Introduccin

Un experimento puede definirse como una prueba que permite analizar el efecto
producido por una o varias variables independientes sobre una variable
dependiente. En s, el objetivo de los experimentos es determinar la influencia que
tienen ciertos factores sobre la respuesta de salida del sistema.
Por su parte, los diseos experimentales son un esquema de cmo realizar
un experimento; se definen como un conjunto de pruebas en las que se efectan
cambios voluntarios a los parmetros de control de un proceso, su objetivo se
centra en la observacin e identificacin de las razones de cambio en la variable
de estudio y cuantificarla. Estos mtodos tienen amplia aplicacin en distintas
disciplinas, por ejemplo, en el mbito de la ingeniera para la mejora en el
desempeo de manufactura; con el objetivo de desarrollar un proceso robusto, es
decir, que se vea afectado de forma mnima por fuentes de variabilidad externas.
Dentro de las condiciones para llevar a cabo los diseos experimentales es
importante tomar en cuenta lo siguiente:
-

Seleccionar aleatoriamente las unidades experimentales, para evitar un

sesgo en el muestreo
Realizar un cierto nmero de repeticiones, esto permite cuantificar el error

experimental
Controlar las condiciones, reduce el error experimental

Algunos ejemplo bsicos de diseos experimentales:

-

Experimentos

donde

se

estudia

relacin

causa-efecto:

estudian

principalmente el efecto de variables independientes sobre una variable

-

dependiente.
Experimentos controlados: son ensayos controlados donde se evaluan
diferentes niveles de un factor, mientras los otros factores permanecen
constantes; sin embargo, no en todos los casos no es posible tener el

control

de

estos

experimentales.

factores,

Dichos

de

errores

manera
se

que

miden

por

se
la

tienen

errores

variacin

en

observaciones realizadas en condiciones normalmente iguales.

La suma en los efectos de tratamientos y el error experimental se representa por
el modelo bsico del anlisis de la varianza:
y=+

La importancia de llevar a cabo los dseos experimentales se centra

principalmente en:
-

En la determinacin de cules son las variables con mayor influencia

sobre la variable de respuesta que se est evaluando

Determinar el valor ptimo de las variables controlables (tratamientos)

que tienen influencia en las unidades experiementales estudiadas

Determinar la mejor combinacin de las variables que reduzcan la

variabilidad en la respuesta
Determinacin de la robustez de un sistema
Obtener informacin que permitir el desarrollo de nuevos procesos y

productos, para entender la conformacin del sistema

Planificacin de la experimentacin en base a aspectos econmicos y en
los resultados que se podrn obtener (resultados verdaderos)

La planeacin del experimento de manera que se recaben todos los datos que
puedan analizarse con mtodos estadsticos que darn pie a conclusiones vlidas
y objetivas se define como diseo estadstico de experimentos.
Dentro de las caracteristicas en la planeacin de los experimentos es importante:
1. Especificar los problemas, a manera de probar hiptesis y encontrar
respuestas, por lo que es importante que los experimentos sean, simples:
cuando estudian un solo factor de variacin; y factoriales: que estudian de
manera simultanea dos o ms factores que influyen en el estudio.

2. Ubicar un lugar y condiciones adecuadas para llevar a cabo el experimento;

debe

elegirse

un

lugar

accesible

un

nmero

de

repeticiones

representativo.
3. Reducir las fuentes de error; es importante llevar a cabo un muestreo
adecuado,

que

el

experimentador

realice

la

experimentacin

con

responsabilidad.
4. Mantener de manera constante los factores que pueden afectar la
produccin o la calidad del producto.
5. Que el experimentador sea cauto en los resultados experimentales, cuando
se realiza una observacin de una muestra en una poblacin de
experimentos; por lo que es necesario la repeticin del experimento para
que haya uniformidad.
6. Conocer cules son los objetivos de la investigacin.

ANOVA
El anlisis de la varianza (ANOVA) se debe al estadstico-gentico Sir Ronald
Aylmer Fisher (1890-1962), publicado en 1925 y pionero de la aplicacin de
mtodos estadsticos en el diseo de experimentos, introduciendo el concepto de
aleatorizacin.
El ANOVA se puede utilizar en las situaciones en las que nos interesa
analizar una respuesta cuantitativa, llamada variable dependiente, medida bajo
ciertas condiciones experimentales identificadas por una o ms variables
categricas llamadas variables independientes. Cuando hay una sola variable que
proporciona condiciones experimentales distintas, el anlisis recibe el nombre de
ANOVA de un factor.
La variacin en la respuesta se divide en la variacin entre los diferentes
niveles del factor (los diferentes tratamientos) y la variacin entre individuos dentro
de cada nivel. Suponiendo que las medias de los grupos son iguales, la variacin
entre grupos es comparable a la variacin entre individuos. Si la primera es mucho
mayor que la segunda, puede indicar que las medias en realidad no son iguales.

En las pruebas paramtricas de estadstica, como la t de Student y el anlisis

de varianza de Fischer, se exige como requisito previo la homogeneidad de las
varianzas. Esta tcnica es un valioso auxiliar para decidir la homogeneidad o
heterogeneidad del error estadstico. Al respecto, se debe considerar que la
varianza corresponde a la suma de las diferencias de los valores individuales en
relacin con el promedio, elevadas al cuadrado y divididas entre los grados de
libertad, es decir, son variaciones alrededor de la medida de tendencia central,
representativa de la muestra con la cual se estudia un fenmeno, sin embargo, no
se puede saber si esas variaciones se deben a errores dados por el fenmeno en
s o a errores del observador o del mtodo para efectuar las mediciones.
Cuando existen dos o ms grupos de poblacin que se desea comparar y las
varianzas son iguales, se puede considerar que la fuente de error es la misma, en
caso contrario, si son desiguales, se tiene la probabilidad de que otra fuente
desconocida de error en alguna de las muestras intervenga desfavorablemente en
los resultados del anlisis estadstico.

Distribucin normal
Una distribucin de probabilidad indica toda la gama de valores que pueden
representarse como resultado de un experimento si este se llevase a cabo.
Existen distintos tipos de distribuciones, sin embargo, la conocida como
distribucin normal es, por la cantidad de fenmenos que explica, la ms
importante de las distribuciones estadsticas.
A la distribucin normal tambin se le denomina con el nombre de campana de
Gauss, pues al representar su funcin de probabilidad, esta tiene forma de
campana. Una de sus caractersticas ms importantes es que casi cualquier
distribucin de probabilidad, tanto discreta como continua, se puede aproximar por
una normal bajo ciertas condiciones.
Caractersticas

 Al tener la curva forma de campana, y un solo pico en el centro de

distribucin, la media aritmtica, la mediana y la moda de la distribucin son
iguales y se localizan en el pico. As, la mitad del rea bajo la curva se
encuentra a la derecha de este punto central y la otra mitad est a la
izquierda de dicho punto.
La distribucin de probabilidad normal es simtrica alrededor de su media.
La curva normal desciende suavemente en ambas direcciones a partir del
valor central. Es asinttica, lo que quiere decir que la curva se acerca cada
vez ms al eje X pero jams llega a tocarlo.

Funcin de densidad de probabilidad

La probabilidad de que una v.a X tome un valor determinado entre dos nmeros
reales a y b coincide con el rea encerrada por la funcin de densidad de
probabilidad entre los puntos a y b, es decir: ( ) = ( )

Se puede observar que:

 La distribucin normal es simtrica respecto de su media , es decir, existe

un 50% de probabilidades de observar un dato mayor a la media y un 50%
de probabilidades de observar un dato menor a la misma.
Tiene una nica moda, que coincide con su media y su mediana.
La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor
entre - y + es tericamente posible. El rea total bajo la curva es, por
tanto, igual a 1.
El rea bajo

la

curva

comprendida

entre

los

valores

situados

aproximadamente a dos desviaciones estndar de la media es igual a 0.95.

En concreto, existe un 95% de posibilidades de observar un valor
comprendido en el intervalo (-1.96 , +1.96).
La distancia entre la lnea trazada en la media y el punto de inflexin de la
curva es igual a una . Cuanto mayor sea , mas aplanada ser la curva de
la densidad.
Del ltimo punto se deduce que no existe una nica distribucin normal, sino una
familia de distribuciones con una forma comn, diferenciadas por los valores de su
media y su varianza.

Distribucin normal estndar

De entre todas las distribuciones normales, la ms utilizada es la distribucin
normal estndar. Esta distribucin corresponde a una media 0 y varianza 1. Es
importante conocer que, a partir de cualquier variable X que siga una distribucin
N(, ), se puede obtener otra caracterstica Z con una distribucin normal
estndar, sin ms que efectuar la transformacin:

Z=

Esta propiedad resulta especialmente interesante en la prctica, ya que para una

distribucin normal estndar existen tablas publicadas a partir de las cuales se
puede obtener de modo sencillo la probabilidad de observar un dato menor o igual
a un cierto valor Z, y que permitirn resolver preguntas de probabilidad acerca del

comportamiento de variables de las que se sabe o se asume que siguen una

distribucin aproximadamente normal.
Para asegurarse que los datos corresponden a una distribucin normal existen
varios mtodos entre los que se encuentran:

Histograma
Grficos
Grficos de cuantiles normales Q Q
Grficos de probabilidad normal PP
Pruebas de bondad y ajuste

Histograma
Un histograma es una representacin grfica de una variable en forma de barra,
donde la superficie de cada barra es proporcional a la frecuencia de los valores
representados, ya sea en forma diferencial o acumulada. Sirven para obtener una
visin general, o panorama, de la distribucin de la poblacin, o la muestra,
respecto a una caracterstica de la misma y que es de inters para el observador.
En general se utilizan para relacionar variables cuantitativas continuas, pero
tambin se lo suele usar para variables cuantitativas discretas, en cuyo caso es
comn llamarlo diagrama de frecuencias y sus barras estn separadas.

En los histogramas podemos saber si un conjunto de datos siguen una distribucin

normal. Para esto, debemos observar valores similares en la media, moda y
mediana.
Para construir un histograma se deben seguir los siguientes pasos:
Paso 1: Determinar el rango de los datos. Rango es igual al dato mayor menos el
dato menor.
Paso 2: Obtener todos los nmeros de clases. Algunos autores recomiendan de
cinco a quince clases, dependiendo de cmo estn los datos y cuantos sean. Un
criterio usado frecuentemente es que el nmero de clases debe ser
aproximadamente a la raz cuadrada del nmero de datos.
Paso 3: Establecer la longitud de clase: es igual al rango dividido por el nmero de
clases.
Paso 4: Construir los intervalos de clases: Los intervalos resultan de dividir el
rango de los datos en relacin al resultado del PASO 2 en intervalos diferentes
Paso 5: Graficar el histograma: En caso de que las clases sean todas de la misma
amplitud, se hace una grfica de pastel, las bases de las barras son los intervalos
de clases y la altura es la frecuencia de las clases. Si se unen los puntos medios
de la base superior de los rectngulos se obtiene el polgono de frecuencias.
Grficos
Los grficos ayudan al investigador a juzgar si sus datos proceden de una
distribucin normal. Por ejemplo, si los datos proceden de una distribucin normal
cabe esperar que la distribucin no tendr una fuerte asimetra. Sin embargo, con
pocos datos no es fcil obtener conclusiones consistentes y de ah que se hayan
ideado grficos concretos para observar la normalidad de las puntuaciones de una
variable.
Grficos para observar la normalidad de las puntuaciones de una variable:
Grficos de probabilidad normal P-P plot
Grficos de cuantiles normales Q-Q plots

Estos grficos trabajan con los datos estandarizados y ordenados. Cuando los
datos se representan frente a los datos esperados de una distribucin N (0, 1) se
deben obtener puntos alineados en la diagonal de un cuadro.
Grficos de probabilidad normal PP
Representan dos funciones de distribuciones acumulativas, una contra otra: dando
dos funciones de probabilidad F y G donde f(z) y g(z), tienen valores entre
menos infinito e infinito. Como la funcin de distribucin acumulativa tiene de
rango (0,1), el dominio del rango parmetro o es (menos infinito, infinito) y el rango
es la unidad cuadrada (0,1) x (0,1).

Grficos de cuantiles normales Q Q

Se representan los cuantiles empricos obtenidos en la muestra frente al cuantil
correspondiente en la distribucin Normal. Si el grafico muestra una relacin
cercana a una lnea recta entonces se sugiere que los datos proceden de una
distribucin normal.

La lnea de comparacin es la pendiente que est a 45, desde (0,0) hasta (1,1) y
la distribucin se considera igual si y solo si se juntan ambas lneas. Cualquier
desviacin significa una diferencia entre las distribuciones.
Pruebas de Bondad y Ajuste
Las pruebas de bondad de ajuste son aquellas que comparan los resultados de
una muestra con los que se espera obtener cuando la hiptesis nula es verdadera.
Esta tiene por objetivo determinar si los datos se ajustan a una determinada
distribucin, la cual puede estar completamente especificada (hiptesis simple) o
perteneciente a una clase para-mtrica (hiptesis compuesta).
Sea X: variable aleatoria poblacional
f0(x) la distribucin (o densidad) de probabilidad especificada o supuesta para X
Se desea probar la hiptesis:
Ho: f(x) = f0(x)
En contraste con la hiptesis alterna:
Ha: f(x) no= f0(x) (negacin de Ho).
Se destacan las siguientes pruebas:

Prueba de X2
Es una prueba no para-mtrica la cual se emplea tanto para distribuciones
continuas como para las discretas. Esta se utiliza para encontrar la distribucin de
una serie de datos.
Utiliza la siguiente formula:
observadateorica 2

X 2 =
Donde x2 es un valor de una variable aleatoria cuya distribucin muestral se
aproxima muy de cerca con v = k 1 grados de libertad.
Hiptesis:
Ho: la muestra se ajusta a una distribucin terica (esperado o modelo)
H1: la muestra no se ajusta a una distribucin terica (esperado o modelado)
Si las frecuencias observadas no difieren significativamente de las frecuencias
esperadas calculadas con el modelo propuesto, entonces el valor de estadstico
de prueba X2 ser cercano a cero, pero si estas diferencias son significativas,
entonces el valor del estadstico X2 estar en la regin de Ho.

Caractersticas de la prueba

 Comprueba si los datos que observamos estn dentro de lo normal y

probable, es decir, la diferencia que observamos en los datos es debida al
azar.
Aceptamos o rechazamos la H0.
La categora de las variables que se estudian tiene que ser excluyentes,
cualitativas y con un tamao mnimo de 50 casos.
Prueba Kolmogorov-Smirnov
La prueba de Kolmogorov-Smirnov es un procedimiento de bondad de ajuste, es
decir, permite la medicin del grado de concordancia entre la distribucin de un
conjunto de datos (muestra) y una distribucin terica especfica.
Hiptesis:
H0: La distribucin de frecuencias observada es consistente con la distribucin
terica Buen ajuste
H1: La distribucin de frecuencias observada no es consistente con la distribucin
terica Mal ajuste
= Nivel de significacin de prueba
El objetivo de esta prueba de bondad de ajuste es sealar y determinar si los
datos estudiados o mediciones muestrales provienen de una poblacin que tiene
una distribucin terica determinada.
Ventajas
Ms poderosa que la Chi cuadrada.
El estadstico es independiente de la distribucin de frecuencias esperada,
solo depende del tamao de la muestra
Desventaja

o
o

Solo se aplica al anlisis de variables continuas

Procedimiento general de la prueba
Obtener al menos 20 datos de la variable aleatoria a analizar.
Calcular la media y la varianza de los datos

o Crear un histograma de M=Sn intervalos, y obtener la frecuencia observada

en cada intervalo
o Calcular la probabilidad observada de cada intervalo
o Establecer explcitamente la hiptesis nula, proponiendo que se ajuste a la
forma del histograma
o Calcular la probabilidad esperada acumulada para cada intervalo a partir de
la funcin de probabilidad de propuesta.
o Comparar el estadstico de prueba con el valor crtico. Si el estadstico de
prueba es menor que el valor critico no se puede rechazar la hiptesis nula
H0.
Anderson-Darling
La prueba de Anderson-Darling es utilizada para probar si un conjunto de datos
muestrales provienen de una poblacin con una distribucin de probabilidad
continua especifica (por lo general la distribucin normal).
Se basa en la comparacin de la distribucin de probabilidades acumulada
emprica (resultado de los datos) con la distribucin de probabilidades acumulada
terica (definida en H0).
Hiptesis:
H0: Las variables aleatorias en un estudio siguen una distribucin normal (, ).
Ha: Las variables aleatorias en un estudio no siguen una distribucin normal (,
).
Prueba de Shapiro-Wilk para probar normalidad
En estadstica, la prueba de ShapiroWilk se usa para contrastar la normalidad de
un conjunto de datos. Se plantea como hiptesis nula que una muestra x1,..., xn
proviene de una poblacin normalmente distribuida. Fue publicado en 1965 por
Samuel Shapiro y Martin Wilk.1 Se considera uno de las pruebas ms potentes
para el contraste de normalidad, sobre todo para muestras pequeas (n<50).
Su objetivo es determinar si una muestra aleatoria presenta distribucin normal.
La lgica de la prueba se basa en las desviaciones que presentan las estadsticas
de orden de la muestra respecto a los valores esperados de los estadsticos de
orden de la normal estndar.

Supuestos
1. Una muestra
2. Observaciones independientes
3. Muestreo aleatorio
4. Variables en escala de intervalo o razn
Tipo de hiptesis a probar
Ho: La muestra aleatoria tiene una distribucin normal.
Hiptesis alterna sin direccin
Hi: La muestra aleatoria no tiene una distribucin normal.

Prueba de Lilliefors para probar normalidad

En estadstica, la prueba Lilliefors, es una prueba de normalidad basada en la
prueba de Kolmogorov-Smirnov. Se utiliza para probar la hiptesis nula de que los
datos provienen de una distribuida normalmente poblacin, cuando la hiptesis
nula no especifica que distribucin normal; es decir, que no especifica el valor
esperado y la varianza de la distribucin.
Cuando la poblacin media y desviacin estndar son conocidos podemos utilizar
la muestra de prueba de Kolmogorov-Smirnov para comprobar la normalidad,
como se describe en Kolmogorov-Smirnov para la normalidad.
Sin embargo, cuando la media de la poblacin y la desviacin estndar no son
conocidos, pero en su lugar se estima a partir de los datos de la muestra,
entonces la habitual prueba de Kolmogorov-Smirnov basado en los valores crticos
en la tabla de Kolmogorov-Smirnov produce resultados que son demasiado
conservadores.
La prueba de Lilliefors utiliza los mismos clculos que la prueba de KolmogorovSmirnov, pero la tabla de valores crticos en la tabla de prueba Lilliefors se utiliza
en lugar de la tabla de Kolmogorov-Smirnov. Dado que los valores crticos en esta
tabla son ms pequeos.

En esta prueba se tiene X 1, X2.., Xn, una muestra aleatoria de tamao n de

una poblacin con funcin de distribucin desconocida.

Pruebas de homogeneidad de varianzas

Las pruebas de homogeneidad de varianza cuentan con diferentes pruebas, las
ms conocidas son: Bartlett, Levene y Cochran.
Prueba de Bartlett
Bartlett al estudiar las propiedades de suficiencia par toda prueba de significancia
en muestras pequeas desarrollo la idea de variacin condicional y demostr su
comportamiento en pruebas comunes dependiendo ya sea de variacin continua o
discontinua. Reexamin el uso de la X 2 y otros criterios de similares; de esto
propone una nueva aplicacin de la X 2 para probar la homogeneidad de una serie
de varianza (Bartlett 1937).

Frecuentemente llamada M-de Bartlett o tambin

Neyman-Pearson Bartlett; su aplicacin se relaciona para llevar a cabo la

comparacin de varianza (homogeneidad u homocedasticidad de varianza) entre
grupos, al mismo tiempo puede ser utilizada para checar homogeneidad en
interacciones de mayor grado en experimentos factoriales
Para verificar la igualdad de varianza (Ho: i2= i2 vs Hi: i2 i2) Conover et al.
1981 menciona hasta este momento la existencia de cincuenta y seis pruebas
para la igualdad de varianza, la mayora de las cuales son variaciones de las ms
populares y ms usadas tanto de las paramtricas como de las no paramtricas
pruebas disponibles para probar las k varianzas (k > 2). Las pruebas paramtricas
las clasifica en:
Grupo 1: aquellas que son esencialmente modificaciones a la prueba de
razn de verosimilitud o que de otro modo trabajan bajo el supuesto de
normalidad.
Grupo 2: Las que son modificaciones a stas empleando un estimador.
Grupo 3: Las que son modificaciones a la prueba F para medias.

 Grupo 4: Entre las pruebas no paramtricas se incluyen las de clase de

rango lineal, la modificacin consiste en usar la media o la mediana
muestral en lugar de la media poblacional cuando se calcula el estadstico
de prueba para homogeneidad de varianza.
En las tareas de la investigacin cientfica de los fenmenos psicolgicos es poco
probable que al medir las observaciones en dos o ms muestras poblacionales, la
variacin sea idntica. Por lo general, esas varianzas tienen nmeros diferentes y
el investigador cae en la incertidumbre de decidir si las fuentes de error fueron las
mismas o si intervinieron uno o ms agentes de variacin. La prueba de ji
cuadrada de Bartlett permite saber, en funcin de la probabilidad, si la
discrepancia entre varianzas fue dada por el azar o por otros factores de error no
deseados por el experimentado.
La X2 de Bartlett se define matemticamente con la ecuacin siguiente:

X Bartlett=

ln

( n1 )
( n1 ) ln ( n1 )
( n1 )
k +1
1+
3 ( k 1 )( N k )

Donde:
X2 Bartlett = Valor estadstico de esta prueba.
ln = Logaritmo natural.
S2 = Varianza.
n = Tamao de la muestra del grupo.
k = Nmero de grupos participantes.
N = Tamao total (sumatoria de las muestras).
Pasos:
1. Obtener el tamao de la muestra (n) y la varianza (s2) de cada grupo.
2. Multiplicar la varianza de cada grupo por los grados de libertad y
sumarlas: s2 (n - 1).

3. Transformar la varianza de cada grupo en el logaritmo natural y multiplicarla

por los grados de libertad de su grupo: ln s2 (n - 1).
4. Obtener la sumatoria de los grados de libertad de todos los grupos: S (n 1).
5. Obtener la sumatoria de los valores calculados: S ln S2 (n - 1).
6. Dividir la sumatoria de los productos de la varianza por los grados de
libertad (S2 (n - 1)) entre la sumatoria de los grados de libertad (S (n - 1)),
transformar el resultado en logaritmo natural y multiplicarlo por la sumatoria
de los grados de libertad:

7. Obtener la diferencia del paso 6 y 5.

8. Dividir la diferencia obtenida entre el factor de ajuste, el cual est en funcin

del nmero de grupos que intervienen en el anlisis estadstico:

9. El valor obtenido corresponde al estadstico ji cuadrada de Bartlett. Calcular

los grados de libertad (gl): gl = K - 1.
10. Comparar el valor de ji cuadrada de Bartlett con los valores crticos de la
distribucin de ji cuadrada de Pearson.
11. Decidir si se acepta o rechaza la hiptesis.

Regresin lineal simple

El anlisis de regresin es una tcnica estadstica para investigar la relacin
funcional entre dos o ms variables, ajustando algn modelo matemtico. La
regresin lineal simple utiliza una sola variable de regresin y el caso ms sencillo
es el modelo de lnea recta. Supngase que se tiene un conjunto de n pares de
observaciones (Xi,Yi), se busca encontrar una recta que describa de la mejor
manera cada uno de esos pares observados.
Ejemplo
Una de las suposiciones del anlisis de varianza, es que cada uno de los grupos
de unidades experimentales a los que se les aplic los tratamientos, tienen una
varianza homognea, es decir, la varianza de los resultados del tratamiento 1 ( 1)
es igual a la varianza de los resultados del tratamiento 2 ( 2) , y as
sucesivamente. Y para tener la segu5ridad de que este presupuesto se cumple se
puede realizar la prueba de Bartlett. A continuacin se dan a conocer los pasos
para la determinacin de varianza homognea a partir de la prueba de Bartlett.
1. Se identifican los datos recopilados del experimento. Se suman los valores
de cada tratamiento (renglones), la suma se llamar Xi

Trat. 1
Trat. 2
Trat.3

Rep. 1
4.2
3.9
4.8

Rep. 2
4.5
3.8
3.8

Rep. 3
4.3
4.1
4.2

Rep. 4
4.5
3.9
3.5

Totales
17.5
15.7
15.3

2. Se obtiene el cuadrado de cada uno de los datos del experimento y se

suman por tratamiento. A cada valor se le llamar: X2i.

Trat. 1
Trat. 2
Trat.3

Rep. 1
17.64
15.21
14.44

Rep. 2
20.25
14.44
14.44

Rep. 3
18.49
16.81
17.64

Rep. 4
20.25
15.21
12.25

Totales
76.63
61.67
58.77

3. Se obtiene la suma de los cuadrados para cada uno de los tratamientos y

se anota en una tabla aparte. SCi = X2i (xi)2/r.

Trat. 1
Trat 2
Trat. 3

0.0675
0.0475
0.2425

4. Se suman las sumas de cuadrados y se calcula la suma de cuadrados

conjunta con la siguiente ecuacin. S2p= ( SCi )/(n-t).
Num. Trat.
Trat. 1
Trat 2
Trat. 3
SCi

SCi
0.0675
0.0475
0.2425
0.3625

S2p= (0.3625)/(12-3).
S2p= 0.0403.
5. Se obtiene la varianza de cada tratamiento (S 2i ), dividiendo cada suma de
cuadrados (SCi ) entre (r- 1).
S2i=SCi/(r-1).
SCi
S2i
Num. Trat.
Trat. 1
0.0675
0.0225
Trat 2
0.0475
0.0158
Trat. 3
0.2425
0.0825
SCi
0.3625
6. Se calcula el logaritmo natural para cada varianza de cada.
Num. Trat.
Trat. 1
Trat 2
Trat. 3

SCi
0.0675
0.0475
0.2425

S2i
0.0225
0.0158
0.0825

ln(S2 i)
-3.794
-4.146
-2.495

7. Cada logaritmo natural se multiplica por (r-1) y se suman todos los

tratamientos.
Num. Trat.
Trat. 1
Trat 2
Trat. 3

SCi

S2i

0.0675
0.0475
0.2425
0.3625

0.0225
0.0158
0.0825

ln(S2 i)

(r-1)ln(S2
i)
-3.794
-11.38
-4.146
-12.44
-2.495
-7.48
-31.30

8. Por aparte, calcular la suma de 1(ri -1).

r
4
4
4

r-1
3
3
3

1/(r-1)
0.3333
0.3333
0.3333
1

9. Se calcula el estadstico de prueba T con la siguiente ecuacin.

( N t ) ln S2 ( ri1 ) ln S i
i=1

T=
1

1
3 ( t1 )

)(
i=1

1
1

ri=1 N t

( 123 ) ln ( 0.0403 )(31.30 )

1
1
1
1
123
3 ( 31 )
28.29+31.30
T=
1
1
1
1
6
9
T=

)(

( )( )

T =2. 088
10. En la tabla de la x 2 (ji-cuadrada) se localiza el valor de: X2 t-1,0.05 Es
decir, en el rengln de t-1 grados de libertad y en la columna de 0.05.
X2 t-1,0.05 = 5.99
11. Si T > X2 t-1,0.05 Entonces las varianzas no son iguales y la prueba de
anlisis de varianza no se puede realizar.
Como 2.088 < 5.99 la prueba de anlisis de varianza s se puede realizar.

Prueba de ji cuadrada de Bartlett para demostrar la homogeneidad de

varianzas

Ejemplo:
Un investigador realiz un estudio para mostrar que los niveles de ansiedad de las
personas obsesas que asisten de manera constante a tratamiento para control de
peso corporal son mayor que el de los obesos que no asisten a tratamiento. l
desea saber si las varianzas de los grupos son homogneas o no.
Especificaciones: Participaron 28 personas obesas (hombres y mujeres). 14
personas obesas que no asistan a tratamiento y 14 que asistan de manera
regular a algn tipo de tratamiento. A los 28 participantes se les solicit que dieran
respuesta a la escala de estado de ansiedad (IDARE), la cual est diseada para
evaluar el grado de ansiedad ante situaciones cotidianas. Los puntajes de la
escala varan en un rango de 20 a 80 puntos, siendo los puntajes ms altos los
indicativos de un mayor nivel de ansiedad.
Eleccin de la prueba estadstica.
El modelo experimental tiene dos muestras independientes.
Planteamiento de Hiptesis.

Hiptesis alterna (Ha). El investigador, al observar los valores de las

varianzas de los dos grupos, percibe que son diferentes entre s, pero
ignora si las fuentes de error son las mismas. La hiptesis se refiere a que
las varianzas, de acuerdo con lo observado, son diferentes.

Hiptesis nula (Ho). Las diferencias observadas entre las varianzas se

debe al azar; por lo tanto, son iguales y la fuente de error probablemente es
la misma.

Nivel de significacin
Para todo valor de probabilidad igual o menor que 0.05, se acepta Ha y se rechaza
Ho.
Zona de rechazo
Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se rechaza Ha.

Aplicacin de la prueba estadstica

Primeramente se determina el tamao de la muestra y las varianzas de cada
grupo, con lo cual creamos una tabla de apoyo.
s21 = 558.9286 / (14 - 1) = 42.99
s22 = 837.5 / (14 - 1) = 64.42

Clculo de ln
Para este clculo utilizamos una tabla logartmica de base 10 (logaritmos
comunes).
log.(10)s21 = 42.99 = 0.6325 + 1 = 1.6325
log.(10)s22 = 64.42 = 0.8089 + 1 = 1.8089

El logaritmo de base (10) del nmero neperiano es 0.4343. Al dividir un logaritmo

de base (10) de un nmero entero entre 0.4343, se obtiene el logaritmo natural de
ese nmero, entonces:

N = 28
K=2
(n - 1) = 26
s2 (n - 1) = 1396.33
lns2 (n - 1) = 103.
Entonces tenemos ya los clculos requeridos para poder aplicar la prueba
X2 Bartlett

Hacemos un parntesis para calcular el (ln) de:

Continuamos con el clculo de la X2 de Bartlett

Calculamos los grados de libertad (gl)

gl = K - 1 = 2 -1 = 1

El valor de ji cuadrada de Bartlett calculado se compara con los valores crticos de

la distribucin de ji cuadrada de Pearson, y resulta que el valor 3.48 con 1 grado
de libertad corresponde a una probabilidad de 0.05.
Decisin
Como el valor de ji cuadrada de Bartlett es notoriamente menor que el crtico, el
cual equivale a 0.05, la probabilidad de ji cuadrada de 0.46 con 1 grado de libertad
mayor que 0.05. Por lo tanto, se acepta Ho y se rechaza Ha.
Interpretacin
Existe homogeneidad de las varianzas, es decir, aun cuando los valores de error
estadstico difieren entre s, el procedimiento seala que es un efecto aleatorio y
existe gran probabilidad de que la fuente o fuentes de variacin sean las mismas.

Diseo experimental completamente al azar (DECA)

El diseo completamente al azar (DECA) tiene las siguientes caractersticas:

Se emplea cuando las unidades experimentales son bsicamente

homogneas entre s, es decir, cuando la variacin entre ellas es pequeas.

Se usa cuando se mantienen en condiciones homogneas las unidades

experimentales, es decir, principalmente en experimentos de laboratorio o
invernadero.
Los tratamientos se asignan a las unidades experimentales mediante un
mecanismo aleatorio.
Todos los tratamientos pueden tener un nmero igual o diferente de
repeticiones.

Tabla 1. ANOVA para DECA.

G.L
Trat

t-1

Error

Por
Diferencia

Total

tr-1

S.C

C.M

Y i2 Y 2
r tr
i=1

SC (TRA)
GL (TRA)

X Diferencia

Y ij
i=1 j=1

Fc

Ft

)
CM (TRA) GL(T
GL(E ),
CM ( E)

SIG.
*
**
N.S

SC ( E)
GL ( E)
2

Y
tr

* Significativo con 5% error

** Significativo con 1% error
N.S No existe diferencias significativas

Ejercicios
Ejemplo 1. Se realiz un experimento para probar el grado de hidrlisis que tiene
el mtodo de explosin por vapor sobre el almidn de pltano macho para la
obtencin de maltodextrina con un rango de equivalentes de dextrosa (ED) alto.

Para dicho experimento de probaron diferentes tiempos de retencin en el equipo

10, 30 y 40 S. Los resultados se muestran a continuacin.
Tratamientos

Repeticiones
R1
R2
R3
R4
10
9.5
9.8
10.5
14
13.4
13
14.4
18.7
17.9
18
18.6

T1 20 S
T2 30 S
T3 40 S

1. De acuerdo a los datos se tienen 3 tratamientos, 4 rplicas y 12

repeticiones
T
R
N

3
4
12

2. Se realiza la suma de tratamientos; estos se elevan al cuadrado y la suma

de estos se divide entre el nmero de rplicas.
Suma

Y
2
Y
<Y2

de Suma

tratamientos
39.8
54.8
73.2
167.8
28156.84
2346. 403333

cuadrado Yi2/r

al

Y2
1584.04
3003.04
5358.24

396.01
750.76
1339.56

/T
3. Todos los tratamientos se elevan al cuadrado
R1

R2
100
196

349.69

R3

R4
110.2
90.25 96.04
5
207.3
179.56
169
6
345.9
320.41
324
6

4. Realizar la tabla ANOVA para DECA con las frmulas presentadas en la

siguiente tabla.

FV

G.L

S.C

C.M

Fc

Ft

SIG

.
Trat

t-1

Erro
Por
r
Diferenci
a
Tota
tr-1
l

Fuente

de

Y i2 Y 2
r tr
i=1

SC (TRA)
GL (TRA)

X Diferencia

SC ( E)
GL ( E)

CM (TRA)
CM ( E)

)
GL(T
GL(E )

*
**
N.S

Y 2
Y ij tr
i=1 j=1

Grados de

Suma

variacin

libertad

(FV)
Tratamientos

de

Cuadrado

Significanc

cuadrados

medio (CM)

Calculada

Tablas

ia (SIG)

(GL)
2

(SC)
139.926666

69.9633333

(FC)
287.52054

(FT)
3.98

Error

7
2.19

0.24333333

Total

11

142.116666

Tratamientos

Promed Desvest
io

EE

T1 20 S

9.95

0.42031734

0.21015867

T2 30 S

13.7

0.62182527

0.31091264

T3 40 S

18.3

0.40824829

0.20412415

5. En base a los datos obtenidos en la tabla; generar un grfico

ED de respecto al tiempo de retencin

20
18
16
14
12
10
8
6
4
2
0

T1 20 S

T2 30 S

T3 40 S

6. Realizar las conclusiones en base al grfico resultante

Conclusin: Con una significancia del 5% podemos concluir que al menos un
par de los tratamientos es estadsticamente diferente; por lo cual se rechaza la
hiptesis nula y se acepta la hiptesis alternativa.
El tratamiento 3 es el que produce un efecto significativo en el contenido de
ED; debido a que presenta el mayor contenido de ED respecto al tiempo de
retencin. Por otro lado, el tratamiento 1 (20 s) tiene un rendimiento menor por
lo cual se recomienda no emplearlo para la obtencin de maltodextrina.

Ejemplo 2. Un grupo de investigadores desea elevar el contenido del antioxidante

licopeno en tomate, por lo que deciden elevar el efecto de dos micorrizas

(Azospirillum brasilense, Bacillus licheniformis) y de la fitohormona sinttica

Tomatone en el contenido de licopeno en frutos de tomates cultivados bajo
condiciones de invernadero. Para realizar el analisis cuantitativo de licopeno en los
tomates producidos se extrajo el jugo de cuatro muestras de frutos escogidos al
azar mediante cromatografa liquida de alta resolucin acoplada a espectrometra
de masas a travs del sistema HPLC, se realiz la determinacin en mg/100g de
muestra de este antioxidante. En la siguiente tabla se muestran los resultados del
experimento. Identificar la variable de respuesta mediante el modelo de
completamente al azar calcular la tabla del anlisis de la varianza con =0.05 y
concluir.
F.V.

G.L

Trat

t-1

S.C

C.M

Fc

Ft

SIG.

*
**
N.S

Error Por
X Diferencia
Diferencia
Total

tr-1

TRATAMIENTOS (T)

REPETICIONES
R1
R2

R3

R4

T1= Produccion convencional

0.644

0.658

0.62

0.612

T2=Hormona Tomatone

0.408

0.384

0.426

0.422

T3= Azoapirillum brasilense

0.789

0.778

0.763

0.716

T4= Bacillus licheniformis

0.665

0.679

0.608

0.643

TRATAMIENTOS 4
Totales tratamiento
REPETICIONES 4
SUMA
N
16
Y1
2.534

SUMA
AL
CUADRADO Y Yi/R
6.421156

1.605289

Y2

1.64

2.6896

0.6724

Y3

3.046

9.278116

2.319529

Y4
Yi=

2.595
9.815

6.734025
25.122897

1.68350625
6.28072425

Yi=
Y./t.r

96.334225
6.020889063

Total de tratamientos elevados al cuadrado.

0.414736

0.432964

0.3844

0.374544

0.166464

0.147456

0.181476

0.178084

0.622521

0.605284

0.582169

0.512656

0.442225

0.461041

0.369664

0.413449

TRATAMIENT
OS (T)

T1=Producci
n
convencional
T2=Hormona
Tomatone
T3=Azoapirill
um
brasilense
T4=Bacillus

REPETICIONES
R1
R2
R3

R4

Totales
tratamien
to
SUMA

SUMA AL Yi/r.
CUADRA
DO Y

0.644

0.658

0.62

0.612

2.534

6.421156

1.605289

0.408

0.384

0.426

0.422

1.64

2.6896

0.6724

0.789

0.778

0.773

0.716

3.056

9.339136

2.334784

0.665

0.679

0.608

0.643

2.595

6.734025

1.683506

licheniformis

25
Yi=
Yi=
Y./t.
r=

FV

9.825
96.530625
6.0331640
63

GL

S.C

C.M

F.C

0.25983518
7

123.602289
0.086611729 3

Error

12

0.00840875

0.000700729

Total

15

0.26824393
7

F.T

SIG

3.4902

TRATAMIENTOS (T)

TOTAL.TRA
SUMA

PROMEDIO

DESVEST

ERROR
ESTANDAR

T1

2.534

0.6335

0.021252451

0.010626225

T2

1.64

0.41

0.018973666

0.009486833

T3

3.046

0.7615

0.032150687

0.016075343

T4

2.595

0.64875

0.030944843

0.015472422

T3
=
Az
os
pi
ril
lu
m

T1

=
Pr
od
uc
ci
on

co
nv
en
ci
on
al

0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Contenido de licopeno
0
T1 =Produccion convencional

TRATAMIENTOS

Conclusin:
Ho= T1 = T2 = T3 = T4
Ha= T1 = Tj
Se rechaza la hiptesis nula Ho; Fc= 123.60 y Ft = 3.49 al ser Fc> Ft
Con un nivel de significancia del 5% podemos concluir que ningn tratamiento es
igual y que al menos un tratamiento es estadsticamente diferente por lo cual se
rechaza la hiptesis nula. El tratamiento 3 (Azospirillum brasilense) es el que
presenta mayor produccin de antioxidante y el tratamiento 2 (Hormona
Tomatone el de menor produccin. Por lo anterior mencionado, se recomienda
usar el tratamiento 3.

Ejemplo 3. Una empresa procesadora de conservas y mermeladas desea

mejorar la calidad de sus productos. Para ello decide evaluar distintos
conservadores con actitud antioxidante adicionados las mermeladas. Se realiz
un experimento completamente al azar para evaluar la cantidad de polifenoles
totales en mermelada de pia formulada con cido tartrico como conservador. La
concentracin de polifenoles totales se midi con el mtodo colorimtrico que
utiliza el reactivo Folin-Ciocalteu con una curva de calibracion preparada con cido
glico. La muestra de guayaba se mezcl con los reactivos Folin-Ciocalteu y el
Na2CO3 7.5% para producir la reaccin a 30C. Los tratamientos fueron los
diferentes tiempos de incubacin de las muestras (5, 10, 20, 40 minutos). Se midi
la absorbancia con un espectrofotmetro UV/Vis. Los resultados obtenidos se
expresaron como equivalentes de cido glico por cada 100g de muestra
(EGA/100g). A continuacin se presenta la tabla de resultados del experimento.

TRATAMIENTOS (T)

REPETICIONES
R1
R2

R3

R4

R5

T1 (5MIN)

79

81

87

80

85

T2 (10MIN)

108

104

92

116

91

T3 (20MIN)

130

116

127

129

123

T4 (40MIN)

130

128

123

125

133

Tratamiento = 4

Repeticiones= 5

N`s= 20

Total de tratamientos elevados al cuadrado.

6241
6561
7569
11664
10816
8464
16900
13456
16129
16900
16384
15129

6400
13456
16641
15625

Totales/tratamient
o
SUMA

SUMA
DE
CUADRADOS Y
Yi/r

Y1

412

169744

33948.8

Y2

511

261121

52224.2

Y3

625

390625

78125

Y4
Yi=
Yi=
Y./t.r

639
2187
4374
19131876

408321
1229811

81664.2
245962.2
245962.2

7225
8281
15129
17689

F.V

GL

S.C

C.M

T
Error
Total

3
16
19

6813.75
696.8
7510.55

2271.25
43.55

F.C
52.1526980
5

F.T

SIG

2.71

TRATAMIENTOS (T)

PROMEDIO

DESVEST

E.E

T1 (5MIN)

82.4

3.435112807

1.53622915

T2 (10MIN)

102.2

10

4.472135955

T3 (20MIN)

125

5.700877125

2.549509757

T4 (40MIN)

127.8

3.962322551

1.772004515

Concentracin de Actividad Antioxidante

150
100
EGA/100G

50
0
T1 (5MIN)

T2 (10MIN)

T3 (20MIN)

T4 (40MIN)

TRATAMIENTOS

Conclusin:
Ho= T1 = T2 = T3 = T4
Ha= T1 = Tj
Se rechaza la hiptesis nula Ho ; Fc= 52.15 y Ft= 2.71 al ser Fc> Ft
Con un nivel de significancia del 5% podemos concluir que al menos uno de los
tratamientos es estadsticamente diferente y solo los tratamientos T3 y T4 son
iguales por lo cual se rechaza la hiptesis nula. Los mejores tiempos de
incubacin fueron T3 (20 minutos) y T4 (40 minutos), y producen un efecto
significativo sobre la actividad antioxidante de la muestra pero al ser estos dos
estadsticamente iguales, se elige como el tiempo ideal el tratamientoT3. Por otro
lado el T1 (5 minutos) tuvo un rendimiento menor se recomienda no emplearlo

Ejemplo 4. En un experimento se desarrollaron probetas cermicas a base de

mullita y adicionando harina de maz como agente formador de poros. Se desea
evaluar si la harina de maz produce un efecto en el tamao de poro, para ello se
utilizaron 3 diferentes concentraciones de harina de maz 10,15 y 20%. Los
resultados del experimento se muestran a continuacin.
TRATAMIENTO
S (T)

REPETICIONES
R1
R2

T1 =10

78.94

T2=15

78.94

T3=20

108.23

R3

R4

77.5

76.3

78.7

77.8

76.9

78.9

108.1

108.8

109.1

Totales/tratamien
to
SUMA

SUMA
AL
CUADRADO
Y
Yi/r

Y1

311.44

96994.8736

24248.7184

Y2

312.54

97681.2516

24420.3129

Y3

434.23

188555.6929 47138.92323

Tratamiento= 3 Repeticiones =4

Ns =12

Total de tratamientos elevados al cuadrado.

6231.5236

6006.25

5821.69

6193.69

6231.5236

6052.84

5913.61

6225.21

11713.7329

11685.61

11837.44

11902.81

TRATAMIENTOS (T)

PROMEDIO

DESVEST

E.E

T1 =10

77.86

1.215894732

0.607947366

T2=15

78.135

0.978212656

0.489106328

108.5575

0.47246693

0.236233465

T3=20

F.V

GL

T
Error

2
9

Total

11

SC
2490.58751
7
7.975575
2498.56309
2

CM
FC
FT
1245.29375 1405.24586
8
9
4.26
0.886175

SIG

120
100
80
Tamao de poro

60
40

T1 =10

20
0
T1 =10

T2=15

T3=20

TRATAMIENTOS

Conclusin.
Ho= T1 = T2 = T3 = T4
Ha= T1 = Tj
Se rechaza la hiptesis nula Ho ; Fc= 1405.24 y Ft = 4.26 al ser Fc> Ft
Con un nivel de significancia del 5% podemos concluir que al menos uno de los
tratamientos es estadsticamente diferente y que existe un par de tratamientos que
son estadsticamente iguales (T1=T2). El tratamiento T3 produce un efecto
significativo en el tamao de poro mayor. Adems se puede observar que la
concentracin del agente formador de poros, juegan un papel relevante en las
propiedades ceramicas de la mullita.

Diseo Experimental Completamente Al Desbalanceado (DECAD)

El diseo experimental completamente al azar desbalanceado (DECAD) es similar
al DECA, sin embargo este debe aplicarse cuando se cuenta con diferente nmero
de repeticiones en los tratamientos. Este modelo es til para estudiar a fondo el
efecto de un tratamiento sobre la variable de respuesta.
G.L
Trat

t-1

S.C

C.M
2

2
Y
r i Yt
i=1
i
ri

SC (TRA)
GL(TRA)

Fc

Ft

)
CM (TRA) GL(T
GL(E ),
CM ( E)

SIG.
*
**
N.S

i=1

Error

Total

Por
Diferencia
t

r i 1
i=1

X Diferencia

ri

Y ij2
i=1 j=1

SC ( E)
GL ( E)
Y 2
t

ri
i=1

Ejemplo 1. Una empresa fabricante de aditivos desea elaborar pectinas a base de

pltano macho con la finalidad de comparar a calidad de esta con una pectina
obtenida de ctricos. Para esto se ha llevado a cabo un experimento
completamente al azar con 4 diferentes cidos para la extraccin del material
pctico.
Sin embargo, hubo una inundacin en la planta y se perdieron algunos datos de
las bitcoras. Por lo que para realizar el ANOVA se deber aplicar el modelo
desbalanceado. Los resultados se muestran a continuacin:

Trat
T H2SO2
T c. Ctrico
T HCl
T c.Ntrico

Repeticione
s
r1
r2
r3
8.2
8.12
7
7.15
9.23
10.12
10
11.1

r4
9.3
8.01
9.24

9
7.46

1. De acuerdo a los datos experimentales se tienen 4 tratamientos, 4 rplicas

y 13 repeticiones
T
R
N

4
4
13

2. Se realiza la suma de tratamientos; estos se elevan al cuadrado y la suma

de estos se divide entre el nmero de rplicas.

Y2/t

Suma de tratamientos
34.62
29.62
28.59
21.1
113.93
12980.0449

Suma al cuadrado Y2
1198.5444
877.3444
817.3881
445.21

Yi2/r
299.6361
219.3361
272.4627
222.605

998.4649

3. Todos los tratamientos se elevan al cuadrado

r1

r2
67.24
49
85.1929
100

Repeticiones
r3
r4
65.9344
86.49
51.1225
64.1601
102.4144
85.3776
123.21

r5

r6

81
55.6516

4. Realizar la tabla ANOVA para DECAD con las frmulas presentadas en la

siguiente tabla.

F.V

G.L

S.C

C.M

Fc

Ft

SIG
.

Trat

t-1

Y i2 Y 2
r t
i=1
i
ri

SC (TRA)
GL (TRA)

X Diferencia

SC ( E)
GL ( E)

)
CM (TRA) GL(T
GL ( E ) ,
CM ( E)

i=1

Erro
r
Tota
l

X.Dif.
t

r i 1
i=1

ri

Y ij2
i=1 j=1

*
**
N.S

Y 2
t

ri
i=1

ri1=r 1+r 2+ rn=N total de datos

i=1

* Significativo con
Significativo con
FV

GL

Tratamientos
Error
Total

Tratamientos
T1
T2
T3
T4

H2SO4
c. Ctrico
HCl
c. Ntrico

SC
CM
FC
FT
SIG
15.574907
16.96859
3
7 5.1916359
5
8.81
0.3059555
9
2.7536
6
18.328507
12
7

Promedio
8.655
7.405
9.53
10.55

Desvest
0.5854
0.4465
0.5109
0.7778

EE
0.2618
0.2232
0.2950
0.4490

5. En base a los resultados obtenidos se genera un grfico

Contenido de cido galacturnico en pectinas

12
10
8
6
4
2
0

T H2SO2

T c. Ctrico

T HCl

T c.Ntrico

6. Realizar las conclusiones de acuerdo al grfico generado

Conclusin: Con un nivel de significancia del 5% podemos concluir que al menos
uno de los tratamientos es estadsticamente diferente; por lo que se rechaza la
hiptesis nula y se acepta la hiptesis alternativa. El T3 y T4 son los que
presentan mayor contenido de cido galacturnico; sin embargo, en comparacin
con todos los tratamientos el cido ntrico (T4) es el que presenta mayor contenido
y es el mejor por lo que se recomienda utilizar este cido para la obtencin de
pectinas.

Ejemplo 2. Se realiz un experimento completamente al azar desbalanceado para

evaluar el efecto que tienen distintos tipos de secado en el chile habanero
(Capsicum chinense) utilizando diferentes mtodos de secado durante 72 horas.
V.R: Peso seco de 100 gr de chile fresco
REPETICIONES
R1
R2
T1 = Secador de charolas 9.8
9.3
T2=S.
Radiacin
Infrarroja
7.9
7.2
T3=Testigo (Temp 37 C) 11.3
12.4
T4= S. Al vaco
10.2
9
T5=
H.
Secado
convectivo
6.9
6.3
TRATAMIENTOS (T)

R3
10.6

R4
9.5

R5
10.3

R6
0

8.7
11.9

8
11.3

0
12.6

0
12.5

10.1

10.7

9.9

9.4

5.2

Procedimiento
Prueba de hiptesis:
H 0 :T 1=T 2 Tn
TRATAMIENTOS
REPETICIONES
N

Regla de decisin:
H a : Ti Tj
5
6
23

1 = 1 + 2 + 3 + 4 + 5 =1
= 5 + 4 + 6 + 6 + 3= 24 - 1= 23
r1
r2
r3
r4
r5
ri
1

ri`s
5
4
6
6
3
24
23

Totales TRA`S
49.5
31.8
72
59.3
18.4

-Rechazar H0 si y solo si Fc>Ft

Totales/tratamient
o
SUMA

SUMA
DE
CUADRADOS Y Yi/r

Y1

49.5

2450.25

490.05

Y2

31.8

1011.24

252.81

Y3

72

5184

Y4

59.3

3516.49

Y5
Yi=
Yi=
Y./t.r

18.4
231
53361
2223.375

338.56

864
586.081666
7
112.853333
3
2305.795

Total de tratamientos elevados al cuadrado.

96.04

86.49

112.36

90.25

106.09

62.41

51.84

75.69

64

127.69

153.76

141.61

127.69

158.76

156.25

104.04

81

102.01

114.49

98.01

88.36

47.61

39.69

27.04

PROMEDIO
F.V
9.9
7.95 T
12
Error
9.883333333
6.133333333
Total

DESVEST
GL
0.543139025
4
0.613731755
0.593295879
19
0.604703784
0.86216781
23

E.E
S.C
0.242899156
82.42
0.306865877
0.242212028
7.385
0.246869286
0.497772817
89.805
ri

ris
C.M
5
20.605
4
6
0.388684211
6
3
24

F.C
53.0121868
7

F.T
2.9

SIG

14
12
10
8
% Humedad

6
4
2
0
T1 = Secador de charolas

Conclusin:
Ho= T1 = T2 = T3 = T4
Ha= T1 = Tj
Se rechaza la hiptesis nula Ho ; Fc= 52.15 y Ft= 2.71 al ser Fc> Ft.
Con un nivel de significancia del 5% se concluye que al menos uno de los
tratamientos es estadsticamente diferente por lo cual se rechaza la hiptesis nula.
Todos los tratamientos son mas efectivos que el secado a temperatura ambiente.
Los tratamientos T1 =T4 son estadsticamente iguales. El mejor tratamiento de
secado es el T5 (Secado convectivo) es el que presenta mayor absorcin de
humedad tiene una eficacia mayor con respecto a los tratamientos utilizados.

Ejemplo 3. A un ingeniero de desarrollo de productos le interesa determinar si el

porcentaje de algodn (peso) afecta la resistencia de las telas. Se ha llevado a
cabo un experimento completamente al azar con 4 niveles del peso porcentual del
algodn. Sin embargo hubo un incendio en la oficina y perdi algunos datos de su
bitcora. Para realizar el ANAVA deber aplicar el modelo desbalanceado:
ri

TRATAMIENTOS REPETICIONES
(T)
R1
R2
T1(10)
7.2
7.6

R3
15.4

R4
11.7

T2(20)

12.1

17.2

12.9

18.4

T3(50)

19.2

18.5

18.1

T4(70)

25.5

22.9

23.6

R5
9.8

5
4

Procedimiento
Prueba de hiptesis:
H 0 :T 1=T 2 Tn

Regla de decisin:
H a : Ti Tj

-Rechazar H0 si y solo si Fc>Ft

TRATAMIENT
OS
4
REPETICION
ES
5
N
15
= 1 + 2 + 3 + 4
1 = 1 + 2 + 3 + 4 =1
= 5 + 4 + 3+ 3= 15 - 1= 14

r1
r2
r3
r4
ri
1

ri`s
5
4
3
3
15
14

Totales TRA`S
51.7
60.6
55.8
72

Totales/tratamient
o
SUMA

SUMA
DE
CUADRADOS Y
Yi/r

Y1

51.7

2672.89

534.578

Y2

60.6

3672.36

918.09

Y3

55.8

3113.64

1037.88

Y4
Yi=
Yi=
Y./t.r

72
240.1
57648.01
3843.200667

5184
57648.01

1728
4218.548

TRATAMIENTOS
(T)

PROMEDIO

DESVEST

E.E

ris

T1(10)

10.34

3.358273366

1.501865507

T2(20)

15.15

3.11608729

1.558043645

T3(50)

18.6

0.556776436

0.321455025

T4(70)

24

1.345362405

0.776745347

15
F.V

GL

T
Error

3
11

Total

14

S.C
C.M
F.C
F.T
375.347333
3
125.1157778 17.53616824 3.59
78.482
7.134727273
453.829333
3

SIG

30
25
20
15
RESISTENCIA DE TELA

10
5

T4
(7
0)

T3
(5
0)

T2
(2
0)

T1
(1
0)

Conclusin:
Ho= T1 = T2 = T3 = T4
Ha= T1 = Tj
Se rechaza la hiptesis nula Ho ; Fc= 17.53 y Ft= 3.59 al ser Fc> Ft.
Con un nivel de significancia del 5% se concluye que al menos uno de los
tratamientos es estadsticamente diferente, y se puede observar que existe una
tendencia lineal, el incremento en la resistencia de la tela es a medida que
aumenta el porcentaje de algodn en cada uno de ellos. El tratamiento T4 (70%)
es el que presenta mayor resistencia y el T1 (10%) es el que presenta menor
resistencia.

Ejemplo 4. Un ingeniero desarrolla membranas cermicas a base de mullita y

desea determinar si el porcentaje de mullita (concentracin) afecta la resistencia
de las membranas. Se ha llevado a cabo un experimento completamente al azar
con 4 diferentes concentraciones de mullita (0.75,1,1.5 y 1.75%). Sin embargo
hubo un incendio en la oficina y perdi algunos datos de su bitcora. Para realizar
el ANAVA deber aplicar el modelo desbalanceado.
TRATAMIENTO REPETICIONES
S (T)
R1
T1(0.75)
12.5

R2
12

R3
11.4

R4
13

R5

T2(1)

13.2

13.4

14

15

13

T3(1.5)

17.8

18.6

19

18.1

T4(1.75)

28

29.7

28.7

29.4

28.
6

Tolales/tratamiento

SUMA

SUMA
DE
CUADRADOS Y
Yi/r

Y1

48.9

2391.21

478.242

Y2

68.6

4705.96

1176.49

Y3

55.4

3069.16

1023.053333

Y4

86.4

7464.96

2488.32

259.3
67236.49
3735.360556

67236.49

5166.105333

TRATAMIENTOS
REPETICIONES
N

4
5
17

Total de tratamientos elevados al cuadrado.

156.25
144
129.96
174.24
179.56
196
316.84
345.96
361
784
882.09
823.69

169
225
327.61
864.36

169
817.96

GL

Error

14

Total

17

C.M
F.C
F.T
476.9149 3.513343 3.3
259
209
4
135.7439
048

35
30
25
20
15
10
5
0
T1
(0
.7
5)

RESISTENCIA DE TELA

S.C
1430.744
778
1900.414
667
3331.159
444

T3
(1
.5
)

FV

Conclusin:
Se puede observar que ningun tratamiento es igual debido a que existe una
tendencia de incremento en la resistencia de la membrana a medida que aumenta
la concentracion de mullita en cada uno de ellos .La mejor
Se rechaza la hiptesis nula Ho ; Fc= 17.53 y Ft= 3.59 al ser Fc> Ft.
Con un nivel de significancia del 5% se concluye que al menos uno de los
tratamientos es estadsticamente diferente, y se puede observar que existe una
tendencia lineal, el incremento en la resistencia de la membrana es a medida que
aumenta la concentracin de mullita en cada uno de ellos. El tratamiento T4
(1.75%) es el que presenta mayor resistencia y el T1 (0.75%) es el que presenta
menor resistencia.

Diseo experimental de bloques al azar (DEBA)

El diseo experimental de bloques al azar tiene las siguientes caractersticas:

Es til cuando se sospecha o se tiene la certeza de que existe un factor de

confusin que puede influir negativamente sobre los resultados del
experimento, pero no se puede sustraer del experimento de alguna forma.
Los tratamientos a evaluar se alojan sobre unidades compactas llamadas
bloques.
El propsito de la utilizacin de los bloques es absorber el mximo grado de
variabilidad del material experimental.
En cada uno de los bloques a utilizar en el experimento estn presentes
todos los tratamientos a evaluar.
El tamao del bloque es igual al nmero de tratamientos a probar.
La disposicin de los tratamientos dentro de cada uno de los bloques se
hace mediante un mecanismo aleatorio.
Los bloques se disponen en forma perpendicular al factor de confusin.
Cada uno de los bloques representa una repeticin de cada uno de los
tratamientos a evaluar. El nmero de bloques representa el nmero de
repeticiones de los tratamientos.
No debe haber interaccin entre tratamientos y bloques.

Tabla 2. ANOVA para DEBA.

G.L
Trat

t-1

BL

r-1

Error

Por
Diferencia

Total

tr-1

S.C

C.M

Y i2 Y 2
r tr
i=1
t

2
Y
tj Y tr
i=1

X Diferencia

ri

i=1 j=1

* Significativo con 5% error

** Significativo con 1% error

Ft

SIG.

SC (TRA)
GL (TRA)

)
CM (TRA) GL(T
GL(E ),
CM (E)

*
**
N.S

SC (BL)
GL ( BL)

CM ( BL)
CM ( BL)

)
GL(T
GL(E ),

*
**
N.S

SC (E)
GL (E)

Y ij2 Y tr

Fc

N.S No existe diferencias significativas

Ejemplo 1. Una industria desea comprobar el efecto que tiene la explosin por
vapor en la extraccin de maltodextrina de pltano macho (Musa balbisiana) con 5
tratamientos (tiempos de retencin). Debido a que el tipo de maquinaria que se
emplea puede influir en la obtencin, se decide utilizar un diseo en bloques
aleatorizados, considerando las diferentes mquinas como bloques. Las industria
dispone de 5 mquinas a las que se asigna a cada una un diferente tiempo de
retencin. Los resultados se muestran en la siguiente tabla.
tipos de mquinas
Trat. Tiempo (s)

blo 1 (a)

blo 2

blo 3

blo 4

10 s

8.23

7.99

8.05

15 s

10.78

11

10.59

10.89

25 s

15.4

15.08

14.98

15.35

30 s

19.05

19

18.8

19.03

40 s

26.7

27

26.9

26.59

1. En base a los datos experimentales obtenidos, se genera un grfico para

saber si es posible realizar el anlisis por este mtodo.
30
25
20
15
10
5
0
10 s

15 s

25 s

30 s

40 s

Como se observa en el grfico anterior, existe una gran interaccin en los datos,
debido a esto, no ser posible realizar un anlisis DEBA.

Ejemplo 2. Una industria desea comprobar el efecto que tienen las altas presiones
Tratamientos
Tipos de mquinas
Presin
en BLO1
BLO 2
BLO 3
BLO 4
mPa
A
B
C
D
100 mPa
81
86
82
83
200 mPa
85
87
95
85
300 mPa
90
92
95
90
400 mPa
89
97
98
98
400 mPa
99
106
101
100
hidrostticas en la extraccin de aceites esenciales de flores de manzanilla (Cistus
ladanifer L) con cinco tratamientos. Como tambin puede influir el tipo de mquina
empleada en la extraccin, se decide utilizar un diseo en bloques aleatorizados,
considerando las distintas mquinas de extraccin como bloques. La industria
dispone de 4 mquinas a las que asigna los 5 productos qumicos en orden
aleatorio. Los resultados obtenidos se muestran en la tabla 16.

110
105
100
95
90
85
80
75
100 mPa

200 mPa
Blo1 A

300 mPa
Blo 2 B

400 mPa
Blo 3 C

500 mPa
Blo4 D

Conclusin
Debido a que existen interacciones entre los tratamientos y los bloques, no es
posible emplear el DEBA para analizar esta problemtica.

Ejemplo 3. Un investigador desea comprobar el efecto del sinterizado den la

flexibilidad de las membranas ceramicas a base de mullita con cuatro
tratamientos. Como tambien puede influir la concentracion de mullita, se decide
utilizar un diseo en bloques. El investigador dispone de 3 hornos a las que asigna
las 4 temperaturas en orden aleatorio. Los resultados obtenidos se muestran en la
siguiente tabla.
Tratamientos

Tipos de hornos

Temperatura

BLO1

BLO 2

BLO 3

1100 C
1200 C
1300 C
1500 C

A
130
195
210
190

B
165
240
255
240

C
100
180
195
175

Totales/trata
miento

SUMA

Y1

395

SUMA
AL
CUADR
ADO Y
156025

Y2
Y3
Y4

615
660
605

378225
435600
366025
Yi/r

Y.
Y./t.r

Yi/r

PROME DESV
DIO
EST

E.E

52008.3
3333
126075
145200
122008.
33
445291.
6667

131.67

32.53

16.27

205.00
220.00
201.67

31.22
31.22
34.03

15.61
15.61
17.02

2275
431302.
0833
TRATAMIENTO
4
Repeticiones
3
Total de tratamientos elevados al cuadrado.
16900
38025

2722
5
5760
0

1000
0
3240
0

44100

6502
5
5760
0

36100

F.V

GL

SC

CM

FC

FT

3
2

268.
6
237

Error

4663.1944
44
4114.5833
33
17.361111
11

8.94

Bloque

Total

11

13989.583
33
8229.1666
67
104.16666
67
22322.916
67

3802
5
3062
5

SIG

19.3
3

Efecto en la flexibilidad por los bloques

300.00
200.00
100.00
0.00
Flexibilidad de la membrana

Temperaturtas de Sinterizado

Efecto en la flexibilidad por los bloques

300

Flexibilidad de la membrana

200
100
0

Hornos

Conclusin:
Con un nivel de significancia 5% se puede concluir que al menos uno de los
tratamientos es estadsticamente diferente, por lo que se rechaza la hiptesis nula.
De los tratamientos empleados, el T2 y T3 producen un efecto significativo e la
flexibilidad de las membranas, sin embargo a temperatura de 1300 C es el donde
se tiene una mayor flexibilidad en las membranas, y en el T1 las membranas no

poseen esta flexibilidad. En cuanto a los bloques, en el bloque 2 es el que

presenta mayor flexibilidad de las membranas.

Diseo experimental de bloques al azar generalizado (DEBAG)

El diseo experimental de bloques al azar generalizado (DEBAG) es similar al
DEBA, con la diferencia de que cada tratamiento esta repetido varias veces dentro
de cada bloque. Adems, el DEBAG se puede usar ya sea que exista o no
interaccin entre tratamientos y bloques.
Tabla 3. ANOVA para DEBAG.
G.L

S.C

C.M
2

Fc

Ft

SIG.

Trat

t-1

2
Y

nri Ytrn
i=1

SC (TRA)
GL (TRA)

CM (TRA)
CM ( E)

)
GL(T
GL(E ),

*
**
N.S

BL

r-1

Y j2 Y 2
t trn
i=1

SC (BL)
GL ( BL)

CM (BL)
CM (BL)

GL(BL)
GL(E ),

*
**
N.S

T*BL

(t-1)(r-1)

BL)
r
CM (TBL) GL(T
*
Y 2ij t Y 2i
Y 2j SCy 2(TBL)
...
GL(E ),
n rn tn +GLtrn(TBL) CM (TBL)
**
i=1 j=1
i=1
j=1
N.S

Error

Por Dif.

Total

tr-1

X Diferencia

ri

SC ( E)
GL ( E)
2

Y ij2 Y tr
i=1 j=1

* Significativo con 5% error

** Significativo con 1% error
N.S No existen diferencias significativas

Ejemplo 1. Se realiz un estudio de diferentes gneros de microorganismos para

evaluar su rendimiento en la obtencin de etanol de segunda generacin. El
experimento se realiz bajo condiciones controladas de temperatura y humedad.
Se consider el metabolismo de los microorganismos como un gradiente de
variacin. Los tratamientos fueron diferentes concentraciones de inoculo (0.1, 0.2,
0.4 y 0.8 g/kg de sustrato). El experimento const de tres repeticiones, y se utiliz
el DEBAG para el anlisis de los resultados. La variable de respuesta fue
rendimiento de etanol en porcentaje.
TRATAMIEN REPETICIONES
TOS (T) g/Kg R1
R2
T1 0.1
35.2
36.8
26.5
23.3
T2 0.2
39.7
38.5
26.7
28.2
T3 0.4
20.6
21.1
16.4
14.8
T4 0.8
29.9
30.8
30.4
35.2

R3
38.1
27.8
36.6
28
23.4
18.2
31
33.4

Asignacin de tratamientos al azar

t1
t4
t3
t1
Asignaci
t4
n
al
t2
azar
t3
t2
t4
t2
t1
t3

35.2
29.9
20.6
36.8
30.8
39.7
21.1
38.5
31
36.6
38.1
23.4

t1
t3
t2
t1
t4
t3
t2
t4
t1
t2
t4
t3

26.5
16.4
26.7
23.3
30.4
14.8
28.2
35.2
27.8
28
33.4
18.2

Calcular totales de tratamientos (Yi)

Totales tratamiento

Totales
bloque
381.7
308.9
690.6

Y1
Y2
de Suma
Y3
cuadrado
Y4
145694.89
y
95419.21
Y./t..r.n

Yi/n.r

al

241114.1

187.7
197.7
Yj/t.n
114.5
190.7
12141.24083
690.6
7951.600833
19872.015

5871.881667
6514.215
2185.041667
6061.081667
20632.22

20092.84167

Calcular Totales por bloque (Yj)

Calcular Totales de Tratamientos por bloque (Yij)

Tot
Tra*Bloqu
e
Y1

SUMA
110.1

12122.01

Yij/r
4040.67

Y12

77.6

6021.76

2007.253333

Y21

114.8

13179.04

4393.013333

Y22

82.9

6872.41

2290.803333

Y31

65.1

4238.01

1412.67

Y32

49.4

2440.36

813.4533333

Y41

91.7

8408.89

2802.963333

Y42

99

9801

3267

SUMAS
Y.

690.6
476928.3
6
19872.01
5

63083.48
3979525449

21027.82667
442169494.3

Y./t.r

SUMA
AL
CUADRADO Y

Total de tratamientos elevados al cuadrado.

1239.04
702.25
1576.09
712.89
424.36
268.96
894.01
924.16
Yijk

1354.24
542.89
1482.25
795.24
445.21
219.04
948.64
1239.04

1451.61
772.84
1339.56
784
547.56
331.24
961
1115.56
21071.68

F.V

GL

S.C

C.M

F.C

F.T

760.205

T*BL

220.82666
67
174.78

92.454241
41
80.569169
96
21.256308
91

3.24

BL

253.40166
67
220.82666
67
58.26

Error

16

TOT

23

43.853333
33
1199.665

SIG

4.49
3.25

2.7408333
33

Efecto de los tratamientos por bloque

60
40
% OH 20
0

T1B1 T1B2 T2B1 T2B2 T3B1 T3B2 T4B1 T4B2

Tratamientos por bloque

Conclusin:
Con un valor de significancia del 5% podemos concluir que al menos un par de
concentraciones produce efecto distinto sobre el rendimiento de etanol con los
M.O estudiados y al menos una cepa (Bloque 1) produce un mayor rendimiento de
etanol comparado con la otra cepa. La interaccin de tratamientos por bloque nos
indica que los tratamientos NO siguen la misma tendencia en cada bloque.

Ejemplo 2. Se realiz un estudio para evaluar la resistencia y flexibilidad de la

membrana y comparar la eficiencia de la filtracion con membranas de mullita,
infiltradas con SiO2 (0.08 %m/v) y sin infiltar, para estimar la capacidad de
remocin de solidos en jugos de frutas .El experimento se realizo bajo condiciones
controladas de temperatura. Se considero el metabolismo de los microorganismos
como un gradiente de variacin. Los tratamientos fueron diferentes
concentraciones demullita 0.75, 1,1.5 y 1.75 % ). Las variables estudiadas fueron:
porcentaje de mullita utilizado en la preparacin de las membranas y porcentaje de
infiltracion. El experimento const de tres repeticiones, y se utiliz el diseo
experimental en bloques al azar generalizado para el anlisis de los resultados. La
variable de respuesta fue la resistencia de las membranas ceramicas.
TRATAMIENTOS
REPETICIONES
([] de mullita)
R1
R2
R3
Mullita (0.75)
BLOQ 1 12.5
12
11.4
(0.31)
BLOQ 2 13.2
13.4
14
(0.08)
Mullita (1)
BLOQ 1 15.4
15.3
16
(0.31)
BLOQ 2 16.6
16.4
17
(0.08)
Mullita (1.25)
BLOQ 1 17.6
18
18
(0.31)
BLOQ 2 18.2
19.5
19.7
(0.08)
Mullita (1.75)
BLOQ 1 28
29.7
28.7
(0.31)
BLOQ 2 30.2
31.5
34.2
(0.08)
Asignacin de tratamientos al azar
Asignacio
t1
12.5
n al azar
t4
28
t3
21.2
t1
12
t4
29.7
t2
16.4
t3
22.3
t2
16.9
t4
28.7
t2
17.3
t1
11.4

t1
t3
t2
t1
t4
t3
t2
t4
t1
t2
t4

13.2
24.5
17.8
13.4
30.2
24.8
18.6
31.5
14
19
34.2

t3

21.9

Calcular totales de tratamientos (Yi)

Totales tratamiento
Y1
Y2

t3

25.3

Yi/n.r
975.375
1872.66666
7
3266.66666
7
5538.88166
7

76.5
106

Y3

140

Y4

182.3

y
Y./t..r.n

504.8
10617.6266
7

11653.59

Calcular Totales por bloque (Yj)

Totales
bloque
238.3

de Suma
cuadrado
56786.89

266.5

71022.25

504.8

127809.14

al Yj/t.n
4732.24083
3
5918.52083
3
10650.7616
7

Calcular Totales de Tratamientos por bloque (Yij)

Tot
Tra*Bloqu
e
Y1

SUMA

SUMA
AL
CUADRADO Y

35.9

1288.81

Yij/r
429.6033333

Y12

40.6

1648.36

549.4533333

Y21

46.7

2180.89

726.9633333

Y22

50

2500

833.3333333

Y31

53.6

2872.96

957.6533333

Y32

57.4

3294.76

1098.253333

Y41

86.4

7464.96

2488.32

Y42

95.9

9196.81

3065.603333

SUMAS

466.5

30447.55

10149.18333

Y.

217622.25

Y./t.r

9067.5937
5

927053301

103005922.3

Total de tratamientos elevados al cuadrado.

156.25
174.24

144
179.
56
234.
09
268.
96
324
380.
25
882.
09
992.
25

237.16
275.56
309.76
331.24
784
912.04
Yijk

129.96
196
256
289
324
388.09
823.69
1169.6
4
10161.
83

F.V

GL

S.C

C.M

F.C

F.T

3
1

345.321111
1
33.135

T*BL

130

Error

16

102.5

43.333333
33
6.40625

53.903783
2
5.1722926
83
6.7642276
42

3.24

BL

1035.9633
33
33.135

TOT

23

1171.59833
3

4.49
3.25

SIG

35
30
25
20
15
Resistencia de la membrana 10
5
0

Tratamiento *Bloques

Conclusin:
Con un valor de significancia del 5% podemos concluir que al menos un par de
concentraciones produce un efecto sobre la resistencia en las membranas. Las
membranas que reunieron las mejores caractersticas, tanto en espesor como en
resistencia fueron las preparadas a una concentracin de 1.75 % m/v de mullita.
Se observ que al infiltrar con SiO2 al 0.08 % v/v las propiedades de flexibilidad de
las membranas mejoraron significativamente en el tratamiento T4. Por lo cual la
membrana que se eligi para el proceso de filtrado fue la del mejor tratamiento
T4B2 .

Glosario
Aleatorizacin: es la asignacin, en la cual se establece un tratamiento a cada
unidad experimental.
Bloque: son el conjunto de unidades experimentales homogneas con respecto al
efecto que han producido.
Diseo experimental: es un esquema para realizar un experimento, sus objetivos
son:
- Verificar si la diferencia entre los tratamientos es verdadera
- Establecer las tendencias entre las variables

Estimador insesgado: Posee un sesgo nulo por ser el valor esperado igual al
parmetro que se desea estimar.
Error experimental:
experimentales.

diferencia

innata

que

existe

entre

las

unidades

Experimento: procedimiento basado en el control de condiciones, lo cual permite

rechazar o aceptar una hiptesis.

Factor de confusin: es aquel que produce un efecto significativo sobre los

valores de la variable de respuesta.
Homocedasticidad: Debe haber igualdad de varianzas en las muestras o grupos
estudiados.
Independencia: Los individuos estudiados han de ser independientes unos de
otros.
Media muestral: Es un estadstico que se calcula a partir de la media
aritmtica de un conjunto de valores de una variable aleatoria.
Normalidad: Las muestras o grupos analizados deben seguir una distribucin
normal.
Poblacin: Conjunto de elementos que sern observados en la realizacin de un
experimento. Cada uno de estos elementos es llamado o unidad estadstica.
Pruebas paramtricas: en este tipo de pruebas se conoce el modelo de
distribucin de la poblacin objeto de estudio y se desconoce un nmero finito de
parmetros de dicha distribucin que hay que estimar con los datos de la muestra.
Para realizarlas se requieren conocer la distribucin de la muestra para poder
realizar inferencias sobre la poblacin.
Pruebas no paramtricas: son mtodos de distribucin libre que no requieren
conocer la distribucin de la muestra. En estos se utilizan estadsticos cuya
distribucin se determina con independencia de cul sea la distribucin de la
poblacin.
Repeticin: nmero de unidades experimentales a las que se les aplica el mismo
tratamiento.
Supuesto de normalidad: Las observaciones se extraen de poblaciones
distribuidas segn la Normal para cada grupo. Son pruebas de bondad de ajuste.
Testigo: es la unidad experimental a la que no se le aplica ningn tratamiento con
el fin de comparar y medir la accin o el efecto de los tratamientos aplicados en el
experimento.
Tratamiento: variables que se desean probar o estudiar, para probar los efectos
que produce sobre una unidad experimental.

Unidad experimental: unidad bsica o material al cual se le aplica un tratamiento

Valor medido: Valor medio cuando los datos estn ordenados de menor a mayor
Variable de respuesta: se mide para detectar los efectos de los tratamientos.

Bibliografa
Ausin., C. Tecnicas de Inferencia Estadistica. Contrastes de bondad de ajuste.
Cabaa., E. Pruebas de bondad y ajuste.
Bentez., C. Conceptos bsicos sobre anlisis de la varianza y diseo experimental.
Facultad de Ciencias Forestales (2002).
Montgomery, D., 2004. Diseos y anlisis de experimentos. Limusa Wiley. Universidad
estatal de Arizona.
Ordaz Sanz, J. A., Melgar Hiraldo, M. del C., Rubio Castao, C. M. S/F. Mtodos
estadsticos y economtricos en la empresa y para finanzas. Universidad Pablo de
Olavide: Sevilla.
Villaseor, A. J. (2011). Pruebas de bondad y ajuste para las distribuciones no
paramtricas. Colegio de posgrados. Mxico Lind, D.; Mason, R.; Marchal, W.
2001. Estadstica para Administracin y Economa. Ed. Irwin McGraw-Hill.
Universidad Carlos III de Madrid (2011).