Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIN.
La Estadstica es una ciencia de desarrollo reciente y de auge cada vez mayor. Se centra en el
estudio cuantitativo de conjuntos de datos, empleando modelos matemticos basados en la
probabilidad y que permiten adquirir nuevos conocimientos y tomar decisiones. Est
ntimamente ligada con la Investigacin cientfica y es imprescindible para el desarrollo
profesional del Ingeniero en Ciencias Agrarias
Historia de la Estadstica
Se refiere a los orgenes de la Estadstica as como a los impulsos subsiguientes quela hicieron
evolucionar. Los dos factores que se conjugaron para generar la Estadstica actual son la
recoleccin de datos para la elaboracin de censos y los juegos de azar.
La recoleccin de datos para censos es uno de los primeros problemas que ms tarde fijaran
las nociones y los mtodos de la Estadstica. Los primeros censos aparecen en Egipto, donde
tambin se tienen noticias de que conocan y practicaban el juego de dados. Sin embargo es
en Europa donde se encausa la Teora de la Probabilidad hacia lo que es hoy. A lo largo de
toda la Edad Media y hasta principios del siglo XVII, la Estadstica fue puramente descriptiva.
A principios del siglo XVIII, Bernoulli y, sobre todo, Laplace buscaron la aplicacin de los
resultados del clculo de probabilidades a las observaciones, cambiando el mtodo descriptivo
por el mtodo matemtico. As, de la conjuncin de la estadstica descriptiva y del clculo de
probabilidades (que proporcion el aparato matemtico indispensable), surgi la estadstica
matemtica.
Desde 1650 hasta 1933 se desarrolla el Clculo de Probabilidades consiguiendo una
axiomatizacin de la probabilidad, aunque este concepto fundamental en la Estadstica sigue
evolucionando hoy en da. Aparece la inferencia clsica al tratar de aplicar la teora de la
probabilidad y la Estadstica a problemas biolgicos y a la mayor necesidad de organizacin
que lleva consigo la experimentacin en las esferas de la agricultura y de la industria. Fruto de
estas ideas son los trabajos de Fisher, Neyman y Pearson que organizan la teora de la
estimacin y de los contrastes de hiptesis, centrados en las ideas de verosimilitud y
suficiencia. Las bases de la teora del diseo de experimentos se deben a los trabajos de R.A.
Fisher, entre 1919 y 1927.
El estudio de los procesos estocsticos, la teora de la decisin y el anlisis multivariante tienen
sus comienzos en las dcadas del 30 al 50.A partir de los aos 50 se abre una gran diversidad
de campos (control de calidad, anlisis de series temporales en el dominio de la frecuencia,
inferencia no paramtrica, simulacin, etc.) debido, por una parte, a que se dispone de una
herramienta estadstica cientfica suficientemente estructurada y desarrollada, y, por otra a la
ayuda de los primeros ordenadores.
Importancia de la Estadstica.
La Estadstica, en mayor o menor medida, est presente en toda nuestra vida: desde la
decisin de sustentar la tesis profesional, conocer la composicin florstica en una micro
cuenca, pasando por el clculo crecimientos de animales, plantas, venta diario de productos
elaborados, la incorporacin al mercado de nuevos productos de carne, todo ello se realizan
gracias a la ESTADSTICA.
No hay materia donde no se pueda dar una aplicacin de la estadstica. Algunas aplicaciones
son la comparacin de crecimiento de plantas por zonas, la bsqueda de la diferencia de
significados entre la calidad de plantas, la seleccin de animales, la determinacin de
fenmenos de crecimiento, la evolucin de poblaciones en peligro de extincin, la
determinacin de pautas de crecimiento en los rboles, la asignacin de restos fsiles a una
determinada especie, etc.
El Objetivo
El objetivo de la asignatura es formar una base slida de conocimientos de Estadstica
Descriptiva e Inferencial, porque las actividades profesionales en Ciencias Agrarias es recopilar
y analizar datos de campo, laboratorio, invernadero y de investigaciones con la finalidad de
tomar decisiones; adems la asignatura est relacionada con otras del currculo de estudios de
la Facultad, como son: Diseos Experimentales, Control de Calidad y Legislacin Alimentaria,
Dasometra, Inventarios Forestales, Manejo de Bosques Tropicales, Mejoramiento Gentico,
Nutricin Animal, Metodologa de la Investigacin, Control de Plagas Agrcolas, entre otros.
Los conceptos tericos de Estadstica se complementan con los procesos de clculo mecnico
con calculadora cientfica y paquetes especializados o software estadstico como SPSS, SAS,
MINITAB, STATGRAPHICS, que ayudan al estudiante ganar tiempo en el anlisis e
interpretacin de los datos, adems de ofrecer gran diversidad de grficos que
automticamente representan a los datos en figuras.
En las prcticas de anlisis de datos se recomienda el uso de software SPSS en su versin 19
en espaol, el estudiante puede consultar la ayuda o su tutor que ofrece este software.
Ejemplo de problema en Ciencias Forestales
Si una empresa maderera, desea informacin confiable sobre el volumen promedio de rboles
maduros de Cedrela odorata en una zona X del valle de Peren; el empresario buscar datos
de inventarios forestales en las instituciones del sector Agricultura de la Regin Junn, Facultad
de Ciencias Forestales y del Ambiente de la UNCP y otros similares, de existir los datos de
inventario posiblemente no son recientes, o no son de la zona que queremos averiguar. As
surge un problema de informacin. Para tener ms conocimiento a este problema, debemos
preguntarnos:
Para qu quiere conocer el empresario el volumen promedio de los rboles? (objetivo),
Cul es la superficie (rea) total de las plantaciones de Cedrela odorata? (poblacin),
Cmo estimamos el volumen de la madera ? (mtodo), Tenemos los recursos
econmicos disponible para realizar las mediciones correspondientes para determinar
el volumen?. (Logstica). Contamos con instrumentos de medicin? (Herramientas).
Tenemos personal capacitado para tomar las medidas dasonmicas de los rboles y
calcular el volumen? (competencias) etc.
DEFINICIN DE LA ESTADSTICA
"La Estadstica actual es el resultado de la unin de dos disciplinas que evolucionaron
independientemente hasta confluir en el siglo XX: la primera es el clculo de probabilidades,
que surge en el siglo XVII como teora matemtica de los juegos de azar; la segunda es la
"Estadstica" (o ciencia del Estado, del latn Status) que estudia la descripcin de datos, y tiene
unas races ms antiguas. La integracin de ambas lneas de pensamiento da lugar a una
ciencia que estudia cmo obtener conclusiones de la investigacin emprica mediante el uso de
modelos matemticos", (Pea, 1987).
Desde el punto de vista de sus aplicaciones algunas definiciones son:
"Es la ciencia cuyo objeto es el tratamiento de la informacin que contienen las series de datos
procedentes de observaciones (demogrficas, econmicas, mdicas, tecnolgicas, etc.), en
que el gran nmero de factores de variacin que intervienen hacen necesarias tales tcnicas
para que a las conclusiones o leyes extradas de los mismos se les pueda asignar una
confianza medible", (Ros, 1972).
"La Estadstica es la tecnologa del mtodo cientfico experimental. La estadstica proporciona
instrumentos para la toma de decisiones cuando prevalecen condiciones de incertidumbre",
(Mood, 1976).
En la misma lnea, en que la estadstica es considerada como un conjunto de tcnicas que nos
permiten manejar la informacin, se encuentra la definicin que da Barnet (1982): "ciencia que
nos indica cmo debe ser utilizada la informacin, en orden a reflejar y dar una gua de accin
en situaciones prcticas que envuelven incertidumbre".
En casi todas las definiciones se recoge el empleo de modelos matemticos para medir la
incertidumbre y poder tomar una decisin.
Sierra (1991), la estadstica es la ciencia formada por un conjunto de teoras y tcnicas
cuantitativas, que tiene por objeto la organizacin, presentacin, descripcin, resumen y
comparacin de conjuntos de datos numricos, obtenidos de poblaciones en su conjunto de
individuos o fenmenos o bien de muestras que representan las poblaciones estudiadas, as
como el estudio de su variacin, propiedades, relaciones, comportamiento probabilstico de
dichos datos y la estimacin, inferencia o generalizacin de los resultados obtenidos de
Estudio de conglomerados
Control de calidad
Parmetro:
Muestra:
Funcin definida sobre los valores numricos de una muestra. Por ejemplo la
media aritmtica ( x ) y la desviacin estndar ( s ) del peso seco de una
muestra de maz.
Variable:
pueden ser medidas, muchas de ellas slo se pueden clasificar por ejemplo,
rboles enfermos, vigas torcidas, rboles achaparrados o mal formados,
madera con rajadura, animales peligrosos, personas buenas, terreno inundado
etc.
Variable Aleatoria: Cuando los valores se originan como resultado de factores aleatorios (al
azar),la variable se llama aleatoria. Siempre que se determina, la altura, dimetro, volumen de
los rboles, el resultado frecuentemente se refiere a un valor de la variable respectiva.
Variables aleatorias discretas: Una variable aleatoria discreta se caracteriza por
separaciones <o interrupciones en la escala de valores que puede tomar. Por ejemplo nmero
de plantas, nmero de hojas, nmero de plantas enfermas, nmero de ros contaminados etc.
Variables aleatorias continuas: Una variable aleatoria continua no posee las separaciones o
interrupciones en una escala de valores. Ejemplo longitud de hojas, edad de las plantas, peso
seco de una probeta de madera, dimetro de fruto, contenido de azcar de frutas etc
ESTADSTICA DESCRIPTIVA
En sntesis, la estadstica descriptiva trata de los mtodos que se utilizan para resumir y
organizar los datos. El presente captulo trata: de la toma de datos, Distribucin de frecuencia.
Medidas de tendencia central. Medidas de Dispersin y formas de distribucin de frecuencia, se
inicia con:
TOMA DE DATOS
La toma de datos es la obtencin de un conjunto de los mismos, normalmente se presentar
sin ordenamiento numrico.
ORDENACIN DE DATOS
Significa colocacin de datos numricos tomados, en orden ascendente o descendente. La
diferencia entre el dato mximo y mnimo se llama rango o recorrido.
DISTRIBUCIN DE FRECUENCIAS
La distribucin de frecuencia es una tabla estadstica que organiza y presenta resumidamente
los datos estadsticos y tiene las siguientes partes: Lmites de clase, marca de clase, frecuencia
absoluta, Frecuencia relativa, Frecuencia acumulada y otras. En esta tabla se sacrifica parte de
la informacin contenida en los datos; en lugar de conocer el valor exacto de cada unidad.
El primer paso en la construccin de una distribucin de frecuencia, es decidir en cuntas
clases o grupos se resumirn los datos. El nmero de clases por usar depende del nmero de
observaciones, o datos, en la prctica se puede usar entre 7 y 13 clases.
Por ejemplo, construir una tabla de frecuencia de una muestra de 120 elementos
correspondiente a las mediciones de altura total de plantones de cedro la India determinada en
la zona de Santa Marta por la empresa TRAVI
Se pide ordenar los datos
Calcular el rango
Calcular nmero de clases
Elaborar la tabla de frecuencia e interpretar los datos resumidos
Tabla 01.
Estos nmeros pueden representar tambin: peso de animales vivos en kilogramos, altura de
plantas agrcolas en un invernadero (cm), tiempo de proceso de alimentos (horas), tiempo de
germinacin de semillas (das), profundidad de suelo (cm), porcentaje de arena de muestras de
suelo etc.
Tabla 02. Altura total (cm) de plantones de cedro de la India despus de 10 meses de
germinacin con ordenamiento numrico de los elementos.
TABLA DE FRECUENCIA
Para comprender mejor el conjunto de datos, se recomienda resumir estos, en una tabla,
denominada tabla de frecuencia (TF), antes de construir la tabla, los datos deben estar
ordenados en forma ascendente o descendente, luego pasamos a calcular los siguientes
estadsticos.
RANGO(R).
R =25.6
NMERO DE CLASES ( K )
En el clculo del nmero de clases o grupos en que queremos agrupar los datos, nos orienta, la
frmula de STURGES
K = 1+3.3333 log(n).
Donde n es igual al nmero total de los elementos del conjunto o muestra, en estadstica se
denomina tamao de la muestra, en este caso el tamao de la muestra del ejemplo es igual a
120.
K=1+3.3333 log(120)
K=1+3.33(2.08) =7.93
R
K
25.6
3.2
8
9.5
sucesivamente se calculan los valores inferiores y superiores de cada clase, hasta completar
las 8 clases. Ver los resultados en la siguiente tabla de frecuencias.
Tabla 03. Distribucin de frecuencia de alturas totales de cedro de la India
Intervalos
de Clase
Marca de
Clase
Frecuencia
Absoluta
Frecuencia
Relativa
Frecuencia
Relativa %
Frecuencia
acumulada
6.2 - 9.4
7.80
0.0417
4.17
9.5 - 12.7
11.10
0.0667
6.67
13
12.8 - 16.0
14.40
16
0.1333
13.33
29
16.1 - 19.3
17.70
30
0.2500
25.00
59
19.4 22.6
21.00
20
0.1667
16.67
79
22.7 - 25.9
24.30
18
0.1500
15.00
97
26.0 - 29.2
27.60
16
0.1333
13.33
113
29.3 32.5
30.90
0.0583
5.83
120
120
1.0000
100.00
Sumas
10
OBSERVACIONES:
El lmite mayor del primer intervalo se calcul sumando el intervalo de clase 3.2 al dato
mnimo o sea 6.2+3.2=9.4, esto no es una regla, podemos haber iniciado sumando el
intervalo 3.2 por ejemplo a 6.0+3.2 entonces el lmite mayor de la primera clase sera
9.2 y no 9.4.
Podemos establecer los lmites de las clases con 02 decimales, en cualquier caso la
variacin de los resultados en el clculo de las medidas de tendencia central y de
dispersin sern mnimos.
MC
6.2 9.4
7.8
2
MC
29.3 32.5
30.90
2
FRECUENCIA ABSOLUTA
Es el conjunto de datos que pertenecen a las clases previamente establecidas, para la primera
clase la frecuencia absoluta tiene 05 elementos, porque los siguientes datos 6.2, 7.7, 8.3, 9
y 9.4 del conjunto de datos forman el grupo de la primera clase, las dems frecuencias se
establecen de la misma manera.
11
HISTOGRAMA DE FRECUENCIA
Frecuencia absoluta
40
30
30
20
20
18
16
16
10
8
5
0
7.80
11.10
14.40
17.70
21.00
24.30
27.60
30.90
Fig. 02. En el eje de la abscisa se ha considerado los intervalos de cada clase, se tiene
ocho intervalos. El polgono de frecuencia se logra uniendo con una lnea los puntos
medios del extremo superior de cada clase. En vez de considerar los intervalos se
puede dar nombre a cada intervalo de clase y la figura se simplifica ms como se
demuestra en la siguiente pgina
12
Intervalos de
Clase
Nombre
de clase
Frecuencia
Absoluta
6.2 - 9.4
9.5 - 12.7
12.8 - 16.0
16
16.1 - 19.3
30
19.4 22.6
20
22.7 - 25.9
18
26.0 - 29.2
16
29.3 32.5
Sumas
120
FRECUENCIA RELATIVA
La frecuencia relativa resulta de dividir la frecuencia absoluta de cada clase por el total de
datos.
La frecuencia relativa de la primera clase de cedro de la India es 5/120 = 0.04 y la frecuencia
de la ltima clase es 7/120=0.06, en el clculo se considera 02 decimales, puede ser ms. La
suma de las frecuencias relativas debe ser igual a la unidad. Para casos prcticos se utiliza la
frecuencia relativa expresada en porcentaje, esto resulta de multiplicar la frecuencia relativa
calculada por 100.
13
30
25
25
20
17
15
15
13
10
5
13
7
4
1
8
6
0
1
Fig. 04. Frecuencia relativa en porcentajes. Las barras de la figura representan las 8
clases consideradas en la tabla de frecuencia del ejemplo, no figuran los decimales de la
frecuencia relativa por redondeo a enteros
Marca de
Clase
Frecuencia
Absoluta
Frecuencia
Relativa
Frecuencia
Relativa %
Frecuencia
acumulada
6.2 - 9.4
7.80
0.0417
4.17
9.5 - 12.7
11.10
0.0667
6.67
13
12.8 - 16.0
14.40
16
0.1333
13.33
29
16.1 - 19.3
17.70
30
0.2500
25.00
59
19.4 22.6
21.00
20
0.1667
16.67
79
22.7 - 25.9
24.30
18
0.1500
15.00
97
26.0 - 29.2
27.60
16
0.1333
13.33
113
29.3 32.5
30.90
0.0583
5.83
120
120
1.0000
100.00
Sumas
14
0,5
0,5
0,8
0,9
1
1
1
1,1
1,1
1,15
1,2
1,2
1,25
1,3
1,3
1,35
1,4
1,45
1,45
1,48
1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,55
1,6
1,6
1,6
1,6
1,65
1,65
1,7
1,7
1,8
1,8
1,8
1,9
1,9
2
2
2
2
2
2
2
2
2
2
2
2
2,2
2,2
2,2
2,25
2,3
2,3
2,3
2,3
2,39
2,4
2,4
2,49
2,5
2,5
2,5
2,5
2,5
2,5
2,5
2,5
2,5
2,5
2,5
2,6
2,6
2,7
2,7
2,7
2,7
2,75
2,76
2,8
2,8
2,8
2,8
2,9
2,9
2,9
2,9
2,9
2,95
3
3
3
3
3
3
3
3
3,1
3,21
3,3
3,3
3,5
3,5
3,5
3,6
3,7
3,7
3,8
3,8
3,8
3,8
3,8
3,9
3,9
3,9
3,95
4
4
4
4
4
4,5
4,7
5
5
5
5
5,2
5,2
6
6
Estos nmeros pueden representar tambin: longitud de las hojas (cm), altura de plantas
agrcolas (cm), pH de una sustancia etc.
15
RANGO(R).
NMERO DE CLASES
R =5.5
(K)
K = 1+3.33 log(n).
Donde n es igual al nmero total de los elementos dela muestra, en estadstica se denomina
tamao de la muestra, en este caso el tamao de la muestra es 140.
K=1+3.33 log10 (140)
K=1+3.33(2.1461) = 8.1466
R
K
5.5
0.69
8
La primera clase de la columna titulado intervalos de clase de la tabla, resulta de sumar al valor
mnimo de los datos ms el intervalo de clase.
5.5+ 0.69 =1.19
El valor mnimo de la segunda clase ser 1.20 y el valor mximo 1.20 + 0.69 = 1.89, as
sucesivamente se calculan los valores inferiores y superiores de cada clase, hasta completar
las 8 clases. Ver los resultados en la siguiente tabla de frecuencias.
Tabla 03. Distribucin de frecuencia de alturas totales de cedro de la India
Intervalos de
Clase
Marca de
Clase
Frecuencia
Absoluta
Frecuencia
Relativa
Frecuencia
Relativa %
Frecuencia
acumulada
0.5 - 1.19
0.845
10
0.0714
7.14
10
1.20 - 1.89
1.545
33
0.2357
23.57
43
1.90 - 2.59
2.245
37
0.2643
26.43
80
2.60 - 3.29
2.945
28
0.2000
20.00
108
3.30 3.99
3.645
17
0.1214
12.14
125
4.0 - 4.69
4.345
0.0429
4.290
131
4.70 - 5.39
5.045
0.0500
5.000
138
5.40 - 6.09
5.745
0.0143
1.43
140
140
1.0000
100.00
Sumas
16
Xi
i 1
El smbolo
Xi
N = Tamao de la poblacin
Xi = isimo valor de la variable X.
Aplicando la frmula a los datos de la poblacin se tiene
N = 14
Los valores de X1 =3, X2 =7 .... X14 =10
3 7 9 6 7 4 8 5 9 10 8 6 4 10
6.8571
14
m
En realidad una poblacin de postes de madera slo con 14 elementos no viene al caso; se
tom este ejemplo con pocos elementos para demostrar el proceso de clculo visual. En la
prctica no conocemos el tamao verdadero de la poblacin de postes de madera, que bien
pueden ser cientos, miles y quizs millones, esto debemos delimitar segn los objetivos del
estudio, por ejemplo si analizamos una plantacin de pino para postes de tendido elctrico, con
mil rboles por hectrea y la plantacin tiene digamos 50 hectreas, el tamao de la poblacin
(N) ser 50,000 rboles.
Media Aritmtica de la muestra
17
Para estimar la media de la poblacin se extraer una muestra cuyo tamao (nmero
de elementos que tiene la muestra) est en funcin de la variabilidad de los elementos
y el error que uno comete durante el muestreo.
Ejemplo 02. Hemos considerado una poblacin slo de 14 elementos para demostrar el clculo
de la media de la poblacin; si de estos 14 elementos sacamos al azar una muestra, digamos 6
elementos y calculamos la media aritmtica, este valor es un estimador de la verdadera media
de la poblacin, que en raras ocasiones puede ser igual a la media de la poblacin verdadera.
La frmula para el clculo es la siguiente
n
X
i 1
x = media de la muestra
n = tamao de la muestra
Xi = isimo valor de la variable X.
Obteniendo al azar una muestra de 06 elementos de la poblacin de 14 elementos del ejemplo
01 tenemos 7, 9, 6, 8, 4, 10
Calculando la media aritmticas con la frmula propuesta
7 9 6 8 4 10
7.33
6
metros
Este valor sobre estima a la verdadera media de la poblacin que es 6.8571 metros, en algunos
casos el resultado de la muestra sub estima.
Propiedades de la Media aritmtica
La media aritmtica es un valor representativo debido a que es el centro de gravedad o punto
de equilibrio de un conjunto de observaciones,
Si se sustituye el valor de cada observacin por el valor del promedio no vara la suma de todas
la suma de todas las observaciones.
La suma de las desviaciones de las observaciones con respecto al promedio es igual a cero.
n
X
i 1
X 0
La suma de los cuadrados de las desviaciones de las observaciones con respecto a la media
es menor o igual que la suma de los cuadrados de las desviaciones de las observaciones con
respecto a cualquier otro valor.
18
i 1
i 1
Xi X Xi K
donde
K R
Donde
clase
fX
N = Tamao de la muestra.
Ejemplo 03. Calcular la media aritmtica de altura total de Cedrela odorata,
agrupada en 8 clases. Para ello se construye la tabla 03 con datos de la tabla 02
Tabla 03. Distribucin de frecuencia de alturas totales de Cedrela odorata
Intervalos de
Clase
Marca de
Clase (X)
06.2 - 09.4
09.5 - 12.7
12.8 - 16.0
16.1 - 19.3
19.4 - 22.6
22.7 - 25.9
26.0 - 29.2
29.3 - 32.5
Frecuencia
Absoluta (f)
7.80
11.10
14.40
17.70
21.00
24.30
27.60
30.90
Sumas
Xf
5
8
16
30
20
18
16
7
39.0
88.8
230.4
531.0
420.0
437.4
441.6
216.3
120
2404.5
2404.5
20.0375
120
Aplicando la frmula de media aritmtica sin agrupar los datos de Cedrela odorata se tiene:
X
n
Donde
La mediana (Md)
19
7, 7, 8, 9, luego se calcula como sigue: Md=(6+7)/2= 6.5. Si los datos fueran impares como 7,
11, 12, 12, 15, entonces automticamente la mediana es el tercer dato o sea 12.
La Moda (Md)
La moda de un conjunto de valores es aquel valor que ocurre con mayor frecuencia. Si todos
los valores son distintos no existe moda. Un conjunto de valores puede tener ms de una
moda.
La moda del grupo de valores del ejemplo es 7 porque este nmero se ocurre 02 veces.
La moda se puede utilizar para describir datos cualitativos. Por ejemplo supongamos que un
grupo de plantas enfermas fueron tratados con fungicidas orgnicos y al cabo de 2 meses
observamos plantas levemente enfermas, plantas enfermas y plantas sanas.
Md = L +
n
-F
2
fm
Frmula
Donde:
120
Md = 19.4 +
- 59
3.2 = 19.56
20
Moda (Mod)
Es el valor que aparece ms frecuentemente en el conjunto de datos. La frmula para datos
agrupados es:
Mod = L +
Donde:
d1
c
d1 + d2
L = lmete inferior de la clase modal
d1 = frecuencia de la clase modal menos la frecuencia de la clase anterior
30 - 16
3.2 = 17.96
30 - 16 + 30 - 20
20
G =
X 1. X 2 . X 3. . . . . X n
logX
Log G =
i=1
Ejemplo: Sobre la base del cuadro 04 calcule el promedio geomtrico de los datos
Tabla 04. Costos mensuales, en dlares de una distribuidora
MES
COSTO EN DOLARES ( $)
Log X
Enero
20000
4.30103
Febrero
30000
4.47712
Marzo
51000
4.70757
Abril
39000
4.59106
Mayo
31000
4.49136
Junio
22000
4.34242
Total
26.91056
Log G =
26,91056
= 4.48509
6
Log G =
f.logX
n
21
Intervalos de
Clase
Marca de
Clase (X)
Frecuencia
Absoluta (f)
6.2 - 9.4
7.80
0.8921
4.4605
9.5 - 12.7
11.10
1.0453
8.3626
12.8 - 16.0
14.40
16
1.1584
18.5338
16.1 - 19.3
17.70
30
1.2480
37.4392
19.4 - 22.6
21.00
20
1.3222
26.4444
22.7 - 25.9
24.30
18
1.3856
24.9409
26.0 - 29.2
27.60
16
1.4409
23.0545
29.3 - 32.5
30.90
1.4900
10.4297
Sumas
Logaritmo de
Marca de
clase
120
f (log de X)
153.6656
Utilizando la frmula para calcular la media geomtrica para datos agrupados se tiene:
Log G=153.6656/120 = 1.2805,
El antilogaritmo 19.0786, es la media geomtrica de los datos de altura de Cedrela odorata.
Media armnica
Para datos no agrupados se usa la frmula
H=
n
n
X
i=1
H=
n
1
f
i=1 Xi
n
1995
20
1996
40
1997
60
1998
60
1999
30
en miles de dlares
H=
5
= 35.294
1
1
1
1
1
+ + + +
20 40 60 60 30
Ejemplo para datos agrupados. Calcular la media armnica para datos de altura de Cedrela
odorata.
22
Marca de
Clase (X)
Frecuencia
Absoluta (f)
6.2 - 9.4
7.80
9.5 - 12.7
11.10
12.8 - 16.0
14.40
16
16.1 - 19.3
17.70
30
19.4 - 22.6
21.00
20
22.7 - 25.9
24.30
18
26.0 - 29.2
27.60
16
29.3 - 32.5
30.90
Sumas
120
120
= 17.99
1
1
1
1
1
1
1
1
5
8
16 14.4 30 17.7 20
21 18
16 27
.6 7 30
.9
7.8 11 .1
24.3
Q=
Ejemplo Hallar la media cuadrtica de los siguientes datos: 2, 8, 7, 9, 7, 11. El resultado con la
frmula propuesta es:
22 82 7 2 92 72 112
Q=
7.83
6
CUARTILES Y PERCENTILES
Para hallar los cuartiles y percentiles se ordenar las n observaciones de menor a mayor, luego
np i
i
determinar el producto
siendo n tamao dela muestra, i el p-simo percentil; i se
refiere a la proporcin de casos que acumula el percentil buscado (por ejemplo el percentil 40
np
Aplicando el mtodo WAVEREAGE, para hallar el lugar del i-simo percentil, calcular:
El cuartil inferior
QI
El cuartil mediana
Qm
23
El cuartil superior
QS
npi no es entero
Calcule el cuartil inferior QI, cuartil mediana Qm y el cuartil superior Qs de los datos ordenados
0.02
0.15
0.19
0.47
0.71
0.75
0.82
0.92
0.96
1.16
1.17
1.23
1.38
1.4
1.59
1.61
1.94
2.01
2.16
2.41
2.59
3.07
3.53
3.76
4.75
n 25
p1
1
0.25,
4
Clculo del
p2
QI
2
0.50,
4
p3
3
0.75
4
Cuartil inferior
Qm
Cuartil mediana
QS
Cuartil superior
QI
Qm
Segundo CASO.
np i
i
Si el valor
es entero, digamos k, calcule la media de las
observaciones ordenadas k-sima y (k+1)-sima.
24
n 28
pi
p1
6
7
7.5
8
8.5
8.7
8.9
9.5
9.6
9.7
9.9
10
10.1
10.2
10.6
10.8
11
11.5
12
13
15
Tamao de la muestra
isimo percentil
1
0.25,
4
Clculo del
QI
p2
2
0.50,
4
p3
3
0.75
4
p1n QI 0.25(28) 7
k esima k7
Finalmente
Clculo de
QI
Qm
K 7 5.9
( k 1) esima k8
luego
k8 6
k7 k8 5.9 6
5.95
2
2
p2 n Qm 0.5 ( 28) 14
Este resultado es entero, por tanto seguimos aplicando el mtodo WAVEREAGE y ubicamos el
valor en el lugar 14, esto es 8.9, a este valor sumamos el siguiente dato del conjunto ordenado
o sea 9.5, sumando ambos valores y dividiendo entre 2 se tiene
K esima 14
Finalmente
Qm
( k 1) esima 15
9. 2
2
2
QS
Como en los casos anteriores, el resultado es entero, el valor ubicamos en el lugar 21, esto es
10.2, a este valor sumamos el siguiente dato del conjunto o sea 10.6, sumando ambos valores
y dividiendo entre 2 se tiene
K esima 21
( k 1) esima 22
25
QS
10.4
2
2
RIQ QS QI
RIQ 10.40 5.95 4.45
DIAGRAMA DE CAJA
Definicin
Es un grfico de resumen basado en la mediana, los cuartiles y valores extremos. El grfico
es una caja, representa la amplitud intercuartil que contiene el 50% de los valores centrales de
un conjunto de datos ordenados. Una lnea que atraviesa la caja indica la situacin de la
mediana. Los "bigotes" son las lneas que se extienden desde la caja hasta los valores ms
altos y ms bajos, excluyendo los valores atpicos.
Los diagramas de caja son especialmente eficaces para la descripcin grfica de
comparaciones entre conjuntos de observaciones. Son fciles de entender y ejercen un
poderoso impacto visual.
Ejemplo. Supongamos que se desea describir el peso seco en kilogramos de 25 plantas
despus de un tratamiento con fertilizantes.
Para contruir el diagrama de caja primero ordene los datos en forma ascendente.
0.02
0.15
0.19
0.47
0.71
0.75
0.82
0.92
0.96
1.16
1.17
1.23
1.38
1.4
1.59
1.61
1.94
2.01
2.16
2.41
2.59
3.07
3.53
3.76
4.75
Qm
QI
QS
26
QS
se encuentra
RIQ
QI
QS
situados la parte
2. Marcar la mediana o cuartil mediana m (1.38) dentro de la caja con una lnea horizontal
resaltado
3. Establezca dos conjuntos de lmites en la grfica de caja.
Cotas interiores
y por arriba de
QS
Cotas exteriores
. Es igual a la distancia de 3(
y por arriba de
QS
4. Las observaciones que caen entre las cotas interiores y exteriores se denominan posibles
valores fuera de intervalo. Marque los posibles valores fuera de intervalo en el diagrama
de caja utilizando asteriscos(*). Las observaciones que caen fuera de las cotas exteriores
se denominan valores fuera de intervalo muy probable. Utilice crculos pequeos ( )
para marcar los valores fuera del intervalo muy probables.
5. A fin de destacar los valores extremos, se aaden bigotes al diagrama de caja. Marque
el valor de la variable dentro de la regin entre I y la cota inferior que est ms cercano
a la cota interior con una aspa (X) y otra aspa (X) al cuadro con una lnea punteada. De
forma similar utilice una X y su bigote para ubicar el valor ms extremo entre
27
QS
y la cota
interior superior.
Si calculamos estos valores de primer, segundo y tercer cuartil con software SPSS el resultado
es:
Variables
dependiente
s
PESO
Percentiles
50
,4
5
0
,3
0
,2
0
,1
0
,0
0
,P
e
s
o
e
c
o
d
e
p
la
n
ts
Mtodos
Promedio
ponderado(definicin 1)
Bisagras de Tukey
PESO
25
75
.7850
1.3800
2.2850
.8200
1.3800
2.1600
28
MEDIDAS DE DISPERSIN
La dispersin se refiere a la variabilidad o amplitud en los datos, las medidas ms utilizadas
son: (1) el rango (2) la varianza y (3) la desviacin estndar.
La varianza de la poblacin ( )
La varianza de poblacin (sigma al cuadrado), para datos no agrupados est dada por la
siguiente frmula:
X X
N
2
(x - x
=
)2
n-1
s
2
2
i
n 1
y la
Ejemplo Hallar la varianza y desviacin estndar de una muestra con 5 elementos (5, 8, 7, 9,
11) obtenida que corresponden a las alturas (m) de rboles.
5 8 7 9 11
8
5
1.
2.
s2 =
El resultado est dado en unidades cuadradas, por tanto se debe calcular la raz cuadrada del
resultado
3.
29
s
2
Utilizando la frmula
s2
2
i
n 1
se tiene donde
X 40 y X
340
(40) 2
5 5
4
340
Marca de
Clase (X)
Frecuencia
Absoluta (f)
6.2 - 9.4
9.5 - 12.7
12.8 - 16.0
16.1 - 19.3
19.4 22.6
22.7 - 25.9
26.0 - 29.2
29.3 32.5
7.80
11.10
14.40
17.70
21.00
24.30
27.60
30.90
5
8
16
30
20
18
16
7
Sumas
X x
-12.24
-8.94
-5.64
-2.34
0.96
4.26
7.56
10.86
120
( X x )2
149.8176
79.9236
31.8096
5.4756
0.9216
18.1476
57.1536
117.9396
f ( X x )2
749.0880
639.3888
508.9536
164.2680
18.4320
326.6568
914.4576
825.5772
4146.8820
Anteriormente se ha calculado que el promedio para estos datos agrupados es igual 20.04 cm,
con este valor se construye la columna 04, generando posteriormente las columnas 5 y 6 de la
tabla 07.
Por ejemplo el valor -12.24 se obtiene restando a la marca de clase 7.8, la media aritmtica
20.04.
Con los datos de la tabla 07 se calcula la varianza para la muestra de datos agrupados
30
s2 =
4146.8220
= 34.85
120 - 1
Centmetros cuadrados
Finalmente se calcula la desviacin estndar de las alturas de Cedrela odorata, simplemente sacando la
raz cuadrada de la varianza
s=
34.85 = 5.90cm
CV =
s
X
CV =
5.9
= 0.2944
20.04
Esta cantidad siempre se expresa en porcentaje, simplemente multiplicando por 100 el C.V, en nuestro
caso el coeficiente es 29.44%.
31
NOCIONES DE PROBABILIDAD
El concepto de probabilidad tuvo su origen en los juegos de dados, cartas y el tiro de la moneda. Luego
se implement en problemas sociales y econmicos. Las probabilidades son muy tiles para tomar
decisiones de posibles resultados futuros. Para utilizarlas es necesario seguir ciertas reglas generales.
La probabilidad es el estudio de experimentos aleatorios o libres de determinacin. Si una moneda es
lanzada al aire, entonces hay certeza que caer, pero no es cierto afirmar que aparecer cara. Sin
embargo supongamos que repetimos el experimento de lanzar la moneda; sea s el nmero de aciertos,
esto es el nmero de veces que un sello aparece, sea n el nmero de lanzamientos. Se sabe entonces
s
n frecuencia relativa ( f ) tiende a estabilizarse a la larga, o sea
La probabilidad de que ocurran los eventos no excluyentes P(E1 E2) que es lo mismo que
P (E1 E2) es la suma de sus probabilidades individuales P (E1) ms P (E2) menos la
probabilidad conjunta de ambos eventos P (E1 y E2) que tambin se escribe como P (E1 E2).
Regla de suma para eventos mutuamente excluyentes
P(E1 E2) = P(E1) + P(E2)
La probabilidad de que ocurran los eventos mutuamente excluyentes E1 y E2 es la suma de sus
probabilidades individuales P(E1) y P(E2)
Regla de probabilidad condicional para dos eventos dependientes E1 y E2
P(E1 | E2) = P(E1 E2)/P(E2) en donde P(E2) es mayor que cero P(E1|E2) se lee como
probabilidad de E1 dado que ha ocurrido E2. ***No es una divisin de la probabilidad de E1 entre
E2***
La probabilidad de que ocurra el evento E1 dado que ha ocurrido el evento E2, es la probabilidad
conjunta de ambos eventos E1 y E2, dividido por la de E2 donde esta ltima debe ser mayor de
cero.
Regla de probabilidad condicional para dos eventos independientes E1 y E2
P (E1|E2) = P(E1)
La probabilidad de que ocurra el evento E1 dado que ha ocurrido el evento E2, es la probabilidad
de que ocurra el evento E1.
Regla de multiplicacin para dos eventos dependientes E1 y E2
P (E1 y E2) = P(E1E2) = P(E1) P(E2|E1)
Es til cuando necesitamos encontrar la probabilidad conjunta pero no tenemos las frecuencias
relativas. La probabilidad conjunta de dos eventos E1 E2, es el producto de la probabilidad
individual de E1 por la probabilidad condicional de E2 dado que ha ocurrido E1.
34
Cul ser la probabilidad de escoger dos ases corridas (sin reemplazo) de un paquete de 52
cartas?
P(E1) es la probabilidad de escoger el primer as = 4/52
P(E2) es la probabilidad de escoger el segundo as = 3/51
El resultado ser 4/52 * 3/51 = 12/2652 = 0.0045
Regla de multiplicacin para dos eventos independientes E1 y E2
P(E1 E2) = P(E1) P(E2)
La probabilidad conjunta de dos eventos E1 y E2 es el producto de la probabilidad de E1 por la
probabilidad de E2.
Cul ser la probabilidad de escoger dos Ases corridas (con reemplazo) de un paquete de 52
cartas?
P(E1) es la probabilidad de escoger el primer As = 4/52
P(E2) es la probabilidad de escoger el segundo As = 4/52
El resultado sera 4/52 * 4/52 = 16/2704 = 0.006
E5
Menores de 30
E1
e1
10 o ms veces
200
E2
e4
3 a 9 veces
600
E3
e7
1 a 2 veces
400
E4
e10
700
TOTAL
1900
E6
30 a 50
E7
Mayores de 50
TOTAL
e2
100
E3
100
400
E5
900
e6
400
1900
E8
600
E9
500
1500
e11
500
e12
0
1200
2100
1000
5000
35
Probabilidad marginal
EDADES
Veces que salen a comer por semana
E5
Menores de 30
E1
e1
10 o ms veces
200
E2
e4
3 a 9 veces
600
E3
e7
1 a 2 veces
400
E4
e10
700
TOTAL
1900
E6
30 a 50
E7
Mayores de 50
TOTAL
e2
100
e3
100
400
e5
900
e6
400
1900
e8
600
e9
500
1500
e11
500
e12
0
1200
2100
1000
5000
E7
Mayores de 50
TOTAL
Probabilidad conjunta
EDADES
Veces que salen a comer fuera por semana
E5
Menores de 30
E1
e1
10 o ms veces
200
E2
e4
3 a 9 veces
600
E3
e7
1 a 2 veces
400
E4
e10
700
TOTAL
1900
E6
30 a 50
e2
100
e3
100
400
e5
900
e6
400
1900
e8
600
e9
500
1500
e11
500
e12
0
1200
2100
1000
5000
36
Cmputo de la probabilidad
Los siguientes ejercicios le permitirn relazar los conceptos y reglas estudiadas en este mdulo.
Cada ejercicio incluye la idea de cmo hacer el cmputo.
Para contestarlos utilice la tabla de ejemplo presentada en las lminas anteriores.
1 - Compruebe las reglas 1 y 2 sumando todos los eventos elementales.
La suma de todas las probabilidades conjuntas designada como e, debe ser igual a uno.
2 - Utilice la regla 3 para determinar la probabilidad de que las personas menores de 30 aos
salgan a comer fuera. Sume las probabilidades P(e1) + P(e4) + P(e7) + P(e10). Debe ser igual
P(E5)=0.38.
37
3 - Con la regla del suceso contrario determine la probabilidad de que las personas menores de
30 aos no salgan a comer fuera. Debes restar uno menos la probabilidad del ejercicio anterior.
Esto es 1-P(E5).
4 Utilice la regla 4 para conseguir la probabilidad de personas que coman fuera 3 a 9 veces por
semana o que sean mayores de 50 aos. Haga el siguiente computo: P(E2) + P(E7) P(E2 E7)
En este caso P(E2 E7) es igual a P(e6) que es 0.08.
5 Utilice la regla 5 para conseguir la probabilidad de personas que coman fuera de 1 a 2 veces
o de 3 a 9 veces por semana. El resultado lo obtendr con la suma P(E2) + P(E3).
6 Con la regla 6 determine la probabilidad encontrar personas que coman fuera menos de una
vez dado de que son menores de 30 aos. Esto es P(E4/E5) = P(E4 E5)/P(E5)
7 Con la regla 7 demuestre la probabilidad de encontrar personas menores de 30 dado de que
hay personas mayores de 50. Esto es P(E5/E7) debe ser igual a P(E5).
Ejercicios de redaccin, use la tabla de ejemplo
1 - Mencione cules de los eventos en la tabla son independientes y cules son dependientes.
Mencione si hay eventos mutuamente excluyentes. Explique su razonamiento de acuerdo a las
definiciones presentadas en este mdulo.
2 - D ejemplos de eventos elementales y compuestos.
3 - Escriba sobre cul es el espacio muestral de los eventos E2, E4, E5 y E7.
Ejemplo. La probabilidad de obtener el rey de diamantes al extraer una primera carta de una baraja es
P(KD) = 1/52
Si la primera carta seleccionada fue efectivamente el rey de diamantes y si la primera carta no se vuelve
a colocar en la baraja, la probabilidad de obtener otro rey en la segunda eleccin es dependiente de la
primera eleccin porque ahora quedan solamente 3 reyes y 51 cartas en la baraja. La probabilidad
condicional de escoger otro rey, dado que el rey de diamantes fue ya escogido y no se volvi a colocar
es P(K/KD) = 3/51.
As la probabilidad de escoger el rey de diamantes en la primera seleccin y, sin reemplazo, escoger otro
rey en la segunda es
P(KD y K) = P(KD) . P(K/KD) = 1/52 . 3/51 = 3/2652
Es un importantsimo teorema de la teora estadstica, porque constituye, en cierta medida, un nexo entre
la vaga definicin de probabilidad y su utilizacin prctica. Su autor JACOBO BERNOULLI, confes, en
su obra publicada en 1713, haber tardado 20 aos en su demostracin.
Esta distribucin est representada por el desarrollo del binomio . Cuando p y q son iguales, la
distribucin es simtrica, como cuando p = 0.5 y q = 0.5. Cuando p > q, la distribucin es asimtrica; sin
embargo, aun en estos casos la distribucin puede llegar a ser simtrica si nes numerosa y con accin
ecolgica intensa, como ocurre un caracteres cuantitativos biolgicos (altura del rbol, volumen de la
troza, longitud de la raz, etc.).
La distribucin Binomial se utiliza cuando se tiene una variacin discreta y el nmero de clases
es bajo. Por ejemplo porcentaje de plantas sanas o enfermas, relacin del sexo, en estos casos se
(p+q) n
p(x)=
n!
x n x
p q
x! n-x !
P ( X 0)
5!
(0.4)0 (0.6)5 0.07776
0!(5 0)!
P ( X 1)
5!
(0.4)1(0.6) 4 0.25920
1!(5 1)!
P ( X 2)
5!
(0.4) 2 (0.6)3 0.34560
2!(5 2)!
P ( X 3)
5!
(0.4)3 (0.6)2 0.23040
3!(5 3)!
P ( X 4)
5!
(0.4) 4 (0.6)1 0.07680
4!(5 4)!
P( X 5)
5!
(0.4)5 (0.6) 0 0.01024
5!(5 5)!
39
np
VARIANZA
DESVIACIN ESTNDAR
npq
npq
=5(0.4)=2
2 5(0.4)(0.6) 1.2
= 5(0.6)(0.4) 1.095
Supuestos:
1.
Hay slo dos resultados posible para cada ensayo(arbitrariamente llamados xito y
fracaso)
2.
3.
4.
Ejemplo: suponga que se sabe que el 30% de cierta poblacin plantas es inmune a alguna enfermedad.
Si se escoge una muestra aleatoria de 10 elementos de entre esta poblacin Cul es la
probabilidad de que dicha muestra contenga exactamente 04 plantas inmunes?
P( X 4)
10!
(0.7)6 (0.3) 4 0.2001
4!(10 4)!
P ( X 5)
25!
(0.1)5 (0.9) 20 0.06459
5!(20)!
P ( X 4)
25!
(0.1) 4 (0.9) 21 0.138415
4!(21)!
40
P ( X 3)
25!
(0.1)3 (0.9)22 0.22649
3!(22)!
P( X 2)
25!
(0.1) 2 (0.9) 23 0.26588
2!(23)!
P ( X 1)
25!
(0.1)1 (0.9) 24 0.19941
1!(24)!
P( X 0)
25!
(0.1) 0 (0.9) 25 0.07179
0!(25)!
Existen 06 o ms de la especie A
P ( X 6)
25!
(0.1)6 (0.9)19 0, 023924
6!(19)!
P ( X 7)
25!
(0.1) 7 (0.9)18 0, 007215
7!(18)!
P ( X 8)
25!
(0.1)8 (0.9)17 0, 001804
8!(17)!
P ( X 9)
25!
(0.1)9 (0.9)16 0, 000379
9!(16)!
P( X 10)
Sumando
25!
(0.1)10 (0.9)15 0, 0000467
10!(15)!
los
resultados
de
cada
una
de
las
probabilidades
0.0334, no vale la
Existen
entre
seis
nueve
individuos
de
la
especie
inclusive
La respuesta es la suma de las probabilidades de 6, 7, 8 y 9
individuos igual a 0,0333.
41
d)
Ejercicio
En cierta comunidad de plantas de una especie maderable 85%
estn
invadidas
por
plantas
trepadoras,
un
forestal
b.
12!
(0.85) 7 (0.3)5 0, 019280
7!(5)!
P ( X 5)
12!
(0.85)5 (0.15)7 0, 000600
5!(7)!
P ( X 4)
12!
(0.85) 4 (0.15)8 0, 000066
4!(8)!
P ( X 3)
12!
(0.85)3 (0.15)9 0, 000005
3!(9)!
La
respuesta
es
la
suma
de
las
probabilidades
calculadas
0.00671
c.
P ( X 8)
12!
(0.85)8 (0.15) 4 0, 068284
8!(4)!
P ( X 9)
12!
(0.85)9 (0.15)3 0,171976
9!(3)!
P( X 10)
12!
(0.85)10 (0.15) 2 0, 292358
10!(2)!
P ( X 11)
12!
(0.85)11 (0.15)1 0, 301218
11!(1)!
P ( X 12)
12!
(0.85)12 (0.15)0 0,142242
12!(0)!
DISTRIBUCIN DE POISSON
Una forma sencilla de generar el modelo probabilstica que se conoce como distribucin de Poisson es
considerar un nmero muy grande de repeticiones de un experimento Binomial, con probabilidades de
xito muy pequeas. Bajo ciertas condiciones, la distribucin de la variable X, definida como el nmero
de xitos en n repeticiones, se aproxima (cuando n tiende a infinito) a la funcin de probabilidades de
Poisson. Por esta razn se considera a veces al modelo Poisson como una forma lmite de la distribucin
Binomial y se le utiliza para aproximar probabilidades en sta. Aparte de su uso como una aproximacin
a la distribucin Binomial, la distribucin de Poisson sirve como modelo para experimentos donde los
eventos ocurren en intervalos de tiempo y espacio y nos interesa el nmero promedio de ocurrencias en
el intervalo. En este caso se supone que cada repeticin del experimento Binomial que genera el espacio
muestral ocurre en cada punto del intervalo y, por lo tanto, el nmero de repeticiones puede considerarse
infinito. Como ejemplos especficos de fenmenos que pueden representarse por este modelo tenemos:
el nmero de partculas de polvo en cierto volumen de aire, las llamadas en una lnea telefnica por
unidad de tiempo, el nmero de incendios forestales, el nmero de accidentes por mes en una
extracciones forestales, el nmero de insectos por rbol en una plantacin atacada etc.
Los postulados que rigen a un experimento cuyo modelo probabilstico es Poisson se anotan en seguida.
Un modelo probabilstico Poisson tienen las siguientes caractersticas:
5.
El espacio muestral se genera por un nmero muy grande (puede considerarse infinito)
de repeticiones en un experimento cuyo modelo probabilstico es Binomial con probabilidades
muy pequeas de xito. Por esta razn a la distribucin de Poisson se le llama de eventos
raros. Las repeticiones del experimento Binomial se realizan en cada uno de los puntos de un
intervalo de tiempo o espacio.
6.
Ii
I I I
k
intervalo k , donde i
7.
La probabilidad de que se tengan 2, ms xitos en el mismo punto del intervalo es 0.
8.
El nmero promedio de xitos en un intervalo es una constante , (lambda) que no
cambia de intervalo a intervalo.
Para aclarar el significado de estos cuatro postulados presentamos el siguiente ejemplo.
Una variable aleatoria X tiene una distribucin de Poisson si su funcin de probabilidades est dada por:
e x
P( X )
; x 0,1, 2,....
x!
Donde P(X) = Probabilidad de X nmero de apariciones,
Ejemplo:
Un entomlogo examina una planta contando el nmero de huevecillos de un insecto (Helliothissp) por
planta. De estudios anteriores se sabe que bajo las condiciones del experimento el nmero de
huevecillos por planta puede representarse por una distribucin de Poisson con = 0.9. Las
43
p( 0)
e 0.9 (0.9)0
0.40657
0!
e0.9 (0.9)1
p ( 1)
0.36591
1!
p(x=2)=
e-0.9 (0.9) 2
0.16466
2!
p(x=3)=
e-0.9 (0.9)3
0.04940
3!
p(x=4)=
e-0.9 (0.9)4
0.01111
4!
p(x=5)=
e-0.9 (0.9)5
0.00200
5!
p(x=6)=
e-0.9 (0.9) 6
0.00030
6!
p(x=7)=
e-0.9 (0.9) 7
0.00004
7!
Se puede verificar que las probabilidades de X=8, X=9 etc. son ceros con una aproximacin de 5
decimales por lo que no vale la pena calcular ms.
Entonces la probabilidad de encontrar 7 o menos huevecillos ser la suma de las probabilidades de 0, 1,
2, 3, 4, 5, 6, y 7= 0.9999
La probabilidad de encontrar 5 ms huevecillos ser la suma de las probabilidades de 5, 6, 7, 8, 9, en
otras palabras sumar las probabilidades 0.00200 + 0.0003 + 0.00004 + = 0.0023.
Cuando utilizar el modelo Poisson
La distribucin de Poisson se utiliza cuando se encuentran los eventos o entidades distribuidas al azar
en espacio y tiempo, y bajo esta suposicin se puede calcular la ocurrencia de eventos o entidades en
alguna unidad de espacio y tiempo.
En un estudio de suicidas encontraron que la distribucin mensual de adolescentes suicidas, sigui una
distribucin de Poisson con parmetros
2.75
P ( X 3)
0.221584
3!
6
44
Cul es la probabilidad de que en un mes seleccionado aleatoriamente sea uno en el que ocurrirn tres o
cuatro suicidios
e 2.75 2.754
P ( X 3) 0.221584
4!
2.21584 0.152338 0.373922
Puesto que los eventos son mutuamente excluyentes la regla de adicin para encontrar los resultados
Durante el estudio de cierto nmero de organismos acuticos, se tom un gran nmero de muestras de
una laguna, y se cont el nmero de organismos en cada muestra. El nmero promedio de los
organismos encontrados por muestra fue de dos. Suponiendo que el nmero de organismos sigue una
distribucin de Poisson, calcule la probabilidad de que la prxima muestra que se tome tenga un
organismo o menos. P ( X 1| 2) 0.406
P ( X 1)
e 2 21
0.27067
1!
P ( X 1)
e 2 20
0.13533
0!
Respuesta
sumando
ambos
resultados
se
encuentra
que
la
la
probabilidad
de
que
la
siguiente
muestra
tenga
e 2 23
P ( X 3)
0.180447
3!
e 2 22
P ( X 2)
0.216536
2!
e 2 21
P ( X 1)
0.270670
1!
e 2 2 0
P ( X 0)
0.13533
0!
45
DISTRIBUCIN NORMAL
Uno de los ms importantes ejemplos de una distribucin de probabilidad continua es la Distribucin
Normal, algunas veces llamada distribucin de Gauss. La funcin de densidad para la distribucin est
dada por:
f (X )
2
1
e ( x ) / 2
2
2.
3.
La distancia horizontal entre una lnea vertical erigida sobre eje (X) y el punto de inflexin
y 1 )
Cualquier distribucin normal de eje X se puede convertir a una distribucin normal estndar
estableciendo que
(escala Z). En tales condiciones 68.28% del rea total (probabilidad) bajo la curva normal estndar se
incluye dentro de una desviacin estndar de la media (o sea
99.74% dentro de
1 ), 95.54% dentro de 2 , y
3 .
46
Dimetro (cm)
14.78
Volumen (m3)
0.1380
0.105
0.29
0.0104
Mediana
12.216
14,50
0.1074
Moda
10.531
15.00
0.0913
Desviacin estndar
2.299
6.49
0.2270
Varianza de la muestra
5.285
42.21
0.0516
Rango
12.285
90
3.7155
Mnimo
6.096
05
0.0067
Mximo
18.381
95
3.7223
5710.954
7034.50
65.6821
476
476
476
19.16
43.96
164.54
Estadgrafos
Media
Error tpico
Suma total
Tamao de la muestra
C.V.%
Si consideramos la variable dimetro como un indicador para uso de la madera de nogal por la
comunidad, habrn muchas interrogantes. Por ejemplo los rboles con dimetros iguales o menores de
10cm en qu se utilizarn y qu porcentaje de estos rboles podemos encontrar en la plantacin de
Cheni?.
En funcin a su dimetro qu probabilidades de uso tienen los rboles de nogal de la
comunidad de Cheni?
4.
a. rboles con dimetros menores de 10 cm.
En el cuadro 01 la desviacin estndar de los dimetros de nogal en la plantacin de la comunidad de
Cheni es 6.4969cm y una media de 14.7783, en consecuencia, utilizando la distribucin normal estndar
Xi
10 14.78
0.74
6.49
El valor de Zcalculado es - 0.74 este es un valor estandarizado de la variable dimetro, para conocer el
rea correspondiente de Z =-0.74, se busca en la tabla Z de la distribucin normal estandarizada
integrada desde cero a mas infinito, una parte de la tabla Z se encuentra en el en la siguiente pgina.
El valor 0.74 es negativo, no se encuentra en esta tabla, pero considerando la simetra de la curva
normal estndar se toma el valor absoluto, o sea 0.74
47
0
0,0000
0,0398
0,0793
0,1179
0,1554
1
0,0040
0,0438
0,0832
0,1217
0,1591
2
0,0080
0,0478
0,0871
0,1255
0,1628
3
0,0120
0,0517
0,0910
0,1293
0,1664
4
0,0160
0,0557
0,0948
0,1331
0,1700
5
0,0199
0,0596
0,0987
0,1368
0,1736
6
0,0239
0,0636
0,1026
0,1406
0,1772
7
0,0279
0,0675
0,1064
0,1443
0,1808
8
0,0319
0,0714
0,1103
0,1480
0,1844
9
0,0359
0,0753
0,1141
0,1517
0,1879
0,5
0,6
0,7
0,8
0,9
0,1915
0,2257
0,2580
0,2881
0,3159
0,1950
0,2291
0,2611
0,2910
0,3186
0,1985
0,2324
0,2642
0,2939
0,3212
0,2019
0,2357
0,2673
0,2967
0,3238
0,2054
0,2389
0,2704
0,2995
0,3264
0,2088
0,2422
0,2734
0,3023
0,3289
0,2123
0,2454
0,2764
0,3051
0,3315
0,2157
0,2486
0,2794
0,3079
0,3340
0,2190
0,2517
0,2823
0,3106
0,3365
0,2224
0,2549
0,2852
0,3133
0,3389
Nota: En esta tabla no hay valores de negativos de Z. Como la distribucin normal estndar es
simtrica, el rea desde cero hacia mas el infinito es igual al rea desde cero a menos infinito y
su valor para cada uno es a 0.5
La pregunta que anteriormente planteamos es
Tomando el valor absoluto de Z, en la interseccin de fila y columna sombreada de la tabla se encuentra
el valor de Z tabulado igual a 0.2704, pero este valor es al rea que corresponde desde Z igual a cero
hasta Z igual a 0.74. La pregunta es, rboles con dimetros menores de 10cm en todo caso restamos el
rea 0.2704 de 0.5000, en consecuencia el rea buscada es igual 0.5000 0.2704 = 22.96 o 22.96%
b)
Z1
10 14.78
0.74
6.49
Z2
15 14.78
0.034
6.49
Z1 = - 0.74
El rea que corresponde a este valor es igual a 0.2704 (lado izquierdo de cero)
Z2 = 0.034
En consecuencia las reas que se encuentran en el lado izquierdo y derecho de la media cero es la
suma de ambos valores.
0.2704 + 0.0120 = 0.28.24 en trminos el 28.24% de rboles tienen dimetros entre 10 y 15cm
c)
Z1
15 14.78
0.034
6.49
Z2
20.00 14.78
0.80
6.49
48
d)
Z1
20.00 14.78
0.80
6.49
Z2
25.00 14.78
1.57
6.49
25.00 14.78
1.57
6.49
49
Distribucin t Student
Esta distribucin fue estudiada por William Gosset en 1908, Ronald Fisher perfeccion en 1924. Es muy
til para el estudio de muestras pequeas es decir cuando n es menor de 60. Cuando la muestra o
poblacin es muy grande de 120 o ms observaciones, la distribucin t es prcticamente normal e igual
a la distribucin Z.
Anloga a la empleada para calcular Z, la frmula para calcular t es:
x
Sx
Sx
x y S x . Para calcular Z
El valor x se llama error estndar de la media de una muestra de tamao n, tomada al azar de una
poblacin normal; para calcular se utiliza la siguiente frmula
Sx
s2
s
n
n
Donde:
s2 es la varianza de la muestra, n tamao de la muestra.
S
La expresin
2
x
s2
usadas para las observaciones. El error tpico de la muestra estima al error tpico de la poblacin
x y
( X )( N 1) 2
t
s
tiene una distribucin simtrica de forma de campana, pero no normal con
= 0, su funcin de
50
t
y c 1
n
( n 1)
2
Donde el parmetro n = N-1 es el nmero de grados de libertad, C es una constante que depende de n y
est determinada de tal forma que el rea bajo la curva de densidad es igual a la unidad.
GRADOS DE LIBERTAD.
variar libremente y, as, determinar los valores de la desviacin estndar s, sujeta a la restriccin
1
x
N
x
i 1
Ho : 30% Ha : 30%
Esta hiptesis generalmente se demuestra con 95% de confianza.
Para comprobar la hiptesis se debe obtener informacin de mortandad de rboles en la zona de
plantacin. Si el resultado de mortandad en porcentaje, obtenido mediante el muestreo al azar en 15
parcelas es la siguiente:
25
36
35
Media = 22.93
18
12
15
14
12
14
18
15
16
33
45
36
tc
x
s
n
tc
Reemplazando valores
22.93 30
2.4843
11.022
15
El valor absoluto de t calculado (tc) 2.4843 se debe comprar con el valor de t, tabulado con un nivel de
51
significacin de alfa 0.05, obtenido de la tabla t de Student con (n-1) grados de libertad; en este ejemplo
el valor de t tabulado con 14 grados de libertad es 2.145
Realizando la comparacin se tiene, 2.4843 > 2.145
Cuando t calculada es mayor que t tabulado se rechaza la hiptesis nula planteada y se acepta la
alterna. En consecuencia se rechaza la hiptesis nula planteada. Esto quiere decir que 22.93% de
mortandad es significativamente inferior al supuesto 30%.
Ho : 1 2
Ha : 1 2
Sean
x1 , x 2, S 21 , S 2 2
como S
1
2
tanto
son estimaciones de la varianza comn 2,pueden combinarse para formar un solo
estimador, por ejemplo:
2
s2
(n1 1) s1 (n2 1) s 2
n1 n 2 2
tc
S
S
x1 x2
x1 x2
x1 x2
S x1 x2
s2 s2
n1 n2
Se denomina error estndar de la diferencia de medias
Ejemplo: Sean dos zonas X1 y X2, donde fue observada la mortandad de plantas de una especie
arbrea como consecuencia del ataque por insectos defoliadores, los datos en % son:
52
No.
Observaciones
1
2
3
4
5
6
7
8
9
10
Totales
Media
Des. Estndar
Varianza
X1
X2
26
26
29
30
14
12
11
9
16
25
198
19.8
8.1350
36
12
15
14
11
11
10
12
14
8
143
14.30
7.9029
66.18
62.46
Fc
S2
S2
Reemplazando
Fc
66.18
1.06
62.46
El valor de Fc (1.06) se compara con el valor de F tabulado con los grados de libertad (n 1-1) y (n2-1) para
un nivel escogido en este caso con 0.05 (alfa 0.05) que es igual a 3.18, luego
Comparando Fc = 1.06 es menor que 3.18 de F tabulado con ( 0.05) con 9 y 9 18 g.l
Cuando Fces menor que Ft ( F tabulado) se acepta la hiptesis planteada, en consecuencia la varianza
de la muestra X1 es igual estadsticamente a la varianza de la muestra X2.
Calcular la varianza comn (S2)
2
(n 1) s1 (n2 1) s 2
s 1
n1 n 2 2
s2
x1 x2
6 4 .3 2 6 4 .3 2
3 .5 8 6 6
10
10
x 1 1 9 .8
x 2 1 4 .3 0
Finalmente calcular, tc
53
tc
x1 x2
S x1 x2
Reemplazando valores
tc
1 9 .8 1 4 . 3 0
1 .5 3 3 5
3 .5 8 6 6
En consecuencia. Cuando el valor absoluto de t c es menor que t alfa tabulado se acepta la hiptesis nula
caso contrario se rechaza, en este caso aceptamos la Ho
Nota el valor de t tabulado, se busca en la tabla t de Student con (n1 + n2) 2 grados de libertad y con
un nivel de significacin escogido, para el nivel de escogido es 0.05.
t0
x1 x2
s12 s2 2
n1
n2
Tiene una distribucin que es aproximadamente una distribucin t con grados de libertada dado por la
siguiente ecuacin
S 21 S 22
n2
n1
S 21 S 2 2
n1
n2
n1 1
n2 1
Ha : 1 2 se
Por tanto 1 2 , la hiptesis de las ecuaciones: Ho : 1 2
prueban
como suponiendo varianzas iguales, con la excepcin de que ahora se emplea t 0 como estadstico de
prueba, con el reemplazo de (n1 + n2) 2 por v para determinar el nmero de grados de libertad de la
prueba.
2
X1
X2
30
26
29
38
8
12
11
9
36
15
28
22
26
12
15
14
11
11
13
12
14
15
14.30
11.1892
4.3729
54
Varianza
125.2
19.1222
Reemplazando valores en las frmulas anteriores
2 2 1 4 .3 0
2 .1 1
1 2 5 . 2 1 9 .1 2 2 2
11
10
t0
125.2 19.1222
11
10
v
2
125.2
19.1222
11
10
11 1
10 1
13
176.7304
13.22 13
129.55 3.6566
10
9
t0 t 0.025
2.11 < 2.16
Cuando el to es menor que t alfa tabulado se acepta la hiptesis nula, en otras palabras el promedio de
X1 es igual al promedio de X2.
MUESTRAS APAREADAS.
Las investigaciones se disean para descubrir y evaluar diferencias entre efectos, ms bien que los
efectos mismos. Por ejemplo la diferencia entre el grado de recuperacin de las plantas despus de
aplicar fungicidas, el crecimiento de una especie despus de la fertilizacin etc. En los experimentos
estos procedimientos se denominan tratamientos. Estudios de este tipo se pueden llevar de dos
maneras.
Muestras apareadas.
En este caso se seleccionan pares de individuos o de cosas similares. Un tratamiento de aplica a un
miembro de cada par el otro tratamiento al segundo miembro. Los miembros de un par pueden ser dos
plantas que poseen capacidades similares, dos variedades de una especie etc.
Con un solo par es imposible decir si la diferencia en comportamiento ha de atribuirse a la diferencia en
el tratamiento, a la variabilidad natural de los individuos, o en parte de ambos. Tiene que haber un
nmero de pares. Los datos que se van a analizar consisten en una muestra de n diferencias en
medidas.
Ejemplos:
a.
55
Altura m.
Parcelas
AB
Grupo A
Grupo B
9
17
14
13
15
10
11
13
13
15
8
15
11
11
9
12
11
10
9
14
1
2
3
2
6
-2
0
3
4
1
130
13
110
11
20
2
1
2
3
4
5
6
7
8
9
10
Sumas
Promedios
H0D 0
H0D 0
to
d
sd
n
s 2d
( d ) 2 / n
n 1
s2d
84
9
20
10 4.8889
sd
sd s 2 d
4.8889 2.211
2
to
2.86
2.2111
10
H si t t
2.262
H si t t
2.262
0
0
0.025 ,9 gl
0
0
0.025, 9 gl
Rechazar la hiptesis nula
o
Conclusiones. Puesto que t calculado 2.86 > que 2.262 tabulado, se rechazando la hiptesis de
planteada
56
Planteamiento de la hiptesis
Seleccin del nivel de significacin
Descripcin de la poblacin que interesa y planteamiento de las suposiciones necesarias
Seleccin del estadstico pertinente
Especificacin del estadstico de prueba y consideracin de su distribucin.
Especificacin de la regin de rechazo y aceptacin
Recoleccin de datos y clculo de los estadsticos necesarios
Decisiones estadsticas
Conclusin
(O E ) 2
E
2
Donde:
57
Clase
Observado
Proporcin
Esperado
Desviacin
Coloreadas
705
696.75
+8.25
Blancas
224
232.25
-8.25
929
00.00
Total
929
Utilizando la frmula de 2 tenemos
Para calcular la frecuencia esperada de cada clase se multiplica la frecuencia total observada por la
proporcin correspondiente y se divide entre la suma total de la proporcin
Esperada coloreadas
Esperada blancas
929(3)
696.75
4
929(1)
232.25
4
El valor de Chi cuadrado se calcula utilizando la frmula anteriormente mencionada con un grado de
libertad
0.39
696.75
232.25
Al valor obtenido corresponde a una probabilidad mayor de 0.05 y por tanto se admite que la desviacin
obtenida no es significativa, y que los datos se ajustan aceptablemente a la hiptesis.
Ejemplo 02. En un lanzamiento de una moneda se observaron 115 caras y 85 sellos. Ensayar la
hiptesis de que la moneda est bien hecha con un nivel de significacin de alfa 0.05 y 0.01.
Cuadro 01. Frecuencias observadas (O) y Esperadas (E) del color de semillas
Esperado
Desviacin
Caras
Moneda
Observado
115
Proporcin
1
100
+15
Sellos
85
100
-15
Total
200
200
00.00
Esperada caras
200(1)
100
2
Esperada sellos
200(1)
100
2
58
4.50
100
100
2
El valor crtico de Chi cuadrado 0.95 para un grado de libertad = 3.84, este valor es menor que 4.50 en
consecuencia se rechaza la hiptesis planteada de que la moneda est bien hecha
El valor crtico de Chi cuadrado
hiptesis planteada.
2
0.99
con un grado de libertad es 6.63, en consecuencia se acepta la
Observado
Proporcin
Esperado
Desviacin
Redonda/amarilla
315
312.75
+2.25
Redonda/verde
108
104.25
+3.75
Rugosa/amarilla
101
104.25
-3.25
32
34.75
-2.75
556
16
556
0.00
Rugosa/verde
Total
Como en el ejemplo anterior la frecuencia esperada para cada clase, se calcula multiplicando el total
observado por la proporcin y dividiendo el producto por la suma total de la proporcin.
556 (9)
312.75
16
2 .2 5 2
3 .7 5 2 3 .2 5 2 2 .7 5 2
2
0 .4 7
3 1 2 .7 5 1 0 4 .2 5 1 0 4 .2 5
3 4 .7 5
Utilizando la frmula general de Chi cuadrado con tres grados de libertad
A este valor le corresponde una probabilidad mayor que 0.9. Esto significa que esperaramos que se
presenten desviaciones de esta magnitud o de un valor superior, con una frecuencia superior a nueve
59
Tipo de enfermedad
Total
Observada
17
Esperada
17
Puesto que las enfermedades C y D, con frecuencia esperada < 5, combinamos estas dos clases, los
resultados se muestra en la tabla siguiente.
Cuadro 04. Frecuencias de tipo de enfermedad
Frecuencias
Tipo de enfermedad
Total
C+D
Observada
17
Esperada
17
(O E ) 2 (3 6) 2 (5 6) 2 (9 5) 2
x
4.87
E
6
6
5
2
Como quiera que el valor de Chi cuadrado excede el valor tabulado de 2 = 4.61 para alfa 0.1 y dos
grados de libertad, rechazamos la hiptesis nula Ho, y aceptamos la hiptesis alterna Ha, que hay
diferencia significativa entre las frecuencias observadas y esperadas de ocurrencia de estas
enfermedades raras en la plantacin.
Ejemplo: En una encuesta de 37 trabajadores entre hombres y mujeres mayores de 60 aos, se
demuestra la hiptesis de que el nmero de trabajadores hombres y mujeres en los grupos de edad de
61 - 70 y 71 aos en adelante en la poblacin es independiente del sexo.
Hombres
Mujeres
Total
60
61 - 70
71 en adelante
17
26
11
20
17
37
Hombres
61 - 70
71 en adelante
Mujeres
Total
14
12
26
11
20
17
37
c r
n
r filas
c columnas
n total observaciones
Resultados esperados para el grupo de edad 61 - 70
(20)(26)
14
37
(17)(26)
12
37
(20)(11)
6
37
(17)(11)
5
37
Los grados de libertad gl = (r-1)(c-1) = (2-1)(2-1)=1. Ya que gl = 1 <5, se debe hacer una correccin por
continuidad para calcular el valor de Chi cuadrado, con la siguiente frmula
(| O E | 0.5) 2
E
3.25
14
12
6
5
El Chi cuadrado calculado es mayor que el tabulado de 2 con = 0.10 y gl = 1, rechazamos la hiptesis
nula, que hombres y mujeres de ms de 65 aos continan trabajando independientemente de si estn
sobre o bajo los 70 aos de edad
61
Nivel educativo
Profesionales
Segunda enseanza
Estudios bsicos
Total
Qumico
5
15
15
35
Total
75
150
75
300
Es posible concluir, a partir de estos datos, que en la poblacin muestreada existe una relacin entre
nivel de educacin y tratamientos de de fertilizacin de suelos.
Ho:
Ha:
F11
35 x 75
184 x75
63 x75
18 x75
8,8 F12
46 F13
15,8 F14
4,5
300
300
300
300
F21
35 x150
184 x150
63x150
18 x150
17,5 F22
92 F23
31,5 F24
9
300
300
300
300
F31
35 x75
184 x75
63x75
18 x75
8,8 F32
46 F33
15,8 F34
4,5
300
300
300
300
62
Estadsticos
Nivel
educativo
Profesionales
Segunda
enseanza
Observado
Esperado
Observado
Esperado
Estudios
bsicos
Observado
Esperado
TOTAL
Observado
Esperado
Luego hallamos el
2
c
5 8,8
8,8
Qumico
5
8,8
15
Tipo de fertilizacin
Qumico
Orgnic
y
No
o
Orgnico fertilizan
44
23
3
46,0
15,8
4,5
100
30
5
Total
75
75,0
150
17,5
92,0
31,5
9,0
150,0
15
40
10
10
75
8,8
46,0
15,8
4,5
75,0
35
35,0
184
184
63
63
18
18
300
300
2 cuadrado calculado:
44 46
46
10 15,8
...
15,8
10 4,5
4,5
22,502
2
c2 22,502 tab
(6 gl ;0.05) 12,592
menciona que existen diferencias entre la frecuencia observado y la frecuencia esperado es decir, hay
una relacin entre modalidad de fertilizacin de suelos y el nivel educativo de las 300 personas
encuestadas.
PRUEBA DE HOMOGENEIDAD DE VARIANZA
En ocasiones los totales de columnas de hileras y columnas pueden estar bajo el control del investigador
, es decir se puede especificar que las muestras independientes sean extradas de varias poblaciones.
En este caso se dice que el conjunto de totales marginales es fijo, mientras que el otro conjunto que
corresponde al criterio de clasificacin aplicado a las muestras es aleatorio. Esto conduce a la prueba
una prueba de homogeneidad de Chi cuadrada.
63
0
0,0000
0,0398
0,0793
0,1179
0,1554
1
0,0040
0,0438
0,0832
0,1217
0,1591
2
0,0080
0,0478
0,0871
0,1255
0,1628
3
0,0120
0,0517
0,0910
0,1293
0,1664
4
0,0160
0,0557
0,0948
0,1331
0,1700
5
0,0199
0,0596
0,0987
0,1368
0,1736
6
0,0239
0,0636
0,1026
0,1406
0,1772
7
0,0279
0,0675
0,1064
0,1443
0,1808
8
0,0319
0,0714
0,1103
0,1480
0,1844
9
0,0359
0,0753
0,1141
0,1517
0,1879
0,5
0,6
0,7
0,8
0,9
0,1915
0,2257
0,2580
0,2881
0,3159
0,1950
0,2291
0,2611
0,2910
0,3186
0,1985
0,2324
0,2642
0,2939
0,3212
0,2019
0,2357
0,2673
0,2967
0,3238
0,2054
0,2389
0,2704
0,2995
0,3264
0,2088
0,2422
0,2734
0,3023
0,3289
0,2123
0,2454
0,2764
0,3051
0,3315
0,2157
0,2486
0,2794
0,3079
0,3340
0,2190
0,2517
0,2823
0,3106
0,3365
0,2224
0,2549
0,2852
0,3133
0,3389
1,0
1,1
1,2
1,3
1,4
0,3413
0,3643
0,3849
0,4032
0,4192
0,3438
0,3665
0,3869
0,4049
0,4207
0,3461
0,3686
0,3888
0,4066
0,4222
0,3485
0,3708
0,3907
0,4082
0,4236
0,3508
0,3729
0,3925
0,4099
0,4251
0,3531
0,3749
0,3944
0,4115
0,4265
0,3554
0,3770
0,3962
0,4131
0,4279
0,3577
0,3790
0,3980
0,4147
0,4292
0,3599
0,3810
0,3997
0,4162
0,4306
0,3621
0,3830
0,4015
0,4177
0,4319
1,5
1,6
1,7
1,8
1,9
0,4332
0,4452
0,4554
0,4641
0,4713
0,4345
0,4463
0,4564
0,4649
0,4719
0,4357
0,4474
0,4573
0,4656
0,4726
0,4370
0,4484
0,4582
0,4664
0,4732
0,4382
0,4495
0,4591
0,4671
0,4738
0,4394
0,4505
0,4599
0,4678
0,4744
0,4406
0,4515
0,4608
0,4686
0,4750
0,4418
0,4525
0,4616
0,4693
0,4756
0,4429
0,4535
0,4625
0,4699
0,4761
0,4441
0,4545
0,4633
0,4706
0,4767
2,0
2,1
2,2
2,3
2,4
0,4773
0,4821
0,4861
0,4893
0,4918
0,4778
0,4826
0,4864
0,4896
0,4920
0,4783
0,4830
0,4868
0,4898
0,4922
0,4788
0,4834
0,4871
0,4901
0,4925
0,4793
0,4838
0,4875
0,4904
0,4927
0,4798
0,4842
0,4878
0,4906
0,4929
0,4803
0,4846
0,4881
0,4909
0,4931
0,4808
0,4850
0,4884
0,4911
0,4932
0,4812
0,4854
0,4887
0,4913
0,4934
0,4817
0,4857
0,4890
0,4916
0,4936
2,5
2,6
2,7
2,8
2,9
0,4938
0,4953
0,4965
0,4974
0,4981
0,4940
0,4955
0,4966
0,4975
0,4982
0,4941
0,4956
0,4967
0,4976
0,4983
0,4943
0,4957
0,4968
0,4977
0,4983
0,4945
0,4959
0,4969
0,4977
0,4984
0,4946
0,4960
0,4970
0,4978
0,4984
0,4948
0,4961
0,4971
0,4979
0,4985
0,4949
0,4962
0,4972
0,4979
0,4985
0,4951
0,4963
0,4973
0,4980
0,4986
0,4952
0,4964
0,4974
0,4981
0,4986
3,0
3,1
3,2
3,3
3,4
0,4987
0,4990
0,4993
0,4995
0,4997
0,4987
0,4991
0,4993
0,4995
0,4997
0,4987
0,4991
0,4994
0,4996
0,4997
0,4988
0,4991
0,4994
0,4996
0,4997
0,4988
0,4992
0,4994
0,4996
0,4997
0,4989
0,4992
0,4994
0,4996
0,4997
0,4989
0,4992
0,4994
0,4996
0,4997
0,4989
0,4992
0,4995
0,4996
0,4997
0,4990
0,4993
0,4995
0,4996
0,4997
0,4990
0,4993
0,4995
0,4997
0,4998
0,4998
0,4998
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,4999
0,5000
0,4998
0,4999
0,4999
0,5000
0,5000
3,5
0,4998
3,6
0,4998
3,7
0,4999
3,8
0,4999
3,9
0,5000
edro Arizapana
0,995
0,99
0,975
0,95
0,9
0,8
64
6,3138
2,9200
2,3534
2,1318
2,0150
1,9432
1,8946
1,8595
1,8331
1,8125
1,7959
1,7823
1,7709
1,7613
1,7531
1,7459
1,7396
1,7341
1,7291
1,7247
1,7207
1,7171
1,7139
1,7109
1,7081
1,7056
1,7033
1,7011
1,6991
1,6973
1,6955
1,6939
1,6924
1,6909
1,6896
1,6883
1,6871
1,6860
1,6849
1,6839
1,6829
1,6820
1,6811
1,6802
1,6794
1,6787
1,6779
1,6772
1,6766
1,6759
1,6706
1,6669
1,6641
1,6620
1,6577
3,0777
1,8856
1,6377
1,5332
1,4759
1,4398
1,4149
1,3968
1,3830
1,3722
1,3634
1,3562
1,3502
1,3450
1,3406
1,3368
1,3334
1,3304
1,3277
1,3253
1,3232
1,3212
1,3195
1,3178
1,3163
1,3150
1,3137
1,3125
1,3114
1,3104
1,3095
1,3086
1,3077
1,3070
1,3062
1,3055
1,3049
1,3042
1,3036
1,3031
1,3025
1,3020
1,3016
1,3011
1,3006
1,3002
1,2998
1,2994
1,2991
1,2987
1,2958
1,2938
1,2922
1,2910
1,2886
1,3764
1,0607
0,9785
0,9410
0,9195
0,9057
0,8960
0,8889
0,8834
0,8791
0,8755
0,8726
0,8702
0,8681
0,8662
0,8647
0,8633
0,8620
0,8610
0,8600
0,8591
0,8583
0,8575
0,8569
0,8562
0,8557
0,8551
0,8546
0,8542
0,8538
0,8534
0,8530
0,8526
0,8523
0,8520
0,8517
0,8514
0,8512
0,8509
0,8507
0,8505
0,8503
0,8501
0,8499
0,8497
0,8495
0,8493
0,8492
0,8490
0,8489
0,8477
0,8468
0,8461
0,8456
0,8446
0,990
0,000
0,020
0,010
6,635
9,210
65
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
60
70
80
90
120
0,115
0,297
0,554
0,872
1,239
1,646
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,879
13,565
14,256
14,953
15,655
16,362
17,074
17,789
18,509
19,233
19,960
20,691
21,426
22,164
22,906
23,650
24,398
25,148
25,901
26,657
27,416
28,177
28,941
29,707
37,485
45,442
53,540
61,754
86,923
0,216
0,484
0,831
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
17,539
18,291
19,047
19,806
20,569
21,336
22,106
22,878
23,654
24,433
25,215
25,999
26,785
27,575
28,366
29,160
29,956
30,755
31,555
32,357
40,482
48,758
57,153
65,647
91,573
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
19,281
20,072
20,867
21,664
22,465
23,269
24,075
24,884
25,695
26,509
27,326
28,144
28,965
29,787
30,612
31,439
32,268
33,098
33,930
34,764
43,188
51,739
60,391
69,126
95,705
0,584
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,042
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
21,434
22,271
23,110
23,952
24,797
25,643
26,492
27,343
28,196
29,051
29,907
30,765
31,625
32,487
33,350
34,215
35,081
35,949
36,818
37,689
46,459
55,329
64,278
73,291
100,624
6,251
7,779
9,236
10,645
12,017
13,362
14,684
15,987
17,275
18,549
19,812
21,064
22,307
23,542
24,769
25,989
27,204
28,412
29,615
30,813
32,007
33,196
34,382
35,563
36,741
37,916
39,087
40,256
41,422
42,585
43,745
44,903
46,059
47,212
48,363
49,513
50,660
51,805
52,949
54,090
55,230
56,369
57,505
58,641
59,774
60,907
62,038
63,167
74,397
85,527
96,578
107,565
140,233
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
32,671
33,924
35,172
36,415
37,652
38,885
40,113
41,337
42,557
43,773
44,985
46,194
47,400
48,602
49,802
50,998
52,192
53,384
54,572
55,758
56,942
58,124
59,304
60,481
61,656
62,830
64,001
65,171
66,339
67,505
79,082
90,531
101,879
113,145
146,567
9,348
11,143
12,833
14,449
16,013
17,535
19,023
20,483
21,920
23,337
24,736
26,119
27,488
28,845
30,191
31,526
32,852
34,170
35,479
36,781
38,076
39,364
40,646
41,923
43,195
44,461
45,722
46,979
48,232
49,480
50,725
51,966
53,203
54,437
55,668
56,896
58,120
59,342
60,561
61,777
62,990
64,201
65,410
66,617
67,821
69,023
70,222
71,420
83,298
95,023
106,629
118,136
152,211
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588
50,892
52,191
53,486
54,776
56,061
57,342
58,619
59,893
61,162
62,428
63,691
64,950
66,206
67,459
68,710
69,957
71,201
72,443
73,683
74,919
76,154
88,379
100,425
112,329
124,116
158,950
66
2
3
4
5
6
7
8
9
10
11
12
13
14
15
20
30
60
120
161,45
4052,1
8
18,51
98,50
10,13
34,12
7,71
21,20
6,61
16,26
5,99
13,75
5,59
12,25
5,32
11,26
5,12
10,56
4,96
10,04
4,84
9,65
4,75
9,33
4,67
9,07
4,60
8,86
4,54
8,68
4,35
8,10
4,17
7,56
4,00
7,08
3,92
6,85
199,50
4999,5
0
19,00
99,00
9,55
30,82
6,94
18,00
5,79
13,27
5,14
10,92
4,74
9,55
4,46
8,65
4,26
8,02
4,10
7,56
3,98
7,21
3,89
6,93
3,81
6,70
3,74
6,51
3,68
6,36
3,49
5,85
3,32
5,39
3,15
4,98
3,07
4,79
215,71
5403,3
5
19,16
99,17
9,28
29,46
6,59
16,69
5,41
12,06
4,76
9,78
4,35
8,45
4,07
7,59
3,86
6,99
3,71
6,55
3,59
6,22
3,49
5,95
3,41
5,74
3,34
5,56
3,29
5,42
3,10
4,94
2,92
4,51
2,76
4,13
2,68
3,95
224,58
5624,5
8
19,25
99,25
9,12
28,71
6,39
15,98
5,19
11,39
4,53
9,15
4,12
7,85
3,84
7,01
3,63
6,42
3,48
5,99
3,36
5,67
3,26
5,41
3,18
5,21
3,11
5,04
3,06
4,89
2,87
4,43
2,69
4,02
2,53
3,65
2,45
3,48
230,16
5763,6
5
19,30
99,30
9,01
28,24
6,26
15,52
5,05
10,97
4,39
8,75
3,97
7,46
3,69
6,63
3,48
6,06
3,33
5,64
3,20
5,32
3,11
5,06
3,03
4,86
2,96
4,69
2,90
4,56
2,71
4,10
2,53
3,70
2,37
3,34
2,29
3,17
233,99
5858,9
9
19,33
99,33
8,94
27,91
6,16
15,21
4,95
10,67
4,28
8,47
3,87
7,19
3,58
6,37
3,37
5,80
3,22
5,39
3,09
5,07
3,00
4,82
2,92
4,62
2,85
4,46
2,79
4,32
2,60
3,87
2,42
3,47
2,25
3,12
2,18
2,96
238,88
5981,0
7
19,37
99,37
8,85
27,49
6,04
14,80
4,82
10,29
4,15
8,10
3,73
6,84
3,44
6,03
3,23
5,47
3,07
5,06
2,95
4,74
2,85
4,50
2,77
4,30
2,70
4,14
2,64
4,00
2,45
3,56
2,27
3,17
2,10
2,82
2,02
2,66
240,54
6022,4
7
19,38
99,39
8,81
27,35
6,00
14,66
4,77
10,16
4,10
7,98
3,68
6,72
3,39
5,91
3,18
5,35
3,02
4,94
2,90
4,63
2,80
4,39
2,71
4,19
2,65
4,03
2,59
3,89
2,39
3,46
2,21
3,07
2,04
2,72
1,96
2,56
241,88
6055,8
5
19,40
99,40
8,79
27,23
5,96
14,55
4,74
10,05
4,06
7,87
3,64
6,62
3,35
5,81
3,14
5,26
2,98
4,85
2,85
4,54
2,75
4,30
2,67
4,10
2,60
3,94
2,54
3,80
2,35
3,37
2,16
2,98
1,99
2,63
1,91
2,47
242,98
6083,3
2
19,40
99,41
8,76
27,13
5,94
14,45
4,70
9,96
4,03
7,79
3,60
6,54
3,31
5,73
3,10
5,18
2,94
4,77
2,82
4,46
2,72
4,22
2,63
4,02
2,57
3,86
2,51
3,73
2,31
3,29
2,13
2,91
1,95
2,56
1,87
2,40
243,91
6106,3
2
19,41
99,42
8,74
27,05
5,91
14,37
4,68
9,89
4,00
7,72
3,57
6,47
3,28
5,67
3,07
5,11
2,91
4,71
2,79
4,40
2,69
4,16
2,60
3,96
2,53
3,80
2,48
3,67
2,28
3,23
2,09
2,84
1,92
2,50
1,83
2,34
13
14
15
20
244,69
6125,8
6
19,42
99,42
8,73
26,98
5,89
14,31
4,66
9,82
3,98
7,66
3,55
6,41
3,26
5,61
3,05
5,05
2,89
4,65
2,76
4,34
2,66
4,10
2,58
3,91
2,51
3,75
2,45
3,61
2,25
3,18
2,06
2,79
1,89
2,44
1,80
2,28
245,36
6142,6
7
19,42
99,43
8,71
26,92
5,87
14,25
4,64
9,77
3,96
7,60
3,53
6,36
3,24
5,56
3,03
5,01
2,86
4,60
2,74
4,29
2,64
4,05
2,55
3,86
2,48
3,70
2,42
3,56
2,22
3,13
2,04
2,74
1,86
2,39
1,78
2,23
245,95
6157,2
8
19,43
99,43
8,70
26,87
5,86
14,20
4,62
9,72
3,94
7,56
3,51
6,31
3,22
5,52
3,01
4,96
2,85
4,56
2,72
4,25
2,62
4,01
2,53
3,82
2,46
3,66
2,40
3,52
2,20
3,09
2,01
2,70
1,84
2,35
1,75
2,19
248,01
6208,7
3
19,45
99,45
8,66
26,69
5,80
14,02
4,56
9,55
3,87
7,40
3,44
6,16
3,15
5,36
2,94
4,81
2,77
4,41
2,65
4,10
2,54
3,86
2,46
3,66
2,39
3,51
2,33
3,37
2,12
2,94
1,93
2,55
1,75
2,20
1,66
2,03
25
120
249,26 253,25
6239,8
3 6339,39
19,46
19,49
99,46
99,49
8,63
8,55
26,58
26,22
5,77
5,66
13,91
13,56
4,52
4,40
9,45
9,11
3,83
3,70
7,30
6,97
3,40
3,27
6,06
5,74
3,11
2,97
5,26
4,95
2,89
2,75
4,71
4,40
2,73
2,58
4,31
4,00
2,60
2,45
4,01
3,69
2,50
2,34
3,76
3,45
2,41
2,25
3,57
3,25
2,34
2,18
3,41
3,09
2,28
2,11
3,28
2,96
2,07
1,90
2,84
2,52
1,88
1,68
2,45
2,11
1,69
1,47
2,10
1,73
1,60
1,35
1,93
1,53
Observaciones
GRUPOS
A
29
53
36
II
32
55
42
III
36
60
29
IV
27
49
31
38
50
21
TOTAL
162
267
159
MEDIA
32.4
53.4
31.8
Los resultados del experimento no son iguales, existe variacin dentro de los tratamientos y variacin entre los tratamientos, en consecuencia se debe
realizar el anlisis de varianza para conocer si esta variacin es significativa estadsticamente.
El mtodo de anlisis de varianza se debe a Ronald Fisher.
CUADRO DE ANLISIS DE VARIANZA DE GRUPOS CON IGUAL NMERO DE OBSERVACIONES POR GRUPOS
Fuentes de
Grados de
Suma de
Cuadrado
Variacin
libertad (g.l)
cuadrados (S.C)
Medio (C.M)
Tratamiento
t1
S.C.Trat
C.M.Trat
error
t(r-1)
S.c. Error
C.M.Error =s2
Total
rt1
S.C. Tot
(grupo)
t = nmero de tratamientos
r = nmero de repeticiones
PROCEDIMIENTO DE CLCULO
F, calculado
C.M.Trat/s2
F 0.05
FC
FC
2 9
i j
r t
3 2 . . . . . . 3 1 2 1
15
2 3 0 4 9 .6 0
X
S .C.Trat.
2
j.
FC
r
1622 267 2 1592
S .C.Trat.
23049.60 1513.2
5
3
S :C .T ot
S .C .T o t (2 9
4
2
i j
3 2 2 . . . . . . . 3 1 2 2 1 2 ) F C 1 9 2 2 .4 0
FC
C . M .T rat
6
S . C . T r a t 1 5 1 3 .2 0
7 5 6 .6 0
g .l T rat
2
C . M . E rro r
7
S .C . E rro r
4 0 9 .2 0
3 4 .1 0
g .l E rro r
12
Fc
C . M .T ra t
7 5 6 .6 0
2 2 .1 8 8
C . M . E rro r
3 4 .1 0
Una vez calculado las sumas de cuadrados y los cuadrados medios, los valores de cada uno de ellos trasladamos a la siguiente tabla de anlisis de
varianza
TABLA DE ANLISIS DE VARIANZA (ANVA)
Fuentes de
Suma de
Grados de
Cuadrado
Variacin
Cuadrados
libertad
Medio
Tratamiento
1513.20
756.00
409.2
12
34.10
F, calculado
22.188
F 0.05
3.89
(grupo)
error
Total
1922.40
14
El valor de F 0.05 se busca en la tabla de distribucin de probabilidades de F con el nivel de significacin escogido y los grados de libertad del tratamiento y
grados de libertad del Error, (2, 12) siendo este valor 3.89
Finalmente se interpreta
Fc, 22.188 es mayor que tabulado F 0.05 (3.89), en consecuencia se dice que existe diferencia estadstica significativa entre los promedios de los
tratamientos
Esto nos conduce rechazar la hiptesis planteada y se aceptar la hiptesis alterna, en otras palabras los promedios de los tratamientos no son iguales como
se ha supuesto al inicio del experimento.
La prueba de F significativa indica que la variabilidad entre los tratamientos no se debe al azar, sino a un efecto distinto de dichos tratamientos, lo cual es
equivalente a indicar que las diferencias son significativas entre las medias de las poblaciones, estimadas por las medias de las muestras; sin embargo, la
prueba de F no indica cules medias son iguales o cules son diferentes.
Con los datos del cuadro de anlisis de varianza se hacen las pruebas de significacin de las diferencias, para ello existen varios mtodos o pruebas como
son: Tukey, Duncan, Comparaciones Ortogonales Dunnet, Diferencia Mnima Significativa (DMS) etc. El paquete estadstico SPSS ofrece 18 modelos de
W q (t , g.l.e) S x
q = Nivel de significacin de la tabla Tukey, en Ciencias Agrarias se considera 0.05 o 0.01
t = nmero de tratamientos
r = nmero de repeticiones
g.l.e = grados de libertad del error
0.05
t=3
Sx
r=4
g.l.e = 12
C.M .Error
34.10
2.92
r
4
El valor q se encuentra en la tabla de tukey, se busca con el nmero de tratamientos a = t y los grados de libertad del error experimental (g.l.e) en este caso
12y para alfa 0.05
W 11
Para realizar las comparaciones mltiples, primero se ordenan las medias de los tratamientos en forma ascendente o descendente
C
31.8
32.4
53.4
Luego, las medias se comparan por diferencia, empezando del lado derecho como sigue:
La primera comparacin es entre las medias de los tratamientos B y A
53.4 32.4 = 21
21supera al valor de W = 11 por tanto se dice que existe diferencia significativa entre estos tratamientos A y B.
La segunda comparacin es entre las medias o promedios de los tratamiento B y C siendo el resultado 53.4 31.8 = 21.6 la interpretacin es similar a la
primera comparacin.
La tercera comparacin es entre los tratamientos A y C, 32.4 31.8 = 0.6 este valor no supera al valor de W = 11, entonces se dice que la diferencia de
medias de tratamientos no son significativos. Estos valores no significativos iguales se pueden unir con una barra
C
31.8
32.4
53.4
3.2
En los experimentos a veces se presentan casos en los que dos o ms muestras o tratamientos tienen diferente nmero de repeticiones. La metodologa de
anlisis con diferente nmero de repeticiones es la misma que para el ANVA en diseo con igual nmero de repeticiones, con ligeras modificaciones en las
frmulas.
Ejemplo: Si en el experimento de secado de las probetas de madera de 04 especies se hubiera perdido datos como muestra el siguiente cuadro 3
Cuadro 04. Peso seco de probetas de o4 especies maderables
Repeticin (n)
1
2
3
4
5
6
7
8
9
10
11
40
36
38
37
29
37
36
35
31
26
30
18
15
18
19
16
20
27
19
29
25
27
24
27
33
28
24
25
20
21
23
30
28
28
24
34
20
18
24
28
22
12
28
21
Total
403
152
283
300
Media
33.58
19
25.73
25
El nmero de repeticiones para los tratamientos: A = 12, B = 8, C = 11 D = 12
Para utilizar las frmulas de ANVA del ejemplo anterior se da valores a:
n1= 12
n2 = 8
n 3= 11
n4 = 12
Cuadro 05.
Anlisis de varianza tendr la siguiente estructura.
F de V
S.C
g.l
C. M
Tratamientos
t-1
Error
n 1 t 1
Total
ni 1
F .C
( X i ) 2
F .C
30117.3023
12 8 11 12
43
S .C.T X i 2 FC
Fc
S .C.Tr
ti.2
FC
ni
30117.3023 1085.599
8
11
12
12
S .C.Tr
C.M .Tr
S .C.Tr
g.l de t
C.M .Tr
1085.599
361.866
3
C.M .E.
S .C.Error
g.l Error
C.M .E
691.098
17.72
39
F calculado
Fc
361.866
20.42
17.72
Cuadro 06. Anlisis de varianza de peso seco (g) de probetas de 4 especies maderables
Fuentes de
Suma de
Grados de
Cuadrado
variacin
Cuadrados
Libertad
Medio
F. C
F 0.05
Tratamientos
1292.167
361.866
Error
773.833
39
17.72
Total
2066.000
42
20.42
2.76 *
NOTA: Se rechaza la hiptesis planteada de que las medias de peso seco de las probetas son iguales
COMPARACIN MLTIPLE DE TUKEY
Como en el ejemplo anterior
W q (t g.l )
C.M .E 1 1
2 n1 n2
Promedios
19
25
25.73
33.58
Primera comparacin
17.72 1 1
4.71
2 12 11
Segunda comparacin
C D 25.73 25 0.73
W 3.79
17.72 1 1
5.85
2 11 12
0.73 < 5.85 NS. (No hay diferencia significativa) se designa como NS
Tercera comparacin
D B 25 19 6
W 3.79
17.72 1 1
5.15
2 12 8
Tratamientos
Promedios
19
25
25.73
________________
A
33.58
N
8
12
11
12
Se muestran las medias para los grupos en los subconjuntos homogneos. a) Usa el tamao muestral de la media armnica = 10,455: b) Los tamaos de
los grupos no son iguales. Se utilizar la media armnica de los tamaos de los grupos. Los niveles de error de tipo I no estn garantizados.
INTERPRETACIN
El tratamiento A es significativamente mayor que los tratamientos B, D, A. No existe diferencia significativa entre los tratamientos C y D. Finalmente el
tratamiento B es significativamente menor que los otros tratamientos. Esta afirmacin es con 95% de seguridad y 5% de estar equivocado.