1.1.1.1.

Control por aleatoriedad:

Las pruebas para determinar la aleatoriedad le permiten identificar las causas especiales
de variación en su proceso.

Patrones en sus datos indican que la variación observada se debe a causas que se originan
fuera del sistema que se pueden corregir. Un patrón normal para un proceso bajo control
es uno de aleatoriedad. Si solo existen causas comunes de variación en su proceso, los
datos exhibirán un comportamiento aleatorio.

AVAR Este tipo de análisis podrá utilizarse, por ejemplo, para el análisis de los datos de un diseño
simple de grupos al azar. Esto es: para un diseño en el que se manipula una sola variable
independiente y se trabaja con más de un grupo. En la siguinete tabla se muestra la estructura de
la tabla de datos de partida para este tipo de AVAR. (Peña, 2004)

Chi cuadrado Es una prueba no paramétrica de comparación de proporciones para dos y más de
dos muestras independientes, debe cumplir las siguientes características:

•Los datos se ajustan a la distribución de chi cuadrada

•Nivel nominal de la variable dependiente

Su función es comparar dos o más de dos distribuciones de proporciones y determinar que la

diferencia no se deba al azar (que las diferencia sea estadísticamente significativa).

Esto se hace con el fin qué tan bien una muestra de datos categóricos se ajusta a una distribución
teórica y responder a la pregunta si las variables están relacionas entre sí (xlstat, 2017).
Para realizar este contraste se disponen los datos en una tabla de frecuencias. Para cada valor o
intervalo de valores se indica la frecuencia absoluta observada o empírica (Oi). A continuación, y
suponiendo que la hipótesis nula es cierta, se calculan para cada valor o intervalo de valores la
frecuencia absoluta que cabría esperar o frecuencia esperada (Ei=n·pi), donde n es el tamaño de la
muestra y pi la probabilidad del i-ésimo valor o intervalo de valores según la hipótesis nula). El
estadístico de prueba se basa en las diferencias entre la Oi y Ei y se define como:

Este estadístico tiene una distribución Chi-cuadrado con k-1 grados de libertad si n es
suficientemente grande, es decir, si todas las frecuencias esperadas son mayores que 5. En la
práctica se tolera un máximo del 20% de frecuencias inferiores a 5.

Si existe concordancia perfecta entre las frecuencias observadas y las esperadas el estadístico
tomará un valor igual a 0; por el contrario, si existe una gran discrepancias entre estas frecuencias
el estadístico tomará un valor grande y, en consecuencia, se rechazará la hipótesis nula. Así pues,
la región crítica estará situada en el extremo superior de la distribución Chi-cuadrado con k-1
grados de libertad.

U Mann Whitney: es una prueba no paramétrica que permite comparar dos muestras
independientes para determinar si las muestras pueden considerarse idénticas o no sobre la base
de sus rangos.

la prueba de Mann-Whitney se usa para comprobar la heterogeneidad de dos muestras ordinales.

El planteamiento de partida es:

 Las observaciones de ambos grupos son independientes

 Las observaciones son variables ordinales o continuas.
 Bajo la hipótesis nula, la distribución de partida de ambos grupos es la misma y,
 Bajo la hipótesis alternativa, los valores de una de las muestras tienden a exceder a los de
la otra: P(X > Y) + 0.05 P(X = Y) > 0.05

Para el cálculo el valor de denotara como u y su subíndice de define a cada tratamiento y se

aplica la siguiente formula

Donde:U1 y U2 = valores estadísticos de U Mann-Whitney.n1 = tamaño de la muestra del grupo

1.n2 = tamaño de la muestra del grupo 2. R1 = sumatoria de los rangos del grupo 1.R2 = sumatoria
de los rangos del grupo 2.
 Posteriormente se analiza con la tabla de pruebas para rechazar o aceptar la prueba.

2) Dos o más Variables independientes: cuando se tiene este caso lo que se hace en todos los casos es
un sumarle a la formula principal una variable mas que es de la variable extra que se está en el diseño
experimental.

A) diseño factorial al azar de dos niveles.

Es a que en el cual el investigador manipula dos o más variables independientes. En este diseño las
variables independientes han sido medidas en una escala nominal. En toda situación experimental en
la que se manejan como mínimo dos variables independientes en escala nominal. Se generan tantas
condiciones experimentales como pueden darse entre los mismo niveles de las dos variables (barrera,
2000)

DISEÑO FACTORIAL EN PARCELAS DIVIDIDAS

Es un diseño basado en el principio básico de las unidades experimentales, este modelo, estudio
dos o más factores simultáneamente, donde las parcelas grandes son las que aplican en un primer
procesa de azarización los niveles del primer factor (A). Estas parcelas grandes se subdividen, estas
subdivisiones o parcelas pequeñas se les aplica un segundo proceso de azarización, teniendo los
niveles de factor. Este diseño propio estudia la acción independiente de los factores y su
interacción entre sí. En estos dos procesos de azarización se evalúan los factores con diferente
grado de precisión, siguiendo la normal es el factor (B), establecidos en las subdivisiones, el que se
estudia con mayor precisión. Estos procesos generan dos tipos de errores, un error a de la parcela
mayor y un error b de las subdivisiones o parcelas menores. En estos diseños tanto los efectos del
factor que va en las subdivisiones como las interacciones entre ambos factores son estimados con
mayor precisión que los efectos del factor que va en las parcelas grandes, esto se debe al menor
número de repeticiones del factor que va en las parcelas y al mayor tamaño de las mismas, lo que
ocasiona un mayor Error en las parcelas grandes que en las parcelas pequeñas y estos errores son
distribuidos de acuerdo a las fuentes de variación. El diseño de las parcelas divididas puede
aplicarse en cualquier diseño experimental básico (completamente al azar, cuadrado latito o
bloques completamente al azar). Aquí, los tratamientos se saben por medio de la combinación de
los niveles de cada uno de los factores [ CITATION Hen06 \l 9226 ]

El modelo aplicado a un diseño completamente al azar se puede expresar de la siguiente manera:

X ijk =μ+α i +e ji + β k +¿

Representa la parcela mayor Representa la subparcela

μ :media
α :tratamientos de unidades mayores
e : error aleatoriode unidades mayores
β :tratamientos de las subdivisiones
αβ :interación entre trat . de parcelas mayore sy subdivisiones
δ : error aleatorio de subdiviones
En este modelo se supone una sola observación por subdivisión o parcela menor

Si se aplica el diseño de parcelas divididas a un diseño de bloques completamente al azar, se debe

incluir el efecto de los bloques (ρ). De esta forma se expresaría de la siguiente manera:

X bij=μ+ ρb +α i + ebi + β j +¿

Al igual que un diseño completamente al azar, se supone una sola observación. El bloque equivale
a las repeticiones que hay en el diseño experimental.

Si se emplea en un diseño en cuadrado latino, se debe aplicar el efecto de las hileras (γ) y de las
columnas (δ), Las repeticiones equivalen al número de hileras y de columnas. Se expresa de la
siguiente manera:

X ghij=μ+ γ g +δ h + α i +e ghi + β j +¿

Análisis

Si observamos los cuadros de análisis de varianza (ANAVA) tanto para un diseño en parcelas
divididas con estructura de parcelas completamente al azar como con estructura de parcelas en
bloques completamente al azar, podemos ver que ambos constan de dos partes, la primera parte
es para el estudio del factor que va en las parcelas y la segunda para el factor que va en las
subparcelas y para la interacción Tratamiento parcela vs Tratamiento subparcela. Como vemos
tenemos dos Errores distintos: el Error referente a las parcelas mayores E(a), y el Error
correspondiente a las parcelas pequeñas E(b). En general ocurre que el Cuadrado Medio del E(a)
es mayor que el Cuadrado Medio del E(b), por ello los efectos de los tratamientos mostrados en
las subparcelas son determinados con mayor precisión que los efectos de los tratamientos
mostrados en las parcelas. Para el caso del cuadrado latino se añaden las dos fuentes de variación
implicadas en el diseño, hileras (γ) y columnas (δ).
 Cuadro de ANAVA para un diseño en parcelas divididas completamente al azar

Los diseños en parcelas divididas refieren a la comparación múltiple de medias de Tratamientos

por las pruebas de Waller-Duncan, Scheffé, Newman-Keuls, Tukey. Estas pruebas, exceptuando la
de Scheffé, asignan rangos a medias de grupo y calculan un valor de rango.

La prueba de Waller-Duncan utiliza una aproximación bayesinana, emplea la media armónica del
tamaño muestral cuando los tamaños muestrales no son iguales [ CITATION Qui07 \l 9226 ]. En
este método para la comparación de medias, si las k muestras son de igual tamaño, los k
promedios se acomodan en orden ascendente y el error estándar de los promedios se estima con
SȲi. = √CME ln.

Si alguno o todos los tratamientos tienen tamaños diferentes, se reemplaza n por la media
armónica de las {ni}, que está dada por:
k
n AR = k

∑ n1
i =1 i

Nótese que cuando n1 = n2 =…= nk = n, ocurre que nAR = n. De la tabla de rangos significantes de
Duncan dada en el apéndice, se obtienen los valores críticos rα (p, l), p = 2, 3, …, k, donde α es el
nivel de significancia prefijado y l son los grados de libertad para el error. Con estos k – 1 valores
se obtienen los rangos de significancia mínima dados por Rp = rα (p,l) SȲi. ; p=2,3,…,k.
Las diferencias observadas entre las medias muestrales se comparan con los rangos Rp de la
siguiente manera: primero se compara la diferencia entre la media más grande y la más pequeña
con el rango Rk. Luego, la diferencia entre la media más grande y la segunda más pequeña se
compara con el rango Rk – 1. Estas comparaciones continúan hasta que la media mayor se haya
comparado con todas las demás. Enseguida, se compara la diferencia entre la segunda media más
grande y la media menor con el rango Rk – 1. Después, la diferencia entre la segunda media más
grande y la segunda más pequeña se compara con el valor de Rk – 2, y así sucesivamente hasta que
se comparan los k(k – 1)/2 pares de medias posibles con el rango que les corresponda. En las
comparaciones donde la diferencia observada es mayor que el rango respectivo, se concluye que
esas medias son significativamente diferentes. Si dos medias caen entre otras dos que no son muy
diferentes, entonces esas dos medias poblacionales también se consideran estadísticamente
iguales [ CITATION Hum08 \l 9226 ].

La prueba de Scheffé es normalmente más conservadora que las otras pruebas, lo que significa
que precisa una mayor diferencia entre las medias para la significación. El nivel se significación de
esta prueba está diseñado para permitir todas las combinaciones lineales posibles de las medias
de grupo que se van a contrastar, no solo las comparaciones por parejas disponibles en esta
función [ CITATION Qui07 \l 9226 ].

El método de Tukey consiste en comparar las diferencias entre medias muestrales con el valor
crítico dado por:
Tα = qα (K, N – k) √CME lni
Donde CME es el cuadrado medio del error, n es el número de observaciones por tratamiento, k es
el número de tratamientos, N – k es igual a los grados de libertad para el error, a es el nivel de
significancia prefijado y el estadístico qα(k, N – k) son puntos porcentuales de la distribución del
rango estudentizado, que se obtienen de la correspondiente tabla en el apéndice. Se declaran
significativamente diferentes los pares de medias cuya diferencia muestral en valor absoluto sea
mayor que Tα. El método de Tukey trabaja con un error a muy cercano al declarado por el
experimentador [ CITATION Hum08 \l 9226 ].

Bibliografía
Martín, Q. M., & Santana, Y. d. (2007). Tratamiento estadístico de datos con SPSS. En Q. M.
Martín, & Y. d. Santana, Tratamiento estadístico de datos con SPSS. Editorial Paraninfo.

Pedroza, H., & Dicovskyi, L. (2006). Sistema de Análisis Estadístico con SPSS. En H. Pedroza, & L.
Dicovskyi, Sistema de Análisis Estadístico con SPSS. Managua, Nicaragua.

Pulido, H. G., & Salazar, R. d. (2008). Análisis y diseño de experimentos. En H. G. Pulido, & R. d.
Salazar, Análisis y diseño de experimentos. México: McGRAW-HILL/INTERAMERICANA
EDITORES, S.A.

barrera, j. h. (2000). metodilogia de la investigacion olistica. caracas : fundacion sypal

xlstat. (20 de 10 de 2017). help.xlstat.com. Obtenido de

https://help.xlstat.com/customer/es/portal/articles/2062371-prueba-de-mann-whitney-tutorial-
en-excel

Peña, M. I. (2004). DISEÑOS DE INVESTIGACIÓN EN. Barcelona Departamento de Metodología de

las Ciencias del Comportamiento