Professional Documents
Culture Documents
DISEO DE EXPERIMENTOS
MXICO
ii
TABLA DE CONTENIDO
Captulo
Pgina
1
2
15
20
33
37
47
51
51
53
61
77
82
90
93
94
97
99
101
102
104
105
105
110
111
114
124
140
145
145
148
152
155
158
160
163
167
169
169
170
173
176
188
188
192
196
207
208
211
214
224
229
7.1 Contrastes
7.2 Contrastes Ortogonales
7.3 Diseo de Tratamientos Factoriales
7.4 Diseo de Tratamientos con Gradiente
7.5 Intervalos de Confianza Simultneos
Ejercicios Propuestos
8. DISEOS FACTORIALES
230
240
244
251
259
268
271
271
273
276
290
291
294
309
309
313
Apndice: Tablas
Referencias Bibliogrficas
217
233
iv
1.1 Correlacin.
La correlacin entre dos variables es el grado de fuerza con que dos variables
estn asociadas y es medido por el coeficiente de correlacin del momento del
producto de Pearson y definido por el cociente de la covarianza entre la raz cuadrada
del producto de la varianza de stas, a continuacin se presenta la definicin:
Definicin 1.1 Sean X y Y variables aleatorias con funcin de densidad de
probabilidad conjunta f (x, y), entonces el coeficiente de correlacin, denotado por ,
est definido por:
Cov ( X , Y )
=
, para V(X) y V(Y) > 0,
V ( X )V (Y )
donde: Cov(X, Y) es la covarianza de X y Y.
V(X) y V(Y), son las varianzas de las v. a. X y Y, respectivamente.
Es importante enfatizar que en la frmula del coeficiente de correlacin, el
denominador utiliza la raz cuadrada positiva del producto de las varianzas y los
rangos de valores para , est entre 1 y 1. Cuando el valor absoluto de es igual a
uno, esto significa que existe una correlacin perfecta, los valores cercanos a uno
significan buena correlacin, mientras que los valores cercanos al cero significan una
correlacin dbil y valores iguales a cero, significan una correlacin nula. Las
siguientes grficas muestran la dispersin de los datos para diferentes valores de .
Cov( X , Y )
,
V ( X )V (Y )
x y
i =1
i =1
i =1
xi y j
n
xi
n
SS X = x i2 i =1 ,
n
i =1
2
y i
n
i =1
.
2
SSY = y i
n
i =1
Ho: o
Ha: < o
Ho: o
Ha: > o
ESTADSTICO DE PRUEBA:
r 0
~ tn 2
1 r 2
n2
Tabla 1.2 Valor-p para Hiptesis sobre el Coeficiente de Correlacin.
VALOR-P
NO DIRECCIONAL
DIRECCIONAL HACIA LA:
a)
b)Izquierda
c) Derecha
Valor-p = P(t>|tc|) +
Valor-p = P(t < tc) Valor-p = P(t > tc)
P(t< -|tc|)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los datos tienen una distribucin normal bivariable.
REGIN DE RECHAZO:
a) No direccional
t
-t/2,
t/2,
Regin de
Rechazo
Regin de
Rechazo
t
-t
Regin de
Rechazo
t
t
Regin de
Rechazo
correlacin entre estas dos variables. Los datos proveen suficiente evidencia
para decir que existe correlacin entre la presin del circuito neumtico y la
altura de la grasera, con un nivel de significancia del 1%?
Y
31.5
38.0
26.9
32.9
27.7
X
50
50
55
55
60
Y
24.6
26.1
21.2
25.6
14.6
45
31.3
60
21.9
50
40
30
20
10
10
20
30
40
50
PRESION DEL CIRCUITO
NEUMATICO
60
70
Solucin:
HIPTESIS:
Ho: = 0
Ha: 0
ESTADSTICO DE PRUEBA:
r 0
~ tn 2
1 r 2
n2
VALOR-P = P(t > |tc|) + P(t < -|tc|)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. La variable Y tienen una distribucin normal con varianza constante.
REGIN DE RECHAZO:
t
-3.169
Regin de
Rechazo
3.169
Regin de
Rechazo
Donde: t10, 0.005 es obtenida de tal forma que P [t > t10,0.005 ] = 0.005 .
REGLAS DE DECISIN:
Si t c > 3.169 o t c < 3.169 entonces rechazar Ho, de otra manera no rechazar
Ho.
Si el Valor-p < , entonces rechazar Ho, de otra manera no rechazar Ho.
10
CLCULOS:
Tabla 1.4 Pares de Datos de Presin de un Circuito Neumtico (x) y Altura
de la Grasera a la Tapa (y)
Obs
1
X
35
Y
31.5
X2
1225
Y2
992.25
XY
1102.5
2
3
4
5
6
7
8
9
10
11
12
TOTAL
35
40
40
45
45
50
50
55
55
60
60
570
38.0
26.9
32.9
27.7
31.3
24.6
26.1
21.2
25.6
14.6
21.9
322.3
1225
1600
1600
2025
2025
2500
2500
3025
3025
3600
3600
27950
1444.00
723.61
1082.4
767.29
979.69
605.16
681.21
449.44
655.36
213.16
479.6
9073.19
1330
1076
1316
1246.5
1408.5
1230
1305
1166
1408
876
1314
14778.5
xi y j
SS XY = xi y j i =1
i =1
,
n
(570 )(322.3)
= 14778.5
= 530.75 ,
12
= 530.75 .
i =1
SS XY
SS XY
SS X =
i =1
n
xi
2
xi i =1 ,
n
SS X = 27950
SS X = 875 .
(570 )2
12
= 875 ,
n
Yi
2
SSY =
Yi i =1 ,
n
i =1
n
SSY = 9073.1
SSY = 416.66 .
(322.3)2
12
= 416.66 ,
11
r =
r =
SS XY
SS X SSY
530.75
(875)( 416.66)
= 0.879 ,
r = 0.879 .
r 0
tC =
1 r 2
n2
t C = 5.829 .
0.879
1 ( 0.879)2
10
= 5.829 ,
DECISIN:
t C = 5.829 < 3.169 , entonces, se rechaza Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que existe correlacin entre
la presin del circuito neumtico y la altura de la grasera, con un nivel de
significancia del 1%.
Ejemplo 1.2: Una compaa tiene un sistema de produccin por rdenes de trabajo y
uno de los supervisores piensa que existe una relacin lineal positiva entre el
tamao de la orden de trabajo y las horas-hombre necesarias para procesar
dicha orden de trabajo, para verificar la sospecha del supervisor se le han dado
seguimiento a 10 rdenes, donde se ha registrado el tamao de la orden en
miles de piezas y las horas-hombre necesarias para elaborar dicha orden,
cuyos datos se muestran en la tabla 1.5. Los datos proveen suficiente
evidencia para decir que existe una correlacin positiva entre el tamao de la
orden de trabajo y las horas-hombre necesarias para procesar dicha orden de
trabajo, con un nivel de significancia del 5%?
Tabla 1.5 Tamao de rdenes de Trabajo y las Horas-Hombre Requeridas
para Elaborarlas.
Nm.
de
Orden
Tamao
Hrs.-Hombre
30
73
20
50
60 80
128 170
5
40
87
50 60
108 135
8
30
69
10
70 60
148 132
Solucin:
HIPTESIS:
Ho: 0
Ha: > 0
12
ESTADSTICO DE PRUEBA:
r 0
tc =
1 r 2
n2
VALOR-P= P(t > tc)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los datos tienen una distribucin normal bivariable.
REGIN DE RECHAZO:
t
1.86
Regin de
Rechazo
Figura 1.13 rea de Rechazo para la Prueba Direccional Hacia la
Derecha entre el Tamao de la Orden de Trabajo y las
Horas-Hombre.
= 500 ,
= 1100 ,
i =1
n
y
i =1
13
2
i
= 28400 ,
2
i
= 134660 ,
i =1
n
i =1
n
x y
i
= 61800 ,
i =1
xi y j
SS XY = xi y j i =1
i =1
,
n
(500 )(1100 )
= 61800
= 6800 ,
10
= 6800 .
i =1
SS XY
SS XY
n
xi
n
2
SS X = xi i =1 ,
n
i =1
SS X
2
(
500 )
= 28400
= 3400 ,
10
SSX = 3400 .
2
SSy =
i =1
SSY
n
yi
2
y i i =1 ,
n
2
(
1100 )
= 134660
10
= 13660 ,
SSY = 13660 .
SS XY
r =
,
SS X SSY
r =
6800
= 0.9978 ,
(3400)(13660)
r = 0.9978 .
r 0
0.9978
tC =
=
,
1 r 2
1 (0.9978)2
n2
8
0.9978
tC =
= 42.58 ,
1 ( 0.9978)2
8
14
tC = 42.58 .
DECISIN:
tC = 42.58 > 1.86 , entonces se rechaza Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que existe una correlacin
positiva entre el tamao de la orden de trabajo y las horas-hombre necesarias
para procesar dicha orden de trabajo, con un nivel de significancia del 5%.
Existe una gran variedad de modelos probabilsticos, los cuales dependen del
tipo de relacin funcional que se seleccione para x, puede ser una lnea o una curva
de segundo grado, etc.; puede ser cualesquier funcin, hasta una exponencial, en
este caso las intenciones son nicamente analizar el modelo ms simple, que es la
lnea recta, el cual se conoce como modelo de primer orden o regresin lineal simple,
es decir:
f ( x ) = 0 + 1 x ,
15
1 , es la pendiente de la lnea.
La figura 1.14 muestra grficamente el significado del intercepto y de la
pendiente de una lnea, que en este caso representa a los datos. Ntese que 1 es la
pendiente y significa la cantidad que y aumenta por cada incremento en x; mientras
que, 0 es el intercepto y representa el valor de y, cuando el valor de x es igual a cero.
Y
y = 0 + 1 x
y
= 1
x
x
0
X
Figura 1.14 Regresin Lineal Simple.
min ( y i y i ) 2 ,
i =1
donde: y = 0 + 1xi ,
0 y 1 son estimadores de 0 y 1 , respectivamente.
16
Min
( y i 0 + 1x i ) 2 ,
i =1
1 =
SSxy
,
SSx
0 = y 1x ,
y i 1 x i .
0 =
n
A continuacin se resuelven dos ejemplos para ilustrar la aplicacin de los
estimadores de los coeficientes del modelo y su interpretacin.
Ejemplo 1.3: Utilizar el ejemplo del ingeniero de calidad encargado del proceso de
ensamblar brazos mecnicos para direccin mecnica, para estimar un modelo
de regresin lineal entre la presin del circuito neumtico en libras por pulgada
cuadrada y la altura de las graseras en centsimas de pulgada. Los datos se
encuentran en la tabla 1.6, donde X representa la presin de un circuito
neumtico que se usa para atornillar graseras en las tapas de una rtula y Y
representa la altura de la grasera a la tapa. La Figura 1.15 muestra el diagrama
de dispersin para los datos, en la que se puede observar que existe
correlacin entre estas dos variables. Estime los parmetros del modelo de
regresin lineal simple.
Tabla 1.6 Pares de Datos de la Presin de un Circuito Neumtico (X) y
Altura de la Grasera a la Tapa (Y)
X
35
35
40
40
45
45
Y
31.5
38.0
26.9
32.9
27.7
31.3
X
50
50
55
55
60
60
Y
24.6
26.1
21.2
25.6
14.6
21.9
17
50
45
40
35
30
25
20
15
10
5
0
0
10
20
30
40
50
60
70
80
Solucin:
n
xi y j
SS XY = xi y j i =1
SS XY
SS XY
i =1
,
n
i =1
(570 )(322.3)
= 14778 .5
= 530.75
12
= 530.75
2
n
xi
n
2
SS X = xi i =1 ,
n
i =1
SS X = 27950
(570 )2
12
= 875 ,
SS X = 875 ,
SSxy
1 =
,
SSx
SS xy 530.75
1 =
=
= 0.6065 Centsimas de pulgada por libra
SS x
875
por pulgada cuadrada.
y i 1 x i
0 =
n
322.3 ( 0.6065 )(570 )
0 =
12
18
Ejemplo 1.4: Utilizando el ejemplo de la seccin anterior sobre la compaa que tiene
un sistema de produccin por rdenes de trabajo y uno de los supervisores
piensa que existe una relacin lineal positiva entre el tamao de la orden de
trabajo y las horas-hombre necesarias para procesar dicha orden de trabajo,
para verificar la sospecha del supervisor se le ha dado seguimiento a 10
rdenes, donde se ha registrado el tamao de la orden en miles de piezas y las
horas-hombre necesarias para elaborar dicha orden y los datos se muestran en
la Tabla 1.7. Estimar los parmetros del modelo de regresin lineal simple.
Tabla 1.7 Tamao de rdenes de Trabajo y las Horas-Hombre Requeridas
para Elaborarlas.
Nm. de Orden
Tamao
Hrs.-Hombre
1
30
73
2
20
50
3
4
60 80
128 170
5
40
87
6
7
50 60
108 135
8
30
69
9
10
70 60
148 132
Solucin:
CLCULOS: Usando la informacin previa de ejemplo anterior.
n
i =1
i =1
x i = 500 ; y j = 1100
n
xi y j
SS XY = xi y j i =1
i =1
,
n
(500 )(1100 )
= 61800
= 6800
10
= 6800
i =1
SS XY
SS XY
n
xi
n
2
SS X = xi i =1 ,
n
i =1
SS X = 28400
SS X = 3400 ,
SSxy
1 =
,
SSx
(500 )2
10
= 3400 ,
19
SSxy
6800
= 2.0 Horas-hombre por millar de piezas.
SSx
3400
y i 1 x i
0 =
n
1100 (2)(500 )
0 =
10
0 = 10 Horas-hombre
1 =
20
E ( y ) = 0 + 1 x
0
X
Figura 1.16 Forma de las Distribuciones de Y.
Hasta este punto se han descrito las propiedades supuestas del modelo y de la
distribucin del error, pero la varianza del error no es conocida por lo que es
importante deducir un estimador, mismo que se describe a continuacin:
21
V ( y ) = E [ y i E ( y )]2
e = y i y i
( y i y i ) 2
S2 =
n2
Suma de cuadrados del error SC E
S2 =
=
Grados de libertad
n2
donde: SC E = ( y i y i ) 2 , frmula por definicin,
SCE = SSY 1SS XY .
Ejemplo 1.5: Para ilustrar la estimacin se utiliza uno de los ejemplos de la seccin
anterior, que estudia la relacin entre las horas de mano de obra y el tamao
de la orden de trabajo.
Solucin:
SS XY =
SS XY
SS XY
xi y j
i =1
j =1
xi y j
,
n
(500 )(1100 )
= 61800
= 6800 ,
10
= 6800 .
i =1
SS X
n
xi
n
i =1
,
2
= xi
n
i =1
SS X = 28400
SS X = 3400 .
(500 )2
= 3400,
10
2
n
yi
n
i =1
,
2
SSY = y i
n
i =1
SSY
2
1100 )
(
= 134660
10
= 13660 ,
SSY = 13660 .
SSxy
1 =
,
SSx
6800
1 =
= 2.0 Horas-hombre por millar de piezas.
3400
SCE = SSY 1SS XY ,
22
Ho: 1 0
Ha: 1 < 0
Ho: 1 0
Ha: 1 > 0
23
ESTADSTICO DE PRUEBA:
1
t=
~ t( n 2 )
S / SS X
Tabla 1.9 Valor-p para la Prueba de Hiptesis sobre la Pendiente del Modelo
de Regresin Lineal Simple.
VALOR-P
NO DIRECCIONAL
DIRECCIONAL HACIA LA:
a)
b) Izquierda
c) Derecha
Valor-p = 2P(t > tc)
Valor-p = P(t< tc)
Valor-p = P(t> tc)
SUPUESTOS:
1. Las observaciones son independientes.
2. Para los valores fijos de X, la distribucin de Y es normal con varianza 2 .
3. La varianza 2 es comn para todas las distribuciones de cada valor de X.
REGIN DE RECHAZO:
a) No direccional
t
-t/2,
Regin de
Rechazo
t/2,
Regin de
Rechazo
24
t
-t,
Regin de
Rechazo
t
t,
Regin de
Rechazo
25
REGLAS DE DECISIN:
a) No direccional
Si tc > t / 2, o tc < t / 2, entonces rechazar Ho, de otra manera no
rechazar Ho.
b) Direccional Hacia la Izquierda
Si tc < t , entonces rechazar Ho, de otra manera no rechazar Ho.
c) Direccional Hacia la Derecha
Si t c > t , entonces rechazar Ho, de otra manera no rechazar Ho.
Nota: para los tres casos la regla de decisin es:
Si el Valor-p < , entonces rechazar Ho, de otra manera no rechazar Ho.
Ejemplo 1.6: Suponga que el ingeniero encargado del proceso de ensamblar brazos
mecnicos del ejemplo 1.3, desea probar si la pendiente del modelo es positiva
utilizando un nivel de significancia del 5%.
Solucin:
HIPTESIS:
Ho: 1 0
Ha: 1 > 0
ESTADSTICO DE PRUEBA:
1
t=
~ t( n 2 )
S / SS X
VALOR-P = P(tn-2 > tc)
SUPUESTOS:
1. Las observaciones son independientes.
2. Para los valores fijos de X, la distribucin de Y es normal con varianza 2 .
3. La varianza 2 es comn para todas las distribuciones de cada valor de X.
26
REGIN DE RECHAZO:
t
1.812
Regin de
Rechazo
Donde: t 10, 0.05 es obtenida de tal forma que P [t > t 10,0.05 ] = 0.05 .
REGLAS DE DECISIN:
Si t c > 1.812 entonces rechazar Ho, de otra manera no rechazar Ho.
Si el Valor-p < , entonces rechazar Ho, de otra manera no rechazar Ho.
CLCULOS:
Usando la informacin previa para este ejemplo se tiene:
SS XY = 530.75 ; SS X = 875 , SSY = 416.66
SS xy 530.75
1 =
=
= 0.6065 Centsimas de pulgada por libra
SS x
875
por pulgada cuadrada.
322.3 ( 0.6065 )(570)
0 =
= 55.66 Centsimas de pulgada.
12
SCE = SSY 1SS XY
SCE = 416.66 ( 0.6065)( 530.75) = 94.76
SC E
94.76
S2 =
=
= 9.47
n 2 12 2
1
t=
~ t( n 2 )
S / SS X
27
t=
0.6065
3.078 / 875
= 5.82
DECISIN:
t C = 5.82 < 1.812 , entonces, no se rechaza Ho.
CONCLUSIN:
Los datos no proveen suficiente evidencia para decir que la pendiente del
modelo para ensamblar brazos mecnicos es positiva, con un nivel de
significancia del 5%.
En cuanto al planteamiento de la hiptesis nula sobre la intercepcin; esto es
que el intercepto sea igual a cero, Ho: 0 = 0 contra la alternativa de que Ha: 0 0 ;
es necesario conocer un estadstico en funcin del estimador del parmetro
hipotetizado, el cual tenga una distribucin conocida; en este caso y bajo los
supuestos establecidos sobre independencia, normalidad y varianza constante, el
estimador del intercepto 0 tiene una distribucin normal con media, E ( 0 ) = 0 y
varianza;
2 X 2
.
V ( 0 ) =
SS X
28
Ho: 0 0
Ha: 0 < 0
Ho: 0 0
Ha: 0 > 0
ESTADSTICO DE PRUEBA:
0
t =
~ t ( n 2)
SX
SS X
SUPUESTOS:
1. Las observaciones son independientes.
2. Para los valores fijos de X, la distribucin de Y es normal con varianza 2 .
3. La varianza 2 es comn para todas las distribuciones de cada valor de X.
REGIN DE RECHAZO:
b) No direccional
t
-t/2,
t/2,
Regin de
Rechazo
Regin de
Rechazo
29
t
-t,
Regin de
Rechazo
t
t,
Regin de
Rechazo
30
REGLAS DE DECISIN:
a) No Direccional
Si tc > t / 2, o tc < t / 2, entonces rechazar Ho, de otra manera no
rechazar Ho.
b) Direccional Hacia la Izquierda
Si tc < t , entonces rechazar Ho, de otra manera no rechazar Ho.
c) Direccional Hacia la Derecha
Si t c > t , entonces rechazar Ho, de otra manera no rechazar Ho.
Nota: para los tres casos la regla de decisin es:
Si el Valor-p < , entonces rechazar Ho, de otra manera no rechazar Ho.
Ejemplo 1.7: Utilizando el ejemplo 1.4 de la seccin anterior sobre la compaa que
tiene un sistema de produccin por rdenes de trabajo. Suponga que el
supervisor desea probar si el parmetro 0 del modelo es diferente de cero con
un nivel de significancia del 5%.
Solucin:
HIPTESIS:
Ho: 0 = 0
Ha: 0 0
ESTADSTICO DE PRUEBA:
0
t =
~ t ( n 2)
SX
SS X
31
REGIN DE RECHAZO:
t
-2.306
2.306
Regin de
Rechazo
Regin de
Rechazo
SS X = 3400 ,
(500 )2
= 3400,
10
SSY = 134660
(1100 )2
10
= 13660 ,
SSY = 13660 ,
6800
1 =
= 2.0 Horas-hombre por millar de piezas.
3400
1100 (2)(500 )
,
0 =
10
32
0 = 10 Horas-hombre.
SCE = SSY 1SS XY ,
~ t ( n 2)
SX
SS X
t=
10.0
= 4.271
2.73(50 ) / 3400
DECISIN:
Si t c = 4.271 > 2.306 entonces rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que el intercepto del modelo
para el sistema de produccin por rdenes de trabajo es diferente de cero, con
un nivel de significancia del 5%.
33
y f = o + 1 x f .
y
V (o ) = S =
o
nSS x
S2
, entonces
V ( 1 ) = S 21 =
SS X
1 (x x )2
,
V ( y f ) = S y2f = S 2 + f
n
SS
X
C y f t , / 2 S y f E ( y f ) y f + t , / 2 S y f = 1 .
De igual manera se puede estimar un intervalo de confianza para un valor
individual de Y, dado el valor de X, digamos xf, para predecir un intervalo de confianza
para una sola observacin de Y, digamos y f . Partiendo de que y tiene una
distribucin normal con media E (y ) y varianza 2 , entonces una observacin, para
un valor fijo x f tendr una varianza igual a la varianza del valor estimado de la media,
ms la varianza debido a la poblacin, esto es:
V (y f ) = V (y ) + V (y f ) ,
1 (x xf )2
S y2f = S 2 1 + +
,
SS X
n
Entonces, un intervalo de confianza del (1 )100% est dado por:
34
C y f t , / 2 S y f y f y f + t , / 2 S y f = 1 .
De la misma manera, se puede deducir una frmula para estimar un intervalo
de confianza para una media de un grupo de observaciones, obtenidas en el mismo
valor de X, digamos xf , la media de una muestra de k observaciones para el valor fijo
xf , esto es que la varianza para ese grupo de observaciones es igual a 2 k , por lo
tanto, la varianza para una media de k observaciones est dada por:
S y2f
1 1 (x xf )2
=S + +
.
SS X
k n
2
C y f t , / 2 S y f y f y f + t , / 2 S y f = 1 .
Ntese que los intervalos de confianza para las observaciones individuales son
ms anchos que aquellos para las medias de k observaciones, y stos a su vez ms
que aquellos para las medias, esto se debe a la dimensin de las varianzas, se puede
ver que el factor que multiplica a la varianza, carece del trmino 1 1/k, lo que define
esta relacin:
S y2f < S y2f < S y2f , vase la figura 1.25.
35
LSCIndividuales
LSCk-medias
LSCmedias
LICmedias
LICk-medias
LICmedias
x
Figura 1.25 Representacin Grfica de los Intervalos de
Confianza.
Ejemplo 1.8: Considere nuevamente el ejemplo que estudia la relacin entre las horas
de mano de obra y el tamao de la orden de trabajo. Suponga que el supervisor
desea encontrar un intervalo de confianza del 98% para E(yf) cuando el tamao
de la orden es xf = 65.
Solucin: Usando la informacin previa de este ejemplo se tiene:
y f = o + 1 x f
y f = 10 + 2(65) = 140
SC E
60
S2 =
=
= 7 .5
n 2 10 2
Luego se estima la desviacin estndar:
1 ( x x )2
S y2f = S 2 + f
n
SS
X
1 (65 50) 2
= 1.246
S y2f = 7.5
+
10
3400
S y = 1.116
f
36
C y f t , / 2 S y f E ( y f ) y f + t , / 2 S y f = 1
Ejemplo 1.9: Suponga ahora que el supervisor desea predecir el nmero de horashombre que se requerirn para un tamao de orden de 75 usando un intervalo
de confianza del 95%.
Solucin: Usando la informacin anterior:
y f = o + 1 x f
y f = 10 + 2(75) = 160
SC E
60
S2 =
=
= 7 .5
n 2 10 2
Entonces la varianza para xf = 75 ser:
1 (x xf )2
2
2
S y f = S 1 + +
,
SS X
n
1 (50 75) 2
S y2f = 7.51 +
+
= 9.62 ,
3400
10
S y f = 3.10
Para un intervalo del 95% de confianza, t8,.025 = 2.306
C y f t , / 2 S y f y f y f + t , / 2 S y f = 1 .
37
1 1 (50 60) 2
S y2f = 7.5 +
+
= 2.84 ,
4
10
3400
S y f = 1.68
Para un intervalo del 90% de confianza, t8,.05 = 1.86
C y f t , / 2 S y f y f y f + t , / 2 S y f = 1 .
38
30
y = 6.1657+1.939x
25
20
15
10
5
0
0
10
12
En el caso de las figuras 1.26 y 1.27, se puede hacer el anlisis de utilidad del
modelo, es decir, la verificacin de las hiptesis sobre la intercepcin y la pendiente
de igualdad a cero, como lo explica la seccin 1.3 y se puede encontrar que rechazan
las hiptesis nulas. Obviamente la conclusin sera que el modelo es bueno para
predecir la variable Y en funcin de X, Para los datos de la figura 1.26, se concluye
CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.
39
que el modelo es adecuado, pero no para los datos de la figura 1.27. En este caso, se
concluye que existe otro modelo que se podra adecuar mejor para dicha relacin y la
recomendacin es que se use otro modelo no lineal para el ajuste de los datos.
30
y = 5.8292+1.9756x
25
20
15
10
5
0
10
12
X
40
4
3
RESIDUALES
2
1
X
0
0
10
12
-1
-2
-3
8
6
RESIDUALES
4
2
X
0
0
10
12
-2
-4
-6
41
RESIDUALES
3
2
1
0
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
-1
-2
-3
ORDEN
42
5
4
3
RESIDUALES
2
1
0
-1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
-2
-3
-4
-5
-6
ORDEN
30
25
20
RESIDUALES
15
10
5
0
-5 0
10
12
-10
-15
-20
-25
X
43
12
FRECUENCIAS
10
0
1
RESIDUALES
9
8
FRECUENCIAS
7
6
5
4
3
2
1
0
1
RESIDUALES
Por ltimo, tambin es necesario buscar datos fuera de lugar o que pueden
diferir al resto de los datos, ya que est fuera de rango. Para detectar este tipo de
datos, generalmente se usan los diagramas de dispersin X-Y y de residuales, en la
figuras 1.26 y 1.27 se pueden observar que no existen datos fuera de lugar, mientras
44
que en las figuras 1.34 y 1.35, se muestran conjuntos de datos con observaciones
fuera de lugar.
30
25
20
15
10
5
0
0
10
12
RESIDUALES
0
0
-2
10
12
-4
-6
-8
45
Cuando estas faltas sean muy evidentes, se pueden aplicar algunas medidas
remediales para hacer que se cumplan dichos supuestos. Por ejemplo, para falta de
linealidad, se podra buscar algn modelo alternativo no lineal, dependiendo de la
sugerencia del diagrama de dispersin, para la varianza no constante, se pueden
aplicar algunas transformaciones; para la falta de normalidad, podra aplicarse
cualquiera de las medidas remediales anteriores. Para la falta de independencia, sera
necesario aplicar otro modelo u obtener otra muestra al azar para asegurar
independencia y en caso de tener puntos extremos o fuera de lugar, stos podran ser
eliminados. El estudio detallado de todas estas medidas queda fuera del objetivo de
este libro, por lo tanto, le dejamos al lector que quiera extenderse en este punto, que
consulte algn libro de regresin, en los que generalmente dedican un captulo sobre
transformaciones y otra medidas remediales.
46
Ejercicios Propuestos
Altura (Y)
110
140
120
115
155
125
170
137
155
190
Peso (X)
66.0
66.9
67.0
67.0
67.5
68.0
68.2
68.5
68.9
69.0
Altura (Y)
173
200
195
215
180
228
214
200
237
235
Ventas (Y)
3528
4816
4991
5054
5852
5292
5621
2705
2607
5502
5614
% de eficiencia (X)
94
84
91
96
100
99
101
102
104
101
97
Ventas (Y)
5404
5887
5390
5712
4368
5544
4914
5292
5208
5208
6000
47
Resistencia
(Y)
109
115
105
114
120
116
118
a) Proveen stos suficiente evidencia para decir que existe correlacin entre la
resistencia del alambre y la temperatura, con un nivel de significancia del 1%?
b) Estime los parmetros del modelo de regresin lineal simple e interprete.
c) El modelo de regresin es adecuado?
4. Un profesor de matemticas desea saber si existe alguna relacin entre las horas
de estudio dedicadas a su clase y la calificacin del examen de cada uno de sus
alumnos. Para verificar lo anterior obtuvo una muestra aleatoria cuyos datos se
encuentran en la siguiente tabla donde X representa el nmero de horas de
estudio y Y representa la calificacin obtenida. Los datos proveen suficiente
evidencia para decir que existe correlacin entre las horas de estudio y la
calificacin con un nivel de significancia del 5%?
Horas de
estudio (X)
4
3
3.5
5.0
3.0
5.5
2.5
2.0
4.0
4.5
5.0
4.5
3.0
3.5
5.5
48
Calificacin
obtenida (Y)
70
79
88
99
67
99
89
41
53
76
58
63
72
87
65
1
2
3
4
5
6
7
8
9
10
11
12
300 200 400 200 300 400 200 300 400 200 300 200
330 229 226 331 333 331 328 332 330 332 331 328
1
35
25
2
38
28
3
39
30
4
40
35
5
35
28
6
40
27
7
39
16
8
38
35
9
40
29
10
38
26
11
35
25
12
40
31
Obs.
X
Y
13
38
34
14
35
38
15
40
42
16
35
25
17
39
29
18
36
28
19
40
27
20
38
26
21
39
31
22
35
26
23
35
27
24
40
25
a) Los datos proveen suficiente evidencia para decir que existe correlacin
entre estas dos variables, con un nivel de significancia del 1%?
b) Estime los parmetros de regresin lineal simple e interprete.
c) El modelo de regresin es adecuado?
7. Suponga que en el ejemplo de las horas dedicadas a estudiar y la calificacin
obtenida, el profesor desea probar si la pendiente del modelo de regresin es
positiva con un nivel de significancia del 5%.
8. Utilice el ejemplo de la resistencia del alambre y la temperatura de la mquina para
probar la hiptesis de que el parmetro 0 del modelo es diferente de cero con un
nivel de significancia del 1%.
9. Considere nuevamente el ejemplo que estudia la relacin entre porcentaje de
eficiencia de la mano de obra y las ventas de bolsas de nylon.
a) Suponga que se desea encontrar un intervalo de confianza del 98% para E(yf)
cuando la eficiencia de la mano de obra es xf = 95.
b) Suponga ahora que se desea predecir las ventas que se tendrn para un
porcentaje de eficiencia del 85% usando un intervalo de confianza del 95%.
49
50
intercepcin del plano con el eje y, 1 es la derivada parcial del modelo con respecto a
x1, 2 es la derivada parcial del modelo con respecto a x 2 .
80
70
60
50
Y 40
30
20
S10
10
S7
0
1
S4
2
X1
X2
S1
10
x11
x 21
M
x n1
x12 1
0
x 22 2
1 +
M M
x n 2 2
n
Donde:
y1
y
Y = 2
M
y n
52
1
1
X =
M
1
x11
x 21
M
x n1
x12
x 22
M
x n 2
1
= 2
M
n
0
= 1
2
es un vector de orden n 1.
De tal forma que el valor esperado del vector Y es igual a X , ya que el valor
esperado del error es cero, esto es:
E (Y ) = X .
Min.
(y
i =1
y i ) 2
Min. (Y Y )' (Y Y )
53
donde: Y = X ,
es el vector de estimadores de .
Entonces para obtener los estimadores por mnimos cuadrados se resuelve el
siguiente problema:
Min. (Y X )' (Y X ) ,
Con respecto a , cuya solucin est dada por:
= ( X ' X ) 1 X 'Y .
En el caso de dos variables independientes, la matriz ( X ' X ) , es conocida
como matriz de productos cruzados, las matrices ( X ' X ) y X ' Y , quedan como se
muestra a continuacin.
L 1 1
L x n1 1
L x n 2 M
1
1
X ' X = x11 x 21
x 21 x 22
n
n
X ' X = x i1
i =1
n
x i 2
i =1
1
1
X 'Y = x11 x 21
x 21 x 22
i1
2
i1
i =1
x
i =1
i1
x n1
i =1
x
x
i1 i 2
i =1
n
2
x
i2
i =1
x
i =1
n
x11
x 21
M
x 21
x 22
M
x n 2
xi 2
i2
n
y1 y i
L 1 ni =1
y
2
L x n1 = x i 1 y i
M i =1
L x n 2 n
y n x i 2 y i
i =1
Para obviar los subndices, ya que es claro que las sumatorias van de i=1,
hasta n, no aparecern en las sumatorias.
54
x x
x x x
x x x
X ' X = x1
x 2
1 2
2
2
1
2
1
X 'Y = x1y
x 2 y
= x1
x 2
estimar
x x
x x x
x x x
1 2
2
2
1
2
1
cuando
hay
dos
variables
x1 y
x 2 y
x
x
x1
X' X =
M
x p
1
2
1
L
O
x x
1
x
x x
1 p
M
x p2
p
y
x y
1
X 'Y =
M
x y
p
1
n
X X =
x1
x
x
1
2
1
55
y
X =
.
x
y
56
X ' X = x1
x 2
Hacer la Estimacin
X12
1
4
2.25
2.25
2.25
1
2.25
4
1
2.25
4
2.25
1
4
1
4
38.5
X22
100
225
100
225
100
225
100
225
100
225
100
225
100
225
100
225
2600
x x
x x x
x x x
1
2
1
1 2
2
2
2
24
200
16
X X = 24 38.5 307.5
200 307.5 2600
y
X 'Y = x1y
x 2 y
724
X Y = 1130
9205
57
= ( X ' X )1 X ' Y
1.788306 0.290323 0.103226 724
= 0.290323 0.516129 0.033871 1130
0.103226 0.033871 0.012903 9205
16.475
= 16.709 .
0.2967
Entonces, el modelo de regresin lineal mltiple queda como sigue:
y = x = [1 x1
0
x 2 ] 1
2
y = x = [1 x1
16.475
x 2 ]16.709
0.296
58
neumtico que se usa para atornillar graseras en las tapas de una rtula y Y
representa la altura de la grasera a la tapa. Estime los parmetros del modelo
de regresin lineal simple.
Tabla 2. 3 Pares de Datos de la Presin de un Circuito Neumtico (X) y
Altura de la Grasera a la Tapa (Y)
X
35
35
40
40
45
45
Y
31.5
38.0
26.9
32.9
27.7
31.3
X
50
50
55
55
60
60
Y
24.6
26.1
21.2
25.6
14.6
21.9
Solucin: Se procede a hacer una tabla que contenga las sumatorias requeridas para
las matrices, a continuacin se muestran los datos:
Tabla 2. 4 Datos Tabulares de la Altura de la Grasera para Calcular la
Estimacin de los Parmetros.
Obs
1
2
3
4
5
6
7
X
35
35
40
40
45
45
50
Y
31.5
38.0
26.9
32.9
27.7
31.3
24.6
X2
1225
1225
1600
1600
2025
2025
2500
Y2
992.25
1444.00
723.61
1082.4
767.29
979.69
605.16
8
9
10
11
12
TOTAL
50
55
55
60
60
570
26.1
21.2
25.6
14.6
21.9
322.3
2500
3025
3025
3600
3600
27950
681.21
449.44
655.36
213.16
479.6
9073.19
XY
1102.5
1330
1076
1316
1246.5
1408.5
1230
1305
1166
1408
876
1314
14778.5
59
n
X X =
x1
x
x
1
2
1
570
12
X X =
570 27950
0.05428
2.6619
( X X )1 =
0.05428 0.00114286
y
X Y =
x1y
322.3
X Y =
14778.5
= ( X ' X )1 X ' Y
2.6619
0.05428 322.3
0.6065
De igual forma, el modelo de regresin queda como sigue:
y = x = [1 x ] 0
1
y = x = [1 x ] 0
1
y = 55.67 0.6065 x
Interpretacin: 1= -0.6065, significa que por cada libra por pulgada cuadrada
de presin que se aumente en el circuito neumtico, la altura de la grasera
disminuye 0.6065 centsima de pulgada; mientras que 0 = 55.67 es la altura
de la grasera cuando no existe ningn esfuerzo para atornillarla, es decir,
cuando la presin del circuito neumtico, es igual a cero.
60
yi y ,
Al introducir el trmino de la estimacin del modelo, se suma y se resta una
vez, entonces la expresin queda como sigue:
y i y = y i y y i + y i = ( y i y i ) + ( y i y )
Cuando se eleva al cuadrado cada trmino y se suman, se obtendr lo
siguiente:
(y
y ) 2 = ( y i y i )2 + ( y i y ) 2
61
expresin anterior se puede demostrar que el trmino intermedio del primero por el
segundo es igual a cero, ya que stos no estn elevados al cuadrado y la sumatoria
de los residuales es igual a cero, por lo tanto el trmino del primero por el segundo se
elimina. Esto se lleva a cabo con la aplicacin de la regla del binomio al cuadrado de
lgebra bsica. Finalmente se observa que la siguiente expresin se cumple, sin
importar el nmero de variables independientes en el modelo:
SS T = SSE + SSR
Aplicando lgebra a cada una de las expresiones anteriores se puede llegar a
las siguientes igualdades:
r
(Y 1)2
SST = Y Y
n
r
Donde: 1 , es un vector columna de nmeros unos de orden nx1.
1
r
1 = M
1
Tambin se puede obtener aplicando la siguiente formula, misma que se puede
demostrar que son iguales usando un poco de lgebra:
2
yi
n
i
1
=
.
SST = y i2
n
i =1
r
(Y 1)2
SSR = ' X 'Y
n
n
yi
SSR = ' X 'Y i =1
n
62
Las sumas de cuadrados del modelo y del error al dividirlos por sus grados de
libertad, tienen una distribucin Chi-cuadrada, con p y n-p-1 grados de libertad,
respectivamente, por lo tanto, el cociente de estas dos variables, tiene una distribucin
F(p,n-p-1). Con estos conocimientos ya se puede hacer una prueba de hiptesis sobre
los coeficientes de las variables independientes, el procedimiento se muestra a
continuacin.
HIPTESIS:
Ho: 1 = 2 = L = p = 0
Ha: j 0 para algn valor de j = 1,L, p
ESTADSTICO DE PRUEBA:
SSR
p
~ F( p,n p 1)
SSE
(n p 1)
Valor-p = P(F(p, n-p-1) > Fc)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los residuales tienen una distribucin normal.
3. La varianza es constante.
REGLA DE DECISIN:
Si el valor-p>, entonces rechazar la hiptesis nula, de otra forma no
rechazarla.
Si Fc>F(t-1, t(n-1),) entonces rechazar la hiptesis nula, de otra forma no rechazar.
REGIN DE RECHAZO:
63
F(p, (n-p-1); )
Regin
de
Rechazo
Donde: F(t-1, t(n-1),) es obtenida de la tabla de tal forma que: P[F >F(t-1,t(n-1);)] =
CLCULOS:
Los clculos en este caso se llevan a cabo en forma tabular, de tal forma que lo
hacen ms sencillo, la tabla de anlisis de varianza para el modelo general de
regresin mltiple se muestra a continuacin:
Tabla 2. 5 Anlisis de Varianza para el Modelo de Regresin Mltiple.
Grados de
Suma de
Cuadrados
Fuentes
Fc
Libertad
Cuadrados
Medios
de
Variacin
Regresin
SSR
SSR/p
CMR/CME
p
Error
SSE
SSE/(n-p-1)
n-p-1
Total
SST
n-1
HIPTESIS:
Ho: 1 = 2 = 0
Ha: j 0 para algn valor de j = 1,2
ESTADSTICO DE PRUEBA:
SSR
p
~ F( p,n p 1)
SSE
(n p 1)
Valor-p = P(F(p, n-p-1) > Fc)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los residuales tienen una distribucin normal.
3. La varianza es constante.
REGIN DE RECHAZO:
de
Rechazo
13; 0.5)=4.67,
65
yi
n
(724) 2
SST = y i2 i =1 = 33764
n
16
i =1
SST=1003
r 2
724
Y
(724 )2
(
1
)
SSR = ' X ' Y
= [16.475 16.709 0.2967]1130
n
16
9205
SSR=33540.1935-32761
SSR=779.1935
SSE=SST-SSR=1003-779.1935
SSE=223.8
Tabla 2. 6 Datos Tabulares de Resistencia a la Ruptura para Calcular la
Estimacin de los Parmetros.
X2
X1Y
X2Y
X1X2
X12
X22
Y2
Obs
Y
X1
1
34
1.0
10
34
340
10
1
100
1156
2
55
2.0
15
110
825
30
4
225
3025
3
45
1.5
10
67.5
450
15
2.25
100
2025
4
46
1.5
15
69
690
22.5 2.25
225
2116
5
47
1.5
10
70.5
470
15
2.25
100
2209
6
43
1.0
15
43
645
15
1
225
1849
7
45
1.5
10
67.5
450
15
2.25
100
2025
8
59
2.0
15
118
885
30
4
225
3481
9
34
1.0
10
34
340
10
1
100
1156
10
44
1.5
15
66
660
22.5 2.25
225
1936
11
56
2.0
10
112
560
20
4
100
3136
12
47
1.5
15
70.5
705
22.5 2.25
225
2209
13
40
1.0
10
40
400
10
1
100
1600
14
54
2.0
15
108
810
30
4
225
2916
15
30
1.0
10
30
300
10
1
100
900
16
45
2.0
15
90
675
30
4
225
2025
TOTAL 724
24
200
1130
9205
307.5
38.5
2600
33764
66
F
4.67*
DECISIN:
FC>4.67, entonces, se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para declarar que existe por lo menos
un coeficiente de las variables independientes diferente de cero, con un nivel de
significancia del 5%.
Ejemplo 2.4: Verifique la prueba de hiptesis sobre la igualdad a cero de los
coeficientes de las variables independientes del Ejemplo 2.2, con un nivel de
significancia del 5%.
Solucin:
HIPTESIS:
Ho: 1 = 0
Ha: 1 0
ESTADSTICO DE PRUEBA:
SSR
p
~ F( p,n p 1)
SSE
(n p 1)
Valor-p = P(F(p, n-p-1) > Fc)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los residuales tienen una distribucin normal.
3. La varianza es constante.
REGIN DE RECHAZO:
67
10; 0.5)=4.96,
Obs
1
2
3
4
5
6
7
68
X
35
Y
31.5
X2
1225
Y2
992.25
35
40
40
45
45
50
38.0
26.9
32.9
27.7
31.3
24.6
1225
1600
1600
2025
2025
2500
1444.00
723.61
1082.4
767.29
979.69
605.16
XY
1102.5
1330
1076
1316
1246.5
1408.5
1230
8
9
10
11
12
TOTAL
50
55
55
60
60
570
26.1
21.2
25.6
14.6
21.9
322.3
2500
3025
3025
3600
3600
27950
681.21
449.44
655.36
213.16
479.6
9073.19
1305
1166
1408
876
1314
14778.5
yi
n
(322.3)2
SST = y i2 i =1 = 9073.19
n
12
i =1
SST=416.74
r 2
322.3 (322.3)2
(
1
)
Y
n
12
14778.5
SSR=8979.28-8656.44=322.84
SSR=322.84
SSE=SST-SSR=416.74-322.84
SSE=759.59
F
4.96*
DECISIN:
FC>4.96, entonces, se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para declarar que existe por lo menos
un coeficiente de la presin del circuito neumtico, diferente de cero, con un
nivel de significancia del 5%.
69
= ( X ' X ) 1 X ' Y .
Cuyo valor esperado del vector , es igual a , es decir:
E [ ] =
y la matriz de covarianza del estimador , est dada por la siguiente frmula:
V [ ] = 2 ( X ' X ) 1 .
Por lo tanto, el estimador de la matriz de covarianzas del estimador de , est
dada por:
V [ ] = 2 ( X ' X ) 1 = S 2 ( X ' X ) 1
S 2 = S 2 ( X ' X ) 1
S2 =
SS E
= CM E
n p 1
70
S 20 1
S 21
M
2
S 1 p
L S 20 p
L S 21 p
O
M
L S 2p
Supngase que los elementos de ( X ' X ) 1 , son denotados por aij, para i y j
=0,1,,p, entonces la varianza de los estimadores de los coeficientes del modelo de
regresin est dada de la siguiente forma:
i E [ i ]
S 2i
El cual tiene una distribucin t de student con n-p-1 grados de libertad. Con
esta informacin, ahora se describe el procedimiento para verificar hiptesis sobre un
slo coeficiente de regresin.
El procedimiento para verificar la hiptesis sobre los coeficientes del modelo de
regresin lineal mltiple, es bueno para cualquier valor de i=0, hasta p, el cual se
plantea en forma general.
HIPTESIS:
Tabla 2. 10 Hiptesis para los Coeficientes del Modelo de Regresin
Lineal Mltiple.
NO DIRECCIONAL
DIRECCIONAL HACIA LA:
a)
b) Izquierda
c) Derecha
Ho: i = 0
Ha: i 0
Ho: i 0
Ha: i < 0
Ho: i 0
Ha: i > 0
ESTADSTICO DE PRUEBA:
i
t=
~ t ( n p 1)
S aii
= n p 1
Tabla 2. 11 Valor-p para la Prueba de Hiptesis sobre Coeficientes del Modelo
de Regresin Lineal Mltiple.
VALOR-P
NO DIRECCIONAL
DIRECCIONAL HACIA LA:
CONCEPTOS BSICOS DE DISEO DE EXPERIMENTOS / JAIME SANCHEZ LEAL, Ph. D.
71
a)
b) Izquierda
c) Derecha
Valor-p = 2P(tn-p-1 > tc) Valor-p = P(tn-p-1 < tc) Valor-p = P(tn-p-1 > tc)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los residuales tienen una distribucin normal.
3. La varianza es constante.
REGIN DE RECHAZO:
a) No direccional
t
-t, /2
Regin de
Rechazo
t, /2
Regin de
Rechazo
72
t
-t,
Regin de
Rechazo
Donde:
t ,
t
t,
Regin
de
R
Donde:
t ,
REGLAS DE DECISIN:
CONCEPTOS BSICOS DE DISEO DE EXPERIMENTOS / JAIME SANCHEZ LEAL, Ph. D.
73
a) No direccional
Si t c > t , / 2 o t c < t , / 2 entonces rechazar Ho, de otra manera no
rechazar Ho.
b) Direccional Hacia la Izquierda
Si t c < t , entonces rechazar Ho, de otra manera no rechazar Ho.
c) Direccional Hacia la Derecha
Si t c > t , entonces rechazar Ho, de otra manera no rechazar Ho.
Nota: para los tres casos la regla de decisin es:
Si el Valor-p < , entonces rechazar Ho, de otra manera no rechazar Ho.
Ejemplo 2.5 Para el Ejemplo 2.1 verificar las hiptesis sobre la igualdad a cero de los
coeficientes del modelo de regresin mltiple estimado, con un nivel de
significancia igual a 5%.
Solucin:
HIPTESIS:
Tabla 2. 12 Hiptesis para los Parmetros del Modelo.
a) Intercepcin
b) Presin
c) Tiempo
Ho: 0 = 0
Ha: 0 0
Ho: 1 = 0
Ha: 1 0
Ho: 2 = 0
Ha: 2 0
ESTADSTICO DE PRUEBA:
i
t=
~ t ( n p 1) Para i = 0, 1, 2
S aii
= 16 2 1 = 13
Valor-p = 2P(tn-p-1 > tc)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los residuales tienen una distribucin normal.
3. La varianza es constante.
74
REGIN DE RECHAZO:
t
-t, /2=-2.16
t, /2=2.16
Regin de
Rechazo
Regin de
Rechazo
16.475
= 16.709
0.2967
De la tabla de anlisis de varianza del ejemplo 2.3 se obtuvo el CME=17.21=S2.
Con esta informacin podemos proceder a calcular el estadstico t.
a) Verificacin de la hiptesis sobre la intercepcin.
CONCEPTOS BSICOS DE DISEO DE EXPERIMENTOS / JAIME SANCHEZ LEAL, Ph. D.
75
tC =
0
S a00
16.475
(17.21)(1.788306 )
tC=2.96
DECISIN:
Dado que tC>2.16, entonces se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la intercepcin del
modelo es diferente de cero, con un nivel de significancia del 5%. Tambin se
sabe que el modelo no debe ser forzado a que pase a travs del origen.
b) Verificacin de la hiptesis sobre 1.
tC =
1
S a11
16.709
(17.21)(0.516129 )
tC=32.37
DECISIN:
Dado que tC>2.16, entonces se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de presin de
vapor tiene un coeficiente diferente de cero, con un nivel de significancia del
5%. Tambin se sabe que el modelo puede incluir la presin del vapor como
una variable independiente para predecir la fuerza a la ruptura.
c) Verificacin de la hiptesis sobre 2.
tC =
1
S a11
0.2967
(17.21)(0.012603 )
tC=0.629
DECISIN:
76
77
C y f t , / 2 S y f E ( y f ) y f + t , / 2 S y f = 1 .
Donde: y f es el estimador de E [ y f ] ,
S y2f es la varianza de y f .
Para poder aplicar la frmula anterior, es necesario conocer la frmula del
estimador de E [ y f ] y de la varianza del estimador. Dado el valor xf, el estimador de
E [ y f ] , est dado por la siguiente frmula:
y f = xf
Y la varianza de y f , se obtiene de la siguiente forma:
V [ y f ] = V [ x f ] = x f V [ ]x f
V [ ] = 2 ( X ' X ) 1
V [ y f ] = 2 xf ( X X )1 xf
Entonces el estimador de la varianza de y f , est dado por:
78
Solucin: El vector xf est dado por (1, 42), entonces la estimacin de la media, est
dada por:
y f = x f
55.67
y f = [1 42]
0.6065
y f = 30.197
Sy2f = S 2 xf ( X X )1 xf
Los siguientes resultados parciales fueron obtenidos de las soluciones de
ejemplos previos.
0.05428
2.6619
( X X ) 1 =
0.05428 0.00114286
CM E = 9.39
2.6619
S y2f = (9.39 )[1 42]
0.05428
S y2f = ( 9 . 39 )[0 . 38214
0.05428 1
.0011428 42
0 . 00627988
42
79
y f = x f
y f = 30.197
Sy2f = S 2 xf ( X X )1 xf
S y2f = (9 .39 )( 0.118385 )
a) Para una observacin;
80
Sy2f = S 2 [1 + xf ( X X )1 xf ]
S y2f = (9 .39 )(1 + 0 .118385 ) = 10 .5
C[ y f t , / 2S y f E [ y f ] y f + t , / 2S y f ] = 1
t , / 2 = 2.22 , entonces, los lmites de confianza se calculan como sigue:
y f + t , / 2S y f = 30.197 + 2.22(3.24) = 37.39
y f t , / 2S y f = 30.197 2.22(3.24) = 23.0
C[23.0 E [ y f ] 37.39] = 0.95
El nivel de confianza de que una observacin de la altura de la grasera, cuando
se aplica una presin de 42 libras por pulgada cuadrada en el circuito
neumtico, est entre 23 y 37.39, es de 95 %.
b) para una media de una muestra de tamao m:
Sy2f = S 2 [1/ m + xf ( X X )1 xf ]
S y2f = (9.39 )(1 / 4 + 0.118385 ) = 3.459
C[ y f t , / 2S y f E [ y f ] y f + t , / 2S y f ] = 1
y f + t , / 2S y f = 30.197 + 2.22(1.8598) = 34.32
y f t , / 2S y f = 30.197 2.22(1.8598) = 26.06
C[26.06 E [ y f ] 34.32] = 0.95
El nivel de confianza de que la media de la altura de la grasera para una
muestra de tamao 4, cuando se aplica una presin de 42 libras por pulgada
cuadrada en el circuito neumtico, est entre 23 y 37.39, es de 95 %.
81
82
8
6
4
RESIDUALES
2
0
-2
0,5
1,5
2,5
-4
-6
-8
-10
-12
PRESION
83
8
6
4
RESIDUALES
2
0
-2
10
12
14
16
-4
-6
-8
-10
-12
TIEMPO DE INYECCION
Se puede observar en las figuras 2.9 y 2.10 que no existe tendencia adicional
en los residuales, de antemano ya sabemos que la variable de tiempo de
inyeccin no es necesaria en el modelo, pero an as, se consider con
propsitos de ilustracin. Entonces se podra concluir que el modelo no
necesita trminos adicionales, de lo contrario ya se sabe que la segunda
variable independiente no es necesaria. Por otro lado, se puede observar que la
variacin de los residuales no es constante a lo largo de las variables
independientes, por lo tanto se puede decir que el supuesto de varianza
constante, no se cumple y es necesario hacer algn ajuste para corregir dicha
desviacin. Ese tipo de procedimientos queda fuera del alcance de este libro.
La figura 2.11 no muestra ninguna tendencia, por lo tanto, se puede decir que
hay independencia entre las observaciones; en cuanto a la normalidad, se
puede observar en las figuras 2.12 y 2.13 que los residuales estn lejos de
ajustar una distribucin normal. En conclusin es necesario que se tomen
medidas remediales para adecuar el modelo o de lo contrario, las inferencias
basadas en este modelo deben ser tomadas con las precauciones pertinentes,
para evitar cometer errores.
Otra forma de verificar rpidamente la normalidad, es buscar la simetra de la
distribucin, si hay simetra, entonces se busca la concentracin de informacin
sobre la media, La simetra se cumple generalmente cuando la media y la
mediana son aproximadamente iguales. S la mediana es menor que la media,
entonces la distribucin est sesgada hacia la izquierda, por otro lado, si la
84
8
6
4
RESIDUALES
2
0
-2
10
11
12
13
14
15
16
-4
-6
-8
-10
-12
ORDEN
0
-10,0
-8,0
-6,0
-4,0
-2,0
0,0
2,0
4,0
6,0
RESIDUAL
85
RESIDUAL
-20
-10
10
Ejemplo 2.9: Utilizar el modelo reducido del ejemplo 2.1, para predecir la fuerza a la
fractura de las piezas, con la presin del vapor de agua inyectado. Tomando los
resultados anteriores, hacer el anlisis de residuales.
Solucin: El modelo reducido est dado por:
y = 18.85 + 17.6 x
Se puede observar en las figuras 2.14 y 2.15 que no existe tendencia adicional
en los residuales o de la variable de respuesta, en esta ocasin se agreg el
diagrama de dispersin de la variable de respuesta para revisar las tendencias
no lineales. Entonces se podra concluir que el modelo no necesita trminos
adicionales. Por otro lado, se puede observar que la variacin de los residuales
es constante a lo largo de la variables independiente, para tener mayor
seguridad sobre la varianza constante, cuando existen datos que tienen varias
observaciones sobre un mismo valor de la variable independiente se pueden
hacer pruebas de hiptesis, con el estadstico F, sobre la igualdad de las
varianzas.
86
70
y = 18.85+ 17.6x
FUERZA A LA RUPTURA
60
50
40
30
20
10
0
0
0,5
1,5
2,5
PRESION
87
8
6
4
RESIDUALES
2
0
0
0,5
1,5
2,5
-2
-4
-6
-8
-10
PRESION
8
6
4
RESIDUALES
2
0
1
10
11
12
13
14
15
16
-2
-4
-6
-8
-10
ORDEN
7
6
5
4
3
2
1
0
RESIDUALES
1,2
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
1,2
89
Ejercicios Propuestos
90
91
92
94
FACTORES CONTROLABLES
X1
X2 ... XP
VARIABLES DE
ENTRADAS:
Mat. Primas
Componentes y
Subensambles
MEDIDAS DE
EVALUACIN Y
CONTROL
Variable de Respuesta
PROCESO
PRODUCTO DE
SALIDA
Z1
Z2 ... ZP
FACTORES RUIDO O
DE BLOQUEO
95
96
97
muy costosa de medir, puede ser substituida por otra menos costosa pero que
proporcione informacin sobre el proceso o sistema.
Seleccin del Espacio Inferencial. Este puede ser definido como el conjunto
de poblaciones sobre la cuales las inferencias sern aplicadas, tambin conocido
como el marco de referencia donde las conclusiones sern aplicadas y vlidas. Por
ejemplo, si el sistema es una mquina de inyeccin de plstico, las inferencias son
vlidas para esa mquina nada ms. Si en el experimento intervienen varias
mquinas, entonces el espacio inferencial son todas las mquinas.
Seleccin del Material Experimental. Por lo general el material experimental
depende de los objetivos del experimento y de todos los pasos anteriores,
principalmente del mtodo de medicin de la variable de respuesta, el cual te ayuda a
definir la unidad experimental o la cantidad de material sobre el cual se puede hacer
una medida confiable de dicha variable; obviamente tambin depende del presupuesto
y recursos disponibles.
Seleccin del Diseo Experimental. El diseo experimental debe de
mantenerse lo ms simple, si es posible, completamente al azar, pero el diseo
depende del material experimental disponible y del espacio inferencial. En este libro
se estudiarn los diseos experimentales con o sin restricciones en el muestreo, lo
cual depende de las unidades experimentales.
Formulacin de un Modelo. Es un modelo matemtico aditivo que describe
las observaciones del experimento, este debe incluir todos los componentes que se
consideraron en el experimento. El modelo depende del Diseo Experimental, entre
ms simple sea el diseo ms simple es el modelo.
Recoleccin de Datos. En este paso es muy importante que la informacin
sea recolectada de acuerdo al plan experimental, mismo que define la aleatorizacin
de las observaciones. Estas deben de ser tomadas con precisin y cuidado para no
mezclarlas o confundirlas, es decir identificadas correctamente.
Anlisis de Datos. En este paso se realizan todos los clculos para realizar el
anlisis de acuerdo al Diseo Experimental y el Modelo matemtico para las
observaciones.
Conclusiones e Interpretacin de Resultados. En este paso se hace la
inferencia sobre las poblaciones de inters o el marco de referencia. Es de primordial
importancia que las implicaciones prcticas, en trminos de los objetivos del problema
sean establecidas clara y explcitamente, debe incluir restricciones de aplicabilidad,
limitaciones y cualquier nota importante que concierna a las conclusiones.
Los pasos del Programa Experimental tienen una correspondencia con los
pasos del mtodo cientfico, en este caso se cuenta con informacin adicional que
consiste en que de antemano se sabe que va a realizar un experimento. Los primeros
98
tres pasos corresponden a la etapa de afinacin del experimento, los siguientes cuatro
a la planeacin y definicin, mientras que los ltimos tres pasos corresponden a la
etapa de anlisis. En estas ltimas tres es donde se pondr nfasis en este libro.
Desde el punto de vista del mtodo cientfico, los primeros siete pasos del
Programa Experimental, corresponden al diseo de la investigacin y los ltimos tres,
al desarrollo. Todo Diseo de Investigacin Experimental tiene tres componentes
esenciales que son: Diseo de Tratamientos, Diseo Experimental y Diseo de
Respuesta o Muestreo. El Diseo de Tratamientos se refiere a la relacin que guardan
los tratamientos entre si. El Diseo Experimental se refiere a la relacin que existe
entre las unidades experimentales y los tratamientos; y el Diseo de Respuesta o
Muestreo estudia la variacin de los residuales debido al muestreo y submuestreo de
las unidades experimentales. Los dos primeros se van a explicar en detalle en las
siguientes secciones. Estos conceptos son ampliamente tratados por Lentner y Bishop
(1986), Federer (1955) y Urquhart(1981).
99
Nada
Moderada
Suficiente
Nada
Moderada
Suficiente
101
acuerdo a estos dos factores ruido haciendo bloques para cada nivel de los factores
ruido, de tal forma que cada bloque de una variable de bloqueo contenga todos los
niveles de la otra variable de bloqueo y viceversa, de igual forma cada bloque debe de
contener todos los tratamientos en cualquiera de las dos variables de bloqueo, para
facilitar el lenguaje a los bloques de la primera variable de bloqueo se les llaman
columnas y a los de la segunda, Renglones o Filas. Tambin existe el Diseo de
Cuadro Grecolatino (CGL), el cual es utilizado para bloquear la variacin no deseada
de tres factores ruido presentes en las unidades experimentales. La determinacin del
plan experimental de estos dos ltimos diseos se ver detalladamente en los
captulos subsecuentes.
El Diseo de Respuesta o Muestreo que es el tercer componente de la
investigacin experimental, es bsicamente el plan para hacer el muestreo y
submuestreo en las unidades experimentales los cuales contribuyen directamente a
encontrar la variacin de los residuales debido al muestreo y submuestreo. Para el
propsito de este libro, el Diseo de Respuesta no se ver en gran extensin,
nicamente se ver muestreo simple aleatorio y en algunos casos muy raramente se
estudiar submuestreo puro. Por lo tanto los Diseos de Respuesta con muchas
restricciones o complicados quedan fuera del alcance de este libro.
103
Ejercicios Propuestos
1. Describa con sus palabras los siguientes conceptos:
a. Tratamiento
b. Control
c. Factor
d. Diseo experimental
e. Nivel
f. Variable de respuesta
g. Diseo de tratamiento
h. Unidad experimental
i. Diseo factorial
2. Describa una situacin donde pueda utilizar diseo de experimentos y
describa el programa experimental del paso 1 al 7.
104
de
de
de
es
106
Tratamiento
2
2
2
2
1
2
2
3
1
1
107
Una vez que se tienen los nmeros aleatorios y los tratamientos en las dos
columnas, entonces se ordenan los reglones, intercambiando todo el rengln,
ordenando de menor a mayor los nmeros aleatorios, entonces el orden que
quede ser el nmero de la corrida. La Tabla 4.3 muestra los resultados de
estos pasos, que dan como consecuencia el Plan Experimental.
Tabla 4. 4 Plan Experimental para Troqueladora.
Corrida Nmeros
Tratamientos
Corrida Nmeros
Tratamientos
Aleatorios
Aleatorios
1
0.019849
3
16
0.40973
1
2
0.045225
3
17
0.427265
3
3
0.07914
1
18
0.461804
2
4
0.147486
2
19
0.47752
2
5
0.174399
3
20
0.495706
1
6
0.219737
2
21
0.622229
1
7
0.222764
3
22
0.650789
1
8
0.237105
3
23
0.764668
3
9
0.252597
3
24
0.833999
1
10
0.280044
1
25
0.841763
1
11
0.281314
3
26
0.909814
2
12
0.286337
2
27
0.946748
2
13
0.327899
1
28
0.949221
3
14
0.356103
1
29
0.965831
2
15
0.399663
2
30
0.987368
2
El Plan Experimental es el orden en que se ejecutarn los tratamientos, esto
significa que primero se ajustar la mquina a la altura tres y se tomar la
muestra de piezas, segn se haya determinado, en segundo trmino qued la
misma altura, as es que se toma la segunda muestra de la corrida dos,
posteriormente se ajusta la mquina a la altura uno, se espera un tiempo
necesario a que se estabilice la troqueladora y se toma la muestra de la corrida
tres, en consecuencia se ajusta la mquina a la altura uno, de deja estabilizar
la mquina y se toma la muestra de la corrida cuatro y as reiteradamente, en
el orden que muestra la tabla 4.4.
Ejemplo 4.2: Existen tres operadores que estn armando pequeos motores de
corriente continua, se piensa que existe diferencia en los tiempos de ensable
de stos, por tal motivo se seleccionaron 15 juegos completos para ensamblar.
Determinar un plan experimental para este estudio.
Solucin: Las unidades experimentales son los motores, se le asignan al azar los
operadores para que los armen. Se supone que no hay diferencia en los
108
109
= 0.
es el nmero de tratamientos.
es el nmero de repeticiones de cada tratamiento.
Cuando los efectos de los tratamientos son iguales a cero o que no causan
diferencias los valores de , entonces la media de todos los tratamientos son igual a
, lo cual representa la hiptesis nula de igualdad de medias o que todos los valores
110
111
que el primero si, es decir que si las medias de las poblaciones no son iguales, el
mtodo no robusto sobreestima la varianza, esto hace que la hiptesis de igualdad de
medias, se convierta en una de igualdad de varianzas; a continuacin se desarrolla
este mtodo llamado anlisis de varianza para un diseo CA.
Supngase que se tienen t poblaciones con medias desconocidas
i , i = 1,2,..., t y varianza comn 2 < ; donde; t muestras aleatorias de tamao n se
han sacado de cada poblacin, denotadas por Yi1, Yi2,, Yini , para i = 1, 2,,t, por
razones de simplicidad se asume que todas las n son iguales.
El clculo de los estimadores de la varianza est dado como sigue:
i) Estimador insesgado; Sp2
t
S p2 =
(n
1)Si2
i =1
N t
ni
donde: Si2 =
(y
j =1
ij
y i . )2
o
ni 1
2
ni
y ij
ni
j =1
2
y ij
ni
j =1
.
Si2 =
ni 1
t
N = n i o N = nt
i =1
donde: S y2 =
(y
y .. =
i.
y .. )2
t 1
yi
=
t
y
tn
ij
Bajo el supuesto de que la hiptesis nula es cierta, las varianzas estimadas son
iguales, entonces el estadstico:
112
F=
Ss2
.
Sp2
donde: y i . = y ij
j =1
y i . = y ij
j =1
t
yt1
yt2
M
y 1n1
yt.
t
y .. = y ij .
i =1 j =1
113
Cuadrados
Medios
CMT
CME
F
CMT/CME
Donde: FC = y ..
tn
SSTrt =
y i2. FC
n
CMTrt =
SSTrt
CM E = SSE
Fc =
t 1
(nt 1)
CM T
.
CM E
114
Min.
ij2 = ( y ij i )2 .
i =1 j =1
i =1 j =1
i =1 j =1
t
n
L
= 2 ( y ij i ) = 0 , para i=1,t
i
i =1 j =1
= 0,
= y .. =
1
nt
y ij =
i =1 j =1
1 t
y i.
nt i =1
i = y i . y ..
Entonces los estimadores de las medias de los tratamientos estn dadas por:
i = y i . =
1 n
y ij , para i=1,,t
n j =1
1
nt
(y
i =1 j =1
ij
y i . )2 .
115
F(t-1, t(n-1);)
Regin de Rechazo
116
Si Fc > F(t-1,
rechazar.
t(n-1),)
Solucin:
HIPTESIS:
Ho: 1 = 2 = 3 = 4
Ha: Por lo menos una media difiere de las dems.
ESTADSTICO DE PRUEBA:
CMT
Fc =
~ F( t 1,t ( n 1))
CM E
Valor-p = P[F(t-1,t(n-1) >Fc]
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
117
REGIN DE RECHAZO:
3.24
Regin de Rechazo
SSTotal =
i =1 j =1
y ij2
y ..2
tn
SSTotal = 4 2 + 5 2 + 2 2 + ... + 8 2 + 5 2
1212
= 118 .95
20
y i2. y ..2
SST =
tn
i =1 n
t
212 + 28 2 + 38 2 + 34 2 1212
SST =
= 32.95
5
20
SSE = SSTotal SSTrt
SS E = 118.95 32.95 = 86
118
32.95
SSTrt
;
CMTrt =
= 10.98
4 1
t 1
SS E
;
CM E =
t ( n 1)
86
CM E =
= 5.37
4(5 1)
CM T
Fc =
CM E
10.98
Fc =
= 2.04
5.37
CMTrt =
Fc
2.04
DECISIN:
Fc < 3.24, entonces no rechazar Ho.
El valor-p > 0.05, entonces no rechazar Ho.
CONCLUSIN:
No existe suficiente evidencia para declarar alguna diferencia entre los tiempos
medios para realizar operaciones bancarias entre los cuatro dependientes, con
un nivel del 5%.
Ejemplo 4.4: Para comparar la efectividad de tres mtodos para llevar a cabo una
cierta operacin, se seleccion un grupo de 18 operadores de habilidad similar,
aleatoriamente se dividi en tres grupos de seis y se le asign uno de los tres
mtodos. Cada grupo fue entrenado por un perodo determinado y se
descalificaron aquellos operadores que no cumplieron con el nivel de
capacitacin requerido, los que calificaron fueron puestos a trabajar durante
media hora y el nmero de piezas ensambladas fue registrado, obtenindose
los resultados que se muestran a continuacin.
Existe suficiente evidencia para decir que hay diferencia entre la eficiencia
promedio de los mtodos para realizar la operacin? Use = 0.05.
DISEO COMPLETAMENTE AL AZAR /JAIME SNCHEZ LEAL, Ph. D.
119
MTODOS
I
II
III
45
45
52
OBSERVACIONES
46 48 44 46
48 46 48
50 49 55 51
53
TOTAL
229
187
310
726
Solucin:
HIPTESIS:
Ho: 1 = 2 = 3
Ha: Por lo menos una media difiere de las dems.
ESTADSTICO DE PRUEBA:
CMT
Fc =
~ F( t 1,t ( n 1))
CM E
Valor-p = P[F(t-1,t(n-1) > Fc]
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
REGIN DE RECHAZO:
3.89
Regin de Rechazo
Donde: F(2, 12,.05) es obtenida de la tabla de tal forma que P[F >F(2,12,.05)] = .05.
120
REGLA DE DECISIN:
Si el valor-p > entonces rechazar la hiptesis nula, de otra forma no rechazar.
Si Fc > F(2,12,.05) entonces rechazar la hiptesis nula, de otra forma no rechazar.
CLCULOS:
Las sumas de cuadrados requeridas para el anlisis se calculan como sigue:
t
ni
SSTotal = y ij2
i =1 j =1
y ..2
ni
SSTrt =
i =1
726 2
= 147 .6
15
y i2.
y2
..
ni ni
= 108.71
5
4
6
15
SSE = SSTotal SSTrt
SS E = 147.6 108.71 = 38.89
108.71
SSTrt
;
CMTrt =
= 54.35
CMTrt =
3 1
t 1
38.89
SSE
;
CM E =
= 3.24
CM E =
12
(ni 1)
CMTrt
CM E
54.35
Fc =
= 16.77
3.24
Fc =
Fuentes de
Variacin
Tratamientos
Error
Total
Grados de Suma
de
Libertad
Cuadrados
108.71
2
38.89
12
147.6
14
Cuadrados
Medios
54.35
3.24
F
16.77
DECISIN:
Fc > 3.89, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
CONCLUSIN:
Existe suficiente evidencia para declarar diferencia entre la eficiencia promedio
de los mtodos para realizar la operacin, con un nivel de significancia del 5%.
DISEO COMPLETAMENTE AL AZAR /JAIME SNCHEZ LEAL, Ph. D.
121
Ejemplo 4.5: Un Ingeniero de calidad que tiene a su cargo 25 mquinas de soldar por
termofusin para unir terminales a componentes electrnicos, sospecha que
existe variacin de la resistencia a la ruptura introducida por dichas mquinas.
Con el propsito de salir de dudas, se eligieron cuatro de stas para realizar un
experimento; posteriormente las mquinas se ajustaron para tener las mismas
condiciones de operacin de las cuales se obtuvieron cinco muestras
completamente al azar. Se midi la fuerza necesaria en libras para romper la
unin de la terminal y el componente. Los datos se muestran en la tabla 4.13.
Verifique la hiptesis, s existe variacin debido a las mquinas, con =0.05.
Tabla 4. 13 Fuerza Necesaria para Romper la Unin de la Terminal en Libras
por Pulgada Cuadrada.
A
68
70
72
69
71
MQUINAS
B
C
72
70
71
73
70
71
73
69
74
71
D
81
78
77
79
80
Solucin:
HIPTESIS:
Ho: 2 = 0
Ha: 2 > 0
REGIN DE RECHAZO:
3.24
Regin de Rechazo
Donde: F(3, 16,.05) es obtenida de la tabla de tal forma que P[F >F(3,16,.05)] = .05.
REGLA DE DECISIN:
Si el valor-p > entonces rechazar la hiptesis nula, de otra forma no rechazar.
Si Fc > F(2,12,.05) entonces rechazar la hiptesis nula, de otra forma no rechazar.
CLCULOS:
Las sumas de cuadrados requeridas para el anlisis se calculan como sigue:
ni
t
y2
SSTotal = y ij2 ..
tn
i =1 j =1
SSTotal = 68 2 + 70 2 + 72 2 + ... + 79 2 + 80 2
1459 2
= 292 .95
20
y i2. y ..2
=
tn
i =1 n
t
SSTrt
= 254.15
5
5
5
5
20
SSE = SSTotal SSTrt
SSE = 292.95 254.15 = 38.8
254.15
SSTrt
;
CMTrt =
= 84.717
CMTrt =
4 1
t 1
SSE
38.8
;
CM E =
= 2.425
CME =
16
t (n 1)
SSTrt =
123
CMTrt
CME
84.717
Fc =
= 34.93
2.425
Fc =
Fuentes de
Variacin
Tratamientos
Error
Total
Grados de
Libertad
3
16
19
Suma de
Cuadrados
254.15
38.8
292.95
Cuadrados
Medios
84.717
2.425
F
34.93
DECISIN:
Fc > 3.24, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
CONCLUSIN:
Existe suficiente evidencia para decir que las mquinas de soldar estn
introduciendo variacin en la resistencia a la ruptura de la soldadura con un
nivel de significancia del 5%.
Es importante resaltar que en los problemas de efectos aleatorios, las hiptesis
se plantean en funcin del componente de varianza debido a los tratamientos,
obviamente las conclusiones se expresan en trminos de dicho componente, pero se
debe tener cuidado, ya que los tratamientos presentes en el proceso de
experimentacin slo son una muestra aleatoria del total de la poblacin de
tratamientos.
muy importante, ya que se hacen varias grficas para validar los supuestos o se
verifican las hiptesis sobre los mismos.
La estimacin de los residuales i, estn dados por eij = y ij y ij , por lo que es
necesario, una vez que se ha estimado los parmetros del modelo, estimar los
residuales y hacer un anlisis grfico de los mismos. Generalmente se buscan
discrepancias sobre la independencia, la varianza comn, la normalidad y puntos
fuera de lugar. Para despejar estas dudas sobre el modelo, existen pruebas
estadsticas, las cuales se estudiarn en cada caso. La frmula de los residuales en el
caso del Diseo CA, es como sigue:
eij = y ij y ij y
y ij = y i . , para i=1,,t
Por lo tanto;
eij = y ij y i . .
Primeramente se verifica la independencia de las observaciones o de los
residuales, pero como esto es difcil de verificar, principalmente se busca algn patrn
de comportamiento o de autocorrelacin entre los residuales. Esto se hace en forma
visual por medio de un diagrama de dispersin de los residuales y el orden en que se
obtuvieron los datos, tambin conocido como grfico de tendencia. Si se encuentra
algn tipo de comportamiento cclico o de tendencia, entonces se puede concluir que
los datos no son independientes.
A continuacin, en la figura 4.5 se muestran las grficas de residuales en el
orden en que se obtuvieron, los datos son los residuales de un experimento con tres
tratamientos y diez repeticiones cada uno, ntese que esta grfica est relacionada
directamente con el plan experimental, es decir el orden del eje de las X es el plan
Experimental, y Y el valor de los residuales, es importante conectar los puntos con
una lnea para no perder el orden en que fueron obtenidos.
Es obvio que la habilidad del investigador es muy importante para encontrar
patrones de comportamiento en el diagrama de Dispersin o de Tendencia de los
residuales, los patrones ms comunes son cclicos o de tendencia lineal o cuadrtica
con respecto al orden, los cuales hasta cierto punto son fciles de visualizar. Existe
una prueba cuya hiptesis nula es que los datos son aleatorios, sta podra ser una
prueba de hiptesis a utilizar, aunque no se encuentra mucha diferencia con el
anlisis visual de la informacin, se recomienda cuando exista alguna duda sobre la
independencia, despus de haber realizado el anlisis visual de los residuales. Esta
es la prueba de rachas y se puede encontrar en los libros de estadstica bsica o
estadstica inferencial, generalmente bajo pruebas no paramntricas.
125
4
3
2
RESIDUALES
1
0
1
11
13
15
17
19
21
23
25
27
29
-1
-2
-3
-4
-5
ORDEN
126
4
3
2
RESIDUALES
1
0
-1
-2
-3
-4
-5
TRATAMIENTOS
ESTADSTICO DE PRUEBA:
{ }
{ }
2
~ max Si
~ F1, 2
Fc =
min Si2
~
Valor-p = P( F 1, 2 > Fc )
SUPUESTOS:
1. Muestras aleatorias e independientes.
2. La distribucin de las poblaciones muestreadas es aproximadamente
normal.
REGLA DE DECISIN:
~
S Fc > F( 1, 2 , ) entonces rechazar Ho, de otra manera no rechazar Ho.
127
REGIN DE RECHAZO:
Regin de No Rechazo
F1, 2 ;1
Regin de No Rechazo
Regin de Rechazo
F1, 2 ;
Figura 4. 7 rea de Rechazo para la Prueba de Hiptesis de Igualdad
de Varianzas.
) ]
= .
Ejemplo 4.6: Para Ilustrar el procedimiento de Hartley, tomamos los datos de la figura
4.6, donde los tamaos de muestra son iguales a diez y las varianzas de los
tratamientos son: s12 = 1.9, s22 = 4.13 y s32 = 3.36 .
Solucin: se presenta el procedimiento en el orden apropiado, como sigue.
HIPTESIS:
Ho: 12 = 22 = 32
Ha: Por lo menos una varianza difiere de las dems.
ESTADSTICO DE PRUEBA:
{ }
{ }
2
~ max Si
~ F9, 9
Fc =
min Si2
~
Valor-p = P( F9, 9 > Fc )
128
SUPUESTOS:
1. Muestras aleatorias e independientes.
2. La distribucin de las poblaciones muestreadas es aproximadamente
normal.
REGIN DE RECHAZO:
Regin de No Rechazo
Regin de Rechazo
Donde: F9, 9 ;0.05 = 3.18 , es obtenida de tal forma que P [F > F( 9, 9, 0.05 ) ] = 0.05 .
REGLA DE DECISIN:
~
S Fc >3.18 entonces rechazar Ho, de otra manera no rechazar Ho.
CLCULOS:
{ }
{ }
2
4.13
~ max Si
=
= 2.17
Fc =
2
1.9
min Si
DECISIN:
~
Dado que Fc < F( 1, 2 , ) entonces no se rechaza Ho,
129
CONCLUSIN:
Los datos no proveen suficiente evidencia para decir que por lo menos una
varianza de los tratamientos difiere de las dems, con un nivel de significancia
del 5%.
Es importante hacer notar que si el anlisis de las grficas nos indica que las
varianzas son similares, entonces no es necesario hacer la verificacin de la hiptesis
de igualdad de varianzas, esto se hace cuando existe duda de que las varianzas son
iguales. A continuacin se describe el procedimiento de Bartlett, para verificar dicha
hiptesis, el cual consiste en calcular un estadstico de prueba que tiene una
distribucin aproximada a la Chi-cuadrada con t-1 grados de libertad, bajo los
supuestos de normalidad. El estadstico de prueba est dado por:
c2 = 2.3026
q
,
c
donde:
t
c = 1+
1 t
1
1
3(t 1) i =1 ni 1 N t
S p2 =
(n
i =1
1)Si2
N t
ni
Si2 =
y i.
ni
ni 1
y ij2
j =1
= CME
N = n i o N = nt
i =1
130
9
8
7
FRECUENCIA
6
5
4
3
2
1
0
RESIDUALES
131
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
-3.80341
-3.57059
-2.52042
-2.12768
-1.60331
-1.45434
-1.30756
-1.15043
-1.11282
-1.07666
-0.99095
-0.93726
-0.60741
-0.06242
-0.05017
0.047218
0.386458
0.537399
0.549775
1.006632
1.238547
1.297989
1.432309
1.569241
1.79936
1.81545
1.859612
2.050857
2.821547
3.096843
-2.45382
-2.30361
-1.62608
-1.37269
-1.03439
-0.93828
-0.84359
-0.74221
-0.71795
-0.69462
-0.63932
-0.60468
-0.39188
-0.04027
-0.03237
0.030463
0.249328
0.346709
0.354693
0.64944
0.799063
0.837412
0.92407
1.012413
1.160878
1.171258
1.19975
1.323134
1.820353
1.997963
2
5
8
12
15
18
22
25
28
32
35
38
42
45
48
52
55
58
62
65
68
72
75
78
82
85
88
92
95
98
2
2
8
11
18
21
23
26
26
27
29
30
37
49
49
51
59
62
62
72
76
77
79
81
85
85
85
88
94
96
La tabla 4.15 muestra los residuales del histograma del ejemplo 4.5, as como
los residuales estandarizados, los percentiles correspondientes y la probabilidad
normal acumulada, transformada a percentiles, mismos que estn graficados en la
figura 4.11. Los residuos estandarizados se obtienen de dividir los residuales por la
raz cuadrada del CME. Ntese que en stos los clculos y las grficas se pueden
hacer en Excel.
132
FRECUENCIA
0
RESIDUALES
PROBABILIDAD ACUMULADA
-3
-2.5
-2
-1.5
-1
-0.5
0.5
1.5
2.5
ERROR ESTANDAR
133
Ejemplo 4.6: Usar el Ejemplo 4.3 que dice que un Ingeniero industrial encargado de
implantar un sistema de incentivos, sospecha que hay diferencia en la
distribucin de tiempos necesarios para llevar a cabo las operaciones
bancarias por las diferentes personas que atienden las cajas. Con el propsito
de verificar tal sospecha tom tiempos de cinco diferentes operaciones,
completamente al azar, de cuatro dependientes, mismos que son expresados
en minutos en la tabla 4.16 Verificar la validez del modelo.
Solucin: En este ejemplo no se cuenta con el plan experimental, por lo que no es
posible hacer la grfica de tendencia con respecto al orden de obtencin de
datos para verificar la independencia de los mismos, por lo tanto se procede a
hacer la grfica de residuales y valores ajustados, para verificar la varianza
constante, primeramente se calculan los residuales como se muestran en la
tabla 4.16.
6
5
4
RESIDUALES
3
2
1
0
-1
-2
-3
-4
VALORES AJUSTADOS
134
4
5
2
4
6
7
4
6
5
6
6
11
6
5
10
12
4
5
8
5
4.2
4.2
4.2
4.2
4.2
5.6
5.6
5.6
5.6
5.6
7.6
7.6
7.6
7.6
7.6
6.8
6.8
6.8
6.8
6.8
-0.2
0.8
-2.2
-0.2
1.8
1.4
-1.6
0.4
-0.6
0.4
-1.6
3.4
-1.6
-2.6
2.4
5.2
-2.8
-1.8
1.2
-1.8
Res.
Estndar
eij CME
-0.086
0.345
-0.950
-0.086
0.777
0.604
-0.691
0.173
-0.259
0.173
-0.691
1.467
-0.691
-1.122
1.036
2.244
-1.208
-0.777
0.518
-0.777
8
7
FRECUENCIA
6
5
4
3
2
1
0
RESIDUALES
135
La figura 4.12 muestra que la varianza del tratamiento D con media de 6.8,
aparenta tener una varianza mayor que las de los otros tratamientos, por lo que
se recomienda llevar a cabo una de las pruebas de igualdad de varianzas, en
este caso se ejecutar la prueba de Hartley. La figura 4.13 muestra el
histograma en el cual se puede observar que los datos estn cargados en la
segunda barra, lo mismo se puede observar en la tabla 4.17 de residuales, hay
6 datos de 20 entre -2 y -1.5, de igual forma se puede observar lo mismo en la
figura 4.14 que para los valores de Z entre -1 y -0.5 se encuentran 6 datos y
con mayor desviacin con respecto a la distribucin acumulativa.
Aunque existen dudas sobre la normalidad de los datos, la muestra es
demasiado pequea, para tomar una decisin y decir que los datos no
provienen de una distribucin normal, se recomienda usar una prueba de
normalidad en este caso. Generalmente, los puntos fuera de lugar son los que
ocasionan la no normalidad, pero en este caso no existen dichos puntos, esto
se verifica con los residuales estandarizados, si existen valores fuera del
intervalo de -3 y 3, entonces se puede hablar de puntos inusitados o fuera de
lugar.
136
PROBABILIDAD ACUMULADA %
-1.5
-1
-0.5
0.5
1.5
2.5
RESIDUALES ESTANDARIZADOS
{ }
{ }
2
~ max Si
~ F4, 4
Fc =
min Si2
~
Valor-p = P( F4, 4 > Fc )
SUPUESTOS:
1. Muestras aleatorias e independientes.
2. La distribucin de las poblaciones muestreadas es aproximadamente
normal.
REGLA DE DECISIN:
~
S Fc >6.39, entonces rechazar Ho, de otra manera no rechazar Ho.
137
REGIN DE RECHAZO:
Regin de No Rechazo
Regin de Rechazo
Donde: F( 4, 4 ; 0.05 ) = 6.39 , es obtenida de tal forma que P [F > F( 4, 4, 0.05 ) ] = 0.05 .
CLCULOS:
Tabla 4. 18 Clculo de la Desviacin Estndar.
REP.
12
11
10
4.2
5.6
7.6
6.8
Media
Varianza
2.2
1.3
7.3
10.7
{ }
{ }
DECISIN:
~
Dado que Fc < F( 1, 2 , ) entonces no se rechaza Ho,
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que por lo menos una
varianza de los tratamientos difiere de las dems, con un nivel de significancia
del 5%.
Independientemente de la duda sobre normalidad, se ha verificado que existe
por lo menos un par de varianzas de los tratamientos que difieren entre s, entonces
se recomienda hacer una transformacin para corregir la desigualdad de stas, una
transformacin en este caso es dividir en tres la media de los tratamientos.
Examinando la grfica 4.12 parece que puede haber una correlacin entre las
varianzas y la dimensin de la media de la muestra. De cualquier forma existen
algunas otras transformaciones que pueden ayudar a eliminar la falta de varianza
constante o de normalidad. Estos puntos se vern gradualmente en los siguientes
captulos.
139
Ejercicios Propuestos
4.1 Un investigador llevo a cabo un diseo de CA y obtuvo los datos que se muestran
a continuacin:
A
21
19
25
18
22
Tratamientos
B
C
20
24
20
19
22
20
20
21
19
20
D
20
20
20
20
19
a. Los datos proveen suficiente evidencia para decir que los tratamientos tienen
medias diferentes?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Realice un plan para llevar a cabo este experimento.
d. Estime ICS para la media de los tratamientos.
4.2 En un proceso qumico se considera que la temperatura en cual se lleva a cabo
es importante para el rendimiento, el ingeniero encargado del proceso se dio a la
tarea de planear un experimento completamente al azar, donde selecciono tres
temperaturas diferentes, para la cual realizo cinco corridas experimentales para
cada una, la tabla que se muestra a continuacin contiene la informacin del
proceso en el orden en que fueron obtenidos los datos.
Temperatura
140
160
160
150
140
160
140
150
150
140
160
150
150
160
140
Rendimiento
91
90
88
91
89
92
87
95
96
92
91
99
95
92
92
94
95
92
94
MQUINAS
B
C
87
82
84
81
86
83
92
85
92
94
95
98
1
77
76
79
71
81
78
72
78
75
76
OPERADORES
2
3
80
71
76
74
75
77
78
73
79
73
73
83
68
76
73
70
76
75
68
78
5
69
71
70
69
71
76
71
73
68
70
68
75
70
67
67
69
70
72
71
66
141
A
86
87
83
87
85
EXAMEN
B
84
82
87
85
86
C
92
88
90
90
89
a. Los datos proveen suficiente evidencia para decir que los exmenes
tienen diferente grado de dificultad?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
142
DIETA
A
20.0
17.4
19.1
16.6
17.5
B
17.6
17.5
17.6
19.1
18.7
C
18.8
19.6
19.9
19.2
20.3
D
20.4
20.2
19.3
19.7
19.9
a. Los datos proveen suficiente evidencia para decir que las dietas no son
igualmente efectivas?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Realice un plan para llevar a cabo el experimento.
d. Verifique la adecuacin del modelo.
143
144
5. ANLISIS DE TRATAMIENTOS.
El Anlisis de Varianza para el diseo CA, verifica la hiptesis nula sobre la
igualdad de dos o ms medias de tratamientos, contra la alternativa sobre la
diferencia de una o ms medias con respecto a las dems, una vez que esta hiptesis
es rechazada, la siguiente etapa despus de que se concluye que existe evidencia
para declarar alguna diferencia, es hacer el anlisis de tratamientos, tambin
conocido como separacin de medias, estos procedimientos sirven para encontrar los
grupos de medias similares o encontrar las diferencias dependiendo del objetivo del
experimentador y de la estructura de los tratamientos, aunque en este capitulo
nicamente se estudiarn los mtodos para tratamientos no estructurados.
Los mtodos para separar medias dependen de la magnitud de los errores tipo
I y II, ya que el deseo del investigador es generalmente minimizar ambos errores, lo
cual es difcil de controlar dado que conforme uno disminuye el otro aumenta, es decir
son inversamente proporcionales. Generalmente se establece el valor del error tipo I y
el otro se controla o se disminuye aumentando el tamao de la muestra, lo cual no
siempre es posible. Esto es vlido para el anlisis de varianza, pero no para los
procedimientos de anlisis de tratamientos, mismos que tratan de controlar uno de los
errores relacionados con el error tipo I, pero de diferentes formas, esto se estudiar a
continuacin as como el mtodo de Diferencia Mnima Significativa; los mtodos de
Tukey, Student-Newman-Keuls, Rango Mltiple de Duncan, Dunnett e Intervalos de
Confianza Simultneos.
W =
NCJIE
NTCE
p = 1 (1 ) p 1 ,
146
E =
NECJI
NTE
147
148
tratamientos se tienen t(t-1)/2 pares de medias para comparar. Las hiptesis quedan
como sigue:
Ho: i = h parai h
Ha: i h parai h
El estadstico de prueba para llevar a cabo dicha prueba est dado por
tc =
( y i . y h. ) ( i h )
,
2CM E n
(DMS ) (0)
,
2CM E n
Al despejar la DMS,
DMS = t ( gle, / 2 ) 2CM E n
149
Ejemplo 5.2: Un Ingeniero de calidad que tiene a su cargo cuatro mquinas de soldar
por termofusin para unir terminales a componentes electrnicos, sospecha
que existe variacin de la resistencia a la ruptura introducida por dichas
mquinas. Con el propsito de salir de dudas, las mquinas se ajustaron para
tener las mismas condiciones de operacin de las cuales se obtuvieron cinco
muestras completamente azar y se midi la fuerza necesaria en libras para
romper la unin de la terminal y el componente. Los datos se muestran en la
tabla 5.3. El Anova fue realizado en el captulo anterior y se encontr que los
datos proveen suficiente evidencia para soportar la sospecha del ingeniero con
= 0.05. Aplicar el mtodo de diferencia mnima significativa para encontrar las
diferencias entre las medias de los tratamientos.
Tabla 5. 3 Fuerza Necesaria para Romper la Soldadura.
A
B
C
D
68
72
70
81
70
71
73
78
72
70
71
77
69
73
69
79
71
74
71
80
70.0
72.0
70.8
79.0
El CME=2.425 con 16 grados de libertad.
Solucin: Primero se obtiene el valor de t de student con 16 grados de libertad
y = 0.05, entonces t (16, 0.025 ) = 2.12 , por lo tanto el DMS est dado
por:
150
151
1 1
DMS = 2.179 3.24 +
6 5
DMS = 2.375
Para comparar el mtodo III con el II, el DMS est dado por:
1 1
DMS = 2.179 3.24 +
6 4
DMS = 2.531
Para comparar el mtodo III con el II, el DMS est dado por:
1 1
DMS = 2.179 3.24 +
5 4
DMS = 2.631
152
Por el contrario, el mtodo DMS supone que cada par de medias que est siendo
comparada, son adyacentes, es decir, el rango es de orden 2.
Los supuestos del mtodo de Rango de Tukey conllevan a una diferencia
critica significativa mayor que la DMS, por esta razn lo llaman la Diferencia Honesta
Significativa (DHS), la clase de error que tiene este mtodo es del experimentos, es
decir si = 0.05 , entonces se cometen errores en el 5% de los experimentos cuando
se aplica a un nmero grande de experimentos. Este procedimiento se aplica igual
que el de DMS, excepto que se calcula como sigue:
DHS = r( k , , gle ) Sd
2,
DHS = r( k , , gle ) CM E
Donde: r( k , , gle ) es el valor del rango studentizado de orden k, igual al nmero total de
medias que estn siendo comparadas, el cual se obtiene de la tabla A-10.
Ejemplo 5.4: Usando el ejemplo 5.2 aplicar el mtodo de Rango de Tukey para
encontrar las diferencias entre las medias de los tratamientos.
El CME=5.37 con 16 grados de libertad.
Solucin: Primero se obtiene el valor del rango studentizado con 16 grados de
libertad y = 0.05, entonces r( 4, 0.05, 16 ) = 4.05 , por lo tanto el DMS
est dado por:
DHS = r( k , , gle ) Sd
2,
DHS = r( k , , gle ) CM E
DHS = 2.82
153
2,
1
1
, es el error estndar de diferencia
Donde: Sd = CM E +
ni nh
de medias con muestras de tamao diferentes.
Para comparar el mtodo III con el I, el valor de la DHS est dado por:
DHS =
3.77
2
1 1
3.24 +
6 5
DHS = 2.851
Para comparar el mtodo III con el II, el DHS est dado por:
DHS =
3.77
1 1
3.24 +
2
6 4
DHS = 3.097
Para comparar el mtodo III con el II, el DHS est dado por:
154
DHS =
3.77
1 1
3.24 +
2
5 4
DHS = 3.128
SNK ( p ) = r( p, , gle ) CM E
155
4.044
4.921
5.460
Observando la tabla 5.11, se puede concluir que no existe diferencia entre los
tratamientos que tienen medias contiguas, pero hay diferencia entre el 4 y 1, 4
y 2, y 3 y 1, por lo tanto se puede concluir que existen tres grupos de medias,
uno formado por los tratamientos 4 y 3, otro formado por los tratamientos 3 y 2
y el tercer grupo est formado por los tratamientos 2 y 1.
Ejemplo 5.7: Usando el ejemplo 5.2 aplicar el mtodo de Rango Mltiple de StudentNewman-Keuls para encontrar las diferencias entre las medias de los
tratamientos.
El CME=2.425 con 16 grados de libertad y n=5.
Solucin: Primero se obtiene el valor del rango studentizado con 16 grados de
libertad y = 0.05, entonces, SNK estn dados por:
SNK ( p ) = r( p, , gle ) Sd
2.088
2.542
2.82
157
D( p ) = r * ( p, , gle ) CM E
Donde: r * ( p, , gle ) es el valor del rango especial studentizado de orden p, con clase de
error p , el cual ya est incorporado en los valores de la tabla A-11.
Ejemplo 5.8: Usar los datos del ejemplo 5.6 para aplicar el mtodo de Duncan para
encontrar las diferencias entre tratamientos.
Tabla 5. 14 Altura de Graseras para Diferentes Presiones en el Circuito
Neumtico.
Presin
Medias
Psi
yi
1400
1200
1000
800
4228.8
4231.8
4235.2
4238.0
158
D( p ) = r * ( p, , gle ) Sd
D( p ) = r * ( p, , gle ) CM E
4.042
4.239
4.361
La diferencia critica del rango de Duncan que se usa para compararlo con la
diagonal principal de la tabla de diferencias es D(2), el D(3), se usa para
comparar con la primera diagonal arriba de la principal y as sucesivamente,
hasta llegar a la primera columna de diferencias y primer rengln con D(4).
Tabla 5. 16 Prueba de Duncan para las medias de la Altura de las Graseras.
Tratamiento y i .
y i . 4228 .8 y i . 4231 .8 y i . 4235 .2
4-800
4238.0
9.2*
6.2*
2.8
3-1000
4235.2
6.4*
3.4
2-1200
4231.8
3
1-1400
4228.8
Observando la tabla 5.16, se puede concluir que no existe diferencia entre los
tratamientos que tienen medias contiguas, pero hay diferencia entre el 4 y 1, 4
y 2, y 3 y 1, por lo tanto se puede concluir que existen tres grupos de medias,
uno formado por los tratamientos 4 y 3 con la mayor media muestral, otro
formado por los tratamientos 3 y 2 y el tercer grupo est formado por los
tratamientos 2 y 1 con la menor media muestral. Las pruebas de Duncan y
Student-Newman-Keuls en este caso dan los mismos resultados.
Ejemplo 5.9: Usando el ejemplo 5.2 aplicar el mtodo de Rango Mltiple de Duncan,
para encontrar las diferencias entre las medias de los tratamientos.
El CME=2.425 con 16 grados de libertad y n=5.
Solucin: Primero se obtiene el valor del rango studentizado con 16 grados de
libertad y = 0.05, entonces, las diferencias crticas de Duncan
estn dados por:
159
D( p ) = r * ( p, , gle ) Sd
D( p ) = r * ( p, , gle ) CM E
2.088
2.189
2.253
160
D = d ( p, , gle )Sd
D = d ( p, , gle ) 2CM E
4228.8
4231.8
4235.2
4238.0
d ( 3, 0.05, 16 ) = 2.59
D = d ( p, , gle ) 2CM E
D = 2.59 2(9.09)
D = 4.938
161
4235.2
4231.8
4228.8
2.8
6.2*
9.2*
d ( 3, 0.05, 16 ) = 2.59
D = d ( p, , gle )Sd
D = d ( p, , gle ) 2CM E
D = 2.59 2(5.37)
D = 3.796
79.0
72.0
70.0
8.2*
1.2
0.8
162
para i = 1,L, t
163
4228.8
4231.8
4235.2
4238.0
d ( 3, 0.05, 16 ) = 2.59
LC = y i d ( p, , gle ) CM E
Sy = CME
para i = 1,L, t
Sy = 9.09 5 = 1.348
Tabla 5. 23 Intervalos de Confianza Simultneos para las Medias de la Altura
de la Grasera.
Tratamiento y i .
LCI
LCS
d ( p, , gle ) CME
n
4-800
4238.0
3.491
4234.5 4241.5
3-1000
4235.2
3.491
4231.8 4238.8*
2-1200
4231.8
3.491
4228.3 4235.3*
1-1400
4228.8
3.491
4225.3 4232.3*
Observando la tabla 5.23, se puede concluir que no existe diferencia entre la
media del tratamiento 1, 2 y 3 ya que el LCS del tratamiento 1 est incluido en
los intervalos de los tratamientos 2 y 3, por lo tanto los tratamientos 1, 2 y 3
forman el grupo de mejores tratamientos. Con un error del experimento de
0.05.
Ejemplo 5.13: Usando el ejemplo 5.2 aplicar el mtodo de ICS para encontrar el grupo
de mejores tratamientos, en este caso la variable es la fuerza necesaria para
romper la unin de la soldadura, entre ms grande sea la media, mejor.
164
d ( 3, 0.05, 16 ) = 2.59
LC = y i d ( p, , gle ) CM E
Sy = CME
para i = 1,L, t
Sy = 2.425 5 = 0.6964
Tabla 5. 24 Intervalos de Confianza Simultneos para las Medias de la Fuerza
a la Ruptura.
Tratamiento y i .
LCI LCS
d ( p, , gle ) CME
n
D
79.0
1.8
77.2 81.8*
B
72.0
1.8
70.2 73.8
C
70.8
1.8
69.0 72.6
A
70.0
1.8
68.2 71.8
Observando la tabla 5.23, se puede concluir que el tratamiento con media
estadsticamente mayor a los dems es el D. Con un error del experimento de
0.05.
Otra forma de Intervalos de confianza Simultneos es estimar los intervalos de
confianza de las diferencias de medias del control menos los dems, o del la media
del tratamiento que aparece ser el ptimo menos cada uno de los dems, en caso de
que el intervalo estimado no contenga el cero, entones se puede decir que ese
tratamiento es diferente del control o del ptimo. Los lmites del intervalo de confianza
para la diferencia de medias de tratamientos estn dados por:
LC = (y o y i ) d ( p, , gle ) 2CM E
para i = 1,L, t e i o
165
Ejemplo 5.14: Usando el ejemplo 5.2 aplicar el mtodo de ICS para diferencia de
medias con el propsito de encontrar el grupo de mejores tratamientos, en este
caso la variable es la fuerza necesaria para romper la unin de la soldadura,
entre ms grande sea la media, mejor.
El CME=2.425 con 16 grados de libertad y n=5.
Solucin: Primero se obtiene el valor especial de Dunnett con 16 grados de libertad,
p=3 y = 0.05, entonces, la diferencia crtica de Dunnett est dada por:
d ( 3, 0.05, 16 ) = 2.59
LC = (y o y i ) d ( p, , gle ) 2CM E
S y = 2CM E
para i = 1,L, t e i o
Sy = 2(2.425 ) 5 = 0.9848
Tabla 5. 25 Intervalos de Confianza Simultneos para Diferencia de Medias de
la Fuerza a la Ruptura.
Comparacin y i .
LCI LCS
d ( p, , gle ) 2CME
n
D-B
79.0-72.0=7.0
2.55
4.45 9.55
D-C
79.0-70.8=8.2
2.55
5.65 10.75
D-A
79.0-70.0=9.0
2.55
6.45 11.55
Observando la tabla 5.24, se puede concluir que el tratamiento con media
estadsticamente mayor a los dems es el D y sta es diferente a las dems.
Con un error del experimento de 0.05.
166
Ejercicios Propuestos
5.1. Supngase que un experimento fue realizado y se encontr un CME=8.41, con
20 grados de libertad, calcular los valores crticos para cada una de las siguientes
pruebas:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett,
f. Calcular el error estndar para la diferencia de medias.
5.2. Para el ejercicio 4.1 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett, supngase que el control es la temperatura de 150,
f. Aplique los ISC para diferencia de medias para buscar el mejor rendimiento.
5.3. Para el ejercicio 4.2 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett, supngase que el control es la mquina A,
f. Aplique los ISC para diferencia de medias para buscar la respuesta mayor.
5.4. Para el ejercicio 4.3 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett, supngase que el control es el operador 4,
f. Aplique los ISC para diferencia de medias para buscar el menor tiempo.
167
5.5. Para el ejercicio 4.4 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett, supngase que el control es la velocidad media,
f. Aplique los ISC para diferencia de medias para buscar el menor nmero de
defectos.
5.6. Para el ejercicio 4.5 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett, supngase que el control es el examen A,
f. Aplique los ISC para diferencia de medias para buscar la calificacin ms
alta.
5.7. Para el ejercicio 4.6 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett, supngase que el control es la dieta A,
f. Aplique los ISC de diferencia de medias para buscar la reduccin ms alta.
5.8. Para el ejercicio 4.7 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett, supngase que el control es la dieta A,
f. Aplique los ISC de diferencia de medias para buscar la reduccin ms alta.
168
6. DISEOS DE BLOQUES
En los captulos anteriores se mencion que el Diseo CA es el ms simple de
todos los Diseos Experimentales y se usa con el propsito de comparar un conjunto
de tratamientos de inters, cuando existen unidades experimentales homogneas
disponibles para conducir el experimento, esto es cuando no hay factores ruido
presentes. En este capitulo se estudiarn los diseos experimentales cuando no se
tienen unidades experimentales homogneas, es decir se tienen uno o ms factores
ruido presentes, estos diseos son el de Bloques Completos al Azar (BCA), el Cuadro
Latino (CL) y el Cuadro Greco Latino (CGL), adems se explicar el Plan
Experimental, el Modelo Lineal y el Anlisis de Varianza para cada uno de los diseos
experimentales.
Las ventajas de estos diseos son que ayudan a eliminar la supuesta variacin
presente en las unidades experimentales que afectan la variable de respuesta, por
ejemplo, supngase que se desea verificar si cuatro mtodos diferentes para realizar
una cierta operacin en un proceso, tienen el mismo tiempo promedio de ejecucin,
para esto se cuenta con 12 operadores pero de diferentes habilidades, una forma de
eliminar el efecto de la habilidad sobre el tiempo promedio de ejecucin, es
agrupando los operadores en conjuntos de cuatro, de tal forma que la habilidad de
esos cuatro sea lo ms similar posible. A esta tcnica de separacin por grupos se le
llama bloqueo.
El Bloqueo, es una tcnica usada para incrementar la precisin en un
experimento mediante la eliminacin de variacin introducida por los factores ruido.
Un bloque es una porcin de material experimental que debe ser ms homogneo
que todo el conjunto de material experimental. Es importante mencionar que cada
bloque representa una replicacin de los tratamientos. El bloqueo involucra el hecho
de comparar las condiciones de inters en el experimento con cada bloque. En este
captulo se estudian los diseos experimentales que ayudan a controlar la variacin
introducida por uno, dos y tres factores ruido por medio de los diseos experimentales
BCA, CL y CGL, respectivamente.
171
172
El Plan Experimental consiste en que primero se evaluara al del modelo III con
el tratamiento 2, posteriormente al segundo operador del grupo III con el
tratamiento 3, despus al operador 3 del bloque III con el operador 1.
Posteriormente se contina la evaluacin de los modelos I, II, V y IV, con el
orden de los operadores que indica la tabla 6.6.
Es importante hacer notar que los procedimientos para obtener nmeros
aleatorios son muy variados, por lo tanto no existe solucin ni mtodos nicos para
determinar los planes experimentales, consecuentemente es muy posible que cada
vez que se obtenga una solucin, sta difiera de las anteriores.
= 0,
173
iii.
= 0,
= 0,
174
i =1 j =1
Min.
2
ij
(y
i =1 j =1
ij
i j )2
i =1 j =1
t
n
L
= 2 ( y ij i j ) = 0 , para i=1,t
i
i =1 j =1
t
n
L
= 2 ( y ij i j ) = 0 , para j=1,b
j
i =1 j =1
=0 y
= y .. =
= 0.
1 t b
1 t
y
=
y i.
ij tb
tb i =1 j =1
i =1
i = y i . y ..
Entonces los estimadores de las medias de los tratamientos estn dadas por:
i = y i . =
1 b
y ij , para i=1,, t
b j =1
175
CM E =
t
b
1
( y ij y ij )2
(b 1)(t 1) i =1 j =1
CM E =
t
b
1
( y ij i j )2
(b 1)(t 1) i =1 j =1
Donde: y i . = y ij ,
j =1
y . j = y ij
i =1
y .. = y ij .
i =1 j =1
176
Fc
CMBloque/CME
CMTrt/CME
2
Donde: FC = y ..
tb
SSTrt
y
=
SSBloques
2
i.
FC
y
=
t
2
.j
FC
SSTrt
CM Bloques =
CM E = SSE
t 1
SSBloques
b 1
(t 1)(b 1)
177
ii. Bloques
CMBloques
Fc =
~ F[( b1), ( t 1)( b1)]
CME
Valor-p = P[ F[( b 1), ( t 1)( b 1)] >Fc]
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre los tratamientos y los bloques.
REGLA DE DECISIN:
i. Bloques
Si FBloques > F(b-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
ii. Tratamientos
Si FTrt > F(t-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
El procedimiento para verificar las hiptesis sobre los bloques es similar al de
los tratamientos, mismo que es obviado. Ntese que en este caso no existen hiptesis
direccionadas, por lo que el procedimiento no presenta variaciones, lo cual lo hace
ms simples. Para ilustrarlo el procedimiento se resuelven dos problemas enseguida.
178
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de los tratamientos es diferente de cero.
ii. Bloques
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto de los bloques es diferente de cero.
ESTADSTICO DE PRUEBA:
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( b1)]
CM E
Valor-p = P [ F[( t 1), ( t 1)( b1)] >Fc]
ii. Bloques
CMBloques
Fc =
~ F[( b1), ( t 1)( b1)]
CME
Valor-p = P[ F[( b 1), ( t 1)( b 1)] >Fc]
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre los tratamientos y los bloques.
REGLA DE DECISIN:
i. Bloques:
Si FBloques > F(b-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
179
ii. Tratamientos:
Si FTrt > F(t-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
CLCULOS:
Las sumas de cuadrados requeridas para el anlisis se calculan como sigue:
1212
FC =
=
= 732.05
tb
20
t
n
y2
SSTotal = y ij2 ..
tn
i =1 j =1
y ..2
tn
i =1 n
t
SSTrt
212 + 28 2 + 38 2 + 34 2
732.05 = 32.95
5
y .2j
SSBloques =
FC
t
20 2 + 212 + 15 2 + 312 + 34 2
SSTrt =
732.05 = 63.7
4
SSE = SSTotal SSTrt SSBloques
SSTrt =
180
Bancarias
Fc
8.57 3.26*
5.91 3.49*
DECISIN:
i. Bloques
FBloques >3.26, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
ii. Tratamientos
FTrt >3.49, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de bloqueo si
afecta el tiempo de realizacin de las operaciones bancarias y que existe
suficiente evidencia para declarar alguna diferencia entre los tiempos medios
para realizar operaciones bancarias entre los cuatro dependientes, con un nivel
del 5%.
Ejemplo 6.4: Para comparar la efectividad de tres mtodos utilizados para llevar a
cabo una cierta operacin, se seleccion un grupo de 15 operadores con
habilidades diferentes y estos fueron asignados en grupos de tres de acuerdo a
sus habilidades y experiencias. Aleatoriamente se le asign uno de los tres
mtodos a cada uno de los operadores dentro de cada grupo, de tal forma que
cada grupo tiene asignados los tres tratamientos. Posteriormente los
operadores fueron puestos a trabajar durante media hora y el nmero de
piezas ensambladas fue registrado, quienes obtuvieron los resultados que se
muestran a continuacin.
Tabla 6. 11 Nmero de Piezas Ensambladas por los Diferentes Operadores
con Tres Mtodos Diferentes.
Bloques
Totales de
Tratamientos
Tratamientos
I
II
III
IV
V
A
45 46 48 44 46
229
B
45 48 46 48 46
233
C
52 50 49 55 51
257
Totales de
Boques
142 144 143 147 143
719
181
Existe suficiente evidencia para decir que hay diferencia entre la eficiencia
promedio de los mtodos para realizar la operacin? Use = 0.05.
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de los tratamientos es diferente de cero.
ii. Bloques
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto de los bloques es diferente de cero.
ESTADSTICO DE PRUEBA:
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( b1)]
CM E
Valor-p = P [ F[( t 1), ( t 1)( b1)] >Fc]
ii. Bloques
CMBloques
Fc =
~ F[( b1), ( t 1)( b1)]
CME
Valor-p = P[ F[( b 1), ( t 1)( b 1)] >Fc]
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre los tratamientos y los bloques.
REGLA DE DECISIN:
i. Bloques
Si FBloques > F(b-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
ii. Tratamientos
Si FTrt > F(t-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
CLCULOS:
Las sumas de cuadrados requeridas para el anlisis se calculan como sigue:
182
FC =
719 2
= 34464.067
tb
15
t
n
y2
= y ij2 ..
tn
i =1 j =1
y ..2
SSTotal
SSTrt =
i =1
y i2. y ..2
n
tn
183
Total
14
128.933
DECISIN:
i. Bloques
FBloques < 4.53, entonces no rechazar Ho.
El valor-p > 0.05, entonces no rechazar Ho.
ii. Tratamientos
FTrt >5.14, entonces se rechazar Ho.
El valor-p < 0.05, entonces se rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de bloques no
afecta la eficiencia de las operaciones y s existe suficiente evidencia para
declarar alguna diferencia entre las medias de las piezas armadas por unidad
de tiempo, debido a los diferentes mtodos, con un nivel del 5%.
Ejemplo 6.5: Un Ingeniero de calidad que tiene a su cargo 25 mquinas de soldar por
termofusin para unir terminales a componentes electrnicos, sospecha que
existe variacin de la resistencia a la ruptura introducida por dichas mquinas.
Con el propsito de salir de dudas, se eligieron cuatro de stas para realizar un
experimento; posteriormente las mquinas se ajustaron para tener las mismas
condiciones de operacin de las cuales se realizaron cinco corridas, una en
cada da de la semana con el propsito de separar la variacin debido a los
das, ya que se sospecha que afecta la resistencia a la ruptura de la soldadura.
Se seleccion una pieza al azar en cada corrida de cada mquina y se midi la
fuerza necesaria para romper la unin de la terminal al componente en libras
por pulgada cuadrada. Los datos se muestran en la tabla 6.13. Verifique la
hiptesis, s existe variacin debido a las mquinas, con =0.05.
Tabla 6. 13 Fuerza Necesaria para Romper la Unin de la Terminal en Libras
por Pulgada Cuadrada.
Tratamientos
Bloques
A
B
C
D
Lunes
68
70
70
77
Martes
70
71
71
78
Mircoles
72
74
73
81
Jueves
69
73
69
79
Viernes
71
72
71
80
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 2 = 0
184
Ha: 2 > 0
ii. Bloques
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto de los bloques es diferente de cero.
185
FC =
1459 2
= 106434.05
tb
20
ni
t
y2
= y ij2 t ..
i =1 j =1
ni
y ..2
SSTotal
i =1
y i2. y ..2
=
tn
i =1 n
t
SSTrt
SSBloques =
FC
t
285 2 + 290 2 + 300 2 + 290 2 + 294 2
SSBloques =
106434.05 = 31.2
4
SSE = SSTotal SSTrt SSBloques
SSTrt =
186
Total
19
292.95
DECISIN:
i. Bloques
FBloques < 3.25, entonces rechazar Ho.
El valor-p > 0.05, entonces rechazar Ho.
ii. Tratamientos
FTrt >3.49, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para declarar que los das de la semana
si afectan la resistencia a la ruptura de la soldadura y que tambin existe
suficiente evidencia para decir que las mquinas de soldar estn introduciendo
variacin en la resistencia a la ruptura de la soldadura, con un nivel de
significancia del 5%.
Es importante resaltar que en los problemas de efectos aleatorios, las hiptesis
se plantean en funcin del componente de varianza debido a los tratamientos,
obviamente las conclusiones se expresan en trminos de dicho componente, pero se
debe tener cuidado, ya que los tratamientos presentes en el proceso de
experimentacin slo son una muestra aleatoria del total de la poblacin de
tratamientos. El anlisis del ejemplo anterior es para un modelo de efectos mixtos,
donde los tratamientos son de efectos aleatorios y los bloques son de efectos fijos.
187
188
189
A D C B E 1
Por ltimo se asignan aleatoriamente los tratamientos a las letras, esto tambin
se puede hace sacando cinco nmeros aleatorios o permutacin aleatoria; (7,
4, 3, 9, 6), los rangos de la permutacin son (4, 2, 1, 5, 3). A la letra A se le
asigna el cajero 4, a la letra B se le asigna el cajero 2, a la letra C se le asigna
el cajero 1, a la letra D se le asigna el cajero 5 y a la letra E se le asigna el
cajero 3. La siguiente tabla muestra el Cuadro Latino para ejecutar el
experimento.
Tabla 6. 18 Plan Experimental para Medir la Habilidad de los Cajeros.
Das
Horas Lunes Martes Mircoles Jueves Viernes
I
B
E
D
C
A
II
D
B
A
E
C
III
C
A
E
D
B
IV
E
C
B
A
D
V
A
D
C
B
E
190
Por ltimo se asignan aleatoriamente los tratamientos a las letras, esto tambin
se puede hacer sacando cinco nmeros aleatorios o permutacin aleatoria; (4,
3, 9, 6), los rangos de la permutacin son (2, 1, 4, 3). A la letra A se le asigna a
la mquina 2, a la letra B se le asigna la mquina 1, a la letra C se le asigna la
mquina 4, y a la letra D se le asigna la mquina 3. La siguiente tabla muestra
el Cuadro Latino para ejecutar el experimento.
Tabla 6. 22 Plan Experimental para Medir la Capacidad de las Mquinas.
Proveedores
Operador I II III IV
I
A D C B
II
D B A C
III
C A B D
IV
B C D A
DISEOS DE BLOQUES /JAIME SNCHEZ LEAL, Ph. D.
191
sima columna.
es el nmero de tratamientos.
Como se puede observar en el modelo lineal estn presentes los efectos de los
tratamientos, de las hileras, de las columnas y del muestreo, que son los valores de ,
, y , en este caso no est presente un componente de la interaccin de
tratamientos con las columnas o hileras, dado que es un supuesto en todos los
diseos CL. Los supuestos sobre el modelo para Efectos Fijos, son necesarios para
analizar los datos y hacer las conclusiones e inferencias o la verificacin de las
hiptesis sobre la igualdad de medias de tratamientos y de los efectos sobre las
columnas e hileras.
Dichos supuestos son que cada tratamiento tiene una distribucin normal con
varianza comn 2 y que las muestras son independientes y obtenidas en forma
192
ii.
iii.
iv.
v.
= 0,
=0,
=0
iii.
j iid N(0, 2 ),
iv.
k iid N(0, 2 ),
= 0,
193
v.
vi.
, estn
L= ij2 = ( y ij i j k )2 .
i =1 j =1 k =1
i =1 j =1 k =1
i =1 j =1 k =1
t
t
t
L
= 2 ( y ij i j k ) = 0 , para i=1,t
i
i =1 j =1 k =1
t
t
t
L
= 2 ( y ij i j k ) = 0 , para j=1,t
j
i =1 j =1 k =1
t
t
t
L
= 2 ( y ij i j k ) = 0 , para k=1,t
k
i =1 j =1 k =1
solucin de dicho sistema aunado con las restricciones para el modelo de efectos
fijos:
i = 0 , i = 0 y k = 0
Da los siguientes estimadores de los parmetros:
1 t t
1 t
y
=
y i ..
ijk
t 2 i =1 j =1
t 2 i =1
i = y i .. y ...
= y ... =
i = y . j . y ...
k = y ..k y ...
Entonces los estimadores de las medias de los tratamientos estn dadas por:
i = y i . =
1 t t
y ijk , para i=1,, t
t j =1 k
t
t
t
1
( y ijk y ijk )2
(t 1)(t 2) i =1 j =1 k =1
CM E =
t
t
t
1
( y ij i j k )2
(t 1)(t 2) i =1 j =1 k =1
195
t
I
A
D B
y 21t
y 111 y 412
y .1.
II
D
B
E
y t 2t
y 421 y 222
y .2.
E
y 5t 1
Total de
Columnas
C
y 3t 2
A
y 1tt
y .t .
y ..t
y ...
y ..1
y ..2
y
y 111
21t
II
y 123
y 222
M
M
M
t
y 1tt
y 2t 3
Totales de
Tratamientos
y 1..
y 2..
k =1
k =1
j =1
t
y t 13
y t 2t
M
y tt 1
y t ..
t
196
j =1 k =1
Cuadrados
Medios
CMColumnas
CMHileras
CMTrt
CME
Fc
CMColumnas/CME
CMHileras/CME
CMTrt/CME
Donde: FC = y ...
t2
SSTotal = y ijk2 FC
j
SSTrt =
2
i ..
FC
SSColumnas =
SSHileras =
2
..k
y
j
FC
2
. j.
FC
CMTrt =
SSTrt
CMColumnas =
CM Hileras =
t 1
SSColumnas
SSHilerass
CM E = SSE
t 1
t 1
(t 1)(t 2)
197
iii. Hileras
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las hileras es diferente de cero.
ESTADSTICO DE PRUEBA:
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 2 ) ]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 2 )] >Fc].
ii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
iii. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre columnas, hileras y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
Si FTrt > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
ii. Columnas
Si FColumnas > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
iii. Hileras
198
Si FHileras > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
Ejemplo 6.8: Un ingeniero encargado de implantar un sistema de incentivos, sospecha
que hay diferencia en los tiempos promedios, necesarios para llevar a cabo las
operaciones bancarias por las diferentes personas que atienden las cajas,
adicionalmente, piensa que los clientes reciben diferentes tipos de operaciones
dependiendo del da de la semana y la hora en que estas sean realizadas. Con
el propsito de verificar tal sospecha, el ingeniero llev a cabo un diseo CL
para separar la variacin debido a los das y las horas en que se realizan
dichas operaciones, involucr a cinco cajeros, utiliz cinco das de la semana y
dividi el horario en cinco segmentos, los resultados obtenidos se muestran en
la tabla 6.26. Verificar la hiptesis sobre la igualdad de habilidades de los
cajeros, con un nivel de significancia del 1%.
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de los tratamientos es diferente de cero.
ii. Columnas
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las columnas es diferente de cero.
iii. Hileras
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las hileras es diferente de cero.
Tabla 6. 26 Tiempos para Realizar Operaciones Bancarias.
Lunes
Total de
Horarios Lunes Martes Mircoles Jueves Viernes Hileras
I
B
E
D
C
A
5
6
5
6
4
26
II
D
B
A
E
C
5
6
4
5
6
26
III
C
A
E
D
B
5
4
5
4
4
22
IV
E
C
B
A
D
6
11
7
5
8
37
VI
A
D
C
B
E
6
12
10
6
9
43
DISEOS DE BLOQUES /JAIME SNCHEZ LEAL, Ph. D.
199
Total de
Columnas
27
39
31
26
31
154
ESTADSTICO DE PRUEBA:
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 2 ) ]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 2 )] >Fc].
ii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
iii. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre columnas, hileras y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
Si FTrt > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
ii. Columnas
Si FColumnas > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
iii. Hileras
Si FHileras > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
200
CLCULOS:
Tabla 6. 27 Tabulacin de Datos de las Operaciones Bancarias con Total de
Tratamientos.
Tratamientos
A B C D E
Hileras
I
4 5 6 5 6
II
4 6 6 5 5
III
4 4 5 4 5
IV
5 7 11 8 6
6 6 10 12 9
V
Totales de
Tratamientos 23 28 38 34 31
k =1
k =1
j =1
FC =
y ...2
j =1 k =1
154 2
= 2 = 948.64
t2
5
SSTotal = y ijk2 FC
j
SSTrt =
SSTrt
2
i ..
FC
t
23 2 + 28 2 + 38 2 + 34 2 + 312
=
948.64 = 26.16
5
i
SSColumnas =
SSColumnas
SSHileras =
y
k
2
..k
FC
27 2 + 39 2 + 312 + 26 2 + 312
=
948.64 = 20.96
5
y
j
2
. j.
FC
201
SSHileras =
26 2 + 26 2 + 22 2 + 37 2 + 43 2
948.64 = 62.16
5
SSTrt
SSColumnas
CMColumnas =
FColumnas =
FHileras =
CMColumnas
5.24
; FColumnas =
= 7.78
0.6733
CM E
CM Hileras
15.54
; FBloques =
= 23.08
CM E
0.6733
DECISIN:
i. Tratamientos
FTrt >5.41, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
ii. Columnas
FColumnas >5.41, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
202
iii. Hileras
FHileras >5.41, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que las variables de bloqueo
si afectan el tiempo de realizacin de las operaciones bancarias, por lo tanto
fue eficiente el diseo de CL y que existe suficiente evidencia para declarar
alguna diferencia entre los tiempos medios para realizar operaciones bancarias
entre los cinco dependientes, con un nivel del 1%.
Ejemplo 6.9: Un Ingeniero de manufactura est investigando la capacidad de cuatro
mquinas, para tal motivo se seleccionaron cuatro operadores y cuatro
proveedores de materia prima e hizo un plan experimental para llevar a cabo el
estudio en un cuadro latino. Cada corrida consisti de media hora de
produccin y se contabilizaron las piezas que cumplieron con las
especificaciones. Los datos que se recolectaron durante la ejecucin del
experimento se encuentran en la tabla 6.29. Verificar si existe alguna diferencia
entre las capacidades promedio de las mquinas, con un nivel de significancia
del 5%.
Tabla 6. 29 Produccin Aceptable por Corrida.
Proveedores
Total de
Operadores
Hileras
I
II
III
IV
I
A
D
C
B
68 77 70 70
285
II
D
B
A
C
78 71 70 71
290
III
C
A
B
D
73 72 74 81
300
IV
B
C
D
A
73 71 79 69
292
Total de
Columnas 292 291 293 291
1167
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de los tratamientos es diferente de cero.
DISEOS DE BLOQUES /JAIME SNCHEZ LEAL, Ph. D.
203
ii. Columnas
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las columnas es diferente de cero.
iii. Hileras
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las hileras es diferente de cero.
ESTADSTICO DE PRUEBA:
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 2 ) ]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 2 )] >Fc].
ii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
iii. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre columnas, hileras y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
Si FTrt > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
ii. Columnas
Si FColumnas > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
204
iii. Hileras
Si FHileras > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
CLCULOS:
Tabla 6. 30 Tabulacin de Produccin Aceptable con Total de Tratamientos.
Mquinas
A
B
C
D
Operadores
I
68 70 70 77
II
70 71 71 78
III
72 74 73 81
IV
69 73 71 79
Totales de
Tratamientos 279 288 285 315
k =1
k =1
j =1
FC =
y ...2
t2
j =1 k =1
1167 2
= 85118.0625
42
SSTotal = y ijk2 FC
j
SSTrt =
SSTrt
2
i ..
FC
t
279 2 + 288 2 + 285 2 + 315 2
=
85118.0625 = 190.688
4
i
SSColumnas =
SSColumnas
SSHileras =
2
..k
FC
t
292 2 + 2912 + 293 2 + 2912
=
85118.0625 = 0.688
4
k
y
j
2
. j.
FC
205
SSHileras =
DECISIN:
i. Tratamientos
FTrt >4.76, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
ii. Columnas
FColumnas <4.76, entonces no rechazar Ho.
El valor-p < 0.05, entonces no rechazar Ho.
iii. Hileras
FHileras >4.76, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
206
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de bloqueo de
operadores si afecta la produccin aceptable promedio, mientras que las
materias primas de los diferentes proveedores no afecta. Por otro lado, s
existe suficiente evidencia para declarar alguna diferencia entre la produccin
aceptable promedio de las diferentes mquinas, con un nivel de significancia
del 5%.
207
C
D
E
1
D
E
A
2
E
A
B
3
A
B
C
4
B
C
D
5
209
210
ijkl , representa el error del tratamiento i-simo en la j-sima hilera y ksima columna.
t, es el nmero de tratamientos.
Como se puede observar en el modelo lineal, estn presentes los efectos de
los tratamientos, hileras, columnas, tratamientos griegos y latinos y muestreo, que son
los valores de , , , y , en este caso no est presente un componente de la
interaccin de tratamientos con las columnas, hileras y variable de bloqueo griego,
dado que es uno de los supuestos en los diseos CGL.
Los supuestos sobre el modelo para Efectos Fijos, son necesarios para
analizar los datos y hacer las conclusiones e inferencias o la verificacin de las
hiptesis sobre la igualdad de medias de tratamientos y de los efectos sobre las
columnas, hileras y de la variable griega. Dichos supuestos son que cada tratamiento
tiene una distribucin normal con varianza comn 2 y que las muestras son
independientes y obtenidas en forma aleatoria, tambin que no existe interaccin
entre tratamientos y columnas e hileras. Lo anterior se puede resumir en:
i. ijk iid N(0, 2),
ii.
iii.
iv.
=0
v.
=0
= 0,
=0,
211
estn
En el modelo lineal para el diseo CGL hay cuatro efectos principales, los
tratamientos, columnas, hileras y niveles de la variable griega, en los supuestos
anteriores se asume que todos los efectos principales son fijos o aleatorios, puede
existir el caso en que uno de los dos efectos es aleatorio y los otros son fijos. La
configuracin del modelo lineal se lo dejamos al lector, dado que ya se han
presentado algunos casos similares.
A continuacin se estiman los parmetros del Modelo Lineal para el Diseo
CGL, cuando los efectos son fijos se parte de:
2
ij
i =1 j =1 k =1 l =1
Min.
( y
ij
i j k l )2 .
i =1 j =1 k =1 l =1
i =1 j =1 k =1 l =1
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para i=1,t
i
i =1 j =1 k =1 l =1
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para j=1,t
j
i =1 j =1 k =1 l =1
212
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para k=1,t
k
i =1 j =1 k =1 l =1
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para l=1,t
l
i =1 j =1 k =1 l =1
= y .... =
1
t2
y ijkl =
i =1 j =1 k =1 l =1
1 t
y i ...
t 2 i =1
i = y i ... y ....
i = y . j .. y ....
k = y ..k . y ....
l = y ...l y ....
Entonces, los estimadores de las medias de los tratamientos estn dados por:
i = y i ... =
1 t t t
y ijkl , para i=1,,t
t j =1 k =1 l =1
t
t
t
t
1
( y ijkl y ijkl )2
(t 1)(t 3) i =1 j =1 k =1 l =1
CM E =
t
t
t
t
1
( y ij i j k l )2
(t 1)(t 3) i =1 j =1 k =1 l =1
213
t
I
A
D
B
y .1..
y 1113 y 4121
y 21t 5
II
t
Total de
Columnas
D
y 4214
B
y 2223
E
y 5t 15
C
y 3t 22
E
y t 2t 1
y .2..
A
y 1tt 4
y .t ..
y ..t .
y ....
y ..1.
y ..2.
t
Griegos
y 1jk 1 y 2 jk 1 y tjk 1
y ...1
y 1jk 2 y 2 jk 2 y tjk 2
y ...2
y 2 jkt
y tjkt
M
y ...t
y 2...
y t ...
y ....
M
t
y 1 jkt
Totales de Trt.
Latinos
y 1...
214
Donde:
y i ... =
y ijkl , y . j .. =
y ijkl ,
Fc
CMTrt/CME
CMGriegas/CME
CMHileras/CME
CMColumnas/CME
Donde: FC = y ....
t2
SSTotal = y ijk2 FC
i
SSTrt =
1
y i2... FC
t i
1
y ...2 l FC
t l
SSGriegas =
SSColumnas =
SSHileras =
1
y ..2k . FC
t k
1
y .2j .. FC
t j
SSTrt
CMGriegas =
t 1
SSGriegas
t 1
215
CMColumnas =
CM Hileras =
SSColumnas
SSHilerass
CM E = SSE
t 1
t 1
(t 1)(t 3)
216
iii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
iv. Hileras
CM Hileras
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
Fc =
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre columnas, hileras, griegas y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
Si FTrt > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
ii. Griegas
Si FGriegas > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
iii. Columnas
Si FColumnas > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
iv. Hileras
Si FHileras > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
217
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de los tratamientos es diferente de cero.
ii. Griegas
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las griegas es diferente de cero.
iii. Columnas
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las columnas es diferente de cero.
iv. Hileras
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las hileras es diferente de cero.
ESTADSTICO DE PRUEBA:
218
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 3 )] >Fc].
ii. Griegas
CMGriegas
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CME
Valor-p = P [ F[( t 1), ( t 1)( t 3 )] >Fc].
iii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
iv. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre columnas, hileras, griegas y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
Si FTrt > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
ii. Griegas
Si FGriegas > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
iii. Columnas
Si FColumnas > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
219
iv. Hileras
Si FHileras > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
CLCULOS:
Tabla 6. 40 Tabulacin de Tiempos de Operaciones Bancarias con Total de
Tratamientos.
Tratamientos
Total de
A B C D E Griegas
Griegas
7 6 6 4 4
27
11 5 4 5 9
34
5 5 4 5 12
31
10 6 4 6 6
32
8 6 6 5 5
30
Totales de
154
Tratamientos 41 28 24 26 35
FC =
154 2
= 948.64
t
25
= y ijk2 FC
2
y ....
SSTotal
SSTrt =
1
y i2... FC
t i
412 + 28 2 + 24 2 + 26 2 + 35 2
948.64 = 39.76
5
1
SSGriegas = y ...2 l FC
t l
SSTrt =
27 2 + 34 2 + 312 + 32 2 + 30 2
SSGriegas =
948.64 = 5.36
5
1
SSColumnas = y ..2k . FC
t k
27 2 + 412 + 28 2 + 312 + 27 2
SSColumnas =
948.64 = 28.16
5
1
SSHileras = y .2j .. FC
t j
220
SSHileras =
27 2 + 30 2 + 29 2 + 29 2 + 39 2
948.64 = 17.76
5
DECISIN:
i. Tratamientos
FTrt <3.84, entonces no rechazar Ho.
DISEOS DE BLOQUES /JAIME SNCHEZ LEAL, Ph. D.
221
222
Ejercicios Propuestos
6.1 Un experimento para investigar ocho tratamientos fue conducido bajo un diseo
de BCA, el factor de bloques fue los lotes de materia prima:
a. Establezca el modelo lineal para la variable de respuesta y explique los
trminos del modelo.
b. Escriba la tabla de Anova con sus fuentes de variacin y grados de libertad.
c. Establezca los supuestos para el Anova para un modelo de efectos Fijos.
6.2 Un experimento para investigar seis tratamientos fue conducido bajo un diseo
de CL, el factores de bloqueo fue los lotes de materia prima y operadores:
a. Establezca el modelo lineal para la variable de respuesta y explique los
trminos del modelo.
b. Escriba la tabla de Anova con sus fuentes de variacin y grados de libertad.
c. Establezca los supuestos para el Anova para un modelo de efectos
Aleatorios para los tratamientos y las variables de bloque son de efectos
fijos.
6.3 Un investigador llevo a cabo un diseo de BCA y obtuvo los datos que se
muestran a continuacin:
Bloques
I
II
III
IV
V
A
21
19
25
18
22
Tratamientos
B
C
20
24
20
19
22
20
20
21
19
20
D
20
20
20
20
19
a. Los datos proveen suficiente evidencia para decir que los tratamientos
tienen medias diferentes?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Realice un plan para llevar a cabo este experimento.
d. Estime ICS para la media de los tratamientos.
6.4 Para comparar la efectividad de cuatro mtodos utilizados para llevar a cabo una
cierta operacin, se seleccion un grupo de 20 operadores con habilidades
diferentes y estos fueron asignados en grupos de tres de acuerdo a sus
habilidades y experiencias. Aleatoriamente se le asign uno de los tres mtodos
a cada uno de los operadores dentro de cada grupo, de tal forma que cada
grupo tiene asignados los tres tratamientos. Posteriormente los operadores
fueron puestos a trabajar durante media hora y el nmero de piezas
ensambladas fue registrado, los resultados que se muestran a continuacin.
223
Bloques
I
II
III
IV
V
A
45
45
52
48
49
B
46
48
50
49
45
Mtodo
C
48
46
49
47
46
D
45
45
52
49
52
a. Los datos proveen suficiente evidencia para decir que los mtodos tienen
diferente eficiencia?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Establezca el modelo lineal para el diseo.
d. Realice las pruebas de DMS y DHS.
6.5 Un investigador llevo a cabo un diseo de CL y obtuvo los datos que se
muestran a continuacin:
Hileras
I
II
III
IV
A
D
C
B
I
43
48
43
43
Columnas
II
III
D 47 C 42
B 41 A 40
A 42 B 44
C 41 D 48
IV
B 43
C 41
D 49
A 42
a. Los datos proveen suficiente evidencia para decir que los tratamientos
tienen medias diferentes?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Establezca el modelo lineal para el diseo.
d. Aplique los mtodos de separacin de medias de SNK, Tukey y Duncan.
6.6 Un Ingeniero de calidad que tiene a su cargo la operacin de soldar por
termofusin para unir terminales a componentes electrnicos, desea verificar si
existe variacin de la resistencia a la ruptura introducida por los operadores. Con
el propsito de salir de dudas, se eligieron cinco mquinas de soldar para
realizar un experimento; posteriormente las mquinas se ajustaron para tener las
mismas condiciones de operacin de las cuales se realizaron cinco corridas, una
en cada da de la semana con el propsito de separar la variacin debido a los
das, ya que se sospecha que afecta la resistencia a la ruptura de la soldadura.
Se seleccion una pieza al azar en cada corrida de cada operador de cada
mquina y de cada da diferente y se midi la fuerza necesaria para romper la
unin de la terminal al componente en libras por pulgada cuadrada. Los datos se
muestran en siguiente tabla.
224
Das
Maquina Lunes Martes Mircoles Jueves Viernes
I
B
E
D
C
A
35
41
37
41
34
II
D
B
A
E
C
38
36
34
40
40
III
C
A
E
D
B
42
36
41
36
34
IV
E
C
B
A
D
42
46
36
35
40
VI
A
D
C
B
E
36
42
45
36
39
a. Verifique la hiptesis, s existe variacin debido a los operadores, con
=0.05.
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Aplique los mtodos de separacin de medias de SNK, Tukey y Duncan.
6.7 El ingeniero de calidad de una empresa que esta moldeando partes de plstico
sospecha que existe diferencia en la resistencia a la ruptura que producen las
cuatro mquinas de inyeccin que tienen trabajando para cumplir con la
demanda, para poder verificar la su sospecha, el ingeniero planeo un
experimento en un diseo de bloques completos al azar, donde la variable de
bloqueo fueron los lotes de materia prima y les midi la resistencia a la ruptura
en kilogramos de cada corrida experimental, los datos se muestran en la
siguiente tabla.
Lotes
I
II
III
IV
A
94
95
93
94
Mquinas
B
C
D
87
82
92
85
81
94
87
83
95
92
85
96
a. Los datos proveen suficiente evidencia para decir que hay diferencia entre
la medias de las maquinas?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Realice las pruebas de DMS y DHS.
d. Disee un plan experimental para este estudio.
e. Cul seria una unidad experimental?
6.8 En un proceso qumico se desea estudiar el efecto de la temperatura sobre el
rendimiento, pero han detectado por experiencia que los lotes de materia prima y
DISEOS DE BLOQUES /JAIME SNCHEZ LEAL, Ph. D.
225
la temperatura del medio ambiente afectan el proceso, para eliminar las fuentes
de variacin no deseadas, se dise un cuadro latino donde las corridas
consistan de una hora, se seleccionaron diferentes horas durante la jornada
laboral y los lotes de materia prima para lleva a cabo el experimento. Los datos
se muestran en la siguiente tabla.
Lotes
Horas
I
II
III
IV
C
D
B
A
I
88
90
87
90
A
B
C
D
II
92
91
88
85
B
A
D
C
III
91
91
86
88
IV
D 91
C 89
A 88
B 87
I
B 15
A 19
D 15
E 19
C 16
Columnas
II
III
IV
D 16 E 19 A 17
C 16 D 14 E 19
A 21 B 15 C 14
B 16 C 14 D 15
E 22 A 20 B 16
V
C 14
B 16
E 18
A 18
D 15
a. Los datos proveen suficiente evidencia para decir que los tratamientos
tienen medias diferentes?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Establezca el modelo lineal para el experimento.
d. Realice un plan para llevar a cabo este experimento.
e. Estime ICS para la media de los tratamientos.
f. Realice las pruebas de Tukey, Duncan y SNK.
6.10 Un experimento se instrumentado con la finalidad de investigar la capacidad de
cuatro mquinas, de tal forma que se integraron tres variables de bloqueo: los
das, lotes de materia prima y operadores, el diseo fue un CGL. Los datos que
se presentan en la tabla representan la productividad de las mquinas bajo las
condiciones del plan experimental, las letras griegas representan los operadores.
226
Das
I
II
III
IV
Lotes
II
III
C 86 D 92 B 91
D 90 C 87 A 91
B 87 A 88 C 86
A 90 B 85 D 92
I
IV
A 93
B 89
D 89
C 87
a. Los datos proveen suficiente evidencia para decir que las mquinas tienen
eficiencias diferentes?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Establezca el modelo lineal para el experimento.
d. Realice un plan para llevar a cabo este experimento.
e. Estime ICS para la media de los tratamientos.
f. Realice las pruebas de DMS, Duncan y SNK.
227
228
7.1 Contrastes.
La palabra contraste es la accin o el efecto de contrastar o la diferencia de
dos ms cosas, que a la vez significa comparar contra un estndar o algo ms, en
estadstica no es diferente, realmente en los procedimientos de separacin de
tratamientos, se comparan una media contra otra, es realmente un contraste, esto se
hace con los tratamientos que no tienen estructura, En este caso no se limita a la
comparacin de dos medias, sino una comparacin que involucre dos o ms
tratamientos, por tal motivo se dar una definicin para lo que es un contraste.
Supngase que se tienen un conjunto de t tratamientos con sus medias
1, 2 ,L, t . Un Contraste Q, es una combinacin lineal de medias cuyos coeficientes
suman igual a cero pero no todos son cero. Es decir:
t
Q = ci i
i =1
c
i =1
= 0.
230
Q = 2 t
Q = 1 2 + 3 4 ,
Q = 1 2 3 + 4 ,
Q = 1 + 2 3 4 .
1 + 2
3 + 4 + 5
,
2
3
Ho: 3 1 + 3 2 = 2 3 + 2 4 + 2 5 ,
Ho: 3 1 + 3 2 2 3 2 4 2 5 = 0 ,
231
muestran en la siguiente tabla. Plantear los contrastes que puedan surgir por la
estructura de los tratamientos.
Solucin: Existen varias comparaciones que podran surgir por la naturaleza de los
tratamientos o grupos, por ejemplo:
Hiptesis:
i. Hombre vs. mujeres
Ho: 3 1 + 3 2 2 3 2 4 2 5 = 0
Ha: 3 1 + 3 2 2 3 2 4 2 5 0
ii. Ms de 15 aos de experiencia vs. menos de 15
Ho: 21 3 2 + 2 3 + 2 4 3 5 = 0
Ha: 21 3 2 + 2 3 + 2 4 3 5 0
iii. Ms de 15 aos de experiencia vs. menos de 15 dentro de hombres
Ho: 1 2 = 0
Ha: 1 2 0
iv. Mujeres vs. hombres dentro de ms de 15 aos de experiencia
Ho: 3 + 4 2 5 = 0
Ha: 3 + 4 2 5 0
232
Contrastes (j) A B C D E
i =1
Q1
Q2
Q3
Q4
Q5
Q6
3 3 -2 -2 -2
2 -3 2 2 -3
1 -1 0 0 0
0 0 1 1 -2
2 0 -1 -1 0
0 1 0 0 -1
0
0
0
0
0
0
Ejemplo 7.2: Supngase que un experimento fue ejecutado para comparar cuatro
tratamientos compuestos por dos factores, presin y temperatura, cada factor
tiene dos niveles. Los tratamientos son temperatura baja con presin baja,
temperatura baja con presin alta, temperatura alta con presin baja y
temperatura alta con presin alta. Plantear los contrastes que puedan surgir
por la estructura de los tratamientos.
Solucin: Existen varias comparaciones que podran surgir por la naturaleza de los
tratamientos o grupos, por ejemplo:
233
Hiptesis:
i. Temperatura alta contra baja
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
ii. Presin baja contra alta
Ho: 1 2 + 3 4 = 0
Ha: 1 2 + 3 4 0
iii. Temperatura baja contra alta dentro de los dos niveles de presin
Ho: 1 2 3 + 4 = 0
Ha: 1 2 + 3 4 0
Q1
Q2
Q3
1
1
1
1
-1
-1
-1
1
-1
-1
-1
1
0
0
0
q = ci y i.
i =1
234
Sq2 = c i2
i =1
t
CME
c2
= CME i .
ni
i =1 ni
q Qo
tgle.
Sq
t=
Dado que en todas las hiptesis nulas la propuesta, es que el contraste sea
igual a cero, entonces la t queda como sigue:
t=
q
Sq
[ c y ]
i.
c2
CM E i
ni
F(1, gle)
F=
n ci y i .
CME c i2
SSQ =
n ci y i .
c
[ c y ]
=
n c
[ c y ]
=
c
n
2
i
nq 2
, con medias de tratamientos,
ci2
SSQ
i.
2
i
i.
2
i
SSQ
235
SSQ
CME
F(1, gle)
Ejemplo 7.3: Un Ingeniero de calidad que tiene a su cargo cuatro mquinas de soldar
por termofusin para unir terminales a componentes electrnicos, sospecha
que existe variacin de la resistencia a la ruptura introducida por dichas
mquinas. Con el propsito de salir de dudas, las mquinas se ajustaron para
tener las mismas condiciones de operacin de las cuales se obtuvieron cinco
muestras completamente azar y se midi la fuerza necesaria para romper la
unin de la terminal al componente en libras. Los datos se muestran en la
tabla 7.7. El Anova fue realizado en el captulo 4 y se encontr que los datos
proveen suficiente evidencia para soportar la sospecha del ingeniero con =
0.05. Las mquinas son de diferentes marcas y tienen diferentes formas de
alimentacin de materiales como se muestra en la tabla 7.8. Comparar las
mquinas de diferentes marcas y las semiautomticas vs. la automtica.
236
HIPTESIS:
i. Mquinas ATM vs. PLCH
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
ii. Mquinas semiautomticas vs. automtica
Ho: 1 + 2 + 3 3 4 = 0
Ha: 1 + 2 + 3 3 4 0
ESTADSTICO DE PRUEBA:
F=
SSQ
CME
F(1, gle)
Q1
Q2
1
1
1 -1 -1
1 1 -3
4
12
SSQ1 =
SSQ 2 =
n ci y i.
2
i
n ci y i.
2
i
DECISIN:
i. Mquinas ATM vs. PLCH
Fc > 4.49, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho
ii. Mquinas semiautomticas vs. automtica
Fc > 4.49, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
237
CONCLUSIN:
Existe suficiente evidencia para decir que las marcas y el grado de
automatizacin de las mquinas de soldar, estn introduciendo variacin en la
resistencia a la ruptura de la soldadura con un nivel de significancia del 5%.
Ejemplo 7.4: Para comparar la efectividad de tres mtodos para llevar a cabo una
cierta operacin, se seleccion un grupo de 15 operadores de habilidad similar,
aleatoriamente se dividi en tres grupos y se le asign a cada grupo uno de los
tres mtodos. Cada grupo fue entrenado por un perodo determinado y se
descalificaron aquellos operadores que no cumplieron con el nivel de
capacitacin requerido, los que calificaron fueron puestos a trabajar durante
media hora y el nmero de piezas ensambladas fue registrado, obtenindose
los resultados que se muestran a continuacin. El Anova fue realizado en el
captulo 4 y se encontr que los datos proveen suficiente evidencia para decir
que por lo menos uno de los mtodos es diferente a los dems, con = 0.05.
El mtodo I es el tradicional considerado como estndar, los mtodos II y III
son modificaciones del estndar. Comparar el estndar contra los otros dos
juntos y comparar los dos nuevos entre si.
238
HIPTESIS:
i. Mtodos nuevos vs. estndar
Ho: 21 2 3 = 0
Ha: 21 2 3 0
ii. Mtodos nuevos
Ho: 2 3 = 0
Ha: 2 3 0
ESTADSTICO DE PRUEBA:
F=
SSQ
CME
F(1, gle)
Q1
Q2
2 -1 -1
0 1 -1
6
2
SSQ1
SSQ 2
i.
2
i
i.
2
i
c
n
i
2 2 ( 1)2 ( 1)2
+
+
5
4
6
c
n
i
12 ( 1)2
+
4
6
[ 6.82]2
48 + 15 + 10
60
= 38.229
10
24
= 58.095
DECISIN:
i. Mtodos nuevos vs. estndar.
Fc > 4.75, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
ii. Mtodos nuevos.
Fc > 4.75, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
239
Mtodos de
Fc
16.77 3.89*
11.79 4.75*
17.92 4.75*
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la eficiencia de los
mtodos nuevos es diferente del estndar, asimismo que existe diferencia en la
eficiencia entre los dos mtodos nuevos con un nivel de significancia del 5%.
c i 1c i 2
= 0 , para diferentes tamaos de muestras ni .
ni
i =1
c
i =1
i1 i 2
Ejemplo 7.5: Usar los contrastes establecidos en el ejemplo 7.1 para verificar cuales
contrastes son ortogonales entre si.
240
Contrastes (j) A B C D E
i =1
Q1
Q2
Q3
Q4
Q5
Q6
3 3 -2 -2 -2
2 -3 2 2 -3
1 -1 0 0 0
0 0 1 1 -2
2 0 -1 -1 0
0 1 0 0 -1
0
0
0
0
0
0
c
i =1
i1 i 2
Q1 y Q2 no son ortogonales.
Q1 y Q3:
t
c
i =1
i1 i 3
Q1 y Q3 son ortogonales.
Q1 y Q4:
t
c
i =1
i1 i 4
Q1 y Q4 son ortogonales.
Q1 y Q5:
t
c
i =1
i1 i 5
Q1 y Q5 no son ortogonales.
Q1 y Q6:
t
c
i =1
i1 i 6
Q1 y Q6 no son ortogonales.
Q2 y Q3:
241
c
i =1
i2 i3
Q2 y Q3 no son ortogonales.
Q2 y Q4:
t
c
i =1
i2
Q2 y Q4 no son ortogonales.
Q2 y Q5:
t
c
i =1
i2 i5
Q2 y Q5 son ortogonales.
Q2 y Q6:
t
c
i =1
i2 i6
Q2 y Q6 son ortogonales.
Q3 y Q4:
t
c
i =1
i3
Q3 y Q4 son ortogonales.
Q3 y Q5:
t
c
i =1
i3
Q3 y Q5 no son ortogonales.
Q3 y Q6:
t
c
i =1
i3
Q3 y Q6 no son ortogonales.
Q4 y Q5:
t
c
i =1
i4
Q4 y Q5 no son ortogonales.
Q4 y Q6:
242
c
i =1
i4
Q4 y Q6 no son ortogonales.
Q5 y Q6:
t
c
i =1
i5
Q5 y Q6 son ortogonales.
CONCLUSIN:
Se encontr que Q1, Q3 y Q4 son ortogonales entre si y Q2, Q5 y Q6 tambin es
otro conjunto de contrastes ortogonales, cualquier otro par fuera de estos
conjuntos de contrastes, no cumple con el criterio de ortogonalidad.
Ejemplo 7.6: Usar los contrastes generados en el ejemplo 7.4 para verificar cuales
contrastes son ortogonales entre si.
Q1
Q2
2 -1 -1
0 1 -1
6
2
CONCLUSIN:
Los contrastes para comparar los mtodos no son ortogonales.
243
= + , sin interaccin,
= + + ( ) , con interaccin.
Donde: es el efecto del tratamiento,
Es el efecto del factor A,
es el efecto del factor B,
244
( ) , es el efecto de la interaccin.
Respuesta
b2
b1
Factor A
Respuesta
b1
b2
Factor A
245
Ejemplo 7.7: Usar los contrastes generados en el ejemplo 7.2 para verificar cuales
contrastes son ortogonales entre si.
Q1: representa la hiptesis sobre el factor A, en este caso temperatura.
Q2: representa la hiptesis sobre el factor B, en este caso presin.
Q3: representa la hiptesis sobre la interaccin AxB, temperatura x presin.
Tabla 7. 16 Coeficientes de los Contrastes para un Diseo Factorial 2x2.
4
Tratamientos
Contrastes (j) TbPb TbPa TaPb TaPa c ij
i =1
Q1
Q2
Q3
1
1
1
1
-1
-1
-1
1
-1
-1
-1
1
0
0
0
c
i =1
i1 i 2
Q1 y Q2 son ortogonales.
Q1 y Q3:
t
c
i =1
i1 i 3
Q1 y Q3 son ortogonales.
Q2 y Q3:
t
c
i =1
i2
Q2 y Q3 son ortogonales.
CONCLUSIN:
Todos los contrastes son ortogonales entre si, por lo tanto este conjunto
cumplira con las condiciones de conjunto ortogonal completo, si sus sumas de
cuadrados son iguales a la de los tratamientos.
246
Ejemplo 7.8: Usar los datos del ejemplo 6.9, para analizar la estructura factorial, las
caractersticas de los tratamientos se muestran en las siguientes tablas, as
como sus datos. Digamos que las marcas de las mquinas es el factor A y el
grado de automatizacin es el factor B.
Factor A
Factor B
Interaccin AxB
1
1
1
1
-1
-1
-1
1
-1
-1
-1
1
4
4
4
Solucin: Primero se establecen las hiptesis y luego se sacan los coeficientes de los
contrastes.
HIPTESIS:
i. Mquinas ATM vs. PLCH
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
247
SSQ
F(1, gle).
CME
CLCULOS:
Ahora se procede a calcular las sumas de cuadrados para los
contrastes;
SSFactor A
[ c y ]
=
2
2
[
[
279 + 288 285 315]
33]
=
=
= 68.0625
SSFactor B
[ c y ]
=
2
2
[
[
279 288 + 285 315]
39]
=
=
= 95.0625
i.
2
i
n c
i.
2
i
n c
4( 4)
4( 4)
248
16
SSInteracin AxB
16
i.
2
i
n c
4( 4)
2
[
21]
=
16
= 27.5625
DECISIN:
i. Mquinas ATM vs. PLCH
Fc > 5.99, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho
ii. Mquinas semiautomticas vs. automticas
Fc > 5.99, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
iii. Comportamiento del grado de automatizacin dentro de las marcas
Fc > 5.99, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
CONCLUSIN:
Existe suficiente evidencia para decir que las marcas, el grado de
automatizacin de las mquinas de soldar y su interaccin afecta la eficiencia,
con un nivel de significancia del 5%.
Ntese que la suma de las sumas de cuadrados de los tres contrastes es igual
a la suma de cuadrados de los tratamientos, los tres contrastes son ortogonales entre
si, por lo tanto se tiene un conjunto completo de contrastes ortogonales, este conjunto
es tpico para analizar diseo de tratamientos factoriales 2x2, cuando se tenga un
factorial completo ms grande, el nmero de contrastes se incrementa y se complica
un poco ms, por ejemplo el 2x3, que sera el siguiente en tamao, en este caso se
tienen 5 contrastes, uno para el factor A, 2 para B y 2 para la Interaccin. A
continuacin se presenta el conjunto de contrastes para un diseo factorial 2x3.
Supngase que los tratamientos estn diseados como muestra la tabla 7.20.
249
Contraste a1 b1 a1 b2 a1 b3 a2 b1 a2 b2 a2 b3 i =1
Q1
1
1
1
-1
-1
-1
6
Q2
1
1
-2
1
1
-2
12
Q3
1
-1
0
1
-1
0
4
Q4
1
1
-2
-1
-1
2
12
Q5
1
-1
0
1
-1
0
4
250
y = + au Pu ( X ) + ,
u =1
251
x x 2 t 2 1
,
P2 ( x ) = 2
12
d
x x 3 x x 3t 2 7
,
P3 ( x ) = 3
20
d
d
x x 4 x x 2 3t 2 13 3(t 2 1)(t 2 9)
+
P4 ( x ) = 4
,
14
560
d
d
= y .. =
y ..
,
tn
t
a u =
qu
c
i=
2
iu
c
i =1
t
iu
c
i=
y i.
2
iu
a u =
c
i =1
iu
y i.
n c iu2
i=
y = + a u Pu ( X ) .
u =1
252
Lineal
Cuadrtico
Cbico
-3
1
-1
-1
-1
3
1
-1
-3
3
1
1
20
4
20
HIPTESIS:
i. Lineal
Ho: No existe una relacin lineal entre la presin y la altura de la grasera.
Ha: Existe una relacin lineal entre la presin y la altura de la grasera.
ii. Cuadrtica
Ho: No existe una relacin cuadrtica entre la presin y la altura de la
grasera.
Ha: Existe una relacin cuadrtica entre la presin y la altura de la
grasera.
253
iii. Cbica
Ho: No existe una relacin cbica entre la presin y la altura de la
grasera.
Ha: Existe una relacin cuadrtica entre la presin y la altura de la
grasera.
ESTADSTICO DE PRUEBA:
F=
SSQ
CME F(1, gle)
q u = c iu y i .
i =1
SSu =
nq u
c iu2
5( 31)2
SSL =
= 240.25
20
5(0.2)2
SSQ =
= 0.05
4
5(1)2
SSQ =
= .025
20
254
DECISIN:
i. Lineal
Fc > 4.49, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
ii. Cuadrtica
Fc <1, entonces no rechazar Ho.
El valor-p > 0.05, entonces no rechazar Ho.
iii. Cbica
Fc <1, entonces no rechazar Ho.
El valor-p > 0.05, entonces no rechazar Ho.
CONCLUSIN:
Los datos no muestran evidencia para decir que existe una tendencia
cuadrtica y cbica, pero si hay evidencia para decir que existe una tendencia
lineal, por lo tanto se procede a estimar un modelo lineal para predecir la altura
de las graseras, en funcin de la presin del aire en el circuito neumtico.
ESTIMACIN DEL MODELO:
y = + a1P1( x )
x
x x
x 1100
= 2
P1( x ) = 1
=
11
d
200 100
q
31
a1 = t 1 =
= 1.55
20
2
ci1
i=
= y .. = 4235 .45
x
y = 4250.5 0.0155 x
INTERPRETACIN:
La altura de la grasera, dada en diezmilsimas de pulgada, est expresada por
4250.5 menos 0.0155 por cada psi de presin de aire del circuito neumtico,
usado para atornillar dicha grasera, es decir por cada psi que se aumente en el
circuito neumtico, se disminuye la altura en 0.0155 diezmilsimas de pulgada.
255
Lineal
Cuadrtico
Cbico
-3
1
-1
-1
-1
3
1
-1
-3
3
1
1
20
4
20
256
ESTADSTICO DE PRUEBA:
F=
SSQ
CME
~ F(1, gle )
CLCULOS:
qu =
c
i =1
iu
y i.
nqu
SSu =
c iu2
5( 46.08 )2
= 530.84
20
5(2.96)2
SSQ =
= 10.952
4
5(19.76)2
SSQ =
= 97.614
20
SSL =
para el Ejemplo
Fc
22.58 3.24*
66.19 4.49*
1.36 4.49ns
12.17 4.49*
DECISIN:
i. Lineal
Fc > 4.49, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
257
ii. Cuadrtica
Fc <1, entonces no rechazar Ho.
El valor-p > 0.05, entonces no rechazar Ho.
iii. Cbica
Fc <1, entonces rechazar Ho.
El valor-p > 0.05, entonces rechazar Ho.
CONCLUSIN:
Los datos no muestran evidencia para decir que existe una tendencia
cuadrtica, pero hay evidencia para decir que existe una tendencia lineal y
cbica, por lo tanto se procede a estimar un modelo polinomial para predecir la
resistencia a la ruptura, en funcin de la corriente aplicada por la mquina de
soldar.
ESTIMACIN DEL MODELO:
y = + a1P1( x ) + a 3 P 3 ( x )
x x
x 680 x
P1( x ) = 1
= 2
34
=
d
40 20
x x 3 x x 3t 2 7
P3 ( x ) = 3
d d 20
3
10 x 680 x 680 3( 4)2 7
P3 ( x ) =
3 40 40 20
1
P3 ( x ) =
( x 680 )3 0.17 x + 116.167
12
q
46.08
= 2.30
a1 = t 1 =
20
2
ci1
i=
a1 =
q1
c
i=
2
i1
19.76
= 0.988
20
= y .. = 90.76
y = + a1P1( x ) + a3 P3 ( x )
x
12
3
y = 127 .33 0.053 x + 0.0823( x 680 )
258
INTERPRETACIN:
La resistencia a la ruptura en libras, est dada por el modelo antes
mencionado, para un nivel de corriente x, se puede estimar la media de la
resistencia a la ruptura con ese modelo. La estimacin de la resistencia para
una corriente de 680, es igual a 91.29 libras.
Q = ci i
i =1
c y
i =1
LC = c i y i r( t , , gle )
i =1
CM E
c
n
i =1
259
c
i =1
2 se
LC = c i y i (t 1)F( t 1, gle; )
i =1
CME
n
c i2
, para n diferentes.
ni
2
i
, para n iguales.
260
LC = c i y i t ( gle; 2m )
i =1
LC = c i y i t ( gle; 2m )
c i2
, para n diferentes.
CM E
ni
CM E
i =1
2
i
, para n iguales.
Ejemplo 7.11: Usar los datos del ejemplo 7.3 para aplicar los mtodos de ICS, con los
contrastes generados en el mismo ejemplo, establezca el coeficiente de
confianza en 0.95.
Tabla 7. 29 Fuerza Necesaria para Romper la Soldadura.
A
B
C
D
68
72
70
81
70
71
73
78
72
70
71
77
69
73
69
79
71
74
71
80
70.0 72.0 70.8 79.0
HIPTESIS:
i. Mquinas ATM vs. PLCH
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
261
Q1
Q2
1
1
1 -1 -1
1 1 -3
4
12
Solucin:
i. ICS con el procedimiento de Rango Studentizado.
Primero se obtiene el valor especial de rango studentizado con 16 grados de
libertad, k = 4 y = 0.05, entonces:
r( 4, 0.05, 16 ) = 4.05
t
LC = c i y i r( t , , gle )
CM E
i =1
c
i =1
S y = CME
n
Sy = 2.425 5 = 0.696
= 4.05(0.696 )
n
q1 = 70.0 + 72.0 70.8 79.0 = 7.8
q2 = 70.0 + 72.0 + 70.8 3(79.0) = 24.2
r( p, , gle ) CME
i
( p, , gle )
n i =1
i =1
Q1
Q2
262
-7.8
-24.2
2
3
5.636
8.454
-13.43 -2.16
-32.65 -15.74
Observando la tabla 7.30, se puede concluir que existe evidencia para declarar
que hay diferencia entre las mquinas ATM y PLCH y tambin existe diferencia
entre las medias de las mquinas semiautomticas y automticas, ya que los
intervalos de confianza simultneos no incluyen el cero. Con una clase de error
del experimento del 0.05.
ii. ICS con el procedimiento de Scheffe.
Primero se obtiene el valor de F con 3 grados de libertad en el numerador y
16 grados de libertad en el denominador y = 0.05, entonces:
CME
c i2
n
i =1
CME
2.425
= 3(3.24)
= 27.4
(t 1)F( t 1, gle; )
n
5
LC = ci y i (t 1)F( t 1, gle; )
i =1
n
Q1
-7.8
4
10.47
-18.27 2.67
Q2
-24.2
12
18.13
-42.33 -6.07
LC = c i y i t ( gle; 2m )
i =1
CM E
2
i
263
n
i =1
Q1
Q2
-7.8
-24.2
4
12
3.44
5.96
-11.24 -4.36
-30.16 -18.24
Observando la tabla 7.32, se puede concluir que existe evidencia para declarar
que hay diferencia entre las mquinas ATM y PLCH y tambin existe diferencia
entre las medias de las mquinas semiautomticas y automticas, ya que los
intervalos de confianza simultneos no incluyen el cero. Con una clase de error
del experimento del 0.05.
Ejemplo 7.12: Usar los datos del ejemplo 7.4 para aplicar los mtodos de ICS, con los
contrastes generados en el mismo ejemplo. Establezca el coeficiente de
confianza en 0.95.
Tabla 7. 34 Nmero de Piezas Ensambladas por
con Tres Mtodos Diferentes.
MTODOS
OBSERVACIONES
I
45 46 48 44 46
II
45 48 46 48
III
52 50 49 55 51 53
HIPTESIS:
i. Mtodos nuevos vs. estndar
Ho: 21 2 3 = 0
Ha: 21 2 3 0
ii. Mtodos nuevos
Ho: 2 3 = 0
Ha: 2 3 0
264
Contrastes I II III
i =1
Q1
Q2
2 -1 -1
0 1 -1
6
2
r( 3, 0.05, 12 ) = 3.77
t
LC = c i y i r( t , , gle )
i =1
CM E
c
i =1
S y = CME
n
Sy = 3.24 5 = 0.805
= 3.77(0.805 ) = 3.035
n
q1 = 2( 45.8) 46.75 51.67 = 6.82
q2 = 46.75 51.67 = 4.92
r( p, , gle ) CME
i
( p, , gle )
n i =1
i =1
Q1
Q2
-6.82
-4.92
2
1
6.07
3.03
-12.89 -0.75
-7.95 -1.89
Los datos proveen suficiente evidencia para decir que la eficiencia de los
mtodos nuevos es diferente del estndar, asimismo que existe diferencia en la
eficiencia entre los dos mtodos nuevos. Con una clase de error del
experimento del 0.05.
265
c i2
LC = c i y i (t 1)F( t 1, gle; )CM E
ni
i =1
t
cI2 4 1 1 48 + 15 + 10 73
= + + =
=
5 4 6
60
60
i = 1 ni
Q1 :
cI2 1 1 6 + 4 5
= + =
=
4 6
24
12
i =1 ni
1
)
t
F
CM
( t 1, gle; )
E
ni
i = 1 ni
Q1
Q2
-6.82 73/60
-4.92 5/12
5.53
3.24
-12.35 -1.29
-8.16 -1.68
Los datos proveen suficiente evidencia para decir que la eficiencia de los
mtodos nuevos es diferente del estndar, asimismo que existe diferencia en la
eficiencia entre los dos mtodos nuevos. Con una clase de error del
experimento del 0.05.
iii. ICS con el procedimiento de Bonferroni.
Primero se obtiene el valor de t de Student con 12 grados de libertad y
/ 2m = 0.0125, entonces:
t (16; 0.0125 ) = 2.56
t
LC = c i y i t ( gle; 2m ) CM E
i =1
c i2
ni
ni
i = 1 ni
Q1
Q2
-6.82 73/60
-4.92 5/12
5.08
2.97
-11.9 -1.74
-7.89 -1.95
Los datos proveen suficiente evidencia para decir que la eficiencia de los
mtodos nuevos es diferente del estndar, asimismo que existe diferencia en la
eficiencia entre los dos mtodos nuevos. Con una clase de error del
experimento del 0.05.
267
Ejercicios Propuestos
7.1 Con los datos del ejercicio 4.1, establezca un conjunto completo de contrastes
ortogonales con sus hiptesis correspondientes y lleve a cavo las pruebas e
intgrelas a la tabla de Anova.
7.2 Para los datos del proceso qumico del ejercicio 4.2, investigue que tipo de
relacin existe entre el rendimiento y la temperatura y estime la ecuacin que
representa dicha relacin.
7.3 Las maquinas del ejercicio 4.3 se describen en la siguiente tabla, establezca un
conjunto de contrastes ortogonales completos con sus respectivas hiptesis y
verifquelas con un nivel de significancia del 1%.
Mquina
A
B
C
D
Descripcin
Marca FCL sin cmara de precalentado
Marca FCL con cmara de precalentado
Marca ISI sin cmara de precalentado
Marca ISI con cmara de precalentado
7.4 La estructura de los tratamientos del ejercicio 4.4 esta dada por la siguiente
tabla, establezca un conjunto de contrastes ortogonales completos con sus
respectivas hiptesis y verifquelas con un nivel de significancia del 5%.
Operador
1
2
3
4
5
Descripcin
Hombre sin experiencia previa
Hombre con experiencia previa
Hombre con experiencia previa
Mujer sin experiencia previa
Mujer con experiencia previa
7.5 La estructura de los tratamientos del ejercicio 4.4 esta dada por la siguiente
tabla, establezca un conjunto de contrastes ortogonales completos con sus
respectivas hiptesis y verifquelas con un nivel de significancia del 10%.
Operador Aos de Experiencia
1
2
2
4
3
6
4
8
5
10
268
7.6 Para los datos del ejercicio 4.5, investigue la relacin que existe entre la
velocidad de la mquina y el nmero de defectos encontrados en las tarjetas y
estime la ecuacin. Supngase que las velocidades estn igualmente
espaciadas.
269
270
8. DISEOS FACTORIALES.
Los diseos factoriales son experimentos con una estructura de tratamientos
muy bien definida, donde estos son la combinacin de niveles de dos o ms factores,
de esta forma se definen los tratamientos. Un diseo factorial completo consiste de
todas las combinaciones entre los niveles de los factores, tambin existen factoriales
fraccionados, donde los tratamientos bajo experimentacin son un subconjunto del
factorial completo, En este capitulo se estudiarn los factoriales completos de dos y
tres factores y el modelo del diseo factorial general. En cada uno de estos casos, se
desarrollarn los modelos lineales y supuestos y el anlisis de varianza.
Como se menciona anteriormente los diseos factoriales son diseos de
tratamiento, es decir, es la forma en que los tratamientos son seleccionados, mismos
que pueden ser aplicados o corridos en cualquiera de los diseos experimentales que
se han visto en los captulos 4 y 6, con la ventaja de que se pueden analizar los
tratamientos ms los efectos de los factores y sus interacciones. En el captulo 7 se
estudiaron los diseos factoriales y su anlisis por medio de contrastes, en este
captulo se analizar en la forma tradicional con sumas de cuadrados.
Los diseos factoriales al igual que otros diseos, tienen sus ventajas y
desventajas, algunas se sus ventajas son: la flexibilidad de usar cualquier nmero de
factores y niveles en cada uno, est sujeto nicamente a la disponibilidad de recursos;
se pueden usar en cualquier diseo experimental; se pueden investigar las
interacciones y los factores en forma independiente, en la ausencia de interacciones,
el experimento se considerara como experimento simultneo para cada factor.
Cuando hay ms de dos factores es muy poco probable que haya ausencia de
interaccin.
Las principales desventajas de los experimentos factoriales son: cuando
existen datos perdidos el anlisis se vuelve complejo; las interacciones de dos o ms
factores son difciles de interpretar y pueden llevar a conclusiones errneas, este
material se estudiar ms adelante; el tamao del experimento se convierte
excesivamente grande cuando existen varios factores con demasiados niveles, ya que
se requieren dos replicaciones cuando menos para estimar la varianza del error
experimental.
factorial axb en forma general, para cualquier valor de a y b mayor que dos, as como
su modelo lineal y estimacin de parmetros, y el anova y verificacin de hiptesis.
La interaccin entre dos factores es la falta de aditividad de sus efectos, o la
falta de paralelismo en las grficas de efectos. Si el comportamiento de un factor
dentro de los niveles del otro es similar, entonces no hay interaccin; cuando hay
discrepancias en los efectos de un factor dentro del otro entonces hay interaccin, la
en la ausencia de sta se dice que sus efectos son aditivos, de lo contrario, se dice
que sus efectos son multiplicativos.
La ausencia de interaccin, realmente genera un modelo aditivo, es decir que
el efecto de los tratamientos se puede explicar puramente con la suma de los efectos
de los factores, por otro lado cuando hay interaccin, el modelo sigue siendo aditivo,
pero el efecto de los tratamientos no puede ser explicado totalmente por la suma de
stos, por tal motivo se agrega un trmino ms atribuible a la interaccin, a
continuacin se muestran los modelos lineales para el efecto de tratamientos y las
grficas de ambos casos:
ij = i + j , sin interaccin,
ij = i + j + ( )ij , con interaccin, para ( )ij 0
A continuacin se muestran dos grficas, una con interaccin y otra sin
interaccin.
Respuesta
b2
b1
Factor A
272
Respuesta
b1
b2
Factor A
y ijk = + i + j
i = 1,K, a
+ ( )ij + ijk , Para j = 1,K, b
k = 1,K, n
Donde: y ijk , representa la k-sima observacin del tratamiento compuesto del isimo nivel del factor A y el j-simo nivel del factor B.
, representa la media general y es constante.
i , representa el efecto del i-simo nivel del factor A.
j , representa el efecto del j-simo nivel del factor B.
DISEOS FACTORIALES /JAIME SNCHEZ LEAL, Ph. D.
273
= 0,
iii.
= 0,
iv.
( )
ij
=0 y
( )
ij
=0
v. Los efectos
distribuidos.
( )
, estn independientemente
En el modelo lineal para el diseo Factorial hay dos efectos principales, los del
factor A y B, en los supuestos anteriores se asume que los dos efectos principales
son todos fijos o aleatorios, puede existir el caso en que uno de los dos efectos es
aleatorio y el otro es fijo. A continuacin se establecen los supuestos en el caso de
que los efectos del factor A son aleatorios y los efectos del B fijos:
i. ij iid N(0, 2),
274
iii.
=0 y
( )
ij
=0
y ijk = + i + j
i = 1,K, a
+ ( )ij + ijk , Para j = 1,K, b
k = 1,K, n
ijk2
Min.
i =1 j =1 k =1
a
( y ijk i j ( )ij )2 .
Min.
i =1 j =1 k =1
= 0,
= y .. =
= 0,
( )
i
ij
=0 y
( )
ij
=0
1 a b n
y ijk
abn i =1 j =1 k =1
275
i = y i .. y ...
i = y . j . y ...
( )ij = y ij . y i .. y . j . + y ...
El estimador de 2 est dado por el CME, el cual se encuentra en la tabla de
Anova, cuya frmula est dada por:
CM E =
a b n
1
( y ijk y ijk )2
ab(n 1) i =1 j =1 k =1
CM E =
a b n
1
( y ijk i j ( )ij )2
ab(n 1) i =1 j =1 k =1
276
Donde: y ij . = y ijk ,
k =1
y i .. = y ijk ,
j =1 k = 1
y . j . = y ijk y
i =1 k =1
y ... = y ijk .
i =1 j =1 k =1
Donde: FC = y ...
abn
SSTotal = y ijk2 FC
i
1
y ij2. FC
n i j
SSTrt =
SS A =
1
y i2.. FC
bn i
SSB =
1
y .2j . FC
an j
CMTrt =
SSTrt
CM A = SS A
ab 1
a 1
277
CMB = SSB
b 1
CM AxB = SS AxB
CM Error =
(a 1)(b 1)
SSError
ab(n 1)
278
279
Tabla 8. 3 Errores Estndar para Comparaciones entre Medias para un Factorial axb.
Diferencia entre Medias
Estimador Error Estndar Rango
a
Factor A
y i .. y h..
2CM Error nb
Factor B
y . j . y .h .
2CM Error na
Tratamiento AB,
en mismo nivel de A
Tratamiento AB,
en mismo nivel de B
Tratamiento AB,
en diferentes nivel de A y B
y ij . y ih.
2CMError n
y ij . y hj .
2CMError n
y ij . y hk .
2CMError n
ab
2500
2515
2477
2472
2504
2499
2497
2522
2481
Solucin:
HIPTESIS:
i. Factor A
Ho: 1 = 2 = K = a = 0
Ha: Por lo menos un efecto del factor A es diferente de cero.
280
ii. Factor B
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto del factor B es diferente de cero.
iii. Interaccin AxB
Ho: No hay Interaccin.
Ha: Si existe interaccin.
ESTADSTICO DE PRUEBA:
iv. Factor A
CM A
FA =
~ F[( a 1), ab ( n 1)]
CM E
Valor-p = P [ F[( a 1), ab( n 1)] >FA].
v. Factor B
CM B
FB =
~ F[( b 1), ab ( n 1)]
CM E
Valor-p = P [ F[( b 1), ab( n 1)] >FB].
vi. Interaccin AxB
CM AxB
FAxB =
~ F[( a 1)( b 1), ab ( n 1)]
CM E
Valor-p = P [ F[( a 1)( b 1), ab( n 1)] >FAB].
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
REGLA DE DECISIN:
i. Factor A
Si FA > F[(a-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
ii. Factor B
Si FB > F[(b-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
281
FC =
22467 2
= 11217024 .2
abn (3)(3)(5)
SSTotal = y ijk2 FC
y ...2
an j
1
SSPr esin =
7469 2 + 75412 + 7457 2 11217024 .2 = 275.2
3(5)
SSInteracci n = SSTrt SS A SSB
SSInteracci n = 457.6 21.733 275.2 = 160.667
SSError = SSTotal SSTrt
SSError = 576 .8 457 .6 = 119 .2
2
282
457.6
= 57.225
ab 1
8
21.773
SS A
CMTemp =
=
= 10.867
a 1
2
275.2
SSB
CMPr esin =
=
= 137.6
b 1
2
160.667
CM AxB = SS AxB
=
= 40.167
(a 1)(b 1)
(2)(2)
119.2
SSError
CMError =
=
= 3.311
ab(n 1) (9)( 4)
CMTrt =
SSTrt
Cuadrados
Medios
57.225
10.867
137.6
40.167
3.311
Fc
17.28
3.28
41.55
12.13
2.21*
3.26*
3.26*
2.63*
DECISIN:
i. Factor A
FA > 3.26, entonces rechazar la hiptesis nula.
ii. Factor B
FB > 3.26, entonces rechazar la hiptesis nula.
iii. Interaccin AxB
FAxB > 2.63, entonces rechazar la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la presin y la
temperatura a la que el plstico es inyectado si afecta el dimetro de los
cilindros, tambin existe interaccin entre la presin y la temperatura con un
nivel de significancia del 5%.
En este caso la interaccin es significativa, por lo tanto los efectos de la presin
y la temperatura no son aditivos, esto implica que el anlisis pos anova se hace
con los tratamientos directamente, no tiene caso analizar los efectos de los
283
Tratamiento AB,
en mismo nivel de A
Tratamiento AB,
en mismo nivel de B
Tratamiento AB,
en diferentes nivel de A y B
y ij . y ih.
1.15
2.82
y ij . y hj .
1.15
2.82
y ij . y hk .
1.15
3.8
284
506
504
502
Medias
500
Temp. Media
498
Temp. Alta
496
Temp. Baja
494
492
490
488
1
PRESIN
500-499.4=0.6 2.82
Ns
y 11. y 33.
500-496.2=3.8 3.8
y 22. y 11.
y 12. y 11.
500.8-500=0.8 3.8
503-500=3
2.82
Ns
*
Interpretacin:
El tratamiento ms recomendable es la combinacin del nivel uno de presin y
temperatura baja, y adems los siguientes tratamientos estn cerca y no son
estadsticamente diferentes: temperatura media con presin alta; temperatura
alta con presin baja y temperatura media con presin media.
Ejemplo 8.2: En un proceso de soldadura, el ingeniero de proceso desea saber si el
tipo de alambre que est usando y la corriente aplicada influyen en la
resistencia a la ruptura del punto de unin de los materiales que han sido
soldados por este proceso. Para tal motivo utiliz dos tipos de alambre y tres
niveles de corriente. El experimento se llev a cabo en un diseo de bloques
completos al azar y los datos se encuentran en la tabla 8.10. Hacer el anlisis
de varianza, de la interaccin y de factores en caso necesario con el
procedimiento de DMS, con un nivel de significancia del 5%.
DISEOS FACTORIALES /JAIME SNCHEZ LEAL, Ph. D.
285
Solucin:
HIPTESIS:
i. Factor A
Ho: 1 = 2 = 0
Ha: Por lo menos un efecto del factor A es diferente de cero.
ii. Factor B
Ho: 1 = 2 = 3 = 0
Ha: Por lo menos un efecto del factor B es diferente de cero.
iii. Interaccin AxB
Ho: No hay Interaccin.
Ha: Si existe interaccin.
ESTADSTICO DE PRUEBA:
i. Factor A
CM A
FA =
~ F[( a1), ( ab 1)( n 1)]
CM E
Valor-p = P [ F[( a1), ( ab1)( n 1)] >FA].
ii. Factor B
CM B
FB =
~ F[( b1), ( ab 1)( n 1)]
CM E
Valor-p = P [ F[( b1), ( ab 1)( n 1)] >FB].
iii. Interaccin AxB
CM AxB
FAxB =
~ F[( a 1)( b 1), ( ab 1)( n 1)]
CM E
Valor-p = P [ F[( a 1)( b 1), ( ab 1)( n 1)] >FAB].
286
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
4. No existe interaccin entre los factores y los bloques.
REGLA DE DECISIN:
i. Factor A
Si FA > F[(a-1), (ab-1)(n-1); ], entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
ii. Factor B
Si FB > F[(b-1), (ab-1)(n-1); ], entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
iii. Interaccin AxB
Si FAxB > F[(a-1)(b-1), (ab-1)(n-1); ], entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
CLCULOS:
Tabla 8. 11 Clasificacin de los Totales de Resistencia a la Ruptura por
Niveles de los Factores.
Totales para
Corriente
Alambres
1
2
3
Alambre
1
274 294 302
870
2
314 313 294
921
Totales para
Corriente
588 607 596
1791
FC =
17912
= 178204 .5
abn (2)(3)(3)
= y ijk2 FC
y ...2
SSTotal
287
1
y ij2. FC
n i j
1
SSTrt = 274 2 + 294 2 + L + 294 2 178204 .5 = 367.83
3
1
SS Alambre =
y i2.. FC
bn i
1
SS Alambre =
870 2 + 9212 178204.5 = 144.5
3(3)
1
SSCorriente =
y .2j . FC
an j
1
SSCorriente =
588 2 + 607 2 + 596 2 178204 .5 = 30.33
3(5)
SSInteracci n = SSTrt SS A SSB
SSInteracci n = 367 .83 144 .5 30.33 = 193 .0
SSTrt =
DECISIN:
i. Factor A
FA > 4.96, entonces rechazar la hiptesis nula.
ii. Factor B
FB > 4.10, entonces rechazar la hiptesis nula.
iii. Interaccin AxB
FAxB > 4.10, entonces rechazar la hiptesis nula.
288
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que el tipo de alambre y la
cantidad de corriente afectan la resistencia a la ruptura de la soldadura y que
existe interaccin entre estos dos factores, con un nivel de significancia del 5%.
En este caso la interaccin es significativa, por lo tanto los efectos principales
del tipo de alambre y cantidad de corriente no son aditivos, esto implica que el
anlisis post-anova se hace con los tratamientos directamente, no tiene caso
analizar los efectos de los factores o efectos principales, ya que los efectos son
multiplicativos. A continuacin se presenta la tabla de errores estndar y la
diferencia mnima significativa, con el valor t (10, 0.025 ) = 2.228 .
Tratamiento AB,
en mismo nivel de A
Tratamiento AB,
en mismo nivel de B
Tratamiento AB,
en diferentes nivel de A y B
y ij . y ih.
1.105
2.46
y ij . y hj .
1.105
2.46
y ij . y hk .
1.105
2.46
289
110
105
Alambre 1
Alambre 2
Medias
100
95
90
85
80
1
CORRIENTE
Interpretacin:
Dado que existe interaccin se procede a comparar los niveles del factor A
dentro de los niveles de B usando la DMS=2.46, al observar las medias de la
tabla 8.14, se puede concluir que las medias para los alambres son diferentes
entre si dentro de todos los niveles de corriente. De igual forma, las medias
para los niveles de corriente son diferentes entre s dentro de alambre tipo 1,
mientras que dentro del alambre tipo 2, las medias para los niveles de corriente
1 y 2 no son diferentes entres s, pero estas dos si son diferentes con respecto
a la media de nivel 3.
i = 1,K, a
j = 1,K, b
+ ijkl , Para
k = 1,K, c
l = 1,K, n
291
iii.
( )ij
= 0,
=0 y
=0 y
k = 0
( )ij
=0
( )ik = 0 y ( )ik = 0
i
( ) jk = 0 y ( ) jk = 0
j
iv.
2
iv. ( )ijk iid N(0, ABC
),
292
i = y i ... y ....
i = y . j .. y ....
k = y ..k . y ....
( )ij = y ij .. y i ... y . j .. + y ....
( )ik = y i .k . y i ... y ..k . + y ....
( ) jk = y . jk . y . j .. y ..k . + y ....
( ) jkl = y ijk . y ij .. y i .k . y . jk . + y i ... + y . j .. + y ..k . y ....
El estimador de 2 est dado por el CME, el cual se encuentra en la tabla de
Anova, cuya frmula est dada por:
293
CME =
a b c n
1
( y ijkl y ijkl )2
abc (n 1) i =1 j =1 k =1 l =1
294
y i ... = y ijkl ,
j =1 k =1 l =1
y . j .. = y ijkl ,
i = 1 k =1 l = 1
y ..k . = y ijk y
i =1 j =1 l =1
y .... = y ijkl .
i = 1 j =1 k = 1 l = 1
Donde: FC = y ....
abcn
2
SSTotal = y ijkl
FC
i
SSTrt =
1
2
y ijk
. FC
n i j k
SS A =
1
y i2... FC
bcn i
SSB =
1
y.2j .. FC
acn j
SS AxB =
1
y ij2.. FC SS A SSB
cn i j
295
SSC =
SS AxC
1
y ..2k . FC
abn k
1
=
y i2.k . FC SS A SSC
an i k
SSBxC =
1
y .2jk . FC SSB SSC
an j k
CMTrt =
SSTrt
acb 1
CM A = SS A
a 1
CM B = SSB
b 1
CM AxB = SS AxB
CMC =
SSC
(a 1)(b 1)
b 1
CM AxC =
SS AxC
CMBxC =
SSBxC
CM AxBxC =
CMError =
(a 1)(c 1)
(b 1)(c 1)
SS AxBxC
SSError
(a 1)(b 1)(c 1)
abc (n 1)
Ho: 1 = 2 = K = a = 0
Ha: Por lo menos un efecto del factor A es diferente de cero.
ii. Factor B
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto del factor B es diferente de cero.
iv. Factor C
Ho: 1 = 2 = K = c = 0
Ha: Por lo menos un efecto del factor B es diferente de cero.
v. Interaccin AxC
Ho: ( )ik = 0 para todo valor de i y k.
Ha: ( )ik 0 para algn valor de i y k.
vi. Interaccin BxC
Ho: ( ) jk = 0 para todo valor de j y k.
Ha: ( ) jk 0 para algn valor de j y k.
ESTADSTICO DE PRUEBA:
i. Factor A
CM A
FA =
~ F[( a 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1), abc ( n 1)] >FA].
ii. Factor B
CM B
FB =
~ F[( b 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( b 1), abc ( n 1)] >FB].
B
297
Factor B
y . j .. y .h..
2CMError acn
Factor C
y ..k . y ..k .
2CMError abn
299
Tratamiento ABC,
en diferentes nivel de A, B y C
y ijk . y hlm.
2CM Error n
Abc
Ejemplo 8.3: En un proceso de soldadura por termofusin donde dos piezas son
unidas, se cree que la presin con que se sujetan una contra la otra, el tiempo
de aplicacin de la corriente y la intensidad de sta, son factores que afectan la
calidad de la soldadura, la cual se mide con una prueba de ruptura, misma que
consiste en aplicarle fuerza para despegar las dos piezas y sta se registra
como la caracterstica de calidad del proceso. Se seleccionaron tres niveles de
cada uno de los factores y se llev a cabo un diseo experimental
completamente al azar. La tabla 8.21 muestra los resultados del experimento.
Hacer el anlisis de varianza y en caso necesario hacer el anlisis de la
interaccin y los factores con el procedimiento de DMS, con un nivel de
significancia del 5%.
Solucin:
HIPTESIS:
i. Factor A
Ho: 1 = 2 = K = a = 0
Ha: Por lo menos un efecto del factor A es diferente de cero.
ii. Factor B
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto del factor B es diferente de cero.
iii. Interaccin AxB
Ho: ( )ij = 0 para todo valor de i y j.
Ha: ( )ij 0 para algn valor de i y j.
iv. Factor C
Ho: 1 = 2 = K = c = 0
Ha: Por lo menos un efecto del factor B es diferente de cero.
v. Interaccin AxC
Ho: ( )ik = 0 para todo valor de i y k.
Ha: ( )ik 0 para algn valor de i y k.
vi. Interaccin BxC
Ho: ( ) jk = 0 para todo valor de j y k.
Ha: ( ) jk 0 para algn valor de j y k.
300
ESTADSTICO DE PRUEBA:
i. Factor A
CM A
FA =
~ F[( a 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1), abc ( n 1)] >FA].
ii. Factor B
CM B
FB =
~ F[( b 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( b 1), abc ( n 1)] >FB].
B
301
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
REGLA DE DECISIN:
En este caso slo se establece una regla de decisin general para todas
pruebas ya que es similar y repetitivo y es como sigue:
Si FC > F, entonces rechazar la hiptesis nula, de otra forma no rechazar
o Si el valor-p > , entonces rechazar la hiptesis nula, de otra forma no
rechazar.
CLCULOS:
Tabla 8. 22 Clasificacin de los Totales Marginales para lor Niveles de A y B
del Ejemplo 8.3.
Total de Niveles
Total del
Niveles del Factor A
del Factor B
Factor A
1
2
3
1
860 1074 1163
3097
2
897 1074 1014
2985
3
926 1064 999
2989
Totales de Niveles 2683 3212 3176
9071
del Factor B
Tabla 8. 23 Clasificacin de los Totales Marginales para lor Niveles de A y C
para el Ejemplo 8.3.
Total de Niveles
Total del
Niveles del Factor A
del Factor C
Factor A
1
2
3
1
1001 1058 1038
3097
2
1008 1022 955
2985
3
1020 1010 959
2989
Totales de Niveles 3029 3090 2952
9071
del Factor C
Tabla 8. 24 Clasificacin de los Totales Marginales para lor Niveles de B y C
para el Ejemplo 8.3.
Total de Niveles
Total del
Niveles del Factor B
del Factor C
Factor B
1
2
3
1
863 948 872
2683
2
1062 1064 1086
3212
3
1104 1078 994
3176
Totales de Niveles 3029 3090 2952
9071
del Factor C
FC = y ....
abcn
303
FC =
90712
= 1015840.0
3(3)(3)(3)
2
SSTotal = y ijkl
FC
1
272 2 + 307 2 + 2812 + L 283 2 1015840.0 = 11369.7
3
1
SS A =
y i2... FC
bcn i
1
SS A =
3097 2 + 2985 2 + 2989 2 1015840.0 = 299.1
3(3)(3)
1
SSB =
y .2j .. FC
acn j
SSTrt =
SSB =
SS AxB
1
2683 2 + 3212 2 + 3176 2 1015840 .0 = 6471.4
3(3)(3)
1
=
y ij2.. FC SSA SSB
cn i j
1
860 2 + 1074 2 + L + 999 2 1015840.0
3(3)
299.1 6471.4 = 1778.3
1
SSC =
y ..2k . FC
abn k
1
SSC =
3029 2 + 3090 2 + 2952 2 1015840 .0 = 354.2
3(3)(3)
1
SS AxC =
y i2.k . FC SS A SSC
an i k
1
SS AxC =
10012 + 1058 2 + L + 959 2 1015840.0
3(3)
299.1 354.2 = 347
1
SSBxC =
y .2jk . FC SSB SSC
an j k
SS AxB =
1
863 2 + 948 2 + L + 994 2 1015840.0
3(3)
6471.4 354.2 = 904.2
SS AxBxC = SSTrt SS AxB SS AxC SSBxC SS A SSB SSC
SSBxC =
304
un CA
Valorp
.000*
.380
.000*
.029*
.319
.685
.219
.447
305
DECISIN:
Para las hiptesis donde el Valor-p es menor de .05 son: Corriente y Tiempo x
Corriente, por lo tanto se rechazan las hiptesis nulas de estas dos fuentes de
variacin.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la intensidad de corriente
y la interaccin tiempo e intensidad de corriente afectan la resistencia a la
ruptura de la soldadura, con un nivel de significancia del 5%.
Ahora, procede analizar la interaccin de tiempo por corriente, se separan las
medias con los errores estndar que se muestran en la tabla 8.19, para
comparar las medias de los niveles del tiempo dentro de corriente y viceversa.
La grfica de la interaccin es importante ya que nos ayuda a visualizar dichas
comparaciones. A continuacin se presenta dicha grafica y los errores estndar
para la separacin de medias y las DMS con un valor t ( 54; 0.025 ) = 2.0 .
306
140
MEDIAS
130
120
Corriente 2
110
Corriente 3
Corriente 1
100
90
80
1
TIEMPO
307
Dentro de Corriente 2:
Las medias de todos los niveles de tiempo no son diferentes.
Dentro de Corriente 3:
Las medias de los niveles de tiempo 2 y 3 no son diferentes entre si, mientras
que stas son diferentes de la media del tiempo 1.
Con la informacin de la interaccin es posible seleccionar las mejores
condiciones de operacin para el proceso de soldadura de termofusin,
dependiendo si existe algn nivel dado de cualquiera de estos dos factores. Es
importante mencionar que cuando existe interaccin se debe seleccionar la
combinacin de niveles de los factores que forman parte de la interaccin.
308
i = 1,K, a
j = 1,K, b
, Para k = 1,K, c
M M
l = 1,K, n
ijk Ll , representa el error de la l-sima observacin del tratamiento del isimo nivel del factor A, j-simo nivel del factor B y k-simo nivel
del Factor C.
Los supuestos sobre el modelo para Efectos Fijos. Son que cada tratamiento
tiene una distribucin normal con varianza comn 2 y que las muestras son
independientes y obtenidas en forma aleatoria. Lo anterior se puede resumir en:
i. ijkl iid N(0, 2),
ii.
= 0,
=0 y
k = 0
309
iii.
( )ij
=0 y
( )ij
=0
( )ik = 0 y ( )ik = 0
i
( ) jk = 0 y ( ) jk = 0
j
.
iv.
2
iv. ( )ijk iid N(0, ABC
), ,
= y ....L =
n
1 a b c
L
y ijk Ll
abcn i =1 j =1 k =1 l =1
i = y i ...L y ....L
310
i = y . j ..L y ....L
k = y ..k .L y ....L
CME =
a b c
n
1
L ( y ijk Ll y ijk Ll )2
abc L (n 1) i =1 j =1 k =1 l =1
311
Ejercicios Propuestos
8.1
a1b1
21
19
25
18
22
Tratamientos
a1b2
a2b1
20
24
20
19
22
20
20
21
19
20
a2b2
20
20
20
20
19
a. Los datos proveen suficiente evidencia para decir que los factores y su
interaccin afectan la media de la variable de respuesta?
b. Cules son los supuestos para realizar las pruebas de hiptesis del inciso
a?
c. Realice un plan para llevar a cabo este experimento.
d. Estime ICS para la media de los niveles de los factores y de los
tratamientos.
8.2
Las maquinas del ejercicio 4.3 tiene una estructura de tratamientos factorial, la
cual se describe en la siguiente tabla.
Mquina
A
B
C
D
Descripcin
Marca FCL sin cmara de precalentado
Marca FCL con cmara de precalentado
Marca ISI sin cmara de precalentado
Marca ISI con cmara de precalentado
312
a. Los datos proveen suficiente evidencia para decir que los factores y su
interaccin afectan la media del colesterol en la sangres?
b. Cules son los supuestos para realizar las pruebas de hiptesis del inciso
a?
c. Grafique la interaccin y explquela.
d. Estime ICS para la media de los niveles de los factores y de los
tratamientos.
8.4
8.5
Catalizador B
Presin
Temperatura
20
25
20
25
180
94 95 93 91 90 92 92 93 91 95 93 92
210
96 97 96 95 93 94 94 93 92 96 97 95
313
a. Los datos proveen suficiente evidencia para decir que los factores y su
interaccin afectan la media del rendimiento del proceso qumico?
b. Cules son los supuestos para realizar las pruebas de hiptesis del inciso
a?
c. Analice la interaccin y explquela.
8.6
Lotes
I
II
III
IV
Mquina
A
B
C
D
A
94
95
93
94
Mquinas
B
C
D
87
82
92
85
81
94
87
83
95
92
85
96
Descripcin
Marca FCL sin cmara de precalentado
Marca FCL con cmara de precalentado
Marca ISI sin cmara de precalentado
Marca ISI con cmara de precalentado
a. Los datos proveen suficiente evidencia para decir que hay diferencia entre
la medias de los factores?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Realice las pruebas de DMS y DHS para los efectos significativos.
8.7
314
Soldadura A
Soldadura B
Colocacin
Velocidad
I
II
I
II
Alta
13 14 9 5 7 9 14 13 10 14 14 10
Baja
8 11 12 9 7 8 16 1719 11 13 12
a. Los datos proveen suficiente evidencia para declarar que la velocidad de
la mquina, la marca de soldadura, la colocacin y sus interacciones
produce medias diferentes de defectos?
b. Cul de los supuestos es ms probable que no se cumpla?
315
316
APNDICE
TABLAS
Tabla A-1
Tabla A-2
Distribucin t
Tabla A-3
Distribucin Chi-Cuadrada
Tabla A-4
Tabla A-5
Tabla A-6
Tabla A-7
Tabla A-8
Tabla A-9
Cuadros Latinos
Tabla A-10
Tabla A-11
Tabla A-13
Tabla A-14
Tabla A-12
318
A P N D I C E
TABLA A-1
Distribucin Normal Estndar
z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.000000
0.003989
0.007978
0.011967
0.015953
0.019939
0.023922
0.027903
0.031881
0.035856
0.1
0.039828
0.043795
0.047758
0.051717
0.055670
0.059618
0.063559
0.067495
0.071424
0.075345
0.2
0.079260
0.083166
0.087064
0.090954
0.094835
0.098706
0.102568
0.106420
0.110261
0.114092
0.3
0.117911
0.121719
0.125516
0.129300
0.133072
0.136831
0.140576
0.144309
0.148027
0.151732
0.4
0.155422
0.159097
0.162757
0.166402
0.170031
0.173645
0.177242
0.180822
0.184386
0.187933
0.5
0.191462
0.194974
0.198468
0.201944
0.205402
0.208840
0.212260
0.215661
0.219043
0.222405
0.6
0.225747
0.229069
0.232371
0.235653
0.238914
0.242154
0.245373
0.248571
0.251748
0.254903
0.7
0.258036
0.261148
0.264238
0.267305
0.270350
0.273373
0.276373
0.279350
0.282305
0.285236
0.8
0.288145
0.291030
0.293892
0.296731
0.299546
0.302338
0.305106
0.307850
0.310570
0.313267
0.9
0.315940
0.318589
0.321214
0.323814
0.326391
0.328944
0.331472
0.333977
0.336457
0.338913
0.341345
0.343752
0.346136
0.348495
0.350830
0.353141
0.355428
0.357690
0.359929
0.362143
1.1
0.364334
0.366500
0.368643
0.370762
0.372857
0.374928
0.376976
0.378999
0.381000
0.382977
1.2
0.384930
0.386860
0.388767
0.390651
0.392512
0.394350
0.396165
0.397958
0.399727
0.401475
1.3
0.403199
0.404902
0.406582
0.408241
0.409877
0.411492
0.413085
0.414656
0.416207
0.417736
1.4
0.419243
0.420730
0.422196
0.423641
0.425066
0.426471
0.427855
0.429219
0.430563
0.431888
1.5
0.433193
0.434478
0.435744
0.436992
0.438220
0.439429
0.440620
0.441792
0.442947
0.444083
1.6
0.445201
0.446301
0.447384
0.448449
0.449497
0.450529
0.451543
0.452540
0.453521
0.454486
1.7
0.455435
0.456367
0.457284
0.458185
0.459071
0.459941
0.460796
0.461636
0.462462
0.463273
1.8
0.464070
0.464852
0.465621
0.466375
0.467116
0.467843
0.468557
0.469258
0.469946
0.470621
1.9
0.471284
0.471933
0.472571
0.473197
0.473810
0.474412
0.475002
0.475581
0.476148
0.476705
0.477250
0.477784
0.478308
0.478822
0.479325
0.479818
0.480301
0.480774
0.481237
0.481691
2.1
0.482136
0.482571
0.482997
0.483414
0.483823
0.484222
0.484614
0.484997
0.485371
0.485738
2.2
0.486097
0.486447
0.486791
0.487126
0.487455
0.487776
0.488089
0.488396
0.488696
0.488989
2.3
0.489276
0.489556
0.489830
0.490097
0.490358
0.490613
0.490863
0.491106
0.491344
0.491576
2.4
0.491802
0.492024
0.492240
0.492451
0.492656
0.492857
0.493053
0.493244
0.493431
0.493613
2.5
0.493790
0.493963
0.494132
0.494297
0.494457
0.494614
0.494766
0.494915
0.495060
0.495201
2.6
0.495339
0.495473
0.495603
0.495731
0.495855
0.495975
0.496093
0.496207
0.496319
0.496427
2.7
0.496533
0.496636
0.496736
0.496833
0.496928
0.497020
0.497110
0.497197
0.497282
0.497365
2.8
0.497445
0.497523
0.497599
0.497673
0.497744
0.497814
0.497882
0.497948
0.498012
0.498074
2.9
0.498134
0.498193
0.498250
0.498305
0.498359
0.498411
0.498462
0.498511
0.498559
0.498605
0.498650
0.498694
0.498736
0.498777
0.498817
0.498856
0.498893
0.498930
0.498965
0.498999
3.1
0.499032
0.499064
0.499096
0.499126
0.499155
0.499184
0.499211
0.499238
0.499264
0.499289
3.2
0.499313
0.499336
0.499359
0.499381
0.499402
0.499423
0.499443
0.499462
0.499481
0.499499
3.3
0.499517
0.499533
0.499550
0.499566
0.499581
0.499596
0.499610
0.499624
0.499638
0.499650
3.4
0.499663
0.499675
0.499687
0.499698
0.499709
0.499720
0.499730
0.499740
0.499749
0.499758
3.5
0.499767
0.499776
0.499784
0.499792
0.499800
0.499807
0.499815
0.499821
0.499828
0.499835
3.6
0.499841
0.499847
0.499853
0.499858
0.499864
0.499869
0.499874
0.499879
0.499883
0.499888
3.7
0.499892
0.499896
0.499900
0.499904
0.499908
0.499912
0.499915
0.499918
0.499922
0.499925
3.8
0.499928
0.499930
0.499933
0.499936
0.499938
0.499941
0.499943
0.499946
0.499948
0.499950
3.9
0.499952
0.499954
0.499956
0.499958
0.499959
0.499961
0.499963
0.499964
0.499966
0.499967
0.499968
0.499970
0.499971
0.499972
0.499973
0.499974
0.499975
0.499976
0.499977
0.499978
4.1
0.499979
0.499980
0.499981
0.499982
0.499983
0.499983
0.499984
0.499985
0.499985
0.499986
4.2
0.499987
0.499987
0.499988
0.499988
0.499989
0.499989
0.499990
0.499990
0.499991
0.499991
4.3
0.499991
0.499992
0.499992
0.499993
0.499993
0.499993
0.499993
0.499994
0.499994
0.499994
4.4
0.499995
0.499995
0.499995
0.499995
0.499995
0.499996
0.499996
0.499996
0.499996
0.499996
4.5
0.499997
0.499997
0.499997
0.499997
0.499997
0.499997
0.499997
0.499998
0.499998
0.499998
319
TABLA A-2
Distribucin t
0.4
0.25
0.1
0.05
0.025
0.01
0.005
0.0025
0.001
0.0005
0.324919
1.000001
3.077685
6.313749
12.706150
31.820964
63.655898
127.321109
318.288803
636.577606
0.288675
0.816497
1.885619
2.919987
4.302656
6.964547
9.924988
14.089164
22.328459
31.599775
0.276671
0.764892
1.637745
2.353363
3.182449
4.540707
5.840848
7.453200
10.214280
12.924429
0.270722
0.740697
1.533206
2.131846
2.776451
3.746936
4.604080
5.597540
7.172930
8.610077
0.267181
0.726687
1.475885
2.015049
2.570578
3.364930
4.032117
4.773319
5.893526
6.868504
0.264835
0.717558
1.439755
1.943181
2.446914
3.142668
3.707428
4.316826
5.207548
5.958718
0.263167
0.711142
1.414924
1.894578
2.364623
2.997949
3.499481
4.029353
4.785252
5.408074
0.261921
0.706386
1.396816
1.859548
2.306006
2.896468
3.355381
3.832538
4.500762
5.041366
0.260956
0.702722
1.383029
1.833114
2.262159
2.821434
3.249843
3.689638
4.296890
4.780886
10
0.260185
0.699812
1.372184
1.812462
2.228139
2.763772
3.169262
3.581372
4.143658
4.586764
11
0.259556
0.697445
1.363430
1.795884
2.200986
2.718079
3.105815
3.496607
4.024769
4.436879
12
0.259033
0.695483
1.356218
1.782287
2.178813
2.680990
3.054538
3.428431
3.929599
4.317844
13
0.258591
0.693830
1.350172
1.770932
2.160368
2.650304
3.012283
3.372479
3.852037
4.220929
14
0.258212
0.692417
1.345031
1.761309
2.144789
2.624492
2.976849
3.325695
3.787427
4.140311
15
0.257885
0.691197
1.340605
1.753051
2.131451
2.602483
2.946726
3.286041
3.732857
4.072790
16
0.257599
0.690133
1.336757
1.745884
2.119905
2.583492
2.920788
3.251989
3.686146
4.014873
17
0.257347
0.689195
1.333379
1.739606
2.109819
2.566940
2.898232
3.222449
3.645764
3.965106
18
0.257123
0.688364
1.330391
1.734063
2.100924
2.552379
2.878442
3.196583
3.610476
3.921741
19
0.256923
0.687621
1.327728
1.729131
2.093025
2.539482
2.860943
3.173700
3.579335
3.883324
20
0.256742
0.686954
1.325341
1.724718
2.085962
2.527977
2.845336
3.153400
3.551831
3.849564
21
0.256580
0.686352
1.323187
1.720744
2.079614
2.517645
2.831366
3.135210
3.527093
3.819296
22
0.256432
0.685805
1.321237
1.717144
2.073875
2.508323
2.818761
3.118839
3.504974
3.792229
23
0.256297
0.685307
1.319461
1.713870
2.068655
2.499874
2.807337
3.103996
3.484965
3.767636
24
0.256173
0.684850
1.317835
1.710882
2.063898
2.492161
2.796951
3.090536
3.466776
3.745372
25
0.256060
0.684430
1.316346
1.708140
2.059537
2.485103
2.787438
3.078203
3.450186
3.725145
26
0.255955
0.684043
1.314972
1.705616
2.055531
2.478628
2.778725
3.066889
3.434980
3.706664
27
0.255858
0.683685
1.313704
1.703288
2.051829
2.472661
2.770685
3.056521
3.421010
3.689493
28
0.255768
0.683353
1.312526
1.701130
2.048409
2.467141
2.763263
3.046953
3.408204
3.673922
29
0.255684
0.683044
1.311435
1.699127
2.045231
2.462020
2.756387
3.038040
3.396271
3.659516
30
0.255606
0.682755
1.310416
1.697260
2.042270
2.457264
2.749985
3.029782
3.385212
3.645982
31
0.255532
0.682486
1.309463
1.695519
2.039515
2.452825
2.744036
3.022105
3.374880
3.633468
32
0.255463
0.682234
1.308573
1.693888
2.036932
2.448678
2.738489
3.014939
3.365276
3.621826
33
0.255399
0.681997
1.307737
1.692360
2.034517
2.444795
2.733286
3.008245
3.356326
3.610912
34
0.255338
0.681774
1.306951
1.690923
2.032243
2.441147
2.728393
3.001951
3.347959
3.600726
35
0.255282
0.681564
1.306212
1.689573
2.030110
2.437719
2.723809
2.996057
3.340028
3.591122
40
0.255039
0.680673
1.303076
1.683852
2.021075
2.423258
2.704455
2.971174
3.306923
3.550958
50
0.254699
0.679428
1.298713
1.675905
2.008560
2.403267
2.677789
2.936977
3.261375
3.495952
60
0.254473
0.678601
1.295821
1.670649
2.000297
2.390116
2.660272
2.914567
3.231689
3.460154
80
0.254191
0.677569
1.292224
1.664125
1.990065
2.373872
2.638699
2.886954
3.195237
3.416353
120
0.253909
0.676540
1.288646
1.657650
1.979929
2.357829
2.617417
2.859852
3.159512
3.373425
320
TABLA A-3
Distribucin Chi-Cuadrada
0.995
0.990
0.975
0.950
0.800
0.750
0.600
0.500
0.050
0.025
0.010
0.005
0.000039
0.000157
0.000982
0.003932
0.064185
0.101531
0.274996
0.454936
3.841455
5.023903
6.634891
7.879400
0.010025
0.020100
0.050636
0.102586
0.446287
0.575364
1.021651
1.386294
5.991476
7.377779
9.210351
10.596530
0.071723
0.114832
0.215795
0.351846
1.005173
1.212532
1.869168
2.365973
7.814725
9.348404
11.344882
12.838073
0.206984
0.297107
0.484419
0.710724
1.648776
1.922558
2.752842
3.356695
9.487728
11.143262
13.276699
14.860166
0.411751
0.554297
0.831209
1.145477
2.342532
2.674604
3.655501
4.351459
11.070483
12.832492
15.086317
16.749648
0.675733
0.872083
1.237342
1.635380
3.070088
3.454598
4.570153
5.348119
12.591577
14.449355
16.811872
18.547513
0.989251
1.239032
1.689864
2.167349
3.822320
4.254852
5.493235
6.345809
14.067127
16.012774
18.475324
20.277738
1.344403
1.646506
2.179725
2.732633
4.593572
5.070642
6.422644
7.344120
15.507312
17.534545
20.090159
21.954861
1.734911
2.087889
2.700389
3.325115
5.380055
5.898823
7.357032
8.342832
16.918960
19.022778
21.666048
23.589275
10
2.155845
2.558199
3.246963
3.940295
6.179076
6.737199
8.295475
9.341816
18.307029
20.483201
23.209287
25.188055
11
2.603202
3.053496
3.815742
4.574809
6.988672
7.584145
9.237288
10.340996
19.675153
21.920023
24.725022
26.756864
12
3.073785
3.570551
4.403778
5.226028
7.807329
8.438419
10.181970
11.340322
21.026055
23.336660
26.216964
28.299660
13
3.565042
4.106900
5.008738
5.891861
8.633863
9.299063
11.129138
12.339753
22.362027
24.735581
27.688184
29.819318
14
4.074659
4.660415
5.628724
6.570632
9.467329
10.165311
12.078481
13.339272
23.684782
26.118935
29.141163
31.319425
15
4.600874
5.229356
6.262123
7.260935
10.306958
11.036538
13.029752
14.338857
24.995797
27.488365
30.577951
32.801491
16
5.142164
5.812197
6.907664
7.961639
11.152119
11.912217
13.982735
15.338497
26.296221
28.845325
31.999861
34.267053
17
5.697274
6.407742
7.564179
8.671754
12.002263
12.791925
14.937271
16.338179
27.587100
30.190983
33.408717
35.718378
18
6.264766
7.014903
8.230737
9.390448
12.856951
13.675291
15.893214
17.337902
28.869321
31.526410
34.805237
37.156386
19
6.843923
7.632698
8.906514
10.117006
13.715785
14.561998
16.850436
18.337650
30.143505
32.852337
36.190775
38.582122
20
7.433811
8.260368
9.590772
10.850799
14.578441
15.451775
17.808829
19.337430
31.410420
34.169581
37.566272
39.996856
21
8.033602
8.897172
10.282907
11.591316
15.444613
16.344387
18.768307
20.337228
32.670558
35.478856
38.932232
41.400943
22
8.642681
9.542494
10.982330
12.338009
16.314039
17.239618
19.728796
21.337044
33.924460
36.780678
40.289448
42.795664
23
9.260383
10.195689
11.688534
13.090505
17.186502
18.137294
20.690202
22.336880
35.172460
38.075609
41.638334
44.181385
24
9.886199
10.856349
12.401146
13.848422
18.061800
19.037250
21.652485
23.336730
36.415026
39.364060
42.979781
45.558363
25
10.519647
11.523951
13.119707
14.611396
18.939750
19.939338
22.615577
24.336584
37.652489
40.646498
44.314014
46.927966
26
11.160218
12.198177
13.843881
15.379163
19.820189
20.843435
23.579432
25.336458
38.885130
41.923138
45.641636
48.289777
27
11.807655
12.878468
14.573373
16.151395
20.702977
21.749404
24.544003
26.336341
40.113266
43.194521
46.962837
49.645035
28
12.461281
13.564666
15.307854
16.927876
21.587968
22.657157
25.509247
27.336232
41.337152
44.460790
48.278166
50.993559
29
13.121067
14.256406
16.047051
17.708381
22.475052
23.566588
26.475137
28.336130
42.556948
45.722279
49.587829
52.335495
30
13.786682
14.953464
16.790756
18.492667
23.364113
24.477603
27.441619
29.336028
43.772954
46.979218
50.892181
53.671868
31
14.457736
15.655467
17.538716
19.280563
24.255058
25.390137
28.408683
30.335945
44.985337
48.231922
52.191354
55.002482
32
15.134018
16.362203
18.290791
20.071913
25.147782
26.304110
29.376291
31.335857
46.194241
49.480435
53.485658
56.327992
33
15.815180
17.073480
19.046663
20.866519
26.042212
27.219437
30.344407
32.335786
47.399899
50.725099
54.775447
57.648309
34
16.501299
17.789104
19.806237
21.664276
26.938267
28.136077
31.313024
33.335705
48.602356
51.966022
56.060852
58.963709
35
17.191729
18.508870
20.569380
22.465009
27.835876
29.053959
32.282113
34.335635
49.801832
53.203308
57.341988
60.274592
40
20.706577
22.164201
24.433058
26.509296
32.344948
33.660288
37.133965
39.335341
55.758487
59.341679
63.690771
66.766047
50
27.990825
29.706725
32.357385
34.764236
41.449206
42.942082
46.863784
49.334941
67.504805
71.420194
76.153802
79.489839
60
35.534397
37.484796
40.481707
43.187966
50.640618
52.293810
56.619999
59.334668
79.081954
83.297706
88.379430
91.951806
80
51.171933
53.539983
57.153152
60.391459
69.206951
71.144505
76.187927
79.334325
101.879472
106.628542
112.328791
116.320928
100
67.327533
70.064995
74.221882
77.929442
87.945329
90.133225
95.807846
99.334130
124.342101
129.561252
135.806891
140.169714
120
83.851714
86.923311
91.572601
95.704619
106.805613
109.219664
115.464558
119.334000
146.567312
152.211332
158.950032
163.648477
321
TABLA A-4
Distribucin F0.10,1,2
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
39.8636
49.5002
53.5933
55.8330
57.2400
58.2045
58.9062
59.4391
59.8575
60.1949
60.4728
60.7051
60.9025
61.0726
61.2204
61.3500
61.4646
61.5664
61.6578
61.7401
62.2649
62.7942
62.9270
63.0607
8.5263
9.0000
9.1618
9.2434
9.2926
9.3255
9.3491
9.3668
9.3805
9.3916
9.4006
9.4082
9.4145
9.4200
9.4247
9.4288
9.4325
9.4358
9.4387
9.4413
9.4579
9.4745
9.4788
9.4829
5.5383
5.4624
5.3908
5.3427
5.3091
5.2847
5.2662
5.2517
5.2400
5.2304
5.2224
5.2156
5.2098
5.2047
5.2003
5.1964
5.1929
5.1898
5.1870
5.1845
5.1681
5.1512
5.1469
5.1425
4.5448
4.3246
4.1909
4.1072
4.0506
4.0097
3.9790
3.9549
3.9357
3.9199
3.9067
3.8955
3.8859
3.8776
3.8704
3.8639
3.8582
3.8531
3.8485
3.8443
3.8174
3.7896
3.7824
3.7753
4.0604
3.7797
3.6195
3.5202
3.4530
3.4045
3.3679
3.3393
3.3163
3.2974
3.2816
3.2682
3.2567
3.2468
3.2380
3.2303
3.2234
3.2172
3.2117
3.2067
3.1741
3.1402
3.1316
3.1228
3.7760
3.4633
3.2888
3.1808
3.1075
3.0546
3.0145
2.9830
2.9577
2.9369
2.9195
2.9047
2.8920
2.8809
2.8712
2.8626
2.8550
2.8481
2.8419
2.8363
2.8000
2.7620
2.7522
2.7423
3.5894
3.2574
3.0741
2.9605
2.8833
2.8274
2.7849
2.7516
2.7247
2.7025
2.6839
2.6681
2.6545
2.6426
2.6322
2.6230
2.6148
2.6074
2.6008
2.5947
2.5555
2.5142
2.5036
2.4928
3.4579
3.1131
2.9238
2.8064
2.7264
2.6683
2.6241
2.5893
2.5612
2.5380
2.5186
2.5020
2.4876
2.4752
2.4642
2.4545
2.4458
2.4380
2.4310
2.4246
2.3830
2.3391
2.3277
2.3162
3.3603
3.0064
2.8129
2.6927
2.6106
2.5509
2.5053
2.4694
2.4403
2.4163
2.3961
2.3789
2.3640
2.3510
2.3396
2.3295
2.3205
2.3123
2.3050
2.2983
2.2547
2.2085
2.1965
2.1843
10
3.2850
2.9245
2.7277
2.6053
2.5216
2.4606
2.4140
2.3771
2.3473
2.3226
2.3018
2.2841
2.2687
2.2553
2.2435
2.2330
2.2237
2.2153
2.2077
2.2007
2.1554
2.1072
2.0946
2.0818
11
3.2252
2.8595
2.6602
2.5362
2.4512
2.3891
2.3416
2.3040
2.2735
2.2482
2.2269
2.2087
2.1930
2.1792
2.1671
2.1563
2.1467
2.1380
2.1302
2.1230
2.0762
2.0261
2.0130
1.9997
12
3.1766
2.8068
2.6055
2.4801
2.3940
2.3310
2.2828
2.2446
2.2135
2.1878
2.1660
2.1474
2.1313
2.1173
2.1049
2.0938
2.0839
2.0750
2.0670
2.0597
2.0115
1.9597
1.9461
1.9323
13
3.1362
2.7632
2.5603
2.4337
2.3467
2.2830
2.2341
2.1953
2.1638
2.1376
2.1155
2.0966
2.0802
2.0658
2.0532
2.0419
2.0318
2.0227
2.0145
2.0070
1.9576
1.9043
1.8903
1.8759
14
3.1022
2.7265
2.5222
2.3947
2.3069
2.2426
2.1931
2.1539
2.1220
2.0954
2.0730
2.0537
2.0370
2.0224
2.0095
1.9981
1.9878
1.9785
1.9701
1.9625
1.9119
1.8572
1.8428
1.8280
15
3.0732
2.6952
2.4898
2.3614
2.2730
2.2081
2.1582
2.1185
2.0862
2.0593
2.0366
2.0171
2.0001
1.9853
1.9722
1.9605
1.9501
1.9407
1.9321
1.9243
1.8728
1.8168
1.8019
1.7867
16
3.0481
2.6682
2.4618
2.3327
2.2438
2.1783
2.1280
2.0880
2.0553
2.0281
2.0051
1.9854
1.9682
1.9532
1.9399
1.9281
1.9175
1.9079
1.8992
1.8913
1.8388
1.7816
1.7664
1.7507
17
3.0262
2.6446
2.4374
2.3077
2.2183
2.1524
2.1017
2.0613
2.0284
2.0009
1.9777
1.9577
1.9404
1.9252
1.9117
1.8997
1.8889
1.8792
1.8704
1.8624
1.8090
1.7506
1.7351
1.7191
18
3.0070
2.6239
2.4160
2.2858
2.1958
2.1296
2.0785
2.0379
2.0047
1.9770
1.9535
1.9333
1.9158
1.9004
1.8868
1.8747
1.8638
1.8539
1.8450
1.8368
1.7827
1.7232
1.7073
1.6910
19
2.9899
2.6056
2.3970
2.2663
2.1760
2.1094
2.0580
2.0171
1.9836
1.9557
1.9321
1.9117
1.8940
1.8785
1.8647
1.8524
1.8414
1.8314
1.8224
1.8142
1.7592
1.6988
1.6826
1.6659
20
2.9747
2.5893
2.3801
2.2489
2.1582
2.0913
2.0397
1.9985
1.9649
1.9367
1.9129
1.8924
1.8745
1.8588
1.8449
1.8325
1.8214
1.8113
1.8022
1.7938
1.7382
1.6768
1.6603
1.6433
21
2.9610
2.5746
2.3649
2.2333
2.1423
2.0751
2.0233
1.9819
1.9480
1.9197
1.8956
1.8750
1.8570
1.8412
1.8271
1.8146
1.8034
1.7932
1.7840
1.7756
1.7193
1.6569
1.6401
1.6228
22
2.9486
2.5613
2.3512
2.2193
2.1279
2.0605
2.0084
1.9668
1.9327
1.9043
1.8801
1.8593
1.8411
1.8252
1.8111
1.7984
1.7871
1.7768
1.7675
1.7590
1.7021
1.6389
1.6218
1.6041
23
2.9374
2.5493
2.3387
2.2065
2.1149
2.0472
1.9949
1.9531
1.9189
1.8903
1.8659
1.8450
1.8267
1.8107
1.7964
1.7837
1.7723
1.7619
1.7525
1.7439
1.6864
1.6224
1.6051
1.5871
24
2.9271
2.5383
2.3274
2.1949
2.1030
2.0351
1.9826
1.9407
1.9063
1.8775
1.8530
1.8319
1.8136
1.7974
1.7831
1.7703
1.7587
1.7483
1.7388
1.7302
1.6721
1.6073
1.5897
1.5715
25
2.9177
2.5283
2.3170
2.1842
2.0922
2.0241
1.9714
1.9292
1.8947
1.8658
1.8412
1.8200
1.8015
1.7853
1.7708
1.7579
1.7463
1.7358
1.7263
1.7175
1.6589
1.5933
1.5755
1.5570
26
2.9091
2.5191
2.3075
2.1745
2.0822
2.0139
1.9610
1.9188
1.8841
1.8550
1.8303
1.8090
1.7904
1.7741
1.7596
1.7466
1.7349
1.7243
1.7147
1.7059
1.6468
1.5805
1.5625
1.5437
27
2.9012
2.5106
2.2987
2.1655
2.0730
2.0045
1.9515
1.9091
1.8743
1.8451
1.8203
1.7989
1.7802
1.7638
1.7492
1.7361
1.7243
1.7137
1.7040
1.6951
1.6356
1.5686
1.5503
1.5313
28
2.8938
2.5028
2.2906
2.1571
2.0645
1.9959
1.9427
1.9001
1.8652
1.8359
1.8110
1.7895
1.7708
1.7542
1.7395
1.7264
1.7146
1.7039
1.6941
1.6852
1.6252
1.5575
1.5390
1.5198
29
2.8870
2.4955
2.2831
2.1494
2.0566
1.9878
1.9345
1.8918
1.8568
1.8274
1.8024
1.7808
1.7620
1.7454
1.7306
1.7174
1.7055
1.6947
1.6849
1.6759
1.6155
1.5472
1.5285
1.5090
30
2.8807
2.4887
2.2761
2.1422
2.0492
1.9803
1.9269
1.8841
1.8490
1.8195
1.7944
1.7727
1.7538
1.7371
1.7223
1.7090
1.6970
1.6862
1.6763
1.6673
1.6065
1.5376
1.5187
1.4989
31
2.8748
2.4824
2.2695
2.1355
2.0424
1.9734
1.9198
1.8769
1.8417
1.8121
1.7869
1.7651
1.7461
1.7294
1.7145
1.7012
1.6891
1.6783
1.6683
1.6593
1.5980
1.5285
1.5094
1.4895
32
2.8693
2.4765
2.2635
2.1293
2.0360
1.9668
1.9132
1.8702
1.8348
1.8052
1.7799
1.7581
1.7390
1.7222
1.7072
1.6938
1.6818
1.6708
1.6608
1.6517
1.5901
1.5201
1.5008
1.4806
33
2.8641
2.4710
2.2577
2.1234
2.0300
1.9607
1.9070
1.8639
1.8284
1.7987
1.7733
1.7514
1.7323
1.7154
1.7004
1.6869
1.6748
1.6638
1.6538
1.6446
1.5827
1.5121
1.4926
1.4722
34
2.8592
2.4658
2.2524
2.1179
2.0244
1.9550
1.9012
1.8580
1.8224
1.7926
1.7672
1.7452
1.7260
1.7091
1.6940
1.6805
1.6683
1.6573
1.6472
1.6380
1.5757
1.5046
1.4849
1.4643
35
2.8547
2.4609
2.2474
2.1128
2.0191
1.9496
1.8957
1.8524
1.8168
1.7869
1.7614
1.7394
1.7201
1.7031
1.6880
1.6744
1.6622
1.6511
1.6410
1.6317
1.5691
1.4975
1.4776
1.4568
36
2.8503
2.4563
2.2426
2.1079
2.0141
1.9445
1.8905
1.8471
1.8115
1.7815
1.7559
1.7338
1.7145
1.6974
1.6823
1.6687
1.6564
1.6453
1.6351
1.6258
1.5629
1.4908
1.4707
1.4497
37
2.8463
2.4520
2.2381
2.1033
2.0095
1.9398
1.8856
1.8422
1.8064
1.7764
1.7508
1.7286
1.7092
1.6921
1.6769
1.6632
1.6509
1.6397
1.6296
1.6202
1.5570
1.4844
1.4642
1.4430
38
2.8424
2.4479
2.2339
2.0990
2.0050
1.9352
1.8810
1.8375
1.8017
1.7716
1.7459
1.7237
1.7042
1.6871
1.6718
1.6581
1.6457
1.6345
1.6243
1.6149
1.5514
1.4784
1.4580
1.4366
39
2.8388
2.4440
2.2299
2.0948
2.0008
1.9309
1.8767
1.8331
1.7972
1.7670
1.7413
1.7190
1.6995
1.6823
1.6670
1.6532
1.6408
1.6296
1.6193
1.6099
1.5461
1.4726
1.4521
1.4305
40
2.8353
2.4404
2.2261
2.0909
1.9968
1.9269
1.8725
1.8289
1.7929
1.7627
1.7369
1.7146
1.6950
1.6778
1.6624
1.6486
1.6362
1.6249
1.6146
1.6052
1.5411
1.4672
1.4465
1.4248
50
2.8087
2.4120
2.1967
2.0608
1.9660
1.8954
1.8405
1.7963
1.7598
1.7291
1.7029
1.6802
1.6602
1.6426
1.6269
1.6128
1.6000
1.5884
1.5778
1.5681
1.5018
1.4242
1.4023
1.3789
80
2.7693
2.3702
2.1535
2.0165
1.9206
1.8491
1.7933
1.7483
1.7110
1.6796
1.6526
1.6292
1.6086
1.5904
1.5741
1.5594
1.5461
1.5340
1.5230
1.5128
1.4426
1.3583
1.3337
1.3071
120
2.7478
2.3473
2.1300
1.9923
1.8959
1.8238
1.7675
1.7220
1.6842
1.6524
1.6250
1.6012
1.5803
1.5617
1.5450
1.5300
1.5164
1.5039
1.4926
1.4821
1.4094
1.3203
1.2938
1.2646
322
TABLA A-5
Distribucin F0.05,1,2
GRADOS DE LIBERTAD DEL NUMERADOR 1
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
161.4462 199.4995 215.7067 224.5833 230.1604 233.9875 236.7669 238.8842 240.5432 241.8819 242.9806 243.9047 244.6905 245.3635 245.9492 246.4658 246.9169 247.3244 247.6881 248.0156 250.0965 252.1956 252.7231 253.2543
18.5128
19.0000
19.1642
19.2467
19.2963
19.3295
19.3531
19.3709
19.3847
19.3959
19.4050
19.4125
19.4188
19.4243
19.4291
19.4332
19.4370
19.4402
19.4432
19.4457
19.4625
19.4791
19.4832
19.4873
10.1280
9.5521
9.2766
9.1172
9.0134
8.9407
8.8867
8.8452
8.8123
8.7855
8.7633
8.7447
8.7286
8.7149
8.7028
8.6923
8.6829
8.6745
8.6670
8.6602
8.6166
8.5720
8.5607
8.5494
7.7086
6.9443
6.5914
6.3882
6.2561
6.1631
6.0942
6.0410
5.9988
5.9644
5.9358
5.9117
5.8911
5.8733
5.8578
5.8441
5.8320
5.8211
5.8114
5.8025
5.7459
5.6878
5.6730
5.6581
6.6079
5.7861
5.4094
5.1922
5.0503
4.9503
4.8759
4.8183
4.7725
4.7351
4.7040
4.6777
4.6552
4.6358
4.6188
4.6038
4.5904
4.5785
4.5678
4.5581
4.4957
4.4314
4.4150
4.3985
5.9874
5.1432
4.7571
4.5337
4.3874
4.2839
4.2067
4.1468
4.0990
4.0600
4.0274
3.9999
3.9764
3.9559
3.9381
3.9223
3.9083
3.8957
3.8844
3.8742
3.8082
3.7398
3.7223
3.7047
5.5915
4.7374
4.3468
4.1203
3.9715
3.8660
3.7871
3.7257
3.6767
3.6365
3.6030
3.5747
3.5503
3.5292
3.5107
3.4944
3.4799
3.4669
3.4551
3.4445
3.3758
3.3043
3.2860
3.2674
5.3176
4.4590
4.0662
3.8379
3.6875
3.5806
3.5005
3.4381
3.3881
3.3472
3.3129
3.2839
3.2590
3.2374
3.2184
3.2016
3.1867
3.1733
3.1612
3.1503
3.0794
3.0053
2.9862
2.9669
5.1174
4.2565
3.8625
3.6331
3.4817
3.3738
3.2927
3.2296
3.1789
3.1373
3.1025
3.0729
3.0475
3.0255
3.0061
2.9890
2.9737
2.9600
2.9477
2.9365
2.8637
2.7872
2.7675
2.7475
10
4.9646
4.1028
3.7083
3.4780
3.3258
3.2172
3.1355
3.0717
3.0204
2.9782
2.9430
2.9130
2.8872
2.8647
2.8450
2.8276
2.8120
2.7980
2.7854
2.7740
2.6996
2.6211
2.6008
2.5801
11
4.8443
3.9823
3.5874
3.3567
3.2039
3.0946
3.0123
2.9480
2.8962
2.8536
2.8179
2.7876
2.7614
2.7386
2.7186
2.7009
2.6851
2.6709
2.6581
2.6464
2.5705
2.4901
2.4692
2.4480
12
4.7472
3.8853
3.4903
3.2592
3.1059
2.9961
2.9134
2.8486
2.7964
2.7534
2.7173
2.6866
2.6602
2.6371
2.6169
2.5989
2.5828
2.5684
2.5554
2.5436
2.4663
2.3842
2.3628
2.3410
13
4.6672
3.8056
3.4105
3.1791
3.0254
2.9153
2.8321
2.7669
2.7144
2.6710
2.6346
2.6037
2.5769
2.5536
2.5331
2.5149
2.4987
2.4841
2.4709
2.4589
2.3803
2.2966
2.2747
2.2524
14
4.6001
3.7389
3.3439
3.1122
2.9582
2.8477
2.7642
2.6987
2.6458
2.6022
2.5655
2.5342
2.5073
2.4837
2.4630
2.4446
2.4282
2.4134
2.4000
2.3879
2.3082
2.2229
2.2006
2.1778
15
4.5431
3.6823
3.2874
3.0556
2.9013
2.7905
2.7066
2.6408
2.5876
2.5437
2.5068
2.4753
2.4481
2.4244
2.4034
2.3849
2.3683
2.3533
2.3398
2.3275
2.2468
2.1601
2.1373
2.1141
16
4.4940
3.6337
3.2389
3.0069
2.8524
2.7413
2.6572
2.5911
2.5377
2.4935
2.4564
2.4247
2.3973
2.3733
2.3522
2.3335
2.3167
2.3016
2.2880
2.2756
2.1938
2.1058
2.0826
2.0589
17
4.4513
3.5915
3.1968
2.9647
2.8100
2.6987
2.6143
2.5480
2.4943
2.4499
2.4126
2.3807
2.3531
2.3290
2.3077
2.2888
2.2719
2.2567
2.2429
2.2304
2.1477
2.0584
2.0348
2.0107
18
4.4139
3.5546
3.1599
2.9277
2.7729
2.6613
2.5767
2.5102
2.4563
2.4117
2.3742
2.3421
2.3143
2.2900
2.2686
2.2496
2.2325
2.2172
2.2033
2.1906
2.1071
2.0166
1.9927
1.9681
19
4.3808
3.5219
3.1274
2.8951
2.7401
2.6283
2.5435
2.4768
2.4227
2.3779
2.3402
2.3080
2.2800
2.2556
2.2341
2.2149
2.1977
2.1823
2.1682
2.1555
2.0712
1.9795
1.9552
1.9302
20
4.3513
3.4928
3.0984
2.8661
2.7109
2.5990
2.5140
2.4471
2.3928
2.3479
2.3100
2.2776
2.2495
2.2250
2.2033
2.1840
2.1667
2.1511
2.1370
2.1242
2.0391
1.9464
1.9217
1.8963
21
4.3248
3.4668
3.0725
2.8401
2.6848
2.5727
2.4876
2.4205
2.3661
2.3210
2.2829
2.2504
2.2222
2.1975
2.1757
2.1563
2.1389
2.1232
2.1090
2.0960
2.0102
1.9165
1.8915
1.8657
22
4.3009
3.4434
3.0491
2.8167
2.6613
2.5491
2.4638
2.3965
2.3419
2.2967
2.2585
2.2258
2.1975
2.1727
2.1508
2.1313
2.1138
2.0980
2.0837
2.0707
1.9842
1.8894
1.8641
1.8380
23
4.2793
3.4221
3.0280
2.7955
2.6400
2.5277
2.4422
2.3748
2.3201
2.2747
2.2364
2.2036
2.1752
2.1502
2.1282
2.1086
2.0910
2.0751
2.0608
2.0476
1.9605
1.8648
1.8392
1.8128
24
4.2597
3.4028
3.0088
2.7763
2.6207
2.5082
2.4226
2.3551
2.3002
2.2547
2.2163
2.1834
2.1548
2.1298
2.1077
2.0880
2.0703
2.0543
2.0399
2.0267
1.9390
1.8424
1.8164
1.7896
25
4.2417
3.3852
2.9912
2.7587
2.6030
2.4904
2.4047
2.3371
2.2821
2.2365
2.1979
2.1649
2.1362
2.1111
2.0889
2.0691
2.0513
2.0353
2.0207
2.0075
1.9192
1.8217
1.7955
1.7684
26
4.2252
3.3690
2.9752
2.7426
2.5868
2.4741
2.3883
2.3205
2.2655
2.2197
2.1811
2.1479
2.1192
2.0939
2.0716
2.0518
2.0339
2.0178
2.0032
1.9898
1.9010
1.8027
1.7762
1.7488
27
4.2100
3.3541
2.9603
2.7278
2.5719
2.4591
2.3732
2.3053
2.2501
2.2043
2.1655
2.1323
2.1034
2.0781
2.0558
2.0358
2.0179
2.0017
1.9870
1.9736
1.8842
1.7851
1.7584
1.7307
28
4.1960
3.3404
2.9467
2.7141
2.5581
2.4453
2.3593
2.2913
2.2360
2.1900
2.1512
2.1179
2.0889
2.0635
2.0411
2.0210
2.0030
1.9868
1.9720
1.9586
1.8687
1.7689
1.7418
1.7138
29
4.1830
3.3277
2.9340
2.7014
2.5454
2.4324
2.3463
2.2782
2.2229
2.1768
2.1379
2.1045
2.0755
2.0500
2.0275
2.0073
1.9893
1.9730
1.9581
1.9446
1.8543
1.7537
1.7264
1.6981
30
4.1709
3.3158
2.9223
2.6896
2.5336
2.4205
2.3343
2.2662
2.2107
2.1646
2.1256
2.0921
2.0630
2.0374
2.0148
1.9946
1.9765
1.9601
1.9452
1.9317
1.8409
1.7396
1.7121
1.6835
31
4.1596
3.3048
2.9113
2.6787
2.5225
2.4094
2.3232
2.2549
2.1994
2.1532
2.1141
2.0805
2.0513
2.0257
2.0030
1.9828
1.9646
1.9481
1.9332
1.9196
1.8283
1.7264
1.6986
1.6697
32
4.1491
3.2945
2.9011
2.6684
2.5123
2.3991
2.3127
2.2444
2.1888
2.1425
2.1033
2.0697
2.0404
2.0147
1.9920
1.9717
1.9534
1.9369
1.9219
1.9083
1.8166
1.7140
1.6860
1.6569
33
4.1393
3.2849
2.8916
2.6589
2.5026
2.3894
2.3030
2.2346
2.1789
2.1325
2.0933
2.0595
2.0302
2.0045
1.9817
1.9613
1.9430
1.9264
1.9114
1.8977
1.8056
1.7024
1.6742
1.6448
34
4.1300
3.2759
2.8826
2.6499
2.4936
2.3803
2.2938
2.2253
2.1696
2.1231
2.0838
2.0500
2.0207
1.9949
1.9720
1.9516
1.9332
1.9166
1.9015
1.8877
1.7953
1.6914
1.6630
1.6333
35
4.1213
3.2674
2.8742
2.6415
2.4851
2.3718
2.2852
2.2167
2.1608
2.1143
2.0750
2.0411
2.0117
1.9858
1.9629
1.9424
1.9240
1.9073
1.8922
1.8784
1.7856
1.6811
1.6525
1.6226
36
4.1132
3.2594
2.8663
2.6335
2.4772
2.3637
2.2771
2.2085
2.1526
2.1061
2.0666
2.0327
2.0032
1.9773
1.9543
1.9338
1.9153
1.8986
1.8834
1.8696
1.7764
1.6714
1.6425
1.6124
37
4.1055
3.2519
2.8588
2.6261
2.4696
2.3562
2.2695
2.2008
2.1449
2.0982
2.0587
2.0248
1.9952
1.9692
1.9462
1.9256
1.9071
1.8904
1.8752
1.8612
1.7678
1.6621
1.6331
1.6027
38
4.0982
3.2448
2.8517
2.6190
2.4625
2.3490
2.2623
2.1936
2.1375
2.0909
2.0513
2.0173
1.9877
1.9616
1.9386
1.9179
1.8994
1.8826
1.8673
1.8534
1.7596
1.6534
1.6242
1.5936
39
4.0913
3.2381
2.8451
2.6123
2.4558
2.3423
2.2555
2.1867
2.1306
2.0839
2.0443
2.0102
1.9805
1.9545
1.9313
1.9107
1.8921
1.8752
1.8599
1.8459
1.7518
1.6451
1.6157
1.5849
40
4.0847
3.2317
2.8387
2.6060
2.4495
2.3359
2.2490
2.1802
2.1240
2.0773
2.0376
2.0035
1.9738
1.9476
1.9245
1.9038
1.8851
1.8682
1.8529
1.8389
1.7444
1.6373
1.6077
1.5766
50
4.0343
3.1826
2.7900
2.5572
2.4004
2.2864
2.1992
2.1299
2.0733
2.0261
1.9861
1.9515
1.9214
1.8949
1.8714
1.8503
1.8313
1.8141
1.7985
1.7841
1.6872
1.5757
1.5445
1.5115
80
3.9604
3.1108
2.7188
2.4859
2.3287
2.2142
2.1263
2.0564
1.9991
1.9512
1.9105
1.8753
1.8445
1.8174
1.7932
1.7716
1.7520
1.7342
1.7180
1.7032
1.6017
1.4821
1.4477
1.4107
120
3.9201
3.0718
2.6802
2.4472
2.2899
2.1750
2.0868
2.0164
1.9588
1.9105
1.8693
1.8337
1.8026
1.7750
1.7505
1.7285
1.7085
1.6904
1.6739
1.6587
1.5543
1.4290
1.3922
1.3519
323
TABLA A-6
Distribucin F0.025,1,2
GRADOS DE LIBERTAD DE L DENOMINADOR 1
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
647.7931 799.4822 864.1509 899.5994 921.8347 937.1142 948.2028 956.6429 963.2786 968.6337 973.0284 976.7246 979.8387 982.5453 984.8736 986.9109 988.7153 990.3451 991.8003 993.0809 1001.404 1009.786 1011.911 1014.035
38.5062
39.0000
39.1656
39.2483
39.2984
39.3311
39.3557
39.3729
39.3866
39.3984
39.4066
39.4148
39.4211
39.4266
39.4311
39.4357
39.4393
39.4421
39.4457
39.4475
39.4648
39.4812
39.4857
39.4894
17.4434
16.0442
15.4391
15.1010
14.8848
14.7347
14.6244
14.5399
14.4730
14.4189
14.3741
14.3366
14.3045
14.2768
14.2527
14.2315
14.2127
14.1961
14.1808
14.1674
14.0806
13.9921
13.9698
13.9473
12.2179
10.6490
9.9792
9.6045
9.3645
9.1973
9.0741
8.9796
8.9046
8.8439
8.7936
8.7512
8.7150
8.6837
8.6566
8.6326
8.6113
8.5923
8.5753
8.5599
8.4613
8.3604
8.3348
8.3091
10.0069
8.4336
7.7636
7.3879
7.1464
6.9777
6.8530
6.7572
6.6810
6.6192
6.5678
6.5245
6.4876
6.4556
6.4277
6.4032
6.3814
6.3619
6.3444
6.3285
6.2269
6.1225
6.0960
6.0693
8.8131
7.2599
6.5988
6.2271
5.9875
5.8197
5.6955
5.5996
5.5234
5.4613
5.4098
5.3662
5.3290
5.2968
5.2686
5.2439
5.2218
5.2021
5.1844
5.1684
5.0652
4.9589
4.9318
4.9045
8.0727
6.5415
5.8898
5.5226
5.2852
5.1186
4.9949
4.8993
4.8232
4.7611
4.7095
4.6658
4.6285
4.5961
4.5678
4.5428
4.5206
4.5008
4.4829
4.4668
4.3624
4.2544
4.2268
4.1989
7.5709
6.0595
5.4160
5.0526
4.8173
4.6517
4.5285
4.4333
4.3572
4.2951
4.2434
4.1997
4.1622
4.1297
4.1012
4.0761
4.0538
4.0338
4.0158
3.9994
3.8940
3.7844
3.7564
3.7279
7.2093
5.7147
5.0781
4.7181
4.4844
4.3197
4.1970
4.1020
4.0260
3.9639
3.9121
3.8682
3.8306
3.7980
3.7693
3.7441
3.7216
3.7015
3.6833
3.6669
3.5604
3.4493
3.4207
3.3918
10
6.9367
5.4564
4.8256
4.4683
4.2361
4.0721
3.9498
3.8549
3.7790
3.7168
3.6649
3.6210
3.5832
3.5504
3.5217
3.4963
3.4736
3.4534
3.4351
3.4185
3.3110
3.1984
3.1694
3.1399
11
6.7241
5.2559
4.6300
4.2751
4.0440
3.8806
3.7586
3.6638
3.5879
3.5257
3.4737
3.4296
3.3917
3.3588
3.3299
3.3044
3.2816
3.2612
3.2428
3.2261
3.1176
3.0035
2.9740
2.9441
12
6.5538
5.0959
4.4742
4.1212
3.8911
3.7283
3.6065
3.5118
3.4358
3.3735
3.3215
3.2773
3.2393
3.2062
3.1772
3.1515
3.1286
3.1081
3.0896
3.0728
2.9633
2.8478
2.8178
2.7874
13
6.4143
4.9653
4.3472
3.9959
3.7667
3.6043
3.4827
3.3880
3.3120
3.2497
3.1975
3.1532
3.1150
3.0819
3.0527
3.0269
3.0039
2.9832
2.9646
2.9477
2.8373
2.7204
2.6900
2.6590
14
6.2979
4.8567
4.2417
3.8919
3.6634
3.5014
3.3799
3.2853
3.2093
3.1469
3.0946
3.0502
3.0119
2.9786
2.9493
2.9234
2.9003
2.8795
2.8607
2.8437
2.7324
2.6142
2.5833
2.5519
15
6.1995
4.7650
4.1528
3.8043
3.5764
3.4147
3.2934
3.1987
3.1227
3.0602
3.0078
2.9633
2.9249
2.8915
2.8621
2.8360
2.8128
2.7919
2.7730
2.7559
2.6437
2.5242
2.4930
2.4611
16
6.1151
4.6867
4.0768
3.7294
3.5021
3.3406
3.2194
3.1248
3.0488
2.9862
2.9337
2.8891
2.8506
2.8170
2.7875
2.7614
2.7380
2.7170
2.6980
2.6808
2.5678
2.4471
2.4154
2.3831
17
6.0420
4.6189
4.0112
3.6648
3.4379
3.2767
3.1556
3.0610
2.9849
2.9222
2.8696
2.8249
2.7863
2.7526
2.7230
2.6968
2.6733
2.6522
2.6331
2.6158
2.5020
2.3801
2.3481
2.3153
18
5.9781
4.5597
3.9539
3.6083
3.3820
3.2209
3.0999
3.0053
2.9291
2.8664
2.8137
2.7689
2.7302
2.6964
2.6667
2.6403
2.6168
2.5956
2.5764
2.5590
2.4445
2.3214
2.2890
2.2558
19
5.9216
4.5075
3.9034
3.5587
3.3327
3.1718
3.0509
2.9563
2.8801
2.8172
2.7645
2.7196
2.6808
2.6469
2.6171
2.5907
2.5670
2.5457
2.5264
2.5089
2.3937
2.2696
2.2368
2.2032
20
5.8715
4.4612
3.8587
3.5147
3.2891
3.1283
3.0074
2.9128
2.8365
2.7737
2.7209
2.6758
2.6369
2.6030
2.5731
2.5465
2.5228
2.5014
2.4821
2.4645
2.3486
2.2234
2.1902
2.1562
21
5.8266
4.4199
3.8188
3.4754
3.2501
3.0895
2.9686
2.8740
2.7977
2.7348
2.6819
2.6368
2.5978
2.5638
2.5338
2.5071
2.4833
2.4618
2.4424
2.4247
2.3082
2.1819
2.1485
2.1141
22
5.7863
4.3828
3.7829
3.4401
3.2151
3.0546
2.9338
2.8392
2.7628
2.6998
2.6469
2.6017
2.5626
2.5285
2.4984
2.4717
2.4478
2.4262
2.4067
2.3890
2.2718
2.1446
2.1108
2.0760
23
5.7498
4.3492
3.7505
3.4083
3.1835
3.0232
2.9023
2.8077
2.7313
2.6682
2.6152
2.5699
2.5308
2.4966
2.4665
2.4396
2.4156
2.3940
2.3745
2.3566
2.2389
2.1107
2.0766
2.0415
24
5.7166
4.3187
3.7211
3.3794
3.1548
2.9946
2.8738
2.7791
2.7027
2.6396
2.5865
2.5411
2.5019
2.4677
2.4374
2.4105
2.3865
2.3648
2.3452
2.3273
2.2090
2.0799
2.0454
2.0099
25
5.6864
4.2909
3.6943
3.3530
3.1287
2.9685
2.8478
2.7531
2.6766
2.6135
2.5603
2.5149
2.4756
2.4413
2.4110
2.3840
2.3599
2.3381
2.3184
2.3005
2.1816
2.0516
2.0169
1.9811
26
5.6586
4.2655
3.6697
3.3289
3.1048
2.9447
2.8240
2.7293
2.6528
2.5896
2.5363
2.4909
2.4515
2.4171
2.3867
2.3597
2.3355
2.3137
2.2939
2.2759
2.1565
2.0257
1.9907
1.9545
27
5.6331
4.2421
3.6472
3.3067
3.0828
2.9228
2.8021
2.7074
2.6309
2.5676
2.5143
2.4688
2.4293
2.3949
2.3644
2.3373
2.3131
2.2912
2.2713
2.2533
2.1334
2.0018
1.9665
1.9299
28
5.6096
4.2205
3.6264
3.2863
3.0626
2.9027
2.7820
2.6872
2.6106
2.5473
2.4940
2.4484
2.4089
2.3743
2.3438
2.3167
2.2924
2.2704
2.2505
2.2324
2.1121
1.9797
1.9441
1.9072
29
5.5878
4.2006
3.6072
3.2674
3.0438
2.8840
2.7633
2.6686
2.5919
2.5286
2.4752
2.4295
2.3900
2.3554
2.3248
2.2976
2.2732
2.2512
2.2313
2.2131
2.0923
1.9591
1.9232
1.8861
30
5.5675
4.1821
3.5893
3.2499
3.0265
2.8667
2.7460
2.6513
2.5746
2.5112
2.4578
2.4120
2.3724
2.3378
2.3072
2.2799
2.2554
2.2334
2.2134
2.1952
2.0739
1.9400
1.9039
1.8664
31
5.5487
4.1648
3.5728
3.2336
3.0103
2.8506
2.7299
2.6352
2.5585
2.4950
2.4415
2.3958
2.3561
2.3214
2.2907
2.2634
2.2389
2.2168
2.1967
2.1785
2.0568
1.9222
1.8858
1.8480
32
5.5311
4.1488
3.5573
3.2185
2.9953
2.8356
2.7150
2.6202
2.5434
2.4799
2.4264
2.3806
2.3409
2.3061
2.2754
2.2480
2.2235
2.2013
2.1812
2.1629
2.0408
1.9055
1.8689
1.8308
33
5.5147
4.1338
3.5429
3.2043
2.9812
2.8216
2.7009
2.6061
2.5294
2.4659
2.4123
2.3664
2.3266
2.2918
2.2610
2.2336
2.2090
2.1868
2.1667
2.1483
2.0259
1.8899
1.8530
1.8146
34
5.4993
4.1197
3.5293
3.1910
2.9680
2.8085
2.6878
2.5930
2.5162
2.4526
2.3990
2.3531
2.3133
2.2784
2.2476
2.2201
2.1955
2.1732
2.1531
2.1346
2.0118
1.8752
1.8381
1.7994
35
5.4848
4.1065
3.5166
3.1785
2.9557
2.7961
2.6755
2.5807
2.5039
2.4402
2.3866
2.3406
2.3008
2.2659
2.2350
2.2075
2.1828
2.1605
2.1403
2.1218
1.9986
1.8613
1.8240
1.7851
36
5.4712
4.0941
3.5047
3.1668
2.9440
2.7845
2.6639
2.5691
2.4922
2.4286
2.3749
2.3289
2.2890
2.2540
2.2231
2.1956
2.1708
2.1485
2.1282
2.1097
1.9862
1.8483
1.8107
1.7716
37
5.4584
4.0824
3.4934
3.1557
2.9331
2.7736
2.6530
2.5581
2.4813
2.4176
2.3639
2.3178
2.2779
2.2429
2.2119
2.1843
2.1595
2.1372
2.1168
2.0983
1.9745
1.8360
1.7982
1.7588
38
5.4463
4.0713
3.4828
3.1453
2.9227
2.7633
2.6427
2.5478
2.4710
2.4072
2.3535
2.3074
2.2674
2.2324
2.2014
2.1737
2.1489
2.1265
2.1061
2.0875
1.9634
1.8243
1.7863
1.7466
39
5.4348
4.0609
3.4728
3.1354
2.9130
2.7536
2.6330
2.5381
2.4612
2.3974
2.3436
2.2975
2.2575
2.2224
2.1914
2.1637
2.1388
2.1164
2.0960
2.0774
1.9529
1.8133
1.7751
1.7351
40
5.4239
4.0510
3.4633
3.1261
2.9037
2.7444
2.6238
2.5289
2.4519
2.3882
2.3343
2.2882
2.2481
2.2130
2.1819
2.1542
2.1293
2.1068
2.0864
2.0677
1.9429
1.8028
1.7644
1.7242
50
5.3403
3.9749
3.3902
3.0544
2.8326
2.6736
2.5530
2.4579
2.3808
2.3168
2.2627
2.2162
2.1758
2.1404
2.1090
2.0810
2.0558
2.0330
2.0122
1.9933
1.8659
1.7211
1.6810
1.6386
80
5.2183
3.8643
3.2841
2.9504
2.7295
2.5708
2.4502
2.3549
2.2775
2.2130
2.1584
2.1114
2.0706
2.0346
2.0026
1.9741
1.9483
1.9250
1.9037
1.8843
1.7523
1.5987
1.5549
1.5079
120
5.1523
3.8046
3.2269
2.8943
2.6740
2.5154
2.3948
2.2994
2.2217
2.1570
2.1021
2.0548
2.0136
1.9773
1.9450
1.9161
1.8900
1.8663
1.8447
1.8249
1.6899
1.5299
1.4834
1.4327
324
TABLA A-7
Distribucin F0.01,1,2
GRADOS DE LIBERTAD DEL NUMERADOR 1
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
4052.184 4999.339 5403.533 5624.257 5763.955 5858.950 5928.333 5980.953 6022.397 6055.925 6083.399 6106.682 6125.774 6143.003 6156.973 6170.012 6181.187 6191.432 6200.745 6208.661 6260.350 6312.970 6326.474 6339.512
98.5019
99.0003
99.1640
99.2513
99.3023
99.3314
99.3568
99.3750
99.3896
99.3969
99.4078
99.4187
99.4223
99.4260
99.4332
99.4369
99.4405
99.4442
99.4478
99.4478
99.4660
99.4842
99.4842
99.4914
34.1161
30.8164
29.4567
28.7100
28.2371
27.9106
27.6714
27.4895
27.3449
27.2285
27.1320
27.0520
26.9829
26.9238
26.8719
26.8265
26.7864
26.7510
26.7191
26.6900
26.5045
26.3162
26.2689
26.2207
21.1976
17.9998
16.6942
15.9771
15.5219
15.2068
14.9757
14.7988
14.6592
14.5460
14.4523
14.3737
14.3064
14.2486
14.1981
14.1540
14.1144
14.0794
14.0481
14.0194
13.8375
13.6522
13.6051
13.5583
16.2581
13.2741
12.0599
11.3919
10.9671
10.6722
10.4556
10.2893
10.1577
10.0511
9.9626
9.8883
9.8248
9.7700
9.7223
9.6802
9.6429
9.6095
9.5797
9.5527
9.3794
9.2020
9.1570
9.1118
13.7452
10.9249
9.7796
9.1484
8.7459
8.4660
8.2600
8.1017
7.9760
7.8742
7.7896
7.7183
7.6575
7.6050
7.5590
7.5186
7.4826
7.4506
7.4219
7.3958
7.2286
7.0568
7.0131
6.9690
12.2463
9.5465
8.4513
7.8467
7.4604
7.1914
6.9929
6.8401
6.7188
6.6201
6.5381
6.4691
6.4100
6.3590
6.3144
6.2751
6.2400
6.2089
6.1808
6.1555
5.9920
5.8236
5.7806
5.7373
11.2586
8.6491
7.5910
7.0061
6.6318
6.3707
6.1776
6.0288
5.9106
5.8143
5.7343
5.6667
5.6089
5.5588
5.5152
5.4765
5.4423
5.4116
5.3841
5.3591
5.1981
5.0316
4.9890
4.9461
10.5615
8.0215
6.9920
6.4221
6.0569
5.8018
5.6128
5.4671
5.3511
5.2565
5.1779
5.1115
5.0545
5.0052
4.9621
4.9240
4.8902
4.8599
4.8327
4.8080
4.6486
4.4831
4.4407
4.3977
10
10.0442
7.5595
6.5523
5.9944
5.6364
5.3858
5.2001
5.0567
4.9424
4.8491
4.7716
4.7058
4.6496
4.6008
4.5582
4.5204
4.4869
4.4569
4.4299
4.4054
4.2469
4.0819
4.0394
3.9965
11
9.6461
7.2057
6.2167
5.6683
5.3160
5.0692
4.8860
4.7445
4.6315
4.5393
4.4624
4.3974
4.3416
4.2933
4.2509
4.2135
4.1802
4.1503
4.1234
4.0990
3.9411
3.7761
3.7335
3.6904
12
9.3303
6.9266
5.9525
5.4119
5.0644
4.8205
4.6395
4.4994
4.3875
4.2961
4.2198
4.1553
4.0998
4.0517
4.0096
3.9724
3.9392
3.9095
3.8827
3.8584
3.7008
3.5355
3.4927
3.4494
13
9.0738
6.7009
5.7394
5.2053
4.8616
4.6203
4.4410
4.3021
4.1911
4.1003
4.0245
3.9603
3.9052
3.8573
3.8154
3.7783
3.7452
3.7156
3.6889
3.6646
3.5070
3.3413
3.2983
3.2547
14
8.8617
6.5149
5.5639
5.0354
4.6950
4.4558
4.2779
4.1400
4.0297
3.9394
3.8640
3.8002
3.7452
3.6976
3.6557
3.6187
3.5857
3.5561
3.5294
3.5052
3.3476
3.1813
3.1381
3.0942
15
8.6832
6.3588
5.4170
4.8932
4.5556
4.3183
4.1416
4.0044
3.8948
3.8049
3.7299
3.6662
3.6115
3.5639
3.5222
3.4852
3.4523
3.4228
3.3961
3.3719
3.2141
3.0471
3.0037
2.9594
16
8.5309
6.2263
5.2922
4.7726
4.4374
4.2016
4.0259
3.8896
3.7804
3.6909
3.6162
3.5527
3.4981
3.4506
3.4090
3.3721
3.3392
3.3096
3.2829
3.2587
3.1007
2.9330
2.8893
2.8447
17
8.3998
6.1121
5.1850
4.6689
4.3360
4.1015
3.9267
3.7909
3.6823
3.5931
3.5185
3.4552
3.4007
3.3533
3.3117
3.2748
3.2419
3.2124
3.1857
3.1615
3.0032
2.8348
2.7908
2.7458
18
8.2855
6.0129
5.0919
4.5790
4.2479
4.0146
3.8406
3.7054
3.5971
3.5081
3.4338
3.3706
3.3162
3.2689
3.2273
3.1905
3.1575
3.1280
3.1013
3.0771
2.9185
2.7493
2.7050
2.6597
19
8.1850
5.9259
5.0103
4.5002
4.1708
3.9386
3.7653
3.6305
3.5225
3.4338
3.3596
3.2965
3.2422
3.1949
3.1533
3.1165
3.0836
3.0541
3.0274
3.0031
2.8442
2.6742
2.6296
2.5839
20
8.0960
5.8490
4.9382
4.4307
4.1027
3.8714
3.6987
3.5644
3.4567
3.3682
3.2941
3.2311
3.1769
3.1296
3.0880
3.0512
3.0183
2.9887
2.9620
2.9377
2.7785
2.6077
2.5628
2.5168
21
8.0166
5.7804
4.8740
4.3688
4.0421
3.8117
3.6396
3.5056
3.3982
3.3098
3.2359
3.1729
3.1187
3.0715
3.0300
2.9931
2.9602
2.9306
2.9038
2.8795
2.7200
2.5484
2.5032
2.4568
22
7.9453
5.7190
4.8166
4.3134
3.9880
3.7583
3.5866
3.4530
3.3458
3.2576
3.1837
3.1209
3.0667
3.0195
2.9779
2.9411
2.9082
2.8786
2.8518
2.8274
2.6675
2.4951
2.4496
2.4029
23
7.8811
5.6637
4.7648
4.2635
3.9392
3.7102
3.5390
3.4057
3.2986
3.2106
3.1368
3.0740
3.0199
2.9727
2.9311
2.8942
2.8613
2.8317
2.8049
2.7805
2.6202
2.4471
2.4013
2.3542
24
7.8229
5.6136
4.7181
4.2185
3.8951
3.6667
3.4959
3.3629
3.2560
3.1681
3.0944
3.0316
2.9775
2.9303
2.8887
2.8519
2.8189
2.7892
2.7624
2.7380
2.5773
2.4035
2.3574
2.3099
25
7.7698
5.5680
4.6755
4.1774
3.8550
3.6272
3.4568
3.3239
3.2172
3.1294
3.0558
2.9931
2.9389
2.8917
2.8502
2.8133
2.7803
2.7506
2.7238
2.6993
2.5383
2.3637
2.3173
2.2696
26
7.7213
5.5263
4.6365
4.1400
3.8183
3.5911
3.4210
3.2884
3.1818
3.0941
3.0205
2.9578
2.9038
2.8566
2.8150
2.7781
2.7451
2.7154
2.6885
2.6640
2.5026
2.3273
2.2806
2.2325
27
7.6767
5.4881
4.6009
4.1056
3.7847
3.5580
3.3882
3.2558
3.1494
3.0618
2.9882
2.9256
2.8715
2.8243
2.7827
2.7458
2.7127
2.6830
2.6561
2.6316
2.4699
2.2938
2.2469
2.1985
28
7.6357
5.4529
4.5681
4.0740
3.7539
3.5276
3.3581
3.2259
3.1195
3.0320
2.9585
2.8959
2.8418
2.7946
2.7530
2.7160
2.6830
2.6532
2.6263
2.6018
2.4397
2.2629
2.2157
2.1670
29
7.5977
5.4205
4.5378
4.0449
3.7254
3.4995
3.3303
3.1982
3.0920
3.0045
2.9311
2.8685
2.8144
2.7672
2.7256
2.6886
2.6555
2.6257
2.5987
2.5742
2.4118
2.2344
2.1869
2.1379
30
7.5624
5.3903
4.5097
4.0179
3.6990
3.4735
3.3045
3.1726
3.0665
2.9791
2.9057
2.8431
2.7890
2.7418
2.7002
2.6632
2.6301
2.6002
2.5732
2.5487
2.3860
2.2079
2.1601
2.1108
31
7.5297
5.3624
4.4837
3.9928
3.6745
3.4493
3.2806
3.1489
3.0429
2.9555
2.8821
2.8195
2.7655
2.7182
2.6766
2.6396
2.6064
2.5766
2.5496
2.5249
2.3619
2.1832
2.1352
2.0855
32
7.4992
5.3363
4.4594
3.9695
3.6517
3.4269
3.2583
3.1267
3.0208
2.9335
2.8602
2.7976
2.7435
2.6963
2.6546
2.6176
2.5844
2.5546
2.5275
2.5028
2.3395
2.1601
2.1119
2.0619
33
7.4708
5.3120
4.4368
3.9477
3.6305
3.4059
3.2376
3.1061
3.0003
2.9130
2.8397
2.7771
2.7231
2.6758
2.6341
2.5971
2.5639
2.5340
2.5069
2.4822
2.3186
2.1386
2.0901
2.0399
34
7.4441
5.2893
4.4156
3.9273
3.6106
3.3863
3.2182
3.0868
2.9810
2.8938
2.8205
2.7580
2.7039
2.6566
2.6150
2.5779
2.5447
2.5148
2.4876
2.4629
2.2990
2.1184
2.0697
2.0191
35
7.4191
5.2679
4.3958
3.9082
3.5919
3.3679
3.1999
3.0687
2.9630
2.8758
2.8026
2.7400
2.6859
2.6387
2.5970
2.5599
2.5266
2.4967
2.4695
2.4448
2.2806
2.0994
2.0505
1.9996
36
7.3956
5.2479
4.3771
3.8903
3.5744
3.3507
3.1829
3.0517
2.9461
2.8589
2.7857
2.7232
2.6691
2.6218
2.5801
2.5430
2.5097
2.4797
2.4526
2.4278
2.2633
2.0815
2.0324
1.9812
37
7.3735
5.2290
4.3595
3.8734
3.5579
3.3344
3.1668
3.0357
2.9302
2.8431
2.7698
2.7073
2.6532
2.6059
2.5642
2.5270
2.4938
2.4638
2.4366
2.4118
2.2470
2.0647
2.0153
1.9639
38
7.3526
5.2112
4.3430
3.8575
3.5424
3.3191
3.1516
3.0207
2.9152
2.8281
2.7549
2.6923
2.6382
2.5909
2.5492
2.5120
2.4787
2.4487
2.4215
2.3967
2.2317
2.0488
1.9991
1.9475
39
7.3328
5.1944
4.3274
3.8425
3.5277
3.3047
3.1373
3.0064
2.9010
2.8139
2.7407
2.6782
2.6241
2.5768
2.5350
2.4978
2.4645
2.4345
2.4072
2.3824
2.2171
2.0337
1.9839
1.9319
40
7.3142
5.1785
4.3126
3.8283
3.5138
3.2910
3.1238
2.9930
2.8876
2.8005
2.7273
2.6648
2.6107
2.5634
2.5216
2.4844
2.4511
2.4210
2.3937
2.3689
2.2034
2.0194
1.9694
1.9172
50
7.1706
5.0566
4.1994
3.7195
3.4077
3.1864
3.0202
2.8900
2.7850
2.6981
2.6250
2.5625
2.5083
2.4609
2.4190
2.3816
2.3481
2.3178
2.2903
2.2652
2.0976
1.9090
1.8571
1.8026
80
6.9626
4.8807
4.0363
3.5631
3.2551
3.0361
2.8713
2.7420
2.6374
2.5508
2.4777
2.4151
2.3608
2.3131
2.2709
2.2332
2.1993
2.1686
2.1408
2.1153
1.9435
1.7459
1.6901
1.6305
120
6.8509
4.7865
3.9491
3.4795
3.1735
2.9559
2.7918
2.6629
2.5586
2.4721
2.3990
2.3363
2.2818
2.2339
2.1915
2.1536
2.1194
2.0885
2.0603
2.0346
1.8600
1.6557
1.5968
1.5330
325
TABLA A-8
Distribucin F0.005,1,2
GRADOS DE LIBERTAD DEL NUMERADOR 1
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
16212.46 19997.35 21614.13 22500.75 23055.82 23439.52 23715.19 23923.81 24091.45 24221.83 24333.59 24426.72 24504.95 24572.01 24631.61 24683.77 24728.47 24765.72 24802.98 24836.51 25041.40 25253.74 25305.89 25358.05
198.5027 199.0120 199.1575 199.2448 199.3030 199.3321 199.3612 199.3758 199.3903 199.3903 199.4194 199.4194 199.4194 199.4194 199.4340 199.4486 199.4486 199.4486 199.4486 199.4486 199.4777 199.4777 199.4777 199.4922
55.5519
49.8003
47.4683
46.1951
45.3911
44.8381
44.4343
44.1250
43.8813
43.6848
43.5248
43.3865
43.2701
43.1719
43.0846
43.0082
42.9391
42.8809
42.8263
42.7790
42.4661
42.1496
42.0696
41.9896
31.3321
26.2844
24.2599
23.1539
22.4563
21.9752
21.6223
21.3522
21.1385
20.9666
20.8238
20.7046
20.6028
20.5146
20.4382
20.3709
20.3108
20.2581
20.2108
20.1671
19.8916
19.6105
19.5396
19.4686
22.7847
18.3136
16.5301
15.5560
14.9394
14.5133
14.2004
13.9607
13.7716
13.6179
13.4914
13.3846
13.2932
13.2150
13.1463
13.0858
13.0326
12.9849
12.9421
12.9035
12.6556
12.4023
12.3382
12.2736
18.6346
14.5442
12.9166
12.0276
11.4637
11.0731
10.7857
10.5656
10.3914
10.2500
10.1327
10.0345
9.9503
9.8776
9.8139
9.7580
9.7086
9.6643
9.6247
9.5888
9.3582
9.1218
9.0618
9.0013
16.2354
12.4037
10.8826
10.0504
9.5220
9.1554
8.8853
8.6779
8.5138
8.3803
8.2696
8.1764
8.0968
8.0279
7.9676
7.9149
7.8678
7.8257
7.7880
7.7539
7.5345
7.3087
7.2512
7.1932
14.6883
11.0426
9.5965
8.8053
8.3019
7.9519
7.6941
7.4958
7.3387
7.2107
7.1045
7.0149
6.9383
6.8721
6.8144
6.7632
6.7180
6.6775
6.6411
6.6082
6.3960
6.1773
6.1214
6.0650
13.6138
10.1068
8.7171
7.9558
7.4710
7.1338
6.8849
6.6932
6.5411
6.4172
6.3142
6.2273
6.1530
6.0886
6.0325
5.9829
5.9388
5.8994
5.8640
5.8319
5.6248
5.4104
5.3556
5.3001
10
12.8266
9.4269
8.0809
7.3428
6.8724
6.5447
6.3026
6.1159
5.9676
5.8467
5.7462
5.6614
5.5886
5.5256
5.4706
5.4221
5.3790
5.3403
5.3055
5.2740
5.0705
4.8592
4.8050
4.7501
11
12.2263
8.9121
7.6004
6.8808
6.4217
6.1016
5.8648
5.6821
5.5368
5.4183
5.3196
5.2363
5.1649
5.1031
5.0488
5.0011
4.9586
4.9206
4.8863
4.8552
4.6543
4.4450
4.3912
4.3367
12
11.7543
8.5097
7.2257
6.5211
6.0711
5.7571
5.5245
5.3451
5.2021
5.0854
4.9884
4.9063
4.8358
4.7748
4.7213
4.6741
4.6322
4.5945
4.5607
4.5300
4.3309
4.1230
4.0693
4.0150
13
11.3737
8.1864
6.9258
6.2334
5.7910
5.4819
5.2529
5.0761
4.9351
4.8200
4.7240
4.6429
4.5733
4.5129
4.4599
4.4132
4.3716
4.3343
4.3008
4.2703
4.0727
3.8656
3.8120
3.7577
14
11.0604
7.9217
6.6804
5.9983
5.5622
5.2573
5.0313
4.8566
4.7173
4.6034
4.5085
4.4281
4.3591
4.2993
4.2468
4.2005
4.1591
4.1222
4.0887
4.0585
3.8619
3.6553
3.6017
3.5474
15
10.7980
7.7007
6.4761
5.8029
5.3722
5.0708
4.8473
4.6743
4.5363
4.4236
4.3294
4.2497
4.1813
4.1219
4.0698
4.0237
3.9827
3.9458
3.9126
3.8826
3.6868
3.4803
3.4267
3.3722
16
10.5756
7.5138
6.3034
5.6378
5.2116
4.9134
4.6920
4.5206
4.3839
4.2719
4.1785
4.0993
4.0313
3.9723
3.9205
3.8747
3.8338
3.7971
3.7642
3.7342
3.5388
3.3324
3.2787
3.2240
17
10.3842
7.3537
6.1557
5.4968
5.0745
4.7789
4.5594
4.3893
4.2535
4.1424
4.0495
3.9709
3.9033
3.8445
3.7929
3.7473
3.7066
3.6702
3.6372
3.6073
3.4124
3.2059
3.1520
3.0971
18
10.2182
7.2148
6.0278
5.3747
4.9561
4.6628
4.4448
4.2760
4.1410
4.0304
3.9382
3.8599
3.7926
3.7340
3.6827
3.6372
3.5967
3.5603
3.5275
3.4977
3.3031
3.0962
3.0422
2.9871
19
10.0727
7.0934
5.9160
5.2680
4.8526
4.5613
4.3449
4.1770
4.0428
3.9329
3.8410
3.7631
3.6961
3.6378
3.5866
3.5412
3.5008
3.4645
3.4318
3.4020
3.2076
3.0004
2.9461
2.8908
20
9.9440
6.9865
5.8177
5.1743
4.7615
4.4721
4.2569
4.0900
3.9564
3.8470
3.7555
3.6779
3.6111
3.5530
3.5020
3.4568
3.4164
3.3802
3.3475
3.3178
3.1234
2.9159
2.8614
2.8058
21
9.8294
6.8915
5.7304
5.0911
4.6808
4.3931
4.1789
4.0128
3.8799
3.7709
3.6798
3.6024
3.5358
3.4779
3.4270
3.3818
3.3416
3.3054
3.2728
3.2431
3.0487
2.8408
2.7861
2.7302
22
9.7270
6.8064
5.6524
5.0168
4.6088
4.3225
4.1093
3.9440
3.8116
3.7030
3.6122
3.5350
3.4686
3.4108
3.3600
3.3150
3.2747
3.2387
3.2060
3.1764
2.9821
2.7736
2.7188
2.6625
23
9.6347
6.7300
5.5823
4.9500
4.5441
4.2591
4.0469
3.8822
3.7502
3.6420
3.5515
3.4745
3.4083
3.3506
3.2999
3.2549
3.2148
3.1787
3.1461
3.1165
2.9221
2.7132
2.6581
2.6016
24
9.5513
6.6609
5.5190
4.8898
4.4856
4.2019
3.9905
3.8264
3.6949
3.5870
3.4967
3.4199
3.3538
3.2962
3.2456
3.2007
3.1606
3.1246
3.0920
3.0624
2.8679
2.6585
2.6031
2.5463
25
9.4753
6.5982
5.4615
4.8351
4.4326
4.1500
3.9394
3.7758
3.6447
3.5370
3.4470
3.3704
3.3044
3.2469
3.1964
3.1515
3.1114
3.0755
3.0429
3.0133
2.8187
2.6088
2.5532
2.4961
26
9.4060
6.5410
5.4091
4.7852
4.3843
4.1027
3.8928
3.7297
3.5989
3.4916
3.4017
3.3252
3.2593
3.2019
3.1515
3.1067
3.0666
3.0307
2.9981
2.9685
2.7738
2.5634
2.5075
2.4501
27
9.3423
6.4886
5.3611
4.7396
4.3402
4.0594
3.8501
3.6875
3.5570
3.4499
3.3602
3.2840
3.2181
3.1608
3.1104
3.0656
3.0256
2.9896
2.9571
2.9275
2.7327
2.5217
2.4656
2.4079
28
9.2837
6.4404
5.3170
4.6977
4.2996
4.0197
3.8110
3.6488
3.5186
3.4117
3.3222
3.2460
3.1803
3.1230
3.0727
3.0279
2.9880
2.9520
2.9194
2.8899
2.6949
2.4833
2.4270
2.3690
29
9.2298
6.3958
5.2764
4.6591
4.2621
3.9831
3.7749
3.6131
3.4832
3.3765
3.2871
3.2110
3.1454
3.0882
3.0379
2.9932
2.9532
2.9173
2.8847
2.8551
2.6600
2.4480
2.3914
2.3331
30
9.1798
6.3546
5.2388
4.6234
4.2276
3.9493
3.7415
3.5801
3.4505
3.3440
3.2547
3.1787
3.1132
3.0561
3.0057
2.9610
2.9211
2.8851
2.8526
2.8230
2.6278
2.4152
2.3584
2.2998
31
9.1331
6.3164
5.2039
4.5902
4.1955
3.9178
3.7106
3.5495
3.4202
3.3138
3.2247
3.1488
3.0833
3.0262
2.9759
2.9312
2.8913
2.8554
2.8228
2.7933
2.5978
2.3847
2.3277
2.2688
32
9.0899
6.2810
5.1715
4.5594
4.1657
3.8887
3.6819
3.5211
3.3919
3.2857
3.1967
3.1209
3.0555
2.9984
2.9482
2.9036
2.8636
2.8277
2.7952
2.7655
2.5700
2.3563
2.2990
2.2399
33
9.0495
6.2478
5.1413
4.5308
4.1379
3.8615
3.6551
3.4945
3.3656
3.2596
3.1707
3.0950
3.0296
2.9726
2.9223
2.8777
2.8378
2.8019
2.7694
2.7397
2.5440
2.3298
2.2723
2.2128
34
9.0117
6.2169
5.1130
4.5039
4.1119
3.8360
3.6301
3.4698
3.3410
3.2351
3.1463
3.0707
3.0054
2.9484
2.8982
2.8536
2.8137
2.7777
2.7452
2.7156
2.5196
2.3049
2.2472
2.1875
35
8.9763
6.1879
5.0865
4.4787
4.0876
3.8123
3.6067
3.4466
3.3181
3.2123
3.1235
3.0480
2.9827
2.9258
2.8756
2.8310
2.7911
2.7551
2.7226
2.6930
2.4969
2.2816
2.2237
2.1637
36
8.9431
6.1606
5.0617
4.4552
4.0648
3.7899
3.5847
3.4248
3.2965
3.1908
3.1022
3.0267
2.9614
2.9045
2.8543
2.8098
2.7699
2.7339
2.7014
2.6718
2.4755
2.2598
2.2016
2.1413
37
8.9117
6.1350
5.0383
4.4330
4.0433
3.7689
3.5640
3.4044
3.2762
3.1706
3.0821
3.0066
2.9414
2.8845
2.8344
2.7898
2.7499
2.7140
2.6814
2.6518
2.4554
2.2391
2.1808
2.1202
38
8.8821
6.1108
5.0163
4.4121
4.0231
3.7492
3.5445
3.3851
3.2571
3.1516
3.0632
2.9877
2.9226
2.8657
2.8156
2.7710
2.7311
2.6952
2.6626
2.6330
2.4364
2.2197
2.1611
2.1003
39
8.8542
6.0879
4.9955
4.3924
4.0041
3.7305
3.5262
3.3669
3.2390
3.1337
3.0453
2.9700
2.9048
2.8480
2.7978
2.7533
2.7134
2.6774
2.6449
2.6152
2.4184
2.2013
2.1425
2.0814
40
8.8278
6.0664
4.9758
4.3738
3.9860
3.7129
3.5088
3.3498
3.2220
3.1167
3.0284
2.9531
2.8880
2.8312
2.7811
2.7365
2.6966
2.6607
2.6281
2.5984
2.4015
2.1838
2.1249
2.0636
50
8.6256
5.9016
4.8259
4.2317
3.8486
3.5785
3.3764
3.2189
3.0921
2.9875
2.8997
2.8247
2.7599
2.7032
2.6531
2.6085
2.5686
2.5326
2.4999
2.4702
2.2717
2.0499
1.9891
1.9254
80
8.3346
5.6652
4.6113
4.0285
3.6524
3.3867
3.1876
3.0320
2.9066
2.8031
2.7159
2.6413
2.5767
2.5201
2.4700
2.4254
2.3853
2.3492
2.3163
2.2862
2.0845
1.8540
1.7892
1.7203
120
8.1789
5.5393
4.4972
3.9207
3.5482
3.2849
3.0875
2.9329
2.8083
2.7052
2.6183
2.5439
2.4794
2.4228
2.3727
2.3280
2.2878
2.2514
2.2183
2.1881
1.9839
1.7469
1.6789
1.6055
326
TABLA A-9
Cuadros Latinos
2x2
A B
B A
A
B
C
D
E
A
B
C
D
E
F
G
H
B
D
E
A
C
G
H
F
A
B
C
B
D
A
E
C
3x3
B C
C A
A B
4x4
A
B
C
D
5x5
C
E
D
B
A
D
A
E
C
B
C
A
G
B
H
D
F
E
8x8
D E
H G
F A
C H
A F
E B
B C
G D
E
C
B
A
D
B
C
D
A
C
D
A
B
A
B
C
D
E
F
F
C
B
G
D
H
E
A
G
E
H
F
B
A
D
C
D
A
B
C
A
B
C
D
6x6
C E
D C
E B
B F
F A
A E
B
F
A
E
C
D
H
F
D
E
G
C
A
B
B
D
A
C
C
A
D
B
E
C
B
A
E
A
F
C
D
B
F
E
D
A
B
C
A
B
C
D
E
F
G
H
I
B
H
A
I
C
G
D
E
F
A
B
C
D
B
A
D
C
A
B
C
D
E
G
C
F
H
B
I
E
A
D
G
D
E
I
C
F
A
B
G
H
C
D
A
B
B
E
A
F
C
D
D
C
G
D
A
F
B
E
9x9
E
C
D
G
B
H
I
F
A
D
C
B
A
A
B
C
D
B
A
D
C
C
D
B
A
7x7
D E
A C
B F
E G
G B
C D
F A
F
D
G
C
A
E
B
G
F
E
B
D
A
C
F
A
B
E
G
I
H
C
D
G
I
E
A
H
D
F
B
C
H
D
G
F
A
B
C
I
E
D
C
A
B
I
G
F
H
D
C
E
A
S
327
TABLA A-9
Cuadros Latinos
A
B
C
D
E
F
G
H
I
J
B
F
A
H
C
D
J
I
G
E
C
J
G
I
A
E
D
B
H
F
D
I
E
A
F
B
C
G
J
H
10 x 10
E F
A C
D J
C E
J G
G H
H I
F A
B D
I B
G
E
I
B
H
A
F
J
C
D
H
D
B
J
I
C
A
E
F
G
I
G
H
F
B
J
E
D
A
C
J
H
F
G
D
I
B
C
E
A
328
TABLA A-10
Valores Crticos del Rango Studentizado
Valores de orden k , grados de libertad y =.05
k
1
2
3
4
5
2
17.97
6.08
4.50
3.93
3.64
3
26.98
8.33
5.91
5.04
4.60
4
32.82
9.80
6.82
5.76
5.22
5
37.08
10.88
7.50
6.29
5.67
6
40.41
11.74
8.04
6.71
6.03
7
43.12
12.44
8.48
7.05
6.33
8
45.40
13.03
8.85
7.35
6.58
9
47.36
13.54
9.18
7.60
6.80
10
49.07
13.99
9.46
7.83
6.99
6
7
8
9
10
3.46
3.34
3.26
3.20
3.15
4.34
4.16
4.04
3.95
3.88
4.90
4.68
4.53
4.41
4.33
5.30
5.06
4.89
4.76
4.65
5.63
5.36
5.17
3.02
4.91
5.90
5.61
5.40
5.24
5.12
6.12
5.82
5.60
5.43
5.30
6.32
6.00
5.77
5.59
5.46
6.49
6.16
5.92
5.74
5.60
11
12
13
14
15
3.11
3.08
3.06
3.03
3.01
3.82
3.77
3.73
3.70
3.67
4.26
4.20
4.15
4.11
4.08
4.57
4.51
4.45
4.41
4.37
4.82
4.75
4.69
4.64
4.59
5.03
4.95
4.88
4.83
4.78
5.20
5.12
5.05
4.99
4.94
5.35
5.27
5.19
5.13
5.08
5.49
5.39
5.32
5.25
5.20
16
17
18
19
20
3.00
2.98
2.97
2.96
2.95
3.65
3.63
3.61
3.59
3.58
4.05
4.02
4.00
3.98
3.96
4.33
4.30
4.28
4.25
4.23
4.56
4.52
4.49
4.47
4.45
4.74
4.70
4.67
4.65
4.62
4.90
4.86
4.82
4.79
4.77
5.03
4.99
4.96
4.92
4.90
5.15
5.11
5.07
5.04
5.01
24
30
40
60
120
2.92
2.89
2.86
2.83
2.80
3.53
3.49
3.44
3.40
3.36
3.90
3.85
3.79
3.74
3.68
4.17
4.10
4.04
3.98
3.92
4.37
4.30
4.23
4.16
4.10
4.54
4.46
4.39
4.31
4.24
4.68
4.60
4.52
4.44
4.36
4.81
4.72
4.63
4.55
5.47
4.92
4.82
4.73
4.65
4.56
2.77
3.31
3.63
3.86
4.03
4.17
4.29
4.39
4.47
321
TABLA A-10
Valores Crticos del Rango Studentizado
Valores de orden k, grados de libertad y =.01
k
1
2
3
4
5
2
90.03
14.04
8.26
6.51
5.70
3
135.0
19.02
10.62
8.12
6.98
4
164.3
22.29
12.17
9.17
7.80
5
185.6
24.72
13.33
9.96
8.42
6
202.2
26.63
14.24
10.58
8.91
7
215.8
28.20
15.00
11.10
9.32
8
227.2
29.53
15.64
11.55
9.67
9
237.0
30.68
16.20
11.93
9.97
10
245.6
31.69
16.69
12.27
10.24
6
7
8
9
10
5.24
4.95
4.75
4.60
4.48
6.33
5.92
5.64
5.43
5.27
7.03
6.54
6.20
5.96
5.77
7.56
7.01
6.62
6.35
6.14
7.97
7.37
6.96
6.66
6.43
8.32
7.68
7.24
6.91
6.67
8.61
7.94
7.47
7.13
6.87
8.87
8.17
7.68
7.33
7.05
9.10
8.37
7.86
7.49
7.21
11
12
13
14
15
4.39
4.32
4.26
4.21
4.17
5.15
5.05
4.96
4.89
4.84
5.62
5.50
5.40
5.32
5.25
5.97
5.84
5.73
5.63
5.56
6.25
6.10
5.98
5.88
5.80
6.48
6.32
6.19
6.08
5.99
6.67
6.51
6.37
6.26
6.16
6.84
6.67
6.53
6.41
6.31
6.99
6.81
6.67
6.54
6.44
16
17
18
19
20
4.13
4.10
4.07
4.05
4.02
4.79
4.74
4.70
4.67
4.64
5.19
5.14
5.09
5.05
5.02
5.49
5.43
5.38
5.33
5.29
5.72
5.66
5.60
5.55
5.51
5.92
5.85
5.79
5.73
5.69
6.08
6.01
5.94
5.89
5.84
6.22
6.15
6.08
6.02
5.97
6.35
6.27
6.20
6.14
6.09
24
30
40
60
120
3.96
3.89
3.82
3.76
3.70
4.55
4.45
4.37
4.28
4.20
4.91
4.80
4.70
4.59
4.50
5.17
5.05
4.93
4.82
4.71
5.37
5.24
5.11
4.99
4.87
5.54
5.40
5.26
5.13
5.01
5.69
5.54
5.39
5.25
5.12
5.81
5.65
5.50
5.36
5.21
5.92
5.76
5.60
5.45
5.30
3.64
4.12
5.40
4.60
4.76
4.88
4.99
5.08
5.16
322
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan
=.05
2
3
4
5
2
6.085
4.501
3.927
3.635
3
6.085
4.516
4.013
3.749
4
6.085
4.516
4.033
3.797
8
6.085
4.516
4.033
3.814
9
6.085
4.516
4.033
3.814
10
6.085
4.516
4.033
3.814
6
7
8
9
10
3.461
3.344
3.261
3.199
3.151
3.587
3.477
3.399
3.339
3.293
3.649
3.548
3.475
3.420
3.376
3.680
3.588
3.521
3.470
3.430
3.694
3.611
3.549
3.502
3.465
3.697
3.622
3.566
3.523
3.489
3.697
3.626
3.575
3.536
3.505
3.697
3.626
3.579
3.544
3.516
3.697
3.626
3.579
3.547
3.522
11
12
13
14
15
3.113
3.082
3.055
3.033
3.014
3.256
3.225
3.200
3.178
3.160
3.342
3.313
3.289
3.268
3.250
3.397
3.370
3.348
3.329
3.312
3.435
3.410
3.389
3.372
3.356
3.462
3.439
3.419
3.403
3.389
3.480
3.459
3.442
3.426
3.413
3.493
3.474
3.458
3.444
3.432
3.501
3.484
3.470
3.457
3.446
16
17
18
19
20
2.998
2.984
2.971
2.960
2.950
3.144
3.130
3.118
3.107
3.097
3.235
3.222
3.210
3.199
3.190
3.298
3.285
3.274
3.264
3.255
3.343
3.331
3.321
3.311
3.303
3.376
3.366
3.356
3.347
3.339
3.402
3.392
3.383
3.375
3.368
3.422
3.412
3.405
3.397
3.391
3.437
3.429
3.421
3.415
3.409
24
30
40
60
2.919
2.888
2.858
2.829
3.066
3.035
3.006
2.976
3.160
3.131
3.102
3.073
3.226
3.199
3.171
3.143
3.276
3.250
3.224
3.198
3.315
3.290
3.266
3.241
3.345
3.322
3.300
3.277
3.370
3.349
3.328
3.307
3.390
3.371
3.352
3.333
120
2.800
2.772
2.947
3.045
3.116
3.172
3.217
3.254
3.287
3.314
2.918
3.017
3.089
3.146
3.193
3.232
3.265
3.294
323
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan (Cont.)
=.05
2
3
4
5
11
6.085
4.516
4.033
3.814
12
6.085
4.516
4.033
3.814
13
6.085
4.516
4.033
3.814
18
6.085
4.516
4.033
3.814
20
6.085
4.516
4.033
3.814
30
6.085
4.516
4.033
3.814
6
7
8
9
10
3.697
3.626
3.579
3.547
3.525
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
11
12
13
14
15
3.506
3.491
3.478
3.467
3.457
3.509
3.496
3.484
3.474
3.465
3.510
3.498
3.488
3.479
3.471
3.510
3.499
3.490
3.482
3.476
3.510
3.499
3.490
3.482
3.478
3.510
3.499
3.490
3.484
3.480
3.510
3.499
3.490
3.485
3.481
3.510
3.499
3.490
3.485
3.481
3.510
3.499
3.490
3.485
3.481
16
17
18
19
20
3.449
3.441
3.435
3.429
3.424
3.458
3.451
3.445
3.440
3.436
3.465
3.459
3.454
3.449
3.445
3.470
3.465
3.460
3.456
3.453
3.473
3.469
3.465
3.462
3.459
3.477
3.473
3.470
3.467
3.464
3.478
3.476
3.474
3.472
3.470
3.478
3.476
3.474
3.474
3.473
3.478
3.476
3.474
3.474
3.474
24
30
40
60
3.406
3.389
3.373
3.355
3.420
3.405
3.390
3.374
3.432
3.418
3.405
3.391
3.441
3.430
3.418
3.406
3.449
3.439
3.429
3.419
3.456
3.447
3.439
3.431
3.465
3.460
3.456
3.451
3.471
3.470
3.469
3.467
3.477
3.486
3.500
3.515
120
3.337
3.359
3.377
3.394
3.409
3.423
3.446
3.466
3.532
3.320
3.343
3.363
3.382
3.399
3.414
3.442
3.466
3.550
324
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan
=.01
10
2
3
4
5
14.04
8.261
6.512
5.702
14.04
8.321
6.677
5.893
14.04
8.321
6.740
5.989
14.04
8.321
6.756
6.040
14.04
8.321
6.756
6.065
14.04
8.321
6.756
6.074
14.04
8.321
6.756
6.074
14.04
8.321
6.756
6.074
14.04
8.321
6.756
6.074
6
7
8
9
10
5.243
4.949
4.746
4.596
4.482
5.439
5.145
4.939
4.787
4.671
5.549
5.260
5.057
4.906
4.790
5.614
5.334
5.135
4.986
4.871
5.655
5.383
5.189
5.043
4.931
5.680
5.416
5.227
5.086
4.975
5.694
5.439
5.256
5.118
5.010
5.701
5.454
5.276
5.142
5.037
5.703
5.464
5.291
5.160
5.058
11
12
13
14
15
4.392
4.320
4.260
4.210
4.168
4.579
4.504
4.442
4.391
4.347
4.697
4.622
4.560
4.508
4.463
4.780
4.706
4.644
4.591
4.547
4.841
4.767
4.706
4.654
4.610
4.887
4.815
4.755
4.704
4.660
4.924
4.852
4.793
4.743
4.700
4.952
4.883
4.824
4.775
4.733
4.975
4.907
4.850
4.802
4.760
16
17
18
19
20
4.131
4.099
4.071
4.046
4.024
4.309
4.275
4.246
4.220
4.197
4.425
4.391
4.362
4.335
4.312
4.509
4.475
4.445
4.419
4.395
4.572
4.539
4.509
4.483
4.459
4.622
4.589
4.560
4.534
4.510
4.663
4.630
4.601
4.575
4.552
4.696
4.664
4.635
4.610
4.587
4.724
4.693
4.664
4.639
4.617
24
30
40
60
3.956
3.889
3.825
3.762
4.126
4.056
3.988
3.922
4.239
4.168
4.098
4.031
4.322
4.250
4.180
4.111
4.386
4.314
4.244
4.174
4.437
4.366
4.296
4.226
4.480
4.409
4.339
4.270
4.516
4.445
4.376
4.307
4.546
4.477
4.408
4.340
120
3.702
3.643
3.858
3.796
3.965
3.900
4.044
3.978
4.107
4.040
4.158
4.091
4.202
4.135
4.239
4.172
4.272
4.205
325
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan (Cont.)
=.01
2
3
4
5
2
14.04
8.321
6.756
6.074
3
14.04
8.321
6.756
6.074
6
7
8
9
10
5.703
5.470
5.302
5.174
5.074
5.703
5.472
5.309
5.185
5.088
5.703
5.472
5.314
5.193
5.098
5.703
5.472
5.316
5.199
5.106
5.703
5.472
5.317
5.203
5.112
5.703
5.472
5.317
5.205
5.117
5.703
5.472
5.317
5.206
5.122
5.703
5.472
5.317
5.206
5.124
5.703
5.472
5.317
5.206
5.124
11
12
13
14
15
4.994
4.927
4.872
4.824
4.783
5.009
4.944
4.889
4.843
4.803
5.021
4.958
4.904
4.859
4.820
5.031
4.969
4.917
4.872
4.834
5.039
4.978
4.928
4.884
4.846
5.045
4.986
4.937
4.894
4.857
5.054
4.998
4.950
4.910
4.874
5.059
5.006
4.960
4.921
4.887
5.061
5.011
4.972
4.940
4.914
16
17
18
19
20
4.748
4.717
4.689
4.665
4.642
4.768
4.738
4.711
4.686
4.664
4.786
4.756
4.729
4.705
4.684
4.800
4.771
4.745
4.722
4.701
4.813
4.785
4.759
4.736
4.716
4.825
4.797
4.772
4.749
4.729
4.844
4.816
4.792
4.771
4.751
4.858
4.832
4.808
4.788
4.769
4.890
4.869
4.850
4.833
4.818
24
30
40
60
4.573
4.504
4.436
4.368
4.596
4.528
4.461
4.394
4.616
4.550
4.483
4.417
4.634
4.569
4.503
4.438
4.651
4.586
4.521
4.456
4.665
4.601
4.537
4.474
4.690
4.628
4.566
4.504
4.710
4.650
4.591
4.530
4.770
4.721
4.671
4.620
120
4.301
4.235
4.327
4.261
4.351
4.285
4.372
4.307
4.392
4.327
4.410
4.345
4.442
4.379
4.469
4.408
4.568
4.514
8
14.04
8.321
6.756
6.074
9
14.04
8.321
6.756
6.074
10
14.04
8.321
6.756
6.074
326
TABLA A-12
Valores Crticos para las Comparaciones de Dunnett con un Control
Para la prueba en dos Direcciones con =.05
5
6
7
8
9
1
2.57
2.45
2.36
2.31
2.26
2
3.03
2.86
2.75
2.67
2.61
8
3.90
3.64
3.47
3.35
3.26
9
3.97
3.71
3.53
3.41
3.32
10
11
12
13
14
2.23
2.20
2.18
2.16
2.14
2.57
2.53
2.50
2.48
2.46
2.76
2.72
2.68
2.65
2.63
2.89
2.84
2.81
2.78
2.75
2.99
2.94
2.90
2.87
2.84
3.07
3.02
2.98
2.94
2.91
3.14
3.08
3.04
3.00
2.97
3.19
3.14
3.09
3.06
3.02
3.24
3.19
3.14
3.10
3.07
15
16
17
18
19
2.13
2.12
2.11
2.10
2.09
2.44
2.42
2.41
2.40
2.39
2.61
2.59
2.58
2.56
2.55
2.73
2.71
2.69
2.68
2.66
2.82
2.80
2.78
2.76
2.75
2.89
2.87
2.85
2.83
2.81
2.95
2.92
2.90
2.89
2.87
3.00
2.97
2.95
2.94
2.92
3.04
3.02
3.00
2.98
2.96
20
24
30
40
60
2.09
2.06
2.04
2.02
2.00
2.38
2.35
2.32
2.29
2.27
2.54
2.51
2.47
2.44
2.41
2.65
2.61
2.58
2.54
2.51
2.73
2.70
2.66
2.62
2.58
2.80
2.76
2.72
2.68
2.64
2.86
2.81
2.77
2.73
2.69
2.90
2.86
2.82
2.77
2.73
2.95
2.90
2.86
2.81
2.77
120
1.98
2.24
2.38
2.47
2.55
2.60
2.65
2.69
2.73
1.96
2.21
2.35
2.44
2.51
2.57
2.61
2.65
2.69
327
TABLA A-12
Valores Crticos para las Comparaciones de Dunnett con un Control
Para la prueba en dos Direcciones con =.01
5
6
7
8
9
1
4.03
3.71
3.50
3.36
3.25
2
4.63
4.21
3.95
3.77
3.63
10
11
12
13
14
3.17
3.11
3.05
3.01
2.98
3.53
3.45
3.39
3.33
3.29
3.74
3.65
3.58
3.52
3.47
3.88
3.79
3.71
3.65
3.59
3.99
3.89
3.81
3.74
3.69
4.08
3.98
3.89
3.82
3.76
4.16
4.05
3.96
3.89
3.83
4.22
4.11
4.02
3.94
3.88
4.28
4.16
4.07
3.99
3.93
15
16
17
18
19
2.95
2.92
2.90
2.88
2.86
3.25
3.22
3.19
3.17
3,15
3.43
3.39
3.36
3.33
3.31
3.55
3.51
3.47
3.44
3.42
3.64
3.60
3.56
3.53
3.50
3.71
3.67
3.63
3.60
3.57
3.78
3.73
3.69
3.66
3.63
3.83
3.78
3.74
3.71
3.68
3.88
3.83
3.79
3.75
3.72
20
24
30
40
60
2.85
2.80
2.75
2.70
2.66
3.13
3.07
3.01
2.95
2.90
3.29
3.22
3.15
3.09
3.03
3.40
3.32
3.25
3.19
3.12
3.48
3.40
3.33
3.26
3.19
3.55
3.47
3.39
3.32
3.25
3.60
3.52
3.44
3.37
3.29
3.65
3.57
3.49
3.41
3.33
3.69
3.61
3.52
3.44
3.37
120
2.62
2.58
2.85
2.79
2.97
2.92
3.06
3.00
3.12
3.06
3.18
3.11
3.22
3.15
3.26
3.19
3.29
3.22
8
5.80
5.20
4.82
4.56
4.37
9
5.89
5.28
4.89
4.62
4.43
328
TABLA A-12
Valores Crticos para las Comparaciones de Dunnett con un Control
Para la prueba Unidireccional con =.05
5
6
7
8
9
2.02
1.94
1.89
1.86
1.83
2.44
2.34
2.27
2.22
2.18
2.68
2.56
2.48
2.42
2.37
2.85
2.71
2.62
2.55
2.50
2.98
2.83
2.73
2.66
2.60
3.08
2.92
2.82
2.74
2.68
3.16
3.00
2.89
2.81
2.75
3.24
3.07
2.95
2.87
2.81
3.30
3.12
3.01
2.92
2.86
10
11
12
13
14
1.81
1.80
1.78
1.77
1.76
2.15
2.13
2.11
2.09
2.08
2.34
2.31
2.29
2.27
2.25
2.47
2.44
2.41
2.39
2.37
2.56
2.53
2.50
2.48
2.46
2.64
2.60
2.58
2.55
2.53
2.70
2.67
2.64
2.61
2.59
2.76
2.72
2.69
2.66
2.64
2.81
2.77
2.74
2.71
2.69
15
16
17
18
19
1.75
1.75
1.74
1.73
1.73
2.07
2.06
2.05
2.05
2.03
2.24
2.23
2.22
2.21
2.20
2.36
2.34
2.33
2.32
2.31
2.44
2.43
2.42
2.41
2.40
2.51
2.50
2.49
2.48
2.47
2.57
2.56
2.54
2.53
2.52
2.62
2.61
2.59
2.58
2.57
2.67
2.65
2.64
2.62
2.61
20
24
30
40
60
1.72
1.71
1.70
1.68
1.67
2.03
2.01
1.99
1.97
1.95
2.19
2.17
2.15
2.13
2.10
2.30
2,28
2.25
2.23
2.21
2.39
2.36
2.33
2.31
2.28
2.46
2.43
2.40
2.37
2.35
2.51
2.48
2.45
2.42
2.39
2.56
2.53
2.50
2.47
2.44
2.60
2.57
2.54
2.51
2.48
120
1.66
1.93
2.08
2.18
2.26
2.32
2.37
2.41
2.45
1.64
1.92
2.06
2.16
2.23
2.29
2.34
2.38
2.42
329
TABLA A-12
Valores Crticos para las Comparaciones de Dunnett con un Control
Para la prueba Unidireccional con =.01
5
6
7
8
9
1
3.37
3.14
3.00
2.90
2.82
2
3.90
3.61
3.42
3.29
3.19
10
11
12
13
14
2.76
2.72
2.68
2.65
2.62
3.11
3.06
3.01
2.97
2.94
3.31
3.25
3.19
3.15
3.11
3.45
3.38
3.32
3.27
3.23
3.56
3.48
3.42
3.37
3.32
3.64
3.56
3.50
3.44
3.40
3.71
3.63
3.56
3.51
3.46
3.78
3.69
3.62
3.56
3.51
3.83
3.74
3.67
3.61
3.56
15
16
17
18
19
2.60
2.58
2.57
2.55
2.54
2.91
2.88
2.86
2.84
2.83
3.08
3.05
3.03
3.01
2.99
3.20
3.17
3.14
3.12
3.10
3.29
3.26
3.23
3.21
3.18
3.36
3.33
3.30
3.27
3.25
3.42
3.39
3.36
3.33
3.31
3.47
3.44
3.41
3.38
3.36
3.52
3.48
3.45
3.42
3.40
20
24
30
40
60
2.53
2.49
2.46
2.42
2.39
2.81
2.77
2.72
2.68
2.64
2.97
2.92
2.87
2.82
2.78
3.08
3.03
2.97
2.92
2.87
3.17
3.11
3.05
2.99
2.94
3.23
3.17
3.11
3.05
3.00
3.29
3.22
3.16
3.10
3.04
3.34
3.27
3.21
3.14
3.08
3.38
3.31
3.24
3.18
3.12
120
2.36
2.33
2.60
2.56
2.73
2.68
2.82
2.77
2.89
2.84
2.94
2.89
2.99
2.93
3.03
2.97
3.06
3.00
8
4.94
4.51
4.23
4.03
3.89
9
5.03
4.59
4.30
4.09
3.94
330
TABLA A-13
Valores Crticos de Bonferroni
=.05
2
3
4
5
6
7
8
9
10
15
20
25
30
35
40
45
50
5
3.17
3.54
3.81
4.04
4.22
4.38
4.53
4.66
4.78
5.25
5.60
5.89
6.15
8.38
6.58
6.70
6.86
7
2.84
3.13
3.34
3.50
3.64
3.78
3.88
3.05
4.03
4.38
4.59
4.78
4.95
5.09
5.21
5.31
5.40
10
2.64
2.87
3.04
3.17
3.28
3.37
3.45
3.52
3.58
3.83
4.01
4.15
4.27
4.37
4.45
4.53
4.59
12
2.56
2.78
2.94
3.06
3.15
3.24
3.31
3.37
3.43
3.65
3.80
3.93
4.04
4.13
4.20
4.28
4.32
15
2.49
2.60
2.84
2.95
3.04
3.11
3.18
3.24
3.29
3.48
3.62
3.74
3.82
3.90
3.07
4.02
4.07
m=nmero de contrastes
20
24
2.42
2.39
2.61
2.58
2.75
2.70
2.85
2.80
2.93
2.88
3.00
2.04
3.06
3.00
3.11
3.05
3.16
3.00
3.33
3.26
3.46
3.38
3.55
3.47
3.63
3.54
3.70
3.61
3.76
3.66
3.80
3.70
3.85
3.74
30
2.36
2.54
2.66
2.75
2.83
2.89
2.94
2.90
3.03
3.19
3.30
3.39
3.48
3.52
3.57
3.61
3.65
40
2.33
2.80
2.62
2.71
2.78
2.84
2.89
2.93
2.07
3.12
3.23
3.31
3.38
3.43
3.48
3.51
3.55
60
2.30
2.47
2.58
2.66
2.73
2.79
2.84
2.88
2.92
3.06
3.16
3.24
3.30
3.34
3.39
3.42
3.46
120
2.27
2.43
2.54
2.62
2.68
2.74
2.79
2.83
2.86
2.90
3.00
3.16
3.22
3.27
3.31
3.34
3.37
2.24
2.39
2.50
2.58
2.64
2.80
2.74
2.77
2.81
2.04
3.02
3.00
3.15
3.19
3.23
3.26
3.29
331
TABLA A-13
Valores Crticos de Bonferroni
=.01
2
3
4
5
6
7
8
9
10
15
20
26
30
35
40
45
50
m=nmero de contrastes
5
4.78
5.25
5.60
5.89
6.15
6.36
6.58
6.70
6.88
7.61
8.00
8.37
8.68
8.95
9.19
9.41
0.68
7
4.03
4.36
4.59
4.78
4.05
6.09
5.21
5.31
5.40
5.79
6.08
6.30
8.49
6.67
6.83
6.93
7.06
10
3.58
3.83
4.01
4.15
4.27
4.37
4.45
4.63
4.69
4.86
5.06
5.20
5.33
5.44
5.52
5.60
5.70
12
3.43
3.65
3.80
3.03
4.04
4.13
4.20
4.26
4.32
4.50
4.73
4.88
4.95
5.04
5.12
6.20
5.27
15
3.29
3.48
3.62
3.74
3.82
3.90
3.97
4.02
4.07
4.29
4.42
4.53
4.81
4.71
4.78
4.84
4.00
20
3.18
3.33
3.46
3.55
3.03
3.70
3.76
3.80
3.85
4.03
4.15
4.25
4.33
4.39
4.46
4.52
4.86
24
3.09
3.26
3.38
3.47
3.54
3.81
3.66
3.70
3.74
3.01
4.04
4.1*
4.2*
4.3*
4.3*
4.3*
4.4*
30
3.03
3.19
3.30
3.39
3.46
3.62
3.57
3.61
3.68
3.80
3.90
3.98
4.13
4.26
4.1*
4.2*
4.2
40
2.07
3.12
3.23
3.31
3.38
3.43
3.48
3.51
3.55
3.70
3.79
3.88
3.93
3.07
4.01
4.1*
4.1*
80
2.92
3.06
3.18
3.24
3.30
3.34
3.39
3.42
3.40
3.59
3.69
3.76
3.81
3.84
3.89
3.93
3.07
120
2.86
2.99
3.09
3.16
3.22
3.27
3.31
3.34
3.37
3.80
3.68
3.64
3.69
3.73
3.77
3.80
3.83
2.81
2.94
3.02
3.09
3.15
3.19
3.23
3.26
3.29
3.40
3.48
3.54
3.59
3.63
3.66
3.69
3.72
332
TABLA A-14
Coeficientes de Polinomios Ortogonales
Coeficientes
c2
Tratamientos
3
Grado
1
2
1
3
-1
1
0
-2
1
1
1
2
3
2
1
3/10
-3
1
-1
-1
-1
3
1
-1
-3
3
1
1
1
2
3
4
1
1
5/6
35/12
-2
2
-1
1
-1
-1
2
-4
0
-2
0
6
1
-1
-2
-4
2
2
1
1
1
2
3
4
2
3/2
5/3
7/12
-5
5
-5
1
-3
-1
7
-3
-1
-4
4
2
1
-4
-4
2
3
-1
-7
-3
5
5
5
1
1
2
3
4
1
1
1/6
7/12
-3
5
-1
3
-2
0
1
-7
-1
-3
1
1
0
-4
0
6
1
-3
-1
1
2
0
-1
-7
3
5
1
3
1
2
3
4
2
1
2/3
7/12
-7
7
-7
7
-5
1
5
-13
-3
-3
7
-3
-1
-5
3
9
1
-5
-3
9
3
-3
-7
-3
5
1
-5
-13
7
7
7
7
1
2
3
4
1
3
5/6
7/12
-4
28
-14
14
-3
7
7
-21
-2
-8
13
-11
-1
-17
9
9
0
-20
0
18
1
-17
-9
9
2
-8
-13
-11
3
7
-7
-21
4
28
14
14
10
1
2
3
4
5/3
5/12
-9
6
-42
18
-7
2
14
-22
-5
-1
35
-17
-3
-3
31
3
-1
-4
12
18
1
-4
-12
18
3
-3
-31
3
5
-1
-35
-17
7
2
-14
-22
2
6
20
4
20
10
14
10
70
70
84
180
28
28
84
6
154
168
168
264
616
60
2772
990
2002
9
6
42
18
330
132
8580
2860
333
334
Referencias Bibliogrficas.
Cochran, W. G. y Cox, G. (1957). Experimental Designs, 2nd ed., Wiley, New York.
Dean, A. Dean, A. y Voss D. (1998). Design and Analysis of Experiments, SpringerVerlag New York Incorporated. E. U. A.
Draper, N. R. y Smith, H. (1981). Applied Regression Analysis, 2nd ed., John Wiley and
Sons, E.U.A.
Duncan, A. J. (1986). Quality Control and Industrial Statistics, 5th. Edition, Irwin, E. U.
A.
Federer, W. T. (1955). Experimental Design. MacMillan, New York.
Graybill, F. (1976). Theory and Application of the Linear Model. N. Scituate, Mass.
Duxbury Press.
Hicks, C. R. (1973). Fundamental Concepts in the Design of Experiments, 2nd ed.,
Holt, Rinehart and Winston, New York.
Hogg, R.V. y Craig, A.T. (1978). Introduction to Mathematical Statistics, Macmillan
Publishing Co., New York, E.U.A.
Kelklar, Girish. P. (2004). Design of Experiments (DOE) for Manufacturing, Society for
Manufacturing Engineering.
Lentner, M. y Bishop, T. (1986). Experimental Design and Analysis, Valley Book
Company, Blactesburg. VA, E.U.A.
Mc. Clave James T. y Dietrich, Frank H. II (1985). Statistics, 3rd ed., Dellen-MacMillan.
Mood, A. M., Graybill, F. A. y Boes D. (1974). Introduction to the Theory of Statistics,
3rd ed., Mc Graw Hill, New York.
Montgomery, D. C. (1997), Design and Analysis of Experiments, 4th edition, John
Wiley & Sons, New York.
Montgomery, D. C. and E. A. Peck (1992), Introduction to Linear Regression Analysis,
2nd edition, John Wiley & Sons, New York.
Montgomery, D. C. (1996), Introduction to Statistical Quality Control, 3rd edition, John
Wiley & Sons, New York.
236