DISEÑO DE UN EXPERIMENTO

El diseño de un experimento consiste, en la secuencia completa y planificada de pasos

previstos de antemano para asegurar que se tomarán los datos apropiados con el fin de

realizar un análisis objetivo de un problema determinado y que conducirán a

conclusiones válidas.

Experimento:

Es una búsqueda planificada de información con el objeto de obtener nuevos

conocimientos o para verificar supuestos llamados hipótesis, además servirá para:

 Determinar las principales causas de variación de las respuestas;

 Encontrar las condiciones experimentales con los que se consigue un valor

óptimo en la variable de interés o respuesta;

 Comparar las respuestas en los diferentes niveles de observación de las variables

controladas y obtener un modelo estadístico-matemático que nos permita hacer

predicciones de las respuestas a futuro.

Usos

Los Diseños Experimentales en la actualidad son usados en todos los campos del saber

humano, pues es parte de la Investigación Científica que se realiza en estos campos. Sin

embargo, hay campos en el que se han realizado con mayor incidencia, como son: la

agronomía, la industria, la medicina, la economía, la educación, etc. Así por ejemplo

un educador, requiere saber cuál es el mejor método de enseñanza-aprendizaje para un

grupo de alumnos en una determinada disciplina

Los objetivos del diseño experimental:

 Determinar cuáles de las variables independientes (factores) tienen mayor influencia

en la variable respuesta.
 Determinar el mejor valor o nivel de las variables independientes que influyen en la

variable respuesta, de modo que tenga en lo posible un valor muy cercano al valor

deseado.

 Determinar el mejor valor o nivel de las variables independientes que influyen en la

variable respuesta, de modo que la variabilidad de esta sea lo más pequeño posible.

 Determinar el mejor valor o nivel de las variables independientes que influyen en la

variable respuesta, de tal manera que se minimicen los efectos de las variables

exógenas que no son controladas.

1. Principios básicos de un diseño de experimentos

Entre los pioneros, que aportaron sus conocimientos a este tema, tenemos al famoso Sir

Ronald A. Fisher quien fue el precursor de los Diseños Experimentales, dos de sus

principales obras: “Principios Estadísticos para Investigadores” (1925) y “Diseños de

Experimentos” (1935), fueron muy requeridas por los investigadores de la época, en la

segunda obra se estableció por primera vez los principios básicos de los Diseños

Experimentales, que son: La Reproducción, la Aleatorización y el Control Local.

a. La reproducción

Es la repetición del experimento básico o tratamiento en diferentes unidades

experimentales, cuyas razones son las siguientes:

 Proporciona una estimación del error experimental, que actúa como una unidad

básica de medida para indicar el significado de las diferencias observadas o para

determinar la amplitud de un intervalo de confianza.

 Permite obtener una estimación más precisa del efecto medio de cualquier

factor, puesto que la varianza de la media es igual a σ2/n.

b. Aleatorización
Es la asignación de las unidades experimentales en forma aleatoria a los diferentes

tratamientos, con la finalidad de estimar con mayor precisión el error experimental, y

eliminar el error sistemático que pudiera haber al medir las respuestas.

c. Control local

Es la cantidad, forma y ponderación del balanceo, bloqueo y agrupamiento de las

unidades experimentales que se emplean en el diseño experimental adoptado y su

función es hacer que el diseño sea más eficiente. En otras palabras, es el control del

error experimental tomando medidas dentro del diseño experimental para hacer lo más

eficiente, de tal manera que pueda permitir la reducción del error experimental y así

hacer la más sensible a cualquier prueba de significación.

2. Modelo Estadístico:

Es una representación matemática de las relaciones existentes entre los diversos factores

considerados en un diseño experimental. Por ejemplo.

𝒀𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜺𝒊𝒋

Dependiendo de la forma en la que son elegidos los niveles de los factores en estudio,

los modelos pueden ser de tres tipos:

2.1.Tipos de modelos:

MODELO I (MODELO A EFECTOS FIJOS) Modelo de Análisis de Varianza, es

cuando el investigador determina los tratamientos en forma específica y desea probar la

hipótesis sobre la igualdad de las medias de los tratamientos considerados y las

conclusiones no pueden extenderse a los demás tratamientos que no fueron

considerados.

MODELO II (MODELO A EFECTOS VARIABLES) Modelo de Componentes de

Varianza, es cuando el investigador selecciona una muestra aleatoria de tratamientos de

una población grande de tratamientos, por consiguiente las conclusiones se extienden a

todos los tratamientos de la población, considerados o no en el experimento, por lo que

los 𝜏𝑖 son variables aleatorias.

MODELO III (MODELO A EFECTOS MIXTOS) Se presenta cuando se tiene una

combinación de los dos modelos anteriores, es decir cuando se tienen algunos factores

con efectos fijos y algunos factores con efectos aleatorios.

3. Análisis de varianza (ANVA)

Técnica estadística que permite descomponer la variabilidad total de los resultados de

un experimento (tratamientos, bloques, error experimental, etc.), con la finalidad de

compararlas e identificar su importancia relativa en la variabilidad total.

DISEÑO CON UN FACTOR

Diseño completamente aleatorio (DCA)

Es el más simple de todos los diseños, en el cual los tratamientos son asignados

completamente al azar a las unidades experimentales o viceversa, este diseño no impone

ningún tipo de restricción, salvo que las unidades experimentales sean totalmente

homogéneas.

Aleatorización y croquis experimental

Suponga que va evaluar 4 tratamientos con tres repeticiones cada uno, entonces se

necesitara 12 unidades experimentales.

Diseño completamente aleatorio.

Ventajas:

Es fácil de planificar y analizar, siendo muy flexible al número de tratamientos y

repeticiones.

El número de repeticiones por tratamiento puede ser diferente, a pesar de que es

recomendable tener el mismo número de repeticiones por tratamiento.

Desventajas:

El diseño es eficiente solo para un pequeño número de tratamientos y para material

experimental homogéneo.

Modelo estadístico

𝒀𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜺𝒊𝒋 ∀𝒊 = 𝟏, 𝟐, 𝟑, … … 𝒕, 𝒋 = 𝟏, 𝟐, 𝟑, … … . 𝒏

Donde:

 𝒀𝒊𝒋 : Es el valor de la respuesta o rendimiento observado, en el i-ésimo

tratamiento y en la j-ésima repetición. Son variables aleatorias.

 𝝁: Es el efecto medio verdadero. Es una constante.

 𝝉𝒊 : Es el efecto del i-ésimo tratamiento. Son variables distribuidas en forma

normal con media cero y varianza 𝜎 2 𝑡 , sí el modelo a usar es a efectos

aleatorios. En cambio, sí el modelo es a efectos fijos, entonces ∑ 𝝉𝒊 = 0.

  𝜺𝒊𝒋 : Es el efecto del error experimental en el i-ésimo tratamiento, de la j-ésima

repetición. Incluye efectos de factores exóneos no considerados en el estudio. Es

un v. a .con DNI (0,𝜎 2 )

 t: es el número de tratamientos.

 n: es el número de repeticiones

Supuestos

El modelo estadístico debe cumplir los siguientes supuestos:

1. Aditividad, los efectos del modelo son aditivos.

2. Linealidad, las relaciones entre los efectos del modelo son lineales.

3. Normalidad, los errores o residuos son variables aleatorias y deben tener una

distribución normal con media cero y varianza constante 𝜎 2

4. Independencia, los resultados obtenidos en el experimento son independientes entre

sí. En otras palabras los errores deben ser independientes entre sí.

5. Homogeneidad de varianzas, Las diferentes poblaciones generadas por la aplicación

de los diferentes tratamientos deben tener varianzas iguales u homogéneas (𝜎 2 ).

Modelo a efectos fijos.

En este caso se hará un ANVA según el modelo I, en consecuencia se probará la

igualdad de los efectos de los tratamientos; es decir, Ho: 𝝉𝒊 =0 ∀ =1,2,3,….t. Además,

los efectos de los tratamientos 𝝉𝒊 se considerará como desviaciones de la media global,

𝜇 esto es:

𝒀𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜺𝒊𝒋

𝒀𝒊𝒋 = 𝝁 + 𝜺𝒊𝒋

𝝁𝒊 = 𝝁 + 𝝉𝒊

𝝉𝒊 = 𝝁 − 𝝁𝒊
 ∑ 𝝉𝒊 = 0.

Modelo a efectos fijos. simbologia

INTERVALOS DE CONFIANZA PARA LA MEDIA DEL i-ÉSIMO

TRATAMIENTO

El estimador puntual de 𝜇 es 𝜇̂ = 𝑌̅ …, si los errores están distribuidos normalmente,

entonces el promedio de cada tratamiento estará distribuido de manera normal con

media 𝜇𝑖 y varianza 𝜎 2 /𝑛, por lo tanto, si se conoce 𝜎 2 , entonces se puede usar la

distribución normal para construir un intervalo de confianza, si empleamos el CME

como estimador de 𝜎 2 , entonces se puede usar la distribución t:

̅̅̅
𝑌1 −𝜇𝑖
𝑡= → Es una t con t(n-1) g.l
𝐶𝑀𝐸
√
𝑛

Luego para un 𝛼 dado se tiene:

̅𝑖 − 𝑡𝛼/2 √𝐶𝑀𝐸 < 𝜇𝑖 < 𝑌

P(𝑌 ̅𝑖 + 𝑡𝛼/2 √𝐶𝑀𝐸)=1-𝛼
𝑛 𝑛

A. Prueba de igualdad de varianzas:

Aun cuando la razón F que se obtiene del procedimiento del ANVA es insensible a las

alteraciones de las u posición de varianzas iguales para las t poblaciones normales de los

tratamientos en estudio con tamaños de muestra iguales, aun así, debemos tener la
precaución de realizar una prueba preliminar sobre la homogeneidad de varianzas, tal

prueba en realidad es aconsejable cuando los tamaños de muestra son diferentes; sin

embargo, si hay una duda razonable con respecto a la homogeneidad de varianzas

poblacionales, se debe realizar la prueba respectiva en cualquier caso:

𝐻0 : 𝜎 2 = 𝜎 2 =. … … . . = 𝜎 2

𝐻1 : 𝑁𝑜 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎𝑠 𝑠𝑜𝑛 𝑖𝑔𝑢𝑎𝑙𝑒𝑠

B. Prueba de igualdad de varianzas: prueba de bartlett

Esta prueba se basa en un estadígrafo cuya distribución muestral proporciona valores

críticos exactos, cuando los tamaños muestrales son iguales; sin embargo, con estos

valores también se pueden obtener valores críticos aproximados altamente precisos para

tamaños de muestra diferentes.

 C. Prueba de Cochran

COMPARACIONES MÚLTIPLES

Sí se rechaza Ho y se asume la alternativa como cierta, es decir que no todas las medias

son iguales, entonces surge la pregunta de que cuáles pares de medias son diferentes y

cuáles son iguales, en consecuencia se tendría que comparar todos los posibles pares. Si

existen tratamientos entonces habría t(t-1)/2 pares posibles. Para hacer una

simplificación de estas pruebas, existen varios procedimientos cuyo objetivo es

determinar cuáles son los pares de medias que son diferentes, de los cuales sólo se

presentarán algunos de los más conocidos e importantes.

PRUEBA DE LA DIFERENCIA SIGNIFICATIVA MÍNIMA

Fue publicada por Fisheren 1935, en su libro Diseños experimentales, este

procedimiento es una extensión de la prueba t para el caso de la comparación de 2

medias; este método se usa para muestras de igual tamaño y consiste en determinar la

diferencia significativa mínima (D.S.M), que viene a ser la diferencia mínima que

podría existir entre 2 medias demuestras significativamente diferentes; para derivar la

fórmula se utiliza el estadígrafo de la prueba t para probar la diferencia entre 2 medias

cuando las varianzas poblacionales son iguales:

PRUEBA DE TUKEY

Cuando se hace una prueba simple de comparación entre 2 medias, no existe mayores

problemas con la decisión de rechazar la Ho, pero cuando se realiza varias pruebas de

este tipo, existen serias dificultades con la Tasa de Error Experimento Juicio, es decir,
con la probabilidad de falso rechazo de al menos una hipótesis, que está dado por la

siguiente expresión:

Por consiguiente se recomienda tener en cuenta métodos que no agraven los resultados,

uno de esos métodos aparte de la Diferencia Significativa Mínima (DSM), es la

PRUEBA DE LA DIFERENCIA SIGNIFICATIVA HONESTA DE JOHN WILDER

TUKEY (DSHT), esta prueba se usa al igual que la DSM, después de que se haya

rechazado la Ho del ANVA y cuando los tamaños muestrales son iguales, pero en este

caso se emplea el valor 𝑞∝.𝑡 , con los grados de libertad del CME del ANVA en lugar de

𝑡∝/2 , el valor q se obtiene de la tabla correspondiente con un 𝛼 determinado para los t

tratamientos en estudio y los grados de libertad del CME como ya se dijo.

PRUEBA DE DUNCAN

Se le llama también, Prueba de Rango Múltiple de David B. Duncan, o intervalos

múltiples de Duncan, este es otra prueba para determinar la diferencia entre pares de
medias después de que se haya rechazado la hipótesis nula en el ANVA. Este

procedimiento también se basa en la noción general del Rango Studentizado, el rango de

cualquier subconjunto de t medias muestrales debe exceder cierto valor antes de que se

encuentre que cualquiera de las t medias sea diferente, este valor se llama Rango de

Menor Significancia para las t medias y se le denota por Rt, cuya expresión es el

siguiente:

Los valores de 𝑟𝑡 cuya denominación es la de rango studentizado de menor

significancia, depende del α que se desea y el número de grados de libertad corresponde

a los grados de libertad del CME del ANVA respectiva, el valor se obtiene de la tabla

correspondiente. Cuando los tamaños muéstrales son diferentes, se recomienda

reemplazarlos por la media armónica de ellos:

𝑡
𝑛ℎ =
∑𝑡𝑖=1(1/𝑛𝑖 )

DISEÑO EN BLOQUES ALEATORIOS COMPLETOS

La desventaja de los Diseños Completamente Aleatorios es que no siempre se tienen

unidades elementales totalmente homogéneas, por lo que es necesario solucionar este

problema antes de planear un diseño experimental, una de las formas de solucionar este

problema es estratificar las unidades experimentales en grupos homogéneos llamados

bloques, por lo que el diseño a usar toma el nombre de bloques aleatorios.

El objetivo de este diseño es el de aislar y remover de la variación del error, la variación

atribuida a los bloques para asegurar que las medias de los tratamientos estén libres del

efecto de los bloques.

El procedimiento general para un diseño en bloques completamente aleatorios, consiste

en seleccionar “b” bloques y ejecutar una réplica completa del experimento en cada
bloque, por lo que debe haber t observaciones en cada bloque, uno por cada nivel del

factor en estudio y el orden en el cual estas observaciones se ejecutan se asignan al azar

dentro del bloque.

Cualquier factor que afecte la variable respuesta y que varíe entre u.e. aumentará la

varianza del error experimental y disminuirá la precisión de las comparaciones. Factores

como la edad y el peso de los animales, diferentes lotes de material, sexo de las

personas y parcelas alejadas son ejemplos de variables externas a los tratamientos o

factores de ruido que pueden incrementar la variación entre las observaciones de la

variable respuesta. Generalmente los criterios de bloqueo son:

•Proximidad (parcelas vecinas)

•Características físicas (edad, peso, sexo, etc.)

•Tiempo

•Manejo de las u.e. en el experimento. Entre otros.

El modelo lineal que se usa para este diseño es el siguiente:

𝑌𝑖𝑗 = 𝜇 + 𝛽𝑖 + 𝜏𝑗 + 𝜀𝑖𝑗

Dónde: i=1, 2, 3,…, b

J=1, 2,3,…, t

𝜇: Es el efecto medio verdadero.

𝛽𝑖 : Es el efecto verdadero del i-ésimo bloque.

𝜏𝑗 : Es el efecto verdadero del j-ésimo tratamiento.

𝜀𝑖𝑗 : Es el efecto verdadero de la unidad experimental en el i-ésimo bloque y sujeto al j-

ésimo tratamiento. Es una v.a. llamado error experimental, tiene DNI (0,𝜎 2 )
 APLICACIÓN

Se probaron 10 raciones respecto a sus diferencias en el engorde de cerdos, se dispuso

de 40 cerdos para la experimentación, pero por razones técnicas se distribuyeron en 4

grupos (bloques) de 10 cerdos cada uno, los grupos se formaron de acuerdo al peso, los

10 cerdos más pesados en el primer bloque, los siguientes 10 cerdos más pesados en

otro bloque y así sucesivamente; las 10 raciones (tratamientos) se asignaron al azar

dentro de cada bloque, tal como se indica en cuadro adjunto. Pruebe si las raciones

producen diferentes efectos en el engorde de los cerdos, con un α=0,05.

Los bloques que se formaron, se presenta en el siguiente cuadro y los resultados en el

cuadro subsiguiente.

CUADRO DE RESUMEN DEL INCREMENTO DE PESO EN KGS

Raciones
Total Media
Bloques A B C D E F G H I J
1 9 23 36 27 5 14 36 27 18 18 213 21.3
2 14 18 32 23 9 23 36 54 23 18 250 25
3 14 23 45 23 5 32 32 9 27 9 219 21.9
4 23 23 41 9 9 36 36 23 14 14 228 22.8
Total 60 87 154 82 28 105 140 113 82 59 910 ----
Media 15 21.8 39 21 7 26.3 35 28 20.5 15 ---- 22.75

Prueba de hipótesis

1. hipótesis estadística:

En consecuencia se probara la igualdad de los efectos de los tratamientos:

𝑯0 ∶ 𝜇1 = 𝜇2 = 𝜇3 =. . . = 𝜇𝑡 = 0

𝑯1 ∶ 𝜇𝑖 ≠ 0 para al menos un i.

2. 𝛼 = 0.05

3. Estadística F para tratamiento:

𝐵
𝐹 = 𝐸 ;[ (b-1),(b-1)(t-1)]

𝐹 = [(4−1),(4-1)(10-1)]

𝐹 = (3,27)

4. Región critica.
 R.A

𝛼 = 0.05
1 − 𝛼 = 0.95 R.R

𝐹(3,27)
𝐹𝑏 = 2.96035

5. Cálculos:

𝑇2
𝑀𝑦𝑦 = : 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑜 𝑓𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑐𝑖ó𝑛
𝑏𝑡

𝑇2 9102
𝑀𝑦𝑦 = = 4∗10 = 20702.5
𝑏𝑡

∑ 𝑦 2 = 𝑆𝐶𝑇 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒𝑙 𝑡𝑜𝑡𝑎𝑙

∑ 𝑦 2 = ∑ ∑ 𝑦 2 𝑖𝑗 = 25934

𝐵𝑦𝑦 = 𝑠𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑒𝑛𝑡𝑟𝑒 𝑏𝑙𝑜𝑞𝑢𝑒𝑠

𝛽𝑖2
𝐵𝑦𝑦 = ∑𝑏𝑖=1 − 𝑀𝑦𝑦
𝑡

2132 +2502 +2192 +2282

𝐵𝑦𝑦 = ( ) − 20702.5 = 78.9
10

𝑇𝑦𝑦 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑒𝑛𝑡𝑟𝑒 𝑡𝑟𝑎𝑛𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠

𝑇𝑖2
𝑇𝑦𝑦 = ∑𝑏𝑖=1 − 𝑀𝑦𝑦
𝑏

602 +872 +1544 +822 +282 +1052 +1402 +1132 +822 +592
𝑇𝑦𝑦 = ( ) − 20702.5 = 3295.5
4

𝐸𝑦𝑦 = 𝑆𝐶𝐸 = 𝑠𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒𝑙 𝑒𝑟𝑟𝑜𝑟

𝐸𝑦𝑦 = ∑ 𝑦 2 − 𝑀𝑦𝑦 − 𝐵𝑦𝑦 − 𝑇𝑦𝑦

𝐸𝑦𝑦 = 25934 − 70702.5 − 78.9 − 3295.5 = 1857.1

CUADRO DE ANVA

FUENTES GRADOS
SUMA DE CUADRADOS Fe(Efectos
DE DE
CUADRADOS MEDIOS Fijos)
VARIACION LIBERTAD
Media 1 𝑀𝑦𝑦 𝑀 = 𝑀𝑦𝑦/1 -----
 Bloques b-1 𝐵𝑦𝑦 𝐵 = 𝐵𝑦𝑦/(𝑏 − 1) B/E

Tratamiento t-1 𝑇𝑦𝑦 𝑇𝑟 = 𝑇𝑦𝑦/(𝑡 − 1) Tr/E

Error Exp. (b-1)(t-1) 𝐸𝑦𝑦 𝐸 = 𝐸𝑦𝑦/(𝑏 − 1)(𝑡 − 1) -----

Total bt ∑ 𝑦2 -------

FUENTES GRADOS
SUMA DE CUADRADOS Fe(Efectos
DE DE
CUADRADOS MEDIOS Fijos)
VARIACION LIBERTAD
Media 1 20702.5 ----

Bloques 3 78.9 26.3 0.38

Tratamiento 9 3295.5 366.17 5.32

Error Exp. 27 1857.1 68.80

Total 40 25934 -------

6. DECISION:

En el análisis de varianza podemos observar para el caso de estos tratamientos

los diferentes efectos de engorde, existen diferencias ya que la Fcal=5.32 es

mayor que el Ftab=2.96, con probabilidad de error menor de 0.05. lo cual nos

muestra que la hipótesis no se acepta (𝐹𝑡𝑎𝑏 ≤ 𝐹𝑐𝑎𝑙 )

1 − 𝛼 = 95% → 𝛼 = 5% , 𝑛 = 4

Prueba de Barlet

∑𝑡𝑖=1 𝑠𝑖2
𝑆𝑝2 = 𝑡

Raciones
Bloques A B C D E F G H I J
1 9 23 36 27 5 14 36 27 18 18
2 14 18 32 23 9 23 36 54 23 18
3 14 23 45 23 5 32 32 9 27 9
 4 23 23 41 9 9 36 36 23 14 14
Si2 34 6.25 32.33 62.33 5.33 96.25 4 354.25 32.33 18.25

645.32
𝑆𝑝2 = = 64.532
10

1/(𝑁−𝑡)
2 2 𝑛1 −1 2 )𝑛2 −1 2 )𝑛𝑡 −1
𝑆𝑏 = [(𝑠𝑖 ) 𝑥(𝑠2 𝑥 … 𝑥(𝑠𝑡 ]

𝑆𝑏 2 =

[(342 )3 𝑥(6.252 )3 𝑥(32.332 )3 𝑥(62.332 )3 𝑥(5.332 )3 𝑥(96.252 )3 𝑥(42 )3 𝑥(354.252 )3 𝑥(32.33)3 𝑥(18.252 )3 ]1/30

𝑆𝑏 2 = 712.41

𝑆𝑏 2
→ 𝑏 = 𝑆𝑝2

64.532
𝑏 = 712.41

𝑏 = 0.091

𝑏𝑡(𝛼, 𝑛) = 0.7737

Vemos:𝑏𝑡 > 𝑏 por lo tanto es se puede rechazar Ho es semejante (homoscedasticidad).

Prueba de COCRAN

𝐿𝑎 𝑚𝑎𝑦𝑜𝑟 𝑆𝑖2
𝑔=
∑ 𝑆𝑖 2
354.25
𝑔 = 645.32 = 0.548

t=9 y n=4

→ 𝑔(𝑥) = 0.403

0.403 < 0.548 Por lo tanto las varianzas son semejante (homoscedasticidad).