UNIVERSIDAD

NACIONAL AGRARIA LA
MOLINA
FACULTAD DE INGENIERIA EN
INDUSTRIAS ALIMENTARIAS

REVISIN DE LOS
FUNDAMENTOS DE
ESTADSTICA
CONTROL DE CALIDAD

INTEGRANTES:
Andamay Adaudto, Maria luz
Condori Huanca, Gabriela pilar

2017-l
2.1 distribucin de frecuencia
2.1.1 Definiciones relativas a las distribuciones de frecuencias

Distribucin de frecuencia:

En una forma simple, la distribucin de frecuencia es una tabla que indica

el nmero de observaciones o su frecuencia dentro de un rango de
valores de una variable (Salinas y Miranda, 2010).

Frecuencia relativa:

El resultado de dividir la frecuencia absoluta de un determinado valor

entre el nmero total de datos, se representa por n. La suma de las
frecuencias relativas es igual a 1. Lo cual puede verse fcilmente si se
factoriza N (Salinas y Miranda, 2010).

Frecuencia acumulada:
La suma de frecuencias absolutas de todos los valores iguales o inferiores
al valor considerado, se representa por Fi (Salinas y Miranda, 2010).
Clase: (nmero de intervalos)
Se utilizan exclusivamente para variables cuantitativas continuas y
excepcionalmente para variables cuantitativas discretas cuando el
nmero de datos es relativamente grande (30). El nmero de intervalos
de clase es fijado por la persona que construye la tabla de frecuencias de
acuerdo a su experiencia (naturaleza, magnitud y orden de los datos) o
determinado mediante frmulas empricas (sturges). Generalmente se
usa el mismo tamao de intervalo de clase (TIC) o amplitud (A) y las
observaciones son clasificadas en rangos cuyos lmites son traslapantes,
es decir, el valor del lmite superior de la clase i es igual al lmite inferior
de la clase i+1 (Salinas y Miranda, 2010).

clase Intervalo
1 [LI1 - LS1>
2 [LI2 LS2>
.
.
.
k [LIk LSk > o ]

Dnde:
LI i= Lmite inferior de la clase i
LS i= Lmite superior de la clase i
LI 1= X Mnimo
K= numero de intervalos

Se cumple:
LI i = LS i TIC
LS i = LI i + TIC
LI (i+1)= LI i + TIC
 Rango:

El rango mide la distancia que existe entre los valores extremos. Es una medida de
dispersin de datos, se calcula de la siguiente manera:

Rango = Valor Mximo - Valor Mnimo

Es decir localiza el nmero mayor de la serie de datos que tengas y el nmero menor de la
misma serie, al mayor le restas el menor (Salinas y Miranda, 2010).

2.1.2 Representaciones Graficas:

Histograma de frecuencia:

Los histogramas de frecuencias son diagramas de barras empleados para

resumir e Ilustrar la variacin que se presenta en un conjunto de datos.
Sirven para investigar cmo se puede solucionar un problema o mejorar
un proceso (Fernndez et. al, 2002).

Polgono de frecuencia:

Tambin llamado polgono de frecuencia, es el nombre que recibe una

clase de grafico que se crea a partir de un histograma de frecuencia.
Podramos decir que es el que se forma a partir de la unin de los
distintos puntos medios de la sima de la columna que configura lo que es
un diagrama de frecuencia. Normalmente se utiliza el polgono de
frecuencias con frecuencias absolutas, pero tambin se utiliza con
frecuencias relativas (Fernndez et. al, 2002).

Diagrama de barras:

Un grfico de barras, tambin conocido como grafico de columnas, es una

forma de representar grficamente un conjunto de datos o valores, y est
conformado por barras rectangulares de longitudes proporcionales a los
valores representados. Los grficos de barras son usados para comparar
dos o ms valores. Las barras pueden orientarse verticalmente u
horizontalmente (Fernndez et. al, 2002).

Diagrama de frecuencia:

Diagrama de frecuencia o polgono de frecuencia es lo mismo, y es

una grfica de las frecuencias relativas en el lado de las "y" y la
marca de clase en el eje de las "x", pero en este tipo de diagramas
no es necesario especificar los ejes y se unen los puntos que te
salgan por medio de una lnea (Fernndez et. al, 2002).

2.1.3 Medidas Algebraicas de las distribuciones de frecuencia

Medidas de exactitud:
 Segn Rohlf y Sokal (2002) Exactitud; el trmino denota el grado de
coincidencia del resultado de una medicin con el valor verdadero o
aceptado de la misma y se expresa en funcin del error. La exactitud
implica una comparacin con el valor verdadero o aceptado como tal.

A continuacin se muestra una sntesis de los mtodos para evaluar la

exactitud.

METODOS ABSOLUTOS PARA EXPRESAR LA EXACTITUD.

Error Absoluto, E: Diferencia entre el valor observado Xi y el valor

aceptado, XA.

E = Xi - XA

El signo asociado con el error es tan importante como el mismo valor

numrico, dado que el analista necesita conocer si el efecto del error ha
provocado un aumento o disminucin del resultado o resultados.

Cuando no se conoce el valor aceptado, se toma como tal, la media de

una serie de datos.

METODOS RELATIVOS PARA EXPRESAR LA EXACTITUD.

Error Relativo: Se puede expresar como el porcentaje o tanto por mil,

relacionndolo con la media o la mediana.

Error relativo de la media = (Xi - X)*100 / X

Error relativo de la mediana M = (Xi - M) *100 / M

Medidas de precisin:

Segn Rohlf y Sokal (2002)

METODOS ABSOLUTOS PARA EXPRESAR LA PRECISION

*Intervalo, rango o recorrido.

*Desviacin respecto a la media.
*Desviacin respecto a la mediana.
*Desviacin estndar.
*Varianza.
Despus de la media aritmtica la desviacin estndar es la medida de
dispersin ms utilizada; se define como la raz cuadrada de la suma de
los cuadrados de la desviacin de cada uno de los datos respecto al
promedio o media aritmtica dividido por el nmero de datos o tamao
de la muestra (N) menos uno:

Tratamiento de los datos analticos

 S = Tratamiento de los datos analticos
(Xi - X )2

N-1

Donde: Xi = Valor obtenido

X = Promedio de los valores obtenidos

N = Nmero de mediciones.

2.2 Distribuciones ms comunes:

Distribucin normal:

La distribucin normal (en ocasiones llamada distribucin gaussiana) es

la distribucin continua que se utiliza ms comnmente en estadstica.
En la distribucin normal, uno puede calcular la probabilidad de que
varios valores ocurran dentro de ciertos rangos o intervalos. Sin
embargo, la probabilidad exacta de un valor particular dentro de una
distribucin continua, como la distribucin normal, es cero. Esta
propiedad distingue a las variables continuas, que son medidas, de las
variables discretas, las cuales son contadas (Rohlf y Sokal; 2002)

Distribucin binomial

En el clculo de probabilidades y en teora estadstica, la distribucin

binomial es la que mejor caracteriza y facilita el conocimiento de las
distribuciones de variables discretas. En ciertos experimentos, su foco
central est orientado a la ocurrencia de un evento con una cierta
probabilidad que es constante e independiente a travs de varios
ensayos del experimento (Rohlf y Sokal; 2002)
Ejemplo:
En una tienda la llegada de un cliente y determinar si compra o no es un
experimento de Bernoulli donde xito = E = {un cliente no compra}. Se
sabe que el 75% de los clientes que llegan hacen una compra, entonces
P(E) = = 0.75. Si la tienda llegan 20 clientes, este sera un
experimento binomial donde n=20 y = 0.75

Distribucin Poisson:

La distribucin de Poisson describe la probabilidad como un

acontecimiento fortuito ocurrido en un tiempo o intervalo de espacio
bajo las condiciones que la probabilidad de un acontecimiento ocurre es
muy pequea, pero el nmero de intentos es muy grande, entonces el
evento actual ocurre algunas veces (Rohlf y Sokal; 2002).

Distribucin Hipergeometrica:
 Segn (Quesada y Garca, 1988) Supongamos una caja la cual contenga
N piezas, de las cuales D son defectuosas y N - D aceptables, y
consideremos el experimento aleatorio consistente en la extraccin
simultanea de n piezas de la citada caja. Este procedimiento de
seleccin equivale a ir sacando pieza a pieza de la caja, hasta completar
el numero n, sin devolverlas a ella (muestreo sin remplazamiento).

Si denotamos por X el nmero de piezas defectuosas en la muestra de

extensin n, sabemos que

2.3 Relacin entre dos variables:

Correlacin:

El coeficiente de correlacin de Pearson es el calculado para variables

continuas,

Si tenemos dos variables X e Y, la correlacin entre ellas se la nombra r

(X, Y), o

Solo r y est dada por (Garca y Quesada; 1988):

r = (xi-x) (yi-y) Donde xi e yi son los valores de X e Y

para el

(xi-x)2(yi-y)2 individuo i

-1 +1
Correlacin perfecta negativa Correlacin
perfecta positiva
Fuerte Fuerte
Negativa positiva
-0.5 +0.5

dbil dbil
Negativa positiva
 0
Sin correlacin

Coeficiente de correlacin:

Segn Garca y Quesada; (1988); Dado dos variables, la correlacin

permite hacer estimaciones del valor de una de ellas conociendo el valor
de la otra variable.
Los coeficientes de correlacin son medidas que indican la situacin
relativa de los mismos sucesos respecto a las dos variables, es decir,
son la expresin numrica que nos indica el grado de relacin existente
entre las 2 variables y en qu medida se relacionan. Son nmeros que
varan entre los lmites +1 y -1. Su magnitud indica el grado de
asociacin entre las variables; el valor r = 0 indica que no existe relacin
entre las variables; los valores (1 son indicadores de una correlacin
perfecta positiva (al crecer o decrecer X, crece o decrece Y) o negativa
(Al crecer o decrecer X, decrece o crece Y).
 Para interpretar el coeficiente de correlacin utilizamos la
siguiente escala:

Valor Significado

Correlacin negativa grande

-1
y perfecta

-0,9 a Correlacin negativa muy

-0,99 alta

-0,7 a
Correlacin negativa alta
-0,89

-0,4 a Correlacin negativa

-0,69 moderada

-0,2 a
Correlacin negativa baja
-0,39

-0,01 a Correlacin negativa muy

-0,19 baja

0 Correlacin nula

0,01 a Correlacin positiva muy

0,19 baja

0,2 a 0,39 Correlacin positiva baja

Correlacin positiva
0,4 a 0,69
moderada

0,7 a 0,89 Correlacin positiva alta

Correlacin positiva muy

0,9 a 0,99
alta

Correlacin positiva grande

1
y perfecta

Regresin: lineal y Curvilnea

regresin lineal:
El objeto de un anlisis de regresin es investigar la relacin estadstica
que existe entre una variable dependiente (Y) y una o ms
variables independientes ( ,...). Para poder realizar esta
investigacin, se debe postular una relacin funcional entre las variables.
Debido a su simplicidad analtica, la forma funcional que ms se utiliza en
la prctica es la relacin lineal. Cuando solo existe una variable
independiente, esto se reduce a una lnea recta:

donde los coeficientes b0 y b1 son parmetros que definen la posicin e

inclinacin de la recta. (Ntese que hemos usado el smbolo especial
para representar el valor de Y calculado por la recta. Como veremos, el
valor real de Y rara vez coincide exactamente con el valor calculado, por
lo que es importante hacer esta distincin.)
El parmetro b0, conocido como la "ordenada en el origen," nos indica
cunto es Y cuando X = 0. El parmetro b1, conocido como la
"pendiente," nos indica cunto aumenta Y por cada aumento de una
unidad en X. Nuestro problema consiste en obtener estimaciones de
estos coeficientes a partir de una muestra de observaciones sobre las
variables Y y X. En el anlisis de regresin, estas estimaciones se
obtienen por medio del mtodo de mnimos cuadrados (Garca y
Quesada; 1988).

Regresin curvilnea:
Cuando las variables X e Y se relacionan segn una lnea curva, se habla
de regresin no lineal o curvilnea. Es una funcin de segundo grado la
que se ajusta lo suficiente a la situacin real dada.
La expresin general de un polinomio de segundo grado es:

Y=a+bX
+cX2

Donde a, b y c son los parmetros.

El problema consiste, por tanto, en determinar dichos parmetros para
una distribucin dada. Se seguir para ello, un razonamiento y la
utilizacin de las ecuaciones normales de Gauss. Las ecuaciones
normales son:

Y = na + b X + C X2 (1)
X Y = a X + b X2 + c x 3 (2)
X2Y = a X2 + b X3 + c x 4 (3)
 Para lo cual se necesita elaborar el cuadro con cada una de las variables
que aparecen en las ecuaciones normales y los resultados obtenidos en
este sustituirlos en ellas para encontrar los valores de las constantes.
Para encontrar los valores de las constantes utilizaremos matrices.
Una matriz es un conjunto de elementos de cualquier naturaleza
aunque, en general, suelen ser nmeros ordenados en filas y columnas.
Se llama matriz de orden m x n a un conjunto rectangular de
elementos aij dispuestos en m filas y en n columnas. El orden de una
matriz tambin se denomina dimensin o tamao, siendo m y n
nmeros naturales Segn (Garca y Quesada; 1988).

2.4 Pruebas Estadsticas

A la hora de contrastar nuestra hiptesis nula de partida, varios factores
van a determinar la prueba estadstica que utilizaremos y se refieren al
nmero, tipo y distribucin de las variables y a la forma en que se eligi a
los sujetos del estudio.

2.4.1 Pruebas paramtricas

Es recomendable su utilizacin en muestras de mayor tamao (mayor a
11 casos),
a. diseos experimentales
Un diseo experimental es un esquema de cmo realizar un
experimento. El objetivo fundamental de los diseos
experimentales radica en el determinar si existe una diferencia
significativa entre los diferentes tratamiento del experimento y en
caso que la respuesta es afirmativa, cul sera la magnitud de esta
diferencia. Una segunda meta de los diseos experimentales es
verificar la existencia de una tendencia derivado del anlisis de los
datos del experimento. La diferencia principal entre los diseos
experimentales radica en la forma en que se agrupan o clasifican
las unidades experimentales. (Badii, 2007)

o diseo completamente al azar

Este diseo es el ms sencillo, eficiente y se origina por la
asignacin aleatoria de los tratamientos a un conjunto de
unidades experimentales previamente determinado. (Badii, 2007)
La aleatorizacin completa puede ser apropiada cuando:
a) donde el material experimental es homogneo;
b) donde es probable que una parte apreciable de las unidades se
destruyan
c) en experimentos pequeos en donde la mayor precisin de
otros diseos no compensa la prdida de grados de libertad del
error.

EJEMPLO

Se probaron 4 mtodos para contabilizar microorganismos en 12

muestras homogneas obtenidas en el laboratorio. Las muestras
se asignan aleatoriamente a los mtodos de contabilizacin (tres
muestras para cada mtodo). La aleatorizacin evita la asignacin
sistemtica de los muestras con mayor cantidad microbiana a
algn mtodo. Supongamos que al final del perodo las muestras
toman una prueba estandarizada, alcanzando los resultados de la
siguiente (Badii, 2007)

Tabla. Datos de mtodos de contabilizacin

Hiptesis nula: No hay diferencia significativa entre los mtodos.

Hiptesis alterna HA: Si hay diferencia significativa entre los
mtodo.
Paso 1. La suma total de cuadrados es
(Xij X...)2 = (110 113)2 + (109 113)2 + (105 113)2 + (111
113)2 +..... + (125 113)2 = 428
Paso 2. La suma de cuadrados entre grupos es
n (Xi. X...)2 = 3[(108 113)2 + (112- 113)2 + (110 113)2 +
(122 113)2] = 348
Paso 3. La suma de cuadrados dentro de los grupos se obtiene
ms fcilmente como la diferencia entre la suma total de
cuadrados y la suma de cuadrados entre los grupos ( (Xij Xi.) 2
= 428 348 = 80)

Anlisis de varianza
 Fcal > F tabulada entonces la Ho se rechaza, y por tanto, hay
diferencia significativa entre los mtodos de enseanza.

o Diseo de bloques completamente al azar

Toma en cuenta los tres principios bsicos de la experimentacin:
repeticin, aleatorizacin y control local. En este diseo las
unidades experimentales se distribuyen en grupos homogneos
llamado bloque. (Ramrez, 2014)
Es conveniente cuando se logra determinar un gradiente de
variabilidad en un sentido, que est influyendo sobre los
tratamientos. (Ramrez, 2014)

EJEMPLO

En un experimento se evalu la aplicacin de tratamientos para el

control de coliformes y E. coli. Fueron utilizados los siguientes
tratamientos: (Ramrez, 2014)
A. Testigo absoluto (sin aplicacin).
B. lagunaje facultativo
C. fotocatlisis heterogenea con TiO2
D. tratamiento qumico PTQ NaCIO
E. hipoclorito de sodio 5%
F. luz ultravioleta 16 mWs/cm2
Los tratamientos fueron analizados en un diseo bloques al azar
con cinco repeticiones. La variable de respuesta medida fue el
nmero de coliformes y E. coli vivos por unidad experimental. Los
datos obtenidos se presentan en la siguiente tabla:
 Coliformes

Conclusin: los tratamientos evaluados para eliminar o reducir la

cantidad de coliformes y E. Coli producen diferentes efectos en el
control.

o Diseo cuadrado latino

Un cuadrado latino para p factores, o sea, un cuadrado latino de
tamao pp, es un cuadrado que contiene p fila y p columnas.
Cada una de las p2 celdas contiene una de las p letras que
corresponden a un tratamiento, y cada letra aparece una sola vez
en cada fila y en cada columna, de tal manera que cualquier
comparacin de tratamientos no se vea afectada por las
diferencias existentes entre hileras o entre columnas. (Ramrez,
2014)

EJEMPLO

Un ingeniero industrial est investigando el efecto que tienen

cuatro mtodos de ensamblaje (A, B, C y D) sobre el tiempo de
ensamblaje de un producto alimenticio. Se seleccionaron cuatro
operadores para realizar el estudio. Por otra parte, el ingeniero
sabe que cada mtodo de ensamblaje produce fatiga, por lo que el
tiempo que se tarda en el ltimo ensamblaje puede ser mayor que
en el primero, independientemente del mtodo. En otras palabras,
se produce un patrn en el tiempo de ensamblaje. Para controlar
esta posible fuente de variacin (variabilidad), el ingeniero utiliz
el diseo cuadrado latino, que aparece a continuacin: (Ramrez,
2014)

Cuadrado Latino Reducido: Es aquel en el cual la primera hilera

y la primera columna estn dispuestas en orden alfabtico.
Procedimiento para la aleatorizacin
a. Seleccionar un cuadrado latino reducido
b. Permutar hileras aleatoriamente
c. Permutar columnas aleatoriamente
d. Asignar los tratamientos a las letras al azar.
 Los incisos b, c, d se pueden realizar usando una tabla de
nmeros aleatorios, o bien a travs de un simple sorteo. A
continuacin se muestra un ejemplo de aleatorizacin para
un cuadrado latino de tamao 5 5.

En un experimento sobre evaluacin de variedades de caa de

azcar realizado en Brasil, citado por Gomes,FP (2000), fueron
usadas cinco variedades: Co-290 (A), Co-421 (B), Co-419 (C),
POJ-2878 (D) y CP-3613 (E), dispuestas en un cuadrado latino
de tamao 55. Las producciones de caa en kilogramos por
parcela son dadas en la tabla siguiente:
De acuerdo con los resultados del anlisis de varianza, se concluye
que las variedades presentan efectos diferenciados en cuanto a la
produccin de caa de azcar, por lo tanto se recomienda efectuar el
respectivo anlisis post-Anova.
Prueba de comparacin mltiple de medias de acuerdo al
criterio de Tukey
o Experimentos factoriales
Son aquellos en los que se estudia simultneamente el efecto de
dos o ms factores, y donde los tratamientos se forman por la
combinacin de los diferentes niveles de cada uno de los factores.
Los experimentos factoriales en si no constituyen un diseo
experimental si no que ellos deben ser llevados en cualquiera de
los diseos tal como: completamente al azar, bloques al azar,
cuadrado latino, etc. (Ramrez, 2014)
De dos niveles 2k: se estudia un numero k de factores (por ejemplo
4), los factores se toman en dos niveles (-) y (+), el nmero de
observaciones es 2x2x2x2 =16 = 24, se reduce el nmero de
observaciones. (Villagarca)
Ejemplo: Redimiendo proceso qumico
Factor 1: Temperatura 40C (-) 60C (+)
Factor 2: Presin 1 Atm (-) 2 Atm (+)
Factor 3: Catalizador Si (+) No (-)
Factor 4: Concentracin 40% (-) 60% (+)

23 = posibles combinaciones
son 8, y con n replicaciones
se obtiene un total de 8n
observaciones, se puede usar
la siguiente matriz:

25 = 5 Factores a dos niveles.

(Villagarca)
= 32 observaciones.
= 5 Factores, 10 interacciones de segundo orden.
= 16 interacciones de orden superior
26 = 6 Factores a dos niveles. (Villagarca)
= 64 observaciones.
= 6 Factores, 15 interacciones de segundo orden.
= 42 interacciones de orden superior

Ejemplo

Una empresa embotelladora de refrescos interesada en obtener

alturas de llenado ms uniformes en las botellas que se fabrican
en su proceso de manufactura. El ingeniero del proceso puede
controlar tres variables durante el proceso de llenado: l porcentaje
de carbonatacin (A), la presin de operacin en el llenador (B) y
las botellas por minuto o rapidez de lnea (C). Es sencillo controlar
la presin y la rapidez, pero el porcentaje de carbonatacin es ms
difcil de controlar debido a que vara con la temperatura. Se
puede controlar la carbonatacin en tres niveles: 10, 12 y 14 por
ciento. Dos niveles para la presin (25 y 30 psi) y para rapidez de
lnea (200 y 250 bpm). (MONTGOMERY, 2004)

La suma de cuadrados de los efectos principales:

Para la carbonatacin- rapidez A x C

Para la presin rapidez B x C

Interaccin de los 3 factores A x B x C

Por ultimo

Anlisis de varianza
3

Supondremos que solo se usa dos rplicas de tal modo que el

experimento es un diseo factorial 23. Al utilizar los totales bajos
las combinaciones de los tratamientos; los efectos de los factores
pueden estimarse: (MONTGOMERY, 2004)
Los experimentos de altura de llenado
Los efectos ms grandes para la carbonatacin (A = 3.00), la
presin (B = 2.25), la velocidad (C = 1.75) y la interseccin
carbonatacin presin (AB = 0.75).

La CONTRIBUCION PORCENTUAL de cada uno de los trminos del

modelo a la suma de cuadrados total.

La interaccin AB es significativa con un nivel de aproximacin de

10 % por lo tanto existe una ligera interaccin entre carbonizacin
y la presin. (MONTGOMERY, 2004)

prueba t student
Condiciones: Se utiliza en muestras pequeas de 30 o menos
elementos. La desviacin estndar de la poblacin no se conoce.
(Ccanto, 2012)
Caractersticas: La distribucin t-Student es menor en la media y
ms alta en los extremos que una distribucin normal. Tiene
mayor parte de su rea en los extremos que la distribucin normal.
(Ccanto, 2012)

Prueba de Duncan
Es otra prueba para determinar la diferencia entre pares de
medias despus que se ha rechazado la hiptesis nula en el
anlisis de varianza. (Delgado, 2003)
Este procedimiento emplea los valores de la tabla T-9 y consiste en
calcular varios "rangos" (Duncan los llama rangos significativos
mnimos) dados por la frmula:

Donde p toma valores entre 2 y K (K es el nmero de

tratamientos), d se obtiene de la tabla T-9 y el CMError se obtiene
de la tabla de ANDEVA respectiva. (Delgado, 2003)

Ejemplo

Se realiz un experimento para determinar la cantidad (en

gramos) de grasa absorbida por 48 donas usando ocho tipos
diferentes de grasas (aceites y mantecas). Las medias para los
ocho tratamientos se muestran a continuacin:

Se usaron seis "donas" en cada tipo de grasa y se obtuvo un

cuadrado medio del error de 141.6, los grados de libertad del error
son 48 - 8 =40.
Seleccionando a = 0.05 para este ejemplo, los rangos de Duncan
son:

Los valores 3.300, 3.266,..., 2.858 se obtuvieron de la tabla de

Duncan para a = 0.05, 2 p 8 y 40 grados de libertad.

El siguiente paso es ordenar las medias en orden creciente

para establecer los "rangos".
 El rango entre las medias mxima y mnima se compara con

D8, esto es, entonces existe diferencia

significativa entre las grasas 4 y 7.

El prximo paso es comparar subconjuntos de siete medias con

el rango D7.

, entonces

, entonces

Como los dos exceden el rango D7 se subdividen estos dos

subconjuntos en conjuntos de seis medias.

, entonces

, entonces

, entonces

Nuevamente stos exceden D6, entonces stos se subdividen en

subconjuntos de cinco medias

, entonces

, entonces

, entonces

, entonces

Como las medias para las grasas 3, 2, 6 y 1 estn incluidos en el

conjunto 43261 que fue no significativo, los rangos de las medias en
el subconjunto 3261 no se comparan con D4; solamente los rangos de
las medias en el subconjunto 2615 se comparan con D4; por lo tanto,

, entonces
 Los otros subconjuntos de cuatro medias (3, 2, 6,1) y (6, 1, 5,3) no se
comparan con D4 porque ya fueron declarados no significativos en los
conjuntos de cinco medias. Por lo tanto, el proceso termina.

Los resultados se muestran grficamente en la siguiente figura,

donde las medias que estn debajo de una lnea no son
significativamente diferentes.

El investigador puede concluir que las cantidades absorbidas usando

las grasas 4 y 3 son significativamente mayores que las 5, 8 y 7, y
que la 2 es significativamente mayor que las 8 y 7 y las dems grasas
no son significativamente diferentes en relacin con la cantidad
absorbida. (Delgado, 2003)

RANGOS SIGNIFICATIVOS DE DUNCAN

 Prueba de Tukey

La prueba de Diferencia Significativa Honesta (DSH) de Tukey, al

igual que la DSM, slo se debe usar despus que se ha rechazado
la hiptesis nula en el anlisis de varianza y cuando todos los
tamaos de muestra son iguales; pero a diferencia de

la DSM emplea el valor . En lugar de . Este

valor q se obtiene de la tabla, para el nivel de significancia a, el
nmero de tratamientos K y los grados de libertad del error,
entonces: (Delgado, 2003)

Ejemplo

Una empresa tiene cuatro plantas y sabe que la planta A

satisface los requisitos impuestos por el gobierno para el
control de desechos de fabricacin, pero quisiera determinar
cul es la situacin de las otras tres. Para el efecto se toman
cinco muestras de los lquidos residuales de cada una de las
plantas y se determina la cantidad de contaminantes. Los
resultados del experimento aparecen en la siguiente tabla.

Cantidad de contaminantes para cuatro plantas de una

empresa.

Conclusin: Puesto que Fcalc > Fteor se rechaza H0, y se concluye

que hay diferencia significativa (al 5%) entre las cantidades
medias de contaminantes para las diferentes plantas.
Los valores absolutos de las diferencias entre
se muestran en la siguiente tabla.

Como se puede observar, las diferencias que exceden (DSH)

estn entre las medias , y , por lo tanto, slo

difieren las medias m 4 de m 1 y de m 3.

Es importante tener presente que la prueba DSH slo

se debe emplear cuando el ANDEVA ha conducido al rechazo
de H0. Si las muestras no son del mismo tamao no se debe
usar DSH. (Delgado, 2003)
2.4.2 Pruebas no paramtricas
Se hace aconsejable utilizar cuando el nmero de muestras son
pequeas o muestras de cualquier tamao que no se cumplan los
criterios de aplicabilidad de las pruebas paramtricas. Otra
circunstancia que influye en la popularidad creciente de estas
pruebas es que los conocimientos estadsticos para comprenderlas
son mnimos. Tambin se les denomina prueba de distribucin libre.
(CACERES, 2007)
Prueba para K muestras independientes: Las pruebas para muestras
independientes comparan las variables de dos o ms series de casos;
permiten suponer que las muestras provienen de la misma poblacin.
La prueba de Kruskal-Wallis o de H es una extensin de la de U de
Mann-Whitney. Su aplicacin asume:
1) Que los datos provienen de un grupo aleatorio de observaciones
2) Que la variable dependiente es, al menos, ordinal
3) Que la variable independiente es nominal, con ms de dos niveles
4) Que las observaciones son independientes dentro de cada grupo y
entre los grupos
5) Que no hay medidas repetidas o categoras de respuestas
mltiples
6) que es similar la forma en que la distribucin de la variable
dependiente dentro de cada uno de los grupos, excepto por la posible
diferencia de las medidas de tendencia central en al menos uno de
estos grupos. Se utiliza cuando la variable independiente tiene ms
de dos grupos y la variable dependiente es cuantitativa continua
(Manuel Gmez-Gmez, mar- abr2003).

Ejemplo

Se est interesado en la aceptacin de yogurt con

bifidobacterias en nios entre 2 y 4 aos. Para ello, prepara
un experimento con 22 nios y los asigna aleatoriamente a
los dos grupos experimentales y a un grupo control.
Despus de 15 das de tratamiento obtuvo los resultados
que aparecen en la tabla. Hay evidencia para concluir que
existen diferencias significativas entre los tratamientos con
un nivel de confianza del 99%?

Hiptesis: H0: Las tres poblaciones son iguales.

H1: Las tres poblaciones difieren.
A = 5; B = 8 y C = 9, es decir, 22 observaciones
independientes.

Calculando el valor estadstico

 T= 2,3 luego Ho no se rechaza ya que

La prueba de la mediana est indicada cuando la variable

independiente es categrica y la variable dependiente tiene,
al menos, un nivel de medida de tipo ordinal, aunque sta
habitualmente es cuantitativa continua, y se desea
investigar diferencias entre dos o ms grupos con relacin a
su mediana, sea porque no cumplen las condiciones de
normalidad para usar el promedio como medida de
tendencia central o porque la variable es cuantitativa
discreta. Se define como mediana al valor que en una serie
ordenada de datos deja por debajo de ella a la mitad de los
valores y la otra mitad por arriba de ella. (Manuel Gmez-
Gmez, mar- abr2003)
Cuando, a priori, hay un ordenamiento natural (ascendente
o descendente) de las poblaciones, la prueba de Jonckheere-
Terpstra es ms poderosa. (Manuel Gmez-Gmez, mar-
abr2003)

Prueba para K muestras relacionadas: Las pruebas para

varias muestras relacionadas comparan las distribuciones de
dos o ms variables. Hay tres pruebas disponibles para
comparar las distribuciones de varias muestras relacionadas.

Prueba de Friedman. Es una extensin de la prueba de

Wilcoxon para incluir datos registrados en ms de dos
periodos de tiempo o grupos de tres o ms sujetos
pareados, con un sujeto de cada grupo que ha sido asignado
aleatoriamente a una de las tres o ms condiciones. La
prueba examina los rangos de los datos generados en cada
periodo de tiempo para determinar si las variables
comparten la misma distribucin continua de su origen. Es
especialmente til cuando la variable dependiente es
continua pero su distribucin se encuentra sesgada. (Manuel
Gmez-Gmez, mar- abr2003).
Estadstico de contraste
 Ejemplo
Un nutricionista est interesado en comprobar si la ingesta
constante de un tipo de alimento procesado modifican o se
mantienen constantes los pesos de personas adultas entre
los 37, 38 y 39 aos de edad. Con este fin, selecciona una
muestra aleatoria de 10 personas y mide su peso el primer
mes y vuelve a realizar el registro a los dos meses
siguientes Los resultados obtenidos han sido las siguientes:

Edad 1 2 3 4 5 6 7 8 9 1
0
37 70 81 74 65 80 90 68 7 6 8
1 2 8
38 78 80 79 71 82 91 69 7 6 9
5 2 5
39 77 83 81 69 84 93 69 7 6 9
9 4 3

Deacuerdo a estos datos cual es la conclusin a un nivel

de significancia de 0.05%
Solucin:
Hiptesis: H0: Las poblaciones son iguales
H1: Las poblaciones son distintas.
Muestra: n observaciones dependientes.
Ordenamos las puntuaciones obtenidas por cada persona
en las tres condiciones y obtenemos la siguiente tabla:

Edad 1 2 3 4 5 6 7 8 9 1 Oj
0
37 1 2 1 1 1 1 1 1 1.5 1 11.
5
38 3 1 2 3 2 2 2.5 2 1.5 3 22
39 2 3 3 2 3 3 2.5 3 3 2 26.
5

Aplicando el valor del estadstico de contraste:

 F= 11,85

Prueba W de Kendall. Se interpreta como el coeficiente

de concordancia, que es una medida de acuerdo entre
los rangos. Cada caso es una base o rango, y cada
variable se considera un artculo o persona a juzgar. Su
valor final est comprendido entre 0 (ningn acuerdo) y
1 (acuerdo completo). (Manuel Gmez-Gmez, mar-
abr2003)
Q de Cochran. prueba la hiptesis de que varias
variables dicotmicas que estn relacionadas entre s,
tienen el mismo promedio. En observaciones mltiples
las variables son medidas en el mismo individuo o en
individuos pareados. Tiene la ventaja de examinar
cambios en las variables categricas. (Manuel Gmez-
Gmez, mar- abr2003)
Bibliografa

Badii, M. J. (2007). Diseos experimentales e investigacin cientfica.

Mxico (ISSN 1665-9627) : InnOvaciOnes de NegOciOs .

CACERES, R. A. (2007). ESTADISTICA APLICADA A LAS CIENCIAS DE LA

SALUD. DIAZ DE SANTOS.

Ccanto, D. F. (2012). Distribucin t-Student para una muestra.

Delgado, G. (2003). GRAN AURORA BOREAL I I, 2001. Recuperado el

08 de 04 de 2017, de PRUEBAS DE DIFERENCIA DE MEDIAS O DE
COMPARACIONES MLTIPLES:
http://colposfesz.galeon.com/disenos/teoria/cap13bmj/cap13bmj.htm

Fernndez, S.; Cordero, J.; Crdoba, A. 2002. ESTADISTICA

DESCRPTIVA. 2da edicin. ed. esic. Madrid. PP. 83.
Garcia, A.; Quezada, V.1988. Lecciones de clculo y probabilidades.
ed. Daz de santos S.A. madrid.pp 103

Manuel Gmez-Gmez, C. D.-B.-F. ( mar- abr2003). Sinopsis de

pruebas estadsticas no parametricas. cuando usarlas. revista
mexicana de pediatria, 99.

MONTGOMERY, D. C. (2004). DISEO Y ANALISIS DE EXPERIMENTOS.

MEXICO D.F.: EDITORIAL LIMUSA S.A de CV. GRUPO NORIEGA
EDITORES.

Ramrez, E. A. (2014). DISEO Y ANLISIS DE EXPERIMENTOS.

GUATEMALA.

Salinas, J.; Miranda, F. 2010. Estadistica general.

Villagarca, T. (s.f.). Diseos factoriales a dos niveles. Recuperado el

06 de 04 de 2017, de
http://www.est.uc3m.es/esp/nueva_docencia/leganes/ing_industrial/es
tadistica_II/doc_grupo1/archivos/Disenios%20a%20dos%20niveles.pdf