Excel Disenos Borrador

Ing. Juan José Vicente Rojas M.Sc.
La Paz- Bolivia
2014
Esta obra aún no tiene los
Derechos Reservados, por lo
que cualquier parte de ella
puede ser reproducida,
transmitida mediante
cualquier medio físico u
electrónico, sin consentimiento
previo del autor, pero siempre
respetando y citando la fuente.
Aplicaciones de Microsoft Excel en Diseños Experimentales
Juan José Vicente Rojas
CONTENIDO
1. Introducción .................................................................................. 1
2. Instalando el complemento “Análisis de datos” .............................. 2
3. Estadística Descriptiva .................................................................. 6
4. Prueba de t para la comparación de dos medias independientes.... 15
5. Análisis de Correlación y Regresión lineal ..................................... 24
5.1 Correlación lineal ................................................................................... 30
5.2 Regresión lineal ...................................................................................... 32
6. Análisis de varianza ..................................................................... 34

6.1 Diseño Completamente Aleatorio (1 factor) .............................................. 39
6.2 Diseño Bloques Completos Aleatorios (1 factor) ....................................... 62
6.3 Experimentos Factoriales ....................................................................... 74
6.3.1 Diseño Completamente Aleatorio con 2 factores ............................... 82
7. Uso básico de las funciones estadísticas de Excel ....................... 105

8. Referencias ................................................................................ 111
1. Introducción
Microsoft Excel ®, ofrece entre sus múltiples opciones, una

herramienta básica de análisis de datos, la cual puede ser una
ayuda complementaria y rápida a quienes requieren de ciertos
análisis estadísticos como son; estadísticas descriptivas,
correlaciones y regresiones lineales, análisis de la varianza, por
otra parte Microsoft Excel se constituye en el complemento ideal
para generar análisis gráficos tales como barras, líneas, etc., que
se generan a partir de investigaciones agrícolas pecuarias, por lo
que su uso se hace imprescindible en las tesis de grado. En este
sentido la presente guía se aboca a desarrollar ejemplos aplicados
a la rama de Diseños Experimentales, además de complementar
los mismos con la generación de análisis gráficos que
comúnmente se usan en la investigación en las ciencias
agronómicas, veterinarias y zootécnicas. El presente manual se
divide en dos partes; la referida al empleo del complemento
Análisis de datos, y un anexo final para mostrar de manera muy
resumida el empleo de las funciones estadísticas básicas
comúnmente usadas.
1
2. Instalando el complemento “Análisis de datos”
La opción Análisis de datos se halla disponible en Datos. Si esta opción no se

halla instalada en su computadora, debe habilitarla de la siguiente forma;
Hacer clic en el botón de Office u Archivo en Office 2010;
2
Debe ir al botón Opciones de Excel en las versiones recientes de Office se

encuentra simplemente como Opciones:
Luego nos aparece la siguiente ventana;
3
Donde debe seleccionar haciendo un clic en la opción Complementos;
Haga clic en la opción Ir…;
4
Haga clic en Herramientas para análisis, y luego Aceptar.

Dependiendo de la velocidad de la computadora este proceso puede tardar unos
minutos, al cabo de los cuales si estos complementos se han instalado, le deberá
mostrar la opción Análisis de datos en la barra de herramientas como en la
primera figura;
Haciendo clic en Análisis de datos;
Las herramientas que trataremos serán; estadísticas descriptivas, prueba de t

para muestras independientes (con homogeneidad de varianza), análisis de
correlación y regresión lineal y los análisis de varianza para diferentes modelos
estadísticos.
5
3. Estadística Descriptiva
Ejemplo. Un estudio desea explorar los niveles de contaminación con mercurio
en un rio con actividad minera, se sabe que el mercurio se acumula en los tejidos
de los peces, para tal efecto se tomó una muestra de 20 peces de cierta especie,
de los cuales se determinó la concentración de mercurio en ppm.
1,03 0,4 1,06 0,61

0,6 0,75 0,27 0,44
0,44 0,86 0,83 0,7
0,33 0,84 0,49 0,31
0,54 0,69 0,43 1,06
Cálculos
El proceso de cálculo para estadísticas
descriptivas es el siguiente
Media aritmética
𝑌
𝑌=
𝑛
1,03 + 0,60 + 0,44 + ⋯ + 1,06

𝑌= = 0,634
20
Varianza
𝑌 2
𝑌2 −
𝑛
𝑆2 =
𝑛−1
ΣY2= 1,032+0,602+0,442+…+1.062 = 9,244
ΣY= 1,03+0,60+0,44+…+1.06 =12,68
6
(12,68)2
9,244 −
20
𝑆2 =
20 − 1
S2 = 0,0634
Desvío estándar
𝑌 2
𝑌2 −
𝑛
𝑆 =
𝑛−1
S = 0,251
Error Estándar
𝑆 0,25
𝑆𝑦 = = = 0,056
𝑛 20
Coeficiente de variación
𝑆 0,2518
𝐶𝑉 % = × 100 = × 100 = 39,71%
𝑌 0,634
Con el valor de la media y la desviación estándar; podemos decir que la mayoría

de los peces muestran una contaminación corporal de 0,634±0,2518 ppm de
mercurio.
Con el valor de desvió estándar y media podemos estimar el coeficiente de
variabilidad:
𝑆 0,2518
𝐶𝑉 % = × 100 = × 100 = 39,71%
𝑌 0,634
Que representa el desvió estándar en términos relativos a la media, en este
ejemplo se observa una alta dispersión de las observaciones alrededor de la
media.
Error típico de la media;
𝑆 0,25
𝑆𝑦 = = = 0,056
𝑛 20
Representa la desviación estándar de la media.
7
Resolución en Excel
Se puede ingresar los datos ya sea en una sola columna o varias
columnas, en este caso se ingresó en una columna;
Observar que en este caso se introdujo los datos en la columna A y las celda A1
corresponde a la etiqueta y los datos se introdujeron desde la celda A2 hasta
A21, en otras palabras; (A1:A21) es el rango que ocupan el conjunto de datos en
la hoja de cálculo incluida la etiqueta.
8
Para obtener las estadísticas descriptivas se ingresa a Datos, Análisis de datos;
Nos muestra el siguiente cuadro de diálogo;
Rango de entrada: Debemos

introducir el rango de celdas
donde se introdujo los datos.
Por defecto los datos están
agrupados por Columnas.
Rótulos en la primera fila;
habilitamos esta opción se
deseamos que los resultados nos
muestre con la etiqueta del
nombre de la variable en este caso
Mercurio (ppm).
Resumen de estadísticas;
Necesariamente se debe habilitar
esta opción para generar las
estadísticas descriptivas.
9
La selección de celdas puede realizarse ingresando con el mouse en Rango de

entrada y luego con el mouse seleccionar los datos en las celdas;
Observar que en rango de entrada se marcó con el mouse desde la celda A1

hasta la celda A21; incluida la etiqueta o nombre de la variable.
Por lo tanto se debe hacer clic en Rótulos en la primera fila puesto que hemos
incluido en la selección la etiqueta.
10
También debemos habilitar la opción Rótulos en la primera fila y Resumen de

estadísticas, finalmente el cuadro de dialogo queda así;
Indica si la primera celda

de la fila o columna a
analizar contiene el
nombre de la variable,
opción que usamos para
visualizar los resultados
con el nombre definido de
la variable.
Clic en Aceptar, los resultados por defecto se nos muestra en otra hoja de
cálculo generada por Excel, si hubiésemos deseado que se nos muestre en otra
dirección se pudo haber especificado la celda de salida en Rango de salida. Los
resultados por defecto se muestran así:
11
Ejemplo. Los siguientes datos se refieren a medidas de oxytetraciclina en

muestras de músculos de salmón de Atlántico (Salmo salar) el antibiótico fue
añadido al agua por un periodo de 10 días con objetivos terapéuticos. Las
medidas fueron tomadas de la concentración de tejido muscular (μg/g de tejido
muscular) a los 8 días para verificar los niveles efectivos después de la
dosificación (Petri y Watson, 2003).
1,3 1,6 1,5 0,5 1,8 1,2 0,1 2,5 2,5 0,3 0,7 0,8 2,4
1,9 2,5 1,4 0 2,1 0,6 1,7 1,9 2,1 0,4 0,8 1,2
Se puede ingresar los datos ya sea en una sola
columna o varias columnas, en este caso se introdujo
los datos en una columna
12
Análisis de datos, Estadística Descriptiva;
13
Resultados:
14
4. Prueba de t para la comparación de dos medias

independientes
Esta prueba es la más común en las aplicaciones de la distribución de t, se
comparan las medias de dos poblaciones a partir de la información de sus
muestras para determinar si las medias provienen de la misma población de
medias.
Ejemplo. Se desea comparar el efecto de la adición de pulpa de café en la ración

diaria de conejos, para lo cual se han seleccionado 18 conejos en jaulas
individuales y se les ha proporcionado dos tratamientos, para lo cual se dividió a
los mismos en dos grupos, los resultados experimentales en cuanto a la ganancia
de peso (g/día) a los 40 días son:
Ración 2:
Ración 1: Alimento
Alimento comercial + pulpa
comercial de café (20%)
23,1 19,2
17,3 21,8
24,2 18,4
21,0 18,2
19,7 21,4
26,3 19,3
21,2 23,6
25,1 22,4
20,0 17,2
Hipótesis:
Ho: μ1 = μ2 “La media en la ganancia de peso en conejos es la misma por el efecto

de las dos raciones”
Ha: μ1≠ μ2 “La media en la ganancia de peso en conejos es diferente por el efecto
de las dos raciones”
Estadístico de prueba: t con n1 + n2 -2 grados de libertad al nivel alfa de 0,05
15
Cálculos
Para el cálculo se necesitan los
estadísticos descriptivos de la media,
varianza, desviación estándar y número
de observaciones de cada ración, los
cuales se estiman como se mostró en
estadística descriptiva:
Ración 1: A. Comercial Ración 2: A. Comercial + pulpa café

n= 9 n=9
𝒀
Media aritmética 𝒀 =
𝒏
𝟐𝟑, 𝟏 + 𝟏𝟕, 𝟑 + ⋯ + 𝟐𝟎, 𝟎 19,2 + 21,8 + ⋯ + 17,2

𝒀= = 𝟐𝟏, 𝟗𝟖 𝑌= = 20,16
𝟗 9
𝒀𝟐
𝒀𝟐 −
Varianza 𝑺𝟐 = 𝒏
𝒏−𝟏
ΣY2= 23,12+17,22+…+20,02 = 4418,77 ΣY2= 19,22+21,82+…+17,22 = 3698,69
ΣY= 23,1+17,2+…+20,0 =197,9 ΣY= 19,2+21,8+…+17,2 =181,5
(𝟏𝟗𝟕,𝟗)𝟐 (181,5)2
𝟒𝟒𝟏𝟖, 𝟕𝟕 − 3698,69 −
𝟗 9
𝑺𝟐 = 𝑆2 =
𝟗−𝟏 9−1
S2 = 8,39 S2 = 4,805
𝒀𝟐
𝒀𝟐 −
Desvío estándar 𝑺 = 𝒏
𝒏−𝟏
S = 2,89 S= 2,19
16
Estadístico de prueba:
𝑌1 − 𝑌2
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
𝑆𝑐 2 𝑆𝑐 2
+
𝑛1 𝑛2
Donde Sc2 es la varianza agrupada de ambas muestras;
𝑆12 𝑛1 − 1 + 𝑆22 𝑛2 − 1
𝑆𝑐 2 =
𝑛1 + 𝑛2 − 2
8,39 9 − 1 + 4,805 9 − 1
𝑆𝑐 2 = = 6,59
9+9−2
Que se reemplaza en t calculada;
21,98 − 20,16
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = = 1,50
6,59 6,59
+
9 9
El valor de t de tablas con (n1+n2-2) o 16 grados de libertad al 5% es igual
t tablas (5%) = 2,12
Decisión
Si el valor t calculado > t tablas(5%); Rechace la hipótesis nula
Si el valor t calculado < t tablas(5%); Acepte la hipótesis nula
1,50 < 2,12; por tanto se acepta la hipótesis nula.
Nota: Para fines prácticos, se asume el valor absoluto del valor de t calculada, es
decir se ignora el signo.
Conclusión:
Al nivel del 5%, no hay evidencia para decir que ambos tipos de raciones tienen
medias diferentes en la ganancia de peso, en otras palabras “La media en la
ganancia de peso en conejos es la misma por el efecto de las dos raciones”
17
Rango de datos (incluidas las celdas con etiqueta de tratamiento);
Ración 1; A1:A10
Ración 2; B1:B10
Datos, Análisis de datos; Prueba de t para muestras suponiendo varianzas

iguales;
18
En el cuadro de diálogo;
Rango para la variable 1: se introducirá con el mouse los datos de la muestra 1,

incluida la celda o el titulo o nombre de variable.
Rango para la variable 2: se introducirá con el mouse los datos de la muestra 2,

incluida la celda con el titulo o nombre de variable.
Rótulos; se habilita esta opción cuando introducimos en el rango de variables la

celda que contiene el nombre de cada tratamiento o titulo.
Por defecto el análisis es la nivel alfa de 0,05.
19
Aceptar: Los resultados se imprimen en otra hoja del mismo libro;
Decisión e Interpretación:
El estadístico de t calculado es 1,504, el cual se puede comparar con el valor

tabular de t al nivel de significancia de 5%, sin embargo Excel ofrece el valor
critico de t (dos colas) = 2,119, con el cual se puede comparar el valor t
calculado.
Si:
t calculado< t critico; Acepte Ho
t calculado> t critico; Rechace Ho
Como el valor t calculado es menor a t critico; tomamos la decisión de aceptar la

Hipótesis nula (t calculado< t critico; Acepte Ho) entonces en respuesta a la hipótesis
planteada mencionamos que no existe suficiente evidencia estadística para
afirmar que la media de ganancia de peso es diferente entre los dos tipos de
dietas (comercial vs. Comercial+ pulpa de café).
20
Ejemplo. Los siguientes datos se refieren al peso de ovejas de un grupo control y

un grupo de ovejas sometidas a una dieta nutricional antes del apareamiento
(Flushed). Los pesos vivos se refieren al momento de realizar la cruza (Petrie y
Watson, 2003)
Control Flushed
62,5 63,9 69,2 70,7 67,8 69,8
66,8 65,7 62,6 71,8 66,8 68,1
69,5 67,2 61,1 64,9 67,0 66,0
64,1 65,2 61,8 68,2 67,1 69,4
65,3 63,5 69,6 69,4 67,6 69,8
65,6 65,3 71,1 64,4 66,1 67,9
66,4 65,1 67,0 66,9 62,7 66,2
66,1 64,8 67,5 69,4 64,6 64,2
68,6 67,4 68,2
62,5 66,0 63,6
21
Introducimos los datos en dos columnas (solo se
muestra la vista parcial de datos introducidos)
22
Resultados
Decisión e Interpretación:
El estadístico de t calculado es -2,432, el cual se puede comparar con el valor

tabular de t al nivel de significancia de 5%, sin embargo Excel ofrece el valor
critico de t (dos colas) = 2,006, con el cual se puede comparar el valor t
calculado.
Si:
t calculado< t critico; Acepte Ho
t calculado> t critico; Rechace Ho
Como el valor t calculado en valor absoluto (ignorando el signo) es mayor a t

critico; podemos rechazar la Hipótesis nula (│t calculado│> t critico; Acepte Ho)
2,433 > 2,006
Entonces en respuesta a la hipótesis planteada concluimos que existen
diferencias en las medias del peso corporal de ovejas entre los dos tipos de
dietas.
23
5. Análisis de Correlación y Regresión lineal
La correlación lineal de Pearson (r) mide el grado de relación entre dos variables
cuantitativas, este coeficiente varia de -1 hasta 1. El coeficiente de regresión (b)
cuantifica el monto de cambio en la variable dependiente (Y) por cada unidad de
cambio en la variable independiente (X).
Ejemplo. Se ha realizado el muestreo de 10 peces de la especies Tilapia aureus,

en los cuales se han medido las siguientes variables;
n Ancho (cm) Peso (g)

1 21 213
2 22 242
3 20 232
4 22 210
5 19 192
6 24 242
7 25 256
8 18 187
9 17 158
10 24 236
a) Grafique el diagrama de dispersión

b) Realizar el análisis de correlación y regresión lineal simple
c) Estimar la ecuación de regresión (Y = a + bX)
24
Cálculos
El proceso de cálculo para obtener
valores al cuadrado y productos es
el siguiente
Ancho (X) Peso (Y) X2 Y2 XY

21 213 441 45369 4473
22 242 484 58564 5324
20 232 400 53824 4640
22 210 484 44100 4620
19 192 361 36864 3648
24 242 576 58564 5808
25 256 625 65536 6400
18 187 324 34969 3366
17 158 289 24964 2686
24 236 576 55696 5664
ΣX=212 ΣY=2168 ΣX2=4560 ΣY2=478450 ΣXY=46629
Coeficiente de correlación
𝑋 𝑌
𝑋𝑌 −
𝑛
𝑟=
𝑋 2 𝑌 2
𝑋2 − 𝑌2 −
𝑛 𝑛
212 2168
46629 −
10
𝑟=
212 2 2168 2
4560 − 478450 −
10 10
r = 8975
25
Coeficiente de regresión
𝑋 𝑌
𝑋𝑌 −
𝑛
𝑏= 𝑋 2
𝑋2 −
𝑛
212 2168
46629 −
10
𝑏= 212 2
4560 −
10
b = 10,173
Intercepto (a)
𝑌 𝑏 𝑋
𝑎= −
𝑛 𝑛
2168 10,173 × 212

𝑎= − = 1,13
10 10
a = 1,13
Coeficiente de determinación (r2)
r2=0,89752= 0,8055
Correlación de Pearson; r=0,8975 dado que el coeficiente es un valor alto

positivo, entonces se asume una alta correlación positiva entra el ancho y peso
corporal en tilapias.
El coeficiente de determinación (r2) indica que el 80,55% de la variación del peso

de tilapias se explica por la relación lineal con la variable Ancho corporal. En
otras palabras 80,55% de la variación del peso es explicada por el ancho
corporal. El coeficiente de regresión (10,17) tiene unidades de Y; Por cada
centímetro de incremento en el ancho corporal el peso se incrementa en 10,17g
en promedio. La ecuación de regresión lineal es Peso = 1,13 + 10,17(Ancho).
26
Rango de datos (incluidas las celdas con etiqueta de variable);
Ancho; A1 hasta A11 o (A1:A11)

Peso; B1 hasta B11 o (B1:B11)
Previamente marcamos con el mouse los datos a graficar;
27
Diagrama de dispersión
En el menú Insertar, Diagrama de dispersión;
Pintar con el mouse
Haciendo clic, observamos;
Escogiendo la primera opción;

300
250
200
150
100 Series1
50
0
0 10 20 30
28
Por defecto Excel asume como la variable X (eje horizontal) a la primera variable
de la tabla de datos (Ancho).
Podemos editar la gráfica con la opción Diseño de la barra de herramientas.
Diagrama dispersión Peso vs Ancho de Tilapia aureus

300
250
200
Peso (g)
150
100
50
0
0 5 10 15 20 25 30
Ancho (cm)
En el diagrama de dispersión podemos observar una relación positiva entre el

ancho de pez y su peso, a medida que aumenta el ancho corporal también
aumentará el peso.
29
5.1 Correlación lineal

Datos, Análisis de datos, Coeficiente de correlación;
Introducir con el mouse en rango de entrada las dos columnas incluidos los
encabezados de las variables;
30
Habilitar la opción Rótulos en la primera fila, puesto que en el rango de entrada

se incluyo estas celdas para que los resultados también se nos muestren con las
etiquetas respectivas.
Aceptar
Resultados
El coeficiente de correlación r=0.897 indica un alto grado de relación entre las

variables ancho y peso corporal en tilapias, corroborando la gráfica de
dispersión.
31
5.2 Regresión lineal

En el menú Datos, Análisis de datos, Regresión;
En el cuadro de dialogo;
Debemos marcar por separado con el mouse los rangos de entrada de Y y X,

asumiendo que el Peso es la variable dependiente (Y) y Ancho la variable
independiente (X) tendremos que introducir los datos de la siguiente forma;
32
Marcamos la opción Rótulos, puesto que hemos introducido en el rango de

entrada los encabezados o nombres de variables, para que los resultados se
visibilicen con dichos nombres. Aceptar:
El coeficiente de determinación (r2) indica que el 80,56% de la variación del peso de

tilapias se explica por la relación lineal con la variable Ancho corporal. En otras
palabras 80,56% de la variación del peso es explicada por el ancho corporal. El
coeficiente de regresión (10,17) tiene unidades de Y; Por cada centímetro de
incremento en el ancho corporal el peso se incrementa en 10,17g en promedio. La
ecuación de regresión lineal es Peso = 1,11 + 10,17(Ancho).
33
Ejemplo. Se desea saber la relación entre el diámetro testicular y la producción

de semen en carneros de 4 a 5 años de edad, para lo cual se dispone de la
información de 10 datos pareados (Ibañez, 2000), los resultados se exponen a
continuación;
X Y
Diámetro
testicular Producción
(cm) semen (cc)
18,0 0,5
18,2 1,2
16,4 0,6
19,3 1,2
20,4 1,5
26,4 1,6
20,0 0,9
17,4 0,7
22,4 1,5
25,0 1,8
34
Se realizara con el diagrama de dispersión y obteniendo la línea
de regresión lineal.
Pintar con el mouse los datos;
Insertar, Dispersión y hacer un clic en la primera opción
35
2,0
1,8
1,6
1,4
1,2
1,0
0,8 Series1
0,6
0,4
0,2
0,0
0,0 5,0 10,0 15,0 20,0 25,0 30,0
Editando Ejes
2,0
1,8
1,6
Producción semen (cc)
1,4
1,2
1,0
0,8
Series1
0,6
0,4
0,2
0,0
0,0 5,0 10,0 15,0 20,0 25,0 30,0
Diámetro testicular (cm)
36
Obteniendo la línea de regresión haciendo clic derecho sobre cualquier punto del
diagrama de dispersión;
En el cuadro marcamos;
37
Finalmente tenemos la gráfica;
2,0
Producción semen (cc)
1,5 y = 0,116x - 1,222

R² = 0,714
1,0
Series1
0,5 Lineal (Series1)
0,0
0,0 10,0 20,0 30,0
Diámetro testicular (cm)
El coeficiente de determinación R2; se puede interpretar que el diámetro

testicular (X) determina el 71,4% de la variación en la producción de semen (Y)
en carneros de 4 a 5 años.
El coeficiente de regresión (b); b=0,116 cc, se interpreta así; por cada centímetro
de cambio en el diámetro testicular (X) se espera un incremento en la
producción de semen (Y) de 0,116 cc.
38
6. Análisis de varianza
El análisis de varianza es la descomposición de la varianza total en componentes
de varianza parciales (varianza explicada y varianza no explicada), dicha
descomposición se asocia a un modelo estadístico, para lo cual se parte de la
descomposición de la suma de cuadrados.
6.1 Diseño Completamente Aleatorio (1 factor)

Este diseño se emplea cuando tanto las unidades experimentales como las
condiciones ambientales y de manejo son homogéneas, minimizando el efecto de
fuentes de variación ajenas al experimento para una mejor estimación de los
efectos del factor o factores de estudio.
Ejemplo. Se quiere determinar los efectos de cinco técnicas de preparación de

sitio sobre el crecimiento juvenil de plántulas de Jacaranda copaia, cada método
de preparación se aplica a 5 parcelas seleccionadas al azar, las parcelas se
plantan a mano y al final de tercer año, se midió la altura de los arbolitos y se
calculó el promedio por parcela. Se asume que todas las parcelas tienen las
mismas condiciones (Gutiérrez, 2000).
Tratamientos I II III IV V
A 4,5 4,2 3,6 3,9 3,9
B 4,8 4,2 3,9 4,5 4,2
C 3,9 3,6 3,3 3,6 3
D 3,3 3,9 3 3,6 3,3
E 4,2 3,6 3,6 3 3,3
Modelo de análisis estadístico
Yij = μ + τi + εij
Yij = Altura de árbol de la j-ésima parcela que recibe el i-ésimo método de

plantación
μ = Media general
τi = Efecto del i-ésimo método de plantación
εij = Error experimental o Efecto aleatorio de residuales (0,σe2)
39
Hipótesis
Ho: μA = μB = μC = μD = μE “La media de altura de arboles de J. copaia es la

misma para método de plantación”. “No existen diferencias entre las medias de
altura de arboles por efecto de los métodos de plantación”
Ha: “Al menos un método de plantación es diferente en la altura de árboles de J.

copaia”
Nivel de significancia; α = 0,05
Cálculos
El proceso de cálculo para
descomponer la suma de cuadrados
y obtener el análisis de varianza es
el siguiente
Es necesario estimar los totales de tratamientos (Métodos) y el Gran Total;
Tratamientos I II III IV V Yi. 𝒀𝒊.

A 4,5 4,2 3,6 3,9 3,9 20,1 4,02
B 4,8 4,2 3,9 4,5 4,2 21,6 4,32
C 3,9 3,6 3,3 3,6 3 17,4 3,48
D 3,3 3,9 3 3,6 3,3 17,1 3,42
E 4,2 3,6 3,6 3 3,3 17,7 3,54
93,9 3,756
Gran
Total Y.. 𝑌..
Factor de corrección:
Media
𝑌. .2 93,92 general
𝐹𝐶 = = = 352,68 Y../t×r
𝑡×𝑟 5×5
Suma de cuadrados de tratamientos
𝑌𝑖.2
𝑆𝐶𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = − 𝐹𝐶
𝑟
40
20,12 + 21,62 + 17,42 + 17,12 + 17,72

𝑆𝐶𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = − 𝐹𝐶 = 3,126
5
Suma de cuadrados Total
𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = 𝑌𝑖𝑗 2 − 𝐹𝐶
𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = 4,52 + 4,22 + 3,62 + ⋯ + 3,32 − 𝐹𝐶 = 5,781
Suma de cuadrados del Error
SCError = SCTotales-SCtratamientos
SCError = 5,781 – 3,126 = 2,655
Cuadro de análisis de varianza
FV GL SC CM Fcalculado Ftabular(5%)
Métodos t-1=4 3,126 0,781 5,87 2,87
Error t(r-1)=20 2,655 0,133
Total txr-1=24
𝐶𝑀𝐸𝑟𝑟𝑜𝑟 0,133
𝐶𝑉 % = × 100 = × 100 = 9,709%
𝑌. . 3,756
Decisión:
Si Fcalculado ≥ Ftabulado; se rechaza la Hipótesis nula
Si Fcalculado< Ftabulado; se acepta la Hipótesis nula
En este ejemplo como 5,87 es mayor al valor tabular 2,87, rechazamos la
hipótesis nula de igualdad de medias.
Conclusión
Con 5% de significancia concluimos que “existen efectos diferentes en la altura
de planta por efecto del método de plantación de árboles de J. copaia”.
41
Rango de datos; A1:E6
Datos, Análisis de datos, Análisis varianza de un factor;
42
Coloque el cursor en Rango de

entrada arrastrar el mouse en la
hoja de cálculo incluidas las
primeras celdas que corresponden
al nombre de tratamiento, en este
ejemplo las celdas son de A1 a E6.
Agrupado por; se debe prestar
especial atención a esta opción,
puesto que los datos de
tratamientos pueden estar
agrupados por fila (horizontal) o
columna (vertical).
Rótulos en la primera fila; si
hemos introducido en rango de
datos la etiqueta de tratamientos
debemos habilitar esta opción para
que los resultados muestren las
etiquetas de tratamientos.
Con dichas consideraciones el cuadro de dialogo debe llenarse de esta manera;
43
Aceptar;
Resultados
Métodos
Error
Interpretaciones
Resumen; proporciona las medias de los tratamientos (Grupos para Excel), Cuenta
es el número de observaciones de donde proviene cada media.
Análisis de varianza.
La fuente de variación Entre grupos; representa la variación entre tratamientos cuyo
valor F calculado es Fc=5,85.
La fuente de variación Dentro de los grupos, representa la variación residual o el
error experimental.
Decisión:
Si Fcalculado< F crítico; Acepte Ho

Si Fcalculado> F crítico; Rechace Ho
5,85 > 2,86 al nivel del 5%, por tanto rechazamos la Ho. “Con 95 % de seguridad
afirmamos que al menos un método es diferente en la altura de planta de J. copaia”.
Esto implica realizar un análisis más detallado de las medias que lograron los
diferentes tratamientos o métodos.
44
Graficando medias
El factor Métodos de plantación es de naturaleza cualitativa, por lo que su

representación se puede realizar a partir de graficas de barra. Para esto copiamos
los tratamientos (Métodos) y sus respectivas medias en celdas aparte.
Pintamos
con el
mouse las
celdas de
tratamientos
y medias.
En la barra de herramientas superior de la hoja seleccione Insertar,
Seleccionando la primera opción;
5,00
4,00
3,00
2,00 Series1
1,00
0,00
A B C D E
Donde se puede observar que el método de plantación B obtiene una mayor

altura de arboles al final del tercer año, los métodos de plantación C y D
producen un menor crecimiento en cuanto a la altura. Para mejorar la gráfica
generada puede personalizarla en el menú Diseño, de la barra de herramientas.
45
Ejemplo. Se ha estudiado el efecto de la densidad de siembra en gramos de

semilla de Suaeda foliosa, las unidades experimentales fueron macetas que se
distribuyeron en invernadero bajo un diseño completamente aleatorio,
obteniéndose los resultados del porcentaje de germinación a los 35 días.
Macetas o repeticiones
Densidad (g/maceta) i ii iii iv v
5 22,2 21,6 23,0 24,5 19,0
10 24,0 22,1 26,0 24,8 29,2
15 26,4 29,4 30,1 27,4 26,4
20 32,4 31,2 29,0 35,2 36,2
Yij = Porcentaje de germinación de la j-ésima maceta que recibe la i-ésima

densidad de siembra
μ = Media general
τi = Efecto de la i-ésima densidad de siembra de kauchi
Hipótesis
Ho: μ5 = μ10 = μ15 = μ20 “La media de porcentaje de germinación de S. foliosa es la

misma para cualquier densidad de siembra” “No existen diferencias entre las
medias de germinación entre las densidades de siembra”
Ha: “Al menos una densidad de siembra es diferente en el porcentaje de

germinación de kauchi”
46
Rango de datos; A2 a F5 ó (A2:F5)
Datos, Análisis de datos, Análisis de varianza de un factor;
47
Debe llenarse:
Rango de datos
incluídas celdas
con nombre de
tratamiento
Aceptar;
Resultados
Tratamientos
Error
48
Interpretación
Decisión;
Asumiendo el 5% o 0,05 de significación
Si el valor F calculado< F crítico ; Acepte Ho

Si el valor F calculado> F crítico; Rechace Ho
Debido a que Fcalculado = 18,27 > 3,23; se Rechaza la Ho.
Por tanto se concluye que existen diferencias en el porcentaje de germinación de
S. foliosa por efecto de la densidad de siembra “Al menos una densidad de
siembra tiene un efecto diferenciado sobre la germinación de S. foliosa a los 35
días”. Por tanto habrá que realizar un mayor análisis de las medias de cada
tratamiento.
En la tabla de medias se puede ver que la densidad de 15 g/maceta tiene mayor
germinación de plántulas a los 35 días.
Graficando medias
Al ser el factor densidades cuantitativo es conveniente realizar una gráfica de
dispersión a fin de analizar efectos de regresión; para esto copiamos los datos de
densidades y medias de germinación.
Como se nota en la anterior figura es necesario pintar o marcar con el mouse

solo las celdas que contienen las densidades y medias.
49
Luego en el menú Insertar; Seleccionar Diagrama de dispersión;
Por defecto la gráfica que genera Excel es;
35
30
25
20
15 Series1
10
5
0
0 5 10 15 20 25
50
Personalizando con el menú Diseño;
Diagrama de dispersión de Suaeda foliosa (Densidad

Porcenajte emergencia (%)
y Emergencia)
40
30
20
10
0
0 10 20 30
Densidad siembra en gramos
Obteniendo la línea de regresión lineal y ecuación del gráfico
Coloque el cursor en un punto cualesquiera del diagrama de dispersión y haga

clic con el botón derecho;
Seleccione Agregar línea de tendencia.
51
Cerrar;
Diagrama de dispersión de Suaeda foliosa

Porcenajte emergencia (%)
(Densidad y Emergencia)
40
30
20
y = 0,698x + 18,27
10 R² = 0,983
0
0 5 10 15 20 25
Densidad siembra en gramos
La ecuación de regresión lineal generada es;

Emergencia=18,27 + 0,698(Densidad). Por cada gramo de incremento en la
densidad de siembra, la emergencia aumenta en 0,69% hasta los 35 días
después de siembra.
52
Ejemplo. A tres grupos de perros mestizos homogéneos en edad y peso se les

aplicó Propofol (anestesia) 5mg/kg corporal premedicado con los siguientes
productos. Después de un tiempo determinado se midió la frecuencia cardiaca
(latidos/min)
Perros
Tratamiento 1 2 3 4 5
Propofol 179 160 187 172 156
Propofol-Acepromacina-Atropina 165 176 176 159
Propofol-Xilacina-Atropina 178 159 183 159 187
Modelo estadístico
Yij = Frecuencia cardiaca del j-ésimo perro que recibió la i-ésima

combinación de productos.
μ = Media general
τi = Efecto fijo de la i-ésima combinación de producto
Hipótesis
Ho: μPropofol = μPropofol Acepromacina Atropina = μPropofol Xilacina Atropina “No hay diferencia en
las medias de frecuencia cardiaca de perros mestizos por efecto de la aplicación
del tipo de combinación de productos”
Ha: “Al menos una combinación de productos es diferente en la frecuencia

cardiaca”
53
El rango de celdas solo de datos a analizar en esta hoja es de B3:G5

El cuadro de dialogo:
54
Resultados;
55
Ejemplo. Se ha desarrollado un experimento en rabanitos bajo una distribución

experimental completamente al azar, con tres tratamientos (Biofertilizantes),
habiéndose evaluado la altura de planta en cm a la cosecha, durante el
desarrollo del ensayo se han perdido 3 unidades experimentales, los resultados
son:
Repeticiones
Biofertilizantes I II III IV V
Compost 21,2 23,4 19,2 21,2 18,2
Bocashi 19,0 23,1 18,2
Control 21,2 17,1 19,1 21,6
Modelo estadístico
Yij = altura de planta de rábano de la j-ésima unidad experimental que

con el i-ésima tipo de biofertilizante
μ = Media general
τi = Efecto fijo del i-ésimo tipo de fertilizante
Hipótesis
Ho: μBocashi = μCompost = μControl “La de altura de planta es el mismo para cualquier
tipo de biofertilizante”
Ha: “Al menos un tipo de biofertilizante es diferente en la altura de planta de

rábano”
56
Rango de datos; (A2:F4) incluidas las etiquetas y celdas vacías.

Notar que las repeticiones de cada tratamiento se hallan agrupadas por filas.
En Datos, análisis de datos, Análisis de varianza de un factor;
Introducir con el mouse el rango

de datos incluidas las celdas
perdidas
Aceptar
57
Resultados
Biofertilizantes
Error
En el cuadro de medias no se registran considerables diferencias, el mayor

promedio por tipo de biofertilizante para el Compost (20,64 cm) y el menor
promedio para Control (19,75 cm), estas medias se pueden graficar con
diagramas de barra como se vio en secciones anteriores.
En el análisis de varianza:
La fuente de variación Entre grupos representa la variación entre tratamientos
o biofertilizantes.
La fuente de variación Dentro grupos representa el error experimental.
Dado que el valor F calculado = 0,188 no es mayor al valor crítico de F= 4,25, se
acepta la hipótesis nula, no se hallan diferencias entre tipos de biofertilizantes
en la altura de planta en el cultivo de rábano.
58
Ejemplo. Se ha realizado un experimento para comparar el efecto de tres dietas

artificiales y una natural sobre el crecimiento de alevines de pejerrey, dos dietas
artificiales se elaboraron en base a alimentos micronizados y la tercera dieta en
base a hígado molido, el testigo constituyo el zooplancton que se produce
masivamente principalmente compuesta por cladóceros, se distribuyeron a los
alevines en condiciones de estanques, de manera que cada dieta se constituyo de
3 estanques, de cada estanque se tomaron muestras al azar con reposición de 50
alevines. Los códigos de tratamiento son;
T1: Alimento micronizado sin aditivo

T2: Alimento micronizado con aditivo
T3: Alimento en base a hígado
T4: Alimento natural (Zooplancton)
Los resultados experimentales son:
Peso
Dieta estanque 1 estanque 2 estanque 3
T1 58,7 52 55,6
T2 72 71,2 76,2
T3 61,2 59 67
T4 82,4 79,1 77,2
Modelo estadístico
Yij = Peso registrado del j-ésimo estanque que con el i-ésimo tipo de dieta
μ = Media general
τi = Efecto fijo del i-ésimo tipo de dieta
59
Hipótesis
Ho: μ1 = μ2 = μ3 =μ4 “El peso vivo de pejerrey es el mismo para cualquier tipo de
dieta”
Ha: “Al menos un tipo de dieta es diferente en el peso vivo de pejerrey”
Vista de datos
En datos, Análisis de datos, Análisis de varianza de un factor;
60
Resultados
Dietas
Error
Graficando medias
61
6.2 Diseño Bloques Completos Aleatorios (1 factor)

El diseño de bloques completos aleatorios se emplea cuando existe una fuente de
variación ajena al experimento y es necesario bloquear o agrupar las unidades
experimentales para controlar y extraer la variación debida a esta fuente y
realizar una mejor estimación de los efectos del factor o factores de estudio.
Ejemplo. Se realizó un ensayo donde se evaluó seis variedades de frejol,

teniéndose los resultados de rendimiento en kg/parcela (Padrón, 1996)
Bloques
Variedades I II III IV
Bayo 42 46 38 41
Gastelum 32 38 31 30
Mantequilla 25 32 28 26
Testigo 18 20 26 24
Cuyo 35 42 46 40
Zirate 36 25 22 26
Yij = μ + βj + τi + εij
Yij = Rendimiento de la unidad experimental del j-ésimo bloque que

recibió a la i-ésima variedad de frejol
μ = Media general
βj = Efecto del j-ésimo bloque
τi = Efecto fijo de la i-ésima variedad de frejol
Hipótesis
Ho: μ1 = μ2 = μ3 = μ4 = μ5= μ6 “La media de rendimiento es la misma para

cualquier variedad de frejol”
Ha: “Al menos una variedad de frejol es diferente en el rendimiento”
62
Cálculos
El cálculo para descomponer la
suma de cuadrados y obtener el
análisis de varianza necesita de los
totales de tratamiento, bloque y
gran total
Bloques Total Trat. Media Trat.

Variedades I II III IV Yi. 𝒀𝒊.
Bayo 42 46 38 41 167 41,75
Gastelum 32 38 31 30 131 32,75
Mantequilla 25 32 28 26 111 27,75
Testigo 18 20 26 24 88 22,00
Cuyo 35 42 46 40 163 40,75
Zirate 36 25 22 26 109 27,25
Y.j 188 203 191 187 769 32,04
Gran
Total Y.. 𝒀..
Media
general
Factor de corrección: Y../t×r
𝑌. .2 7692
𝐹𝐶 = = = 24640,04
𝑡×𝑟 6×4
Suma de cuadrados de bloques
𝑌. 𝑗 2
𝑆𝐶𝑏𝑙𝑜𝑞𝑢𝑒𝑠 = − 𝐹𝐶
𝑟
1882 + 2032 + 1912 + 1872

𝑆𝐶𝑏𝑙𝑜𝑞𝑢𝑒𝑠 = − 𝐹𝐶 = 27,12
6
63
Suma de cuadrados de tratamientos o variedades

𝑌𝑖.2
𝑆𝐶𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = − 𝐹𝐶
𝑟
1672 + 1312 + 1112 + 882 + 1632 + 1092
𝑆𝐶𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = − 𝐹𝐶 = 1251,21
4
Suma de cuadrados Total
𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = 𝑌𝑖𝑗 2 − 𝐹𝐶
𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = 422 + 322 + 252 + ⋯ + 262 − 𝐹𝐶 = 1564,96
Suma de cuadrados del Error

SCError = SCTotales-SCbloques- SCtratamientos
SCError = 1564,96 – 27,12 – 1251,21 = 286,63
Análisis de varianza
FV GL SC CM Fcalculado Ftabular(5%)
Bloques r-1=3 27,12 9,05
Variedades t-1=5 1251,21 250,24 13,10 2,90
Error (t-1)(r-1)=15 286,63 19,10
Total t×r-1=23
𝐶𝑉 % = × 100 = × 100 = 13,64%
𝑌. . 32,04
𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒𝑠 −𝐶𝑀𝐸𝑟𝑟𝑜𝑟 9,05−19,1

𝜎𝑟2 = 𝑁º 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
= 6
= −1,67
Dado que la varianza de bloques es negativa, se asume una varianza igual a cero.
Por tanto no hubo variación entre bloques.
Decisión

13,09 > 2,90; Se rechaza la Hipótesis nula.
Conclusión: Con 95 % de confianza concluimos que al menos una variedad de
frejol es diferente en el rendimiento.
64
Rango de datos; (A2:E8), incluidas las celdas con identificación de variedades y

bloques
Datos, Análisis de datos, Análisis de varianza de dos factores con una sola
muestra por grupo.
Asumimos como otro factor al efecto de bloques, que sin embargo en la práctica
se considera un factor de control de variaciones experimentales.
65
Aceptar, en el cuadro de diálogo;
En Rango de entrada; Debemos introducir una sola matriz de datos incluidas

las etiquetas de tratamientos y bloques, es decir las celdas con el texto de
nombres de tratamientos y numeración de bloques, además para que los
resultados muestren las etiquetas, habilitamos la opción Rótulos.
Debiendo de esta manera la selección quedar así:
66
Resultados
Variedades
Bloques
Fuentes de variación;
En este ejemplo
Filas equivale a tratamientos.
Columnas equivale a Bloques.
Decisión
13,09 > 2,90; Se rechaza la Hipótesis nula, entonces con 95 % de confianza
concluimos que al menos una variedad de frejol es diferente en el rendimiento.
Es pertinente explorar las medias de las diferentes variedades, la salida de Excel
muestra a las variedades Bayo y Cuyo con los mayores rendimientos en tanto el
testigo ha obtenido el menor rendimiento por parcela.
67
Graficando medias
Frecuentemente es necesario graficar las medias para una mejor comprensión del
efecto de tratamiento sobre la variable de respuesta, en este caso el factor
“Variedades” es cualitativo por tanto es más conveniente representar el efecto de
las medias con barras.
Para esto podemos copiar a otras celdas los tratamientos, medias y desviaciones
típicas. Luego pinte con el mouse las celdas que contienen a las variedades y sus
respectivas medias;
En el menú Insertar, de la barra de herramientas;
68
Haciendo clic en la opción Columnas, se despliegan los tipos de gráficos

disponibles en Excel;
Seleccionando la primera opción tenemos;
45
40
35
30
25
20
15
10 Series1
5
0
69
El cual editamos con el menú Diseño de la barra de Herramientas;
Para obtener una grafica personalizada;
Rendimiento de grano en 6 variedades de frejol

45
Rendimiento (kg/parcela)
40
35
30
25
20
15
10
5
0
Variedad de frejol
70
Ejemplo. Los siguientes datos corresponden a los rendimientos de papa en

kg/m2, donde se probaron 4 niveles de fertilizante nitrogenado (Ibañez, 2000)
Bloques
Nitrógeno
(kg/ha) I II III IV
0 10 9 11 10
50 12 11 12 13
100 15 15 16 15
150 11 10 10 11
Yij = μ + βj + τi + εij
Yij = Rendimiento de papa de la unidad experimental del j-ésimo bloque

que recibió a la i-ésima dosis de nitrógeno
μ = Media general
βj = Efecto del j-ésimo bloque
τi = Efecto fijo de la i-ésima dosis de nitrógeno
Hipótesis
Ho: μ0 = μ50 = μ100 = μ150= “La media de rendimiento de papa es la misma para
cualquier dosis de nitrógeno”
Ha: “Al menos una dosis de nitrógeno tiene efecto diferente en el rendimiento de
papa”
71
muestra por grupo.
Resultados
72
Nitrógeno
Bloques
FV GL SC CM F P F crítico
Bloques 3 2,6875 0,8958333
Nitrógeno 3 67,1875 22,395833 65,81 0,0000019 3,86254836
Error 9 3,0625 0,3402777
Total 15
𝐶𝑉 % = × 100 = × 100 = 4,88%
𝑌. . 11,93
𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒𝑠 −𝐶𝑀𝐸𝑟𝑟𝑜𝑟 0,89−0,34

𝜎𝑟2 = = = 0,137
𝑁º 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 4
El valor F para niveles de nitrógeno (Fc=65,81) es mayor al valor critico de F

(3,86) entonces rechazamos la Hipótesis nula de igualdad de efectos.
Conclusión:
Al nivel del 5% afirmamos que existen diferencias entre las medias de

rendimiento de papa entre los diferentes niveles de fertilización nitrogenada.
Dado que la varianza de bloques es mayor a 0, se dice que hubo variación entre
bloques por tanto el diseño fue bien aplicado.
73
18
Rendimiento papa (kg/parcela)

16
100; 15,25
14
12 50; 12
10 0; 10 150; 10,5
8
y = -0,000x2 + 0,110x + 9,537
6
R² = 0,745
4
2
0
0 50 100 150 200
Dosis de Nitrógeno (kg/ha)
Es pertinente realizar un mayor estudio de las medias de tratamientos con una

grafica de regresión (factor cuantitativo) en este ejemplo el efecto de nitrógeno
sobre el rendimiento es una función cuadrática de la forma:
Y = β0 + β1X + β1X2
El rendimiento aumenta linealmente a razón de 0,11 kg/m2 por cada kilogramo
de nitrógeno adicional, sin embargo dosis mayores a 100 kilogramos de
nitrógeno no producen mayor rendimiento de papa.
74
Ejemplo. Se desea probar 3 dietas sobre el crecimiento de Piaractus sp., por

razones de espacio solo se contaba con 3 estanques, donde se podía disponer en
cada uno 5 peces. Se repitió el ensayo en 4 tiempos diferentes, considerando al
factor tiempo como bloques. Los resultados experimentales de conversión
alimenticia al final de cada ensayo son los siguientes.
Bloques o tiempo
Dietas Tiempo 1 Tiempo 2 Tiempo 3 Tiempo 4
Dieta 1 2,58 2,89 3,01 2,9
Dieta 2 3,8 3,58 3,59 3,71
Dieta 3 2,12 2,18 2,25 1,9
Modelo estadístico
Yij = μ + βj+ τi + εij
Yij = Conversión alimenticia observada en un estanque del j-ésimo

bloque que recibió la i-ésima dieta
μ = Media general
βj= Efecto aleatorio del j-ésimo bloque (tiempo)
τi = Efecto fijo de la i-ésima dieta
Hipótesis
Ho: μ1 = μ2 = μ3 “La conversión alimenticia es la misma para cualquier tipo de

dieta”
Ha: “Al menos un tipo de dieta es diferente en la conversión alimenticia”
75
muestra por grupo:
Aceptar
76
Bloques
Dietas
Bloques
Graficando medias
77
Bloques 3 0,02669167 0,00889722
Dietas 2 4,85731667 2,42865833 82,103 0,000043 5,1432
Error 6 0,1774833 0,02958056
Total 11
𝐶𝑀𝐸𝑟𝑟𝑜𝑟 0,02958056
𝐶𝑉 % = × 100 = × 100 = 5,99%
𝑌. . 2,87
𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒 𝑠−𝐶𝑀𝐸𝑟𝑟𝑜𝑟 0,00889722 −0,02958056

𝜎𝑟2 = = = −0,00689
Dado que el estimado de la varianza de bloques es negativo y al no existir

varianzas negativas se asume que es 0, se dice que no hubo variación entre
bloques por tanto el diseño pierde precisión.
78
Ejemplo. Con el fin de probar cuatro niveles de pollinaza, como fuente proteica,
en raciones para novillos, se estratifico a estos de acuerdo a su peso inicial, en
bloques, los resultados de incremento de peso se incluyen a continuación,
(Rodríguez del Ángel, 1991);
Bloques
Nivel Pollinaza Peso I Peso 2 Peso 3 Peso 4
0 18.5 20.2 21.4 22.9
10 17.9 18.4 19.9 21.8
20 15.1 16.2 17 18.4
30 9.8 11.4 12.6 13.2
Modelo estadístico
Yij = μ + βj+ τi + εij
Yij = Ganancia de peso observada en un novillo del j-ésimo peso o bloque

que recibió el i-ésimo nivel de pollinaza
μ = Media general
βj= Efecto aleatorio del j-ésimo bloque (peso)
τi = Efecto fijo del i-ésimo nivel de pollinaza
Hipótesis
Ho: μ1 = μ2 = μ3 “No hay diferencia entre los niveles de pollinaza en la ganancia

de peso de novillos”
Ha: “Al menos un nivel de pollinaza es diferente en la ganancia de peso”
79
muestra por grupo:
Aceptar
80
Nivel
Bloque
Bloques 3 30,901875 10,300625 73,2488889
Niveles 3 191,466875 63,8222917 453,847407 0,000000 3,86254836
Error 9 1,265625 0,140625
Total 15 223,634375
𝐶𝑉 % = × 100 = × 100 = 2,18 %
𝑌. . 17,16
La media general se obtiene sumando los totales de tratamiento y dividiendo
entre el número de observaciones;
𝑌. . 83 + 78 + 66,6 + 47
𝑌. . = = = 17,16 𝑘𝑔
𝑡×𝑟 4×4
𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒𝑠 − 𝐶𝑀𝐸𝑟𝑟𝑜𝑟 10,3 − 0,14

𝜎𝑟2 = = = 2,54
81
6.3 Experimentos Factoriales

La capacidad de la Herramienta Análisis de datos llega hasta los experimentos
factoriales que se puedan ajustar a 2 factores en el diseño completamente
aleatorio.
6.3.1 Diseño Completamente Aleatorio con 2 factores

Ejemplo. Se ha estudiado el efecto del tiempo de cocción del grano de maíz
(Factor A) de acuerdo al Sexo (Factor B) en cuyes mejorados bajo la distribución
de un diseño completamente aleatorio, se tienen los resultados de la conversión
alimenticia (Arauco, 2005).
Tiempo cocción Sexo I II III IV V

0 Hembra 8,05 7,9 6,59 7 6,41
Macho 5,04 5,99 5,38 7,08 6,47
7 Hembra 6,79 6,17 6,28 5,61 7,83
Macho 6,92 6,8 6,25 5,16 4,73
14 Hembra 5,9 5,42 7,01 7,29 5,77
Macho 4,58 4,16 5,26 4,97 4,64
21 Hembra 5,48 5,68 6,56 5,75 6,42
Macho 4,96 4,93 4,79 5,05 5,01
Xijk = μ + αi +βj + (αβ)ij + εijk
Xijk = Conversión alimenticia observada en k-ésimo animal que recibió

alimentación a base de maíz con el i-ésimo tiempo de cocción y que corresponde
al j-ésimo sexo
μ = Media general
αi = Efecto fijo del i-ésimo tiempo de cocción de grano de maíz
βj = Efecto fijo del j-ésimo sexo
(αβ)ij= Efecto fijo de la interacción de i-ésimo tiempo de cocción con el j-ésimo
sexo
82
Nivel de significancia
α= 0,05
Hipótesis
Para el factor A: Tiempo de cocción de granos de maíz
Ho: μ Testigo = μ7min = μ14 min = μ21 min “La media de conversión alimenticia en cuyes
mejorados es la misma para cualquier tiempo de cocción del grano de maíz”
Ha: “Al menos un tiempo de cocción es diferente en la conversión alimenticia de

cuyes mejorados”
Para el factor B: Sexo
Ho: μ Macho = μ Hembra “La media de conversión alimenticia es la misma para ambos
sexos en cuyes mejorados”
Ha: “La media de conversión alimenticia es la misma para ambos sexos en cuyes
mejorados”
Para la interacción A x B: Tiempo×Sexo
Ho: El efecto del tiempo de cocción de los granos de maíz es el mismo en cada
sexo de cuyes mejorados en la conversión alimenticia.
Ha: El efecto del tiempo de cocción de los granos de maíz es diferente en al menos
un sexo de los cuyes mejorados en la conversión alimenticia.
α = 0,05
Tiempo …i…a…1…4
Sexo …j…b…1…2
Repeticiones…k…r…1…5
83
Cálculos
El cálculo para descomponer la suma de
cuadrados y obtener el análisis de varianza
necesita de los totales de A, B, AxB y gran
total
Tiempo
cocción Sexo I II III IV V Xij. 𝑿ij.
0 Hembra 8,05 7,9 6,59 7 6,41 35,95 7,19
Macho 5,04 5,99 5,38 7,08 6,47 29,96 5,992
7 Hembra 6,79 6,17 6,28 5,61 7,83 32,68 6,536
Macho 6,92 6,8 6,25 5,16 4,73 29,86 5,972
14 Hembra 5,9 5,42 7,01 7,29 5,77 31,39 6,278
Macho 4,58 4,16 5,26 4,97 4,64 23,61 4,722
21 Hembra 5,48 5,68 6,56 5,75 6,42 29,89 5,978
Macho 4,96 4,93 4,79 5,05 5,01 24,74 4,948
X.. 238,08 5,952
𝑿...
Cuadro de efectos simples y de efectos principales:
Hembra Macho Xi..

0 35,95 29,96 65,91
7 32,68 29,86 62,54
14 31,39 23,61 55
21 29,89 24,74 54,63
X.j. 129,91 108,17 238,08
Factor de corrección
X ...2 238.082
FC = = = 1417.05
abr 4 × 2× 5
84
Suma de cuadrados del factor A (Tiempos de cocción):
 Xi..
2
65.912 + 62.542 + 552 + 54.632
SCA = - FC = - FC = 9.432
br 2× 5
Suma de cuadrados del factor B (Sexo):
SCB =
 X.j. 2
- FC =
129.912 + 108.172
- FC = 11.81
a ×r 4×5
Suma de cuadrados de la interacción AxB (Tiempo y Sexo):
SCA ×B =
 Xij. 2
- SCA - SCB - FC
r
35.952 + 32.682 + 31.392 + ...+ 24.742

SCA ×B = - 9.432 -11.81-1417.05
5
SCA ×B = 1.278
Suma de cuadrados totales
SCTotal =  Xijk2 - FC = 8.052 + 5.042 + ...+ 5.01- FC = 1455.524 - FC
SCTotal = 38.474
Suma de cuadrados del error
SCError = SCTotal - SCA - SCB- SCA ×B
SCError = 38.474 - 9.432 -11.81-1.278 = 15.954
85
FV GL SC CM F Ft (5%)
Tiempos a-1= 3 9,432 3,14 6,31 2,90
Sexo b – 1= 1 11,81 11,81 23,69 4,15
Tiempo×Sexo (a-1)(b-1)= 3 1,278 0,43 0,85 2,90
Error ab(r-1)=32 15,954 0,5
Total abr-1 = 39
𝐶𝑉 % = × 100 = × 100 = 11,88%
𝑋… 5,952
Del cuadro de concentración de efectos simples es posible obtener las medias de

efectos principales:
Sexo
Tiempo Hembra Macho Media B

(Xi../br)
0 35,95 29,96 6,59
7 32,68 29,86 6,25
14 31,39 23,61 5,50
21 29,89 24,74 5,46
Media B
(X.j./ar) 6,49 5,40 5,95
De esta manera se estima el efecto principal de los tiempos de cocción en la

conversión alimenticia;
Tiempo Media Conv.Alim Sexo Media Conv.Alim

0 minutos 6,6 Hembra 6,49
7 minutos 6,3 Macho 5,4
14 minutos 5,5
21 minutos 5,5
86
87
Datos, Análisis de datos, Análisis de varianza de dos factores con varias

muestras por grupo;
En el cuadro de dialogo;
Se debe introducir el cursor en rango de entrada y marcar desde la celda A1

hasta C21 es decir (A1:C21). En Fila por muestra se coloca 5, puesto que se tiene
cinco repeticiones y están apiladas distribuidas en 5 filas de la hoja de cálculo.
Aceptar
88
Resultados
Efecto Principal: Media Testigo
Efecto de interacción:
Media Machos en 7
minutos de cocción de grano
Media Hembras en 7
minutos de cocción de grano
Efecto Principal:
Media 7 minutos cocción
Efecto principal: Medias

de Sexo Macho y Hembra
Tiempo cocción
Sexo
Tiempo x Sexo
Error Experimental
89
Interpretación
Muestras equivale al factor Tiempo de cocción
Columnas equivale al factor Sexo
Interacción equivale a Tiempo*Sexo
Decisión

Tiempo de cocción
6,30> 2,90; Se rechaza la Hipótesis nula, entonces con 95 % de confianza

concluimos que el efecto del tiempo de cocción del grano de maíz sobre la
conversión alimenticia de cuyes es diferente. Podemos observar que la menor
conversión alimenticia del grano de maíz se logra con un tiempo de cocción de
21 minutos obteniéndose una CA de 5,46, por otra parte el mayor promedio de
conversión alimenticia se obtiene con el Testigo (Sin cocción) con una media de
6,59.
Sexo
23,69> 4,15; Se rechaza la Hipótesis nula, entonces con 95 % de confianza

concluimos que la conversión alimenticia es diferente para ambos sexos, del
cuadro de medias se observa que las hembras obtienen 6,49 contra 5,40 de los
machos en la conversión alimenticia.
Interacción Tiempo×Sexo
0,85 < 2,90; Se acepta la hipótesis nula, el efecto del tiempo de cocción de los
granos de maíz es el mismo en cualquier sexo para la conversión alimenticia. En
este caso se considera que ambos factores son independientes para la
conversión alimenticia por lo que solo debemos estudiar los efectos principales o
por separado de ambos factores.
90
Graficando las medias de los efectos principales con los datos generados por
Excel; De manera análoga descrita para graficar efectos cualitativos y
cuantitativos (en DCA y DBCA de un factor).
Extractamos en otras celdas las medias de efectos principales de acuerdo a los

niveles de los factores de los resultados arrojados por Excel:
Graficando con el menú Insertar;
Para el factor Sexo de cuy;
7 6,49
Conversión Alimenticia
6 5,40
5
4
3
2
1
0
Hembras Machos
Sexo
91
Para el factor tiempo de cocción que podemos considerar un factor cuantitativo;
Conversión Alimenticia 7
6
5
y = -0,059x + 6,571
4
R² = 0,909
3
2
1
0
0 7 14 21 28
Tiempo de cocción (minuntos
A mayores tiempos de cocción se reduce la conversión alimenticia, siendo el

nivel de 21 minutos de cocción el de mejor índice de conversión alimenticia.
92
Ejemplo. Se ha realizado un experimento en Alpacas de la raza Suri en

condiciones de manejo al pastoreo natural, considerando como factores; sexo
(macho y hembra) y edades (1, 2, 3 años) en el Centro Experimental La Raya, se
ha tomado como variable de respuesta el peso vivo (kg), los resultados
experimentales fueron (Ibañez, 2000)
Alpacas
Edad Sexo i ii iii iv v vi vii viii ix x
1
Año Macho 25,0 32,2 22,0 29,0 21,0 32,0 24,0 24,5 20,0 29,0
Hembra 34,0 33,3 32,5 33,0 31,0 37,0 32,0 30,5 22,0 42,0
2
Años Macho 28,0 34,0 45,0 36,0 37,0 25,0 35,0 38,0 32,0 36,0
Hembra 48,0 86,0 56,0 48,0 52,0 50,0 45,0 48,0 38,0 48,0
3
Años Macho 57,0 50,0 54,0 59,0 56,0 42,0 59,0 50,0 45,0 60,5
Hembra 46,0 60,0 50,0 33,0 68,0 62,0 62,0 59,0 66,0 46,0

Yijk = μ + αi +βj + (αβ)ij + εijk
Yijk = Peso vivo observado en el k-ésimo animal de la i-ésima edad y
correspondiente al j-ésimo sexo
μ = Media general
αi = Efecto fijo de la i-ésima edad
(αβ)ij = Efecto fijo de la interacción de i-ésima edad con el j-ésimo sexo
εijk = Error experimental o Efecto aleatorio de residuales (0,σe2)
Hipótesis
Para el factor A: Años de edad
Ho: μ 1 año = μ2 años = μ3 años “La media de peso vivo es la misma para cualquier
edad”
Ha: “Al menos una edad es diferente en el peso vivo”
Ho: μ Macho = μ Hembra “La media de peso vivo es la misma para ambos sexos en
alpacas”
Ha: “La media de peso vivo es la misma para ambos sexos en alpacas”
93
Para la interacción A x B: Edad×Sexo
Ho: “El efecto de la edad es el mismo para cualquier sexo de alpacas en el peso
vivo”.
Ha: “El efecto de la edad es diferente en al menos un sexo de alpacas en el peso
vivo”.
α = 0,05
Rango de datos de A1 a C31; (A1:C31)
94
Datos, Análisis de datos, Analisis de varianza con varias muestras por grupo;
Aceptar
En Rango de entrada; posicione el cursor en la casilla y marque con el mouse en

la hoja electrónica el rango de datos. En Fila por muestra; se escribe el número
de repeticiones (10). Aceptar.
95
Resultados
Edad
Sexo
Edad x Sexo
Error
Experimental
96
Resumen de resultados
Medias de Factor A: Edad
Media PV
Edad (kg)
1 año 29,3
2 años 43,25
3 años 54,22
Medias de Factor B: Sexo
Sexo Media PV (kg)

Macho 37,91
Hembra 46,61
Medias de interacción A×B: Edad×Sexo
Macho Hembra
1 año 25,87 32,73
2 años 34,6 51,9
3 años 53,25 55,2
Interpretación
Muestras equivale al factor Edad
Columnas equivale al factor Sexo
Interacción equivale a Edad×Sexo
Decisión: Asumiendo el 5% o 0,05 de significación
Tiempo de cocción
45,55 > 3,16; Se rechaza la Hipótesis nula, con 95 % de confianza inferimos existen
diferencias entre edades en el peso vivo.
Sexo
16,94 > 4,15; Se rechaza la Hipótesis nula, con 95% de confianza concluimos que la
media de peso vivo es diferente para los sexos de alpacas.
97
Interacción Edad×Sexo
4,58 > 3,16; Se rechaza la hipótesis nula, el efecto de la edad no es el mismo para los
diferentes sexos en el peso vivo. Existe dependencia del peso vivo para los factores
Edad y Sexo. Se recomienda analizar las graficas de interacción para un análisis más
profundo de los efectos de interacción.
Graficando medias de interacción, extractamos las medias de los resultados de

Excel y generamos el cuadro de efecto simple que es un cuadro de doble entrada:
Pintamos las celdas de acuerdo a la figura anterior y en la barra de

herramientas; Insertar;
Clic en la primera opción, luego podemos personalizar con el menú Diseño de la

barra de herramientas.
98
Interaccion Edad y Año en el peso vivo de alpacas

60
Peso vivo (kg)
50
40
30
20
10
0
1 Año 2 Años 3 Años
Macho 25,87 34,6 53,25
Hembra 32,73 51,9 55,2
Analizando la grafica de interacción, se puede observar que en las edades de 1 y

2 años, se tienen diferencias entre las medias de animales machos y hembras,
los animales machos tiene mayor peso vivo que las hembras. Este efecto cambia
para animales de 3 años donde las medias de animales machos y hembras son
similares.
Este cambio diferencial de los niveles del factor años con respecto al sexo
ocasiona la significancia de la Interacción Edad×Sexo en el análisis de varianza.
En experimentos con mayor numero de niveles que tengamos interacción

significativa entre factores, puede realizarse el análisis de efectos simples, esto
puede llevarse a cabo con programas más especializados como SAS, que realizan
la prueba de F para efectos simples o contrastes de 1 grado de libertad con el
procedimiento GLM (General Linear Model)
99
Ejemplo. Los datos que se suministran son niveles de calcio en plasma (mg/100
ml) de pájaros de ambos sexos, los cuales la mitad fue tratada con una hormona y
la otra no, (Gutiérrez, 2000):
Repetición
Hormona Sexo I II III IV V
Control (sin) Hembra 16.5 18.4 12.7 14 12.8
Macho 14.5 11 10.8 14.3 10
Hormona Hembra 39.1 26.2 21.3 35.8 40.2
Macho 32 23.8 28.8 25 29.3
Yijk = μ + αi +βj + (αβ)ij + εijk
Yijk = Concentración de calcio en la k-ésima ave del i-ésimo tratamiento

hormonal y correspondiente al j-ésimo sexo
μ = Media general
αi = Efecto fijo del i-ésimo tipo de tratamiento hormonal
(αβ)ij = Efecto fijo de la interacción del i-ésimo tipo de tratamiento
hormonal con el j-ésimo sexo
εijk = Error experimental o Efecto aleatorio de residuales (0, σe2)
Hipótesis
Para el factor A: Hormona
Ho: μ Control = μHormona “La media de nivel de calcio en plasma es la misma entre el
control y el tratamiento de hormona”
Ha: “La media de nivel de calcio en plasma es diferente entre el control y el
tratamiento de hormona”
Ho: μ Hembra = μ Macho “La media de nivel de calcio en plasma es la misma entre
ambos sexos”
Ha: “La media de nivel de calcio en plasma es diferente entre ambos sexos”
100
Para la interacción A x B: Hormona×Sexo
Ho: “El efecto del tratamiento hormonal es el mismo para cualquier sexo de aves
en la variable nivel de calcio en plasma”.
Ha: “El efecto del tratamiento hormonal es diferente para cualquier sexo de aves
en la variable nivel de calcio en plasma”.
α = 0,05
101
Datos, Análisis de datos, Análisis de varianza de dos factores con varias

muestras por grupo:
Donde; Fila por muestra = 5 es el número de replicas.
Aceptar
102
Resumiendo la información
Valor
FV GL SC CM F calculado Probabilidad crítico F
Hormona 1 1386,1125 1386,1125 60,533 0,000000794 4,494
Sexo 1 70,3125 70,3125 3,070 0,098856174 4,494
Hormona ×Sexo 1 4,9005 4,9005 0,214 0,649870014 4,494
Error 16 366,372 22,89825
Total 19 1827,6975
𝐶𝑉 % = × 100 = × 100 = 21,92 %
𝑌. . 21,825
La media general se obtiene así (sumando los totales de los niveles de cualquier
factor y dividiendo entre el número de observaciones);
𝑌. . . 237 + 199,5 𝑚𝑔 𝑐𝑎𝑙𝑐𝑖𝑜

𝑌. . = = = 21,825
×𝑏×𝑟 2×2×5 100𝑚𝑙 𝑝𝑙𝑎𝑠𝑚𝑎
103
Medias de Factor A: Hormona
Media calcio en
Factor A plasma(mg/100ml)
Control 13,5
Hormona 30,15
Medias de Factor B: Sexo
Media calcio en
Sexo plasma(mg/100ml)
Hembra 23,7
Macho 19,95
Medias de interacción A×B: Hormona×Sexo
Hembra Macho
Control 14,88 12,12
Hormona 32,52 27,78
104
7. Uso básico de las funciones estadísticas de Excel

Dado el siguiente conjunto de datos que representan al diámetro altura pecho de
25 árboles de eucalipto (E. globulus) (Gutiérrez, 2000)
31,2 57,5 34,9 39,4 46,9

29,4 38,5 41,2 32,7 47,4
34,2 32,2 27,4 42,1 44,2
56,7 49,3 22,7 52,4 61,8
58,6 31,9 43,1 32,2 33,8
Calcular;
La media, mediana, moda (estadísticos de tendencia central)
La varianza, desviación estándar, mínima, máxima, coeficiente de variabilidad

(medidas de dispersión)
El rango de recorrido es de A1 hasta E5; es decir (A1:A5)
105
Para resolver el ejemplo podemos usar las funciones estadísticas de Excel, para
esto podemos escribir en la hoja de datos las celdas donde queremos calcular
dichos estadísticos de la siguiente manera;
Estadísticos de tendencia central

Media
Calcularemos la media en la celda H2, para lo cual escribimos la función
disponible en Excel en la celda H2 y marcando con el mouse entre los paréntesis
las celdas que contienen los datos A1:E5;
Se escribe directamente la función en la celda, una vez abierto el paréntesis

podemos seleccionar el rango de datos con en el mouse, finalmente Enter.
Para el caso de mediana y moda se procede de la misma manera, las formulas a

escribir en las celdas de cálculo son;
106
Estadísticos de dispersión;
De la misma manera podemos escribir las formulas correspondientes en las

celdas de cálculo;
Escribiendo las formulas en las celdas de destino;
En versiones recientes de Office varian ligeramente algunas formulas.
107
En el caso del coeficiente de variación, la fórmula es
𝐷𝑒𝑠𝑣𝑖𝑜 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟
𝐶𝑉 % = × 100
𝑀𝑒𝑑𝑖𝑎
Para calcular en Excel ubicamos con el mouse las celdas de la Media y el Desvío
Estándar (S); que corresponden y escribimos en la celda la fórmula con las
celdas de referencia; =(H8/H2)*100.
Amplificando la imagen la escritura de funciones y celdas de referencia;
108
Finalmente tenemos;
109
Otra forma de usar las funciones de Excel es empleando en la barra de

herramientas la tecla fx. Donde se puede explorar todas las funciones
estadisticas de Excel que por su amplitud no se explican en este documento.
Para hacer uso de las funciones estadísticas explore Ayuda sobre esta función
110
8. Referencias
Arauco, A. 2005. Evaluación del tiempo de cocción del grano de maíz
(Zea mays), en la alimentación de cuyes mejorados (Cavia aperea
porcellus), bajo sistema intensivo de cría, Río Abajo - La Paz. Tesis de
grado para optar el título de Licenciatura en Medicina Veterinaria y
Zootecnia. Universidad Loyola-Carrera de Medicina Veterinaria y
Zootecnia. La Paz- Bolivia. 73 p.
Daza, J. 2006. Estadística Aplicada con Microsoft Excel. Editorial

Megabyte. Primera edición. Lima-Perú. 647 p.
Gutiérrez, E. 2000. Métodos estadísticos para las ciencias biológicas.

Editorial Universidad Nacional Heredia. Primera reimpresión. San José-
Costa Rica.178 p.
Ibañez, V. 2000. Aplicaciones estadísticas en ganadería. Universidad

Nacional del Altiplano-UNA. 138 p.
Padrón, E. 1996. Diseños experimentales con aplicación en agricultura y

la ganadería. Editorial Trillas. México.
Petrie, A. y Watson, P. 2003. Statistics for Veterinary and Animal

Science. Blackwell Edit. USA. 243 p.
Ochoa, R. 2009. Diseños Experimentales. 388 p.
111

Excel Disenos Borrador

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

Excel Disenos Borrador

Cargado por

Copyright:

Formatos disponibles

Ing. Juan José Vicente Rojas M.Sc.

6. Análisis de varianza ..................................................................... 34

7. Uso básico de las funciones estadísticas de Excel ....................... 105

Microsoft Excel ®, ofrece entre sus múltiples opciones, una

2. Instalando el complemento “Análisis de datos”

La opción Análisis de datos se halla disponible en Datos. Si esta opción no se

Hacer clic en el botón de Office u Archivo en Office 2010;

Debe ir al botón Opciones de Excel en las versiones recientes de Office se

Luego nos aparece la siguiente ventana;

Donde debe seleccionar haciendo un clic en la opción Complementos;

Haga clic en la opción Ir…;

Haga clic en Herramientas para análisis, y luego Aceptar.

Haciendo clic en Análisis de datos;

Las herramientas que trataremos serán; estadísticas descriptivas, prueba de t

1,03 0,4 1,06 0,61

1,03 + 0,60 + 0,44 + ⋯ + 1,06

ΣY2= 1,032+0,602+0,442+…+1.062 = 9,244

ΣY= 1,03+0,60+0,44+…+1.06 =12,68

Con el valor de la media y la desviación estándar; podemos decir que la mayoría

Representa la desviación estándar de la media.

Para obtener las estadísticas descriptivas se ingresa a Datos, Análisis de datos;

Nos muestra el siguiente cuadro de diálogo;

Rango de entrada: Debemos

La selección de celdas puede realizarse ingresando con el mouse en Rango de

Observar que en rango de entrada se marcó con el mouse desde la celda A1

También debemos habilitar la opción Rótulos en la primera fila y Resumen de

Indica si la primera celda

Ejemplo. Los siguientes datos se refieren a medidas de oxytetraciclina en

Análisis de datos, Estadística Descriptiva;

4. Prueba de t para la comparación de dos medias

Ejemplo. Se desea comparar el efecto de la adición de pulpa de café en la ración

Ho: μ1 = μ2 “La media en la ganancia de peso en conejos es la misma por el efecto

Estadístico de prueba: t con n1 + n2 -2 grados de libertad al nivel alfa de 0,05

Ración 1: A. Comercial Ración 2: A. Comercial + pulpa café

𝟐𝟑, 𝟏 + 𝟏𝟕, 𝟑 + ⋯ + 𝟐𝟎, 𝟎 19,2 + 21,8 + ⋯ + 17,2

ΣY2= 23,12+17,22+…+20,02 = 4418,77 ΣY2= 19,22+21,82+…+17,22 = 3698,69

ΣY= 23,1+17,2+…+20,0 =197,9 ΣY= 19,2+21,8+…+17,2 =181,5

Donde Sc2 es la varianza agrupada de ambas muestras;

Que se reemplaza en t calculada;

El valor de t de tablas con (n1+n2-2) o 16 grados de libertad al 5% es igual

t tablas (5%) = 2,12

Rango de datos (incluidas las celdas con etiqueta de tratamiento);

Datos, Análisis de datos; Prueba de t para muestras suponiendo varianzas

Rango para la variable 1: se introducirá con el mouse los datos de la muestra 1,

Rango para la variable 2: se introducirá con el mouse los datos de la muestra 2,

Rótulos; se habilita esta opción cuando introducimos en el rango de variables la

Por defecto el análisis es la nivel alfa de 0,05.

Aceptar: Los resultados se imprimen en otra hoja del mismo libro;

El estadístico de t calculado es 1,504, el cual se puede comparar con el valor

Como el valor t calculado es menor a t critico; tomamos la decisión de aceptar la

Ejemplo. Los siguientes datos se refieren al peso de ovejas de un grupo control y

El estadístico de t calculado es -2,432, el cual se puede comparar con el valor

Como el valor t calculado en valor absoluto (ignorando el signo) es mayor a t

5. Análisis de Correlación y Regresión lineal

Ejemplo. Se ha realizado el muestreo de 10 peces de la especies Tilapia aureus,

n Ancho (cm) Peso (g)

a) Grafique el diagrama de dispersión

Ancho (X) Peso (Y) X2 Y2 XY

ΣX=212 ΣY=2168 ΣX2=4560 ΣY2=478450 ΣXY=46629

2168 10,173 × 212

Coeficiente de determinación (r2)

Correlación de Pearson; r=0,8975 dado que el coeficiente es un valor alto

El coeficiente de determinación (r2) indica que el 80,55% de la variación del peso