Mca Cap V DCL

DISEÑO DE EXPERIMENTOS
Carlos Enrique Cardona Ayala

Profesor Titular
Facultad de Ciencias Agrícolas, Universidad de
Córdoba
Montería, Córdoba, Colombia
DISEÑO CUADRADO LATINO
CARACTERISTICAS
Es un diseño con doble restricción, los tratamientos se

agrupan en hileras y columnas de tal manera que cada
tratamiento se asigna una vez y al azar en cada hilera y en
cada columna.
Se recomienda cuando las unidades pueden agruparse de

acuerdo a dos fuentes de variación, las hileras y las
columnas, de tal modo que el número de unidades de cada
hilera y cada columna sea igual al número de tratamientos
en estudio.
El número total de unidades experimentales es un cuadrado

perfecto; sin embargo, en ensayos de campo la forma del
diseño no debe ser necesariamente un cuadrado perfecto.
Existen diferentes áreas de la investigación en donde es

posible utilizar el doble agrupamiento con el fin de controlar
mejor la variabilidad de las unidades experimentales, así:
En experimentos de campo el cuadrado latino permite

controlar la variabilidad del suelo en dos direcciones: hileras
y columnas. Por ejemplo, la disposición presentada en la
siguiente figura.
Columnas
Hileras 1 2 3 4
1 A D C B
2 B C A D
3 D A B C
4 C B D A
Con animales se pueden controlar las diferencias de
edad, peso, producción de leche, número de partos,
etc., asignando una fuente de variación a las hileras
y otra a las columnas.
En estudios de mercadeo de algunos productos, los

días de la semana pueden constituir las hileras y los
almacenes las columnas.
4. En ensayos de la industria, los operadores de

maquinaria pueden constituir las hileras y los turnos
de operación a diferentes horas del día, las columna.
Ventajas del diseño cuadrado latino:
Si se emplea adecuadamente se logra mayor precisión que

en los diseños completamente al azar y bloques al azar,
puesto que controlan dos fuentes de variación en las
unidades experimentales, lo cual disminuye el error.
Si se pierde completamente una hilera o una columna, el

diseño puede analizarse como completamente aleatorizado.
Desventajas del diseño cuadrado latino:
El diseño es menos flexible que los dos anteriores, además

resulta antieconómico si el número de tratamientos es
mayor que 8.
Posee menor número de grados de libertad para el error que

los DBCA y DCA, lo cual se acentúa a medida que disminuye
el número de tratamientos.
Para que la prueba F tenga validez, se requiere que no exista

interacción entre hileras, columnas y tratamientos.
Aleatorización de un cuadrado latino:
Consiste en elegir un cuadrado al azar entre todos

los cuadrados latinos posibles.
Un cuadrado latino patrón es aquel que en su

primera hilera y primera columna, tiene los
tratamientos distribuidos en orden alfabético.
Una vez elegido el cuadrado latino patrón se

distribuyen al azar las hileras y columnas, de tal
modo que no se pierda la estructura del diseño.
Cuadrado latino patrón con 5 tratamientos
A B C D E
B C D E A
C D E A B
D E A B C
E A B C D
A continuación se sortean las Hileras: por ejemplo el sorteo arroja el siguiente

orden: 3, 5, 2, 1, 4, entonces el cuadrado latino con las columnas sorteadas
queda así:
C E B A D
D A C B E
E B D C A
A C E D B
B D A E C
Finalmente se sortean las columnas, del cuadrado anterior, por ejemplo en el

orden: 5, 1 2, 4, 3, tomando la siguiente disposición:
B D A E C
C E B A D
D A C B E
A C E D B
E B D C A
El modelo estadístico asociado a este diseño es:

Yij(k) = µ +αi + βj +τ(k) +εij(k) i =1,2,...,t
j =1,2,...,t
k =1,2,...,t
Donde Yij(k) es la observación en la i-ésima fila y j-ésima columna para el

tratamiento k-ésimo, µ es la media general, αi es el efecto de la fila i-ésima,
βj es el efecto de la columna j-ésima, τ(k) es el efecto del tratamiento k-ésimo
y εij(k) es el error aleatorio.
Supuestos:
• El modelo se considera completamente aditivo, esto es, no hay

interacción entre filas, columnas y tratamientos.
ε ij ( K ) ~ N (0,σ 2 )
• Por lo general filas y columnas se usan para controlar el error, así

corrientemente se consideran como de efectos aleatorios:
α i ~ N (0,σ 2 ) ;
β j ~ N (0,σ 2 )
• Los efectos de los tratamientos pueden ser fijos o aleatorios, entonces

los supuestos son:
∑τ (k ) = 0 (Si los efectos son fijos)
τ (k ) ~ N (0,σ 2 ) (Si los efectos son aleatorios)

DESCOMPOSICIÓN DE LAS SUMAS DE CUADRADOS DE UN DCL
SCTotal = SCFilas + SCColumnas + SCTratamientos + SCEE
Con los grados de libertad respectivos
t 2 − 1 = (t − 1) + (t − 1) + (t − 1) + (t − 1)(t − 2)
Tabla 11. Análisis de varianza para un diseño cuadrado latino.
F de V GL SC CM F
Filas t −1 Yi..2 Y...2 SCFilas
∑ t − t2 t −1
Columnas t −1 Y. 2j . Y...2 SCColumnas
∑ t − t2 t −1
Tratamientos t −1 Y..2k Y...2 SCTratam CM Tratam
∑t −t t −1 CM EE
2
Error Exptal (t − 1)(t − 2) Por diferencia SCEE

(t − 1)(t − 2)
Total t2 −1 Y ...2
∑∑ Y 2
ij ( k ) − 2
t
ANÁLISIS ESTADISTICO DE UN CUADRADO LATINO.
Ejemplo: se evaluó el efecto de varios pesticidas para el control del nematodo

nodular Meloidogyne sp en tomate de árbol utilizando un cuadrado latino con 5
tratamientos, así:
T1 (A): Nemacur
T2 (B): Testigo
T3 (C): Furadan
T4 (D): Disyiston+Nemacur
T5 (E): Dasanit
A los 15 meses se determinó el rendimiento de tomate de árbol, según la tabla,

en concordancia con el libro de campo.
Columnas YH
Hileras 1 2 3 4 5
1 E 23.18 C 17.35 D 27.63 A 31.10 B 18.72 117.99
2 D 22.08 B 17.25 C 13.16 E 24.58 A 32.00 109.07
3 A 32.27 D 21.10 E 23.15 B 19.72 C 26.27 122.51
4 B 21,08 E 27.33 A 31.16 C 26.00 D 17.58 123.15
5 C 27.90 A 45.27 B 16.72 D 40.10 E 27.28 157.27
YC 126.51 128.30 111.82 141.50 121.85 629.98
Los totales de tratmientos se presentan a continuación:
Tratamientos
A B C D E
Y.. k 171.80 93.49 110.68 128.49 25.52
Y.. k 34.36 18,70 22.14 25,70 25.10 Y... = 25.19
H 0 = τ1 = τ 2 = τ 3 = τ 4 = τ 5
H 1 = No todos los τ k con k = 1, 2 ,3, 4 ,5 son iguales a cero
Y ...2 629 . 98
SC Total = ∑ ∑Y 2
ij ( k ) − 2 = 23 .18 2 + ... + 27 .28 2 −
t 25
= 1339 . 18
Y..2k Y...2 171 . 8 2 + ... + 125 .52 2 629 .98

SC Tratamtos =∑ − = − = 679 .13
t t2 5 25
Yi ..2 Y...2 117 .99 2 + ... + 157 . 27 2 629 .98

SC Hileras = ∑ − 2 = − = 270 . 29
t t 5 25
Y...2 126 .51 2 + ... + 121 . 85 2 629 . 98

Y. 2j .
SC Columnas = ∑ t
− 2 =
t 5
−
25
SC EE = SC Total − SC Tratamtos − SC Hileras − SC Columnas = 296 .94

Tabla 12. Análisis de varianza del rendimiento de tomate de árbol (kg/parcela)

bajo un diseño cuadrado latino.
Fuentes de GL SC CM Fc F0.05 F0.01

variación
Tratamientos 4 679.13 169.78 6.86** 3.26 5,41
Hileras 4 270.29 67.57
Columnas 4 92.82 23.21
Error 12 296.94 24.74
Total 24 1339.18
La prueba F indica que existen diferencias altamente significativas entre

tratamientos.
La prueba de comparación de medias se efectúa siguiendo la metodología usual.

A continuación se presentan los resultados de la prueba de Duncan, utilizando
α = 0.05
Tratmientos
T2 T3 T5 T4 T1
Medias (Testigo (Furadan) (Dasanit) (Disyston+Nemacur) ( Nemacur)
Y..k 18.7 22.14 25.10 25.70 34.36
a a a a b
Los resultados indican que el tratamiento 1 (T1=A) que corresponde a la

aplicación de Nemacur superó significativamente a los restantes. Entre los
demás tratmientos no se encontró evidencia para afirmar que las diferencias
son significativas.
MODELO LINEAL ADITIVO Y COMPONENTES DE VARIANZA DEL

DISEÑO CUADRADO LATINO.
Este modelo se puede estimar con base en las observaciones, así:
Yij ( k ) = Y... + a i + b j + t k + eij ( k )
En donde:
a i = Yi .. − Y...
b j = Y. j . − Y...
t k = Y.. k − Y...
El término eij ( k ) se puede obtener por diferencia, así:
eij ( k ) = Yij ( k ) − Y... − a i − b j − t k

Tabla 13. Cuadrados medios esperados en el diseño cuadrado latino, para
modelos fijo, aleatorio y mixto.
Cuadrados medios esperados

Fuente de Grados de Modelo Modelo Modelo mixto
Variación libertad fijo aleatorio
Hileras t −1 t ∑ yi2.. σ 2 + tσ α2 σ 2 + tσ α2
σ +
2
t −1
Columnas t −1 t ∑ y.2j . σ 2 + tσ β2 σ 2 + tσ β2
σ +
2
t −1
Tratamientos (t − 1)(t − 2) t ∑ y..2k σ 2 + tσ k2 t ∑ y..2k

σ +
2
σ +
2
t −1 t −1
Error t2 −1 σ2 σ2 σ2
UNIDADES EXPERIMENTALES PERDIDAS EN
EL DISEÑO CUADRADO LATINO
Una unidad perdida. Cuando se pierde una unidad experimental en diseño
cuadrado latino, su valor puede estimarse sobre la base en los datos
restantes. La expresión para su estimación puede obtenerse a partir del
modelo lineal, así:
Yij(k ) = Y... + ai + bj + tk + eij(k )
En este caso no es posible estimar el término del error eij(k ) para la unidad
perdida, por lo cual la fórmula queda así:
Y = Y... + ai + bj + tk
Se supone que se tiene la estructura de los datos de un cuadrado latino con una
unidad experimental perdida como lo sugiere la tabla 5.5.
Tabla 5.5. Estructura de los datos de un cuadrado latino con una unidad
experimental perdida.
Columnas YH
Hileras 1 2 … j … t
1 Y 11 Y 12 … Y1 j … Y1 t
Y 21 Y 22 … Y2 … Y2t Y1 .
j
2 Y2.
. . . … .
. . . … . .
. .
. . . … .
. .
Y i1 Yi 2 … Y ij … Y it
. Yi.
. . … . … .
.
. . …. y … .
H
. . …. . … .
.
t Yr1 Yr 2 Y … Y rt
rj Yr.
YC Y .1 Y .2 … C … Y .t G
En la tabla Y es la unidad perdida; H es el total de los valores que le quedan a la

hilera donde se perdió la unidad; C es el total de la columna donde se perdió la
unidad; G es el total de los valores del ensayo. Se supone además que T es el
total de los valores que le quedan al tratamiento que perdió la unidad.
G +Y
Y... =
r2
T +Y G +Y
α i = Yi .. − Y... = −
r r2
H +Y G +Y
b j = Y. j . − Y... = −
r r2
C +Y G +Y
t k = Y.. k − Y... = −
r r2
Por lo cual:
T +Y G +Y H +Y G +Y C +Y G +Y
Y = Y... + − + − + −
r r2 r r2 r r2
Ecuación que resuelve para Y, obteniéndose la siguiente expresión:
r (T + H + C ) − 2G
Y =
( r − 1)( r − 2 )
Después de estimar el valor de la unidad perdida se efectúa el análisis de

varianza en la forma corriente, pero descontando un grado de libertad al error
experimental.
Tabla 5.6. Datos de un cuadrado latino 5x5 con unidad experimental
perdida.
Columnas YH
Hileras 1 2 3 4 5
1 A 20.3 D 34.2 B 25.0 C 36.7 E 40.5
2 B 30.2 E 42.6 C 40.2 D 36.5 A 22.5
3 E 44.2 C 43.5 Y B 30.7 D 36.6 155=H
4 D 38.3 B 34.6 E 43.6 A 24.3 C 39.4
5 C 46.2 A 28.4 D 40. 6 E 48.4 B 38.4
YC 149.4=C 865.9=G
La unidad experimental perdida corresponde al tratamiento A, por lo cual:
T = ∑A i = 95 . 5
Aplicando la fórmula para estimar la unidad perdida, se tiene:
5 ( 95 . 5 + 155 + 149 . 4 ) − 2 * 865 . 9

Y = = 22 . 3
( 5 − 1)( 5 − 2 )
Tabla 5.7. Análisis de varianza para los datos de la tabla 5.6.
Fuentes de GL SC CM Fc F0.05 F0.01

variación
Tratamientos 4 1309 327.25 166.96** 3.36 5,67
Hileras 4 14.2 3.55
Columnas 4 214.1 53.5
Error 11 21.5 1.96
Total 17 1558.8
La prueba F indica que existen diferencias altamente significativas entre las

medias de tratamientos. Para realizar la prueba de separación de medias se
debe utilizar un error estándar ligeramente aumentado, cuando se compara el
tratamiento que perdió la unidad experimental con los demás, así:
s2 2 1 
s =  + 
Y
2  r ( r − 1)( r − 2 ) 
Cuando se comparan dos tratamientos completos, el error estándar es el usual.

O sea:
s2
sY =
r
Para efectuar la prueba de Duncan, se ordenan los promedios:
Tratamientos A B D C E
Y..k 23.56 31.78 37.24 41.2 43.86
Para comparar A vs. B, el error estándar es:
1.962  2 1 
sY =  +  = 0.69
2  5 (5 −1)(5 − 2) 
Luego, Para GL del error =11, para 2 medias y α = 0.05 , se tiene:
D2 = 3.11* sY = 3.11* 0.69 = 2.15
Diferencia de las medias de los dos tratamientos que se están comparando:

31.78-23.56=8.22, valor mayor que el permitido por D2, lo cual indica que la
diferencia es significativa, a favor de B.
Para comparar B vs. D:
1.96
sY = = 0.62
5
Luego, Para GL del error =11, para 2 medias y α = 0.05 , se tiene:
D2 = 3.11* sY = 3.11* 0.62 = 1.92
Diferencia de las medias de los dos tratamientos que se están comparando:

37.24-31.78=5.46, valor mayor que el permitido por D2, lo cual indica que la
diferencia es significativa, a favor de D.
Una vez adelantada la prueba de Duncan para todas las comparaciones, se

concluye que existen diferencias significativas entre todos las medias de
tratamientos.
Dos o más unidades perdidas en el diseño
cuadrado latino
Cuando se pierden varias unidades experimentales, el
procedimiento a seguir es similar al utilizado en el
D.B.C.A., aplicando varias veces la expresión para estimar
la unidad perdida en cuadrado latino.
Cuando se han estimado todas las unidades faltantes, se

efectúa el anava de la forma corriente, restando los grados
de libertad al error como parcelas perdidas.
Para la obtención del error estándar, Yates (1933) propuso

un método aproximado para determinar el número de
“repeticiones” efectivas para las dos medias de tratamiento
que se comparan. Para ello se revisan las hileras una por
una y se asignan las repeticiones para cada tratamiento así:
cuadrado latino
Si el otro tratamiento está presente en la columna y fila
correspondiente, se asigna 1.
Si el otro falta en una hilera o en una columna, pero no en

ambas, se asigna 2/3.
Si el otro falta tanto en hilera como en la columna, se

asigna 1/3.
Si falta el tratamiento en cuestión, se asigna 0.
La asignación de estas repeticiones se ilustra con el ejemplo

correspondiente de la tabla 5.8.
cuadrado latino
Tabla 5.8. Cuadrado latino 6x6 con 3 unidades experimentales perdidas.
Columnas
Hileras 1 2 3 4 5 6
1 B (E) C F (D) A
2 F D B E A C
3 C A E D B F
4 (E) C A B F D
5 A F D C E B
6 D B F A C E
Para comparar E vs D:
2 11
rE = 0 + 1 + 1 + 0 + +1 = = 3 . 67
3 3
2 2 2
rD = 0 + +1+ +1+ = 4
3 3 3
El error estándar de diferencias está dado por:
 1 1
sY = s2  + 
 3 . 67 4 
EFICIENCIA RELATIVA DEL DISEÑO
CUADRADO LATINO
La eficiencia relativa del diseño cuadrado latino con respecto al diseño en
bloques al azar puede calcularse mediante dos enfoques: uno cuando las hileras
se toman como bloques y otro cuando las columnas se consideran como bloques.
Considerando hileras como bloques. Se comparan los dos diseños con y sin
columnas en presencia de las hileras. En este caso la estimación del cuadrado
medio del error como bloques al azar es:
) GLCOLCM COL + (GLTRAT + GLEE (CL ) )CM EE (CL )

σ BCA
2
=
GLCOL + GLTRAT + GLEE (CL )
Cuando el número de grados de libertad del error es menor de 20, se introduce

un factor de corrección al calcular la eficiencia relativa, así.
(GLEE (CL ) + 1)(GLEE ( BCA) + 3)CM EE ( BCA)

ER =
(GLEE ( BCA) + 1)(GLEE (CL ) + 3)CM EE (CL )
CUADRADO LATINO
Al considerar el ejemplo donde se estudiaron 5 tratamientos en el control de
nemátodos del tomate de árbol bajo diseño cuadrado latino, se tiene:
GL COL = GL TRAT = 4 ; GL EE ( CL ) = 12
CM COL = 23 . 21 ; CM EE ( CL ) = 24 . 74 , entonces la estimación del cuadrado medio del
error en bloques es:
) 4 * 23 . 21 + ( 4 + 12 ) 24 . 74
σ BCA
2
= = 24 . 43
4 + 4 + 12
Luego se obtienen los grados de libertad del error para el diseño en bloques al
azar es:
GL EE ( BCA ) = ( r − 1)( r − 1) = 4 * 4 = 16
Entonces, la eficiencia relativa del cuadrado latino con respecto a bloques al

azar es:
(12 + 1)(16 + 3 ) 24 .43

ER = = 0 .956
(16 + 1)(12 + 3 ) 24 .74
Lo anterior indica que las columnas no ejercen control alguno de la variabilidad

y, por el contrario, el agrupamiento en columnas le resta eficiencia al diseño
cuadrado latino con respecto al de bloques al azar.
CUADRADO LATINO
Considerando columnas como bloques. Se comparan los dos diseños con y sin
hileras en presencia de las columnas. En este caso la estimación del cuadrado
medio del error como bloques al azar es:
)2 GLHILCMHIL + (GLTRAT + GLEE(CL) )CMEE(CL)

σ BCA =
GLHIL + GLTRAT + GLEE(CL)
Al considerar el ejemplo donde se estudiaron 5 tratamientos en el control de

nemátodos del tomate de árbol bajo diseño cuadrado latino, se tiene:
GLHIL = GLTRAT = 4 ; GLEE(CL) = 12
CMHIL = 67.57 ; CMEE(CL) = 24.74 , entonces la estimación del cuadrado medio del
error en bloques es:
CUADRADO LATINO
) 4 * 67.57 + (4 + 12)24.74
σ BCA
2
= = 33.31
4 + 4 + 12
Entonces, la eficiencia relativa del cuadrado latino con respecto a bloques al

azar es:
(12 + 1)(16 + 3)33.31

ER = = 1.30
(16 + 1)(12 + 3) 24.74
Lo cual indica que la agrupación en hileras aumentó la precisión en un

porcentaje estimado del 30%, después de haberse efectuado la agrupación en
columnas para ambos diseños.
De acuerdo con el análisis anterior se concluye que el agrupamiento en

columnas es injustificado, pero el agrupamiento en hileras permite cierto
control de la variabilidad, por lo cual, el diseño más apropiado para el ensayo en
referencia, bajo las mismas condiciones de terreno es el de bloques al azar,
considerando hileras como bloques

Mca Cap V DCL

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mca Cap V DCL

Cargado por

Copyright:

Formatos disponibles

DISEÑO DE EXPERIMENTOS

Carlos Enrique Cardona Ayala

Es un diseño con doble restricción, los tratamientos se

Se recomienda cuando las unidades pueden agruparse de

El número total de unidades experimentales es un cuadrado

Existen diferentes áreas de la investigación en donde es

En experimentos de campo el cuadrado latino permite

En estudios de mercadeo de algunos productos, los

4. En ensayos de la industria, los operadores de

Ventajas del diseño cuadrado latino:

Si se emplea adecuadamente se logra mayor precisión que

Si se pierde completamente una hilera o una columna, el

El diseño es menos flexible que los dos anteriores, además

Posee menor número de grados de libertad para el error que

Para que la prueba F tenga validez, se requiere que no exista

Aleatorización de un cuadrado latino:

Consiste en elegir un cuadrado al azar entre todos

Un cuadrado latino patrón es aquel que en su

Una vez elegido el cuadrado latino patrón se

A continuación se sortean las Hileras: por ejemplo el sorteo arroja el siguiente

Finalmente se sortean las columnas, del cuadrado anterior, por ejemplo en el

El modelo estadístico asociado a este diseño es:

Donde Yij(k) es la observación en la i-ésima fila y j-ésima columna para el

• El modelo se considera completamente aditivo, esto es, no hay

• Por lo general filas y columnas se usan para controlar el error, así

• Los efectos de los tratamientos pueden ser fijos o aleatorios, entonces

∑τ (k ) = 0 (Si los efectos son fijos)

τ (k ) ~ N (0,σ 2 ) (Si los efectos son aleatorios)

DESCOMPOSICIÓN DE LAS SUMAS DE CUADRADOS DE UN DCL

SCTotal = SCFilas + SCColumnas + SCTratamientos + SCEE

Con los grados de libertad respectivos

Tabla 11. Análisis de varianza para un diseño cuadrado latino.

Error Exptal (t − 1)(t − 2) Por diferencia SCEE

ANÁLISIS ESTADISTICO DE UN CUADRADO LATINO.

Ejemplo: se evaluó el efecto de varios pesticidas para el control del nematodo

A los 15 meses se determinó el rendimiento de tomate de árbol, según la tabla,

2 D 22.08 B 17.25 C 13.16 E 24.58 A 32.00 109.07

3 A 32.27 D 21.10 E 23.15 B 19.72 C 26.27 122.51

4 B 21,08 E 27.33 A 31.16 C 26.00 D 17.58 123.15

5 C 27.90 A 45.27 B 16.72 D 40.10 E 27.28 157.27

YC 126.51 128.30 111.82 141.50 121.85 629.98

Los totales de tratmientos se presentan a continuación:

Y..2k Y...2 171 . 8 2 + ... + 125 .52 2 629 .98

Yi ..2 Y...2 117 .99 2 + ... + 157 . 27 2 629 .98

Y...2 126 .51 2 + ... + 121 . 85 2 629 . 98

SC EE = SC Total − SC Tratamtos − SC Hileras − SC Columnas = 296 .94

Tabla 12. Análisis de varianza del rendimiento de tomate de árbol (kg/parcela)

Fuentes de GL SC CM Fc F0.05 F0.01

La prueba F indica que existen diferencias altamente significativas entre

La prueba de comparación de medias se efectúa siguiendo la metodología usual.

Los resultados indican que el tratamiento 1 (T1=A) que corresponde a la

MODELO LINEAL ADITIVO Y COMPONENTES DE VARIANZA DEL

Este modelo se puede estimar con base en las observaciones, así:

Yij ( k ) = Y... + a i + b j + t k + eij ( k )

El término eij ( k ) se puede obtener por diferencia, así:

eij ( k ) = Yij ( k ) − Y... − a i − b j − t k

Cuadrados medios esperados

Tratamientos (t − 1)(t − 2) t ∑ y..2k σ 2 + tσ k2 t ∑ y..2k

Yij(k ) = Y... + ai + bj + tk + eij(k )

En la tabla Y es la unidad perdida; H es el total de los valores que le quedan a la

Ecuación que resuelve para Y, obteniéndose la siguiente expresión:

Después de estimar el valor de la unidad perdida se efectúa el análisis de

2 B 30.2 E 42.6 C 40.2 D 36.5 A 22.5