.43 7.51 7.59
0.01 5.24 6.33 7.03 7.56 7.97 8.32 8.61 8.87 9.10 9.30 9.49 9.65 9.81 9.95 10.08 10.21 10.32 10.43 10.54
7 0.05 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6.00 6.16 6.30 6.43 6.55 6.66 6.76 6.85 6.94 7.02 7.09 7.17
0.01 4.95 5.92 6.54 7.01 7.37 7.68 7.94 8.17 8.37 8.55 8.71 8.86 9.00 9.12 9.24 9.35 9.46 9.55 9.65
8 0.05 3.26 4.04 4.53 4.89 5.17 5.40 5.60 5.77 5.92 6.05 6.18 6.29 6.39 6.48 6.57 6.65 6.73 6.80 6.87
0.01 4.74 5.63 6.20 6.63 6.96 7.24 7.47 7.68 7.87 8.03 8.18 8.31 8.44 8.55 8.66 8.76 8.85 8.94 9.03
9 0.05 3.20 3.96 4.42 4.76 5.02 5.24 5.43 5.60 5.74 5.87 5.98 6.09 6.19 6.28 6.36 6.44 6.51 6.58 6.64
0.01 4.60 5.43 5.96 6.35 6.66 6.91 7.13 7.32 7.49 7.65 7.78 7.91 8.03 8.13 8.23 8.32 8.41 8.49 8.57
10 0.05 3.15 3.88 4.33 4.65 4.91 5.12 5.30 5.46 5.60 5.72 5.83 5.93 6.03 6.11 6.20 6.27 6.34 6.40 6.47
0.01 4.48 5.27 5.77 6.14 6.43 6.67 6.87 7.05 7.21 7.36 7.48 7.60 7.71 7.81 7.91 7.99 8.07 8.15 8.22
11 0.05 3.11 3.82 4.26 4.57 4.82 5.03 5.20 5.35 5.49 5.61 5.71 5.81 5.90 5.99 6.06 6.14 6.20 6.26 6.33
0.01 4.39 5.14 5.62 5.97 6.25 6.48 6.67 6.84 6.99 7.13 7.25 7.36 7.46 7.56 7.65 7.73 7.81 7.88 7.95
12 0.05 3.08 3.77 4.20 4.51 4.75 4.95 5.12 5.27 5.40 5.51 5.62 5.71 5.80 5.88 5.95 6.03 6.09 6.15 6.21
0.01 4.32 5.04 5.50 5.84 6.10 6.32 6.51 6.67 6.81 6.94 7.06 7.17 7.26 7.36 7.44 7.52 7.59 7.66 7.73
13 0.05 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32 5.43 5.53 5.63 5.71 5.79 5.86 5.93 6.00 6.05 6.11
0.01 4.26 4.96 5.40 5.73 5.98 6.19 6.37 6.53 6.67 6.79 6.90 7.01 7.10 7.19 7.27 7.34 7.42 7.48 7.55
14 0.05 3.03 3.70 4.11 4.41 4.64 4.83 4.99 5.13 5.25 5.36 5.46 5.55 5.64 5.72 5.79 5.85 5.92 5.97 6.03
0.01 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54 6.66 6.77 6.87 6.96 7.05 7.12 7.20 7.27 7.33 7.39
15 0.05 3.01 3.67 4.08 4.37 4.60 4.78 4.94 5.08 5.20 5.31 5.40 5.49 5.58 5.65 5.72 5.79 5.85 5.90 5.96
0.01 4.17 4.83 5.25 5.56 5.80 5.99 6.16 6.31 6.44 6.55 6.66 6.76 6.84 6.93 7.00 7.07 7.14 7.20 7.26
16 0.05 3.00 3.65 4.05 4.33 4.56 4.74 4.90 5.03 5.15 5.26 5.35 5.44 5.52 5.59 5.66 5.72 5.79 5.84 5.90
0.01 4.13 4.78 5.19 5.49 5.72 5.92 6.08 6.22 6.35 6.46 6.56 6.66 6.74 6.82 6.90 6.97 7.03 7.09 7.15
17 0.05 2.98 3.63 4.02 4.30 4.52 4.71 4.86 4.99 5.11 5.21 5.31 5.39 5.47 5.55 5.61 5.68 5.74 5.79 5.84
0.01 4.10 4.74 5.14 5.43 5.66 5.85 6.01 6.15 6.27 6.38 6.48 6.57 6.66 6.73 6.80 6.87 6.94 7.00 7.05
18 0.05 2.97 3.61 4.00 4.28 4.49 4.67 4.82 4.96 5.07 5.17 5.27 5.35 5.43 5.50 5.57 5.63 5.69 5.74 5.79
0.01 4.07 4.70 5.09 5.38 5.60 5.79 5.94 6.08 6.20 6.31 6.41 6.50 6.58 6.65 6.72 6.79 6.85 6.91 6.96
19 0.05 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04 5.14 5.23 5.32 5.39 5.46 5.53 5.59 5.65 5.70 5.75
0.01 4.05 4.67 5.05 5.33 55.55 5.73 5.89 6.02 6.14 6.25 6.34 6.43 6.51 6.58 6.65 6.72 6.78 6.84 6.89
20 0.05 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.90 5.01 5.11 5.20 5.28 5.36 5.43 5.49 5.55 5.61 5.66 5.71
0.01 4.02 4.64 5.02 5.29 5.51 5.69 5.84 5.97 6.09 6.19 6.29 6.37 6.45 6.52 6.59 6.65 6.71 6.76 6.82
24 0.05 2.92 3.53 3.90 4.17 4.37 4.54 4.68 4.81 4.92 5.01 5.10 5.18 5.25 5.32 5.38 5.44 5.50 5.54 5.59
0.01 3.96 4.54 4.91 5.17 5.37 5.54 5.09 5.81 5.92 6.02 6.11 6.19 6.26 6.33 6.39 6.45 6.51 6.56 6.61
30 0.05 2.89 3.49 3.84 4.10 4.30 4.46 4.60 4.72 4.83 4.92 5.00 5.08 5.15 5.21 5.27 5.33 5.38 5.43 5.48
0.01 3.89 4.45 4.80 5.05 5.24 5.40 5.54 5.65 5.76 5.85 5.93 6.01 6.08 6.14 6.20 6.26 6.31 6.36 6.41
40 0.05 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.74 4.82 4.91 4.98 5.05 5.11 5.16 5.22 5.27 5.31 5.36
0.01 3.82 4.37 4.70 4.93 5.11 5.27 5.39 5.50 5.60 5.69 5.77 5.84 5.90 5.96 6.02 6.07 6.12 6.17 6.21
60 0.05 2.83 3.40 3.74 3.98 4.16 4.31 4.44 4.55 4.65 4.73 4.81 4.88 4.94 5.00 5.06 5.11 5.16 5.20 5.24
0.01 3.76 4.28 4.60 4.82 4.99 5.13 5.25 5.36 5.45 5.53 5.60 5.67 5.73 5.79 5.84 5.89 5.93 5.98 6.02
120 0.05 2.80 3.35 3.69 3.92 4.10 4.24 4.36 4.48 4.56 4.64 4.72 4.78 4.84 4.90 4.95 5.00 5.05 5.09 5.13
0.01 3.70 4.20 4.50 4.71 4.87 5.01 5.12 5.21 5.30 5.38 5.44 5.51 5.56 5.61 5.66 5.71 5.75 5.79 5.83
0.05 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47 4.55 4.62 4.68 4.74 4.80 4.85 4.89 4.93 4.97 5.01
0.01 3.64 4.12 4.40 4.60 4.76 4.88 4.99 5.08 5.16 5.23 5.29 5.35 5.40 5.45 5.49 5.54 5.57 5.61 5.65

DUNNETT
Comparaciones entre p trat. y un control. Niveles de confianza de 0.95 y 0.99
Err p 1 2 3 4 5 6 7 8 9
5 0.95 2.57 3.03 3.39 3.66 3.88 4.06 4.22 4.36 4.49
0.99 4.03 4.63 5.09 5.44 5.73 5.97 6.18 6.36 6.53
6 0.95 2.45 2.86 3.18 3.41 3.60 3.75 3.88 4.00 4.11
0.99 3.71 4.22 4.60 4.88 5.11 5.30 5.47 5.61 5.74
7 0.95 2.36 2.75 3.04 3.24 3.41 3.54 3.66 3.76 3.86
0.99 3.50 3.95 4.28 4.52 4.71 4.87 5.01 5.13 5.24
8 0.95 2.31 2.67 2.94 3.13 3.28 3.40 3.51 3.60 3.68
0.99 3.36 3.77 4.06 4.27 4.44 4.58 4.70 4.81 4.90
9 0.95 2.26 2.61 2.86 3.04 3.18 3.29 3.39 3.48 3.55
0.99 3.25 3.63 3.90 4.09 4.24 4.37 4.48 4.57 4.65
10 0.95 2.23 2.57 2.81 2.97 3.11 3.21 3.31 3.39 3.46
0.99 3.17 3.53 3.78 3.95 4.10 4.21 4.31 4.40 4.47
11 0.95 2.20 2.53 2.76 2.92 3.05 3.15 3.24 3.31 3.38
0.99 3.11 3.45 3.68 3.85 3.98 4.09 4.18 4.26 4.33
12 0.95 2.18 2.50 2.72 2.88 3.00 3.10 3.18 3.25 3.32
0.99 3.05 3.39 3.61 3.76 3.89 3.99 4.08 4.15 4.22
13 0.95 2.16 2.48 2.69 2.84 2.96 3.06 3.14 3.21 3.27
0.99 3.01 3.33 3.54 3.69 3.81 3.91 3.99 4.06 4.13
14 0.95 2.14 2.46 2.67 2.81 2.93 3.02 3.10 3.17 3.23
0.99 2.98 3.29 3.49 3.64 3.75 3.84 3.92 3.99 4.05
15 0.95 2.13 2.44 2.64 2.79 2.90 2.99 3.07 3.13 3.19
0.99 2.95 3.25 3.45 3.59 3.70 3.79 3.86 3.93 3.99
16 0.95 2.12 2.42 2.63 2.77 2.88 2.96 3.04 3.10 3.16
0.99 2.92 3.22 3.41 3.55 3.65 3.74 3.82 3.88 3.93
17 0.95 2.11 2.41 2.61 2.75 2.85 2.94 3.01 3.06 3.13
0.99 2.90 3.19 3.38 3.51 3.62 3.70 3.77 3.83 3.89
18 0.95 2.10 2.40 2.59 2.73 2.84 2.92 2.99 3.05 3.11
0.99 2.88 3.17 3.35 3.48 3.58 3.67 3.74 3.80 3.85
19 0.95 2.09 2.39 2.58 2.72 2.82 2.90 2.97 3.04 3.09
0.99 2.86 3.15 3.33 3.46 3.55 3.64 3.70 3.76 3.81
20 0.95 2.09 2.38 2.57 2.70 2.81 2.89 2.96 3.02 3.07
0.99 2.85 3.13 3.31 3.43 3.53 3.61 3.67 3.73 3.78
24 0.95 2.06 2.35 2.53 2.66 2.76 2.84 2.91 2.96 3.01
0.99 2.80 3.07 3.24 3.36 3.45 3.52 3.58 3.64 3.69
30 0.95 2.04 2.32 2.50 2.62 2.72 2.79 2.86 2.91 2.96
0.99 2.75 3.01 3.17 3.28 3.37 3.44 3.50 3.55 3.59
40 0.95 2.02 2.29 2.47 2.58 2.67 2.75 2.81 2.86 2.90
0.99 2.70 2.95 3.10 3.21 3.29 3.36 3.41 3.46 3.50
60 0.95 2.00 2.27 2.43 2.55 2.63 2.70 2.76 2.81 2.85
0.99 2.66 2.90 3.04 3.14 3.22 3.28 3.33 3.38 3.42
120 0.95 1.98 2.24 2.40 2.51 2.59 2.66 2.71 2.76 2.80
0.99 2.62 2.84 2.98 3.08 3.15 3.21 3.25 3.30 3.33
0.95 1.96 2.21 2.37 2.47 2.55 2.62 2.67 2.71 2.75
0.99 2.58 2.79 2.92 3.01 3.08 3.14 3.18 3.22 3.25

DISEXP v2

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

DISEXP v2

Cargado por

Copyright:

Formatos disponibles

E l D is e ñ o E xp e r im e n t a l

El área de la salud se encuentra en ciertos momentos de su desarrollo y a

P or lo qu e el objet ivo de est e libr o es el de a por t a r u n a per spect iva

Miguel A. Rodríguez F..

Tapachula, Chiapas. México. 2

Tapachula, Chiapas. México. 4

Método de Student-Newman-Keuls (S-N-K)

Tapachula, Chiapas. México. 5

P a r t e I: Gen er a lida des

Los Diseñ os E xper im en t a les, bá sica m en t e son a r r eglos de va r ia bles

La fa se qu e se con oce com o Diseño, es el pr oceso de pla n ea r u n

Tapachula, Chiapas. México. 6

Así qu e el diseñ o exper im en t al y el a n á lisis est a díst ico de los da t os est á n

Debido a qu e el diseñ o exper im en t al, es u n a h er r a m ien t a de la

Depen dien do de la ca r a ct er íst ica podem os dist in gu ir va r ios t ipos de

Tapachula, Chiapas. México. 7

Por la forma de medirse

Cuadro1. Métodos de Investigación

Tapachula, Chiapas. México. 8

E s im por t a n t e dest a ca r qu e los m ét odos de r ecolección de da t os, son el

Estadísticos*.- Es la h er r a m ien t a ba se qu e u t iliza el m ét odo cien t ífico

Tapachula, Chiapas. México. 10

Etapas del Método de Investigación Científica

Tapachula, Chiapas. México. 11

Tapachula, Chiapas. México. 12

Diseño Estadístico de Experimentos

Aplicaciones del Diseño Experimental

Tapachula, Chiapas. México. 13

Principios Básicos del Diseño de Experimentos

Elementos del Diseño de Experimentos

Repetición: Aplica ción de u n t r a t a m ien t o 2 o m á s veces en u n

Tapachula, Chiapas. México. 15

U n ida d E xper im en t a l (U E ): Ma t er ia l o lu ga r sobr e el cu a l se a plica n los

Box, G. E., Hunter, W., Hunter, J. S., "Estadística para

De Canales F. H., Eva Luz De Alvarado, Elia Beatriz

Elston, R.C., W.D. Johnson. 1990. Principios De

Box G.E.P., W.G. Hunter, J.S. Hunter Estadística para

Box G. E. P., William G. Hunter, J. Stuart Hunter.

Martínez, A. Diseños Experimentales. Métodos y

Ostle B. Estadística Aplicada. Limusa-Wiley, México,

Rojas Soriano Raúl. El Proceso De La Investigación

Winer, B.J., Brown, D.R. and Michels, K.M. Statistical

Tapachula, Chiapas. México. 16

P a r t e I: Gen er a lida des

n a de la s pr in cipa les consideraciones a la h or a de desa r r olla r

A pesa r de qu e los E r r or es E xper im en t a les pu eden t en er u n a gr a n

E st o in dica qu e la m edición del va lor de u n a va r ia ble a lea t or ia

Tapachula, Chiapas. México. 18

Ho:El efecto de los tratamientos es el mismo (no hay diferencia)

Cuando se rechaza a una hipótesis verdadera se le llama Error Tipo I y el

Al n o det ect a r se difer en cia s en t r e t r a t a m ien t os, se pu eden en con t r ar

Tapachula, Chiapas. México. 19

Para poder con t est a r la pr egu n t a , se r equ ier e defin ir el t ér m in o

Precisión: Es la capacidad de repetición de las medidas estudiadas.

La precisión es de gr a n im por t a n cia en la in vest iga ción pa r a pr oba r

Ya qu e la s h ipót esis est a díst ica s, son com plem en t a r ia s y m u t u a m en t e

Tapachula, Chiapas. México. 20

Elston, R.C., W.D. Johnson. 1990. Principios De Bioestadistica.

Box G.E.P., W.G. Hunter, J.S. Hunter Estadística para

Box G. E . P., William G. Hunter, J. Stuart Hunter. Estadística

Martínez, A. Diseños Experimentales. Métodos y Elementos de

Ostle B. Estadística Aplicada. Limusa-Wiley, México, 1975,

Prat, A., Tort-Martorell, X., Grima, P., Pozueta, L., "Métodos