Haga clic para modificar el estilo de título del patrón

DISEÑO
COMPLETAMENTE
ALEATORIZADO
(DCA)
1
Haga clic para modificar el estilo de título del patrón

Fundamentación teórica
Este diseño se llama completamente al azar porque todas las
corridas experimentales se realizan en orden aleatorio completo. De
esta manera, si durante el estudio se hacen en total N pruebas, éstas
se corren al azar, de manera que los posibles efectos ambientales y
temporales se vayan repartiendo equitativamente entre los
tratamientos.

E l o bjet ivo es co m p a ra r m á s d e d o s t ra t a m iento s

Cuando es de interés comparar tres o más máquinas, varios proveedores,

cuatro procesos, tres materiales, cinco dosis de un fármaco, etcétera.
2 2
 Haga clic para modificar el estilo de título del patrón
Modelo matemático:
𝒀𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜺𝒊𝒋
Variable respuesta Efecto del Error aleatorio
Efecto del tratamiento
Promedio global

El método capaz de probar la hipótesis de igualdad de las k

medias con un solo estadístico de prueba se denomina:

ANÁLISIS DE VARIANZA

3 3
Haga clic para modificar el estilo de título del patrón
APLICACIONES
Se aplica en condiciones homogéneas.
La mayoría de las variables están controladas

I nvernad eros
Laboratorios Galpones

4 4
Haga clic para modificar el estilo de título del patrón

Hipótesis para el DCA

Desde el punto de vista estadístico, la hipótesis
fundamental a probar cuando se comparan varios
tratamientos es:

𝑯𝟎 : 𝝁𝟏 = 𝝁𝟐 =. . . = 𝝁𝒌 = 𝝁
𝑯𝑨 : 𝝁𝒊 ≠ 𝝁𝒋

𝑯𝟎 : 𝐿os tratamientos son iguales estadísticamente en cuanto a sus medias

𝑯𝑨 : 𝐴l menos dos de los tratamientos son diferentes

5 5
Haga clic para
Tratamiento 1 modificar el2estilo
Tratamiento de título
Tratamiento k del patrón
𝑌11 𝑌12 𝑌21 𝑌22 𝑌𝑘1 𝑌𝑘2
𝑌13 𝑌23 𝑌𝑘3
𝑌1𝑗 ഥ 𝟏𝒋
𝒀 𝑌2𝑗 ഥ 𝟐𝒋
𝒀 𝑌𝑘𝑗 ഥ 𝒌𝒋
𝒀

ഥ ∙∙
𝒀 Promedio global

Tabulación

Diseño balanceado:
𝒏𝒊 = 𝒏

Diseño desbalanceado:
𝒏𝒊 ≠ 𝒏
6 6
 Haga clic para modificar el estilo de título del patrón
FUENTES DE VARIABILIDAD

VARIABILIDAD

VARIABILIDAD VARIABILIDAD POR EFECTO

DEL ERROR
POR EFECTO DEL
TOTAL TRATAMIENTO
ALEATORIO

Diferencias
dentro del
Se suman todos los valores 𝒀𝒊𝒋 Diferencia entre tratamiento
observados y se divide para el tratamientos 𝝉𝒊 𝜺𝒊𝒋
total N

2 FUENTES DE
VARIABILIDAD

7 7
Haga clic para modificar el estilo de título del patrón
EFECTO DE TRATAMIENTO

VARIABILIDAD VARIABILIDAD VARIABILIDAD

DEBIDA AL VARIABILIDAD
DEBIDA AL ERROR DEBIDA AL
DEBIDA AL
ERROR
TRATAMIENTO TRATAMIENTO

Si hay efecto de
No hay efecto de
tratamiento
tratamiento

8 8
 Haga clic para modificar el estilo de título del patrón
ANÁLISIS DE VARIANZA (ANOVA)
Efecto del
tratamiento
Y

Promedio del
𝑌11
tratamiento 1

𝑌ത1 𝑌12 𝑌31 ഥ

𝒆𝟏 = 𝒀𝟏𝟏 − 𝒀
𝑌13 ഥ𝟏 − 𝒀
𝝉𝟏 = 𝒀 ഥ
𝑌32
𝑌ത3
𝑌ത 𝒏 𝒏
𝟐
Promedio
Global
𝑌21 𝑌33 ഥ
෍ 𝒆𝟐 = ෍ 𝒀𝒊𝒋 − 𝒀
𝑌22 𝟏 𝟏

𝑌23 𝑌ത2 Total de la sumatoria de

todas las mediciones al
Sumatoria de los cuadrado
Cuadrados Totales 2
𝑌∙∙
𝑆𝐶𝑇 = ෍ 𝑌𝑖𝑗2 −
𝑁
𝑻𝟏 𝑻𝟐 𝑻𝒊 Sumatoria de todas las
Total
mediciones al cuadrado observaciones
9 9
Determinación de la Sumatoria
Haga clic para modificar de Cuadrados
el estilo Totales
de título del patrón
𝒏 𝒏
𝟐
෍ 𝒆𝟐 ഥ 𝒊 ) + (𝒀
= ෍ (𝒀𝒊𝒋 − 𝒀 ഥ 𝒊 − 𝒀. . )
𝟏 𝟏
𝐾 𝑘 𝑛𝑖
2
𝑆𝐶𝑇 = ෍ 𝑛𝑖 𝑌ത𝑖∙ − 𝑌ത∙∙ 2
+ ෍ ෍ 𝑌𝑖𝑗 − 𝑌ത𝑖∙
𝑖=1 𝑖=1 𝑗=1

2 𝐾 𝑖 𝑘 𝑛
ത 2
𝑌𝑖∙ 𝑌∙∙ 2
𝑆𝐶𝑇 = ෍ − + ෍ ෍ 𝑌𝑖𝑗 − 𝑌ത𝑖∙
𝑛𝑖 𝑁
𝑖=1 𝑖=1 𝑗=1

𝑲
𝒀𝟐𝒊∙ 𝒀𝟐∙∙
𝑺𝑪𝑻𝒓𝒂𝒕 = ෍ − SCE 𝑆𝐶𝑇 = 𝑆𝐶𝑇𝑟𝑎𝑡 + 𝑆𝐶𝐸
𝒏𝒊 𝑵 1010
𝒊=𝟏
 Fórmulas Aplicadas
Haga clic para con laelnotación
modificar estilo dede puntos
título del patrón
𝑛𝑖
Suma de las
mediciones Y en el
𝑌𝑖∙ = ෍ 𝑌𝑖𝑗
tratamiento i 𝑗=1
𝑛𝑖
Promedio del
σ𝑗=1 𝑌𝑖𝑗
tratamiento i 𝑌ത𝑖∙ =
𝑛𝑖
𝐾 𝑛𝑖
Suma de todas las
mediciones Y 𝑌∙∙ = ෍ ෍ 𝑌𝑖𝑗
𝑖=1 𝑗=1
𝑌∙∙
Promedio global 𝑌ത∙∙ = , i = 1,2, … . , k
𝑁 1111
Tablaclic
Haga Anova para el el
para modificar DCA
estilo de título del patrón

Cuadrados medios
Es la suma de
cuadrados divididos
entre sus respectivos
grados de libertad

1212
Haga clicde
Ejercicio aplicación
para modificar el estilo de título del patrón

Ttratamiento Observaciones
(Métodos) 1 2 3
A 7 6 7
B 9 8 10
C 8 10 11
D 12 11 13

1313
Haga clic para
MÉTODOS DE COMPARACIÓN
modificar el estilo
DE PROMEDIOS
de título del patrón

MÉTODOS GRÁFICOS

DIAGRAMA DE BARRA Y BIGOTES GRÁFICA DE PROMEDIOS CON EL MÉTODO LSD

(BOX PLOT) (MEANS PLOT)
Gráfico basado en los cuartiles de un Permite hacer una comparación visual y
conjunto de datos estadística de las medias de los tratamientos
GRAFICA DE PROMEDIOS-LSD
24,000

22,000

20,000

18,000

16,000

14,000

12,000

10,000
A B C D

1414
 Haga clic para modificar el estilo de título del patrón
Método LSD (least significant difference) ó Diferencia
Mínima Significativa (DMS)
Es la diferencia mínima 𝑪𝑴𝑬 Para determinar el intervalo
que debe haber entre dos 𝑳𝑺𝑫 = 𝒕(𝜶Τ𝟐,𝑮𝑳𝑬) ∗ del i-ésimo tratamiento
𝒏𝒊
promedios muestrales
para considerar que dos
Para comparar diferencia entre dos tratamientos
tratamientos son
diferentes 𝟏 𝟏 Diseño
𝑳𝑺𝑫 = 𝒕(𝜶Τ𝟐,𝑮𝑳𝑬) ∗ 𝑪𝑴𝑬 +
𝒏 𝒊 𝒏𝒋 desbalanceado

𝟐𝑪𝑴𝑬 Diseño
𝑳𝑺𝑫 = 𝒕(𝜶Τ𝟐,𝑮𝑳𝑬) ∗ balanceado
𝒏
1515
Haga clic para
APLICACIÓN DEmodificar
LSD el estilo de título del patrón

Comparación con el método gráfico LSD

TRATAMIENTOS 1 2 …. j ഥ𝒊
𝒀 𝐼𝐶 = 𝑌ത𝑖 ± 𝐿𝑆𝐷
A 𝑌𝐴1 𝑌𝐴2 …. 𝑌𝐴𝑗 ഥ 𝑨.
𝒀
B 𝑌𝐵1 𝑌𝐵2 𝑌𝐵𝑗 ഥ 𝑩.
𝒀 𝑪𝑴𝑬
ഥ 𝒊 ± 𝒕(𝜶Τ𝟐,𝑮𝑳𝑬) ∗
𝑰𝑪 = 𝒀
C 𝑌𝐶1 𝑌𝐶2 …. 𝑌𝐶𝑗 ഥ 𝑪.
𝒀 𝒏𝒊
…. …. …. …. ….
…. 𝑌𝑖1 𝑌𝑖2 …. 𝑌𝑖𝑗 ഥ 𝒊.
𝒀 Interval Plot of A; B; ...
95% CI for the Mean
24

22

20

18

Data
16

14

12

10

A B C D E 1616
The pooled standard deviation was used to calculate the intervals.
 Haga clic para
APLICACIÓN DEmodificar
LSD PARAelDOS
estilo
PROMEDIOS
de título del patrón
TRATAMIENTOS 1 2 …. j ഥ𝒊
𝒀
Comparación entre dos tratamientos con LSD
A 𝑌𝐴1 𝑌𝐴2 …. 𝑌𝐴𝑗 ഥ 𝑨.
𝒀
ഥ 𝒊. − 𝒀
𝒀 ഥ 𝒋. > 𝑳𝑺𝑫
B 𝑌𝐵1 𝑌𝐵2 𝑌𝐵𝑗 ഥ 𝑩.
𝒀
C 𝑌𝐶1 𝑌𝐶2 …. 𝑌𝐶𝑗 ഥ 𝑪.
𝒀
…. …. …. …. …. 𝟏 𝟏
ഥ 𝒊. − 𝒀
𝒀 ഥ 𝒋. > 𝒕 𝜶Τ𝟐,𝑮𝑳𝑬 ∗ 𝑪𝑴𝑬 ∗ +
…. 𝑌𝑖1 𝑌𝑖2 …. 𝑌𝑖𝑗 ഥ 𝒊.
𝒀 𝒏𝒊 𝒏 𝒋

Diferencia Poblacional Diferencia muestral … Decisión

𝝁𝑨 − 𝝁𝑩 ഥ𝑨 − 𝒀
𝒀 ഥ 𝑩 > ó < 𝑳𝑺𝑫 ഥ 𝒊. − 𝒀
Si 𝒀 ഥ 𝒋. > 𝑳𝑺𝑫;
Significativo
𝝁𝑨 − 𝝁𝑪 ഥ𝑨 − 𝒀
𝒀 ഥ 𝑪 > ó < 𝑳𝑺𝑫

𝝁𝑩 − 𝝁𝑪 …. ഥ 𝒊. − 𝒀
Si 𝒀 ഥ 𝒋. < 𝑳𝑺𝑫;
No Significativo
𝝁𝒊. − 𝝁𝒋. ഥ 𝒊. − 𝒀
ഥ 𝒋. > ó < 𝑳𝑺𝑫
𝒀 1717
GRÁFICA DEpara
Haga clic COMPARACIÓN
modificar elENTRE DOS
estilo de TRATAMIENTOS-LSD
título del patrón
CON INTERVALOS
𝟏 𝟏
𝑰𝑪 𝒀ഥ𝒊. −𝒀ഥ𝒋. ഥ 𝒊. − 𝒀
= 𝒀 ഥ 𝒋. ± 𝒕 𝜶Τ𝟐,𝑮𝑳𝑬 ∗ 𝑪𝑴𝑬 ∗ +
𝒏𝒊 𝒏𝒋

CRITERIO DE DECISIÓN:
Caso 1:
Si el intervalo de la diferencia de los
promedios cruza el cero ; No hay
diferencia entre el tratamiento i- ésimo
y el tratamiento j-ésimo

Caso 2:
Si el intervalo de la diferencia de los
promedios no cruza el cero ; Si hay
diferencia entre el tratamiento i- ésimo
y el tratamiento j-ésimo 1818
 OTRAS
Haga PRUEBAS
clic DE COMPARACIÓN
para modificar el estilo deOtítulo
PRUEBAS DE RANGO
del patrón
MÚLTIPLES
Diferencia Diferencia Decisión
Poblacional muestral … y 𝑻𝜶
Método de Tukey 𝝁𝑨 − 𝝁𝑩 ഥ 𝒊. − 𝒀
Si 𝒀 ഥ 𝒋. > 𝑻𝜶 ;
Método más conservador que consiste en Significativo
comparar las diferencias entre medias 𝝁𝑨 − 𝝁𝑪
muestrales de tratamientos con el valor
𝝁𝑩 − 𝝁𝑪 …. ഥ 𝒊. − 𝒀
Si 𝒀 ഥ 𝒋. < 𝑻𝜶 ;
crítico dado por:
No Significativo
𝝁𝒊. − 𝝁𝒋.
𝑪𝑴𝑬
𝑻𝜶 = 𝒒 𝜶.𝒌.𝑮𝑳𝑬 ∗
𝒏 𝑺𝒀ഥ𝒊. : 𝑬𝒓𝒓𝒐𝒓 𝒆𝒔𝒕𝒂𝒏𝒅𝒂𝒓 𝒅𝒆 𝒍𝒐𝒔 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐𝒔
𝒒 : 𝒑𝒖𝒏𝒕𝒐𝒔 𝒑𝒐𝒓𝒄𝒆𝒏𝒕𝒖𝒂𝒍𝒆𝒔 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝒅𝒆𝒍 𝒓𝒂𝒏𝒈𝒐 𝒆𝒔𝒕𝒖𝒅𝒆𝒏𝒕𝒊𝒛𝒂𝒅𝒐
Comparación: 𝜶.𝒌.𝑮𝑳𝑬

ഥ 𝒊. − 𝒀
𝒀 ഥ 𝒋. > 𝑻𝜶 Existe diferencia significativa
1919
 OTRAS
Haga PRUEBAS
clic DE COMPARACIÓN
para modificar el estilo deOtítulo
PRUEBAS DE RANGO
del patrón
MÚLTIPLES

Método de Duncan Pasos:

• Ordenar los k promedios en orden ascendente
Las diferencias observadas entre las medias • Calcular la diferencia entre la media más grande
muestrales se comparan con los rangos 𝑹𝒑 y la más pequeña de forma consecutiva
• Comparar la diferencia con el rango 𝑹𝒑donde p:
(2,3,..) es el número de promedios entre las
diferencias
𝑪𝑴𝑬
𝑹𝒑 = 𝒓 𝜶.𝒑.𝑮𝑳𝑬 ∗ Diferencia Diferencia Decisión
𝒏 Poblacional muestral … y 𝑹𝒑
𝝁𝑫 − 𝝁𝑨 ഥ 𝒊. − 𝒀
Si 𝒀 ഥ 𝒋. > 𝑹𝒑 ;
Comparación: Significativo
𝝁𝑫 − 𝝁𝑩
ഥ 𝒊. − 𝒀
𝒀 ഥ 𝒋. > 𝑹𝒑
𝝁𝑫 − 𝝁𝑪 …. ഥ 𝒊. − 𝒀
Si 𝒀 ഥ 𝒋. < 𝑹𝒑 ;
Existe diferencia significativa No Significativo
2020
𝝁𝒊. − 𝝁𝒋.
 Haga clic para modificar
COMPARACIÓN DE TRATAMIENTOS
el estilo de
CON
título
UN del
CONTROL
patrón

Método de Dunnet Hipótesis:

Se aplica cuando se tiene k tratamientos y 𝐻0 : 𝜇𝑖 = 𝝁𝒌
uno de ellos es un tratamiento control, y se
quiere comparar los k-1 tratamientos con 𝐻𝐴 : 𝜇𝑖 ≠ 𝝁𝒌
dicho control.

Tratamiento control = tratamiento estándar

de referencia = ausencia de tratamiento Método analítico de comparacion:

𝟏 𝟏
ഥ 𝒊. − 𝒀
𝒀 ഥ 𝒌. > 𝑫 𝜶,𝒌−𝟏,𝑮𝑳𝑬 ∗ 𝑪𝑴𝑬 ∗ +
𝒏𝒊 𝒏𝒌

2121
 Haga clic para modificar
COMPARACIÓN POR CONTRASTES
el estilo de título del patrón

Contraste.
Una combinación lineal de las ෍ 𝒄𝒊 = 𝟎 2−1−1=0
medias poblaciones 𝑪 = σ𝒌𝒊=𝟏 𝒄𝒊𝝁𝒊
se llama contraste si cumple que 𝐻0 : 2𝜇𝐴 = 𝜇𝐵 + 𝜇𝐶 𝐻0 : 2𝜇𝐴 − 𝜇𝐵 − 𝜇𝐶 = 0
la suma de sus coeficientes es
igual a cero σ 𝒄𝒊 = 𝟎. 𝐻𝐴 : 2𝜇𝐴 ≠ 𝜇𝐵 + 𝜇𝐶

Se aplica cuando es de interés 𝐶0 = 2𝜇𝐴 − 𝜇𝐵 − 𝜇𝐶

contrastar hipótesis que
involucran a más de dos
promedios ෡ 𝟎 = 𝟐𝒀
ഥ𝑨 − 𝒀
ഥ𝑩 − 𝒀
ഥ𝑪
𝑪

2222
 Haga clic PARA
MÉTODO para modificar
COMPARACIÓN
el estilo
PORde
CONTRASTES
título del patrón

Método de Sheffé
Criterio de decisión:
𝒄𝟐𝒊
෡𝟎 >
𝑪 𝒌 − 𝟏 ∗ 𝑪𝑴𝒆 ෍ ∗ 𝑭 𝜶.𝒌−𝟏.𝑮𝑳𝑬
෡𝟎 𝒆𝒔 > → 𝒔𝒆 𝒂𝒄𝒆𝒑𝒕𝒂 𝒍𝒂 𝑯𝑨
Si 𝑪
𝒏𝒊
෡𝟎 𝒆𝒔 < → 𝒔𝒆 𝒂𝒄𝒆𝒑𝒕𝒂 𝒍𝒂 𝑯𝟎
Si 𝑪
Donde:

𝒄𝟐𝒊
෡𝟎
𝑽 𝑪 = 𝑪𝑴𝒆 ෍ Varianza estimada del contraste
𝒏𝒊

2323
VERIFICACIÓN DE LOS SUPUESTOS
Haga clic para modificar DEL
el estilo de MODELO
título del patrón

SUPUESTOS DEL MODELO

Normalidad Se utiliza una muestra de

• La respuesta Y se debe distribuir de
manera normal
Varianza constante
• La misma varianza en cada tratamiento
Independencia
• Mediciones deben ser independientes
residuos para comprobar los
supuestos 𝒆𝒊𝒋 del modelo
𝑒𝑖𝑗 = 𝑌𝑖𝑗 − 𝑌ത𝑖.
Permite hacer un diagnóstico de
la calidad del modelo
2424
 Normalidad
Haga clic para modificar el estilo de título del patrón

Método de verificación gráfico

Gráfica de probabilidad Normal Pasos:
Rango i residuos (i-0,5)/N Z
1 menor
2
3
i mayor

1 2 3

2525
Haga clicanalítico
Métodos para normalidad
para modificar el estilo de título del patrón

Prueba Ji cuadrada Prueba de Shapiro Wilks (W)

𝟐
𝒌
Prueba de Kolmogorov 𝟏
𝑾= ෍ 𝒂𝒊 𝑿𝒏−𝒊+𝟏 − 𝑿𝒊
Smirnov (K-S) 𝒏 − 𝟏 ∗ 𝑺𝟐
𝒊=𝟏
Prueba de Anderson Tabla de datos
Darling (AD) 𝒊 𝒂𝒊 𝑿𝒏−𝒊+𝟏 − 𝑿𝒊 𝒂𝒊 𝑿𝒏−𝒊+𝟏 − 𝑿𝒊
Histogram

9
(responses are A; B; C; D; E)
Mean 5,684342E-16
Tablas S-W
StDev 1,455
8 N 25

7 CRITERIO DE DECISIÓN
6
Frequency

3 𝑆𝑖 𝑊 < 𝑊1−𝛼)
2

1
→ 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑝𝑟𝑜𝑐𝑒𝑑𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙
0
-3 -2 -1 0 1 2 3 4
Residual
2626
Haga clic para modificar
HOMOGENEIDAD DE VARIANZAS
el estilo de título del patrón

Método Gráfico: Método Analítico:

Se gráfica los residuos en el eje Y Prueba de Bartlett para
vs los predichos o factores Homogeneidad de Varianza
estudiados en el eje X
𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑘2 = 𝜎 2
𝐻𝐴 : 𝜎𝑖2 ≠ 𝜎𝑗2

2727
Haga clic
Prueba depara
Bartlett
modificar el estilo de título del patrón

Estadístico de prueba 𝑺𝟐𝒑 Varianza muestral global

σ𝒌𝒊=𝟏 𝒏𝒊 − 𝟏 𝑺𝟐𝒊
𝑵 − 𝒌 𝒍𝒐𝒈𝟏𝟎 − σ𝒌𝒊=𝟏 𝒏𝒊 − 𝟏 𝒍𝒐𝒈𝟏𝟎 𝑺𝟐𝒊
𝑿𝟐𝟎 = 𝟐, 𝟑𝟎𝟐𝟔 𝑵−𝒌
𝟏 𝟏 𝟏
𝟏+ −
𝟑(𝒌 − 𝟏) σ𝒌𝒊=𝟏(𝒏𝒊 − 𝟏) 𝑵 − 𝑲

Criterio de decisión:

2
𝑆𝑖: 𝑋02 > 𝑋(𝛼,𝑘−1) → 𝐻0 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎; 𝐻𝐴 𝑠𝑒 𝑎𝑐𝑒𝑝𝑡𝑎

𝑺𝒊: 𝑿𝟐𝟎 < 𝑿𝟐(𝜶,𝒌−𝟏) → 𝑯𝟎 𝒔𝒆 𝒂𝒄𝒆𝒑𝒕𝒂; 𝑯𝑨 𝒔𝒆 𝒓𝒆𝒄𝒉𝒂𝒛𝒂

2828
Haga clic para modificar el estilo de título del patrón
INDEPENDENCIA

Método gráfico: Método Analítico:

La suposición de independencia en Prueba de Durbin Watson para
los residuos puede verificarse si se independencia
grafica el orden en que se colectó
un dato contra el residuo σ𝑛𝑖=2 𝑒𝑖 − 𝑒𝑖−1 2
correspondiente 𝑑=
σ𝑛𝑖=1 𝑒𝑖2
σ(𝑒𝑖 ∗ 𝑒𝑖−1 )
𝑑 = 2(1 − 2 )
σ 𝑒𝑖
𝑑 = 2(1 − 𝜌)
𝑆𝑖 𝜌 = −1 → 𝑑 = 4
𝑆𝑖 𝜌 = 1 → 𝑑 = 0
Se cumple el supuesto de independencia 𝑆𝑖 𝜌 = 0 → 𝑑 = 2
2929
Haga clic
Durbin Watson
para modificar
para independencia
el estilo de título del patrón
Hipótesis para probar independencia
(autocorrelación)

𝑯𝟎 : 𝝆 = 𝟎
𝑯𝑨 : 𝝆 ≠ 𝟎 Zona de Zona de
indecisión indecisión

Rechaz𝑜 𝐻0 Rechaz𝑜 𝐻0
Zona de
aceptación
de la 𝐻0

Autocorrelación +
Autocorrelación -

d
𝑑𝐿 𝑑𝑈 4 − 𝑑𝑈 4 − 𝑑𝐿
0 2 4
𝜌=1 𝜌 = −1

Valores críticos en tablas

30
30
Haga clic
Tabla Durbin
paraWatson
modificar el estilo de título del patrón

3131