INSTITUTO TECNOLOGICO

SUPERIOR DE ALVARADO –
Campus Lerdo.

INGENIERÍA
INDUSTRIAL

Materia:
Mercadotecnia
.

Semestre - Grupo - Sistema:

6° Semestre - Grupo “A” – Semi-Escolarizado.
Producto Académico:
Investigacion Unidad 1

Presenta:
Oscar rodríguez Hernández.

Docente:
Ingrid Dianet

LERDO DE TEJADA, VER. FEB-JULIO. 2015

 Primera Unidad

1.1 El término "regresión" fue acuñado por Sir Francis Galton (1822-1911), primo
de Charles Darwin. Galton estudiaba la eugénica, término también introducido por sí
mismo para definir el estudio de la mejora de la raza humana a partir de los caracteres
hereditarios.

Galton estudió la altura de los hijos con relación a la altura de sus padres, y probó
que la altura de hijos altos “regresaba” hacia la media de la altura de la población a lo
largo de sucesivas generaciones. En otras palabras, hijos de padres extraordinariamente
altos tendían a ser en promedio más bajos que sus padres, e hijos de padres muy bajos
tendían a ser en promedio más altos que sus padres. En la actualidad, el término de
regresión se utiliza siempre que se busca predecir una variable en función de otra, y no
implica que se esté estudiando si se está produciendo una regresión a la media.
Anteriormente a Galton se debe mencionar a Legendre (1752-1833), quien introdujo el
método de los mínimos cuadrados utilizándolos para definir la longitud de 1 metro como
una diez millonésima parte del arco meridional. Con posterioridad a Galton, las
propiedades de las técnicas de regresión fueron estudiadas por Edgeworth, Pearson y
Yule.

La técnica de regresión lineal simple está indicada cuando se pretende explicar una
variable respuesta cuantitativa en función de una variable explicativa cuantitativa también
llamada variable independiente, variable regresora o variable predictora. Por ejemplo, se
podría intentar explicar el peso en función de la altura. El modelo intentaría aproximar la
variable respuesta mediante una función lineal de la variable explicativa.

Las suposiciones que se realizan al aplicar las técnicas de regresión lineal son:
-El modelo propuesto es lineal (es decir existe relación entre la variable explicativa y la
variable explicada, y esta relación es lineal). Es decir se asume que:

var.respuesta0var. explicativa1β

Siendo 0el término independiente (constante o ”intercept”), 1el coeficiente de

regresión de la variable explicativa (pendiente o “slope”) y es una variable aleatoria
que se llama error residual.

-La variable explicativa se ha medido sin error.

-El valor esperado de del modelo es cero.
-La varianza de (y por lo tanto de la variable respuesta) es constante.
-Los son independientes entre sí.
-Si se desean realizar contrastes de hipótesis sobre los parámetros (coeficientes) o sobre
el modelo, también es necesario que la distribución de sea normal.

Para estudiar la validez del modelo es necesario confirmar estas hipótesis mediante el
estudio de los residuos (valores observados - valores predichos): normalidad, tendencias,
etc. Cuando no se cumplen los criterios de aplicación es necesario realizar
transformaciones a las variables, o bien para obtener una relación lineal o bien para
homogeneizar la varianza.

Regresión lineal simple.  Tiene como objeto estudiar cómo los cambios en una variable, no
aleatoria, afectan a una variable aleatoria, en el caso de existir una relación funcional
entre ambas variables que puede ser establecida por una expresión lineal, es decir,  su
representación gráfica es una línea recta.  Cuando la relación lineal concierne al valor
medio o esperado de la variable aleatoria, estamos ante un modelo de regresión lineal
simple. La respuesta aleatoria al valor x de la variable controlada se designa por Yx y,
según lo establecido, se tendrá 

De manera equivalente, otra  formulación del modelo de regresión lineal simple sería:  si xi
es un valor de la variable predictora e Yi la variable respuesta que le corresponde,
entonces 

Ei es el error o desviación aleatoria de Yi .   

Definición VALOR MEDIO.  Constante que representa el centro de gravedad de la ley de
probabilidad de una variable aleatoria y que, en casos de notable simetría en la función de
densidad, puede interpretarse que dicha constante nos señala la zona donde se sitúan los
valores de máxima probabilidad de la variable aleatoria.

El valor medio o valor esperado de una variable aleatoria X se define como  

 siempre que dicho valor exista, donde f es la función de densidad de la variable.
Estimación de parámetros.
En un grupo de 8 pacientes se miden las cantidades antropométricas peso y edad,
obteniéndose los siguientes resultados:
  Resultado de las mediciones
edad 12 8 10 11 7 7 10 14
peso 58 42 51 54 40 39 49 56

¿Existe una relación lineal importante entre ambas variables? Calcular la recta de
regresión de la edad en función del peso y la del peso en función de la edad. Calcular la
bondad del ajuste ¿En qué medida, por término medio, varía el peso cada año? ¿En
cuánto aumenta la edad por cada kilo de peso?

Solución:

Para saber si existe una relación lineal entre ambas variables se calcula el coeficiente de
correlación lineal, que vale:

ya que
Por tanto el ajuste lineal es muy bueno. Se puede decir que el ángulo entre el vector
formado por las desviaciones del peso con respecto a su valor medio y el de la edad con

respecto a su valor medio, , es:

es decir, entre esos vectores hay un buen grado de paralelismo (sólo unos 19 grados de
desviación).

La recta de regresión del peso en función de la edad es

La recta de regresión de la edad como función del peso es

que como se puede comprobar, no resulta de despejar en la recta de regresión de Y sobre

X.

La bondad del ajuste es

por tanto podemos decir que el de la variabilidad del peso en función de la edad
es explicada mediante la recta de regresión correspondiente. Lo mismo podemos decir en
cuanto a la variabilidad de la edad en función del peso. Del mismo modo puede decirse

que hay un de varianza que no es explicada por las rectas de

regresión. Por tanto la varianza residual de la regresión del peso en función de la edad es

y la de la edad en función del peso:

Por último la cantidad en que varía el peso de un paciente cada año es, según la recta de
regresión del peso en función de la edad, la pendiente de esta recta, es decir, b1=2,8367
Kg/año. Cuando dos personas difieren en peso, en promedio la diferencia de edad entre
ambas se rige por la cantidad b2=0,3136 años/Kg de diferencia.

1.1.1
1.1.2. Calidad del Ajuste en Regresión Lineal Simple.
1.1.3. Estimación y Predicción por Intervalo en regresión lineal simple.
Medición de la adecuación del modelo de regresión.
- Análisis residual
1.1.4. Uso de un software estadístico.
1.2. Regresión Lineal Múltiple.
1.2.1. Pruebas de Hipótesis en Regresión Lineal Múltiple.
1.2.2. Intervalos de Confianza y Predicción en regresión múltiple.
1.2.3. Uso de un software estadístico.
1.3. Regresión no lineal

Ejemplo de regresión no lineal

En estadística, la regresión no lineal es un problema de inferencia para un modelo tipo:

y = f(x, θ) + ε

Basado en datos multidimensionales x, θ, donde f es alguna función no lineal respecto a

algunos parámetros desconocidos θ. Como mínimo, se pretende obtener los valores de los
parámetros asociados con la mejor curva de ajuste (habitualmente, con el método de los
mínimos cuadrados). Con el fin de determinar si el modelo es adecuado, puede ser
necesario utilizar conceptos de inferencia estadística tales como intervalos de confianz a
para los parámetros así como pruebas de bondad de ajuste.

El objetivo de la regresión no lineal se puede clarificar al considerar el caso de la regresión

polinomial, la cual es mejor no tratar como un caso de regresión no lineal. Cuando la
función f toma la forma:

f(x) = ax2 + bx + c

la función f es no lineal en función de x pero lineal en función de los parámetros

desconocidos a, b, y c. Este es el sentido del término "lineal" en el contexto de la regresión
estadística. Los procedimientos computacionales para la regresión polinomial son
procedimientos de regresión lineal (múltiple), en este caso con dos variables predictoras x
y x2. Sin embargo, en ocasiones se sugiere que la regresión no lineal es necesaria para
ajustar polinomios. Las consecuencias prácticas de esta mala interpretación conducen a
que un procedimiento de optimización no lineal sea usado cuando en realidad hay una
solución disponible en términos de regresión lineal. Paquetes (software) estadísticos
consideran, por lo general, más alternativas de regresión lineal que de regresión no lineal
en sus procedimientos.
Métodos Numéricos para Regresiones No Lineales

Regresión Exponencial

En determinados experimentos, en su mayoría biológicos, la dependencia entre las

variables X e Y es de forma exponencial, en cuyo caso interesa ajustar a la nube de puntos
una función del tipo:

Mediante una transformación lineal, tomando logaritmos neperianos, se convierte el

problema en una cuestión de regresión lineal. Es decir, tomando logaritmos neperianos:

ln( y )−b x=ln(a)

[ ln( y)−b x ]
a=e

Ejemplo

x y In y x2 x Iny In y2
1 3 1,0986 1 1,0986 1,2069
1,2 3,4 1,2237 1,44 1,4684 1,4974
1,5 5 1,6094 2,25 2,4141 2,5901
2 2 0,6931 4 1,3862 0,4803
3 4,1 1,4109 9 4,2327 1,9906
3,7 5 1,6094 13,69 5,9547 2,5901
4 7 1,9459 16 7,7836 3,7865
4,5 6,5 1,8718 20,25 8,4231 3,5056
Σ 20,9 Σ 36 Σ 11,4628 Σ 67,63 Σ 32,7614 Σ 17,6455
Numero de datos = n = 8

x=
∑x
x promedio = = = 2,6125 n
 ln( y )=
∑ ln( y )
y promedio = = = 1,43285 n

Usando la forma lineal de la Regresión Exponencial:

b=
∑ [ x ln( y )]−ln( y )∑ x
∑ x 2−x ∑ x

b= = = 0,216047

= 1,43285 - (0,216047)(2,6125) = 0,868427

a=e[ ln( y)−b x ]

a = eb = e0,216047 = 2,38316

La ecuación final que modela el sistema es

^y =2 .38316 e 0 .2166047 x

Regresión Logarítmica

La curva logarítmica es también una recta, pero en lugar de estar

referida a las variables originales e , está referida a ya

Ejemplo
 x y ln x ln x2 ln x * y y2
1 3 0 0 0 9
1.2 3.4 0.1823 0.0332 0.6198 11.56
1.5 5 0.4054 0.1643 2.027 25
2 2 0.6931 0.4803 1.3862 4
3 4.1 1.0986 1.2069 4.5042 16.81
3.7 5 1.3083 1.7116 6.5415 25
4 7 1.3862 1.9215 9.7034 49
4.5 6.5 1.5040 2.2620 9.776 42.25
Σ 20.9 Σ 36 Σ 6.5779 Σ 7.7798 Σ 34.5581 Σ 182.62

n=8

y=
∑ y =36 =4 .5
n 8

ln( x)=
∑ ln( x ) = 6 .5779 =0 . 8222
n 8

a=
∑ y ln( x)− y ∑ ln( x ) =34 . 5581−4 . 5(6 . 5779) =2 .090513
∑ ln x 2−ln(x )∑ ln( x) 7 . 7798−0.8222(6. 5779)

a= = = 2.090513

b= y−a ln( x)=4.5−(2.090513)(0.8222)=2.78117

b= = 4.5 - (2.090513)(0.8222) = 2.78117

La ecuación final que modela el sistema es

Regresión Polinomial
Algunas veces cuando la relación entre las variables dependientes e independientes es no
lineal, es útil incluir términos polinomiales para ayudar a explicar la variación de nuestra
variable dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con varios
términos

Ejemplo
x y xy x2 y2 x2 y x3 x4
1 3 3 1 9 3 1 1
1.2 3.4 4.08 1.44 11.56 4.896 1.728 2.0736
1.5 5 7.5 2.25 25 11.25 3.375 5.0625
2 2 4 4 4 8 8 16
3 4.1 12.3 9 16.81 36.9 27 81
3.7 5 18.5 13.69 25 68.45 50.653 187.4161
4 7 28 16 49 112 64 256
4.5 6.5 29.25 20.25 42.25 131.625 91.125 410.0625
Σ 20.9 Σ 36 Σ 106.63 Σ 67.63 Σ 182.62 Σ 376.121 Σ 246.881 Σ 958.6147
Usando una Matriz para calcular valores de los coeficientes

Usando el método de Eliminación de Gauss-Jordan

La ecuación final que modela el sistema es

Linealización
Algunos problemas de regresión no lineal pueden linealizarse mediante una
transformación en la formulación del modelo.

INSTITUTO TECNOLOGICO
SUPERIOR DE ALVARADO –
Campus Lerdo.

INGENIERÍA
INDUSTRIAL

Materia:
Mercadotecnia
 Semestre - Grupo - Sistema:
6° Semestre - Grupo “A” – Semi-Escolarizado.

Producto Académico:
Investigacion de la segunda unidad

Presenta:
Oscar rodríguez Hernández.

Docente:
Ingrid Dianet

LERDO DE TEJADA, VER. FEB-JULIO. 2015

2.1. Familia Diseños para comparar tratamientos

Se llaman Experimentos Factoriales a aquellos experimentos en los que se estudia

simultáneamente dos o más factores, y donde los tratamientos se forman por la
combinación de los diferentes niveles de cada uno de los factores.

Los experimentos factoriales en si no constituyen un diseño experimental si no que ellos

deben ser llevados en cualquiera de los diseños tal como D.C.A. ; D.B.C.A.; D.C.L.

Los experimentos factoriales se emplean en todos los campos de la investigación, son muy
utiles en investigaciones exploratorias en las que poco se sabe acerca de muchos factores.

VENTAJAS:

1.- Permite estudiar los efectos principales, efectos de interacción de factores, efectos
simples y efectos cruzados.

2.- Todas las unidades experimentales intervienen en la determinación de los efectos

principales y de los efectos de interacción de los factores, por lo que el número de
repeticiones es elevado para estos casos.

3.- El número de grados de libertad para el error experimental es alto, comparándolo con
los grados de libertad de los experimentos simples de los mismos factores, lo que
contribuye a disminuir la variancia del error experimental, aumentando por este motivo la
precisión del experimento.

DESVENTAJA:

1.- Se requiere un mayor número de unidades experimentales que los experimentos

simples y por lo tanto se tendrá un mayor costo y trabajo en la ejecución del experimento.
2.- Como en los experimentos factoriales c/u de los niveles de un factor se combinan con
los niveles de los otros factores; a fin de que exista un balance en el análisis estadístíco se
tendrá que algunas de las combinaciones no tiene interés práctico pero deben incluirse
para mantener el balance.

3.- El análisis estadistíco es más complicado que en los experimentos simples y la

interpretación de los resultados se hace más dificil a medida de que aumenta el número
de factores y niveles por factor en el experimento.

CONCEPTOS GENERALES:

FACTOR.- Es un conjunto de tratamientos de una misma clase o característica. Ejemplo:

tipos de riego, dosis de fertilización, variedades de cultivo, manejo de crianzas, etc.

FACTORIAL.- Es una combinación de factores para formar tratamientos.

NIVELES DE UN FACTOR.- Son los diferentes tratamientos que pertenecen a un

determinado factor. Se acostumbra simbolizar algún elemento "i" por la letra minuscula
que representa al factor y el valor del respectivo subindice.

Ejemplo:

A: Tipos de riego: Secano Goteo Aspersión

Niveles: a0 a1 a2

TIPOS DE FACTORES:

1.- Factores Cuantitativos.

2.- Factores Cualitativos.

1.- FACTORES CUANTITATIVOS.- Son aquellos factores cuyos niveles son cantidades
numéricas.

Ejemplo:
Factor A : Dosis de fertilización

Niveles : 10 Kg/Ha (ao), 20Kg/Ha (a1), 30Kg/Ha (a2).

2.- FACTORES CUALITATIVOS.- Son aquellos factores cuyos niveles son procedimientos o
cualidades.

Ejemplo:

Factor A: Variedades de cultivo

Niveles : Variedad 1, Variedad 2.

Ejemplo de formación de factoriales:

Sea los factores A y B con sus respectivos niveles:

Factor A: a0 a1 a2

Factor B: b0 b1

La combinación de los niveles de los factores será:

      a0                 a1                 a2

   b0   b1         b0   b1          b0   b1

a0 b0     a0 b1     a1 b0     a1 b1      a2b0     a2 b1 } tratamientos

Al combinar ambos factores (A y B) se tiene:

3 x 2 = 6 tratamientos para ser evaluados

niveles de A  x  niveles de B

Si cada tratamiento se aplica a 4 unidades experimentales, se requiere 24 unidades

experimentales, para realizar el experimento:

Repeticiones a0 b 0 a0 b 1 a1 b0 a1 b1 a1b0 a2 b1
1            
 2            
3            
4            

FORMACION DE FACTORIALES:

En la información de factoriales, se debe tener presente lo siguiente:

1.- Que factores deben incluirse.

2.- Que factores son fijos (modelo I) y que factores son al azar (modelo II).

3.- Cuantos niveles se tiene por factor.

4.- Si son factores cuantitativos , cual debe ser el espaciamiento entre los niveles del
factor.

Por ejemplo:

0%, 5% y 10% de nitrógeno, significa igual espaciamiento.

TIPOS DE EXPERIMENTOS FACTORIALES:

Los experimentos factoriales para un determinado diseño se diferencian entre si, por el
número de factores y por la cantidad de niveles de estos factores que intervienen en el
experimento.

Para simbolizar se usa la letra del factor:

pA x qB dos factores "A y "B", con "p" niveles para "A" y "q" niveles para "B"
Número de factores.
  

2A 2B = 2A x 2B 2 x 2 22 Número de niveles de c/factor (4 tratamientos).

Número de factores.
3A 3B = 3A x 3B 3 x 3 32  Número de niveles ( 9 tratamientos ).
Número de factores.

4A 4B = 4A x 4B  4 x 4  42  Número de niveles ( l6 tratamientos ).

EFECTOS DE LOS EXPERIMENTOS FACTORIALES:

1.- EFECTO PRINCIPAL.- Es una medida del cambio en el promedio entre los niveles de un
factor, promediado sobre los diferentes niveles del otro factor. Ejemplo: Dosis de
Nitrogeno en las U.E.

2.- EFECTO INTERACCION.- Es una medida de cambio que expresa el efecto adicional
resultante de la influencia combinada de dos o más factores.

Ejemplo: Efecto conjunto de nitrógeno y fosforo.

3.- EFECTO SIMPLE.- Es una medida de cambio en los promedios de los niveles de un
factor, manteniendo constante, uno de los niveles del otro factor.

Ejemplo: Efecto de nitrogeno ante la presencia de 5% de fosforo.

2.2. El modelo de efectos fijos.

Análisis de la varianza

En estadística, el análisis de la varianza (ANOVA, ANalysis Of VAriance, según terminología

inglesa) es una colección de modelos estadísticos y sus procedimientos asociados, en el
cual la varianza está particionada en ciertos componentes debidos a diferentes variables
explicativas.
Las técnicas iniciales del análisis de varianza fueron desarrolladas por el estadístico y
genetista R. A. Fisher en los años 1920 y 1930 y es algunas veces conocido como "Anova
de Fisher" o "análisis de varianza de Fisher", debido al uso de la distribución F de Fisher
como parte del contraste de hipótesis.
El análisis de la varianza parte de los conceptos de regresión lineal.
El primer concepto fundamental es que todo valor observado puede expresarse mediante
la siguiente función:

Donde Y sería el valor observado (variable dependiente), y X el valor que toma la variable
independiente.
sería una constante que en la recta de regresión equivale a la ordenada en el origen,
es otra constante que equivale a la pendiente de la recta, y es una variable aleatoria
que añade a la función cierto error que desvía la puntuación observada de la puntuación
pronosticada.
Por tanto, a la función de pronóstico la podemos llamar "Y prima":

Podemos resumir que las puntuaciones observadas equivalen a las puntuaciones

esperadas, más el error aleatorio:
(1.1)
Sabiendo este concepto, podemos operar con esta ecuación de la siguiente forma:
1) Restamos a ambos lados de la ecuación (para mantener la igualdad) la media de la
variable dependiente:

2) Substituimos el error por la ecuación resultante de despejar la ecuación 1.1:

Por tanto...

Y reorganizando la ecuación:

Ahora hay que tener en cuenta que la media de las puntuaciones observadas es
exactamente igual que la media de las puntuaciones pronosticadas:

Por tanto:

Podemos ver que nos han quedado 3 puntuaciones diferenciales. Ahora las elevamos al
cuadrado para que posteriormente, al hacer el sumatorio, no se anulen:

Y desarrollamos el cuadrado:
Podemos ver que tenemos los numeradores de las varianzas, pero al no estar divididas
por el número de casos (n), las llamamos Sumas de Cuadrados., excepto en el último
término, que es una Suma Cruzada de Cuadrados (el numerador de la covarianza), y la
covarianza en este caso es cero (por las propiedades de la regresión lineal, la covarianza
entre el error y la variable independiente es cero).
Por tanto:

O lo mismo que:

de un factor, que es el caso más sencillo, la idea básica del análisis de la varianza es
comparar la variación total de un conjunto de muestras y descomponerla como:

Donde:
es un número real relacionado con la varianza, que mide la variación
debida al "factor", "tratamiento" o tipo de situación estudiado.
es un número real relacionado con la varianza, que mide la variación dentro
de cada "factor", "tratamiento" o tipo de situación.
En el caso de que la diferencia debida al factor o tratamiento no sean estadísticamente
significativa puede probarse que las varianzas muestrales son iguales:

Donde:
es el número de situaciones diferentes o valores del factor se están comparando.
es el número de mediciones en cada situación se hacen o número de valores
disponibles para cada valor del factor.
Así lo que un simple test a partir de la F de Snedecor puede decidir si el factor o
tratamiento es estadísticamente significativo.

Visión general
Existen tres clases conceptuales de estos modelos:

1. El Modelo de efectos fijos asume que los datos provienen de poblaciones normales
las cuales podrían diferir únicamente en sus medias. (Modelo 1)
2. El Modelo de efectos aleatorios asume que los datos describen una jerarquía de
diferentes poblaciones cuyas diferencias quedan restringidas por la jerarquía.
Ejemplo: El experimentador ha aprendido y ha considerado en el experimento sólo
 tres de muchos más métodos posibles, el método de enseñanza es un factor
aleatorio en el experimento. (Modelo 2)
3. El Modelo de efectos mixtos describen situaciones que éste puede tomar. Ejemplo:
Si el método de enseñanza es analizado como un factor que puede influir donde
están presentes ambos tipos de factores: fijos y aleatorios. (Modelo 3)

Supuestos previos
El ANOVA parte de algunos supuestos que han de cumplirse:

 La variable dependiente debe medirse al menos a nivel de intervalo.

 Independencia de las observaciones.
 La distribución de los residuales debe ser normal.
 Homocedasticidad: homogeneidad de las varianzas.

La técnica fundamental consiste en la separación de la suma de cuadrados (SS, 'sum of

squares') en componentes relativos a los factores contemplados en el modelo. Como
ejemplo, mostramos el modelo para un ANOVA simplificado con un tipo de factores en
diferentes niveles. (Si los niveles son cuantitativos y los efectos son lineales, puede
resultar apropiado un análisis de regresión lineal)

El número de grados de libertad (gl) puede separarse de forma similar y corresponde con
la forma en que la distribución chi-cuadrado (χ² o Ji-cuadrada) describe la suma de
cuadrados asociada.

Tipos de modelo

Modelo I: Efectos fijos

El modelo de efectos fijos de análisis de la varianza se aplica a situaciones en las que el
experimentador ha sometido al grupo o material analizado a varios factores, cada uno de
los cuales le afecta sólo a la media, permaneciendo la "variable respuesta" con una
distribución normal.
Este modelo se supone cuando el investigador se interesa únicamente por los niveles del
factor presentes en el experimento, por lo que cualquier variación observada en las
puntuaciones se deberá al error experimental.

Modelo II: Efectos aleatorios (componentes de varianza)

Los modelos de efectos aleatorios se usan para describir situaciones en que ocurren
diferencias incomparables en el material o grupo experimental. El ejemplo más simple es
el de estimar la media desconocida de una población compuesta de individuos diferentes
y en el que esas diferencias se mezclan con los errores del instrumento de medición.
Este modelo se supone cuando el investigador está interesado en una población de
niveles, teóricamente infinitos, del factor de estudio, de los que únicamente una muestra
al azar (t niveles) están presentes en el experimento.

Grados de libertad

Pruebas de significación
El análisis de varianza lleva a la realización de pruebas de significación estadística, usando
la denominada distribución F de Snedecor.

Tablas ANOVA
Una vez que se han calculado las sumas de cuadrados, las medias cuadráticas, los grados
de libertad y la F, se procede a elaborar una tabla que reuna la información, denominada
"Tabla de Análisis de varianza o ANOVA", que adopta la siguiente forma:

Fuente de Grados de
Suma de cuadrados Cuadrado medio F
variación libertad
Intergrupo t-1

Intragrupo o Error N-t

Total N-1

Concepto de modelo econométrico

La econometría, igual que la economía, tiene como objetivo explicar una variable en
función de otras. Esto implica que el punto de partida para el análisis econométrico es el
modelo económico y este se transformará en modelo econométrico cuando se han
añadido las especificaciones necesarias para su aplicación empírica. Es decir, cuando se
han definido las variables (endógenas, exógenas) que explican y determinan el modelo, los
parámetros estructurales que acompañan a las variables, las ecuaciones y su formulación
en forma matemática, la perturbación aleatoria que explica la parte no sistemática del
modelo, y los datos estadísticos.
A partir del modelo econométrico especificado, en una segunda etapa se procede a la
estimación, fase estadística que asigna valores numéricos a los parámetros de las
ecuaciones del modelo. Para ello se utilizan métodos estadísticos como pueden ser:
Mínimos cuadrados ordinarios, Máxima verosimilitud, Mínimos cuadrados bietápicos, etc.
Al recibir los parámetros el valor numérico definen el concepto de estructura que ha de
tener valor estable en el tiempo especificado.
La tercera etapa en la elaboración del modelo es la verificación y contrastación, donde se
someten los parámetros y la variable aleatoria a unos contrastes estadísticos para
cuantificar en términos probabilísticos la validez del modelo estimado.
La cuarta etapa consiste en la aplicación del modelo conforme al objetivo del mismo. En
general los modelos econométricos son útiles para:

1. Análisis estructural y entender como funciona la economía.

2. Predicción de los valores futuros de las variables económicas.
3. Simular con fines de planificación distintas posibilidades de las variables exógenas.
4. Simular con fines de control valores óptimos de variables instrumentales de
política económica y de empresa.

El método de mínimos cuadrados ordinarios (estimación MCO)

También se conoce como teoría de la regresión lineal, y estará más desarrollado en la
parte estadística de la enciclopedia. No obstante, aquí se dará un resumen general sobre
la aplicación del método de mínimos cuadrados.
Se parte de representar las relaciones entre una variable económica endógena y una o
más variables exógenas de forma lineal, de la siguiente manera:

"Y" es la variable endógena, cuyo valor es determinado por las exógenas, hasta .
Cuales son las variables elegidas depende de la teoría económica que se tenga en mente,
y también de análisis estadísticos y económicos previos. El objetivo buscado sería obtener
los valores de los parámetros desde hasta . A menudo este modelo se suele
completar añadiendo un término más a la suma, llamado término independiente, que es
un parámetro más a buscar. Así:
.
En el que es una constante, que también hay que averiguar. A veces resulta útil, por
motivos estadísticos, suponer que siempre hay una constante en el modelo, y contrastar
la hipótesis de si es distinta, o no, de cero para reescribirlo de acuerdo con ello.
Además, se supone que esta relación no es del todo determinista, esto es, existirá siempre
un cierto grado de error aleatorio (en realidad, se entiende que encubre a todas aquellas
variables y factores que no se hayan podido incluir en el modelo) que se suele representar
añadiendo a la suma una letra representa una variable aleatoria.Así:

Se suele suponer que es una variable aleatoria normal, con media cero y varianza
constante en todas las muestras (aunque sea desconocida).
Se toma una muestra estadística, que corresponda a observaciones de los valores que
hayan tomado esas variables en distintos momentos del tiempo (o, dependiendo del tipo
de modelo, los valores que hayan tomado en distintas áreas o zonas o agentes
económicos a considerar).
Por ejemplo, en un determinado modelo podemos estar interesados en averiguar como la
renta ha dependido de los niveles de precios, de empleo y de tipos de interés a lo largo de
los años en cierto país, mientras que en otro podemos estar interesados en ver como, a lo
largo de un mismo año, ha dependido la renta de distintos países de esas mismas
variables. Por lo que tendríamos que observar, en el primer caso, la renta, niveles de
empleo, precios y tipos de interés del año 1, lo mismo, pero del año 2, etcétera, para
obtener la muestra a lo largo de varios años, mientras que en el segundo caso tendríamos
que tener en cuenta los valores de cada uno de los países para obtener la muestra. Cada
una de esas observaciones para cada año, o país, se llamaría observación muestral.
Nótese que aún se podría hacer un análisis más ambicioso teniendo en cuenta país y año.
Una vez tomada la muestra, se aplica un método, que tiene su justificación matemática y
estadística, llamado método de mínimos cuadrados. Este consiste en, básicamente,
minimizar la suma de los errores (elevados al cuadrado) que se tendrían, suponiendo
distintos valores posibles para los parámetros, al estimar los valores de la variable
endógena a partir de los de las variables exógenas en cada una de las observaciones
muestrales, usando el modelo propuesto, y comparar esos valores con los que realmente
tomó la variable endógena. Los parámetros que lograran ese mínimo, el de las suma de los
errores cuadráticos, se acepta que son los que estamos buscando, de acuerdo con
criterios estadísticos.
También, este método nos proporcionará información (en forma de ciertos valores
estadísticos adicionales, que se obtienen además de los parámetros) para ver en qué
medida los valores de los parámetros que hemos obtenido resultan fiables, por ejemplo,
para hacer contrastes de hipótesis, esto es, ver si ciertas suposiciones que se habían
hecho acerca del modelo resultan, o no, ciertas. Se puede usar también esta información
adicional para comprobar si se pueden prescindir de algunas de esas variables, para ver si
es posible que los valores de los parámetros hayan cambiado con el tiempo (o si los
valores de los parámetros son diferentes en una zona económica de los de otra, por
ejemplo), o para ver en qué grado son válidas predicciones acerca del futuro valor de la
variable endógena si se supone que las variables exógenas adoptarán nuevos valores.

2.2. El modelo de efectos fijos.

Análisis de la varianza

En estadística, el análisis de la varianza (ANOVA, ANalysis Of VAriance, según terminología

inglesa) es una colección de modelos estadísticos y sus procedimientos asociados, en el
cual la varianza está particionada en ciertos componentes debidos a diferentes variables
explicativas.
Las técnicas iniciales del análisis de varianza fueron desarrolladas por el estadístico y
genetista R. A. Fisher en los años 1920 y 1930 y es algunas veces conocido como "Anova
de Fisher" o "análisis de varianza de Fisher", debido al uso de la distribución F de Fisher
como parte del contraste de hipótesis.

El análisis de la varianza parte de los conceptos de regresión lineal.

El primer concepto fundamental es que todo valor observado puede expresarse mediante
la siguiente función:

Donde Y sería el valor observado (variable dependiente), y X el valor que toma la variable
independiente.
sería una constante que en la recta de regresión equivale a la ordenada en el origen,
es otra constante que equivale a la pendiente de la recta, y es una variable aleatoria
que añade a la función cierto error que desvía la puntuación observada de la puntuación
pronosticada.
Por tanto, a la función de pronóstico la podemos llamar "Y prima":

Podemos resumir que las puntuaciones observadas equivalen a las puntuaciones

esperadas, más el error aleatorio:
(1.1)
Sabiendo este concepto, podemos operar con esta ecuación de la siguiente forma:
1) Restamos a ambos lados de la ecuación (para mantener la igualdad) la media de la
variable dependiente:

2) Substituimos el error por la ecuación resultante de despejar la ecuación 1.1:

Por tanto...

Y reorganizando la ecuación:

Ahora hay que tener en cuenta que la media de las puntuaciones observadas es
exactamente igual que la media de las puntuaciones pronosticadas:

Por tanto:
Podemos ver que nos han quedado 3 puntuaciones diferenciales. Ahora las elevamos al
cuadrado para que posteriormente, al hacer el sumatorio, no se anulen:

Y desarrollamos el cuadrado:

Podemos ver que tenemos los numeradores de las varianzas, pero al no estar divididas
por el número de casos (n), las llamamos Sumas de Cuadrados., excepto en el último
término, que es una Suma Cruzada de Cuadrados (el numerador de la covarianza), y la
covarianza en este caso es cero (por las propiedades de la regresión lineal, la covarianza
entre el error y la variable independiente es cero).
Por tanto:

O lo mismo que:

de un factor, que es el caso más sencillo, la idea básica del análisis de la varianza es
comparar la variación total de un conjunto de muestras y descomponerla como:

Donde:
es un número real relacionado con la varianza, que mide la variación
debida al "factor", "tratamiento" o tipo de situación estudiado.
es un número real relacionado con la varianza, que mide la variación dentro
de cada "factor", "tratamiento" o tipo de situación.
En el caso de que la diferencia debida al factor o tratamiento no sean estadísticamente
significativa puede probarse que las varianzas muestrales son iguales:

Donde:
es el número de situaciones diferentes o valores del factor se están comparando.
es el número de mediciones en cada situación se hacen o número de valores
disponibles para cada valor del factor.
Así lo que un simple test a partir de la F de Snedecor puede decidir si el factor o
tratamiento es estadísticamente significativo.

Visión general
Existen tres clases conceptuales de estos modelos:
 4. El Modelo de efectos fijos asume que los datos provienen de poblaciones normales
las cuales podrían diferir únicamente en sus medias. (Modelo 1)
5. El Modelo de efectos aleatorios asume que los datos describen una jerarquía de
diferentes poblaciones cuyas diferencias quedan restringidas por la jerarquía.
Ejemplo: El experimentador ha aprendido y ha considerado en el experimento sólo
tres de muchos más métodos posibles, el método de enseñanza es un factor
aleatorio en el experimento. (Modelo 2)
6. El Modelo de efectos mixtos describen situaciones que éste puede tomar. Ejemplo:
Si el método de enseñanza es analizado como un factor que puede influir donde
están presentes ambos tipos de factores: fijos y aleatorios. (Modelo 3)

Supuestos previos
El ANOVA parte de algunos supuestos que han de cumplirse:

 La variable dependiente debe medirse al menos a nivel de intervalo.

 Independencia de las observaciones.
 La distribución de los residuales debe ser normal.
 Homocedasticidad: homogeneidad de las varianzas.

La técnica fundamental consiste en la separación de la suma de cuadrados (SS, 'sum of

squares') en componentes relativos a los factores contemplados en el modelo. Como
ejemplo, mostramos el modelo para un ANOVA simplificado con un tipo de factores en
diferentes niveles. (Si los niveles son cuantitativos y los efectos son lineales, puede
resultar apropiado un análisis de regresión lineal)

El número de grados de libertad (gl) puede separarse de forma similar y corresponde con
la forma en que la distribución chi-cuadrado (χ² o Ji-cuadrada) describe la suma de
cuadrados asociada.

Tipos de modelo

Modelo I: Efectos fijos

El modelo de efectos fijos de análisis de la varianza se aplica a situaciones en las que el
experimentador ha sometido al grupo o material analizado a varios factores, cada uno de
los cuales le afecta sólo a la media, permaneciendo la "variable respuesta" con una
distribución normal.
Este modelo se supone cuando el investigador se interesa únicamente por los niveles del
factor presentes en el experimento, por lo que cualquier variación observada en las
puntuaciones se deberá al error experimental.
Modelo II: Efectos aleatorios (componentes de varianza)
Los modelos de efectos aleatorios se usan para describir situaciones en que ocurren
diferencias incomparables en el material o grupo experimental. El ejemplo más simple es
el de estimar la media desconocida de una población compuesta de individuos diferentes
y en el que esas diferencias se mezclan con los errores del instrumento de medición.
Este modelo se supone cuando el investigador está interesado en una población de
niveles, teóricamente infinitos, del factor de estudio, de los que únicamente una muestra
al azar (t niveles) están presentes en el experimento.

Grados de libertad

Pruebas de significación
El análisis de varianza lleva a la realización de pruebas de significación estadística, usando
la denominada distribución F de Snedecor.

Tablas ANOVA
Una vez que se han calculado las sumas de cuadrados, las medias cuadráticas, los grados
de libertad y la F, se procede a elaborar una tabla que reuna la información, denominada
"Tabla de Análisis de varianza o ANOVA", que adopta la siguiente forma:

Fuente de Grados de
Suma de cuadrados Cuadrado medio F
variación libertad
Intergrupo t-1

Intragrupo o Error N-t

Total N-1

Concepto de modelo econométrico

La econometría, igual que la economía, tiene como objetivo explicar una variable en
función de otras. Esto implica que el punto de partida para el análisis econométrico es el
modelo económico y este se transformará en modelo econométrico cuando se han
añadido las especificaciones necesarias para su aplicación empírica. Es decir, cuando se
han definido las variables (endógenas, exógenas) que explican y determinan el modelo, los
parámetros estructurales que acompañan a las variables, las ecuaciones y su formulación
en forma matemática, la perturbación aleatoria que explica la parte no sistemática del
modelo, y los datos estadísticos.
A partir del modelo econométrico especificado, en una segunda etapa se procede a la
estimación, fase estadística que asigna valores numéricos a los parámetros de las
ecuaciones del modelo. Para ello se utilizan métodos estadísticos como pueden ser:
Mínimos cuadrados ordinarios, Máxima verosimilitud, Mínimos cuadrados bietápicos, etc.
Al recibir los parámetros el valor numérico definen el concepto de estructura que ha de
tener valor estable en el tiempo especificado.
La tercera etapa en la elaboración del modelo es la verificación y contrastación, donde se
someten los parámetros y la variable aleatoria a unos contrastes estadísticos para
cuantificar en términos probabilísticos la validez del modelo estimado.
La cuarta etapa consiste en la aplicación del modelo conforme al objetivo del mismo. En
general los modelos econométricos son útiles para:

5. Análisis estructural y entender como funciona la economía.

6. Predicción de los valores futuros de las variables económicas.
7. Simular con fines de planificación distintas posibilidades de las variables exógenas.
8. Simular con fines de control valores óptimos de variables instrumentales de
política económica y de empresa.

El método de mínimos cuadrados ordinarios (estimación MCO)

También se conoce como teoría de la regresión lineal, y estará más desarrollado en la
parte estadística de la enciclopedia. No obstante, aquí se dará un resumen general sobre
la aplicación del método de mínimos cuadrados.
Se parte de representar las relaciones entre una variable económica endógena y una o
más variables exógenas de forma lineal, de la siguiente manera:

"Y" es la variable endógena, cuyo valor es determinado por las exógenas, hasta .
Cuales son las variables elegidas depende de la teoría económica que se tenga en mente,
y también de análisis estadísticos y económicos previos. El objetivo buscado sería obtener
los valores de los parámetros desde hasta . A menudo este modelo se suele
completar añadiendo un término más a la suma, llamado término independiente, que es
un parámetro más a buscar. Así:
.
En el que es una constante, que también hay que averiguar. A veces resulta útil, por
motivos estadísticos, suponer que siempre hay una constante en el modelo, y contrastar
la hipótesis de si es distinta, o no, de cero para reescribirlo de acuerdo con ello.
Además, se supone que esta relación no es del todo determinista, esto es, existirá siempre
un cierto grado de error aleatorio (en realidad, se entiende que encubre a todas aquellas
variables y factores que no se hayan podido incluir en el modelo) que se suele representar
añadiendo a la suma una letra representa una variable aleatoria.Así:

Se suele suponer que es una variable aleatoria normal, con media cero y varianza
constante en todas las muestras (aunque sea desconocida).
Se toma una muestra estadística, que corresponda a observaciones de los valores que
hayan tomado esas variables en distintos momentos del tiempo (o, dependiendo del tipo
de modelo, los valores que hayan tomado en distintas áreas o zonas o agentes
económicos a considerar).
Por ejemplo, en un determinado modelo podemos estar interesados en averiguar como la
renta ha dependido de los niveles de precios, de empleo y de tipos de interés a lo largo de
los años en cierto país, mientras que en otro podemos estar interesados en ver como, a lo
largo de un mismo año, ha dependido la renta de distintos países de esas mismas
variables. Por lo que tendríamos que observar, en el primer caso, la renta, niveles de
empleo, precios y tipos de interés del año 1, lo mismo, pero del año 2, etcétera, para
obtener la muestra a lo largo de varios años, mientras que en el segundo caso tendríamos
que tener en cuenta los valores de cada uno de los países para obtener la muestra. Cada
una de esas observaciones para cada año, o país, se llamaría observación muestral.
Nótese que aún se podría hacer un análisis más ambicioso teniendo en cuenta país y año.
Una vez tomada la muestra, se aplica un método, que tiene su justificación matemática y
estadística, llamado método de mínimos cuadrados. Este consiste en, básicamente,
minimizar la suma de los errores (elevados al cuadrado) que se tendrían, suponiendo
distintos valores posibles para los parámetros, al estimar los valores de la variable
endógena a partir de los de las variables exógenas en cada una de las observaciones
muestrales, usando el modelo propuesto, y comparar esos valores con los que realmente
tomó la variable endógena. Los parámetros que lograran ese mínimo, el de las suma de los
errores cuadráticos, se acepta que son los que estamos buscando, de acuerdo con
criterios estadísticos.
También, este método nos proporcionará información (en forma de ciertos valores
estadísticos adicionales, que se obtienen además de los parámetros) para ver en qué
medida los valores de los parámetros que hemos obtenido resultan fiables, por ejemplo,
para hacer contrastes de hipótesis, esto es, ver si ciertas suposiciones que se habían
hecho acerca del modelo resultan, o no, ciertas. Se puede usar también esta información
adicional para comprobar si se pueden prescindir de algunas de esas variables, para ver si
es posible que los valores de los parámetros hayan cambiado con el tiempo (o si los
valores de los parámetros son diferentes en una zona económica de los de otra, por
ejemplo), o para ver en qué grado son válidas predicciones acerca del futuro valor de la
variable endógena si se supone que las variables exógenas adoptarán nuevos valores.

2.4. Comparaciones o Pruebas de Rangos Múltiples

COMPARACIONES MÚLTIPLES

Con las pruebas F empleadas se demostraba si las diferencias entre varias medias
eran significativas, pero no informaban si una media en particular (o medias) difieren en
forma significativa de otra media considerada (o grupo de medias). En el caso de los pesos
de los recubrimientos puede ser importante que los laboratorios difieran unos de los
otros.
Si un experimentador tiene ante sí k medias, parece razonable probar entre todos
los pares posibles, esto es efectuar k.(k-1)/2 pruebas t bimuestrales. Esto no es eficiente.
Para ello se utilizan Pruebas de Comparaciones Múltiples, y entre ellas la Prueba del
Rango Múltiple de Duncan.
Las suposiciones básicas son, en esencia, las del análisis de la varianza en una
dimensión para tamaños muestrales iguales.
La prueba compara el Rango de Mínima Significancia, Rp, dado por:

Rp s  r p
x
aquí es una estimación de:


x n

y puede calcularse como:

MSE
s
x n

donde MSE es la media de los cuadrados de error en el Análisis de Varianza. El valor de r p

depende del valor deseado de significancia y del número de grados de Libertad
correspondiente a la MSE, que se obtienen de tablas existentes en la bibliografía (Miller y
Freund, “Estadística para Ingenieros”, tablas 12–a, para =0.05 y 12–b, para =0.01, con
p=2,3,…,10 y para varios grados de libertad entre 1 y 120).

Ejemplo: Con respecto a los datos de los pesos de los recubrimientos de estaño, aplicar la
prueba del Rango Múltiple de Duncan para probar cuáles medias de los laboratorios
difieren de las otras empleando un nivel de significancia de 0.05.

Para ello se ordenan, en orden creciente, las cuatro medias muestrales:

Laboratorio B C D A
Media 0.227 0.230 0.250 0.268

luego, se calcula usando MSE = 0.0015 del Análisis de Varianza:

0.0015
s 0.011
x 12
siendo el número de grados de libertad = k.(n-1) = 44. Por interpolación, en la Tabla 12-
a, se obtienen los valores de rp:

p 2 3 4
rp 2.85 3.00 3.09

multiplicando rp por = 0.011:

P 2 3 4
Rp 0.031 0.033 0.034

El rango de las cuatro medias es 0.268 – 0.227 = 0.041, que excede a R4 = 0.034,
que es el rango significativo mínimo.
Esto era de esperar, porque la prueba F indicó que las diferencias entre las cuatro
medias eran significativas con a = 0.05.
Para probar que hay diferencias significativas entre tres medias adyacentes, se
obtienen los rangos de 0.038 y 0.023 respectivamente para 0.230, 0.250, 0.268 y 0.227,
0.230, 0.250. Puesto que el primero de estos valores sobrepasa a R3 = 0.033, las
diferencias correspondientes no son significativas.
Por último en el caso de parejas adyacentes de medias, ningún par adyacente tiene
rango mayor que el rango significativo mínimo R2 = 0.031. Esto se resume:

donde se ha dibujado una línea bajo cualquier conjunto de medias adyacentes para las
cuales el rango es menor que un valor correspondiente de R p , esto es, bajo cualquier
conjunto de medias adyacentes, para las cuales las diferencias no son significativas.
Se concluye así que el Laboratorio A obtiene los pesos medios de recubrimiento
más alto que los Laboratorios B y C.

2.5. Verificación Supuestos del Modelo

Para estimar los parámetros , 1, 2, 3 y 4 se puede emplear mínimos cuadrados
minimizando:

k n

   yij     i 2
i 1 j 1
con respecto a  y a las i , sujetas a la restricción

Esto se puede hacer por el método de los Multiplicadores de Lagrange. Derivando

la penúltima expresión respecto de  e igualando a cero:

k n

  2  yij     i 0
i1 j 1
k n k n k n

  yij       i 0
i 1 j 1 i 1 j 1 i 1 j 1
k n

  yij  k n  0 0
i 1 j 1

para un i dado:
n n n n

 2  yij     i 0  i  yij   
j 1 j 1 j 1 j1

Ejemplo: Estimar los parámetros del modelo con un criterio de clasificación para los
revestimientos de estaño del ejemplo anterior.

11.69
 0.244
48
3.21 11.69 2.72 11.69
1  0.024 2  0.017
12 48 12 48
2.76 11.69 3.00 11.69
3  0.0135 4  0.006
12 48 12 48
2.5.1. Elección del Tamaño de Muestra

TAMAÑOS MUESTRALES DISTINTOS

El Análisis de Varianza descrito, se aplica a criterios de clasificación en que cada

muestra tiene el mismo número de observaciones. Si no es así, y los tamaños muestrales
son n1, n2, …, nk se tiene que sustituir N =  ni por n.k en todo lo anterior, quedando el
siguiente esquema de partida:

Medias
y11 y12 ……… y1j ….
Muestra 1
Muestra 2 y21 y22 ……… y2j …
………. … … ……… …… … …… ………
Muestra i yi1 yi2 ……… yij …
………. … … ……… …… … …… ………
Muestra k yk1 yk2 ……… ykj …

Se obtiene la varianza dentro de la muestra:

ni

 ij i

2 1  2
si  y  y
ni  1
j 1
y

la varianza de las k medias muestrales es:

con lo cual se determina:

 La varianza muestral de las N observaciones está dada por:

se puede demostrar que:

SST = SSE + SS(Tr)

Con:
ni
k k
 Ti 2  C
   yij 
2
SST C SS ( Tr)
ni
i1 j 1 i1
siendo:
2
 k ni   k 
1 
yij
C 
N    
Ti 
  yij

i  1 j  1  i  1 

Problema: El contenido de aflatoxina, en partes por millón, de algunas muestras de crema

de maní se prueba y se consiguen los siguientes resultados:

Total
Marca A 0.5 0.0 3.2 1.4 0.0 1.0 8.6 2.9 17.6
Marca B 4.7 6.2 0.0 10. 2.1 0.8 24.3
5
Total 41.9

a) Emplear Análisis de Varianza para probar si las dos marcas difieren en contenido de
aflatoxina, con un nivel de significancia a=0.05.
b) Probar la misma hipótesis usando la prueba t-bimuestral.

Respuesta:
a)
   
y1 2.2 y2 4.05 y. 2.2
8 6
SST   y1j  3 2
   y2j  3 2 146.25
j 1 j 1
2
SS ( Tr)   
ni  yi  3
2
 2
8  ( 2.2  3)  6  ( 4.05  3)
2
11.74
i 1
SSE = SST – SS(Tr) = 146.25 – 11.74 = 134.51

Fuentes de Grados Suma de Media Cuadrada F

Variación de Cuadrado
Libertad s
Tratamiento 1 11.74 11.74 1.05
s
Error 12 134.51 11.21
Total 13 146.25

Dado que 1.05 < 4.75 (valor de F, de Tablas, con =0.05,  =1 y =12) se rechaza la
Hipótesis de que las dos marcas difieren en el contenido de aflatoxina.

b) El estadístico para esta prueba es:

 x1  x2  

 
n1 n2  n1  n2  2
t 
n1  n2
 n1  1  s1 2   n2  1  s2 2
2 2
s1 8.15 s2 15.48
2.2  4.05 8 6 ( 8  6  2)
t  1.0234
( 8  1) 8.15  ( 6  1) 15.48 8 6

siendo t0.025= -2.18 con = n1 + n2 – 2 = 8 + 6 - 2=12 grados de libertad, se aprecia que t >
t0.025 por lo tanto se rechaza la Hipótesis de que las dos marcas difieren en el contenido de
aflatoxina.
Puede comprobarse que el estadístico t con grados de libertad y el estadístico F
con  grados de libertad están relacionados por:

F(1,t

lo se puede verificar para este caso:

2.6. Uso de un software estadístico
Ejemplo completo: