Diseno Experimental

DISEÑO EXPERIMENTAL
Fernando Madera Martı́nez

Departamento de Matemáticas y Estadı́sticas
Universidad de Córdoba
20 de febrero de 2020
fermadera85@gmail.com DISEÑO EXPERIMENTAL 1 / 168

Tabla de contenido
1 Generalidades
Definiciones y conceptos básicos
Principios básicos en el diseño de experimentos
Etapas en el diseño de experimentos
2 Experimentos con un solo factor
Diseño completamente al azar (DCA)
Análisis de varianza
Intervalos de confianza para medias de tratamiento
Comparaciones o pruebas de rangos múltiples
Validación de supuestos del modelo
Diseño en bloques completos al azar (DBCA)
Diseño cuadrado latino (DCL)
3 Ejercicios

Introducción
Tabla de Contenido
1 Generalidades
3 Ejercicios

Introducción
Introducción
Los objetivos de una investigación se establecen sobre la base de pre-

guntas que han de responderse, hipótesis que han de probarse, y efectos
que han de estimarse.
Para responder a los objetivos de la investigación, el investigador usual-
mente debe realizar una serie de experimentos para confirmar o corro-
borar hipótesis dentro de la investigación. Cada uno de los experimen-
tos realizados conlleva a obtener nuevos conocimientos o confirmación
de resultados de experimentos previos.

Generalidades
Tabla de Contenido
1 Generalidades

Generalidades Definiciones y conceptos básicos
Tabla de Contenido
1 Generalidades


Diseño de experimentos
Consiste en realizar y planear un conjunto de pruebas con el objetivo de generar
datos que, al ser analizados estadı́sticamente, proporcionen evidencias objetivas
que permitan responder a las interrogantes planteadas por el experimentador sobre
determinada situación.
Ejemplos
Comparar dos materiales con el fin de elegir el mejor.
Comparar varios instrumentos de medición para verificar si trabajan con la
misma precisión y exactitud.
Reducir el tiempo de ciclo de un proceso.
Encontrar las condiciones de operación (temperatura, velocidad, humedad,
etc) en las que se reduscan los defectos o se logre un mejor desempeño del
proceso.

Experimento
Es un cambio en las condiciones de operación de un sistema o proceso,
que se hace con el objetivo de medir el efecto del cambio en una o
varias propiedades del producto o resultado.
Ejemplo
En un proceso quı́mico se pueden probar diferentes temperaturas y
presiones, y medir el cambio observado en el rendimiento del proceso.

Variable(s) de respuesta o dependiente(s)

A través de éstas variables se conoce el efecto o los resultados de cada
prueba experimental, por lo que pueden ser caracterı́sticas de la calidad
de un producto y/o variables que miden el desempeño de un proceso.
Generalmente se denotan con la letra y.
Por ejemplo, si un ingeniero de desarrollo de producto esta interesado

en maximizar la resistencia a la tensión de una nueva fibra sintética
para camisas, experimentando con diferentes porcentajes de algodón
presente en la fibra, entonces la variable respuesta es la resistencia a
la tensión


Factores controlables
Son variables de proceso o caracterı́sticas de los materiales experimentales que se
pueden fijar en un nivel dado. Se distinguen porque, para cada uno de ellos existe
un mecanismo para manipular su nivel de operación.
Ejemplos
Si en un proceso se usa agua a 60◦ C, entonces debe existir un mecanismo
que permita fijar la temperatura del agua dentro de un rango de operación.
En un estudio se desea investigar la textura de un yogurt cuando se usan
distintas concentraciones de fruta, entonces el factor (o caracterı́stica) objeto
de estudio es la concentración de fruta.
Se desea investigar como se mejora la calidad de las suelas de un cierto tipo
de calzado cuando se usan cuatro tipos distintos de cuero, entonces el factor
de estudio es el tipo de cuero.

Factores no controlables o de ruido

Son variables o caracterı́sticas de materiales y métodos que no se pue-
den controlar durante el experimento o la operación normal del proceso.
Por ejemplo, algunos factores que pueden ser no controlables son las
variables ambientales (luz, humedad, temperatura, partı́culas, ruido,
etc.), el estado de ánimo de los operadores, calidad del material que
se recibe del proveedor, desgaste de maquinaria, entre otros.

Factores estudiados
Son las variables que se investigan en el experimento para observar
cómo afectan a la variable respuesta. Para que un factor pueda ser
estudiado, es necesario que durante el experimento se haya probado
en, al menos, dos niveles o condiciones.


Niveles y tratamientos
Los diferentes valores que se asignan a cada factor estudiado en un diseño expe-
rimental se les llama niveles. Una combinación de niveles de todos los factores
estudiados se les llama tratamiento o punto de diseño.
Ejemplo
Si en un experimento se estudia la influencia de la velocidad y la temperatura, y se
decide probar cada una en dos niveles, entonces una combinación de niveles (ve-
locidad, temperatura) es un tratamiento.en este caso habrı́a cuatro tratamientos,
como se muestra en la siguiente tabla
Nivel de velocidad Nivel de temperatura Tratamiento y
1 1 1
2 1 2
1 2 3 ?
2 2 4

Unidad experimental
Una unidad experimental o parcela experimental es la pieza o muestra que se
utiliza para generar un valor que sea representativo del resultado del experimento.
En cada estudio experimental es necesario definirla de manera cuidadosa, la unidad
experimental puede ser una persona, una planta, un medio de cultivo, una bolsa,
un frasco, etc. Es decir, es donde se aplique un tratamiento
Ejemplo
Si se quiere investigar alternativas para redudir el porcentaje de piezas defectuosas,
en un proceso que produce muchas piezas en un lapso corto de tiempo, no serı́a muy
confiable que la unidad experimental fuera una sola pieza, en la cual se vea si bajo
cierta condición estaba defectuosao no. Aquı́, la unidad experimental será cierta
cantidad de piezas que se producen en las mismas condiciones experimentales, y
el valor se obtiene al analizar cuantas de ellas están defectuosas y cuantas no.

Error aleatorio
Es la variabilidad observada que no se puede explicar por los factores
estudiados; resulta del pequeño efecto de los factores no estudiados y
del error experimental
Error experimental
Componete del error aleatorio que refleja los errores del experimentador
en la planeación y ejecución del experimento.

Generalidades Principios básicos en el diseño de experimentos
Tabla de Contenido
1 Generalidades

Aleatorización
Consiste en hacer corridas experimentales en orden aleatorio y con
material también seleccionado aleatoriamente. la aleatorización de los
tratamientos a las unidades experimentales es esencial para obtener
conclusiones válidas en los resultados y asegura que se obtengan esti-
mativas válidas del error experimental.

Aleatorización
Consiste en hacer corridas experimentales en orden aleatorio y con
material también seleccionado aleatoriamente. la aleatorización de los
tratamientos a las unidades experimentales es esencial para obtener
conclusiones válidas en los resultados y asegura que se obtengan esti-
mativas válidas del error experimental.
Repetición
Es correr más de una vez un tratamiento o combinación de factores de
acuerdo con la aleatorización. Éstas permiten distinguir que parte de
la variabilidad total se debe al error aleatorio y cual a los factores.

Estadı́stica-Control local
El control del error experimental puede lograrse mediante la
escogencia del diseño experimental adecuado, es decir, por medio
de diseños como el de bloques completos aleatorizados (DBCA)
o cuadrados latinos (DCL) los cuales se estudiarán en breve.
El uso de observaciones concominantes (Covariables).
Una apropiada elección del tamaño de muestra y la forma de las
unidades experimentales.

Generalidades Etapas en el diseño de experimentos
Tabla de Contenido
1 Generalidades

Etapa 1: Planeación y realización

1) Entender y delimitar el problema u objeto de estudio
Se debe tener en claro lo que se va a estudiar, por qué es importante, y si
es un problema, cuál es la magnitud del mismo.
2) Elegir la(s) variable(s) de respuesta que se medirá qn cada punto del diseño
y verificar que se mida de manera confiable
Se deben elegir las variables que mejor reflejen el problema o que mejor
caractericen al objeto de estudio.
3) Determinar cuáles factores deben estudiarse, de acuerdo con la supuesta
influencia que tengan sobre la variable de respuesta
Utilizar toda la información disponible para incluir aquellos factores que se
considera que tienen un mayor efecto.

Etapa 1: Planeación y realización

4) Seleccionar los niveles de cada factor, asi como el diseño experimental
adecuado, y el objetivo del experimento.
Implica determinar cuantas repeticiones se harán para cada tratamiento,
tomando en cuenta en tiempo, costo y precisión deseada.
5) Planear y organizar el trabajo experimental
De acuerdo con el diseño seleccionado, organizar y planear con detalle el
trabajo experimental, por ejemplo, las personas que van a intervenir, la
forma operativa en que se va a proceder, ect.
6) Realizar el experimento
Seguir al pie de la letra el plan previsto.


Etapa 2: Análisis
No se debe olvidar que los resultados del experimento son observaciones muestrales,
no poblacionales. Por ello, se debe recurrir a técnicas de inferencia estadı́stica para
ver si los efectos muestrales (experimentales) son lo suficientemente grandes que
garanticen diferencias en la población. La técnica central en diseño de experimentos
es el análisis de varianza (ANOVA)


Etapa 2: Análisis
Etapa 3: Interpretación
Con respaldo del análisis estadı́stico formal, se debe analizar con detalle lo que ha
pasado en el experimento; verificar supuestos, elegir el mejor tratamiento, contras-
tar las conjeturas iniciales.


Etapa 2: Análisis
Etapa 3: Interpretación
Con respaldo del análisis estadı́stico formal, se debe analizar con detalle lo que ha
pasado en el experimento; verificar supuestos, elegir el mejor tratamiento, contras-
tar las conjeturas iniciales.
Etapa 4: Control y conclusiones finales

Decidir las medidas a implementar para generalizar los resultados del estudio y
para garantizar que las mejoras se mantengan.

Clasificación y selección del diseño experimental
Existen muchos diseños experimentales para estudiar la gran diversidad de proble-

mas o situaciones que ocurren en la práctica. Por esta razón se hace necesario
elegir el más adecuado para una situación dada. Algunos de estos diseños son:
Diseños para comparar dos o más tratamientos

Diseño cuadrado latino(DCL) y grecolatino (DGCL)

Clasificación y selección del diseño experimental
Diseños estudiar el efecto de varios factores sobre una o más variables de

respuesta
Diseños factoriales 2k
Diseños factoriales 3k
Diseños factoriales fraccionados 2k−p
Diseños anidados
Diseño en parcelas divididas

Experimentos con un solo factor
Tabla de Contenido


Experimentos con un solo factor Diseño completamente al azar (DCA)
Tabla de Contenido


Ejemplo 1
Comparación de cuatro proveedores de alimento.
Los profesionales de una granja agropecuaria experimental están tratando de tomar
una decisión para la compra de un complemento alimenticio, para lo cual evalúan
ofertas de 4 proveedores A, B, C y D, mediante la ganancia en peso de 4 lotes de
semovientes y determinaron las siguientes ganancias en peso (Kgs).
Proveedor
A B C D
6 7 11 10
8 9 16 12
7 10 11 11
8 8 13 9


Ejemplo 2
Reducción del tiempo de cocción. En un centro de investigación se realiza
un estudio para comparar varios tratamientos que, al aplicarse previamente a los
frijoles crudos, reducen su tiempo de cocción. Estos tratamientos son a base de
bicarbonato de sodio (NaHCO3) y cloruro de sodio o sal común (NaCl). El primer
tratamiento es el de control, que consiste en no aplicar ningún tratamiento. El
tratamiento T2 es el remojo en agua con bicarbonato de sodio, el T3 es remojar
en agua con sal común y el T4 es remojar en agua con una combinación de ambos
ingredientes en proporciones iguales. La variable de respuesta es el tiempo de
cocción en minutos. Los datos se muestran en la siguiente tabla:
Tratamiento Observaciones
Control(T1 ) 213 214 204
T2 76 85 74
T3 57 67 55
T4 84 82 85

En este diseño se supone que el material o área experimental es completamente

homogénea, es decir, las condiciones de todas las unidades experimentales son
igualmente controladas.
Ventajas
Flexibilidad: Se puede aplicar cualquier número de tratamientos y repeticio-
nes, no es necesario tener igual número de repeticiones por tratamiento; las
comparaciones entre tratamientos son más precisas cuando rj = r para todo
j = 1, 2, 3, . . . , t.
Sencillez: Los análisis estadı́sticos, son más simples a pesar que no se tenga
igual número de repeticiones por tratamientos, y no se complica por la pérdida
de unidades experimentales.

Desventajas
La principal desventaja es su baja precisión y eficiencia cuando las unidades experi-
mentales son heterogéneas, hecho que lleva a una sobre-estimación de la varianza
del error experimental.

Desventajas
La principal desventaja es su baja precisión y eficiencia cuando las unidades experi-
mentales son heterogéneas, hecho que lleva a una sobre-estimación de la varianza
del error experimental.
Usos
1. Si las unidades experimentales son uniformes, es el diseño más eficiente entre
todos los diseños
2. Útil cuando una porción grande de unidades experimentales pueden no res-
ponder o pueden perderse
3. Útil en experimentos donde hay una limitación en el número total de unidades
experimentales ya que proporciona el mayor número de grados de libertad.

Modelo estadı́stico y supuestos

Sea Yij la respuesta del j −ésimo tratamiento en la i−ésima unidad experimental.
Consideremos que Y11 , Y21 , Y31 , . . . , Yr1 1 es una muestra aleatoria de tamaño
r1 , tomada de una población con media µ1 y varianza σ12 .
De igual manera, consideremos que Y12 , Y22 , Y32 , . . . , Yr2 2 es una muestra
aleatoria de tamaño r2 , tomada de una población con media µ2 y varianza
σ22 , y ası́ sucesivamente para cada j = 1, 2, . . . , t.

Modelo estadı́stico y supuestos

Sea Yij la respuesta del j −ésimo tratamiento en la i−ésima unidad experimental.
Consideremos que Y11 , Y21 , Y31 , . . . , Yr1 1 es una muestra aleatoria de tamaño
r1 , tomada de una población con media µ1 y varianza σ12 .
De igual manera, consideremos que Y12 , Y22 , Y32 , . . . , Yr2 2 es una muestra
aleatoria de tamaño r2 , tomada de una población con media µ2 y varianza
σ22 , y ası́ sucesivamente para cada j = 1, 2, . . . , t.
Consideremos el caso más simple donde σ12 = σ22 = · · · = σt2 = σ 2 , esto es, cuando
la aplicación del tratamiento j − ésimo en la unidad experimental i − ésima afecta
la media de la respuesta debido a la aplicación del tratamiento pero no su varianza.

Modelo estadı́stico del DCA

El modelo estadı́stico que describe las respuestas de las n observaciones es:
Yij = µ + τj + εij
para i = 1, 2, . . . , rj y j = 1, 2, . . . , t
Componentes
Yij Es la observación obtenida en la i − ésima unidad experimental del
j − ésimo tratamiento.
µ Es un parámetro común a todos los tratamientos y corresponde a la media
general.
τj Es el efecto del tratamiento j − ésimo.
εij Es el error que se comete en la i−ésima unidad experimental del j−ésimo
tratamiento
rj Es el número de repeticiones del j − ésimo tratamiento.
t Número de tratamientos.


Esquema general de un DCA
Tratamientos
Repeticiones T1 T2 T3 ··· Tj ··· Tt
1 Y11 Y12 Y13 ··· Y1j ··· Y1t
2 Y21 Y22 Y23 ··· Y2j ··· Y2t
3 Y31 Y32 Y33 ··· Y3j ··· Y3t
.. .. .. .. .. ..
. . . . ··· . ··· .
rj Yr1 1 Yr2 2 Yr3 3 ··· Yrj j ··· Yrt t
Total Y1 Y2 Y3 ··· Yj ··· Yt Y
Media Y 1 Y 2 Y 3 ··· Y j ··· Y t Y
Yj : Total del tratamiento j − ésimo.
Y j : Media del tratamiento j − ésimo.
Y : Total global.
Y : Media global.


Supuestos del modelo
Todos los tratamientos están sometidos a las mismas condiciones, entonces
se supone que σε2ij = σj2 = σ 2 , para j = 1, 2, 3, . . . , t, es decir, los errores
tienen varianza constante σ 2 .
Por otro lado, los tratamiento son aleatorizados, lo que hace pensar que los
errores deberán ser independientes.
Los errores tienen distribución normal de media cero y varianza σ 2 .
Simbólicamente, todo lo anterior se resume en:
iid
εij ∼ N 0, σ 2

En el diseño completamente al azar (DCA), la estimación de los errores es
ebij = yij − y j

Hipótesis del modelo

El objetivo del análisis de varianza en el DCA es probar la hipótesis de igualdad de
media de los tratamientos con respecto a la media general
(
H0 : µ1 = µ2 = · · · = µt = µ
H1 : µj 6= µj 0 para algún j 6= j 0
Esto es equivalente a probar

(
H0 : τ1 = τ2 = · · · = τt = 0
H1 : τj 6= 0 para algún j
donde τj es el efecto del tratamiento j sobre la variable de respuesta.

Tabla de Contenido



Tabla ANAVA para un DCA
Los cálculos del DCA para probar las hipótesis se resumen en una tabla ANAVA
como la siguiente
Tabla ANAVA
Fuente de Grados de Sumas de Cuadrados
Variación libertad cuadrados medios F0 Fα
CMtto
Tratamiento t−1 SCtto CMtto F0 = CME F(α;t−1;n−t)
Error n−t SCE CME
Total n−1 SCT
Criterio de rechazo
Se rechazará H0 al nivel de significancia α si
F0 > F(α;t−1;n−t)

Y2
Factor de corrección: F C = t
P
rj
j=1
rj P
P t
donde Y = Yij es el total global.
i=1 j=1

Y2
P
rj
j=1
rj P
P t
i=1 j=1
Cálculos de las sumas de cuadrados

rj P
t
Yij2 − F C
P
Suma de cuadrados total: SCT =
i=1 j=1
t
P 2
Yj
Suma de cuadrados de tratamientos: SCtto = rj − FC
j=1
Suma de cuadrados del error: SCE = SCT − SCtto

Y2
P
rj
j=1
rj P
P t
i=1 j=1

rj P
t
Yij2 − F C
P
i=1 j=1
t
P 2
Yj
Suma de cuadrados de tratamientos: SCtto = rj − FC
j=1
Suma de cuadrados del error: SCE = SCT − SCtto
Cuadrados medios
SCtto
Cuadrado medio de tratamientos: CMtto = t−1
SCE
Cuadrado medio del error: CME = n−1


Ejemplo 3 (Continuación del ejemplo 1)
Cálculos de la tabla ANAVA para ejemplo de los cuatro proveedores de alimento.
Hipótesis: (
H0 : τ1 = τ2 = τ3 = τ4 = 0
H1 : τj 6= 0 para algún j = 1, 2, 3, 4


Ejemplo 3 (Continuación del ejemplo 1)
Cálculos de la tabla ANAVA para ejemplo de los cuatro proveedores de alimento.
Hipótesis: (
H0 : τ1 = τ2 = τ3 = τ4 = 0
H1 : τj 6= 0 para algún j = 1, 2, 3, 4
Totales de tratamientos (Yj ) y total general (Y )

Proveedor
A B C D
6 7 11 10
8 9 16 12
7 10 11 11
8 8 13 9
rj 4 4 4 4
Yj 29 34 51 42
4
P 4
P
Y = Yj = 29 + 34 + 51 + 42 = 156 y rj = 16
j=1 j=1


Factor de corrección Y2 1562
FC = = = 1521
4
P 16
rj
j=1
Suma de cuadrados total

4 X
X 4
Yij2 − F C = 62 + 82 + 72 + · · · + 92 − 1521 = 1620 − 1521 = 99

SCT =
i=1 j=1
Suma de cuadrados de tratamientos

4 Y2 2
342 512 422

X j 29
SCtto = − FC = + + + − 1521 = 69,5
j=1 j
r 4 4 4 4
Suma de cuadrados del error
SCE = SCT − SCtto = 99 − 69,5 = 29,5

Grados de libertad
Total GLT = n − 1 = 16 − 1 = 15
Tratamientos GLtto = t − 1 = 4 − 1 = 3
Error GLE = n − t = 16 − 4 = 12
Cuadrados medios
SCtto 69,5
Tratamientos CMtto = GLtto = 3 = 23,1667
SCE 29,5
Error CME = GLE = 12 = 2,4583
Estadı́stico F0
CMtto 23,1667
F0 = CME = 2,4583 = 9,4239


Tabla ANAVA
Valor Fα teórico para α = 0,05
F(0,05;3;12) = 3,4903
Este valor se puede buscar en las tablas de probabilidad o se puede calcular

en EXCEL como =DISTR.F.INV(0,05;3;12)
Tabla ANAVA
Tratamiento 3 69,5 23,1667 9,4239 3,4903
Error 12 29,5 2,4583
Total 15 99
Decisión
F0 = 9,4239 > 3,4903
De acuerdo con el criterio de rechazo, se debe rechazar la hipótesis H0 .

Ejercicio
Construir la tabla de análisis de varianza para el ejemplo de la reducción
del tiempo de cocción de los frijoles.
Tratamiento Observaciones
Control(T1 ) 213 214 204
T2 76 85 74
T3 57 67 55
T4 84 82 85

Tabla de Contenido


Error estándar de una media de tratamiento

Cuando el investigador desea llevar a cabo cualquier prueba para un
tratamiento en particular, esta se puede realizar utilizando en este caso
el error estándar de estimación para una media de tratamiento, el cual
viene dado por: s
CME
SY j =
rj
y cualquier inferencia para el j − ésimo tratamiento se debe realizar
con este error.


Intervalo de confianza para (Y j )
El intervalo de confianza del 100(1 − α) % para una media de trata-
miento esta dado por
s
CME
Y j ∓ t(α/2;GLE )
rj
Intervalo de confianza para la diferencias de medias (Y j − Y j 0 )

El intervalo de confianza del 100(1 − α) % para la diferencia de dos
medias de tratamiento esta dado por
s
1 1
(Y j − Y j 0 ) ∓ t(α/2;GLE ) CME +
rj rj 0
Ejemplo 4 (continuación del ejemplo 3)

Intervalos del 95 % de confianza para las medias de los tratamientos.
Valor crı́tico para α = 0,05
t(α/2;GLE ) = t(0,05/2;12) = t(0,025;12) = 2,1788
Este valor se puede buscar en las tablas de probabilidad o se puede calcular

en EXCEL como =DISTR.T.INV(0.05;12)
Error estándar de una media de tratamiento
s r
CME 2,4583
SY j = = = 0,784
rj 4


Intervalo del 95 % de confianza para µ1
q q
Y j − t(α/2;GLE ) CME /rj ≤ µ1 ≤ Y j + t(α/2;GLE ) CME /rj
p p
Y 1 − t(0,05/2;12) 2,4583/4 ≤ µ1 ≤ Y 1 + t(0,05/2;12) 2,4583/4
7,25 − 2,1788 (0,784) ≤ µ1 ≤ 7,25 + 2,1788 (0,784)
5,542 ≤ µ1 ≤ 8,958
Proveedor de Media poblacional media muestral Intervalo del 95 %

alimento µj Y j
A µ1 7,25 5,5419 ≤ µ1 ≤ 8,9581
B µ2 8,50 6,7919 ≤ µ2 ≤ 10,2081
C µ3 12,75 11,0419 ≤ µ3 ≤ 14,4581
D µ4 10,5 8,7919 ≤ µ4 ≤ 12,2081

Ejercicio
Construir intervalos de 95 % de confianza para la media de los tra-
tamientos del ejemplo de la reducción del tiempo de cocción de los
frijoles.

Tabla de Contenido


Comparación de medias de tratamiento

Cuando no se rechaza la hipótesis nula H0 : µ1 = µ2 = · · · = µt = µ, el
objetivo del experimento está cubierto y la conclusión es que los tratamientos no
son diferentes. Si por el contrario se rechaza H0 , y por consiguiente se acepta la
hipótesis alternativa H1 : µj 6= µj 0 para algún j 6= j 0 , es necesario investigar cuáles
tratamientos resultaron diferentes, o cuáles provocan la diferencia. A continuación
veremos tres estrategias distintas para ir a ese detalle.
Método LSD (diferencia mı́nima significativa)
Método de Tukey
Método de Duncan
Contrastes Ortogonales

Comparaciones múltiples (M étodo LSD)
Método LSD (diferencia mı́nima significativa)

Una vez que se rechazó H0 en el ANOVA, el problema es probar la igualdad de
todos los posibles pares de medias con la hipótesis:
(
H0 : µj = µj 0
H1 : µj 6= µj 0
Para t tratamientos, se tienen en total t(t − 1)/2 comparaciones. El estadı́stico

de prueba para cada una de las hipótesis es la correspondiente diferencia en valor
absoluto entre sus medias muestrales |Y j − Y j 0 |. Se rechazará H0 al nivel de
significancia α si
s
1 1
|Y j − Y j 0 | > t(α/2;GLE ) CME + = LSD
rj rj 0

Puntos crı́ticos para la distribución T-Student P (T > t) = α

GL 0,1 0,05 0,025 0,01 0,005
1 3,0776835 6,3137515 12,7062047 31,820516 63,6567412
2 1,8856181 2,9199856 4,3026527 6,9645567 9,9248432
3 1,6377444 2,3533634 3,1824463 4,5407029 5,8409093
4 1,5332063 2,1318468 2,7764451 3,7469474 4,6040949
5 1,475884 2,0150484 2,5705818 3,36493 4,032143
6 1,4397557 1,9431803 2,4469119 3,1426684 3,707428
7 1,4149239 1,8945786 2,3646243 2,9979516 3,4994833
8 1,3968153 1,859548 2,3060041 2,8964594 3,3553873
9 1,3830287 1,8331129 2,2621572 2,8214379 3,2498355
10 1,3721836 1,8124611 2,2281389 2,7637695 3,1692727
11 1,3634303 1,7958848 2,2009852 2,7180792 3,1058065
12 1,3562173 1,7822876 2,1788128 2,680998 3,0545396
13 1,3501713 1,7709334 2,1603687 2,6503088 3,0122758
14 1,3450304 1,7613101 2,1447867 2,6244941 2,9768427
15 1,3406056 1,7530504 2,1314495 2,6024803 2,9467129
16 1,3367572 1,7458837 2,1199053 2,5834872 2,9207816
17 1,3333794 1,7396067 2,1098156 2,566934 2,8982305
18 1,3303909 1,7340636 2,100922 2,5523796 2,8784405
19 1,3277282 1,7291328 2,0930241 2,5394832 2,8609346
20 1,3253407 1,7247182 2,0859634 2,527977 2,8453397
21 1,3231879 1,7207429 2,0796138 2,517648 2,8313596
22 1,3212367 1,7171444 2,0738731 2,5083246 2,8187561
23 1,3194602 1,7138715 2,0686576 2,4998667 2,8073357
24 1,3178359 1,7108821 2,0638986 2,4921595 2,7969395
25 1,3163451 1,7081408 2,0595386 2,4851072 2,7874358
26 1,3149719 1,7056179 2,0555294 2,4786298 2,7787145
27 1,3137029 1,7032884 2,0518305 2,4726599 2,770683
28 1,3125268 1,7011309 2,0484071 2,4671401 2,7632625
29 1,3114336 1,699127 2,0452296 2,4620214 2,7563859
30 1,310415 1,6972609 2,0422725 2,4572615 2,7499957
Ejemplo 5 (continuación del ejemplo 3 y 4)

Para investigar cuáles pares de medias son estadı́sticamente diferentes se prueban
los seis posibles pares de hipótesis:
H0 : µ1 = µ2 vs H1 : µ1 6= µ2 H0 : µ2 = µ3 vs H1 : µ2 6= µ3
Cálculo de LSD para (α = 0,05)
s s
1 1 1 1
t(α/2;GLE ) CME + = t(0,025;12) 2,4583 + = 2,4156
rj rj 0 4 4


Resumen de comparaciones
Diferencia Diferencia muestral Comparación Decisión
poblacional valor absoluto
µA − µB |Y 1 − Y 2 | = 1,25 1,25 < 2,42 No significativa
µA − µC |Y 1 − Y 3 | = 5,50 ∗5,50 > 2,42 Significativa
µA − µD |Y 1 − Y 4 | = 3,25 ∗3,25 > 2,42 Significativa
µB − µC |Y 2 − Y 3 | = 4,25 ∗4,25 > 2,42 Significativa
µB − µD |Y 2 − Y 4 | = 2,00 2,00 < 2,42 No significativa
µC − µD |Y 3 − Y 4 | = 2,25 2,25 < 2,42 No significativa
Agrupación de los tratamientos

Para agrupar los tratamientos, se ordenar de menor a mayor de acuerdo al
promedio Y j
Tratamiento A B D C
Media 7,25 8,50 10,50 12,75
Grupos a ab bc c

Comparaciones múltiples (M étodo de T ukey)
Método de Tukey
Un método más conservador para comparar pares de medias de tratamientos es el
método de Tukey, el cual es aplicable cuando r1 = r2 = · · · = rt = r. Se rechazará
H0 al nivel de significancia α si
r
CME
|Y j − Y j 0 | > q(α;t;GLE ) = Tα
r
Los valores crı́ticos de Tukey q(α;t;GLE ) , se muestran en las siguientes tabla para
α = 0,01 y α = 0,05

Valores crı́ticos del estadı́stico rango estudentizado q(α;t;GLE )

α = 0,01
gle/t 2 3 4 5 6 7 8 9 10 11 12 13 14
2 14,040 19,020 22,290 24,720 26,630 28,200 29,530 30,680 31,690 32,590 33,440 34,110 34,820
3 8,261 10,620 12,170 13,330 14,240 15,000 15,640 16,200 16,690 17,130 17,510 17,860 18,190
4 6,512 8,120 9,173 9,958 10,584 11,097 11,542 11,928 12,268 12,579 12,837 13,082 13,314
5 5,702 6,976 7,804 8,421 8,913 9,321 9,669 9,972 10,242 10,487 10,694 10,892 11,074
6 5,243 6,331 7,033 7,556 7,973 8,318 8,613 8,869 9,097 9,307 9,481 9,650 9,805
7 4,949 5,919 6,543 7,005 7,373 7,679 7,939 8,166 8,368 8,552 8,707 8,856 8,994
8 4,746 5,635 6,204 6,625 6,960 7,237 7,474 7,681 7,863 8,030 8,172 8,308 8,432
9 4,596 5,428 5,957 6,348 6,658 6,915 7,134 7,325 7,495 7,648 7,781 7,906 8,021
10 4,482 5,270 5,769 6,136 6,428 6,669 6,875 7,055 7,213 7,357 7,482 7,599 7,708
11 4,392 5,146 5,621 5,970 6,247 6,476 6,672 6,842 6,992 7,129 7,247 7,359 7,461
12 4,320 5,046 5,502 5,836 6,101 6,321 6,507 6,670 6,814 6,944 7,057 7,164 7,262
13 4,260 4,964 5,404 5,727 5,981 6,192 6,372 6,528 6,667 6,791 6,901 7,004 7,098
14 4,210 4,895 5,322 5,634 5,881 6,085 6,258 6,409 6,543 6,664 6,770 6,869 6,960
15 4,168 4,836 5,252 5,556 5,796 5,994 6,162 6,309 6,439 6,555 6,658 6,754 6,843
16 4,131 4,786 5,192 5,489 5,722 5,915 6,079 6,222 6,348 6,462 6,563 6,655 6,742
17 4,099 4,742 5,140 5,430 5,659 5,847 6,007 6,147 6,270 6,381 6,480 6,570 6,654
18 4,071 4,703 5,094 5,379 5,603 5,788 5,944 6,081 6,201 6,310 6,406 6,494 6,577
19 4,046 4,670 5,054 5,334 5,554 5,735 5,889 6,022 6,141 6,247 6,341 6,428 6,508
20 4,024 4,639 5,018 5,294 5,510 5,688 5,839 5,970 6,087 6,190 6,284 6,368 6,447
24 3,956 4,546 4,907 5,168 5,374 5,542 5,685 5,809 5,919 6,017 6,105 6,186 6,259
30 3,889 4,455 4,799 5,048 5,242 5,401 5,536 5,653 5,756 5,848 5,931 6,007 6,077
40 3,825 4,367 4,696 4,931 5,114 5,265 5,392 5,502 5,599 5,685 5,763 5,835 5,900
60 3,762 4,282 4,595 4,818 4,991 5,133 5,253 5,356 5,447 5,527 5,600 5,667 5,728
80 3,732 4,241 4,545 4,763 4,932 5,069 5,183 5,283 5,371 5,450 5,521 5,585 5,644
100 3,714 4,216 4,516 4,730 4,896 5,031 5,143 5,241 5,328 5,404 5,474 5,536 5,594
120 3,702 4,200 4,497 4,709 4,872 5,005 5,118 5,214 5,299 5,374 5,442 5,504 5,561
1000 3,638 4,116 4,399 4,599 4,753 4,879 4,984 5,074 5,153 5,223 5,287 5,344 5,397
inf 3,643 4,120 4,403 4,603 4,757 4,882 4,987 5,078 5,157 5,227 5,291 5,348 5,401

Valores crı́ticos del estadı́stico rango estudentizado q(α;t;GLE )

α = 0,05
gle/t 2 3 4 5 6 7 8 9 10 11 12 13 14
2 6,085 8,331 9,798 10,88 11,732 12,436 13,026 13,539 13,989 14,392 14,746 15,071 15,37
3 4,501 5,91 6,825 7,502 8,037 8,478 8,853 9,177 9,462 9,714 9,941 10,149 10,34
4 3,927 5,04 5,757 6,287 6,707 7,053 7,347 7,602 7,826 8,026 8,208 8,371 8,522
5 3,635 4,602 5,218 5,673 6,033 6,33 6,582 6,802 6,995 7,167 7,322 7,464 7,594
6 3,461 4,339 4,896 5,305 5,628 5,895 6,122 6,319 6,493 6,648 6,788 6,915 7,033
7 3,344 4,165 4,681 5,06 5,359 5,606 5,815 5,998 6,158 6,301 6,431 6,549 6,657
8 3,261 4,041 4,529 4,886 5,167 5,399 5,597 5,767 5,918 6,053 6,175 6,286 6,388
9 3,199 3,949 4,415 4,756 5,024 5,244 5,432 5,595 5,739 5,866 5,983 6,088 6,185
10 3,151 3,877 4,327 4,654 4,912 5,124 5,305 5,461 5,599 5,721 5,833 5,934 6,027
11 3,113 3,82 4,256 4,574 4,823 5,028 5,202 5,353 5,487 5,605 5,713 5,811 5,901
12 3,082 3,773 4,199 4,508 4,751 4,95 5,119 5,265 5,395 5,51 5,614 5,71 5,797
13 3,055 3,735 4,151 4,453 4,69 4,885 5,049 5,192 5,318 5,431 5,532 5,625 5,71
14 3,033 3,702 4,111 4,407 4,639 4,829 4,99 5,131 5,254 5,363 5,463 5,553 5,637
15 3,014 3,674 4,076 4,367 4,595 4,782 4,94 5,077 5,198 5,306 5,403 5,492 5,574
16 2,998 3,649 4,046 4,333 4,557 4,741 4,897 5,031 5,15 5,256 5,351 5,439 5,519
17 2,984 3,628 4,02 4,303 4,524 4,705 4,858 4,991 5,108 5,212 5,306 5,392 5,471
18 2,971 3,609 3,997 4,277 4,495 4,673 4,824 4,956 5,071 5,173 5,266 5,351 5,428
19 2,96 3,593 3,977 4,253 4,469 4,645 4,794 4,924 5,038 5,139 5,23 5,314 5,391
20 2,95 3,578 3,958 4,232 4,445 4,62 4,768 4,896 5,008 5,108 5,199 5,281 5,357
24 2,919 3,532 3,901 4,166 4,373 4,541 4,684 4,807 4,915 5,011 5,099 5,178 5,251
30 2,888 3,486 3,845 4,102 4,302 4,464 4,602 4,72 4,824 4,917 5 5,077 5,146
40 2,858 3,442 3,791 4,039 4,232 4,389 4,521 4,635 4,735 4,824 4,904 4,976 5,043
60 2,829 3,399 3,737 3,977 4,163 4,314 4,441 4,55 4,646 4,731 4,808 4,878 4,942
80 2,814 3,377 3,711 3,947 4,129 4,277 4,401 4,509 4,603 4,686 4,761 4,829 4,892
100 2,806 3,364 3,695 3,929 4,109 4,255 4,378 4,484 4,577 4,659 4,733 4,8 4,862
120 2,8 3,356 3,684 3,917 4,096 4,241 4,363 4,467 4,559 4,641 4,714 4,781 4,842
1000 2,771 3,313 3,632 3,857 4,029 4,169 4,285 4,386 4,473 4,551 4,621 4,684 4,742
inf 2,772 3,314 3,633 3,858 4,03 4,17 4,286 4,387 4,474 4,552 4,622 4,685 4,743


Realizamos las mismas comparaciones aplicando el método de Tukey con r = 4.
Cálculo de Tα para (α = 0,05)

r r
CME 2,4583
Tα = q(0,05;4;12) = 4,199 = 3,2918
r 4


Diferencia Diferencia muestral Comparación Decisión
µA − µB |Y 1 − Y 2 | = 1,25 1,25 < 3,29 No significativa
µA − µC |Y 1 − Y 3 | = 5,50 ∗5,50 > 3,29 Significativa
µA − µD |Y 1 − Y 4 | = 3,25 3,25 < 3,29 No significativa
µB − µC |Y 2 − Y 3 | = 4,25 ∗4,25 > 3,29 Significativa
µB − µD |Y 2 − Y 4 | = 2,00 2,00 < 3,29 No significativa
µC − µD |Y 3 − Y 4 | = 2,25 2,25 < 3,29 No significativa
Agrupación de los tratamientos

Tratamiento A B D C
Media 7,25 8,50 10,50 12,75
Grupos a a ab b

Comparaciones múltiples (M étodo de Duncan)
Método de Duncan
En este método para la comparación de medias, si los t grupos son de igual tamaño,
los t promedios se acomodan en orden ascendente. Se rechazará H0 al nivel de
significancia α si
r
CME
|Y j − Y j 0 | > Q(α;p;GLE ) = Dp;α
r
donde p = 2, 3, . . . , t, representa el número de medias entre los dos tratamientos
que se van a comparar.
Los valores crı́ticos de Duncan Q(α;p;GLE ) , se muestran en las siguientes tabla para
α = 0,01 y α = 0,05

Método de Duncan
Si alguno o todos los tratamientos tienen tamaños diferentes, se reemplaza r por
la media armónica de los {rj }, que está dada por
t
rh = t
1
P
rj
j=1

Valores crı́ticos para prueba de Duncan Q(α;p;GLE )

α = 0,01
gle/p 2 3 4 5 6 7 8 9 10 20 50 100
1 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00 90.00
2 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00 14.00
3 8.26 8.50 8.60 8.70 8.80 8.90 8.90 9.00 9.00 9.30 9.30 9.30
4 6.51 6.80 6.90 7.00 7.10 7.10 7.20 7.30 7.30 7.50 7.50 7.50
5 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.50 6.80 6.80 6.80
6 5.24 5.51 5.65 5.73 5.81 5.88 5.95 6.00 6.00 6.30 6.30 6.30
7 4.95 5.22 5.37 5.45 5.53 5.61 5.69 5.73 5.80 6.00 6.00 6.00
8 4.74 5.00 5.14 5.23 5.32 5.40 5.47 5.51 5.50 5.80 5.80 5.80
9 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.40 5.70 5.70 5.70
10 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.55 5.55 5.55
11 4.39 4.63 4.77 4.86 4.94 5.01 5.06 5.12 5.15 5.39 5.39 5.39
12 4.32 4.55 4.68 4.76 4.84 4.92 4.96 5.02 5.07 5.26 5.26 5.26
13 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.15 5.15 5.15
14 4.21 4.42 4.55 4.63 4.70 4.78 4.83 4.87 4.91 5.07 5.07 5.07
15 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 5.00 5.00 5.00
16 4.13 4.34 4.45 4.54 4.60 4.67 4.72 4.76 4.79 4.94 4.94 4.94
17 4.10 4.30 4.41 4.50 4.56 4.63 4.68 4.73 4.75 4.89 4.89 4.89
18 4.07 4.27 4.39 4.46 4.53 4.59 4.64 4.68 4.71 4.85 4.85 4.85
19 4.05 4.24 4.36 4.43 4.50 4.56 4.61 4.64 4.67 4.82 4.82 4.82
20 4.02 4.22 4.33 4.40 4.47 4.53 4.58 4.61 4.65 4.79 4.79 4.79
30 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.48 4.65 4.71 4.71
40 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.59 4.69 4.69
60 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.53 4.66 4.66
100 3.71 3.86 3.98 4.06 4.11 4.17 4.21 4.25 4.29 4.48 4.64 4.65

Valores crı́ticos para prueba de Duncan Q(α;p;GLE )

α = 0,05
gle/p 2 3 4 5 6 7 8 9 10 20 50 100
1 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00 18.00
2 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
3 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50
4 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
5 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
6 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
7 3.35 3.47 3.54 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61
8 3.26 3.39 3.47 3.52 3.55 3.56 3.56 3.56 3.56 3.56 3.56 3.56
9 3.20 3.34 3.41 3.47 3.25 3.52 3.52 3.52 3.52 3.52 3.52 3.52
10 3.15 3.30 3.37 3.43 3.46 3.47 3.47 3.47 3.47 3.48 3.48 3.48
11 3.11 3.27 3.35 3.39 3.43 3.44 3.45 3.46 3.46 3.48 3.48 3.48
12 3.08 3.23 3.33 3.36 3.40 3.42 3.44 3.44 3.46 3.48 3.48 3.48
13 3.06 3.21 3.30 3.35 3.38 3.41 3.42 3.44 3.45 3.47 3.47 3.47
14 3.03 3.18 3.27 3.33 3.37 3.39 3.41 3.42 3.44 3.47 3.47 3.47
15 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 3.43 3.47 3.47 3.47
16 3.00 3.15 3.23 3.30 3.34 3.37 3.39 3.41 3.43 3.47 3.47 3.47
17 2.98 3.13 3.22 3.28 3.33 3.36 3.38 3.40 3.42 3.47 3.47 3.47
18 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39 3.41 3.47 3.47 3.47
19 2.96 3.11 3.19 3.26 3.31 3.35 3.37 3.39 3.41 3.47 3.47 3.47
20 2.95 3.10 3.18 3.25 3.30 3.34 3.36 3.38 3.40 3.47 3.47 3.47
30 2.89 3.04 3.12 3.20 3.25 3.29 3.32 3.35 3.37 3.47 3.47 3.47
40 2.86 3.01 3.10 3.17 3.22 3.27 3.30 3.33 3.35 3.47 3.47 3.47
60 2.83 2.98 3.08 3.14 3.20 3.24 3.28 3.31 3.33 3.47 3.48 3.48
100 2.80 2.95 3.05 3.12 3.18 3.22 3.26 3.29 3.32 3.47 3.47 3.53


Realizamos las mismas comparaciones aplicando el método de Duncan con r = 4.
Cálculo de Dp;α para (α = 0,05) y p = 2, 3, 4

p Dp;α
r
2,4583
2 D2;0,05 = Q(0,05;2;12) = 3,08(0,7839) = 2,4146
r 4
2,4583
3 D3;0,05 = Q(0,05;3;12) = 3,23(0,7839) = 2,5322
r 4
2,4583
4 D4;0,05 = Q(0,05;4;12) = 3,33(0,7839) = 2,6105
4


Diferencia Diferencia muestral Distancia entre medias Dp;α Comparación Decisión
µA − µB |Y 1 − Y 2 | = 1,25 A − B −D − C 2,41 1,25 < 2,41 No significativa
| {z }
p=2
µA − µC |Y 1 − Y 3 | = 5,50 A−B−D−C 2,61 5,50 > 2,61 Significativa
| {z }
p=4
µA − µD |Y 1 − Y 4 | = 3,25 A − B − D −C 2,53 3,25 > 2,53 Significativa
| {z }
p=3
µB − µC |Y 2 − Y 3 | = 4,25 A−B−D−C 2,53 4,25 > 2,53 Significativa
| {z }
p=3
µB − µD |Y 2 − Y 4 | = 2,00 A − B − D −C 2,41 2,00 < 2,41 No significativa
| {z }
p=2
µC − µD |Y 3 − Y 4 | = 2,25 A−B−D−C 2,41 2,25 < 2,41 No significativa
| {z }
p=2
Tratamiento A B D C
Media 7,25 8,50 10,50 12,75
Grupos a ab bc c

Resumen de las tres pruebas

Tratamiento A B D C
LDS a ab bc c
Tukey a a ab b
Duncan a ab bc c

Comparaciones múltiples (M étodo de Dunnet)
Método de Dunnet para tratamientos con un control

En ocasiones uno de los t tratamientos a comparar es el llamado tratamiento
control y el interés fundamental es comparar los t − 1 tratamientos restantes con
dicho control. Denotemos como tratamiento control al k − ésimo tratamiento,
entonces para los t − 1 tratamientos restantes, se rechazará la hipótesis nula H0
al nivel de significancia α si
s
1 1
|Y j − Y k | > d(α;t−1;GLE ) CME + = Dα
rj rk
Los valores crı́ticos de Dunnet d(α;t−1;GLE ) , se en las siguientes tabla para α = 0,01
y α = 0,05

Valores crı́ticos para la prueba de Dunnet

α = 0,05
gle/t 2 3 4 5 6 7 8 9 10
5 2,57 3,03 3,29 3,48 3,62 3,73 3,82 3,90 3,97
6 2,45 2,86 3,10 3,26 3,39 3,49 3,57 3,64 3,71
7 2,36 2,75 2,97 3,12 3,24 3,33 3,41 3,47 3,53
8 2,31 2,67 2,88 3,02 3,13 3,22 3,29 3,35 3,41
9 2,26 2,61 2,81 2,95 3,05 3,14 3,20 3,26 3,32
10 2,23 2,57 2,76 2,89 2,99 3,07 3,14 3,19 3,24
11 2,20 2,53 2,72 2,84 2,94 3,02 3,08 3,14 3,19
12 2,18 2,50 2,68 2,81 2,90 2,98 3,04 3,09 3,14
13 2,16 2,48 2,65 2,78 2,87 2,94 3,00 3,06 3,10
14 2,14 2,46 2,63 2,75 2,84 2,91 2,97 3,02 3,07
15 2,13 2,44 2,61 2,73 2,82 2,89 2,95 3,00 3,04
16 2,12 2,42 2,59 2,71 2,80 2,87 2,92 2,97 3,02
17 2,11 2,41 2,58 2,69 2,78 2,85 2,90 2,95 3,00
18 2,10 2,40 2,56 2,68 2,76 2,83 2,89 2,94 2,98
19 2,09 2,39 2,55 2,66 2,75 2,81 2,87 2,92 2,96
20 2,09 2,38 2,54 2,65 2,73 2,80 2,86 2,90 2,95
24 2,06 2,35 2,51 2,61 2,70 2,76 2,81 2,86 2,90
30 2,04 2,32 2,47 2,58 2,66 2,72 2,77 2,82 2,86
40 2,02 2,29 2,44 2,54 2,62 2,68 2,73 2,77 2,81
60 2,00 2,27 2,41 2,51 2,58 2,64 2,69 2,73 2,77
120 1,98 2,24 2,38 2,47 2,55 2,60 2,65 2,69 2,73
inf 1,96 2,21 2,35 2,44 2,51 2,57 2,61 2,65 2,69

Valores crı́ticos para la prueba de Dunnet

α = 0,01
gle/t 2 3 4 5 6 7 8 9 10
5 4,03 4,63 4,98 5,22 5,41 5,56 5,69 5,80 5,89
6 3,71 4,21 4,51 4,71 4,87 5,00 5,10 5,20 5,28
7 3,50 3,95 4,21 4,39 4,53 4,64 4,74 4,82 4,89
8 3,36 3,77 4,00 4,17 4,29 4,40 4,48 4,56 4,62
9 3,25 3,63 3,85 4,01 4,12 4,22 4,30 4,37 4,43
10 3,17 3,53 3,74 3,88 3,99 4,08 4,16 4,22 4,28
11 3,11 3,45 3,65 3,79 3,89 3,98 4,05 4,11 4,16
12 3,05 3,39 3,58 3,71 3,81 3,89 3,96 4,02 4,07
13 3,01 3,33 3,52 3,65 3,74 3,82 3,89 3,94 3,99
14 2,98 3,29 3,47 3,59 3,69 3,76 3,83 3,88 3,93
15 2,95 3,25 3,43 3,55 3,64 3,71 3,78 3,83 3,88
16 2,92 3,22 3,39 3,51 3,60 3,67 3,73 3,78 3,83
17 2,90 3,19 3,36 3,47 3,56 3,63 3,69 3,74 3,79
18 2,88 3,17 3,33 3,44 3,53 3,60 3,66 3,71 3,75
19 2,86 3,15 3,31 3,42 3,50 3,57 3,63 3,68 3,72
20 2,85 3,13 3,29 3,40 3,48 3,55 3,60 3,65 3,69
24 2,80 3,07 3,22 3,32 3,40 3,47 3,52 3,57 3,61
30 2,75 3,01 3,15 3,25 3,33 3,39 3,44 3,49 3,52
40 2,70 2,95 3,09 3,19 3,26 3,32 3,37 3,41 3,44
60 2,66 2,90 3,03 3,12 3,19 3,25 3,29 3,33 3,37
120 2,62 2,85 2,97 3,06 3,12 3,18 3,22 3,26 3,29
inf 2,58 2,79 2,92 3,00 3,06 3,11 3,15 3,19 3,22

Comparaciones múltiples (M étodo de Dunnet)
Ejercicio
Realizar la prueba de Dunnet para el ejemplo de la reducción del tiempo de cocción

Comparaciones múltiples (Contrastes Ortogonales)
No siempre interesa probar solo las t(t−1)
2 hipótesis dos a dos dadas por
H0 : µj = µj 0 vs H1 : µj 6= µj 0 para j 6= j 0 y no siempre estas hipótesis dos a dos
interesan todas por igual. En ocasiones el objetivo del estudio lleva a contrastar
hipótesis que involucran más de dos medias de tratamientos.

Definición: Contrastes
Pt
Una expresión de la forma Z = j=1 cj µj es una combinación lineal de las me-
dias poblacionales de interés, donde los coeficientes cj son números reales. La
Pt c
combinación lineal Z se llama contraste si se cumple que ( j=1 rjj = 0), si los
tratamientos
Pt tienen el mismo número de repeticiones, la condición anterior se re-
duce a ( j=1 cj = 0)
Muchas hipótesis estadı́sticas de interés son contrastes, como por ejemplo las
hipótesis de comparación de medias. En efecto, ya hemos visto que la hipótesis
nula H0 : µj = µj 0 para j 6= j 0 se puede escribir de manera equivalente como
H0 : µj − µj 0 = 0, donde se observa que el contraste correspondiente es la com-
binación lineal cj µj + cj 0 µj 0 , con cj = 1 y cj 0 = −1, e interesa verificar si es
estadı́sticamente igual a cero.

Hipótesis de un contraste
De lo anterior, es posible escribir una prueba de hipótesis que involucre grupo
de medias de tratamientos a partir del concepto de lo que es un contraste. Si Z
es el contraste que representa una comparación de medias entonces las hipótesis
estadı́sticas se escriben como se muestra a continuación:
t
X t
X
H0 : Z = cj µj = 0 vs H1 : Z = cj µj 6= 0
j=1 j=1
Un estimador del contraste basandose en las medias de los tratamientos es:

t
X
b = c1 Y 1 + c2 Y 2 + · · · + ct Y t =
Z cj Y j
j=1
donde los Y j son los promedios procedentes de muestras aleatorias de tamaño rj

.


Media y varianza de un contraste
Si las muestras provienen de poblaciones normales e independientes, entonces por
el teorema central del lı́mite se tiene que:
!
2
σj2
Yj ∼ N µj ; σj ⇒ Y j ∼ N µj ;
rj
de estos resultados se puede demostrar que para un contraste Zb

 
Xt Xt t
X
E Z =E
b  cj Y j =
 cj E Y j = cj µj = Z
j=1 j=1 j=1
y  
t t t t
X X X σj2 X c2j
V Z
b =V  cj Y j  = c2j V Y j = c2j = σ2
j=1 j=1 j=1
rj r
j=1 j


Intervalo de confianza para un contraste
Es decir que la estadı́stica
Zb − Z
t= s ∼ t(GLE )
t
P c2j
σ2 rj
j=1
Al usar el CME para estimar a σ 2 y Y j para estimar a la media µj , se puede ver

que un intervalo al 100(1 − α) % de confianza para el contraste Z está dado por:
v
t t
c2j
u
X u X
cj Y j ∓ t(α/2;GLE ) tCME
j=1 j=1 j
r
donde t(α/2;GLE ) es un punto porcentual de la distribución T de Student con

grados de libertad igual a GLE . En caso de que el intervalo contenga al cero se
concluye que el contraste Z es estadı́sticamente igual a cero.
Suma de cuadrados de un contraste

La suma de cuadrados de un contraste para promedios o totales viene dada por:
2
Zb
b = c1 Y 1 + c2 Y 2 + · · · + ct Y t
Z ⇒ SCZb = para promedios
t
P c2j
rj
j=1
2
Z
b
Zb = c1 Y1 + c2 Y2 + · · · + ct Yt ⇒ SCZb = t
para totales
rj c2j
P
j=1
y como cada contraste tiene un grado de libertad, se deduce que

SCZb
CMZb = = SCZb
1

Prueba de hipótesis de un contraste

Con este resultado se llega a probar la hipótesis
H0 : Z = 0 vs H1 : Z 6= 0
El estadı́stico de prueba para verificar esta hipótesis, es dado por

CMZb
F0 = ∼ F(1;GLE )
CME
de tal forma que al nivel de significancia α, se rechazará H0 si
F0 > F(α;1;GLE )

Sean Z1 y Z2 dos contrastes, de modo que
t
X
Z1 = c11 µ1 + c12 µ2 + · · · + c1t µt = c1j µj
j=1
t
y X
Z2 = c21 µ1 + c22 µ2 + · · · + c2t µt = c2j µj
j=1
Entonces:
t c c
P 1j 2j
los dos contrastes se dicen ortogonales sı́ = 0 (para promedios)
j=1 rj
t
P
o rj c1j c2j = 0 (para totales)
j=1
t
P
Si se tienen igual número de repeticiones, lo anterior se reduce a c1j c2j = 0
j=1

Se puede probar que dados t tratamientos, se pueden obtener a lo más t − 1
contrastes ortogonales cada uno con 1 grado de libertad y además que:
SCtto = SCZb1 + SCZb2 + · · · + SCZbt−1
puesto que los contrastes que se analizan son independientes dos a dos, lo que
conlleva a que la variación que se deduce de uno de los contrastes no es posible
volverla a tener en otro contraste.

Ejemplo 8
Se realizó un experimento con tres tratamientos, que consistı́an en tres tipos de
empaques, llámense A (testigo), B y C, con 7 repeticiones cada uno, con el fin de
observar en un tiempo determinado la conservación de un alimento. Después de
procesar la información, se obtuvo un CME = 3,076. Las comparaciones deseadas
son:
1) TA contra (TB , TC ) 2) TB contra TC
que en terminos de contrastes ortogonales se escriben como
µB + µC
1) µA = o también Z1 : 2µA − µB − µC = 0
2
2) µB = µC o también Z2 : µB − µC = 0


Solución
Note que:
Para Z1 : C11 = 2, C12 = −1 y C13 = −1
Para Z2 : C21 = 0, C22 = 1 y C23 = −1
Se verifican las condicones para que sean contrastes ortogonales

Note que:
3
P
C1j = 2 + (−1) + (−1) = 0
j=1
3
P
C2j = 0 + 1 + (−1) = 0
j=1
3
P
C1j C2j = (2)(0) + (−1)(1) + (−1)(−1) = 0
j=1
por lo tanto, los contrastes Z1 y Z2 son ortogonales.

Llevemos a cabo las pruebas de hipótesis

1) Para Z1 es: H0 : 2µA − µB − µC = 0 vs H0 : 2µA − µB − µC 6= 0
2) Para Z2 es: H0 : µB − µC = 0 vs H0 : µB − µC 6= 0
conociendo de antemano que Y A = 17,6, Y A = 19,31 y Y C = 23,53.
Ası́, podemos estimar los contrastes
3
P
Zb1 = c1j Y j = (2)(17,6) + (−1)(19,31) + (−1)(23,53) = −7,64
j=1
3
P
Zb2 = c2j Y j = (0)(17,6) + (1)(19,31) + (−1)(23,53) = −4,22
j=1

Cálculo de las sumas de cuadrados

2
Z
b1
[−7,64]
2
SCZb1 = t 2 = = 68,09
P c1j (2)2 (−1)2 (−1)2
rj + +
j=1 7 7 7
2
Z
b2
[−4,22]
2
SCZb2 = = 2
= 62,32
t
P c22j (0) (1)2 (−1)2
rj + +
j=1 7 7 7
Estadı́stico de prueba
CMZb1 68,09 CMZb2 62,32
F0,Zb1 = = = 22,13 F0,Zb2 = = = 20,13
CME 3,076 CME 3,076

Para α = 0,05, el valor de la tabla es F(α;1;GLE ) = F(0,05;1;18) = 4,41

F0,Zb1 > 4,41 y F0,Zb2 > 4,41, por lo tanto se rechazan las hipótesis planteadas.
Se concluye que al nivel de significancia del 5 %, los empaques B y C conservaron
mejor el alimento que el testigo (A) y a su vez el empaque C superó en conservación
al empaque B, dando como resultado que el mejor empaque es el C seguido del
B y por último el A.


Existen varias maneras de elegir los coeficientes de los contrastes ortogonales para
un conjunto de tratamientos. En general, algún elemento en la naturaleza del
experimento deberá sugerir las comparaciones que son de interés. Por ejemplo, si
hay t = 3 tratamientos, donde el tratamiento 1 es el control y donde los niveles
del factor en los tratamientos 2 y 3 son de interés para el experimentador, los
contrastes ortogonales apropiados podrı́an ser los siguientes:
Coeficientes
Tratamientos
de los contrastes
1 (Control) −2 0
2 (Nivel 2) 1 −1
3 (Nivel 3) 1 1
Observese que el contraste 1 con cj = −2, 1, 1 compara el efecto promedio del

factor con el control, mientras que el contraste 2 con cj = 0, −1, 1 compara los
dos niveles del factor de interés.
En general, este método es útil para lo que se llama comparaciones planeadas,
es decir, que los contrastes se especifican antes de llevar a cabo el experimento.
Ejemplo 9
Realizaremos los contrastes ortogonales para el experimento de reducción del
tiempo de cocción del ejemplo 2. Los tratamientos son a base de bicarbonato
de sodio (NaHCO3) y cloruro de sodio o sal común (NaCl). El primer tratamiento
es el de control, que consiste en no aplicar ningún tratamiento. El tratamiento T2
es el remojo en agua con bicarbonato de sodio, el T3 es remojar en agua con sal
común y el T4 es remojar en agua con una combinación de ambos ingredientes en
proporciones iguales.
En este experimento, los siguientes contrastes pueden ser de interés.
1) T1 vs T2 T3 T4 comparar el control con los demás niveles.
2) T2 T3 vs T4 comparar las sustancias puras con la mezcla.
3) T2 vs T3 comparar las sustancias puras.

Coeficientes de los contrastes

Las hipótesis correspondientes para los contrastes son:
Z1 : H0 : 3µ1 − µ2 − µ3 − µ4 = 0 vs H1 : 3µ1 − µ2 − µ3 − µ4 6= 0
Z2 : H0 : µ2 + µ3 − 2µ4 = 0 vs H1 : µ2 + µ3 − 2µ4 6= 0
Z3 : H0 : µ2 − µ3 = 0 vs H1 : µ2 − µ3 6= 0
Media
µ1 µ2 µ3 µ4 t
P c2j
Contraste Media estimada Zb rj SCZb
j=1
Y 1 = 210,33 Y 2 = 78,33 Y 3 = 59,67 Y 4 = 83,67
Z1 3 -1 -1 -1 409,333 4 41888,444
Z2 0 1 1 -2 −29,333 2 430,222
Z3 0 1 -1 0 18,667 0,667 522,667


La tabla ANAVA correspondiente al ejemplo, con α = 0,05, es
Tabla ANAVA
Tratamiento 3 42841,333 14280,444 527,278 4,066 ***
Error 8 216,667 27,083
Total 11 43058
Se calculan los estadı́stico de prueba, tomando en cuenta que CME = 27,083

CMZb1 41888,444
F0,Zb1 = = = 1546,650
CME 27,083
CMZb2 430,222
F0,Zb2 = = = 15,885
CME 27,083
CMZb3 522,667
F0,Zb3 = = = 19,298
CME 27,083

Para α = 0,05, el valor de la tabla es F(α;1;GLE ) = F(0,05;1;8) = 5,31
Tabla ANAVA
Tratamiento 3 42841,333 14280,444 527,278 4,066 ***
Z1 1 41888,444 41888,444 1546,650 5,31 ***
Z2 1 430,222 430,222 15,885 5,31 **
Z3 1 522,667 522,667 19,298 5,31 **
Error 8 216,667 27,083
Total 11 43058

Tabla de Contenido


Validación de supuestos (Normalidad)
Prueba de Shapiro-Wilks para normalidad

Consideremos una muestra aleatoria de datos x1 , x2 , . . . , xn que proceden de cierta
distribución desconocida denotada por F (x). Se quiere verificar si dichos datos
fueron generados por un proceso normal, mediante las hipótesis estadı́sticas:
(
H0 : Los datos proceden de una distribución normal
H1 : Los datos no proceden de una distribución normal
El estadı́stico de prueba para esta hipótesis es
k
!2
1 X
Wc = ai x(n−i+1) − x(i)
(n − 1)S 2 i=1
Se rechazará H0 al nivel de significancia α, si Wc > W(1−α;n)


Pasos para calcular Wc
Columna 1: Se enumeran todos los valores de la variable estudiada
(i = 1, 2, 3, . . . , n).
Columna 2: Se ordenan los valores de la variable en forma ascendente
x(i)
.Columna 3: Se ordenan los valores de la variable en forma descendente

x(n−i+1)
.Columna 4: Se obtiene la diferencia

x(n−i+1) − x(i) = columna 3 − columna 2
Columna
. 5: Se obtienen los valores de ai para n correspondiente.
Columna 6: Se calcula el producto

ai x(n−i+1) − x(i) = columna 4 × columna 5
Columna 7: Para los residuales en un DCA, (n − 1)S 2 = SCE

Ejemplo 10
Probaremos si los residuales del modelo DCA del ejemplo de los cuatro proveedores
de alimento siguen una distribución normal. Los residuales estimados se calculan
como
ebij = yij − y j
Tabla de residuales
Proveedor
A B C D
−1,25 −1,5 −1,75 −0,5
0,75 0,5 3,25 1,5
−0,25 1,5 −1,75 0,5
0,75 −0,5 0,25 −1,5


i xi x(i) x(n−i+1) x(n−i+1) − x(i) ai ai x(n−i+1) − x(i)
1 −1,250 −1,750 3,250 5,000 0,506 2,528
2 0,750 −1,750 1,500 3,250 0,329 1,069
3 −0,250 −1,500 1,500 3,000 0,252 0,756
4 0,750 −1,500 0,750 2,250 0,199 0,447
5 −1,500 −1,250 0,750 2,000 0,145 0,289
6 0,500 −0,500 0,500 1,000 0,101 0,101
7 1,500 −0,500 0,500 1,000 0,059 0,059
8 −0,500 −0,250 0,250 0,500 0,020 0,010
9 −1,750 0,250 −0,250 −0,500 0 0
10 3,250 0,500 −0,500 −1,000 0 0
11 −1,750 0,500 −0,500 −1,000 0 0
12 0,250 0,750 −1,250 −2,000 0 0
13 −0,500 0,750 −1,500 −2,250 0 0
14 1,500 1,500 −1,500 −3,000 0 0
15 0,500 1,500 −1,750 −3,250 0 0
16 −1,500 3,250 −1,750 −5,000 0 0
5,260

Cálculo de Wc
k
!2
1 X 5,2602
Wc = ai x(n−i+1) − x(i) = = 0,938
SCE i=1
29,5
Para n = 16 y α = 0,05, el valor crı́tico de la tabla de Shapiro Wilks es
W(0,95;16) = 0,981
De acuerdo con el criterio de rechazo, no se puede rechazar H0 ya que Wc < 0,981.

Se concluye que los errores son normales.

Valores crı́ticos para la prueba de Shapiro-Wilks

1−α
n 0,01 0,02 0,05 0,1 0,5 0,9 0,95 0,98 0,99
3 0,753 0,756 0,767 0,789 0,959 0,998 0,999 0,001 0,001
4 0,687 0,707 0,748 0,792 0,935 0,987 0,992 0,996 0,997
5 0,686 0,715 0,762 0,806 0,927 0,979 0,986 0,991 0,993
6 0,713 0,743 0,788 0,826 0,927 0,974 0,981 0,986 0,989
7 0,730 0,760 0,803 0,838 0,928 0,972 0,979 0,985 0,988
8 0,749 0,778 0,818 0,851 0,932 0,972 0,978 0,984 0,987
9 0,764 0,791 0,829 0,859 0,935 0,972 0,978 0,984 0,986
10 0,781 0,806 0,842 0,869 0,938 0,972 0,978 0,983 0,986
11 0,792 0,817 0,850 0,876 0,940 0,973 0,979 0,984 0,986
12 0,805 0,828 0,859 0,883 0,943 0,973 0,979 0,984 0,986
13 0,814 0,837 0,866 0,889 0,945 0,974 0,979 0,984 0,986
14 0,825 0,846 0,874 0,895 0,947 0,975 0,980 0,984 0,986
15 0,835 0,855 0,881 0,901 0,950 0,975 0,980 0,984 0,987
16 0,844 0,863 0,887 0,906 0,952 0,976 0,981 0,985 0,987
17 0,851 0,869 0,892 0,910 0,954 0,977 0,981 0,985 0,987
18 0,858 0,874 0,897 0,914 0,956 0,978 0,982 0,986 0,988
19 0,863 0,879 0,901 0,917 0,957 0,978 0,982 0,986 0,988
20 0,868 0,884 0,905 0,920 0,959 0,979 0,983 0,986 0,988
21 0,873 0,888 0,908 0,923 0,960 0,980 0,983 0,987 0,989
22 0,878 0,892 0,911 0,926 0,961 0,980 0,984 0,987 0,989
23 0,881 0,895 0,914 0,928 0,962 0,981 0,984 0,987 0,989
24 0,884 0,898 0,916 0,930 0,963 0,981 0,984 0,987 0,989
25 0,888 0,901 0,918 0,931 0,964 0,981 0,985 0,988 0,989

Coeficientes ai para la prueba de Shapiro-Wilks

i/n 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 0,574 0,56 0,548 0,536 0,525 0,515 0,506 0,497 0,489 0,481 0,473 0,464 0,459 0,454 0,449 0,445
2 0,329 0,332 0,333 0,333 0,332 0,331 0,329 0,327 0,325 0,323 0,321 0,319 0,316 0,313 0,31 0,307
3 0,214 0,226 0,235 0,241 0,25 0,25 0,252 0,254 0,255 0,256 0,257 0,258 0,257 0,256 0,255 0,254
4 0,122 0,143 0,159 0,171 0,18 0,188 0,199 0,199 0,203 0,206 0,209 0,212 0,213 0,214 0,215 0,215
5 0,04 0,07 0,092 0,11 0,124 0,135 0,145 0,152 0,159 0,164 0,169 0,174 0,176 0,179 0,181 0,182
6 0 0 0,03 0,054 0,073 0,088 0,101 0,111 0,12 0,127 0,133 0,14 0,144 0,148 0,151 0,154
7 0 0 0 0 0,024 0,043 0,059 0,073 0,084 0,093 0,101 0,109 0,012 0,12 0,125 0,128
8 0 0 0 0 0 0 0,02 0,036 0,05 0,061 0,071 0,08 0,088 0,094 0,1 0,105
9 0 0 0 0 0 0 0 0 0,016 0,03 0,042 0,053 0,062 0,07 0,076 0,082
10 0 0 0 0 0 0 0 0 0 0 0,014 0,026 0,037 0,046 0,054 0,061
11 0 0 0 0 0 0 0 0 0 0 0 0 0,012 0,023 0,032 0,04
12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0,011 0,0200
13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Validación de supuestos (Homogeneidad)

Prueba de Bartlett para homogeneidad
Supongamos que se tienen k poblaciones
o tratamientos independientes, cada uno
con distribución normal N µ; σ 2 , donde las varianzas son desconocidas. Se quiere
probar la hipótesis de igualdad de varianzas dada por:
(
H0 : σ12 = σ22 = · · · = σk2 = σ 2
H1 : σj2 6= σj20 para algún j 6= j 0
El estadı́stico de prueba se define como:

 
t
1 X
U = (n − t)ln σp2 − (rj − 1)ln σj2 

C j=1
" #
t t (rj −1)σj2
1 1 1
σp2 =
P P
donde C = 1 + 3(t−1) rj −1 − n−t y n−t
j=1 j=1


Prueba de Bartlett para homogeneidad
Cuando la hipótesis nula es cierta, el estadı́stico U tiene distribución aproximada-
mente χ2 con t − 1 grados de libertad. Por lo tanto, se rechazará H0 al nivel de
significncia α si U > χ2(α;t−1)
Ejemplo 11
Continuando con el ejemplo de los cuatro proveedores de alimento, se probará la
hipótesis (
H0 : σ12 = σ22 = σ32 = σ42 = σ 2
H1 : σj2 6= σj20 para algún j 6= j 0
1

Tratamiento j rj rj − 1 rj −1 σj2 (rj − 1)ln σj2
A 4 3 0,3333 0,9167 −0,2610
B 4 3 0,3333 1,6667 1,5325
C 4 3 0,3333 5,5833 5,1594
D 4 3 0,3333 1,6667 1,5325
1,3333 7,9633


Ejemplo 11
 
t
1 X 1 1  = 1 + 1 1,3333 − 1 = 1,1389
C =1+  −
3(t − 1) j=1 rj − 1 n−t 9 12
Para los residuales en un DCA se tiene
σp2 = CME
El estadı́stico de prueba es
 
t
1  X
2 

U = (n − t)ln (CME ) − (rj − 1)ln σj
C j=1
1
= [12 · ln (2,4583) − 7,9633]
1,1389
= 2,4853

Ejemplo 9
El valor crı́tico para α = 0,05 y t − 1 = 3 es χ2(0,05;3) = 7,815.
De acuerdo con el criterio de rechazo, dado que
U = 2,4853 < 7,815
no se puede rechazar H0 y se concluye que las varianzas son homoge-

neas.

Validación de supuestos (Independencia)

Prueba de Durbin-Watson para independencia
Esta prueba permite diagnosticar la presencia de correlación (autocorrelación) entre
los residuos consecutivos (ordenados en el tiempo), que es una posible manifesta-
ción de la falta de independencia. Sea ρ el parámetro que representa la correlación
entre residuos consecutivos. La hipótesis en la prueba de Durbin-Watson es:
(
H0 : ρ = 0
H1 : ρ 6= 0
El estadı́stico de prueba para esta hipótesis es

n
P 2
(ei − ei−1 )
i=1
d= n
e2i
P
i=1
donde ei es el error en el tiempo i − ésimo.

Prueba de Durbin-Watson para independencia

Para un nivel de significancia α
Si d < dL;α ,se rechaza H0
Si d > dU ;α , no se rechaza H0
Si dL;α ≤ d ≤ dU ;α , no decide.
Los valores de los lı́mites dL;α y dU ;α se encuentran tabulados en la tabla de valores
crı́ticos de Durbin-Watson.

Lı́mites para la prueba deDurbin-Watson


Ejemplo 12
Prueba de Durbin-Whatson para la independencia de los errores en el ejemplo de
los cuatro proveedores de alimento.
Tiempo i Tratamiento ei (ei − ei−1 )2
1 A2 0,75
2 C4 0,25 0,250
3 A4 0,75 0,250
4 D4 -1,50 5,063
5 A1 -1,25 0,063
6 C3 -1,75 0,250
7 B4 -0,50 1,563
8 D2 1,50 4,000
9 D3 0,50 1,000
10 D1 -0,50 1,000
11 B1 -1,50 1,000
12 C2 3,25 22,563
13 A3 -0,25 12,250
14 B3 1,50 3,063
15 C1 -1,75 10,56
16 B2 0,50 5,063
67,938

Ejemplo 12
hipótesis de interés (
H0 : ρ = 0
H1 : ρ 6= 0
El estadı́stico de prueba es
n
P 2
(ei − ei−1 )
i=1 67,938
d= = = 2,301
SCE 29,50
Para α = 0,05 y n = 16, los valores de la tabla son dL;0,05 = 1,10 y dU ;0,05 = 1,37.
De acuerdo con el criterio de rechazo, d = 2,301 > 1,37, por lo tanto no se puede
rechazar H0 y se concluye que los errores son independientes.

Experimentos con un solo factor Diseño en bloques completos al azar (DBCA)
Tabla de Contenido


Bloqueo
Consiste en nulificar adecuadamente los factores que puedan afectar la variable
respuesta. Al bloquear, se supone que el subconjunto de datos dentro de cada
bloque es más homogeneo que el conjunto total de datos. Por ejemplo, si se quieren
comparar cuatro máquinas, entonces, el operador de las máquinas (dependiendo de
su habilidad) puede influir en el resultado. Una posible estratégia de bloqueo serı́a
que el mismo operador realice todas las pruebas del experimento. Otra estrategı́a
puede ser experimentar con cuatro operadores (cuatro bloques), cada uno de los
cuales prueba en orden aleatorio las cuatro máquinas.

Ventajas
El agrupamiento de las unidades experimentales permite controlar una
fuente de variación, obteniendose una reducción del error experimental.
Es posible aumentar el número de repeticiones dentro de cada bloque para
aquellos tratamientos que se deseen estudiar con mayor precisión.
Si se pierde una, o más de una unidad experimental, esta(s) se puede(n)
estimar con las restantes.
Desventajas
No es apropiado para un número grande de tratamientos (se recomiendan
máximo 25)
Si se bloquea sin necesidad, no hay ganancia en precisión respecto al DCA y
por el contrario se pierde eficiencia debido a la reducción de los GLE .


Modelo estadı́stico del DBCA
El modelo estadı́stico para este diseño esta dado por:
Yij = µ + βi + τj + εij
para i = 1, 2, . . . , r y j = 1, 2, . . . , t
Componentes
Yij Es la observación obtenida en el bloque i − ésimo del tratamiento j.
µ Es un parámetro común a todos los tratamientos y corresponde a la media
general.
βi Es el efecto del bloque i − ésimo.
τj Es el efecto del tratamiento j − ésimo.
εij Es el error aleatorio que se atribuye a la observación Yij .
Los supuestos sobre los errores εij son los mismos que en el DCA.
Esquema general de DBCA

Tratamientos
Bloques T1 T2 T3 ··· Tj ··· Tt Total Media
1 Y11 Y12 Y13 ··· Y1j ··· Y1t Y1 Y 1
2 Y21 Y22 Y23 ··· Y2j ··· Y2t Y2 Y 2
3 Y31 Y32 Y33 ··· Y3j ··· Y3t Y3 Y 3
.. .. .. .. .. ..
. . . . ··· . ··· .
r Yr1 Yr2 Yr3 ··· Yrj ··· Yrt Yr Y r
Total Y1 Y2 Y3 ··· Yj ··· Yt Y
Media Y 1 Y 2 Y 3 ··· Y j ··· Y t Y

Hipótesis de interés
1) Para los tratamientos
(
H0 : µ1 = µ2 = · · · = µt
H1 : µj 6= µj 0 para algún j 6= j 0
2) Para los bloques

(
H0 : µ1 = µ2 = · · · = µr
H1 : µi 6= µi0 para algún i 6= i0

Tabla ANAVA para un DBCA

Los cálculos del DBCA para probar las hipótesis se resumen en la tabla ANAVA
Tabla ANAVA
CM
Bloque r−1 SCB CMBloq F0 = CMBloq
E
F(α;r−1;n−t)
Tratamiento t−1 SCtto CMtto F0 = CM
CME
tto
F(α;t−1;n−t)
Error (r − 1)(t − 1) SCE CME
Total rt − 1 SCT
Criterio de rechazo para los tratamientos

Se rechazará H0 al nivel de significancia α si
F0 > F(α;t−1;n−t)

Y2
Factor de corrección: F C = rt

r P
t
Yij2 − F C
P
i=1 j=1
r
P Yi2
Suma de cuadrados de bloques: SCBloq = t − FC
i=1
t
P 2
Yj
Suma de cuadrados de tratamientos: SCtto = r − FC
j=1
Suma de cuadrados del error: SCE = SCT − SCBloq − SCtto

Cuadrados medios
SCBloq
Cuadrado medio del bloque: CMBloq = r−1
Cuadrado medio de tratamientos: CMtto = SC tto
t−1
SCE
Cuadrado medio del error: CME = (r−1)(t−1)

Ejemplo 13
En una empresa lechera se tienen varios silos para almacenar leche (cisternas de
60 000 L). Un aspecto crı́tico para que se conserve la leche es la temperatura de
almacenamiento. Se sospecha que en algunos silos hay problemas, por ello, durante
cinco dı́as se decide registrar la temperatura a cierta hora crı́tica. Obviamente la
temperatura de un dı́a a otro es una fuente de variabilidad que podrı́a impactar la
variabilidad total.
Dı́a
Silo Lunes Martes Miércoles Jueves Viernes
A 4,0 4,0 5,0 0,5 3,0
B 5,0 6,0 2,0 4,0 4,0
C 4,5 4,0 3,5 2,0 3,0
D 2,5 4,0 6,5 4,5 4,0

Ejemplo 13
Para el ejemplo dado se tiene que r = 5 bloques y t = 4 tratamientos.
Bloques(Dı́as)
Silos Lunes Martes Miércoles Jueves Viernes Yj Y j
A 4,0 4,0 5,0 0,5 3,0 16,5 3,3
B 5,0 6,0 2,0 4,0 4,0 21 4,2
C 4,5 4,0 3,5 2,0 3,0 17 3,4
D 2,5 4,0 6,5 4,5 4,0 21,5 4,3
Yi 16 18 17 11 14 Y Y
Y i 4 4,5 4,25 2,75 3,5 76 3,8
Y2 76
Factor de correción F C = rt = 5·4 = 288,8


Sumas de cuadrados
5 P
4
Yij2 −F C = 4,02 + 4,02 + 5,02 + · · · + 4,02 −288,8 = 36,7
P
SCT =
i=1 j=1
5
Yi2 1

162 + 182 + 172 + 112 + 142 − 288,8 = 7,7
P
SCBloq = 4 − FC = 4
i=1
4 2
Yj 1

16,52 + 212 + 172 + 21,52 − 288,8 = 4,1
P
SCtto = 5 − FC = 5
j=1
SCE = SCT − SCBloq − SCtto = 36,7 − 7,7 − 4,1 = 24,9
Cuadrados medios
SCBloq 7,7
CMBloq = r−1 = 4 = 1,925
4,1
CMtto = SC
t−1 = 3 = 1,367
tto
SCE
CME = (r−1)(t−1) = 24,9
4·3 = 2,075

Tabla ANAVA
Para α = 0,05, los puntos crı́ticos de la tabla F son
F(α;r−1;n−t) = F(0,05;4;12) = 3,259 para los bloque
F(α;t−1;n−t) = F(0,05;3;12) = 3,490 para los tratamientos
Tabla ANAVA
Bloque 4 7,7 1,925 0,928 3,259
Tratamiento 3 4,1 1,367 0,659 3,490
Error 12 24,9 2,075
Total 19 36,7

Validación de supuestos del DBCA

Para llevar a cabo las pruebas de validación correspondientes se deben calcular
inicialmente los errores, los cuales vienen dados por la expresión
ebij = yij − y i − y j + y
con los cuales se valida la hipótesis de normalidad, homogeneidad de varianzas e

independencia.
Nota
Las pruebas de comparaciones múltiples LSD, Tukey y Duncan, se realizan de
manera similar al DCA.


Estimación de parcelas perdidas
Cuando se lleva a cabo un experimento bajo un diseño en bloques completos al azar
es posible que una o varias unidades experimentales e pierdan debido a cuestiones
de descuido o por cuestiones ajenas.
Sean
yij la observación perdida en el i − ésimo bloque del j − ésimo
tratamiento.
yi0 el total del bloque donde se pierde la observación.
0
yj el total del tratamiento donde se pierde la observación
y0 el gran total con la observación perdida.
El estimador de la observación perdida es
0
ryi0 + tyj − y0
ybij =
(r − 1)(t − 1)

Ejemplo 14
Supongamos que para los datos del ejemplo 13 se ha perdido la observación y43 ,
es decir, la observación del bloque 4 en el tratammiento 3..
Dı́a
Silo Lunes Martes Miércoles Jueves Viernes
A 4,0 4,0 5,0 0,5 3,0
B 5,0 6,0 2,0 4,0 4,0
C 4,5 4,0 3,5 3,0
D 2,5 4,0 6,5 4,5 4,0

Bloques(Dı́as)
Silos Lunes Martes Miércoles Jueves Viernes Yj
A 4,0 4,0 5,0 0,5 3,0 16,5
B 5,0 6,0 2,0 4,0 4,0 21
C 4,5 4,0 3,5 3,0 15
D 2,5 4,0 6,5 4,5 4,0 21,5
Yi 16 18 17 9 14 Y = 74
Para r = 5 y t = 4.
El estimador de la observación perdida es
0 0
ry4 + ty3 − y0 (5)(9) + (4)(15) − 74
yb43 = = = 2,58
(r − 1)(t − 1) (4)(3)

Eficicencia relativa del DBCA frente al DCA

Este resultado ofrece un procedimiento sencillo para comparar en concreto, la
precisión relativa de dos experimentos. La Eficiencia Relativa (ER) del diseño en
bloques en comparación con el DCA, esta dada por la ecuación siguiente:
CMBloq + (t − 1) CME
ER =
tCME
Si el valor de ER es menor o igual que 1, se concluye que el diseño en bloques no
fue eficiente, en comparación con el DCA.

Ejemplo 15
Se calcula la eficiencia relativa a partir de la tabla ANAVA del ejemplo 11.
Bloque 4 7,7 1,925 0,928 3,259
Tratamiento 3 4,1 1,367 0,659 3,490
Error 12 24,9 2,075
Total 19 36,7
CMBloq + (t − 1) CME 1,925 + 3 (2,075)

ER = = = 0,9819
tCME 4 (2,075)
Este valor indica que al aplicar un DBCA hay aproximadamente 2 % menos de

eficiencia, que cuando se aplica un DCA.

Experimentos con un solo factor Diseño cuadrado latino (DCL)
Tabla de Contenido


En algunas ocasiones el material experimental o las condiciones experimentales son

muy heterogéneas de tal manera que no es posible agrupar las unidades experimen-
tales en bloques homogéneos teniendo en cuenta un sólo criterio de agrupación,
sino que existen dos fuentes de variación externas al material experimental. En este
diseño se controlan dos factores de bloque y uno de tratamientos con la misma
cantidad de niveles. Los tratamientos se representan por letras latı́nas y se distri-
buyen en forma adecuada en un cuadro, por tal razón se llama Diseño en cuadro
latino (DCL). En este diseño se tienen cuatro fuentes de variabilidad que pueden
afectar la respuesta observada:
Los tratamientos
El factor de bloque I (filas)
El factor de bloque II (columnas)
El error aleatorio

Ventajas
El control de dos variables permite disminuir el error experimental y la varia-
ción atribuı́da al efecto de estas variables.
Normalmente hay una mayor precisión debido a la reducción de la varianza
residual CME
Cuando se presentan experimentos a largo plazo bien puede ocurrir que un
primer conjunto de tratamientos ya se haya terminado y hubiesen estado
distribuidos bajo un diseño de bloques completos, un segundo grupo de tra-
tamientos puede aplicarse y si no interactúa con el primer conjunto, se puede
usar la estructura de filas y columnas bajo un diseño de cuadrado latino,
controlándose posibles efectos residuales.

Desventajas
El uso del DCL disminuye el número de grados de libertad del error.
La pérdida de más de una parcela experimental dificulta el análisis.
El número de las unidades experimentales requeridas para un experimento se
incrementa notablemente a medida que aumenta el número de tratamientos
en el ensayo.

Aleatorización en un Diseño Cuadrado Latino

La aleatorización en el diseño cuadrado latino consiste en elegir un cuadrado latino
patrón entre todos los cuadrados latinos patrones. Una manera de obtener un
cuadrado latino patrón es asignando los tratamientos a la primera hilera en orden
alfabético, la segunda hilera se inicia con la segunda letra y se continua en orden
alfabético y ası́ sucesivamente.
Cuadrado latino patrón

Cuadrado latino patrón Diseño Cuadrado Latino
aleatorizado
1 2 3 4 5 3 5 2 1 4
1 A B C D E 3 5 2 1 4 5 B D A E C
2 B C D E A 1 C E B A D 1 C E B A D
3 C D E A B 2 D A C B E 2 D A C B E
4 D E A B C 3 E B D C A 4 A C E D B
5 E A B C D 4 A C E D B 3 E B D C A
5 B D A E C

Modelo estadı́stico del DCL

El modelo estadı́stico para este diseño esta dado por:
Yij(k) = µ + αi + βj + τ(k) + εij(k)
para i = j = k = 1, 2, . . . , t
Yij Es la observación de la fila i − ésima y la columna j − ésima para el

tratamiento k − ésimo.
µ Es la media general común a todos los tratamientos.
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.
εij(k) Es el error aleatorio que se atribuye a la fila i − ésima y la columna
j − ésima para el tratamiento k − ésimo.
Los supuestos sobre los errores εij son los mismos que en el DCA.


Hipótesis de interés
1) Para los tratamientos
(
H0 : τk = 0 para todo k
H1 : τk 6= 0 para algún k
2) Para las filas (

H0 : αi = 0 para todo i
H1 : αi 6= 0 para algún i
3) Para las columnas

(
H0 : βj = 0 para todo j
H1 : βj 6= 0 para algún j


Tabla ANAVA
Se presenta la tabla de análisis de varianza resumida para llevar a cabo las pruebas
de hipótesis de filas, columnas y tratamientos.
Filas t−1 SCF ila CMF ila F0 = CM F ila
CME F(α;t−1;GLE )
CMCol
Columnas t−1 SCCol CMCol F0 = CME F(α;t−1;GLE )
Tratamiento t−1 SCtto CMtto F0 = CM
CME
tto
F(α;t−1;GLE )
Error (t − 1)(t − 2) SCE CME
Total (t2 − 1) SCT
Criterio de rechazo
Para cada hipótesis respectivamente, Se rechazará H0 al nivel de significancia α si
F0 > F(α;t−1;GLE )


Cálculos para el ANAVA
2 t P
t
Y P
Factor de corrección: F C = t2 con Y = Yij(k)
i=1 j=1

t P
t
2
P
Suma de cuadrados total: SCT = Yij(k) − FC
i=1 j=1
t 2
P Yi
Suma de cuadrados de filas: SCF ila = t − FC
i=1
t
P 2
Yj
Suma de cuadrados de columna: SCCol = t − FC
j=1
t 2
P Yk
Suma de cuadrados de tratamiento: SCtto = t − FC
k=1
Suma de cuadrados del error: SCE = SCT − SCF ila − SCCol − SCtto
Cuadrados medios
SCF ila
Cuadrado medio del Fila: CMF ila = t−1
Cuadrado medio del Columnas: CMCol = SC Col
t−1
Cuadrado medio de tratamientos: CMtto = SC tto
t−1
SCE
Cuadrado medio del error: CME = (t−1)(t−2)

Ejemplo 16
Se comprueba el peso en gramos de un material de tres proveedores: A, B y C, por
tres diferentes inspectores: I, II y III, utilizando tres diferentes escalas: 1, 2 y 3. El
experimento es llevado a cabo como el cuadro latino siguiente:
Escala
1 2 3
I A = 16 B = 10 C = 11
Inspector II B = 15 C=9 A = 10
III C = 13 A = 11 B = 13


Hipótesis para los tratamientos
(
H0 : τA = τB = τC = 0
H1 : τk 6= 0 para algún k
Para este diseño t = 4, por lo tanto i = j = k = 1, 2, 3, 4

Escala
1 2 3 Yi Y i
I A = 16 B = 10 C = 11 37 12,333
Inspector II B = 15 C=9 A = 10 34 11,333
III C = 13 A = 11 B = 13 37 12,333
Yj 44 30 34 Y = 108
Y j 14,667 10,000 11,333 Y = 12
Proveedor A B C
Yk 37 38 33
Y k 12,333 12,667 11,000

Factor de corrección
Y2 1082
FC = 2
= 3 = 1296
t 3
Suma de cuadrados total

X3 X3
2
SCT = Yij(k) −F C = 162 +102 +· · ·+132 −1296 = 1342−1296 = 46
i=1 j=1
Suma de cuadrados de filas

3 2
X Yi 372 342 372
SCF ila = − FC = + + − 1296 = 1298 − 1296 = 2
i=1
t 3 3 3
Suma de cuadrados de columna

3 2
X Yj 442 302 342
SCCol = −F C = + + −1296 = 1330,667−1296 = 34,667
j=1
t 3 3 3

Suma de cuadrados de tratamiento

3 2
X Yk 372 382 332
SCtto = −F C = + + −1296 = 1300,667−1296 = 4,667
t 3 3 3
k=1
Suma de cuadrados del error

SCE = SCT − SCF ila − SCCol − SCtto = 46 − 2 − 34,667 − 4,667 = 4,667
Valor crı́tico Fα para α = 0,05

F(α;t−1;GLE ) = F(0,05;2;2) = 19,000

Tabla ANAVA
Filas 2 2,000 1,000 0,429 19,000
Columnas 2 34,667 17,333 7,429 19,000
Tratamiento 2 4,667 2,333 1,000 19,000
Error 2 4,667 2,333
Total 8 46,000

Estimación de parcelas perdidas en DCL

Cuando ocasionalmente falta una observación en un diseño cuadrado latino t × t,
el valor faltante puede estimarse mediante la expresión
0 0 0 0

t yi + yj + yk − 2y
ybijk =
(t − 2)(t − 1)
donde
0
yi el total de la fila donde se pierde la observación.
0
yj el total de la columna donde se pierde la observación.
0
yk el total del tratamiento donde se pierde la observación.
0
y el gran total con la observación perdida.


Ejemplo 17 : Supongamos que en los datos del ejemplo 16 existe una observación
faltante y calculemos los totales correspondientes.
Escala
1 2 3 Yi
I A = 16 B = 10 C = 11 37
Inspector II B = 15 . A = 10 25
III C = 13 A = 11 B = 13 37
Yj 44 21 34 99
Proveedor A B C
Yk 37 38 24
En este caso, la observación perdida es Y223 , y la estimación para este valor con
t = 3 es
0 0 0 0
t (y2 + y2 + y3 ) − 2y 3 (25 + 21 + 24) − 2(99)
yb223 = = =6
(t − 2)(t − 1) (1)(2)

Eficiencia relativa del DCL frente al DCA

La Eficiencia Relativa (ER) del diseño cuadrado latino en comparación con el
DCA, esta dada por la ecuación siguiente:
CMF ila + CMCol + (t − 2)CME

ER =
tCME
Si el valor de ER es menor o igual que 1, se concluye que el diseño cuadrado latino
no fue eficiente, en comparación con el DCA.


Filas 2 2,000 1,000 0,429 19,000
Columnas 2 34,667 17,333 7,429 19,000
Tratamiento 2 4,667 2,333 1,000 19,000
Error 2 4,667 2,333
Total 8 46,000
CMF ila + CMCol + (t − 2)CME 1 + 17,333 + (1)(2,333)

ER = = = 2,9527
tCME (3)(2,333)

Eficiencia relativa del DCL frente al DBCA (Bloque de filas)

CMF ila + (t − 2)CME
ER =
(t − 1)CME
no fue eficiente, en comparación con el DBCA y que el factor de las filas no es un
factor de control importante en el experimento.
Eficiencia relativa del DCL frente al DBCA (Bloque de columnas)

CMCol + (t − 2)CME
ER =
(t − 1)CME
no fue eficiente, en comparación con el DBCA y que el factor de las columnas no
es un factor de control importante en el experimento.


Filas 2 2,000 1,000 0,429 19,000
Columnas 2 34,667 17,333 7,429 19,000
Tratamiento 2 4,667 2,333 1,000 19,000
Error 2 4,667 2,333
Total 8 46,000
Para filas (Inspector)
CMF ila + (t − 2)CME 1 + (1)(2,333)

ER = = = 0,7143
(t − 1)CME (2)(2,333)
Para columnas (Escala)
CMCol + (t − 2)CME 17,333 + (1)(2,333)

ER = = = 9,8333
(t − 1)CME (2)(2,333)

Validación de supuestos del DCL

Para llevar a cabo las pruebas de validación correspondientes se deben calcular
inicialmente los errores, los cuales vienen dados por la expresión
ebij(k) = yij(k) − y i − y j − y k + 2y
con los cuales se valida la hipótesis de normalidad, homogeneidad de varianzas e

independencia.
Nota
Las pruebas de comparaciones múltiples se realizan como se ha visto anteriormente.

Ejercicios
Tabla de Contenido
3 Ejercicios

Ejercicios
Ejercicios
1) A continuación se muestra parte del ANOVA para comparar cinco tratamien-
tos con cuatro réplicas cada uno.
Tabla ANAVA
Tratamiento 800
Error 400
Total
a) Agregar en esta tabla los grados de libertad, el cuadrado medio

y la razón F0 para cada una de las fuentes de variación.
b) ¿Con la información disponible se pueden hacer conjeturas sobre
si hay diferencias significativas entre tratamientos? Argumente
su respuesta.
c) Anote el modelo estadı́stico y formule la hipótesis pertinente.

Ejercicios
2) Se hace un estudio sobre la efectividad de tres marcas de spray para matar

moscas. Para ello, cada producto se aplica a un grupo de 100 moscas, y se
cuenta el número de moscas muertas expresado en porcentajes. Se hacen seis
réplicas y los resultados obtenidos se muestran a continuación.
a) Formule la hipótesis adecuada y el modelo estadı́stico.

b) ¿Existe diferencia entre la efectividad promedio de los productos en
spray? ¿Hay algún spray mejor? Argumente su respuesta.
c) Dé un intervalo al 95 % de confianza para la efectividad promedio (por-
centaje) de cada una de las marcas.
d) Dibuje las gráficas de medias y los diagramas de caja simultáneos, des-
pués interprételos.
e) Verifique los supuestos de normalidad y de igual varianza entre las
marcas.

Ejercicios
3) Para estudiar la confiabilidad de ciertos tableros electrónicos para carros,

se someten a un envejecimiento acelerado durante 100 horas a determinada
temperatura, y como variable de interés se mide la intensidad de corriente que
circula entre dos puntos, cuyos valores aumentan con el deterioro. Se probaron
20 módulos repartidos de manera equitativamente en cinco temperaturas y
los resultados obtenidos fueron los siguientes:
a) Formule la hipótesis adecuada y el modelo estadı́stico.

b) Realice el análisis de varianza para estos datos, a fin de estudiar si la
temperatura afecta la intensidad de corriente promedio.
c) ¿La temperatura afecta la variabilidad de las intensidades? Es decir,
verifique si hay igual varianza entre los diferentes tratamientos.

Ejercicios
4) Una compañı́a farmacéutica desea evaluar el efecto que tiene la cantidad

de almidón en la dureza de las tabletas. Se decidió producir lotes con una
cantidad determinada de almidón, y que las cantidades de almidón a aprobar
fueran 2 %, 5 % y 10 %. La variable de respuesta serı́a el promedio de la
dureza de 20 tabletas de cada lote. Se hicieron 4 réplicas por tratamiento y
se obtuvieron los siguientes resultados:
a) ¿Hay evidencia suficiente de que el almidón influye en la dureza en las

tabletas? Halle el ANOVA.
b) Realice los análisis complementarios necesarios.
c) Si se desea maximizar la dureza de las tabletas, ¿qué recomendarı́a al
fabricante?.
d) Verifique los supuestos.

Ejercicios
5) Los datos que se presentan enseguida son rendimientos en toneladas por

hectárea de un pasto con tres niveles de fertilización nitrogenada. El diseño
fue completamente aleatorizado, con cinco repeticiones por tratamiento.
a) ¿Las diferencias muestrales hacen obvia la presencia de diferencias po-

blacionales?
b) Obtenga el análisis de varianza e interprételo.
c) Analice los residuos, ¿hay algún problema?

Ejercicios
6) Un quı́mico del departamento de desarrollo de un laboratorio farmacéutico

desea conocer cómo influye el tipo de aglutinante utilizado en tabletas de
ampicilina de 500 mg en el porcentaje de friabilidad; para ello, se eligen
los siguientes aglutinantes: polivinilpirrolidona (PVP), carboximetilcelulosa
sódica (CMC) y grenetina (Gre). Los resultados del diseño experimental son
los siguientes.
a) ¿Sospecha que hay algún efecto significativo del tipo de aglutinante

sobre la variable de respuesta?
b) Escriba las hipótesis para probar la igualdad de medias y el modelo
estadı́stico.
c) Realice el análisis adecuado para probar las hipótesis e interprete los
resultados.
d) Revise los supuestos, ¿hay algún problema?

Ejercicios
7) A continuación se muestra parte del ANOVA para un diseño en bloques,

que tiene tres tratamientos y cinco bloques con una sola repetición por
tratamiento-bloque.
Tabla ANAVA
Tratamiento 600
Bloque 850
Error 500
Total 14
a) Agregar en esta tabla los grados de libertad, el cuadrado medio y la

razón F0 para cada una de las fuentes de variación.
b) Interprete en forma práctica, para cada caso, lo que está esti mando el
cuadrado medio
c) Escriba el modelo estadı́stico y las hipótesis pertinentes.
d) Apóyese en las tablas de la distribución F para aceptar o rechazar las
hipótesis.

Ejercicios
8) A continuación se muestran los datos para un diseño en bloques al azar.
a) Complete las sumas totales que se piden en la tabla anterior.

b) Calcule las sumas de cuadrados correspondientes.
c) Obtenga la tabla de análisis de varianza y anote las principales conclu-
siones.
d) Obtenga la diferencia mı́nima significativa (DM S) para comparar tra-
tamientos en este diseño en bloques.

Ejercicios
9) En una empresa lechera se tienen varios silos para almacenar leche (cisternas
de 60 000 L). Un aspecto crı́tico para que se conserve la leche es la tempera-
tura de almacenamiento. Se sospecha que en algunos silos hay problemas, por
ello, durante cinco dı́as se decide registrar la temperatura a cierta hora crı́ti-
ca. Obviamente la temperatura de un dı́a a otro es una fuente de variabilidad
que podrı́a impactar la variabilidad total.
a) En este problema, ¿cuál es el factor de tratamiento y cuál el factor de

bloque?
b) Suponga un DBCA, formule las hipótesis adecuadas y el mo delo es-
tadı́stico.
c) ¿Hay diferencia entre los silos?
d) ¿La temperatura de un dı́a a otro es diferente?
e) Revise residuos, ¿hay algún problema evidente?

Ejercicios
10) Se diseñó un experimento para estudiar el rendimiento de cuatro detergentes.

Las siguientes lecturas de “blancura” se obtuvieron con un equipo especial
diseñado para 12 cargas de lavado, distribuidas en tres modelos de lavadoras:
a) Señale el nombre del diseño experimental utilizado.

b) Formule la hipótesis que se quiere probar en este problema.
c) Realice el análisis estadı́stico más apropiado para estos datos y obtenga
conclusiones.

Ejercicios
Ejercicios
11) Se quiere estudiar el efecto de cinco diferentes catalizadores (A, B, C, D y E)

sobre el tiempo de reacción de un proceso quı́mico. Cada lote de material sólo
permite cinco corridas y cada corrida requiere aproximadamente 1,5 horas,
por lo que sólo se pueden realizar cinco corridas diarias. El experimentador
decide correr los experimentos con un diseño en cuadro latino para controlar
activa mente a los lotes y dı́as. Los datos obtenidos son:

Ejercicios
Ejercicios
a) Anote la ecuación del modelo y las hipótesis estadı́sticas correspondientes.

b) ¿Existen diferencias entre los tratamientos? ¿Cuáles tratamientos son dife-
rentes entre sı́?
c) ¿Los factores de ruido, lote y dı́a afectan el tiempo de reacción del proceso?
d) Dibuje los gráficos de medias para los tratamientos, los lotes y los dı́as. ¿Cuál
tratamiento es mejor?

Ejercicios
Ejercicios
12) Se comprueba el peso en gramos de un material de tres proveedo res: A, B y

C, por tres diferentes inspectores: I, II y III, utilizando tres diferentes escalas:
1, 2 y 3. El experimento se lleva a cabo como el siguiente cuadro latino:
Escala
Inspector 1 2 3
I A = 16 B = 10 C = 11
II B = 15 C=9 A = 14
III C = 13 A = 11 B = 13
a) ¿Hay diferencias entre los proveedores?

b) ¿Hay diferencias entre los inspectores y entre las escalas?
c) Si el peso debe ser 15 g, ¿cuál proveedor es mejor?
d) Si algún factor de bloque es no significativo, elimı́nelo y haga el análisis
adecuado.

Ejercicios
Ejercicios
13) Cuando se comparan varios fertilizantes o diferentes variedades de cierto
cultivo, es tı́pico que se deba considerar el gradiente de fertilidad del suelo
(factor columna) o los efectos residuales de cultivos previos (factor renglón).
Considerando estos factores de bloque, Gomez y Gomez (1984) plantean un
experimento en cuadro latino para comparar, en cuanto a rendimiento en
toneladas por hectárea, tres variedades de maı́z hı́brido (A, B, C) y una
variedad control (C). Para ello, se utiliza un campo agrı́cola cuadrado de 16
hectáreas, dividido en parcelas de una hectárea. Los datos de rendimiento
obtenidos en cada parcela se muestran a continuación:

Ejercicios
Ejercicios
a) ¿Existen diferencias en los rendimientos de las diferentes variedades de maı́z?

b) ¿Cuál de los factores de bloque tuvo efectos?
c) ¿Se habrı́an detectado las mismas diferencias en los tratamientos con un
diseño completamente al azar?
d) ¿Y con un diseño en bloques completos al azar?

Ejercicios
Ejercicios
14) Los siguientes datos son los resultados de un experimento realizado para
determinar si cinco fuentes de nitrógeno difirieron en sus efectos sobre la
producción de arroz. Se aplicaron los tratamientos al azar a 20 parcelas en
un diseño completamente aleatorizado. La tasa de N era constante y los
tratamientos eran: T1 = Ca(N O3 )2 , T2 = N a N O3 , T3 = N H4 N O3 ,
T4 = (N H2 )2 CO, T5 = (N H4 )2 SO4 .

Ejercicios
Ejercicios
a) Realice el análisis de varianza, utilizando un nivel de significancia del 5 %.

b) Dada la naturaleza de los tratamientos, interesa realizar las siguientes com-
paraciones:
i Tratamientos 1, 2 y 3 versus 4 y 5 (nitratos vs. no-nitratos).
ii Tratamientos 1 y 2 versus 3.
iii Tratamiento 1 versus 2.
iv Tratamiento 4 versus 5. Defina los coeficientes necesarios y
realice estos contrastes.
c) ¿Son ortogonales estos contrastes? Si lo son, verifique que la sumatoria de
sus sumas de cuadrados es igual a la suma de cuadrados de tratamiento.

Ejercicios
Ejercicios
15) En un experimento se desea conocer si hay alguna variedad de geranio que
produce más flores. Se probaron 5 variedades (B1 y B2, dos hı́bridos belgas;
S1 y S2, dos hı́bridos canadienses, y T e, una variedad comúnmente usada).
Se realizó un DBCA con 4 repeticiones.
Tratamiento Repetición No. Flores Tratamiento Repetición No. Flores
B1 1 67 B1 3 48
B2 1 50 B2 3 52
S1 1 46 S1 3 33
S2 1 43 S2 3 34
Te 1 36 Te 3 31
B1 2 51 B1 4 54
B2 2 43 B2 4 32
S1 2 29 S1 4 37
S2 2 33 S2 4 27
Te 2 28 Te 4 33
a) Realice el análisis de varianza.

b) Formule y pruebe contrastes ortogonales de interés e interprete sus
resultados.
Ejercicios
Ejercicios
16) Se probaron 4 raciones alimenticias para pollos, criados en jaula tipo baterı́a
de 4 pisos (filas) y 4 casilleros (columnas). La variable analizada fue: peso
del pollo (kg.) a las 8 semanas de edad
Casilleros
Pisos 1 2 3 4
1 1.40(A) 1.38(B) 1.40(C) 1.60(D)
2 1.35(B) 1.28(A) 1.45(D) 1.62(C)
3 1.38(C) 1.40(D) 1.42(B) 1.63(A)
4 1.39(D) 1.39(C) 1.40(A) 1.60(B)
a) Realice la Prueba de Hipótesis correspondiente. Use α = 0,05.

b) Realice la Prueba de Tukey para comparar si existe diferencias entre los
tratamientos en estudio. Use α = 0,05.

Diseno Experimental

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

Diseno Experimental

Cargado por

Copyright:

Formatos disponibles

DISEÑO EXPERIMENTAL

Fernando Madera Martı́nez

fermadera85@gmail.com DISEÑO EXPERIMENTAL 1 / 168

fermadera85@gmail.com DISEÑO EXPERIMENTAL 2 / 168

fermadera85@gmail.com DISEÑO EXPERIMENTAL 3 / 168

Los objetivos de una investigación se establecen sobre la base de pre-

fermadera85@gmail.com DISEÑO EXPERIMENTAL 4 / 168

fermadera85@gmail.com DISEÑO EXPERIMENTAL 5 / 168

fermadera85@gmail.com DISEÑO EXPERIMENTAL 6 / 168

Definiciones y conceptos básicos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 7 / 168

Definiciones y conceptos básicos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 8 / 168

Definiciones y conceptos básicos

Variable(s) de respuesta o dependiente(s)

Por ejemplo, si un ingeniero de desarrollo de producto esta interesado

fermadera85@gmail.com DISEÑO EXPERIMENTAL 9 / 168

Definiciones y conceptos básicos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 10 / 168

Definiciones y conceptos básicos

Factores no controlables o de ruido

fermadera85@gmail.com DISEÑO EXPERIMENTAL 11 / 168

Definiciones y conceptos básicos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 12 / 168

Definiciones y conceptos básicos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 13 / 168

Definiciones y conceptos básicos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 14 / 168

Definiciones y conceptos básicos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 15 / 168

fermadera85@gmail.com DISEÑO EXPERIMENTAL 16 / 168

Principios básicos en el diseño de experimentos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 17 / 168

Principios básicos en el diseño de experimentos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 17 / 168

Principios básicos en el diseño de experimentos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 18 / 168

fermadera85@gmail.com DISEÑO EXPERIMENTAL 19 / 168

Etapas en el diseño de experimentos

Etapa 1: Planeación y realización

fermadera85@gmail.com DISEÑO EXPERIMENTAL 20 / 168

Etapas en el diseño de experimentos

Etapa 1: Planeación y realización

fermadera85@gmail.com DISEÑO EXPERIMENTAL 21 / 168

Etapas en el diseño de experimentos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 22 / 168

Etapas en el diseño de experimentos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 22 / 168

Etapas en el diseño de experimentos

Etapa 4: Control y conclusiones finales

fermadera85@gmail.com DISEÑO EXPERIMENTAL 22 / 168

Clasificación y selección del diseño experimental

Existen muchos diseños experimentales para estudiar la gran diversidad de proble-

Diseños para comparar dos o más tratamientos

fermadera85@gmail.com DISEÑO EXPERIMENTAL 23 / 168

Clasificación y selección del diseño experimental

Diseños estudiar el efecto de varios factores sobre una o más variables de

fermadera85@gmail.com DISEÑO EXPERIMENTAL 24 / 168

2 Experimentos con un solo factor

fermadera85@gmail.com DISEÑO EXPERIMENTAL 25 / 168

2 Experimentos con un solo factor

fermadera85@gmail.com DISEÑO EXPERIMENTAL 26 / 168

Diseño completamente al azar (DCA)

Totales de tratamientos (Yj ) y total general (Y )

Intervalo de confianza para la diferencias de medias (Y j − Y j 0 )